คนที่ทำงานกับตัวเลข ไม่ว่าจะเป็น วิศวกร นักสถิติ มักจะผ่านเรื่อง accuracy vs precision ในระหว่างเรียนละในวิชาชีพมาเกือบทั้งนั้น แต่ที่น่าสนใจคือ ความรู้เรื่องนี้ไม่ได้เป็นเพียงเรื่องของตัวเลขเพียงอย่างเดียว หากเป็นเรื่องที่เอาแนวคิดไปใช้ในการมองโลกและดำเนินชีวิตได้ด้วย
Accuracy คือ การบรรลุในสิ่งที่ต้องการ เช่น หากเรายิงธนู แล้วธนูไปตกตรงกลางเป้า ก็ถือว่ามี accuracy สูง คือ ยิ่งแม่นมาก ส่วน precision นั้น หมายถึง เมื่อเรายิงธนูออกไป แล้วลูกธนูทั้งหมดไปเกาะกลุ่มเบียดกันแน่น ก็ถือว่ามี precision สูง หรือยิงได้เป๊ะมาก นั่นคือ ยิงออกไปกี่ที ลูกธนูก็ไปปักที่เดิม
ยิ่งประเภทยิงลูกธนูไปเสียบผ่าลูกธนูที่ปักอยู่แล้วได้ ยิ่งถือว่า precision นั้นสุดๆ คือ 100%
คุณสมบัติของ ความเป็น precision คือ repeatability หรือ ความสามารถที่จะทำซ้ำๆแบบเดิม ด้วยวิธีเดิม แล้วยังได้ผลเหมือนเดิม ส่วนคุณสมบัติอีกประการคือ reproducibility อันหมายถึง คนไหนก็ตามมาทำซ้ำก็ยังได้ผลเท่าเดิม เช่น ไม่ว่าใครก็ตามมาใช้ตาชั่งเครื่องนั้นวัดน้ำหนัก ก็ให้ผลตรงกัน
ทั้ง accuracy และ precision ดูคล้ายกันมาก แต่ต่างตรงที่ว่า ลูกธนูทั้งหมดที่ถูกยิงออกไปเกาะกลุ่มเบียดกันราวจะเป็นจุดเดียวกันนั้น อาจไม่อยู่ตรงกลางเป้าเลยก็ได้ เช่น อาจจะไปปักรวมกันอยู่ชายขอบหรือนอกเป้า
ซึ่งถ้าเป็นแบบนั้น ก็ถือว่า มี precision ระดับเทพ แต่ไม่มีมี accuracy เอาเสียเลย ถ้าเป็นการแข่งขัน นักยิงธนูผู้มีความสามารถพิเศษนี้กลับจะได้คะแนนต่ำ หรือถ้าหากลูกธนูทั้งหมดวิ่งไปปักนอกเป้าที่เป็นพื้นที่กระดาษเปล่า ก็จะไม่ได้คะแนนเลยสักคะแนนเดียว
เช่นเดียวที่ทำงานทั่วไป ที่มองว่าหากคนใดเก่งกาจสามารถ แต่เก่งผิดที่ อยู่ผิดวงการ ผิดงาน ก็ไม่ค่อยจะมีใครให้ความสำคัญ อย่างมากอาจจะดูดีนอกงาน แต่ในงานไม่ได้ถูกโปรโมท และอนาคตไม่ไปไหน เสมือนดังคนที่ยิงธนูเสียบกันอาจเป็นที่ฮือฮา ใครๆก็อยากถ่ายรูปลูกธนูเสียบกันไปโพส แต่ยังไงเจ้าตัวก็ต้องออกจากการแข่งขัน พ่ายแพ้
