Hvis du vil være kreativ, skal du ikke være datadrevet

3 ideer, der helt ændrer, hvordan du tænker på data

Der er ingen iboende værdi i noget stykke data, fordi al information er meningsløs i sig selv. Hvorfor? Fordi information ikke fortæller dig, hvad du skal gøre.
 - Beau Lotto

Når jeg skriver dette, sidder jeg i et lille konferencelokale på anden sal i en kontorbygning. Udsigten fra vinduerne er en brolagt gårdhave nedenunder ca. 25 meter fra bygningen med nogle borde, stole og velplejede landskabsarkitektur. Jeg kan se, at solen skinner, og det ser ud som en dejlig dag. Baseret på disse data, skal jeg gå udendørs arbejde? Overvej dit svar, så vender vi tilbage til spørgsmålet senere.

Hvis du er en designer, ingeniør eller i en hvilken som helst rolle, der skaber ting, hører du sandsynligvis meget om "big data" og at være "datadrevet." Antagelsen er, at data svarer til indsigt og retning. Men gør det det? Data, alle data, i enhver mængde medfører problemer, der gør det meget farligt at stole på alene. Lad os overveje et par af dem: For det første er data kun information og alene repræsenterer ikke objektiv virkelighed. Dernæst betyder uanset hvilke data du har aldrig, aldrig komplet, og endelig at få flere data betyder ikke nødvendigvis mere klarhed. Lad os se nærmere på disse.

Data er ikke virkelighed

Mennesker er gode til at tage beslutninger baseret på deres kontekst og historie, men vi er ret dårlige til at se mulighederne ud over det. Her er et eksempel. Læs teksten nedenfor højt:

Hvis du læser "hvad læser du nu?" Gjorde du hvad mange engelske læsere ville gøre med de samme "data." Du gjorde dette, selvom der ikke er et enkelt engelsk ord i den sætning. Du kan læse noget meningsfuldt ved at tage både konteksten af ​​denne artikel og din historie med det engelske sprog og udfylde emnerne. Bemærk også, at jeg bad dig læse sætningen, så du så ordet "læsning" i bogstaverne. Denne priming var med til at bestemme resultatet. Ikke alle læser det på samme måde dog. Hvis du gabbede på noget eller sad på en restaurant, har du måske lige så let læst "hvad spiser du nu?" Og for alle, der ikke læser engelsk, ville bogstaverne være, hvad de virkelig er, gibberish. Pointen her er, at hvordan vi behandler data er meget kontekstualiseret af den enkelte, der udfører behandlingen. Ofte vil vi komme til de samme konklusioner baseret på vores fælles historie eller kontekst, men lige så ofte kan vi komme til forskellige konklusioner fra nøjagtigt de samme data af de samme grunde.

Alle data mangler noget

Små data, big data, det betyder ikke noget. Alle data er ufuldstændige på et eller andet niveau. For at demonstrere, lad os forestille os, at du er nødt til at oprette et softwareprodukt og beslutte, at den bedste måde at fokusere dit arbejde er at oprette en profil for din planlagte kunde. Din forventning er, at profilen giver en vis indsigt i, hvad man skal bygge. Du opretter en "persona" ved navn Linda ud fra data, du har samlet.

Linda er:

  • En kvindelig
  • 31 år gammel
  • Enkelt
  • åbenhjertig
  • Smart
  • En hovedfilosofi
  • Er dybt bekymret over spørgsmål om forskelsbehandling og social retfærdighed
  • Som studerende deltog han i anti-nukleare demonstrationer.

Selvom disse data muligvis kan være nyttige til en profil, ville næsten ingen kalde dette for en fuldstændig oversigt over en person, så meget mindre en befolkning. Det er tilfældet, baseret på de givne data, som er mere sandsynligt, at Linda vælger mellem de følgende scenarier?

