Stále častěji se setkávám s tím, že jsme přesvědčováni, jak správně uvažovat, myslet a hodnotit. Pokud se odchýlíme od „správného“ názoru, někdo či něco nám okamžitě předkládá ověřenou pravdu jako opravný prostředek.
Podniky, firmy a týmy dnes stále častěji zmítají vnitřní konflikty, které pramení z rozdílných postojů a hodnocení určitých témat. Výsledkem jsou rozdělené tábory, kde se zaměstnanci shlukují podle svých vlastních názorů. Tyto neformální skupiny nejsou řízeny firmou, ale jejich vnitřní dynamikou, která postupně prosazuje změny v organizaci podle vlastního přesvědčení.
Ve firmách – stejně jako v každém živém organismu – nikdy nelze mít vše pod absolutní kontrolou. Můžete věci korigovat, kontrolovat, opravovat a směrovat, ale jen do určité míry. Zbytek se v týmu děje vždy mimo váš dosah. Čím je skupina silnější v názorech, tím více potlačuje odlišné pohledy – a pokud je navíc podpořena silnou mužskou energií, její vliv roste ještě dynamičtěji. Ale o tom už jsem psal jinde.
Dnes vám chci ukázat jiný pohled
Všichni se rozhodujeme na základě dostupných dat – těch, ke kterým máme v daném čase a místě přístup. Naše mysl filtruje informace, vybírá ty, které s námi rezonují, a ukládá je jako pravdivé. Čím déle ale pracujeme jen s jedním souborem dat, tím hůře dokážeme kriticky zhodnotit vlastní rozhodnutí. A teď si představte, že vám někdo řekne:
Mýlíte se. Nemáte pravdu. Žijete ve lži už několik let. Co by to znamenalo pro vaše vnímání reality?
Jaká data dostáváte?
Celé je to o tom, jaký balíček dat jste obdrželi a jak jste s ním naložili. Každý z nás pracuje s informacemi, které jsou nám dostupné, ale klíčová otázka zní: Jsou ta data úplná? Nebo jsou zkreslená, neúplná, nebo dokonce záměrně vynechaná?
(pozn: zkuste si někdy opravdu kriticky projít zdroje – noviny, média, videa a příspěvky, co to o vašem balíku dat říká, algoritmus to ví, ale víte to vy? Nejde zde o koťátka, lekci jógy, úpravy líčení nebo snad kde vylít beton…)
Je to velmi podobné tomu, jak funguje umělá inteligence (AI). AI zpracuje pouze to, co dostane, ale chybí jí širší kontext, hlubší pochopení, intuice a komplexnější vnímání reality. Stejně jako AI můžeme být i my omezeni tím, že pracujeme jen s tím, co máme k dispozici, aniž bychom si uvědomovali, co nám chybí.
Ale co když vám někdo záměrně neposkytl všechna data? Co když byla informace upravena, vynechána nebo zkreslena z nějakého důvodu?
To už se dostáváme k temným datům.
Představte si, že vám politik v roce 2025 řekne:
„Naše země opět vzkvétá!“
Jako důkaz vám ukáže růstový graf nízkého zadlužení státu ve srovnání s jinými zeměmi EU. Na první pohled vše vypadá skvěle, že? Ale co když v balíčku dat chybí další karty? Co když vám nikdo neukázal jiný graf, který popisuje například negativní vývoj ekonomiky, rostoucí chudobu nebo reálné dopady na běžné občany? A právě ta chybějící data – temná data – formují váš pohled na svět, aniž byste si to uvědomovali. A teď si zkuste položit další otázku:
„Co všechno mi ještě nebylo ukázáno?“
Temná data a naše vnímán
David J. Hand je významný britský statistik a ve své knize poměrně dost poctivě zkoumá koncept temných dat, myslí tím data, která jsou nekompletní, skrytá, zkreslená nebo zcela chybí. Jeho hlavním argumentem je, že největší nebezpečí ve vědě, rozhodování a analýzách často nespočívá v tom, co víme, ale v tom, co nevíme!
