@importknig
Перевод этой книги подготовлен сообществом "Книжный импорт".
Каждые несколько дней в нём выходят любительские переводы новых зарубежных книг в жанре non-fiction, которые скорее всего никогда не будут официально изданы в России.
Все переводы распространяются бесплатно и в ознакомительных целях среди подписчиков сообщества.
Подпишитесь на нас в Telegram: https://t.me/importknig
Йохен Реб & Шенхуа Луань & Герд Гигеренцер «Умный менеджмент. Как простые эвристики помогают лидерам принимать правильные решения в неопределенном мире»
Оглавление
Часть I
1 То, чему вас (скорее всего) не научат в бизнес-школе
2 Почему эвристика?
3 Набор адаптивных инструментов
Часть II
4 Наем и увольнение
5 Стратегия
6 Инновации
7 Переговоры в реальном мире
8 Создание лучших команд и сообществ
9 Набор инструментов для адаптации лидеров
Часть III
10 Сила интуиции
11 Создание культуры принятия разумных решений
12 Искусственный интеллект и психологическая разведка
13 То, чему вы должны научиться в бизнес-школе
Глоссарий
Часть
I
1 То, чему вас (скорее всего) не научат в бизнес-школе
Помните пандемию COVID-19, последующее нарушение глобальных цепочек поставок и вызванный этим дефицит товаров? До пандемии многие учреждения цеплялись за иллюзию определенности - веру в то, что мир более определен, чем он есть на самом деле. После десятилетий, в течение которых мы придерживались предположения, что все риски можно предвидеть, количественно оценить и контролировать, в корпоративные и государственные структуры вновь приходит осознание реальности неопределенности. Различие между риском и неопределенностью лежит в основе принятия эффективных решений с помощью умной эвристики.
В бизнес-школах учат многим навыкам, но, как правило, упускают некоторые из самых полезных, когда речь идет о принятии решений. Это упущение не случайно. Курсы по менеджменту, лидерству и финансам учат начинающих менеджеров, что рациональное принятие решений означает выбор альтернативы с наибольшей ожидаемой полезностью, что требует предвидения всех возможных последствий каждого потенциального варианта. Хорошие менеджеры, как говорится, ищут все подходящие варианты, тщательно анализируют все возможные последствия, взвешивают полезности по вероятностям и вычисляют, какой вариант максимизирует ожидаемую полезность. Во всем мире в бизнес-школах этой процедуре обучают легионы студентов. Утверждение "чем больше, тем лучше" превратилось в статью веры: предполагается, что больше данных, больше обработки информации и больше анализа улучшат процесс принятия решений.
Когда-то давно Бенджамин Франклин посоветовал своему племяннику, который подумывал о женитьбе: Если сомневаетесь, перечислите плюсы и минусы всех вариантов, взвесьте их и сделайте расчет; в противном случае вы никогда не женитесь. 1 Однако мало кто выбирает себе партнера, делая расчет, и это вполне справедливо. Поиск подходящего партнера сопряжен с высокой степенью неопределенности, о чем свидетельствует количество разводов. Когда речь идет о браке, невозможно предугадать все возможные последствия, не говоря уже об их точной вероятности. То же самое происходит и в бизнесе: невозможно предугадать все возможные последствия выхода на зарубежный рынок, приобретения компании или найма нового генерального директора.
В общем, процедура максимизации ожидаемой полезности, которой учат в бизнес-школах и которую пропагандировал Бенджамин Франклин, полезна в стабильных, четко определенных ситуациях, когда ничего неожиданного не происходит. Однако руководители компаний работают во все более изменчивом, неопределенном, сложном и неоднозначном мире (VUCA). Здесь советы собирать всю информацию, рассматривать все варианты и предвидеть все возможные последствия и связанные с ними вероятности малоэффективны. Он создает иллюзию уверенности.
Тем не менее, менеджеры регулярно решают, кого нанять, когда завершить проект и приобрести другую компанию. Чтобы принять эти решения, они полагаются на набор инструментов, называемых эвристикой. Удивительно, но в бизнес-школах редко обучают студентов тому, как использовать эти мощные инструменты для принятия разумных решений. Вместо этого, если эвристика вообще упоминается, ее представляют как нечто, чего следует избегать в пользу более сложных стратегий принятия решений. Научно-популярные книги повторяют этот негативный взгляд и склонны приписывать (задним числом) всевозможные бедствия, от ожирения до финансовых кризисов, "эвристике и предубеждениям". 2 В этой книге мы поделимся с вами более позитивным, реалистичным и практичным взглядом и дадим систематическое введение в науку и искусство принятия эвристических решений.
Эвристика - это простое правило, которое позволяет принимать решения быстро, экономно и точно. Эвристики являются необходимыми инструментами в ситуациях неопределенности (т. е. когда условия, необходимые для максимизации полезности, отсутствуют). Различие между ситуациями риска, когда максимизация возможна, и ситуациями неопределенности, когда она невозможна, восходит к экономисту Фрэнку Найту. 3 С тех пор она упоминается практически в каждом учебнике по экономике, но впоследствии игнорируется. Здесь мы уделяем неопределенности то внимание, которого она заслуживает, и, следовательно, серьезно относимся к эвристике.
Вначале мы познакомимся с тремя лауреатами Нобелевской премии по экономике. Что они думали о принятии решений? И как они на самом деле принимали свои решения?
Герберт Саймон и сатисфакция
В 1978 году Герберт А. Саймон был удостоен Нобелевской премии по экономическим наукам "за его новаторские исследования процесса принятия решений в экономических организациях". 4 Процесс принятия решений может определить подъем или падение организации. Поразительно, однако, что этот самый процесс редко рассматривается в теориях организаций и экономики. Вместо этого экономическая теория утверждает, что менеджеры ведут себя так, будто максимизируют свою ожидаемую полезность, независимо от того, как они принимают решения. Саймон отверг предположение классической теории о том, что руководители являются всезнающими максимизаторами прибыли или полезности, и подчеркнул полное отсутствие доказательств того, что теория описывает, как на самом деле принимаются решения. Отвечая на подобную критику, Милтон Фридман в 1953 году знаменито заявил, что не имеет значения, описывает ли ожидаемая максимизация полезности процесс принятия решений или нет; это просто инструмент для предсказания поведения, и все, что имеет значение, - это точность предсказания.
Однако обзор пятидесятилетних исследований функций полезности - в том числе функций полезности дохода, функций полезности богатства и функции ценности в теории перспектив - показал, что способность функций полезности "предсказывать вне выборки находится в диапазоне от слабой до несуществующей". 5 Этот вывод подтверждает критику Саймона о том, что теория ожидаемой полезности не только не описывает, как принимаются решения, но и является слишком неопределенной и гибкой, чтобы хорошо предсказывать.
Вне выборки означает, что прогнозы делаются за пределами данных, использованных для создания модели. В отличие от этого, полезность и другие сложные модели часто проверяются путем простого подбора их параметров к уже известным данным о выборе. Иногда ошибочно говорят, что эти модели "предсказывают" решения, в то время как на самом деле они оптимизируют соответствие с прошлыми данными. Оптимизация - это математическая концепция, которая означает определение максимума или минимума кривой, например кривой полезности. Различие между подгонкой и предсказанием очень важно. Очевидно, что более сложная модель с большим количеством свободных параметров может лучше соответствовать прошлым данным. Однако часто полученная в результате модель оказывается слишком подходящей и менее способной к прогнозированию - например, когда будущее не похоже на прошлое. 6 Таким образом, даже если принять сомнительный аргумент Фридмана о том, что теории должны только предсказывать результаты, а не описывать процесс поведения, ожидаемая полезность все равно будет плохо работать: она не описывает и не предсказывает хорошо, по крайней мере в неопределенном мире бизнеса.
Вместо этого Саймон предложил лицам, принимающим решения, удовлетворять их в ситуациях, когда оптимизация невозможна. Термин "сатисфичинг", возникший в Нортумбрии (регион в Англии на границе с Шотландией), означает "удовлетворять". Саймон узнал о сатисфакции из непосредственного опыта: В середине 1930-х годов, только что закончив занятия по экономической теории в Чикагском университете, он попытался применить максимизацию полезности к бюджетным решениям в департаменте отдыха родного Милуоки. К своему удивлению, он узнал, что менеджеры не сравнивают предельную полезность предлагаемых расходов с их предельными затратами. Вместо этого они просто вносили дополнительные изменения в прошлогодний бюджет, занимались привычками и торговались или голосовали на основе своей идентификации с организациями. Саймон пришел к выводу, что в реальном мире бизнеса рамки максимизации полезности "безнадежны". 7 Этот опыт привел его к новому вопросу: Как люди рассуждают, когда условия рациональности, постулируемые моделью неоклассической экономики (например, наличие полной информации и работа в условиях риска, а не неопределенности), не выполняются? Он нашел ответ в эвристических процессах, включая распознавание, удовлетворение, эвристический поиск и уровни стремления. Изучение эвристики позволяет нам как описывать процесс, так и предсказывать результаты решений.
Саймон жил так, как учил его сатисфакция. Он принимал решения легко и быстро, рассматривая лишь несколько вариантов и их основные последствия. По словам его дочери, Кэтлин Саймон Фрэнк, он всегда был готов жить с результатами своих решений, а не постоянно обдумывать их. 8 Он был очень приземленным, вел экономный образ жизни, каждый день носил одну и ту же одежду. У него было всего три рубашки: одна, которую он носил, одна в стирке и одна в шкафу. Саймон вел сытую жизнь, используя сэкономленное таким образом время для того, чтобы предаваться своей любви к широкому научному чтению, слушать своих студентов и обсуждать идеи.
Гарри Марковиц и правило 1/N
Через двенадцать лет после Саймона, в 1990 году, Гарри Марковиц получил Нобелевскую премию по экономическим наукам за теорию выбора портфеля. В отличие от теории Саймона, которая описывала, как люди на самом деле принимают решения, теория Марковица была нормативной, то есть она предписывала, как инвесторы должны распределять богатство в активах, различающихся по доходности (среднему значению) и риску (дисперсии). Марковиц был награжден за разработку математической формулы - средневариационного портфеля, - которая направлена на максимизацию прибыли. В бизнес-школах по всему миру продолжают преподавать его формулу и ее многочисленные варианты. Метод требует исчерпывающего анализа финансовых данных для прогнозирования будущих доходностей, вариаций и ковариаций. Для большого количества активов это может потребовать оценки тысяч или даже миллионов чисел.
Когда Марковиц занимался собственными инвестициями в период после выхода на пенсию, можно было бы предположить, что он следовал своей собственной формуле, удостоенной Нобелевской премии. На самом деле он опирался на эвристику, известную как правило 1/N: инвестируйте свои деньги поровну в N вариантов. Если N = 2, это означает распределение 50:50, и так далее. В поведенческих финансах опора на 1/N называется наивной диверсификацией и объясняется когнитивными ограничениями и иррациональностью людей. Но это явно не относится к экономисту с таким авторитетом, как Марковиц. Позже он объяснил, что его решение инвестировать в равной степени в акции и облигации направлено на то, чтобы избежать будущих сожалений: "Знаете, если фондовый рынок пойдет вверх, а меня на нем не будет, я буду чувствовать себя глупо. А если он упадет, а я буду на нем, я буду чувствовать себя глупо. Так что я выбрал 50 на 50". 9
Те, кто считает 1/N наивным, упускают из виду важный факт. Теория выбора портфеля Марковица оптимальна только в мире, где можно предвидеть все будущие доходности, вариации и ковариации всех активов. Однако в неопределенном мире оценка тысяч или миллионов параметров на основе прошлых данных приводит к чрезмерной подгонке. Правило 1/N, напротив, не имеет свободных параметров, поэтому оно не может привести к перестройке. То, что кажется ограничением - отсутствие свободных параметров - может оказаться преимуществом в прогнозировании. Соответственно, последующие исследования показали, что при инвестировании в акции правило 1/N часто превосходит портфель средней дисперсии, поскольку оно более надежно и не перестраивается. 10 Меньше может быть больше.
Райнхард Зельтен: Теория игр и проблемы реального мира
Через четыре года после Марковица, в 1994 году, Рейнхард Селтен получил Нобелевскую премию по экономическим наукам за свои работы по теории игр. Однако у него было две научные страсти: наряду с теорией игр он занимался психологическим изучением эвристики и ограниченной рациональности. Будучи математиком по образованию, он проводил четкое различие между этими двумя направлениями. Он рассматривал свою работу по теории игр как математическое упражнение в четко определенном мире, а не как то, как люди ведут или должны вести себя в реальном и неопределенном мире.
