Uanset hvor meget erfaring du har inden for din branche, er det en god idé at lade din intuition akkompagnere af research og tørre facts, når du træffer forretningsmæssige beslutninger. Læs med her, og bliv klogere på, hvorfor og hvordan du kan bruge data i dit projekts tidlige fase. På den måde undgår du, at det lider en tidlig død og ender på den digitale kirkegård.
Men først og fremmest:
Fordi vores menneskelige dømmekraft har sine begrænsninger.
Måske kender du eksemplet med prøveløsladelserne i det israelske retssystem. Over en periode på 10 måneder gennemgik forskere 8 dommeres beslutninger i høringer om prøveløsladelser. De 8 dommere havde i gennemsnit 22 års erfaring.
Det viste sig, at dommerne var langt mere tilbøjelige til at tildele prøveløsladelse fra morgenstunden og lige efter frokost - også når vi korrigerer for den dømtes forbrydelse og risiko for tilbagefald. Hen mod frokosttid og fyraften, når dommerne var sultne og trætte, var chancen for en prøveløsladelse minimal.
Selv om vi har meget erfaring, er vi ikke immune over for vores egen menneskelighed, og nogle gange har vi brug for hjælp. Det er arrogant at tro andet.
“Pff! Jeg er for oplyst til at have bias,” tænker du måske.
Vi er kede af at sprænge dit luftkastel, men det er du ikke, og det har du.
For eksempel kan ingen sige sig fri for at være påvirket af the anchoring effect. Vi tolker alt, hvad vi ser og oplever i forhold til, hvad vi ved i forvejen. Vi søger et svar, der bekræfter os i en forudfattet holdning.
Hvis vi først spørger dig, om antallet af dødsfald i trafikken sidste år var over eller under 5000, og dernæst beder om dit bud på det præcise antal dødsfald i trafikken, så vil du gå ud fra, at antallet er i omegnen af 5000.
Måske lidt under eller over, men ikke alt for langt fra.
Hvis vi i stedet starter med at spørge dig, om du tror tallet er over eller under 200, så har vi etableret en anden ramme for spørgsmålet, og dit bud vil måske lande på 319. Markant færre end de 4237, du ellers havde gættet på.
Vi bliver også ramt centralt i irrationaliteten, når halo-effekten er på spil. Halo-effekten går ud på, at vi tillægger andres ord større værdi, end deres meritter lægger op til. Hvis en person er meget dygtig til én ting, forventer vi, at de også er dygtige til alt muligt andet, og at alt hvad de siger, er sandt.
Fatter vi sympati for nogen, har vi lyst til, at de skal have ret. Omvendt er det lidt problematisk, hvis ham den virkelig irriterende type på dit team har nogle vigtige pointer, som du ignorerer, fordi du synes, han er en klaphat.
Din egen menneskelighed, dit behov for at kaste anker og halo-effekten er altså bare nogle af de ting, der spænder ben for din fornuft.
Således opløftet får du her 5 tips til at træffe bedre beslutninger med data.
“Bløde” indsigter – eller, lad os bare kalde kalde det soft data, det lyder altså bedre – får du fra kvalitative undersøgelsesmetoder som for eksempel interviews og observationer.
Soft data fortæller os noget om, hvorfor verden ser ud, som den gør, men til gengæld fortæller de ikke noget om verden generelt - kun om lige præcis den eller de personer du har interviewet eller observeret.
Men gæt engang, hvad der kan hjælpe dig?
Nemlig. Data.
Altså “rigtig” data, tal, du ved.
Både dine data-data og dine soft data er vigtige her. Din kunde - eller hvem du nu skal formidle problemet og løsningen til – har brug for at føle historien, fortællingen om udfordringen og mulighederne.
Men hvis de skal have tillid nok til at poste en skovfuld dollars i projektet, så skal den store skala frem.
Det drejer sig derfor om at bruge data til at bakke en kompleks historie om virkeligheden op.
Du har sikkert oplevet fristelsen til at lave løsninger der tager højde for alle tænkelige scenarier, men i stedet bør du fokusere på normen. Det gennemsnitlige.
Hvis du arbejder som konsulent, har du måske erfaret, at edge cases fylder rigtigt meget hos kunden. Her kan du bruge data til at vise, at selv om noget findes, er det ikke nødvendigvis normalt.
Derfor er data med til at definere rammen for jeres arbejde.
Ja, der kan desværre godt være bias i vores tal.
Vi putter nemlig vores egne biases over i dataene. Det virker måske en anelse kontraproduktivt, men det kan ikke undgås.
Når vi vil bygge en algoritme baseret på folks adfærd, erfarer vi kun noget om den adfærd, vi af den ene eller anden (forudindtagede) grund, har besluttet os for at kigge på. Det kan også være, at de mennesker vi spørger, ikke ved en hujende fis (pardon my French) om emnet, vi spørger til.
De vil bare gerne vinde et Supergavekort.
Vores løsninger kan ende med at arve vores egen fordomsfuldhed, så husk, at bare fordi noget er udtrykt i tal, betyder det ikke, at det er sandheden.
I USA havde nogle kloge folk sammenlignet resultater fra SATs (du ved, de der prøver, de snakker så meget om i Beverly Hills 90210) og fundet ud af, at der var en negativ sammenhæng mellem skolernes budget pr. elev, og hvor godt eleverne klarede sig til SAT.
Det vil sige, at jo flere penge skolerne brugte pr. elev, jo ringere var deres testresultater.
Men bare fordi, der er en korrelation mellem to variabler, behøver der ikke være en årsagssammenhæng. Det faldt ikke nogen i forskergruppen ind at undersøge andre relevante variabler - for eksempel viste det sig, at i flere af staterne med et lavt budget var det kun en lille andel af eleverne, som rent faktisk tog prøven. Det skævvred billedet en del.
En almindelig analyseenhed kan ikke spotte kontekstuelle problemer - det kræver en ekspert på det område I undersøger.
Med data kan du lave forbedringer, der ikke syner af meget, men som kan have meget stor indflydelse. Den bedste løsning er ikke altid at genopfinde den dybe tallerken. Nogle gange er den bedste mulighed at optimere en ganske lille smule på en eksisterende løsning.
Men.
Nogle gange har du brug for et kreativt kvantespring. Det er nemlig muligt at nå de små optimeringers plateau, hvor fremskridt kommer for at lægge sig til at dø.
Så kan du sige til dig selv: “Jep. Det er godt, det her. Jeg er tilfreds.”
Eller du kan forsøge at tage et kreativt kvantespring, som tager dit produkt ikke bare til nye højder, men til helt andre breddegrader. Så skal du parkere al den data, du har indhentet på din hidtige løsning og starte på en frisk.
Vi håber, du er blevet lidt klogere på, hvordan du kan arbejde med data i din beslutningsproces. Hvis du er nysgerrig på, hvordan vi her hos Knowit Experience bruger data i hypotese- og designfasen, så vi undgår, at dit projekt ender på kirkegården, så tag fat i Lasse Staffensen på lasse.staffensen@knowit.dk.