những tiền lệ để đưa ra kết luận. Trong tương lai có thể nhìn thấy, những sự
tính toán như vậy vượt ngoài khả năng của máy dự đoán.
Vấn đề này khó để giải quyết. Giải pháp đến từ con người, chứ không phải
từ máy dự đoán. Tuy nhiên, con người là một trong những nhà thống kê
giỏi nhất trong lịch sử. Con người có sự hiểu biết về khía cạnh toán học của
số liệu thống kê và có tâm thế đủ linh hoạt để hiểu quá trình tạo ra dữ liệu.
Con người có thể học những kỹ năng mô hình hóa như vậy qua đào tạo.
Đây là khía cạnh chính của đa số những chương trình tiến sĩ kinh tế và là
một phần của chương trình MBA tại nhiều trường (bao gồm những khóa
học chúng tôi phát triển ở Đại học Toronto). Những kĩ năng như vậy quan
trọng khi làm việc với máy dự đoán. Nếu không, rất dễ để rơi vào cái bẫy
của những điều chưa biết là đã biết.
Giống như Wald có mô hình tốt về quá trình tạo ra dữ liệu về các lỗ đạn,
một mô hình tốt về hành vi con người có thể giúp đưa ra những sự dự đoán
chính xác hơn khi chúng tạo ra dữ liệu. Trong tương lai gần, con người cần
giúp phát triển những mô hình như vậy và xác định những yếu tố dự báo
liên quan đến hành vi. Máy dự đoán sẽ gặp khó khăn khi ngoại suy trong
tình huống như vậy khi nó không có dữ liệu vì hành vi có khả năng sẽ thay
đổi. Nó cần hiểu con người.
7
Những vấn đề tương tự phát sinh trong nhiều quyết định liên quan đến câu
hỏi, “Điều gì sẽ xảy ra nếu tôi làm điều này?”. Bạn có nên thêm một sản
phẩm mới vào dòng sản phẩm không? Bạn có nên hợp nhất với đối thủ
cạnh tranh? Bạn có nên mua một công ty khởi nghiệp sáng tạo hay một
kênh đối tác không?
8
Nếu con người hành xử khác đi khi có sự thay đổi thì
hành vi trong quá khứ không còn là chỉ dẫn hữu ích cho hành vi trong
tương lai nữa. Máy dự đoán sẽ không có dữ liệu liên quan. Với những sự
kiện hiếm khi xảy ra, máy dự đoán sẽ bị hạn chế. Những sự kiện hiếm khi
xảy ra cung cấp một hạn chế quan trọng tới khả năng máy dự đoán những
đánh giá của con người.
