Vendime me të dhëna

Në këtë numër

Çdo vit menaxherëve u vijnë më shumë të dhëna nga sa mund të lexojnë. Ky numër pyet ku i përmirësojnë vërtet të dhënat vendimet: ku zëvendësojnë zhurmën, ku e ushqejnë gjykimin, dhe ku njerëzit nuk u besojnë më.

Në një kompani sigurimesh, diferenca mediane mes dy vlerësuesve të rrezikut për të njëjtin rast ishte 55%. Në 179 firma të mëdha, ato që vendosnin me të dhëna kishin prodhim dhe produktivitet 5–6% më të lartë nga sa do të pritej prej investimeve të tjera dhe IT-së. Në studimet e parashikimit, formulat ishin mesatarisht më të sakta se ekspertët, por njerëzit e braktisin algoritmin sapo e shohin të gabojë, përveç kur mund ta ndryshojnë pak.

Stiven Janaqi, Redaktor

Tema kryesore

Auditimi i zhurmës

Në një auditim zhurme në një kompani sigurimesh, të përshkruar nga Daniel Kahneman, Olivier Sibony dhe Cass Sunstein, vlerësuesit e rrezikut caktuan primin për të njëjtat raste, secili më vete, dhe vlerësuesit e dëmeve vlerësuan të njëjtat dëme.

Diferenca mediane mes dy profesionistëve që gjykojnë të njëjtin rast: E pritur ≈10%, Primet 55%, Dëmet 43%.

Kahneman dhe bashkautorët e quajnë metodën auditim zhurme: njerëzit e së njëjtës njësi gjykojnë të njëjtat raste, dhe sa ndryshojnë përgjigjet e tyre është masa e zhurmës. Zgjidhjet e tyre janë algoritmet, ose procedurat që i shtyjnë gjykimet drejt konsistencës.

Leximi ynë

Zhurma nuk duket derisa dy njerëz të gjykojnë të njëjtin rast. Shumica e ekipeve nuk e bëjnë kurrë këtë, prandaj nuk e shohin kurrë.

Burimet: Daniel Kahneman, Olivier Sibony & Cass R. Sunstein, 2021; Daniel Kahneman et al., Harvard Business Review, 2016

Shifrat

Sa vlen vendimi me të dhëna

Erik Brynjolfsson, Lorin Hitt dhe Heekyung Kim studiuan si marrin vendime 179 firma të mëdha të listuara në bursë. Ato që vendosnin me të dhëna kishin prodhim dhe produktivitet 5–6% më të lartë nga sa do të pritej prej investimeve të tjera dhe përdorimit të IT-së.

Fabrikat e SHBA që vendosin me të dhëna: 2005 11%, 2010 30%.

Në industrinë e SHBA, Brynjolfsson dhe Kristina McElheran gjetën se pjesa e fabrikave që vendosin me të dhëna pothuajse u trefishua në pesë vjet. Mes drejtuesve të të dhënave në firma të mëdha që pyeti Wavestone, 48,1% e quajtën organizatën e tyre të drejtuar nga të dhënat në 2024, nga 23,9% një vit më parë.

Leximi ynë

Të dhënat ia vlejnë kur ndryshojnë mënyrën si merren vendimet, jo kur mbushin më shumë raporte.

Studimi i firmave tregon një lidhje, jo një shkak. Studimi i dytë numëron fabrika, jo firma. Shifrat e Wavestone janë vlerësimi i vetë drejtuesve të të dhënave, jo mostër përfaqësuese.

Burimet: Erik Brynjolfsson, Lorin M. Hitt & Heekyung Hellen Kim, SSRN, 2011; Erik Brynjolfsson & Kristina McElheran, American Economic Review, 2016; Wavestone, 2024

Modeli

Rregull, gjykim, apo të dyja

Të dhënat mund të hyjnë në një vendim në tri mënyra. Cila përshtatet varet nga sa shpesh përsëritet vendimi dhe sa ndryshe përgjigjen njerëzit për të njëjtin rast.

• Vendos rregulli. Për raste të shpeshta e të ngjashme me rezultat të qartë: formula jep përgjigjen, njerëzit merren me përjashtimet.
• Rregulli propozon, njeriu e ndryshon. Formula jep një shifër; njeriu mund ta lëvizë brenda një kufiri të caktuar dhe shkruan pse.
• Vendos njeriu, me të dhënat përpara. Për vendime të rralla ose të reja: të dhënat janë prova, gjykimi është i njeriut, dhe shkruhet që të kontrollohet më vonë.

Shembull hipotetik, vendimi javor për stafin

• Rregulli: Stafi = porositë e parashikuara ÷ 120 për person
• Ndryshimi: Drejtuesi i turnit mund të shtojë a të heqë deri në 2 veta
• Shënimi: Çdo ndryshim, me një rresht pse

Pas një muaji, shënimet tregojnë nëse ndryshimet ndihmuan. Numrat janë të shpikur.

Leximi ynë

Të dhënat nuk e zëvendësojnë gjykimin. Zëvendësojnë zhurmën në të: pjesën që varet nga kush vendos, dhe në cilën ditë.

Tri mënyrat janë përmbledhje e redaksisë; e dyta ndjek Dietvorst, Simmons dhe Massey (2018).

Burimi: Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Management Science, 2018

Më shumë te eseja: KPI-të nuk përmirësohen nga Excel-i

Çfarë thotë kërkimi

Formula dhe eksperti

William Grove dhe kolegët krahasuan gjykimin e ekspertëve me parashikimin mekanik, statistikor, në studime parashikimi për shëndetin dhe sjelljen njerëzore.

