How do smart people make smart decisions? | Gerd Gigerenzer | TEDxNorrköping

Summary

Ce discours aborde la manière dont les décisions sont prises dans des conditions d'incertitude par opposition aux risques connus. L'orateur illustre que les méthodes de calcul complexes souvent enseignées ne reflètent pas la réalité des prises de décision quotidiennes. Il met en avant l'importance des heuristiques et des règles simples pour naviguer l'incertitude, citant des exemples comme le sport et les finances. La conclusion souligne que parfois, moins d'information et de calcul peut mener à de meilleures décisions.

Takeaways

• 📚 L'analyse des décisions rationnelles suggère d'évaluer toutes les alternatives, conséquences et utilités avant d'agir, mais cela ne reflète pas la façon dont la plupart des gens prennent réellement des décisions.
• 🤔 L'histoire du professeur de l'Université de Columbia illustre que même les auteurs de théories sur les décisions ne les appliquent pas toujours dans la vie réelle.
• 📈 La méthode de Benjamin Franklin de lister les avantages et les inconvénients et de faire des calculs est une approche ancienne, mais elle ne s'applique pas toujours à la prise de décisions personnelles.
• 🎯 La théorie de l'utilité attendue fonctionne dans un monde de risque connu, mais elle est moins efficace dans un monde d'incertitude où les probabilités, conséquences et alternatives ne sont pas connues.
• 🏌️ L'exemple du chasseur de balle dans les sports montre comment les joueurs utilisent des règles simples, appelées heuristiques, plutôt que des calculs complexes pour prendre des décisions rapides.
• 🔢 L'heuristique du regard, utilisée par les joueurs pour attraper un ballon en cours de vol, est un exemple de règle simple qui fonctionne sans nécessiter de calculs de trajectoire.
• 🛫 L'histoire du 'miracle' du Hudson démontre comment les pilotes ont utilisé délibérément une heuristique simple pour décider d'atterrir sur le fleuve Hudson après l'incident des oies.
• 💹 Dans le domaine financier, les théories de risque connues ont été appliquées de manière aveugle au monde de l'incertitude, contribuant ainsi au problème de la crise financière plutôt qu'à sa résolution.
• 🏆 L'exemple d'Harry Markowitz, qui a utilisé une heuristique simple (1/N) pour ses propres investissements, montre que des méthodes simples peuvent outperformer des modèles complexes.
• 📊 Une étude a montré que l'heuristique 1/N a généré plus de profits que le modèle de Markowitz dans le monde de l'investissement réel, en particulier lorsque l'incertitude prédictive est élevée, le nombre d'alternatives est important et l'échantillon d'apprentissage est limité.
• ⏳ Plus d'informations, de temps et de calcul n'est pas toujours mieux; dans un environnement d'incertitude, la simplicité peut être préférable à la complexité.

Q & A

Quelle est la méthode traditionnelle enseignée pour faire de bonnes décisions?

La méthode traditionnelle enseignée pour faire de bonnes décisions consiste à analyser avant d'agir, à lister toutes les alternatives, à estimer les conséquences et les utilités, puis à effectuer les calculs pour maximiser l'utilité attendue.

Pourquoi la méthode mathématique de prise de décision ne décrit-elle pas comment la plupart des gens prennent réellement leurs décisions?

La méthode mathématique ne décrit pas comment la plupart des gens prennent leurs décisions car elle est basée sur une analyse complète et une estimation des probabilités, ce qui est souvent irréalisable dans la vie réelle où les informations sont souvent incomplètes ou incertaines.

Quel exemple a été donné pour illustrer que les auteurs de livres sur le choix rationnel ne suivent pas toujours leur propre conseil?

L'exemple donné est celui d'un professeur de l'Université de Columbia qui était incapable de décider s'il devait accepter une offre d'une université rivale, malgré ses écrits sur la maximisation de l'utilité attendue.

Quel est l'intérêt de la méthode de Benjamin Franklin pour lister les avantages et les inconvénients?

La méthode de Benjamin Franklin pour lister les avantages et les inconvénients permet de pondérer et d'ajouter chaque élément, ce qui peut aider à prendre une décision plus équilibrée et réfléchie.

