Tìm kiếm sự khôn ngoan từ Darwin tới Munger: Bằng chứng đại diện sai

CHÍN

BẰNG CHỨNG ĐẠI DIỆN SAI

Điều kiện, môi trường và hoàn cảnh thay đổi

Con người thích tìm kiếm những hệ thống đã hoạt động được trên 20 năm hoặc hơn. Nếu bạn có thể kiếm tiền dựa trên những gì đã hoạt động trên 20 năm, tất cả những người giàu nhất có lẽ đã đi trông thư viện.

-          Warren Buffett

Bertrand Russell nói trong cuốn Problems of Philosophy (Các vấn đề của triết học): “Người cho gà ăn hằng ngày ít nhất có thể lấy mạng nó thay vì lấy cổ nó.” Quá khứ thường là chỉ dẫn tốt cho tương lai – nhưng không phải luôn luôn. Thống kê là một bản ghi chép của quá khứ, không phải lời tiên đoán cho tương lai. Chúng ta không thể tự động giả thiết tương lai sẽ phản chiếu quá khứ. Các qui trình và hoàn cảnh thay đổi. Warren Buffett nói: “Các điều kiện liên quan đến công nghệ và tất cả các khía cạnh của hành vi con người có thể làm cho tương lai khác đi rất nhiều so với quá khứ.”

Chúng ta cần xem xét các thay đổi trong điều kiện trước khi dùng bằng chứng quá khứ để tiên đoán các kết quả tương lai có thể xảy ra. Đối thủ cạnh tranh và nhu cầu thay đổi. Nếu có nhiều cách hơn nữa để tạo ra đối thủ cạnh tranh hay giảm bớt nhu cầu, chúng ta phải thay đổi công thức của mình. Hãy hỏi: Tại sao kinh nghiệm quá khứ lại là cách này? Có lý do nào cho giả thiết tương lai sẽ giống như quá khứ? Môi trường đã thay đổi? Điều kiện vẫn tương tự? Ngữ cảnh và hoàn cảnh gây ra quá khứ vẫn hiện hữu?

Chúng ta cũng mắc sai lầm nếu bỏ qua việc hiệu suất quá khứ vẫn có thể đạt được dưới những hoàn cảnh khác xa ngày nay. Như Warren Buffett nói, “Lỗi tương tự khi người quản lý bóng chày mắc phải lúc đánh giá viễn cảnh tương lai của một cầu thủ vị trí giữa khu ngoài đã 42 tuổi dựa trên cơ sở tuổi đời trung bình của anh ta.”

Hiệu suất quản lý có lẽ cũng bị thay đổi theo môi trường. Điều gì khiến một cá nhân thành công trong một môi trường nhưng không đảm bảo thành công trong môi trường khác? Hãy hỏi: Khả năng của công ty hay người quản lý xử lý nghịch cảnh như thế nào?

“Chúng ta có thể bán nhiều hơn nếu chúng ta mua vào tình trạng đau ốm chứ không phải thuốc,” quản lý phòng y dược của TransCorp nói.

Tần suất của một căn bệnh đang thực sự tăng lên? Chúng ta cần xem xét các yếu tố khác trước khi kết luận rằng tần suất của một sự kiện đã thay đổi. Ví dụ, một căn bệnh được chuẩn đoán chính xác hơn so với trong quá khứ. Thông thường chúng ta chỉ nhìn những gì ta có tên – căn bệnh trước đó được phân loại là “bệnh X” hay “không rõ nguyên nhân” giờ có thể đã được phân loại lại hay có tên. Cũng có nhiều cải tiến công nghệ trong tập hợp và báo cáo dữ liệu. Cũng có những khuyến khích kinh doanh tại nơi làm việc. Ví dụ, mở rộng thị trường bằng cách tạo ra một điều kiện mới, định nghĩa lại một căn bệnh hay phóng đại một bệnh nhỏ, do đó có nhiều người bị gán nhãn là “mắc bệnh”.

Nếu điều kiện thay đổi, chúng ta phải cập nhật các giả thiết của chúng ta để phản ánh môi trường hiện tại. Trước khi chúng ta dùng thay đổi đó như bằng chứng cho những gì có thể xảy ra, hãy hỏi: Cái gì đã thay đổi? Có nhiều cách để sự kiện không mong muốn này xảy ra không? Thay đổi là vĩnh viễn hay tạm thời?

Tình huống đơn lẻ hay các mẫu không mang tính đại diện

Bốn trong năm bác sỹ khuyến nghị dùng loại thuốc này.

