Hur inkluderande praktik och data hjälper till att minska partiskhet i beslutsfattande

Det är lätt att fördomar smyger sig in i olika aspekter av beslutsfattande – även när du tror att du baserar dina beslut på objektiva fakta. Så hur kan du begränsa partiskhet när det gäller att fatta beslut? Vad exakt är datainformerat beslutsfattande? Och hur kan du hålla partiskhet från att infiltrera dina data?

Det finns mycket att packa upp här, så låt oss reflektera en stund.

Först måste vi ta upp elefanten i det ökända rummet: Alla har fördomar. Bias är inte medfödd dåligt eller något att skämmas över – det är en naturlig mänsklig impuls. Ofta undviker människor att ta itu med och utforska fördomar eftersom de tror att det är en svaghet eller brist. Det är dock något ledare bör vara medvetna om för att fatta avsiktliga, informerade beslut. Att vara avsiktlig med att utöva empati och decentrera dig själv från dina beslut kan leda till mer inkluderande resultat.

Datainformerat beslutsfattande använder fakta, mätvärden och data för att vägleda strategiska affärsbeslut som är i linje med dina mål, mål och initiativ. Tyngdpunkten här ligger på "guide".

Data är inte en silverkula för att förneka all partiskhet. Det kan dock skapa utrymme för att decentrera sig från dina egna antaganden och börja se olika sätt som en viss situation kan ses, förstås eller hanteras på.

Så här begränsar du fördomar när du fattar beslut för ditt företag.

1. Omfamna datainformerat beslutsfattande – se bara till att din data i sig inte är partisk. Data är tänkt att vara början på konversationen – inte hela konversationen. (Läs mer om hur datadrivet beslutsfattande ser ut här.)

När vi analyserar data tittar vi först på det sammantaget för att komma till rimliga urvalsstorlekar. Däremot kan vi få mer insikt i olika variabler och hur respondenter från olika bakgrunder svarat på en undersökning genom att disaggregera data. Att skära och titta på data enligt olika variabler såsom ålder, kön, ras, plats, år, etc. kan avslöja andra implikationer och mönster. När du väl börjar packa upp data och filtrera den för olika överväganden kommer historien som den berättar att bli mer nyanserad. Om du till exempel tittar på anställdas välbefinnande i hela din organisation, kan du titta specifikt på könsidentitet och se hur och om det påverkar uppfattningen. Se till att du håller dig medveten om urvalsstorlekarna och håll dina pooler av respondenter anonyma.

Om du bara ställer ytliga frågor, eller om du inte är eftertänksam när det gäller hur din forskning är utformad, hur du samlar in data eller vilken data du samlar in, kommer din data inte att vara lika bra. För att komma så nära en fullständig bild som möjligt, titta på all information du har, disaggregera data och gör inte antaganden om vad du ser. Innan du gör detta, försök att minska snedvridningen i dina underliggande data. Se till att ditt företags dataanalytiker och affärsanvändare vet hur de ska se upp för partiskhet i olika skeden av arbetet med data; partiskhet kan komma från själva datainsamlingen och kommunikationsprocessen. Här är några höjdpunkter från Urban Institutes Gör ingen skada guide som förklarar hur man gör detta:

Datainsamlingssteg. Olika team kan hjälpa till att identifiera fördomar och skapa kopplingar mellan olika studieområden vars relevans kanske inte är uppenbar vid första anblicken. De kan också bättre återspegla demografin för de befolkningsgrupper som de vill studera. När det är möjligt, gör syftet med dina ansträngningar för datainsamling tydliga så att respondenterna förstår varför deras deltagande är viktigt.

Analysstadiet. Separera inte dina analytiker- och kommunikationsteam helt från datainsamlingsteamen – samarbete över hela dataarbetsflödet är alltid bättre än silos. När analytiker och kommunikatörer tar emot data bör de ställa frågor som: "Hur genererades dessa data? Vem ingår och vilka exkluderas från dessa uppgifter? Vems röster, liv och erfarenheter saknas?”

Presentationsstadiet. Dra inte undan för komplexitet och nyanser i dina bilder om det mer exakt återspeglar resultaten i data. Tänk på hur komplexitet – i form av mer datatäta grafer och diagram – kan hjälpa till att visa att du och dina team har tänkt hårt på konsekvenserna av dina analysinsatser.

2. Erkänna och minska fördomar – och förstå hur det påverkar din beslutsprocess. Omedveten partiskhet, eller implicit partiskhet, hänvisar till en fördom som vi är omedvetna om och som sker utanför vår kontroll. Detta händer när vi gör snabba bedömningar och bedömningar av människor och situationer, och det kan påverkas av vår bakgrund, kulturella miljö och personliga erfarenheter.