Hand nám ukazuje, že temná data mohou vést k vážným chybám v různých oblastech, od medicíny a ekonomiky po sociální vědy a politická nebo firemní rozhodnutí. Zároveň se věnuje způsobům, jak tyto neviditelné informace odhalit a jak s nimi efektivně pracovat.
David Hand myslí data, která můžeme rozdělit do těchto skupin:
Data, která nikdy nebyla zaznamenána
Například historické události, které nebyly dokumentovány, nebo biologická data, která nebyla v minulosti měřena kvůli technickým nebo jiným omezením.
Data, která byla smazána nebo ztracena
Vědecké výzkumy založené na historických datech mohou být neúplné kvůli špatné archivaci nebo záměrnému odstranění informací. Některé jsou cíleně ztracena.
Data, která jsou zkreslená výběrovou chybou
Typickým příkladem je tzv. survivorship bias – pokud studujeme úspěšné firmy, ale nebereme v úvahu ty, které zkrachovaly, naše závěry budou zkreslené. Vysvětlím níže.
Data skrytá z etických a politických důvodů
Například vládní utajované dokumenty nebo cenzurované informace ve vědeckých publikacích.
Data ovlivněná sebecenzurou
Například v sociologických průzkumech lidé často neříkají pravdu o svých názorech nebo chování, protože se bojí negativního hodnocení.
Naše kognitivní zkreslení
Survivorship bias je myšleno kognitivní zkreslení, při kterém se zaměřujeme pouze na úspěšné nebo přeživší subjekty, zatímco ignorujeme ty, které neuspěly, protože nejsou ve viditelném vzorku dat. To vede k chybným závěrům, protože nebereme v úvahu celý kontext.
Jak survivorship bias funguje?
Představme si, že chceme zjistit, co dělá firmy úspěšnými. Pokud analyzujeme jen ty podniky, které přežily několik let na trhu, třeba posledních 10 let a nebereme v úvahu tisíce těch, které zkrachovaly před deseti lety, můžeme dojít k zcela chybným závěrům. Například si můžeme myslet, že všechny úspěšné firmy dělaly X, i když ve skutečnosti firmy, které také dělaly X, ale selhaly, nejsou v našich datech zahrnuty.
Zde se vám snažím vysvětlit, že to platí pro všechno, s čím se jako lidé v rámci médií, politiky, ale i práce potkáváme. Doslova každý se nám snaží prodat jeho temná data, někdy to začne relativně zlehka, jen zamlčením několika detailů, ale někdy se dostaneme do takové situace, která může naše životy, firmy nebo rodiny zcela zasáhnout a pouze na základě temných dat.
Jak vnést světlo do temných dat
To, že Franta v hospodě říkal, noviny psaly, premiér na ČT tvrdil, EU se včera shodla, Evropa si celá myslí, majitel na poradě prohlásil nebo Mařenka v kiosku povídala, ještě neznamená, že na tom můžete postavit své hodnocení celé věci!
- Pokud chcete vytvořit opravdu relevantní analýzu, musíte do ní zahrnout co nejdelší časové období, co nejvíce vrstev pohledů a co nejširší spektrum zdrojů. Jinak se nevyhnete tomu, že se stanete obětí temných dat – nevidíte celý obraz, ale jen jeho část.
- Zamyslete se nad tím, co vám ve vzorku chybí. Nejen nad tím, co je viditelné, ale hlavně nad tím, co se do analýzy vůbec nedostalo. Co si myslíte, že zde není vidět, ale mělo by být?
- Vždy se snažte používat kompletní datové sady. Například pokud sledujete žebříček Forbes, uvědomte si, kolik lidí z něj už dnes zkrachovalo, ale přesto je média stále staví na piedestal – ne proto, že by byli stále úspěšní, ale proto, že mají „dosah“ jako osobnosti.
Ptejte se kriticky: Co nevidím? – To je nejjednodušší a nejúčinnější způsob, jak se vyhnout zkreslení a manipulaci.
