Jak eksploracja danych o niepowodzeniu może nas nauczyć sekretów sukcesu

Pani Tech | Edison: Biblioteka Kongresu, Żarówka: Pixabay

Thomas Edison jest często opisywany jako największy wynalazca Ameryki. Jego sukcesy obejmują wytwarzanie energii elektrycznej, nagrywanie dźwięku i żarówkę elektryczną.

Ale Edisonowi nieobca była porażka. Słynnie przetestował 1000 różnych projektów, zanim zdecydował się na żarnik węglowy, który stał się pierwszą żarówką, która odniosła komercyjny sukces. Ta wytrwałość wyróżniała go. Wiele życiowych porażek to ludzie, którzy nie zdawali sobie sprawy, jak bliscy byli sukcesu, kiedy się poddali, powiedział.

Wiele grup i osób badało naturę sukcesu. Badania te przyniosły różne stopnie wglądu. Druga strona – natura niepowodzenia – jest znacznie mniej dobrze zbadana, ale prawdopodobnie ważniejsza. Niewiele wiadomo o mechanizmach rządzących dynamiką awarii.

Dziś to się zmienia, przynajmniej częściowo, dzięki pracy Yian Yin z Northwestern University w Evanston w stanie Illinois i współpracownikom. Zespół ten przeanalizował charakter niepowodzeń w trzech ogromnych zestawach danych dotyczących losów firm rozpoczynających działalność, badaczy próbujących zabezpieczyć finansowanie i ataków terrorystycznych. Praca ujawnia dynamikę niepowodzeń i ukrytą sygnaturę, która na wczesnym etapie może oddzielić zbliżające się porażki od sukcesów.

Metoda zespołu opiera się na analizie trzech zbiorów danych. Pierwsza z nich to zestaw wszystkich propozycji badań związanych ze zdrowiem, zgłoszonych do amerykańskich National Institutes of Health w latach 1985-2015.

NIH jest największym na świecie sponsorem badań biomedycznych, więc ten zestaw danych jest ogromny i składa się z 776 721 wniosków złożonych przez 139 091 badaczy. Zawiera również informacje o tym, czy każdy wniosek został sfinansowany; innymi słowy, czy zakończyła się sukcesem.

Druga baza danych to rekordy inwestycji w start-upy z VentureXpert, oficjalnej bazy danych National Venture Capital Association. Wynika to z losu każdego startupu finansowanego przez inwestorów venture capital w latach 1970-2017 – łącznie 58 111 firm, w których uczestniczy 253 579 innowatorów.

W takim przypadku startup jest uważany za odnoszący sukces, jeśli dokonał pierwszej oferty publicznej lub fuzji i przejęcia o wysokiej wartości w ciągu pięciu lat od jego założenia.

Ostateczny zestaw danych pochodzi z Globalnej Bazy Danych Terroryzmu, która rejestruje 170 350 ataków terrorystycznych dokonanych przez 3178 organizacji terrorystycznych w latach 1970-2017. W tym przypadku udany atak to taki, który odbiera co najmniej jedno życie, podczas gdy porażki to te, które nikogo nie zabijają.

Kluczową cechą tych zbiorów danych jest to, że pozwalają Yin i współpracownikom śledzić losy badaczy, innowatorów i grup terrorystycznych, które podejmują liczne próby osiągnięcia swojego celu. Kluczowym pytaniem, które badają, jest to, jak próby zmieniają się w czasie i jakie czynniki są zaangażowane w te zmiany.

Yin i współpracownicy badają w szczególności dwa czynniki, które uważa się za odgrywające ważną rolę w sukcesie i porażce: przypadek i uczenie się. Najpierw patrzą na przypadek, pogląd, że zdarzenia losowe odgrywają ważną rolę w ograniczaniu lub zwiększaniu szans na sukces.

To prowadzi do prostego modelu. Jeśli przypadek jest kluczowym czynnikiem decydującym o sukcesie, to każda próba ma skończone prawdopodobieństwo powodzenia. Rzeczywiście, sukces w końcu nastąpi, jeśli zostanie podjęta wystarczająca liczba prób. Sugeruje to, że liczba prób przed sukcesem powinna być zgodna z rozkładem wykładniczym.

