Metrisk design for dataforskere og virksomhedsledere

Hvad er den sværeste del af metrisk design?

For at gøre godt datadrevne beslutninger, du skal bruge 3 ting:

1. Beslutningskriterier baseret på veldesignede målinger.
2. Evnen til at indsamle data disse målinger vil blive baseret på.
3. Statistik færdigheder til at beregne disse målinger og fortolke resultaterne under usikkerhed.

Krav #2 og #3 er blevet skrevet om masser (inklusive af me), men hvad med krav #1?

Nu hvor data indsamling er nemmere end nogensinde før, mange ledere føler sig presset til at trække tal til hvert møde. Desværre, midt i fodringsvanviddet, undlader mange af dem at give metrisk design den tankemængde, den fortjener. Blandt dem, der er villige til at gøre en indsats, finder de fleste på det, som om det er helt nyt.

Det er den ikke.

Psykologi - den videnskabelige undersøgelse af sind og adfærd - har haft over et århundrede for at stoppe tåen om farerne ved at forsøge at måle vage mængder, der ikke er defineret korrekt, så feltet har lært nogle solide guldklumper, som virksomhedsledere og data forskere ville være klogt at låne, når du designer metrics.

Hvis du ikke er overbevist om, at metrisk design er svært, så tag en pen og papir. Jeg udfordrer dig til at nedskrive en definition af lykke det er så jernbeklædt, at ingen kunne tage et problem med din måde at måle det på...

Vanskeligt, ikke? Prøv det nu med nogle andre abstrakte navneord, folk kaster rundt på dagligt, som "hukommelse" og "intelligens" og "kærlighed" og "opmærksomhed" og så videre. Det er nærmest mirakuløst, at nogen af ​​os forstår os selv, endsige hinanden.

Og alligevel er dette præcis den første forhindring, som psykologiforskere skal overvinde for at gøre videnskabelige fremskridt. For at studere mentale processer skal de skabe præcise og målbare proxyer - metrikker - at arbejde med. Så hvordan tænker psykologer og andre samfundsforskere om metrisk design?

Hvordan studerer du strengt, videnskabeligt begreber, som du ikke nemt kan definere? Begreber som opmærksomhed, tilfredshedog kreativitet? Svaret er… det gør du ikke! I stedet for dig operationel. Med henblik på dette eksempel, lad os antage, at du er interesseret i at måle brugerglæde.

Hvad er operationalisering?

Hvad er operationalisering? Jeg har skrevet en intro-artikel til det link. for dig, men resultatet er, at når du operationaliserer, siger du først til dig selv, "Jeg kommer aldrig til at måle lykke, og jeg har sluttet fred med det." Filosoffer har gjort det i tusinder af år, så det er ikke sådan, at du pludselig kommer med en enkelt definition, der tilfredsstiller alle.

Dernæst destillerer du den målbare essens af dit koncept til en proxy.

Husk altid, at du faktisk ikke måler lykke. Eller hukommelse. Eller opmærksomhed. Eller intelligens. Eller et hvilket som helst andet poetisk fuzzword, uanset hvor storslået det lyder for dig.

Nu hvor vi er okay med det faktum, at vi aldrig vil måle lykke og dens venner, er det tid til at spørge os selv, hvorfor vi overhovedet overvejede det ord i første omgang. Hvad er det ved dette koncept - i dets uklare form - der virker relevant og relevant for den beslutning, vi ønsker at træffe? Hvilken konkret (og tilgængelig!) information ville få os til at foretrække en handling frem for en anden? (Metrisk design er meget nemmere, når du har aktioner i tankerne, før du begynder. Hvis det er muligt, så tænk over potentielle beslutninger, før du forsøger at designe en metrik.)

Derefter destillerer vi den kerneidé, som vi er ude efter for at skabe en målbar proxy - en metrik, der fanger denne kerneessens, vi holder af.

Definer din metric, før du navngiver den.

Og nu kommer den sjove del! Vi har lov til at navngive vores metric hvad som helst, vi kan lide: "blorktibork" eller "brugerlykke" eller "X" eller hvad som helst.

Grunden til, at det ikke giver mening for os at blive arresteret af sprogpolitiet er, at uanset hvor hårdt vi arbejder på at designe det, vil vores fuldmægtig *ikke* være den platoniske form for brugerglæde.

Mens det kan passe vores behov, er det vigtigt at huske, at vores metrik sandsynligvis ikke passer alle andres behov også. Det er derfor, det ville være dumt at låse horn i ubrugelige debatter om, hvorvidt vores metrik fanger True Happiness eller ej. Det gør den ikke. Hvis du er desperat efter en slags One Metric To Rule Them All, er der en Disney sang til dig.

Enhver metrik, vi opretter, er simpelthen en proxy, der passer til vores egne behov (og muligvis ingen andres). Det er vores personlige midler til et personligt mål: at træffe en informeret beslutning eller opsummere et koncept, så vi ikke behøver at skrive et helt afsnit, hver gang vi nævner det. Vi kan fint klare os uden at involvere sprogpolitiet i nogen af ​​dem.

Så langt så godt. Du bestemmer simpelthen, hvilken information du har brug for til din beslutning, så finder du ud af en måde at opsummere informationen på en måde, der giver mening for dine behov (ta-da, der er din metric), og giv den derefter et navn, hvad du vil. Højre? rigtigt, men…

der is den sværeste del af alt dette. Nogen bud på hvad det kan være? I morgen deler jeg svaret med dig — glem ikke at abonnere enten her på Medium eller på sociale medier (Twitter, LinkedIn), så du ikke går glip af det. I mellemtiden kan du dele dine tanker om, hvad den sværeste del af metrisk design er link. or link..

Hvis du er ivrig efter at lære mere, så se lektioner 039–047 fra mit kursus i Making Friends with Machine Learning. De er alle korte videoer på et par minutter lange. Start her og fortsæt i den vedhæftede playliste:

Hvis du havde det sjovt her, og du leder efter et anvendt AI-kursus designet til at være sjovt for både begyndere og eksperter, her er et, jeg har lavet til din morskab:

PS Har du nogensinde prøvet at trykke på klapknappen her på Medium mere end én gang for at se, hvad der sker? ❤️

Lad os være venner! Du kan finde mig på Twitter, YouTube, understakog LinkedIn. Interesseret i at få mig til at tale til dit arrangement? Brug denne formular At komme i kontakt.

Metrisk design for dataforskere og virksomhedsledere Genudgivet fra kilde https://towardsdatascience.com/metric-design-for-data-scientists-and-business-leaders-b8adaf46c00?source=rss—-7f60cf5620c9—4 via https:// mod datascience.com/feed

<!–

->