Câu trên không nói cho chúng ta bất kỳ điều gì nếu chúng ta không biết có bao nhiêu bác sỹ được quan sát. Có lẽ chỉ có 10; một quan sát không thể phóng đại rằng gồm tất cả các bác sỹ. Kích cỡ mẫu nhỏ không có giá trị tiên đoán. Mẫu càng nhỏ, biến động thống kê càng nhiều và càng có khả năng ta tìm thấy các sự kiện ngẫu nhiên. Chúng ta cần một nhóm so sánh có tính đại diện, kích cỡ mẫu đủ lớn, và các giai đoạn thời gian đủ dài.

Các mẫu nhỏ có thể khiến chúng ta tin rằng rủi ro thấp hơn hoặc cao hơn thực tế. Tại sao? Mẫu nhỏ làm tăng cơ hội chúng ta sẽ không tìm thấy mối quan hệ cụ thể mà nó tồn tại hoặc tìm thấy cái mà nó không tồn tại.

Charles Munger đưa một ví dụ về tầm quan trọng của lấy dữ liệu có tính đại diện – ngay cả nếu nó là xấp xỉ:

Hệ thống nước của California được thiết kế khi nhìn vào một giai đoạn thần tiên ngắn ngủi của lịch sử khí hậu. Nếu chúng lấy được các ghi chép ít hoàn hảo hơn và nhìn trở lại một trăm năm trước đó, chúng có thể được nhìn như không phải thiết kế để xử lý các điều kiện ngập lụt thường xảy ra.

Bạn lại nhìn thấy lần nữa – người ta có vài thông tin có thể đếm được tốt và có những thông tin khó mà đếm được. Vì thế họ quyết định chỉ dựa trên những gì họ đếm được tốt. Và họ bỏ qua rất nhiều thông tin quan trọng hơn vì chất lượng của nó, theo thuật ngữ số học, ít hơn – dù đạt được kết quả công nhận là đúng rất quan trọng. Tất cả những gì tôi có thể nói với bạn là, đối với Wesco và Berkshire, chúng tôi không cố gắng như vậy. Chúng tôi có thái độ của Lãnh chúa Keynes, mà Warren Buffett suốt ngày trích dẫn: “Chúng ta thích đúng nhờ làm tròn hơn là sai một cách chính xác.” Nói cách khác, nếu cái gì đó quan trọng khủng khiếp, chúng tôi sẽ đoán nó thấp hơn so với đánh giá dựa trên những gì xảy ra có thể dễ dàng đếm được.

Sự ngẫu nhiên và hiệu quả

Không người chiến thắng nào tin vào sự ngẫu nhiên.

-          Friedrich Wilhelm Nietzsche

Hiệu quả của quá khứ không đảm bảo kết quả tương lai. Hãy xem xét bằng chứng mô tả những gì xảy ra trong hầu hết những tình huống tương tự hoặc với hầu hết mọi người.

Đôi khi bản ghi chép theo dõi không phải là chỉ dẫn tốt cho thứ có thể xảy ra trong tương lai. Nó có thể xuất hiện do may mắn. Hãy tưởng tượng một căn phòng bị lấp đầy bởi 1,000 con khỉ. Mỗi con đều đang cố tiên đoán hướng (lên hay xuống) của lãi suất. Sau 10 tiên đoán, một con khỉ có một bản ghi hoàn hảo tiên đoán hướng của lãi suất. Nó được coi là thiên tài và nhà kinh tế vĩ đại trong lịch sử. Ngay cả nếu đó chỉ là do may mắn. Ngay khi chúng ta có một tập  hợp lớn các nhà dự báo tiên đoán sự kiện có may mắn tham gia, ai đó sẽ đúng, được báo chí vây quanh và trở thành anh hùng. Anh ta sẽ đi giảng bài và đưa ra những giải thích nhạy cảm.

Thi thoảng chúng ta chỉ nhìn thấy những người hiệu quả tốt. Một phần vì người chiến thắng có xu hướng thể hiện (một con khỉ). Những người thua cuộc không thế (999 con khỉ). Dù sao đi nữa chúng ta thường không quan tâm đến kẻ thua cuộc. Nhưng chúng ta không nên thích thú với người chiến thắng nếu có một quần thể lớn để chọn ra anh ta. 10,000 con khỉ và ta sẽ thấy 10 thiên tài.

