Управление на основе данных. Как интерпретировать цифры и принимать качественные решения в бизнесе Филлипс Тим

14. Метод опережающей индикации

Нам не дано знать будущее, но можно в любом случае постараться его предугадать.

Можно подумать, что лидерами становятся люди, добивающиеся наибольших успехов; тем не менее статистика говорит, что нередко мы считаем лидерами людей, которые просто уверены в своем мнении, потому что большинство принимают эту уверенность за опыт. Даниэль Канеман[13], которому в 2002 году была присуждена Нобелевская премия за работу о том, как люди принимают (ошибочные) решения, предупреждает о том, что «эксперты не знают точно, где граница их профессионального опыта… Лидерство в нашем понимании ассоциируется с решительностью. Подобное представление о роли лидера вынуждает людей принимать решения довольно быстро… Мы очень хотим следовать за теми, кто знает, что делает, и кому не нужно долго над этим раздумывать».

Мы отдаем предпочтение авантюристам, которым повезло. По словам Канемана, «некоторые завоевывают репутацию успешных людей, хотя фактически все, что они сделали, – это рискнули в ситуации, в которой ни один здравомыслящий человек не пошел бы на риск». Или, как сформулировал это бизнес-гуру Томас Питерс[14]: «У хороших руководителей всегда перекос в сторону действий».

Проблема ли это? Да, поскольку у перекоса в сторону действий есть обратная сторона: недостаточное внимание к анализу информации. Мы склонны доверять руководителю, уверенному в своих действиях, менее склонны задавать вопросы и поэтому меньше полагаемся на собственные наблюдения или полученные данные, когда прогнозируем будущее.

Конечно, с будущим свои сложности. Оно еще не наступило, а значит, мы всегда обречены лишь выдвигать догадки. Прогнозирование становится важной частью бизнес-процесса, поскольку инвестиции, необходимые для того, чтобы изменение внешних условий привело к развитию бизнеса, бывают более эффективными, если предвосхищают события, а не следуют за ними. Трекинговые исследования и дэшборды – это все замечательно, но они не скажут вам, что делать дальше.

Недостаток данных в процессе прогнозирования стимулирует перекос в сторону действий со всеми вытекающими минусами, о которых предупреждает Канеман. Как же научиться строить более качественные прогнозы?

Начнем с того, что делать это идеально попросту невозможно. Ошибки будут всегда. Как подметил в 1966 году экономист Пол Самуэльсон[15]: «Фондовый рынок предсказал девять из последних пяти рецессий».

Во-вторых, существует множество способов строить прогнозы.

Анализ трендов, то есть прогнозирование на основе прошлой деятельности, – весьма практичный метод, и им можно воспользоваться. Его недостаток заключается в предположении, что исходные условия остаются такими же. Самым важным для определения будущих действий нередко бывает прогноз, что что-то скоро изменится. Анализ тенденций изменений в этом отношении самый слабый из методов.

В основе предсказательной аналитики (которая опирается на большие данные) лежит использование сложных математических моделей. Этот метод очень эффективен, но требует финансовых вложений (и наличия большого массива данных).

Можно прислушаться к общему мнению экспертов, например отчеты группы финансовых аналитиков о том, следует ли продавать, покупать или держать акции, объединяют знания и опыт специалистов. К недостаткам этого метода можно отнести то, что эксперты располагают одинаковыми данными и у них может проявиться тенденция коллективного мышления.

Прогнозный рынок – штука увлекательная, но редкая. Если бы все сотрудники вашей компании могли сделать ставку на какое-то событие, его срок и потенциальную стоимость, на что именно они бы поставили и сколько? Прогнозный рынок, как букмекерские коэффициенты, объединяет все эти ставки. Например, электоральные прогнозные рынки нередко бывают эффективнее мнения экспертов, потому что те, кто знает мало, делают маленькие ставки. Фьючерсные рынки (и в ограниченной степени фондовый рынок) представляют собой прогнозные рынки.

