ניתוח שונות (definition analysis of variance) הוא דרך לפרק מה השתנה, היכן זה השתנה, וכמה כל גורם תרם לשינוי. בעבודה על קבלת החלטות, אותה "חשיבת שונות" היא בדיוק מה שמבדיל בין דיאגרמת עץ סטטיסטית (הסתברויות ותוצאות) לבין עץ החלטות (בחירות, סיכויים ותוצאות). מדריך זה מראה כיצד לבחור את ה"עץ" הנכון, לשלב אותו עם מטריצת החלטות, ולהציג ענפים כך שבעלי העניין יפסיקו לדבר בשפות שונות.
מה ההבדל בין דיאגרמת עץ סטטיסטית לעץ החלטות?
דיאגרמת עץ סטטיסטית היא כלי הסתברותי: היא ממפה אירועים עוקבים שבהם כל ענף הוא תוצאה עם הסתברות, ונקודת הסיום היא הסתברות משותפת (שלעיתים קרובות משולבת עם תגמול). המשפט הראשון שהצוות שלכם צריך להסכים עליו הוא: "זהו עץ הסתברות, לא מודל החלטות." בפועל, הוא עונה על שאלות כמו "מהי ההסתברות שנגיע ליעד אם יקרה א' ואז יקרה ב'?"
עץ החלטות הוא כלי של מדעי ההחלטות: הוא ממפה בחירות (מה שבשליטתנו) ואירועי סיכוי (מה שלא), ואז מצמיד תוצאות כמו תגמול, עלות, תועלת או סיכון לעלים. הוא קרוב יותר לתרשים זרימה של החלטות מאשר לדיאגרמה סטטיסטית, מכיוון שהוא כולל צמתי החלטה (בדרך כלל ריבועים) וצמתי סיכוי (בדרך כלל עיגולים), בתוספת הלוגיקה של "אם נבחר ב-X, הטבע יבצע את Y בהסתברות p."
הנה הדרך הקלה ביותר שמצאתי למנוע אי-הבנות בסקירות מוצר ותפעול: תייגו את התוצר בראש הדף עם הפועל שהוא תומך בו.
תוצר
פועל עיקרי
מה "מנצח"
מצב כשל טיפוסי
דיאגרמת עץ סטטיסטית (עץ הסתברות)
לחזות
הסבירות הגבוהה ביותר, או הסתברות ליעד
אנשים מכניסים העדפות אישיות וקוראים לזה "ההחלטה"
עץ החלטות
לבחור
הערך הצפוי הטוב ביותר, או התועלת הצפויה הגבוהה ביותר תחת אילוצים
ההסתברויות מומצאות, כך שהמתמטיקה נראית מדויקת אך אינה כזו
אם אתם רוצים עוגן רשמי, הסקירה של ויקיפדיה על עצי החלטות בניתוח החלטות תואמת את האופן שבו רוב הארגונים מציירים צמתי החלטה וסיכוי, בעוד שעצי הסתברות נלמדים בדרך כלל תחת הסתברות מותנית והסקה בייסיאנית.
היכן מופיע ניתוח שונות: ברגע שיש לכם תוצאות, אתם יכולים לשאול "איזה ענף תורם הכי הרבה לשונות בתגמול?" זה שומר על הדיונים מבוססים על גורמים, לא על תחושות בטן.
מתי כדאי להשתמש בהסתברויות לעומת ניקוד קריטריונים?
הסתברויות שייכות למודל כאשר מתקיימים שני תנאים: (1) אי-הוודאות היא חיצונית וניתנת לחזרה מספקת כדי להעריך אותה, ו-(2) ההחלטה תלויה בהתפלגות, לא בהעדפה. לדוגמה, "זמן אספקה של ספק שחורג ביותר משבועיים" הוא הסתברותי אם יש לכם נתונים היסטוריים.
ניקוד קריטריונים שייך למודל כאשר התוצאות הן רב-ממדיות והאפשרות ה"טובה ביותר" תלויה במה שאתם מעריכים. החלטות מוצר ותפעול בדרך כלל נמצאות כאן כי מהירות, סיכון, השפעה על לקוחות ועלות הנדסית חשובים כולם בבת אחת. כאן מודל קבלת החלטות רציונלי וניתוח החלטות מרובה קריטריונים (MCDA) הם כנים יותר מהסתברויות מזויפות.
כלל מעשי שאני משתמש בו עם צוותים: אם אינכם יכולים להגן על טווח הסתברות בחדר מלא ספקנים, עברו לניקוד והיו מפורשים לגבי ההנחות.
דוגמה מעשית: תזמון השקה
נניח שאתם מחליטים בין "השקה בעוד שבועיים" לבין "דחייה ב-6 שבועות".
עץ הסתברות עוזר אם יש לכם שיעורי בסיס אמיתיים: הסתברות לתקלה, הסתברות לנטישת לקוחות בהינתן תקלה, הסתברות לעבודה חוזרת, והערכת תגמול. ניתן לחשב ערך צפוי.
