پیشبینیها معمولا پر از خطان، اما تقریبا هیچ تصمیم مهمی بدون یک حدس درباره آینده گرفته نمیشه. از برنامه‌ریزی یک شرکت تا انتخاب‌های شخصی، ناچاریم درباره اتفاقی که هنوز نیفتاده قضاوت کنیم؛ حتی وقتی میدونیم گوی بلورینی در کار نیست.
این نوشته سراغ پژوهش‌های پروژه Good Judgment میره و بررسی میکنه چطور میشه پیشبینیهای کمتر بدی داشت. پذیرفتن خطاپذیری، فهم درست احتمال، کار گروهی، ثبت پیشبینیها و گرفتن فیدبک سریع، اجزای اصلی این فرایندن.
مقاله‌ی این اپیزود مال سال ۲۰۱۶ه و توی هاروارد بیزینس ریویو منتشر شده. نویسنده‌هاش دوتا از استادای دانشگاه معروف پنسیلوانیا هستن که یه پروژه‌ای رو به اسم good Judgment برای وزارت دفاع آمریکا انجام دادن و توی این مقاله نتایجی که بهش رسیدن رو اومدن و منتشر کردن. مقاله واقعا چیز جالبیه، حرفاش رو به شکلهای دیگه توی اپیزودهای دیگه‌ی کارکست شنیدید احتمالا ولی با این فرمت مرتب و منظم به نظر من ارزش زیادی داره یادگرفتنشون. یادتونه دوتا اپیزود قبل‌تر گفتم بافت میگه من هیچی رو در مورد آینده نمیدونم و این حرفا، با این وجود لقبش بوده پیشگوی اوماها. پس عجیب نیست که هم بگه نمیدونم و هم این چیزایی که اینجا میخوایم بگیم رو از مانگر و بافت شبیهش رو شنیده باشیم.
حالا همه‌ی اینا رو که گفتم، مثل همیشه بهتون توصیه میکنم که هرچیزی که اینجا یا هرجای دیگه میشنوید رو در استدلال‌هاش و حرفاش کند و کاو کنید که ببینید درست میگیم یا غلط. این کار واقعا لازمه.
بگذریم، دیگه مقدمه رو طولانی نکنم و بریم سراغ اصل داستان.
نویسنده‌ها مقاله رو با یه جمله‌ی خیلی جالبی شروع میکنن. میگن شما، میتونید توی سازمانتون کیفیت پیشبینیها رو بالا ببرید. ولی میدونید قدم اولش چیه؟ قدم اولش اینه که متوجه بشید هم پیشبینیها و هم آدمایی که دارن پیشبینیها رو انجام میدن شدیدا غیرقابل اعتمادن. منظورشون این نیست که اون کسی که کارش پیشبینی‌کردنه غیرقابل اعتماده‌ها، نه، میگه همه توی این کار غیرقابل اعتمادن. میگن اولین جایی که ما دیدیم حاضر شد این باور رو به صورت عمومی اعلام کنه، وزارت دفاع آمریکا بود. سال ۲۰۰۲ شورای امنیت ملی آمریکا اومد و اعلام کرد که باور دارن عراق سلاح‌های شیمیایی و بیولوژیکی داره و این گزارش شد پایه‌ی حمله‌ی آمریکا به عراق. صدالبته امروز میدونیم که این ادعا حرف کاملا اشتباهی بوده و اصلا عراق همچین سلاح‌هایی نه داشته و نه تولید کرده.
این میشه که یه پروژه‌ی بزرگی تعریف میشه توی همین شورای امنیت ملیشون که بیان یه راهی پیدا کنن که دفعه‌های بعد همچین اشتباه فاحشی نکنن و باعث نابودی اینهمه ادم نشن و اینهمه هم هزینه‌ی مالی درست نکنن. حالا من و شما ممکنه اصلا این قضیه رو باور نکنیم که اشتباه گزارش عمدی نبوده. مهم اینه که یه پولی گذاشتن کنار گفتن ببینیم چطوری میشه بهتر پیشبینی کرد و خب ما هم میخوایم ببینیم این تحقیقه به کجا رسیده؟
اسم پروژه رو میذارن good judgement، مدلش هم این بوده که یه سری مسابقه‌ی پیشبینی درست میکنن، توی این مسابقه‌ها آدم‌های عادی و متخصصین امنیت رو شرکت میدن و میان بررسی میکنن که این پیشبینی‌هایی که اینا کردن چه‌قدر باهم کیفیتش فرق داره. اینا به سه تا نتیجه‌ی جالب میرسن. اولا اینکه آدمای با استعداد با اطلاعات عمومی بالا، پیشبینی‌هاشون از متخصص‌ها بهتر بوده. دوما اینکه میشه یه فرآیند آموزشی درست کرد که آدما کیفیت پیشبینیشون بالا بره. در نهایت هم تیم‌هایی که به درستی مدیریت میشن از یه آدم تنها پیشبینیهای بهتری میکنن. حالا کاری که میخوان توی این مقاله بکنن اینه که روی اون بخش یادگرفتن متمرکز بشن و یه سری چیز بهمون یاد بدن که پیشبینی کردنمون بهتر بشه.
