หลายๆ อาชีพที่ทำกันอยู่นั้น เลี่ยงไม่ได้ที่จะต้องไปข้องเกี่ยวกับวิเคราะห์ข้อมูล หลายๆ ครั้งต้องใช้ทักษะคิดอย่างเป็นเหตุเป็นผล แต่เอาเข้าจริงแล้ว เราก็ตกอยู่ในกับดักทางความคิดได้เช่นเดียวกัน เพราะเราเป็นมนุษย์ บวกกับสถานการณ์ต่างๆ ที่พบเจอ ก็สามารถทำให้เกิด Bias ในการตัดสินใจได้

ผมว่าการตัดสินใจอย่างไม่มี bias ในการทำงาน หรือ การใช้ชีวิตจริงๆ นั้น มันค่อนข้างทำได้น้อยมากๆ จะด้วยสถานการณ์ก็ดี หรือจากข้อมูลที่รับมาก็ดี โอกาสที่จะเกิด bias ขึ้นนั้นค่อนข้างสูงเป็นอย่างมาก

ในเมื่อเรารู้อยู่แล้วว่า มันมีโอกาศที่จะเกิด bias ได้ ดังนั้น ผมมักจะใช้วิธีหาให้เจอก่อนว่า การตัดสินใจของเรานั้น มันเอนเอียงไปในทิศทางไหน และผมเองเวลาจะตัดสินใจอะไรบางอย่าง ก็มักวกมาถามตัวเองว่าเรากำลังมี bias อยู่ไหมนะ แล้วมันเป็น bias เรื่องอะไร

บทความนี้เราจะยกตัวอย่าง Bias ในการวิเคราะห์ข้อมูลทั้ง 7 ข้อกัน

IKEA Effect

เรามักให้คุณค่ากับสิ่งที่เราสร้างหรือประกอบขึ้นเองมากกว่าความเป็นจริง แม้ว่ามันอาจจะไม่ได้เป็นงานที่ดีอคตินี้ส่งผลต่อการประเมินคุณค่าของงานและการยอมรับข้อเสนอแนะจากผู้อื่น เช่น เราอาจจะให้คุณค่ากับ Dashboard ที่สร้างขึ้นมามากเกินไป แม้ว่าผู้ใช้งานจริงจะบอกว่าใช้งานยากหรือไม่ตอบโจทย์ธุรกิจ ทำให้ dashboard ไม่ถูกนำไปใช้จริงในองค์กร

Confirmation Bias

เรามีแนวโน้มที่จะค้นหาและให้น้ำหนักกับข้อมูลที่สนับสนุนความเชื่อหรือสมมติฐานของเรา และเลือกที่จะมองข้ามข้อมูลที่ขัดแย้ง ส่งผลให้การตัดสินใจอาจไม่อยู่บนพื้นฐานของความเป็นจริงทั้งหมด เช่น การเลือกช่วงเวลาที่ยอดขายสูงในการวิเคราะห์ประสิทธิภาพของแคมเปญการตลาด โดยละเลยช่วงเวลาที่ยอดขายต่ำ ทำให้ผลการวิเคราะห์บิดเบือนจากความเป็นจริง

Anchoring Bias

เรามักยึดติดกับข้อมูลแรกที่ได้รับเป็น “จุดยึด (Anchor)” และใช้เป็นจุดอ้างอิงในการตัดสินใจหรือประเมินสถานการณ์ต่อไป แม้ว่าข้อมูลนั้นอาจไม่สะท้อนความเป็นจริงก็ตาม พอมีจุดยึดที่ไม่ถูกต้องก็ส่งผลให้การตัดสินใจไม่สมเหตุสมผลในการวิเคราะห์ข้อมูล อาจเกิดการตั้งเป้าหมายหรือคาดการณ์โดยยึดจากตัวเลขดั้งเดิมเป็นหลัก เช่น การตั้งเป้าหมายการเติบโตของยอดขายโดยยึดค่าเฉลี่ยของอุตสาหกรรมเป็นหลัก เพราะเป็นข้อมูลแรกที่ได้รับ โดยไม่คำนึงถึงปัจจัยเฉพาะของบริษัทหรือสภาพตลาดที่เปลี่ยนแปลงไป

Availability Heuristic

เรามักตัดสินใจโดยอาศัยข้อมูลหรือประสบการณ์ที่สามารถนึกถึงได้ง่ายหรือเป็นเหตุการณ์ล่าสุด แทนที่จะพิจารณาข้อมูลทั้งหมดอย่างรอบด้าน ทำให้การประเมินสถานการณ์คลาดเคลื่อนจากความเป็นจริง เช่น การสรุปว่าลูกค้าไม่พอใจกับผลิตภัณฑ์เพราะเพิ่งอ่านความคิดเห็นเชิงลบบนโซเชียลมีเดีย โดยไม่พิจารณาข้อมูลการสำรวจความพึงพอใจโดยรวมที่มีอยู่

Curse of Knowledge

ผู้ที่มีความรู้เฉพาะทางมักประสบปัญหาในการสื่อสารแนวคิดกับผู้ที่ไม่มีความรู้พื้นฐาน เนื่องจากยากที่จะนึกถึงมุมมองของผู้ที่ไม่รู้ ส่งผลให้การถ่ายทอดข้อมูลอาจไม่มีประสิทธิภาพ อาจเกิดปัญหาในการนำเสนอผลการวิเคราะห์ที่ซับซ้อนให้กับผู้บริหารหรือทีมอื่นๆ ที่ไม่มีพื้นฐานด้านข้อมูล เช่น ใช้คำศัพท์เฉพาะทางสถิติมากเกินไป ทำให้ผู้ฟังไม่เข้าใจและไม่สามารถนำข้อมูลไปใช้ประโยชน์ได้

Automation Bias

เรามีแนวโน้มที่จะเชื่อถือผลลัพธ์จากระบบอัตโนมัติหรือเครื่องจักรมากเกินไป โดยไม่คำนึงถึงความผิดพลาดที่อาจเกิดขึ้นหรือข้อจำกัดของระบบ อาจเกิดการเชื่อถือผลลัพธ์จากโมเดลหรือระบบอัตโนมัติโดยไม่ตรวจสอบความถูกต้อง เช่น การเชื่อสิ่งที่แนะนำจาก Generative AI ทันที หรือ เชื่อผลการพยากรณ์ยอดขายจากโมเดล machine learning โดยไม่พิจารณาปัจจัยภายนอกให้รอบด้าน

Sunk Cost Fallacy

เรามักยึดติดกับการลงทุนที่ทำไปแล้ว (ทั้งเวลา เงิน หรือความพยายาม) แม้ว่าจะไม่คุ้มค่าที่จะดำเนินการต่อ ทำให้สูญเสียทรัพยากรเพิ่มเติมโดยไม่จำเป็น ยึดติดกับโครงการที่ใช้เวลาและทรัพยากรไปมาก แม้ว่าจะไม่ให้ผลลัพธ์ที่มีประโยชน์ เช่น การพยายามปรับปรุงโมเดลการพยากรณ์ที่ไม่แม่นยำต่อไป แทนที่จะเริ่มต้นใหม่ด้วยวิธีการอื่น