Khi chúng ta đo hiệu quả, chúng ta phải xem xét cả số thành công (1 con khỉ) và số thất bại (999 con khỉ), và qui mô của quần thể so sánh tương quan mà chúng đến từ đó (1,000 con khỉ). Càng nhiều người (hay khỉ), tham gia trong cái mà may mắn có phần, càng có nhiều khả năng ai đó đạt được hiệu quả tuyệt vời nhờ may mắn. Một ngoại lệ trong nhóm có hiệu quả tốt, là khi chúng ta có thể quan sát vài đặc điểm chung có thể là yếu tố nguyên nhân và không may mắn.

Lỗi tương tự có thể xảy ra khi người ta đặt cơ sở cho các kết luận của họ chỉ từ các hiệu ứng và bỏ qua ảnh hưởng của may mắn. Hãy nghĩ về 100 con khỉ. Mỗi con tung một quân xúc xắc một lần. Hãy chọn ra 16 con khỉ tung được mặt 6 chấm (1/6 x 100). Để trị xu hướng “tung ra mặt 6 chấm” của chúng, ta cho chúng dùng một loại thuốc mới. Sau khi uống thuốc, chúng tung xúc xắc lại. Giờ chỉ 2 hay 3 con khỉ (1/6 x 16) tung ra mặt 6 chấm. Số còn lại đã “được chữa khỏi”. Kết luận sai lầm của chúng ta là: “Thuốc có tác dụng rõ rệt.”

Một kẻ lừa đảo sắp đặt một cái bẫy. Hắn gọi John với lời mào đầu: “Hãy xem cổ phiếu này. Nó sẽ tăng.” Sau 3 tiên đoán đúng, John gửi tiền cho hắn. Kẻ lừa đảo biến mất.

Điều John không biết là kẻ lừa đảo đã làm như vậy với 80 người. Hắn ta đã nói với một nửa số họ cổ phiếu này sẽ tăng, và nửa còn lại, cổ phiếu này sẽ giảm. Và một trong các tiên đoán của hắn ta chắc chắn sẽ đúng. 40 người bị ấn tượng. Tại cuộc gọi thứ hai, 20 người bị ấn tượng, và tại cuộc gọi thứ ba, cuộc gọi cuối cùng, hắn ta được 10 người cho là thiên tài và gửi tiền cho hắn.

Bỏ qua thất bại

Bằng chứng phải được tạo ra từ tần suất của cả thành công và thất bại theo thời gian. Chúng ta thường chỉ xem xét các kết quả thành công và hỗ trợ. Các bài giảng dịch tễ học tham khảo điều đó như là thiên kiến sinh tồn. Chỉ đặc điểm của những người sống sót sau căn bệnh hay kết quả sau nghiên cứu mới được đưa vào nghiên cứu. Những ai bị chết trước khi nghiên cứu kết thúc sẽ bị loại ra. Nếu có bệnh nhân gặp những rủi ro nghiêm trọng hơn, nghiên cứu giảm liên kết xuất hiện giữa yếu tố rủi ro và kết quả. Thiên kiến sinh tồn cũng phổ biến trong tất cả những nghiên cứu thực hiện sau khi kết quả xảy ra (gồm cả kiểm tra ngược trở lại). Chúng chỉ tập trung vào các trường hợp hay các bệnh nhân sống sót. Những người đã chết không nằm trong ao lấy mẫu. Người ta cũng chọn hay bỏ vài thông tin bằng cách công khai các kết quả dương tính và bỏ các kết quả âm tính.

Nếu chúng ta chỉ nghiên cứu sự thành công hay những kẻ sống sót, bản ghi hiệu quả có lẽ trông đẹp hơn thực tế. Charles Munger nói rằng chúng ta chú ý quá ít tới thất bại:

Nhiều sinh viên tốt nghiệp các trường kinh doanh và hầu hết các nhà tư vấn đều giả thiết rằng, một công ty có thể dễ dàng cải thiện kết quả của nó bằng cách mua những vụ kinh doanh không liên quan hay chỉ liên quan mong manh. Theo quan điểm được chia sẻ rộng rãi này, nếu chỉ tiến hành các bước rõ ràng, nếu “tuyên ngôn sứ mệnh” đúng được thích nghi và “các chuyên gia” đúng được thuê, thì mỗi đường ray, - thay cho chuỗi đường bao còn lại dưới dạng mới của luật cạnh tranh lỗi thời và thù địch và luật công đoàn – có thể trở thành một Federal Express khác, một United Parcel Service khác, hay bất kỳ một kẻ có hiệu quả sáng chói nào khác dưới thời Emerson Electric.

