7.5 निर्णय विज्ञान और डेटा-सूचित संस्कृति

अवलोकन और प्रेरणा

निर्णय विज्ञान (डिसीज़न साइंस) डेटा को वास्तविक निर्णयों से जोड़ने की प्रथा है, जो सांख्यिकी, व्यवहार विज्ञान, और निर्णय-क्षमता (जजमेंट) का सहारा लेकर लोगों को अनिश्चितता के तहत अच्छे विकल्प चुनने में मदद करती है। डेटा-सूचित संस्कृति वह संगठनात्मक स्थिति है जिसमें यह डिफ़ॉल्ट रूप से होता है: लोग प्रमाण की ओर देखते हैं, कारण और प्रभाव के बारे में सावधानी से तर्क करते हैं, अनिश्चितता को ईमानदारी से संप्रेषित करते हैं, और जब डेटा उचित ठहराए तो अपनी मान्यताओं को अद्यतन करते हैं। यह अध्याय जानबूझकर डेटा शृंखला का शिखर (कैपस्टोन) है, क्योंकि इससे पहले की सारी रणनीति, इंजीनियरिंग, एनालिटिक्स, और प्रयोग बेकार हैं यदि वे निर्णयों को बेहतर दिशा में नहीं बदलते।

बड़ी टीमों के लिए यही वह जगह है जहाँ डेटा निवेश सबसे अधिक बार विफल होते हैं, पाइपलाइनों में नहीं बल्कि इनसाइट से एक्शन तक के अंतिम पड़ाव (लास्ट माइल) में। एंटरप्राइज़ प्लेटफ़ॉर्म और डैशबोर्ड पर भारी खर्च करते हैं और फिर भी बड़े निर्णय पदानुक्रम, आदत, या सबसे आत्मविश्वासी प्रस्तुतकर्ता के आधार पर लेते हैं। एक आम विफलता का तरीका है डेटा थिएटर: विस्तृत डैशबोर्ड और विश्लेषण जो कठोर दिखने के लिए बनाए जाते हैं जबकि वास्तविक निर्णय पहले ही लिया जा चुका होता है और डेटा को उसे उचित ठहराने के लिए चुन-चुनकर पेश किया जाता है। सरकार में दांव और जाँच-पड़ताल और भी ऊँचे होते हैं। कमज़ोर कारणात्मक दावों से उचित ठहराए गए नीतिगत निर्णय सार्वजनिक धन का दुरुपयोग कर सकते हैं और नागरिकों को नुकसान पहुँचा सकते हैं, और जवाबदेही की माँग प्रमाण के बारे में ईमानदार तर्क को केवल अच्छी प्रथा नहीं बल्कि एक नागरिक दायित्व बना देती है।

यहाँ की कठिन समस्याएँ संज्ञानात्मक और सांस्कृतिक हैं, तकनीकी नहीं। लोग सहसंबंध को कारणता समझ बैठते हैं, कन्फ़ाउंडर (छिपे हुए चर जो कथित कारण और प्रभाव दोनों को संचालित करते हैं) को नज़रअंदाज़ करते हैं, जो पहली संख्या दिखती है उस पर एंकर हो जाते हैं, और पॉइंट एस्टिमेट को निश्चितता मान लेते हैं। और डेटा-ड्रिवेन बनने की होड़ में, संगठन निगरानी की ओर बढ़ सकते हैं: व्यक्तियों को इतनी घुसपैठिया तरीके से मापना कि वे भरोसा नष्ट कर दें और खेल-बाज़ी (गेमिंग) को उकसाएँ। एक सच्ची माप संस्कृति बनाने का अर्थ है तर्क को सही करना, अनिश्चितता को ईमानदारी से संप्रेषित करना, और डेटा को लोगों पर नियंत्रण के औज़ार में बदले बिना सिस्टम और परिणामों को मापना।

प्रमुख सिद्धांत

• डेटा का उद्देश्य बेहतर निर्णय है, रिपोर्टों का उत्पादन नहीं।
• डेटा देखने से पहले तय करें कि आपकी राय क्या बदलेगी।
• सहसंबंध कारणता नहीं है; कार्रवाई करने से पहले कन्फ़ाउंडरों की जाँच करें।
• अनिश्चितता को ईमानदारी से संप्रेषित करें; बिना रेंज वाला पॉइंट एस्टिमेट भ्रामक होता है।
• डेटा-सूचित बनें, डेटा-गुलाम नहीं; निर्णय-क्षमता और संदर्भ अभी भी मायने रखते हैं।
• सीखने और सिस्टम सुधारने के लिए मापें, व्यक्तियों की निगरानी और सज़ा देने के लिए नहीं।
• जब प्रमाण उचित ठहराए तो मान्यताओं को अद्यतन करें; अपनी राय बदलना एक ताकत है।
• मनोवैज्ञानिक सुरक्षा ईमानदार विश्लेषण और असहमति के लिए एक पूर्वशर्त है।