Тем не менее есть неоспоримое преимущество в том, чтобы иметь группу сильных аналитиков, составляющих прогнозы, а не просто чуть чаще угадывать правильные ответы. Это позволяет определить направление для развития бизнеса. Этот метод активно применяется национальными центральными банками и называется опережающей индикацией. Например, когда Английский банк методом опережающей индикации делает прогноз по уровню процентных ставок (на самом деле это просто заумный термин, чтобы сказать населению, что, по мнению центробанка, будет происходить в экономике и как он собирается на это реагировать), люди могут с большей степенью уверенности делать инвестиции; это, в свою очередь, помогает формированию тех спокойных и стабильных условий, в которых прогноз центробанка имеет больше шансов реализоваться. То же самое применимо и в отношении ведения бизнеса: если руководитель компании в состоянии делать точные прогнозы торговой конъюнктуры и влияния собственной стратегии, это означает, что он в большей степени полагается на эффективность своего долгосрочного планирования. Это дает ему уверенность излагать свои планы сотрудникам компании, что помогает тем, в свою очередь, принимать более эффективные и быстрые тактические решения. В результате этого создаются условия, в которых есть все шансы сбыться долгосрочным прогнозам руководителя. Если этот механизм запущен правильно, он открывает для компании настоящую полосу везения. Главное – тщательная подготовка изначальных прогнозов, которые должны вдохновлять сотрудников.

Правильные прогнозы помогают им сфокусироваться на главном. Например, уверенный прогноз, что определенный рынок или клиент станет источником роста прибыли компании на 352 %, помогает создать «самосбывающееся пророчество».

Разумеется, всегда есть риск ошибки. Поэтому критически важным в процессе прогнозирования будет фиксирование и понимание ошибок и неточностей. Об этом и пойдет речь дальше.

15. Что может пойти не так?

Чтобы прогнозировать, что может пойти не так или, наоборот, сложиться наилучшим образом, можно представить, что проект провалился. В таком случае руководитель анализирует причины воображаемого провала, оценивает потенциальные риски и угрозы и решает, какие меры можно предпринять.

Известный бизнес-тренер финансовых трейдеров Даг Хиршхорн говорит, что даже люди, ежедневно идущие на риск, не справляются с этим базовым методом анализа. Во время обучения он предлагал трейдерам гипотетическое пари, вероятность выигрыша в котором всегда составляет 95 %. Вы бы согласились на такое пари? 19 из 20 человек сразу же говорят «да». И лишь один задумчиво интересуется: «А что будет, если я проиграю?»

«Людей не интересует, как устранить неполадку в том, что пока еще работает, – говорит Даг Хиршхорн. – Их интересует, как они на этом могут заработать».

Возможно, вам знакома следующая ситуация: пик энтузиазма по проекту обычно наблюдается после первого обсуждения. Вы установили цели, сформулировали идею, может быть, даже наметили путь, как воплотить амбициозную цель в жизнь. У вас есть понимание, сколько времени и какие ресурсы вам потребуются. Это очень волнующий момент. Вы обсуждаете с коллегами, как можно добиться вашей цели.

Вы проводите полевые исследования. Находите данные по объему рынка, получаете отзывы поставщиков. Проводите оценку того, сколько времени на это уйдет. Составляете огромную таблицу со всеми показателями. Готовите презентацию со всеми этими цифрами и специальным слайдом в конце, где показано, сколько денег вы сэкономите или сколько новых клиентов приобретете.

Все это, вероятно, очень полезно, но это лишь половина истории, ее описательная часть, а не анализ. Для адекватной оценки необходимо изучить вероятность того, что что-то может пойти не так, и к каким последствиям это может привести. Справиться с этим нередко бывает непросто, так как на стадии планирования фокус проекта сосредоточен на достижении успеха. Кроме того, мало кому хочется выступать в роли брюзги, который все портит.

Психолог Гэри Клейн придумал собственную технику для повышения качества анализа: «В случае провала проекта, как правило, обсуждают, почему все пошло не так и какие уроки из этого можно извлечь, – как посмертное вскрытие. Почему бы не делать то же самое, только в начале? Еще до запуска проекта можно заявить: “Мы смотрим в хрустальный шар и видим, что наш проект потерпел провал. А теперь все быстренько взяли ручки, и у вас есть две минуты, чтобы набросать причины, которые, по вашему мнению, к этому привели”».

Без подобного анализа наш позитивный настрой приводит к тому, что мы концентрируемся на сборе данных, обосновывающих причины и следствия успеха. Эксперимент, предложенный Клейном, создает стимулы для сбора аналогичных данных, только обосновывающих причины и следствия неудачи.

И снова мнение Даниэля Канемана: «Могу предположить, что в целом применение подобного метода анализа относительно плана, который уже практически принят, не приведет к отказу от него. Скорее всего, в этот план будут внесены какие-то изменения, которые пойдут проекту на пользу. Так что это незатратный, но при этом высокоэффективный инструмент управленческого анализа».

Тем не менее у нас в любом случае остается проблема точности данных. Как успех проекта, так и его провал – это всего лишь возможные варианты развития событий в будущем, и нередко мы не собираем адекватных данных, касающихся потенциальной неудачи.

