Pratiques de coaching pour à l'extérieur view forecasting
Décrivez presque n'importe quoi sur lequel vous travaillez et IX Coach trouve les pratiques dont l'adéquation avec la réalité est la plus proche. Pour à l'extérieur view forecasting, voici les correspondances les plus solides dans la bibliothèque de pratiques actuelle.
Pratiques qui peuvent aider
- La vue extérieure
La vue extérieure, un concept développé par Kahneman avec Amos Tversky, consiste à prendre du recul par rapport aux spécificités de sa situation pour se demander : comment les choses de ce genre se sont-elles déroulées par le passé ? Elle corrige de façon fiable le biais d'optimisme intégré à la planification narrative (vue intérieure), et la base de recherche — notamment sur la précision de la planification et des prévisions — est solide. - S'en remettre fortement aux taux de base en entrant dans un domaine où l'on manque d'expérience
En terrain inconnu, la distribution de la classe devrait presque entièrement gouverner la prévision.
La vue extérieure - Convoquer la vue extérieure avant de s'engager sur un plan important
Avant de finaliser un plan ou une prévision, demandez-vous « Comment des situations similaires se sont-elles déroulées ? » comme premier point de contrôle.
La vue extérieure - La prévision par classe de référence
La prévision par classe de référence, développée par Daniel Kahneman et Amos Tversky puis formalisée par Bent Flyvbjerg, améliore la précision des prévisions en s’ancrant sur la distribution statistique des résultats de projets passés similaires plutôt que sur les détails du projet actuel. La méthode corrige de façon fiable le biais d’optimisme qui gonfle les estimations de coût, de temps et de bénéfice en planification — la base de preuves ici est réelle et précise. - Utilisez des classes de référence pour ancrer les estimations personnelles dans des taux de base
Avant d'estimer comment votre situation va se dérouler, trouvez des situations passées similaires et vérifiez ce qui s'est passé.
La pensée bayésienne : comment mettre à jour ses croyances rationnellement - Identifier la bonne classe de référence pour votre situation
Trouvez un ensemble bien défini de situations passées structurellement similaires à la vôtre et recueillez leurs données de résultats.
La prévision par classe de référence - Actualiser votre prévision de façon incrémentale à mesure que de nouvelles preuves arrivent
Traitez votre prévision comme une probabilité qui devrait bouger avec chaque nouvelle preuve, pas comme un engagement qui survit à la contradiction.
La prévision par classe de référence - Noter ses propres prédictions passées pour calibrer son usage de la vue extérieure
Tenez un journal de prévisions et notez-le — vous ne pouvez pas améliorer votre calibration sans retour sur où vous avez été trop ou pas assez confiant.
La vue extérieure - Réaliser des bilans post-projet pour alimenter les données de la classe
Consignez honnêtement les résultats réels par rapport aux prévisions — cela construit la classe de référence dont dépendent les futures prévisions.
La prévision par classe de référence - Distinguer le biais d’optimisme cognitif de la présentation stratégiquement erronée
Reconnaître qu’une partie du gonflement des prévisions est un biais sincère et une autre partie est un maquillage délibéré — les deux exigent des correctifs différents.
La prévision par classe de référence
Préoccupations connexes
- reference class forecasting au travail
La prévision par classe de référence, développée par Daniel Kahneman et Amos Tversky puis formalisée par Bent Flyvbjerg, améliore la précision des prévisions en s’ancrant sur la distribution statistique des résultats de projets passés similaires plutôt que sur les détails du projet actuel. La méthode corrige de façon fiable le biais d’optimisme qui gonfle les estimations de coût, de temps et de bénéfice en planification — la base de preuves ici est réelle et précise.
La prévision par classe de référence
- reference class forecasting sur un budget
La prévision par classe de référence, développée par Daniel Kahneman et Amos Tversky puis formalisée par Bent Flyvbjerg, améliore la précision des prévisions en s’ancrant sur la distribution statistique des résultats de projets passés similaires plutôt que sur les détails du projet actuel. La méthode corrige de façon fiable le biais d’optimisme qui gonfle les estimations de coût, de temps et de bénéfice en planification — la base de preuves ici est réelle et précise.
- reference class forecasting sous stress
La prévision par classe de référence, développée par Daniel Kahneman et Amos Tversky puis formalisée par Bent Flyvbjerg, améliore la précision des prévisions en s’ancrant sur la distribution statistique des résultats de projets passés similaires plutôt que sur les détails du projet actuel. La méthode corrige de façon fiable le biais d’optimisme qui gonfle les estimations de coût, de temps et de bénéfice en planification — la base de preuves ici est réelle et précise.
- domaine expérience forecasting
En terrain inconnu, la distribution de la classe devrait presque entièrement gouverner la prévision.
S'en remettre fortement aux taux de base en entrant dans un domaine où l'on manque d'expérience
- honnête forecasting
Reconnaître qu’une partie du gonflement des prévisions est un biais sincère et une autre partie est un maquillage délibéré — les deux exigent des correctifs différents.
Distinguer le biais d’optimisme cognitif de la présentation stratégiquement erronée
- plage fondé forecasting
La prévision par classe de référence, développée par Daniel Kahneman et Amos Tversky puis formalisée par Bent Flyvbjerg, améliore la précision des prévisions en s’ancrant sur la distribution statistique des résultats de projets passés similaires plutôt que sur les détails du projet actuel. La méthode corrige de façon fiable le biais d’optimisme qui gonfle les estimations de coût, de temps et de bénéfice en planification — la base de preuves ici est réelle et précise.
Décrivez votre situation avec vos propres mots pour rechercher dans la bibliothèque complète de pratiques.