Inizia la prova gratuita
Tendenze Novità Generi Autori
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Ricerca in corso...
SoBrief
Come misurare qualsiasi cosa

Come misurare qualsiasi cosa

Titolo tradotto
Titolo originale: How to Measure Anything
A quali incognite va assegnato un valore, e quali misurazioni costose non cambieranno nulla?
di Douglas W. Hubbard 1985 432 pagine
3.90
3.000+ valutazioni
Ascolta
Immersivi
V2.3
Amazon Kindle Audible
Prova l'accesso completo per 3 giorni
Sblocca l'ascolto e molto altro!
Continua

Punti chiave

Trattare le intangibilità importanti come incertezze con conseguenze osservabili

Misurare significa imparare. Hubbard definisce la misurazione come un insieme di osservazioni che riducono l’incertezza in modo quantitativo. Non richiede una risposta esatta, né tantomeno un oggetto numerico convenzionale: la probabilità di vincere una causa può costituire una misurazione se migliora ciò che sappiamo. Questa prospettiva ribalta la consueta obiezione secondo cui qualità, reputazione o sicurezza sarebbero concetti troppo vaghi per essere misurati. Se un’idea è importante, deve influire su qualcosa di osservabile, direttamente o indirettamente.

Anche le prove indirette contano. Eratostene dedusse la circonferenza terrestre dalle ombre a mezzogiorno ad Alessandria e a Siene. Una differenza di 7,2 gradi implicava che le città distassero l’una dall’altra un cinquantesimo della circonferenza terrestre. La sua stima si discostava di circa il 3 per cento dal valore moderno. Non aveva bisogno di fare il giro del pianeta: gli bastavano osservazioni che rivelassero qualcosa su di esso.

Analisi

Questa definizione distingue efficacemente la misurazione dalla certezza, una distinzione importante tanto nella scienza quanto nella gestione. Un termometro è utile nonostante l’errore; per lo stesso motivo può esserlo una stima aziendale. La questione più difficile è stabilire se una conseguenza osservabile sia un indicatore valido del concetto. Un aumento delle segnalazioni da parte dei clienti può indicare una reputazione più solida, ma potrebbe anche dipendere da sconti o dal fallimento di un concorrente. La misurazione inizia con l’osservabilità, ma per interpretare i dati in modo affidabile bisogna verificare il legame tra indicatore e fenomeno.

Definire la decisione prima di scegliere un indicatore

Partire dalla scelta. Una misurazione ha valore ai fini decisionali solo se può modificare un’azione. Chiedersi quanto valgano l’acqua pulita o le tecnologie dell’informazione può nascondere una falsa alternativa, perché pochi responsabili decisionali stanno valutando di rinunciare del tutto a una delle due. La domanda pratica potrebbe essere se uno specifico ammodernamento, una determinata politica o un investimento valgano il loro costo.

Rendere concreti i termini vaghi. La catena di chiarimenti è la seguente: se qualcosa è importante, deve essere rilevabile; se è rilevabile, se ne può osservare una certa quantità; e una quantità si può misurare. Presso il Department of Veterans Affairs, i responsabili inizialmente consideravano la sicurezza un’aspirazione generica. La definirono meglio come riduzione della frequenza o della gravità di eventi specifici, tra cui gli attacchi informatici e gli accessi non autorizzati, collegandoli poi a costi quali il lavoro perso e i rischi legali. Dei 99 fattori del modello per l’ammodernamento degli impianti idrici, soltanto uno giustificava ulteriori misurazioni.

Analisi

Partire dalla decisione è un modo efficace per evitare di accumulare indicatori senza criterio. Spinge i responsabili a specificare a cosa serve un indicatore, quali alternative deve orientare e in quale momento deve cambiare l’azione. È un approccio simile a quello di una buona progettazione sperimentale: si sceglie una misura per distinguere tra spiegazioni o opzioni, non soltanto perché i dati sono disponibili. Il metodo fa emergere anche le scelte politiche nascoste nelle definizioni. Un gruppo può concordare su cosa costituisca un incidente di sicurezza e tuttavia non essere d’accordo su quali perdite vadano considerate prioritarie.

Scomporre le stime difficili in domande più piccole a cui si può davvero rispondere

Scomporre il problema prima di arrendersi. La scomposizione di Fermi stima una quantità incerta esprimendola come prodotto o somma di parti più semplici. Per stimare quanti accordatori di pianoforti ci fossero a Chicago, Enrico Fermi invitò gli studenti a considerare la popolazione, il numero di famiglie con un pianoforte, la frequenza delle accordature e quanti pianoforti potesse seguire un accordatore. La stima risultante era imperfetta, ma sostituiva l’impotenza con un intervallo ragionato e metteva in luce le ipotesi più importanti.

