Lederes intuisjon vekter ikke like mye i dagens arbeidsliv.

Foto

Roman Samborskyi | Dreamstime.com

Blir ledere overflødige i en datadreven verden?

Publisert: 2. oktober 2019 kl 11.37
Oppdatert: 2. oktober 2019 kl 11.37

Lederes intuisjon vekter ikke like mye i dagens arbeidsliv. Mange ledere kan oppleve dette som problematisk siden de er vant til å bestemme basert på hva de tror og ikke fakta som data gir.

Nettportalen Finn.no har for eksempel en datadrevet ledelses- og beslutningsprosess som leverer 1000 oppdateringer i uken og et driftsoverskudd på 37 prosent år etter år.

Men hvilke beslutninger gjenstår for en ledelse i en bedrift der det er dataene, eksperimentene og modellene bestemmer?

Førsteamanuensis Espen Andersen ved institutt for strategi og entreprenørskap ved Handelsskolen BI, skriver i et innlegg på BI Business Review at ledere ikke slutter å ta beslutninger i en datadreven bedrift.

Ledere skal bestemme kriteriene for hvordan modeller og data skal brukes.

Pålitelige algoritmer

Saken fortsetter under annonsen

Her er et eksempel fra en medisinsk virkelighet: Hva om vi bruke en datamodell for å avgjøre om en føflekk inneholder kreftceller eller ikke. Vi har en rekke mål for føflekker (lengde, bredde, farge, regularitet, form) og for pasientene fra tidligere undersøkelser.

Vi tar alle disse dataene, gir dem til en dataanalytiker og ber vedkommende lage en modell som kan forutsi om en føflekk er kreft eller ikke. Analytikeren programmerer i vei og kommer frem til en modell som gjetter riktig i 90 prosent av tilfellene.

Lederen må deretter avgjøre om denne modellen bra nok, og skal den tas i bruk.

I utgangspunktet virker det enkelt - hvor bra er modellen i forhold til hva som gjøres nå?

Hvis en lege som undersøker en pasient finner riktig diagnose i bare 80 prosent av tilfellene, er det jo enkelt: Da bruker man algoritmen.

Dette at enkle algoritmer er mer korrekte enn ekspertvurderinger er en kjent sak.

Saken fortsetter under annonsen

Alle gjør feil

Likevel er slike avgjørelser mer komplisert enn som så. Alle modeller gjør feil, men hva slags feil gjør de?

Det man må gjøre er å lage det som på engelsk heter en confusion matrix som kan se slik ut:

Denne matrisen viser en modell som er 90 prosent korrekt - den har funnet 80 tilfeller som ikke var kreft, og 10 som var det.

Men den har tatt feil i ti av tilfellene: To der det var kreft men den predikerte ikke-kreft (falsk negativ), åtte der den trodde det var kreft men det ikke var det. Hvis en lege har 80 prosent feilrate, ser det jo ut til at denne modellen er bedre.

Feil er ikke feil, understreker Andersen.

Saken fortsetter under annonsen

Det er opplagt mye mer alvorlig med en falsk negativ (det er kreft, men man finner det ikke) enn en falsk positiv (at man tror en pasient har kreft, men tar feil).

Kan ikke løpe fra lederansvaret

Sett at man har en annen modell (eller endrer litt på den man har, for eksempel ved å sette lavere kriterier for å vurdere noe som kreft) og får en modell som ser slik ut:

Denne modellen har en treffsikkerhet på 82 prosent, dårligere enn den første modellen, men den finner alle krefttilfellene.

Skal man kunne velge en riktig modell, må man ha kunnskaper om konsekvenser - både hva modellen skal måles opp mot, og hva konsekvensene vil være om modellen tar feil

– Dette er ikke en avgjørelse man kan overlate til teknologene - i dette tilfelle dataanalytikerne. Å finne modeller som fungerer er en jobb for spesialister, skriver Andersen og fortsetter:

Saken fortsetter under annonsen

– Å velge riktig modell basert på konsekvensene av å ta den i bruk er et lederansvar man ikke kan løpe fra - og en forutsetning for å skape den data-drevne bedriften.