Del 2 av 3, Thinking Fast and Slow, Daniel Kahneman, 2011
Detta är en bok om hur vi fattar beslut. Det här inlägget handlar om hur svårt det kan vara med siffror och statistik. Siffror borde ju vara neutrala och rationella, inte sant? Kahneman hjälper oss att förstå hur våra hjärnor ibland lurar oss när vi tolkar siffror och hur vi kan försvara oss mot det.
System 1 lägger sig i
Våra hjärnor arbetar alltså på två olika sätt, av pedagogiska skäl kallade System 1 och System 2. (Se föregående inlägg). System 1 är snabbt och intuitivt, System 2 är långsamt och analytiskt.
Men System 1 går inte att stänga av och försöker ständigt fresta oss med enkla svar och genvägar. Och eftersom System 2 är lite bekvämt av sig, så tar det ibland en System 1-idé, piffar upp den med en rationell motivering och presenterar den som en analytisk slutsats. Kahnemans syfte med boken är att hjälpa oss att inte lura oss själva så mycket.
System 1 påverkar oss mer om vi är avslappnade, på bra humör och känner att vi har koll på läget. Vi påverkas mindre om vi rynkar pannan och ser seriösa ut, då har System 2 lättare att komma till tals. Man har kommit på att logiska uppgifter löses bättre om själva texten är svårläst! Ansträngningen i sig gör att System 2 måste vara inkopplat, och då minskar risken för att vi gissar i stället för att tänka.
System 1 gör en story
Det är svårt att läsa statistik, och System 1 gör det ännu svårare för oss. System 1 gillar nämligen att se (eller hitta på!) sammanhang och gör sedan allt för att försvara sin fina story. Exempel:
The Law of Small Numbers (lagen om små antal): Statistik visar att man finner de bästa skolresultaten i riktigt små skolor. Av detta kan man dra slutsatsen att små skolor är bättre, inte sant? Det är lätt att förklara med att eleverna känner sig mer uppmärksammade, att lärarna är mer personligt engagerade, osv, System 1 skapar en bra story i ett nafs. Men om man läser vidare i statistiken så hittar man också de allra sämsta resultaten i små skolor. Den verkliga förklaringen är att extrema värden uppstår i små grupper! Ju mindre grupp, desto längre ifrån medelvärdet kan man hamna. Det känns ju helt fel, eller hur? Förklaringen är ju alldeles för tråkig för att våra System 1 ska acceptera den. Visst måste väl små skolor vara bättre?
Regression To the Mean (regression mot medelvärdet): Hört från en flyginstruktör: ”Om en pilot gör en fantastisk prestation och får beröm för det, så kommer han att slappna av och vara sämre nästa gång han flyger. Om en pilot gör en eländig prestation och får skäll för det, då kommer han att skärpa sig och vara bättre nästa gång. Slutsatsen är att skäll är bättre än beröm.” Nej, faktiskt inte! Slutsatsen är att man sällan upprepar en extrem prestation, bra eller dålig, utan nästa gång blir sannolikt mer normal än den extrema, dvs närmare medelvärdet, helt oavsett feedback. Det här kallas Regression To the Mean och är ett känt fenomen i statistiken, men Kahneman tar upp det som exempel på hur System 1 skapar en story där sambandet förklaras (slappnar av resp. skärper sig). Allt annat i flyginstruktörens berättelse är korrekta observationer, men storyn är falsk och gör så att man drar helt fel slutsats. Storyn kommer ändå att bekräftas varje gång den prövas, så snart tror System 2 på den också. Visst är det intressant? Hur många sådana ”bevis” har vi fabricerat i våra verksamheter?
Base Rate Neglect (prevalensfel): I en serie försök fick deltagarna läsa om Linda, en kvinna som är 31 år, singel, har studerat filosofi, engagerar sig i social rättvisa och är emot kärnkraft. Deltagarna ombads sedan skatta sannolikheten att Linda är yogalärare, förskollärare, etc, utifrån en lista med åtta alternativ. Två av alternativen på listan gav fascinerande utfall: a) Linda är banktjänsteman och b) Linda är en feministisk banktjänsteman. Försöksgrupperna gav feministisk banktjänsteman mycket, mycket högre sannolikhet än banktjänsteman. Det är faktiskt helt ologiskt!