موضوع اولی که میخوان بهمون یاد بدن، اینه که اصلا چه موضوعاتی رو باید برای پیشبینی کردن در نظر بگیرم و چه موضوعاتی رو باید بیخیال پیشبینی کردنشون بشیم؟
نویسنده‌ها حرفشون رو با این شروع میکنن که پیشبینی درست کلا چیز خیلی سختیه و مثال معروف استیو بالمر مدیرعامل و یکی از اولین افرادی که توی مایکروسافت شروع به کار کرد رو میزنن. بالمر سال ۲۰۰۷ که آیفون برای اولین بار معرفی میشه میگه که: آیفون هیچ شانسی نداره برای اینکه بتونه سهم قابل توجهی از بازار موبایل رو به‌دست بیاره! نتیجه‌ی این پیشبینی میشه اینکه مایکروسافت اصلا وارد بازی موبایل‌های هوشمند نمیشه و خب این فرصت بسیار بزرگ رو کاملا از دست میده. نویسنده‌ها میگن اینکه شانس پیشبینی درست رو کمی افزایش بدیم خودش تاثیر قابل توجهی روی عملکرد شرکت میذاره. مثلا شرکتی که از هر ۵ تا پیشبینیش ۳ تاش درسته احتمالا خیلی موفق‌تره از شرکتی که از هر ۵ تا پیشبینیش ۲ تاش درسته.
معمولا پیشبینیها در مورد چیزهایی اتفاق میفته که یا کاملا ازشون مطمئنیم یا تقریبا غیرممکنه که بتونیم پیشبینیشون کنیم. یه سری پیشبینیها بدیهین، شما تقریبا همیشه با دقت خیلی خیلی بالا میتونید بگید که وضعیت عقربه‌های بزرگ و کوچیک ساعت ۵ ساعت دیگه چجوریه. یا مثلا بیمه‌های عمر میتونن با استفاده از آمار مربوط به نرخ مرگ و میر، با دقت خیلی بالایی حساب کنن که هر سال قیمت بیمه‌ای که میفروشن باید چقدر باشه. توی همچین شرایطی، اینکه بتونیم توانایی قضاوت‌کردن خودمون رو بالا ببریم تاثیر قابل توجهی نداره. این سوالها رو میشه با ابزارهای آماری و اقتصادی بهشون جواب داد. اون سر طیف میشه چیزهایی که هنوز به درستی درکی ازشون نداریم، خیلی پیچیده‌هستن و بسیار سخت میشه تبدیل به عدد و رقمشون کرد. چیزهایی مثل اینکه شکل ابرها توی آسمون فردا چه شکلیه.
یا مثلا اینکه کی یه نوآوری بزرگ و مهم دیگه از یه زیرزمین توی سیلیکون ولی در میاد. این مسائل انقدر پیچیده و غیرقابل پیشبینی هستن که خیلی کاری از دست قضاوت کردن ما بر نمیاد.
حالا کدوم مسائل رو میشه در موردشون حرف زد و قضاوتمون رو در موردشون پیشرفت بدیم؟ مسائلی که یه مقداری دیتا در موردشون هست، یه منطق و تحلیلی رو هم میشه بهشون اعمال کرد، ولی تجربه‌ی ما توی تصمیم‌گیری و سوال پرسیدن میتونه توی نتیجه‌ی پیشبینیمون تاثیر مهمی بذاره. مثلا چه میدونم این دارویی که الان توی مرحله‌ی تست بالینیه، چقدر پتانسیل اقتصادی در آینده داره؟ این پیشبینی نیاز داره به دانش مربوط به علم داروسازی و دانش کسب و کار. فقط با عدد و رقم خالی نمیشه پیشبینیش کرد. یا مثلا اینکه اگه فلان شرکت بهمان شرکت رو بخره، چقدر باهم هم‌افزایی پیدا میکنن و باعث افزایش ارزش جفت کسب و کارها به صورت هم‌زمان میشن؟ اینجا مثلا باید بیایم فرهنگ سازمانی دوتا شرکت رو باهم مقایسه کنیم، اینکه مدیرانشون وقتی قرار باشه باهم کارکنن چطوری کار میکنن؟
و در نهایت به یه درصد احتمالی برسیم از اینکه چقدر ممکنه این دوتا شرکت در کنار هم موفق باشن.
