“เกิดขึ้นพร้อมกัน” ไม่ได้แปลว่า “เป็นเหตุของกัน” และรายงานในที่ทำงานจำนวนมากสับสนสองอย่างนี้ทุกไตรมาส

“ไปด้วยกัน” กับ “ทำให้เกิด” เป็นคนละความหมาย แต่ในห้องประชุมรีวิวผลงาน สองคำนี้มักถูกใช้สลับกันราวกับเป็นคำเดียว

สไลด์หนึ่งแสดงว่าพนักงานที่เข้าอบรมหลักสูตรภาวะผู้นำ มีคะแนนประเมินผลงานสูงกว่าคนที่ไม่ได้เข้าอย่างชัดเจน ข้อสรุปที่ตามมาแทบจะอัตโนมัติคือ “หลักสูตรนี้ได้ผล ปีหน้าส่งคนไปเพิ่ม” ฟังดูมีเหตุผล มีตัวเลขรองรับ แต่ยังไม่มีใครในห้องถามคำถามง่าย ๆ ข้อเดียว ว่าใครเป็นคนเลือกคนที่ได้ไปอบรม

ถ้าคำตอบคือหัวหน้าแต่ละทีมเลือกส่ง “คนที่มีแววอยู่แล้ว” ตัวเลขชุดนั้นก็อาจไม่ได้บอกอะไรเกี่ยวกับหลักสูตรเลย มันแค่บอกว่าคนเก่งถูกเลือกไปอบรม และคนเก่งก็ยังเก่งต่อไป

สมองชอบเรื่องที่มีสาเหตุ

Harvard Business Review เคยตีพิมพ์บทความ Beware Spurious Correlations ในปี 2015 ซึ่งพูดถึงงานของ Tyler Vigen ที่ใช้โปรแกรมค้นหาชุดข้อมูลที่ขึ้นลงพร้อมกันแบบบังเอิญ จนได้กราฟตลก ๆ ที่เส้นสองเส้นซ้อนกันเกือบสนิท ทั้งที่ไม่มีทางเกี่ยวข้องกันได้เลย ประเด็นที่บทความชี้คือ เวลาเราเห็นเส้นสองเส้นลาดไปทางเดียวกัน ข้อมูลเหมือน “ขอร้อง” ให้เราหาเหตุผลมาอธิบาย

นี่คือเหตุผลที่เรื่องนี้เป็นทักษะการคิดขั้นสูง ไม่ใช่แค่ความรู้สถิติ การ “วิเคราะห์” ในความหมายของ Bloom’s Taxonomy คือการแยกส่วนแล้วเห็นว่าแต่ละส่วนสัมพันธ์กันแบบไหน และความสัมพันธ์มีหลายแบบกว่าที่เราคิด การเห็นว่าสองอย่างขึ้นลงพร้อมกันเป็นแค่ขั้นแรก ขั้นที่ยากกว่าคือการถามว่ามันสัมพันธ์กันด้วยกลไกอะไร

สามคำถามก่อนจะเชื่อว่า A ทำให้เกิด B

คำถามแรกคือ มีตัวแปรที่สามอยู่เบื้องหลังหรือเปล่า เช่น บริษัทค้าปลีกแห่งหนึ่งพบว่าสาขาที่ติดจอโฆษณาดิจิทัลมียอดขายสูงกว่าสาขาอื่น ก่อนจะสั่งติดจอทุกสาขา ควรดูก่อนว่าจอถูกติดที่สาขาไหนก่อน ถ้ามันถูกติดที่สาขาใหญ่ในห้างที่คนเดินเยอะอยู่แล้ว ทั้งจอและยอดขายก็อาจเป็นผลของ “ทำเลดี” เหมือนกัน โดยที่จอไม่ได้ทำอะไรเลย

คำถามที่สองคือ ลูกศรอาจชี้กลับด้านได้ไหม เช่น ข้อมูลบอกว่าทีมที่ประชุมบ่อยมีผลงานแย่กว่าทีมที่ประชุมน้อย ข้อสรุปง่าย ๆ คือ “ประชุมเยอะทำให้งานแย่” แต่อาจเป็นไปได้เท่า ๆ กันว่าทีมที่งานมีปัญหาอยู่แล้ว จึงต้องนัดประชุมถี่ขึ้นเพื่อแก้ปัญหา ถ้าเป็นอย่างหลัง การสั่งลดประชุมอาจทำให้ทีมที่กำลังลำบากยิ่งลำบากกว่าเดิม

คำถามที่สามคือ กลุ่มที่เรากำลังเปรียบเทียบ ถูกคัดมาแบบไหน ซึ่งก็คือกรณีหลักสูตรภาวะผู้นำข้างต้น ทุกครั้งที่กลุ่มหนึ่ง “ได้รับ” อะไรบางอย่างเพราะมีคนเลือกให้ ความต่างระหว่างสองกลุ่มอาจมาจากเกณฑ์การเลือก มากกว่าจากสิ่งที่ได้รับ

เปลี่ยนจากคนอ่านกราฟ เป็นคนตั้งคำถามกับกราฟ

ในการทำงานจริง เราไม่ได้มีเวลาทำการทดลองแบบสุ่มทุกครั้งที่จะตัดสินใจ และไม่จำเป็นต้องทำ สิ่งที่เปลี่ยนได้ทันทีคือนิสัยในการฟังข้อสรุป ทุกครั้งที่ได้ยินประโยคว่า “พอทำ X แล้ว Y ดีขึ้น” ลองแยกให้ออกก่อนว่าคนพูดกำลังเล่า “สิ่งที่เห็น” หรือกำลังเล่า “คำอธิบายที่แต่งขึ้นมาครอบสิ่งที่เห็น”

อีกวิธีที่ใช้ได้จริงคือการถามหากลุ่มเทียบที่แฟร์กว่าเดิม เช่น ถ้าอยากรู้ว่าหลักสูตรได้ผลไหม ลองเทียบคนที่ถูกเสนอชื่อเหมือนกัน แต่บางคนได้ไปก่อน บางคนได้ไปรอบหลัง หรือถ้าจะลองนโยบายใหม่ ลองเริ่มบางทีมก่อนแล้วดูความต่าง แทนการเปิดใช้ทั้งองค์กรพร้อมกันจนไม่เหลืออะไรให้เทียบ

สิ่งเหล่านี้ไม่ได้ทำให้เราช้าลงมาก แต่ทำให้เราไม่ต้องจ่ายเงินก้อนใหญ่ให้กับคำอธิบายที่ฟังดีแต่ไม่จริง

กราฟไม่เคยบอกเหตุผล คนอ่านต่างหากที่ใส่ให้

ตัวเลขที่ขึ้นลงพร้อมกันเป็นแค่เบาะแส ไม่ใช่คำตอบ และความสามารถที่แยกคนคิดเก่งออกจากคนอ่านรายงานเก่ง คือการทนอยู่กับคำว่า “ยังไม่รู้ว่าอะไรเป็นเหตุ” ได้นานพอจะถามคำถามอีกสักข้อ

ข้อสรุปล่าสุดที่ทีมของเราใช้ตัดสินใจลงงบ มันพิสูจน์ว่า A “ทำให้เกิด” B จริง หรือแค่แสดงว่า A กับ B “บังเอิญมาด้วยกัน” แล้วเราก็เติมเรื่องที่เหลือเอง