Kinh nghiệm của chúng tôi, cả thực tế và gián tiếp, khiến chúng tôi ít lạc quan hơn về những giải pháp dễ dàng thông qua thu mua doanh nghiệp. Chúng tôi nghĩ rằng sự lạc quan quá mức nổi lên vì các bản ghi thành công vẽ ra quá nhiều chú ý. Nhiều người sau đó biện luận kiểu, tôi có thể nếu tôi dự đoán được viễn cảnh tốt đẹp trong trận tennis lớn sau khi quan sát bị giới hạn cho Ivan Lendl và Steffi Graf, hay những viễn cảnh tốt đẹp trong xổ số California sau khi hạn chế quan sát chỉ những người chiến thắng. Ngược lại cũng là sự thật, và còn nhiều hơn thế nữa. Quá ít chú ý tới các hiệu ứng khủng khiếp của cổ đông (hay các chủ sở hữu khác) từ những ví dụ tệ hơn về thu mua doanh nghiệp như CBS-DuMont, Xerox-Scientific Data Systems, General Electric –Utah International, Exxon – Reliance Electric… và Avon Products.

Năm 1999, người ta nói: “Kinh doanh internet thật tuyệt vời.”

Chúng ta thường chỉ thấy những vụ kinh doanh tốt và bỏ qua thất bại. Đặc biệt trong các thị trường lớn nơi các thành công được công khai rộng rãi. Hãy hỏi: Quần thể so sánh tương quan nào mà từ đó ta đo được hiệu quả 5 năm (giả sử 100 nhà kinh doanh Internet)? Bao nhiêu làm tốt (giả sử 5)? Bao nhiêu làm không tốt (giả sử 80)? Bao nhiêu rời bỏ việc kinh doanh (giả sử 15)? Từ đó, chúng ta có thể đưa ra kết luận rằng phát biểu trên là sai.

Phòng phát triển kỹ thuật của TransCorp đã phát triển một hệ thống bảo vệ mới và tuyên bố tỷ lệ thành công là 80%. Khi John quan sát 10 cuộc kiểm tra thử nghiệm, anh ấy chứng kiến 8 thất bại và chỉ 2 thành công.

Trong năm 1992, Theodore Postol, giáo sư khoa học và an toàn quốc gia tại MIT, đo hiệu suất (không phải theo thuật ngữ của các ảnh hưởng tâm lý và chính trị) của hệ thống chống tên lửa Patriot trong chiến tranh vùng Vịnh. Dựa trên việc nghiên cứu các băng video của 26 cuộc chiến đấu của Patriot/Scud với 25 lần nhầm và 1 lần trúng, ông nói với Ủy Ban về Các hoạt động của Chính phủ rằng, “Bằng chứng video là một trường hợp bị hoàn cảnh áp đảo mà Patriot không đến gần được tỷ lệ đánh chặn 80% ở Ả rập xê út.” Lầu năm góc đã báo cáo bắn 47 tên lửa Patriot vào Scud, công bố tỷ lệ thành công 80%. Báo cáo của Quốc Hội sau đó kết luận Patriot chỉ thành công bắn hạ có 4 Scud.

Nếu chúng ta giả thiết rằng các quan sát của John biểu diễn một mẫu thử ngẫu nghiên xác định, có bao nhiêu khả năng anh ấy có thể quan sát chính xác 2 lần đúng và 8 lần nhầm nếu tuyên bố của phòng kỹ thuật là đúng?

Đây là ví dụ về thí nghiệm nhị thức. Nó mô tả các thí nghiệm với các phép thử lặp lại và xác định trong đó mỗi phép thử chỉ có thể có 2 kết quả cuối cùng có thể xảy ra (ví dụ thành công hoặc thất bại). Giả sử các cuộc tham gia là độc lập, xác suất chỉ là 0.07%. Nếu tuyên bố của phòng là đúng, thì John đã chứng kiến một sự kiện có xác suất rất thấp. Có nhiều khả năng tuyên bố của họ sai.

Sự biến đổi

Chẳng hạn, bạn có thể không bao giờ nói trước được những gì một người sẽ làm, nhưng bạn có thể nói chính xác những gì một số lượng trung bình sẽ đến. Các cá nhân biến đổi, nhưng các phần trăm đều duy trì không đổi. Vì vậy hãy nói như một nhà thống kê.

