В этом посте мы исследуем методы объяснения рисков и неопределенностей в строительных проектах, чтобы помочь лучше принимать решения.
В nPlan мы решаем серьезную проблему, заключающуюся в том, что инфраструктурные проекты последовательно откладываются и превышают бюджет. Мы используем машинное обучение, чтобы собирать информацию из исторических расписаний, что позволяет нам понять сложность проекта, узнать о тенденции действий к перерасходу и экстраполировать информацию для прогнозирования результатов будущих проектов. Задача изучения сотен тысяч очень сложных графиков инфраструктуры - далеко не тривиальная задача.
Более подробную информацию о nPlan и о том, почему мы так взволнованы глубокими последствиями решаемой проблемы, можно найти в предыдущем блоге разработчиков.
Перед нами стоит еще одна проблема, которая ставит совсем другой вопрос - как мы можем представить риск, неопределенность и будущие события? Как мы можем помочь нашим пользователям понять прогнозы, которые по своей сути являются вероятностными?
«Мы - вид, который всегда слеп к вероятности»
Пьяттелли-Пальмарини (1)
Запланированная продолжительность деятельности, исходя из предпосылки управления проектом, весьма неопределенна. Есть шанс или определенная вероятность того, что действие завершится вовремя, вероятность того, что оно завершится раньше, и вероятность того, что оно может закончиться поздно. При правильной передаче вероятность того, что деятельность будет завершена вовремя, является простой концепцией, однако, как было показано во многих областях - от медицинской статистики до политических результатов, - вероятности чаще всего интерпретируются неверно.
Формирование вероятностных результатов
Рассмотрим следующие утверждения:
1) Of the last one thousand pillars we have built, one was delayed. 2) There is a 99.9% probability that no pillars will be delayed.
Они несут схожую информацию, но с очень разными коннотациями. Один оформлен в контексте настоящего и вызывает у нас оптимизм, другой дает оценку, основанную на исторических данных, и имеет негативный оттенок. Как часто показывают пионеры поведенческой экономики Тверски и Канеман (2), мы с большей вероятностью будем доверять подрядчику, который сообщает последнее. Когнитивный процесс преобразования вероятности в нечто понятное для большинства труднее, чем того стоит информация. Учитывая огромный масштаб мегапроектов - от десятков до сотен тысяч действий - последствия совершения этой ошибки могут быть колоссальными. К счастью, в нашей повседневной жизни нас окружают числа, встречающиеся в природе (3), и если вероятность представлена в виде, который нам кажется знакомым, мы можем очень быстро уловить информацию, которую она передает.
Короче говоря, сообщая о вероятностях, мы должны убедиться, что наша аудитория может интерпретировать информацию беспристрастно и без усилий.
Привлечение внимания к цвету
В мире, где привлекающий внимание контент питает и глобальную экономику, и наполняет наши дни, наш мозг имеет ограниченные возможности хранить, обрабатывать и вспоминать информацию. Эта проблема только усугубляется, когда мы должны думать о числах с десятичными точками или символами процентов. Есть несколько примечательных способов помочь нам лучше привлечь внимание пользователя, но они имеют ограниченную ценность, помогая нам сообщать о вероятности. Один из приемов - использование цвета. Использование вариаций цвета, например, с использованием шкалы палитры, может мысленно и интуитивно представлять множество сложной информации. Использование цвета помогает нам запоминать информацию.
На протяжении веков составители карт, а в последнее время и синоптики знали, что один из лучших способов продемонстрировать вероятность - это цвет. Фронт холода станет более синим в зависимости от интенсивности и вероятности холода, который он вызовет. При прогнозировании ураганов способность аудитории быстро понимать прогнозы может иметь решающее значение между жизнью и смертью. О прогнозировании вероятности своевременного завершения проекта можно, конечно, сообщить аналогичным образом. При соответствующей раскраске диаграмма Ганта превращается из временного устройства в мощный инструмент вероятностной коммуникации.
Пространственная визуализация
Нам часто приходится представлять информацию в большем количестве измерений, чем две оси традиционного графика. Пространственная визуализация информации становится все более популярным способом передачи информации, будь то рассказывать истории или передавать новости. Различные формы могут использоваться для представления различных фрагментов информации, и это становится еще более мощным инструментом при попытке представить сложный фрагмент информации, такой как вероятность. Существует несколько методов, как эффективно передавать данные с помощью форм и визуализаций, поэтому лучший подход - поиск: экспериментировать с разными формами, размерами, диаграммами. Будут определенные способы как привлечь аудиторию, так и передать часть информации наиболее эффективным способом.
Машинное обучение - непростая задача, но это приемлемое решение. Наша цель в nPlan - сделать результаты феноменально мощных алгоритмов доступными для всех. Применяя на практике вышеупомянутые методы в нашем мышлении и реализации продукта, мы стремимся предоставить платформу, которая радикально улучшает понимание рисков и неопределенности при выполнении строительных проектов.
Мы работаем с некоторыми из самых влиятельных строительных организаций по всему миру. Если вы хотите узнать больше о том, как лучше понять риски и неопределенность, напишите мне по адресу [email protected]
С благодарностью; Профессору Яэль Грушка-Кокейн из Гарвардской школы бизнеса за ее комментарии и ресурсы, а также моим коллегам Саре, Тоби, Деву, Алану, Жоао и Гэри за их вклад.
- Пиаттелли-Пальмарини, М. (1994). С тех пор, как язык и обучение: запоздалые размышления о дебатах Пиаже-Хомского. Познание, 50 (1–3), 315–346 .
- Тверски, А. и Канеман, Д. (1981). Формирование решений и психология выбора
- Гигеренцер, Г. (2003) Простые инструменты для понимания рисков: от незнания к пониманию
