Справиться с обезьяной

Кажется, мы с вами последние люди на планете, кто способен всерьёз относиться к романтизму, пусть даже из охранительных чувств – ведь он в наших личностях, сформированных, помимо прочего, советской литературной хрестоматией.
Фрейминг иногда перекидывает мосты между дисциплинами. Слушая на «Радио Арзамас» лекцию Андрея Зорина «Любовь, искусство и смерть: романтизм как мироощущение», я подумал, что отличным ответом на вопрос, который в очередной раз услышал, почему большие циклы конъюнктуры – волны Кондратьева – отсчитываются от 1785 года, и что происходило до этого, был бы рассказ о романтизме и его историческом контексте.
Романтизм, говорит на "Арзамасе" Андрей Зорин, это культурная макроэпоха, возникшая в начале 18-го века из переживания европейскими горожанами своего разрыва с крестьянской жизнью, природой и определённостью будущего. Романтизм – это страх образованного жителя Парижа, Лондона и Гейдельберга перед личным одиночеством, неопределённым завтра и ограниченным сроком собственного бытия, и, вместе с тем, иррациональная воля вернуть Золотой век и утраченный «природный дом».
Романтизм, если смотреть на него через линзу стратегического анализа, – это «столетний» или «седой» тренд, разворачивающийся в категории социальных макрофакторов и длящийся дольше, чем, по меньшей мере, один цикл Кондратьева. В случае с романтизмом речь идёт о трёхстах годах и пяти пронзённых насквозь кондратьевских волнах.
Романтизм – часть европейского Просвещения, которое всей суммой своих составляющих (в том числе и романтизмом) подготовило первый «официально зарегистрированный» цикл Кондратьева, а именно текстильную волну 1785-1845 годов. Иными словами, эпоху Просвещения можно воспринимать как квазиэкономический цикл адаптации и извлечения ценности из технологий городского университетского и прикладного образования, длившийся с первых десятилетий 18-го века до американской и французской революций. То есть, Просвещение сыграло роль «нулевого» цикла Кондратьева или даже фактически было им.
Романтизм – один из трендов, сформировавших «нулевую» кондратьевскую волну. Большинство с ней и завершилось, но некоторые, включая романтизм, протянулись в далёкое будущее. Например, секуляризация, возникшая одновременно с романтизмом, всё ещё не исчерпала себя.
И вот трёхсотлетняя романтика уходит. Её финал констатирует филолог и историк Зорин, и это вполне созвучно с ощущениями моего внутреннего советского человека. Я убеждён, что никто больше не полюбит стихов. Никто не захочет погружаться в прозу о природе и детстве. Аксаков и Руссо будут забыты первыми. За ними последуют Лермонтов и Шиллер. Потом Набоков и Толстой. А превращение Пушкина (в этой части света) и Байрона (в той) в поводы для присвистывания и кручения пальцем у виска вобъёт последний гвоздь в крышку гроба романтической макроэпохи.
Но что идёт на смену? Станислав Лем писал, что мир романтизма нелоялен к своим обитателям, так как в нём воображение и воля постоянно бросают вызов разуму. Но сейчас воля уступает знанию – как заметил один мой думающий друг, а воображение сдаётся статистике. Новая культурная эпоха в этом смысле будет куда более лояльна к своим современникам, но хронологически это уже не про нас.
Технологический форсайт в значительной мере утратил ценность - им нужно было заниматься в 2000 году, наблюдая за прикладной наукой. Новый уклад "расшифрованного, оцифрованного и дополненного человека" уже здесь, и для стратегического столоверчения на тему технологий будущего достаточно просто читать газеты. При этом есть все причины заниматься форсайтом бизнес-моделей 2030-х - про них известно лишь, что они станут следствием борьбы за внутреннюю эффективность после завершения экстенсивной адаптации продуктов и сервисов новой волны. У нас лет десять на размышления об этом.
***
То, что сейчас происходит в глобальном политическом пространстве, – это запоздавшая на двадцать лет реакция на технологические изменения 1990-х.