מטריצת החלטות עוזרת אם הדיון האמיתי הוא על עמדה אסטרטגית: סובלנות לסיכון מותגי, שלמות מפת הדרכים, ועומס תמיכה. ניתן לנקד ולשקלל.
עבור ערך צפוי מבוסס הסתברות, המתמטיקה צריכה להיות שקופה ופשוטה. אם העץ מורכב מדי מכדי שמישהו יוכל לבדוק אותו, הוא לא ישרוד את בחינת בעלי העניין.
עבור מודלים מבוססי ניקוד, שמרו על סולם ניקוד עקבי (למשל 1-5) ואלצו את הצוות לכתוב הצדקה בשורה אחת לכל ציון. שם קורה התיאום.
אתם משלבים עץ עם מטריצת החלטות על ידי שימוש בעץ ליצירת תרחישים ובמטריצה להערכת אפשרויות על פני אותם תרחישים. זהו המהלך שעוצר "מלחמות עצים" בפגישות בין-תחומיות.
הנה תהליך העבודה שאנו משתמשים בו בפועל:
בנו עץ קטן תחילה. שניים עד ארבעה ענפים לכל היותר. תנו להם שמות כתרחישי החלטה שבעלי העניין כבר מכירים (למשל: "זינוק בביקוש", "ביקוש שטוח", "ירידה בביקוש").
עבור כל אפשרות, כתבו את התוצאה לכל תרחיש בשפה פשוטה לפני שאתם נוגעים במספרים.
לאחר מכן בחרו את שכבת ההערכה:
אם התוצאות הן כספיות או ניתנות למוניטיזציה אמינה, חשבו ערך צפוי לכל אפשרות.
אם התוצאות מעורבות, השתמשו במטריצת קבלת החלטות עם קריטריונים משוקללים, ונקדו כל אפשרות תחת כל תרחיש.
טבלה קומפקטית לרוב מנצחת עץ ענק בסקירות החלטות:
אפשרות
תרחיש א': זינוק
תרחיש ב': שטוח
תרחיש ג': ירידה
הערות / אילוצים
אפשרות 1
יתרון גבוה, עומס תמיכה גבוה
בינוני
סיכון להוצאה מבוזבזת
דורש כיסוי כוננות
אפשרות 2
החמצת יתרון
יציב
הגנה טובה ביותר מפני ירידה
נועל ספק ל-12 חודשים
זה גם המקום שבו צוותים מבלבלים בין עץ מבנה או עץ פתרונות (דרכים לפירוק בעיה) לבין עץ החלטות (דרכים לבחירה תחת אי-וודאות). עץ מבנה מצוין למציאת שורש הבעיה או להגדרת היקף. הוא אינו מספיק לבחירה בין אסטרטגיות.
אם הצוות שלכם רוצה שיטה עקבית בין החלטות, שילוב זה עם מסגרת החלטות סטנדרטית עוזר. כתבנו מדריך מעשי על כיצד לבחור מסגרת החלטות לצוות שלכם שממפה סוגי החלטות נפוצים לכלי הנכון.
היכן Lucid משתלבת: לוח אחד, שתי תצוגות
רוב הצוותים מתחזקים עץ בשקופית ומטריצה בגיליון אלקטרוני, ואז הם מתפצלים תוך שבוע. ב-Lucid, אנו מתייחסים לעץ ולמטריצה כשתי תצוגות של אותו מודל החלטה בסיסי: אתם יכולים לשמור על ייצוג ענפי ללוגיקת תרחישים, ואז לעבור לתצוגת רשת או טבלה זה לצד זה כך שהפשרות והתוצאות יישארו עקביות ככל שההנחות משתנות.
התנהגות ה"מקור האחד לאמת" הזה היא המפתח האמיתי עבור צוותי תפעול שבוחנים מחדש החלטות מדי חודש.
לסקירה מעמיקה יותר של המערכת האקולוגית הרחבה יותר, מסגרות החלטות: המדריך המלא הוא ההתייחסות שאנו מפנים אליה מנהלי מוצר חדשים באופן פנימי.
מהי הדרך הפשוטה ביותר להציג ענפים לבעלי עניין?
העץ הפשוט ביותר שמוכן לבעלי עניין הוא כזה עם צומת החלטה אחד, צומת סיכוי אחד, ושורת סיכום שמציינת מה ישנה את דעתכם. כל דבר מעבר לכך הופך לתוצר סדנה, לא לתוצר החלטה.
אני אוהב פורמט של עמוד אחד שנקרא מלמעלה למטה:
ההחלטה במשפט אחד.
שתיים או שלוש האפשרויות (ענפים).
אי-הוודאות האחת שחשובה (צומת סיכוי).
מדד התוצאה (תגמול, תועלת או ציון).
