Desenvolva uma abordagem “probabilística” para gerenciar a incerteza

pen business eyewear research

Nosso novo mundo de sensores, smartphones e dispositivos conectados significa mais dados do que nunca – mas também significa que está ficando mais fácil tomar decisões bem informadas? Muito pelo contrário, de fato. O que é mais importante do que a quantidade de dados que você tem é como eles moldam a maneira como você pensa. Muitas vezes, os líderes sob pressão para parecerem decididos tentam lidar com questões complexas com regras ou analogias simples, usando dados seletivamente para justificar julgamentos inadequados. Mas e se, em vez de tentar estar certo, você pudesse errar menos com o tempo?

Quando confrontados com a incerteza, como os líderes devem reagir? Devem fazer uma grande aposta, proteger sua posição ou apenas esperar para ver? Os investidores e operadores podem ser adeptos do gerenciamento de riscos e eventos imprevistos, mas em outros setores, os líderes podem ser surpreendidos pelo desconhecido. Naturalmente, tendemos a ver as situações de duas maneiras: ou os eventos são certos e, portanto, podem ser gerenciados por planejamento, processos e orçamentos confiáveis; ou são incertos e não podemos gerenciá-los bem de forma alguma. Felizmente, existe outra abordagem.

Considere Thomas Bayes , um estatístico e clérigo inglês, que propôs um teorema em 1763 que mudaria para sempre a maneira como pensamos sobre a tomada de decisões em condições ambíguas. Bayes estava interessado em como nossas crenças sobre o mundo deveriam evoluir à medida que acumulamos evidências novas, mas não comprovadas. Especificamente, ele se perguntou como poderia prever a probabilidade de um evento futuro se apenas soubesse quantas vezes ele havia ocorrido, ou não, no passado. Para responder a isso, ele construiu um experimento mental.

Imagine uma mesa de bilhar. Você coloca uma venda e seu assistente rola aleatoriamente uma bola pela mesa. Eles anotam onde ele pára de rolar. Seu trabalho é descobrir onde está a bola. Tudo o que você realmente pode fazer neste ponto é adivinhar aleatoriamente. Agora imagine que você peça ao seu assistente para soltar mais algumas bolas na mesa e diga se elas param à esquerda ou à direita da primeira bola. Se todas as bolas param para a direita, o que você pode dizer sobre a posição da primeira bola? Se mais bolas forem lançadas, como isso melhora seu conhecimento sobre a posição da primeira bola? Na verdade, lance após lance, você deve ser capaz de reduzir a área em que provavelmente está a primeira bola. Bayes descobriu que mesmo quando se trata de resultados incertos, podemos atualizar nosso conhecimento incorporando novos.

Você pode encontrar evidências do pensamento bayesiano ao longo da história moderna, desde oficiais de artilharia franceses e russos do século XIX ajustando seus canhões para dar conta das incertezas sobre a localização dos inimigos, densidade do ar, direção do vento e muito mais, até Alan Turing decifrando os códigos Enigma alemães durante a Segunda Guerra Mundial. Bayes influenciou até mesmo o design de IA e técnicas de aprendizado de máquina, principalmente com classificadores Bayes ingênuos, que são uma família de algoritmos usados ​​para prever a categoria à qual um objeto de dados pertence. Eles são usados ​​em uma ampla gama de aplicativos de sentimento de mídia social análise para filtragem de spam ou sistemas de recomendação de filmes.

Para os líderes modernos, o pensamento bayesiano também se tornou cada vez mais influente. Por exemplo, na Amazon, um dos 14 princípios de liderança é “Tenha backbone; Discordar e se comprometer ”- o que, conforme explicado por Jeff Bezos – é uma estratégia para encorajar os líderes a não perderem tempo tentando garantir um acordo universal. Melhor se comprometer com uma decisão controversa e, em seguida, coletar dados e ajustar, se necessário. Na X, a fábrica lunar da Alphabet, eles conscientemente celebram os projetos fracassados como um ponto de dados que os ajuda a estreitar o leque de opções e, ao fazer isso, acelerar a inovação. Da mesma forma, no Spotify, eles desenvolveram uma estrutura para explorar a relação entre dados e incerteza que eles chamam de DIBB (Dados, Insights, Crenças e Apostas). Eles o usam para identificar explicitamente as métricas de sucesso para novas ideias e oportunidades e criar uma linguagem comum em torno do julgamento de desempenho.

Os dados podem ser imperfeitos, incompletos ou incertos. Frequentemente, há mais de uma explicação para por que as coisas aconteceram da maneira que aconteceram; e examinando essas explicações alternativas usando probabilidade, você pode obter uma melhor compreensão da causalidade e do que realmente está acontecendo.