Для того, чтобы компании преобразовали новые информационные и коммуникационные технологии в продукты и сервисы, вытеснили старые технологии-субституты, достигли в экстенсивном росте насыщения и обратились к интенсивному источнику – внутренней эффективности, началав для этого преобразование своих бизнес-моделей, чтобы общество структурировалось как рынок этих новых продуктов и сервисов и приняло диктуемые ими новые нормы, потребовалось два десятиления. Политика сегодня фиксирует в законах и практиках технологическую доминанту прошедших 30-35 лет.
Но эта доминанта уже начала свой путь на периферию. Новый большой цикл конъюнктуры – VI волна Кондратьева – разворачивается вокруг технологий расшифрованного, оцифрованного и дополненного человека. Информационные и коммуникационные технологии прошедшей V волны переходят на вспомогательные роли. В технологическом центре следующих 30 лет – медицина.
(Есть какая-то дарвинистская ирония в том, что в середине пандемии коронавируса мы живем в политической системе, оптимизирующей себя под события двадцатилетней давности.)
В корпоративном форсайте поиск факторов, влияющих на экосистему бизнеса на 5-10-15-летнем горизонте, – почти что рутина. Невозможно говорить о сценарном планировании – главном инструменте форсайта – без макроанализа. Ещё пара десятков методов стратегического анализа внешней среды питаются эвристическими и статистическими данными о долгосрочных технологических, экономических, социальных и политических трендах.
Делать макроанализ внешней среды в контексте волн Кондратьева, на мой взгляд, хорошая идея.
Я уже писал о фреймворке TESP+E, в котором отражена последовательность «функционирования» кондратьевской волны – технологические изменения идут первыми, они вызывают смену бизнес-моделей, затем адаптируется общество и, наконец, макро-перемены закрепляются в политическом устройстве. При этом природные факторы (+Е) являются внешними, экзогенными, к «рукотворному» циклу Кондратьева, а технологические, экономические, социальные и политические – внутренними, то есть, эндогенными. Исследовать первые надо независимо от вторых, а вторые – в их последовательности (T-E-S-P) и взаимосвязи [1]. Это во-первых.
Во-вторых, волны Кондратьева частично спасают нас от главного врага стратегии – неопределённости тем, что они, по сути, календарь будущего, длящийся из прошлого приличной глубины: первый описанный большой цикл конъюнктуры датируется концом 18-го века.
Знать, что в 2020 (или чуть позже) мы вступаем в VI волну, посвящённую «дополнению человека» [2], и примерно до 2030 будем трястись на кочках экспансии нового технологического уклада, однако наше благосостояние при этом будет системно карабкаться вверх, а не системно падать, как это было последние десять лет, уже немало.
Знать, что компания и её экосистема в ближайшие десять лет будут подвержены наибольшим изменениям со стороны технологических факторов, и именно ими будет создаваться львиная доля ценности (а не экономическими приёмами типа наращивания эффективности бизнес-моделей, не социальным инжинирингом типа поведенческой экономики и не политическими мерами вроде антиглобализма), и соотвественно интерпретировать и приоритезировать релевантные макрофакторы – ещё важнее. Ведь так мы не попадём в когнитивную ловушку и не будем в длинном десятилетнем периоде делать центральными в наших сценариях развития внешней среды факторы яркие, но частные (например, санкции или смену покупательских предпочтений).
Знать, что с 30-х многовекторная «новотехнологическая» экспансия закончится, а главным генератором ценности и источником преимущества станет способность компании раньше других выковать внутренне эффективную бизнес-модель – полезно. Но ещё полезнее вспомнить Япа ван Дьяуна с его гипотезой, что на этом этапе кондратьевские волны «беременны» глобальной войной [3] и заранее подумать, какую форму может принять гипотетическая война времён «дополненного человека» и как компания может выступить её антихрупкой участницей и приобрести, вместо того, чтобы потерять.
