"Maar hij ziet er zo uit als een programmeur!"

De Base Rate Fallacy: die hardnekkige denkfout waarbij we specifieke informatie belangrijker vinden dan statistieken. Deze bias zorgt ervoor dat we denken dat die stille collega vast nerdy IT'er is, terwijl er statistisch gezien veel meer stille verkopers rondlopen; zelfs als we stiekem ook wel weten dat niet elke introvert achter een computer pizza zit te snacken.

Want ja, toegeven dat onze eerste indrukken vaak nergens op slaan, dat doen we natuurlijk liever niet.

Waar deze bias voorkomt

Je ziet het overal terug op de werkvloer. Daar zie je recruiters die zweren dat ze "het gewoon zien" aan iemand ("ja hoor: Typische accountant!"), managers die bij een fout meteen naar de jongste medewerker wijzen ("Gen Z kan niet plannen!"), en bedrijven die claimen het beste stagebedrijf te zijn omdat die ene enthousiaste stagiair, toevallig de zoon van de marketingmanager, zo'n lovende evaluatie schreef. En dan hebben we het nog niet eens over die organisaties die hun hele stagebeleid baseren op die ene succesvolle stagiair van drie jaar geleden, terwijl de andere twintig allang teleurgesteld zijn vertrokken. Het lijkt er sterk op dat, ongeacht hoeveel data we hebben, we altijd afgaan op dat ene specifieke detail dat ons opvalt.

Individuele effecten

Deze vertekende kijk zorgt ervoor dat we verkeerde kansen inschatten; die oh-zo-menselijke neiging om het bijzondere zwaarder te laten wegen dan het algemene. Of het nu je beleggingsadviseur is die zegt dat "deze aandelen anders zijn", of je collega die zweert dat haar neefje de uitzondering is op de regel; we laten ons leiden door verhalen in plaats van statistieken. Door dit effect maken we keuzes op basis van anekdotes, en dat kan ons financieel of recruitmenttechnisch een flinke kater opleveren. Al voelt het kiezen op basis van gevoel zoveel natuurlijker dan het volgen van saaie cijfers.

Bedrijfsbrede en maatschappelijke effecten

In bedrijven leidt dit tot kostbare misrekeningen waarbij iedereen denkt dat hun specifieke situatie de uitzondering is. De "wij zijn het beste leerbedrijf"-managers negeren dat 80% van hun stagiairs voortijdig vertrekt, omdat die ene stagiair (de dochter van een belangrijke klant) zo'n mooi eindverslag schreef. Die "bij ons werkt dat niet"-teams weigeren bewezen methodes, terwij ze gevangen zitten in hun eigen tunnelvisie. Allebei voorbeelden van dit soort mentale bermbommen. Dit soort verkeerde inschattingen kan organisaties miljoenen kosten. Kijk maar naar al die bedrijven die denken dat ze een geweldige werkgever zijn omdat hun exit-interviews toevallig alleen worden ingevuld door de mensen die het minst kritisch zijn. Of neem die stagecoördinatoren die hun beleid baseren op feedback van die ene supervrijwillige stagiair die alles zelf regelde, terwijl de stille meerderheid met heel andere ervaringen zit en soms wél een vraag wil stellen.

En laten we niet vergeten hoe organisaties die één positief krantenartikel over hun stageprogramma koesteren, de stapel klachten bij de onderwijsinstelling negeren.

Hoe je dit effect kunt benutten

Oké, soms is het handig om in marketing juist die ene getuigenis uit te lichten; wie wordt nou niet overtuigd door dat ene superverhaal van die klant? En soms werken specifieke voorbeelden nu eenmaal beter dan droge statistieken om je punt te maken. Maar pas op, want te veel vertrouwen op uitzonderingen kan je blind maken voor wat echt werkt voor de meerderheid van je klanten. Waar je naar streeft is dat statistisch gezien de meeste studenten jouw bedrijf als geweldig ervaren, zodat jij die unieke uitzondering bent waar iedereen het over heeft. Dan is niet die ene student jouw strohalm in jouw employer branding verhaal, maar ben jij die unieke organisatie voor stagiairs die écht een topervaring zoeken.

