Werken bij een startup betekent dat je veel te maken hebt met onzekerheden. Je hebt geen track records of ook maar enige data vanuit je eigen verleden om keuzes op te baseren waardoor het vaak lastig is om voorspellingen te doen voor de toekomst. Deze voorspellingen zijn echter wel noodzakelijk om bijvoorbeeld te bepalen hoeveel financiering we moeten ophalen het komende jaar of hoeveel reserveringen we zullen ontvangen als we het design gaan onthullen.

Niet alleen bij startups maar in alle sectoren en op allerlei gebieden, zowel zakelijke als privé, zijn mensen eigenlijk constant bezig met het maken van voorspellingen van de toekomst. In hun boek Super Forecasters laten Philip E. Tetlock en Dan Gardner zien dat mensen bij het maken van voorspellingen regelmatig in dezelfde psychologische valkuilen trappen. Hij verschaft een aantal inzichten waarmee je je eigen voorspellingen kan verbeteren door bewuster om te gaan met de manier waarop je zelf tot bepaalde conclusies komt. Een aantal lessons learned:

  • Om accurate voorspellingen te doen is het goed om een zo breed mogelijk wereldbeeld mee te nemen in plaats van alleen uit een specifiek gekaderd beeld zoals vaak bij groepen experts gebeurt. Vaak wordt bewijslast aangevoerd om een bevestiging zijn van 1 groot al bestaand idee (hedgehogs) in plaats van zoveel mogelijk verschillende invalshoeken mee te nemen (foxes) zonder een voorbedacht idee van de uitkomst.
  • Taalgebruik bij voorspellingen is vaak vaag ingestoken. Zo bleek na onderzoek achteraf over een voorspelling waarbij werd geschreven over een ‘aannemelijke kans’ dat de meningen over het bijpassende percentage van de kans hierop uiteenliepen tussen 20-80%.
  • Een groot gemis in veel gevallen is echte tracking. Pas wanneer je een voorspelling trackt kan je leren van je fouten en zorgen dat je steeds vaker betere voorspellingen maakt. Dit leerproces is iets wat veel algoritmes tegenwoordig constant doen.
  • Als de grote vraag te moeilijk is om te beantwoorden kan het beter zijn om deze te splitsen in deelvragen en eerst deze te beantwoorden. Klinkt simpel maar wordt vaak vergeten.
  • Als gevraagd wordt hoe groot de kans is op uitkomst XX dan gaan mensen deze kans beoordelen op hoe makkelijk zij zich kunnen voorstellen dat dit gebeurt. Dit heet de availability bias. Ze vervangen dan eigenlijk de gestelde vraag door een andere en geven daar antwoord op.

Ik zou het iedereen aanraden om het boek te lezen want deze korte opsomming doet tekort aan de inzichten die het verschaft. Erg relevant bij het inrichten van besluitvormingsprocessen maar ook interessant om te weten hoe bepaalde voorspellingen verwerkt zijn in de producten die we gebruiken zodat we deze producten uiteindelijk weer beter kunnen gebruiken. Als er bijvoorbeeld niet goed feedback wordt gegeven over het feit dat iets niet de absolute waarheid is maar een kansberekening is (met input van historische data) dan is dat fijn om te weten voor de eindgebruiker. Dit is erg relevant bij range voorspellingen van een elektrische auto, of voor de Lightyear One: hoeveel kilometers kan ik vandaag rijden puur op de zon? Ik besef dat het erg belangrijk is om de gebruiker mee te nemen in de manier waarop de informatie die we ze straks geven tot stand is gekomen. Zoals bijvoorbeeld de grote vraag “hoe ver kan ik nog rijden” in veel elektrische auto’s nu ook beter wordt beantwoord door aan te geven dat je airco aan of uit (deelvraag) in ieder geval een xx aantal kilometer scheelt. Zo zat ik laatst in een auto die een “range van de range” aangaf waardoor je zelf ook voorzichtiger omgaat met deze getallen.

Luister nu naar De IO Show!

Elke week het nieuws van Innovation Origins in je oren!

Een poos geleden heb ik me ook laten vertellen dat Google Maps je historische reisdata gebruikt om betere voorspellingen te maken over o.a. je aankomsttijd bij een nieuwe route. Rijd je altijd harder dan gemiddeld, dan wordt dat meegenomen in de voorspelling. Of het waar is weet ik niet maar nadat ik me gisteren 50 minuten lang in het zweet getrapt heb om een paar minuten van Google Maps af te fietsen – en zonder succes alsnog de trein miste – zou ik daar graag wat meer feedback over willen voor m’n toekomstige trips zodat ik ook m’n eigen inschattingen kan verbeteren 😉

Over deze column:

In een wekelijkse column, afwisselend geschreven door Maarten Steinbuch, Mary Fiers, Carlo van de Weijer, Lucien Engelen, Tessie Hartjes en Auke Hoekstra, probeert Innovation Origins uit te vinden hoe de toekomst eruit zal zien. De zes columnisten, af en toe aangevuld met gastbloggers, zijn allemaal op hun eigen manier bezig met oplossingen voor de problemen van onze tijd. Zodat Morgen Beter wordt. Hier alle eerdere afleveringen.