La struttura affina il giudizio. Gli esperimenti di Donald MacGregor e J. Scott Armstrong hanno rilevato che la scomposizione migliorava soprattutto le stime molto incerte. In alcuni test, suddividere una domanda in non più di cinque componenti riduceva l’errore di stima di un fattore 10 o persino 100. A volte, la scomposizione stessa rivela che gli esperti sanno più di quanto lasciasse supporre la loro prima stima generale. Può anche individuare la componente specifica per cui nuove osservazioni sarebbero più utili.

Analisi

La scomposizione è potente perché trasforma una supposizione globale in una serie di affermazioni verificabili. Ogni parte può essere contestata, documentata o misurata separatamente, rendendo visibili ai colleghi le ipotesi invece di celarle in un unico numero apparentemente sicuro. L’approccio ricorda anche l’analisi dell’albero dei guasti in ingegneria, che risale da un guasto a livello di sistema ai guasti dei singoli componenti. Il rischio è la falsa precisione: diverse stime deboli, moltiplicate tra loro, possono sembrare ben strutturate pur restando deboli. Gli intervalli dei singoli componenti e le relazioni tra loro richiedono comunque un esame onesto.

Calibrare la propria sicurezza prima di fidarsi delle previsioni degli esperti

La sicurezza si può mettere alla prova. La calibrazione consiste nel fatto che i giudizi espressi con una certa probabilità si avverino con una frequenza approssimativamente corrispondente. Chi dichiara di essere sicuro al 90 per cento su molte domande dovrebbe avere ragione circa il 90 per cento delle volte. Nei dati raccolti da Hubbard durante la formazione, i 927 partecipanti inizialmente collocavano la risposta corretta entro i propri intervalli di confidenza al 90 per cento solo circa il 53 per cento delle volte, in media: un segnale di diffusa eccessiva sicurezza.

L’esercizio migliora le prestazioni. La formazione prevede domande ripetute, riscontri, una riflessione esplicita sui motivi per cui una stima potrebbe rivelarsi sbagliata e scommesse equivalenti. In una scommessa equivalente, una persona confronta una vincita subordinata alla correttezza della propria stima con una vincita casuale alla probabilità dichiarata. Hubbard riferisce che dopo la formazione circa l’80 per cento dei partecipanti raggiungeva una calibrazione ideale. Anche una prova del 1997 sulle previsioni informatiche ha riscontrato che gli analisti formati erano meglio calibrati dei clienti CIO non formati.

Analisi

La calibrazione sposta il dibattito da chi sembra più autorevole a chi esprime una sicurezza che corrisponde agli esiti. È particolarmente utile quando le previsioni si ripetono, perché i risultati possono essere verificati e migliorati nel tempo. L’esercizio della scommessa equivalente è un modo ingegnoso per dare concretezza alle probabilità, anziché renderle un semplice ornamento. Tuttavia, saper calibrare le proprie risposte su domande di cultura generale non garantisce competenza in un nuovo ambito, né assicura che le domande siano formulate bene. La calibrazione disciplina la sicurezza, non l’intero processo di previsione. Restano essenziali la conoscenza del settore e definizioni solide.

Misurare le incertezze che potrebbero cambiare la decisione

Dare un valore alla possibilità di sbagliare. La perdita attesa di opportunità, o EOL, è la probabilità di fare una scelta sbagliata moltiplicata per il costo dell’errore. Il valore atteso dell’informazione, o EVI, è la riduzione dell’EOL che ci si aspetta da una misurazione. Il valore atteso dell’informazione perfetta, o EVPI, fissa il limite massimo di quanto potrebbe valere una conoscenza perfetta; perciò, uno studio concreto dovrebbe costare meno.

Spesso l’attenzione si concentra altrove. In oltre 80 analisi, Hubbard ha rilevato che soltanto una piccola parte delle migliaia di variabili modellate giustificava ulteriori misurazioni. Eppure, le variabili di grande valore venivano spesso trascurate, mentre si dedicava attenzione a elementi familiari e facili da misurare. In una compagnia assicurativa, stime approfondite dei punti funzione per valutare l’impegno necessario allo sviluppo di software non erano più vicine all’impegno effettivo delle stime iniziali dei responsabili. Il lavoro era stato ingente, ma il suo valore informativo era pressoché nullo.

Analisi

Questa prospettiva economica spiega perché una misurazione meno precisa possa essere più utile di un rapporto rifinito: il valore dipende dal fatto che l’incertezza incida o meno su una scelta, non dalla sofisticatezza dell’analisi. Offre inoltre ai gruppi un criterio di arresto razionale, che può impedire all’analisi di trasformarsi in un rituale. Il calcolo, però, vale solo quanto il modello delle perdite su cui si basa. Se chi decide non considera le conseguenze sulla reputazione, sulla sicurezza o sulla distribuzione, il valore apparente dell’informazione potrebbe essere sistematicamente sottostimato. Il modello dovrebbe rendere espliciti questi giudizi di valore.