Quel est le problème avec l'application de la théorie de la finance aux investissements réels?

Le problème avec l'application de la théorie de la finance aux investissements réels est qu'elle est conçue pour un monde de risque connu, mais est souvent utilisée dans un monde d'incertitude, ce qui peut conduire à des erreurs et à des illusions de certitude.

Quelle est la différence entre la prise de décision sous risque et celle sous incertitude?

La prise de décision sous risque implique des probabilités, des conséquences et des alternatives connues, tandis que sous incertitude, ces éléments sont inconnus ou imprévisibles, nécessitant ainsi des règles d'emprunt intelligentes et une bonne intuition.

Quels sont les quatre points clés abordés lors de la présentation sur la prise de décision sous incertitude?

Les quatre points clés sont: 1) La meilleure décision sous risque n'est pas toujours la meilleure sous incertitude. 2) Les heuristiques sont indispensables et non des signes de retard mental. 3) Les problèmes complexes ne nécessitent pas toujours de solutions complexes. 4) Plus d'information, de calcul ou de temps n'est pas toujours mieux; parfois, moins est plus.

Quel est l'exemple donné pour illustrer l'utilisation d'une heuristique simple dans le sport?

L'exemple donné est celui d'un joueur de baseball, de cricket ou de football qui utilise l'heuristique du regard pour attraper une balle en cours de vol, en ajustant sa vitesse de course pour maintenir un angle de regard constant.

Pourquoi l'heuristique 1/N est-elle considérée comme plus efficace que la méthode de optimisation de Markowitz dans certaines conditions?

L'heuristique 1/N est considérée comme plus efficace car elle ne nécessite pas de calculs complexes, est plus rapide et fonctionne bien dans un monde d'incertitude avec un grand nombre d'alternatives et une incertitude prédictive élevée.

Quel est le message final传达 par le présentateur sur la prise de décision?

Le message final传达 par le présentateur est que la prise de décision sous incertitude est différente de celle sous risque, que les heuristiques peuvent être supérieures aux stratégies d'optimisation et que moins d'information et de temps peut parfois être plus efficace.

Outlines

00:00

📚 Décision rationnelle et réalité

Le premier paragraphe aborde la théorie de la décision rationnelle telle qu'enseignée dans les ouvrages sur le choix rationnel, qui suggère d'analyser toutes les alternatives, conséquences et estimations d'utilité avant de prendre une décision. Cependant, l'orateur souligne que cette approche mathématique idéalisée ne reflète pas la manière dont la plupart des gens prennent réellement des décisions, comme le démontre l'anecdote du professeur de l'Université Columbia. L'orateur introduit également le concept de prise de décision dans un monde d'incertitude, où les heuristiques et l'intuition jouent un rôle crucial, en contraste avec les méthodes statistiques utilisées dans un environnement de risque connu.

05:00

🏃‍♂️ L'heuristique du regard dans le sport

Dans le deuxième paragraphe, l'orateur examine la manière dont les joueurs de sport comme le baseball ou le cricket attrapent une balle en vol, en se concentrant sur la simplicité des heuristiques par rapport aux méthodes complexes. Il mentionne la théorie de Richard Dawkins, qui propose une approche complexe impliquant le calcul de trajectoires, et la compare à l'heuristique du regard, une méthode simple et efficace utilisée par les joueurs. Cette heuristique, basée sur le maintien d'un angle de regard constant, permet d'ignorer les variables complexes nécessaires au calcul de trajectoire, et est utilisée inconsciemment par les joueurs, reflétant leur 'intuition'.

10:04

✈️ L'application des heuristiques dans la sécurité et la finance

Le troisième paragraphe explore l'application des heuristiques dans des situations de prise de décision critiques, telles que l'atterrissage d'urgence du Miracle du Hudson, où les pilotes ont utilisé délibérément l'heuristique du regard pour évaluer leur situation. L'orateur passe ensuite à la finance, où il critique l'application de théories de finance basées sur des risques connus dans un monde d'incertitude, ce qui a contribué à la crise financière. Il cite l'exemple de Harry Markowitz et son utilisation de l'heuristique 1/N pour la diversification de ses investissements, qui a été plus rentable que sa propre méthode optimisée qui a remporté le prix Nobel.