Рассмотрим знаменитый парадокс Селтена о сетевых магазинах: 11 Сеть магазинов "Парадиз" имеет филиалы в двадцати городах. Конкурент, компания Nirvana, планирует открыть аналогичную сеть магазинов и поочередно решать, выходить ли на рынок в каждом из этих городов. Когда на рынок выходит местный претендент, "Парадайз" может ответить либо агрессивным, хищническим ценообразованием, в результате которого обе стороны теряют деньги, либо кооперативным ценообразованием, в результате которого прибыль будет делиться с претендентом пятьдесят на пятьдесят. Как должен отреагировать Paradise на появление на рынке первого магазина Nirvana - агрессией или сотрудничеством?
Селтен доказал, что лучший ответ - это сотрудничество. Его доказательство основано на принципе обратной индукции, когда логически рассуждают от конца к началу. Когда на рынок выходит последний из двадцати претендентов, причин для агрессии нет, потому что нет будущего конкурента, которого можно было бы сдерживать, а значит, нужно сотрудничать и не жертвовать деньгами. Теперь рассмотрим, что делать с предпоследним претендентом. Учитывая, что Paradise будет сотрудничать с двадцатым претендентом, нет причин проявлять агрессию и по отношению к девятнадцатому, потому что все знают, что сетевой магазин будет сотрудничать с последним претендентом. Таким образом, Paradise должен сотрудничать и с этим претендентом. Тот же аргумент применим к восемнадцатому претенденту, и так далее, вплоть до самого первого. Доказательство Селтена методом обратной индукции подразумевает, что в каждом городе сетевой магазин должен сотрудничать с первым претендентом до последнего.
Получив результат, Селтен счел свое доказательство интуитивно неубедительным и указал, что в реальном мире он, следуя своей интуиции, будет вести себя агрессивно, чтобы удержать других от выхода на рынок:
Я был бы очень удивлен, если бы [агрессия] не сработала". Из разговоров с друзьями и коллегами у меня сложилось впечатление, что большинство людей разделяют эту склонность. На самом деле до сих пор я не встретил ни одного человека, который сказал бы, что он будет вести себя в соответствии с [отсталой] теорией индукции. Мой опыт подсказывает, что математически подкованные люди признают логическую обоснованность аргумента индукции, но отказываются принимать его в качестве руководства к практическому поведению. 12
Разоблачение Селтена может навести некоторых на мысль, что он был человеком, чьи импульсы подавляли его мышление. Но истинное объяснение его отказа от логического вывода заключается в том, что он различал четко определенные ситуации с полной информацией, как, например, в проблеме сетевого магазина, и неопределенную реальность деловой конкуренции, где обратная индукция уже не является надежным проводником. Столкновение между логикой Селтена и его интуицией является следствием этого важного концептуального различия.
Однако до сих пор в большинстве бизнес-школ продолжают учить, что логические аргументы являются эталоном для принятия эффективных бизнес-решений, а полагаться на эвристику и интуицию экспертов - значит потерпеть неудачу. Вспомните панельную дискуссию, состоявшуюся на престижном, проводимом раз в два года Дне науки и предпринимателей OWL на факультете делового администрирования и экономики Билефельдского университета, где Зельтен и один из нас (Гигеренцер) выступили с двух успешных местных предпринимателей. Собравшаяся аудитория ожидала увидеть жаркие дебаты между учеными и предпринимателями, но когда Зельтен и Гигеренцер рассказали о преимуществах эвристики и важности интуиции для инноваций, оба предпринимателя искренне согласились. Именно с помощью простых правил и интуиции они строили свои компании и делали состояния, хотя в бизнес-школе их мало чему учили. В конце концов Селтен и Гигеренцер призвали профессоров в аудитории серьезно отнестись к неопределенности и эвристике и начать учить своих студентов тому, как люди принимают выгодные решения в реальном мире. Сначала аудитория потеряла дар речи от шока, а потом чуть не пробила потолок. Но два предпринимателя встали на защиту, настаивая на том, что мало что из того, что они узнали в бизнес-школе, пригодилось им в их деловой карьере. Президент университета, компьютерщик по образованию, знал, что эвристика - это хлеб и масло программирования.
Неопределенность - это не риск
Эти три лауреата Нобелевской премии представляют три подхода к принятию решений. Саймон предложил теорию эвристического принятия решений и использовал ее для принятия собственных решений. Марковиц предложил теорию оптимального распределения портфеля, но при инвестировании в пенсионный фонд опирался на эвристику. Селтен разработал как теорию оптимального поведения в четко определенных играх, так и теорию эвристики в неопределенном мире, а в своих собственных решениях полагался на эвристику и интуицию. Хотя все три лауреата опирались на эвристику в своих личных решениях, ключевое различие между их теориями заключается в том, касались ли они также эвристических решений или только оптимизации. Оптимизация возможна только в четко определенном, стабильном мире с известными вероятностями - то, что Найт называл "риском". Она бессмысленна в ситуациях неопределенности.
Саймон, как и Найт, различал ситуации риска и неопределенности, и ему, с его эмпирически ориентированным мышлением, было интересно узнать, как люди принимают правильные решения в условиях неопределенности. Как уже говорилось, он узнал об ограниченности оптимизационных подходов, работая над бюджетными решениями, а также проводя исследования в области искусственного интеллекта (ИИ), одним из основателей которого он был. На сегодняшний день он является единственным лауреатом Нобелевской премии по экономическим наукам и премии Тьюринга, которую окрестили "Нобелевской премией в области вычислений". Большинство интересных задач в информатике неразрешимы (т.е. оптимальное решение не может быть найдено), как, например, в играх шахматы и го. Саймон рано понял, что логические решения, такие как обратная индукция или максимизация ожидаемой полезности, не работают, когда проблема неразрешима. Настаивая на математике максимизации, как это делает большинство теоретиков в экономике, мы вынуждены исключить все неразрешимые проблемы, а также все ситуации неопределенности. Таким образом, теория игр в итоге исключает практически все сложные игры, в которые любят играть люди, а теория ожидаемой полезности становится неприменимой к реальным бизнес-решениям. Когда исчерпывающий поиск невозможен, вместо того чтобы позволить оптимизационной системе диктовать, какие проблемы изучать, а какие нет, Саймон применил эвристический подход: изучал сложные игры, такие как шахматы, и исследовал, как успешные игроки принимают решение о своем следующем ходе.
Теория Марковица предполагает наличие такого стабильного мира риска. Идея состоит в том, чтобы использовать огромные массивы данных и оценить будущие доходы, включая их вариации и ковариации. Современные финансы возникли благодаря схожим подходам Марковица и Роберта К. Мертона к распределению портфеля. Он рассматривает финансы как лотерею, а не как ситуацию неопределенности. Мертон, еще один лауреат Нобелевской премии по экономическим наукам, применил эту концепцию, будучи членом команды топ-менеджеров хедж-фонда Long-Term Capital Management. Все пошло не очень хорошо. Фонд потерял миллиарды после неожиданного российского финансового кризиса, и его пришлось спасать Федеральной резервной системе. 13 Оптимизированные портфели хрупки в мире неопределенности: анализ прошлых корреляций дает представление о будущих доходах активов только до тех пор, пока будущее похоже на прошлое.
Наконец, прелесть подхода Селтена в том, что он изучал как ситуации риска, как в теории игр, так и ситуации неопределенности и неразрешимости. Как показывает парадокс сетевого магазина, он отвергал идею о том, что логические аргументы могут предписывать, как мы должны действовать в реальном мире бизнеса, где ни одна из сторон не обладает полной информацией и не обязана следовать правилам игры сетевого магазина. Селтен любил теорию игр за то, что она была математически сложной (в конце концов, он был математиком), но он не путал ее с теорией о том, как мы ведем себя или даже как мы должны вести себя вне замкнутых миров. Он считал ошибкой думать об ожидаемой полезности как о единственной рациональной теории. Фактически, девизом его книги "Ограниченная рациональность" (написанной совместно с Гигеренцером) было "изучение того, как люди принимают решения без вероятностей и полезностей". 14 Хотя многим экономическим теоретикам не нравятся преувеличенные предположения теории рационального выбора, они продолжают применять их, поскольку не видят ясной альтернативы. Но и Селтен, и Саймон показали, что альтернатива есть: изучение эвристического принятия решений.
Наука и искусство принятия эвристических решений
В этой книге мы показываем, как руководители компаний могут принимать правильные решения в мире VUCA с помощью умной эвристики. Для этого мы опираемся на исследования быстрой и экономной эвристики, вдохновленные работами Саймона и Селтена, а также на наблюдения за тем, как профессионалы, такие как Марковиц, на самом деле принимают решения. Мы приводим реальные примеры и даем практические советы о том, как руководители и организации могут разработать свой собственный адаптивный инструментарий, или репертуар, эвристик для принятия эффективных решений.
В мире VUCA сложные аналитические методы быстро достигают своего предела или становятся совершенно неприменимыми. Меньше - это часто больше, а со сложностями лучше справляться с помощью простых стратегий. В таких условиях простые правила, которые ищут и используют мало информации, часто приводят к принятию лучших решений, поскольку они не только быстрее, но и точнее, прозрачнее и проще в общении, обучении и освоении. Хотя специалисты-практики используют эвристику ежедневно, а в книгах по бизнесу превозносятся достоинства интуиции и правил большого пальца, они не всегда понимают, почему и при каких условиях эвристика работает. Эта книга призвана изменить ситуацию, предоставив теоретически обоснованное и научно обоснованное, но практическое обсуждение того, как бизнес-лидеры могут использовать эвристику для принятия правильных решений в условиях неопределенности.
Для Саймона интеллект был продуктом как внутренней когнитивной системы, так и внешней среды. Чтобы добиться успеха, внутренняя система должна быть "умной" (то есть способной использовать особенности окружающей среды с ее ограниченными возможностями); эвристики являются воплощением этой общей адаптивной стратегии. Однако этот позитивный взгляд на эвристику существенно снизился после 1970-х годов, когда эвристика стала ассоциироваться с систематическими ошибками в суждениях и решениях и считаться уступающей моделям ожидаемой полезности. Хотя это предположение в целом справедливо в ситуациях риска, когда все вероятности и последствия известны с уверенностью, оно не работает в ситуациях неопределенности и сложности, где оптимизация теряет смысл и где устойчивость и адаптивность имеют огромное значение. Начатая в 1600 1990-х годах программа исследований быстрой и экономной эвристики, о которой мы подробно рассказываем в следующих главах, возродила и расширила взгляды Саймона на эвристику. Множество исследований показали, что простые эвристики часто превосходят сложные модели. 15
Очень краткое превью
Опираясь на программу "Быстрая и экономная эвристика", эта книга демонстрирует эффективность эвристического принятия решений с помощью двух подходов. Во-первых, в ней описывается набор адаптивных инструментов, которые лидеры, менеджеры и профессионалы могут использовать для принятия решений. Во-вторых, что более важно, она вводит концепцию экологической рациональности, которая предписывает условия окружающей среды, при которых конкретные эвристики работают хорошо. Как и любая другая стратегия, эвристика не может хорошо работать во всех ситуациях, поэтому важно принципиально понимать, когда она будет эффективна, а когда нет.
В этой книге мы используем термин "умная эвристика" как сокращение для обозначения эвристики, применяемой в ситуациях, когда она экологически рациональна. Применяемые в неправильном контексте, эвристики могут быть "не умными" и приводить к неэффективным решениям. Разумное принятие решений требует выбора подходящей эвристики для решения конкретной задачи.
В первой части книги дается введение в экологическую рациональность и адаптивный инструментарий. В части II описывается применение адаптивного инструментария в таких областях, как лидерство, бизнес-стратегия, переговоры и командная работа. Часть III охватывает несколько сквозных тем, таких как ИИ и эвристика, роль интуиции и организационная культура принятия решений.
Использование эвристики и чувство удовлетворения от того, что вы это делаете
Руководители регулярно пользуются эвристикой, но из-за неуместной ассоциации эвристики с ошибками они чаще всего не решаются признаться в этом. Эта нерешительность обычно слабее в семейном и предпринимательском бизнесе, где интуиция более приемлема, и сильнее в крупных корпорациях и органах государственного управления, где господствует идеология оптимизации. В результате, вместо того чтобы отстаивать свои эвристические решения, руководители обычно пытаются скрыть фактический процесс принятия эвристических решений, создавая видимость того, что решение было принято в результате исчерпывающего количественного анализа.
Рассмотрим типичный случай: Руководитель принимает решение, руководствуясь интуицией, поскольку после длительных размышлений явного фаворита не обнаруживается. Боясь взять на себя ответственность за интуитивное решение, руководитель нанимает дорогостоящую консалтинговую компанию, чтобы обосновать решение, которое уже было принято с помощью впечатляющего набора цифр и аналитики.
Как часто это происходит в крупных корпорациях? Когда один из нас (Гигеренцер) спросил директора одной из крупнейших консалтинговых фирм мира, сколько проектов фирмы связано с обоснованием уже принятых решений, тот ответил (на условиях анонимности), что более 50 процентов.