Cominciare con un piccolo campione casuale, non con un censimento costoso

Bastano poche osservazioni per fare la differenza. La regola del cinque afferma che un campione casuale di cinque elementi dà una probabilità del 93,75 per cento che la mediana della popolazione si trovi tra il valore più basso e quello più alto del campione. L’intervallo può essere ampio, ma può comunque ridurre un’incertezza iniziale ancora maggiore. La selezione casuale è importante: un campione numeroso ma distorto può fuorviare più di uno piccolo e rappresentativo. Anche gli errori di misurazione sono di diversi tipi. Spesso è possibile quantificare l’errore casuale; una distorsione sistematica, invece, non scompare semplicemente aggiungendo osservazioni.

Dotare di strumenti le variabili importanti. Per pianificare il fabbisogno di carburante dei Marines, i ricercatori installarono unità GPS e flussometri su tre camion e raccolsero circa 500.000 righe di dati in diverse condizioni stradali. Il modello migliorato dimezzò all’incirca l’errore di previsione e si stimò che avrebbe consentito un risparmio di almeno 50 milioni di dollari l’anno per ogni Marine Expeditionary Force. Tra i fattori principali figuravano il fondo stradale e la familiarità con il veicolo, non soltanto l’intensità dei combattimenti.

Analisi

Il campionamento non è una scorciatoia per evitare il rigore. Permette di investire gli sforzi dove ogni osservazione aggiuntiva è informativa, mentre la selezione casuale rende più valutabile l’errore residuo. Lo studio sul carburante illustra un ulteriore principio: strumenti migliori possono rivelare cause che sfuggono ai pianificatori esperti. La regola del cinque, però, si applica specificamente alla mediana e non significa che cinque osservazioni bastino per qualsiasi domanda. Eventi rari, popolazioni molto eterogenee e selezioni distorte richiedono disegni diversi. Il campione adeguato è determinato dalla decisione e dal processo che genera i dati.

Aggiornare le prove alla luce delle conoscenze pregresse, invece di venerare i valori p

Le prove hanno bisogno di un punto di partenza. L’analisi bayesiana combina l’incertezza a priori con la probabilità delle prove osservate per ottenere una probabilità aggiornata. In un esempio di test di prodotto, la probabilità a priori di conseguire profitti nel primo anno è del 40 per cento. Il test ha esito positivo nell’80 per cento dei casi redditizi, ma anche nel 30 per cento di quelli non redditizi. Dopo un esito positivo, la probabilità di profitto sale al 64 per cento; dopo un esito negativo, scende al 16 per cento.

Un valore p risponde a un’altra domanda. Stima quanto sarebbe probabile osservare il risultato ottenuto, o uno più estremo, se non esistesse un effetto reale. Non dice direttamente a chi deve decidere quale sia la probabilità che l’affermazione sia vera. Nell’esperimento di Emily Rosa sul tocco terapeutico, 280 tentativi produssero il 44 per cento di risposte corrette, un risultato non migliore del caso. Anche un risultato statisticamente significativo andrebbe interpretato alla luce della plausibilità a priori e delle conseguenze di un’azione.

Analisi

Il ragionamento bayesiano rende visibili le ipotesi, anziché fingere che le prove emergano dal nulla. È particolarmente utile quando i campioni sono piccoli e le conoscenze pregresse pertinenti sono considerevoli. L’esempio del test di prodotto mostra perché un segnale apparentemente positivo possa restare debole quando i falsi positivi sono frequenti. Le probabilità a priori possono anche riflettere pregiudizi o abitudini istituzionali, quindi andrebbero documentate e messe in discussione, non considerate intoccabili. Un intervallo trasparente di probabilità a priori ragionevoli è spesso più informativo di un singolo numero presentato come neutrale.

Trasformare il giudizio esperto in un modello ripetibile e verificarne i risultati

La struttura è meglio dell’intuizione non assistita. Le ricerche di Paul Meehl hanno confrontato i giudizi degli esperti con i modelli statistici, rilevando che spesso modelli semplici ottenevano risultati altrettanto buoni o migliori in attività come la diagnosi, la previsione del rendimento scolastico e le previsioni in generale. Il modello della lente (Lens Model) trasforma i giudizi ripetuti degli esperti in una formula coerente: individua i fattori pertinenti, raccoglie i giudizi su diversi scenari e usa la regressione per modellare il modo in cui quei fattori hanno influenzato le stime. La formula elimina l’incoerenza, anche se i fattori utili sono stati individuati dall’esperto.