Можно припомнить, что волна Кондратьева – это панархия [4], и у неё есть медленная и быстрая фазы. Медленная начинается с прикладной науки (Applied Science, AS), формирующей технологическое содержание новой волны (см. иллюстрацию). Наблюдать за ней можно из предыдущего цикла с помощью доказательных методов технологического форсайта (например, библиометрики или патентного поиска) примерно после первого десятилетия – когда экспансия заканчивается, уклад структурируется, начинаются точечные эксперименты с технологиями следующего уклада. Этот скрытый в предшествующей волне «научный» этап развития панархии приводит к технологическому рывку вверх новой волны (T), который затем переходит в экономическую адаптацию бизнес-моделей компаний для извлечения всей ценности из продуктов и сервисов нового уклада (E). На этом медленная фаза роста и эксплуатации заканчивается – на календаре VI волны это должно произойти в конце 2030-х. После этого – только вниз. Стартует быстрая фаза развития панархии – распад и кризис, выхолощенные технологии, корпоративные манипуляции потребителями и обществом в целом (S) – примерно до середины 40-х, затем политические манёвры и катаклизмы, удерживающие систему до прихода новой волны – всё, как сейчас, только с другим содержанием и на другом уровне.
Наконец, можно вглядеться в иллюстрацию и задуматься о драмах каждого из последовательных этапов кондратьевской волны – о конфликте технологий VI волны с бизнес-моделями, социальными нормами и политическими системами V волны (то, что ждёт нас в следующие десять лет), о столкновении бизнес-моделей VI волны с социальными нормами и политическими системами V волны (с примерно 2030 до приблизительно 2038), о войне социальных норм VI волны с политическими системами V волны (шестилетка 2038-2044) и о политических костылях при всемерном исчерпании ресурса в борьбе с системным кризисом (после 2044 и до VII волны). Люди 2050 года, будут, ухмыляясь, наблюдать за тем, как их политики с опозданием в двадцать лет адаптируют государства и международные отношения к технологическим переменам, на пороге которых мы сейчас стоим.
Упражняясь в корпоративном форсайте, поглядывайте на календарь Николая Кондратьева, пользуйтесь фреймворком AS+TESP+E и глубоко переживайте сменяющиеся драмы этапов развития панархии. Ведь, как утверждал Герман Кан, мысленное нахождение в будущем формирует эрзац-опыт, незаменимый для осмысленных действий в условиях неопределённости [7].
[1] https://veraviastrategy.com/lyric-notes-on-strategic-foresight-framework
[2] Grinin, L.E., et al., Forthcoming Kondratieff wave, Cybernetic Revolution, and global ageing, Technol. Forecast. Soc. Change (2016), http://dx.doi.org/10.1016/j.techfore.2016.09.017
[3] Van Duijn, J. (2007), De Groei Voorbij, over de Economische Toekomst Van Nederland na de Booming Nineties, De bezige bij, Amsterdam.
[4] https://veraviastrategy.com/panarchy-in-crisis
[5] “Catch the wave. The long cycles of industrial innovation are becoming shorter”, The Economist, Aug 11th, 2014, https://www.economist.com/special-report/…/11/catch-the-wave
[6] Циклы Кондратьева https://ru.wikipedia.org/wiki/...
[7] https://veraviastrategy.com/ersatz-experience-gained-from-the-future
Скопировать постоянный линк
Этот текст — парафраз базовой статьи Д. Канемана и А. Тверски “Judgment under Uncertainty: Heuristics and Biases” [1] в контексте корпоративного форсайта.
***
Наблюдение автора: общая причина ошибочных оценок и неверных решений в ситуациях неопределенности (в частности, а размышлениях о будущем) — применение интуиции при суждениях. Это утверждают и Канеман с Тверски в своей фундаментальной работе.
Интуитивное мышление прививается людям (и разрабатывается ими самими на основе наблюдений и мышления) в детстве и, скорее всего, не меняется сильно впоследствии. Однако, с математической точки зрения эта интуиция зачастую не верна (пусть и внутренне последовательна), что и приводит к ошибкам. Вероятно, ситуация такова потому, что в повседневной жизни ребёнок не сталкивается с проблемами статистики, а если и сталкивается, вряд ли получает объяснения. В итоге, уже взрослый человек не приучен мыслить статистически в повседневной жизни, замечать собственные и чужие ошибки мышления, выводить из этого какие-то заключения.