Эксперимент Гэри Клейна поможет выявить несколько потенциальных негативных сценариев, чтобы внести соответствующие данные в таблицу. Часто бывает сложно выявить данные, связанные с неудачей, так что повышение качества вашего анализа рисков может означать, что вы вдруг обнаружите эти данные в собственном бизнесе. Например, они могут быть связаны с перерасходованием бюджета или срывом сроков выполнения задачи. Возможно, в вашем проекте эти повсеместно встречающиеся проблемы будут исключены, но при проведении эксперимента Клейна отнеситесь к ним так, словно они вполне реальны.

Второй важный момент заключается в том, чтобы описать риски, в том числе финансовые, от возникновения этих проблем как можно более объективно, например попросить это сделать стороннего эксперта, не занятого в проекте. В итоге у вас получится несколько возможных вариантов развития событий: в хорошем плане будут указаны вероятности возникновения разных проблем, а также диапазон влияния этих проблем. Например, согласно вашему плану, существует вероятность 50 %, что ваша прибыль составит $100 000, и вероятность 20 %, что вы просто выйдете на точку безубыточности, при этом в вашем плане также отражена вероятность 20 % потерять $100 000 и вероятность 10 % потерять $500 000 (конечно, это очень упрощенный пример). В данном случае суммируем средние значения и ожидаем убыток по проекту (ожидаемая доходность = 0,5  100 000 + 0,2  0 – 0,2  100 000 – 0,1  500 000 = убыток в размере $20 000). Тем не менее, если внести какие-то изменения (может быть, обеспечить страховку, чтобы предел убытка составлял не выше $200 000), то ожидаемым результатом станет прибыль в размере $20 000 минус расходы на страхование.

Вне зависимости от того, присутствуют в вашем прогнозе цифры или нет, эксперимент Клейна – это творческий и эффективный способ повысить качество вашего прогноза, так как использование этого инструмента подразумевает организацию обсуждения по теме и изучение целого ряда рисков и преимуществ, ане только нескольких эмоциональных аспектов. Как выразился Даг Хиршхорн, этот метод научит думать не только о том, «как мы можем на этом заработать».

16. Что самое плохое может произойти?

Невозможно полностью исключить фактор риска. Но пока вы не измерите его и не выразите в цифрах, страх перед неизвестностью не позволит вам принимать правильные решения, как, впрочем, и неправильные.

Оценка риска при принятии решений – процесс чрезвычайно сложный. Любое решение, требующее прогнозирования (то есть большинство из них), характеризуется некоторым уровнем неопределенности и подразумевает оценку риска его принятия. В противном случае вы не принимаете решение, а просто надеетесь на лучшее.

Многие из моделей оценки риска, которые мы используем, слишком упрощенные. Частично это произошло из-за того, что сложные модели слишком быстро превратились в чрезвычайно сложные с эффектом «черного ящика» – пользователи получали результат, но не понимали всех взаимосвязей и предпосылок. Это стало своеобразным трендом в области управления рисками: люди вводили какие-то данные, и, если программа говорила да, они это делали. В немалой степени этим был обусловлен кризис 2008 года. Надеюсь, мои слова никого не обидели.

Оптимальный способ управления рисками состоит в том, чтобы создать модель – упрощенную версию последствий определенного решения, имеющую смысл и логику, а затем скептически ее оценить. Мы постоянно создаем модели в таблицах, но когда мы используем их для прогнозирования, то делаем их слишком обусловленными. Если прогноз по объему продаж предполагает рост на 4 %, мы умножаем показатель прошлого года на 1,04 и на основе получившегося значения рассчитываем прогнозируемую прибыль.

По меньшей мере должен быть какой-то диапазон. Если вас заинтересует прогноз по вашей будущей пенсии, вы найдете три возможных сценария: при высоком экономическом росте, среднем и низком. Воспроизведение этих трех моделей в форме таблицы не займет много времени.

Кроме того, к этому этапу вы должны были уже определить свою степень готовности к риску. Некоторые компании не стремятся к высокой окупаемости из-за непомерной цены провала, например в регулируемых отраслях экономики, в отраслях с особыми требованиями к обеспечению безопасности или просто в работе с клиентами. С другой стороны, есть области деятельности, предлагающие очень высокую окупаемость успешным игрокам, что стимулирует готовность к риску. К этой категории относится явление, которое экономист Йозеф Шумпетер[16] назвал «созидательное разрушение» (или «творческое разрушение») и объяснил на примере технологических компаний. Это помогает определить пороговый уровень риска и установить четкие (и ответственные) стимулы.

