Metrisk design for dataforskere og bedriftsledere

Hva er den vanskeligste delen av metrisk design?

For å gjøre det bra datadrevne beslutninger, du trenger 3 ting:

1. Beslutningskriterier basert på godt utformet beregninger.
2. Evnen til å samle dato disse beregningene vil være basert på.
3. Statistikk ferdigheter til å beregne disse beregningene og tolke resultatene under usikkerhet.

Krav #2 og #3 har blitt skrevet om mye (inkludert av me), men hva med krav nr. 1?

Nå som dato innsamling er enklere enn noen gang, mange ledere føler seg presset til å dra tall til hvert møte. Dessverre, midt i fôringsvanviddet, klarer mange av dem ikke å gi metrisk design mengden omtanke den fortjener. Blant dem som er villige til å satse, finner de fleste på det etterhvert, som om det er helt nytt.

Det er det ikke.

Psykologi - den vitenskapelige studien av sinn og atferd - har hatt over et århundre for å stoppe tåen om farene ved å forsøke å måle vage mengder som ikke er riktig definert, så feltet har lært noen solide gullkorn som bedriftsledere og data forskere ville være lurt å låne når du designer beregninger.

Hvis du ikke er overbevist om at metrisk design er vanskelig, ta en penn og papir. Jeg utfordrer deg til å skrive ned en definisjon av lykke som er så jernbelagt at ingen kunne ta problemer med måten du måler det på...

Vanskelig, ikke sant? Prøv det nå med noen andre abstrakte substantiv folk kaster rundt seg daglig, som "minne" og "intelligens" og "kjærlighet" og "oppmerksomhet" og så videre. Det er forbannet nesten mirakuløst at noen av oss forstår oss selv, enn si hverandre.

Og likevel er dette akkurat det første hinderet som psykologiforskere må fjerne for å gjøre vitenskapelige fremskritt. For å studere mentale prosesser, må de lage presise og målbare proxyer – metrikker – å jobbe med. Så hvordan tenker psykologer og andre samfunnsvitere om metrisk design?

Hvordan studerer du grundig, vitenskapelig konsepter som du ikke lett kan definere? Begreper som oppmerksomhet, tilfredshetog kreativitet? Svaret er ... det gjør du ikke! I stedet du operasjonalisere. For formålet med dette eksemplet, la oss anta at du er interessert i å måle brukerlykke.

Hva er operasjonalisering?

Hva er operasjonalisering? Jeg har skrevet en introartikkel til den her. for deg, men resultatet er at når du operasjonaliserer, sier du først til deg selv: "Jeg kommer aldri til å måle lykke, og jeg har sluttet meg til fred med det." Filosofer har holdt på med dette i tusenvis av år, så det er ikke slik at du plutselig kommer opp med en enkelt definisjon som tilfredsstiller alle.

Deretter destiller du den målbare essensen av konseptet ditt til en proxy.

Husk alltid at du faktisk ikke måler lykke. Eller minne. Eller oppmerksomhet. Eller intelligens. Eller et annet poetisk fuzzword, uansett hvor storslått det høres ut for deg.

Nå som vi har det bra med det faktum at vi aldri vil måle lykke og dens venner, er det på tide å spørre oss selv hvorfor vi i det hele tatt vurderte det ordet i utgangspunktet. Hva er det med dette konseptet – i sin uklare form – som virker relevant og relevant for avgjørelsen vi ønsker å ta? Hvilken konkret (og tilgjengelig!) informasjon vil føre til at vi foretrekker en handling fremfor en annen? (Metrisk design er mye enklere når du har handlinger i tankene før du begynner. Hvis mulig, tenk på potensielle beslutninger før du prøver å designe en beregning.)

Deretter destillerer vi kjerneideen vi er ute etter for å lage en målbar proxy - en beregning som fanger opp denne kjerneessensen vi bryr oss om.

Definer beregningen din før du navngir den.

Og nå kommer den morsomme delen! Vi har lov til å navngi beregningene våre hva som helst vi liker: «blorktibork» eller «brukerlykke» eller «X» eller hva som helst.

Grunnen til at det ikke gir mening for oss å bli arrestert av språkpolitiet er at uansett hvor hardt vi jobber med å utforme det, vil vår fullmektig *ikke* være den platoniske formen for brukerlykke.

Mens det kan passe vår behov, er det viktig å huske at beregningen vår sannsynligvis ikke passer alle andres behov også. Det er derfor det ville være dumt å låse horn i ubrukelige debatter om hvorvidt metrikken vår fanger True Happiness eller ikke. Det gjør det ikke. Hvis du er desperat etter en slags One Metric To Rule Them All, er det en Disney sang for deg.

Enhver beregning vi lager er ganske enkelt en proxy som passer våre egne behov (og muligens ingen andres). Det er våre personlige midler til et personlig mål: å ta en informert beslutning eller oppsummere et konsept slik at vi ikke trenger å skrive et helt avsnitt hver gang vi nevner det. Vi klarer oss fint uten å involvere språkpolitiet i noen av dem.

Så langt så bra. Du bestemmer ganske enkelt hvilken informasjon du trenger for avgjørelsen din, så finner du ut en måte å oppsummere informasjonen på en måte som gir mening for dine behov (ta-da, det er beregningen din), og gi den et navn som du vil. Ikke sant? Greit, men...

Det is den vanskeligste delen av alt dette. Noen gjetninger på hva det kan være? I morgen deler jeg svaret med deg — ikke glem å abonnere enten her på Medium eller på sosiale medier (Twitter, Linkedin) så du ikke går glipp av det. I mellomtiden kan du dele tankene dine om hva den vanskeligste delen av metrisk design er her. or her..

Hvis du er interessert i å lære mer, se leksjoner 039–047 fra mitt Bli venner med maskinlæring-kurs. De er alle korte videoer på et par minutter. Start her og fortsett i den vedlagte spillelisten:

Hvis du hadde det gøy her og du leter etter et anvendt AI-kurs designet for å være morsomt for både nybegynnere og eksperter, her er et jeg har laget for din underholdning:

PS Har du noen gang prøvd å trykke på klapp-knappen her på Medium mer enn én gang for å se hva som skjer? ❤️

La oss være venner! Du finner meg på Twitter, YouTube, Stablerog Linkedin. Interessert i å la meg tale på ditt arrangement? Bruk dette skjemaet å komme i kontakt.

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

<!–

->