Этим объясняется и то, что даже люди изучающие статистику совершают подобные ошибки (в более сложных случаях со множеством переменных и вероятностей), многие из которых являются нарушениями базовых принципов теории вероятности и статистики. Их знания в этих областях, пусть даже и глубокие, получены позже в жизни, и уже не становятся частью интуиции.
Можно предположить, что если бы человек с детства учился статистике (скорее даже статистическому мышлению), не столько “по учебнику”, сколько более естественно и наглядно (как, например, происходит обучение родному языку), его интуиция была бы совершенно отличной от нашей, и описанных ниже ошибок у него не возникало бы.
Таким образом, любое решение задачи, полученное путём применения эвристики, сводящей решение задачи к интуиции, будет обладать погрешностью, обусловленной расхождением интуиции с математикой.
***
(Событие/объект) А с высокой вероятностью происходит из (процесса/класса) B (принадлежит ему), если А качественно похоже на B (А репрезентативно B), и с низкой, если не похоже.
То есть, репрезентативность — это прогноз исхода (события) только на основании соответствия (похожести) этого исхода входным данным.
Примеры: методы, требующие создания выборки из некоторой группы и оценки вероятностей или других значений для всей группы посредством этой выборки (или же подтверждение неких известных для всей группы значений путём нахождения их в выборке).
Описание: Игнорирование базовых (предшествующих) вероятностей результатов и входных данных, так как они (базовые вероятности) не влияют на репрезентативность входных данных результату. Игнорирование ранее собранных данных/данных a priori и их влияния на вероятности событий.
Причина: Все факторы, неочевидные и не влияющие на репрезентативность, скорее всего учтены не будут.
Способы борьбы: Учитывать/находить базовые характеристики (в частности, вероятности) входных данных, которые методы форсайта могут не давать, а также a priori и a posteriori вероятности прогнозируемых результатов (без и с учётом предшествующих вероятностей)
Пример в корпоративном форсайте: Когда результаты одного метода форсайта используются как входные данные для другого метода (holistic foresight process) [2].
Описание: Общие значения для всей популяции (как то: среднее, дисперсия) применяется без изменения и к выборкам любого размера из этой популяции. На самом деле, среднее значение всех событий и вероятность каждого события в выборке (количество событий этого типа по отношению ко всей выборке) тем ближе к соответствующим значениям для всей популяции, чем больше эта выборка. В маленьких выборках разброс между значениями больше (и среднее значение сильно отличается от такового для всей популяции) из-за того, что аномальные показатели (события) не нивелируются в достаточной степени всеми остальными событиями, как это происходит в бóльших выборках. Также, аномальные значения составляют больший процент от всех значений выборки в маленьких выборках.
Причина: То, что аномальные значения нивелируются меньше в меньших выборках забывается/не учитывается, возможно из-за контринтуитивности, или из-за “веры” в правильность и всеобщность некоторых статистических данных (например, от авторитетных источников). Ошибка происходит, когда среднее значение для всей популяции или большей её части изначально известно, то есть, ошибка 1.2 — частный случай ошибки 1.3.
Способы борьбы: Максимально увеличить размер каждой выборки и/или создавать несколько выборок (чем больше, тем лучше), дополнительно анализировать репрезентативность выборок всей (рассматриваемой) популяции, вероятность присутствия аномальных значений.
Пример в корпоративном форсайте: Перевод фактора сценарного планирования из категории “неопределенный” (U) в категорию “определенный (С) или “риск” (R) на основе слишком малого числа наблюдений в прошлом [3].
Описание: Ожидание того, что общая характеристика (например среднее значение, дисперсия) события/процесса такова и для любой его части (то есть, уверенность в том, что каждая часть события так же репрезентативна входных данных, как и всё событие). То есть, вера в “закон малых чисел”. Это искажение — общий случай ошибки 1.2.
Доп. пример: Уверенность в том, что, при подбрасывании монеты, последовательность О-О-О-О-Р-Р менее вероятна чем О-Р-О-Р-О-Р (на самом деле они равновероятны), так как последняя лучше демонстрирует общее распределение орлов и решек (1:1) при бесконечном количестве бросков.
