Digital & Data Analytics - Critical Thinking Training Flashcards
Du analyserar kundfeedback och ser att de flesta kunder gillar produkten, men du ignorerar de få negativa kommentarerna.
Confirmation Bias: Du letar efter information som bekräftar dina förväntningar, istället för att ta hänsyn till hela bilden.
På ett möte presenterar någon ett högt första förslag på budgeten, och alla andra budgetförslag blir anpassade efter detta.
Anchoring Bias: Det första förslaget sätter en standard (ett ‘ankare’) som påverkar allas bedömningar, trots att det kanske inte är rimligt.
Efter att ha hört om ett misslyckat projekt antar du att det är mycket vanligare än det egentligen är.
Availability Heuristic: Du överdriver sannolikheten för ett negativt resultat baserat på hur enkelt du kommer ihåg ett nyligen exempel.
Efter att ha förlorat en stor kund säger du till ditt team, ‘Det var tydligt att detta skulle hända hela tiden.’
Hindsight Bias: I efterhand verkar resultaten uppenbara, vilket gör att du tror att du visste mer från början än du egentligen gjorde.
Du ser att alla konkurrenter använder en ny analysplattform, så du bestämmer dig för att göra detsamma utan att undersöka om det är rätt för ditt företag.
Bandwagon Effect: Du följer vad andra gör utan att kritiskt utvärdera om det är rätt för din egen strategi.
Du har investerat mycket pengar i en misslyckad kampanj, men du fortsätter att spendera mer pengar för att du inte vill att den första investeringen ska gå till spillo.
Sunk Cost Fallacy: Du fattar beslut baserat på tidigare investeringar snarare än att tänka på vad som är bäst framåt.
Du känner dig säker på att ditt team kan slutföra ett stort projekt utan extra resurser, även om tidigare projekt av samma storlek har misslyckats.
Overconfidence Bias: Du överskattar ditt teams förmåga och ignorerar tidigare erfarenheter som visar att mer stöd behövs.
Du beskriver ett resultat som ‘en minskning med 10%’ istället för att säga att ‘90% av kunderna är fortfarande kvar’, för att få resultatet att verka mer alarmerande.
Framing Effect: Hur du formulerar information påverkar hur den uppfattas, även om de faktiska siffrorna är desamma.
Efter ett misslyckat möte med en klient antar du att det var ditt fel, även om många andra faktorer spelade in.
Personalization: Du tar personligt ansvar för ett dåligt resultat utan att beakta alla externa faktorer.
Efter att ha lanserat en ny hemsida ser du en ökning av trafiken och antar att det var hemsidan som orsakade ökningen.
False Cause Fallacy: Bara för att två händelser inträffar samtidigt betyder det inte att den ena orsakade den andra.
Du analyserar försäljningsdata och ser att en viss produkt presterar bra i en specifik region, men du bortser från den svaga försäljningen i andra områden.
Confirmation Bias: Du fokuserar på den data som stöder din tro att produkten är framgångsrik, istället för att överväga den fullständiga bilden.
Du baserar din prognos för framtida tillväxt på en särskilt hög försäljningsmånad, utan att ta hänsyn till säsongsvariationer.
Anchoring Bias: Du baserar dina framtida prognoser på en enda datapunkt som kanske inte är representativ för den övergripande trenden.
Efter att ha hört om ett stort cybersäkerhetsbrott antar du att din organisation är mycket mer sårbar än vad data faktiskt visar.
Availability Heuristic: Du överskattar risken baserat på enskilda, nyligen inträffade händelser som kanske inte speglar den verkliga hotnivån.
Efter att ha förlorat ett viktigt kontrakt säger du till ditt team, ‘Vi borde ha sett detta komma, alla varningstecken var där.’
Hindsight Bias: Du tror att resultatet var förutsägbart efter att det har inträffat, vilket förvränger hur svårigheten att förutsäga var från början.
Du märker att dina konkurrenter använder ett nytt verktyg för dataanalys och bestämmer dig för att implementera det också, utan att utvärdera om det passar dina behov.
Bandwagon Effect: Du följer andra aktörer i branschen utan att självständigt utvärdera verktygets relevans eller fördelar för din verksamhet.