Bias kan hindra oss från att odla olika talanger, utveckla en engagerad arbetsstyrka, utnyttja unika erfarenheter och perspektiv och sätta igång innovation genom samarbete. Bias på jobbet kan förekomma nästan var som helst, men oftast förekommer det i rekrytering, screening, prestationsrecensioner och feedback, coaching och utveckling och befordran.

3. Inkorporera inkluderande arbetsprocesser. Ett exempel på en inkluderande arbetspraxis är att skapa tydliga urvalskriterier för din beslutsprocess. Dessa kriterier bör vara anpassade till din organisations uppdrag och strategi. Se till att du förstår varför du prioriterar dessa kriterier. Var konsekvent i hur du utvärderar alla och var avsiktlig.

Tänk på exemplet med att hitta en huvudtalare för ett företagsevent. Vilket budskap vill du landa på ditt event? Behöver du att den här historien kommer från ett företag av en viss storlek med en viss nivå av varumärkeskapital? Är det lika viktigt eller mindre viktigt än de mätvärden du vill kunna lyfta fram om deras historia? Och vad sägs om att dela din plattform med perspektiv som kommer från olika bakgrunder?

I det här scenariot brukar vi säga att vi vill ha "allt!" eller fokusera på vissa kriterier som är högt värderade ur vårt perspektiv som individ eller som del av ett team. Men hur är det när någon kommer med den där lågt hängande frukten av att ha en fantastisk titel men saknar rätt historia att berätta? Att ha tydliga kriterier fastställda i förväg kommer att säkerställa att det beslut du fattar stämmer överens med det resultat du vill ha.

Om beslutet kommer att informeras av fler än bara du, ta in personer utanför ditt omedelbara nätverk när du väljer bidragsgivare till ett visst projekt, program eller beslutsfattande insats. Människorna i ditt omedelbara nätverk - dina "gå till" människor - är mer benägna att likna dig än att ta ett annat perspektiv. Detta är känt som affinitetsbias.

4. Prioritera mångfald (representation) och inkludering på ditt företag. Data kan hjälpa dig att se och utforska koncept som inte är dina egna. Att säkerställa mångfald och inkludering – både när det gäller de individer som tillhandahåller data och individer i ditt team som tolkar data – kommer att resultera i att ditt team har fler tolkningar och en större förståelse för vad data säger. Forskning har visat den positiva effekten av att ha fler olika team med fler olika perspektiv. Enligt en ny studie, kan mångfaldiga och inkluderande företag vara 60 % mer benägna att överträffa sina kollegor när det gäller beslutsfattande.

Olika, inkluderande team kan störa partiskhet genom att ta in nya idéer från unika synvinklar. Enligt Deloitte, kognitiv mångfald beräknas förbättra teaminnovation med upp till 20 %.

När personer från olika bakgrunder utforskar data kan ditt team utforska data från olika utgångspunkter, upptäcka ny information och utmana dina egna idéer eller förutfattade meningar. Ju mer du kan göra det, desto mer innovation kommer att ske.

Ett annat sätt att hålla partiskhet i schack är att skapa en inkluderande atmosfär där anställda kan känna sig psykologiskt trygga. På så sätt kommer de att känna sig tillräckligt bekväma för att dela sina unika perspektiv. Om detta inte uppmuntras kommer människor inte att vara sårbara och dela med sig av sina potentiellt banbrytande idéer. Att skapa en atmosfär av psykologisk säkerhet och kunna arbeta mer produktivt tillsammans leder till innovation.

Andra frågor att tänka på: Skapar ni inkluderande team? Tänker din organisation bortom rekryteringsaspekten av att anställa personer med olika bakgrunder?

5. Var avsiktlig med att utmana dina antaganden under hela din beslutsprocess. Utnyttja ett ramverk eller verktyg som t.ex Gör ingen skada guide att göra så. Disaggregera dina data och ställ dig själv inkluderande övningsfrågor.

Se till att ditt företags dataanalytiker och affärsanvändare vet hur de ska se upp för partiskhet i sina arbetsprocesser från strategi till genomförande. Inkluderande praktik kan skapa ögonblick för att störa partiskhet - men om det bara är en reflektionsaktivitet kommer du att vara för sent att rätta till. Överväg att använda ett ramverk för att skapa ögonblick att reflektera över om du införlivar inkluderande praktik i ditt arbetsflöde.

Starta beslutsprocessen med data

Bias kommer aldrig att helt utrotas, och data i sig är inte svaret. Snarare är data början på en process för att ställa fler frågor som så småningom kommer att leda till ett välgrundat svar. Genom att ha fler olika, inkluderande team kommer du att kunna maximera tolkningar av ditt företags data, vilket leder till mer innovativa insikter och beslut.

Fatta bättre beslut med data

Lär dig mer om hur man använder data för att fatta välgrundade affärsbeslut.

Källa: https://www.forbes.com/sites/tableau/2022/09/23/how-inclusive-practice-and-data-help-reduce-bias-in-decision-making/