можно ли измерить неизмеримое

Друзья, ответ от #коллективный_мозг получен.
Богатый, щедрый, подробный ответ.

Мы вчера измеряли неизмеримое и делали его подсказкой для покупателей, своеобразным аргументом в пользу того, кто его придумал. А для клиента – нестандартным сервисом, помогающим сориентироваться в ассортименте и сделать правильный выбор в офлайн или онлайн пространстве.

Получилось 70 измерений! 70 неизмеряемых по факту, но придуманных и обыгранных нами, параметров, которые могут помочь продать.

Причем получается, что это применимо не только к товарам экспрессивного выбора в2с. Но и к услугам в2в (коворкину, например), и к сложным товарам предварительного выбора (гаджетам, например).

Я просила поделиться параметром измерения. И если придет идея, поделиться также ее визуализацией. Спасибо тем, кто делился. Мягкость подушек в облачках, коэффициент спокойствия в удавах, сила концентрации в мишенях… — ряд говорящей символики прекрасен!

список вот:
1. Быстрота кручения колесиков у чемодана
2. Вероятность успешного свидания для букетов цветов (в сердечках)
3. Влагонепроницаемость — для обуви и верхней одежды.
4. жесткость требований в программе похудения
5. Зернистость, крупность и соленость — для икры.
6. Индекс профессиональности и долголетия — для различного оборудования, например тренажеры или столярный/строительный инструмент
7. Индекс страшности, няшности, слезливости и коликов в животе для киноиндустрии
8. Индекс шумности, мягкости — для покрышек.
9. Индекс экономии времени — для всей бытовой техники.
10. Интенсивность запаха – для духов
11. Легкость косметического крема
12. Легкость скольжения — для ледянок и коньков
13. Морозостойкость и невесомость — для спальных мешков
14. Мягкость — для туалетной бумаги
15. мягкость подушек (годится и для гостиницы, например) можно в облаках и овечках.
16. Мягкость подушек в облаках или овечках
17. няшность животного
18. Показатель гламурности, деловитости, познавательности, применимости — для журналов и периодических изданий
19. Показатель теплоодачи — для дров, брикетов, угля.
20. Простота приготовления, стоимости и трудоемкости — для рецептов, каких либо смесей (например строительных), коктейлей (спортивных, алкогольных) и т.д.
21. сила фиксации волос — для средств для укладки (можно в Дональдах Трампах )
22. Сладость и вязкость — для меда.
23. Сложность переходов — для походного оборудования и одежды
24. Сложность понимания — для книг. (В мозгах: 1 мозг, …5 мозгов)
25. Согревающая способность вязаных вещей — в бабушках — силуэт одной, двух, трех бабушек. По мере возрастания сугрева.
26. согревающие способности вязаных вещей
27. Соленость, кислость, легкость — для молочки.
28. Сосредоточенность, концентрация (на делах, задачах) – для скорочтения. В биноклях или мишенях.
29. Спокойствие для кресла-качалки — в удавах 😄
30. степень аристократичности хозяйки – для перчаток
31. Степень бодрости для кофе и чая
32. Степень весёлости для вина
33. степень вовлеченности ваших детей в игру – для игрушек. Например: просто улыбка, улыбка во весь рот, широко раскрытые от удивления глаза, ребенок хлопает в ладоши и т.д.
34. Степень воздухонепроницаемости и водоотталкивания для курток ветровок
35. Степень восхищения/зависти подруг – для одежды
36. Степень выспанности — для диванов и кроватей
37. степень гарантии благосклонности девушки — для букетов цветов
38. Степень гигроскопичности полотенец.
39. Степень готовности к приключениям — для алкогольных напитков
40. Степень гурманства для ресторана (в блюдах)
41. степень душевной близости людей, совместно пьющих ЭТО пиво
42. Степень жёсткости расчёски
43. Степень заинтересованности лиц другого пола – для духов
44. Степень заряда энергией — для энергетиков
45. степень зрелости фруктов (бананов, гранат, мандаринов, киви) — это особенно важно сегодня, потому что лучше меньше трогать всего руками в магазине. Можно силуэты закрашивать слева направо все более насыщенным цветом, чтоб было понятнее. Гранат от бледного до насыщенно-гранатового, например.
46. Степень колкости свитеров и вязаных вещей вообще
47. степень конфиденциальности — для психолога
48. Степень крутости/навороченности — для гаджетов
49. степень легкости поддержания порядка – для шкафа
50. Степень мимишности или уютности для мелких предметов домашнего декора
51. Степень мягкости, выделки, уюта — для шуб
52. Степень надежности – для домостроения
53. Степень надёжности замка- в виде собаки-то щенка до волкодава
54. Степень полезности — для постов в Инсте или Фб. Для периодических изданий
55. Степень продажности поста
56. Степень прожарки мяса — для полуфабрикатов
57. Степень радости языка – для вкусной еды
58. Степень расслабляющего эффекта — для массажа
59. Степень сексуальности в глазах мужчин — для женской одежды и белья
60. Степень сложности задания для ребенка. Легкая, средняя тяжёлая.
61. Степень сложности рисунка для вышивания
62. Степень тщательности уборки — для клининга
63. степень уверенности водителя в автомобиле — для машинных масел и химии по уходу за авто
64. Степень уверенности хозяина в себе — для деловых костюмов
65. степень ядрёности — для соусов. Соус Чили — первой ядрёности 😁горчица — ядрёность N2
66. Теплостойкость – для оборудования и снаряжения для дайвинга
67. Уровень личной свободы — для одежды, аксессуаров, загородной недвижимости, внедорожников
68. хрусткость и сладость яблок
69. Экологичность или количество сохраненной природы — для всего товара, произведенного из вторичного сырья
70. эмоциональная насыщенность фото