-          Arthur Conan Doyle (trích từ The Sign of Four (Dấu bộ tứ))

Khi đánh giá các kết quả có khả năng, hãy nhìn vào phân bố tổng thể của các kết quả có thể - kết quả trung bình, biến đổi, và xác suất của một kết quả cực hạn và hậu quả của nó. Sự biến đổi có nghĩa là các kết quả riêng lẻ sẽ trải rộng ra bao nhiêu từ kết quả trung bình. Trải rộng càng nhiều, sự biến đổi càng lớn. Hãy hỏi: Chuyện gì đã xảy ra trong quá khứ? Các kết quả biến động bao nhiêu xung quanh con số trung bình? Yếu tố nào đóng góp vào biến động trong quá khứ? Chúng đã thay đổi sao?

Đường cong phân phối chuẩn cho thấy phân bố tần suất của các kết quả và đôi khi giúp chúng ta tìm ra các kết quả thường xảy ra nhất và các biến thiên.

Có nhiều cách một tập kết quả có thể trải rộng hoặc bị phân bố. Nhưng một số kết quả thường xảy ra hơn những cái khác. Nhiều đặc điểm sinh ra từ các yếu tố độc lập ngẫu nhiên có phân phối tần suất hình chuông. Có nghĩa là các kết quả thường xảy ra nhất sẽ ở điểm giữa của phân phối và các kết quả khác sẽ rơi sang bên cạnh của điểm giữa. Kết quả càng ở xa so với điểm giữa, tần suất của nó càng ít.

Ví dụ về các kết quả của phân phối chuẩn là chiều cao hay cân nặng của các thiếu niên (phụ thuộc vào các yếu tố như gene, ăn kiêng, hay môi trường), nhiệt độ, tai nạn xe hơi, tỷ lệ tử vong, hay tuổi thọ của bóng đèn.

Độ cao trung bình của các bé gái là bao nhiêu?

Nếu ta chọn ngẫu nhiên 1,000 bé gái và đo chiều cao của chúng, ta kết thúc với một phân bố các kết quả đầu ra là một đường cong như hình cái chuông. Độ cao của chúng sẽ tập trung xung quanh chiều cao trung bình, và độ rộng của đường cong chỉ ra mức độ biến thiên của chiều cao quanh giá trị trung bình. Thêm một cô bé cực kỳ cao vào tập mẫu lớn thực sự không thay đổi được chiều cao trung bình.

Lý luận tương tự có thể áp dụng cho công ty bảo hiểm ô tô. Công ty bảo hiểm chơi càng nhiều trò giống nhau, giá trị trung bình trở thành chỉ dẫn càng tốt. Thêm một vụ tai nạn ô tô cực kỳ đắt không thực sự thay đổi điều này. Giá trị trung bình có tính đại diện và có sức mạnh tiên đoán.

Nhưng chúng ta không thể sử dụng đường cong phân phối chuẩn cho các loại bảo hiểm có rủi ro khổng lồ và không bình thường. Đối với một công ty bảo hiểm chuyên môn hóa trong bảo hiểm những sự kiện duy nhất, độ biến đổi có thể xảy ra trong kết quả là then chốt.

Phần mềm máy tính mới của TransCorp chiếm 90% thị trường.

Trong nhiều trường hợp, đường cong phân phối chuẩn có thể không cho chúng ta một bức tranh trung thực của thực tế. Một sự kiện riêng lẻ cực kỳ được yêu thích hay không yêu thích có thể có ảnh hưởng lớn và làm thay đổi quan trọng các giá trị trung bình. Chúng ta xem ví dụ về loại phân phối không đều với qui mô và tần suất. Số lần càng ít hay thời gian càng ngắn hoặc tác động càng lớn mà một sự kiện đơn lẻ gây ra với giá trị trung bình, nó càng quan trọng khi cân nhắc độ biến thiên, và yếu tố nào đó càng trở nên khó đoán trước. Ví dụ, giả sử lượng bán sách trung bình là $200,000. Nhưng nếu mẫu của chúng ta chứa một cuốn bán rất chạy (Harry Potter chẳng hạn), giá trị trung bình sẽ không giúp chúng ta tiên đoán cuốn sách mới trung bình bán được bao nhiêu. Ví dụ khác là lượng bán bộ phim (Titanic chẳng hạn), giá thay đổi trong các thị trường tài chính (một cú sụt giảm lớn và bất ngờ của một loại tiền tệ), ác mộng từ các trận siêu bão (Katrina), hay ảnh hưởng của các phát minh (phần mềm mới của TransCorp). Ví dụ, không có phần mềm tiêu biểu nào và các giá trị trung bình trong quá khứ không có ý nghĩa gì.