सिफारिशें

डेटा को निर्णयों से जोड़ें और डेटा थिएटर से बचें

शुरू से ही विश्लेषण को एक विशिष्ट निर्णय से जोड़ें: हम जो पाएँगे उसके आधार पर हम अलग तरीके से क्या करेंगे? डेटा एकत्र करने से पहले, निर्णय, विकल्पों, और किस प्रमाण से कौन-सा विकल्प चुना जाएगा, बताएँ, और आदर्श रूप से यह भी कि कौन-सा परिणाम आपकी राय बदल देगा। यह डेटा थिएटर से बचाव करता है, जहाँ विश्लेषण केवल पहले से लिए गए निर्णय को सजाता है। यदि कोई यथार्थवादी निष्कर्ष विकल्प को नहीं बदलेगा, तो विश्लेषण पर खर्च न करें। ईमानदारी से निर्णय-क्षमता का उपयोग करके फ़ैसला लें और ऐसा कहें। इस बात पर ज़ोर दें कि प्रस्तुतियाँ चार्टों के भ्रमण के बजाय निर्णय और सिफारिश के साथ शुरू हों।

कारणता के बारे में सावधानी से तर्क करें

अधिकांश व्यावसायिक और नीतिगत प्रश्न कारणात्मक होते हैं (क्या यह कार्रवाई यह परिणाम उत्पन्न करेगी), लेकिन अधिकांश उपलब्ध डेटा अवलोकनात्मक (ऑब्ज़र्वेशनल) होता है और कन्फ़ाउंडरों से भरा होता है। टीमों को सहसंबंध और कारणता के बीच के अंतर और जाल सिखाएँ: कन्फ़ाउंडिंग वेरिएबल, चयन पक्षपात, रिवर्स कॉज़ेशन, और झूठा सहसंबंध (स्प्यूरियस करिलेशन)। जहाँ संभव हो वहाँ कारणात्मक दावों के लिए रैंडमाइज़्ड प्रयोगों को प्राथमिकता दें। जहाँ प्रयोग संभव नहीं हैं, वहाँ सावधानीपूर्वक कारणात्मक अनुमान तकनीकों का उपयोग करें और “के साथ जुड़ा हुआ” से “का कारण है” की ओर फिसलने के बजाय अपनी धारणाओं को स्पष्ट रूप से बताएँ। किसी एक सहसंबंध पर बनी आकर्षक कहानी के प्रति विशेष रूप से संशयी रहें।

हितधारकों को अनिश्चितता संप्रेषित करें

सटीक पॉइंट एस्टिमेट के रूप में प्रस्तुत संख्याएँ झूठा आत्मविश्वास आमंत्रित करती हैं। रेंज, कॉन्फ़िडेंस या क्रेडिबल इंटरवल, और किसी भी आँकड़े के पीछे की प्रमुख धारणाएँ संप्रेषित करें। सरल भाषा और ईमानदार विज़ुअल (एरर बार, रेंज, सिनैरियो बैंड) का उपयोग करें ताकि निर्णयकर्ता समझ सकें कि क्या ज्ञात है और क्या अज्ञात है। यह अलग करें कि डेटा क्या दिखाता है, आप क्या अनुमान लगाते हैं, और आप क्या मान लेते हैं। आत्मविश्वास को प्रमाण के अनुरूप कैलिब्रेट करें: कमज़ोर डेटा से बना पूर्वानुमान ठीक उसी रूप में प्रस्तुत करें। ईमानदारी से संप्रेषित अनिश्चितता झूठी सटीकता से अधिक भरोसा बनाती है, क्योंकि यह वास्तविकता के संपर्क में आने पर भी टिकी रहती है।

निगरानी के बिना एक माप संस्कृति बनाएं

एक ऐसा वातावरण बनाएँ जहाँ टीमें नियमित रूप से सफलता के मेट्रिक्स परिभाषित करें, परिणामों को मापें, और उनसे सीखें, लेकिन माप का लक्ष्य व्यक्तियों की निगरानी करने के बजाय सिस्टम, प्रक्रियाओं, और परिणामों पर रखें। लोगों की निगरानी और रैंकिंग के लिए उपयोग किए जाने वाले मेट्रिक्स के साथ खेल-बाज़ी (गेमिंग) होती है, वे डर पैदा करते हैं, और उस ईमानदारी को नष्ट कर देते हैं जो अच्छे निर्णयों के लिए ज़रूरी है (यह गतिशीलता गुडहार्ट के नियम में समाहित है: एक मापदंड जो लक्ष्य बन जाता है वह अच्छा मापदंड नहीं रह जाता)। एग्रीगेट, परिणाम-उन्मुख मेट्रिक्स को प्राथमिकता दें। टीमों को अपने स्वयं के मापदंड चुनने में शामिल करें, और लर्निंग मेट्रिक्स को परफ़ॉर्मेंस मूल्यांकन से अलग रखें। मनोवैज्ञानिक सुरक्षा की रक्षा करें ताकि लोग बुरी खबर और असहमति को जल्दी सामने ला सकें।

स्वस्थ डेटा आदतें और साक्षरता को बढ़ावा दें

डेटा साक्षरता को व्यापक रूप से बढ़ाएँ ताकि लोग किसी चार्ट को समालोचनात्मक ढंग से पढ़ सकें, किसी मेट्रिक की परिभाषा पर सवाल उठा सकें, और किसी भ्रामक दावे को पहचान सकें। “हमें यह कैसे पता है?” और “हमारी राय क्या बदलेगी?” पूछने को सामान्य बनाएँ। प्रमाण के आलोक में अपने विचार अद्यतन करने और ऐसे प्रयोग चलाने के लिए लोगों को पुरस्कृत करें जो सूचनाप्रद ढंग से विफल होते हैं। “डेटा हमें नहीं बताता” कहना सुरक्षित बनाएँ, बजाय निश्चितता गढ़ने के। नेता माहौल तय करते हैं: जब वे प्रमाण के आधार पर निर्णय बदलते हैं और अनिश्चितता स्वीकार करते हैं, तो संस्कृति उसी का अनुसरण करती है।