Источник

Измерить неизмеримое: как машинное обучение помогает определить уровень владения языком для конкретных задач

Автор материала Виктор Склизнев, аналитик Skyeng

Один из важнейших стимулов в любом обучении – возможность видеть свой прогресс. Если вы ходите, например, в бассейн, где ежедневно тренируетесь на дистанции 100 метров, то через месяц вы будете проплывать ее быстрее, что наглядно покажет секундомер. Если вы изучаете программирование или любую другую линейную науку, то после каждой главы учебника вы будете получать новый навык, пока не освоите предмет целиком. Можно ставить цели, рисовать дорожную карту и рассчитывать время для их достижения. Наблюдение прогресса – мощный стимул продолжать обучение, ставить новые задачи, двигаться вперед.

С изучением языков подобный фокус не проходит. Человек, далекий от методологии, не может сказать, «на сколько процентов» улучшилось его владение языком после урока. Студент, изучающий английский ради поездок на зарубежные конференции, не имеет представления, насколько он стал ближе к своей цели, изучив тему “Презентации” или “Неформальное общение”.

Из-за отсутствия ясных метрик прогресса теряется мотивация, ученики пропускают уроки, а иногда и вовсе забрасывают обучение.

Для нас в Skyeng вопрос поддержки мотивации и, как следствие, измерения прогресса всегда был приоритетным. Но если в запоминании слов (мобильное приложение) его еще хоть как-то можно посчитать «в штуках», то как быть с грамматикой, навыками разговорной речи и прочими «базовыми» вещами, изучаемыми на уроках?

Почти все из нас учили в школе физику и химию. Но многие ли из этих знаний сохранились в голове, если мы не работаем в этих областях? Только те, что мы регулярно применяем в жизни.

С одной стороны, с языком ситуация похожая. Большинство студентов учат его для решения конкретной жизненной задачи, а это значит, что для достижения результата разные навыки имеют разное значение: на каких-то надо сконцентрироваться, а какие-то можно за ненадобностью опустить.

С другой стороны, язык – не точный предмет вроде математики. Нельзя сказать, что изучив три времени и 50 неправильных глаголов, можно овладеть таким-то навыком, равно как и нельзя сказать, что им нельзя овладеть. Поэтому измерять прогресс линейно, по мере прохождения материала, нецелесообразно.

Организация Pearson при разработке своей Global Scale of English провела масштабное исследование на более чем 6000 учителях английского по всему миру с целью определить типовые навыки владения английским и отранжировать их по сложности освоения. Оно легло в основу нашей модели.

Для начала, владение языком делится на направления, такие как: грамматика, аудирование, говорение, чтение, письмо и др.