Chúng ta thấy những gì đã xảy ra trong một quá khứ được đo đạc. Chúng ta không biết cơn siêu bão lớn nhất là cơn bão nào hay xác suất xảy ra của nó. Khi ta nhìn lại, ta chỉ thấy cơn bão lớn nhất là trong quá khứ đã được ghi chép lại.

Chúng ta không thể sử dụng các con số thống kê của quá khứ để tiên đoán những sự kiện hiếm và tác động lớn. Chúng ta không biết thời gian, tần suất hay mức độ ảnh hưởng của nó. Chúng ta không thể tìm ra chính xác các thuộc tính của nó hay phát triển một công thức. Chúng ta chỉ biết rằng chúng sẽ xảy ra và có thể gây tác động lớn. Trong vài trường hợp, chúng ta có thể có vài bằng chứng nói cho ta biết liệu các xác suất có đang thay đổi hay không. Cũng như vậy, nhiều sự kiện không độc lập, mà thay vào đó được liên kết. Các thị trường tài chính là một ví dụ; các thị trường có trí nhớ, tài sản có tương quan, và một sự kiện xấu sẽ gây ra một cái khác. Sự nguy hiểm khi dùng phân phối chuẩn trong những trường hợp một sự kiện lớn có thể làm thay đổi rõ rệt thực tại được mô tả rất rõ bởi nhà nhận thức luận về sự ngẫu nhiên Nassim Nicholas Taleb trong cuốn sách của ông ấy The Black Swan (Thiên nga đen).

Ví dụ 10 người có tổng tài sản $10 triệu, tài sản trung bình của mỗi người là $1 triệu.

Chuyện gì xảy ra nếu một người có $10 triệu còn chín người chả có gì? Thu nhập trung bình có thể tăng như thế nào? Giả sử 10 người thuộc tầng lớp trung lưu lên một chiếc xe bus. Một người đi ra và một tỷ phú đi vào.

John có một lựa chọn để chơi một trong hai trò chơi. Mỗi trò chơi có ba kết quả với xác suất tương đương nhau. Trò chơi có thể là một cơ hội, bảo hiểm, đầu tư, v.v…

	Các kết quả	Kết quả trung bình	Xác suất	Giá trị kỳ vọng
Trò chơi 1	30 40 50	40	1/3 1/3 1/3	40
Trò chơi 2	0 20 100	40	1/3 1/3 1/3	40

Nếu anh ấy chơi đi chơi lại mỗi trò chơi, giá trị kỳ vọng là 40 cho cả hai, vì thế anh ấy chọn trò nào cũng không thành vấn đề. Nhưng có chuyện gì nếu John chỉ chơi một trò chơi một lần thôi? Anh ấy nên chơi trò chơi 1 vì nó ít biến động hơn.

John được mời đầu tư vào một quĩ đầu tư mạo hiểm tư nhân. Bản ghi chép theo dõi của quản lý quĩ cho thấy tỷ lệ lợi nhuận trung bình là 25% trong 5 năm qua.

Điều đó không nói lên nhiều nếu chúng ta không nhìn xem hiệu quả bên dưới được tạo ra như thế nào. Bằng cách nhìn gần vào cách lợi nhuận này được tạo ra, John thấy rằng nhà quản lý quĩ này đã làm 10 giao dịch. Một giao dịch đã thành công ngoạn mục và số còn lại đều thất bại. Một giao dịch này có do may mắn?

Hãy nhớ rằng vài người bỏ qua dữ liệu khi báo cáo hiệu quả của họ.

Mary đọc trên báo rằng giá nhà trung bình là $1,000,000.

Nhưng điều này có thể khiến cô ấy có cái nhìn sai về thực tế. Giả sử có 100 ngôi nhà và 90 trong số chúng giá $500,000 và 10 “lâu đài” giá $5.5 triệu. Chúng ta phải nhìn vào biến thiên của chúng.

Một nhà quản trị kinh doanh nói với chúng ta rằng công ty của ông ấy có lợi nhuận trung bình là $50 triệu trong 3 năm qua. Nhưng khi chúng ta xem gần hơn, chúng ta thấy rằng độ biến thiên lớn nhất và xu hướng đi xuống trong bản ghi hiệu quả: 1998: $100 triệu, 1999: $50 triệu, 2000: $0.

Giá trị bình quân gia quyền là điểm giữa của phân phối trong đó một nửa kết quả ở trên giá trị đó và một nửa ở dưới. Nếu 9 người có $1 triệu mỗi người và 1 người có $1 tỷ, tài sản trung bình của họ là khoảng $101 triệu, nhưng con số bình quân gia quyền chỉ là $1 triệu.