15:05

🔢 La puissance des règles simples face à l'incertitude

Le quatrième et dernier paragraphe résume les points clés de la présentation, soulignant la différence entre la prise de décision dans un environnement de risque et de l'incertitude, et l'efficacité des heuristiques dans ce dernier. L'orateur met en évidence que moins d'information, de temps et de calcul n'est pas toujours une faiblesse, et peut en fait être préférable. Il conclut en remerciant l'auditoire pour son attention, soulignant que les heuristiques ne sont pas des stratégies secondaires, mais peuvent outperformer les stratégies d'optimisation dans un contexte d'incertitude.

Keywords

💡Décisions

Le terme 'Décisions' fait référence au processus par lequel une personne choisit entre différentes options. Dans le script, il est question de la manière dont les gens prennent des décisions, en utilisant des méthodes analytiques ou intuitives, et comment ces méthodes s'appliquent à des situations incertaines.

💡Utilité attendue

L'expression 'Utilité attendue' est un concept clé de la théorie de l'utilité, qui est utilisée pour décrire la décision optimale en tenant compte des probabilités et des conséquences potentielles. Dans le script, l'auteur critique cette méthode pour décrire la manière dont les gens prennent réellement des décisions.

💡Héuristiques

Les 'Héuristiques' sont des règles de thumb utilisées pour prendre des décisions rapidement et efficacement sans passer par des calculs complexes. Le script illustre comment ces méthodes simples peuvent être plus efficaces que des calculs élaborés dans un monde incertain.

💡Incertain

Le terme 'Incertain' se réfère à des situations où les conséquences et les probabilités ne sont pas connues avec certitude. Le script met en évidence la différence entre prendre des décisions dans un environnement de risque connu et un environnement incertain.

💡Risque

Le 'Risque' est utilisé pour décrire des situations où les probabilités et les conséquences sont connues, permettant ainsi des calculs prévisibles. Le script compare cela avec l'incertitude, où les méthodes de calcul ne suffisent pas.

💡Optimisation

L'optimisation est le processus de recherche de la meilleure solution possible. Dans le script, l'optimisation est critiquée comme étant inadéquate pour les situations d'incertitude, où des approches plus simples peuvent être préférables.

💡Intuition

L'intuition est une forme de connaissance immédiate ou de jugement sans passer par une logique consciente. Le script parle de l'intuition comme étant un outil précieux dans le cadre de la prise de décision, même si elle est souvent méconnue ou sous-estimée.

💡Règle de thumb

Une 'Règle de thumb' est une méthode informelle pour résoudre un problème sans recourir à des calculs précis. Le script souligne l'utilité de ces règles dans des situations d'incertitude, en citant des exemples tels que la chasse aux balles dans le sport.

💡Diversification

La 'Diversification' est une stratégie d'investissement qui vise à répartir les fonds dans plusieurs actifs pour réduire le risque. Le script mentionne la diversification comme un exemple où une approche simple (1/N) a été plus efficace que des méthodes complexes.

💡Efficacité

L'efficacité fait référence à la capacité de produire des résultats souhaités avec le minimum de ressources. Dans le script, l'efficacité est discutée en termes de la manière dont les héuristiques simples peuvent être plus efficaces pour prendre des décisions dans un environnement incertain.

💡Information

L'information est un élément crucial dans la prise de décision. Cependant, le script suggère que plus d'information, de temps ou de calcul n'est pas toujours mieux et peut parfois surcharger ou compliquer le processus de décision.

Highlights

Les livres sur le choix rationnel suggèrent d'analyser avant d'agir, de lister toutes les alternatives et conséquences, et d'estimer les utilités pour faire les calculs.

Cette méthode mathématique ne décrit pas comment la plupart des gens prennent réellement des décisions.

L'histoire d'un professeur de l'Université de Columbia qui a eu une offre d'une université rivale et qui n'a pas su comment décider.

Benjamin Franklin recommande de lister les avantages et inconvénients pour prendre une décision rationnelle.

Les enseignants de cette méthode n'ont pas choisi leur partenaire par calcul, sauf un qui a utilisé sa propre théorie.

