技术团队的决策噪音

IBB-EUT

最近一期的Harvard Business Review‎中重点推荐了一篇标题为《Noise》的文章，讲的是决策的不一致性对组织的影响。作者Daniel Kahneman是诺贝尔经济学奖的获得者，他最出名的著作就是《思考，快与慢》。

很多互联网团队讲究向下赋能、自组织、分散决策，但同时带来的负面效应就是团队内部的决策不一致性被放大，造成额外的成本损失。本文结合实际经验谈一下技术团队中的Noise以及应对方法。

偏误与噪音

Kahneman在文章中提出了一个重要的观点是要区分 ‘Bias’（偏误）和‘Noise’（噪音）。两者都会造成决策的不准确，但是两者的产生机制和应对办法有很大区别。随着行为经济学的流行，当下社会中的人们已经能够普遍认识到决策中偏误的存在，但是对于决策的不一致性则缺乏认知。

Bias

Bias指的是偏误，可以理解为认知的局限性带来的系统性偏差。

常见的偏误可以分为三种：

• 一般性偏误
• 社会性偏误
• 认知性偏误
  

一般性偏误是由于团队的价值观或者方法论的缺陷导致的。比如团队对于项目进度估计过于乐观导致规划失误，或者是由于团队过于厌恶项目Delay从而导致Buffer膨胀。

社会学偏误是指对于某些群体产生偏见导致的决策失误。比如在简历筛选时轻易排除掉有培训机构经历的候选人，或者在绩效考评中低估女性开发者的贡献。

认知性偏误由于人类认知的局限性和心理缺陷造成的偏误。先入为主、幸存者偏误和锚定效应都是常见的认知偏误。

我们可以通过加强员工培训的方式减少决策偏误，让员工了解偏误产生的机制和容易触发偏误的场景，当人们能够主动意识到偏误可能存在时，很多偏误就能提前避免，尤其是社会性偏误和认知性偏误。

Noise

Noise可以翻译为决策噪音，指的是决策受随机因素影响而造成的不一致。

决策的不一致可以分为纵向不一致和横向不一致。纵向不一致指的是同样的人面对同样的Case，在不同的时间会做出不同的决定。横向不一致指的是同样的Case同时交给不同的人，会做出不同的决定。

产生纵向不一致的常见原因是受到一系列随机因素的影响，比如决策者的心情，关联case的表现状况等。横向不一致通常是由判断方法和尺度的差异造成的。

估时噪音

软件项目的成本预估中存在大量的噪音。一个技术团队对同样的Case做评估，在不同时候给出的估时差别可能在70%以上，对于同样的Case，不同团队给出的估时可能会相差好几倍。

项目成本的预估本身是很困难的，实际执行中要面临很强的不确定性。不确定性主要有三个方面：需求的不确定性，技术方案的不确定性，合作方的不确定性。面对不确定性，决策者在不同情况下会做出不同的判断，导致噪音水平的放大。

比如对于需求的不确定性，有的开发者会按照最简单可行的技术方案去估时，有的开发者则会预留很多兼容性和扩展性。对于合作方的不确定性，有的人习惯指望项目的顺利运行，有的人则会留出足够的Buffer和风险预案。

成本越高的项目，决策中的噪音就越大，带来的损害也有越大。团队的管理者要主动检查成本预估中的噪音水平，敏捷开发中的扑克牌估时法就是一种发现并减少噪音的典型办法。

招聘噪音

由于人才的评价维度是多元的，人的能力也比较难以量化，导致团队的招聘决策中有大量的噪音存在。

同样的一份简历，交给不同的人去Review得到的评价可能不同。同样的一位候选人，在不同的时间来面试，遇到不同的面试官结果也可能不一样。

在招聘领域中，更多的错误很可能是由于噪音产生的，而不是偏误。常见的偏误比如学历和性别歧视已经被普遍重视，并且能够在招聘过程中被刻意讨论，但是噪音问题如果不进行专门的衡量和对比则很难发现。

比如我们通常用政策去强调招聘的客观性和公平性，却很少去评估简历筛选的准确性，也很少去复盘我们的录用决策，毕竟被淘汰的候选人不会为自己说话。招到合适人才的这个最终结果往往掩盖了决策过程中的不一致性，忽略了团队成本的损耗。

由于招聘过程中的决策对团队有着重大且深远的影响，我们一定要重视减少决策噪音的危害。

算法

在Kahneman的文章中提出的解决方案是，用“算法”来代替人为判断从而减少决策的不一致性。

这里的“算法”指的是将数据引入到决策之中。团队按照统一的价值模型对Case进行评估，得到量化参考，横向对比来减少噪音。

# R7 K& D" X! t! Z. ]1 Y* e

算法的实施过程：

• 选取一组关键变量
• 对关键变量制定评级标准
• 针对一组案例，对每个变量横向对比，给出具有区分度的评分
• 加权汇总各个变量，得到综合评分
• 对输入的Case进行排序，参考排序进行决策
  * ~, L/ s' ?! t7 a& p! X

( X' H, l* z, c& ~9 Y* {8 S- H算法代表着团队共同的价值观和方法论，是集体智慧的体现，也是团队的财富积累。在实践中团队要根据决策的效果不断调整算法，现实中的每一个决策Case都相当于算法的训练数据。
8 C7 Q9 ^% N9 a8 a减少噪音

对于估时噪音，我们可以有以下改善方法：

• 团队协商制定出统一的估时模型，通常包括任务拆分、Buffer等级和信心指数等
• 使用清单明确估时中的主要事项，提供详细的指导
• 每个人员使用统一的估时算法独立估时
• 对于估时不一致的地方要充分讨论直到达成共识
  

对于招聘噪音，可能的改善方法：
9 s+ G1 F" o3 j

• 使用结构化简历评估，将简历中的要素抽象出来赋予分数，按得分给出评级
• 使用结构化面试，明确面试中要考察的主要方面和评价标准，强调可对比性
• 进行多轮面试，面试官独立给出结构化面试的评价结果，包括各项评分细节和整体信心指数
• 汇总评价结果，达成一致意见或加面试，面试官之间对齐考察标准
  : s/ Q/ j0 y2 R

# i" d: |" v! Y- p/ R/ V7 w总结

偏误和噪音都会产生错误决策，但是二者的产生机制和应对方法有很大的不同。我们有时能够有意识地回避偏误，但是对团队内部的噪音影响不够重视。我们可以通过制定算法对决策进行量化，在团队中强调决策的纪律性，从而减少决策噪音的负面影响。

IBB-EUT

偏误和噪音都会产生错误决策，但是二者的产生机制和应对方法有很大的不同。我们有时能够有意识地回避偏误，但是对团队内部的噪音影响不够重视