How to Measure Anything

1. Tout est mesurable, même les intangibles

Si vous pouvez l'observer de quelque manière que ce soit, cela se prête à une méthode de mesure.

La mesure est une réduction de l'incertitude. Contrairement à une idée reçue, la mesure ne nécessite pas une précision ou une certitude parfaite. Elle signifie simplement réduire l'incertitude concernant une quantité d'intérêt. Cela s'applique aux choses tangibles comme les objets physiques et aux concepts intangibles comme la satisfaction client ou le risque de projet.

Conséquences observables. Tout intangible qui compte doit avoir des conséquences observables. Par exemple, si vous affirmez que le moral des employés affecte la productivité, il doit y avoir un moyen de détecter les changements de moral à travers des indicateurs de productivité. En identifiant ces effets observables, nous pouvons mesurer indirectement l'intangible.

Des méthodes pratiques existent. De nombreuses choses apparemment impossibles à mesurer ont déjà été mesurées par quelqu'un, souvent en utilisant des méthodes étonnamment simples. Des exemples incluent :

• Estimer les populations de poissons dans les lacs sans les vider
• Mesurer l'impact économique des dommages à une marque
• Quantifier la valeur d'une vie humaine pour des décisions politiques

2. La mesure réduit l'incertitude pour de meilleures décisions

La mesure est importante car elle doit avoir un effet concevable sur les décisions et le comportement.

Mesure orientée vers la décision. Le but de la mesure est d'informer les décisions. Avant de mesurer, définissez clairement la décision en jeu et comment des informations supplémentaires l'affecteraient. Cela aide à prioriser ce qu'il faut mesurer et avec quelle précision.

Incertitude et risque. Les décisions impliquent de l'incertitude, ce qui crée du risque. La mesure réduit l'incertitude, atténuant ainsi le risque. Concepts clés :

• Incertitude : Manque de certitude complète ; existence de plus d'une possibilité
• Risque : Un état d'incertitude où certaines possibilités impliquent une perte ou des résultats indésirables

Valeur de l'information. Toutes les mesures n'ont pas la même valeur. Calculez la Valeur Attendue de l'Information Parfaite (VAIP) pour déterminer combien vaut une mesure :

1. Identifiez la décision et les résultats possibles
2. Estimez les probabilités et les conséquences de chaque résultat
3. Calculez la valeur attendue avec et sans information parfaite
4. La différence est la VAIP, le maximum que vous devriez dépenser pour la mesure

3. Calibrez vos estimations pour améliorer la précision

Le succès est une fonction de la persistance, de l'acharnement et de la volonté de travailler dur pendant vingt-deux minutes pour comprendre quelque chose sur lequel la plupart des gens abandonneraient après trente secondes.

L'excès de confiance est courant. La plupart des gens sont trop confiants dans leurs estimations, fournissant des plages trop étroites. Cela conduit à une prise de décision médiocre basée sur des attentes irréalistes.

Formation à la calibration. Grâce à la pratique et aux retours, les gens peuvent apprendre à fournir des estimations de probabilité plus précises. Les techniques incluent :

• Test de pari équivalent : Comparez votre estimation à un pari avec des cotes connues
• Considérez l'opposé : Cherchez activement des raisons pour lesquelles vous pourriez avoir tort
• Utilisez des classes de référence : Comparez à des quantités similaires et connues
• Pratique avec retour : Passez des tests de calibration et examinez les résultats

Avantages de la calibration. Les estimateurs bien calibrés :

• Fournissent des entrées plus fiables pour les modèles de décision
• Sont plus ouverts à de nouvelles informations et à changer d'avis
• Font de meilleures prédictions dans divers domaines

4. Utilisez la Règle de Cinq pour des aperçus rapides de la population

Il y a 93,75 % de chances que la médiane d'une population se situe entre les plus petites et les plus grandes valeurs dans un échantillon aléatoire de cinq éléments de cette population.

Simple mais puissant. La Règle de Cinq permet d'estimer rapidement les caractéristiques d'une population avec peu de données. Elle fonctionne pour tout type de population, des poids de bonbons gélifiés aux scores de satisfaction client.