На основании своего приемлемого уровня риска можно попробовать провести быстрый расчет ожидаемой доходности (о более сложных схемах расчета этого показателя речь пойдет дальше). Это весьма простое упражнение, но его результат может вас удивить.

Показатель ожидаемой доходности – это сумма ожидаемого дохода по всем статьям, умноженная на коэффициент вероятности его достижения. Так, ожидаемый показатель при броске игрального кубика таков:

(  1) + (  2) + … + (  6) =   21 = 3,5.

Используйте коэффициент вероятности низкой доходности в качестве десятичной дроби. Например, если такая вероятность составляет 40 %, коэффициент для расчета равен 0,4. Умножьте это на цифру низкого дохода (которая может быть и отрицательным числом, если речь идет об убытке). Проделайте то же самое для других сценариев. Суммируйте полученные результаты. Если итоговое число получилось отрицательным, это свидетельствует о высокой вероятности потерпеть убыток и может стать серьезным аргументом в пользу того, что, возможно, вам не стоит даже рассматривать этот вариант в качестве решения.

Это очень простое упражнение на основе чистой логики, но его можно эффективно использовать, чтобы облечь в цифры эмоциональный результат процесса прогнозирования, и оно хорошо дополняет упражнение, предложенное Гэри Клейном.

Внимания также заслуживает концепция «черных лебедей» Нассима Николаса Талеба[17]. Существует небольшая вероятность настоящей катастрофы. Моделированием подобной вероятности редко занимаются всерьез, но почему нет? Проблема риска заключается в том, что он нелинейный.

Последствия грандиозного успеха (неожиданно вам требуется больше средств и оказывается, что вы не справляетесь с поддержкой всех клиентов) могут быть такими же негативными, как и последствия полного провала. Провести такой анализ в форме таблицы не так-то просто, но, если смоделировать возможные последствия чрезвычайных событий, это может способствовать созданию плана действий в таких обстоятельствах или привести вас к решению застраховаться.

Помимо того что риск нелинеен, он еще и динамичен. Он изменяется под влиянием обстоятельств вне вашего контроля (например, погодные условия, действия конкурентов) и в качестве следствия ваших действий. Ваши усилия в одной из областей бизнеса автоматически отражаются на уровне риска в других. Это сложные для моделирования ситуации, поэтому, возможно, вам стоит раз в месяц проводить переоценку уровня риска. Научный подход к осуществлению этого заключается в том, чтобы выяснить у всех участников процесса, оценивают ли они риск возможного события выше, ниже или на том же уровне, что и в прошлый раз. Это помогает избежать возникновения коллективного мнения. Это также позволит вам провести количественное сравнение: например, три четверти опрошенных считают вариант А более рискованным, в то время как только одна треть уверена, что более рискован вариант В.

И последнее: избегайте соблазна экстраполировать прогнозы на несколько лет вперед. Задача моделирования риска – избавить нас от ложной уверенности, но подтвердить, что мы принимаем оптимальное решение сообразно сложившимся обстоятельствам. Если вы когда-нибудь спорили на очевидные темы или писали планы, что вы будете делать через пять лет, значит, вы знаете, что такое иллюзия уверенности.

17. Оно того стоит?

Самый важный финансовый коэффициент – это окупаемость инвестиций, или ROI (от англ. return on investment).

Расчет ROI производится всегда и везде. При этом его касаются те же проблемы, что характерны и для любого другого прогнозного показателя. Тем не менее без этого финансового коэффициента не обойтись: если вы не представляете, какой может быть окупаемость инвестиций, вы не знаете, стоит ли сделать именно это вложение, другое или вообще сохранить средства.

Не существует единственного метода определения будущей прибыли на инвестированный капитал, однако любой расчет начинается с четкой оценки последствий предполагаемой инвестиции для бизнеса и выражения этой разницы в виде конкретного финансового показателя.

Например, окупаемость инвестиций, направленных на покупку нового компьютерного ПО, за трехлетний период можно определить, если подсчитать, сколько времени это сэкономит, и умножить на зарплаты сотрудников, использующих это ПО в работе, какие возможности для дополнительного ведения бизнеса оно обеспечит, сколько составит экономия на покупке лицензий по сравнению со старым ПО и так далее. Затем вычтите стоимость приобретения и обслуживания, и вы получите искомый финансовый показатель. Скорее всего, это будет не одна цифра, а диапазон значений: возможно, эффективнее всего определять наиболее вероятное, оптимистичное и пессимистичное значения.

