向專家請益的問話技術:以相似事件作為基準進行比較,提升資訊的精確性

【為什麼我們要挑選這本書】在職場上,我們常需要估計數字,例如估計銷售額、轉換率、投資報酬率等等。為了得到更精確的數字,我們會詢問資深同事、主管,或是外部專家的意見;然而人類思考會有認知偏誤,我們該如何確定,問到的數字是精確的?

向不容出錯、最會管理風險的 NASA 學決策》作者中村慎吾曾就職於日本的智庫研究單位,之後進入美資的投資銀行,參與企業的財務策略分析、資金籌備、企業的併購(M&A)等工作。後來轉職至美資的經營管理顧問公司,以日本分公司高階主管的身分,負責大型企業的管理顧問事項。將透過下文分享,向專家詢問意見時,可以如何避免專家的認知偏誤。(責任編輯:郭家宏)

為了讓專家提供有益的意見,我們必須思考 意見諮詢方法或提問方式 ,盡可能不發生認知偏誤。此外,讓人知道專家也會出現認知偏誤,也是有效的作法。

強化詢問方式與事前對策,以降低認知偏差

在此舉一個具體的例子。若人們事先知道有錨定效應,在設定信賴區間時,首先會在腦中浮現一個參數的推估值,然後以此為基準,增減該推估值的可能誤差。如此一來,就容易將信賴區間的範圍設訂得太窄,導致「過度自信」。因此,最好分別設定信賴區間的上下限,滿足前述「95% 的確信度」的要件。

除此之外,也可以一開始天馬行空地設定很大的信賴區間範圍,從在區間兩端「幾乎不可能出現的數值」,依序檢討剔除。例如,正計畫蓋新研究大樓的公司,請了專家團隊來估算興建費用。此專家團隊先設定 1 億日圓以上,1 兆日圓以下的假想範圍。接著,假設添購研究所需的新儀器設備為 15 億日圓,那麼下限就要從 1 億日圓提高至 15 億日圓;如果有一棟「國家級核心研究機關」,規模、功能都超過該計畫中的研究大樓,其興建費為 500 億日圓,則上限就可以從 1 兆日圓調降至 500 億日圓。反覆進行此類思考,就可以刪去過低或過高的值,逐漸縮小區間。如此一來,就可能有效降低錨定效應的影響。

集結多位(具體為 3 至 7 人)專家的意見 ,也是有效的方法。不過集合專家團隊的情況下,最後必須用好的方法統合大家的意見。最單純的方法是,把每位專家的意見視為一樣重要,求得平均的意見。 平均整合眾多意見 的方法,可有效降低所有專家意見中潛藏的過度自信之影響。或者,也可以依專業度或信賴度,區分意見的「品質」,排序各個專家意見的重要度。

並且,就像第六章所介紹的,NASA 為了避免認知偏誤等種種可能發生的偏誤問題,建構了 基礎的方法論與分析程序 ,以制定合理的決策。

以相似事件作為基準進行「比較」,提升數字的精確性

一般而言,評估機率非常低的事件非常困難。在評估機率低於 1/100 甚至 1/1000 以下的事件時,如果是很複雜的現象,即便專家也很難做到。對於這樣的情況, 以發生機率相同的現象做為評估基準來想像 ,是一個有效的方法。

例如,某位專家預估 A 事件的發生機率是 10^(-4),B 事件的發生機率是 10^(-6)。我們可以從這裡看出,雖然 A 事件比 B 事件容易發生,但專家認為兩個事件幾乎都不會發生。然而,10^(-4) 和 10^(-6) 這樣的絕對值,到底有什麼意義或具可信度嗎?

讓我們問問這位專家。「您要不要賭賭看 B 事件與撲克牌同花大順,哪一個會出現?」同花大順是黑桃或紅心等花色相同的 10、J、Q、K、A 順子,是撲克牌中的最強牌組。

在此,讓我們來計算第一次拿到的 5 張牌,有多少機率能出現同花大順。首先,從一套 52 張牌的撲克牌中(除了鬼牌之外)選出 5 張牌,5 張牌的花色和點數共有 259 萬 8960 種組合。相較於此,黑桃、紅心、方塊、梅花都各別只有一張 10-J-Q-K-A,因此同花大順只有 4 種組合。因此,出現同花大順的機率是 4/2,598,960 = 1/649,740,意即發 64 萬 9740 次的牌,才會出現一次同花大順。

同花大順出現的機率非常低。但 1/649,740 約為 1.5×10^(-6),機率還是比 B 事件的 10^(-6) 高出 50%。基於此,若剛剛的專家不選同花大順,而選 B 事件的話,則他(她)其實是實質調整(往上修訂)了 B 事件的發生機率。

進行程序「分解」,讓專家易於估算數字

前面討論過 程序分解 的細節,而這個方法也可以運用在請專家預估機率低的狀況。即使專家預估某現象的發生機率為 1/1000,但其實預估的理論基礎是很薄弱的。因此,我們會希望提高預估的可信度。

將現象分解為 3 個程序,請專家評估各程序的發生機率,結果分別為 1/5、 1/8、1/20。相較於全部程序綜合的機率 1/1000,這些機率令人更易於理解、判斷。若把這 3 個程序的機率相乘,可以得到 1/5 × 1/8 ×1/20 = 1/800 的現象發生機率。雖然計算結果不一定接近正確的數值,但一定可以求得更有說服力的機率。

(本文書摘內容出自《向不容出錯、最會管理風險的 NASA 學決策》,由 新樂園 授權轉載,並同意 TechOrange 編寫導讀與修訂標題。首圖來源:Pexels CC Licensed。)

延伸閱讀

「手感」是什麼?NBA 的投籃研究告訴你,那是人類對機率的錯誤認識
IBM AI 神預測員工離職機率:正確率 95%,年省 9 億台幣留才費!
【成交密技】採用「模組化」技術,提高商業開發的成功機率!


我們正在找夥伴!

2019 年我們的團隊正在大舉擴張,需要你的加入跟我們一起找出台灣創新原動力! 我們正在徵 《採訪社群編輯》、《助理編輯》,詳細職缺與應徵辦法 請點我

點關鍵字看更多相關文章: