数据驱动决策为何会失效（以及如何改进）

在数据和叙事之间找到平衡是做出更好选择的关键。

我最近和一个患有糖尿病的朋友共进晚餐。他一生中承受着高强度的工作，以及伴随的工作餐，已经损害了他的健康。他最近安装了一个内置的血糖监测仪。这个设备配合软件，当血糖水平过高时会发出警报。

我们在吃饭时，吃完披萨和喝了啤酒之后，警报突然响了！

我们都很担心，他说，这可能导致心脏病发作或昏迷。但你又能怎样呢？ 这个数值原本应该靠“感觉”来判断，但现在却变成了具体的数值。解读这些数据是一个真正的挑战。你应该采取行动吗？你应该少吃或多吃，是否需要注射胰岛素？过了一段时间，那个峰值逐渐消失了。这不应该是自然恢复的过程吗？有没有办法正确解读这些数据，从而做出更好的选择？

基于数据的决策成为了商业和技术领域的黄金标准。作为一名设计师，我很幸运能够与富有远见的团队合作，他们试图收集并展示数据给决策者。但如果数字总是反映事实，为什么仍然有很多决策失败呢？这个悖论很简单：决策是情感化的。我们依赖数字来验证事实，但我们是通过感受来做出选择的。神经科学家Antioni Damasio曾有一位患者，他的前额叶的特定区域受损，这一区域负责情感。尽管他的智力、记忆力和逻辑推理能力仍然完好，但他无法做出决定——即使是选择午餐这样简单的事也是如此。没有情感来引导偏好和风险评估，他陷入了无法做决定的困境。

无论斯波克先生如何精确地分析情况，柯克船长总是凭直觉大胆行动。这不仅是个好故事，也反映了我们在做决定时如何平衡逻辑和直觉。在商业、设计和日常生活中，我们常常尝试将“艺术与科学”融合起来，来塑造指引我们选择的故事。这些故事可能是错误的，我们在没有完全理解后果和背景的情况下行动。数字有时让我们觉得事情很简单，而事实往往复杂得难以总结和归纳趋势。我们往往选择最方便的故事来解释一切。

我们的时间如此有限，我们总是急急忙忙，根本没有时间跟上信息的脚步。我们知道，如果我们错过一周的新闻，就会落后于对世界的理解。如果我们迟到了上课，或者错过了一个会议，就会错过了解工作进展的重要信息。我们缺乏熟悉和适应这些可以帮助我们做出更好决策的背景的能力。相比之下，数字就简单多了。现在打七五折！

多年来在这个领域的工作的经历，比如为一家财富500强公司编写数据展示指南，这可能会强化我的观点。大多数人既缺乏耐心，也不懂如何批判性地看待数字。大多数的展示方式甚至都不提供足够的背景信息。

就像股市一样，数据也是情绪和观点的回声。就像心率测量可以反映健康状况一样，数据的价值也在时刻变化。它是在承受压力，还是病人病了或睡着了吗？没有上下文，数字不仅会误导，还可能被用来操控。

医院监控仪会并列显示测量数据和病人信息。这个人多大年纪，状况如何，姿态或状态怎样？一起查看这些信息可以帮助医生运用专业知识提供建议。若草率决定或远程操作，则容易出错。

试试看把数字隐藏为好/坏，看看这样是否会帮助你做决定。

在上述项目中，我们设计了许多展示交易特性的图表页面。我对于展示数据碎片的方式太多而感到沮丧。更糟糕的是，存在主要路径和次要路径供用户探索数字，这使得用户的选择变得复杂。然而，这并不是一个故事，而是一个“自己选择冒险”的过程。考虑到观众是管理总监，我假设他们没有太多时间和意愿去深入挖掘构建一个叙事，因此让他们就事实达成一致才是我的目标。在我的概念中，我只设计了一个屏幕，如上所示。它只是用文字来表示许多数字。它只是陈述这些数字大多相互抵消了，而没有解释比率。然而，以故事的形式呈现使决策变得简单，就像抛硬币一样。

我使用了像PlaybookUX这样的前沿工具来记录用户对界面的口头反馈，将这些反馈整理成情境地图。这些洞察通常非常深刻。但与简单的数字调查相比，定性反馈比较零散——更难分析，更难归纳趋势，也不便于管理层快速获取要点。