Потом каждое из этих направлений делится на большое количество «атомарных» умений – не абстрактно-научных типа «знать времена в английском», а применимых в жизненных ситуациях. Например, «описать чьи-нибудь хобби» (говорение), «прочитать инструкцию к прибору» (чтение), «понять рекомендации врача на приеме» (аудирование). В текущем варианте наша модель содержит более 1200 подобных навыков. Под каждую отдельно взятую цель ученика можно подобрать необходимый для ее достижения набор, и уже на основе этого набора и степени владения им со стороны ученика строить программу обучения.

Это, конечно, здорово, если бы не одно НО: даже разово оценить набор, состоящий из сотни-другой умений сложно, долго и дорого, не говоря уже о том, чтобы оценивать его в реальном времени.

Здесь-то и приходит на помощь моделирование и машинное обучение. Во-первых, между навыками устанавливаются связи, которые бывают:

• грамматическими, когда, например, зная как задавать вопросы в прошедшем времени, студент скорее всего знает, как их задавать в настоящем;

• когнитивными, когда всё, что студент может сказать, он с некоторой вероятностью сможет расслышать из уст другого человека;

• контекстными, когда владение некоторым навыком говорит о владении смежными (умеешь заказать такси? Сможешь забронировать номер в гостинице).

Во-вторых, с помощью машинного обучения вычисляется уверенность, с которой мы по уровню владения одним навыком можем говорить об уровне владения другим.

И, наконец, итеративно проходя по списку навыков и оценивая на их основании навыки, связанные с ними, мы можем получить информацию по всему списку. Таким образом, обладая фрагментарными сведениями о навыках ученика, мы с помощью модели строим полную предположительную карту его навыков.

На нашей платформе – множество единиц обучающего контента с обратной связью. Когда студент что-то на ней делает, он получает отклик: правильно или нет. Мы собираем эти флаги, связываем их с умениями из нашего списка и таким образом оцениваем его прогресс. Сейчас в автоматическом режиме можно оценить навыки грамматики и письма, с остальными пока сложно. Например, нет достаточно обученных средств распознавания неродной речи. Задача автоматически распознать именно ошибку в произнесенном неносителем слове (а не принять это слово за другое) – это работа на годы, поэтому пока это делается в полуавтоматическом режиме: оценку ставит учитель, алгоритм связывает ее с аналогичными умениями. Но мы будем стараться уходить от субъективных оценок.

Мы всегда стараемся понять, с какой целью к нам пришел новый студент, это помогает нам правильно подобрать ему курс и преподавателя. С помощью системы умений мы сможем подобрать под эту цель список необходимых умений. Это не значит, что тренировать мы будем только их, но с помощью связей мы можем косвенно следить за их прогрессом. Уже во время пробного занятия мы сможем с помощью системы связей присвоить всем необходимым умениям определенные оценки, понять, насколько далеко ученик от поставленной цели и составить ему наиболее эффективную программу, исключив все лишнее. В перспективе мы надеемся научиться делать это автоматически, и на лету корректировать программу, если в процессе обучения выясняется, что в первичную оценку закрались ошибки.

Источник

Вопросы Ферми: как измерить неизмеримое за 60 секунд

Как измерить необъятное? Можно ли связать вещи, которые, как кажется, не имеют ничего общего? Всё это возможно, если обладать способностью анализировать и логически мыслить, уметь рассуждать и не бояться высказывать свои мысли. В этой статье мы рассмотрим вопросы Ферми, которые многих заводят в тупик.

Сколько коров в Канаде?

Если вам зададут такой вопрос, сможете ли вы быстро на него ответить? А вот еще пример: сколько мячиков для гольфа нужно, чтобы наполнить школьный автобус? Та еще задачка! А известный физик Энрико Ферми мог на них ответить. И такие вопросы сегодня называют в его честь. Как физик научился считать то, что на первый взгляд сосчитать невозможно? Давайте разберемся.

