Текст книги "Стань уверенным. Как обрести здоровую самооценку и изменить жизнь к лучшему"

Поскольку это так важно для принятия правильных решений, каждая организация в той или иной форме занимается прогнозированием. Братья Райт, в свою очередь, попытались предугадать, как каждый планер, который они построили, будет летать. Большинству компаний приходится планировать свою продуктивность для удовлетворения спроса потребителей.

Немецкой многонациональной корпорации BASF часто приходится это делать. Это крупнейший производитель химикатов в мире, с годовой выручкой более $70 млрд. Несколько лет назад BASF обратилась ко мне за помощью в составлении прогнозов. Они признались, что слишком часто спрос на их продукцию отличается от ожидаемого. К тому времени, как они выясняли, в чем дело, у них либо скапливались огромные запасы товаров, либо появлялась масса разочарованных клиентов, которые не могли получить свои заказы.

Тем, как BASF предсказывала продажи продукции, грешило большинство компаний. Они просили менеджера по продукту (он был лучше других знаком с этим продуктом), сделать «лучшую догадку» о том, какие продажи будут в следующем квартале. На основании этих целевых прогнозов, компания и осуществляла свое производство. Как оказалось, существуют по крайней мере три проблемы с прогнозированием при использовании точечного прогноза.

Во-первых, неверное количество. Если вы предположите, что в следующем квартале клиенты купят 100 000 килограммов таблеток ибупрофена, то вряд ли в итоге случится ровно 100 000 заказов. BASF не может предсказать точное количество продаж в следующем квартале так же, как Бюро переписи населения не может точно, вплоть до каждого человека, предсказать количество населения через 10 лет. Глупо делать вид, что вы с уверенностью можете предсказать будущее, когда на самом деле сталкиваетесь с распределением возможных исходов.

Во-вторых, в единичном точечном прогнозе не учитывается весь спектр возможностей. Когда вы сталкиваетесь с распределением вероятности, то опираться только на лучшую догадку – это как усреднить все числа на колесе рулетки и поставить все ваши деньги на 18. Если число 18 располагается в середине, то есть смысл подумать о распределении возможных результатов. Легко увидеть смысл в этом подходе для чисто случайных событий, таких как вращение колеса рулетки или подбрасывание монеты.

Лучший прогноз для подбрасывания монеты – 50 % орел и 50 % решка, а не где-то между ними. Точно так же и с распределением вероятностей в продаже ибупрофена. Существует шанс, что потребность в товаре будет лежать где-то от 90 000 до 110 000 кг, но с той же вероятностью потребность может быть и значительно ниже, скажем, менее 30 000 кг, и значительно выше, например, 170 000 кг.

В-третьих, фокусировка на точечном прогнозе усугубляет чрезмерную точность суждения по тем же причинам, почему фокусирование на одной гипотезе подрывает нашу уверенность в ее точности. Мы зачастую слишком уверены в своих прогнозах. Если попросить людей сосредоточиться на одном лучшем предположении, то это только ухудшит ситуацию.

В своем исследовании я часто прошу людей оценить что-то неопределенное. Например, иногда я показываю добровольцу фотографию человека и прошу оценить, сколько весит этот человек. Если я попрошу их дать оценку из разряда «наилучшее предположение», а затем спрошу, насколько они уверены, что их правильный ответ находится в пределах 10 кг от их лучшего предположения, то они скажут мне, что уверены на 60–70 %. На самом деле, правильны только около 30 % ответов.

Лучшей альтернативой будет расспросить о распределении вероятностей, а не просить назвать конкретную цифру. В случае угадывания веса – это может выглядеть так:

Шкала отклика гистограммы Дон Мур

Вопрос: Какова вероятность, что показатели веса человека попадают в каждый из этих диапазонов?

