Προσοχή στους κινδύνους των δεδομένων

Οι διευθυντές στις μέρες μας είναι καλύτερα εξοπλισμένοι από ποτέ, ώστε να μπορούν να λαμβάνουν σωστές αποφάσεις. Γνωρίζουν καλύτερα ότι η ανθρώπινη κρίση είναι ατελής. Διαθέτουν πληθώρα δεδομένων σχετικά με τους πελάτες και τα προϊόντα τους. Μπορούν να χρησιμοποιούν την τεχνητή νοημοσύνη (AI) για να αναλύουν, να συνοψίζουν και να συνθέτουν πληροφορίες με πρωτοφανή ταχύτητα. Καθώς όμως το εκκρεμές μετακινείται αμείλικτα από το ένστικτο προς αποφάσεις που βασίζονται σε δεδομένα, οι επιχειρήσεις οφείλουν να γνωρίζουν ότι κι αυτή η προσέγγιση ενέχει ένα σύνολο διαφορετικών κινδύνων.

Σε μια πρόσφατη δημοσίευση η Linda Chang του Ινστιτούτου Ερευνών της Toyota και οι συν-συγγραφείς της εντοπίζουν την ύπαρξη μιας γνωστικής μεροληψίας που ονομάζουν «ποσοτική εμμονή». Ο κίνδυνος να εξαρτάται κανείς μόνο από τα δεδομένα για τη λήψη αποφάσεων είναι γνωστός: αναφέρεται μερικές φορές ως «πλάνη McNamara», από την έμφαση που έδωσε ένας Αμερικανός υπουργός Άμυνας σε παραπλανητικά ποσοτικά δεδομένα κατά την αξιολόγηση του πολέμου στο Βιετνάμ. Όμως η κ. Chang και οι συν-συγγραφείς της βοηθούν να εξηγηθεί γιατί οι άνθρωποι δίνουν δυσανάλογη βαρύτητα στους αριθμούς.

Ο λόγος φαίνεται να είναι ότι τα δεδομένα είναι ιδιαίτερα κατάλληλα για τη διενέργεια συγκρίσεων. Σε ένα πείραμα ζητήθηκε από τους συμμετέχοντες να φανταστούν ότι επιλέγουν έναν από δύο μηχανικούς λογισμικού για προαγωγή. Ο ένας είχε αξιολογηθεί ως πιο πιθανό να ανέβει στην ιεραρχία, αλλά λιγότερο πιθανό να παραμείνει στην εταιρεία. Αντίθετα, ο άλλος είχε μεγαλύτερη πιθανότητα παραμονής, αλλά μικρότερη πιθανότητα προαγωγής. Οι ερευνητές διαφοροποίησαν τον τρόπο με τον οποίο παρουσιάστηκαν αυτές οι πληροφορίες. Διαπίστωσαν ότι οι συμμετέχοντες ήταν πιο πιθανό να επιλέξουν με βάση τις μελλοντικές προοπτικές προαγωγής, όταν μόνο αυτό το κριτήριο ήταν ποσοτικοποιημένο, και να επιλέξουν με βάση την πιθανότητα παραμονής, όταν αυτή ήταν συνδεδεμένη με έναν αριθμό.

Μια απάντηση γι’ αυτήν τη μεροληπτική στάση είναι η ποσοτικοποίηση των πάντων. Αλλά, όπως επισημαίνουν οι συγγραφείς, ορισμένα πράγματα είναι σημαντικότερα από άλλα. Γι’ αυτούς που αναζητούν εργασία, η κουλτούρα της επιχείρησης είναι δυσκολότερο να εκφραστεί ως αριθμός απ’ ό,τι τα επίπεδα των μισθών της. Τα δεδομένα μπορούν να πουν σε έναν επενδυτή αρχικού σταδίου περισσότερα για τα οικονομικά στοιχεία μιας νεοφυούς επιχείρησης απ’ ό,τι για την ανθεκτικότητα του ιδρυτή. Οι αριθμοί επιτρέπουν εύκολες συγκρίσεις. Το πρόβλημα είναι ότι δεν λένε πάντα όλη την αλήθεια.