Năm 1982, Stephen Jay Gould bị chẩn đoán một dạng ung thư hiếm và gây chết người với tỷ lệ tử vong gia quyền là 8 tháng sau khi phát hiện. Ông ấy đã chống lại căn bệnh đó 20 năm nay.

Tỷ lệ tử vong gia quyền 8 tháng có nghĩa là người đó sẽ chết trong 8 tháng tới? Gould học được rằng tỷ lệ tử vong gia quyền 8 tháng có nghĩa là một nửa số người chết trước 8 tháng và một nửa còn lại sẽ sống lâu hơn. Nhưng ông thấy rằng có một dải rộng hơn các kết quả sau 8 tháng hơn trước đó. Điều đó đúng vì có giới hạn thấp hơn của dải các kết quả trong vòng 8 tháng so với sau 8 tháng. Không ai chết trước khi bắt đầu giai đoạn 8 tháng nhưng những người sống sót có thể sống lâu hơn 8 tháng. Chúng ta không thể đối xử con số trung bình hay bình quân gia quyền như kết quả có khả năng xảy ra nhất đối với một cá thể đơn lẻ. Hãy nhìn vào biến thiên giữa tất cả các kết quả. Có nghĩa là phương pháp điều trị phải được xác định dựa trên việc một cá nhân có khả năng có kết quả tốt hơn hay xấu hơn so với bình quân gia quyền.

Hiệu ứng hồi qui

“Hồi qui về giá trị trung bình” là một khái niệm phát hiện bởi Ngài Francis Galton (cháu đầu của Charles Darwin). Nó nói rằng, trong một chuỗi sự kiện bất kỳ mà may mắn tham gia, hiệu quả rất tốt hoặc xấu, điểm số cao hoặc thấp, các sự kiện cực hạn, v.v… có xu hướng tiến về giá trị trung bình, được tuân thủ bởi càng nhiều hiệu quả trung bình hay càng ít các sự kiện cực hạn. Nếu chúng ta làm cực kỳ tốt, chúng ta có xu hướng làm tệ hơn lần tới, trong khi nếu chúng ta làm nó một cách nghèo nàn, chúng ta có xu hướng làm tốt hơn lần tới. Nhưng hồi qui về giá trị trung bình không phải là qui luật tự nhiên. Chỉ là một xu hướng thống kê. Và cần một thời gian dài để xem nó xảy ra.

Không hài lòng với hiệu quả của các nhân viên mới, John đưa họ vào một chương trình cải thiện kỹ năng. Anh ấy đo kỹ năng của các nhân viên vào cuối chương trình.

Điểm số của họ giờ cao hơn khi họ làm bài kiểm tra đầu tiên. Kết luận của John là: “Chương trình cải thiện kỹ năng đã cải thiện kỹ năng.” Điều này không nhất thiết đúng. Điểm số cao hơn của họ có thể là kết quả của hiệu ứng hồi qui về giá trị trung bình. Vì những cá nhân này được đo khi ở mức thấp của thang điểm kỹ năng, họ cần thể hiện sự cải thiện thậm chí nếu họ không tham gia chương trình cải thiện kỹ năng. Và có thể có nhiều lý do cho hiệu quả trước đây của họ - stress, mệt mỏi, ốm đau, phân tâm, v.v… Khả năng thực sự của họ có lẽ không đổi.

Hiệu quả của chúng ta luôn luôn biến đổi xung quanh một hiệu quả trung bình đúng nào đó. Hiệu quả cực hạn có xu hướng trở nên ít cực hạn hơn lần tới. Tại sao? Các phép đo kiểm tra có thể không bao giờ chính xác. Tất cả các phép đo được tạo từ một phần đúng và một phần có lỗi ngẫu nhiên. Khi các phép đo là cực hạn, chúng có khả năng một phần do may mắn gây ra. May mắn có khả năng tham gia ít hơn vào lần sau khi chúng ta đo hiệu quả.

Nếu chúng ta chuyển từ một cách làm sang một cách khác chỉ vì chúng ta không thành công, rất có khả năng chúng ta làm tốt hơn lần tới ngay cả nếu cách mới là tương đương hoặc tệ hơn.

Phần Hai và Ba xử lý những lý do khiến đánh giá sai và những ý tưởng để giảm chúng. Trước khi chúng ta bước vào Phần Bốn, hãy kết luận lại các cách chúng ta có thể học từ những sai lầm quá khứ.

