Мир несовершенен: стоимость частичного снижения неопределенности
В последнем примере с ожидаемой стоимостью полной информации мы оценили затраты на полное устранение неопределенности, а не ее снижение. Расчет EVPI полезен сам по себе, поскольку, по крайней мере, позволяет узнать потолок стоимости информации, который не должен быть превышен при осуществлении измерений. Однако нередко приходится довольствоваться простым снижением неопределенности, особенно когда речь идет о прогнозе, например, роста продаж в результате проведения рекламных кампаний. В таких случаях полезно знать не только максимальную сумму, которую можно израсходовать в идеальных условиях, но и во что обойдется измерение в реальной жизни (обязательно сопровождаемое реальной погрешностью). Иными словами, нам надо знать ожидаемую стоимость информации, а не ожидаемую стоимость полной информации. Для этого полезно мысленно представить себе, как выглядит график зависимости EVI от объема информации (рис. 7.3).
Рис. 7.3. Кривая ожидаемой стоимости информации
Инверсия измерений
• Стоимость информации о подавляющем большинстве переменных равна нулю, то есть существующий уровень неопределенности для них вполне приемлем и дальнейшие измерения были бы экономически нецелесообразными (рис. 7.4).
• Особенно высока стоимость информации о тех переменных, которые обычно не оцениваются.
• Стоимость информации о переменных, на определение которых обычно тратится больше всего времени и средств, очень невелика или просто равна нулю (то есть крайне маловероятно, чтобы их уточнение влияло на принимаемые решения).
|
|
|
Рис. 7.4. Инверсия измерений
Чему нас учит расчет стоимости информации
• Измерения — процесс итеративный. Самую ценную информацию мы получаем на начальном этапе измерений, поэтому разбейте весь процесс на несколько этапов и подведите итоги каждого из них.
• Стоимость информации имеет значение. Не определив заранее эту стоимость, вы, скорее всего, измерите не то и не так.
Глава 8. Переход от объекта в методу измерения
Разложите объект измерения на составляющие. Многие измерения начинаются с разложения неизвестной величины на составляющие с целью выявления того, что можно наблюдать непосредственно и что легче поддается количественной оценке.
Эффект разложения на составляющие состоит в том, что сам процесс нередко обеспечивает такое значительное снижение неопределенности, что дальнейшие наблюдения становятся ненужными.
Вторичные исследования: предположим, что до вас этот объект уже измеряли. Исследование начинается с вторичных исследований, то есть с анализа результатов, полученных до вас. Все исследователи считают само собой разумеющимся, что проблемой уже кто-то занимался. Анализ имеющейся литературы, похоже, еще не вошел у менеджеров в привычку.
|
|
|
Источники Интернета. Если предмет мне совершенно незнаком, то я начинаю вовсе не с Google, а с онлайновой энциклопедии Wikipedia. Ищите по слова, которые ассоциируются с исследованиями и количественным анализом. Помните, что в Интернете есть не только поисковые машины, но и хранилища специальной информации: сайт Бюро переписи населения США, Министерства торговли, ЦРУ («World Fact Book» — «Всемирная книга фактов ЦРУ» — место, где я всегда нахожу самые разнообразные данные международной статистики). Используйте несколько поисковых машин. Найдя исследования не совсем по своей теме, в которых, тем не менее, упоминается интересующий вас вопрос, обязательно посмотрите библиографию.
НЕКОТОРЫЕ ОСНОВНЫЕ ПРАВИЛА НАБЛЮДЕНИЯ
· Идите по следу, как заправский детектив. Проводите «криминалистический анализ» уже имеющейся у вас информации.
· Используйте непосредственное наблюдение. Начните смотреть, подсчитывать и по возможности делайте выборочные оценки.
· Если до сих пор объект не оставлял после себя следов, «пометьте» его, чтобы следы наконец появились.
|
|
|
· Если выйти на след никак не удается, создайте условия, в которых появится возможность наблюдать за объектом (проведите эксперимент).
Не измеряйте точнее, чем нужно.
КРАТКИЙ ГЛОССАРИЙ ПОГРЕШНОСТИ
· Систематическая ошибка, или систематическое отклонение (смещение) — неотъемлемое свойство процесса измерения давать определенный результат; постоянное отклонение.
· Случайная ошибка — ошибка, непредсказуемая для отдельного наблюдения, непостоянная и не зависящая от известных величин (хотя в своей массе такие ошибки подчиняются законам вероятности).