पक्षपात और दुरुपयोग से रक्षा करें

पूर्वानुमेय पक्षपातों पर नज़र रखें: समर्थक डेटा चुनने में कन्फ़र्मेशन बायस, जो गायब है उसे नज़रअंदाज़ करने में सर्वाइवरशिप बायस, किसी शुरुआती संख्या पर एंकरिंग, और पोस्टमॉर्टम में हिंडसाइट बायस। डेविल्स-एडवोकेट समीक्षा, आप क्या पाने की उम्मीद करते हैं इसका पूर्व-पंजीकरण, और महत्वपूर्ण विश्लेषणों पर विविध दृष्टिकोणों को शामिल करें। डेटा नैतिकता (निष्पक्षता, पारदर्शिता, और नुकसान से बचना) को गंभीरता से लें, विशेष रूप से जब निर्णय लोगों की आजीविका, लाभ, या अधिकारों को प्रभावित करते हैं।

ट्रेड-ऑफ़: फ़ायदे और नुकसान

विकल्प	फ़ायदे	नुकसान	सबसे उपयुक्त
डेटा-ड्रिवेन (डेटा तय करता है)	पक्षपात घटाता है, सुसंगत	संदर्भ को नज़रअंदाज़ करता है, गेम किया जा सकता है, भंगुर	अच्छी तरह से समझे गए डोमेन
डेटा-सूचित (डेटा प्लस निर्णय-क्षमता)	प्रमाण और संदर्भ को संतुलित करता है	धीमा, निर्णय-क्षमता आवश्यक	जटिल या नवीन निर्णय
कारणता के लिए प्रयोग	मज़बूत कारणात्मक प्रमाण	महंगा, धीमा, हमेशा संभव नहीं	उच्च-दांव वाले प्रतिवर्तनीय विकल्प
अवलोकनात्मक अनुमान	उपलब्ध डेटा का उपयोग करता है	कन्फ़ाउंडिंग जोखिम, कमज़ोर दावे	जब प्रयोग संभव न हों
परिणाम/सिस्टम मेट्रिक्स	सुधार को गति देता है, कम गेमिंग	कम व्यक्तिगत जवाबदेही	लर्निंग संस्कृतियाँ
व्यक्तिगत निगरानी	बारीक दृश्यता	गेमिंग, डर, क्षीण होता भरोसा	शायद ही कभी उचित

परिभाषित तनाव है कठोरता बनाम गति और व्यवहार्यता। रैंडमाइज़्ड प्रयोग सबसे मज़बूत कारणात्मक प्रमाण देते हैं, लेकिन उनमें समय लगता है और वे अक्सर एक बार के रणनीतिक या नीतिगत विकल्पों के लिए असंभव होते हैं, जहाँ कन्फ़ाउंडरों के बारे में सावधानीपूर्ण निर्णय-क्षमता और स्पष्ट धारणाओं से ही काम चलाना पड़ता है। दूसरा तनाव माप और भरोसे के बीच है: आप व्यक्तियों को जितना बारीकी से मापते हैं, आप उतना ही अधिक देख सकते हैं और आपको उतना ही कम ईमानदार व्यवहार मिलता है। एक परिपक्व संस्कृति डेटा-सूचित निर्णय-क्षमता और परिणाम-उन्मुख, एग्रीगेट माप की ओर झुकती है। यह थोड़ी कम स्पष्ट सटीकता को उन निर्णयों के बदले स्वीकार करती है जो टिके रहते हैं और एक ऐसे कार्यबल के बदले जो सच बोलता है।

अपनी टीम के साथ चर्चा करने के लिए प्रश्न

1. क्या आप डेटा देखने से पहले यह बताते हैं कि आपकी राय क्या बदलेगी, और क्या यह प्रश्न आपके निर्णय दस्तावेज़ों में लिखा जाता है? डेटा थिएटर के खिलाफ़ इस अध्याय का सबसे मज़बूत बचाव यह है कि डेटा एकत्र करने से पहले निर्णय, विकल्पों, और किस प्रमाण से कौन-सा विकल्प चुना जाएगा, और आदर्श रूप से वह परिणाम जो आपका चुनाव पलट देगा, नाम दें। यदि कोई यथार्थवादी निष्कर्ष निर्णय को नहीं बदलेगा, तो ईमानदार कदम विश्लेषण को छोड़ना और खुले तौर पर निर्णय-क्षमता का उपयोग करके फ़ैसला लेना है। एंटरप्राइज़ और एजेंसियों के लिए जहाँ एक अकेला रणनीतिक या नीतिगत विकल्प पूरे एनालिटिक्स प्रोग्राम की लागत से भी अधिक बर्बाद कर सकता है, यह अनुशासन उच्च-प्रभाव वाला है। हाल का कोई निर्णय लाएँ और पूछें कि क्या कोई निष्कर्ष उसे बदल सकता था, या क्या चार्ट केवल पहले से पहुँचे गए निष्कर्ष को सजा रहे थे। यदि “हमारी राय क्या बदलेगी?” आपके निर्णय दस्तावेज़ों में एक मानक प्रश्न नहीं है, तो इसे एक बनाएँ, और इस बात पर ज़ोर दें कि प्रस्तुतियाँ चार्टों के भ्रमण के बजाय सिफारिश के साथ शुरू हों।

