Hur ser en bra förutsägelse ut?

Den som sysslar med planering och framtidsstudier gör klokt i att spendera en hel del tid med att formulera frågan rätt — en av de kanske mest klassiska kognitiva misstagen är att anta att vi vet exakt vad frågan är. Vi ägnar alldeles för litet tid åt att undersöka, formulera och strukturera upp problemet på ett sätt som gör att det kan lösas på ett intressant sätt.

I vad som nästan helt säkert är ett apokryfiskt citat, sägs Einstein ha hävdat att om han fick en timme på sig att lösa ett problem skulle han använda de första 50 minuterna åt att förstå det, och sedan de återstående minuterna till att lösa det. Poängen är enkel: formuleringen och förståelsen för problemet är helt central i gott tankearbete.

Omvänt finns det gott om lösningar på problem som är ointressanta, eftersom det problem de löser inte är ett problem som är väldefinierat, intressant, generativt (lösningen ger flera lösningar), generaliserat nog, långt (i meningen att lösningen är varaktig och stabil över tid) eller överförbar (analogier ur lösta problem är enormt värdefulla).

När man specifik sysslar med förutsägelser är det intressant att se på hur dessa kan formuleras för att a) leda till en intressant strategisk konversation, b) leda till en inhämtningspraktik som är värdefull och c) ge en intressant sannolikhetsprissättning.

Jämför ett par olika förutsägelser:

(I) President Trump kommer att lämna presidentposten.

(II) President Trump kommer att fällas i riksrätt och avlägsnas från presidentposten före 31.12 2019.

(III) President Trump kommer att åtalas i riksrätt, men ej fällas i senaten, och frias före 31.12 2019.

(IV) President Trump kommer inte att vara republikanernas presidentkandidat i valet 2020.

(V) President Trump kommer att förlora valet 2020 på grund av riksrättsförfarandet och problem associerade med detta.

(VI) Nästa president i USA kommer att vara en radikal demokrat.

Vilken av dessa förutsägelser har mest värde för den som arbetar med att förutse, planera för och arbeta med företags politiska arbete? (I) har en hel del brister, men också några förtjänster. En av de uppenbara bristerna är att denna förutsägelse inte är tidssatt. Det betyder att den är både trivialt sann och extremt osannolik. Vi vet att President Trump kommer att lämna presidentposten, och inte vara president 2024 om inte konstitutionen ändras. Vi vet att han absolut kommer att ha ”lämnat” presidentposten år 2100, om inte vi lyckats avbryta åldrandet. Vi vet att president Trump kommer att ha svårt att vara president när solen brinner ut — etc. Vi kan också säga att det är extremt osannolikt att han lämnar president posten inom de närmaste 2 timmarna. (I) är ett exempel på en förutsägelse som med tiden närmar sig 100 procents sannolikhet – frågan är bara vilket värde t som ger p(I)=1.

(II) Är bättre, ur ett perspektiv, eftersom sannolikheten inte varierar enformigt med tiden. Antingen så händer det eller så händer det inte – långsiktigt kommer (II) antingen att vara sann eller falsk. Det betyder att (II) formulerats på ett sådant sätt att den innehåller en genuin osäkerhet. Frågan är om denna genuina osäkerhet är intressant för oss eller ej — den har ett visst värde, men hur stort är detta värde? Vi har köpt oss precision till priset av att inte längre ha samma sorts förklaringsvärde. (III) är en variant på detta, och visar bara att endast precision inte ökar värdet i en förutsägelse.

(IV) är en intressant förutsägelse som är tidssatt, och dessutom har stort potentiellt värde i att analysera olika scenarier. Vem skulle denna andra presidentkandidat vara? Varför har han eller hon tillträtt och Trump avgått? Vad är det som har hänt? Det finns ett narrativt djup i (IV), tror jag man kan säga, som gör den förutsägelsen intressantare än (II) och (III). (IV) fordrar att vi ställer frågan: hur skulle världen behöva se ut för att detta skulle kunna ha skett – med en mångfald av olika möjliga orsaker.

(V) Är mer generativ, eftersom en Trumpförlust är en politisk händelse som kan ha andra efterverkningar i polarisering, politisk hätskhet mm. Problemet med (V) är dock att den låser sig till en orsaksförklaring. Det är inte en bra förutsägelse. En bra förutsägelse måste vara polyvalent, ta en mängd olika indata och invärden för att generera en intressant förutsägelse. Ett sätt att se det är att säga att en förutsägelse ska kunna representeras som ett träd: själv förutsägelsen är roten och sedan kan vi explodera de olika faktorer som vi tror ökar eller minskar sannolikheten för förutsägelsen. I en bild:

Skärmavbild 2019-10-07 kl. 07.27.04

Ett kausalitetsdiagram – en av många olika verktyg man kan experimentera med vid förutsägelsearbete.

Detta tar oss till (VI) som har fördelen att ha stort värde för att skissa ut ett företags framtid i USA, fokuserar på en egenskap – radikal – som i och för sig behöver definieras tydligare, men som är tydlig nog i dagens diskussion. Om man skulle välja en förutsägelse av de ovanstående, skull jag nog välja denna — även om det finns fördelar med alla olika varianter. Just adjektivet är intressant, förresten, eftersom det fordrar att man i kausalitetsdiagrammet bryter ut ett antal faktorer som just främjar sannolikheten för att en radikal demokrat skulle väljas i primärvalen mm.

Detta är långt från enkelt, förstås, men det är intressant. Det är en nyttig och viktig övning att ständigt fråga sig: vilka tio saker om framtiden skulle det vara verkligt värdefullt för mig att kunna förutsäga med en bättre än 70% sannolikhet eller så?