Le professeur a utilisé une méthode de calcul pour estimer les probabilités et les utilités, puis a proposé à la femme avec l'utilité attendue la plus élevée.

Le deuxième exemple est le monde financier, où la théorie de la finance est partie du problème de la crise financière.

La théorie de la finance suggère des certitudes illusoires en s'appuyant sur des calculs de valeur et de risque.

Harry Markowitz, lauréat du Prix Nobel, a utilisé une simple heuristique appelée 1/N pour ses investissements personnels.

Une étude a montré que la heuristique simple 1/N a gagné plus d'argent que le modèle de moyenne-variance Nobel dans le monde de l'investissement réel.

Les trois caractéristiques du monde où 1/N outperforme le modèle de moyenne-variance sont l'incertitude prédictive élevée, le grand nombre d'alternatives et l'échantillon d'apprentissage restreint.

Pour que le modèle de moyenne-variance soit mieux que 1/N, il faudrait un échantillon d'apprentissage de 500 ans.

Les banques n'ont pas compris que la méthode de Markowitz est prématurée pour l'investissement moderne.

Les heuristiques sont utilisées inconsciemment par les joueurs et sont perçues comme de l'intuition.

Les heuristiques simples peuvent être utilisées délibérément, comme le montre l'exemple du miracle du Hudson.

Les études montrent que les heuristiques simples sont plus précises que les modèles complexes pour la prédiction.

L'hindsight est facile, mais la prédiction est difficile et c'est là que les heuristiques simples sont utiles.

La recherche au Max Planck Institute étudie comment les gens et comment ils devraient prendre des décisions dans un monde incertain.

Les heuristiques ne sont pas des stratégies de second choix, elles peuvent être meilleures que les stratégies d'optimisation dans un monde incertain.

Plus d'information, plus de temps et plus de calcul ne sont pas toujours meilleurs, parfois moins est plus.

Transcripts

Translator: Ivana Krivokuća Reviewer: Carlos Arturo Morales

How to make good decisions?

If you open a book on rational choice,

you will likely read the following message:

look before you leap, analyze before you act.

List all alternatives, all the consequences,

and estimate the utilities and do the calculation.

This is a beautiful mathematical scheme,

but it doesn't describe how most people actually make decisions.

And not even how those who write these books make decisions,

as the following story illustrates.

A professor from Columbia University had an offer from a rival university,

and he could not make up his mind whether to accept, reject, go or stay.

A colleague took him aside and said, "What's the problem?

Just maximize your expected utility! You always write about doing this!"

Exasperated, the professor responded, "Come on, this is serious."

(Laughter)

The method of listing pros and cons and doing the calculation is an old one.

Benjamin Franklin once in a letter to his nephew recommended exactly that.

Listing all pros and cons, and then weighting and adding.

And at the end of his letter, he wrote the following:

"If you do not learn it, I apprehend you will never get married."

(Laughter)

Did you choose your partner by a calculation?

I asked my friends who teach this method as the only method of rational choice

how they chose their partner if they had any choice at all.

(Laughter)

All of them said, "No, no, no."

There was one exception.

And he told me that he applied his own theory.

He explained to me that he listed all the alternatives,

all the consequences.

For instance, will she still talk to me after being married?

Will she take care of the kids and let me work in peace?

And then he estimated for each of these women

the probability that it will actually occur.

And multiplied it by the utilities and made the calculation.

Then he proposed to the woman with the highest expected utility.

She accepted.

He never told her how he had chosen her.

(Laughter)

I've met him recently. Now they are divorced.

I will talk today about two ways of making decisions.

One is the one that is taught at the academia;

it has many names:

Benjamin Franklin's bookkeeping method or expected utility theory.

And this is a method that works in a world of risk,

that is, when the probabilities,

the consequences and alternatives are known.

Here, statistical thinking is enough.

A key example is lotteries or if you play the casino.

Then you can calculate how much you will lose.

In a different world, the world of uncertainty,

calculation is not enough.

You need smart rules of thumb, that are technically called heuristics,

and good intuitions, which are also based on smart rules of thumb.

I will talk today

about decision making under uncertainty

and also about the dangers

of using systems that work for known risk

and applying them to the world of uncertainty.

Choices between two jobs or between partners

are all in the world of uncertainty.