Comment l'appliquer :

1. Prenez un échantillon aléatoire de cinq éléments de la population
2. Notez les plus petites et les plus grandes valeurs de l'échantillon
3. Vous pouvez être 93,75 % confiant que la médiane de la population se situe entre ces deux valeurs

Limitations et extensions :

• Fournit des informations sur la médiane, pas la moyenne
• Pour des estimations plus précises, augmentez la taille de l'échantillon (voir le tableau sans mathématiques dans le livre)
• Combinez avec d'autres méthodes pour une analyse plus complète

5. Décomposez les problèmes complexes en composants mesurables

Si vous ne savez pas quoi mesurer, mesurez quand même. Vous apprendrez quoi mesurer.

Décomposez-le. Lorsqu'on est confronté à un problème apparemment impossible à mesurer, décomposez-le en composants plus petits et plus gérables. Cela révèle souvent des aspects plus faciles à mesurer ou à estimer.

Problèmes de Fermi. Nommée d'après le physicien Enrico Fermi, cette approche consiste à faire des estimations approximatives de quantités difficiles à mesurer en les décomposant en facteurs plus facilement estimables. Exemple :
Estimer le nombre de tuners de piano à Chicago :

1. Estimez la population de Chicago
2. Estimez le pourcentage de ménages avec des pianos
3. Estimez la fréquence à laquelle les pianos doivent être accordés
4. Estimez combien de pianos un accordeur peut entretenir par jour
5. Combinez ces estimations pour obtenir une réponse finale

Avantages de la décomposition :

• Réduit l'erreur d'estimation globale
• Révèle quels composants contribuent le plus à l'incertitude
• Identifie des domaines spécifiques où des données supplémentaires seraient les plus précieuses

6. Appliquez la pensée bayésienne pour mettre à jour vos croyances avec de nouvelles données

Lorsque vous pouvez mesurer ce dont vous parlez et l'exprimer en chiffres, vous savez quelque chose à ce sujet ; mais lorsque vous ne pouvez pas l'exprimer en chiffres, votre connaissance est de nature maigre et insatisfaisante.

Probabilités antérieures et postérieures. L'analyse bayésienne fournit un cadre pour mettre à jour les croyances en fonction de nouvelles preuves :

1. Commencez avec une probabilité antérieure (croyance initiale)
2. Collectez de nouvelles données
3. Calculez la probabilité des données en fonction de différentes hypothèses
4. Mettez à jour l'antérieure en une probabilité postérieure en utilisant le théorème de Bayes

Avantages de l'approche bayésienne :

• Intègre les connaissances existantes
• Permet une mise à jour incrémentale à mesure que de nouvelles informations arrivent
• Fournit un moyen naturel d'exprimer l'incertitude

Applications pratiques :

• Diagnostic médical : Mise à jour des probabilités de maladie en fonction des résultats des tests
• Contrôle de qualité : Affinement des estimations des taux de défaut avec les données d'inspection
• Gestion de projet : Ajustement des délais et des budgets à mesure que le travail progresse

7. De petits échantillons peuvent fournir des informations précieuses

Si vous ne savez presque rien, presque n'importe quoi vous dira quelque chose.

Valeur des données initiales. Lorsque l'on part d'un état d'incertitude élevée, même de petits échantillons peuvent fournir des informations significatives. Les premières observations donnent souvent le plus d'informations par point de données.

Rendements décroissants. À mesure que la taille de l'échantillon augmente, la valeur marginale de chaque observation supplémentaire diminue généralement. Ce principe aide à guider la collecte de données efficace :

• Commencez par de petits échantillons pour obtenir des aperçus rapides
• Augmentez la taille de l'échantillon progressivement en fonction de la valeur de l'information
• Arrêtez lorsque le coût de données supplémentaires dépasse ses bénéfices

Méthodes pour de petits échantillons :

• Distribution t de Student : Pour estimer les paramètres de population avec des échantillons aussi petits que 2
• Méthodes non paramétriques : Techniques qui n'assument pas une distribution de population spécifique
• Mise à jour bayésienne : Incorporation des connaissances antérieures pour tirer le meilleur parti des données limitées

8. Quantifiez la valeur de l'information supplémentaire

L'équation de l'épiphanie : Comment la valeur de l'information change tout.

