Mennesker er ikke computere. Selv når vi interagerer med den mest objektive og kvantificerbare information, kan vores tænkning blive forvrænget af en række kognitive bias. Når disse bias anvendes på dataanalyse, kan de betydeligt forvride resultaterne og føre til fejlagtige konklusioner. For at forstå og imødegå disse udfordringer er det vigtigt først at anerkende de bias, der kan opstå.

1. Bekræftelsesbias Den mest kendte kognitive bias er bekræftelsesbias, hvor en person kun søger eller tolker data på en måde, der bekræfter deres forudindtagede overbevisninger. Dette kan manifestere sig i dataanalyse, hvis en analytiker udelukkende søger efter resultater, der støtter en bestemt hypotese, mens de ignorerer modstridende data.

Eksempel: Hvis en forsker har en teori om, at æbler øger intelligens og kun fokuserer på data, der støtter denne teori, kan han/hun ignorere data, der viser det modsatte eller ingen effekt.

2. Tilgængelighedsbias Dette henviser til vores tendens til at overvurdere betydningen af information, vi let kan huske. Hvis visse data eller resultater er mere fremtrædende eller nylige, kan de vægte uforholdsmæssigt tungt i en analyse.

Eksempel: En virksomhed ser en nylig stigning i salget af et produkt og antager, at dette vil fortsætte på lang sigt, selvom historiske data viser en cyklisk tendens.

3. Overoptimismebias Mennesker har en naturlig tendens til at være overoptimistiske omkring fremtiden eller positive resultater. Dette kan føre til, at analytikere forudser positiv vækst eller fordelagtige resultater uden tilstrækkelige beviser.

Eksempel: En start-up kan overvurdere deres fremtidige vækst baseret på en enkelt positiv kvartalsrapport.

4. Anchoring-bias Ankoring henviser til at basere beslutninger eller skøn på et bestemt referencepunkt, selvom det måske ikke er relevant. I dataanalyse kan dette manifestere sig, hvis en analytiker baserer deres forudsigelser eller fortolkninger på en enkelt datapunkt.

5. False consensus Effect: Dette beskriver tendensen til at overvurdere, hvor meget andre mennesker er enige med dig.

6. Functional Fixedness: Dette er tendensen til kun at se objekter som fungerende på en bestemt måde. For eksempel, hvis du ikke har en hammer, overvejer du måske ikke, at en stor skruenøgle også kan bruges til at slå en søm ind i væggen. Du tænker måske, at du ikke behøver tegnestifter, fordi du ikke har en opslagstavle at fastgøre ting på, men du overvejer ikke deres andre anvendelsesmuligheder. Dette kan også udvides til menneskers funktioner, såsom ikke at indse, at en personlig assistent har evnerne til at indtage en lederrolle.

7. Halo Effect: Dit samlede indtryk af en person påvirker, hvordan du føler og tænker om deres karakter. Dette gælder især for fysisk tiltrækningskraft, som påvirker, hvordan du vurderer deres andre kvaliteter.

8. Misinformation Effect: Dette er tendensen til, at information modtaget efter en begivenhed forstyrrer erindringen om den oprindelige begivenhed. Det er let at få din hukommelse påvirket af, hvad du hører om begivenheden fra andre. Kendskab til denne effekt har ført til en mistillid til vidneudsagn.

9. Optimism bias: Denne bias får dig til at tro, at du er mindre tilbøjelig til at opleve uheld og mere tilbøjelig til at opnå succes end dine jævnaldrende.

10. Selfserving bias: Dette er tendensen til at give eksterne kræfter skylden, når dårlige ting sker, og tage æren, når gode ting sker. For eksempel, når du vinder en pokerhånd, er det på grund af din dygtighed til at læse de andre spillere og kende oddsene, mens når du taber, er det på grund af en dårligt udleveret hånd.

11. Dunning-Kruger-effekten: Dette er, når folk tror, at de er klogere og mere dygtige, end de egentlig er. For eksempel, når de ikke kan genkende deres egen inkompetence.

Opsummering:

  • Ingen er 100% objektive.
  • For at undgå faldgruberne ved kognitiv bias i dataanalyse er det vigtigt for os som analytikere at være opmærksomme på vores egne fordomme og blinde vinkler
  • Vi skal udfordre vores antagelser regelmæssigt.
  • Gennem bevidst refleksion og kritisk tænkning kan vi stræbe efter mere nøjagtige og objektive analyser.

Kilder:

  • Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
  • Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124-1131.
  • Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175-220.
  • Verywellmind.com