Som du nok har bemærket er der i november valg i USA. Et valg som jeg følget en del med i, da jeg interesserer mig for amerikansk politik.

På nuværende tidspunkt er jeg voldsomt bekymret over udfaldet. Jeg kan simpelthen ikke overskue konsekvenserne ved 4 år mere med Donald Trump.

Men dette indlæg skal selvfølgelig ikke handle om politik. I stedet skal det handle om bekræftelsesbias.

For i min bekymring for udfaldet, er jeg begyndt at fange mig selv i en (muligvis) uheldig tendens.

Jeg leder aktivt efter information der bekræfter mig i at Biden nok skal vinde, og undlader både bevidst og ubevidst information der modsiger det og som styrker Trumps muligheder.

Med andre ord, så søger jeg automatisk efter information der bekræfter mit håb / verdensbillede / overbevisning.

Og det er her at bekræftelses bias kommer ind i billedet.

Men hvad er et bekræftelses bias?

Forestil dig at du og en god veninde sidder og ser en fodboldkamp mellem jeres to favorithold. Kampen står 0-0, men i 88. minut bliver der dømt et straffe til din venindes hold. Hun synes klart der er straffe. Du kan ikke se skyggen af det. Straffet bliver også gennemset af VAR hvor 3 topdommere sidder og ser alle detaljer igennem. De fasterholder straffe.

Men du kan fortsat simpelthen ikke se skyggen af et straffespark og begynder nu at brokke dig over alle de gange dommeren tidligere har lavet fejl, og hvordan VAR overhovedet ikke fungerer efter hensigten.

Jeg må nok skuffe dig med at der selvfølgelig var straffe, men samtidig kan du bare undskylde dig med at det var dit bekræftelsesbias der tog over.

Et bekræftelsesbias er nemlig tendensen til at søge, tolke og huske information på en måde, der bekræfter vores eksisterende overbevisninger eller verdenssyn, samtidig med at vi undgår eller ignorerer information, der modsiger det. (Der blev dømt straffe fordi dommeren og VAR ikke kan lide dit hold… ikke fordi der faktisk var straffe)

Dette sker ofte, fordi vores hjerner har en naturlig tilbøjelighed til at foretrække det vi allerede tror på eller forventer.

Det her er altså værd at bide mærke i når du arbejder med data, for ellers kan du ret hurtigt komme til at danne dine konklusioner på et forkert grundlag. Lad os se på to eksempler:

Eksempel 1: medarbejder tilfredshed

Lad os arbejde med et scenarie hvor vi har en leder der har en opfattelse af, at vi har en god kultur på arbejdspladsen med glade medarbejdere. For at gøre det endnu bedre, iværksætter lederen en medarbejdertilfredshedsundersøgelse. Medarbejderne bliver stillet en række spørgsmål, og rigtig nok kan lederen i resultatet se at der er en høj medarbejder tilfredshed. Da lederen, med afsæt i data, bliver bekræftet i at tilfredsheden er høj, overser hun helt at fire medarbejdere nævner mobning og uacceptabel affærd fra en højtstående person i virksomheden. Resultatet: Vi misser at tage en vigtig handling, fordi vi føler os bekræftet i vores forestilling

Eksempel 2: produktudvikling

Vi lancerede for 2 år siden et nyt produkt, og er i gang med at forbedre det. Internt i udviklingsteamet har vi talt om en ny funktion vi gerne vil implementere. Vi er faktisk ret overbeviste om at funktionen vil øge værdien af produktet. For at få valideret vores hypotese, sender vi et spørgeskema ud til nogle af vores mest hyppige brugere og spørger konkret ind til funktionen. Efter vi har fået svar, kan vi i data se at brugerne også ser det som en god funktion, og vi beslutter derfor at allokere en stor del af udviklingsbudgettet til netop den funktion.

Resultat? Vi får godt nok bekræftet vores hypotese, men undlader helt at spørge ind til andre nyttige funktioner, samt at spørge brugere uden for vores faste brugerkreds. Derved overser vi bl.a. hvad årsagen kan være til at nogle folk ikke bruger produktet og måske også at vores nuværende brugere faktisk finder en af de eksisterende funktioner ret frustrerende.

Hvad kan jeg så gøre?

Den dårlige nyhed er at du ikke helt kan undgå at have bias. Til gengæld kan du gøre en del for at begrænse det, og bruge det til din fordel.

Når du søger information kan du f.eks.

• Aktivt søge efter modstridende synspunkter og data.
• Diversificere dine kilder og perspektiverne deri.
• Vær opmærksom på dine egne forudindtagede holdninger.
• Få feedback fra mange forskellige interessenter og brugere – også dem der mener noget andet end dig
• Vær åben for konstruktiv kritik og vær klar på at udvide din horisont når du får nye oplysninger.

Vigtigst af alt, så husk at være kritisk. Det er heldigvis ikke det samme som at være negativ, og det kan ofte rede dig i din beslutningstagen.

Hvis du gør noget specifikt for at begrænse dit bias, så del det endelig.