Skip to content
PHẦN II – HEURISTICS VÀ THIÊN KIẾN: XÁC SUẤT THẬT SỰ CẦN MẪU LỚN ĐỂ ỔN ĐỊNH.
Chương 10, “Luật con số nhỏ,” là một điểm neo quan trọng sau khi chúng ta đã đi sâu vào cách thức Hệ thống 1 (tư duy nhanh) hoạt động và tạo ra những kết luận vội vàng trong Phần I. Chương này không chỉ là một bài học về thống kê, mà còn là một tấm gương phản chiếu sự hấp tấp bẩm sinh của bộ não, đặc biệt là niềm tin sai lầm rằng các mẫu nhỏ mang tính đại diện và ổn định như mẫu lớn. Kahneman mổ xẻ cách chúng ta dễ dàng bị đánh lừa bởi những sự trùng hợp ngẫu nhiên, hay những kết quả nổi bật trong một nhóm dữ liệu giới hạn, tin rằng chúng đã phản ánh quy luật phổ quát.
Nếu Phần I của cuốn sách Tư duy nhanh và chậm đã khiến chúng ta kinh ngạc trước tốc độ và sự tiện lợi của Hệ thống 1, cùng với sự lười biếng thường trực của Hệ thống 2, thì Chương 10 này chính là nơi hậu quả của sự kết hợp ấy được phơi bày rõ ràng nhất. Trước đây, Daniel Kahneman đã giới thiệu về khái niệm WYSIATI (What You See Is All There Is – Những gì bạn thấy là tất cả những gì tồn tại), một cơ chế giúp Hệ thống 1 xây dựng nên những câu chuyện cực kỳ mạch lạc và thuyết phục, bất chấp sự thiếu hụt nghiêm trọng của thông tin. Luật con số nhỏ chính là đứa con tinh thần tai hại của WYSIATI khi nó được áp dụng vào lĩnh vực xác suất và thống kê.
Chúng ta, với tư cách là những sinh vật khao khát sự trật tự, luôn có xu hướng tìm kiếm quy luật và nguyên nhân nhân quả đằng sau mọi sự kiện, dù là nhỏ nhất. Khi một sự kiện đáng chú ý xảy ra (ví dụ: tỷ lệ ung thư cao bất thường tại một khu vực nông thôn nhỏ), Hệ thống 1 sẽ nhảy vọt đến kết luận rằng có một tác nhân độc hại cụ thể đang hoạt động, bỏ qua một sự thật toán học lạnh lùng: Sự chao đảo, tính biến động (variance) là đặc điểm nổi bật, thậm chí là quy luật, của các mẫu dữ liệu có kích thước khiêm tốn.
Nguyên lý “Xác suất thật sự cần mẫu lớn để ổn định” không chỉ là một lời cảnh báo dành cho các nhà khoa học hay các nhà phân tích dữ liệu; nó là một bài học cơ bản về sự khiêm nhường trong việc ra quyết định, đặc biệt đối với những người phải đối mặt với các tình huống phức tạp và có tính rủi ro cao. Trong suốt nhiều năm tiếp xúc với các quyết định mang tính chiến lược, tôi đã chứng kiến không biết bao nhiêu lần các kế hoạch lớn bị sụp đổ, các nguồn lực bị đổ vào những “điểm nóng” hoặc “người hùng” dựa trên dữ liệu quá ít ỏi, quá non trẻ.
Hãy tưởng tượng một tổ chức quản trị một mạng lưới rộng lớn các chi nhánh. Một chi nhánh nhỏ ở vùng xa bất ngờ đạt được một quý tăng trưởng vượt bậc 400%. Sự chú ý của toàn bộ ban lãnh đạo lập tức đổ dồn vào đó. Họ cử đội ngũ phân tích đến, viết báo cáo về “Bí quyết thành công mới,” và cố gắng sao chép mô hình đó cho hàng trăm chi nhánh khác. Chi nhánh nhỏ đó trở thành tấm gương, người quản lý đó trở thành ngôi sao được thăng chức. Nhưng sau đó, khi áp dụng đại trà, mô hình thất bại thảm hại, và chi nhánh ban đầu lại trở về mức tăng trưởng trung bình. Điều gì đã xảy ra? Luật con số nhỏ.
Trong một mẫu nhỏ, yếu tố ngẫu nhiên có ảnh hưởng phi thường. Tăng trưởng 400% có thể đơn thuần là kết quả của việc một khách hàng lớn duy nhất ký hợp đồng trong quý đó, hoặc sự trùng hợp của một chiến dịch quảng cáo vô tình chạm đúng điểm nhạy cảm của thị trường địa phương. Đó không phải là dấu hiệu của một “hệ thống” quản trị vượt trội; đó chỉ là tiếng ồn lớn trong một hộp dữ liệu nhỏ. Nhưng bởi vì Hệ thống 1 khát khao câu chuyện và sự giải thích nhân quả rõ ràng, nó nhanh chóng gán ghép thành công đó cho “tầm nhìn lãnh đạo” hay “văn hóa làm việc độc đáo,” hoàn toàn phớt lờ xác suất toán học.
