Kebijaksanaan Orang Ramai (Pilih)

Semakin banyak syarikat memanfaatkan kebijaksanaan pelanggan dan pengguna mereka - orang ramai yang sangat terpilih. Mereka melakukan ini melalui "data besar" - mengumpulkan harta karun data tanpa nama dan kemudian menjalankan analisis post-hoc di atasnya.

Usaha ini dapat menghasilkan beberapa pandangan menarik. Ini juga boleh menyebabkan syarikat menyarankan bahawa hasilnya dapat digeneralisasikan kepada seluruh penduduk.

Dan masalah terakhir inilah yang menjadi masalah. Kerana jika anda memulakan dengan sampel yang dipilih sendiri, data anda hanya relevan dengan orang seperti mereka - bukan keseluruhan populasi. Itulah salah satu masalah dengan mengukur - dan mengambil tindakan - berdasarkan maklumat dari kumpulan pilihan.

Laman web telah melakukan pengukuran "data besar" selama hampir 20 tahun sekarang. Setiap kali anda melayari laman web, ia meninggalkan jejak data kecil di pelayan laman web. Pemilik pelayan mengambil data ini dan menjalankannya melalui platform analisis data (seperti Google Analytics). Ia memberikan maklumat agregat pemilik laman web mengenai jenis orang yang mengunjungi laman web mereka.

Oleh kerana setiap laman web adalah unik, pandangan seperti itu hanya berkaitan dengan laman web tersebut. Seorang pengguna yang mengunjungi CNN, misalnya, mungkin memiliki sedikit persamaan dengan pengguna yang mengunjungi Match.com.

Masalah Pilihan Orang Ramai

Dalam analisis data, ahli statistik menyebut persampelan seperti itu "sampel yang dipilih sendiri", yang mengakibatkan masalah "bias pemilihan diri." Ringkasnya, ini bermakna kerana data anda hanya berasal dari orang yang menggunakan aplikasi tertentu atau jenis media sosial, data tersebut tidak mewakili populasi secara keseluruhan. Dan kerana tidak mewakili populasi secara keseluruhan, anda tidak dapat membuat generalisasi mengenai data.

Saya menyebutnya sebagai masalah "pilih orang ramai". Kerana jika anda memperoleh kebijaksanaan anda dari orang ramai, lebih baik anda memastikan bahawa orang ramai mewakili penduduk jika anda berusaha mendapatkan pandangan umum daripadanya.

Terdapat keseluruhan syarikat yang tidak melakukan apa-apa selain menganalisis trend dan data dari Twitter. Tetapi jika anda melihat siapa yang menggunakan Twitter - dan bagaimana mereka menggunakannya - anda akan segera memikirkan apa sebenarnya data tersebut. Sebagai contoh, pengguna Twitter jauh lebih muda daripada populasi umum, dan orang yang lebih tua kurang diwakili. Sekiranya anda menjalankan syarikat yang melihat trend kesihatan di Twitter, anda akan melihat sesuatu yang sangat berbeza daripada jika anda melakukan tinjauan telefon secara rawak.

Dengan kata lain, apakah trend di Twitter yang mungkin atau tidak mempunyai makna bagi 80+ peratus orang Amerika yang tidak menggunakan Twitter.

Aplikasi Tidak Lebih Baik

Aplikasi sering suka mengumpulkan data pengguna mereka, menganonimkannya, dan kemudian menggunakannya untuk membandingkan prestasi anda dengan orang lain yang juga menggunakan aplikasi. Ini semestinya membuat anda merasa seperti anda merupakan bagian dari rangkaian sosial yang mempunyai kesamaan aplikasinya. Ini idea yang bagus

Kerana bagaimana jika hanya jenis orang yang menggunakan aplikasi tersebut? Bagaimana jika hanya orang yang tertekan menggunakan aplikasi pelacakan mood yang dimaksudkan untuk membantu mengangkat orang dari kemurungan mereka dengan menolong mereka melacak mood mereka, membandingkan kemajuan mereka dengan orang lain yang juga menggunakan aplikasi tersebut? Hasil seperti itu boleh menyebabkan diri mereka sendiri tidak tertekan.

Bolehkah anda memotivasi seseorang secara positif melalui perbandingan sosial? Anda boleh, tetapi terlalu kerap, penyelidikan juga menunjukkan bahawa perbandingan sosial seperti itu menyebabkan orang merasa lebih teruk daripada sebelumnya. Ia mesti dilakukan dengan teliti - sesuatu yang tidak difahami oleh kebanyakan pembangun aplikasi biasa.

Meninggalkan Perkara Penting untuk Diukur

Apa-apa aplikasi atau perkhidmatan hanya sebaik barang yang dipilih untuk diukur. Anda boleh memperkenalkan bias - dengan sengaja atau tidak sengaja - ke dalam hasil anda dengan apa yang anda pilih untuk diukur - dan bukan diukur.

Fikirkan seperti ini: anda berfikir untuk berpindah ke bandar baru dengan hujan yang lebih sedikit, jadi anda hanya melihat jumlah hujan tahunan purata untuk bandar yang berbeza. Anda akan mencari bandar seperti Miami dan berfikir, "Anda tahu, saya tidak akan berpindah ke Miami - mereka mendapat hujan hampir 62 inci setahun! Bandingkan dengan hujan 37 inci yang dialami Seattle. Seattle mesti menjadi tempat yang lebih cerah dan kurang hujan. " Oleh kerana anda tidak memasukkan metrik penting lain dalam pengukuran anda, anda akan membuat pilihan yang salah berdasarkan maklumat yang terlalu terhad.

Apa yang difikirkan penting oleh pembangun apl atau laman web dalam pengukuran sesuatu sebenarnya tidak sepenting sesuatu yang mereka tinggalkan. Bayangkan aplikasi yang hanya mengukur reaksi anda terhadap ubat, tetapi meninggalkan semua faktor penting lain yang menyumbang kepada mood dan rawatan anda.

Rawatan tidak berlaku dalam keadaan kosong dengan anda dan satu ubat sahaja. Ia berlaku dalam ekosistem yang kaya dan kompleks yang mungkin termasuk ubat-ubatan, tetapi juga merangkumi banyak perkara penting lain yang anda lakukan untuk membantu diri anda pulih. Ini mungkin berapa banyak anda bersenam, atau tidak melakukan rumit, atau hari-hari yang anda lalui tanpa mengalami serangan panik, atau merasa tertekan mengenai ahli keluarga atau pekerjaan.

Ringkasnya, terdapat banyak perkara yang harus dijejaki oleh aplikasi dan perkhidmatan lain yang baik, tetapi tidak. Dan ini memberikan perspektif yang memutarbelitkan tentang bagaimana sesuatu yang diukur dihubungkan dengan mood atau kemajuan pemulihan seseorang. Ubat memang penting dalam rawatan banyak orang, tetapi mungkin - dan selalunya tidak - perkara yang paling penting.