Энрико Ферми считал, что если человек обладает знанием большого количества фактов, то он может оценить или примерно подсчитать всё, что угодно, причем менее, чем за 60 секунд. Вернемся к вопросу с коровами в Канаде. Чтобы на него ответить, нужно знать несколько фактов: каково население Канады, насколько велика потребность людей в молоке, и количество молока, которое дает корова. Зная это, можно рассчитать количество коров в стране. Безусловно, точный ответ на этот вопрос вряд ли кто знает. И даже если кто-то проведет точный расчет, наверняка ответ, полученный по системе Ферми, окажется не очень приближенным. Ведь много данных при расчете будет упущено. Но сведение исходных данных к минимуму позволяет упростить вычисления.

Чем полезны вопросы Ферми?

Попытки измерить неизмеримое — это отличные тренировки для мозга. Если вы любите думать и размышлять, вы сможете так скоротать время с пользой для мозга.

Также эти знания могут пригодиться при трудоустройстве. Во многих зарубежных странах при поступлении в институт и на собеседованиях в крупных компаниях любят задавать вопросы Ферми. Например, в известной компании General Motors на собеседовании кандидата спрашивают, сколько заправок в США. Вопрос может быть и совершенно не связан с деятельностью компании. Например, в корпорации Apple интересуются количеством мусорщиков в Калифорнии. А на собеседовании в Google могут спросить, сколько пылесосов в мире производится ежегодно. Странно, не правда ли? Зачем им такая информация? Но не в информации здесь дело, а в том, что так проверяется способность соискателя мыслить логически, анализировать, рассуждать. Не важно, насколько точным будет ответ, ведь тот, кто задаёт такой вопрос, наверняка сам его не знает. Главное — показать умение находить связи, грамотно использовать свои знания, составляя цепочку размышлений.

Хотите научиться отвечать на вопросы Ферми? Тренируйте мозг вместе с Викиум! Секреты логического мышления вы сможете познать, пройдя онлайн-курс «Мышление Шерлока». Благодаря развитой логике можно быстро решать сложные задачи, связывать разные вещи и факты, рассуждать и убеждать в правильности своих мыслей других.

Источник

Как измерить неизмеримое?

Надо измерять измеримое и сделать измеримым то, что еще не поддается измерению.

Речь в этой главе пойдет об исследовании органа обоняния. Вопрос этот также пока еще крайне запутан, хотя по количеству предложенных устройств и по оригинальности их конструкций ольфактометры (приборы для измерения обоняния) могут соперничать, пожалуй, только с вечным двигателем. И в том и в другом случае гораздо интереснее сама идея конструкции, чем, к сожалению, конечный результат.

Итак, нам предстоит познакомиться с ольфактометрией — наукой об измерении остроты обоняния (от латинских слов «ольфактио» — обоняние и «метрия» — измерение).

Простейший, древнейший и, как это ни печально — пока еще распространенный, несмотря на свою примитивность способ — непосредственное использование растворов пахучих веществ для измерения обонятельной чувствительности. Проще говоря, подносят к носу больного склянку с каким-либо пахучим раствором, открывают пробку и задают вопрос — чувствуете ли вы какой-либо запах? При этом определяют минимальную концентрацию водного, масляного или глицеринового раствора одного или нескольких пахучих веществ, вызывающую обонятельные ощущения. Предполагают, что концентрация паров пахучих веществ над жидкостью пропорциональна концентрации данного вещества в растворе.

При исследовании перед испытуемым ставят две задачи: регистрировать появление обонятельных ощущений вообще и суметь дифференцировать данный запах, так как порог распознавания всегда выше порога ощущения.

Прототипом большинства приборов для изучения обоняния является прибор, предложенный в 1892 году русским физиологом Н. А. Савельевым. Прибор Савельева состоял из двугорлой склянки, в которую наливают раствор пахучего вещества. В одно горлышко склянки вставлялась стеклянная трубка, доходившая до дна сосуда, а в другое — П-образная стеклянная трубка, соединявшая первую склянку со второй, от которой отходила разветвленная трубка с оливообразными насадками, приспособленными для введения в нос. Исследуемый вставлял в нос оливы и втягивал воздух, который проникал в сосуд через прямую трубку и, проходя предварительно через слой жидкости и насыщаясь пахучими веществами, попадал через П-образную трубку во вторую склянку, а оттуда — в нос. Изменяя концентрацию раствора, можно было достичь изменения концентрации паров пахучих веществ.