2. जब कोई आकर्षक सहसंबंध सामने आता है, तो कार्रवाई करने से पहले आप कन्फ़ाउंडरों की जाँच कैसे करते हैं, और जहाँ प्रयोग संभव हो वहाँ क्या आप उसे प्राथमिकता देते हैं? अध्याय चेतावनी देता है कि अधिकांश व्यावसायिक और नीतिगत प्रश्न कारणात्मक होते हैं जबकि अधिकांश उपलब्ध डेटा अवलोकनात्मक होता है और कन्फ़ाउंडर, चयन पक्षपात, और रिवर्स कॉज़ेशन से भरा होता है। इसके अपने उदाहरण एक जाल को दोहराते हैं: संलग्न (एंगेज्ड) ग्राहक स्वयं किसी फ़ीचर या प्रोग्राम में शामिल होना चुनते हैं, इसलिए कम चर्न या अधिक नौकरी मिलने के साथ कच्चा सहसंबंध एक नियंत्रित तुलना के तहत गायब हो जाता है। उस सहसंबंध पर कार्रवाई करने का अर्थ है एक महंगा, गलत दिशा में गया अभियान या नीति। ऐसा कोई हालिया निर्णय लाएँ जो एक ही सहसंबंध पर टिका था और पूछें कि कौन-सा छिपा हुआ चर दोनों पक्षों को संचालित कर सकता था। जहाँ प्रयोग संभव हो, उसे प्राथमिकता दें; जहाँ न हो, वहाँ सावधानीपूर्ण कारणात्मक-अनुमान विधियों का उपयोग करें और “के साथ जुड़ा हुआ” से “का कारण है” की ओर फिसलने के बजाय अपनी धारणाओं को स्पष्ट रूप से बताएँ।

3. क्या आपके मेट्रिक्स सिस्टम और परिणामों को बेहतर बनाने पर केंद्रित हैं, या व्यक्तियों की निगरानी पर, और क्या आपने लर्निंग मेट्रिक्स को परफ़ॉर्मेंस मूल्यांकन से अलग किया है? अध्याय एक स्पष्ट रेखा खींचता है: लोगों की ओर इंगित माप के साथ खेल-बाज़ी होती है, यह डर पैदा करता है, और उस ईमानदारी को नष्ट कर देता है जो अच्छे निर्णयों के लिए ज़रूरी है, एक ऐसी गतिशीलता जिसकी भविष्यवाणी गुडहार्ट का नियम एक मापदंड के लक्ष्य बनते ही करता है। यह एग्रीगेट, परिणाम-उन्मुख मेट्रिक्स को प्राथमिकता देता है, टीमों को अपने स्वयं के मापदंड चुनने में शामिल करने को, और मनोवैज्ञानिक सुरक्षा की रक्षा करने को ताकि लोग बुरी खबर जल्दी सामने ला सकें। सरकारी और एंटरप्राइज़ परिवेश के लिए, फ़्रंटलाइन स्टाफ़ की निगरानी उस भरोसे को क्षीण करती है जो शुरुआत में ही सटीक डेटा को संभव बनाता है। ठोस प्रश्न लाएँ: आपके कौन से मेट्रिक्स व्यक्तियों को रैंक करने या सज़ा देने के लिए उपयोग किए जा सकते हैं, और क्या दबाव में लोग उन्हें गेम करेंगे? यदि लर्निंग मेट्रिक्स और परफ़ॉर्मेंस मूल्यांकन आपस में उलझे हुए हैं, तो उन्हें अलग करें, ताकि माप बचाव-मुखी व्यवहार के बजाय सुधार को गति दे।

4. जब कोई संख्या किसी निर्णयकर्ता तक पहुँचती है, तो क्या वह अपनी धारणाओं के साथ एक रेंज के रूप में आती है, या एक पॉइंट एस्टिमेट के रूप में जो झूठा आत्मविश्वास आमंत्रित करता है? अध्याय तर्क देता है कि ईमानदारी से संप्रेषित अनिश्चितता झूठी सटीकता से अधिक भरोसा बनाती है, क्योंकि यह वास्तविकता के संपर्क में आने पर भी टिकी रहती है, फिर भी जब कोई नेता एक साफ़-सुथरा उत्तर चाहता है तो एक अकेले आत्मविश्वासी आँकड़े की ओर खिंचाव मज़बूत होता है। एक बड़ी टीम के लिए प्रतिस्पर्धी दबाव वास्तविक है: रेंज और एरर बार उन अधिकारियों को टालमटोल जैसे लग सकते हैं जो निर्णायकता को पुरस्कृत करते हैं, इसलिए एनालिस्ट सुने जाने के लिए चेतावनियों को हटाना सीख जाते हैं। हाल की कोई रिपोर्ट लाएँ और जाँचें कि क्या उसने यह अलग किया कि डेटा क्या दिखाता है, आपने क्या अनुमान लगाया, और आपने क्या मान लिया, और क्या कमज़ोर डेटा पर बना पूर्वानुमान ठीक उसी रूप में लेबल किया गया था। एंटरप्राइज़ और सरकारी परिवेश में, जहाँ कोई आँकड़ा बोर्ड पैक, बजट सबमिशन, या सार्वजनिक गवाही में पहुँच सकता है, निश्चितता के रूप में प्रस्तुत पॉइंट एस्टिमेट एक दायित्व है, इसलिए एक हाउस स्टैंडर्ड पर सहमत हों कि महत्वपूर्ण संख्याएँ एक रेंज, प्रमुख धारणाएँ, और आत्मविश्वास का एक सरल कथन साथ लेकर चलें।

