Points clés
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 :
- Identifiez la décision et les résultats possibles
- Estimez les probabilités et les conséquences de chaque résultat
- Calculez la valeur attendue avec et sans information parfaite
- 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 :
- Prenez un échantillon aléatoire de cinq éléments de la population
- Notez les plus petites et les plus grandes valeurs de l'échantillon
- 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 :
- Estimez la population de Chicago
- Estimez le pourcentage de ménages avec des pianos
- Estimez la fréquence à laquelle les pianos doivent être accordés
- Estimez combien de pianos un accordeur peut entretenir par jour
- 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 :
- Commencez avec une probabilité antérieure (croyance initiale)
- Collectez de nouvelles données
- Calculez la probabilité des données en fonction de différentes hypothèses
- 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 :
- Modélisez la décision et les résultats possibles
- Estimez les probabilités et les gains actuels
- Calculez la valeur attendue avec les informations actuelles
- Calculez la valeur attendue avec une information parfaite
- La différence est la Valeur Attendue de l'Information Parfaite (VEIP)
- Estimez combien d'incertitude une mesure réduirait
- 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 :
- Identifiez les incertitudes clés dans la décision
- Estimez la valeur de l'information pour chaque incertitude
- Mesurez l'élément de la plus haute valeur
- 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 :
- Présentez des scénarios hypothétiques avec des compromis risque-rendement variés
- Identifiez le point où le décideur est indifférent entre les options
- 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:
FAQ
What's How to Measure Anything about?
- Measuring Intangibles: The book by Douglas W. Hubbard focuses on the idea that anything, including intangibles like employee morale or the value of information, can be measured.
- Decision-Oriented Framework: It presents a universal approach to measurement that emphasizes the importance of measurements in informing decisions.
- Practical Applications: Hubbard shares real-world examples from various fields to illustrate how measurement can lead to better decision-making.
Why should I read How to Measure Anything?
- Overcoming Measurement Myths: The book is essential for anyone who believes that certain aspects of their business or life cannot be quantified.
- Improving Decision-Making: By learning the methods outlined, readers can enhance their decision-making processes.
- Accessible to All: Hubbard's writing is designed to be accessible to non-experts, making complex statistical concepts understandable.
What are the key takeaways of How to Measure Anything?
- Measurement is Possible: Hubbard emphasizes that even the most elusive intangibles can be quantified with the right approach.
- Applied Information Economics (AIE): Introduces a structured approach to measurement focusing on defining decisions and assessing uncertainty.
- Calibration of Estimates: Discusses the importance of calibrating estimates to improve accuracy in decision-making.
What are the best quotes from How to Measure Anything and what do they mean?
- “Anything can be measured.”: Encourages readers to rethink their assumptions about what can and cannot be quantified.
- “It’s better to be approximately right than to be precisely wrong.”: Highlights the importance of making informed estimates rather than waiting for perfect data.
- “If you understand it, you can model it.”: Emphasizes the connection between understanding a concept and the ability to measure it.
What is the Applied Information Economics (AIE) method in How to Measure Anything?
- Structured Measurement Approach: AIE is a systematic method for measuring uncertainties and making decisions based on those measurements.
- Five-Step Process: Consists of defining the decision, determining current knowledge, computing the value of additional information, applying relevant measurement instruments, and making a decision.
- Focus on Uncertainty Reduction: Treats measurement as a way to reduce uncertainty, allowing for more informed choices.
How does Douglas W. Hubbard define measurement in How to Measure Anything?
- Reduction of Uncertainty: Measurement is defined as "a quantitatively expressed reduction of uncertainty based on one or more observations."
- Probabilistic Nature: Acknowledges that measurements do not need to eliminate uncertainty entirely; they simply need to reduce it.
- Observable Consequences: Tied to observable outcomes, meaning that if something can be detected in any way, it can be measured.
What is the Monte Carlo method mentioned in How to Measure Anything?
- Simulation Technique: A statistical technique that uses random sampling to estimate the probability of different outcomes in a process that cannot easily be predicted.
- Application in Risk Analysis: Allows decision-makers to model uncertainty and assess risks by simulating thousands of scenarios based on varying inputs.
- Historical Context: Named after the Monte Carlo Casino due to its reliance on random sampling, similar to games of chance.
What is the Expected Value of Information (EVI) in How to Measure Anything?
- Definition of EVI: The reduction in expected opportunity loss (EOL) that results from obtaining additional information before making a decision.
- Importance in Decision-Making: Helps prioritize measurement efforts by quantifying the potential benefits of reducing uncertainty.
- Calculation: Calculated as the difference between the EOL before and after obtaining new information.
How does How to Measure Anything address biases in decision-making?
- Human Biases: Discusses common human biases, such as overconfidence and selection bias, that can affect decision-making.
- Calibration Techniques: Introduces calibration techniques to help individuals better assess their own uncertainty and improve their estimates.
- Importance of Training: Emphasizes the need for training to mitigate biases and enhance the accuracy of decision-making processes.
What is the significance of Bayesian analysis in How to Measure Anything?
- Updating Beliefs: Allows decision-makers to update their beliefs based on new evidence, integrating prior knowledge with new information.
- Practical Applications: Provides examples of how Bayesian methods can be applied to real-world problems, enhancing the understanding of uncertainty.
- Comparison to Traditional Methods: Contrasts Bayesian methods with traditional statistical approaches, highlighting their flexibility and applicability in uncertain situations.
How does Hubbard define the value of information in How to Measure Anything?
- Expected Value of Perfect Information (EVPI): Defined as the maximum amount a decision-maker should be willing to pay for information that would eliminate uncertainty.
- Cost-Benefit Analysis: Assessed through a cost-benefit lens, weighing the potential benefits of reducing uncertainty against the costs of obtaining that information.
- Real-World Examples: Provides case studies where the value of information was calculated, demonstrating its practical significance.
How can I apply the concepts from How to Measure Anything in my work?
- Identify Key Decisions: Start by clearly defining the decisions you need to make and the uncertainties involved.
- Use Bayesian Methods: Implement Bayesian analysis to refine your estimates as new data becomes available.
- Measure Incrementally: Apply the principle of incremental measurement by starting with small, manageable data collection efforts.
Avis
Comment mesurer n'importe quoi suscite des avis partagés. Beaucoup louent ses idées sur la quantification des éléments intangibles et la réduction de l'incertitude dans la prise de décision. Les lecteurs apprécient les outils pratiques, les concepts statistiques et les exemples historiques fournis. Cependant, certains trouvent le livre dense, répétitif et trop axé sur les mathématiques. Les critiques soutiennent qu'il simplifie à l'excès des problématiques complexes et se moque trop des managers. Alors que certains le considèrent comme une lecture incontournable pour les décideurs d'entreprise, d'autres le trouvent ennuyeux et manquant de profondeur. Dans l'ensemble, le livre est apprécié pour sa perspective unique sur la mesure, mais critiqué pour son style d'écriture et sa présentation.
Similar Books









