当少即是多

人们普遍认为,使用更多数据,更多分析和更复杂的统计方法将导致更好的决策。 但是,事实并非如此。 有时少即是多。

心理研究人员通常在决策中假定三个因素:逻辑,统计和启发式。 许多研究人员将前两者与理性和推理相关联,而最后一个通常与“直觉”(以及错误的决策)相关联。 但是,自1970年代以来,研究启发式方法的研究人员做出了一些引人入胜的发现,使这一观点受到质疑。 但是什么是启发式,为什么重要呢?

根据该问题的专家Gigerenzer&Gaissmaier(2011)的观点,启发式方法是“一种忽略了部分信息的策略,其目的是比更复杂的方法更快,更省钱和/或更准确地做出决策”(p。 454)。 基本上,启发式是“经验法则”或决策过程中使用的非正式策略。

节食者“吃掉彩虹”,或吃各种颜色的食物,都在使用启发式方法。 他们故意忽略信息(食物是什么),目的是使原本棘手的任务(节食)更加容易。 我们一直在使用这种启发式方法。 更重要的是,这些小技巧起作用了

首次测试启发式方法时,研究人员发现,简单的启发式方法比标准的统计方法更准确 。 结果现在被称为“少即是多的影响”。在这一点上,更多的信息,更长的方程式和更密集的数据并不是更好,但是对于做出好的决策来说却更糟。 在许多情况下,您可以使用较少(而不是更多)的信息或分析来做出有效的决定,从而节省时间和精力。 我们应该看几个例子,以更好地理解它是如何工作的。

零售经理:确定活跃客户与非活跃客户

零售商通常需要区分一次性顾客和回头客。 这些零售商中有许多拥有庞大的数据库,其中包含评估客户是一次性客户还是忠实客户所需的所有相关信息。 那么,确定客户是否要返回的最佳方法是什么?

那些统计学上精明的人可能依赖贝叶斯分析,回归分析或Pareto / NBD模型,所有这些工具都需要大量的数学知识。 但是,大多数经理使用中断启发式方法 :如果客户在一定数量的月份内未进行购买,则该客户是不活跃的,如果有,则是活跃的(Wübben&Wangenheim,2008)。 那么,哪种模型更适合预测未来的最佳客户?

研究人员并排比较了先进的统计方法和中断式启发式方法,发现中断式启发式方法的效果相同或更好。 对于服装零售商,中断式启发式正确地将83%的顾客分类,而高级统计方法正确地将75%的顾客分类。 对于航空公司而言,分别为77%和74%。 对于在线CD业务,这两种方法的比率为77%。

关键的区别:高级统计方法比简单得多,直观的启发式方法花费更多的时间,更多的精力,并且更难以解释。 然而,在确定活跃客户还是非活跃客户方面,启发式方法同样准确,甚至更为准确。 让我们看另一个例子。

急诊医师:对患有胸痛的患者使用快速节俭的树木

一种启发式工具称为快速节俭树,或具有多个“层”的简单二进制决策树,通常用于快速决策。 这是两个例子,一个来自医学,另一个来自保释决定(Green&Mehr,1997年; Dhami,2003年,右):

这种简单的启发式方法对某些医院的政策产生了重大影响。 如果有人因严重的胸痛入院,医生需要迅速确定这是否是一个严重的问题。 研究人员研究了密歇根州的一家医院,医生更倾向于谨慎行事,尽管有25%的患者实际上存在以下问题,但他们承认将近90%的患者说他们患有胸痛至重度冠心病(ICU)。 ICU有能力处理。

结果? 重症监护病房人满为患,护理质量下降,费用上升,被误送到重症监护病房的人中感染的风险增加。 研究人员尝试了两种解决方案:一种具有50个概率的高级Logistic回归工具,需要一个袖珍计算器;或者一个快速节俭的树,它忽略了所有概率,并提出了一些简单的“是或否”问题。

正如您可能已经猜到的那样,这棵树更为精确(Green和Mehr,1997年)。 它将更少的患者送至ICU,并将虚假警报率降低了近一半。 最重要的是,这棵树易于记忆,修改和接受,他们不想使用他们并不真正理解的复杂工具。

所以呢?

在时间充裕,需要处理大量数据并且可以进行复杂分析的情况下,高级统计分析效果最佳。 但是,启发式研究表明,有时像上面的示例一样,使用快速的“规则”来指导决策是完全可以接受的。 实际上,有时它甚至比使用解决问题的高级方法更好。 有时候,少即是多。

有关更多信息(和示例),请参见:

Gigerenzer,G。和Gaissmaier,W。(2011)。 启发式决策。 心理学年度评论 ,62,451–482。