نویسنده‌ها به این میگن sweet spot. یه جوری انگار اون حد وسط درستش. یه مثال میزنن از یکی از بانکهای انگلیسی توی دهه‌ی ۱۹۹۰. میگه صنعت تلویزیون کابلی،Cable TV یه چیز نو و پرطرفداری بوده اون روزها. یه اشتراکی بوده که شما میخریدی و یه سیستمی برای خودش داشته که میشده کانال‌های مختلف رو با اشتراک ماهیانه دید. این صنعت خیلی پرطرفدار بوده و بعدش هم با گسترده شدن اینترنت پرسرعت کلا از بین میره. این بانک انگلیسی به چندین‌تا از شرکت‌های این حوزه وام داده بوده و شدیدا هم ضرر میکنه وقتی اینها نمیتونن وام‌هاشون پس بدن چون که ورشکست شده بودن این شرکت‌های ارائه دهنده‌ی تلویزیون‌های کابلی. مدیر بخش وام این بانک میره سراغ اینکه مدارک این شرکتها رو بررسی کنه که از تکرار شدن همچین اشتباهی در آینده جلوگیری کنن.
میره نگاه میکنه چجور وامی گرفته بودن، چه اشتباهاتی توی فرآیند ارزیابیشون انجام شده، چه مشخصاتی داشتن، چه کسی مسئول بررسی وام دادن بهشون بوده، هرکسی چه منافعی داشته توی دادن یا ندادن این وام و حالا چیزهای دیگه. میاد توی هرکدوم این موارد یه امتیازی به وامی که دادن به اون شرکتها میده و بعد میاد این امتیازها رو باهم مقایسه میکنه. یه مشکلی توی فرآیند ارزیابی ریسک پیدا میکنه و میبینه اون شرکت‌هایی که بیشترین ضرر رو بهشون زدن دوتا مشخصه‌ی بارز داشتن، یکی اینکه اوضاع اقتصادی شرکت خراب بوده و کسی که داشته وام رو میداده اینو نفهمیده یا اینکه اولین باری بوده که با این بانک داشتن کار میکردن. اینو که میفهمه میرن و فرآیند رو اصلاح میکنن و دوره‌ی آموزشی میذارن و در نهایت میتونن نرخ شکست وام های جدیدشون رو به طور معنا داری بهبود بدن.
حالا که تعریف کردم دنبال چجور مسئله‌هایی باید بگردیم برای پیشبینی کردن و چجور مسئله‌هایی رو باید کنار بذاریم، وفتشه بریم سراغ خود همین چیزهایی که اگه یادشون بگیریم بهتر قضاوت میکنیم و سعی میکنن بهمون یه سری از اینا رو یادبدن!
حالا یه نفسی تازه کنیم، بریم سراغ این موضوعات.
اولین قدمی که نویسنده‌ها میخوان بهمون یاد بدن اصول تصمیم‌گیری و احتمالاته. مثالی که میزنن در موردش اینه که اگه کسی احتمالات رو درست بلد نباشه، وقتی مثلا ببینه که یه سکه‌ای رو سه بار انداختن و شیر اومده، با خودش میگه چون احتمال باید ۵۰-۵۰ باشه احتمال اینکه ایندفعه که میندازیمش خط بیاد از شیر اومدن بیشتره، چون به ازای ۳ تا شیر، سه تا خط هم باید بیاد. ولی خب احتمال هربار سکه انداختن مستقله پس بازم که سکه بندازیم، ۵۰٪ احتمال داره شیر بیاد، ۵۰٪ احتمال داره که خط بیاد. این بی دقتی‌های ابتدایی، تاثیر قابل توجهی روی نتیجه‌ی پیشبینیهای ما میذارن. ما قبلا هم به نقل از مانگر این حرف رو زده بودیم که کسی که میخواد تصمیم بگیره و اصول آمار و احتمال رو بلد نیست، مثل یه آدم یک پاییه که داره توی مسابقه‌ی لگد زدن داره شرکت میکنه.
دوتا مفهوم اساسیی که میگن به آدما یاد میدن، یکی مفهوم regression to the meanه. اینکه یه اندازه‌گیری که خیلی با انتظار ما از یه سیستمی فرق داره، احتمالا نتیجه‌ی نویزه و اگه دوباره اندازه‌گیری کنیم احتمالا به میانگین نزدیک میشه و دومی هم Bayesian reversionه. حالا اینا توی مقاله این مفاهیم رو توضیح که نمیدن، مثال میزنن، ما هم که اینجا نمیخوایم ریاضی قضیه رو باز کنیم. من صرفا این دوتا اسم رو آوردم که اگه براتون جالبه برید یه تحقیق در موردشون بکنید. در ادامه‌ی این داستان، یکی دیگه از اصول کار اینه که هدف رو به صورت دقیق تعریف کنیم. ینی مثلا وقتی میخوایم کیفیت استخدام رو اندازه‌گیری کنیم، بگیم میخوایم حدس بزنیم این آدم جدیدی که استخدام میکنیم چقدر احتمال داره توی سال اولی که اینجا کار میکنه به هدف فروشی که برای کارمندهای بخش فروش تعریف میکنیم برسه؟
یعنی هم هدف مشخص داره، هم زمان مشخص. بعدشم خروجیش یه درصد احتماله. مثلا ۸۰٪. اگه بگیم احتمالش خوبه، یا مثلا خیلی محتمل نیست، بعدا که نتیجه‌ی کار معلوم شد، میایم و میگیم ببین درست پیشبینی کردم، نرسید به هدفش. ولی ۴۰٪ احتمال و ۱۰٪ احتمال یه فرق جدیی باهم دیگه دارن دیگه. پس این قدمشون ۳ تا بخش مشخص داشت. یکی اینکه این اصول آمار و احتمال رو درست ازشون استفاده کنیم، بعد بیایم یه هدف مشخص با زمان مشخص تعریف کنیم برای اندازه‌گیری و در نهایت یه عدد برای احتمالش دربیاریم که بعدا بشه بررسی کرد این عدد درست بوده یا نه.
