В завершение этого раздела давайте кратко пройдемся по четырем уровням аналитики и их месту на этой ступени нашей схемы принятия решений. Мы знаем, что на каждом из четырех уровней мы должны анализировать данные. Наш путь начинается с дескриптивного уровня. На диагностическом уровне анализ данных – сама суть процесса. На предиктивном и прескриптивном уровнях мы анализируем информацию и строим модели, что напрямую ведет к принятию решений, которые действительно необходимы. Словом, третья ступень нашей схемы – неотъемлемая и очень важная часть процесса принятия решений, подкрепленных данными. Если все сделано как надо, мы можем спокойно переходить на четвертую ступень, то есть к интеграции.
Ступень 4. Интегрировать
Что имеется в виду под интеграцией?
Согласно одному из определений, интегрировать означает «формировать, координировать или объединять компоненты в функционирующее или единое целое»
[52].
Это, наверное, моя любимая часть: мы интегрируем человеческий фактор в процесс принятия решений, подкрепленных данными.
Слишком часто в мире данных центральное место занимают технологии. Если, так сказать, дать им волю, из этого не выйдет ничего хорошего. Если мы позволяем им это, увы, могут произойти неприятные вещи. Помните финансовый кризис 2007–2008 годов? Кажется, это было совсем недавно – но на самом-то деле прошло уже больше 10 лет, а пандемия COVID-19 и вовсе отодвинула воспоминания о нем на второй план. Вкратце напомню вам, что тогда случилось. Наступил бум на рынке недвижимости, но под этим скрывалось глубинное течение… как бы это сказать… некоторого безумия. Одна из самых влиятельных моделей того времени не располагала прогнозом возможного краха! Где были люди, способные сбалансировать эту модель? Почему они не вмешались, чтобы помочь миру осознать, что с рынком недвижимости происходит нечто странное и зловещее?
Еще один пример, как данные и технологии маскируют предвзятость, мешающую правильным решениям, – история с кредитными картами Apple: почему-то у мужчин кредитный лимит был больше, чем у женщин. То же самое можно встретить в банковской и финансовой индустрии, где алгоритмы «позволяют себе» предубеждения – в отношении пола, расы и т. д. К несчастью, в нашем случае человеческий фактор дал сбой, что привело к плохим последствиям.
Человеческий фактор
Я вовсе не хочу вас убедить, что все подобные примеры негативны: нет, если человеческий фактор и технологии объединены разумно и грамотно, то можно добиться удивительных результатов. Как? Как интегрировать человеческий фактор в мир данных и аналитики? Давайте рассмотрим различные способы гармонизации человека и данных. Обратите внимание, что я намеренно использую слово «гармонизация» вместо «баланс». Дело в том, что нам не нужны весы, чтобы постоянно поддерживать строгое равновесие. Нам не требуется, чтобы любое решение подразумевало 50 % человеческого фактора и 50 % технологий. В каких-то случаях нужно учитывать лишь данные – а в других ситуациях более значимую роль должен играть человек. Главное, чтобы оба элемента находились в гармонии. Один из самых простых примеров – выбор, кого именно уволить. Алгоритм, данные и технологии – все это может указать на конкретного сотрудника, но если окончательное решение принимает человек, то он способен учесть различные доводы в пользу кандидата на увольнение, и у того появится шанс остаться в команде.
Первый способ интеграции человеческого фактора в мир данных и аналитики – личный опыт. Меня часто спрашивают, исключаю ли я наличие «чутья» у профессионалов. На протяжении карьеры люди накапливают большой и разнообразный опыт. У них возникает ощущение «Я лучше знаю по опыту», «В прошлый раз я делал именно так». Я и сам сталкивался с чем-то подобным. Я работал на организацию, которая переживала самый настоящий кризис. Я то и дело слышал: «У нас уже бывали трудности, но мы справились, справимся и на этот раз». Год выдался для компании просто ужасным, но при этом экономика была на подъеме, так что трудности не объяснялись общей неблагоприятной ситуацией. Организация не имела права и дальше давить на те же рычаги, что и в прошлом, в неблагоприятные периоды. Не имела права – но все же так и поступила.
Конечно, личный опыт – хороший советчик, но в принятии решений нельзя полагаться только на чутье. Следует объединять опыт с данными и технологиями. Тогда мы сможем находить более точные ответы и принимать более эффективные решения.
Внутренние и внешние данные
Влияние человеческого фактора в мире данных может быть как внутренним, так и внешним. Данные, которые есть у организации, – это просто данные. Если мы смотрим на них как бы через узкую трубу – так называемое туннельное видение, то рискуем упустить ключевые элементы, а при анализе это может обернуться катастрофой. Представьте себе, что вы находитесь в туннеле. Что вы можете знать о мире снаружи? Хорошо, если туннель короткий – выход из него виден. А если длинный? Вы не видите ничего, кроме его стен. То же самое случается в процессе принятия решений, когда мы не рассматриваем внешние данные, ограничиваясь внутренними. Что я подразумеваю под этими терминами?
Внутренние данные – то, что происходит внутри организации и влияет на анализ и принятие решений. Для отдельного человека это все, что происходит с ним лично, его частная жизнь. Внешние данные – это тенденции и макроэкономические факторы, которые могут влиять на наш бизнес, нашу жизнь и т. д. Например, я прекрасно помню, как разразился финансовый кризис: ситуация в экономике становилась все хуже и хуже. И если бы в тот момент я смотрел только на свои личные проблемы, игнорируя то, что делается, образно говоря, снаружи туннеля, то мог бы совершить массу ошибок. Принимая решения, мы должны пытаться обеспечить гармонию внутренних и внешних данных.
Как человеческий фактор интегрируется в процесс принятия решений? Как он вписывается в различные аспекты дата-грамотности, которые мы рассматривали? Чтобы разобраться в этой теме, давайте вначале рассмотрим еще одно свойство человеческого фактора – предвзятость.
Предвзятость
Что же это такое – предвзятость?
Одно из определений гласит, что предвзятость определяется как «предубеждение в пользу или против предмета, явления, человека или группы по сравнению с другими, обычно рассматриваемое как несправедливое»
[53]. Существует также и статистическая предвзятость – как можно прочесть в той же статье на Towards Data Science, откуда мы взяли определение, она обычно возникает, если данные нерепрезентативны для популяции. В нашем случае нам больше интересно первое определение предвзятости. К сожалению, в мире данных и аналитики наши собственные предубеждения нередко вмешиваются в схему принятия решений, и мы обязаны постараться избавиться от них. Рассмотрим для примера решение, какую маркетинговую кампанию запустить. Если у вас есть в этом вопросе те или иные личные предпочтения – скажем, вам почему-то хочется выбрать кампанию 2, хотя данные говорят в пользу кампании 1, – вы все равно можете поступить по-своему и запустить второй вариант, даже вопреки данным. Как вы думаете, часто такое происходит в мире бизнеса? Да постоянно! Если мы не избавимся от личных предпочтений при принятии решений, связанных с данными, то на четвертой ступени нашей схемы нам будет нелегко, и решение может оказаться ошибочным. Мне хотелось бы остановиться на основных типах предвзятости (их еще называют когнитивными искажениями), с которыми вы можете столкнуться, и подсказать вам, как можно от них избавиться.