You can't calculate everything, you don't know the consequences,

and there will be surprises.

I will make four points

and then illustrate them with two examples.

First, the best decision under risk

is not the best decision under uncertainty.

Second, heuristics that you need

in order to make good decisions in the uncertainty

are indispensable for good decision making.

They are not, as it's often claimed,

a sign of a kind of mental retardation

or of just mental laziness.

Third, complex problems

do not always require complex solutions,

and that's again in the world of uncertainty.

And finally, more information,

more calculation, more time is not always better.

Less can be more.

Let's go to the first example.

This is sports.

How does an outfielder catch a flying ball?

In baseball, in cricket,

or maybe in soccer, where the goalie has to get it.

How does he or she know where to run?

There are two theories about that.

One is it's a complex problem, you need complex mental processes,

and the other one is it's a complex problem under uncertainty,

and you need to find a simple method for that.

Let's look for the first one.

Richard Dawkins, in his famous book "The Selfish Genes,"

proposed the complex method.

So what does the outfielder do? He or she calculates the trajectory.

Have you ever calculated a trajectory?

(Laughter)

Okay, that's what you do?

(Laughter)

And this formula doesn't even have wind in it or spin, so it's not enough.

But what else could it be?

What you see here is the idea to apply

a theory that works if you know everything,

like under known risk, to the world of uncertainty.

The key idea is that you say, "Oh, he behaves 'as if' -"

and Dawkins puts in the "as if" -

the player would calculate that.

What's the alternative? How do real players catch a ball?

That's my question.

And a number of experiments show

that real players use a number of simple heuristics.

I'll show you one.

This one works when the ball is already high up in the air.

It's called the gaze heuristic.

It has three steps.

First, fixate your eye on the ball, start running,

and finally, adjust the running speed

so that the angle of gaze remains constant.

This player here does exactly that.

He runs so that the angle of gaze remains constant,

and that brings him there where the ball will land.

Do you want to see it again? Here it is.

Importantly: the player can ignore to estimate or calculate

every variable that's necessary to estimate the trajectory.

Every one.

It's a heuristic that belongs to a family of heuristics

that just looks at one good reason.

And then you get there.

You'll find the same heuristics in evolutionary history,

so birds and fish,

when they hunt a prey or a mate -

which is sometimes not so different -

they just keep the optical angle constant in three-dimensional space,

and that's enough.

No trajectory correlations.

This heuristic is used by players unconsciously.

If you have ever interviewed a player

and asked him how is he doing this so well, then you get "intuition."

And it's intuition,

meaning the person knows what to do, but doesn't know why.

But how does this intuition function?

As you see here, it functions by simple rules.

The same rule can be used deliberately.

Every rule that we studied can be used deliberately,

and that's very different from what you might hear

in some claims about decision making

that think that heuristics are unconscious,

and statistical thinking is conscious.

Don't believe that.

Here's an example.

Remember the miracle of the Hudson River?

What had happened?

A plane hit shortly after takeoff

a formation of Canadian geese.

They flew in both engines and silenced both engines.

The pilots turned around

to see whether they could get back to La Guardia Airport,

or they would have to do something more risky, like the Hudson River.

How did they make this decision?

Did they do calculations? They didn't have much time.

They used the same heuristic, now deliberately, the gaze heuristic.

How does it work in this case?

You fixate the tower through your windshield -

that's what the pilots did -

and if the tower is slowly moving upwards, you won't make it.

And that's exactly what Jeffrey Skiles, the co-pilot, is saying, in other words.

Here is another instance where heuristics can help us to make a safer world,

and the decisions are done very fast.

My second illustration is the world of finance.

We know now that the theory of finance

is part of the problem,

or was part of the problem of the financial crisis, not its solution.

Why? Because it's a theory about known risk,

and it's applied to the world of uncertainty,

and suggests certainties that are illusiory.

Calculations of value, of risk, and that sort of things.

I'll give you one example.

Assume you want to invest money,

and you don't want to put everything in one basket,

but you want to diversify.

But how?

Harry Markowitz, from the University of Chicago,

got his Nobel Prize for finding the solution.

When Harry Markowitz made his own investments

for the time after his retirement,

he used his Nobel Prize-winning optimization method.

