Hvordan data mining af fiasko kunne lære os hemmelighederne bag succes

Ms. Tech | Edison: Library of Congress, Bulb: Pixabay

Thomas Edison beskrives ofte som USAs største opfinder. Hans succeser inkluderer elproduktion, lydoptagelse og den elektriske pære.

Men Edison var ikke fremmed for fiasko. Han testede berømt 1.000 forskellige designs, før han slog sig til ro med kulstoftråden, der blev den første kommercielt succesfulde pære. Denne vedholdenhed adskilte ham. Mange af livets fiaskoer er mennesker, der ikke var klar over, hvor tæt de var på succes, da de gav op, sagde han.

Mange grupper og enkeltpersoner har studeret karakteren af ​​succes. Disse undersøgelser har givet forskellige grader af indsigt. Bagsiden – karakteren af ​​fiasko – er meget mindre velundersøgt, men uden tvivl vigtigere. Lidt er kendt om de mekanismer, der styrer dynamikken ved fiasko.

I dag ændrer det sig, i det mindste delvist, takket være Yian Yins arbejde ved Northwestern University i Evanston, Illinois og kolleger. Dette hold har analyseret karakteren af ​​fiasko i tre enorme datasæt efter formuen for startup-virksomheder, forskere, der forsøger at sikre finansiering, og terrorangreb. Værket afslører dynamikken i fiasko og en skjult signatur, der kan adskille forestående fiaskoer fra succeser på et tidligt tidspunkt.

Teamets metode er baseret på analyse af tre datasæt. Den første er et sæt af alle sundhedsrelaterede forskningsforslag indsendt til US National Institutes of Health mellem 1985 og 2015.

NIH er verdens største finansierer af biomedicinsk forskning, så dette datasæt er enormt, bestående af 776.721 ansøgninger fra 139.091 forskere. Den indeholder også oplysninger om, hvorvidt hvert forslag blev finansieret eller ej; med andre ord, om det lykkedes eller ej.

Den anden database er over investeringsregistreringer i startup-virksomheder fra VentureXpert, den officielle database for National Venture Capital Association. Dette følger skæbnen for hver startup finansieret af venturekapitalister mellem 1970 og 2017 - i alt 58.111 virksomheder, der involverer 253.579 innovatører.

I dette tilfælde anses en startup for at være vellykket, hvis den opnåede et børsnoteret udbud eller en fusion og opkøb af høj værdi inden for fem år efter dens grundlæggelse.

Det endelige datasæt er fra Global Terrorism Database, som registrerer 170.350 terrorangreb fra 3.178 terrororganisationer mellem 1970 og 2017. I dette tilfælde er et vellykket angreb et, der kræver mindst ét ​​liv, mens fiaskoer er dem, der ikke dræber nogen.

Et centralt træk ved disse datasæt er, at de giver Yin og co mulighed for at følge formuen for forskere, innovatører og terrorgrupper, der gør adskillige forsøg på at nå deres mål. Et centralt spørgsmål, som de undersøger, er, hvordan forsøg ændrer sig over tid, og hvilke faktorer der er involveret i disse ændringer.

Yin og co studerer specifikt to faktorer, der menes at spille en vigtig rolle i succes og fiasko: tilfældigheder og læring. De ser først på tilfældigheder, forestillingen om, at tilfældige begivenheder spiller en vigtig rolle for at hindre eller øge chancerne for succes.

Det fører til en simpel model. Hvis tilfældighed er nøglefaktoren, der bestemmer succes, så har hvert forsøg en begrænset sandsynlighed for at lykkes. Faktisk vil succes i sidste ende opstå, hvis der gøres nok forsøg. Dette tyder på, at antallet af forsøg før en succes bør følge en eksponentiel fordeling.

For at teste denne teori studerede Yin og co sekvenserne af fiaskoer af de samme personer eller teams, før de opnåede en succes. Det viser sig, at disse sekvenser ikke følger den slags fordeling, der forudsiges af en tilfældighedsmodel.

Yin og co evaluerede også de første og næstsidste forsøg i disse fejlstriber og sammenlignede dem derefter for at se, hvordan de har ændret sig. Hvis held er alt, der betyder noget, burde der ikke være nogen væsentlig forskel.

Men den næstsidste indsats er markant bedre end de første forsøg, siger holdet. Dette tyder på, at en anden mekanisme skal være på spil: de involverede mennesker skal lære. Med andre ord lærer oplevelsen af ​​fiasko værdifulde lektioner, som kan bruges til at forbedre ydeevnen næste gang.

Da læring bør reducere antallet af forsøg, der kræves, før der opnås succes, bør det føre til en smallere fordeling af fejlstriber end den eksponentielle form forudsagt af chancemodellen.

Men til Yin og cos overraskelse følger fiaskostriber heller ikke dette mønster. Faktisk har de en meget federe halefordeling. Disse observationer viser, at hverken tilfældigheder eller læring alene kan forklare de empiriske mønstre, der ligger til grund for fejl, siger forskerne.

Så hvilke andre faktorer er vigtige? For at finde ud af det, modellerede Yin og co den måde, folk lærer af erfaring, og hvordan dette påvirker deres næste forsøg. De modellerede især, om folk tager højde for alle deres tidligere erfaringer eller blot nogle af dem.

Den resulterende model overvejer en komplet række af læring – fra agenter, der tager al deres tidligere erfaring i betragtning til dem, der ikke tager højde for nogen af ​​deres tidligere erfaringer, og alt derimellem.

Holdet siger, at modellen forudsiger en faseændring i adfærden, der matcher de empiriske data. Når niveauet for at lære af erfaring er under en eller anden tærskel, bliver fremtidige forsøg aldrig gode nok til at lykkes. Faktisk kan grupper ende med at reducere kvaliteten af ​​deres arbejde.

Men når niveauet for at lære af erfaring er over denne tærskel, bliver fremtidige forsøg bedre og bedre, indtil de til sidst lykkes. Og nøglefaktoren er måden folk lærer på.

Det har vigtige konsekvenser. For eksempel betyder det, at et teams læringsproces er en god indikator for, om den vil lykkes på et tidspunkt. Vores resultater afslører identificerbare, men hidtil ukendte tidlige signaler, der giver os mulighed for at identificere fejldynamik, der vil føre til ultimativ sejr eller nederlag, siger Yin og co.

Det næste skridt bliver at analysere succesfuld læring in situ så det kan skelnes fra mislykket læring og til sidst undervises systematisk.

Det kunne være en afgørende måde for hold at få et forspring på konkurrencen. Og med så meget på spil i form af finansiering og investering, har succesfulde elever masser af incitament til at prøve hårdere. Edison ville helt sikkert blive imponeret.

Ref: arxiv.org/abs/1903.07562 : Kvantificering af dynamik ved fiasko på tværs af videnskab, startups og sikkerhed

skjule