Просьба заполнить такую гистограмму заставляет людей расширить свое мышление и рассмотреть возможность того, что их лучшее предположение неверно, и уверенность опрашиваемых в ответах падает. Другими словами, когда я прошу их оценить вероятность того, что все ячейки содержат правильный ответ, уверенность падает с 60 до 40 %. Конечно, 40 % все еще выше фактической вероятности правильного ответа в 30 %, но это уже гораздо ближе к хорошей регулировке уверенности и обеспечивает приемлемое распределение, которое может способствовать принятию решений. Например, если бы речь шла о продажах ибупрофена, а не о весе тела, то было бы полезно знать, как распределяются возможные показатели продаж.

Даже в самых базовых моделях прогнозирования и производства предполагается, что спрос потребителей определяется на основе распределения вероятностей. Если у вас есть представление о распределении, то вы можете использовать его для того, чтобы определить относительные издержки перепроизводства в сравнении с недопроизводством, и использовать это для принятия решения о производственных количествах.

Если у ибупрофена большой срок годности и у вас достаточно места на складе, то производство слишком большого количества продукта вряд ли представляет собой проблему. С другой стороны, если ваш продукт не имеет срока годности, как ежедневная газета, то избыточное производство – пустая трата ресурсов. Такого рода расчеты могут помочь таким компаниям, как BASF, использовать распределение вероятностей, чтобы определять оптимальные объемы производства, учитывая неопределенное будущее.

Классическая формулировка этой проблемы называется «задача продавца газет». Представьте продавца газет, который ежедневно должен решать, сколько газет закупить, учитывая неуверенность в спросе клиентов. На следующий день любые непроданные газеты станут бесполезными, ведь новости устареют. Решение этой задачи зависит от того, как выглядит распределение спроса. Равномерное распределение, в котором все количества (в некотором диапазоне) одинаково вероятны, дает результаты, отличные от нормального распределения, с одним пиковым и несколькими крайними резко выделяющимися значениями.

Однако одна из трудностей при создании гистограммы заключается в том, что некоторые люди не привыкли думать о своей неопределенности в этих терминах. Поскольку это им незнакомо, они с трудом заполняют распределение вероятностей. Если вы среди тех, для кого этот подход неизвестен, не отчаивайтесь. У вас еще есть надежда.

Когда мы пытаемся предсказать неопределенное будущее, многие из нас упрощают все детали шкалы вероятностей до трех категорий:

•Ÿ «Это произойдет» – 100 % вероятности;

•Ÿ «Этого не произойдет» – 0 % вероятности;

•Ÿ «Кто знает?» – широкий средний диапазон, шансы 50/50.

Когда молодые люди оценивают риск заражения СПИДом от своих сексуальных партнеров, их ответы показывают это упрощенное восприятие вероятности. В одном исследовании ученые Университета Карнеги-Меллона попросили студентов колледжа оценить вероятность заражения вирусом ВИЧ (вызывающим СПИД) после одного незащищенного сексуального контакта с ВИЧ-инфицированным партнером. Около 15 % участников оценили риск в 50 %. Я был потрясен такими результатами.

Людям необходимо знать об этой вероятности. СПИД обладает потенциалом превратить секс с привлекательным незнакомцем в медленную и мучительную смерть. А большинство людей хоть раз, но рассматривали возможность секса с кем-то без предохранения, т. е. без презерватива. Любой человек, находящийся в подобной ситуации, должен задаться вопросом: (1) «Какова вероятность того, что у моего партнера ВИЧ?» и (2) «Если у моего партнера ВИЧ, то какова вероятность заражения?».

Легко недооценить первую вероятность (1). Большинство людей уверяют себя, что если бы их партнер был с ВИЧ, то он или она сообщили бы об этом. По факту, имеющиеся данные свидетельствуют, что от четверти до половины ВИЧ-инфицированных не информировали своих сексуальных партнеров.

Эпидемиологические данные могут помочь оценить вторую вероятность (2). Но страстный интимный момент – не лучшее время для проведения предварительных исследований. Редкий подросток скажет: «Подожди минутку», – когда кто-то уже расстегивает его/ее штаны. «Если у тебя нет презерватива, то мне нужно быстренько изучить медицинский справочник на предмет заражения ВИЧ».

По данным Центра по контролю и профилактике заболеваний США, фактический риск инфицирования от одного незащищенного полового акта составляет менее 1 на 1000, или 0,1 %. Это довольно далеко от показателя в 50 %.