قدم دوم چیزیه که چندین و چندبار از فصل ۱ پادکست تا امروز در موردش حرف زدیم. خطاهای شناختی. باید حواسمون بهشون باشه. حالا مثلا چیزهایی که قبلا در موردشون حرف زدیم و نویسنده‌ها هم میگن چیاست؟ یکیش اینه که ما دنبال جمعیت راه میفتیم و نظر کلی جمعیت رو قبول میکنیم، ما فقط دنبال اطلاعاتی میگردیم که نظرمون رو تایید میکنن و اثبات میکنن نظرمون درست بوده. حالا اینا یه سری مثال‌هاشه، بازم هست. حالا اینکه ما بگیم یه کاری بکنیم که آدمیزاد اصلا این خطاهای شناختی رو مرتکب نشه، چیز واقعیی نیست. همه‌ی ما هرچقدر هم که تلاش کنیم، کم و زیاد این خطا ها رو داریم. ولی چیزی که مهمه اینه که ازشون آگاه باشیم و سعی کنیم هربار توی فرآیند فکر کردنمون نگاه کنیم ببینیم توی کدوم یکی از این خطاهای شناختی میتونیم افتاده باشیم. کارایی که باید بکنیم خیلی پیچیده نیست.
مثلا وقتی داریم شواهد رو بررسی میکنیم، بگیم کدوم یکی از شواهد خلاف حرف ما به نظر میرسن و آیا این اهمیت کمی که براش قائل شدیم، درسته یا غلطه؟ یا مثلا نگاه از بیرون داشته باشیم. مثلا وقتی میخوایم مدت زمان انجام یه پروژه رو بررسی کنیم، با خودمون بگیم یه تیم معمولی چقدر طول میکشه این پروژه رو انجام بده؟ به جای اینکه بیایم بگیم خب تیم ما چقدر براش این پروژه طول میکشه؟ دوباره همین خطاهای شناختی با مورد قبلی که در موردش حرف زدیم، یعنی مبانی آمار و احتمال هم قاطی میشن. ینی چی؟ ینی ما میایم توی مدل ریاضیی که داریم میسازیم هم حتی این خطاهای شناختیمون رو اعمال میکنیم، بعد که اعمال کردیم، با خودمون دوباره میگیم ببین این مدله هم حرفم رو تایید میکنه.
مثلا یه کسی که توی بازار سرمایه داره ترید میکنه، یه الگویی به نظرش میاد که وجود داره، بعد اگه با مدلهای آماری این پترن رو بررسی کنیم، میبینیم نه بابا این رندومه، ولی چون که مدل خودمونه، دوسش داریم، میایم از شم آماریمون استفاده میکنیم، یه توضیحی براش سر هم میکنیم که توی نگاه اول اشتباه به نظر نمیاد، ولی اگه بریم دنبال اثباتش میبینیم، نه داشتیم حرف اشتباهی میزدیم. باز یاد خط بکشیم رو نمودار و اینا میفتم، این مدلا دقیقا از همین خطای ما استفاده میکنن دیگه، یه چیزی که به نظر میاد عجیبم نیست، ممکنه کار کنه، ولی بری تهش رو دربیاری، تاثیرش مثل روغن مار میمونه.
