问题为导向,从数据到决策的前进方式
我们都听说过 “数据驱动决策”。在过去的十年中,我们争相获取越来越多的数据–仿佛只要我们掌握了完美的信息,就能做出正确的决策。这通常被描述为数据丰富,但洞察力不足。
说得极端一点,这似乎是自相矛盾的。
如果从数据中实现完美的价值捕捉是高质量决策的秘诀,那么从理论上讲,拥有大量数据的在位者就会做出所有正确的举动。这就像与阿尔法零下棋一样。
当然,事实并非如此。凭直觉,我们知道这不仅仅是一场信息套利游戏。
在完全不确定的环境中,我们要解读新情况,确定 “这里发生了什么”,用不完整的信息构建一个连贯的叙事,然后做出决策。
这就是复杂性的本质–它是适应性的,而不是优化性的。适应性 “意味着在问题范围不明确、信息不完善、变量不断变化(其中大部分我们无法观察或测量)的情况下生存。
复杂性经济学认为,经济是运动的,它永远在 “计算 “自己–永远在重新构建自己。均衡经济学强调秩序、确定性、演绎和停滞,而复杂经济学则强调偶然性、不确定性、感性认识和对变化的开放性。
复杂性经济学,圣达菲研究所
在这种环境下,我们的目标并不是要以某种方式知道决策是正确的(这就是结果偏差),而是要为 “正确 “的东西的出现创造原始汤。
合理化后的好主意比合理化前的多得多
– 罗里-萨瑟兰
数据是一个要素,但如果没有感知和信念,仅靠数据是无法推动决策的。反之,没有数据,感知和信念也是危险和容易出错的。(毫无根据的过度自信)
谷歌首席决策科学家 Cassie Kozyrkov 很好地阐明了这一点:
没有决策科学的数据科学是无能的,正如没有数据科学的决策科学也是无能的。
决策驱动意味着什么?
决策驱动 “的概念已经流传了十多年。有趣的是,2010 年,《哈佛商业评论》(HBR)上突然出现了一篇关于决策驱动型组织的文章(由贝恩公司的人撰写),与此同时,麦肯锡也发表了一篇关于 “大数据 “来临的 “里程碑式文章”。
同年,后来与丹尼尔-卡尼曼(Daniel Kahneman)合作撰写《噪音》(Noise)一书的奥利维尔-西博尼(Olivier Sibony)领导麦肯锡的研究工作,揭示了对话与分析相结合的重要性。
从那时起,在大数据和分析的哺育下,这个词沉寂了近十年,直到麻省理工学院斯隆商学院的一篇文章《以决策驱动的数据分析为导向》(Leading With Decision-Driven Data Analytics)再次出现。
在这篇文章中,Bart de Langhe 和 Stefano Puntoni 将 “决策驱动 “广泛定义为专注于提出正确的问题。
“数据驱动型决策以现有数据为基础。这往往会导致决策者关注错误的问题。决策驱动型数据分析的出发点是正确定义需要做出的决策以及做出决策所需的数据”。
总结其原则,决策驱动型的特点是:
- 提出问题重于寻找 “答案
- 收集足够的信息来做出决定比完整的信息更重要
- 探索未知而非优化已知–通过 “先宽后窄 “避免过早趋同
- 识别数据盲点(无法获得可能影响决策的数据)
- 认识到历史数据可能无法模拟未来事件
同样,经济学家默文-金(Mervyn King)和约翰-凯(John Kay)也谈到了在极端不确定的环境中航行时仅仅依靠数据和模型的危险性,因为在这种环境中,”所有的模型都是错的,但有些模型是有用的”。
他们接着说
他们接着说:”模型很少被用作决策过程的输入,它们通常被用作预先确定决策的理由……数据固然重要,但仅凭数据进行推论,尤其是因果推论,我们应该慎之又慎”。
默文-金和约翰-凯,《激进的不确定性
金对不确定性并不陌生–他在担任英格兰银行行长期间,在应对金融危机方面发挥了重要作用。在他与约翰-凯合著的《激进的不确定性》一书中,他们提供了多个例子,说明数据驱动的方法依靠模型预测未来却失败了。
由于在这些环境中,预测的一个基本假设存在缺陷–未来将与过去相似–它们未能发挥作用。
在复杂的系统中,如果我们相信自己能够考虑到所有(甚至大部分)变量,那就太愚蠢了。正如多内拉-米多斯等人的工作所观察到的那样,我们可以假设,我们认为我们的行动会对系统产生怎样的影响往往是错误的,甚至是完全相反的。
决策驱动法在很大程度上依赖于归纳和归纳推理。它依赖于可信的、往往是相互竞争的、有证据支持的判断(通常是对相同数据的不同观点),来描绘正在发生的事情、它意味着什么,并将赌注押在揭示更多信息的最佳机会上–或推动某种期望的变革。
“成功的决策者会在数据、经验和直觉之间取得平衡。他们能快速梳理信息,运用判断力,并对数据进行严格审查,以培养敏锐的洞察力。他们知道,决策不仅仅是数据。他们不会被信息迷惑。
相反,他们运用一阶原则来理解决策的真正含义、必须做出决策的原因和目的。然后,他们会寻找相关数据来帮助做出决策。简而言之,他们是在信息不完整的情况下做出明智的决策”。
保罗-F-马格无,《小数决策》: 在直觉与信息之间取得平衡
从数据驱动到决策驱动之路
这个问题与在数据中寻找答案无关–在过去十年中,数据访问、报告和可发现性都取得了长足进步。有了人工智能,过去似乎需要一个笨重的仪表盘才能解决的问题,现在只需一个提示就能找到答案。
问题似乎在于探索未知领域、提出正确的问题、促进新事物的出现,而不是追逐目标。
没有数字就无法理解世界,仅靠数字也无法理解世界。热爱数字,因为它们能告诉你真实的生活。- 汉斯-罗斯林,《实事求是
翻译:云瑞设计
原文:uxdesign