Еще один способ расчета этого показателя – это определение момента, когда вложения полностью окупятся. Это так называемый расчетный срок окупаемости инвестиций, обычно он выражается в месяцах.

Внимательный читатель тут, скорее всего, поинтересуется: «Но ведь условия ведения бизнеса могут измениться на протяжении срока окупаемости инвестиций?» Очень верное замечание. Именно поэтому так важно рассчитывать возврат на инвестиции  диапазоном значений, особенно в условиях динамично меняющейся бизнес-среды, например в области информационных технологий.

Однако, каким бы ни был период окупаемости, есть инвестиции, которых просто не избежать. Тогда оцените их окупаемость с точки зрения разницы прибыли, которую вы получили бы, если бы не сделали эту инвестицию. В некоторых случаях (например, при необходимости подключить офис вашего филиала к интернету) прибыль, если вы не вложите средства в решение этого вопроса, будет примерно равна нулю, так что это очевидное решение.

Если окупаемости инвестиций может и не случиться или вам нужно сделать выбор из нескольких вариантов, например открыть офис в регионе Х или регионе Y, – один из наиболее часто применяющихся методов оценки качества инвестиций – чистая приведенная стоимость (NPV).

Показатель NPV ежегодно на протяжении периода, в который осуществляются инвестиции, оценивает стоимость будущих денежных потоков инвестиционного проекта на основе суммирования и вычитания всех прогнозируемых денежных потоков, относящихся к этому проекту. Например, если вложения приносят прибыль $5 млн на второй год, $10 млн на третий год и так далее, все эти цифры суммируются для определения совокупного дохода на вложенный капитал. Однако сначала необходимо дисконтировать инвестиции: например, при ставке дисконтирования 10 % в год следует умножить $5 млн на 0,9, затем $10 млн на 0,92 и так далее, как при расчете сложных процентов. Зачем это делается? Окупаемость от инвестиций через два года для вас имеет меньшую ценность по сравнению с деньгами сегодня. Выбор ставки дисконтирования очень важен – это показатель уровня вашего нетерпения. Кроме того, она отражает степень неопределенности: при повышенной волатильности рынка дисконтировать прогнозируемую окупаемость инвестиций следует сильнее, так как вероятность исполнения вашего прогноза меньше.

Вычтите из получившегося показателя сумму первоначальных инвестиций. Если итог получился положительным, это означает, что сделать это вложение для вас более выгодно, чем ничего не предпринимать. Если итог отрицательный, вы выиграете, если просто сохраните деньги в банке.

Наконец, из нескольких проектов стоит выбрать тот, у которого самый высокий показатель NPV из всех прогнозов, которые вы провели.

Вряд ли имеет большой смысл погружаться в детали расчетов этих коэффициентов (это задача бухгалтера и финансового директора), но вот способность прочитать и понять документы, содержащие эти показатели, – это важный и полезный навык. Кроме того, это определенный подход к процессу прогнозирования. Зачастую прогнозирование сводится не к оценке того, представляет ли какой-то проект или инвестиция хорошую идею (таких очень много), а к тому, лучше ли эта идея, чем ближайшая альтернатива, или удачна ли она в 80 % случаев, не очень удачна в 19 % или вообще это полная катастрофа в 1 % случаев. Или же прогноз моделирует то, что мы просто не знаем о будущем, чтобы принимать достаточно информированные решения на период более одного года. В этом случае не стоит просто выбирать среднее значение и скрещивать пальцы на удачу. Широкий диапазон окупаемости инвестиций означает, что необходимо регулярно пересматривать все показатели при изменении условий деловой среды, что происходит практически постоянно. Прогнозирование окупаемости инвестиций – это скорее бизнес-процесс, чем разовое действие.

18. Данные: Исходные или подтасованные

Данные рассказывают нам историю, но это не означает, что она правдива.

Звучное словосочетание «голые факты» вводит в заблуждение. Очень часто данные фальсифицируют по целому ряду причин. Знание, как можно подтасовать их, и умение отличить даже хорошо сфабрикованную информацию от правдивой критически необходимо, если вы стремитесь, опираясь на данные, выигрывать любые обсуждения. А если вы пытаетесь менять привычный уклад вещей, то споры и дискуссии будут возникать постоянно.

Вам важно знать способы, как можно исказить данные, потому что в будущем практически наверняка кто-то попытается ввести вас в заблуждение якобы научной информацией.