האילוץ שחוסם את האפשרות ה"מובנת מאליה" (תקציב, כוח אדם, תאימות, לוח זמנים).
אם אתם צריכים לכמת, שמרו על ערך צפוי או תועלת צפויה והציגו את המספרים שחשובים. ברגע שתסתירו הנחות, בעלי עניין יתקפו את המודל במקום לדון בבחירה.
שתי טקטיקות הצגה שעובדות בעקביות עבור סקירות מנהלים:
ראשית, תנו שמות לענפים בשפה עסקית, לא בשפת מודלים. "שכירת 2 נציגי תמיכה" עדיף על "אפשרות ב'". "שיעור התקלות מוכפל" עדיף על "p = 0.2".
שנית, כללו משפט שונות: "אם השפעת הנטישה גבוהה מ-1.5%, הענף הטוב ביותר מתהפך." זהו ניתוח שונות המיושם על לוגיקת החלטות. זה אומר לאנשים היכן נמצאת הרגישות.
עבור צוותים שרוצים ויזואליה נקייה ונרטיב מהיר, ראינו תוצאות חזקות בשימוש בפורמט לוח החלטות. אתם יכולים לשמור על לוגיקת הענפים בתצוגה ממוקדת, ואז לעבור לתצוגת השוואה עבור ההמלצה הסופית. אם אתם בונים הרגל זה ברחבי ארגון מוצר, המאמר שלנו על כיצד מנהלי מוצר וצוותי UX משתמשים בעוזר AI אישי כולל תהליכי עבודה שמפחיתים את הבלבול בפגישות ושומרים על החלטות מתועדות.
תבנית מעשית שתוכלו להעתיק להחלטה הבאה שלכם
השתמשו בתבנית זו כאשר מישהו אומר "בואו נעשה עץ" ואתם צריכים להבהיר איזה סוג.
שדה
מלאו כאן
סוג עץ
עץ הסתברות (דיאגרמת עץ סטטיסטית) או עץ החלטות
צומת החלטה
איזו בחירה נמצאת בשליטתנו?
צומת סיכוי
איזו אי-וודאות מניעה את התוצאות?
תרחישים
2-4 תרחישי החלטה בעלי שם שבעלי עניין מזהים
תוצאה
תגמול, ערך צפוי, או תועלת (הגדירו את היחידה)
אילוצים
תקציב, זמן, מדיניות, קיבולת, תלויות
תנאי החלפה
ההנחה האחת שתהפוך את ההמלצה
אם אתם רוצים להפוך זאת למבצעי, שימו את העץ ואת המטריצה באותו מרחב עבודה כך שעדכונים יתפשטו. זה ההבדל בין ניתוח חד-פעמי למערכת החלטות רב-פעמית. Lucid בנויה בדיוק לזה: קלט מבולגן פנימה, אפשרויות מובנות החוצה, ואז השוואה בתצוגות רשת/טבלה/מיקוד כך שהפשרות יהיו מפורשות.
הצעד הבא: קחו את מסמך ה"עץ" הנוכחי שלכם ושכתבו את שורת הכותרת ל-"עץ הסתברות: [אירוע]" או "עץ החלטות: [בחירה]". לאחר מכן הוסיפו תנאי החלפה אחד. המשפט הבודד הזה ימנע את רוב אי-ההבנות של בעלי העניין עוד לפני שהפגישה מתחילה.
מהם היתרונות והחסרונות של AI?
AI מהיר ביצירת אפשרויות, הצפת תוצאות ושמירה על לוגיקת החלטות עקבית לאורך עדכונים. החיסרון הוא דיוק כוזב: אם הקלטים שגויים או שההנחות אינן מוצהרות, AI יכול לייצר המלצות בטוחות אך שבריריות.
מהם 5 היתרונות ו-5 החסרונות של AI?
יתרונות: מהירות, רוחב אפשרויות, עקביות, חקירת תרחישים ותיעוד. חסרונות: עובדות הזויות, הנחות נסתרות, אמון יתר, הטיות בנתוני אימון, ואחריות חלשה אלא אם כן בני אדם מחזיקים בהחלטה הסופית.
מה ההבדל בין שונות משותפת (covariance) למטריצת שונות משותפת?
שונות משותפת היא ערך בודד המתאר כיצד שני משתנים נעים יחד. מטריצת שונות משותפת היא טבלה של שונויות משותפות על פני משתנים רבים, המשמשת בסטטיסטיקה רב-משתנית ובמידול סיכונים.
מהו עץ החלטות בתורת ההחלטות?
עץ החלטות הוא מודל החלטה מובנה עם צמתי החלטה (בחירות) וצמתי סיכוי (אי-וודאות), המשמש להשוואת ערך צפוי או תועלת צפויה בין אפשרויות. הוא שימושי ביותר כאשר ניתן להגן על הסתברויות או טווחים ולהגדיר בבירור תגמולים.