Aby przetestować tę teorię, Yin i współpracownicy badali sekwencje niepowodzeń tych samych osób lub zespołów, zanim osiągnęli sukces. Okazuje się, że te sekwencje nie są zgodne z rozkładem przewidzianym przez model losowy.

Yin i spółka ocenili również pierwsze i przedostatnie próby w tych seriach niepowodzeń, a następnie porównali je, aby zobaczyć, jak się zmieniły. Jeśli liczy się tylko szczęście, nie powinno być żadnej znaczącej różnicy.

Zespół twierdzi jednak, że przedostatnie wysiłki są znacznie lepsze niż pierwsze. Sugeruje to, że musi działać inny mechanizm: zaangażowane osoby muszą się uczyć. Innymi słowy, doświadczenie porażki daje cenne lekcje, które można wykorzystać do poprawy wydajności następnym razem.

Ponieważ uczenie się powinno zmniejszać liczbę prób wymaganych przed osiągnięciem sukcesu, powinno prowadzić do węższego rozkładu serii niepowodzeń niż forma wykładnicza przewidziana przez model szansy.

Ale ku zaskoczeniu Yin i spółki, serie niepowodzeń również nie są zgodne z tym schematem. W rzeczywistości mają znacznie grubszy rozkład. Obserwacje te pokazują, że ani przypadek, ani samo uczenie się nie mogą wyjaśnić empirycznych wzorców leżących u podstaw niepowodzeń - twierdzą naukowcy.

Więc jakie inne czynniki są ważne? Aby się tego dowiedzieć, Yin i współpracownicy modelowali sposób, w jaki ludzie uczą się z doświadczenia i jak to wpływa na ich następną próbę. W szczególności modelowali, czy ludzie biorą pod uwagę wszystkie swoje wcześniejsze doświadczenia, czy tylko niektóre z nich.

Powstały model uwzględnia pełny zakres uczenia się — od agentów, którzy biorą pod uwagę wszystkie swoje przeszłe doświadczenia, do tych, którzy nie biorą pod uwagę żadnego ze swoich przeszłych doświadczeń, oraz wszystkiego pomiędzy.

Zespół twierdzi, że model przewiduje zmianę fazy w zachowaniu, która odpowiada danym empirycznym. Kiedy poziom uczenia się na podstawie doświadczenia jest poniżej pewnego progu, przyszłe próby nigdy nie będą wystarczająco dobre, aby odnieść sukces. Rzeczywiście, grupy mogą w końcu obniżyć jakość swojej pracy.

Ale kiedy poziom uczenia się na podstawie doświadczenia przekracza ten próg, przyszłe próby stają się coraz lepsze, aż w końcu się udają. A kluczowym czynnikiem jest sposób, w jaki ludzie się uczą.

Ma to ważne implikacje. Na przykład oznacza to, że proces uczenia się zespołu jest dobrym wskaźnikiem tego, czy w pewnym momencie odniesie on sukces. Nasze odkrycia ujawniają możliwe do zidentyfikowania, ale nieznane wcześniej sygnały, które pozwalają nam zidentyfikować dynamikę niepowodzeń, które doprowadzą do ostatecznego zwycięstwa lub porażki, powiedzmy Yin i spółka.

Następnym krokiem będzie analiza udanej nauki na miejscu tak, aby można było odróżnić ją od nieudanej nauki i ostatecznie uczyć systematycznie.

To może być kluczowy sposób na uzyskanie przez zespoły przewagi nad konkurencją. A przy tak dużej stawce w zakresie finansowania i inwestycji, skuteczni uczniowie mają mnóstwo motywacji, by bardziej się starać. Edison z pewnością byłby pod wrażeniem.

Nr ref.: arxiv.org/abs/1903.07562 : Kwantyfikacja dynamiki niepowodzeń w nauce, start-upach i bezpieczeństwie

ukryć