условие, является избыточность различных подсказок. Избыточность означает, что исключительные способности, скорее всего, коррелируют с другими признаками, предсказывающими будущие результаты работы, такими как настойчивость, трудолюбие, результаты тестов на интеллект, образцы работы и опыт. 5 Такая избыточность подразумевает, что исключительные способности сами по себе могут быть мощным предсказателем, поскольку в значительной степени отражают информацию, содержащуюся в других признаках. Это говорит о том, что предложение работы, основанное на признаках исключительных способностей, может быть не только быстрым и экономным, но и эффективным.
Следующий вопрос заключается в том, влияют ли какие-либо другие факторы на экологическую рациональность этой эвристики, основанной на "один умный ключ". Например, эвристика будет хорошо работать только в том случае, если исключительные способности (и связанные с ними способности) действительно требуются для работы. Исключительные способности, вероятно, были крайне важны, когда Маск создавал Tesla, перед лицом огромных проблем. По мере роста Tesla потребовался более широкий круг сотрудников, в зависимости от конкретной работы. Однако если и дальше полагаться на исключительные способности, то это установит высокую планку и отсеет множество "обычных" кандидатов, которые прекрасно подходят для более рутинной работы. Кроме того, поскольку эвристика не учитывает межличностные навыки соискателя, она может привести к тому, что на работу будут приниматься кандидаты, обладающие исключительными способностями, но плохо играющие в команде или даже токсичные сотрудники.
Еще одно важное соображение: для того чтобы эта эвристика работала, необходимо точно оценить исключительные способности. Если не удается точно оценить признак, способность предсказывать будущие результаты работы снижается. Маск решил эту проблему, задавая конкретные, прощупывающие вопросы. Это позволило снизить вероятность того, что соискатели будут подтасовывать свои ответы. Кроме того, уменьшилась вероятность того, что на оценку Маска повлияют демографические переменные, такие как пол, этническая принадлежность или возраст соискателя, что позволило избежать дискриминации.
Быстрое и экономное дерево Джеффа Безоса для найма персонала
Как и Маск, Джефф Безос, основатель и генеральный директор Amazon, ожидал от кандидатов исключительных способностей, когда сам принимал их на работу. 6 Однако помимо этого он искал еще две характеристики: восхищение и эффективность. Если говорить точнее, Безос сначала оценивал, есть ли у соискателей исключительные способности; если нет, их не брали на работу. Если же у соискателя были способности, он задавался вторым вопросом: Будет ли он восхищаться этим человеком? Если нет, его не брали на работу, поскольку Безос считал, что он может учиться у коллег, которыми восхищается. В-третьих, он учитывал, повысит ли этот человек средний уровень эффективности группы, к которой он присоединится, чтобы обеспечить постоянный рост уровня производительности в компании. Только в случае положительного ответа на все три вопроса кандидат принимался на работу.
Эвристика Безоса сложнее, чем у Маска. Ее можно представить в виде дерева быстрых и экономных расходов с тремя уровнями, как показано на рисунок 4.2 . Эта диаграмма показывает, что стратегия Безоса по найму персонала является некомпенсаторной. Это означает, что одновременно учитывается только один признак, и признаки более низкого уровня в дереве не могут компенсировать признаки более высокого уровня. Например, даже если Безос верил, что кандидат значительно повысит средний уровень производительности, это не могло компенсировать отсутствие исключительных способностей или восхищения, что уже привело бы к отказу от кандидата.
Рисунок 4.2
Эвристика найма Джеффа Безоса изображена в виде дерева с тремя уровнями. Рассматривается по одному признаку за раз, начиная с исключительных способностей. Положительные значения признаков нижнего уровня не могут компенсировать отрицательные значения признаков верхнего уровня.
Рисунки 4.1 и 4.2 иллюстрируют важный аспект моделирования эвристических решений: одна эвристика может функционировать как строительный блок другой эвристики. В следующем разделе мы покажем, как спроектировать быстрые и экономные деревья так, чтобы они создавали желаемый баланс между отбраковкой квалифицированных кандидатов и принятием неквалифицированных кандидатов.
Гибкие и экономные деревья
Как мы уже видели в главе 3, дерево быстрого и экономного поиска, как и многие другие эвристики, имеет три правила: правило поиска, правило остановки и правило принятия решения. В примере Безоса правило поиска заключается в последовательном переборе трех признаков, начиная с исключительных способностей, затем восхищения и, наконец, эффективности. Правила остановки и принятия решения заключаются в том, чтобы останавливать поиск всякий раз, когда подсказка приводит к решению "не нанимать", и отказывать кандидату, если только все три подсказки не являются утвердительными, и в этом случае кандидату предлагают работу.
Дерево Безоса - лишь одно из нескольких возможных быстрых и экономных деревьев, использующих три подсказки. На самом деле, учитывая три подсказки, можно построить четыре различных дерева, использующих один и тот же порядок подсказок, и даже больше, если порядок подсказок можно варьировать, что указывает на гибкую природу этой эвристики принятия решений. Эти четыре быстрых и экономных дерева показаны на рисунке 4.3 .
Рисунок 4.3
Четыре возможных дерева быстрого и экономного найма на основе трех признаков. Самое левое дерево представляет стратегию найма Безоса с рисунка 4.2. Это дерево минимизирует количество ложных срабатываний, то есть найма неподходящего кандидата. Напротив, крайнее правое дерево минимизирует ложноотрицательные результаты, то есть отказ в приеме на работу подходящего кандидата. Два дерева в середине уравновешивают две потенциальные ошибки. По материалам Gigerenzer et al. (2022).
Дерево в крайнем левом углу представляет стратегию Безоса по найму персонала. Это дерево является самым консервативным, поскольку для принятия решения "нанять" требуется три утвердительных сигнала. Установив очень высокую планку, это дерево уменьшает количество ложных срабатываний, то есть предложений неподходящим кандидатам. В то же время дерево увеличивает количество ложноотрицательных результатов, то есть отказов кандидатам, которые могли бы подойти для этой работы. Дерево в крайнем правом углу, напротив, является наиболее либеральным, поскольку принимает решение о найме, если любой из трех сигналов является утвердительным. Как следствие, это дерево уменьшает количество ложноотрицательных ответов, но увеличивает количество ложноположительных. Два дерева в середине рисунка 4.3 уравновешивают две ошибки - ложноположительные и ложноотрицательные.
Концепция ложноположительных и ложноотрицательных результатов пришла из теории обнаружения сигналов и широко применяется к классификационным решениям, таким как нанимать или не нанимать человека на работу или определить, болен человек или нет после положительного результата теста. Это иллюстрирует важную мысль: эвристики не являются хорошими или плохими по своей сути; они должны соответствовать условиям задачи, которые включают цели лиц, принимающих решения. Если организация хочет свести к минимуму количество ложноположительных результатов, ей следует использовать более консервативное "быстрое и экономное" дерево; если она хочет свести к минимуму количество ложноотрицательных результатов, ей следует использовать
