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