Vil din kunde klage over din service? Leverer din håndværker til tiden (og prisen)? Vil du blive glad for dit nye arbejde? Hvor mange penge tjener din virksomhed næste år? Får du en forfremmelse? Hvor længe tager det at skifte it-system? Bliver du skilt i løbet af de næste 5 år? Hvor glad vil du blive for at få malet facaden på dit hus?

Der findes en konkret metode til at besvare denne type spørgsmål og dermed blive bedre til at se ind i fremtiden. Og sandsynligvis bruger du den ikke.

Men det bør du gøre. For en god evne til at forudsige begivenhedernes gang gør dine beslutninger i nuet bedre.

Evnen til at kunne træffe gode beslutninger i en tiltagende kompliceret verden er en superpower, når du arbejder med strategier, processer og mennesker. Og det gør du jo.

Heldigvis tager det dig imidlertid kun 14-15 minutter at forstå metoden. Og når du har fanget den, vil du kunne:

Du vil kort fortalt blive en ekspert til at forudsige fremtiden i alle henseender. Men paradoksalt nok starter vi med at konkludere, at de såkaldte eksperter faktisk ofte er de værste til at forudsige fremtiden.

Eksperter er elendige til at forudsige fremtiden

Inden vi kommer til formlen for bedre forudsigelser, så lad os starte med lidt fakta: Meget få mennesker er gode til at forudsige fremtiden. ’Eksperterne’, du læser om i avisen og ser i fjernsynet, er faktisk de dårligste.

Indsigten kommer fra den berømte forsker Philip Tetlock, der står bag verdenshistoriens mest ambitiøse studie af menneskers evne til at forudsige verdens gang. I studiet, der løb over 20 år, rekrutterede han 284 eksperter, der alle levede af at forudsige fremtiden. Økonomer, aktiespekulanter, politiske eksperter og kommentatorer.

Eksperterne blev bedt om at forudsige fremtiden inden for deres fagområder. Hvis man var økonom, blev man fx bedt om at forudsige, om BNP ville stige, falde eller forblive det samme over de næste to år.

I 2003 havde Tetlock samlet bemærkelsesværdige 82.361 forudsigelser fra eksperterne, og to år senere publicerede han sit skelsættende studie i bogen: Expert Political Judgment: How Good Is It?

Og hvor gode var eksperterne så? De var dårlige. Rigtig dårlige. Selv de dygtigste eksperter var ikke bedre end det, Tetlock kalder for en ’dum algoritme’.

En dum algoritme er et program, der tager gennemsnittet af de seneste par år og forudsiger, at næste år bliver det samme. Så hvis BNP er vokset med i gennemsnit 2,2 procent over de seneste par år, så siger algoritmen, at BNP vil vokse med 2,2 procent næste år. Den dumme algoritme er ikke bedre end eksperterne, fordi den er god. Den er bedre, fordi eksperterne er virkelig ringe.

Tetlocks studie viste også noget andet interessant. Blandt de såkaldte eksperter havde over 60 procent optrådt i medierne som eksperter. Tetlocks data viste, at jo mere berømt, medie-eksperten var, jo dårligere var hans forudsigelser.

Det vil altså sige, at jo oftere en politisk ekspert bliver brugt i medierne, desto større er risikoen for, at de er dårligere til at forudsige fremtiden end en 12-årig med en lommeregner.

Vores første læring er altså: De færreste kan forudsige fremtiden præcist. Eksperterne i fjernsynet er de værste. Hvorfor har jeg så skrevet indlægget? Fordi det viser sig, at det ikke er hele sandheden. Den får du her, og vores væsentligste kilde til succes er en engelsk præst fra 1700-tallet.

De 3 ingredienser i en god forudsigelse

Den engelske præst hed Thomas Bayes og var matematiker med speciale i statistik. Bayes er den teoretiker, der har præsenteret det mest håndgribelige redskab til at lave gode forudsigelser i en fragmenteret og kompleks verden.

Redskabet hedder ’Bayes’ theorem’ og er en verdenskendt matematisk formel, der har vist sig praktisk anvendelig i en utrolig mængde komplicerede sager.

Formlen blev fx brugt af Alan Turing til at bryde nazi-tyskernes Enigma-kode under 2. verdenskrig. Den bliver brugt af forsikringsselskaber til at beregne sandsynligheden for katastrofer. Den bliver brugt af Google til at forbedre de beslutninger, som deres førerløse biler træffer. Og den bliver brugt af efterretningstjenester til at vurdere risiko for terrorangreb. Epidemiologer bruger den til at vurdere forskellige smittescenarier af corona, og den ligger i den software, som sælgere bruger til at vurdere kvaliteten af deres pipeline.