Вариантами прибора Савельева являлись весьма популярные как в нашей стране, так и за рубежом ольфактометры Хенинга и Эльсберга-Леви.

Прибор Хенинга состоял из большого числа двугорловых склянок, соединенных последовательно. Если соединить первую склянку со второй, концентрация пахучих паров уменьшится вдвое. Соединив вторую склянку с третьей, отключив ее от первой, можно понизить концентрацию паров в четыре раза и т. д. В каждой склянке имелось отверстие, через которое можно было нюхать воздух и определять ощущается ли там примесь пахучего вещества.

Прибор Эльсберга-Леви, предложенный в 1935 году, явился дальнейшим усовершенствованием прибора Савельева. Авторы решили вводить пары пахучих веществ в нос под давлением и притом в строго дозированных количествах.

Для этого они снабдили савельевскую склянку герметическим запором и предложили вводить в нее определенное количество воздуха при помощи шприца. Тем самым в склянке создавалось повышенное давление. В нос вставлялись оливы, зажимался выпускной клапан, и воздух, насыщенный парами пахучего вещества, поступал в носовые ходы. Измерение обонятельной чувствительности заключалось в определении минимального количества воздуха, которое нужно ввести при помощи шприца в склянку, для того, чтобы выходящая из нее струя воздуха вызвала бы при попадании в нос обонятельное ощущение.

Идея банки Эльсберга-Леви оказалась весьма плодотворной и с небольшими изменениями дожила до наших дней. Имеющийся в настоящее время на вооружении наших оториноларингологов, серийно выпускаемый ольфактометр модели Л. Б. Дайняк по существу представляет собой ту же самую банку Эльсберга-Леви, но упрятанную в кожух. На лицевой панели кожуха расположен манометр и обонятельные ощущения дозируются не в кубических сантиметрах, как предлагали Эльсберг и Леви, а единицах давления, в миллиметрах ртутного столба.

В 1927 году уже упоминавшийся нами в предыдущей главе немецкий физиолог Цваардемакер предложил очень оригинальный прибор, принципиально новой конструкции. Основная идея прибора заключалась в том, что втягиваемый в нос воздух предварительно проходил мимо легко измеримой поверхности, покрытой пахучими веществами, и насыщался его парами.

В первоначальном виде прибор состоял из стеклянной трубочки, один изогнутый конец которой вводился в нос, а другой вставлялся в полый цилиндр, сделанный из вещества, обладающего слабым запахом (каучука, воска, гуттаперчи и др.). Если трубка втянута в полость цилиндра, то воздух, прежде чем попасть в нос, проходит вдоль его внутренней стенки и приобретает соответствующий запах.

Величина площади соприкосновения воздуха с пахучим веществом определяется степенью выдвижения трубки. Чем эта величина больше, тем сильнее ощущается запах. Если исследовали запах жидкого вещества, в ольфактометр вставляли глиняный пористый цилиндр, предварительно пропитанный этой жидкостью. Для того, чтобы исследуемый не видел перемещения трубки, впереди цилиндра устанавливался экран, и цилиндр перемещали относительно трубки.

В 1932 году А. А. Ушаков разработал метод, основанный совершенно на другом принципе. Он брал полоски фильтровальной бумаги, пропитывал из пахучими веществами и помещал в герметически закрытые коробочки. После извлечения полоски бумаги из коробки она сохраняла некоторое время данный запах, но интенсивность его убывала. Ушаков определял промежуток времени, в течение которого больной продолжал улавливать этот запах и принимал его за меру обонятельной чувствительности. Если вы внимательно читали первую главу, то, наверное, помните, где используется данный принцип. Вспомнили? Совершенно верно, это принцип камертона. Острота слуха оценивается по времени ощущения звука затухающего камертона. Поэтому метод Ушакова иногда называют «обонятельным камертоном».

Несколько напоминает этот метод и концентрационный способ И. М. Кисилевского, предложенный им в 1931 году. Он брал фильтровальные бумажки, смоченные раствором уксусной кислоты разной концентрации и подносил их к носу испытуемого. В зависимости от того, какой концентрации раствор чувствовал испытуемый, определялась острота его обоняния.