Evitare la messinscena della sicurezza. Il libro distingue questa modellazione basata sulle prove dalle schede di valutazione arbitrarie che moltiplicano giudizi soggettivi, come la coerenza strategica o il rischio. Scale di questo tipo possono appiattire differenze importanti e creare un’illusione di precisione. Un modello va giudicato confrontandolo con i risultati, non in base a quanto il suo processo sembri formale o rassicurante. In un esempio riguardante Life Technologies, un modello costruito a partire dai contributi degli esperti ridusse del 76 per cento l’errore nelle previsioni di fatturato relative a 16 prodotti non impiegati per costruirlo.

Analisi

Il modo più produttivo di considerare la competenza non è né venerarla né liquidarla. Spesso gli esperti riconoscono segnali pertinenti, ma il giudizio umano ripetuto può applicarli in modo incoerente. Un modello può conservare l’intuizione specialistica e renderne più stabile l’impiego. La prova decisiva è la prestazione fuori campione: le previsioni vanno valutate su casi esclusi dalla costruzione del modello. Senza questa precauzione, una formula apparentemente accurata può limitarsi a memorizzare gli esempi. L’enfasi del libro sui risultati misurati nel tempo è un ottimo antidoto alla sicurezza che cresce solo perché un’analisi sembra rigorosa.

Misurare le preferenze attraverso scelte, compromessi e comportamenti

Il valore emerge dalle decisioni. Le preferenze si possono misurare chiedendo alle persone che cosa desiderano, ma le scelte effettive forniscono spesso prove più solide. La disponibilità a pagare stima il valore chiedendo a che cosa le persone rinuncerebbero per ottenere un beneficio; la preferenza rivelata esamina invece ciò per cui spendono già tempo o denaro. Per attribuire un valore, ad esempio, alla riduzione del pericolo, i ricercatori possono studiare quanto denaro le persone siano disposte a scambiare per piccole riduzioni del rischio personale, anziché fingere che la vita abbia un unico prezzo universale.

Rendere esplicite le priorità in competizione. Le curve di utilità rappresentano combinazioni di risultati che chi decide considera di pari valore, come la qualità e la puntualità. Possono chiarire i compromessi senza sostenere che tutti condividano le stesse preferenze. Hubbard avverte inoltre che le scale di risposta dei sondaggi possono modificare le risposte soltanto perché suddividono diversamente le opzioni. In uno studio sulla felicità descritto nel libro, il reddito e gli eventi della vita risultavano associati alla felicità dichiarata dai partecipanti, consentendo di confrontarne gli effetti in termini di reddito.

Analisi

Attribuire un valore a un beneficio pubblico non significa ridurre la dignità umana a un prezzo. Serve a rendere visibili le scelte di allocazione quando i bilanci sono limitati e ogni alternativa ha conseguenze. Il comportamento osservato può colmare il divario tra ideali dichiarati e priorità effettive, ma non offre una finestra perfetta sulle preferenze: le scelte sono condizionate dai vincoli, dalle risorse diseguali e dalle informazioni limitate. Chi non può permettersi un’opzione più sicura non ha necessariamente scelto di attribuire meno valore alla sicurezza. Una valutazione valida richiede prove comportamentali e un’analisi attenta delle opzioni disponibili.

Usare le tracce digitali e i mercati predittivi come strumenti di misurazione

La tecnologia di uso quotidiano lascia tracce utili. GPS, ricerche online, registrazioni delle vendite e monitor di attività possono rivelare schemi che un tempo si potevano individuare solo attraverso costosi sondaggi o osservazioni manuali. Il libro descrive una ricerca in cui le ricerche su Google relative ai sintomi influenzali anticipavano di circa una settimana le epidemie segnalate. Nell’analisi dei consumi di carburante dei Marines, il GPS e i flussometri rivelarono che le condizioni dei percorsi erano un fattore determinante.

I mercati aggregano le previsioni. I mercati predittivi consentono ai partecipanti di comprare e vendere contratti legati a eventi futuri; il prezzo di una quota può rappresentare la probabilità implicita attribuita dal mercato. I confronti storici presentati nel libro hanno riscontrato che alcuni mercati erano calibrati in modo ragionevole, benché i risultati variassero a seconda della struttura e degli incentivi. Questi strumenti non sono magici: i loro segnali vanno comunque verificati per individuare distorsioni di selezione, cambiamenti nella popolazione e limiti di ciò che la piattaforma registra davvero.

Analisi

Le tracce digitali possono fungere da sensori del comportamento collettivo, rendendo la misurazione meno costosa e più continua. La stessa portata comporta però dei rischi: chi partecipa online potrebbe non rappresentare una popolazione, le piattaforme modificano i propri algoritmi e si può scambiare un dato comodo da ottenere per un dato pertinente. I mercati predittivi offrono un incentivo utile ad aggregare conoscenze disperse, ma i loro prezzi sono previsioni, non fatti. Il loro ruolo migliore è quello di uno strumento tra diversi, da verificare confrontandone le prestazioni con gli esiti reali e tenendo conto della privacy fin dall’inizio.