Самый очевидный способ слегка «подкорректировать» статистику вашей компании заключается в том, что кто-то выбирает выгодные ему показатели для измерения, зная, что вы не можете посчитать все. Поскольку в отчеты попадают только эти данные, а управлять можно только на основании цифр, попавших в отчеты, эта, казалось бы, очевидная проблема имеет серьезные последствия. Например, сказывается на том, как распределяется бюджет компании.

Некоторые данные игнорируются по причине сложности их измерения. Например, насколько люди счастливы, вычислить сложнее, чем сколько денег они тратят. Поэтому измерить уровень счастья невозможно так же эффективно, как оценить уровень финансового благосостояния респондентов. (Принято считать, что чем богаче человек, тем он счастливее. Это не так. Согласно результатам исследований, после достижения человеком уровня дохода $70 000 с дальнейшим повышением показателя дохода уровень его удовлетворенности качеством жизни не меняется.)

Некоторые неизмеряемые данные остаются без внимания, потому что их слишком сложно интегрировать в общую картину. Где-то в каком-то виде они присутствуют, но собрать их вместе почти невозможно. Суммировать финансовые показатели часто бывает сложно, потому что их собирают из множества отчетов. Анализ рисков проводить сложно, потому что риски постоянно меняются, могут произойти чрезвычайные события с непредсказуемыми последствиями, риски взаимосвязаны, а мы не в состоянии предсказать все действия каждого человека.

Еще одна возможность для фальсификации данных – раздельное их хранение. Самым ярким примером этого может послужить банкротство в 2002 году компании WorldCom[18], годовой доход которой составлял $30 млрд. Компания фальсифицировала скорее не данные, а отчетность. Впоследствии аудиторы выяснили, что цифры в балансовом отчете были завышены на $75 млрд, а доходность компании – на $11 млрд. Как такое вообще стало возможно? Основная причина заключалась в том, что в компании применялось несколько разных систем бухгалтерского учета, между которыми не было обмена данными. Двойной учет был обычным делом.

Проблема часто состоит в том, что люди считают, будто владеют какими-то данными, и не хотят делиться информацией. Даже если ваша компания, к счастью, непохожа на WorldCom, ваши аргументы могут оказаться не вполне убедительными, так как вы не видите всю картину целиком.

Люди склонны искажать факты (иногда нарочно, иногда непреднамеренно) и оперировать неверными заключениями. В одних случаях это проявление некомпетентности, в других – злого умысла. Вот три способа подтасовать данные.

• Выборочное использование доказательств. В 2013 году исследователь Стэнфордского университета Джон Иоаннидис наугад выбрал 50 продуктов из кулинарной книги и обнаружил, что для 80 % из них есть хотя бы одна научная работа, доказывающая, что они вызывают рак, и одна – доказывающая, что они служат средством профилактики рака. Однако продавец будет ссылаться на информацию, отражающую только одну сторону.

• Неверные причинно-следственные отношения. Результаты одного из нашумевших исследований свидетельствовали о том, что курение повышает вероятность самоубийства. Ужасно! Через несколько лет результаты этого исследования были оспорены, когда исследователи доказали, что курильщики также в два раза чаще погибают насильственной смертью. Подсказка: причину и следствие поменяли местами. У людей, испытывающих депрессию, стресс, постоянно подвергающихся опасности, гораздо выше вероятность того, что они начнут курить.

• Неправильный выбор временных рамок. Начало и завершение периода, за который делается отчет, имеет значение. Если вам говорят, что темпы роста составили 5 % с 2007 года, поинтересуйтесь, какими они были в 2006 или 2004 году. Очень часто статистические данные выглядят радужно, потому что выбраны годы с лучшими показателями. Происходит ли глобальное потепление в последние годы? Кривая графика будет зависеть от того, что вы подразумеваете под словами «в последние годы».

Что делать с искаженными данными? Главный урок – со всем возможным скептицизмом относиться к людям, которые сообщают вам информацию и хотят, чтобы вы приняли ее за чистую монету. Существует взаимосвязь между так называемыми вуду-опросами (то есть данными, которые появляются в федеральных изданиях и о которых моментально забывают), и тем, кто за это платит и что при этом происходит в реальности.

Второй урок – следует с крайней подозрительностью воспринимать единичную информацию. Сенсационные результаты привлекают больше внимания, но это не свидетельствует об их истинности. Если взаимосвязь между данными возникает снова и снова, это показатель ее достоверности. Если мы получили совсем другие результаты при повторе эксперимента, возникают вопросы к методу проведения исследования. Цифры не врут, но когда их пытаются подтасовать, они искажают действительность.

