研究训练你不要在证据不足时过早下结论。Case 面试却只给你几十分钟，还要求一路说出暂定判断。两者并不冲突；真正的转换是把严谨度从「完整收集」移到「先查哪一项、为什么、何时停止，以及新证据如何改变结论」。
硕博士常见的卡点不是分析能力不足，而是把每个未知数都当成同等重要。面试官听到五分钟研究设计，仍不知道客户要决定什么。这篇提供一张 decision／initial hypothesis／discriminating evidence／stop rule 表，并用三个合成情境测试。
两种工作的成功标准不同
| 研究情境 | Case interview |
|---|---|
| 追求可重现、完整与学术贡献 | 在有限时间内支持一项客户决定 |
| 未知可能值得延伸研究 | 未知要按 impact 与区辨力排序 |
| 方法可以先于结论完整展开 | 暂定结论要随证据同步更新 |
| 结果不显著仍可能有价值 | 分析若不改变选项，优先度较低 |
| 局限通常放在完整脉络中 | 局限要直接连到风险与下一步 |
McKinsey 的官方面试说明把 problem-solving interview 描述为处理一个商业情境，观察候选人的分析思考与解题方式。BCG 的 Case Interview Preparation则列出创建结构、提出问题、分析数据、快速计算及辨识重要因素。两个页面都不是一套万用框架，也不代表所有 office 流程相同；它们共同提醒：面试看的不只是数据量，而是你如何推进问题。
四格研究转 Case 表
1. Decision
用一行写：谁要在什么时间内，从哪些选项中选一个？「了解市场」不是 decision；「一所私立大学是否应在明年推出英文授课的数据科学硕士」才是。
2. Initial hypothesis
不是猜答案，而是说出目前最可能成立的因果链。例如：「初步看可以小规模试办，前提是目标学生愿付价格、师资不是瓶颈，且就业结果能与既有课程区隔。」
3. Discriminating evidence
问哪一项结果能把两个方案分开。若所有结果都只令你「更了解」，它不是高区辨力测试。
4. Stop rule
事前定义：什么结果足以停止、转向或进入下一阶段？Stop rule 防止你在已可决定后继续研究，也防止沉没成本接管 recommendation。
排序公式：impact × uncertainty ÷ cost
列出问题后，各给 1–3 分：
- Impact： 答案改变客户选项的幅度；
- Uncertainty： 目前真的不知道多少；
- Evidence cost： 取得时间、数据可得性与分析成本。
这不是精确数学，而是一种口头纪律。Impact 高、uncertainty 高而 evidence cost 低的问题先测。若两题同分，优先测能直接排除方案者。
情境一：生技授权
一家虚构的台湾生技公司要决定，自己做第二期试验，或把候选药授权给区域药厂。
研究型回答可能先要求完整疾病盛行率、竞品机制、试验设计、法规路径、定价与专利。Case 回答先锁定：公司现金只能支持 14 个月，哪个方案能保留资产价值并避免资金中断？
排序后首项数据可能是 partner term sheet 与 milestone timing，而不是再做一份全球市场报告。若 upfront 足以覆盖关键试验且保留合理权利，授权方案可进一步比较；若条款把主要 upside 全部让出，才回到自行融资选项。
情境二：教育产品
一所大学考虑推出在职 AI management program。五个问题是市场规模、学费、教师、企业认可与招生渠道。
高区辨力测试可能是 20 家目标企业是否愿意赞助员工，以及愿付价格。若企业只口头喜欢、却不愿承诺名额，宏观 reskilling 趋势不能支持完整推出。可先做一个有最低招生门槛的 cohort，而不是一次建完整学程。
情境三：SaaS 留存
一家 B2B SaaS 公司成长放慢。你可以分析 acquisition、activation、engagement、retention、pricing 和 sales productivity。面试官给数据：新客户仍成长，但第 90 天留存由 78% 降到 61%，主要集中在小型客户。
初始 hypothesis 应更新：先查 onboarding、产品使用及客群 fit，不先增加获客预算。第一项测试是流失 cohort 在前 30 天是否完成核心 action，以及未完成与流失的差异。Stop rule 可以是：若完成核心 action 仍同样流失，就停止只改 onboarding，转查价值、价格或竞争。
图表阅读也要 80／20
不要由左到右描述每个数字。用四句：
- Headline： 图表最重要的变化；
- Evidence： 支持 headline 的一至两个数字；
- Implication： 它如何改变 hypothesis 或选项；
- Next test： 还需哪项数据决定下一步。
例如：「整体收入只跌 4%，但小型客户 90 日留存由 78% 降到 61%，问题集中在早期价值实现，而不是所有客群需求。我的初始建议改为先修 onboarding；下一步比较完成核心 action 与未完成 cohort 的流失差异。」
当数据不足，别只说需要更多数据
改成：
这保留不确定性，也让面试官听到方向。研究严谨度没有消失，只是被压缩成假设、信心和反转条件。
五个容易被追问的习惯
- 「所有数据都重要」：请排序前三项并说明剩下项目为何稍后处理；
- 「需要更多数据」：说明要哪一栏、如何取得、哪个结果会改变建议；
- 「样本太小」：解释小样本会造成哪种错误，是否仍足以排除极端方案；
- 「先创建完整模型」：先做能决定方向的简化模型，再增加细节；
- 「这不够严谨」：定义此时决策的错误成本与合理证据门槛。
20 分钟练习
拿一个熟悉研究题目，先禁用所有 technical term。用两分钟写 client decision；三分钟列五个未知；两分钟按 impact、uncertainty、cost 排序；五分钟分析第一项；三分钟更新 recommendation；最后五分钟录音并删掉不改变决策的内容。
评分只看四件事：是否有明确 decision、第一项数据是否真的高区辨力、得到新证据后是否更新、是否说出 stop rule。
下一步
用生技、教育或 SaaS 任选一题，完成一张四格表，再录 60 秒。禁止用「要看更多数据」作结尾；必须说目前选项、信心、最大未知与反转门槛。若你常在追问中重新展开整份研究计划，把这张表带进一次 MBB 模拟面试，只测能否在新证据出现后 20 秒内更新。