Analisi

Il contributo più profondo del libro non consiste nell’affermare che ogni concetto nasconda un numero al proprio interno. Consiste nella disciplina di collegare l’osservazione a una scelta con conseguenze. Questo passaggio trasforma la misurazione da abitudine di rendicontazione a intervento economico: vale la pena misurare quando la riduzione attesa delle perdite decisionali supera il costo della misurazione. Il quadro è quindi al tempo stesso epistemico e gestionale. Chiede che cosa si sa, quanto lo si sa bene e se migliorare quella conoscenza possa modificare l’azione.

Gli esempi narrativi rendono persuasiva questa tesi astratta. Eratostene deduce la scala del pianeta dalle ombre; Emily Rosa progetta un test economico per verificare un’affermazione straordinaria; gli analisti dei Marines scoprono che i percorsi dei convogli, e non le variabili belliche più spettacolari, sono il fattore dominante nell’incertezza sul consumo di carburante. Ogni caso mostra come riformulare un problema possa rendere possibile l’osservazione e portare alla luce ipotesi celate dall’esperienza.

Il limite principale sta nel passaggio da un indicatore osservabile a un costrutto valido. Un’azienda può contare le segnalazioni dei clienti come misura della reputazione, ma queste possono variare per ragioni che non hanno nulla a che fare con la reputazione. Un esperto calibrato può descrivere l’incertezza in modo coerente, ma la coerenza non dimostra che il suo modello causale sia corretto. La garanzia più forte offerta dal libro è la convalida iterativa, compreso il confronto con i risultati effettivi; le organizzazioni, però, devono farne una pratica continuativa e non uno studio isolato.

Una seconda tensione riguarda la commensurabilità. Tradurre in denaro i benefici ambientali, i rischi per la salute o la qualità del personale può rivelare compromessi che le decisioni implicite nascondono. Può anche privilegiare ciò a cui è facile attribuire un prezzo e oscurare diritti, esposizioni diseguali o obblighi che non dovrebbero essere oggetto di scambio. La quantificazione non risolve le questioni di valore: chiarisce in quali punti entrano in gioco i giudizi di valore. Se usati correttamente, questi metodi non sostituiscono il giudizio. Lo rendono responsabile, rivedibile e più onesto riguardo all’incertezza.

Riassunto in 30 secondi
Una misurazione è utile quando riduce l’incertezza abbastanza da cambiare una decisione, e il suo valore dovrebbe superarne il costo. Scomponete le stime difficili in domande più semplici, verificate le previsioni degli esperti confrontandole con i risultati e aggiornate le probabilità man mano che arrivano nuove prove. Un campione casuale di cinque osservazioni ha una probabilità del 93,75 per cento di includere la mediana della popolazione nel proprio intervallo. In uno studio, la formazione ha portato la calibrazione delle previsioni dal 53 per cento a circa l’80 per cento.
Contiene spoiler

Ultimo aggiornamento:

Segnala un problema

Sintesi delle recensioni

3.90 su 5
Media di 3.000+ valutazioni da Goodreads e Amazon.

How to Measure Anything riceve recensioni contrastanti. Molti ne apprezzano le intuizioni su come quantificare gli elementi intangibili e ridurre l’incertezza nel processo decisionale. I lettori apprezzano gli strumenti pratici, i concetti statistici e gli esempi storici presentati. Alcuni, tuttavia, trovano il libro denso, ripetitivo e troppo incentrato sulla matematica. I critici sostengono che semplifichi eccessivamente questioni complesse e prenda troppo in giro i manager. Se per alcuni è una lettura indispensabile per chi prende decisioni aziendali, altri lo trovano noioso e poco approfondito. Nel complesso, il libro è apprezzato per la sua prospettiva originale sulla misurazione, ma criticato per lo stile di scrittura e la presentazione.

La tua valutazione:
4.41
584 valutazioni
Vuoi leggere il libro completo?

Glossario

Economia dell’informazione applicata (Applied Information Economics)

Metodo di misurazione incentrato sulle decisioni

Un metodo di analisi decisionale che collega la misurazione a scelte rilevanti. Definisce la decisione e le sue incertezze, quantifica le conoscenze attuali, stima il valore di ulteriori informazioni, misura le incertezze di maggiore valore e poi supporta una scelta basata sul rapporto tra rischio e rendimento. Gli sforzi di misurazione vengono ripetuti solo finché il loro valore atteso per le decisioni giustifica il costo.

scomposizione di Fermi

Scomporre una stima in parti

Un modo per stimare una quantità poco familiare esprimendola attraverso componenti più semplici, stimabili o osservabili separatamente. Per esempio, per stimare il numero di accordatori di pianoforti in una città, si può scomporre il problema in popolazione, possesso di pianoforti, frequenza delle accordature e capacità di ciascun accordatore. La scomposizione rende visibili le ipotesi e rivela quali incognite contano di più.