19. Из чего сделана колбаса

Результаты исследований всегда в той или иной степени пристрастны. Главное – не слишком доверять некачественным доказательствам.

Вот интересный график, с помощью которого компания C Space пытается убедить нас в полезности своих услуг:

Рост больше роста рынка

Этот график отражает уровень роста наших клиентов по сравнению с индексом S&P. Взаимосвязь простая. Сотрудничайте со своими клиентами, и прибыльность вашего бизнеса будет расти.)

И вот мы уже думаем, что это впечатляющий результат и что разница между серой и черной линиями отражает ту ценность, которую создает компания C Space. При этом объяснение самой компании гораздо сдержаннее: «сотрудничайте со своими клиентами» – вот что определяет разницу, а не собственно компания C Space. Но даже эта формулировка весьма сомнительна.

При использовании статистики для сравнения двух выборок или чтобы получить информацию о целостной группе (например, по всем своим клиентам) на основании одной выборки (по данным от тех клиентов, кто согласился принять участие в вашем опросе), самое важное – понимать, что вы сравниваете подобное с подобным.

Если у вас есть данные опроса 200 клиентов, насколько репрезентативной можно считать вашу выборку? Эта проблема часто поднимается после политических выборов, когда заявляют, что прогнозы, которые делались на основании опросов общественного мнения и публиковались в прессе накануне выборов, были неточными. Очень сложно найти 1000 взрослых, мнение которых полностью отражало бы мнение всего электората. Эти респонденты должны быть из разных частей страны, у них должен быть такой же уровень квалификации, дохода, личных предпочтений, как у населения страны в целом. При этом могут возникнуть самые разные проблемы, о которых речь пойдет ниже.

• Нередко опросы проводятся в интернете. Люди с невысоким достатком и пожилые пользуются интернетом реже, поэтому в выборке будет присутствовать больше молодых и относительно состоятельных людей.

• Участие в опросах, как правило, добровольное. В этом случае в выборку попадают более инициативные люди с активной жизненной позицией.

• Иногда вам говорят то, что вы хотите услышать, а затем делают совершенно другое.

• Иногда люди участвуют в опросах ради получения подарка или бонуса. Тогда их волнуют не столько вопросы, на которые им предлагают ответить, сколько подарок по окончании опроса.

Давайте вернемся к графику. Что с ним не так? Сложно делать выводы, если только речь не идет об одних и тех же компаниях и в той и в другой выборке. Не вызывает сомнения только факт, что они сотрудничают с C Space. Это может быть частью истории, но право на существование имеют и альтернативные версии, которые могут оказаться правдой (или нет).

• Показатели компаний, получающих большую прибыль, лучше показателей по рынку в целом. Эти организации в состоянии выделить больше средств на привлечение внешних консультантов, поэтому более прибыльные компании в среднем могут оказаться в индексе C Space.

• Возможно, C Space специально отбирает более успешные компании для сотрудничества, потому что они быстрее оплачивают счета за услуги.

• Может быть, с C Space сотрудничают компании из определенной отрасли и именно эта область сейчас больше всего интересует инвесторов.

Не менее важно применять этот подход и при анализе собственных данных. Специалисты по маркетингу часто рассылают опросы по электронной почте: «Пожалуйста, выскажите свое мнение…» Такие компании, как Survey Monkey[19], очень быстро делают красивые исследования, и, возможно, вы даже получаете по два-три еженедельно. Представим, что вы проводите опрос по электронной почте среди руководителей бизнеса, которых тщательно отобрали из вашего списка рассылки, что они думают о вашей компании и готовы ли потратить больше на ваши продукты в будущем. Получив ответы, вы узнаете, что 72 % респондентов считают, что вы великолепно справляетесь с работой, и 67 % опрошенных готовы потратить больше на ваши продукты в будущем.

Проанализируем эти результаты с позиции логики и здравого смысла.

• Сколько успешных руководителей бизнеса из тех, кого вы знаете, располагают временем отвечать на электронные опросы? Более вероятно, что вы получили ответы от большого числа не слишком эффективных руководителей или же тех, которые поручили помощнику отвечать на несрочные письма.

• Представьте, что большинство руководителей не вполне довольны качеством ваших услуг или даже не могут толком вспомнить вашу компанию. Они просто проигнорируют опрос, хотя для вас это была бы важная информация.

