למי קראת משתמש?

הביטו סביבכם. אנחנו מוקפים במערכות שאנו משתמשים בהן באופן יום־יומי. האם המערכות מותאמות לנו המשתמשים?

מתכנני המערכות רוצים לתכנן מערכת יעילה וקלה לתפעול עבורנו, אבל פעם אחר פעם הם כושלים ודווקא מקשים על המשתמשים באינטראקציה שלהם עם המערכת.

ספר זה בא לתת לכם עצות והנחיות מעשיות כיצד להשתמש במערכות בצורה מיטבית ואיך לא ליפול לבורות שכָּרו עבורנו מתכנני המערכות או שאנחנו עצמנו כרינו מבלי דעת.

נלמד כי בכוחנו לזהות את המרכיבים המזיקים שהוכנסו למערכת שלא במכוון מתוך אמונה תמימה של המפתחים שהדבר ישרת את המשתמשים. נזהה דעות קדומות, ידע ואמונות שהושתלו בנו ומפריעים לנו להשתמש במערכת בצורה טובה, ונדע לשלוט בהם כך שיסייעו לנו להפיק את המיטב עבור חיים נוחים יותר.

ד"ר נירית גביש היא חוקרת ומרצה בעלת עשרות שנות ניסיון בתחומי הנדסת גורמי אנוש וחוויית המשתמש. נירית חברת סגל במכללה האקדמית להנדסה בראודה בכרמיאל ועמיתת הוראה בטכניון.

פרק 9.

מדוע אנשים חכמים מקבלים  החלטות טיפשיות?

תכננתי לצאת מהבית בשש בבוקר כדי להגיע לכנס הארגונומיה השנתי שבו הייתי צריכה להרצות. הכנס התחיל אומנם בתשע אבל היה לי חשוב להגיע מוקדם כדי לוודא שכל האנימציות המופלאות ששילבתי במצגת עובדות, שהסרטונים לא נתקעים ושהפונטים המיוחדים שבהם השתמשתי נראים היטב. כמו תמיד, הפעלתי את הווייז שבהתחלה היה אופטימי: שעת ההגעה המשוערת, כך בישר לי, היא 7:32. מצוין! חשבתי לעצמי, אספיק אפילו לשתות קפה ולאכול כריך, אולי גם לפטפט עם עמיתים שהגיעו לכנס.

עם הנסיעה הווייז התחיל להוסיף ולהוסיף עוד ועוד דקות לזמן ההגעה המשוער. 7:35, 7:42, 7:48, 8:12... היה ברור שמתחילים להיווצר פקקים בדרך. זה היה יום ראשון. נהייתי מודאגת. אולי אספיק להגיע בזמן ולטעון את המצגת, אבל בטוח שכבר לא אספיק לבדוק אם הכול עובד. אני שונאת את המבוכה הזאת כשמשהו נתקע באמצע ההצגה, ועכשיו נראה שיש סיכוי גבוה שזה יקרה לי.

כשהגעתי לנתניה הווייז עדכן את המסלול והמליץ לי להיכנס לעיר ולנסוע דרכה במקום להמשיך בכביש החוף. אם אקבל את ההמלצה הזאת, כך הודיע הווייז, זמן ההגעה המשוער שלי יהיה 8:45. ההצעה נראתה לי מוזרה מאוד. מה ההיגיון להיכנס לעיר פקוקה בבוקר ולעשות בה סיבוב במקום להמשיך ולהשתרך בכביש החוף? מה עוד שזמן ההגעה המשוער לא בישר טובות לגבי ההמלצה הזאת. כפי הנראה, כך חשבתי, הווייז טועה. אמשיך בדרך המוכרת לי.

ההחלטה הזאת הייתה החלטה אומללה. בכביש החוף הרכבים פשוט לא זזו. שעה ורבע עמדתי במקום. לאחר מכן התנועה התחילה לזרום ואז ראיתי מה גרם לבעיה – תאונת שרשרת שהתרחשה בכביש עשרה קילומטרים קדימה מהנקודה שבה עמדתי ולא יכולתי לראות אותה קודם. הנסיעה דרך נתניה אומנם הייתה כרוכה בפקקים המעצבנים של הבוקר, אבל האלטרנטיבה הייתה גרועה בהרבה. הגעתי לכנס ברגע האחרון, בשעה 8:56, קצרת נשימה ומתוחה.