calibrazione

Far corrispondere la fiducia all’accuratezza

Una proprietà dei giudizi probabilistici per cui gli eventi a cui viene assegnato un determinato livello di fiducia si verificano all’incirca con quella frequenza. Se chi fa previsioni formula molte stime con un grado di fiducia dell’80 per cento, circa l’80 per cento dovrebbe rivelarsi corretto. La calibrazione può essere valutata con domande ripetute dalle risposte note e migliorata attraverso riscontri e tecniche di stima strutturate.

regola del cinque

Stimare una mediana a partire da cinque osservazioni

Una regola di campionamento non parametrica: per un campione davvero casuale di cinque osservazioni, c’è una probabilità del 93,75 per cento che la mediana della popolazione cada tra il valore più piccolo e quello più grande del campione. Può fornire un intervallo utile quando l’incertezza iniziale è ampia, ma stima la mediana, non ogni caratteristica di una popolazione.

valore atteso dell’informazione

Valore della riduzione della perdita decisionale

Il valore atteso dell’informazione è la riduzione della perdita attesa dovuta a un’opportunità mancata, ottenuta grazie a una misurazione. La perdita attesa dovuta a un’opportunità mancata è la probabilità di compiere una scelta non ottimale moltiplicata per il costo di tale scelta rispetto all’alternativa migliore. Il valore dell’informazione perfetta è il limite massimo di quanto dovrebbe costare una misurazione aggiuntiva.

inversione della misurazione (Measurement Inversion)

Misurare ciò che riceve poca attenzione

Un fenomeno ricorrente per cui le variabili oggetto dei maggiori sforzi di misurazione sono spesso meno rilevanti per le decisioni delle incertezze ignorate dalle organizzazioni. Fattori familiari e facili da misurare possono dominare i rapporti anche quando benefici incerti, adozione o rischi di fallimento hanno un potenziale maggiore di influire sulla decisione.

simulazione Monte Carlo

Modellare molti scenari incerti

Un metodo computazionale che estrae ripetutamente valori da distribuzioni di probabilità relative a dati di input incerti, calcola un risultato per ciascuna combinazione e riassume l’intervallo dei risultati ottenuti. Consente a chi deve prendere decisioni di stimare le probabilità di perdite o di altri valori soglia quando un calcolo basato su singole stime puntuali nasconderebbe il rischio.

modello della lente (Lens Model)

Modellare in modo coerente il giudizio degli esperti

Un metodo per trasformare giudizi ripetuti di esperti in un modello statistico. Gli esperti individuano i fattori rilevanti e valutano numerosi scenari; la regressione stima quindi in che modo i fattori sono correlati ai loro giudizi. La formula risultante applica tali giudizi in modo coerente e può essere confrontata con i risultati per verificare se migliora le previsioni.

inversione bayesiana

Aggiornare le convinzioni alla luce delle prove

Un calcolo che usa le probabilità a priori e la probabilità delle osservazioni nelle diverse ipotesi per determinare le probabilità aggiornate dopo l’arrivo di nuove prove. Riformula una domanda potenzialmente difficile — per esempio, qual è la probabilità che un’affermazione sia vera data un’osservazione? — in termini di probabilità condizionate che possono essere più facili da stimare.

FAQ

Di cosa parla How to Measure Anything?

  • Misurare gli elementi intangibili: Il libro di Douglas W. Hubbard si concentra sull’idea che tutto, compresi elementi intangibili come il morale dei dipendenti o il valore dell’informazione, possa essere misurato.
  • Un approccio orientato alle decisioni: Presenta un metodo universale di misurazione che sottolinea l’importanza delle misurazioni nel guidare le decisioni.
  • Applicazioni pratiche: Hubbard propone esempi reali di vari ambiti per illustrare come la misurazione possa portare a decisioni migliori.

Perché dovrei leggere How to Measure Anything?

  • Superare i miti sulla misurazione: Il libro è essenziale per chiunque creda che alcuni aspetti della propria attività o della propria vita non possano essere quantificati.
  • Migliorare il processo decisionale: Imparando i metodi descritti, i lettori possono migliorare i propri processi decisionali.
  • Accessibile a tutti: Hubbard scrive in modo accessibile anche ai non esperti, rendendo comprensibili concetti statistici complessi.

Quali sono i punti chiave di How to Measure Anything?

  • La misurazione è possibile: Hubbard sottolinea che anche gli elementi intangibili più sfuggenti possono essere quantificati con il giusto approccio.
  • Economia dell’informazione applicata (Applied Information Economics, AIE): Introduce un approccio strutturato alla misurazione, incentrato sulla definizione delle decisioni e sulla valutazione dell’incertezza.
  • Calibrazione delle stime: Illustra l’importanza di calibrare le stime per migliorare l’accuratezza del processo decisionale.

