‘Computermodellen beslissen vaak beter dan mensen’

In uw voorwoord schrijft u dat u dit boek heeft geschreven op basis van verwondering, ongeloof en verbazing. Wat wilt u aan de kaak stellen?

Grofweg dat er op zoveel plekken zoveel gebeurt dat aantoonbaar onverstandig is, terwijl het toch blijft bestaan. Uit ons eigen onderzoek naar de managementpraktijk was ons dat al gebleken, maar het lijkt eerder regel dan uitzondering. Een voorbeeld uit een andere hoek: hoe weet ik zeker dat ik, wanneer ik overmorgen op de operatietafel lig, de juiste operatie krijg? Je zou denken dat daar zo lang en goed over is nagedacht dat onomstotelijk vaststaat wat de beste methode is. Dat blijkt echter niet zo te zijn, en niet alleen in de medische wetenschap en het management.

Waardoor kreeg u het idee dat de uitkomsten van wetenschappelijk onderzoek en de managementpraktijk zo ver uiteenliepen?

Het begon eigenlijk met een onderzoek dat ik deed aan de Universiteit van Utrecht, in samenwerking met andere onderzoekers. Wij deden een eenvoudig survey-onderzoek onder bedrijven, met tellen en turven. Omdat we die gegevens hadden, dachten we dat we de kennis die in die gegevens zit opgesloten, zouden kunnen laten zien aan bedrijven. We werden we nog net niet in ons gezicht uitgelachen. Om ons punt wat harder te maken, hebben we toen met die gegevens een computermodel gemaakt dat beslissingen kan nemen zoals managers ook doen en dat getoetst tegen managers in een serie experimenten. Wat bleek: het model won altijd. Dus een door ons houtje-touwtje in elkaar gezet model op basis van data doet het beter dan ervaren managers - dat vroeg om nader onderzoek.

U trekt stevige conclusies: managers zijn niet goed in een aantal standaardtaken, de waarde van praktijkervaring en intuïtie op een aantal terreinen is een mythe. Wat vond u de meest zorgwekkende uitkomsten van uw onderzoek?

Laat ik de vraag eerst wat nuanceren - u hoort al, ik blijf wetenschapper. Ervaring is in veel gevallen heel erg nuttig, maar op sommige terreinen ook niet. Het gaat erom dat je goed uit elkaar moet houden wanneer wel en wanneer niet. Experts blijken bijvoorbeeld niet erg goed te zijn in het voorspellen van hun eigen performance en in het maken van inschattingsrisico’s voor transacties. Dat wordt tamelijk saillant op plekken waar de consequenties heel groot zijn. Voorbeeld: wij laten kinderverkrachters terug op straat grotendeels op basis van interviews met experts in plaats van op basis van harde gegevens, terwijl dat laatste beter werkt. Kennelijk vinden wij het prettig wanneer wij het idee hebben dat mensen een beslissing nemen. Maar ik vermoed dat het een kwestie van tijd is voordat dat omslaat. Met ervaring en intuïtie moet je heel voorzichtig zijn. Het kan heel nuttig zijn, mits je het traint. Wanneer je honderd keer plaatsneemt in een vliegtuigsimulator en bewust investeert in het leren van je fouten, kun je betere resultaten boeken en je intuïtie trainen, hoe vreemd dat ook klinkt. Wat achter al deze onderzoeksresultaten zit, is dat mensen maar heel beperkt bereid zijn hun intuïtie te toetsen. Wat in de wetenschap standaard is, namelijk je bij elke aanname afvragen of deze wel correct is, wordt maar heel sporadisch toegepast in de managementpraktijk.

U focust op inkoopmanagement, facilitymanagement en management van R&D-allianties. In hoeverre is uw verhaal ook van toepassing op andere vormen van management?

Wij zijn met ons onderzoek begonnen in de hoek van het management, omdat wij verwachtten dat het daar sterk zou spelen. Veel managementbeslissingen zijn afhankelijk van 101 verschillende factoren en dan is het moeilijk te bepalen wat precies de invloed van de manager is. Het gevolg daarvan is dat het ook lastig is om vast te stellen of je eigen beslissing goed of fout was, en dat maakt leren moeilijk. Het feit dat je iets eerder hebt gedaan, suggereert dat je op een correcte manier kunt terugkijken in je geheugen om na te denken over je volgende beslissing. Je hoeft echter maar een handjevol serieuze boeken over de werking van het geheugen te hebben gelezen om te weten dat het geheugen heel bedrieglijk kan werken.