مثال سادش، توی بسکتبال میگن طرف الان دستاش گرم شده، پرتابش پشت هم میره توی حلقه، یا اصلا مثال دیگه‌ش که شاید برای مای ایرانی آشنا تر باشه، مثال سرویس زدن توی والیباله، انقدر این باور به اینکه دستش گرم شده داره سرویس میزنه زیاده، که یه بازیکنی ۳ تا سرویسش میشینه، سریع وقت استراحت میگیره مربی تیم مقابل، بعد عمیقا هم به این باور داره، که بذار الان روتینش رو بهم میزنیم خراب میشه سرویساش. توی بسکتبال رفتن بررسی کردن دیدن این اصلا اینطوری نیست، شانس پرتاب هر بازیکنی یه چیز مشخصیه حدودا که حول همون حالا یه وقتایی پشت هم پرتاباش میره تو، یه وقتایی هم نمیره. من حدس میزنم در مورد والیبال هم همینطوری باشه، ولی خب دیتای علمی ازش ندارم که واقعا اینطوری هست یا نه؟
یه راهی که به ما نشون میدن که این تخمین‌هامون چقدر غلطه اینه که یه بازی طراحی کردن که میگن بکنید. مثلا میگن بیا یه حدسی بزن. یه بازه‌ی سنی به ما بگو که ازش ۹۰٪ مطمئنی، برای اینکه مارتین لوترکینگ وقتی ترور شد چند ساله بود؟ بعد مثلا یکی ممکنه بگه به احتمال ۹۰٪ بین ۴۰ تا ۵۵ سالش بود. مارتین لوترکینگ ۳۹ سالش بوده وقتی ترور میشه. این پس الان حدس غلط بود. اگه این بازی رو مثلا فرض کنید برای ۲۰ تا سوال انجام بدیم، بعد نصفشون رو غلط جواب داده باشیم، میتونیم به خودمون بگیم که ببین قرار بود ۱۸ تا رو درست جواب بدیم‌ها، حدسمون به خوبی چیزی که فکر میکنیم نیست. مثلا یکی از سوالهایی که من دوست دارم بپرسم از آدما اینه که فکر میکنی توی پارسال، سال ۱۴۰۳، ۱٪ پولدارترین خانواده‌های ایرانی، ماهی چند میلیون تومن پول درمیاروردن؟
شما هم اگه دوس دارید حدس بزنید، تهش جوابش رو میگم. بعد میپرسم فکر میکنی خودت توی چند درصد ثروت‌مند ایرانی؟ سوال آخرمم اینه که ۱۰٪ آخر خانواده‌های ایران چقدر به نظرت ماهی پول در میارن؟ حالا جواب‌ها به نقل از کتاب هل اول اینه. توی ۱۴۰۳، ۱٪ خانواده‌هایی که بیشترین درآمد رو داشتن، ماهی حدود ۱۰۰ میلیون تومان زن و شوهر باهم درآمد داشتن. ۱۰٪ اول خانواده‌ها حدود ۵۵ میلیون تومن درآمد داشتن ماهی، دیگه همینطوری ده تا ده تا میام پایین. ۱۰ درصد دوم پولدار بین ۳۳ تا ۵۵ میلیون، سومی بین ۲۶.۵ تا ۳۳ میلیون، چهارمی بین ۲۲.۵ تا ۲۶.۵، پنجمی بین ۱۹.۳ تا ۲۲.۵ و دیگه زیر ۱۹.۳ میشه ۵۰٪ فقیر خانواده‌ها. حالا اون ۱۰ درصد آخر جامعه چی؟ زیر ماه ۸ تومن درآمد داشته خانواده‌شون. حالا خودتون ببینید جوابتون چقدر درست بوده!
مثلا میشه در مورد چیزهای مختلف اینو پرسید دیگه، درآمد شرکت سال گذشته چقدر بوده؟ حقوق کارمندها چند درصد از درآمد شرکته؟ حالا توی هر فضایی که میخوایم پیشبینی کنیم دیگه. آدمها به صورت متوسط چندسال توی شرکت ما میمونن؟ هرچی. یه نقل قول جالبی میکنن از یه آقای کمدینی به اسم ویل راجرز. این آقا میگفته اون چیزی که مارو بدبخت میکنه، اون چیزایی نیست که نمیدونیم، اون چیزیه که فکر میکنیم میدونیم و اشتباه میکنیم. ته حرفشون اینه که این سوالها رو ما تقریبا از هرکسی که پرسیدیم، ۵۰٪شون رو درست جواب داد، ۵۰٪ رو اشتباه. یه کاری که توی شرکت‌های حوزه‌ی مالی در جهان خیلی رایجه، حتی توی دانشگاه MIT به دانشجوهای رشته‌ی مالی درسش میدن، پوکر بازی کردنه.
پوکر یه بازی ترکیبی از جنس احتمالات و درک کردن آدمها، برعکس شطرنج که لازم نیست توش آدم مقابلت رو بشناسی، پوکر بسیار مبتنی بر اینه که درک کنی طرف مقابلت چطور فکر میکنه. منم بلد نیستما، فکر نکنید دارم تعریف از پوکر میکنم ینی خودم چه پوکرباز قهاریم. نویسنده‌ها از یه شرکت مالی مثال میزنن که میگه اینا برای کارمندهاشون به صورت اجباری بازی کردن پوکر رو دارن. میگن توی وقت شرکت باید ماهی فلان قدر ساعت پوکر بازی کنی، هدفشون هم همینه که آدما اشتباه‌های شناختیشون رو درک کنن. بفهمن کی باید یه دست بدی رو رد کنن بره، کی با دست نه چندان خوبشون میتونن بلوف بزنن و پول در بیارن، به این مسئله فکر کنن که رقیب من چیا میدونه که من نمیدونم. من چی میدونم که اون نمیدونه. خلاصه بتونن به فرم آمار و احتمال فکر کنن.