Подумайте, сколько денег, времени и усилий можно было бы потратить впустую, если бы организации серьезно относились к эвристике и изучали, как и когда она работает. В результате им не пришлось бы скрывать тот факт, что они регулярно используют эвристику. Вместо этого они могли бы чувствовать себя хорошо, принимая компетентные решения в мире неопределенности. Мы считаем, что настало время пересмотреть представление об эвристике в менеджменте и бизнесе, превратив ее из предвзятой в умную.
Примечания
1 . Франклин (1907/1779).
2 . Ариели (2008); Канеман (2011).
3 . Knight (1921).
4 . Нобелевская премия (2022).
5 . Фридман и др. (2014, с. 3).
6 . Geman, Bienenstock, and Doursat (1992).
7 . Саймон (1988, с. 286).
8 . Кэтлин Саймон Фрэнк, личная переписка по электронной почте, 26 января 2019 г.
9 . Bower (2011).
10 . DeMiguel, Garlappi, and Uppal (2009).
11 . Эта версия взята из Gigerenzer (2007).
12 . Селтен (1978, с. 132-133).
13 . Адмати и Хеллвиг (2013).
14 . Гигерензер и Селтен (2001).
15 . Например, Gigerenzer, Hertwig, and Pachur (2011).
2 Почему эвристика?
Термин "эвристика" имеет греческое происхождение и означает "служащий для выяснения или обнаружения". Гештальт-психологи Макс Вертхаймер и Карл Данкер использовали его именно в этом смысле, говоря о таких эвристических методах, как оглядывание по сторонам, чтобы направлять поиск информации. Альберт Эйнштейн также включил этот термин в название своей работы по квантовой физике, получившей Нобелевскую премию в 1905 году, чтобы показать, что излагаемая им точка зрения - это неполный, но очень полезный путь к открытию чего-то более близкого к истине. 1 Математик Джордж Полья утверждал, что наука требует как аналитических, так и эвристических инструментов; анализ, например, необходим для проверки доказательства, но эвристика нужна для того, чтобы обнаружить доказательство в первую очередь. 2
Вместе с Алленом Ньюэллом, студентом Полы, Герберт Саймон внедрил эвристический поиск, чтобы сделать компьютеры более интеллектуальными. В результате появилась оригинальная программа искусственного интеллекта (ИИ), которая изучала эвристики, используемые экспертами, и переводила их в компьютерные алгоритмы. Здесь человек был учителем, а компьютер - учеником. Именно поэтому "И" в ИИ изначально обозначало человеческий интеллект или, точнее, человеческую эвристику, признавая тот факт, что эвристика может решать задачи, которые не под силу логике и вероятности. Такое видение психологического ИИ отличается от систем машинного обучения, которые полагаются на грубую вычислительную мощь. Несмотря на свою выдающуюся производительность и популярность, эти системы пока не смогли создать то, что можно назвать человеческим интеллектом, и в настоящее время психологический ИИ пересматривается как путь к настоящему машинному интеллекту. 3
Саймон также сформулировал одну из первых алгоритмических моделей эвристики, известную как сатисфакция. 4 Сатисфакция может приводить к хорошим решениям в ситуациях, когда оптимизация невозможна. Однако этот взгляд на эвристику как на полезный инструмент был перевернут в 1970-х годах, когда исследователи начали ассоциировать эвристику с предубеждениями и представили теорию ожидаемой полезности как универсальный инструмент для всех решений. 5 Влияние программы "эвристика и предубеждения" может быть одной из причин того, что положительные свойства эвристики остались недооцененными в менеджменте и бизнесе. 6 Начиная с 1990-х годов, программа быстрой и экономной эвристики подхватила незаконченную работу Саймона и расширила ее, разработав алгоритмические модели эвристики и введя понятие экологической рациональности, которое относится к условиям, при которых эвристика является успешной или нет. 7 Эти две важные особенности, алгоритмические модели и экологическая рациональность, расширяют и улучшают предыдущую программу эвристики и биасов: они позволяют изучать конкретные правила, которые помогают организациям принимать лучшие решения в условиях неопределенности. Эти две программы следует рассматривать не как антагонистические, а скорее как естественные шаги на пути к прогрессу.
Эвристика принятия решений в условиях неопределенности
Когда необходима эвристика? Ключом к ответу на этот вопрос является различие между малыми и большими мирами. Термин "малый мир" был введен Леонардом Сэвиджем, известным как основатель современной теории принятия решений. Сэвидж ясно дал понять, что теория максимизации ожидаемой полезности применима только к малым мирам, и считал "нелепым" применять ее в ситуациях неопределенности, даже таких обыденных, как планирование пикника. 8 У малого мира есть две особенности:
Совершенное предвидение будущих состояний: Агент знает исчерпывающее и взаимоисключающее множество S будущих состояний мира.
Совершенное предвидение последствий: Агент знает исчерпывающее и взаимоисключающее множество C последствий каждого из его действий, учитывая состояние.
Сэвидж назвал пару (S, C) "маленьким миром". Состояние - это "описание мира, не оставляющее ни одного релевантного аспекта неописанным". 9 Состояния и последствия обязательно должны быть описаны на некотором ограниченном уровне детализации, отсюда и квалификатор small. Игра в рулетку представляет собой один из таких малых миров. Известны все возможные будущие состояния (числа от 0 до 36 на колесе европейской рулетки), а также все возможные действия и их последствия. В рулетке действия включают в себя ставки на красное или черное, на четные или нечетные числа, на определенные числа или комбинации. Полный набор действий не нужно упоминать отдельно в (S, C), потому что действия определяются как комбинации между состояниями и последствиями. В маленьком мире все, что может произойти, известно наверняка.
Крайне важно понимать, что термин рациональность, используемый в теории принятия решений и большей части экономики, определяется только для малых миров. Максимизация ожидаемой полезности требует такого малого мира. Малый мир с известными вероятностями называется ситуацией риска, а мир без известных вероятностей - ситуацией неопределенности (табл. 2.1). Неразрешимость относится к четко определенной ситуации, когда оптимальное действие не может быть вычислено. Ситуации, когда пространство состояний (S, C) не полностью известно или известно, называются неопределенностью, или иногда радикальной неопределенностью. 10 В условиях неразрешимости и неопределенности максимизация ожидаемой полезности не является вариантом.
Иногда утверждают, что здесь можно использовать субъективные вероятности, но этот аргумент не позволяет провести различие между двусмысленностью и неопределенностью. Субъективные вероятности, которые складываются в 1, могут быть назначены в условиях двусмысленности, когда пространство состояний полностью известно, но не в условиях неопределенности, когда оно не известно. Напомним, что сам Сэвидж ясно дал понять, что ни субъективные вероятности, ни его байесовская теория принятия решений не применимы к большим, неопределенным мирам - даже к таким обычным ситуациям, как планирование пикника. В повседневной жизни маленькие миры встречаются редко. Это понимание часто игнорируется. Однако игнорирование этого факта не делает максимизацию ожидаемой полезности полезным инструментом в реальном мире бизнеса.
Таким образом, необходимо новое видение рациональности, которое было бы действительно полезным в больших мирах - такое, которое облегчало бы принятие решений в условиях неопределенности, например, при найме и увольнении, составлении бюджета и инвестировании, разработке стратегии и лидерстве. Неопределенность возникает из-за множества непредсказуемых факторов, включая поведение людей, изменения в технологиях и политике, а также личные, финансовые и глобальные кризисы. Для принятия таких решений необходима умная эвристика. Помимо ситуаций неопределенности, эвристика также необходима для четко определенных ситуаций, которые являются трудноразрешимыми. В качестве примера можно привести задачи планирования, такие как задача о путешествующем коммивояжере, где наилучшая последовательность ходов существует, но ни разум, ни компьютер не могут ее найти. Например, планирование кратчайшего тура для посещения пятидесяти крупнейших городов США является неразрешимой задачей, потому что существует 49! = 49 × 48 × 47 × ... × 3 × 2 × 1 возможных туров, что составляет число больше 1062 (т. е. число с шестьюдесятью двумя нулями). Чтобы найти хорошее решение в таком огромном пространстве, необходим эвристический поиск. Примером может служить простая эвристика ближайшего соседа: Посетите ближайший город, который еще не был посещен. Эта эвристика может находить отличные решения для данной задачи и других подобных. Она используется не только людьми, но и многими другими видами, когда они добывают пищу, в том числе плодовыми мушками (Drosophila). 11
Многие управленческие решения характеризуются сочетанием неопределенности и неразрешимости. Например, неразрешимость проблем планирования, как было описано ранее, может сопровождаться внезапным наступлением непредвиденных событий, последствия которых невозможно предвидеть - например, закрытие транспортных путей из-за строительства, землетрясений или войн. В этом случае адаптивный набор гибких эвристик, вероятно, окажется лучше долгосрочного планирования и максимизации полезности.
Тем не менее, если вы прочитаете книгу по менеджменту или прослушаете курс в бизнес-школе, вы, скорее всего, не узнаете о различии между малыми и большими мирами, а также о том, что для принятия правильных решений нужны разные инструменты. Точно так же большинство экономических теорий сводят большие миры к малым, чтобы можно было применить максимизацию полезности. Это может быть интересным теоретическим упражнением, но оно мало чем поможет практикующим менеджерам, которым приходится принимать решения в условиях неопределенности. Слепое пятно для неопределенности можно проследить классических работах по теории принятия решений Дункана Люса и Говарда Райфа, которые различали риск и неопределенность (и, к сожалению, называли последнюю неопределенностью). 12 Эта терминология исключает все большие миры из области науки о принятии решений. Во влиятельной работе Тверски и Канемана "Суждение в условиях неопределенности: эвристика и предубеждения" термин "неопределенность" используется даже за пределами двусмысленности, чтобы охватить ситуации риска. 13 Аналогичным образом, популярные книги по поведенческой экономике, такие как "Фрикономика" и "Мышление: Fast and Slow", говорят о неопределенности, но при этом имеют дело либо с риском, либо с двусмысленностью. Эта концептуальная путаница приводит к ошибочному впечатлению, что максимизация полезности применима ко всем проблемам.
Что на самом деле означает VUCA?
В главе 1 мы использовали популярный термин VUCA, который нуждается в точном определении. В этом акрониме объединены такие понятия, как волатильность, неопределенность, сложность и неоднозначность, хотя это не одно и то же. Они имеют принципиально разное значение в малом и большом мире. В теории финансов волатильность определяется как стандартное отклонение переменной во времени, например, доходности акций. Согласно этому определению, волатильность предполагает стабильность во времени. Например, портфельный метод Марковица предполагает ситуацию риска, в которой волатильность может быть точно оценена из прошлого. Однако в условиях неопределенности волатильность означает нечто большее, чем случайные колебания; она относится к непредвиденным изменениям и сбоям. В этом случае точная настройка весов активов на основе прошлых данных уже не может обеспечить оптимальный портфель в будущем. Простые эвристики, такие как 1/N, которая присваивает равные веса, могут работать лучше. На самом деле, в реальном (большом) мире финансовой неопределенности 1/N, как было показано, превосходит метод Марковица, удостоенный Нобелевской премии, и работает наравне с самыми сложными современными версиями этого метода. 14 Биржевые фонды, такие как индексные фонды на основе промышленного индекса Доу-Джонса, которые тесно связаны с 1/N, также неизменно показывают результаты выше управляемых фондов. 15 В условиях неопределенности точная настройка на основе прошлых данных может оказаться бесполезной.
Аналогично, как уже упоминалось в этом обсуждении, термин "неоднозначность" в теории принятия решений означает "маленький мир с неизвестными вероятностями". Однако в выражении VUCA, где оно означает практически то же самое, что и неопределенность, подчеркивая отсутствие ясности и определенности, оно не имеет такого значения. Как и в случае с волатильностью, неоднозначность имеет принципиально разные значения в маленьком мире и в большом мире. Это вносит дополнительную путаницу в литературу. Сложность также имеет несколько значений: В теории вычислительной сложности, например, она относится к вычислимости, но может также относиться к сложности моделей. Например, модели малого мира, такие как кумулятивная теория перспектив, обычно относительно сложны, в то время как модели большого мира, такие как 1/N, обычно просты.
В этой книге мы определяем термин VUCA как "большой мир". V относится к неожиданным изменениям с течением времени, U и A - к аспектам неопределенности, а C - к неразрешимости.
Общий смысл заключается в том, что теория вероятностей и оптимизационные модели являются отличными инструментами в ситуациях риска, в то время как эвристика подходит для работы в условиях неопределенности. Тем не менее, этим различием часто пренебрегают, и термин "оптимизация" используется даже для проблем большого мира. Часто говорят о том, что менеджеры приближаются к "оптимальным" решениям или принимают "субоптимальные" решения. Такие заявления игнорируют тот факт, что в ситуациях неопределенности по определению не существует такого понятия, как оптимизация, и называть решение субоптимальным также не имеет смысла, если никто из смертных не может знать оптимального решения.