Тем же людям, кто оценивал риск инфицирования ВИЧ, также задали вопрос о других вероятностях. Одной из них был риск однажды заболеть раком. Фактический риск составляет около 40 %. Однако процент респондентов, оценивших риск в 50 %, был примерно таким же, как и в предыдущем опросе о ВИЧ-инфекции – 16 %. Эти ответы показывают, как шкала вероятности упрощается до категорий «да», «нет» и «возможно».

Эти ответы показывают, что психологический вес, придаваемый возможному исходу, не совпадает с его объективной вероятностью. Связь между этими двумя понятиями наглядно иллюстрируется в этой весовой функции[9]9
  Конструкция, используемая при проведении суммирования, интегрирования или усреднения с целью придания некоторым элементам большего веса в результирующем значении по сравнению с другими элементами. – Прим. пер.


[Закрыть] субъективной вероятности. В этом графике ось Х показывает истинную вероятность, а ось У – весовую функцию субъективной вероятности. Пунктирная линия показывает, как абсолютно рациональный человек будет взвешивать вероятности. Сплошная кривая иллюстрирует психологическую реальность:

Вероятность весовой функции, согласно теории перспективы

Весовая функция субъективной вероятности была впервые опубликована в 1979 году в работе Амоса Тверского и Даниэля Канемана. Она стала одной из наиболее цитируемых и влиятельных статей во всей социальной науке. Приведенная выше диаграмма показывает, что в тех случаях, когда фактическая вероятность находится в широком диапазоне «возможного», даже значительные различия не отмечаются в качестве психологически отличных друг от друга с точки зрения их субъективного взвешивания.

График довольно ровный в середине диапазона, где огромное количество существенных изменений в вероятности создают реакцию безразличия. Но расстояние между пунктирной и диагональной линиями в середине и сплошной прямой больше всего у концов графика. В нижнем сегменте это означает, что малое число вероятностей возрастает. Например, когда люди боятся атаки террористов. В самом верху весьма вероятные события часто игнорируются, если их вероятность составляет менее 100 %.

Например, табачные компании пользовались отсутствием единогласного мнения ученых насчет рисков курения, чтобы избежать регулирования в течение многих лет. Сегодня компании, занимающиеся добычей ископаемого топлива, извлекают максимальную пользу из того, что до сих пор не изучено. По-прежнему ведутся научные споры о воздействии человека на изменения климата. И поэтому сложно изменить налогообложение и регулирование таких компаний.

Кроме всего прочего, теория Тверски и Канемана помогает объяснить популярность таких отраслей, как страхование и игорный бизнес. Сам факт одновременного успеха этих двух отраслей представляет собой своего рода головоломку.

Люди, покупающие страховку, ведут себя не слишком рискованно. При этом они выбирают расширенный пакет, чтобы избежать всевозможных потерь. Когда те же самые люди идут играть в азартные игры, они платят, чтобы сыграть в рискованную игру, в которой за шанс победить готовы заплатить по максимуму. А тот, кто покупает страховку на поездку в Лас-Вегас, рискует или, наоборот, избегает риска?

И покупка страховки, и азартные игры – это ставка с отрицательной ожидаемой ценностью[10]10
  Ожидаемая ценность (или математическое ожидание) – одно из важнейших понятий в теории вероятностей, означающее среднее (взвешенное по вероятностям возможных значений) значение случайной величины. – Прим. пер.


[Закрыть]. То есть можно ожидать, что вы заплатите больше страховых взносов, чем в итоге получите компенсации от страховой компании. Если бы это было не так, то у страховых компаний были бы большие проблемы с бизнесом. Вполне ожидаемо, что за азартные игры вы отдадите денег больше, чем выиграете. Если бы это было не так, то казино и лотереи не смогли бы остаться на плаву. Причина, по которой эти ставки имеют отрицательное математическое ожидание для потребителя, но отлично работают на казино и страховых компаниях, заключается в том, что фактическая вероятность того, что им придется заплатить, невероятно низкая. Люди, независимо от того, стремятся ли они к риску, переоценивают эти маленькие вероятности, и будут более заинтересованы как в покупке страховки, так и в азартных играх, чем следует.