Kahneman đã khéo léo chỉ ra rằng, đối với bộ não của chúng ta, sự khác biệt giữa các biến động thống kê lớn (ở mẫu nhỏ) và sự bất thường có ý nghĩa (có nguyên nhân cụ thể) là gần như không tồn tại. Sự nhận thức này đặc biệt quan trọng trong quản trị rủi ro và đánh giá năng lực cá nhân. Trong các môi trường cạnh tranh khốc liệt, nơi mà sự may mắn và kỹ năng thường xuyên bị pha trộn, việc dựa vào thành tích ngắn hạn, đặc biệt là trong các thị trường nhỏ hoặc các dự án thử nghiệm, là một cái bẫy trí tuệ nguy hiểm.
Khi đối diện với những quyết định có tính chất chính trị hoặc quản trị nhân sự, nơi cảm xúc và định kiến cá nhân có thể bị khuếch đại, Luật con số nhỏ càng trở nên đáng sợ. Chúng ta có xu hướng tin tưởng mạnh mẽ hơn vào các nhận định dựa trên kinh nghiệm cá nhân (mẫu N=1), hoặc từ một nhóm nhỏ các chuyên gia tư vấn thân cận, hơn là những dữ liệu định lượng phức tạp và nhàm chán được thu thập từ một mẫu rộng lớn. Nếu ba người bạn đáng tin cậy của tôi đều khuyên tôi không nên đầu tư vào một lĩnh vực nào đó, thì niềm tin đó sẽ mạnh mẽ hơn nhiều so với việc tôi đọc một báo cáo phân tích thị trường dựa trên khảo sát hàng nghìn người. Sức mạnh của sự gắn kết cá nhân và tính dễ hình dung của câu chuyện (tính sẵn có, heuristic đã được thảo luận ở các chương sau) đã lấn át sự bền vững của quy luật thống kê.
Để thực sự kiểm soát được Thiên kiến con số nhỏ này, người ra quyết định phải phát triển một sự hoài nghi lành mạnh đối với những câu chuyện quá “đẹp” hoặc quá “xấu” xảy ra trong các phạm vi hẹp. Cần phải tập trung vào xu hướng chung, vào tỷ lệ cơ bản (base rate) của sự việc, thay vì bị mê hoặc bởi những trường hợp ngoại lệ rực rỡ.
Trong kinh doanh, điều này có nghĩa là khi chúng ta đánh giá hiệu quả của một chiến dịch marketing mới, chúng ta không nên dừng lại ở kết quả ấn tượng của đợt thử nghiệm ban đầu ở một thành phố nhỏ. Đợt thử nghiệm đó có thể đã xảy ra trong một thời điểm thị trường đặc biệt thuận lợi. Thay vào đó, cần phải kiên nhẫn mở rộng phạm vi lấy mẫu, lặp lại thử nghiệm trong các điều kiện thị trường khác nhau, và chờ đợi cho đến khi sự biến động ngẫu nhiên được loại bỏ bởi quy mô của dữ liệu. Chỉ khi đó, kết quả mới đạt được sự ổn định cần thiết để trở thành cơ sở cho một quyết định đầu tư lớn.
Sự tôn trọng mẫu lớn cũng là sự tôn trọng tính ngẫu nhiên của vũ trụ. Người từng trải hiểu rằng, không phải mọi thành công đều do tài năng tuyệt đối, và không phải mọi thất bại đều do sự kém cỏi. Thường thì, đó chỉ là kết quả của sự sắp đặt xác suất trong một mẫu thời gian hoặc không gian nhỏ. Nếu chúng ta cố gắng tìm kiếm “tâm điểm” hay “điểm nóng” trong các tập dữ liệu nhỏ—cho dù đó là việc tìm kiếm “trường học tốt nhất” dựa trên điểm thi của một lứa học sinh duy nhất, hay “quỹ đầu tư tốt nhất” dựa trên thành tích của họ trong hai năm thị trường bùng nổ—chúng ta đang tự đưa mình vào một cuộc săn lùng ảo ảnh. Chúng ta đang gán ghép ý nghĩa cho nhiễu loạn.
Quy luật con số lớn là một người thầy khắc nghiệt nhưng công bằng. Nó dạy chúng ta rằng, sự thật về hiệu suất và tính dự đoán không thể nào được nhìn thấy qua một cửa sổ hẹp. Những người có kinh nghiệm sâu rộng trong các lĩnh vực phức tạp như tài chính, y tế, hay chiến lược quân sự, đều phải học cách chấp nhận rằng hầu hết các hiện tượng ngắn hạn đều là sự dao động ngẫu nhiên. Điều này đòi hỏi một mức độ kỷ luật nhận thức cao để chống lại sự thôi thúc của Hệ thống 1 muốn tạo ra một câu chuyện giải thích gọn gàng và ngay lập tức.