Pointen er, at du også kan lære at bruge den. Undskyld, jeg mener, du skal lære den. Bør lære den. Alle, der arbejder med strategi, processer og mennesker bør kende og anvende Bayes’ formel.

Kort sagt er Bayes’ formel en måde at finde frem til en sandsynlighed for, at noget sker, når du ikke kan være HELT sikker.

Men det smukke ved Bayes’ formel er slet ikke matematikken. Så den bruger vi faktisk ikke tid på i dette indlæg.

Det smukke ved formlen er de præmisser, den bygger på. Når man bruger dem, så laver man det, der kaldes ’Bayesian reasoning’, altså man bruger samme tankegang som modellen, når man forsøger at forudsige verdens gang. Så det er ‘Bayesian reasoning’, vi ser på i dag.

For Tetlocks forskning viser, at de mennesker, der bruger den, forudsiger fremtiden bedre end både eksperterne og den dumme algoritme.

’Bayesian reasoning’ dækker over 3 grundlæggende kompetencer, som vi vil forfølge i resten af denne tekst:

Det er de tre kompetencer, der gennemsyrer en god forudsigelse.

Og når du vil bruge dem i praksis til at forudsige fremtiden bedre, vil jeg anbefale dig at følge nedenstående model, der har 5 trin.

Lad os komme i gang (teksten fortsætter under billedet).

1. Opfør dig som den dumme algoritme

Lad os antage, at du skal implementere et nyt it-system og skal beregne varigheden af implementeringen og de potentielle gevinster for din organisation ved det nye system.

De fleste vil i sådan en situation sammensætte et team med it-specialister og interne konsulenter, få det sponsoreret af en chef og få tilknyttet en form for change manager. Teamet vil analysere situationen, lave en stakeholder-analyse og vurdere komponenter og resurser. De vil lave en variation af en SWOT-analyse, og på baggrund af al denne information og analyse komme med deres bedste bud på varighed og gevinster.

Og denne fremgangsmåde er elendig.

Første regel om at forudsige fremtiden med Bayes’ formel er nemlig: Gå altid udefra og ind. Start altid med at opføre dig som en komplet fremmed, og find et statistisk udgangspunkt for din analyse, inden du rådfører dig med nogen som helst, der har fingrene i projektet.

I dette tilfælde:

Når man går udefra og ind og opfører sig som en fremmed, så finder man det, som i Bayes’ formel bliver kaldt for en prior. En prior står for ’prior probabilities’ og betyder blot: Hvad er den statistiske sandsynlighed for, at X sker, når du ikke kender noget til de nærmere omstændigheder?

Og læringen bag Bayes’ formel og al den efterfølgende forskning i emnet viser os en enkel regel:

Det er derfor, at Tetlocks dumme algoritme slår ’eksperterne’. Algoritmen laver bare en prior og forudsiger, at fremtiden vil blive ca. som det historiske gennemsnit.

De ’kloge’ eksperter gør ligesom vores fiktive team ovenfor og overvurderer værdien af deres egen viden om situationen.

Og det er netop udfordringen, når vi skal lave gode forudsigelser: Vi tror, at vores detail-viden om et emne er en fordel. Men når vi taler om forudsigelser, er det oftest en hæmsko.

Lad mig give dig et eksempel:

Hvor mange brudepar står i kirken og giver ægteskabet 50 % risiko for at ende i en skilsmisse? Ikke mange. Forhåbentlig.

Men vores prior fortæller os jo, at den gennemsnitlige skilsmisseprocent over de seneste 10 år er 47 procent.

Paradoksalt nok vil ens forudsigelse blive bedre, jo mindre man ved om menneskene ved alteret. Brudeparrets forudsigelse vil statistisk set være den ringeste.

Imens vil en komplet fremmed på gaden gætte væsentligt mere præcist, fordi han kun har det objektive gennemsnit.

2. Gør din prior bedre med kontekst

Jo tættere din objektive prior er forbundet med din konkrete kontekst, des bedre.

Hvis du skal renovere din kælder, er det altså bedre af finde et gennemsnit for renoveringer af kældere fremfor et generelt gennemsnit af renoveringer. Så andet trin handler om at jagte denne kontekstuelle prior.

Men det er ofte svært at finde et meningsfuldt gennemsnit for implementeringen af et it-system eller en kulturforandring.