Когда потребители совершают ошибку, смешивая очень низкую вероятность выигрыша в лотерее с широким средним диапазоном неопределенности, они переоценивают свои шансы на выигрыш. Например, когда я попросил выпускников Университета Карнеги-Меллона оценить свои шансы выиграть более $ 10 млн в лотерею, средняя вероятность составила 14 %. Вы можете назвать меня кайфоломом, но это завышенная оценка вероятности победы: шанс выиграть, купив билет лотереи Pennsylvania lottery, на деле ближе к 0,0000008 %.

Корпоративные руководители сталкиваются с бесчисленным количеством важных решений, которые зависят от прогнозов на будущее. Например, решение о продаже компании в решающей степени зависит от того, предлагает ли покупатель больше, чем компания могла бы заработать самостоятельно. Стив Чен, один из соучредителей YouTube, столкнулся с таким решением, когда Google предложил купить его небольшой стартап.

YouTube начал публиковать онлайн-видео в феврале 2005 года. Компания быстро росла. К июлю 2006 года YouTube выкладывал 100 миллионов видео в день. Продолжился бы впечатляющий рост компании в будущем? YouTube зарабатывал около $15 млн в месяц на рекламе, но все еще не был прибыльным. И будет ли когда-нибудь поток рекламных доходов компании достаточным для того, чтобы превысить затраты на выгрузку онлайн-видео, в решающей степени зависит от ее траектории роста. Стив Чен был настроен скептически. «Просто не так много видео мне хотелось бы посмотреть», – проворчал он.

Чен и его партнеры решили продать YouTube компании Google за $1,65 млрд. С тех пор YouTube значительно вырос. К 2019 году на YouTube ежедневно выкладываются миллиарды видео. Мог бы Стив Чен принять лучшее решение, если бы он подумал о перспективах дальнейшего роста YouTube? Возможно.

На мой подход к вероятностному мышлению сильно повлияла моя работа с Филом Тетлоком, Барбарой Меллерс и большой командой сотрудников. Мы скромно назвали ее «Проект Здравого Смысла». ПЗС был частью четырехлетнего турнира по прогнозированию, спонсируемого Агентством передовых исследований в сфере разведки (англ. ARPA – Прим. пер.), который служит исследовательским подразделением Разведывательного сообщества США. ARPA остро осознает проблемы, связанные с прогнозированием геополитических событий, таких как подъем Китая на мировой арене и будущее Европейского союза. Приведет ли напряженность в отношениях между Китаем и Филиппинами в Южно-Китайском море к военному конфликту? Выйдет ли из Европейского союза еще какая-нибудь страна?

Трудно предсказать такие события. Но если бы удалось улучшить этот процесс, то это принесло бы огромную потенциальную пользу Разведывательному сообществу США и способности страны планировать свою внешнюю политику. Таким образом, в попытке сделать более вероятные прогнозы последующих геополитических событий, ARPA спонсировала турнир по прогнозированию. ПЗС была одной из пяти команд, соревновавшихся за создание самых точных прогнозов. Наша команда также была самой «научной» из всех.

Витающие в облаках профессоры не славятся своей способностью управлять крупными проектами. Сначала я был настроен весьма пессимистично по поводу наших шансов против других четырех команд. К тому же именно моя организация была главным разработчиком, а это означало, что остальная команда рассчитывала на то, что все административные вопросы будут на мне. Было проделано огромное количество работы по набору, обучению и мотивации прогнозистов.

Наша команда была полна решимости использовать мудрость толпы. Даже если бы мы могли привлечь к участию лучших ученых китайской и европейской политики, то, основываясь на существующих исследованиях, мы были скептически настроены насчет того, что они предоставят более точные прогнозы, чем хорошо информированные и мотивированные неспециалисты. Одна из больших проблем с экспертами, как отметил Тетлок, заключается в том, что они часто подходят к новым проблемам прогнозирования с заранее сформированными взглядами и идеологической ориентацией. Их сильная философия помогает организовать их мышление и дает им чувство уверенности. К сожалению, к большей точности это не приводит.