Вспомните из главы 1, что хотя Саймон был обучен теории ожидаемой полезности, он быстро понял, что она малоприменима в реальном мире принятия управленческих решений, и поэтому успешные менеджеры даже не пытаются ее внедрять. Точно так же Селтен всегда проводил различие между рациональностью в четко определенных играх и полезной эвристикой в реальном, неопределенном мире. Оптимизация и эвристика не являются ни противоположностями, ни конкурентами. Они являются подходящими инструментами для разных ситуаций, для малых и больших миров, соответственно.
Неопределенность способствует прогрессу
Многие люди считают неопределенность чем-то негативным, чего следует избегать. К этой группе людей, избегающих неопределенности, относятся большинство экономистов, поведенческих экономистов и других людей, которые строят модели риска, но избегают иметь дело с неопределенностью. Неудивительно, что в компаниях есть отделы управления рисками, но не отделы управления неопределенностью. Тем не менее неопределенность реальна, и с ней необходимо бороться. В 2003 году Роберт Лукас, один из самых выдающихся макроэкономистов, заявил, что макроэкономике удалось предотвратить экономическую депрессию. 16 Пять лет спустя теоретизирование в узком кругу привело мир вслепую к крупнейшему финансовому кризису со времен Великой депрессии. Увлечение изучением малых миров создает теории, которые обеспечивают иллюзорную уверенность и предполагают стабильный мир, в котором никогда не может произойти ничего нового, что означает, что они малопригодны для практиков. Мышление в терминах максимизации ожидаемой полезности, малых миров и равновесных моделей не только не учитывает возможность кризиса, но и обладает еще более поразительными свойствами. В малом мире было бы:
Никаких инноваций
Без прибыли
Нет торговли
Нет необходимости в таких качествах, как интеллект, опыт или интуиция
Теоретизируя в терминах малых миров, инновации невозможно представить: Все возможные действия, будущие состояния и их последствия фиксированы и известны. Ничто не может измениться неожиданным образом, и инновации становятся невозможными, когда все известно. Более того, как давно заметил Найт, в мире риска невозможно получить прибыль; к такому же выводу пришла гипотеза эффективного рынка. 17 Когда все игроки знают будущее и невозможно получить прибыль, нет стимула торговать с другими (теорема об отсутствии торговли). Кроме того, такие квинтэссенциальные для человека качества, как интеллект, опыт, интуиция, эмоции и доверие, становятся малопригодными. Хуже того, развитая психология нашего мозга ошибочно определяется как источник когнитивных иллюзий и иррациональности.
На самом деле человеческий мозг эволюционировал, чтобы иметь дело с реальным миром, миром, который в значительной степени неопределенен и неразрешим, и в котором эвристика, интуиция, доверие и эмоции незаменимы для выживания. Мы должны смотреть на неопределенность как на нечто положительное: без нее жизнь была бы бесконечно утомительной, и, кроме вычислений, никакая форма интеллекта не была бы нужна. К счастью, адаптивная эвристика помогает нам ориентироваться в мире неопределенности.
Преимущества эвристики
То, что является недостатком в маленьком мире, может быть преимуществом в большом мире. Термин "быстрая и экономная эвристика" означает три преимущества, которые эвристика имеет в больших мирах: она позволяет быстро принимать решения на основе небольшого количества информации; она может быть точной не вопреки, а благодаря своей скорости и экономности; и она прозрачна, что означает, что ее можно легко обучить и понять. В таблице 2.2 суммированы эти преимущества, а также три широко распространенных компромисса, связанных с использованием эвристики (например, что она быстрее, но менее точна). Эти компромиссы в общем случае не применимы в условиях неопределенности, как мы покажем в последующем обсуждении.
Таблица 2.2
Различия между малыми и большими мирами
Концепция
Маленькие миры
Большие миры
Компромисс между скоростью и точностью
Существует компромисс между скоростью и точностью: более быстрое принятие решений приводит к менее точным решениям.
Компромисс между скоростью и точностью обычно не существует: больше времени не обязательно приводит к лучшим решениям; может существовать обратный компромисс между скоростью и точностью, когда более быстрые решения оказываются более точными.
Компромисс между затратами и точностью
Существует компромисс между усилиями и точностью: использование большего количества усилий для получения большей информации приводит к принятию более точных решений.
Компромисс между затратами и точностью, как правило, не существует: использование большего количества информации может не увеличить точность предсказания (по сравнению с подгонкой); может существовать эффект "меньше - больше", когда простые эвристики делают более точные предсказания и решения.
Компромисс между прозрачностью и точностью
Существует компромисс между прозрачностью и точностью: использование более сложных и, следовательно, менее прозрачных моделей приводит к принятию более точных решений.
Компромисс между прозрачностью и точностью обычно не существует: простые эвристики могут быть как более точными, так и прозрачными.
Три широко распространенных компромисса существуют в малых мирах. В реальном, большом мире, напротив, все три компромисса не существуют на общем уровне. Иногда компромиссы меняются на противоположные, например, когда более быстрые решения оказываются более точными, а меньший объем информации - более эффективным.
Умные эвристики быстры и точны
Многие считают, что быстрое принятие решений повышает вероятность ошибок. Причиной этого является якобы общий компромисс между скоростью и точностью: чем быстрее принимается решение, тем менее точным оно будет. Различные теории двух систем предполагают такой компромисс, противопоставляя систему 1, которая быстрая, эвристическая, интуитивная, бессознательная и часто ошибается, системе 2, которая медленная, логическая, преднамеренная, сознательная и всегда правильная. 18. Однако есть четкие доказательства того, что быстрые решения могут быть более точными, чем медленные, эвристики могут использоваться осознанно, а выравнивание характеристик двух якобы противоположных систем не имеет смысла. 19 Например, эвристика 1/N сознательно используется при построении портфеля, работает быстро и, тем не менее, может превзойти портфель средней дисперсии, удостоенный Нобелевской премии. В общем, любая эвристика может использоваться сознательно или бессознательно и быть более или менее точной, чем целенаправленное логическое мышление.
В мире неопределенности решения не обязательно улучшаются, если появляется больше времени. Эксперты особенно хороши в принятии быстрых и точных решений. Рассмотрим эксперимент, в котором гандболисты-эксперты стоят в форме перед видеоэкраном, на котором показывают профессиональный гандбольный матч. 20 В какой-то момент видеоизображение замирает, и их спрашивают, что должен сделать игрок, владеющий мячом. Это может быть обводка, пас влево, удар по воротам или что-то еще. Многие из этих опытных игроков полагаются на следующую эвристику "быстро и экономно":
Эвристика беглости: Выбирайте первый вариант, который приходит в голову.
Эта эвристика противоречит компромиссу между скоростью и точностью, согласно которому больше времени - всегда лучше. Действительно ли эти эксперты выбрали бы лучший вариант, если бы у них было больше времени? В эксперименте игроки сначала давали немедленный ответ, когда видеоизображение замирало, а затем получали возможность в течение сорока пяти секунд изучать его более внимательно и генерировать дальнейшие варианты. После этого их снова спросили, что, по их мнению, будет лучшим действием. Это суждение, основанное на дальнейшем обдумывании, в среднем уступало их первому, интуитивному суждению. Как такое может быть? На рисунке 2.1 показано объяснение этого поразительного эффекта. Первый вариант, пришедший экспертам в голову, в среднем был лучшим, второй - вторым по качеству, и так далее. Когда решение нужно принять быстро, худшие варианты даже не приходят в голову и, следовательно, не могут быть выбраны. Напротив, наличие большого количества времени увеличивает опасность того, что некачественный вариант преобладает над первым.
Рисунок 2.1
Первый вариант, который приходит на ум, часто оказывается лучшим. Таким образом, полагаясь на эвристику беглости, можно выбрать первый пришедший на ум вариант не только быстро, но и точно. На графике видно, что частота точных решений, принимаемых экспертами-гандболистами, уменьшается с ростом порядка, в котором варианты приходили в голову. Обратите внимание, что у новичков эвристика работает хуже. Столбики ошибок показывают стандартные ошибки. По материалам Johnson and Raab (2003).
Принцип "быстрее - значит лучше" в большей степени применим к экспертам. Например, гольфисты-эксперты делали более точные удары, когда у них было всего три секунды, а не неограниченное время. 21 Опытные пожарные научились принимать быстрые решения, которые лучше, чем решения, принятые после длительного обдумывания. 22 Аналогично, эвристика, используемая топ-менеджерами для принятия решения о том, в какой проект инвестировать, оказалась столь же точной, как и более медленные аналитические методы. 23 А фирмы, принимающие быстрые стратегические решения, часто показывают и большую прибыль, и более быстрый рост. 24
Эвристика беглости объясняет, почему быстрые решения могут быть лучше. Она также объясняет ситуации, в которых это происходит: требуется значительный опыт, поэтому лучший вариант приходит на ум первым. Эвристика беглости приводит экспертов к правильным решениям, но не новичков, которым не хватает знаний и опыта. Спортсмены-эксперты склонны доверять своей быстрой интуиции и ценят их способность быстро принимать решения. В бизнесе, напротив, процветает культура недоверия к быстрым и интуитивным решениям, которая в первую очередь воспитывается в бизнес-школах. Культура многих компаний рассматривает медленное принятие решений как достоинство. Руководитель может показать, что он хорошо принимает решения, принимая их медленно. Таким образом, даже если опытные руководители обладают хорошей интуицией, например, в отношении того, в какой проект инвестировать, они часто не принимают решение сразу. Вместо этого они могут продолжить обсуждение, попросить своих сотрудников провести длительный анализ или даже нанять дорогостоящих консультантов, чтобы обосновать решение, которое они уже приняли быстро и интуитивно. Это увеличивает задержки и расходы; что еще хуже, этот процесс может привести к замене первого и лучшего варианта на худший. Негативные культуры ошибок, в которых сотрудники боятся наказания за ошибки и избегают рисковать ради компании, усугубляют эту тенденцию и приводят к замедлению и даже полному отказу от принятия решений (более подробно этот момент рассмотрен в главе 11). Напротив, готовность к быстрому принятию решений более развита в семейных предприятиях и быстро развивающихся технологических компаниях.
Таким образом, компромисс между скоростью и точностью не всегда верен в неопределенном мире. В частности, эксперты, полагающиеся на эвристику беглости, могут принимать решения, которые являются одновременно быстрыми и точными.
Умные эвристики экономны и точны
Второе преимущество эвристики - ее экономность. То есть они используют мало информации, часто всего одну подсказку. Широко распространенным, хотя и неверным объяснением того, почему люди используют эвристику, является компромисс между усилиями и точностью: использование эвристики снижает усилия, но уменьшает точность. 25 Такой компромисс является общей характеристикой ситуаций риска, но он не применим к ситуациям неопределенности, где эвристика может сэкономить усилия и одновременно привести к более точным решениям, чем более трудоемкие стратегии. Это поразительное преимущество называется эффектом "меньше - больше".
Рассмотрим компании, стремящиеся предсказать, кто из их прежних клиентов продолжит совершать покупки. Опытные менеджеры полагаются на простое правило:
Эвристика перерыва: если клиент не совершал покупок в течение x месяцев, он классифицируется как неактивный, в противном случае - как активный.
В компаниях розничной торговли и авиакомпаниях перерыв часто составляет x = 9 месяцев. Исследования двадцати четырех компаний показали, что будущие покупки предсказываются с помощью этой эвристики более точно, чем с помощью методов машинного обучения (например, случайного леса) и сложных маркетинговых моделей, использующих дополнительные переменные-предикторы и вычислительные мощности. 26 Менеджеры используют эвристику перерыва не потому, что хотят сэкономить усилия за счет точности, а потому, что эвристика позволяет им принимать более точные решения с меньшими усилиями.
Почему эвристика хиатуса так хорошо работает на основе единственной подсказки? Принято считать, что чем больше данных и вычислительных мощностей, тем лучше предсказания. Однако в условиях неопределенности наличие большего количества данных не всегда является хорошей идеей. В частности, если нужно предсказать будущее, а будущее не похоже на прошлое, то тонкая настройка на основе прошлого приводит к чрезмерной подгонке, то есть к проецированию тенденций прошлых данных на будущее, где они уже не действуют. Таким образом, когда компания создает сложную модель для прогнозирования будущих покупок с использованием огромного количества данных о клиентах, она рискует получить чрезмерную подгонку: Модель успешно "объясняет" прошлые покупки, но не может предсказать будущие.