Temná data ve firmách: Jak zkreslené informace ovlivňují podnikání
Nyní mě dovolte pohled nad mými klienty a jejich osudem v kontextu temných dat třeba z HR. Dovolím si vybrat pouze několik oblastí, ale snad vám to poslouží k tomu, pochopit tento širší koncept.
Objektivita v náboru zaměstnanců
Firmy a podniky se často spoléhají na různé metriky při náboru, jako je například vzdělání, zkušenosti nebo nějaké testy. Co když firma vybírá jen kandidáty podle úspěšných zaměstnanců v minulosti nebo toho komu svěřila svůj nábor, opakuje stále stejný vzorec výběru a přichází o jiné perspektivy. Také automatizované AI systémy pro nábor mohou vyloučit kandidáty na základě vzorců, které nejsou objektivní. Firma tak může neustále přehlížet talenty a potenciál a systematicky se oslabovat.
Produktivita zaměstnanců
Mnoho firem měří produktivitu kvantitativně (počet vyřízených úkolů, hodin strávených v práci, počet projektů v běhu, ale zcela chybí kontext. Co když zaměstnanec tráví čas mentoringem kolegů, ale tento přínos není v datech vidět – bude uznán později? Co když manažeři vidí jen výsledky práce „data“, ale neberou v úvahu kvalitu výstupů, stres a další kritéria? Data poskytující mechanický výkon mohou dovést firmu k vyšší fluktuaci a poklesu kreativity.
Fluktuace zaměstnanců
Když zaměstnanec odchází, pokročilejší firmy často shromažďují data z exit interview, ale kdo říká, že odcházející zaměstnanec skutečně uvede pravý důvod svého odchodu? Chybějící objektivní data o vnitřní nespokojenosti, frustraci a přetížení mohou znamenat, že firma nevidí varovné signály, dokud není pozdě. Jde zde o to, jak objektivní data se nám podařilo získat.
Angažovanost a loajalita zaměstnanců
Mnoho firem se stále spoléhá na dotazníky spokojenosti, hlavně je zajímá cena za dotazník, což mě vždy hodně pobaví, protože je to pro ně hlavní kritérium kvality. Jedna věc jsou data, druhá jak je zpracovat a třetí co s nimi, ale to se moc neřeší. Lidé často v dotaznících odpovídají tak, jak si myslí, že by měli správně odpovědět, nikoli podle skutečných pocitů.
Tato data jsou takové emoční momentky – shluky emocí, nikoli žádný dlouhodobý relevantní trend. Co pak taková neviditelná angažovanost, kdy se někteří zaměstnanci snaží firmě pomoci, ale jejich úsilí není nikde, nijak a nikým zaznamenáno. Z dotazníků si skutečně firma může mylně myslet, že zaměstnanci jsou spokojení, ale ve skutečnosti roste frustrace a demotivace.
Proč miluju svou práci
Mě neskutečně nabíjí pocit, že vnesu světlo tam, kam to data nikdy nedokážou. Temná data ve firmách nejsou jen nějakou akademickou teorií, ale naší dnešní realitou, která může vést k špatným rozhodnutím, pokud se neberou v úvahu chybějící informace. V každé oblasti života, práce nebo podnikání je důležité a o to víc ptát se:
Co nevidím? Co je skryto? Jaká data mi chybí? Co se do analýzy nedostalo? Proč tato data chybí? Jsou data všechna? – Co když jsme se mýlili? Co když některá data chyběla? Proč jsme se tak vlastně rozhodli? Co naše rozhodnutí ovlivnilo? Co? Proč? Jak?
Závěrem
Možná budete překvapeni. Možná s tím nebudete souhlasit. A to je v pořádku. Nebojte se mýlit – každý se někdy mýlí. Důležité je však mít odvahu o sobě pochybovat. Postavit se čelem vlastní neznalosti, omezenosti, sobeckosti a egoismu – a přiznat si, že pravda nemusí být vždy tam, kde si myslíme, že je! Asi to celé dnes zakončím citátem bývalého prezidenta Miloše Zemana, který dokonale vystihuje tuto situaci: „Jen idiot nemění své názory.“