Мы знали, что важнее заставить специалистов по прогнозированию мыслить вероятностно, чем привлекать в нашу команду мировых экспертов. Тренировка вероятностей, которую разработала Меллерс, познакомила наших специалистов с основами вероятности и проверила регулировку их субъективных вероятностей. Она научила их распознавать и выверять неопределенности. Как неопределенность, которая возникает по причине их собственной неосведомленности по той или иной теме, так и неустранимую неопределенность в прогнозировании сложных социальных явлений, например, восстаний и военных конфликтов.

И это обучение оказалось успешным, улучшив точность и регулировку вероятностей событий, которые эксперты спрогнозировали по нашей просьбе, а также помогло развеять предубеждения тех, кто прежде скептически относится к использованию вероятностей.

Сталкиваясь с вопросом типа: «Какова вероятность того, что Башар Асад покинет пост президента Сирии в следующем году?», некоторые люди не видят в нем смысла. «Это случится или нет, – возражают они. – Вероятности тут не помогут». В их защиту стоит сказать, что, обращаясь к истории, мы не видим вероятности. Только то, что произошло или не произошло.

С другой стороны, большинство людей готовы рассматривать вероятности, если речь идет о подбрасывании монеты или броске игральных костей. Легко подбрасывать монетку много раз и наблюдать распределение результатов, и вероятности, связанные с различными результатами. Но трудно собрать большую выборку сирийских президентов и измерить скорость, с которой они покидают свои посты во время гражданских войн.

Как бы то ни было, это не означает, что нельзя рассуждать об уникальных исторических событиях в терминах вероятности. Такие же претензии вполне можно выдвинуть и к однократному подбрасыванию монеты. Существует только один реальный исход для подбрасывания данной монеты, тогда зачем путать ясность данного предсказания, добавив к нему вероятность?

В 1825 году французский ученый Пьер-Симон де Лаплас отметил, что, по мере того как мы приобретаем знания, наша неуверенность в отношении окружающего мира уменьшается. Лаплас утверждал, что если бы мы знали достаточно, то смогли бы полностью избавиться от всякой неопределенности. Он представлял себе существо настолько всезнающее, что оно знало местоположение и траекторию движения каждой частицы во вселенной.

Такое существо могло предвидеть даже исход броска монеты, ведь могло бы точно предсказать, как она будет вращаться в воздухе и как в итоге приземлится.

Однако весьма сомнительно, что любой интеллект, естественный или искусственный, мог бы предсказать все в мире с такой точностью. Наша вселенная конечна, и видимо не в состоянии вместить такой колоссальный разум. Даже в небольшом масштабе, субатомные частицы не ведут себя определенным, предсказуемым образом. Получается, лучшее, что мы можем сделать, – это указать соответствующие вероятности. Предсказывая результат подбрасывания монеты, продажи ибупрофена, гражданские войны и полеты самолетов, знать вероятность – это большее, на что мы можем надеяться. Даже если вы всезнающий демон из мысленного эксперимента Лапласа.

Французский азартный игрок Антуан Гомбо в 1654 году вписал свое имя в историю, всего лишь задав хороший вопрос. Этот вопрос породил теорию вероятностей. Гомбо играл в кости и ставил на то, что выкинет пару шестерок на костях хотя бы раз за 24 попытки. Что определяет, выпадут ли шестерки? В 1654 году многие ответили бы на этот вопрос так же, как и на другие вопросы о чем-то неопределенном: «Каким будет урожай? Сколько я проживу? На все воля Божья».

Проиграв деньги, Гомбо не удовлетворился объяснением, что в дело вмешалось божественное провидение и распределило деньги между игроками. Тогда Гомбо попросил своего друга Блеза Паскаля решить эту задачу. Паскаль был одаренным математиком. Размышляя над ответом на вопрос Гомбо, он заложил основу теории вероятностей.

