Принятие решений, поддерживаемых информацией
Слава Богу за информацию. Сейчас подключенные девайсы ловят немыслимые объёмы данных: каждая трансакция, каждый жест клиента, каждый микро и макроэкономический индикатор – вся информация, которая может уведомлять о лучших решениях. В ответ на такую богатую данными окружающую обстановку мы адаптировали наши рабочие процессы. IT-департаменты поддерживают поток данных, используя машины (базы данных, распределенные файловые системы и тому подобное), чтобы уменьшить неуправляемые объёмы данных к легко усваиваемым для человека итогам. Затем эти итоги обрабатываются человеком с использованием таких инструментов, как электронные таблицы, панели управления и аналитические приложения. В конце концов, сильно обработанная, и уже вполне маленьких размеров, информация представляется для принятия решения. Это рабочий процесс, управляемый данными. Человеческое суждение – всё ещё центральный процессор, но сейчас он использует итоговую информацию как новое вложение.
В то время, когда это несомненно лучше, чем полностью полагаться на интуицию, люди, играющие роль центрального процессора, всё ещё создают несколько ограничений:
- Мы не используем всю информацию. Итоговая информация может скрыть множество догадок, связей и шаблонов, содержащихся в изначально большом наборе данных. Обработка данных необходима для того, чтобы обеспечить пропускную способность человеческого процессора. Даже если мы – знатоки в переваривании всей окружающей обстановки – без труда обрабатываем огромные объёмы внешней информации, мы необычайно ограничены, когда это касается обработки структурированных данных в миллионы и миллиарды записей. Разум может справиться с цифрами продаж и средней отпускной ценой регионального уровня. Он испытывает трудности и прекращает работу, когда вы начинаете думать о полном распределении ценностей и, самое главное, связях между элементами данных. Информация потерялась в общих итогах, но она важна для принятия правильного решения.
Это не утверждение, что суммированные сведения не несут пользы. Безусловно, они великолепно предоставляют базовый обзор бизнеса. Но они предоставят мало ценности для принятия решения.
Слишком много потерялось в процессе подготовки данных для людей. В других случаях суммированные данные могут быть откровенно вводящими в заблуждение. Отягощающие факторы могут создавать впечатление позитивных отношений, когда в реальности всё наоборот (например, парадокс Симпсона). И когда данные объединены, может быть невозможно восстановить способствующие факторы для того, чтобы правильно их контролировать. (Лучшая практика – использование рандомизированного контролируемого испытания, т. е. A/B тестирования. Без этой практики даже ИИ может быть не в состоянии должным образом контролировать способствующие факторы.) Короче говоря, используя людей в качестве центральных обработчиков данных, мы до сих пор поступаемся точностью, чтобы только обойти высокую цену обработки данных людьми. - Информации не достаточно для того, чтобы защитить нас от подсознательных предубеждений. Итоговые данные управляются людьми таким образом, который предрасположен ко всем подсознательным предубеждениям. Мы направляем это итоговое обобщение в некотором смысле интуитивно для самих себя. Мы просим, чтобы данные были собраны в сегменты, которые, как мы чувствуем, являются репрезентативными образцами.
Тем не менее у нас есть склонность грубо классифицировать предметы в обширные стереотипы, которые недостаточно объясняют их разницу. Например, мы можем запихать данные в такие качества, как география, даже если не существует заметной разницы в поведении между регионами. Подведения итогов также часто можно воспринимать как “кормовое зерно” информации. Это грубое приблизительное значение данных. Например, такое качество, как география, нужно хранить на региональном уровне, где относительно мало значений (т.е. “восток” против “запада”.) Более значимое может быть гораздо конкретнее – город, индекс и даже улица. Это труднее собрать и обобщить для человеческого мозга.
Также мы предпочитаем простые отношения между элементами. У нас есть тенденция думать о связях как о прямой линии, потому что для нас это проще обработать. Связь между ценой и скидкой, внедрением на рынок и коэффициентом конверсии, кредитным риском и доходом – всё это предполагается прямой линией, даже когда данные предлагают другое. Нам даже нравится воображать тщательно разработанные объяснения для трендов и вариантов данных, даже когда это более адекватно разъяснено естественным или случайным вариантом.
Увы, мы приспосабливаем наши предубеждения, когда мы обрабатываем данные.
Как выглядит принятие решений под руководством ИИ (3\3).
Остались вопросы по TikTok? Получи консультацию от человека, который реально в этом разбирается.