برسن تهش به این درک از بازی پوکر که هدف این نیست که همه‌ی دست‌های بازی رو ببرم، هدف اینه که در مجموع پولی که بدست میارم از پولی که از دست میدم بیشتر باشه.
حالا این بخش شد یادگیری فردی برای تصمیم‌گیری بهتر. قدم بعدیش اینه که تیم رو چطوری انتخاب کنیم که بهتر تصمیم بگیریم.
دوباره یه نفسی تازه کنیم، بریم سراغ بخش آخر این اپیزود.
نویسنده‌ها میگن توی اون پروژه‌ی good judgment ما هرسال کسایی که ثبت نام میکردن رو دو دسته میکردیم، یه سریشون توی گروه کار میکردن، یه سریشون تنهایی و در نهایت همیشه متوسط کیفیت پیشبینیهای تیمی بهتر از پیشبینیهای فردی بود. ولی خب ساختار تیم هم مهمه دیگه، اینکه یه سری آدم رو همینطوری گروه کنی که بهترین راه‌حل نیست. اینه که رفتن دنبال همینکه ببینن چه ترکیبی بهتر جواب میده. میگن چیزی که ما دیدیم اینه که کسایی که خوب پیشبینی میکردن، یه سری خصوصیات مشترک داشتن. اینا معمولا خیلی صادقانه میگفتن که اطلاعاتشون رو از کجا آوردن و علاوه بر اون خیلی خوشحال میشدن که با وجود اینکه یه تحلیلی روی یه داده انجام دادن موفق شدن درست پیشبینی کنن. یعنی این تحلیل رو از سر اجبار میدیدن نه یه چیزی که فکر کنن خیلی توش خوبن و کارشون درسته.
اینا کلا آدمای حواس جمعی بودن، خیلی فروتن بودن، ذهن بازی داشتن ولی هم زمان خیلی تحلیلی فکر میکردن و در نهایت با عدد و رقم هم راحت کار میکردن. سرشون توی حساب کتاب بوده خلاصه. میگه اگه میخواید تیم برای پیشبینی کردن چیزها درست کنید، برید بگردید اینطور آدما رو پیدا کنید. کسایی که حواسشون به بایاس‌ها هست، سرشون برای یه استدلال دقیق و تمیز درد میکنه و به نتایجی که از داده‌ها در میاد احترام میذارن.
از نظر پیش‌زمینه و اطلاعات هم خوبه که اعضای تیم متنوع باشن. چیزهای مختلف رو بلد باشن. میگه لازمه یه نفری توشون باشه که به اطلاعات این حوزه تسلط داره‌ها، ولی لازم نیست همه اطلاعات زیادی توی این حوزه داشته باشن. حتی بهتره یه سری آدم باشن که توی این حوزه هیچ تخصصی ندارن و میتونن پیشفرض‌هایی که با دانش توی این حوزه میاد رو به چالش بکشن. میگه این آدمای با اطلاعات عمومی بالا، توی تست‌های ما حتی تنهایی هم اکثر متخصص‌های اون حوزه رو شکست میدن، اصلا نباید اینکه کسی این موضوع رو بلد نیست باعث بشه که نظرش رو دور بندازیم.
قدم بعدی اینه که این تیم برای رسیدن به جواب چه مسیری رو طی میکنن. حالا مسیر پیشنهادی نویسنده‌ها چیه. ۳ تا قدم داره، اول دیورژانس، توی کتاب‌های فارسی فک کنم بهش میگن واگرایی، یه طوری انگار سعی میکنیم مسیرهای مختلف و دور از هم دیگه رو پیدا کنیم، بعدش میشه بررسی و تحلیل، در نهایت میشه همسو شدن، همگرایی و convergence. چه پیشبینی ما در مورد یه چیز باشه، مثلا اینکه شانس رکود دوسال دیگه توی آمریکا چقدره؟ چه در مورد یه سری چیز وابسته به هم باشه، مثلا شانس رکود هر کشوری توی سال آینده و سال بعدش چقدره؟ روندی که تیم های موفق طی میکنن یه چیز تقریبا ثابتیه. اول میان مشکلات و مسائل، پیش فرض‌ها و روش‌هایی که باهاش میشه به جواب مسئله رسید رو سعی میکنن پیدا کنن. هرچی مسیر بیشتر، بهتر.