Valeur Attendue de l'Information (VAI). Calculez combien vaut une information avant de la collecter :

1. Modélisez la décision et les résultats possibles
2. Estimez les probabilités et les gains actuels
3. Calculez la valeur attendue avec les informations actuelles
4. Calculez la valeur attendue avec une information parfaite
5. La différence est la Valeur Attendue de l'Information Parfaite (VEIP)
6. Estimez combien d'incertitude une mesure réduirait
7. Multipliez la VEIP par la fraction d'incertitude réduite pour obtenir la VAI

Inversion de mesure. Souvent, les mesures les plus précieuses sont celles rarement considérées, tandis que les éléments mesurés de manière routinière fournissent peu de valeur décisionnelle. Les raisons incluent :

• Biais de familiarité : Mesurer ce qui est facile ou traditionnel
• Excès de confiance dans des domaines bien connus
• Négliger des facteurs à fort impact et à forte incertitude

Approche itérative. Commencez par des estimations approximatives et affinez en fonction de la valeur de l'information :

1. Identifiez les incertitudes clés dans la décision
2. Estimez la valeur de l'information pour chaque incertitude
3. Mesurez l'élément de la plus haute valeur
4. Mettez à jour le modèle et répétez

9. Concevez des expériences pour isoler les relations causales

Emily a démontré que des observations utiles ne sont pas nécessairement complexes, coûteuses, ou même, comme on le prétend parfois, au-delà de la compréhension de la direction, même pour des concepts éphémères comme la thérapie par le toucher.

Contrôlez les facteurs de confusion. Pour déterminer si A cause B, concevez des expériences qui isolent l'effet de A tout en contrôlant d'autres variables. Les techniques incluent :

• Essais contrôlés randomisés : Assignez aléatoirement des sujets à des groupes de traitement et de contrôle
• Expériences naturelles : Exploitez les variations naturellement survenant dans la variable d'intérêt
• Différence-en-différences : Comparez les changements au fil du temps entre les groupes affectés et non affectés

Signification statistique vs. importance pratique. Bien que les tests statistiques aident à écarter les résultats aléatoires, concentrez-vous sur les tailles d'effet et les intervalles de confiance pour la prise de décision. Considérez :

• L'ampleur de l'effet
• La précision de l'estimation
• Les implications pratiques pour la décision en cours

Apprenez des expériences simples. Même des tests basiques peuvent fournir des aperçus précieux :

• Tests A/B en marketing
• Programmes pilotes avant une mise en œuvre à grande échelle
• Études d'observation lorsque les expériences ne sont pas réalisables

10. Mesurez les préférences et la tolérance au risque pour de meilleurs choix

Si les gestionnaires ne peuvent pas identifier une décision qui pourrait être affectée par une mesure proposée et comment cela pourrait changer ces décisions, alors la mesure n'a tout simplement aucune valeur.

Préférences révélées vs. déclarées. Les actions des gens diffèrent souvent de leurs préférences déclarées. Pour mesurer de vraies préférences :

• Observez les choix réels (préférences révélées)
• Utilisez des enquêtes soigneusement conçues (préférences déclarées)
• Combinez plusieurs méthodes pour obtenir une image plus complète

Quantification de la tolérance au risque :

1. Présentez des scénarios hypothétiques avec des compromis risque-rendement variés
2. Identifiez le point où le décideur est indifférent entre les options
3. Tracez ces points pour créer une courbe de tolérance au risque

Applications :

• Décisions d'investissement : Équilibrer les rendements potentiels avec des niveaux de risque acceptables
• Développement de produits : Prioriser les fonctionnalités en fonction des préférences des clients
• Politique publique : Évaluer les compromis en matière de santé, de sécurité et de réglementations environnementales

Considérations éthiques. Bien que certains s'opposent à la quantification de certaines valeurs (par exemple, la vie humaine), ne pas le faire conduit souvent à de pires résultats. Une mesure réfléchie permet une prise de décision plus informée et cohérente dans des domaines sensibles.

Dernière mise à jour: January 22, 2025