האלגוריתם של הווייז מתוחכם מאוד ומבוסס על מידע שנקלט מהמוני משתמשים. איזו סיבה הייתה לי לא לסמוך עליו, גם אם ההמלצה שלו נראית תמוהה? אם אני מפשפשת בזיכרוני, בכל השנים הרבות שבהן אני נוהגת זכורים לי מקרים בודדים, אולי שניים או שלושה, שבהם החלטתי לא לקבל את ההמלצה של הווייז והגעתי בזמן מוקדם יותר מאשר הזמן על פי המסלול שהוא המליץ לי. שניים או שלושה מקרים לעומת אלפי נסיעות בעזרת הווייז – נראה שהתמונה ברורה. לכאורה ההחלטה הנבונה היא לסמוך על הווייז ולא על תחושת הבטן שלי.

מתברר שאני לא היחידה שמקבלת החלטות טיפשיות מסוג זה. הווייז הוא סוג של מערכת תומכת החלטה – מערכת שמייעצת לי איזה מסלול כדאי לי לבחור כדי להגיע בצורה המהירה ביותר אל מחוז חפצי. מחקרים רבים הראו שאנשים נוטים לא לסמוך באופן מלא על מערכות תומכות החלטה, גם אם האמינות שלהן גבוהה מאוד ויש להן סיכוי מצוין לתת להם המלצה טובה. ובכן, הסיבה לכך היא שמערכות אלו גם טועות לעיתים, אומנם לעיתים מאוד רחוקות, אבל קשה לאנשים לקבל מבחינה רגשית מאורעות נדירים כאלה של טעות המערכת ומה שנגרם בעקבותיה, למשל איחור לכנס חשוב. זה נתפס אצלם כהפסד, ואם הם אלו שגרמו להפסד במו ידיהם על ידי כך שנתנו אמון מלא במערכת, ההפסד צורב עוד יותר.

ההטיה הזאת שלא לסמוך באופן מלא על מערכת תומכת החלטה גם אם ההחלטה הנכונה היא לסמוך עליה, אינה נחלתם של אנשים חסרי השכלה בכלל או חסרי השכלה סטטיסטית בפרט. לכן היא גם מדאיגה. כיום קיימות מערכות תומכות החלטה שיכולות לייעץ למהנדסי תעשייה וניהול האחראים לייצור במפעל לגבי תוכנית הייצור האופטימלית שתוביל לרווחים הגבוהים ביותר. למהנדסי תעשייה וניהול יש השכלה סטטיסטית רחבה, לכן הם אמורים להבין שגם אם קיים סיכוי קטן שהמערכת תטעה, ההחלטה הרציונלית היא לסמוך עליה. אך האם הם אכן עושים זאת?

במחקר הדוקטורט שלי שנערך בטכניון בחנו את השאלה הזאת. בנינו סימולציה שבה מערכת תומכת החלטה נותנת המלצות והנבדק צריך להחליט באיזו מידה הוא נותן בהן אמון. הנבדקים היו יכולים לבחור רמת אמון בין 0% ל־100%, והנקודות שקיבלו בסימולציה היו מכפלה של הרווח בעקבות המלצת המערכת ברמת האמון. לדוגמה, אם הנבדקים נתנו רמת אמון של 50% והרווח היה 4 נקודות, הם צברו 2 נקודות. הם יכלו גם להפסיד נקודות, במקרה שהמלצת המערכת הובילה להפסד. לדוגמה, אם הנבדקים נתנו רמת אמון של 50% וההפסד היה 3 נקודות, הם הפסידו 1.5 נקודות.

המערכת במקרה הזה הייתה מערכת תומכת החלטה בעלת ביצועים טובים מאוד. הרווחים הצפויים למי שקיבל את המלצות המערכת התפלגו נורמלית עם תוחלת של 30 נקודות וסטיית תקן של 20 נקודות. למי שלא בקיא ברזי הסטטיסטיקה אסביר שהמשמעות היא שמי שנותן אמון מלא במערכת צפוי להרוויח בכל יום בממוצע 30 נקודות, אם כי יש סיכוי קטן שבחלק מהימים גם יפסיד נקודות. כמה קטן? בסימולציה שלנו, בשלושה מתוך חמישים ימים המלצות המערכת גרמו להפסד, אך הוא התבטא בנקודות בודדות.

הזמנו לניסוי שלנו עשרים סטודנטים מהטכניון, כ־80% מהם היו סטודנטים להנדסת תעשייה וניהול שלמדו קורס בסטטיסטיקה. זו אוכלוסייה שאמורה לבצע הערכות מתמטיות וסטטיסטיות ללא שום קושי ולקבל את ההחלטות הנכונות בעניין הסתמכות על מערכות תומכות החלטה. יותר מכך – זו בדיוק האוכלוסייה הפוטנציאלית שתשתמש במערכות תומכות החלטה בארגונים ובמפעלים, תקבל נתונים לגבי ביצועי המערכת ותצטרך להחליט עד כמה הארגון צריך להסתמך עליה.