Quali sono le citazioni migliori di How to Measure Anything e che cosa significano?

  • “Tutto può essere misurato.”: Invita i lettori a riconsiderare le proprie convinzioni su ciò che può e non può essere quantificato.
  • “È meglio essere approssimativamente nel giusto che precisamente in errore.”: Sottolinea l’importanza di formulare stime informate, invece di aspettare dati perfetti.
  • “Se lo capisci, puoi modellarlo.”: Evidenzia il legame tra la comprensione di un concetto e la capacità di misurarlo.

Che cos’è il metodo dell’Applied Information Economics (AIE) in How to Measure Anything?

  • Un approccio strutturato alla misurazione: L’AIE è un metodo sistematico per misurare le incertezze e prendere decisioni basate su tali misurazioni.
  • Un processo in cinque fasi: Consiste nel definire la decisione, determinare le conoscenze attuali, calcolare il valore di ulteriori informazioni, applicare gli strumenti di misurazione pertinenti e prendere una decisione.
  • Incentrato sulla riduzione dell’incertezza: Considera la misurazione un modo per ridurre l’incertezza e consentire scelte più informate.

Come definisce la misurazione Douglas W. Hubbard in How to Measure Anything?

  • Riduzione dell’incertezza: La misurazione è definita come «una riduzione dell’incertezza espressa quantitativamente e basata su una o più osservazioni».
  • Natura probabilistica: Riconosce che le misurazioni non devono eliminare del tutto l’incertezza: è sufficiente che la riducano.
  • Conseguenze osservabili: La misurazione è legata a risultati osservabili: se qualcosa può essere rilevato in qualunque modo, può essere misurato.

Che cos’è il metodo Monte Carlo menzionato in How to Measure Anything?

  • Tecnica di simulazione: Una tecnica statistica che utilizza campionamenti casuali per stimare la probabilità di esiti diversi in un processo difficilmente prevedibile.
  • Applicazione nell’analisi del rischio: Consente a chi prende decisioni di modellare l’incertezza e valutare i rischi simulando migliaia di scenari sulla base di dati di input variabili.
  • Contesto storico: Prende il nome dal Casinò di Monte Carlo per il ricorso al campionamento casuale, simile ai giochi d’azzardo.

Che cos’è il valore atteso dell’informazione (EVI) in How to Measure Anything?

  • Definizione di EVI: La riduzione della perdita attesa dovuta a un’opportunità mancata (EOL) che si ottiene acquisendo ulteriori informazioni prima di prendere una decisione.
  • Importanza nel processo decisionale: Aiuta a stabilire le priorità degli sforzi di misurazione quantificando i potenziali benefici della riduzione dell’incertezza.
  • Calcolo: Si calcola come differenza tra la EOL prima e dopo aver ottenuto nuove informazioni.

In che modo How to Measure Anything affronta i bias nel processo decisionale?

  • Bias umani: Tratta i bias umani più comuni, come l’eccessiva fiducia nelle proprie capacità e il bias di selezione, che possono influire sulle decisioni.
  • Tecniche di calibrazione: Presenta tecniche di calibrazione che aiutano le persone a valutare meglio la propria incertezza e a migliorare le proprie stime.
  • Importanza della formazione: Sottolinea la necessità di una formazione per attenuare i bias e aumentare l’accuratezza dei processi decisionali.

Qual è l’importanza dell’analisi bayesiana in How to Measure Anything?

  • Aggiornare le convinzioni: Consente a chi prende decisioni di aggiornare le proprie convinzioni sulla base di nuove prove, integrando le conoscenze pregresse con le nuove informazioni.
  • Applicazioni pratiche: Propone esempi di applicazione dei metodi bayesiani a problemi reali, migliorando la comprensione dell’incertezza.
  • Confronto con i metodi tradizionali: Confronta i metodi bayesiani con gli approcci statistici tradizionali, evidenziandone la flessibilità e l’applicabilità in situazioni incerte.

Come definisce Hubbard il valore dell’informazione in How to Measure Anything?

  • Valore atteso dell’informazione perfetta (EVPI): È definito come l’importo massimo che chi prende una decisione dovrebbe essere disposto a pagare per informazioni che eliminerebbero l’incertezza.
  • Analisi costi-benefici: Viene valutato in un’ottica di costi e benefici, confrontando i potenziali vantaggi della riduzione dell’incertezza con i costi per ottenere quelle informazioni.
  • Esempi reali: Il libro presenta casi di studio in cui è stato calcolato il valore dell’informazione, dimostrandone l’importanza pratica.

Come posso applicare nel mio lavoro i concetti di How to Measure Anything?