Alla förstår ju att det finns en och annan banktjänsteman som inte är feminist men alla feministiska banktjänstemän är ju banktjänstemän. Alltså är gruppen banktjänstemän större och det MÅSTE vara vanligare, dvs mer sannolikt, att vara banktjänsteman än att vara feministisk banktjänsteman.
När vi bortser från det gör vi oss skyldiga till Base Rate Neglect. Vi struntar i vad som i grunden är vanligast, hoppar över den krångliga frågan om sannolikhet och svarar i stället på frågan ”Vilken bild passar bäst med vår story?”. Förklaringen är förstås påverkan från System 1 – Vi har begränsat mad data men fyller obekymrat ut luckorna med fantasi och förhastade slutsatser. Storyn om Linda blir mer övertygande om hon är feminist och vår intuition kan inte skilja på vad som är övertygande och vad som är sannolikt.
Så vad ska vi göra?
Vi ska hålla System 1 borta från sannolikhetsbedömningar. System 1 räknar inte, det skapar en bra story som gör vissa siffror mer övertygande än andra. Det går inte att få System 1 att sluta skriva historier, men man kan försöka plocka fram alternativa stories, till exempel med en Pre Mortem (se föregående inlägg).
Vi ska komma ihåg The Law of Small Numbers när vi jämför grupper av olika storlek. Till exempel när vi gör kundundersökningar och medarbetarundersökningar så ska vi förvänta oss att de minsta grupperna får de klart bästa och sämsta värdena.
Vi ska komma ihåg Regression To the Mean och inte övertolka den förbättring/försämring som kommer efter en ovanligt dålig/bra prestation. Och inte tro att det är bättre att skälla än att berömma!
Vi ska undvika Base Rate Neglect när vi planerar, till exempel när vi budgeterar tid för ett utvecklingsprojekt. Utgångspunkten för en budget ska vara ”Hur lång tid brukar det ta när andra gör det här?”. När vi vet Base Rate så kan vi korrigera den för att vi är mer begåvade osv, men vi ska börja med att använda den erfarenhet som finns. Misstaget sker när vi bara använder det lilla vi vet om just det här projektet – WYSIATI (se förra inlägget) – och ju mindre vi vet, desto mindre komplicerat verkar det. Ni vet: ”Hur svårt kan det va’?”.
När vi verkligen vill kunna lita på vårt System 2 så ska vi vara systematiska. Processer och checklistor är en tillgång här, i bästa fall.
När vi delar upp en fråga i flera beståndsdelar och bedömer dem var och en för sig, då får System1 svårt att ta över med sina svepande slutsatser.
När vi tar fram flera alternativ, så utmanar vi System 1’s ”enda lösning” och dessutom håller vi System 2 inkopplat, för det är där jämförelser görs (men det ska vara seriösa alternativ, inte den sorten man tar med för att ens eget förslag ska se bättre ut). ”Vad skulle vi göra om den här möjligheten inte fanns?”, typ.
Var beredd på att System 1 kommer att försöka övertyga er om att ta genvägar! Det är System 1’s uppgift att hjälpa er att spara energi genom att använda magkänslan i stället för hjärnan. Att återanvända gamla lösningar och att dra förhastade slutsatser drar nästan ingen energi alls!
Lärdomar
Vi ska inte lita på vår intuition – System 1 – när vi tolkar statistik.
Vi ska genomskåda egna och andras stories – de är inte bevis. Övertygande är inte detsamma som sannolikt.
Vi kan koppla på vår analytiska förmåga – System 2 – genom att vara systematiska och genom att ta fram flera alternativ.
Nästa inlägg handlar om hur vi hanterar vinster, förluster och risk.
Liza Rudolfsson skriver om företagsutveckling nästan varje månad. Nästan.
Köp boken på Adlibris: svenska här, eller engelska här.