Паскаль подсчитал, что вероятность того, что Гомбо выбросит пару шестерок, составляет всего 49,14 %. Поэтому, когда Гомбо делал ставку на событие, которое происходит менее чем в 50 % случаев, он был обречен на потерю денег в долгосрочной перспективе. Если людям трудно отличить шанс в 0,0000008 % от 14 % выигрыша в лотерею, как мы можем ожидать, что они заметят разницу между ставками с вероятностью 49 % и 51 %? Ответ заключается в том, что мы и не должны. По крайней мере, не должны полагаться на неразвитое интуитивное чувство вероятности.

Однако каждый из нас может развить свои навыки в вероятностном мышлении. Энни Дьюк, профессиональный игрок в покер, говорит, что разница в игре между серьезным игроком и любителем в том, что профессионалы знают разницу между ставкой 60/40 и ставкой 40/60. Профи не рождаются с тонко настроенным чувством вероятности, но они усердно работают, чтобы научиться лучше это понимать. Как они это делают?

Много практикуются, делая четкие прогнозы (в форме ставок в покере), а затем получают быструю, четкую информацию о том, были ли они правы. И хотя игроки в покер, как правило, довольны идеей, что полезно рассчитать вероятности некоторых карт, сданных с колоды, многие же неохотно живут с неопределенностью в других областях. Один такой интересный пример – подбор персонала.

После колледжа я несколько лет проработал в компании промышленного снабжения, где меня удивил способ подбора персонала. Директор любил лично проводить собеседования у новичков. Ходила байка, что на одном из интервью он снял обувь, положил ноги на стол и простонал: «Ты не захочешь здесь работать. Тут так скучно!» Его подход можно назвать «стресс-интервью». Идея заключается в том, что «истинная личность» кандидата проявится в этой стрессовой и неожиданной ситуации. Но в основном это только вводило кандидатов в ступор и давало директору ложное чувство понимания.

Я бросил эту работу и вернулся в аспирантуру, решив изучить «использование и злоупотребление» собеседованием при приеме на работу. Я был уверен, что корпорации могли бы извлечь для себя пользу, если бы лучше понимали, как использовать интервью. Как оказалось, я был прав, но также быстро понял, что это ужасная тема для исследования. Проблема заключается в том, что интервью уже были изучены вдоль и поперек, и решение было известно: для прогнозирования качества будущей работы кандидата формат привычного интервью не годится. Ученые уже давно поняли это. Шокирует то, что это исследование возымело так мало влияния в корпоративном мире. Почему?

Частично ответ заключается в том, что идеального метода отбора не существует. Более совершенные оценочные методы могут немного улучшить корреляцию между оценками интервьюеров и фактическими результатами работы кандидатов. Однако в этом случае корреляция между собеседованиями и последующими результатами работы варьируется от 0,38 до 0,53. Здесь мы видим улучшение, но это далеко не идеал.

На самом деле, ни один метод отбора не может точно предсказать, как будет работать новый сотрудник. Всегда будут как ложные положительные результаты (люди, которых вы нанимаете, оказываются не профессионалами), так и ложные отрицательные (люди, которых вы отвергаете, были бы успешными в работе). Переход от одного несовершенного инструмента к другому вряд ли послужит хорошим решением.

Слишком часто мы стремимся к определенности, когда это невозможно. Мы действуем так, как будто увеличение нашего процента попадания с 38 до 53 не имеет большого значения. Он все еще находится в серой зоне «может быть» и не дает гарантий. Правда заключается в том, что даже такое изменение диапазона может иметь колоссальное значение. В бейсболе одним из показателей результативности игрока является средний уровень достижений. Он измеряет, как часто игрокам удается отбить мяч, в процентах от общего времени с битой в руках.

Осенью 2019 года лучшим игроком лиги стал Тим Андерсон. Его средний результат был 333, что означает, что он успешно отбивал мяч 33,3 % времени. Худший результат в лиге был 207. Разница между этими процентными показателями такая же, как между суперзвездой и неудачником. Анализ показывает, что при прочих равных условиях увеличение среднего уровня достижений с 200 до 300 поможет заработать игроку около $5 млн в год. Небольшие вероятности в середине диапазона могут иметь огромное значение.