https://oliviersibony.com/books/noise/
消除决策偏差
偏差检视
事前
事中
- 观察一个人在决策过程中的细节
事后
汇总
策略
- 参与者首先给出独立的(未公开的)评估,然后进行解释,并说明理由,最后根据其他人的评估和解释做出新的评估
- 人们应该考虑与他们的看法相悖的证据
- 关注与你意见不同的人比关注那些与你意见一致的人更有用
- 取4个独立判断的平均值,保证可以将噪声减少一半
循环
尝试,失败,分析,调整,再试一次尝试,失败,分析,调整,再试一次
指南
策略
- 将判断转变为计算来实现的
- 技能的差异可以解释诊断决策中44%的变异
- 目前最好的算法的诊断准确性优于最好的病理学家。当然,算法是没有噪声的
- 指南成功地减少了噪声,因为它在预先定义好的维度上将一个复杂的决策分解成了许多简单的子判断
出现噪音的因素
- 他们来自不同的学派,接受过不同的训练,拥有不同的临床经验,采用不同的面诊方式
- 术语不够准确
- 某些疾病的诊断标准仍然模糊
绩效评估
常见问题
- 可能会“策略性地”对员工进行评估,为了摆脱一个表现不佳的团队成员——该成员需要有良好的评价才可能被调到其他部门。
- 有一份调查问卷要求每个评估者对被评估者在11个维度上进行46项评估。通常来说,人们是无法回忆和处理多个被评估者在多维度上准确且相关的表现的
强制排名
- 无论人们的绝对绩效如何,都只有一定比例的人可以晋升,此时,相对评估才可能有意义——参考军队的晋升机制
- 末尾淘汰:强制规定将一定比例的员工评为不符合(绝对)预期,这不仅残忍而且荒谬——如果说在一支精锐部队中,有10%的人必须被评为“不满意”,那么这种做法就太愚蠢了
- 假设一个评估者所评估的团队由5个绩效表现相同的人组成,他们的实际绩效表现相差无几,而其
Summary
在实际工作中,我们可以通过以下几种方法来减少噪声,提高决策的准确性:
独立判断:让每个人独立地做出判断,然后汇总结果。独立判断有助于减少群体中的相互影响,从而降低噪声 。
排序而非匹配:在评估或决策时,使用排序代替精确匹配到某个数值或等级,因为人们在进行两两比较时往往能做出更准确的判断 。
使用模型:把决策过程交给模型,如算法、规则和公式,因为模型没有噪声,可以提供一致性的结果 。
决策达人:找出那些在决策中表现出色的个体,让他们参与或领导决策过程。这些人通常是领域专家、聪明且心态开放的人 。
决策卫生:卡尼曼提出了“决策卫生”的概念,强调在决策过程中采取预防性措施,比如制定检查清单和设置决策观察者来减少偏差和噪声 。
算法评估:适当地使用算法来减少决策对个人专业判断的依赖,例如在医疗诊断或法律判决中,算法可以帮助提高同质性 。
抵制不成熟的直觉:在决策中,应该约束直觉判断,避免快速思考带来的偏见和噪声,鼓励平衡和仔细考虑证据 。
信息排序:对信息进行排序,确保决策者首先接触到最重要和最相关的信息,减少无关信息的干扰 。
规则和标准:明确区分规则和标准,在需要创造性和差异性的情况下使用标准,在需要一致性和可靠性的情况下使用规则 。
数据预处理和算法优化:在数据输入系统或算法之前,进行数据清洗和预处理,设计具有更强抗干扰能力的算法 。
通过这些方法,我们可以在不同程度上减少决策过程中的噪声,提高决策的准确性和可靠性。