算法让这个问题变得更糟糕。这些模型的能力只取决于它们训练的数据，而大多数系统优化的是参与度，而不是理解力。我和我妻子新年决心重新训练我们的算法使用，我们承诺避免点击耸人听闻或易于消费的内容。我们之前的选择强化了不想要的结果，因此我们必须改变这些习惯。

收集意见的调查方法存在一些问题。有一次，在设计一个离职访谈流程时，我意识到每个问题的答案都需要更多的问题来补充背景信息。这变成了一个无尽的问题循环：每一个见解都需要更深入的解释。经过几个小时的深入思考后，我们的头脑风暴陷入了僵局。我们无法处理这种复杂性，不得不将流程简化为更实用但不太深入的形式。

技术的进步使得轻松地模拟不同的路径以捕捉微妙之处成为可能，但人们在合作上不够一致或缺乏动力。亚马逊上的产品评分是一个不断演变的过程，从而对消费品有一个相当不错的了解。他们添加了生成式AI摘要来生成共识评论，这背后的故事帮助我们用星级来筛选和排序产品。这指向了一种新的解决方案。但它有着狭窄的应用背景。看看葡萄酒行业中的例子，2010年份的Feist波尔多葡萄酒品质卓越，而2011年份的则显得平淡无奇。这样的即时反馈循环能够帮助我们及时调整行动。

我面临着一个挑战，即评价大学教授。问卷不知为什么包含了大约15个选择题，然后又增加了一个可以自由填写的部分。实际上来说，决策者只使用了其中一个问题作为他们的关键指标。这些额外的问题可能只是为了让填表变得更麻烦。我猜测。

看着结果出来，挺有启发性。排名是1、4和5。一星评价中有很多自由评论。学生们迫不及待地开始吐槽这堂课让他们有多么失望，哪些地方让他们不满意，以及糟糕的经历。五星评价大多是泛泛的好评，称赞教学风格不错，或者某些特别迷人的老师。大多数学生都没有参与进来。即使我费尽心思地通过各种手段甚至乞求，参与率也只有大约60%。如果我们不能获得大多数人的反馈，那这些数据的可信度就更值得怀疑了。

或者根据上下文具体指明问题对象：
如何解决这个问题

研究表明，人们在认为他们的反馈会带来实质性的改变时，更有可能填写反馈表。考虑到这一点，我们将利用GenAI叙事的能力，建立一个更好的方式来挖掘我们请求的背景。受到洗手间调查的启发，我们的目标是尽可能简洁迅速。

我特别喜欢那种三颗米其林星的评级方式，可以多加一个选项，表示不想参与评级。

提交后还可以说明您的意见将如何传达给决策者。这可以为您提供一个新颖的反馈渠道。显然，数字是识别异常值的好“指针”，但决策和优先事项需要根据最有利于大多数参与者的利益进行调整。我们旨在实现全面参与，并更好地代表各种观点，利用生成式AI模型来帮助阐明需求是一个自然的开端。AI的中立性与将这些内容以叙事或故事的形式呈现给决策者之间有着天然的契合，通常能够吸引许多利益相关方的注意力。没有理由对此保密，这种声音本身就是一个强有力的激励。

医疗行业正在尝试利用这项技术来挖掘医生的经验，以提供更好的背景信息和量化的结果。这涉及数量和一致意见，以往这部分工作是由分析师承担的，而且成本高昂且耗时。如果我们开发服务来降低分析成本并使其立即可用，就能避免季度报告的繁文缛节。分析的成本，以及情感和趋势测量的普遍低质，使得AI成为提供这些洞察的最佳工具。重点是决策和结果本身，而不仅仅是分析和解释。

你今天可能会做出几个决定，有些只影响你自己，这样的决定也会更具挑战性。当你围绕同一个话题聚集越来越多的人时，这种情况会分岔成无数条路径。我们可以通过生成式AI来帮助我们理清这些问题。请记住：

• 上下文比单纯的数据更重要。
• 情感对决策至关重要。
• 共同的故事比单纯的数字趋势或百分比更易于实施。
• 人们只有在相信他们的意见会被重视时才会参与进来。
• 没有意义的参与，我们可能会过高估计并过度反应负面故事。