[ad_1]

2020 به عنوان سالی که ویروس کرونا ویرانگر جدید دنیا را متوقف کرده است ، وارد کتاب های تاریخ می شود. شرکت های دارویی با سرمایه گذاری های کلان در تحقیق و تولید واکسن ها به نجات رسیده اند. ماه گذشته ، یکی از شرکت های دارویی یکی پس از دیگری توزیع مقالاتی در مورد اثربخشی واکسن های کاندیدا را آغاز کردند. در حالی که این پیام ها برای اقتصاد جهانی در سال 2021 مهم است ، اما همچنین برای مدیرانی که می خواهند از داده ها برای تصمیم گیری بهتر استفاده کنند ، درس های ارزشمندی ارائه می دهد.

درس 1: داده های بزرگ غالباً کوچکتر از آنچه به نظر می رسد هستند.

9 نوامبر است ، ساعت 6:45 بعد از ظهر EST. Pfizer و BioNTech اعلام کردند که آنها یک تجزیه و تحلیل موقت از یک آزمایش کنترل شده تصادفی (RCT) در حال انجام را با بیش از 43000 داوطلب از زمینه های مختلف انجام داده اند. به گفته آنها ، واکسن آنها بیش از 90٪ در جلوگیری از Covid-19 موثر است. این قابل توجه است – بهتر از متوسط ​​واکسن آنفلوآنزا و بهتر از آستانه 50٪ تعیین شده توسط سازمان بهداشت جهانی برای یک واکسن موثر.

چگونه باید این داده ها را ارزیابی کنیم؟

بیش از 43000 شرکت کننده در این مطالعه شرکت کردند. در نگاه اول ، این به نظر می رسد اندازه نمونه نسبتاً بزرگی باشد – به طور کلی ، نمونه های بزرگ اعتماد بیشتری به شما می دهند. اما اثر بخشی واکسن به صورت درصد بیان می شود و این می تواند گمراه کننده باشد. برای ارزیابی صحیح این داده ها و درجه بندی اعتماد به نفس ، باید بفهمید که چگونه میزان اثر بخشی واکسن بدست آمده است.

ریاضیات کاملاً ساده است. ابتدا تعداد افراد Covid-19 را در گروه واکسینه شده بشمارید. دوم ، تقسیم آن بر تعداد افرادی که آن را در گروه دارونما ایجاد کرده اند. سوم ، این فاکتور را از 1 کم کنید و درجه کارایی خواهید گرفت.

در این مطالعه ، 8 نفر از گروه واکسینه شده به Covid-19 مبتلا شدند ، در حالی که در گروه دارونما 86 نفر. این 8/86 یا .093 است – که منهای 1 ، به شما راندمان 90.7٪ می دهد. بنابراین ، “بیش از 90٪”.

بینش مهم این است که چنین است نه تعداد کل شرکت کنندگان در مطالعه ، که در اینجا مربوط است ، اما تعداد افرادی که Covid-19 را توسعه داده اند. فرقی نمی کند که این مطالعه شامل 40000 شرکت کننده ، 4000 شرکت کننده یا حتی فقط 400 شرکت کننده باشد. نکته مهم ، 94 مورد تایید شده است.

ممکن است این س beال مطرح شود که آیا در مجموع 94 مورد تأیید شده برای تصمیم گیری آگاهانه کافی است؟ نسبت 8/86 در یک آزمایش تصادفی بسیار بعید است که به طور تصادفی – یا به هر دلیلی غیر از واکسن – اتفاق بیفتد. بنابراین این نتایج باید اطمینان زیادی به شما بدهد که اثربخشی واکسن 50٪ بیش از استاندارد سازمان بهداشت جهانی است. مردم اغلب تحت تأثیر داده هایی قرار می گیرند که بزرگ به نظر می رسند اما ارزش داده های کوچک را دست کم می گیرند.

همچنین باید به تفاوت داده های بزرگ و کوچک در تجارت توجه کنید. این مثال را از بازاریابی بگیرید. شما می خواهید تأثیر یک کمپین تبلیغاتی در فروش را درک کنید. یک شرکت مشاوره پیشنهاد انجام آزمایش A / B را می دهد. این نظرسنجی شامل 20،000 کاربر است که نیمی از آنها به طور تصادفی برای دیدن تبلیغات شما انتخاب می شوند. این مطالعه با استفاده از آخرین فن آوری ، تصمیمات خرید کلیه شرکت کنندگان در ماه آینده را ردیابی می کند.

یک ماه بعد ، این شرکت به شما می گوید که کاربران در معرض کمپین شما 50٪ بیشتر از کاربرانی که در معرض آن نبوده اند خرید کرده اند. تأثیر کمپین شما مثبت تر از حد انتظار است. اما برای ارزیابی صحیح این نتیجه ، باید بدانید که تغییر شکل یک اتفاق بعید است (مانند مذاکره Covid-19). اگر نرخ تبدیل پایه شما 1/1000 باشد ، افزایش 50 درصدی فقط مربوط به 15 خریدار در گروهی است که در معرض آن قرار گرفته اند ، در حالی که 10 خریدار در گروه غیرمعمول. این اطلاعات کافی نیست که بتوان نتیجه گرفت آگهی شما بر میزان فروش تأثیر داشته است.