No entanto, pensar probabilisticamente leva algum tempo para se acostumar, pois a mente humana é naturalmente determinística. Geralmente acreditamos que algo é verdadeiro ou falso. Ou você gosta de alguém ou não. Raramente há, por exemplo, uma situação em que você possa dizer que há 46% de probabilidade de que alguém seja seu amigo (a menos que você seja um adolescente com muitos amigos). Nosso instinto para o determinismo pode muito bem ter sido uma inovação evolutiva. Para sobreviver, tivemos que fazer julgamentos precipitados sobre o mundo e nossa resposta a ele. Quando um tigre se aproxima de você, não há muito tempo para considerar se ele está se aproximando como amigo ou inimigo.

No entanto, a abordagem determinística que manteve nossos ancestrais vivos enquanto caçavam na savana não o ajudará a tomar boas decisões em ambientes complexos e imprevisíveis quando seus atalhos mentais naturais e heurísticas começarem a falhar. Uma das melhores maneiras de abraçar a incerteza e ser mais probabilístico em sua abordagem é aprender a pensar como um jogador profissional. Veja, por exemplo, Rasmus Ankersen.

Ankersen, um dinamarquês que mora em Londres, veio originalmente ao Reino Unido para procurar uma editora inglesa para seu livro sobre desempenho humano, cuja escrita o levou do Quênia à Coréia em busca de por que grandes atletas, sejam eles corredores ou jogadores de golfe , tendem a vir das mesmas pequenas regiões. Uma das razões pelas quais ele decidiu ficar em Londres foi um encontro casual com um jogador profissional chamado Matthew Benham, que fundou duas empresas de jogos, Matchbook, uma comunidade de intercâmbio de apostas esportivas, e Smartodds, que fornece pesquisa estatística e serviços de modelagem esportiva.

Quando Ankersen e Benham se conheceram, eles começaram a falar sobre como o futebol era um esporte que ainda não tinha sido interrompido por dados e pensamento probabilístico. Benham ficou impressionado o suficiente para convidar Ankersen para ajudar a administrar o Brentford Football Club , que ele adquiriu recentemente. Logo depois, Benham também comprou o FC Midtjylland, clube de futebol da cidade natal de Ankersen.

O insight de Ankersen foi o seguinte: o futebol é um dos esportes mais injustos do mundo . Embora haja um ditado que diz que “a tabela classificativa nunca mente”, na opinião de Ankersen, é exatamente isso que ela faz. Como o futebol é um esporte de baixa pontuação, o resultado de vitória / derrota de um jogo não é uma representação precisa do desempenho real de uma equipe e, portanto, do valor intrínseco de seus jogadores. Do ponto de vista de um jogador profissional, a chave para fazer uma boa aposta é atualizar continuamente sua posição com insights relevantes que impactam a probabilidade de um evento ocorrer. Em vez de tentar estar certo, os jogadores se esforçam para estar menos errados com o tempo.

Benham e Ankersen começaram a usar a aplicação científica da estatística – a técnica “moneyball” pioneira no beisebol – para avaliar o desempenho de um time. Sua principal métrica de desempenho passou a ser “gols esperados” a favor e contra um time, com base na qualidade e quantidade de chances criadas durante uma partida. O objetivo deste exercício era desenvolver uma tabela classificatória alternativa, que pudesse servir como um indicador de resultados mais confiável e uma base melhor para avaliar e adquirir jogadores.

A abordagem de Benham e Ankersen oferece lições para todos os tipos de líderes à medida que buscam incorporar mais dados em suas tomadas de decisão. Um gerente de RH probabilístico, por exemplo, pode examinar os dados sobre de onde vêm os melhores profissionais de uma empresa e como eles atuam ao longo de sua carreira para identificar novas fontes de talentos que podem ter sido esquecidas. Um profissional de vendas probabilístico pode estar ciente de que não basta simplesmente fechar muitos negócios; é fundamental também pensar sobre de onde vêm os leads. Em vez de depender de políticas de crédito inflexíveis, um gerente de risco probabilístico pode começar a olhar mais profundamente em seus dados para ver se há segmentos de baixo risco em sua base de clientes que eles podem ter perdido.

O desenvolvimento de uma mentalidade probabilística permite que você esteja melhor preparado para as incertezas e complexidades da Era Algorítmica. Mesmo quando os eventos são determinados por um conjunto infinitamente complexo de fatores, o pensamento probabilístico pode nos ajudar a identificar os resultados mais prováveis ​​e as melhores decisões a tomar.

Mike Walsh é o autor de O líder do algoritmo: como ser inteligente quando as máquinas são mais inteligentes do que você . Walsh é o CEO da Tomorrow , uma consultoria global em empresas de design para o século 21.

Fonte: Harvard Business Review

Tradução livre ASSISTANTS