研究訓練你不要在證據不足時過早下結論。Case 面試卻只給你幾十分鐘，還要求一路說出暫定判斷。兩者並不衝突；真正的轉換是把嚴謹度從「完整收集」移到「先查哪一項、為甚麼、何時停止，以及新證據如何改變結論」。
碩博士常見的卡點不是分析能力不足，而是把每個未知數都當成同等重要。面試官聽到五分鐘研究設計，仍不知道客戶要決定甚麼。這篇提供一張 decision／initial hypothesis／discriminating evidence／stop rule 表，並用三個合成情境測試。
兩種工作的成功標準不同
| 研究情境 | Case interview |
|---|---|
| 追求可重現、完整與學術貢獻 | 在有限時間內支援一項客戶決定 |
| 未知可能值得延伸研究 | 未知要按 impact 與區辨力排序 |
| 方法可以先於結論完整展開 | 暫定結論要隨證據同步更新 |
| 結果不顯著仍可能有價值 | 分析若不改變選項，優先度較低 |
| 侷限通常放在完整脈絡中 | 侷限要直接連到風險與下一步 |
McKinsey 的官方面試說明把 problem-solving interview 描述為處理一個商業情境，觀察候選人的分析思考與解題方式。BCG 的 Case Interview Preparation則列出建立結構、提出問題、分析資料、快速計算及辨識重要因素。兩個頁面都不是一套萬用框架，也不代表所有 office 流程相同；它們共同提醒：面試看的不只是資料量，而是你如何推進問題。
四格研究轉 Case 表
1. Decision
用一行寫：誰要在甚麼時間內，從哪些選項中選一個？「了解市場」不是 decision；「一所私立大學是否應在明年推出英文授課的資料科學碩士」才是。
2. Initial hypothesis
不是猜答案，而是說出目前最可能成立的因果鏈。例如：「初步看可以小規模試辦，前提是目標學生願付價格、師資不是瓶頸，且就業結果能與既有課程區隔。」
3. Discriminating evidence
問哪一項結果能把兩個方案分開。若所有結果都只令你「更了解」，它不是高區辨力測試。
4. Stop rule
事前定義：甚麼結果足以停止、轉向或進入下一階段？Stop rule 防止你在已可決定後繼續研究，也防止沉沒成本接管 recommendation。
排序公式：impact × uncertainty ÷ cost
列出問題後，各給 1–3 分：
- Impact： 答案改變客戶選項的幅度；
- Uncertainty： 目前真的不知道多少；
- Evidence cost： 取得時間、資料可得性與分析成本。
這不是精確數學，而是一種口頭紀律。Impact 高、uncertainty 高而 evidence cost 低的問題先測。若兩題同分，優先測能直接排除方案者。
情境一：生技授權
一家虛構的台灣生技公司要決定，自己做第二期試驗，或把候選藥授權給區域藥廠。
研究型回答可能先要求完整疾病盛行率、競品機制、試驗設計、法規路徑、定價與專利。Case 回答先鎖定：公司現金只能支持 14 個月，哪個方案能保留資產價值並避免資金中斷？
排序後首項資料可能是 partner term sheet 與 milestone timing，而不是再做一份全球市場報告。若 upfront 足以覆蓋關鍵試驗且保留合理權利，授權方案可進一步比較；若條款把主要 upside 全部讓出，才回到自行融資選項。
情境二：教育產品
一所大學考慮推出在職 AI management program。五個問題是市場規模、學費、教師、企業認可與招生渠道。
高區辨力測試可能是 20 家目標企業是否願意贊助員工，以及願付價格。若企業只口頭喜歡、卻不願承諾名額，宏觀 reskilling 趨勢不能支持完整推出。可先做一個有最低招生門檻的 cohort，而不是一次建完整學程。
情境三：SaaS 留存
一家 B2B SaaS 公司成長放慢。你可以分析 acquisition、activation、engagement、retention、pricing 和 sales productivity。面試官給資料：新客戶仍成長，但第 90 天留存由 78% 降到 61%，主要集中在小型客戶。
初始 hypothesis 應更新：先查 onboarding、產品使用及客群 fit，不先增加獲客預算。第一項測試是流失 cohort 在前 30 天是否完成核心 action，以及未完成與流失的差異。Stop rule 可以是：若完成核心 action 仍同樣流失，就停止只改 onboarding，轉查價值、價格或競爭。
圖表閱讀也要 80／20
不要由左到右描述每個數字。用四句：
- Headline： 圖表最重要的變化；
- Evidence： 支持 headline 的一至兩個數字；
- Implication： 它如何改變 hypothesis 或選項；
- Next test： 還需哪項資料決定下一步。
例如：「整體收入只跌 4%，但小型客戶 90 日留存由 78% 降到 61%，問題集中在早期價值實現，而不是所有客群需求。我的初始建議改為先修 onboarding；下一步比較完成核心 action 與未完成 cohort 的流失差異。」
當資料不足，別只說需要更多資料
改成：
這保留不確定性，也讓面試官聽到方向。研究嚴謹度沒有消失，只是被壓縮成假設、信心和反轉條件。
五個容易被追問的習慣
- 「所有資料都重要」：請排序前三項並說明剩下項目為何稍後處理；
- 「需要更多資料」：說明要哪一欄、如何取得、哪個結果會改變建議；
- 「樣本太小」：解釋小樣本會造成哪種錯誤，是否仍足以排除極端方案；
- 「先建立完整模型」：先做能決定方向的簡化模型，再增加細節；
- 「這不夠嚴謹」：定義此時決策的錯誤成本與合理證據門檻。
20 分鐘練習
拿一個熟悉研究題目，先禁用所有 technical term。用兩分鐘寫 client decision；三分鐘列五個未知；兩分鐘按 impact、uncertainty、cost 排序；五分鐘分析第一項；三分鐘更新 recommendation；最後五分鐘錄音並刪掉不改變決策的內容。
評分只看四件事：是否有明確 decision、第一項資料是否真的高區辨力、得到新證據後是否更新、是否說出 stop rule。
下一步
用生技、教育或 SaaS 任選一題，完成一張四格表，再錄 60 秒。禁止用「要看更多資料」作結尾；必須說目前選項、信心、最大未知與反轉門檻。若你常在追問中重新展開整份研究計畫，把這張表帶進一次 MBB 模擬面試，只測能否在新證據出現後 20 秒內更新。