· Точность — характеристика измерений, дающих низкую систематическую ошибку, то есть таких, когда искомое значение не занижается и не завышается на постоянной основе.
· Достоверность — характеристика измерений, дающих низкую случайную ошибку, то есть таких, которые дают аналогичные результаты, пусть и далекие от истинного значения.
Ошибку, не исключаемую путем усреднения (систематическую ошибку), называют также отклонением, или смещением. Есть три основных типа отклонений, которые можно ожидать при проведении измерений: отклонение ожидания, отклонение выбора, отклонение наблюдателя.
|
|
|
Глава 9. Выборочная реальность: как наблюдение за частью рассказывает нам о целом[2]
Итак, мы установили, что:
• когда исходная неопределенность высока, для ее существенного снижения достаточно изучить несколько объектов из генеральной совокупности;
• калиброванные эксперты сумели снизить неопределенность, отобрав из генеральной совокупности всего один объект, чего не может традиционная параметрическая статистика;
• оценки калиброванных экспертов обоснованны, но осторожны; чтобы снизить неопределенность еще больше, нужно провести дополнительные расчеты.
Как это можно применить в бизнесе исследование статистики серийных номеров танков разведкой англичан? « Серийные номера» (то есть последовательные серии) можно найти в современном мире где угодно. Так, компании бесплатно предоставляют конкурентам информацию о своем объеме производства, просто указывая на товарах серийные номера, которые может увидеть любой покупатель. (Однако чтобы быть случайной, такая выборочная совокупность должна состоять из товаров, купленных в разных магазинах.) Аналогичным образом несколько страниц из выброшенного отчета конкурента или цифр из квитанции могут многое рассказать об остальных страницах отчета или обо всех квитанциях за данный день. Я вовсе не призываю вас копаться в отбросах, но исследование содержимого мусорных контейнеров нередко позволяет решить интересные задачи по измерению.
Корреляционный анализ и регрессионное моделирование.
Глава 10. Кое-что о Байесе
Парадокс предварительного знания:
1. Вся традиционная статистика исходит из того, что наблюдатель ранее не располагал никакой информацией об объекте наблюдения.
2. В реальном мире данное допущение почти никогда не выполняется.
Проблему прежних знаний изучает так называемая байесовская статистика. Автор этого метода — Томас Байес, британский математик и пресвитерианский священник XVIII века. Байесовская статистика занимается вопросом: как мы корректируем свое предварительное знание с учетом новой информации? Байесовский анализ начинается с того, что известно сейчас, и затем рассматривает, как это знание изменится с получением новых сведений. А небайесовская статистика, преподаваемая в большинстве курсов по методам выборочного наблюдения, исходит из следующего: все, что известно о некоей группе объектов, — это выборка, которую вы только что из нее сделали.
Теорема Байеса гласит, что вероятность наступления «события» при условии проведения «наблюдения» равна произведению вероятности наступления события и вероятности проведения наблюдения при условии наступления события, деленному на безусловную вероятность проведения наблюдения (рис. 10.1).
Рис. 10.1. Теорема Байеса
Используйте свой природный байесовский инстинкт:
1) сначала дайте объекту (явлению) свою калиброванную оценку;
2) затем соберите дополнительную информацию (проведите опрос, изучите работы других исследователей и т.д.);
3) далее чисто субъективно скорректируйте свою калиброванную оценку без дополнительных расчетов.
Неоднородный бенчмаркинг и его использование для оценки «ущерба бренду». Люди корректируют свои оценки потому, что, как мы теперь знаем, все они, особенно калиброванные оценщики, являются интуитивными байесианцами. Они склонны довольно рационально обновлять первоначальную информацию, которой обладали, учитывая новые сведения, даже если те носят качественный характер или имеют к оцениваемому объекту отдаленное отношение.
Представление о порядке величин. Неоднородный бенчмаркинг — метод, при котором калиброванным экспертам, оценивающим неизвестную величину, предоставляют в качестве ориентиров другие количественные показатели, даже если связь между ними и кажется отдаленной. Пример: прогнозирование продаж нового продукта на основе информации о сбыте других товаров или аналогичных конкурентных продуктов.
Избегайте «инверсии наблюдения». Многие задают вопрос: «Какой вывод я могу сделать из этого наблюдения?» Но Байес показал нам, что нередко полезнее задать вопрос: «Что я должен наблюдать, если будет соблюдаться условие X?» Ответ на последний вопрос позволяет разобраться с первым.
Дата добавления: 2018-09-20; просмотров: 188; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!