Причина: Контринтуитивность зависимости характеристики выборки от её размера. Возможно, “привязка” к общим для целой группы (популяции) значениям (среднего, вероятностей, дисперсии), если они известны заранее.
Способы борьбы: Те же, что для 1.2, а также — никак не истолковывать/анализировать данные, полученные из малого числа выборок и/или маленьких выборок, или выборок слабо репрезентативных для всей популяции.
Пример в корпоративном форсайте: См. 1.2.
Описание: Прогноз вероятности события, основывающийся на скудных и/или ненадёжных данных, которые при этом “кажутся благоприятными (правдоподобными)” (то есть, данные репрезентативны представлениям о благоприятности/надёжности). Иными словами, игнорирование предсказуемости* оцениваемых событий.
*Предсказуемость (прогнозируемость) — возможность строго (точно) оценить вероятности неких событий основываясь на данных, описывающих (определяющих) эти события. Если данные скудны и/или ненадёжны, прогнозы вероятностей должны быть примерно равными для каждого из событий.
Дополнительные примеры:
1) Прогноз положения преподавателя в будущем на основании качества одного его занятия в настоящем/прошлом. Даже если это занятие не является особенно качественным, невозможно с высокой точностью оценить положение преподавателя (особенно в далёком будущем), однако из-за данной ошибки мышления оценка качества занятия переносится и на оценку успеха учителя.
2) Прогноз успешности компании лишь на основе её позитивного описания, даже если данные конкретно о её прибыли и других объективных характеристиках отсутствуют (малая/нулевая предсказуемость).
Причина: Скудность и ненадёжность данных не всегда очевидна и не влияет на их репрезентативность, следовательно игнорируется (возможно).
Способы борьбы: Не оценивать будущие значения некоего параметра, если данные о его нынешнем и прошлом состоянии скудны и/или ненадёжны (малая предсказуемость параметра). Особенно не оценивать неизвестный (малоизвестный) параметр на общей благовидности/правдоподобности/благоприятности других параметров, с ним напрямую не связанных.
Пример в корпоративном форсайте: Критерий “правдоподобия” (plausibility) при оценке сценариев (возможных будущих) [4].
Описание: Уверенность в прогнозе при (удачном) совпадении предсказанного исхода (результата) и входных данных (удачная репрезентативность). Наблюдается при внутренней согласованности (похожести друг на друга) данных, что на деле лишь снижает точность прогноза — если есть несколько в равной степени “валидных”, но различных (не взаимосвязанных) входных данных, прогноз, на них основанный, будет точнее, чем если валидных данных много, но все они одинаковы/подобны.
Доп. пример: Большая уверенность при прогнозе средней оценки успеваемости студента (за всё обучение) если его табель за первый год состоит только из четвёрок, чем если он состоит из троек и пятёрок (в примерно равной степени). Оба прогноза, на деле, должны быть одинаковыми (4 в среднем) и иметь одинаковую вероятность, но в первом случае “удачным” образом входные данные согласованы и репрезентативны (подобны) предсказанному среднему значению. Пример невалидных данных — шестёрки или больше в табели успеваемости.
Причина: Если входные данные репрезентативны исхода события (например среднее значение многих одинаковых чисел — это же число), уверенность в прогнозе этого события будет выше, чем если бы входные данные сильно разнились между собой и не были напрямую репрезентативную исходу. Иными словами, предпочтение самой непосредственной репрезентативности.
Способы борьбы: При наличии входных данных, взаимосвязанных или нет, оценивать их валидность, а не подобие друг другу, делать прогнозы исходя только из валидных данных.
Пример в корпоративном форсайте: При прогнозировании трендов по методу анализа литературы возможна большая уверенность в прогнозе, если все источники утверждают схожее (и напрямую репрезентативные прогнозу), чем если источники утверждают различное, но не взаимопротиворечивое (т.е. одинаково валидное).