В качестве другого примера можно привести прогнозирование количества обращений к врачу в связи с гриппом на следующей неделе. Для решения этой задачи инженеры Google разработали алгоритм обработки больших данных под названием Google Flu Trends (GFT). Идея заключалась в том, что если люди испытывают симптомы гриппа, они, скорее всего, будут искать в Google информацию о гриппе; информация из этих поисковых запросов должна помочь предсказать распространение гриппа гораздо быстрее, чем это могут сделать любые медицинские организации. Для разработки алгоритма инженеры проанализировали около 50 миллионов поисковых запросов, протестировали сотни миллионов моделей прогнозирования и, выбрав лучшую из них, составили прогноз доли обращений к врачу в связи с гриппом с 2007 по 2015 год. Когда свиной грипп пришел не по сезону, начавшись в марте 2009 года и достигнув пика в октябре того же года, GFT пропустила вспышку. Он постоянно недооценивал ее распространение, поскольку за предыдущие годы он усвоил, что число случаев заражения было высоким зимой и низким летом ( рисунок 2.2 ). В ответ на это алгоритм был усложнен, а количество переменных увеличено с 45 до 160. Этот и последующие изменения не улучшили качество прогнозов, и в 2015 году GFT была закрыта. 27
Прогнозирование еженедельного процента обращений к врачу по поводу гриппа с помощью одной точки данных (эвристика повторяемости) снижает ошибку прогнозирования примерно в два раза по сравнению с алгоритмом больших данных Google Flu Trends (GFT). Средняя абсолютная ошибка для эвристики recency составляет 0,20, а для GFT - 0,38. Это справедливо для всех обновлений GFT и всего временного периода с 2007 по 2015 год. Например, когда летом 2009 года вспыхнул свиной грипп, GFT недооценил процент обращений к врачу в связи с гриппом (пунктирная кривая), в то время как эвристика рецидива (пунктирная кривая) быстро адаптировалась к неожиданной вспышке. Три вертикальные линии указывают на три обновления GFT. Годы означают начало года, то есть "2008" означает 1 января 2008 года. По материалам Katsikopoulos et al. (2022).
Грипп происходит в динамичном, большом мире, где вирусы мутируют, а люди вводят поисковые запросы не только при наличии симптомов, но и из любопытства или по многим другим причинам. Один из способов избежать чрезмерной привязки к прошлому - использовать только самые последние данные и игнорировать остальные. Эвристика рекурсивности опирается только на самую последнюю точку данных, в данном случае на частоту обращений к врачу по поводу гриппа за последнюю неделю.
Эвристика рецидива: Предскажите, что на следующей неделе количество посещений врача в связи с гриппом будет таким же, как и в последний раз.
Опираясь исключительно на самую последнюю точку данных, а не на большие данные, эвристика может быстро адаптироваться к несезонным событиям из-за мутаций и не отвлекаться на нерелевантные причины для выполнения поиска в Интернете, связанного с гриппом. Эвристика рецидива предсказывала грипп стабильно лучше в течение восьми лет, когда тестировался GFT, а также превзошла все ревизии алгоритма больших данных. 28 В целом она уменьшила ошибку предсказания GFT примерно наполовину (рис. 2.2). В условиях нестабильности одна точка данных может дать лучший прогноз, чем большие данные.
Общий урок таков: чтобы не переборщить с подгонкой под прошлое, стремитесь к простоте. Простота означает сокращение числа параметров модели, которые необходимо оценивать по прошлым данным. Эвристика хиатуса имеет только один свободный параметр , а эвристика рецессии вообще не имеет свободного параметра, что делает ее надежной в том смысле, что она не может перестроиться. В условиях неопределенности меньше информации часто оказывается полезнее. Конечно, это не означает, что лучше всего игнорировать всю прошлую информацию. Скорее, это означает, что использование только одного или нескольких критических признаков, таких как хиатус, является эффективной стратегией. В условиях неопределенности обычно существует ∩-образная функция между количеством используемых признаков и точностью прогнозирования. 29
Умные эвристики прозрачны и точны
Прозрачность - важнейшая характеристика правил принятия решений. Правило прозрачно для группы людей, если они могут понять, запомнить, научить и выполнить его. 30 Эвристика хиатуса, например, прозрачна: менеджер может легко понять, донести до слушателей и применить ее. В отличие от этого, если компания приобретает сложный метод машинного обучения, такой как случайный лес, чтобы предсказывать будущий выбор клиентов, менеджеры не смогут понять, как получаются предсказания, и не смогут объяснить их логику другим. Эвристика рекуррентности также прозрачна, в то время как алгоритм больших данных GFT - нет.
Есть две основные причины отсутствия прозрачности: сложность и секретность. В случае с GFT применимы обе: Google не стал открыто делиться достаточными подробностями о GFT, такими как используемые переменные и алгоритмы, возможно, потому, что хотел сохранить алгоритмы в тайне. Но даже если бы Google открыто поделился этой информацией, GFT все равно оставался бы непрозрачным для большинства людей. Первоначальный алгоритм был основан на 45 поисковых запросах, позже их число было увеличено до 160. Таким образом, раскрытие алгоритма само по себе не гарантирует прозрачности.
Аналогично, широко распространено мнение, что прозрачные правила всегда менее точны. Другими словами, чтобы принимать наилучшие решения, нужно полагаться на самые непрозрачные правила. Например, исследователи машинного обучения из Агентства перспективных оборонных исследовательских проектов утверждают, что существует общий компромисс между прозрачностью и точностью. 31 Он иллюстрируется такими графиками, как рисунок 2.3 .
Компромисс между прозрачностью и точностью, как правило, не работает. Светло-серые точки иллюстрируют утверждение об общем компромиссе между прозрачностью и точностью предсказания: непрозрачные алгоритмы предсказывают лучше (вверху слева), а прозрачные - хуже (внизу справа). Эти утверждения можно найти во многих источниках, но они редко основаны на данных. Они говорят о том, что прозрачность требует жертвовать точностью. Мы добавили контрпримеры, основанные на реальных данных. Первая пара показывает, что прозрачная эвристика хиатусов предсказывает покупки клиентов лучше, чем случайный лес, сложный и непрозрачный алгоритм машинного обучения. Вторая пара иллюстрирует, что эвристика recency предсказывает лучше, чем непрозрачный Google Flu Trends (GFT). Позиции эвристик и алгоритмов условны и приведены только для примера.
Как мы показываем на этом графике, такой компромисс в целом не верен. Хотя алгоритм GFT менее прозрачен, чем эвристика recency, последняя более точна. Аналогично, эвристика хиатуса, несмотря на свою прозрачность, предсказывает будущие покупки клиентов точнее, чем случайный лес, который строит тысячи деревьев решений на основе данных о предыдущих покупателях и является одним из самых мощных методов машинного обучения. Эти два примера, основанные на реальных данных, показывают, что не существует такого понятия, как общий компромисс между прозрачностью и точностью. Скорее, нам нужно определить, когда большая прозрачность связана с большей точностью, а когда нет. Это тема экологической рациональности эвристик, которую мы рассматриваем в главе 3.
Тот факт, что не существует общего компромисса между прозрачностью и точностью, является положительным результатом для объяснимого искусственного интеллекта (XAI), который в значительной степени предполагал этот компромисс. Например, большинство алгоритмов, используемых для предсказания того, совершит ли покупатель повторную покупку или обвиняемый в преступлении повторно совершит преступление, настолько сложны, что менеджеры, обвиняемые и судьи не могут понять, как делаются эти предсказания. Чтобы решить эту проблему, XAI может попытаться, например, объяснить случайный лес простыми словами. Однако это сложно сделать и чревато искажениями. Наш подход предлагает новое решение: прежде чем использовать сложные и труднообъяснимые алгоритмы ИИ, проверьте, существуют ли прозрачные и точные эвристики для поставленной задачи прогнозирования.
Распространенные заблуждения
В этой главе мы привели четыре основные причины для использования эвристики: она быстрая, экономная, точная и прозрачная. Эвристика позволяет решать проблемы большого мира, характеризующиеся неопределенностью и трудноразрешимостью, когда максимизация ожидаемой полезности и теория вероятностей непригодны, и даже алгоритмы ИИ, использующие большие данные, испытывают трудности. Акцент на малых мирах и рисках, а не на больших мирах и неопределенности, породил ряд ошибочных представлений об эвристике. Они возникают из-за предположения о малых мирах. В таблице 2.3 приведены некоторые из наиболее распространенных.
Шесть распространенных заблуждений об эвристике
Распространенное заблуждение
Разъяснение
Эвристика дает второсортные результаты; оптимизация всегда лучше.
В ситуациях неопределенности (например, при принятии бизнес-решений) и неразрешимости (например, при игре в шахматы) оптимизация невозможна. Здесь эффективными инструментами являются эвристики.
Существует две системы рассуждений: первая - быстрая, эвристическая, интуитивная, бессознательная и часто ошибочная; вторая - медленная, логическая, целенаправленная, сознательная и правильная.
Это бинарное противопоставление ложно. Эвристика может использоваться бессознательно или сознательно и приводить к более успешным решениям, чем логическое, обдуманное мышление. Как и эвристика, обдуманное статистическое мышление может применяться в неверных ситуациях, о чем свидетельствуют экономические модели, которые не только пропустили финансовый кризис 2008 года, но и фактически способствовали ему.
Эвристика приводит к предвзятости, а максимизация ожидаемой полезности - нет.
Это заблуждение вытекает из заблуждения 1. Поскольку максимизация невозможна в больших мирах (неопределенность, неразрешимость), реальная проблема заключается в том, чтобы знать, какие эвристики использовать в тех или иных ситуациях. Использование таких инструментов маленького мира, как максимизация, в больших мирах может привести к иллюзиям уверенности, а также к ошибкам.
Люди полагаются или должны полагаться на эвристику только при принятии рутинных решений небольшой важности.
Практически все важные проблемы связаны с неопределенностью. Поэтому эксперты вынуждены полагаться на эвристику в ситуациях с высокими ставками (например, при принятии инвестиционных, плановых и кадровых решений).
Больше данных и вычислительных мощностей - это всегда лучше.
Это верно только в ситуациях риска. Правильные решения в условиях неопределенности требуют игнорирования части доступной информации для повышения надежности и защиты от чрезмерной подгонки.
Не стоит доверять интуиции, анализ всегда лучше.
Без интуиции не было бы ни инноваций, ни прогресса. Противопоставление интуиции и анализа ошибочно: как правило, необходимо и то, и другое. Интуиция нужна, чтобы разработать план или заметить, что что-то идет не так, в то время как анализ необходим для оценки плана или поиска причины проблемы.
Заблуждения обусловлены предположениями о малых мирах, риске и "системе 1" в сравнении с "системой 2". Если допустить существование больших миров и неопределенности, а также оценить ценность различных форм мышления, то заблуждения будут устранены.
Начиная со следующей главы, мы оставляем позади нереалистичные предположения о малых мирах и более полно погружаемся в большой мир неопределенности. Рассмотрев "почему" эвристики, мы узнаем, "что" и "когда": Что такое различные эвристики? И когда или при каких условиях они работают? Изучение адаптивного инструментария отвечает на вопрос "что", а изучение экологической рациональности - на вопрос "когда".
Примечания
1 . Холтон (1988).
2 . Pólya (1945).
3 . Маркус и Дэвис (2019).
4. Саймон (1955).
5 . Тверски и Канеман (1974); Kahneman (2011).
6 . Гилберт-Саад, Сидлок и Макнотон (2018).
7 . Гигерензер, Тодд и исследовательская группа ABC (1999); Гигерензер и Селтен (2001).
8 . Сэвидж (1954, с. 16).
9 . Savage (1954, p. 9).
10 . Кей и Кинг (2020).
11 . Meda et al. (2022).
12 . Luce and Raiffa (1957).
13 . Тверски и Канеман (1974).
14 . DeMiguel, Garlappi, and Uppal (2009).
15 . Элтон, Грубер и де Соуза (2019).
16 . Цитируется в Posner (2009, p. 287).
17 . Knight (1921).
18 . Kahneman (2011). Существуют десятки версий этих двух противоположных систем.
19 . Круглански и Гигеренцер (2011).
20 . Джонсон и Рааб (2003).
21 . Beilock et al. (2004).
22 . Klein (2018).
23 . Вест, Акар и Каруана (2020).
24 . Баум и Уолли (2003).
25 . Shah и Oppenheimer (2008).
26 . Artinger et al. (2018); Wübben and von Wangenheim (2008).
27 . Lazer et al. (2014).
28 . Katsikopoulos et al. (2022).
29 . Брайтон и Гигерензер (2015); Голдштейн и Гигерензер (2002).
30 . Katsikopoulos et al. (2020, p. 26).
31 . Turek (n.d., pp. 7-10). См. также Gunning and Aha (2019).
