Smart Management

Концепция ложноположительных и ложноотрицательных результатов пришла из теории обнаружения сигналов и широко применяется к классификационным решениям, таким как нанимать или не нанимать человека на работу или определить, болен человек или нет после положительного результата теста. Это иллюстрирует важную мысль: эвристики не являются хорошими или плохими по своей сути; они должны соответствовать условиям задачи, которые включают цели лиц, принимающих решения. Если организация хочет свести к минимуму количество ложноположительных результатов, ей следует использовать более консервативное "быстрое и экономное" дерево; если она хочет свести к минимуму количество ложноотрицательных результатов, ей следует использовать более либеральное дерево. Контекст также имеет значение: в правовой и культурной среде, где трудно уволить сотрудника, избежание ложноположительных результатов более важно, в то время как в культурах "нанимай и увольняй" избежание ложноотрицательных результатов относительно более важно.

Выбор из нескольких упряжек

Деревья Fast-and-frugal можно также использовать для проектирования процессов отбора с несколькими препятствиями, в которых организации отсеивают часть кандидатов на каждом шаге ("препятствии") и принимают только тех, кто прошел все препятствия. 7 Например, на первом этапе кандидаты могут быть отсеяны по представленным материалам, на втором - по стандартизированным тестам, на третьем - по центрам оценки, а на последнем - по результатам собеседования. Эту процедуру отбора можно смоделировать в виде дерева с базовой структурой (но с разными подсказками), как в крайнем левом дереве на рисунке 4.3, в которое принимаются только те, кто прошел все этапы. Этот подход, как мы видели, консервативен: он снижает количество ложных срабатываний, но при этом рискует отсеять кандидатов, которые могли бы подойти для этой работы.

Процессы отбора по нескольким препятствиям являются некомпенсационными, то есть высокие результаты кандидата на более поздних препятствиях не могут компенсировать низкие результаты на более ранних препятствиях. Вместо того чтобы оценивать все эти признаки у всех кандидатов, они экономят значительное количество времени и других ресурсов. Процедуры с несколькими препятствиями экологически рациональны, особенно если кандидатов много, а ранние препятствия недороги и просты в реализации, что позволяет организации быстро и без особых затрат сузить круг кандидатов.

Выбор между двумя претендентами на работу с помощью эвристики дельта-вывода

Эвристика Маска и Безоса была предназначена для принятия решения по одному кандидату за раз. В других ситуациях организации пытаются определить, кто лучше из двух претендентов. Для этого они могут использовать эвристику дельта-инференции. Возможно, вы помните из главы 3, что дельта-инференция позволяет принимать решения между двумя альтернативами путем перебора признаков в порядке их валидности и прекращения поиска, когда первый признак различает два варианта. Например, при приеме на работу организация может использовать следующие три признака в последовательности: общие умственные способности соискателей, их добросовестность и оценки, полученные в ходе структурированного интервью. Сообщалось, что эти признаки являются одними из лучших предикторов будущей работы в широком диапазоне профессий. 8 Если два кандидата отличаются по общим умственным способностям по крайней мере на определенную величину (т. е. порог дельты), то работу предлагают тому, кто набрал больше баллов; если нет (т. е. ≤ дельты), то следующим рассматривают добросовестность и так далее.

Используя реальные данные о 236 кандидатах, принятых на работу в авиакомпанию, мы изучили, насколько хорошо менеджеры могут выбрать лучшего кандидата из пары, полагаясь на дельта-умозаключение. Каждый претендент оценивался по трем упомянутым здесь признакам; кроме того, поскольку все они были приняты на работу, мы знали их результаты работы через три месяца, оцененные их начальством. 9 Было получено 50 334 пары претендентов, которые имели разные оценки за работу. Из этих пар мы составили малую, умеренную и большую случайные выборки, чтобы смоделировать условия скудных, умеренных и широких возможностей для менеджера узнать параметры эвристики: порядок подсказок и дельту каждой подсказки. Мы сравнили точность дельта-вывода с точностью логистической регрессии - стандартной техники, которая всегда использует все три признака для принятия решения о выборе.