هنگام مطالعه وقایع کم احتمال ، داده هایی که بزرگ به نظر می رسند ، غالباً کوچکتر از آن هستند که به نظر می رسند. برای این ضریب تبدیل پایه ، باید از شرکت مشاور بخواهید که تعداد کاربران شرکت کننده در این مطالعه را از 20،000 به حدود 160،000 نفر افزایش دهد. سپس افزایش 50٪ مربوط به 120 خرید در گروه در معرض در مقایسه با 80 خرید در گروه غیرمعمول است. که باید اطمینان بیشتری به شما بدهد که مبارزات انتخاباتی شما واقعاً مثر است.

همیشه مشخص نیست که چگونه اندازه داده های شما کافی است یا خیر. این شامل فرمولهای آماری برای اهمیت و قدرت است. آنها برای ورود به اینجا بسیار شلوغ هستند – اما خوشبختانه تعداد زیادی ماشین حساب آماری با کاربرد آسان وجود دارد که به صورت آنلاین در دسترس هستند. استفاده از این ماشین حساب ها به شما کمک می کند تا شهود خود را در مورد مقدار داده توسعه دهید.

فرمولهای آماری البته تنها بخشی از پاسخ هستند. در نهایت ، شما باید قضاوت کنید. قبل از شروع مداخله چقدر می خواهید اعتماد به نفس داشته باشید؟ این به هزینه ها و خطرات بستگی دارد. 5٪ احتمال دارد که نتیجه شما مثبت نادرست باشد ، ممکن است در بعضی شرایط قابل قبول باشد ، اما در موارد دیگر نه (مانند زمینه واکسیناسیون).

درس 2: دقت می تواند دقت را تضعیف کند.

این در 11 نوامبر ، دو روز پس از انتشار مطبوعات Pfizer / BioNTech ارائه می شود. مرکز تحقیقات ملی اپیدمیولوژی و میکروب شناسی “گامالیا” در مسکو گزارش داد که در مطالعه ای که روی 40،000 داوطلب انجام شد ، واکسن Sputnik V آن 92٪ اثربخشی را نشان داد. پنج روز بعد ، در 16 نوامبر ، Moderna اعلام کرد که در مطالعه ای که روی بیش از 30،000 شرکت کننده انجام شده ، واکسن آن 94.5٪ اثربخشی را نشان داده است.

اثر بخشی واکسن همچنان بصورت درصدی بیان می شود ، اما چیزی تغییر کرده است: زبان و درصدها اکنون دقیق تر هستند. در مرکز Gamalea “بیش از 90٪” اما “92٪” گفته نمی شود. مدرن نمی گوید “94٪” بلکه “94.5٪”.

چرا؟

ما نمی توانیم مطمئن باشیم ، اما هر دو شرکت احتمالاً احساس کرده اند که درصد دقت بیشتر باعث ایجاد اطمینان بیشتری می شود – و نشان می دهد که آنها عملکرد بهتری نسبت به Pfizer داشته اند. و دقیقاً به همین ترتیب داستان های مربوط به این بیانیه های مطبوعاتی شکل گرفت. به عنوان مثال روزنامه بلژیک استاندارد می نویسد که “واکسن نامزد شرکت بیوتکنولوژی مدرن آمریکا حتی بهتر از Pfizer نیز عمل می کند.”

مراقب دقت در این نوع شرایط باشید. این یک روش رایج برای اقناع است ، اما می تواند توانایی شما را در تفسیر خوب داده ها و تصمیم گیری هوشمندانه به خطر بیندازد. ارائه داده ها اغلب دقت را فدای دقت می کنند.

دقت می تواند گمراه کننده باشد. به نوعی مفید است که مثلاً بدانید طبق گفته Interbrand ، یک شرکت مشاوره مارک جهانی ، مک دونالد در حال حاضر 8 سال داردشما ارزشمندترین مارک جهان با ارزش 42816 میلیون دلار – و امسال 6 درصد کمتر از سال گذشته است. اما درجه بندی یا تخمین ارزش مارک ها با این سطح دقت و هر کسی که حدس زده باشد به سادگی غیرممکن است است احتمالاً منجر به تصمیمات بد خواهد شد.

چگونه می توانیم پیشرفت کنیم؟

به هر حال ، تجارت یک علم اجتماعی است و علوم اجتماعی نیز کثیف است. با آن آرام باشید. دفعه بعدی که تخمین هایی به شما ارائه شد ، در برابر خواست برابر سازی دقیق اعداد خوانده شده با داده های با کیفیت بالا مقاومت کنید. در عوض ، به دنبال بازه های ارزیابی اعتماد به نقاط باشید. اگر بدانید که اثربخشی واکسن بین 70 تا 95 درصد متغیر است یا ارزش مارک تجاری بین 20 میلیارد و 70 میلیارد دلار متفاوت است ، می دانید که چه کاری انجام می دهید.

درس 3: بین پیش بینی و “post-diction” تفاوت قائل شوید.