5. क्या यहाँ वास्तव में यह कहना सुरक्षित है कि “डेटा हमें नहीं बताता,” और मेट्रिक कैसे परिभाषित किया गया है इसे चुनौती देने की अनुमति किसे है? अध्याय डेटा साक्षरता और मनोवैज्ञानिक सुरक्षा को पूर्वशर्त मानता है: लोगों को किसी चार्ट को समालोचनात्मक ढंग से पढ़ना, “हमें यह कैसे पता है?” पूछना, और बिना दंड के अनिश्चितता स्वीकार करना चाहिए, वरना संस्कृति डिफ़ॉल्ट रूप से झूठी निश्चितता गढ़ लेती है। एक बड़े संगठन के लिए तनाव यह है कि व्यापक साक्षरता में वास्तविक प्रशिक्षण समय और बजट लगता है, और किसी वरिष्ठ व्यक्ति के पसंदीदा मेट्रिक पर सवाल उठाना करियर के लिए नुकसानदेह महसूस हो सकता है, इसलिए बिना जाँचे गए आँकड़े बिना चुनौती के ऊपर पहुँच जाते हैं। इस बारे में प्रमाण लाएँ कि कमरे में कौन वास्तव में किसी मेट्रिक की परिभाषा और उत्पत्ति की जाँच कर सकता है, और याद करें कि आखिरी बार किसी को अपनी राय अद्यतन करने या किसी सूचनाप्रद विफलता की रिपोर्ट करने के लिए दंडित करने के बजाय कब पुरस्कृत किया गया था। एंटरप्राइज़ और सरकारी निकायों के लिए, जहाँ एक खराब ढंग से परिभाषित मापदंड फंडिंग या सार्वजनिक रिपोर्टिंग को संचालित कर सकता है, स्पष्ट रूप से नाम दें कि किसी मेट्रिक पर सवाल उठाने का अधिकार किसे है और जब वे इसका उपयोग करें तो उनकी रक्षा करें।

6. आप महत्वपूर्ण विश्लेषणों को पूर्वानुमेय पक्षपात से कैसे बचाते हैं, और क्या आप निर्णय के बाद के बजाय उससे पहले असहमति को शामिल करते हैं? अध्याय उन जालों को सूचीबद्ध करता है जो चुपचाप प्रमाण को भ्रष्ट करते हैं: समर्थक डेटा चुनने में कन्फ़र्मेशन बायस, जो गायब है उसे नज़रअंदाज़ करने में सर्वाइवरशिप बायस, किसी शुरुआती संख्या पर एंकरिंग, और पोस्टमॉर्टम में हिंडसाइट बायस। प्रतिस्पर्धी विचार गति है, क्योंकि डेविल्स-एडवोकेट समीक्षा, आप क्या पाने की उम्मीद करते हैं इसका पूर्व-पंजीकरण, और विविध दृष्टिकोण, ये सभी निर्णय को धीमा करते हैं और डेडलाइन दबाव में सबसे पहले कटने वाली चीज़ें हैं। हाल का कोई उच्च-दांव वाला विश्लेषण लाएँ और पूछें कि यदि किसी को विपरीत पक्ष रखने का काम सौंपा गया होता तो क्या सामने आता, और क्या टीम ने परिणाम देखने से पहले अपनी अपेक्षाएँ लिख ली थीं। एंटरप्राइज़ और विशेष रूप से सरकारी संदर्भों में, जहाँ निर्णय लोगों की आजीविका, लाभ, या अधिकारों को प्रभावित करते हैं, डेटा नैतिकता और संरचित असहमति को महत्वपूर्ण विश्लेषणों पर स्थायी आवश्यकताएँ मानें, न कि ऐसे अतिरिक्त काम जिन्हें व्यस्त तिमाही चुपचाप छोड़ सकती है।

सेक्टर लेंस

स्टार्टअप। बिना किसी एनालिस्ट और हर दांव के लिए बस कुछ हफ़्तों के रनवे के साथ, आपका निर्णय विज्ञान एक फंक्शन के बजाय एक आदत है: किसी बड़ी प्रतिबद्धता से पहले पूछें कि कौन-सा परिणाम आपकी राय बदलेगा और क्या कोई सस्ता प्रयोग किसी मीटिंग से तेज़ जवाब दे सकता है। किसी एक चमकीले सहसंबंध पर पूरी तिमाही का दांव लगाने से सख़्ती से बचें, क्योंकि एक छोटी टीम गलत दिशा में गए रोडमैप से उबर नहीं सकती। इसे हल्का रखें, निर्णय दस्तावेज़ में एक लिखी हुई पंक्ति जो उस संकेत का नाम बताए जो आपको रुकने पर मजबूर करेगा, न कि कोई औपचारिक समीक्षा जिसे आप कभी नहीं चलाएँगे।

