Mätbias

Att hantera databias

Konstantinos Kattidis

Data Analytics Lead

Att förstå mätbias

Det uppstår när mätmetoden introducerar snedvridningar eller vilseledande resultat

Vanliga typer av bias:

Person som mäter ett stapeldiagram

Det uppstår när verktygen som används för att mäta variabler, som enkäter eller analysprogramvara, introducerar felaktigheter

Till exempel:
- Analysprogramvara som inte korrekt fångar upp vissa användarbeteenden eller attribut
- Dåligt utformade enkätfrågor som ger snedvridna svar hos respondenterna

Personer som genomför en enkät och mäter

Det är den systematiska skillnaden mellan det som observeras på grund av variation hos observatörer och det verkliga värdet

Det uppstår när datainsamlare tar med sig egna fördomar eller förväntningar in i analysen
Till exempel:
- Forskare som observerar klassrumsbeteende men har förutfattade meningar om vad som utgör "engagemang"
- Personliga fördomar vid prestationsutvärderingar

Person som observerar en medarbetares prestation

Personer som minns tillbaka

Det uppstår när deltagare felaktigt minns tidigare händelser eller upplevelser, vilket påverkar dataens tillförlitlighet

Det är vanligt när kunder ger feedback på tidigare upplevelser eller preferenser
Det kan bero på faktorer som minnesförfall eller yttre påverkan

Två personer som söker social önskvärdhet

Det uppstår när respondenter ger svar de tror är socialt acceptabla eller önskvärda, snarare än sanningsenliga svar

I kundnöjdhetsundersökningar kan respondenter överdriva positiva upplevelser för att undvika att verka kritiska
I medarbetarenkäter kan respondenter höja sina betyg för att bevara en god bild av sig själva i organisationen

Flöde med felaktiga indata och utdata

Att hantera databias