В 1938 году советский оториноларинголог Л. Б. Эпштейн предложил простой, но оригинальный способ определения обоняния. Разработанный им прибор состоял из металлического цилиндра, на дне которого находилось пахучее вещество, и стеклянной оливы, вставляемой в нос испытуемого. Между оливой и цилиндром помещалась рейка с 12 отверстиями. В эти отверстия закладывались фильтры из тонкого шелка. Количество слоев шелка в разных отверстиях варьировало от 6 до 22. Чем толще слой, через который должно было пройти пахучее вещество, тем сильнее ослабляется его запах. Максимальное число слоев, при котором запах еще ощущается, являлось в данном случае мерилом остроты обоняния.

Если бы я писал руководство по ольфактометрии (а вы уже знаете, что такое ольфактометрия — это наука об измерении остроты обоняния), то я подробно бы разобрал все виды ольфактометров, историю из возникновения, особенности их конструкции. Но это было бы интересно (и причем очень интересно, уверяю вас) только специалистам. Но тебя, дорогой читатель, ни к чему утомлять этими подробностями. Ты видел наиболее оригинальные конструкции, разработанные на заре ольфактометрии. Но работа над изучением остроты обоняния продолжается до настоящего времени. Я мог бы назвать приборы, сконструированные в 80–90-е годы нашего века, основанные на самых последних достижениях физиологии, электроники, химии газовых смесей, но не стану этого делать по той простой причине, что поиск не завершен.

Ни одна из этих моделей полностью не удовлетворяет исследователей, все они вскоре после создания подвергаются заслуженной критике. Само количество моделей ольфактометров говорит о том, что ни одна конструкция не является оптимальной. А потому в этом вопросе точку ставить рано.

Этим я преследую и свои, немного корыстные цели. Может быть, кто-нибудь из читателей, заинтересовавшись ольфактометрией, предложит свои оригинальные конструкции. И может быть, именно эти модели окажутся наиболее плодотворными. Как знать? Время покажет.

Измеряем неизмеримое: 2 способа получить полезную информацию из небольших объемов данных

Когда дело доходит до статистики, существует множество заблуждений. Даже люди с научным образованием разделяют некоторые из этих распространенных заблуждений. Одно заблуждение, которое влияет на измерения практически во всех областях, — это осознанная потребность в большом размере выборки, прежде чем вы сможете получить полезную информацию из измерения.

Измерения часто игнорируются, не выполняя никаких вычислений, потому что кто-то считает, что им нужен больший размер выборки, чтобы быть «статистически значимыми». Мы видим примеры такой мысли повсюду. В спорте, например, мы отвергаем прогностические показатели, потому что они, естественно, работают с небольшими размерами выборки (в конце концов, сезон длится не так долго, в конце концов, только с таким количеством игр), предпочитая вместо этого использовать «интуитивное чутье» и «экспертные знания».

Другими словами, измерение не бесполезно, если размер выборки небольшой. На самом деле вы можете использовать небольшие размеры выборки, чтобы узнать что-то полезное о чем угодно — даже, как мы скоро увидим, с действительно небольшими выборками.

И если вы можете узнать что-то полезное, используя ограниченные данные, которые у вас есть, вы на один шаг ближе к измерению того, что вам нужно измерить, и, таким образом, к принятию более правильных решений. Фактически, именно в тех самых ситуациях, когда у вас много неопределенности, несколько проб могут уменьшить неопределенность в наибольшей степени. Другими словами, если вы почти ничего не знаете, почти все вам что-то скажет.

В книге «Как измерить что угодно: определение ценности нематериальных активов в бизнесе» Дуг Хаббард использует два незаметных статистических принципа, чтобы продемонстрировать, как даже небольшие объемы данных могут дать много полезной информации: «Правило пяти» и «Урна тайны».

Правило пяти

Представьте на мгновение, что вы принимаете решения в большой корпорации с 10 000 сотрудников. Вы планируете автоматизировать часть рутинной деятельности, например, планирование встреч или подготовку отчетов о состоянии дел. Но вы столкнулись с большой неопределенностью и считаете, что вам нужно собрать больше данных. В частности, вам нужно знать, сколько времени типичный сотрудник тратит каждый день в пути.

Как бы вы собрали эти данные?