หลายต่อหลายคน หรือหลาย project มุ่งไปที่ precision อย่างเอาเป็นเอาตาย โดยเข้าใจไปว่า นั่นคือปลายทางสุดท้ายที่ถ้าไปถึงแล้วจบ ตัวอย่างคลาสสิคที่เห็นจนเบื่อคือ IT project ที่มีการ test แล้ว test อีก แก้ไขหลายรอบ เพื่อมั่นใจว่าระบบ generate ผลลัพธ์ที่ถูกต้อง หมด resource ไปมากมาย เอาเวลาประจำของพนักงานไปมหาศาล แต่พอเสร็จแล้ว กลับไม่มีใครใช้
เพราะ ต่อให้ผลที่ได้เป็นระบบที่สามารถเชื่อถือได้อย่างดีเลิศ แต่เอาเข้าจริงแล้ว “solution” ที่ว่านั้น ไม่ได้ตอบโจทย์ในโลกเป็นจริง ไม่ว่าจะเป็น data input ที่หลายคนแคลงใจมาแต่แรกแต่ไม่กล้าทัก หรือการวาง assumption ที่ไม่สอดคล้องกับความจริง หรือ ระบบใช้ทฤษฎีซับซ้อนเกินความจำเป็น จนตัวแปรบางตัวต้อง make ขึ้นมาเองเพื่อให้ run แล้วไม่ error สารพัดสาเหตุที่เห็นๆกัน
เมื่อเป็นอย่างนี้ ก็เลยไม่มีใครกล้าเอา output ไปใช้ตัดสินใจ หรือแม้กระทั่ง ใช้เพื่อประกอบการตัดสินใจก็ไม่กล้า เลยทำให้ระบบนั้นไม่สามารถแก้ pain point ทางธุรกิจอะไรได้ นอกจากคิดเลขยากๆโชว์เท่านั้น เรียกได้ว่า project นี้ มี precision เป๊ะ แต่ ไม่มี accuracy เอาเสียเลย เพราะทำเสร็จแล้วทิ้ง
ในทางตรงข้าม คนที่ยิงธนู ไม่เกาะกลุ่มกันแน่นเอี้ยด หากลูกธนูวิ่งไปปักที่เป้าเป็นวงกว้างสะเปะสะปะ แต่โชคดี มีบางลูกวิ่งไปปักใจกลางเป้า ก็ถือว่าได้คะแนนเต็มจากลูกธนูเหล่านั้นไป และเมื่อรวมคะแนนแล้ว ก็อาจจะได้คะแนนมากกว่าคนที่ยิงด้วย precision สูงอย่างขาดลอยก็ได้
ดังเช่น คนบางคน ไม่ได้มีความสามารถอะไรมาก ไม่ได้เก่งพิเศษ แต่มาถูกทาง ถูกจังหวะ ถูกงาน ก็สามารถไปได้ดี เป็นที่ต้องการขององค์กรหรือลูกค้า เพราะความสามารถที่แม้จะไม่มากนั้น สามารถสนองความต้องการขณะนั้นได้พอดี
และนั่นเป็นที่มาว่า ทำไมคนบางคน ดูเหมือนไม่มีอะไรพิเศษ ถึงไปล้ำหน้ากว่าคนเก่งไปได้
แต่นักธนูที่ชนะใน match แรก เพราะบางลูกโชคดีวิ่งปักตรงกลางเป้า จะสามารถโชคดีได้ซ้ำๆในรอบต่อไปอีกเรื่อยๆได้หรือไม่?