Trong quản lý tổ chức, nếu một nhà lãnh đạo muốn xây dựng một hệ thống khen thưởng và đánh giá công bằng, họ phải yêu cầu dữ liệu lớn. Phải có nhiều điểm dữ liệu, nhiều năm quan sát, nhiều dự án khác nhau để thực sự khẳng định rằng một cá nhân hay một phương pháp làm việc nào đó mang lại giá trị bền vững, vượt qua ranh giới của sự may mắn nhất thời. Việc thăng chức quá nhanh chóng cho những người có thành tích rực rỡ nhưng ngắn ngủi, dựa trên niềm tin vào tính đại diện của mẫu nhỏ, không chỉ rủi ro về mặt chiến lược mà còn hủy hoại tinh thần công bằng trong tổ chức. Những người làm việc kiên định, ổn định, nhưng chưa từng đạt được một “cú hít lớn” trong một dự án nhỏ, sẽ cảm thấy bị đánh giá thấp, chỉ vì Hệ thống 1 của ban lãnh đạo ưu tiên sự chói lọi ngắn hạn hơn là sự bền vững của quy luật.
Sự hiểu biết về Luật con số nhỏ cung cấp một công cụ mạnh mẽ để chống lại sự thao túng và những luận điệu dựa trên bằng chứng phiến diện. Khi một người cố gắng bán cho chúng ta một ý tưởng bằng cách chỉ đưa ra một vài ví dụ thành công nổi bật (anecdotal evidence), chúng ta phải tự hỏi: Mẫu tổng thể là bao nhiêu? Tỷ lệ thất bại là bao nhiêu? Nếu một người phát ngôn về sức khỏe đưa ra bằng chứng về ba bệnh nhân được chữa khỏi bằng một phương pháp đặc biệt, chúng ta cần nhớ rằng, trong một nghiên cứu lớn, ba người đó có thể chỉ là những điểm dữ liệu nằm trong sự biến động ngẫu nhiên, không hề chứng minh tính hiệu quả của phương pháp.
Hành trình từ việc bị lừa bởi Luật con số nhỏ sang việc tôn trọng Luật con số lớn chính là hành trình trưởng thành của tư duy. Đó là sự chuyển đổi từ việc tin vào sự kỳ diệu cá nhân (thành công của một người, một sự kiện) sang tin vào sự bền vững của hệ thống và quy luật toán học. Khi chúng ta hiểu rằng để đạt được sự ổn định trong xác suất, chúng ta cần một mẫu lớn, chúng ta bắt đầu đầu tư vào dữ liệu, vào quá trình thu thập thông tin cẩn thận, vào việc kiểm soát những thiên kiến nhận thức cá nhân.
Tư duy nhanh và chậm của Daniel Kahneman là một lời nhắc nhở không ngừng về những cái bẫy mà trí óc nhanh nhẹn của chúng ta tự tạo ra. Luật con số nhỏ là một trong những cái bẫy phổ biến nhất và gây tổn thất lớn nhất. Nó dạy chúng ta rằng, sự thật không nằm ở sự chói lọi của những trường hợp cá biệt mà nằm ở sự ổn định và nhàm chán của dữ liệu đại trà. Trong mọi lĩnh vực, từ việc quản lý một doanh nghiệp toàn cầu cho đến việc đánh giá tính cách của một người bạn mới, nếu chúng ta chỉ dựa vào một vài điểm dữ liệu nổi bật, chúng ta đang không nhìn thấy bức tranh tổng thể, mà chỉ đang nhìn thấy những tiếng vọng ngẫu nhiên của nó. Sự thật thống kê đòi hỏi sự kiên nhẫn, sự hoài nghi và quy mô. Chúng ta phải học cách chấp nhận rằng, đôi khi, sự kiện chỉ là sự kiện, và cố gắng tìm kiếm một câu chuyện nhân quả phức tạp đằng sau một sự biến động đơn thuần chỉ là một biểu hiện của Hệ thống 1, đang cố gắng biến sự ngẫu nhiên thành định mệnh. Đây là bài học đắt giá mà bất kỳ ai nắm giữ vai trò ra quyết định quan trọng đều phải thấm nhuần sâu sắc. Sức mạnh thực sự nằm ở việc phân biệt được tiếng ồn và tín hiệu, và tín hiệu, luôn luôn, chỉ xuất hiện trong mẫu lớn, sau khi đã kiên nhẫn chờ đợi sự ngẫu nhiên tự cân bằng lại chính nó. Việc tôn trọng dữ liệu lớn chính là nền tảng của quản trị rủi ro thông minh và sự công bằng nội tại.