این 23 نوامبر است ، یک هفته پس از انتشار مطبوعات مدرن. AstraZeneca تجزیه و تحلیل های موقت یک مطالعه را با بیش از 11000 شرکت کننده ارائه می دهد. تجزیه و تحلیل نشان می دهد که اثر واکسن 70٪ است. این کمتر از سایر کاندیداهای واکسن است. اما AstraZeneca اخبار بسیار خوبی برای اعلام دارد. در مطالعه آنها از دو رژیم دوز مختلف استفاده شد – و یکی از آنها ، رژیم نیم دوز انجام شده در زیرمجموعه ای از 2741 شرکت کننده ، اثر واکسن 90٪ را نشان داد. این واکسن آن را تقریباً در همان دسته از کارآیی قرار می دهد که سایر مواردی که قبلاً در مورد آنها بحث شد.

چگونه باید این داده ها را ارزیابی کنیم؟

درست است: ما باید اعداد مطلق را در نظر بگیریم. AstraZeneca در مجموع 131 مورد را گزارش کرد. اگرچه آنها در آن زمان تجزیه ای ارائه ندادند ، اما بعداً دریافتند كه 90٪ اثر در رژیم نیمه دوز بر اساس 33 مورد تأیید شده است: سه مورد در گروه واكسین شده و 30 مورد در گروه دارونما. این ارقام باید به شما اطمینان دهند که واکسن AstraZeneca مثر است ، اما اگر نتیجه گرفته شود که رژیم دوز دوز بهتر از رژیم دوز کامل عمل می کند ، زودرس است. تعداد موارد تأیید شده هنوز خیلی کم است تا بتوان مقایسه خوبی بین زیر گروههای موارد در گروه واکسینه شده انجام داد.

علاوه بر این ، تغییر در رژیم های دوز به تقصیر شرکت کننده در مطالعه مشخص شد. AstraZeneca بعداً اعتراف کرد که نتایج دو آزمایش بالینی با طرح متفاوت را ترکیب کرده است ، یکی در انگلیس و دیگری در برزیل.

AstraZeneca از نظر نحوه کنترل این وضعیت بسیار منحصر به فرد است. محققان دانشگاهی و بازرگانی مرتباً اشتباهات مشابهی مرتکب می شوند. برای تصمیم گیری خوب در مورد داده ها ، باید بین پیش بینی و “post-diction” تفاوت قائل شوید. پیش بینی به این معنی است که شما ابتدا یک فرضیه ایجاد می کنید و سپس داده ها را برای آزمایش آن جمع آوری و تحلیل می کنید. فرضیه فرعی به این معنی است که شما در حال ایجاد یک فرضیه هستید بعد از داده ها در طول تجزیه و تحلیل داده ها جمع آوری شد. این امر احتمال مثبت کاذب را به طرز چشمگیری افزایش می دهد ، که عواقب مخربی برای تصمیم گیری دارد.

به این وضعیت فکر کنید. پس از انجام آزمایش A / B ، یک تحلیلگر بازاریابی به شما گزارش می دهد: ”به طور کلی ، کاربرانی که کمپین شما را دیده اند ، بیش از کاربرانی که آن را مشاهده نکرده اند ، خریداری نکرده اند. با این حال ، مبارزات انتخاباتی شما برای زنان بالای 50 سال واقعا خوب عمل می کند. آنها پس از قرار گرفتن در معرض تبلیغات شما ، 30 درصد بیشتر خریداری کردند. “

به نظر می رسد این اطلاعات مفید است و ممکن است وسوسه شوید که بر اساس آن تصمیمات بازاریابی بگیرید. اما شما باید ببینید که این چیست: post-diction. این همان کاری است که AstraZeneca انجام داد. اگر داده ها را به میلیون ها روش تقسیم کنید ، همیشه می توانید تفاوت های بزرگی را پیدا کنید ، برخی از آنها ، کاملاً تصادفی ، از نظر آماری قابل توجه هستند.

چگونه می توانیم پیشرفت کنیم؟

ما باید از تحلیلگران داده بخواهیم که تجزیه و تحلیل خود را از قبل ثبت کنند. ما همچنین باید از آنها بخواهیم هنگام گزارش نتایج تجزیه و تحلیل تحقیقاتی که در نظر گرفته شده است ، به ما اطلاع دهند. بعد از اطلاعات آنها جمع آوری شده است. هنگامی که از نظر آماری نتایج قابل توجهی به شما ارائه شد ، سعی کنید دریابید که چند آزمایش دیگر انجام شده است که از آنها مطلع نشده اید.

نتیجه

داده ها اغلب به عنوان پادزهر سوگیری تعصبات درونی انسان شناخته می شوند. اما استفاده م effectivelyثر از داده ها برای تصمیم گیری در واقع ما را ملزم می کند که از شهود خود هوشمندانه استفاده کنیم. آزمایشات واکسن Covid-19 سه درس ارزشمند برای مدیرانی که می خواهند شهود کمی خود را ایجاد کنند فراهم می کند: مراقب داده های بزرگ باشید. با دقت مراقب باشید. و مراقب پس از بیان باشید.

[ad_2]

منبع: bighat-news.ir