So we might think. No, he did not.

He relied on a simple heuristic that we call 1/N.

You divide your assets equally.

For instance, if you have just two alternatives,

you divide your money 50-50, and so on.

The interesting question is how good is this simple heuristic

that doesn't need much calculation in the real world of investment,

as opposed to the theory of investment?

A study by DeMiguel et al. looked at that

and gave the complex Nobel Prize-winning method

10 years of data to estimate its parameters,

and then to estimate what's happening the following months.

The window wasn't shifted until there was no data left.

What was the result?

According to common measures, 1/N made more money

than the Nobel Prize-winning mean-variance model.

The interesting question is now

not just to show that something simpler does something better,

but the real question is, can we identify the world

where simplicity pays or where the complex calculation pays?

I'll show you here three features of this world

where 1/N outperforms mean-variance,

or at least very likely outperforms mean-variance.

One feature is predictive uncertainty is large - that's the case with stocks.

The second one is the number of alternatives is large,

and you can see this because the complex methods

need to estimate more parameters,

1/N not,

and then generate more errors.

And finally, the learning sample is small; it was 10 years.

Now one can ask the following question:

if I would have 50 alternatives, how many years of data do I need

so that mean-variance actually gets better than 1/N?

What do you think?

Ten years is too little. Eleven? Twelve?

The best estimate is 500 years.

So in the year 2500,

we can switch from our intuitions, 1/N,

to doing the calculations,

provided that the same stocks are still around in the stock market

in the first place.

Do our banks understand that? No.

I recently got a letter from my internet bank which said:

"With Nobel Prize-winning strategy to success in investment."

And then I read,

"Do you know Harry Markowitz? No? You should know him."

And then a story was told

that he won the Nobel Prize for solving the problem

and the bank has now adopted his method,

and there was a warning about people's intuitions.

What this bank has not understood is

that they sent the letter 500 years too early.

(Laughter)

This is my second illustration

about the power of simple rules in an uncertain world,

and also about the damage that can happen

when you rely on methods that work very well in risk,

but apply them blindly to real world.

Ask your own bank what they use.

That this is not just a one-shot is shown by this slide.

There are 20 studies, and what you see here -

we have an optimization model that's widely used multiple regression,

and we have three heuristics.

The minimalist is too simple. It just picks something randomly.

The other two heuristics have a different philosophy.

You already know 1/N, you just throw the weights away and do it equally.

One good reason

is a heuristic that goes with the first good reason that it can find,

and then it's there.

I'm not going into details, they are all mathematically studied,

and what you see here is something important.

When you know already all the data,

that's called fitting,

then the complex model is the best one.

So you can, you're flexible enough, and you explain the hindsight.

When you have to predict, then something interesting happens;

it's a crossover.

Every one of the simplifications is more accurate,

not just more frugal and faster.

This condition is like hindsight.

For instance, I hear often on the radio

a financial adviser being asked

why did Microsoft go down yesterday,

and he has always an answer.

This is hindsight.

If you would be asked if Microsoft is going up or down tomorrow,

that would be prediction.

And prediction is hard.

That's an illustration.

Let me get the general picture.

What we're studying at the Max Planck Institute

is how do people and should people make decisions under uncertainty,

and the first question is a descriptive one:

what's in the adaptive toolbox?

There are many more heuristics that I can't tell you today,

and lots of social heuristics.

So, people trust their doctor,

and the study of ecological rationality asks the question:

in what situation is this a good idea and when not?

If your doctor knows the medical evidence,

has no conflicts of interest, and doesn't do defensive decision making -

he has fear that you might turn into a plaintiff -

that's a good idea.

But that's not the case in most countries.

Most doctors - we have studies - don't know the evidence,

they have conflicts of interest, and they do defensive decision making.

And finally, how to create situations, environments, and also strategies

that are intuitive and that help people make better decisions?

Let me finish.

Decision making under uncertainty is different

from decision making under risk,

and heuristics are not the second best strategies, that we often hear.

They can do better than even optimization strategies

in a world of uncertainty, not in a world of risk.

And finally, more information, more time, and more computation

is not always better.

Less can be more.

Thank you for your attention.

(Applause)