Шрифт:
Закладка:
В 2015 году Tesco понесла убытки в размере 9,6 миллиарда долларов, и её акции резко упали. В интервью BBC в это неспокойное время бывший генеральный директор Tesco сэр Терри Лихи описал компанию как не сумевшую сохранить доверие клиентов. «Что [клиентам] действительно было нужно, так это более низкие цены. Им нужен был прайс-лист, которому они могли бы доверять», – сказал он.
Tesco добилась противоположного. В компании настолько хотели доказать достоверность данных, что забыли, зачем изначально собирали информацию – чтобы лучше обслуживать клиентов. Tesco слишком увлеклась погоней за данными, пытаясь манипулировать клиентами, вместо того чтобы обслуживать их.
К счастью для Tesco, новое руководство и новое направление помогли гиганту розничной торговли переориентироваться обратно на покупателей. Данные за 2019 год показали, что удовлетворённость клиентов была самой высокой за последние годы.
Будь то многомиллиардная компания, небольшой бизнес в родном городе или любознательный человек, ищущий ответы, – когда мы не останавливаемся, чтобы подумать о лучшем методе сбора данных, мы очень сильно рискуем.
Мы часто верим, что большее количество информации приводит к лучшим результатам. Это – опасное сочетание наших инстинктов к разнообразию и поиску информации. Но инстинкт сбора информации может завести нас в ловушку, потому что мы запрограммированы внимательно прислушиваться к последним данным – особенно когда эти данные касаются людей.
Информация когда-то была для нас жизненно важной, она помогала распознавать и поддерживать статус в первобытных общинах: кто бродит поблизости? Что они потребляют? Кто их ведёт? Кто владеет ресурсами? Какие ресурсы ценятся другими? И так далее. Сбор подобной информации помогал нам восполнить пропущенные сигналы. Но, когда эти инстинкты включаются в цифровом мире, в котором степень детализации данных постоянно увеличивается – настолько, что мы ежедневно, ежечасно или даже поминутно измеряем свою позицию в наших «племенах», – в этом шуме легко потеряться и упустить из виду общую картину. Чтобы справиться с этим, наш мозг упрощает данные, выбирая фильтр и заставляя нас принять какую-то позицию. Исходя из этого, мы и создаём понятную историю, соответствующую нашим внутренним требованиям.
Плохой анализ данных
Даже если нам каким-то образом удастся собрать значимые данные без предварительной фильтрации их через ту или иную перспективу, мы всё равно можем не найти смысла во всей этой информации. Правильный анализ данных по-прежнему ускользает от нас, потому что у нашего мозга всё ещё не получается не делать поспешных выводов. Среди наших предков те, кто умел быстро оценить ситуацию (например, от светящихся глаз в ночи нужно бежать куда подальше, потому что обычно это опасные хищники), «выигрывали», выживая и наиболее успешно размножаясь.
В интервью газете The Washington Post профессор Пол Смит, специалист по социальной статистике из Университета Саутгемптона, сказал о нашей необходимости рассказывать истории с помощью данных так: «Мы – приматы, эволюционировавшие для того, чтобы собирать фрукты в лесу и, по возможности, размножаться. Так что поспешные выводы – хорошая стратегия, особенно если выбор прост и нет никаких запутанных моментов. Но на уровне основных решений в области социальной политики поспешные выводы вызывают серьёзную озабоченность».
Отчёт Forrester Research за 2018 год прекрасно резюмирует наши катастрофические отношения с данными в условиях неограниченного количества факторов, которые мы можем (и должны!) учитывать, чтобы понять полную картину происходящего. «Мы тонем в данных, но продолжаем жаждать понимания». Возможно, мы запрограммированы на то, чтобы видеть закономерности, но очень немногие из нас по-настоящему понимают статистику. Чем больше данных на нас валится, тем сильнее мы пытаемся разобраться в них – зачастую себе во вред.
Например, люди постоянно путают корреляцию с причиной и следствием. Мы проводим ложные корреляции, чтобы разобраться во влиянии двух переменных друг на друга. Чем более детализированные данные мы используем, тем больше паттернов можем заметить – пусть даже совпадения абсолютно случайны.
Чтобы с юмором отразить это явление, Тайлер Виген, студент Гарвардской школы права, использовал большие общедоступные наборы данных, чтобы продемонстрировать некоторые нелепые случайные совпадения. Кто, например, знал, что количество разводов в штате Мэн коррелирует с потреблением маргарина на душу населения в 99 % случаев? Этого достаточно, чтобы заставить любого состоящего в браке жителя штата задуматься о переходе на сливочное масло!
В другом примере Виген обнаружил 99 %‑ую корреляцию между общим доходом, получаемым залами аркадных автоматов, и количеством докторских степеней по компьютерным наукам, присужденных в Соединённых Штатах. Заманчиво сделать вывод, что аркады влияют на молодых игроков, побуждая их получать высшее образование в связанной области. Но это как раз работа нашего инстинкта поиска информации, который сбивает нас с истинного пути.
Даже самые умные учёные, врачи и исследователи попадают в ловушку ложных корреляций. Вспомните, когда вы в последний раз ходили на осмотр к своему врачу. Вы наверняка слышали о липопротеинах высокой плотности (ЛПВП), или «хорошем холестерине», и липопротеинах низкой плотности (ЛПНП), или «плохом холестерине». Поскольку уровень ЛПВП связан с более низким показателем сердечно-сосудистых заболеваний, кажется логичным, что препараты, повышающие уровень холестерина ЛПВП, приведут к положительным результатам. Однако исследователям из Национального института сердца, лёгких и крови, которые в рамках эксперимента вводили пациентам ниацин для повышения уровня ЛПВП, пришлось прервать эксперимент, поскольку риск сердечных приступов никак не снижался. Оказывается, ЛПВП – это побочный продукт здорового сердца, а не причина его здоровья.
Как раз таких заблуждений все мы должны остерегаться. Без тщательной интерпретации мы легко становимся жертвами ненужных данных, применяя «подтверждённые» решения, которые только усугубляют наше заблуждение. В конце концов, ни одному женатому жителю штата Мэн не нужен рецепт врача на сливочное масло!
Плохое применение данных
Когда дело доходит до применения данных, мы должны контролировать все стадии с самого начала. Потому что если мы не понимаем, с какой целью и каким образом мы собираемся применить собранные данные, то рискуем стать жертвами инстинкта сбора данных, получая дозы дофамина, но не получая ни роста, ни знаний. Как метко заметил Льюис Кэрролл: «Если вы не знаете, куда идёте, какая разница, куда идти?»
Одной из наиболее вопиющих иллюстраций того, что наш инстинкт сбора данных работает не так, как нам надо, стал спор об использовании масок во время пандемии COVID-19. Ковид активировал несколько наших инстинктов сразу: все мы хотели принадлежать к группе, но боялись окружающих. Классический пример плохого сбора данных: одна группа приводила в качестве доказательства источник информации, который подразумевал, что маски – лишняя мера предосторожности. Она игнорировала научные данные, которые говорили, что ношение масок играет важную роль в прекращении распространения вируса. Эта группа иногда даже утверждала, что маски вредны для здоровья, проводя ложные корреляции, не имея надёжных данных о причинно-следственных связях. Тем временем другая группа настаивала на том, что маски нужно носить постоянно, чтобы сгладить кривую заражения.
Вместо того чтобы чётко определить цель сбора и интерпретации данных по поводу ношения масок с самого начала (т. е. обеспечение здоровья для всех), мы позволили нашим инстинктам разогнать нас по двум разным углам