Der er grundlæggende to måder, du kan fikse denne problemstilling på.

A: Brug reference class forecasting

Kig i dine omgivelser og spørg, hvor lang tid lignende projekter har taget, og hvor dyre de var. Den tilgang kaldes ’reference class forecasting’.

Yael Grushka-Cockayne, som underviser i projektledelse og beslutninger på University of Virginia’s Darden School of Business, anbefaler i et interview med forfatteren Stephen Dubner, at man faktisk helt skal ignorere sit eget projekt og udelukkende kigge på historikken.

Altså: Når du skal estimere implementeringen af jeres nye værdier eller it-system, skal du ikke kigge på dem. Du skal kigge på, hvor lang tid det tog sidste gang. Eller hvor lang tid det tog for den anden afdeling. Eller for din tidligere virksomhed.

Det er præcist samme fremgangsmåde som skilsmisser og kulturforandringer. Glem din egen holdning og analyse, og find en god prior.

B: Spørg en ekstern ekspert

Vi har lige slået fast, at eksperter ikke er særlig gode til at lave forudsigelser. Så hvorfor spørge dem?

Fordi de med deres store viden om et emne er utrolig dygtige til at give priors. De ved, hvor ofte it-implementeringer går galt. De kan ret hurtigt give dig nogle gode gennemsnit og tommelfingerregler. Så:

Eksperter er dårlige til at lave forudsigelser, men de er effektive til at give gode priors.

Case: Sandsynligheden for, at din partner er dig utro

Lad os lige udfolde et eksempel. Jeg lovede jo i introen det der med at lave en god forudsigelse om utroskab. Så hvor stor er sandsynligheden for, at din partner er dig utro?

Her er svaret: Hvis din partner er mand, er der 23 procent sandsynlighed for, at han er dig utro. Er din partner kvinde, så er det 14 procent.

Hvor har jeg tallene fra? Jeg har dem fra verdens største befolkningsundersøgelse af seksualitet, som faktisk er lavet i Danmark.

Her har man indsamlet viden fra 62.675 danskere om deres sexliv. Og her svarer 23 procent af mændene, at de har været deres nuværende partner utro. 14 procent af kvinderne svarer det samme.

Men så siger du måske: Altså et flygtigt, uheldigt kys kan ske for enhver i en brandert. Og jeg svarer: Undersøgelsen handler om sex. Og så siger du: Men altså, hvordan definerer du sex? Og jeg svarer, slap af, Bill Clinton. Du forstår, hvad jeg mener.

Eftersom mange vil betegne grov snaveri og andre former for radikal befamling som værende utroskab, OG eftersom vi ved fra alle denne type undersøgelser, at folk systematisk underrepræsenterer umoralsk adfærd, så kan vi roligt formode, at tallene med stor sandsynlighed er højere.

Vi kan i hvert fald sige, at det som MINIMUM er 24 procent for en mand. Og derfor lægger jeg sandsynligheden for, at din mand er utro, her:

Vi vender tilbage til vores case igen senere. For vi kan blive mere præcise. Men lad os komme videre med guiden: Nu skal vi nemlig til at opdatere vores overbevisning.

3. Opdater din forudsigelse ofte

Nu har vi fundet den bedste mulige prior. Og SÅ er vi klar til at inddrage kontekstuel viden. Lad os kigge på brudeparret i kirken igen.

Hvis vi ingen information har, er vores prior: 47 procent. Men der findes masser af tilgængelig information, der kan gøre vores forudsigelser bedre, hvis du altså kan forholde dig rationelt til situationen.

Så nu går jagten ind på at justere vores prior med yderligere information. Heldigvis kender du ofte dem, der står i kirken. Det giver dig en fordel. Så du ved måske om:

Ifølge opgørelsen er aktuarer, no kidding, den gruppe, hvor færrest bliver skilt. Læsere af Jytte Vender Tilbage vil vide, at det givetvis skyldes, at denne gruppe mennesker er ekstremt liderlige.

Pointen her er, at du i Bayesian reasoning aldrig må få en stærk følelsesmæssig tilknytning til din forudsigelse. Den er blot dit udgangspunkt, og du har ingen følelser i klemme.

Og en af grundene til, at Bayesian reasoning er så præcis og konstruktiv, er, at når ingen knytter sig irrationelt stærk til deres synspunkt, så kommer alle udfordringer til at blive en fælles mission om at skaffe ny information, der kan gøre vores forudsigelser og analyser bedre.