Вы можете создать что-то вроде переписи, в которой вы опрашиваете каждого из 10 000 сотрудников. Но это было бы очень трудоемко и дорого. Вы, вероятно, не захотели бы столкнуться с подобными проблемами. Другой вариант — получить шаблон, но вы не уверены, какой именно шаблон будет полезным.

Что, если бы вам сказали, что вы можете получить достаточно информации, чтобы принять решение, отобрав всего пять человек?

Допустим, вы случайным образом выбираете пять человек из своей компании. Конечно, людям сложно быть полностью случайными, но давайте предположим, что процесс выбора был настолько случайным, насколько это возможно.

Затем, допустим, вы просите этих пятерых человек дать вам общее время в минутах, которое они проводят каждый день в этом занятии. Результат: 30, 60, 45, 80 и 60 минут. Исходя из этого, мы можем вычислить медианное значение результатов выборки или точку, в которой ровно половина общей совокупности (10 000 сотрудников) находится выше медианы, а половина — ниже медианы.

Достаточно ли информации?

Многие люди, столкнувшись с этим сценарием, скажут, что выборка слишком мала, что она не является «статистически значимой». Но многие люди не знают, что на самом деле означает статистическая значимость.

Вернемся к сценарию. Каковы шансы, что среднее время, затрачиваемое на эту деятельность для 10 000 сотрудников, составляет от 30 до 80 минут, что является минимальным и максимальным значениями, соответственно, в опросе с участием пяти сотрудников?

Когда спрашивают, люди часто говорят где-то около 50%. Некоторые люди даже опускаются до 10%. В конце концов, это имеет смысл; у нас 10 000 сотрудников и бесчисленное количество поездок на работу в течение одного года. Как можно приблизиться к выборке, которая не считается статистически значимой?

Что ж, вот ответ: вероятность того, что среднее время, затрачиваемое населением из 10 000 сотрудников, составляет от 30 до 80 минут, составляет ошеломляющие 93,75%.

Другими словами, вы можете быть очень уверены в том, что среднее время, затрачиваемое на это, составляет от 30 до 80 минут, просто спросив пять человек из 10 000 (или 100 000, или 1 000 000 — это все та же математика).

Это может показаться широким диапазоном, но дело не в этом. Важным моментом является то, является ли этот диапазон уже, чем ваш предыдущий. Возможно, вы раньше думали, что 5 минут в день или 2,5 часа в день были разумными, учитывая то, что вы знали в то время. Маловероятно, что эти значения сейчас будут медианными для популяции. Даже при небольшом измерении с участием всего пяти человек вы значительно сузили диапазон неопределенности. Если раньше ваша неуверенность была такой высокой, теперь у вас есть гораздо лучшая идея.

Теперь предположим, что предлагаемые инвестиции дадут положительный результат, даже если среднее время, затрачиваемое на них, составляет 10 минут на человека в день. То есть, если среднее затраченное время превышает 10 минут, предлагаемые инвестиции принесут больше пользы, чем безубыточность. В этом случае вы уже достаточно снизили неопределенность, чтобы быть уверенным в своем решении инвестировать. Точно так же вы были бы уверены, что отклоните инвестиции, если бы безубыточность составляла 2 часа. Если ваш перерыв составлял, скажем, 45 минут, вы можете рассмотреть возможность дальнейшего отбора проб, прежде чем принимать решение.

Итак, принятие лучших решений — это получение ценной информации из измерений данных. Но не требуется много данных, чтобы получить что-то полезное для работы.

Что, если бы вы могли узнать что-то полезное, имея еще меньше информации?

Урна тайны

Представьте себя на складе. Перед вами стоит мужчина — мы скажем, что он одет как карнавальный зазывающий, в модном красном пальто, в цилиндре и с озорным выражением лица. (Это далеко от обычной корпоративной офисной среды 🙂

Карнавальный зазывала машет рукой в сторону склада. Вы видите ряды и ряды больших урн. Вы пытаетесь сосчитать их, но они продолжают идти и уходить в темные уголки склада.