Описание: Случайные отклонения от среднего значения (после которых значения снова возвращаются к среднему), произошедшие вслед за некоторым событием (но не вследствии него!), истолковываются как напрямую зависящие от этого события.
Причина: Попытка обосновать внезапное отклонение от среднего значения при непонимании/незнании принципа регрессии. Также от того, что нет возможности наблюдать за колебаниями среднего значения достаточно долго, чтобы заключить, что это действительно лишь колебания, а не намечающийся тренд.
Способы борьбы: Знать среднее значение наблюдаемой переменной, наблюдать за изменениями её значения достаточно долгое время. Если второе не представляется возможным (и даже если представляется), хотя бы проводить некий опыт, с целью установить, действительно ли существует причинно-следственная связь между действием и кажущимся его результатом, или же нет.
Примеры в корпоративном форсайте:
1) Неучитывание регресса к среднему при анализе, экстраполяции трендов и слабых сигналов.
2) Иллюзорная причинность (истолкование случайного отклонения от среднего в прошлом как результат некоего действия) при:
2a) применении метода Via positiva. Неверная экстраполяция прошлого в будущее (настоящее).
2b) применение принципа Via negativa. Неверная экстраполяция настоящего в будущее («мы выиграем в будущих катастрофах, избегая действовать так-то и так-то», если действительной взаимосвязи действий с последствиями (отклонениями от среднего) нет).
Вероятность событий, которые лучше вспоминаются, кажется большей чем вероятность тех, что вспоминаются хуже. В свою очередь, события/процессы/объекты вспоминаются тем лучше, чем больше группа, к которой они принадлежат, и наоборот (также влияет на запоминаемость “яркость” события, зачастую субъективная).
Примеры: задачи Ферми, Wild cards, прогноз гения, нечёткие когнитивные карты. В общем, любые методы, основанные скорее на воображении и опыте, нежели на данных, а также данные, полученные от участников опросов, гражданских панелей, интервью.
Описание: Размеры классов одинакового размера кажутся разными, если восстанавливаемость классов в памяти не одинакова для них всех. Иначе говоря, прогноз вероятности одного события из нескольких будет тем больше, чем лучше в памяти всплывают случаи подобного события из прошлого (даже если вероятности всех оцениваемых событий в действительности одинаковы).
Причина: Если примеры события (класса) из прошлого хуже вспоминаются, делается ложное заключение о том, что это событие в действительности редко происходило (“чего я не помню, того не было”), следовательно его вероятность мала, и наоборот (“что я хорошо помню, то точно происходило часто”, хотя событие может быть даже однократным, но очень ярким).
Способы борьбы: Не полагаться на память при прогнозировании/оценке, только на данные и строгие методы их анализа/толкования.
Пример в корпоративном форсайте: Дисфункция гиперкреативности в сценарном планировании, по которой неопытные участники форсайта, для которых он является когнитивным вызовом, могут стремиться формулировать идеи, основываясь на их яркости в собственном опыте [5].
Описание: События/тренды, для которых проще найти примеры (доступность контекстов, в которых они проявляются, больше), оцениваются как более вероятные/более большие.
Причина: Можно сказать, что разум по природе своей ленив при решении задач, и будет отдавать предпочтение тем решениям, что проще достигаются (требуют использования меньшей энергии).
Способы борьбы: Использовать компьютер для поиска примеров/контекстов и оценки масштаба событий/трендов (?)
Пример: Если по некоторой теме проще найти патенты и литературу, так как она больше развита/популярна или более доступна, вероятность основать прогнозы на этой теме будет выше, даже если она в действительности не играет такую значимую роль в разворачивающихся трендах, как более узкие и менее доступные темы.
Описание: При оценке масштаба событий/трендов (вероятности), элементы которых в памяти не хранятся, а создаются согласно некоторым правилам, те события/тренды, создавать элементы которых проще, будут оцениваться как более масштабные (вероятные).
Причина: Та же причина, что и 2.2.
Способы борьбы: Использовать компьютер (?)
Пример в корпоративном форсайте: Недоверие к методу грубых вычислений Ферми в ситуациях отсутствия доступной информации иногда приводит к предпочтению вариантов, подкреплённых убедительными для исследователя и легкодоступными “объективными” данными.