Υπάρχουν κι άλλοι κίνδυνοι. Οι άνθρωποι έχουν τις ίδιες γνωστικές μεροληπτικές προσεγγίσεις στην ανάλυση των αριθμών όπως και σε άλλες αποφάσεις. Δείτε, για παράδειγμα, την μεροληπτική επιβεβαίωση, την τάση να ερμηνεύετε τις πληροφορίες με τρόπο που να υποστηρίζουν την άποψής σας. Σε ένα άλλο πείραμα ο Itai Yanai του Πανεπιστημίου της Νέας Υόρκης και ο Martin Lercher του Πανεπιστημίου Heinrich Heine ζήτησαν από προπτυχιακούς φοιτητές πληροφορικής να αποτυπώσουν τη σχέση μεταξύ πλούτου και ευτυχίας, προτού τους δείξουν ένα φανταστικό σύνολο δεδομένων της σχέσης μεταξύ αυτών των δύο μεταβλητών για 1.000 άτομα. Αντιμέτωποι με ένα πανομοιότυπο γράφημα, οι φοιτητές που ανέμεναν θετική συσχέτιση ήταν πολύ πιο πιθανό να τη δουν στα δεδομένα. Οι πεποιθήσεις επηρέασαν την ερμηνεία.

Πολλοί άνθρωποι δυσκολεύονται με τη βασική ανάγνωση των δεδομένων: οι καταναλωτές είναι λιγότερο πιθανό να συμμετάσχουν σε διαγωνισμούς με μεγαλύτερο αριθμό διαγωνιζομένων, ακόμα κι αν οι πιθανότητες να κερδίσουν το βραβείο είναι ακριβώς οι ίδιες. Σε έναν κόσμο που ενθουσιάζεται με τα μοντέλα τεχνητής νοημοσύνης, η στήριξη σε αλγόριθμους μπορεί να φαίνεται ως η λογική λύση. Σε ένα ακόμα πείραμα, οι Hossein Nikpayam και Mirko Kremer της Σχολής Οικονομικών και Διοίκησης της Φρανκφούρτης και ο Francis de Véricourt του ESMT του Βερολίνου διαπίστωσαν ότι οι μάνατζερ παρέμεναν αδιάφοροι όταν άλλοι υπεύθυνοι λήψης αποφάσεων αγνοούσαν τις συστάσεις των «μηχανών» και ασκούσαν τη δική τους κρίση, όμως τους κατηγορούσαν αν το αποτέλεσμα ήταν κακό και δεν τους επιβράβευαν αν ήταν καλό. Παλιά συνήθιζαν να λένε ότι κανείς δεν απολύθηκε ποτέ επειδή αγόρασε υπηρεσίες από IBM. Δεν είναι δύσκολο κάποιος να φανταστεί ότι το «κανείς δεν απολύεται επειδή ακολούθησε τον αλγόριθμο» θα γίνει το σύγχρονο ισοδύναμο.

Ωστόσο, υπάρχουν φορές που οι άνθρωποι έχουν το πλεονέκτημα. Για παράδειγμα, τα σύνολα δεδομένων αντανακλούν τον κόσμο όπως είναι και όχι όπως θα μπορούσε να είναι. Είναι πολύ πιο δύσκολο να αξιολογήσει κανείς ριζοσπαστικές ιδέες εξετάζοντας τα υπάρχοντα πρότυπα. Τις πρώτες ημέρες του πρωτοποριακού τηλεοπτικού καναλιού HBO τα στελέχη του λειτουργούσαν με βάση ένα μείγμα ενστίκτου και αντιφατικότητας όταν επέλεγαν προγράμματα που κινούνταν πέρα από τα συνηθισμένα: βλάσφημες κωμωδίες, ένα δράμα φυλακής που σκότωνε έναν κύριο χαρακτήρα στο πρώτο επεισόδιο κ.λπ. Άλλα δίκτυα απέρριπταν την ιδέα ενός βίαιου μαφιόζου σε ψυχοθεραπεία. Το HBO δεν το έκανε. Η στήριξη στα δεδομένα μπορεί να οδηγούσε σε πιο «λογικές» και πιο ασφαλείς αποφάσεις.

Όλα αυτά δεν σημαίνουν ότι το ένστικτο υπερισχύει των δεδομένων ή ότι οι άνθρωποι παίρνουν καλύτερες αποφάσεις από τις μηχανές. Κάθε άλλο. Αποτελούν όμως μια προειδοποίηση. Οι αριθμοί υπόσχονται σχολαστικότητα, βεβαιότητα και αντικειμενικότητα, αλλά έχουν και ελαττώματα.

© 2025 The Economist Newspaper Limited. All rights reserved. Άρθρο από τον Economist, το οποίο μεταφράστηκε και δημοσιεύθηκε με επίσημη άδεια από την www.powergame.gr. Το πρωτότυπο άρθρο, στα αγγλικά, βρίσκεται στο www.economist.com

Διαβάστε επίσης

Με 9 αλλαγές σε συντάξεις, μισθούς και εισφορές μπήκε το 2025

Ακίνητα: Οι περιζήτητες περιοχές της Αττικής και τα φιλέτα των 15.000 ευρώ το τετραγωνικό

Γιατί θα κερδίσουν έδαφος τα μπλε τιμολόγια ρεύματος τo 2025