लघु व्यवसाय। आपके पास संभवतः कोई डेटा विशेषज्ञ नहीं है और आप पहले से उपयोग किए जा रहे टूल के भीतर एनालिटिक्स खरीदते हैं, इसलिए जोखिम यह है कि यह सवाल किए बिना किसी वेंडर डैशबोर्ड पर भरोसा कर लिया जाए कि कोई मेट्रिक कैसे परिभाषित है या उसकी तुलना उचित है या नहीं। अपना दुर्लभ ध्यान टूलिंग के बजाय तर्क पर खर्च करें: उन एक या दो निर्णयों पर सहसंबंध को कारणता से अलग करें जो वास्तव में व्यवसाय को आगे बढ़ाते हैं, और जो नकदी आप वापस नहीं पा सकते उसे प्रतिबद्ध करने से पहले खुद को ईमानदार रेंज बताएँ। जब कोई टूल किसी निर्णय को स्वचालित करने की पेशकश करे, तो जहाँ भी गलत फ़ैसला आपको कोई ग्राहक गँवा सकता है वहाँ किसी व्यक्ति को प्रक्रिया में बनाए रखें।

एंटरप्राइज़। कई टीमों में समस्या स्थिरता और गवर्नेंस की है: एक साझा अपेक्षा कि विश्लेषण पहले से निर्णय और किल क्राइटेरिया का नाम बताएँ, कि कारणात्मक दावे अपनी धारणाओं को बताएँ, और कि महत्वपूर्ण संख्याएँ बोर्ड पैक और ऑडिट में रेंज लेकर पहुँचें। संगठन भर में लर्निंग मेट्रिक्स को परफ़ॉर्मेंस मूल्यांकन से अलग रखें ताकि माप निगरानी और गेमिंग में न बदल जाए। व्यापक डेटा साक्षरता में और डेविल्स एडवोकेसी तथा पूर्व-पंजीकरण जैसी समीक्षा प्रथाओं में निवेश करें, ताकि कोई आत्मविश्वासी प्रस्तुतकर्ता स्केल पर प्रमाण का स्थान न ले सके।

सरकार। खरीद, पारदर्शिता, और सार्वजनिक जवाबदेही हर कारणात्मक दावे पर दांव बढ़ा देते हैं, क्योंकि झूठे सहसंबंध से उचित ठहराई गई कोई नीति सार्वजनिक धन का दुरुपयोग करती है और नागरिकों को नुकसान पहुँचा सकती है। प्रोग्राम मूल्यांकन के लिए कठोर तुलना डिज़ाइन को प्राथमिकता दें, ओवरसाइट निकायों को प्रभावों को बताई गई धारणाओं के साथ रेंज के रूप में संप्रेषित करें, और तर्क का दस्तावेज़ीकरण करें ताकि कोई ऑडिट उसका अनुसरण कर सके। माप का लक्ष्य केसवर्करों की निगरानी करने के बजाय प्रोग्राम के परिणामों पर रखें, और जनता को यह स्पष्ट विवरण दें कि प्रमाण ने निर्णय को कैसे आकार दिया।

उदाहरण

स्टार्टअप। प्री-सीरीज़-A स्टार्टअप ने देखा कि जो उपयोगकर्ता उसके कम्युनिटी फ़ोरम से जुड़े थे उनका चर्न कहीं कम था, और संस्थापक पूरे रोडमैप को फ़ोरम फ़ीचर की ओर मोड़ने के लिए तैयार थे। प्रतिबद्ध होने से पहले, एक व्यक्ति ने पूछा कि उनकी राय क्या बदलेगी, और एक त्वरित जाँच से पता चला कि पहले से ही प्रतिबद्ध ग्राहक बस वही लोग थे जिन्होंने फ़ोरम से जुड़ने की ज़हमत उठाई थी। उन्होंने एक सहसंबंध पर पूरी तिमाही का दांव लगाने के बजाय एक छोटा प्रयोग चलाया, और “हमारी राय क्या बदलेगी?” को अपने निर्णय दस्तावेज़ों में एक मानक प्रश्न बना दिया।

एंटरप्राइज़। एक फाइनेंशियल-सर्विसेज़ फ़र्म ने देखा कि किसी विशेष फ़ीचर का उपयोग करने वाले ग्राहकों का चर्न कहीं कम था और लगभग सभी को इसकी ओर धकेलने के लिए एक महंगा अभियान लॉन्च करने ही वाली थी। एक डिसीज़न-साइंस समीक्षा ने स्पष्ट कन्फ़ाउंडर को चिन्हित किया: पहले से ही संलग्न ग्राहकों ने स्वयं उस फ़ीचर में शामिल होना चुना था। एक नियंत्रित प्रयोग ने फिर दिखाया कि फ़ीचर का स्वयं चर्न पर बहुत कम कारणात्मक प्रभाव था। फ़र्म ने एक बड़े गलत दिशा में गए निवेश से बचाव किया, और नेतृत्व ने बड़े खर्चों से पहले “हमारी राय क्या बदलेगी?” को एक मानक प्रश्न के रूप में अपनाया।

