Metrisk design för datavetare och företagsledare

Vad är det svåraste med metrisk design?

För att göra gott datadrivna beslut, du behöver 3 saker:

1. Beslutskriterier baserade på väldesignade metrik.
2. Möjligheten att samla in datum dessa mätvärden kommer att baseras på.
3. Statistik färdigheter att beräkna dessa mätvärden och tolka resultaten under Osäkerheten.

Krav #2 och #3 har skrivits om massor (inklusive av me), men hur är det med krav 1?

Nu när datum insamlingen är enklare än någonsin, många ledare känner press att dra nummer till varje möte. Tyvärr, mitt i matningsfrenesi, många av dem misslyckas med att ge metrisk design hur mycket eftertanke det förtjänar. Bland dem som är villiga att anstränga sig, hittar de flesta på det allt eftersom, som om det är helt nytt.

Det är det inte.

Psykologi - den vetenskapliga studien av sinne och beteende - har haft över ett sekel för att stuva tån om farorna med att försöka mäta vaga kvantiteter som inte har definierats korrekt, så fältet har lärt sig några solida guldkorn som företagsledare och datavetare skulle vara klokt att låna när du utformar mått.

Om du inte är övertygad om att metrisk design är svår, ta en penna och papper. Jag utmanar dig att skriva ner en definition av lycka som är så järnklädd att ingen kunde ta problem med ditt sätt att mäta det...

Knepigt, eller hur? Prova det nu med några andra abstrakta substantiv som folk kastar runt dagligen, som "minne" och "intelligens" och "kärlek" och "uppmärksamhet" och så vidare. Det är förbannat nästan mirakulöst att någon av oss förstår oss själva, än mindre varandra.

Och ändå är detta exakt det första hindret som psykologiforskare måste undanröja för att göra vetenskapliga framsteg. För att studera mentala processer måste de skapa exakta och mätbara proxyservrar — mått — att arbeta med. Så, hur tänker psykologer och andra samhällsvetare om metrisk design?

Hur studerar du rigoröst, vetenskapligt begrepp som du inte enkelt kan definiera? Begrepp som uppmärksamhet, tillfredsställandeoch kreativitet? Svaret är... det gör du inte! Istället du operationalisera. För detta exempel, låt oss anta att du är intresserad av att mäta användarglädje.

Vad är operationalisering?

Vad är operationalisering? Jag har skrivit en introartikel till den här. för dig, men resultatet är att när du operationaliserar, säger du först till dig själv, "Jag kommer aldrig att mäta lycka och jag har gjort min fred med det." Filosofer har hållit på med detta i tusentals år, så det är inte så att du plötsligt kommer på en enda definition som tillfredsställer alla.

Därefter destillerar du den mätbara essensen av ditt koncept till en proxy.

Kom alltid ihåg att du faktiskt inte mäter lycka. Eller minne. Eller uppmärksamhet. Eller intelligens. Eller något annat poetiskt fuzzword, oavsett hur storslaget det låter för dig.

Nu när vi är okej med det faktum att vi aldrig kommer att mäta lycka och dess vänner, är det dags att fråga oss själva varför vi övervägde det ordet från början. Vad är det med det här konceptet - i dess luddiga form - som verkar relevant och relevant för det beslut vi vill fatta? Vilken konkret (och tillgänglig!) information skulle få oss att föredra ett handlingssätt framför ett annat? (Metrisk design är mycket lättare när du har åtgärder i åtanke innan du börjar. Om möjligt, tänk på potentiella beslut innan du försöker utforma ett mått.)

Sedan destillerar vi kärnidén som vi är ute efter för att skapa en mätbar proxy - ett mått som fångar denna kärna vi bryr oss om.

Definiera ditt mått innan du namnger det.

Och nu kommer det roliga! Vi får namnge vårt mått vad som helst: "blorktibork" eller "användarglädje" eller "X" eller vad som helst.

Anledningen till att det inte är meningsfullt för oss att bli arresterade av språkpolisen är att oavsett hur hårt vi arbetar med att utforma det, kommer vår ombud *inte* vara den platonska formen av användarglädje.

Även om det kan passa vår behov är det viktigt att komma ihåg att vårt mått sannolikt inte passar alla andras behov också. Det är därför det skulle vara dumt att låsa in hornen i en värdelös debatt om huruvida vårt mått fångar True Happiness eller inte. Det gör det inte. Om du är desperat efter någon form av One Metric To Rule Them All, finns det en Disney-låt för dig.

Alla mätvärden vi skapar är helt enkelt en proxy som passar våra egna behov (och möjligen ingen annans). Det är våra personliga medel för ett personligt syfte: att fatta ett välgrundat beslut eller sammanfatta ett koncept så att vi inte behöver skriva ett helt stycke varje gång vi nämner det. Vi klarar oss bra utan att blanda in språkpolisen i någon av dem.

Än så länge är allt bra. Du bestämmer helt enkelt vilken information du behöver för ditt beslut, sedan kommer du på ett sätt att sammanfatta den informationen på ett sätt som är vettigt för dina behov (ta-da, Det är ditt mått), och ge det sedan vad du vill. Höger? Rätt, men...

Där is den svåraste delen av allt detta. Några gissningar på vad det kan vara? Imorgon delar jag svaret med dig — glöm inte att prenumerera antingen här på Medium eller på sociala medier (Twitter, LinkedIn) så att du inte missar det. Under tiden kan du dela med dig av dina tankar om vad den svåraste delen av metrisk design är här. or här..

Om du är sugen på att lära dig mer, titta på lektioner 039–047 från min kurs i Making Friends with Machine Learning. De är alla korta videor på ett par minuter långa. Börja här och fortsätt i den bifogade spellistan:

Om du hade roligt här och du letar efter en tillämpad AI-kurs designad för att vara rolig för både nybörjare och experter, här är en som jag gjorde för din nöje:

PS Har du någonsin försökt att trycka på klappknappen här på Medium mer än en gång för att se vad som händer? ❤️

Låt oss vara vänner! Du kan hitta mig på Twitter, Youtube, understapeloch LinkedIn. Är du intresserad av att få mig att tala på ditt event? Använda sig av denna form att komma i kontakt.

Metrisk design för datavetare och företagsledare återpublicerad från källa https://towardsdatascience.com/metric-design-for-data-scientists-and-business-leaders-b8adaf46c00?source=rss—-7f60cf5620c9—4 via https:// mot datascience.com/feed

<!–

->