American Hoist 讓銷售判斷匿名化、反覆迭代且準確

American Hoist and Derrick 面臨一個常見的預測難題：當市場假設正在改變時，僅靠歷史銷售數據並不足夠。但若只是直接詢問經理們的意見，又可能帶來層級、錨定與大聲者偏差的風險。

該公司將德爾菲法應用於銷售預測。經理們透過結構化流程提出判斷，收到關於群體觀點的回饋，並在不必把預測變成會議室競賽的情況下修正其估計。

巧妙之處在於程序而非計算。American Hoist 並未假裝判斷可以被移除；它設計了一套機制，使判斷更有紀律、更少政治性。

使用一年後，已發表的案例報告指出，1975 年銷售預測誤差降至 1% 以下，遠優於過去 10 年。

在對專家判斷取平均之前，先將其結構化

德爾菲流程保留了專家知識，同時減少了順從資深聲音的壓力。

反覆迭代讓經理們在看到匿名群體訊號後更新假設。

該方法在純外推失敗之處奏效，因為底層市場條件正在變動。

專家判斷並非分析的死敵。訣竅在於讓它在進入預測之前變得明確、獨立且可修正。

《Interfaces》期刊文章將該方法呈現為一種將管理層判斷納入銷售預測的實用方式。文章報告指出，在使用德爾菲法一年後，1975 年的預測誤差低於 1%。