U pleit voor een grotere rol voor de computer, althans: programma’s die op basis van zorgvuldig bijgehouden data beslissingen nemen. Krijgen we dan niet voortdurend te maken met gemiddelden? Is dat wenselijk?

Ja, dat klopt en het is wenselijk. Een goede beslissing is eigenlijk een combinatie van weten wat het gemiddelde ongeveer is met weten wanneer je van het gemiddelde af moet wijken. Mensen hebben de neiging heel wild te zijn en te snel naar boven of beneden af te wijken. Het geheugen onthoudt de extremen, mensen zien overal aanwijzingen om juist af te wijken van de gemiddelden. Een geautomatiseerd systeem helpt de menselijke tekortkomingen te ondervangen en stuurt ze terug naar het gemiddelde.

Is er niet een te grote rol weggelegd voor de mensen die de programma’s voeden?

De invoer van de data is het probleem niet, dat zou je bij wijze van spreken een aap kunnen leren. Het gaat natuurlijk vooral om hoe je omgaat met de gegevens. Bij creditcardmaatschappijen of bij Albert Heijn komen de gegevens automatisch binnen, maar je moet goed weten hoe je deze gegevens kunt aanwenden. Dus er is een belangrijke rol weggelegd voor degenen die de modellen maken op basis van de data, al werken relatief eenvoudige modellen vaak al heel goed.

Wanneer kan een bedrijf de computer gebruiken voor bijvoorbeeld de inkoop? Wat zijn de voorwaarden?

Je moet in je bedrijf zoek naar beslissingen die je kunt kwantificeren én die met enige regelmaat voorkomen. Bij de eenmalige aanschaf van een groot computernetwerk heeft het geen zin. Het is dus geen aanbeveling die opgaat voor iedere mogelijke beslissing. Het gaat om herhaalde beslissingen die een voldoende grote stroom data leveren. Op sommige plekken hebben wij zoveel data tot onze beschikking dat niemand het in zijn hoofd zal halen om te zeggen dat de beslissingen nog door mensen genomen moeten worden, zoals bijvoorbeeld de borden met snelheidsbeperkingen die boven de snelweg hangen. Op andere plekken doen we dat nog wel en kennen wij te veel waarde toe aan onze eigen capaciteiten.

Hoe zou het bijvoorbeeld in de hypotheekverstrekking gaan?

Een aantal jaren geleden verschilde dat per bank, weet ik nog, maar daar gebeurt het al voor een deel. Sommige banken werkten met vuistregels: bij de ene bank was het goed als de adviseurs uitgingen van X maal het maandinkomen en een kleine marge. Bij andere banken was het al iets strakker georganiseerd. Als klant weet je trouwens vaak niet of iemand daadwerkelijk beslissingsbevoegdheid heeft. Het zou ons beeld van die adviseur wel kunnen beïnvloeden. De computer als hulpmiddel is nog lang niet overal geaccepteerd. We weten dat huisartsen die hun computer gebruiken bij een consult, door de patiënt worden gezien als minder competent.

Wat bedoelt u eigenlijk met de metafoor van het klapschaatsen in de titel?

Tonny de Jong schaatste medio jaren negentig altijd een beetje achter de top aan, totdat zij als eerste overstapte op klapschaatsen. Er was al eerder aangegeven dat die beter waren, maar de meeste mensen reageerden nogal lauw en verwachtten er niet zoveel van. Maar prompt werd zij Europees Kampioen en behaalde zij nog een aantal ereplaatsen. Met dat verhaal willen wij onze lezers laten zien dat er verbetering mogelijk is op een heleboel plekken waarvan mensen geen hoge verwachtingen hebben. In het boek beschrijven we een aantal van die plekken, en manieren om dat soort plekken zelf te vinden.

Het duurt nog tien jaar voordat onze bevindingen zijn doorgedrongen tot de managementpraktijk, schrijft u. U adviseert managers hun kans te grijpen. Hoe kunnen zij zorgen dat juist zij goed toegerust zijn om nieuwe wegen in te slaan?

Ze moeten een goed oog hebben voor de algemene principes binnen hun bedrijf: welke taken zitten mensen te doen die zich steeds herhalen en die ook gevangen kunnen worden in data? Daar ligt een kans voor verbetering. Automatisering verhoogt de kans op succes en zorgt dat mensen hun handen vrij hebben voor zaken waar ze wel goed in zijn.