सरकार। एक रोज़गार प्रोग्राम का मूल्यांकन करने वाली एक सार्वजनिक एजेंसी ने इस कच्चे आँकड़े से सफलता का दावा करने से परहेज़ किया कि प्रतिभागियों को उच्च दर पर नौकरियाँ मिलीं, यह पहचानते हुए कि प्रेरित लोग स्वयं ऐसे प्रोग्रामों में शामिल होना चुनते हैं। इसने एक कठोर तुलना डिज़ाइन का उपयोग किया और ओवरसाइट निकायों को अनुमानित प्रभाव को बताई गई धारणाओं के साथ एक रेंज के रूप में संप्रेषित किया। माप का फ़ोकस केसवर्करों की निगरानी करने के बजाय प्रोग्राम के परिणामों पर था, जिसने फ़्रंटलाइन भरोसे को बनाए रखा जबकि फिर भी जवाबदेही और सुधार को गति दी।

व्यवसाय मामला: प्रेरणाएँ, ROI, और TCO

निर्णय विज्ञान का ROI आत्मविश्वासी गलत निर्णयों की टली हुई लागत है और उन निर्णयों की बेहतर गुणवत्ता है जो एक संगठन हज़ारों बार लेता है। झूठे सहसंबंध से उचित ठहराया गया एक अकेला बड़ा रणनीतिक या नीतिगत विकल्प अच्छी निर्णय प्रथाओं को बनाने की पूरी लागत से कहीं अधिक बर्बाद कर सकता है। बेहतर कैलिब्रेशन (यह जानना कि आप क्या जानते हैं और क्या नहीं जानते) आपको दांव का आकार उचित रूप से तय करने और लापरवाह प्रतिबद्धताओं तथा पक्षाघात दोनों से बचने देता है। कुल मिलाकर, एक डेटा-सूचित संस्कृति चक्रवृद्धि रूप से बढ़ती है: हर टीम का थोड़ा बेहतर, बेहतर-तर्कसंगत निर्णय लेना जबरदस्त लाभ है।

अपनाने की लागत अधिकांशतः सांस्कृतिक और शैक्षिक है: डेटा साक्षरता प्रशिक्षण, सावधानीपूर्ण विश्लेषण और समीक्षा के लिए समय, और निर्णय बदलने तथा अनिश्चितता स्वीकार करने की नेतृत्व की इच्छाशक्ति। यह पिछले अध्यायों के प्लेटफ़ॉर्म की तुलना में डॉलर में सस्ता है लेकिन स्थापित करना कठिन है, क्योंकि यह शक्तिशाली लोगों से प्रमाण द्वारा शासित होने की माँग करता है। इसे न अपनाने की लागत के विरुद्ध तौलें: डेटा थिएटर जो विश्लेषणात्मक प्रयास बर्बाद करता है, सबसे आत्मविश्वासी आवाज़ द्वारा संचालित निर्णय, कारणात्मक दावे जो वास्तविकता के संपर्क में आते ही ध्वस्त हो जाते हैं, और, जहाँ निगरानी जड़ जमा लेती है, एक ऐसा कार्यबल जो मेट्रिक्स को गेम करता है और बुरी खबर छिपाता है। नेतृत्व के लिए, मामला सरल है। पहले का सारा डेटा निवेश तभी लाभदायक होता है जब इनसाइट से निर्णय तक का अंतिम पड़ाव सुदृढ़ हो, और निर्णय विज्ञान ही वह अंतिम पड़ाव है।

एंटी-पैटर्न और नुकसान

• डेटा थिएटर: पहले से लिए गए निर्णय को उचित ठहराने के लिए बनाया गया विश्लेषण।
• कन्फ़ाउंडरों की जाँच किए बिना “के साथ सहसंबंधित” से “का कारण है” की ओर फिसलना।
• पॉइंट एस्टिमेट को निश्चितताओं के रूप में प्रस्तुत करना, अनिश्चितता की रेंज को छिपाना।
• कन्फ़र्मेशन बायस: केवल वह डेटा खोजना जो पसंदीदा निष्कर्ष का समर्थन करता है।
• HiPPO निर्णय जहाँ सबसे अधिक वेतन पाने वाले व्यक्ति की राय प्रमाण पर हावी हो जाती है।
• मेट्रिक्स को व्यक्तिगत निगरानी में बदलना, गेमिंग और डर को उकसाना।
• क्रियान्वयन में गुडहार्ट का नियम: एक लक्ष्य मेट्रिक जो महत्वपूर्ण चीज़ को मापना बंद कर देता है।
• सूचनाप्रद विफलताओं के लिए लोगों को दंडित करना, ईमानदारी और प्रयोग को नष्ट करना।