• ≈10% më e saktë mesatarisht: formula
• 33–47% e studimeve: formula qartë më e mirë
• 6–16% e studimeve: eksperti qartë më i mirë

Megjithatë njerëzit hezitojnë t'i përdorin formulat. Në pesë studime, Berkeley Dietvorst, Joseph Simmons dhe Cade Massey gjetën se ata që e panë një algoritëm të gabonte i besuan më pak dhe e zgjodhën më rrallë se një njeri më të dobët, edhe kur algoritmi kishte dalë më mirë. Besimin te algoritmi e humbën më shpejt se te njeriu pas të njëjtit gabim.

Kur njerëzit mund ta ndryshonin pak parashikimin e algoritmit, e përdornin shumë më shpesh dhe dilnin më mirë, edhe kur ndryshimi i lejuar ishte shumë i vogël.

Leximi ynë

Lëri njerëzit ta ndryshojnë pak formulën dhe të shkruajnë pse. Kështu formula mbetet në përdorim, dhe ndryshimet duken.

Në shumë studime të dyja ishin pothuajse njësoj të sakta. Kufijtë varen se si numërohet një ndryshim i qartë.

Burimet: William M. Grove et al., Psychological Assessment, 2000; Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Journal of Experimental Psychology: General, 2015; Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Management Science, 2018

Si matet

Një auditim zhurme në ekipin tënd

Auditimi mund të bëhet në shkallë të vogël: të njëjtat raste, të gjykuara veçmas nga njerëzit që zakonisht vendosin për to.

• Zgjidh një vendim që përsëritet. Një që e marrin disa njerëz: një përparësi, një vlerësim, një notë.
• Përgatit pesë raste të vërteta. Të shkruara njësoj, pa emra.
• Secili gjykon vetëm. Pa diskutim derisa të vijnë të gjitha përgjigjet.
• Shiko shpërndarjen. Për çdo rast, diferenca mes përgjigjes më të lartë dhe më të ulët.
• Vendosni një rregull ku është më e gjerë. Shkruani si vendoset një rast i tillë, dhe provoni sërish pas tre muajsh.

Shembull hipotetik, pesë drejtues turni vlerësojnë të njëjtat vonesa

• Rasti 1: nga 20 në 45 minuta
• Rasti 2: nga 10 në 15 minuta
• Rasti 3: nga 30 në 90 minuta

Rasti 3 ka nevojë i pari për një rregull. Rastet dhe numrat janë të shpikur.

Hapat dhe shembulli janë të redaksisë, sipas auditimit të zhurmës që përshkruajnë Kahneman dhe kolegët.

Burimi: Daniel Kahneman et al., Harvard Business Review, 2016

Mjeti i javës

Karta e vendimit me të dhëna

Një kartë për një vendim që përsëritet. Plotësoje me njerëzit që e marrin, dhe shikoje sërish pas një muaji.

1. Vendimi çfarë vendoset, sa shpesh, nga kush
2. Të dhënat cilat shifra, nga ku, sa të freskëta
3. Rregulli si bëhen të dhënat përgjigje
4. Çfarë mund të ndryshojë njeriu sa, me arsyen të shkruar
5. Testi i zhurmës data, pesë raste, kush i gjykon
6. Rishikimi pas një muaji: a ndihmuan ndryshimet?

Praktikë e propozuar nga redaksia, sipas auditimit të zhurmës të Kahneman dhe kolegëve dhe algoritmeve që ndryshohen të Dietvorst, Simmons dhe Massey.

Burimet: Daniel Kahneman et al., Harvard Business Review, 2016; Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Management Science, 2018

Burimet dhe metoda

Çdo shifër ka një burim.

Shifrat e këtij numri vijnë nga burimet më poshtë. Viti tregon sa e re është secila.

• Daniel Kahneman, Olivier Sibony & Cass R. Sunstein, “Noise: A Flaw in Human Judgment”, 2021.
• Daniel Kahneman et al., Harvard Business Review, “Noise: How to Overcome the High, Hidden Cost of Inconsistent Decision Making”, 2016. https://hbr.org/2016/10/noise
• Erik Brynjolfsson, Lorin M. Hitt & Heekyung Hellen Kim, SSRN, “Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?”, 2011. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1819486
• Erik Brynjolfsson & Kristina McElheran, American Economic Review, “The Rapid Adoption of Data-Driven Decision-Making”, 2016. https://doi.org/10.1257/aer.p20161016
• Wavestone, “2024 Data and AI Leadership Executive Survey”, 2024. https://www.wavestone.com/en/insight/data-ai-executive-leadership-survey-2024/
• William M. Grove et al., Psychological Assessment, “Clinical versus mechanical prediction: A meta-analysis”, 2000. https://doi.org/10.1037/1040-3590.12.1.19
• Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Journal of Experimental Psychology: General, “Algorithm aversion: People erroneously avoid algorithms after seeing them err”, 2015. https://doi.org/10.1037/xge0000033
• Berkeley J. Dietvorst, Joseph P. Simmons & Cade Massey, Management Science, “Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them”, 2018. https://doi.org/10.1287/mnsc.2016.2643

Metoda editoriale

Çdo shifër u kontrollua për vitin, botuesin dhe çfarë mat saktësisht. Kur faqja e botuesit nuk hapej, shifra u kontrollua te përmbledhje të pavarura dhe shënohet me “përmes”. Interpretimi i redaksisë shënohet “Leximi ynë”. Shifrat që nuk u konfirmuan nuk janë në numër.