ראשית, פנינו להיגיון של הנבדקים. הצגנו להם גרף שבו נראית ההתפלגות של ביצועי המערכת לאורך 100,000 ימים, זמן ארוך מספיק כדי להבין את המגמות. בגרף הזה נראית, כפי שתיארתי, התפלגות נורמלית בעלת תוחלת של 30 נקודות וסטיית תקן של 20 נקודות. לא זו בלבד אלא סיפקנו להם רמז עבה כפּיל שכיוון אותם לראות את התוחלת הגבוהה מאוד של 30 נקודות. אמרנו להם, "לדוגמה, עבור מאתיים ימים מתוך 100,000 ימים שבהם יושמה ההמלצה, הרווח היה 30 נקודות". מי שלא שם לב קודם לכן ל"ראש הגבעה" שהיה בתוחלת של 30 נקודות, בוודאי ישים לב לזה עכשיו, חשבנו לעצמנו.

אחרי שצפו בגרף ברוב עניין ביקשנו מהם לקבל החלטה: באיזו מידה הם נותנים אמון בהמלצת המערכת? כזכור, הם התבקשו לדרג את האמון בסקאלה שבין 0% ל־100%. הזכרנו להם שהרווח או ההפסד שלהם יהיה מכפלה של רמת האמון שלהם בתוצאה שתתקבל בעקבות יישום ההמלצה.

התוצאות הפתיעו גם אותנו. אומנם לא ציפינו שרמת האמון תהיה 100%, שזו ההחלטה הרציונלית, בוודאי עבור מהנדסי תעשייה וניהול לעתיד בעלי הבנה סטטיסטית, אך עדיין נדהמנו לגלות שרמת האמון הממוצעת הייתה רחוקה מאוד מ־100%. ליתר דיוק, היא הייתה 64.5%. רמת אמון כזו במערכת תומכת החלטה מצוינת מפספסת את התועלות שהמערכת יכולה לספק לארגונים, למפעלים, לחברות ולמוסדות ציבוריים.

אך לא אמרנו נואש. מחקרים רבים הראו שקיים הבדל בין קבלת החלטות על פי גרפים או תיאורים מילוליים ובין קבלת החלטות מתוך התנסות. לדוגמה, כשאנחנו מחליטים לקנות אזעקה לבית, אחד השיקולים שמפעיל אותנו הוא מידת היעילות של האזעקה במניעת פריצה לבתים. החברה שמתקינה את האזעקות יכולה לספק לנו נתונים סטטיסטיים שעל פיהם בבתים ללא אזעקות שיעור הפריצות היה בית אחד מתוך 10,000, ואם נתקין את האזעקה שיעור הפריצות יקטן מאוד לבית אחד מ־200,000. פריצה בסיכוי של 1 ל־10,000 אומנם לא נשמעת כמשהו שסביר מאוד שיקרה, אבל כשאנחנו חושבים על התכשיטים היקרים שסבתא הורישה לנו ועל הבלגן וההרס שישאירו הפורצים, אנחנו מתפתים לקנות את האזעקה ולצמצם למינימום את הסיכון לפריצה.

ומה קורה אחר כך, כשאנחנו מתקינים את האזעקה? בשבוע הראשון אנחנו מקפידים להפעיל אותה בכל פעם שאנחנו יוצאים מהבית, בשבוע השני אנחנו שוכחים להפעיל פעם אחת ובשובנו הביתה אנחנו מגלים שהכול בסדר ושאף אחד לא ניצל את ההזדמנות ולא פרץ לביתנו. בשבוע השלישי אנחנו כבר שוכחים להפעיל את האזעקה פעמיים. לאחר חודשיים אנחנו כבר מוותרים על הטרחה ורק כשאנחנו נוסעים לחופשה של שבוע בחו"ל אנחנו מקפידים שהאזעקה תפעל בהיעדרנו.

מה שהתרחש מבטא את ההבדל בין קבלת החלטות על פי תיאור וקבלת החלטות על פי התנסות. מה שהשפיע עלינו כשרכשנו את האזעקה היה התיאור – הסיכוי לפריצה לבית אם לא תהיה בו אזעקה. אנו "ניפחנו" את הסיכוי הקטן הזה מעבר לממדיו האמיתיים והוא נראה לנו עדיין נמוך, אך לא מבוטל. בדיוק באותו האופן "ניפחו" הנבדקים במחקר שלנו את הסיכוי הנמוך שהמערכת תומכת ההחלטה תגרום להפסדים, ולכן רמות האמון שלהם בה היו נמוכות למדי.