  1. Linda er en banktæller
  2. Linda er en banktæller, der også er aktiv i kvinders rettigheder

Hvis du er som mere end 80% af de mennesker, der er konfronteret med Linda-problemet, siger du, at scenario 2 mere er egnet til at passe til Linda. Dette svar er dog i strid med sandsynlighedens logik. Hvis spørgsmålet er, hvad der er mere sandsynligt, skal svaret mellem nummer 1 og nummer 2 være nummer 1, fordi sættet med feministiske bankfortællere er inkluderet i antallet af bankfortællere, men det modsatte er ikke sandt. Så det er mere sandsynligt, at Linda er en banktæller end en feministisk banktæller. Hvorfor laver vi denne fejl? Uden at gå ind i al adfærdspsykologi er den grundlæggende idé, at scenarie 2 fortæller en bedre historie, så vi foretrækker det. Sagt på en anden måde, der mangler meget i dette datasæt, så vores hjerner tager det, der er der, og udfylder resten. Den tilsyneladende specificitet giver os mulighed for at konstruere en historie, der synes at være mest fornuftig, men den logiske virkelighed er det modsatte. I dette tilfælde ignorerer de fleste bare en åbenlyst logisk fejl, men du kan forestille dig endnu flere data om Linda - hvordan hun klæder sig, hvor hun bor, hvem hun forbinder med osv., Der kan føre til at du opbygger en endnu mere komplet profil af hende. Men denne profil mangler stadig information og kunne meget vel være helt unøjagtig med hensyn til at forstå, hvilket produkt en reel kunde faktisk har brug for.

Flere data, mindre klarhed?

Data alene kan også have den virkning, at vores evne til at se kreative løsninger, også til enkle problemer, fortærmes. Her er et eksempel:

Du skal sætte et stearinlys på en væg (en korkplade) og tænde det på en sådan måde, at stearinlys ikke drypper ned på et bord direkte nedenfor.

For at gøre dette må du kun bruge følgende sammen med stearinlyset:

  • en bog med kampe
  • en æske med fingerspidser

Nogle ideer? Lad mig give dig flere data, sige en "større data" -version af problemet og se, om det hjælper:

Dette lille eksperiment, kendt som Dunckers lysproblem, er blevet testet på forskellige emner overalt i verden, og selvom de kommer med en masse kreative ideer, løser de fleste ikke problemet. I de sjældne tilfælde, hvor de gør det, er løsningen normalt frygtelig kompleks eller ineffektiv.

Den bedste (og enkleste) løsning er at tømme kassen og sætte kassen på væggen for at holde lyset. Så enkel, ikke? Men det er ikke det, de fleste mennesker kommer på, i det mindste ikke med det samme. Beskrivelsen af ​​problemet er temmelig begrænset, men det ser ud som om at give et billede ud over beskrivelsen ikke giver mere hjælp og kan endda reducere muligheden for at finde løsningen. Hvad sker der her? For det første er problemopstillingen, at vi er nødt til at fastgøre stearinlyset på væggen, og vi har en forudsætning om, at fingerspidser bruges til at fastgøre ting på væggene. Derudover konstaterer beskrivelsen og det tilsvarende billede, at kassen er en beholder til stifterne. Disse beskrivelser skaber partier om de objekter, som ikke er let for de fleste at overvinde, hvilket gør det meget vanskeligt at se andre måder, materialerne kan bruges på.

I årenes løb har forskere forsøgt forskellige måder at forbedre evnen til at se løsningen hurtigere. Nogle måder, der har fungeret, inkluderer ændring af beskrivelsen af ​​de tilgængelige elementer til:

  • en bog med kampe
  • en kasse
  • tegnestifter

På lignende måde ændres billedet til:

Disse subtile, men vigtige ændringer gør en stor forskel og øger chancerne for, at deltagerne finder løsningen eller finder den hurtigere. I det væsentlige forbedrer det kreativiteten. Hvorfor? Denne anden beskrivelse og billede hjælper med at fjerne nogle af de bias, der er nævnt ovenfor, og giver os mulighed for at se mere tydeligt, at kassen kunne bruges som en hylde. En boks og thumbtacks er en anden måde at se på dataene på end en box of thumbtacks. Sådan!

Den dårlige nyhed til alt dette er, at data i sig selv i bedste fald er meningsløse og værre, vildledende. I de fleste tilfælde fortæller det dig meget lidt eller intet om, hvad du skal gøre. Desværre er det ikke, hvor mange fagfolk behandler de data, de får. Jeg hører ofte kolleger midt i det, jeg har brug for et design- eller forretningsbeslutning, spørger ”hvad fortæller dataene os om at gøre?” Det egentlige svar: ikke meget.