Hoe je het kunt vermijden

We moeten kritisch blijven kijken naar onze aannames en de cijfers onder ogen zien. Dat betekent dat we ons realiseren dat die ene ervaring niet representatief is voor het geheel. En hé, misschien moeten we eens wat vaker naar de data kijken in plaats van af te gaan op ons onderbuikgevoel. Dat is lastig; jouw intuïtie heeft je immers al zo vaak geholpen (toch?). Maar die specifieke voorbeelden die gisteren indruk maakten, leiden morgen misschien tot een dure vergissing.

3 Gouden tips

1. Denk eraan: die perfecte match voor de functie op basis van uitstraling bestaat vooral in je hoofd; kijk naar de cijfers over succesvolle stagiairs, gebruik structurele wervingsmethodieken, standaardiseer. Denk niet ‘ik heb 20 jaar ervaring, ik weet precies wie we nodig hebben’.

2. Gebruik verhalen als illustratie, niet als bewijs. Vraag altijd naar de data, check de percentages, zoek naar wat écht voorspellend is.

3. Sta open voor tegenintuïtieve conclusies, zelfs als dat betekent dat je moet toegeven dat je vooroordelen onzin zijn. Want zeg nou zelf, wie gelooft er nu echt dat je iemands competentie kunt zien aan hun outfit? Vraag bijvoorbeeld wat de daadwerkelijke slagingspercentages zijn. Niet wat jouw gevoel zegt.

Achtergrond

Deze bias is uitgebreid onderzocht door Nobelprijswinnaar Daniel Kahneman en zijn collega Amos Tversky in de jaren '70. Zij ontdekten dat mensen systematisch statistische informatie negeren ten faveure van specifieke details. Hun beroemde "Tom W." experiment liet zien hoe mensen dachten dat een verlegen student vast informatica studeerde, terwijl er gewoon veel meer verlegen studenten in andere, grotere studierichtingen zaten. Later vulde Maya Bar-Hillel hun werk aan door te laten zien dat we specifieke informatie als "relevanter" ervaren, ook al is dat objectief gezien onzin. Omdat het zo mooi illustreert waar het over gaat hier in het kort:

Stel je voor dat er in een stad 1000 taxi's rondrijden. Dan zijn er 850 blauwe taxi's (85%) en 150 groene taxi's (15%).

Nu gebeurt er een ongeluk en een getuige zegt dat het een groene taxi was. Maar we weten dat deze getuige 80% van de tijd correct is en 20% van de tijd de verkeerde kleur noemt.

Van de 150 groene taxi's zal de getuige er 120 correct als groen identificeren (80% van 150). Van de 850 blauwe taxi's zal de getuige er 170 ten onrechte als groen aanwijzen (20% van 850). In totaal wijst de getuige dus 290 taxi's aan als groen (120 + 170), maar slechts 120 daarvan zijn werkelijk groen.

De kans dat een taxi die door de getuige als groen wordt geïdentificeerd ook daadwerkelijk groen is, is dus 120 gedeeld door 290, wat ongeveer 41% is. De base rate fallacy zorgt ervoor dat mensen dit basispercentage van 15% groene taxi's over het hoofd zien en zich alleen focussen op de 80% betrouwbaarheid van de getuige, waardoor ze ten onrechte concluderen dat de kans 80% is.

Het gevolg is dat in rechtszaken, medische diagnoses en andere belangrijke beslissingen mensen systematisch verkeerde conclusies trekken doordat ze zeldzame gebeurtenissen overschatten wanneer er een positieve test of getuigenis is.

Bij werving van stagiairs kan dit betekenen dat recruiters te veel waarde hechten aan een goede eerste indruk of een sterke motivatiebrief, terwijl ze vergeten dat het basispercentage van daadwerkelijk geschikte kandidaten veel lager kan zijn dan hun intuïtieve inschatting.