ในคณิตศาสตร์ว่าด้วย law of regression to the mean บอกว่า การ observe ใดๆควรจะทำหลายๆครั้ง เพราะผลที่ได้ขณะนั้น อาจไม่ได้เป็นตัวแทนของผลที่แท้จริง หรือพูดง่ายๆก็คือ ฟลุ้ค หากลองทำใหม่หลายหน ความเป็นตัวตนที่แท้จริงก็จะปรากฏ ด้วยผลลัพธ์เฉลี่ยที่ได้ หรือ “regress to the mean” ซึ่งเป็นไปได้ว่า อาจแตกต่างอย่างมากมายจากผลที่ปรากฏในครั้งแรกๆ สิ่งที่เคยคิดว่าดีเลิศอาจไม่ใช่
นั่นหมายความว่า นานวันเข้า เจ้านายและลูกค้า ก็อาจค้นพบว่า ที่ว่าเก่งสุดยอดนั้น เอาเข้าจริงก็ไม่ถึงกับอย่างนั้น เป็นเรื่องเผอิญหรือโชค หรือเพราะอะไรก็แล้วแต่ มากกว่า
แต่ก็เป็นไปได้อีกว่า คนที่ low precision และ so-so accuracy แต่ “มาถูกทาง” ก็อาจใช้อีกกฏทางคณิตศาสตร์ว่าด้วย “law of the large numbers” นั่นคือ ถ้าหากทำซ้ำบ่อยๆ ก็จะมีผลลัพธ์ที่ไม่ธรรมดาอาจปรากฏให้เห็น เช่น หากโยนเหรียญหัวก้อยมากๆครั้ง เราอาจเจอเหตุการณ์ที่เหรียญออกหัวติดๆกันหลายครั้ง หรือออกหัวสลับก้อยหลายครั้งติดกันก็ได้ ไม่ใช่เรื่องประหลาดแต่อย่างใด
นั่นก็คือ ถ้านักธนูนี้ยิงให้มากๆๆครั้ง โอกาสที่จะมีลูกตกกลางเป้าก็ย่อมมากขึ้นเป็นธรรมดา หากนับคะแนนสะสมรวมกันก็จะได้คะแนนมาก ดูเป็นนักแม่นธนูมีฝีมือขึ้นมาทันที แต่แน่นอนว่า ในการแข่งขันจริง ไม่มีใครสามารถยิงได้มากรอบกว่าใคร โอกาสแบบนี้จึงไม่เกิดขึ้น
แต่ในชีวิตจริง คนที่ low precison และ so-so accuracy สามารถใช้ law of the large numbers ได้ ซึ่งก็คือ “ขยันให้มากกว่าคนอื่น” เยี่ยมลูกค้ามากรายกว่าคนอื่น รับเคสลูกค้ามากกว่า ลองผิดลองถูกมากกว่า โอกาสที่จะสำเร็จก็จะมากกว่าตามมา เป็นการเปลี่ยนจาก so-so accuracy สู่ more and more accuracy
อีกทั้งอาจได้ประโยชน์จากธรรมชาติของ positive feedback loop คือ หากเคสแรกทำได้สำเร็จ เคสต่อๆมากจะง่ายขึ้น เช่น เกิดการให้การสนับสนุนมากขึ้น หากผิดพลาด คนก็ให้อภัยมากขึ้น ไม่ติดใจ เพราะสังคมเกิดความ bias ไป focus ที่ความสำเร็จมากกว่าเสียแล้ว และที่สำคัญ เมื่อสะสมประสบการณ์บน learning curve ได้ถึงจุดหนึ่ง ก็อาจจะเก่งกาจขึ้นมาจริงๆ คราวนี้เป็นทั้ง high precision - high accuracy ผงาดอย่างของแท้
แต่ก็ต้องพึงระลึกว่า ในทางตรงข้าม การขยันมากๆก็ทำให้เจอเคสที่พลาดได้เช่นกัน เพราะสำหรับ law of the large numbers แล้ว คนที่คุ้นกับ distribution graph รูประฆังคว่ำสมัยเรียนหนังสือ ย่อมรู้ดีว่า กราฟนั้นมีปลายสองด้านที่ตรงข้ามกัน คือมีโอกาสทั้งได้และเสีย ดังนั้น ก็คงต้องหวังว่า ทำให้ได้มากกว่าเสีย และทำให้ผลที่ได้ มี impact มากพอที่จะหักกลบ ลบล้างความพลาด (ถ้ามี)