לאחר שרכשנו את האזעקה אנחנו חווים יום־יום מצבים שבהם אנחנו שוכחים להפעיל אותה, ובכל זאת לא פורצים לנו הביתה. לאט־לאט מצטברים המקרים ואנחנו מבינים שסיכון  של 1 ל־10,000 הוא ממש זעיר, ואולי לא כדאי בכלל להתחשב בו, אלא לחסוך את הטרחה שבהפעלת האזעקה. זוהי קבלת החלטות מתוך התנסות, שבה נוטים האנשים "לצמצם" בתודעה שלהם את הסיכויים הנמוכים.

במחקר שלנו הוספנו שלב שבו לאחר קבלת ההחלטות מתוך הגרף וההסברים, נתנו לאנשים להתנסות בתוצאות של החלטות המערכת. אמרנו להם שכעת הם מוזמנים לבחור חמישים פעמים את רמת האמון שלהם במערכת, להפעיל את הסימולציה ולראות מהם הרווחים או ההפסדים בעקבות המלצת המערכת, ומה יהיה הרווח או ההפסד האישי שלהם – סכום של כל המכפלות של רמת האמון ברווח או ההפסד בעקבות ההמלצה. לאחר מכן הם מוזמנים לקבל שוב החלטה לגבי רמת האמון שהם נותנים במערכת.

ואכן כפי שקיווינו שיקרה, רמת האמון הממוצעת לאחר ההתנסות עלתה באופן משמעותי ל־86%. זה אומנם משמח אבל רק חלקית, משתי סיבות חשובות. הסיבה הראשונה היא שרמת האמון עדיין רחוקה מזו האופטימלית, 100%, ולא נותרו לנו יותר רעיונות בקנה איך להעלות אותה עוד יותר. הסיבה השנייה היא שברוב המערכות תומכות ההחלטה אין מנגנון כזה של סימולציות התנסות לפני בחירת המשתמש אם לתת בהן אמון. המתכננים מסתמכים על כך שמקבלי ההחלטות הם מהנדסים בעלי ידע בסטטיסטיקה ומציגים להם את הנתונים לגבי אמינות המערכת בדמות גרפים, טבלאות ומספרים.

התוצאה היא שימוש מועט מדי במערכות תומכות החלטה טובות. אנשים חכמים, מנוסים ובעלי הבנה סטטיסטית מקבלים החלטות טיפשיות. ההחלטה שקיבלתי אני שלא להסתמך על המלצת הווייז אולי הייתה מצערת בשבילי, אך לא מעבר לכך. כשחושבים על המשמעות של ההחלטות שמקבלים אנשי מפתח בארגונים, שהן בעלות דפוס זהה לדפוס הזה, מצליחים להבין את גודל ההפסד והפספוס.

אז כיצד אנחנו המשתמשים יכולים להתגבר על הנטייה שלנו לסמוך מעט מדי על מערכות תומכות החלטה? כפי שהראינו במחקר, התנסות בתוצאות של קבלת ההחלטה יכולה לעזור לנו להבין שעלינו לסמוך יותר על המערכת. לא תמיד אנחנו זוכרים את המקרים שבהם השתמשנו בהמלצה של המערכת ואת התוצאה. אם כך, כדאי שנכתוב זאת לעצמנו, למשל "יום שלישי, שמונה בבוקר, הווייז המליץ לי על מסלול, קיבלתי את ההמלצה, הגעתי לעבודה בזמן סביר והקולגה שלי התלונן שנסע במסלול אחר ונתקע בפקק". כשאנחנו משקיעים מאמץ בלכתוב משהו, אנחנו זוכרים אותו טוב יותר אחר כך.

ומה לגבי מערכות שבהן נותנים לנו נתונים סטטיסטיים על אמינות ההחלטות של המערכת בצורת גרפים, מספרים וטבלאות? אנחנו יכולים לתרגם לעצמנו את הנתונים, למשל אם המידע הוא שהמערכת נותנת המלצה שעוזרת ב־99% מהמקרים, לדמיין לעצמנו 100 ימים שב־99 מהם אנחנו נהנים מההמלצה וביום אחד – לא. אם מתכנן המערכת לא מספק לנו סימולציות, אנחנו יכולים ליצור אותן לעצמנו ולהמחיש, ככל האפשר, כיצד המידע הסטטיסטי מיתרגם לחוויית היום־יום.