Pratiques de coaching pour quand ludic fallacy beware false precision
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 quand ludic fallacy beware false precision, voici les correspondances les plus solides dans la bibliothèque de pratiques actuelle.
Pratiques qui peuvent aider
- Se méfier de la fausse précision dans les prévisions et modèles
Traitez toute probabilité précise ou prévision quantitative avec une suspicion explicite quant à savoir si le modèle correspond au domaine.
Le sophisme ludique : quand vous confondez la vraie vie avec un jeu - 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 - Prévoir une distribution, pas une estimation ponctuelle
Représentez votre prévision comme une fourchette de résultats probables, pas un seul nombre prédit.
La prévision par classe de référence - Estimer par fourchettes, pas par valeurs ponctuelles
Au lieu de « mon estimation est 500 », dites « je pense que c'est entre 200 et 2000 ».
L'estimation de Fermi - 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 - Décomposer les questions complexes en sous-questions
Décomposez une question de prévision difficile en éléments plus petits, estimables, puis agrégez-les.
La superprévision - 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 - Traiter la précision de prévision comme une compétence qui s'améliore avec la pratique
Prenez les erreurs de prédiction comme un retour de performance, pas comme la preuve que la prévision est vaine.
La superprévision - Actualiser fréquemment les croyances, par petits incréments
Quand de nouvelles preuves arrivent, ajustez votre estimation de probabilité — même si le changement est faible.
La superprévision - 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
Préoccupations connexes
- false precision forecast
Traitez toute probabilité précise ou prévision quantitative avec une suspicion explicite quant à savoir si le modèle correspond au domaine.
Se méfier de la fausse précision dans les prévisions et modèles
- forecast revision
Traitez votre prévision comme une probabilité qui devrait bouger avec chaque nouvelle preuve, pas comme un engagement qui survit à la contradiction.
Actualiser votre prévision de façon incrémentale à mesure que de nouvelles preuves arrivent
- forecasting precision
Traitez toute probabilité précise ou prévision quantitative avec une suspicion explicite quant à savoir si le modèle correspond au domaine.
- objectif vs forecast
Représentez votre prévision comme une fourchette de résultats probables, pas un seul nombre prédit.
Prévoir une distribution, pas une estimation ponctuelle
- Comment améliorer ses prévisions
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
- Comment s'entraîner à anticiper l'avenir
Consignez honnêtement les résultats réels par rapport aux prévisions — cela construit la classe de référence dont dépendent les futures prévisions.
Réaliser des bilans post-projet pour alimenter les données de la classe
Décrivez votre situation avec vos propres mots pour rechercher dans la bibliothèque complète de pratiques.