ส่วนคนที่ high precision - low accuracy หรือ “เก่งผิดที่” นั้น อาจจะหมดกำลังใจไปแต่แรก โดยเฉพาะคนที่เก่งแล้วแพ้ ย่อมจะรู้สึกเจ็บปวดผิดหวังมากกว่าคนที่ไม่เก่ง กลายเป็นว่า ศักยภาพที่มีอยู่มากมายนั้น ไม่ได้นำออกมาใช้ให้เป็นประโยชน์ คนที่มีความสามารถหลายคน พบกับปัญหาเช่นนี้ เลิกล้มความฝันเดิมที่มีไปเลย หันมาใช้ชีวิตแบบไปเรื่อยๆ
ของระดับ premium เลยกลายเป็นของ discount หรือ commodities ไปอย่างน่าเสียดาย
เป็นธรรมดาอยู่เอง ที่โลกมักจะให้ความสำคัญกับ “คนไม่เก่งแต่มาถูกทาง” มากกว่า “คนที่เก่งผิดทาง” เพราะ ไม่ว่าอย่างไรก็ตาม สิ่งสุดท้ายที่ใครๆต้องการคือ accuracy ไม่ใช่ precision
ธรรมชาติของคณิตศาสตร์ว่าด้วยโอกาสอย่าง random walk บอกว่า หากเพิ่มโอกาสสำเร็จ หรือเพิ่ม accuracy มากขึ้นเพียงเล็กน้อย ผลตอบแทน หรือ return ที่ได้จะเพิ่มมากกว่าสัดส่วนนั้นขึ้นไปอีก เช่น หาก accuracy เพิ่มขึ้นเพียง 10% (เช่นจาก 65% เป็น 75%) ทำให้ return เพิ่มขึ้นถึง 40% - ซึ่งหมายถึงความสำคัญยิ่งของ accuracy
ส่วน precision จะเป็นที่ต้องการก็ต่อเมื่อมันสามารถนำพาไปสู่ความ accuracy ได้เท่านั้น หน้าที่ของ precision ที่จริงมีแค่นั้นเอง หาก precision นั้น ทำหน้าที่นี้ไม่ได้ ก็ไม่มีประโยชน์ในเรื่องนั้นๆ
แต่เป็นไปได้ว่า อาจจะมีประโยชน์อย่างมหาศาลในเรื่องอื่น
Jonathan Ive นักออกแบบตัวหลักของ Apple อยู่ในสถานภาพ high precision - high accuracy มานาน แต่เมื่อเขารู้ว่า Apple กำลังจะเปลี่ยนยุคสมัยจากบริษัทขาย hardware เป็น ผู้ขายบริการ เขาก็ไม่ต้องการอยู่ในสภาพ high precision- low accuracy ปล่อยให้ตัวเองลดความสำคัญลงเรื่อยๆ จน “เสียของ” Ive จึงลาออกจาก Apple มาตั้งธุรกิจเอง
ทางรอดหลักของคน high precision - low accuracy (หรือกลัวว่าต่อไปจะเป็น low accuracy) ย่อมไม่ใช่พยายามให้มากขึ้นในเรื่องเดิม ความขยันที่เดิมไม่ได้นำพาไปสู่ทางออก แต่กลับจะยิ่งทำให้เสียเวลาอยู่กับที่ เพราะในเคสนี้เป็นเรื่องของ no-win scenario
ทางออกที่เป็นไปได้คือ เปลี่ยนเกม เปลี่ยนสภาพแวดล้อมให้เชื่อมต่อกับคนที่เห็นคุณค่าของเรา เปลี่ยน network ใหม่ เพื่อให้ “เก่งถูกที่”
อะไรจะเกิดขึ้น ถ้าหากนักธนูจอม precision นั้น ปรับศูนย์เล็งเสียใหม่ในการแข่งขันครั้งต่อไป เพียงแต่เลื่อนปรับศูนย์เล็งบนรางที่ติดกับคันธนูไปเพียงไม่กี่มิลลิเมตรเท่านั้น กลุ่มลูกธนูที่ถูกยิงออกไปด้วยความ precision สูงนั้น ก็จะย้ายกลุ่มไปตกลงรวมกันกลางเป้าพอดี เป็นการได้ทั้ง precision และ accuracy อันเป็นสภาพในอุดมคติหรือ ideal
หากเป็นเช่นนั้น นักธนูที่ low precision แต่โชคดี ก็อาจพ่ายแพ้ในฉับพลัน
ในชีวิตจริงก็เช่นกัน