Hvis vi stoppede her, ser ting muligvis dårligt ud for vores datarige fremtid, men det er ikke håbløst. Her er tre måder, du kan henvende dig til data, der beriger din kreativitet og giver dig mulighed for at bruge de oplysninger, du får på meget kraftige måder.

1. Eksperimenter med opskriften

Jeg arbejder i en gruppe, der skaber ting, der måske kan bruges af en halv milliard mennesker. Jeg administrerer datavidenskabsteamet for denne gruppe, og vi får i stigende grad anmodninger om flere data om vores forretning.

Fra min erfaring er der et stykke, som jeg har udeladt denne diskussion, der gør alle de data, vi har, og vil fortsætte med at indsamle, være nyttige. Det stykke er dig og din kreativitet.

Se, data er kun meningsløse, hvis vi forventer objektiv sandhed fra dem uden at tage hensyn til vores opfattelser og antagelser og komme forbi dem med vores kreativitet. Hvad jeg mener med kreativitet i denne sammenhæng er processen med at stille spørgsmål og eksperimentere. Kreativitet giver os mulighed for at tage de data, vi har, stille spørgsmål til vores udgangspunkt antagelser om, hvad dataene fortæller os, og eksperimentere, indtil vi gør noget nyttigt ud af det. Titlen på denne artikel handler om ikke at være datadrevet, med "drevet" som nøgleord.

Ideen her er, at vi skal bruge data som information, ikke som indsigt. Sagt på en anden måde, det handler ikke om ingredienserne, det handler om kokken. Ingredienser alene laver ikke et måltid (i det mindste ikke godt). Og selv gode opskrifter kommer ikke uden en masse eksperimentering og mislykkede forsøg fra de mennesker, der skaber dem. På samme måde er den menneskelige del af datapipeline den mest værdifulde del, og det gælder især for os inden for kreative eller innovative områder. For at data understøtter virkelig kreative eller innovative resultater, skal vi give dem mulighed for at informere os om fakta, så vi kan stille spørgsmål og eksperimentere med det "tilstødende mulige" for at opdage den indsigt og potentiale, som de rå data ikke giver. Dette gælder af følgende grunde:

  • Eksperimentering giver mange muligheder åbne
  • Eksperimenter forventer, og endda fejrer, fiasko og usikkerhed
  • Eksperimentering holder processen åben for ændringer og tilpasning til opdagelser

Eksperimentering er lidt af et koldt, klinisk ord, men du kan også bruge ordene efterforskning eller endda lege. Eksperimentering understøtter ideen om, at der ikke er nogen forudfattede resultater, hvilket giver mange mulige resultater åbne. For at dette skal ske, er vi nødt til at starte med ideen om, at "succes" kan komme i mange former, eller endda ingen form overhovedet. Det betyder, at når du improviserer med opskriften, kan du helt sikkert undlade at lave en ret, du vil spise, eller du kan opfinde et helt nyt køkken!

2. Spørgsmål til alt

Eksperimentering og leg er måder at udforske nye muligheder på. Den bedste måde at udføre efterforskning i praksis er at starte med spørgsmål. Hvis du vil sætte nogle af ideerne ovenfor på prøve, skal du gå tilbage til lysproblemet og se, hvordan du kan tage dataene og sætte spørgsmålstegn ved dem for at komme med nye muligheder. For eksempel, med tanke på stearinlyset, væggen, kassen og pindestifterne, kan jeg spørge nogle af følgende:

  • Hvad ville der ske, hvis jeg fjernede en vare fra listen, hjælper det mig på nogen måde?
  • Hvad hvis jeg vendte alt på hovedet, gør det en forskel?
  • Hvad ville jeg se, hvis jeg tager alle matchsticks ud af matchbogen?
  • Hvad hvis jeg tog tommelfingrene ud af kassen?
  • Hvad hvis jeg forsøgte at sætte alt på væggen med stifterne?