Khám nghiệm tử thi

Nhà triết học người Tây Ban Nha – Mỹ George Santayana từng nói: “Những ai không thể nhớ quá khứ sẽ không tránh khỏi lặp lại nó.” Chúng ta có thể hiểu những gì xảy ra với chúng ta mà không tham chiếu đến quá khứ như thế nào? Chúng ta thuận tiện quên việc ghi lại các sai lầm. Nhưng chúng nên được tô đậm. Chúng ta nên thú nhận các sai lầm và học hỏi từ chúng. Chúng ta nên nhìn vào nguyên nhân của chúng và thực hiện các bước để ngăn chặn chúng không xảy ra lại. Hãy hỏi:

-          Lý do căn bản nào khiến tôi làm điều đó? Tôi đã biết gì và giả thiết của tôi là gì? Các lựa chọn thay thế nào lúc này?

-          Thực tế làm việc liên quan thế nào với phỏng đoán nguyên bản của tôi? Cái gì làm việc và cái gì không?

-          Cho thông tin có sẵn, tôi nên tiên đoán chuyện gì sẽ xảy ra chứ?

-          Cái gì đã hoạt động tốt? Tôi nên làm gì khác đi? Tôi đã thất bại khi làm gì? Tôi đã bỏ lỡ điều gì? Tôi phải học điều gì? Tôi phải dừng làm gì?

Tại sao chúng ta không khám nghiệm tử thi? Charles Munger nói:

Bạn có xu hướng quên các sai lầm của bản thân khi danh tiếng bị đe dọa bằng cách ghi nhớ. Vì lý do này, một công ty rất khôn ngoan – Johnson & Johnson – có một hệ thống theo đó hai năm hoặc lâu hơn sau khi có vài cuộc thu mua lớn, họ sẽ tiến hành biện pháp “khám nghiệm tử thi”. Họ mang những dự định ban đầu và những lý do ban đầu thực hiện thương vụ trở lại. Họ định ra những người phàn nàn và những gì bạn có. Rồi họ so sánh chúng với cách thương vụ đã làm việc.

Warren Buffett nói rằng, “Những vinh quang được gióng trống thổi kèn, nhưng những quyết định khờ dại cũng không bị theo dõi hay được hợp lý hóa.” Ông tiếp tục:

Các quản lý có xu hướng không sẵn lòng nhìn vào kết quả của các dự án vốn hay những vụ thu mua họ đã đề xuất rất chi tiết chỉ một hay hai năm trước với ban giám đốc. Và họ không muốn thực sự dính vào những con số ở đó như với cách thực tế đã làm việc với các dự định. Đó là bản chất tự nhiên của con người.

Nhưng tôi nghĩ bạn sẽ là một bác sỹ giỏi hơn nếu bạn ghé qua phòng bệnh lý thường xuyên. Và tôi nghĩ bạn sẽ là một nhà quản lý hay nhà đầu tư tốt hơn nếu bạn nhìn vào mỗi quyết định quan trọng bạn làm và xem cái nào hoạt động cái nào không – và tìm ra con số thành công trung bình của bạn. Rồi sau đó, nếu con số trung bình này quá tệ, bạn nên trao việc ra quyết định cho ai đó khác.

Chúng ta cũng có thể sử dụng biện pháp trước khi khám nghiệm tử thi để trợ giúp dự đoán các vấn đề và khóa lại các điểm yếu. Ví dụ, trước khi ra một quyết định quan trọng, hãy tưởng tượng một thất bại trong đó mọi thứ thực sự sai lầm và hãy hỏi: Cái gì có thể gây ra điều này?

Có những chỉ dẫn và công cụ nào để suy nghĩ tốt hơn không? Charles Munger giới thiệu cho chúng ta về Phần Bốn:

Berkshire cơ bản là một loại hình rất lỗi mốt và chúng tôi cố gắng phát huy kỷ luật để duy trì nó. Tôi không muốn nói lỗi mốt là ngu ngốc. Ý tôi là sự thật vĩnh cửu: toán học cơ bản, cảm quan cơ bản, nỗi sợ hãi cơ bản, chuẩn đoán cơ bản về bản tính tự nhiên của con người tạo ra những tiên đoán có thể xảy ra liên quan đến hành vi con người. Nếu bạn chỉ làm điều đó với một số kỷ luật, tôi nghĩ có khả năng nó sẽ vận hành hoàn toàn tốt đẹp.

<< Phần 3: Chương TÁM

Phần 4: Chương MỘT>>