3 Набор адаптивных инструментов
В огромном мире не существует единого правила принятия решений, которое было бы оптимальным для всех ситуаций. Рассмотрим прием на работу, который связан с большой неопределенностью в отношении будущих характеристик кандидатов. Обычно компании собирают множество информации о кандидатах, такой как их образование, личные качества, предыдущий опыт работы и активность в социальных сетях, и учитывают все эти элементы при принятии решения о найме. Однако основатель и генеральный директор Tesla Элон Маск разработал совершенно иной подход. Сообщается, что когда Tesla была еще небольшой компанией, Маск использовал эвристику, которая учитывала только одну подсказку. 1.
Правило Маска при приеме на работу: если кандидат обладает исключительными способностями, сделайте ему предложение, в противном случае - не делайте.
Это правило - один из примеров эвристики "один раз проверить - подсказать", тип эвристики, который более подробно рассматривается в этой главе. Маск обосновал это тем, что человек, проявивший исключительные способности в прошлом, скорее всего, проявит их снова. При приеме на работу можно также опираться на социальную эвристику, например на сарафанное радио. Корейский владелец чикагской компании по уборке и чистке помещений полагался на своих сотрудников, чтобы найти хороших кандидатов. 2
Из уст в уста: Попросите действующих сотрудников порекомендовать вам подходящих кандидатов.
Смысл "сарафанного радио" заключается в том, что сотрудники склонны рекомендовать людей, которые, по их мнению, заслуживают доверия, потому что они чувствуют ответственность за нового сотрудника, и их собственная репутация находится под угрозой.
Набор правил, включая эвристику, которыми располагает организация или лидер, составляет их адаптивный инструментарий. Эта метафора инструментария прямо противоположна теориям, которые постулируют только один общий инструмент для решения всех проблем, таким как максимизация ожидаемой полезности и байесовское обновление. Как говорится, для молотка все выглядит как гвоздь; для этих универсальных теорий все выглядит как проблема оптимизации. Однако многочисленные задачи, существующие в реальном мире, требуют разнообразного набора инструментов. Таким образом, изучение адаптивного инструментария позволяет ответить на описательный вопрос: Что находится в наборе инструментов?
Для принятия правильного решения необходимо выбрать инструмент, подходящий для конкретной задачи, подобно строителю, который носит с собой ящик с инструментами и знает, что молоток подходит к гвоздям, а отвертка - к шурупам. В этом и заключается суть экологической рациональности: выбрать инструмент, который хорошо подходит для решения поставленной задачи. Например, эвристика найма Маска была отличным выбором, когда компания была маленькой и нуждалась в видении развития. На более позднем этапе, когда компания расширилась, Tesla также нуждалась в сотрудниках, которые хорошо справлялись бы с рутинной работой. Продолжать полагаться только на исключительные способности было бы непродуктивно. Кроме того, если при найме сотрудников на работу во главу угла ставится справедливость, то эвристика "из уст в уста", использованная корейским владельцем, может оказаться непригодной, о чем он узнал на собственном опыте, когда на него подали в суд за дискриминацию не корейцев. Таким образом, исследование экологической рациональности затрагивает вопрос предписания: Какую эвристику следует использовать для решения конкретной задачи?
В целом, чем опытнее люди, принимающие решения, тем больше у них инструментов для адаптации, и, что важно, тем лучше они понимают экологическую рациональность этих инструментов. Действительно, наличие большого репертуара инструментов и умение гибко их использовать - отличительные черты интеллекта. Давайте теперь рассмотрим основные классы эвристик в адаптивном инструментарии.
Классы эвристик
На рисунке 3.1 перечислены пять основных классов эвристик, а также конкретные примеры каждого класса. Эти эвристики используют основные возможности человеческого мозга и повторяющиеся особенности физического и социального окружения. Они были подробно изучены в рамках программы исследования быстрых и экономных эвристик, но они не являются исчерпывающими и не входят в набор адаптивных инструментов каждого человека.
Рисунок 3.1
Основные классы эвристик в адаптивном инструментарии и примеры каждой из них.
Эвристика, основанная на распознавании
Узнавание - одна из основных способностей человеческой памяти, и происходит оно без особых сознательных усилий. Даже тот факт, что человек не узнает объект, может быть информативным. В этом и заключается смысл эвристики распознавания.
Эвристика распознавания
Рассмотрим ситуацию, которая предполагает выбор между двумя альтернативами. Это может быть компания, выбирающая один из двух возможных местных банков на зарубежном рынке, или потребитель, выбирающий между двумя марками обуви.
Эвристика распознавания: если одна альтернатива распознается, а другая - нет, выбирайте распознанную альтернативу.
Гениальность этой эвристики заключается в том, что она использует полуигнор, то есть тот факт, что человек слышал об одной альтернативе, но не слышал о другой. Сила этой эвристики была продемонстрирована, например, при предсказании победителей матчей Уимблдонского теннисного турнира 2003 года. 3 В категории "Джентльмены в одиночном разряде" соревновались 128 игроков, в результате чего было проведено 127 матчей в течение семи раундов. Чтобы предсказать победителя каждого матча, можно использовать официальный рейтинг Ассоциации теннисистов-профессионалов (ATP) "Гонка чемпионов" или "Вступительный рейтинг ATP", выбирая игрока, занимающего более высокое место (и, как правило, имеющего более высокий номер посева в турнире). Эвристика узнавания, с другой стороны, просто выбирает игрока, чье имя узнаваемо. Эксперты в теннисе не могли применить эту эвристику, потому что они узнавали всех игроков; в отличие от них, теннисисты-любители узнавали только около половины игроков и могли применить эвристику примерно в 40 процентах матчей. В этих матчах любительское распознавание в среднем правильно предсказывало победителей в 73 процентах матчей, что выше, чем рейтинг ATP ( рисунок 3.2 ). Поскольку человек не может применить эвристику распознавания во всех случаях (то есть при распознавании обоих или ни одного из игроков), в качестве альтернативы можно полагаться на показатели распознавания игроков среди любителей. Такое коллективное распознавание позволило достичь 72-процентной точности прогнозирования.
Рисунок 3.2
Узнавание теннисистов-любителей предсказало победителей матча на Уимблдонском турнире 2003 года лучше, чем официальные рейтинги ATP. ATP Entry Ranking и ATP Champions Race - это два разных рейтинга игроков; коллективное признание предсказывает, что игрок, занимающий более высокое место по узнаваемости имени среди любителей, выиграет матч; индивидуальное признание предсказывает победителей в соответствии с эвристикой признания. По материалам Serwe и Frings (2006).
Эвристика узнавания работает здесь, потому что узнавание сильно коррелирует с результатами игроков. Аналогично, узнаваемость названия бренда обычно коррелирует с качеством продукта, и при выборе товара потребители полагаются на названия брендов, отдавая предпочтение тем, о которых они слышали. При наличии более двух продуктов узнаваемость названия бренда часто используется для формирования набора рассматриваемых товаров. Компании пытаются использовать зависимость потребителей от узнаваемости, вкладывая средства в повышение узнаваемости бренда, а не в улучшение качества продукции. Такая тактика снижает экологическую рациональность использования эвристики для потребителей, поскольку узнаваемость в этом случае больше коррелирует с количеством рекламы, чем с качеством продукта.
Эвристика беглости
Эвристика распознавания зависит от того, распознается ли альтернатива. Эвристика беглости, в свою очередь, использует скорость распознавания, выбирая ту альтернативу, которая распознается быстрее. Поэтому ее можно применять, даже если распознаны обе альтернативы. Беглость также может быть использована в ситуациях, когда необходимо генерировать варианты по памяти, как в случае с гандболистами (см. рис. 2.1 в главе 2). Эвристика беглости использует развитую способность человеческого мозга обнаруживать тонкие различия в скорости распознавания. Исследования показали, что люди могут воспринимать разницу между задержками распознавания, превышающими 100 миллисекунд. 4 Как объяснялось в главе 2, многолетний опыт делает эвристику беглости экологически рациональной: первый вариант, который приходит на ум, часто оказывается лучшим.
Эвристика одной причины
Обычно существует множество доводов за или против имеющихся вариантов. В результате лица, принимающие решения, могут оказаться в замешательстве от огромного количества информации, с которой им приходится иметь дело. Эвристика одной причины показывает, что это не обязательно так.
Существует два типа эвристик, основанных на одной причине. Один тип ищет единственную умную причину и основывает свои решения на ней: эвристика одной умной подсказки. Примером может служить эвристика найма Маска. Второй тип может искать больше причин, но при этом основывает свои решения только на одной причине. Это эвристики последовательного поиска.
Эвристика с одной умной подсказкой
Умная подсказка - это подсказка, которая настолько сильна, что учет других подсказок (или причин) не улучшает работу, а скорее замедляет принятие решений или даже снижает ее. Рассмотрим проблему того, как бейсбольные аутфилдеры ловят летящий мяч. Одно из возможных решений заключается в том, что они рассчитывают траекторию полета мяча и бегут к точке, где он ударится о землю:
Чтобы вычислить точку z(x) = 0, в которой мяч ударяется о землю, игроку придется оценить начальный угол α0 направления мяча относительно земли и начальную скорость v0 мяча, знать массу мяча m и силу трения β, задать ускорение гравитации g равным 9,81 м/с2 и уметь вычислять тангенс и косинус. Но даже в этом случае формула слишком упрощена, поскольку в ней не учитываются ветер и вращение. Важно отметить, что истинная сложность заключается не в вычислении уравнения, а в оценке его параметров, таких как начальный угол и начальная скорость.
Опытные игроки полагаются на простую эвристику. Если мяч находится высоко в воздухе, эвристика взгляда направляет игрока к мячу.
Эвристика взгляда: Фиксируйте взгляд на мяче, бегите и регулируйте скорость так, чтобы угол взгляда оставался постоянным.
На рисунке 3.3 показано, что, сохраняя постоянный угол, игрок приходит в то место, куда приземляется мяч. Угол взгляда - это умная подсказка. Игрокам, которые полагаются на него, не нужно оценивать траекторию полета мяча; фактически, они могут спокойно игнорировать все факторы, необходимые для расчета траектории.
Эвристика взгляда - эвристика "один взгляд - подсказка" - позволяет бейсболистам поймать летящий мяч. Для этого игрок регулирует скорость бега так, чтобы угол взгляда оставался постоянным. Различные животные также используют эту эвристику для перехвата добычи и поиска партнеров. Источник: Гигеренцер (2007).
Эвристика взгляда была изобретена не бейсбольными аутфилдерами. Летучие мыши, птицы, рыбы и другие животные используют ее для охоты на добычу и поиска товарищей. 5 Эвристика также была встроена в чрезвычайно успешное автономное управляемое оружие: ракету ближнего радиуса действия класса "воздух-воздух" AIM-9 Sidewinder. 6 Ракета представляет собой недорогую, но надежную систему перехвата, "взгляд" которой направлен на точечный источник тепла, который и является целью. Хотя ракета AIM-9 Sidewinder впервые была применена в 1950-х годах, она до сих пор находится на вооружении во многих странах, а новые разработки, похоже, основаны на той же эвристике, которая поддерживает постоянный угол сближения.
В мире менеджмента можно найти довольно много эвристик, основанных на принципе "один-единственный ключ". Часто они используются для отказа от альтернатив или сужения круга выбора. Знаменитое правило Уоррена Баффета "Никогда не инвестируйте в бизнес, который вы не можете понять" определяет единственную причину, которой достаточно, чтобы исключить инвестирование. Стратегическое правило Apple: "Выходить на рынки только там, где мы можем быть лучшими" - еще один пример.
В своей книге "Простые правила: How to Thrive in a Complex World" ученые-организаторы Дональд Салл и Кэтлин Эйзенхардт описали более 100 простых правил, которые люди используют в бизнес-стратегии. 7 Многие из этих правил относятся к типу "один раз отмерь - другой разбери". Например, после распада Советского Союза одна российская частная инвестиционная компания при принятии инвестиционных решений использовала такие правила стратегии, как "работать только с руководителями, которые знают преступников, но сами преступниками не являются" и "инвестировать в компании, предлагающие товары, которые типичная российская семья могла бы купить, если бы у нее были лишние 100 долларов в месяц". Насколько эти правила экологически рациональны в других странах и в другое время - вопрос открытый.
В случаях, когда одной умной подсказки недостаточно, можно последовательно перебрать несколько подсказок. При этом для принятия решения используется только одна подсказка (причина). Примерами эвристик последовательного поиска являются "быстрые и экономные деревья", "взять лучшее" и "дельта-интерференция".
Быстрые и экономные деревья
Врачи скорой помощи должны определить, нуждается ли пациент в немедленном лечении или его можно вылечить позже; солдаты контрольно-пропускного пункта должны определить, является ли приближающийся автомобиль дружественным или в нем заложена бомба смертника; а менеджерам нужно решить, стоит ли повышать сотрудника в должности или нет. Быстрые и экономные деревья - это инструменты для принятия таких классификационных решений. В отличие от сложных деревьев решений, быстрое и экономное дерево проверяет только несколько подсказок или вопросов и пытается принять решение после каждого из них.
