Práticas de coaching para previsão honesta
Descreva quase qualquer coisa em que você esteja trabalhando e o IX Coach encontra as práticas com melhor ajuste à realidade. Para previsão honesta, estas são as correspondências mais fortes na biblioteca de práticas atual.
Práticas que podem ajudar
- Distinga o viés de otimismo cognitivo da deturpação estratégica
Reconheça que parte da inflação da previsão é viés genuíno e parte é distorção deliberada — exigem correções diferentes.
Previsão por Classe de Referência - Conduza debriefings pós-projeto para contribuir com os dados da classe
Registre honestamente resultados reais versus previstos — isso constrói a classe de referência da qual futuras previsões dependem.
Previsão por Classe de Referência - Preveja uma distribuição, não uma estimativa pontual
Represente sua previsão como uma faixa de resultados prováveis, não um único número previsto.
Previsão por Classe de Referência - Atualize sua previsão incrementalmente à medida que novas evidências chegam
Trate sua previsão como uma probabilidade que deve mudar a cada nova evidência, não um compromisso que sobrevive à contradição.
Previsão por Classe de Referência - Ancore-se na taxa-base antes de adicionar detalhes da visão interna
Comece sua previsão pela mediana da classe e depois ajuste — não comece pela sua narrativa e ajuste em direção à taxa-base.
Previsão por Classe de Referência - Separe o otimismo motivacional da sua previsão
Deixe sua ambição ser honesta sobre o que ela é — um resultado desejado — sem contaminar sua estimativa de probabilidade.
A Visão Externa - Previsão por Classe de Referência
A previsão por classe de referência, desenvolvida por Daniel Kahneman e Amos Tversky e formalizada por Bent Flyvbjerg, melhora a precisão da previsão ancorando-a na distribuição estatística de resultados de projetos passados semelhantes, em vez dos detalhes do projeto atual. O método corrige de forma confiável o viés de otimismo que infla estimativas de custo, tempo e benefício no planejamento — a base de evidência aqui é real e específica. - Use classes de referência para fundamentar estimativas pessoais em taxas-base
Antes de estimar como sua situação vai se desenrolar, encontre situações passadas semelhantes e verifique o que aconteceu.
Pensamento Bayesiano: Como Atualizar Crenças Racionalmente - Decomponha questões complexas em subquestões
Divida uma questão difícil de previsão em partes menores e estimáveis e agregue-as.
Superprevisão - Pontue suas próprias previsões passadas para calibrar seu uso da visão externa
Mantenha um registro de previsões e pontue-o — você não consegue melhorar a calibração sem feedback sobre onde teve excesso ou falta de confiança.
A Visão Externa
Preocupações relacionadas
- meta versus previsão
Represente sua previsão como uma faixa de resultados prováveis, não um único número previsto.
Preveja uma distribuição, não uma estimativa pontual
- como melhorar as previsões
A previsão por classe de referência, desenvolvida por Daniel Kahneman e Amos Tversky e formalizada por Bent Flyvbjerg, melhora a precisão da previsão ancorando-a na distribuição estatística de resultados de projetos passados semelhantes, em vez dos detalhes do projeto atual. O método corrige de forma confiável o viés de otimismo que infla estimativas de custo, tempo e benefício no planejamento — a base de evidência aqui é real e específica.
Previsão por Classe de Referência
- como praticar a previsão
Registre honestamente resultados reais versus previstos — isso constrói a classe de referência da qual futuras previsões dependem.
Conduza debriefings pós-projeto para contribuir com os dados da classe
- decompor uma pergunta de previsão
Divida uma questão difícil de previsão em partes menores e estimáveis e agregue-as.
Decomponha questões complexas em subquestões
- como fazer previsões mais precisas
Registre honestamente resultados reais versus previstos — isso constrói a classe de referência da qual futuras previsões dependem.
- Previsão baseada em rangos
A previsão por classe de referência, desenvolvida por Daniel Kahneman e Amos Tversky e formalizada por Bent Flyvbjerg, melhora a precisão da previsão ancorando-a na distribuição estatística de resultados de projetos passados semelhantes, em vez dos detalhes do projeto atual. O método corrige de forma confiável o viés de otimismo que infla estimativas de custo, tempo e benefício no planejamento — a base de evidência aqui é real e específica.
Descreva sua situação com suas próprias palavras para pesquisar na biblioteca completa de práticas.