På den måde har Bayesian reasoning en virkelig gunstig sideeffekt, fordi den  accelererer videndeling og skaber den forkætrede ’lærende organisation’, som alle taler om.

For når vi ønsker at opdatere vores forudsigelser hele tiden, skaber det en naturlig nysgerrighed på andres perspektiver og faglighed.

I mange organisationer forholder det sig stik modsat. Her er det en svaghed at lave sine holdninger om, og derfor bliver informationssøgning ofte blot en kamp for at finde argumenter for, at man havde ret i første omgang.

Destinationen er Katastrofal Silotænkning.

Case: Sandsynligheden for, at din partner er dig utro #2

Tilbage til vores løbende udfordring: At beregne sandsynligheden for, at din partner er dig utro. Vi opdaterer vores forudsigelse med god kontekstuel viden:

Kvinder, vi kan gøre det kort. Hvis jeres mand ligner en version af denne her bad boy af en Morten Münster anno 1995, så ER HAN UTRO!

4. Opdater din forudsigelse mindre, end du tror

Lad os tage et fiktivt eksempel med vores yndlingsvirus for at vise endnu et kendetegn ved den gode forudsigelse. Følg godt med her:

Læs lige ovenstående igen, og brug 30 sekunder på at danne et svar. Jeg venter gerne på dig.

Quizzen er en lettere omskrivning af et kendt studie, som i sin tid blev givet til læger med de samme informationer. Konklusionen viste, at en stor del af lægerne havde svært ved at ramme rigtigt.

Her er det rigtige svar på ovenstående spørgsmål: 2 procent.

Med en positiv test i hånden og under de givne antagelser er der kun 2 procent risiko for, at du har fået corona. Hvis du er som de fleste, vil du tro, at risikoen er højere. Lad os lige tage matematikken, hvis du er forvirret (det var jeg, første gang jeg læste det).

Vi tester 1000 tilfældige mennesker:

Din risiko er 1 ud af 51 = 1.96

Hvorfor bruger jeg så meget tid på dette eksempel? Fordi det illustrerer en vigtig komptence ved en god forudsigelse. Og det er: Hvis du har en stærk prior, skal du rykke din forudsigelse mindre, end du tror.

Som udgangspunkt er det højst usandsynligt, at du har fået corona (1 ud af 1000), og derfor skal den nye information (den positive corona-test) ikke veje så tungt i din forudsigelse, som du tror.

På samme måde: Hvis du har dannet en hypotese om, at din mand ikke er dig utro, fordi han er ortodoks kristen, aldrig har været utro og hverken har Gillette-kæber eller et sexdrive som en aktuar, så bør du stadig tro på det, selvom du måske får mistænkelig information i form af et par ukendte trusser under sengen.

Mange af os er netop dårlige til at lave præcise forudsigelser, fordi vi fokuserer alt for meget på en ny information, der dukker op, og glemmer vores stærke prior.

Det vil sige, at vi tillægger nye studier, rapporter eller historier al for meget betydning i vores estimat.

Det er det, der ofte kaldes for anekdotisk bias. Altså en ven har fortalt en dårlig oplevelse om en rejsedestination, et bilmærke eller en chef. Og den historie fylder alt for meget i din vurdering af, om du selv ville synes om bilen, destinationen eller chefen.

5. Gør som verdens bedste superforecastere

Tilbage til Tetlocks studie. I hans data gemte der sig en spændende iagttagelse. Nemlig at der var en gruppering af mennesker, der konsistent over flere år kunne slå både eksperterne og den dumme algoritme. Tetlock kaldte dem for superforecastere i sin bog af samme navn.

Hvem var de mennesker? Tetlocks forskning viser, at det faktisk ikke handler om, hvem de er. Disse superforecastere var ikke eksperter med ph.d.’er og spalteplads i aviserne. De var husmødre, apotekere, arbejdsløse fabriksmedarbejdere og andre frivillige privatpersoner.

Det handler udelukkende om, hvordan de tænker. Og de tænker som Bayes’ formel.

Kort sagt:

Hvis du gør som superforecasterne, så vil du både lave bedre og mere præcise forudsigelser. Men måske endnu vigtigere skaber denne indstilling et åbent miljø, hvor alle er på jagt efter bedre information, der kan skabe bedre beslutninger – i stedet for et miljø, hvor folk har travlt med at forsvare deres synspunkter og gardere sig mod kritik.

Og i en verden, der i stigende grad kræver, at vi kan træffe beslutninger uden at have al tilgængelig information, bliver vinderne dem, der kan skabe lige præcis det miljø.

Tak, fordi du læste med:-)