Быстрое и экономное дерево: Простое дерево решений с n подсказками и n + 1 выходом.
Он состоит из трех строительных блоков:
Правило поиска: Поиск по подсказкам в заранее определенном порядке.
Правило остановки: Остановите поиск, если подсказка ведет к выходу.
Правило принятия решений: Действуйте в соответствии с тем, что указывает выход.
В ходе эксперимента мы попросили менеджеров принять решение о сохранении или увольнении продавца на основе его еженедельных показателей продаж. 8 Среднее значение, тенденция и вариации показателей были видны на графике, обобщающем данные о продажах. Правило, которое взяли на вооружение многие менеджеры, - это "дерево быстрых и экономных", показанное на рисунке 3.4 . Сначала посмотрите, превышает ли средний показатель продаж данного сотрудника. Если да, то человека не увольняют и не задают других вопросов . Если показатели ниже среднего, то следующий вопрос - есть ли тенденция к росту показателей. Если нет, то человека увольняют; в противном случае задается последний вопрос об изменении объема продаж, после чего принимается решение. В отличие от полного дерева решений, в деревьях быстрого и экономного принятия решений важен порядок следования подсказок. Первая подсказка может сразу привести к принятию решения, а остальные подсказки не могут его отменить. Например, человека с показателями выше среднего оставляют на работе, даже если тенденция к снижению и еженедельные продажи сильно колеблются.
Рисунок 3.4
Быстрое и экономное дерево, используемое менеджерами для принятия решения о том, оставить или уволить продавца. Если средние показатели продаж выше среднего, продавца оставляют. В противном случае задается второй вопрос о динамике показателей, который может привести или не привести к принятию решения. Третий вопрос об изменении показателей задается в тех случаях, когда первые два вопроса не приводят к принятию решения.
Наилучший и дельта-вывод
Быстрые и экономные деревья - это эвристики для принятия решения по одной цели (например, уволить ли сотрудника), в то время как take-the-best и delta-inference - эвристики для выбора между двумя альтернативами. В остальном их логика и структурные блоки аналогичны логике быстрых и экономных деревьев. Разница между ними заключается в том, что take-the-best обычно обрабатывает бинарные сигналы (например, имеет ли кандидат на работу высшее образование), тогда как delta-inference может обрабатывать все типы сигналов, непрерывные, категориальные и бинарные (например, баллы IQ кандидатов и уровень их образования). Дельта в дельта-инференции означает пороговое значение, при превышении которого альтернативы считаются достаточно разными по признаку; в этот момент поиск прекращается и принимается решение.
Рассмотрим Национальную футбольную лигу (НФЛ), лигу профессионального американского футбола. В США это самая популярная спортивная лига с точки зрения получаемых доходов, а игры НФЛ смотрят миллионы людей каждую неделю в течение всего игрового сезона. Журналист Грегг Истербрук писал колонку о футболе под названием "Tuesday Morning Quarterback" для ESPN. В 2007 году два читателя независимо друг от друга написали ему, предложив простую модель прогнозирования: побеждает команда с лучшим рекордом; если рекорды равны, то побеждает домашняя команда. 9 По сути, эта модель является примером дельта-инференции, в которой первым критерием является рекорд команд по победам и поражениям, а вторым - домашняя команда или гостевая (см. рисунок 3.5 ). Дельта в критериях "рекорд выигрыша-проигрыша" установлена на 0 (т. е. любая разница приведет к предсказанию), а кит "домашняя команда" является бинарным.
Рисунок 3.5
Эвристика дельта-инференции применяется для прогнозирования победителей матчей НФЛ. При игре между двумя командами прогнозируется, что в предстоящем матче победит команда с лучшим рекордом. Если рекорды двух команд равны, то победа прогнозируется за хозяевами.
Эта простая эвристика обошла всех экспертов, кроме одного, из десятков, чьи результаты отслеживал Истербрук в сезоне 2007-2008. Почти такого же результата она добилась в сезоне 2008-2009, обойдя всех экспертов, кроме двух. 10 Иногда Истербрук ставил под сомнение выбор, сделанный эвристикой, и заменял его своим собственным. Таким образом, точность прогноза снижалась! Используя эту эвристику, не нужно обладать инсайдерской информацией, тратить время на чтение отчетов и проведение сложных анализов, знать историю соревнующихся команд или даже разбираться в правилах американского футбола. Всю необходимую информацию можно легко найти на любом сайте, публикующем информацию об играх NFL.
Можно попытаться повысить точность дельта-умозаключений, пытаясь найти "оптимальные" дельты (то есть дельты, наилучшим образом соответствующие прошлым данным). В ходе исследования тридцати девяти реальных задач, таких как предсказание того, в какой из двух средних школ будет более высокий процент отсева и какой бриллиант из пары будет продан по более высокой цене, мы обнаружили, что простое установление дельт на 0 было столь же точным, как и использование оптимально подобранных пороговых значений. Эвристика также не уступает сложным моделям, таким как байесовская линейная регрессия. 11
Эвристика равенства
Эвристика одной причины хорошо работает при наличии мощной подсказки. Однако в ситуациях, когда подсказки одинаково информативны, эвристика равенства - лучший выбор. Они интегрируют подсказки простым способом, например, суммируя доводы "за" и "против". Это отличает эвристику равенства от оптимизационных моделей, которые оценивают веса различных причин и учитывают взаимозависимость и взаимодействие между подсказками.
Подсчеты
Подсчеты основаны на основной способности человека считать и сравнивать числа. Это инструмент, используемый для принятия решений о классификации, и он работает так же, как быстрые и экономные деревья, но основан на противоположной логике. Вместо того чтобы упорядочивать подсказки и искать их последовательно, подсчеты рассматривают все подсказки одинаково. Рассмотрим задачу с n бинарными подсказками, где положительное значение подсказки указывает на категорию X, а k (1 < k ≤ n) - порог классификации.
Подсчет: Задайте число k. Если цель имеет k положительных значений подсказки или больше, отнесите ее к категории X; в противном случае - нет.
По сути, подсчет голосов воплощает демократическое голосование среди подсказок. Оно простое и прозрачное и может привести к высокоточным классификациям. Например, исследователи лавин Ян Маккаммон и Паскаль Хегели разработали правило подсчета голосов под названием "метод очевидных подсказок" для оценки лавинной опасности: Ситуация классифицируется как опасная, если присутствует более трех из семи признаков. 12 Эти признаки, такие как наличие лавин за последние сорок восемь часов и наличие жидкой воды на поверхности снега в результате недавнего резкого потепления, были получены в результате многолетних наблюдений и являются показателями лавиноопасности. При сравнении с восемью более сложными методами метод очевидных подсказок показал самый высокий коэффициент предотвращения (т. е. несчастных случаев, которые были бы предотвращены). Еще один пример - модель "Ключи от Белого дома" Аллана Лихтмана, которая предсказывает, какой кандидат победит в народном голосовании на президентских выборах в США. 13 С момента своего первого предсказания в 1984 году эта модель подсчета голосов правильно определила всех победителей, за исключением 2016 года, когда она предсказала, что Дональд Трамп победит в народном голосовании (Трамп выиграл президентское кресло, но не народное голосование).
Взвешивание единиц измерения
Организации часто используют множественную линейную регрессию для прогнозирования значений непрерывной переменной, например, продаж продукта. В этих моделях оцениваются веса признаков, чтобы отразить их относительный вклад. Взвешивание по единицам, напротив, взвешивает все признаки одинаково, чтобы уменьшить ошибку оценки. На первый взгляд, взвешивание единиц кажется хорошим примером компромисса между затратами и точностью: избавляясь от необходимости оценивать веса подсказок, вы получаете более низкую точность суждений. Однако эпохальное исследование психологов Робина Доуса и Бернарда Корригана показало, что это не так. В трех из четырех рассмотренных задач, включая прогнозирование среднего балла студентов колледжа, успехов аспирантов в учебе и психиатрических диагнозов пациентов, взвешивание единиц оказалось более точным, чем множественная линейная регрессия. В свете этого вывода Доус и Корриган заявили, что для правильных суждений "весь фокус в том, чтобы решить, на какие переменные смотреть, а затем знать, как их складывать". 14 Знание точных весов подсказок не имеет большого значения.
При оценке личностных качеств и отношения сотрудников организации часто опрашивают своих потенциальных или действующих работников, используя шкалы с несколькими пунктами, которые взвешиваются одинаково для получения комплексного балла. Означает ли это, что ответы на каждый пункт действительно имеют одинаковое значение для оцениваемой базовой конструкции? Скорее всего, нет. Но есть две основные причины, по которым взвешивание по единицам является хорошим правилом. Во-первых, точная схема взвешивания мало влияет на рейтинг оцениваемых людей. Во-вторых, чем больше элементов используется, тем больше весов и корреляций между элементами, которые необходимо оценить, и тем выше ошибка оценки. Поэтому, чтобы избежать перебора, разумно просто взвесить все предметы одинаково.
1/N
Теперь рассмотрим другой тип проблемы: как распределить ограниченные ресурсы между N альтернативами, например, ограниченный бюджет между различными подразделениями компании или ограниченную сумму сбережений между различными инвестиционными продуктами. И снова есть два взгляда на то, как решить эту проблему. Первое - получить как можно больше данных из прошлого, использовать их для оценки весов каждой альтернативы и распределять ресурсы в соответствии с весами: то есть выделять больше ресурсов тем альтернативам, которые имеют больший вес. Другое видение предназначено для ситуаций неопределенности, когда будущее вряд ли будет похоже на прошлое. Здесь необходимо упрощение, чтобы избежать ошибки оценки, то есть чрезмерной подгонки под прошлое. Эвристика 1/N распределяет равные суммы между всеми альтернативами и использует принцип диверсификации в том же духе, что и подсчеты и взвешивание единиц. Как уже упоминалось в главе 1, средневариационная модель Гарри Марковица отражает первую концепцию, в то время как эвристика 1/N, которую он использовал для своих собственных инвестиций, соответствует духу последней. В данном случае было показано, что 1/N работает наравне или даже лучше, чем среднеквадратичная и другие сложные инвестиционные модели, при этом затрачивая значительно меньше времени и усилий. 15
Помимо денежного распределения, правило 1/N также считается справедливым способом распределения внимания между детьми или сотрудниками для родителей или руководителей. Интересно, что использование родителями справедливого правила 1/N может привести к эффекту среднего ребенка: Вырастая, дети среднего рода (например, второй ребенок в трехдетной семье) получают меньше ресурсов от своих родителей. 16 Если предположить, что родители распределяют ресурсы между своими детьми поровну в любой момент времени, то первенец получит все ресурсы еще до рождения остальных, а ребенок, родившийся последним, получит все ресурсы после того, как старшие станут более самостоятельными или покинут дом. Средние дети никогда не имеют таких возможностей и вынуждены постоянно делиться ресурсами. Поэтому в совокупности они получают меньше ресурсов, несмотря на намерение родителей быть справедливыми. Этот контринтуитивный результат показывает, что результат эвристики зависит от окружения (в данном случае от количества братьев и сестер): если детей двое, цель родителей быть справедливыми будет достигнута, но не в противном случае.
Эвристика, основанная на стремлении
Курта Левина часто называют основателем социальной психологии. Среди бесчисленных открытий, сделанных им, одно из них - концепция стремления, цели, к достижению которой люди мотивированы. Позднее эта концепция была заимствована Гербертом Саймоном и стала ключевым ингредиентом его известной эвристики удовлетворения.
Сатисфакция
Эвристики, представленные до сих пор, помогают выбрать между двумя или несколькими альтернативами. Эвристика удовлетворения может работать с большим количеством вариантов, даже в ситуациях, когда неизвестно, сколько альтернатив существует. В своей базовой форме, когда опционы оцениваются только по одному признаку, например по цене или ожидаемой прибыли, она состоит из трех шагов:
Шаг 1: Установите уровень стремления α и рассмотрите варианты по очереди.
Шаг 2: Выберите первый вариант, который удовлетворяет α.
Шаг 3: Если по истечении времени β ни один из вариантов не удовлетворяет α, то измените α на величину γ и продолжайте до тех пор, пока не будет найден удовлетворяющий вариант.
Если используются только первые два шага, процедура называется сатисфакцией без адаптации к уровню стремления; если используются все три шага, то это сатисфакция с адаптацией к уровню стремления. В бизнесе сатисфичинг используется для ценообразования на товары. Анализ более 600 немецких дилеров подержанных автомобилей показал, что 97 % из них использовали сатисфакцию с адаптацией к уровню стремления или без нее. Наиболее распространенной стратегией было начать со средней цены, снизить ее примерно через четыре недели и повторять процедуру до тех пор, пока автомобиль не будет продан. 17
Базовую форму сатисфакции можно легко обобщить на более чем один атрибут, установив уровень стремления для каждого атрибута. Предположим, что венчурная фирма хочет инвестировать в стартап в развивающейся области и заинтересована в трех атрибутах: совершенстве пятилетнего видения компании, доле инженеров среди всех сотрудников и харизме основателей. Используя эвристику удовлетворения, фирма устанавливает уровень стремления по каждому атрибуту, начинает поиск и останавливается на первом стартапе, который отвечает всем требованиям.