«Каждая урна, — говорит он вам, — наполнена шариками, скажем, 100 000 шариков на урну. Каждый шарик в этих урнах либо красный, либо зеленый. Но смесь красных и зеленых шариков варьируется от урны к урне. Урна может содержать 100% зеленых шариков и 0% красных шариков. Или 33% зеленых и 67% красных. Или это может быть ровное деление, 50 на 50. Или что-нибудь еще в диапазоне от 0 до 100%. Все проценты одинаково вероятны. И предположим, что шарики в каждой урне были тщательно перемешаны случайным образом».

Вы знаете, что если это равномерное распределение, где все проценты равновероятны, банкующий будет прав в 50% случаев. Это означает, что ваш средний выигрыш на ставку составляет 5 долларов (50% шанс проиграть 10 долларов и 50% получить 20 долларов = (0,5) (- 10) + (0,5) (20) = 5). Итак, более 100 урн вы получите около 500 долларов — плюс-минус 100 долларов или около того — к концу игры. Похоже на разумную ставку.

«Это сделка», — скажете вы.

«Что ж, давайте сделаем это для меня чуточку справедливее», — говорит ставящий. «Позвольте мне вытащить только один шарик, выбранный наугад, из урны, прежде чем я сделаю свой выбор. Это будет совершенно случайным образом. Внизу есть специальный патрубок, который дает мне ни единого шарика, не позволяя мне видеть остальное. Ты по-прежнему будешь играть со мной в эту игру?»

Вы, вероятно, как и большинство людей, думаете, что один маленький шарик в большой урне, полной шариков, не имеет значения. Это слишком мало для выборки, верно?

Большинство людей думают, что дополнительная информация либо совсем не помогает человеку, либо дает в лучшем случае небольшое маргинальное преимущество — что он выигрывает в 51% случаев, а не в 50%, или что-то в этом роде. В конце концов, есть 100 000 шариков.

Если вы по-прежнему получаете шансы 2 к 1, 51% не сильно отличается от 50%. Вы все равно выиграете.

Знаете ли вы, какой новый процент выигрышей? Вы не поверите, но если взять только одну пробу из каждой урны, его процент выигрыша подскочит с 50% до 75%. Это увеличение на 50%. Так что вы действительно выйдете из игры проигравшим.

Это называется «Правило большинства в единой выборке», которое формально гласит: «При максимальной неопределенности в отношении доли населения — такой, что вы полагаете, что эта доля может быть от 0% до 100%, причем все значения равновероятны, — существует 75% вероятность того, что одна случайно выбранная выборка принадлежит большинству населения».

Применение этих принципов к любым измерениям

«Правило пяти» и «Урна тайны» учат вас: когда вы пытаетесь что-то измерить, предполагая, что ваши методы надежны, вы даете себе более действенные данные для принятия лучших решений, которые лучше, чем простая интуиция, «шестое чувство или просто «чуйка», называйте как хотите.

Когда дело касается статистики и количественного анализа, наша интуиция часто ошибается. Мы не можем поверить, что сможем получить что-то полезное из небольшого размера выборки. И еще есть вопрос о статистической значимости.

Вот в чем дело: когда вы что-то измеряете, вы уменьшаете свою неопределенность, а это лучшее, что вы можете сделать, чтобы принять лучшее решение. И когда у вас много неопределенности (например, в случае с урнами, где доля шариков определенного цвета может составлять от 0 до 100%), тогда даже первая случайная выборка может значительно уменьшить неопределенность.

Однако первый шаг — это поверить в то, что ваша интуиция в отношении статистики, вероятности, математики и количественного анализа, вероятно, неверна. Существуют заблуждения, которые мешают вам принимать лучшие решения путем измерения и анализа данных. Лица, принимающие решения, постоянно сталкиваются с этими заблуждениями, и в результате они принимают не самые лучшие решения, на которые могли бы.

Если вы можете преодолеть грубую интуицию или «интуитивное чутье», на которое рассчитывают многие лица, принимающие решения и эксперты, и примете количественный анализ решений, вы сможете собрать больше информации, даже используя смехотворно малые размеры выборки, как в «Правиле пяти» или «Урна тайны».

Вам не нужна большая выборка, чтобы начать что-то измерять, даже нематериальные активы, которые, по вашему мнению, измерить невозможно. Даже с небольшим размером выборки вы можете уменьшить диапазон неопределенности — и, следовательно, быть на пути к принятию более правильных решений.

Источник

можно ли измерить неизмеримое