Описание: При оценки вероятности (частоты) того, что несколько событий произойдут одновременно (т.е. существует корреляция), события, ассоциация между которыми сильна, будут оценены как часто происходящие одновременно (и наоборот), даже если в действительности корреляции между ними нет или же она отрицательна.
Дополнительный пример: Кажущаяся корреляция между манией преследования и формой глаз на рисунках, нарисованных людьми, страдающими этой манией, из-за ассоциации мании преследования с глазами.
Причина: ???
Способы борьбы: Чисто математически считать случаи, когда несколько признаков с сильной ассоциацией действительно коррелируют (если такие случаи вообще будут), если корреляция между ними фактически отсутствует или негативна. Когда же события могут с некоторой частотой появляться вместе (по случайности), проводить какие-либо опыты для подтверждения или опровержения корреляции (?)
Пример в корпоративном форсайте: При составлении timeline сценариев временнАя взаимосвязь между трендами и событиями может основываться на ассоциативном стереотипе, а не на реальной корреляции.
Результат решения/оценки некоторой задачи на основе данных часто будет зависеть от того, в каком порядке эти данные предоставлены и как сформулирована задача, особенно если время на решение/оценку задачи ограниченно. Иными словами, начальная (отправная) точка влияет на конечную оценку, которая отклоняется к значению этой начальной точки.
Примеры: методы, требующие оценки нескольких вероятностей (или других параметров) для группы событий/классов, при наличии некоторого значения как начальной точки.
Описание: Вероятность конъюнктивных событий переоценивается, вероятность дизъюнктивных событий недооценивается. Проще говоря, вероятность того, что из некоего количества событий (даже с большими вероятностями) все произойдут — переоценивается, а вероятность того, что хотя бы одно не произойдёт — недооценивается.
Причина: Разум “привязывается” к базовым вероятностям того, произойдёт событие или нет (например 90% и 10%), и итоговая оценка и для конъюнкции и дизъюнкции нескольких таких событий делается на основе этих вероятностей (следовательно, больше для конъюнкции, меньше для дизъюнкции), при том что на деле вероятности конъюнкции и дизъюнкции значительно отличаются от базовых (и при большом количестве событий первая вероятность скорее будет меньше второй). Неправильная оценка тем вероятнее, чем больше разных событий с разными вероятностями оцениваются.
Способы борьбы: Считать вероятности на компьютере, если возможно. Помнить, что интуитивная оценка вероятности того, что все события произойдут, будет завышена, а того, что не произойдёт одно или больше — занижена, и поправлять свои оценки соответственно.
Пример в корпоративном форсайте: См. пример из 1.2.
Описание: При оценке размера класса (вероятности события), некое значение (или естественным образом находящееся в разуме, или данное в описании задачи) служит “якорем” (привязкой) для определения нижних и верхних пределов возможного размера класса.
Дополнительный пример: Если попросить испытуемого оценить, с какой вероятностью значение некоей случайной переменной больше или меньше данного ему числа, произойдёт привязка к этому числу, и верхние и нижние пределы вероятностей будут рассчитаны относительно этого числа. Также, испытуемый может привязаться к лучшей оценке (своей или чужой) среднего значение переменной, или же к естественной оценке равной вероятности (50 на 50).
Причина: Возможно, разуму трудно начать решать (непростую) задачу, если нет некоей начальной точки, от которой можно оттолкнуться (опять же, разум облегчает себе работу).
Способы борьбы: Ставить себе и другим одну и ту же задачу многократно, каждый раз с разными формулировками и разными отправными точками. Найти среднее значение всех решений (??) или установить, отчего возникает привязка и попытаться устранить её.
Пример в корпоративном форсайте: См. пример из 1.2.