بعد میان در مورد هرکدوم این مسیرها به صورت سازنده بحث میکنن و مشکلات استفاده از هرکدوم از این پیش‌فرض‌ها و مسیرها رو میگن. در نهایت میرن سراغ اینکه اون روشی که از همه به نظرشون بهتره رو انتخاب کنن و پیشبینی رو باهاش انجام بدن. یه اشتباهی که خیلی از تیم‌ها انجام میدن اینه که اول کار سریع میرن سراغ یه مسیر یا راه‌حلی و به اندازه‌ی کافی در مورد روش‌ها و ایده‌های مختلف فکر نمیکنن. این میشه که به جای اینکه بتونن بهترین راه‌حل‌ها رو پیدا کنن، مسیر اشتباهی رو میرن. اون دوتا مرحله‌ی اول که ایده‌های مختلف بزنیم و باهم مقایسه‌شون کنیم و بررسی کنیم، بخش مهمی از کاره که خیلی وقتا فراموش میشه. اصلا اولین اپیزود کارکست، در مورد همین فرآیند ایده دادن بودش و حرفایی که نویسنده‌ها اینجا میزنن خیلی خیلی شبیه اون حرفاست.
چیزی که باید روش تمرکز کنیم جمع کردن اطلاعات بیشتر به صورت مداوم و وصل کردن این اطلاعات به همه. یه بایاسی هست که چیز خیلی رایجیه بهش میگن بایاس لنگر انداختن. Anchoring. این بایاس حالا چیه؟ اینکه این تخمین‌های اولیه‌ای که بر اساس دیتای ناقص و غلط میزنیم روی جواب آخری که به مسئله میدیم تاثیر میذاره. حالا چرا؟ چون عدد و رقم‌های دم دستی و دردسترس بهمون یه نقطه‌ی شروع راحتی میدن. وقتی هم که از نقطه‌ی شروع بدی شروع کنیم، خب به جای خوبی هم نمیرسیم. میگه حتی اگه با یه عدد رندوم شروع کنن آدما پیشبینیشون رو، نشون داده شده که جواب آخرشون از اون عدد رندومه تاثیر میگیره.
میگن یه آزمایشی کردیم توی دانشگاه شیکاگو. به دانشجوهای MBA گفتن بیاید و تعداد مدال‌های طلایی که تیم ملی آمریکا توی المپیک میگیره رو در مقایسه با فلان کشور که اونم توی المپیک قویه حدس بزنید. بعد یه رنجی بدید که به احتمال ۹۰٪ نسبت تعداد مدال‌ها اونه. بعد دو گروهشون کردن. به یکیشون گفتن بیاید دلایلی که ممکنه نسبت مدال‌های امسال نسبت به سال گذشته کمتر یا بیشتر باشه رو پیدا کنید، و بعد تخمینتون رو بزنید. اینا اومدن دلایل مختلف از حمله‌ی تروریستی، تا داروهایی که عملکرد رو بهتر میکنن ولی دوپینگ نیستن تا مریضی ورزشکار ها رو در نظر گرفتن. بعد خب رنج جوابی که دادن از گروه‌هایی که اینو بهشون نگفتن باز تر بوده.
نویسنده‌ها میگن این باز بودن رنج ینی آدما بیشتر فکر کردن و جواب فکر شده تری دادن و این نشون میده وقتی اول کار بیایم و عوامل مختلف رو درنظر بگیریم، خروجیمون بهتر میشه.
در نهایت مورد آخری که در مورد تیم‌ها میگن اعتماده. میگن هر تیمی لازم داره که اعضاش به همدیگه اعتماد داشته باشن، تا بتونه درست کار کنه. توی تیم‌هایی که توی یه شرکت دارن پیشبینی انجام میدن، ممکنه جواب‌هایی در بیاد که به یه آدمی ممکنه بر بخوره، یا اختلاف نظر جدی توش باشه، یا حتی اعتبار کسی رو بهش لطمه بزنه. برای اینکه بتونیم مطمئن باشیم که هرکسی نظر واقعیش رو میگه و چیزی رو قایم نمیکنه، لازمه آدمها به همدیگه اعتماد زیادی داشته باشن و با خیال راحت حرفشون رو بزنن. علاوه‌بر اون لازمه مطمئن باش آدما که مدیرها و مسئولین شرکت یا حالا هرجایی که دارن براش پیشبینی میکنن، از حرف و ایده‌ای که اینا میزنن حمایت میکنن، چون فکر کنید که یه مدیری، مسئولی به تریج قباش برخورده و مدیر هم پشت شما رو نمیگیره و شما میمونی و اون بنده خدا که از دستت شدیدا ناراحته!
نویسنده‌ها میگن تقریبا هیچ چیزی به اندازه‌ی اینکه تیم پیشبینی کننده فکر کنه خودش از نتیجه‌ی پیشبینیش تحت خطر قرار میگیره، باعث کم شدن کیفیت پیشبینی نمیشه!