  • Individuare le decisioni chiave: Iniziate definendo chiaramente le decisioni da prendere e le incertezze coinvolte.
  • Usare i metodi bayesiani: Applicate l’analisi bayesiana per affinare le stime man mano che diventano disponibili nuovi dati.
  • Misurare per gradi: Applicate il principio della misurazione incrementale, iniziando con attività di raccolta dati circoscritte e gestibili.

Sull'autore

Douglas W. Hubbard è autore e consulente specializzato in scienza delle decisioni e gestione del rischio. È noto per aver sviluppato l’Economia dell’informazione applicata (Applied Information Economics), un metodo per misurare gli elementi intangibili nelle imprese e nelle amministrazioni pubbliche. Hubbard ha scritto diversi libri sulla misurazione e sul processo decisionale, tra cui la popolare serie "How to Measure Anything". Il suo lavoro si concentra sull’applicazione dell’analisi quantitativa a problemi complessi tradizionalmente considerati impossibili da misurare. Il suo percorso comprende esperienze nella gestione di progetti informatici e nell’analisi aziendale. Interviene spesso a conferenze e tiene corsi sulle tecniche di analisi del rischio e di decision-making. Il suo approccio combina statistica, economia e teoria delle decisioni per migliorare i processi decisionali nelle organizzazioni.

Scarica PDF

Per conservare questo riassunto di Come misurare qualsiasi cosa e leggerlo in seguito, scarica il PDF gratuito. Puoi stamparlo o leggerlo offline quando vuoi.
Scarica PDF

Scarica EPUB

Per leggere il riassunto di Come misurare qualsiasi cosa sul tuo e-reader o sulla relativa app, scarica l’EPUB gratuito. Il formato digitale .epub è ideale per leggere ebook su telefoni, tablet ed e-reader.
Scarica EPUB
Vuoi leggere il libro completo?
Segui
Ascolta
Home
Swipe
Libreria
App
Prova l'accesso completo per 3 giorni
Ascolta, salva e molto altro
Confronta le funzionalità Gratuito Pro
📖 Leggi i riassunti
Leggi riassunti illimitati. Gli utenti gratuiti ne ricevono 3 al mese
🎧 Ascolta i riassunti
Ascolta riassunti illimitati in 40 lingue
—
❤️ Segnalibri illimitati
Gli utenti gratuiti sono limitati a 4
—
📜 Cronologia illimitata
Gli utenti gratuiti sono limitati a 4
—
📥 Download illimitati
Gli utenti gratuiti sono limitati a 1
—
Prova senza rischi
Oggi: accesso immediato
Ascolta i riassunti completi di oltre 26.000 libri. Sono più di 12.000 ore di audio!
Giorno 2: promemoria della prova
Ti invieremo una notifica per avvisarti che la prova sta per scadere.
Giorno 3: inizia il tuo abbonamento
L'addebito avverrà il 25 nov,
puoi annullare in qualsiasi momento prima.
Consume 2.8× More Books
2.8× libri in più Ascolto Lettura
I nostri utenti ci adorano
1M+ lettori
Trustpilot Rating
TrustPilot
4.6 Eccellente
Questo sito è una vera rivoluzione. Ho letto riassunti di libri come mai prima d'ora. Consigliatissimo.
— Dave G
Vale ogni centesimo e ogni minuto, ed è davvero ben fatto. Non ho mai visto riassunti di questa qualità su altri siti. Utilissimo!
— Em
Consigliatissimo!! Servizio fantastico. Perfetto per chi vuole qualcosa in più di un'anteprima ma senza tutti i dettagli di un audiolibro completo.
— Greg M
Risparmia il 62%
Annuale
$119.88 $44.99/anno/anno
$3.75/mese
Mensile
$9.99/mese
Inizia la prova gratuita di 3 giorni
3 giorni gratis, poi $44.99/anno. Cancella quando vuoi.
Unlock a world of fiction & nonfiction books
Oltre 26.000 libri al prezzo di 2
Leggi qualsiasi libro in 10 minuti
Scopri nuovi libri come su Tinder
Richiedi qualsiasi libro se non è ancora disponibile
Leggi più libri di chiunque tu conosca
App n. 1 per gli amanti dei libri
Lifelike & immersive summaries
Garanzia di rimborso entro 30 giorni
Scarica i riassunti in EPUB o PDF
Cancella in qualsiasi momento con pochi clic

Perché un solo riassunto?

Scanner
Trova un codice a barre da scansionare

⭐
⭐
⭐
Abbiamo un regalo speciale per te
Apri
38% di sconto
SCONTO PER TE
⭐
⭐
⭐
$79.99
$49.99/anno
Solo $4.16 al mese
Continua
Bastano 2 tocchi per iniziare, cancellare è facilissimo
Impostazioni
Generali
Widget
Caricamento...