Анализ литературы — 1.2, 1.5, 2.2
Гражданские панели — 1.2, 1.5, 2.2, со стороны граждан: все/большинство
Деревья решений/Логические диаграммы — 1.1, 1.6, 2.4
Интервью — 1.2, со стороны интервьюирования: все/большинство (особенно 2 и 3)
Конференции/семинары — n/a (Р. Поппер считает эти активности методом форсайта, что сомнительно)
Мозговые штурмы — большинство/все
Морфологический анализ — 3.1 (возможно 2.3)
Научная фантастика — n/a
Непредсказуемое (Wild cards) — все из 2 (возможно 1.4)
Опросы — 1.2, 1.5, 2.2, со стороны опрашиваемых: все/большинство
Прогноз гения — 1.4, все из 2 (возможно 3.1, 3.2)
Ретрополяция — 1.1, 1.4, 1.6, 2.2, 2.3, 2.4, 3.1 (возможно 3.2)
Ролевая игра — большинство (исключая, возможно, 1.2, 1.6)
Семинары по конструированию будущего — 1.4, 2.2, 2.3, 2.4, 3.1 (возможно 3.2)
Симуляции — 1.2, 2.4 (возможно 1.4, 1.5)
Сканирование/Слабые сигналы — 1.2, 1.3, 1.6 (возможно 1.4, 1.5, 3.1)
Сценарии — 1.4, 1.6, 2.2, 2.4, 3.1 (возможно 3.2)
Экспертные панели — 1.2, 1.5, 3.2 (возможно 1.6, 2.2)
Эссе — 1.4, 1.6, 2.2, 2.4, 3.1, 3.2 (возможно 1.5)
SWOT-анализ — 1.4, 2.2, 2.3, 2.4 (возможно 3.1)
Анализ патентов — 1.2, 1.5, 2.2
Бенчмаркинг — 1.1, 1.2, 2.2 (возможно 3.2)
Библиометрика — 1.2, 2.2
Индикаторы/Временные ряды — 1.2, 1.3, 1.5, 1.6 (возможно 3.2)
Моделирование — 1.5 (возможно 1.4)
Экстраполяция трендов/Мегатренды — 1.2, 1.3, 1.6
Анализ перекрестных связей — 1.5, 2.4 (возможно 3.1, 3.2)
Нечеткие когнитивные карты — 1.1, 1.2, 1.3, 1.4, 1.5, 2.3, 2.4, 3.1 (возможно 2.1, 2.2, 3.2)
Анализ стейкхолдеров — 1.2, 1.5, 2.2 (возможно)
Голосование — большинство/все
Дельфи — 1.2, 3.2
Технологические дорожные карты — 1.1, 1.2, 1.3, 1.5, 1.6, 2.4
Критические технологии — 1.6, 2.2
Многокритериальный анализ — 1.1, 1.4, 1.5, 2.2, 2.3, 2.4
Задачи Ферми — 1.1, 1.2, 1.3, все из 2, 3.1, 3.2, частично 1.4 (предсказуемость событий)
Ошибки при составлении и анализе выборок — 1.2, 1.3, 2.2, 3.2
Ошибки при анализе причинно-следственных связей — 1.1, 1.3, 1.6, 2.4
Ошибки при оценке на основании опыта/экспертизы/памяти (без конкретных данных) — все из 2 (возможно 1.3, 1.6)
Ошибки при экстраполяции — 1.2, 1.3, 1.6
Ошибки при оценке вероятностей — 1.1, 1.3, 1.4, 1.5, 2.4, 3.1, 3.2 (частично 1.2, 1.6)
[1] Judgment under Uncertainty: Heuristics and Biases. Amos Tversky and Daniel Kahneman. Science 185 (4157), 1124-1131. 1974. DOI:10.1126/science.185.4157.1124
[2] Durst, Carolin, et al. "A holistic approach to strategic foresight: A foresight support system for the German Federal Armed Forces." Technological Forecasting and Social Change 97 (2015): 91-104.
[3] https://veraviastrategy.com/certainty-risk-uncertainty
[4] https://veraviastrategy.com/plausibility-and-counterintuitivity
[5] https://veraviastrategy.com/too-much-of-creativity
[6] Rafael Popper, (2008),"How are foresight methods selected?", foresight, Vol. 10 Iss 6 pp. 62 – 89. http://dx.doi.org/10.1108/14636680810918586
Скопировать постоянный линк