Возможно, существуют лучшие альтернативы. Но два фактора, помимо неопределенности, делают сатисфакцию хорошим правилом: стоимость поиска и рыночная конкуренция. Когда поиск является необходимой частью процесса принятия решений, он, как правило, сопряжен с определенными затратами, о чем может свидетельствовать большинство людей, купивших дом. Эвристика удовлетворения эффективно устанавливает правило остановки поиска и не позволяет стоимости поиска выйти из-под контроля. Более того, хорошие вещи желают многие; чтобы получить их, обычно приходится конкурировать. Если продолжать искать, не принимая решения, то хорошие возможности, скорее всего, исчезнут, их подхватят другие. Денежные инвестиции, покупка жилья, выбор второй половинки - все это так. Поэтому необходимо знать, чего хочешь, и действовать быстро, когда появляется хорошая альтернатива.
Так называемая проблема секретаря похожа на двухшаговую эвристику удовлетворения, но она предполагает маленький мир, в котором известно количество вариантов n (и n не очень велико, чтобы избежать бесконечного поиска). В этой задаче компания стремится найти лучшего секретаря, проводя собеседования с кандидатами по очереди и принимая решение о том, стоит ли делать кандидату предложение, сразу после собеседования. После того как кандидат был отвергнут, компания не может вспомнить о нем позже. Если общее число кандидатов известно, то решение, максимизирующее вероятность получения лучшего секретаря, заключается в том, чтобы провести собеседование с первыми 37 процентами кандидатов, не делая им предложения, и продолжать собеседование до тех пор, пока не будет найден кандидат с более высокими качествами. Однако если количество кандидатов неизвестно, а цель - выбрать не лучшего секретаря, а отличного (например, 10 процентов лучших), то лучше использовать более простое решение. Оно называется "Попробовать дюжину", в котором 37 процентов заменяется фиксированным числом - 12. Эта эвристика имеет более высокие шансы найти подходящего секретаря при значительном сокращении времени поиска. 18 Интересно, что после смерти первой жены астроном Иоганн Кепплер, по некоторым данным, рассмотрел одиннадцать женщин в качестве возможной замены, прежде чем сделать окончательный выбор. Второй брак был плодотворным, у него родилось семеро детей, и за это время он написал еще четыре крупных работы.
Социальная эвристика
Все эвристики, представленные в этой главе, можно использовать для решения социальных и несоциальных проблем. Например, сатисфакция может использоваться не только для выбора дома, но и для выбора партнера для брака. Однако есть и другой класс эвристик, которые являются истинно социальными, поскольку опираются только на социальную информацию. Здесь мы представляем три вида социальных эвристик: подражание, сарафанное радио и мудрость толпы.
Имитация
Подражание - это движущая сила человеческой культуры. Ни один другой вид не копирует поведение других людей так часто и точно, как люди. Уже в раннем возрасте дети способны имитировать действия других людей и понимать их намерения, подражать поведению взрослых и сверстников как средству обучения и установления связей с членами группы, а также соответствовать поведению большинства и социальным правилам. Шимпанзе тоже подражают, но лишь изредка и гораздо менее умело. 19 Обучение путем подражания не только помогает детям выжить в незнакомом, неопределенном и, возможно, опасном мире, но и обеспечивает стабильность в человеческих группах и способствует передаче знаний и социальных норм из поколения в поколение.
Компании также часто участвуют в подобном социальном обучении, подражая успешным продуктам и технологиям других компаний. Например, в 2015 году компания Amazon выпустила Echo, интернет-ассистент для дома. Оно имело огромный успех, несмотря на опасения по поводу конфиденциальности. Год спустя Google выпустила удивительно похожий продукт под названием Google Home, а Apple сделала то же самое со своим Home Pod в 2017 году. Имитация - это быстрый и относительно безопасный способ выхода компаний на рынок. Вместо того чтобы вкладывать миллионы или миллиарды в передовую технологию, коммерческий успех которой неясен, компании могут просто скопировать и усовершенствовать проверенную рынком идею, что снижает вероятность провала. Однако откровенное подражание без попыток дифференциации (например, более низкой цены или новых функций) может навредить как компании-подражателю, поставив ее в невыгодное положение "опоздавшего", так и всему рынку в целом, препятствуя изобретению более совершенных технологий и продуктов.
Word-of-Mouth
Эвристика "из уст в уста" предполагает, что человек принимает решения на основе рекомендаций других людей, о чем говорилось в начале этой главы. Компании используют его для поиска хороших сотрудников и надежных деловых партнеров, соискатели - для отбора потенциальных работодателей, а потребители - для принятия решения о том, где пообедать и что купить. Чтобы быть успешным, "сарафанное радио" требует доверительных отношений и долгосрочной зависимости между тем, кто спрашивает, и тем, кто рекомендует. Оно перестает работать, когда этим доверием злоупотребляют, особенно когда рекомендатели преследуют иные цели, чем предоставление наиболее правдивой информации или подходящих альтернатив.
Мудрость толпы
В небольшой статье, опубликованной в журнале Nature, сэр Фрэнсис Гальтон сообщил о первом документально подтвержденном случае мудрости толпы. 20 Около 800 человек заключили пари на вес одетого быка на сельской ярмарке в Плимуте, Англия. Гальтон собрал все билеты со ставками и обнаружил, что среднее значение оценок всего на один фунт меньше реального веса.
Мудрость толпы: Оценка величины путем усреднения независимых суждений многих людей.
В основе "мудрости толпы" лежит закон больших чисел в статистике: чем больше выборка, тем ближе среднее значение выборки к истинному значению. Ключевым условием точности среднего суждения является независимость отдельных оценок. Если на них влияют другие - например, волевой лидер, - оценки не будут независимыми, и среднее значение может быть необъективным, как при групповом мышлении. В бизнесе лидеры слишком часто высказывают свое собственное мнение первыми, что влияет на то, что говорят (или даже думают) подчиненные, и делает "мудрость толпы" больше не экологически рациональной эвристикой. Чтобы избежать этого подводного камня, может быть полезна другая эвристика: сначала слушай, потом говори. Эта эвристика предназначена для лидеров, а не для подчиненных. Она делает возможным сбор плодов "мудрости толпы".
В эпоху Интернета и социальных сетей люди все чаще при выборе ресторанов, книг и многих других товаров опираются на пользовательские рейтинги , надеясь воспользоваться мудростью толпы. Если эти рейтинги составляются независимо и непредвзято, то они являются хорошим руководством к действию. Однако эти условия не всегда соблюдаются. Отчет за 2021 год показывает, что среди всех онлайн-отзывов, размещенных в 2020 году, 31 процент, по оценкам, был поддельным. 21 Одним из источников поддельных отзывов являются "бот-фермы", которые за определенную плату манипулируют рейтингами, звездами, лайками и сердечками.
Экологическая рациональность эвристики
Может ли быть так, что Элон Маск делает лучший выбор на основе одной причины, чем используя множество причин или целый центр оценки? Изучение экологической рациональности эвристик, основанных на одной причине, дает ответ на этот вопрос - и он утвердительный. Можно доказать, что существуют условия, при которых опора на одну причину так же хороша или даже лучше, чем рассмотрение большего количества информации. Условие доминирующей подсказки (о котором пойдет речь дальше) - одно из них. Однако изучение экологической рациональности также предписывает, когда другие классы эвристик должны быть успешными. Мы уже упоминали некоторые из этих условий. Здесь мы сосредоточимся на двух общих результатах. Первый показывает, что распределение весов подсказок служит ориентиром для выбора эвристик из набора адаптивных инструментов, а второй объясняет, почему простые эвристики могут предсказывать лучше, чем сложные модели в ситуациях неопределенности.
Признаки доминирования и равенства
Сигналы определяют как абсолютную, так и относительную эффективность эвристики. Как правило, эвристики, основанные на одной причине, экологически рациональны в условиях, когда существует доминирующая подсказка, в то время как эвристики равенства экологически рациональны, когда подсказки имеют равную силу. Чтобы понять, почему так происходит, рассмотрим ситуацию, в которой для принятия бинарного решения, например, нанимать или не нанимать, доступны n бинарных подсказок.
Линейная модель, которая взвешивает и складывает все сигналы, имеет вид
y = w1x1 + w2x2 + ... + wnxn
где y - критериальная переменная, xI - значение подсказки i (i = 1, ..., n), а wI - вес решения подсказки, который упорядочен и отражает относительный вклад подсказки после рассмотрения подсказки или подсказок более высокого ранга. Для упрощения все веса положительны. Модель предписывает "нанять", если y положительно; в противном случае - "не нанимать".
Эта линейная модель не может принимать решения более точно, чем эвристика с одним ключом, которая основывает свои решения исключительно на самом верном ключе (т. е. ключе1), если сумма весов всех других ключей меньше веса ключа1 - таким образом, другие ключи не могут отменить решения, принятые ключом1. 22 Это называется условием доминирующего ключа, при котором значения весов ключей таковы, что
В левой части рисунка 3.6 показан пример такого условия, в котором веса пяти подсказок равны 1, 1/2, 1/4, 1/8 и 1/16. Это также пример более сильной версии условия доминирующей подсказки, когда вес любой подсказки больше, чем сумма весов последующих подсказок. В этом случае гарантируется, что однопричинные последовательные эвристики, такие как "бери лучшее" и "быстрое и экономное дерево", никогда не будут превзойдены линейной моделью. 23
Рисунок 3.6
Распределения весов подсказок (wi), при которых эвристика одной причины и эвристика равенства являются экологически рациональными, соответственно. Слева: условие доминирующей подсказки, при котором предпочтение отдается эвристике одного основания. Справа: Условие равных подсказок, при котором предпочтение отдается эвристике равенства. По материалам Gigerenzer et al. (2022).
Когда веса всех подсказок равны, как показано в правой части рисунка 3.6, очевидно, что эвристика одной причины не может работать лучше, чем эвристика равенства, такая как подсчет. В этом состоянии равенства ни одна из подсказок не лучше другой; поэтому для принятия правильного решения необходимо учитывать все подсказки. Это также условие, при котором никакие линейные модели, по-разному взвешивающие сигналы, не могут превзойти подсчет голосов.
Когда подсказки сильно коррелируют, условие доминирующей подсказки более вероятно, так как информация, добавляемая другими подсказками, кроме самой валидной, ограничена. В вышеупомянутом исследовании, в котором изучался дельта-инференция в тридцати девяти реальных задачах, три главных подсказки в каждой задаче, как правило, были сильно коррелированы, и условие доминирующей подсказки выполнялось в большинстве случаев. Это основная причина, по которой дельта-инференция с дельтой в 0, которая принимает решение почти исключительно на основе наиболее валидной подсказки, справилась со всеми задачами так же хорошо, как и линейная регрессия. С другой стороны, когда подсказки независимы, условие равенства подсказок более вероятно. Хотя весовые коэффициенты подсказок редко бывают точно равными, эвристика равенства может быть экологически рациональной, когда весовые коэффициенты подсказок не сильно различаются или их трудно оценить из-за нестабильности и неопределенности среды, недостаточности данных или того и другого.
Дилемма смещения и дисперсии
Посмотрите на рисунок 3.7 . Два игрока бросали дротики в доску. Кто из игроков справился лучше? Большинство скажет, что игрок А. Однако у этого игрока явный перекос: все дротики попали в правую нижнюю часть "бычьего глаза". У игрока B нет предвзятости, так как среднее положение дротиков находится в "яблочке", однако дротики разбросаны повсюду и далеки от цели. Эта аналогия помогает объяснить, почему и когда эвристика предсказывает лучше, чем более сложные модели.
ТЕЛЕГРАМКанал с обзорами, анонсами новинок и книжными подборками
Книжный Вестник
Бот для удобного поиска книг (если не нашлось на сайте)
Поиск книг
Свежие любовные романы в удобных форматах
Любовные романы
О психологии, саморазвитии и личностном росте
Саморазвитие
Детективы и триллеры, все новинки
Детективы
Фантастика и фэнтези, все новинки
Фантастика
Отборные классические книги
Классика
ВКОНТАКТЕБиблиотека с любовными романами, которая наверняка придётся по вкусу женской части аудитории
Любовные романы
Библиотека с фантастикой и фэнтези, а также смежных жанров
Фантастика
Самые популярные книги в формате фб2
Топ фб2
книги