Dette er kun et lille sæt af det, du sandsynligvis ser, er et stort sæt spørgsmål, jeg kan stille om lysdisprogramdataene. Og de to sidste spørgsmål på min korte liste begynder at gå hen imod en mulig løsning, da jeg ændrer tanken om, at kassen skal indeholde stifterne, mens jeg stadig bruger stifterne til det tilsigtede formål. Det bliver en næsten magisk transformation af min tænkning. Og det er hvad jeg er i stand til at gøre alene, men der er endnu mere magi, når jeg inkluderer andre.

3. Tænk inkluderende

Jeg nævnte ”tilstødende muligt” ovenfor. For de fleste af os giver vores kreativitet os mulighed for at udforske ikke alle mulige resultater, men kun en lille del af, hvad der er muligt, begrænset af vores historie, partier og perspektiver. Sådan udviklede vores hjerner sig. Vi skaber minder i vores liv og trækker fra disse erindringer eller vores "historie", når vi er nødt til at tage beslutninger om fremtiden (enhver fremtid, øjeblikkelig eller langvarig). Derfor fortolker vi data forskelligt. Vi har kun vores egen historie at trække på, og alles historie er lidt til meget forskellig fra hinanden. Jo mere mangfoldig en persons historie er, jo mere tilstødende muligheder må hun trække fra, men antallet af muligheder er stadig begrænset - en persons hjerne kan kun rumme så meget.

Gå ind i det mangfoldige hold. Jo mere et team består af en mangfoldighed af baggrunde, perspektiver, kultur, uddannelse og endda erhverv, jo mere forskelligartede tilstødende muligheder vil teamet bringe til et givet problem eller informationssæt. Data snarere end at være drivkraften for kreativitet giver muligheder for forskellige opfattelser, ideer og vigtigst af alt spørgsmål. Jo mere homogent et team er, jo mere effektivt kan det være, men det er næsten sikkert at være mindre kreativt, og kreativitet er det, du desperat har brug for, når du løser vanskelige problemer.

Mens mangfoldighed ikke er en magisk kugle - hold skal være villige til at komme ud af deres komfortzoner og omfavne deres forskelle, er forskellige hold generelt smartere end homogene.

At være kreativ i en datarig verden

Data bliver en stadig vigtigere del af vores personlige liv, vores forretninger og vores arbejde. De af os, der bruger vores dage på at løse vanskelige problemer, vil stole på disse data som et værktøj til at hjælpe os med at forstå vores verden og gøre nye ting. Men data skal ikke drive os. Det skal være et signal fra den bredere verden, som vi bruger til at hjælpe med at besvare spørgsmål og stille nye. Indblikene skal komme fra os.

Her har vi undersøgt nogle grunde til, at det er en dårlig idé at stole på data som driver. Men vi har også set på måder at omdanne information til skabelse:

  • Anerkender, at vi og dem, vi arbejder med, bringer vores egen historie til ethvert givet sæt data, der fordømmer vores dom.
  • Eksperimenter, udforsk og endda leg med dataene gennem spørgsmål.
  • Bringe forskellige synspunkter og unikke perspektiver på problemer, og få så mange ”tilstødende muligheder” som vi kan.
Så næste gang du står over for et "datadrevet" scenario, gør dette: i stedet for at lede efter de svar, dataene giver, skal du kigge efter de spørgsmål, de genererer.

Hvad angår, om jeg besluttede at gå på træning i gården? Jeg har udeladt et kritisk stykke data. Det er tidligt forår her i det nordvestlige stillehav, og det er kun 49 grader udenfor. Selvom solen var fristende, undrede jeg mig, hvor kold det var, og det var bestemt et spørgsmål, der var værd at stille.

Jeg ville meget gerne høre dine kommentarer! Jeg har været involveret i at skabe software det meste af min karriere og administrerer i øjeblikket et data science-team hos Microsoft. Følg mig på Twitter og LinkedIn.

Følg os på Dribbble, Twitter og Facebook eller tilmeld dig vores Windows Insider-program for at være uvidende om Microsoft Design. Og hvis du er interesseret i at blive medlem af vores team, skal du gå til aka.ms/DesignCareers.