परिपक्वता मॉडल

1. प्रारंभ (Initiate)। निर्णय पदानुक्रम और अंतर्ज्ञान पर चलते हैं, और सबसे ऊँची या सबसे वरिष्ठ आवाज़ जीतती है। सहसंबंध को स्वतंत्र रूप से कारणता माना जाता है, अनिश्चितता को नज़रअंदाज़ किया जाता है, और उपयोग में आने वाले कुछ मेट्रिक्स व्यक्तियों की निगरानी करते हैं और गेम किए जाते हैं।
2. विकास (Develop)। कुछ टीमें डेटा से सलाह लेती हैं और कारणात्मक जालों की जागरूकता दिखाती हैं, लेकिन विश्लेषण अक्सर चयनात्मक होता है, जो पहले से लिए गए निर्णय को उचित ठहराने के लिए बनाया जाता है। अनिश्चितता कम ही संप्रेषित की जाती है, और माप प्रथाएँ टीम-दर-टीम असंगत होती हैं।
3. मानकीकरण (Standardize)। संगठन साझा प्रथा का दस्तावेज़ीकरण करता है और उसे लागू करता है: विश्लेषण पूर्व-निर्धारित मानदंडों के साथ एक नामित निर्णय से जुड़े होते हैं, टीमें सहसंबंध को कारणता से अलग करती हैं और कारणात्मक दावों के लिए प्रयोगों को प्राथमिकता देती हैं, संख्याएँ रेंज और बताई गई धारणाएँ साथ लेकर चलती हैं, और माप का लक्ष्य व्यक्तियों के बजाय परिणामों पर होता है, मनोवैज्ञानिक सुरक्षा की रक्षा करते हुए।
4. प्रबंधन (Manage)। निर्णय की गुणवत्ता को बेसलाइन के विरुद्ध मापा और नियंत्रित किया जाता है। संगठन ट्रैक करता है कि डेटा आने से पहले कितनी बार विश्लेषणों ने किल सिग्नल का नाम दिया, कितने महत्वपूर्ण आँकड़े संप्रेषित रेंज के साथ भेजे गए, कितने कारणात्मक दावे प्रयोगों पर बनाम केवल सहसंबंध पर टिके थे, और क्या निर्णय प्रमाण के आधार पर पलटे। पूर्व-पंजीकरण और डेविल्स-एडवोकेट समीक्षा जैसी पक्षपात-रक्षक प्रथाओं का ऑडिट किया जाता है, और जो मेट्रिक्स गेम होने लगते हैं उन्हें पकड़ा और रिटायर किया जाता है।
5. ऑर्केस्ट्रेशन (Orchestrate)। सुदृढ़ तर्क को संगठन भर में लगातार सुधारा और एकीकृत किया जाता है। किसी भी बड़े निर्णय से पहले “हमारी राय क्या बदलेगी?” नियमित है, कारणात्मक कठोरता और ईमानदार अनिश्चितता सांस्कृतिक मानदंड हैं, और नेता दृश्य रूप से प्रमाण के आधार पर अद्यतन करते हैं और जो अज्ञात है उसे स्वीकार करते हैं। माप निगरानी के बिना सीखने को गति देता है, निर्णय प्रथाएँ संगठन और उसके जोखिमों के बदलने के साथ अनुकूलित होती हैं, और परिणामस्वरूप हर स्तर बेहतर निर्णय लेता है।

चर्चा के लिए विचार

• आपके संगठन में कहाँ डेटा का उपयोग पहले से लिए गए निर्णयों को सजाने के लिए किया जाता है?
• कौन-सा हालिया निर्णय किसी ऐसे सहसंबंध पर टिका था जो कारणात्मक न रहा हो?
• आपकी रिपोर्टें कितनी ईमानदारी से अनिश्चितता संप्रेषित करती हैं, और रेंज का विरोध कौन करता है?
• क्या आपके मेट्रिक्स सिस्टम को बेहतर बनाने पर केंद्रित हैं या व्यक्तियों की निगरानी पर?
• आखिरी बार किसी नेता ने डेटा के कारण दृश्य रूप से कोई निर्णय कब बदला?
• आप माप की खोज को निगरानी में बदलने से कैसे रोकते हैं?

मुख्य निष्कर्ष

• डेटा का मूल उद्देश्य बेहतर निर्णय है; डेटा थिएटर से बचाव करें।
• डेटा देखने से पहले बताएँ कि आपकी राय क्या बदलेगी।
• सहसंबंध को कभी कारणता न समझें; कन्फ़ाउंडरों की जाँच करें और प्रयोगों को प्राथमिकता दें।
• अनिश्चितता को ईमानदारी से संप्रेषित करें; झूठी सटीकता जब विफल होती है तो भरोसा नष्ट कर देती है।
• डेटा-सूचित बनें, डेटा-गुलाम नहीं; निर्णय-क्षमता और संदर्भ अभी भी मायने रखते हैं।
• सीखने के लिए सिस्टम और परिणामों को मापें, निगरानी के लिए व्यक्तियों को नहीं।
• मनोवैज्ञानिक सुरक्षा की रक्षा करें ताकि लोग मान्यताएँ अद्यतन करें और बुरी खबर सामने लाएँ।

संदर्भ और आगे पढ़ने के लिए

• Daniel Kahneman, “Thinking, Fast and Slow.”
• Judea Pearl और Dana Mackenzie, “The Book of Why.”
• Douglas W. Hubbard, “How to Measure Anything.”
• Nate Silver, “The Signal and the Noise.”
• Cathy O’Neil, “Weapons of Math Destruction.”
• Darrell Huff, “How to Lie with Statistics.”
• Philip Tetlock और Dan Gardner, “Superforecasting.”
• Charles Wheelan, “Naked Statistics.”