Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
Hello大家好
欢迎回到课代表雷震
我是明尔科代表
这期视频我们继续课代表聊数据
我们继续聊数据科学家和决策的关系
在这我来问一个问题
如果屏幕前的同学是数据科学家
或者你们跟数据科学家打过交道
有多少人认为
你在有很确定的causal evidence的时候
敢对决策发表意见
有的话扣1
如果不敢的话扣2
好 接下来
如果你没有causal evidence
这个时候你有一些correlation
然后你有一些其他的analysis
然后你对你的insights觉得很确定
你觉得就是A虽然没有causal evidence
但是能导致B
或者说你觉得做A是对的
哪怕在没有这个AB实验
或者各种各样causal analysis的基础之上
你觉得做A是对的
这个时候你敢不敢对决策发表意见
如果敢的话请打1
如果不敢的话请打2
第三种情况
你只有一些基本的data或者facts
可是你对这件事情有一定的理解
所以说你虽然你的analysis
不能证明做A是对的
可是你觉得做A是对的
有多少人敢在这个时候
对决策发表意见
敢的请打1
不敢的请打2
然后我这个也是在Facebook
跟大佬上那门课的时候
他给我的一个特别大的启发
他认为数据科学家
在情况三的时候
也应该敢说话
因为在情况三的时候
其他的所有的职业都敢说话
就是你尤其是做一个PM是吧
然后各种各样的leadership
他们的工作就是在
common uncertainty的情况下
去做一个决定
这个决定可能是对的
可能是错的
有的时候是需要你的intuition的
但是大家敢做这个决定
起码大家敢对这个决定发表意见
就是我们应不应该做这个决定发表意见
但是很多数据科学家
因为职业受到的training
我们就会觉得
我只有在最concrete
最causal
最无懈可击的证据之下
我才能发表意见
如果我没有这些数据
或者这些analysis
去backup的观点的话
那我就不应该去发表意见
我应该把这个发表意见的
责任和权力交给其他人
这样做在我看来是不对的
为什么呢
就是因为第一
PM比我们多长了个脑袋
没有啊
就是他们受到了很多
他们独有的training
能帮助他们对这个决策
产生有价值的input
可是我们也受到了很多的training
我们有scientific的training
我们对数据更敏感
我们有很多logical的training
所以说我们一样可以对这个决策
在没有数据的情况下
在我们没有analysis
来证明这个决策正确的情况下
让对这个决策产生了正向的贡献
这是事情的一面
就是我们不要把自己的决策
因为我们受到的training更rigorous
而局限在了只能得到rigorous answer的这一部分
而是你应该把你的注意力
放在更大范围更重要的决策上
这些重要的决策很多时候是有很多模糊性的
但是作为一个数据科学家
你也应该敢于对这些决策发表意见
但是事情的反面呢
就是我们要对一个决策中
到底有多少是能被数据measure的
有一个清醒的认知
前面的一部分是在你没有数据的情况下
也要敢做决策
后面这部分就是不要过分夸大数据在决策中的作用
我发现后面这种情况
就是我之前的一个视频讲的
很多企业会依赖模型做决策而犯下的错误
但是我其实后来有一个苏刚同学
在跟我讨论的时候
跟我说了这个Macknamara Fallacy
我才发现原来这件事情不是什么
现代的互联网大企业才发生的
这是一个讲的美国越战的故事
当时美国的国防部长叫这个Macknamara
他当时在这个越战中就犯下了一个很致命的错误
这个致命的错误是什么呢
他这里边说有四步对吧
第一步是去measure whatever can be easily measured
比如说在越战的时候
他们去measure的就是我们消灭了多少敌军
我们的损失是多少
他们觉得如果我们消灭了足够多的敌军
我们的战争就会走向胜利
听起来好像是有点道理的
但是第二部分就是disregard
that which can't be easily measured
就是你不能去measure的东西
你就直接不管了
第三步就是去assume what cannot be measured
really isn't important
然后第四步是what can't be easily measured
really doesn't exist
这是开始遮上眼睛说
我不能measure的东西
其实对我的决策不重要
或者说根本就不存在
在这里边就是越南人民对美国的憎恨
越南人民的抵抗决心
他比如说去轰炸更多的地方
或者说是把军事介入投入到一个更大的范围
以及他去屠杀了更多的越南的士兵
或者民众也好
激起了越南人民的反抗决心
其实是让他离他战争胜利的目标会越来越远
从而他消灭多少敌军的
可以被easily measured的goal
变得不是那么重要的
因为他激起了整个国家的反抗意志
他陷入了人民战争的亡羊大海
尸道寡樹
对吧
抽离来看的话
是一个很明显的事情
可是当时美国的国防部
就犯了一个试图scientifically
来track这个world progress的东西
因为他们已经形成了一个汇报体系
坐在办公室里的国防部长
他说我需要用各种各样的一套metrics
来track我的战争的进展
我是不是要赢了
我可以去跟人汇报
我可以去拿预算
变成了这样的一件事情以后
他们就忽略了很多常识
而去用这种所谓的data driven decisions
最后导致决策的失败
好
这就是事情的另外一部分
我们一定要知道这个决策里边
到底有多少东西
是可以被easily measured的
然后也要respect那些
不能被easily measured的
并且给他们足够多的attention
我们要运用我们的常识
我们要运用我们的像那期视频说的
know-how的能力
去把这些地方搞懂
最后才能做出一个好的决策
好的
那这期视频我们就到这儿
我就是想跟各位数据科学家们
去讲清楚这一个道理
就是第一
你要勇于在没有数据backup你的观点的情况下
去对重要的决策发表意见
并且你要去积极的寻找那些重要的决策
而不只是把你的目光局限在
可以被数据回答的决策
第二
对数据科学家也好
对所有人也好
尤其我觉得对数据科学家
有义务去告诉所有人
就是在这个决策中
数据到底占了一个多大的比重
有的决策可能就是一个很简单的
用数据基本上就可以做的决策
但是很多决策不是
那这个时候你有必要跟大家说
虽然大家对uncertainty是uncomfortable的
可是我们数据只能messure百分之三十
剩下的百分之七十就是uncertain
就是数据回答不了的
我们就是不应该去用数据
去框定这部分
但是我们要足够重视这一部分
好
这期视频就到这
谢谢大家
我们下期再见
拜拜