Дональд Сулл - Простые правила

Простые правила задают минимальный уровень порядка, но не ставят жестких рамок, которые являются следствием чрезмерных ограничений. Обеспечиваемая простыми правилами гибкость позволяет лучше приспосабливаться к меняющимся обстоятельствам и пользоваться любыми возможностями. Простые правила часто подсказывают более удачные решения, чем усложненные модели, особенно когда информации и времени недостаточно.

Простые правила позволяют принимать быстрые и правильные решения, и усилий для этого требуется меньше, чем при более изощренных подходах. Когда времени немного, а информации минимум — как, например, при триаже в боевых условиях, — эмпирические правила часто спасают положение. Простые правила срабатывают потому, что фокусируются на ключевых аспектах принимаемого решения и не берут в расчет второстепенные соображения. Они позволяют нам действовать без задержки, избавляя от необходимости обдумывать каждый шаг.

Эмпирические правила часто воспринимаются как второсортное средство, к которому прибегают, когда не хватает времени или информации, чтобы составить более обоснованное суждение. Действительно, сам термин rule of thumb — дословно «правило большого пальца» — указывает на приблизительность этого сугубо практического подхода, который не особенно точен или надежен. Хотя происхождение термина туманно, считается, что он пришел из плотницкого ремесла: у плотников есть привычка приблизительно прикидывать длину с помощью большого пальца, вместо того чтобы вымерять рулеткой. Эмпирические правила повсеместны и вездесущи. Например, гольфисты следуют правилу «Бей по мячу со стороны неприятностей», то есть посылай мяч так, чтобы он не угодил куда не надо (скажем, в ручей) и остался на площадке, с которой выполняется первый удар на лунке. Родители также руководствуются правилами, среди которых есть такое: «Никогда не уступай, если ребенок закатил истерику».

Бывают ситуации, когда простые правила не только помогают человеку легко и быстро сориентироваться, но еще и подсказывают на удивление верные решения. Вопреки здравому смыслу, по точности решений простые правила часто превосходят усложненные и основанные на обширной информации аналитические подходы, даже если у вас достаточно времени и информации для обдумывания действий. В особенности это касается ситуаций, когда причинно-следственные связи не до конца ясны, когда значимые переменные тесно коррелированы, когда все зависит от нескольких факторов и когда знаешь, что делать, но не понимаешь как. Простые правила, конечно, не всегда «переигрывают» сложные модели, но делают это чаще, чем мы думаем.

Герд Гигеренцер, профессор психологии в Институте развития человека Общества Макса Планка, в числе первых уяснил, почему простые правила часто улучшают процесс принятия решений. Гигеренцер — участник и идейный вдохновитель десятков исследований, определявших, какой из подходов к принятию решений дает лучший результат: изощренно сложные алгоритмизированные модели или простые правила (которые Гигеренцер называет эвристикой). Одно из исследований искало ответ на вопрос: как полиции устанавливать место проживания серийных преступников? И простое правило — искать примерно посередине между двумя самыми отдаленными точками, в которых были совершены преступления, — продвинуло полицейских дальше, чем более сложные аналитические методы [69] Snook Brent, Taylor Paul J., Bennell Craig. Geographic Profiling: The Fast, Frugal, and Accurate Way // Applied Cognitive Psychology. 2004. Vol. 18, no. 1. P. 105–121. . Другое исследование сравнивало изощренную статистическую модель и простое правило по точности прогноза: станут ли бывшие клиенты совершать новые покупки? [70] Wuebben Markus, von Wangenheim Florian. Instant Customer Base Analysis: Managerial Heuristics Often Get It Right // Journal of Marketing. 2008. Vol. 72, no. 3. P. 82–93. Согласно простому правилу, клиента относят к неактивным, если он не совершал покупок в течение x месяцев (число месяцев варьируется в зависимости от отрасли). Простое правило ни в чем не уступило статистической модели в прогнозировании повторных покупок онлайн-музыки и одержало победу в части покупок одежды и авиабилетов. Еще одно исследование установило, что простые правила не хуже сложных моделей помогают оценить вероятность того, что в дом вломятся грабители, или определить, у кого из пациентов, жалующихся на боли в груди, сердечный приступ, а у кого боли вызваны другими причинами [71] Green L., Mehr D. R. What Alters Physicians’ Decisions to Admit to the Coronary Care Unit? // Journal of Family Practice. 1997. Vol. 45, no. 3. P. 219–226; Garcia-Retamero Rocio, Dhami Mandeep K. Take-the-Best in Expert-Novice Decision Strategies for Residential Burglary // Psychonomic Bulletin & Review. 2009. Vol. 16, no. 1. P. 163–169. .

Почему простые модели могут переигрывать модели большей сложности? Когда причинно-следственные связи не совсем понятны, люди часто пытаются отыскать какие-нибудь стереотипы в исторических данных, полагая, что прошлые события способны предсказать будущие. В таком подходе просматривается очевидный изъян: иногда будущее принципиально отличается от прошлого. Но есть еще одна проблема, более тонкого свойства. Накопленные статистические данные содержат не только полезные «сигналы», но и «шум» — случайные корреляции переменных, за которыми нет никаких устойчивых причинно-следственных связей. Выстраивая модель, слишком приближенную к данным за прошлые периоды, мы тем самым «зашиваем» в нее ошибку, ее называют чрезмерной аппроксимацией [72] Чрезмерная аппроксимация — краткое название модели с высокой дисперсией, где белый (случайный) шум ошибочно трактуется как значимый сигнал. Высокая дисперсия создает риск, когда прогноз, полученный на основе малочисленной выборки, обобщают и распространяют на всю совокупность (например, когда пытаются предугадать итоги выборов по данным экзитполов), когда причинно-следственные связи между переменными малопонятны или когда характер взаимосвязей между причинами и следствиями с течением времени неожиданным образом меняется. Последнее часто наблюдается в сложных социальных системах. См.: Geman Stuart, Bienenstock Elie, Doursat Rene. Neural Networks and the Bias/Variance Dilemma // Neural Computation. 1992. Vol. 4, no. 1. P. 1–58. . В результате модель точно предскажет прошлое, но не откроет ничего существенного о будущем.

И даже если впихнуть в модель еще больше информации и задействовать огромные вычислительные мощности, это вряд ли решит проблему. Напротив, большие данные на слабой теоретической подкладке — это и есть рецепт чрезмерной аппроксимации. Так, IBM недавно обнародовала исследование, которое, опираясь на анализ данных за сто лет, показало, что главный индикатор экономических спадов — это высота женских каблуков [73] IBM Social Media Analysis Points to Lower Heels, Bucking Economic Trend: press release. November 17, 2011. URL: http://www-03.ibm.com/press/us/en/pressrelease/35985.wss . . Туфли на плоской подошве, в которых щеголяли юные эмансипе 1920-х годов, во времена Великой депрессии уступили место высоким каблукам; мода 1960-х годов на удобные сандалии в 1970-е годы, когда разразился нефтяной кризис, сменилась модой на высокую платформу; а низкие уродливые каблуки в стиле гранж были вытеснены высоченными тонкими каблуками-стилетами как раз тогда, когда лопнул пузырь доткомов. Корреляция работала-работала, а потом перестала. Как только грянул финансовый кризис 2008 года, женские каблуки взяли курс на снижение. Если производить вычисления среди множества числовых показателей, не имея добротной теории, корреляции обязательно сыщутся, — беда в том, что они могут быть ложными.