در نهایت قدم آخر کل این فرآیند پیشبینی بهتر، بررسی نتیجه‌ی پیشبینیها و فیدبک دادنه. نویسنده‌ها میگن چیز مهم آخری که لازمه بدونیم اینه که فیدبک باید سریع و دقیق باشه. شما فکر کنید قراره پیشبینی وضعیت آب و هوا رو انجام بدید. خب یه تخمینی میزنید که ۳۰ درصد احتمال داره که بارون بیاد. حالا اگه ۵۰ بار این پیشبینی رو کرده باشید، میتونید بببینید چقدر واقعا درست حدس میزنید دیگه. و بعد با سالهای سال تجربه و جمع آوری دیتا میشه کیفیت پیشبینی رو بالا برد. نویسنده میگه میدونید حالا چرا توی آمریکا پیشبینی وضعیت هوا دقتش بالاست؟ چون حقوق اون کسایی که پیشبینی میکنن رو اصلا گذاشتن روی همین کیفیت پیشبینی، بابت کیفیت پیشبینیشون پاداش میگیرن که بخش مهمی از حقوقشونه.
کسایی که پوکر بازی میکنن هم همینطوره، پولی که بدست میارن و از دست میدن ربط به کیفیت پیشبینیشون داره، یا اونایی که جای چاه‌های نفت رو پیدا میکنن. اونا هم اگه اشتباه کنن باید ضرر و زیان حفاری رو بدن. نویسنده‌ها میگن اصلا برای اندازه‌گیری دقت پیشبینی یه فرمولی هست به اسم brier Score که میاد به آدما امتیاز دهی میکنه. چیز ساده‌ای هم هست ولی من اینجا دیگه براتون توضیحش نمیدم، یه لینک میذارم توی توضیحات که اگه خواستید نگاهش کنید. این امتیاز دهی میاد کیفیت نهایی نتیجه پیشبینیها رو اندازه میگیره ولی این که کافی نیست، ما وقتی نتیجه خوب نیست باید ببینیم کجای فرآیند کاره که میشه بهتر انجامش داد؟ یا حتی برعکس. وقتی جواب پیشبینی درست در میاد ممکنه فرآیند رسیدن بهش کاملا اشتباه بوده باشه و ما شانسی جواب درست رو درآورده باشیم.
پس چیزی که ما میخوایم اینه که اولا فرآیند پیشبینی کردن و تصمیم‌گیری رو درست مکتوب کنیم و نگهداری کنیم. بعد هم که نتیجه‌ی پیشبینی معلوم شد و دیدیم درست بود یا غلط برگردیم و ببینیم از این چیزایی که توی این اپیزود گفتیم، کدوم بخشش رو خوب رعایت کردیم، کدوم بخشش رو بد رعایت کردیم و اینطوری برای عملکرد پیشبینیها فیدبک درست کنیم!
خب رسیدیم به آخر این اپیزود، و قبل تموم کردنش، وقت جمع بندیه. نویسنده‌ها حرفشون رو اینطوری شروع کردن که قدم اول از ایجاد فرآیند برای پیشبینی خوب، پذیرفتن این قضیه‌ست که همه‌ی ما توی پیشبینی کردن بد هستیم و تلاشمون اینه که کمی خودمون رو بهتر کنیم. پیشبینی‌هامون قراره پر اشتباه باشن و قرار نیست گوی جادویی دستمون باشه. حرف اساسی اولشون این بود که اولا باید مشخص کنیم چه چیزهایی رو میشه بهتر پیشبینی کرد و چه چیزهایی رو نمیشه و وقتی هم که پیشبینی میکنی با عدد و رقم حرف بزنیم. حرف این بود که چیزهایی رو میشه خوب پیشبینی کرد که در موردشون اطلاعات وجود داره ولی اطلاعات کافی نیست برای اینکه بشه حرف قطعی زد و جا برای تحلیل و حدس باقی مونده.
از اونور هم گفتم چون میخوایم پیشبینی رو ازش فیدبک بگیریم و اشتباهاتمون رو پیدا کنیم باید عدد و رقم به پیشبینیمون بدیم که بعدا هم بشه با عدد و رقم دید چقدر درست حرف زدیم. نویسنده‌ها گفتن برای اینکه بتونیم خودمون رو بهتر کنیم باید اولا آمار و احتمال ابتدایی رو یاد بگیریم، ثانیا با بایاس‌ها یا خطاهای شناختی خودمون آشنا بشیم و حواسمون باشه که جلوشون رو بگیریم. در مورد تیم‌ها حرفشون این بود که اولا باید آدم های درست رو انتخاب کنیم و سعی کنیم هم متخصص داشته باشیم توی تیممون هم آدمایی با اطلاعات عمومی بالا.
دوما تیم باید فرآیند درست رو طی کنن، یعنی اول ایده‌های متنوع بزنن، بعد دونه دونه این ایده‌ها رو بررسی کنن، و در نهایت به یه جمع بندی برسن و در نهایت تیم لازمه هم به همدیگه اعتماد داشته باشن، هم به مدیراشون که پشتشون در میان و حرفشون براشون هزینه درست نمیکنه. قدم آخر توی فرآیند پیشبینی هم فیدبک گرفتن از نتایج بود، اینکه بشینیم ببینیم واقعا چی شده و چرا درست یا غلط پیشبینی کردیم تا بتونیم فرآیند رو اصلاح کنیم.