• Не упоминали ли вы (пусть даже мимоходом), что за положительный отзыв вы готовы предоставить скидку или расширить спектр предлагаемых услуг? Тогда вы получили больше всего ответов от тех, кто надеется заработать скидку и, скорее всего, сказал вам то, что вы надеялись услышать.

Так что не делайте крупных ставок на информацию такого рода. Хотя она может послужить как рекомендация при необходимости сузить выбор или как стимул к проведению более тщательного исследования. Дешевая колбаса очень похожа на элитную, а графики и диаграммы, построенные на основании искаженных данных, выглядят не менее убедительно, чем те, которые были построены на основании достоверной информации. Но с графиками, как и с колбасой, важно то, из чего они сделаны, а не то, как они выглядят.

20. Корреляция не гарантирует причинно-следственную связь

Обычно данные не отвечают на вопрос «почему?», а только на вопрос «что?».

Возможно, вам доводилось слышать это утверждение ранее, но вы не вполне понимаете его смысл. Тогда скажем иначе: если кто-то утверждает, что нет дыма без огня, он ошибается.

Корреляция между двумя явлениями означает, что, если мы стали чаще видеть одно из них, мы также отмечаем изменение частоты, с которой встречаем второе. Причинно-следственные отношения гораздо сильнее. При этом, если мы отмечаем одновременное изменение двух количественных показателей и предполагаем, что один из них стал причиной второго, это предположение вполне может оказаться ошибочным.

Следующие три примера иллюстрируют корреляцию: ваш индекс массы тела и вероятность инфаркта; количество сообщений в твиттере о телевизионной программе и число зрителей этой программы; потребление сыра на душу населения и число смертельных случаев, когда люди умирают, запутавшись в простынях в собственной кровати. Какие из этих отношений также относятся к числу причинно-следственных? Для нас чрезвычайно важно это знать, так как процесс принятия решений – это давление на воображаемые рычаги. Нажимая на них, мы должны знать, что случится в итоге. При этом мы часто получаем чудовищные советы от людей, которые путают причинно-следственные отношения и корреляцию.

Давайте разберемся с каждым из приведенных примеров в обратном порядке. Последний пример сначала кажется полным абсурдом. Это одна из корреляций, созданных Тайлером Вигеном на его весьма забавном сайте Spurious Correlations («Ложные взаимосвязи»), где еще много подобных примеров сочетания вещей, которые, кажется, не имеют между собой ничего общего. Это результат доступности данных в современном обществе. Мы измеряем тысячи трендов, и вдруг оказывается, что у явлений, никак между собой не связанных, в точности совпадает динамика изменений. Этого можно избежать, если выдвинуть гипотезу, которую вы хотите протестировать, прежде чем изучать корреляции. Об этом речь в книге пойдет далее.

Ложные корреляции – это то, что получается, когда вы просто собираете большой массив данных и начинаете копаться в них в поисках взаимосвязей. Вы обнаружите несколько важных причинно-следственных отношений и целый ряд бессмысленных взаимосвязей. Компании постоянно отвлекаются на этот процесс. Конечно, в приведенном примере вы вряд ли поверили, что между этим двумя явлениями может быть причинно-следственная связь, но как быть в других ситуациях, когда наличие подобной связи кажется вполне возможным?

Статистика по сообщениям в твиттере и числу зрителей телевизионного шоу – более сложный случай. Между этими показателями может быть причинно-следственная связь, но при этом возможны три сценария.

• Эффект социального воздействия: когда пользователи пишут о телевизионном шоу в твиттер, это стимулирует других смотреть передачу.

• Сплетни о ТВ: когда зрители смотрят телешоу, им хочется написать об этом в твиттер.

• Высокое качество: у интересных телевизионных шоу большая зрительская аудитория, и они вызывают оживленное обсуждение.

Все это действительно важно, если вы работаете в телевизионной компании. Как вы используете социальные медиа? Велико искушение поверить в первый сценарий, инвестировать в то, чтобы побудить пользователей писать сообщения в твиттер, и ждать, что ваша аудитория вырастет. Многие компании примерно так же обосновывали выделение бюджета на продвижение в социальных сетях и обнаружили, что, когда они искусственно стимулировали количество сообщений в социальных сетях, ничего не происходило. Может быть, дело в том, что причинно-следственная связь здесь обратная: люди пишут сообщения о том, что они делают. В этом случае социальные медиа по-прежнему остаются полезным инструментом, но только для неформального аудита того, что собираются делать ваши потребители.

Третий сценарий также выглядит вполне достоверным. Он означает, что оптимальный способ потратить деньги – это вложить их не в социальные медиа, а в создание более качественного сценария и приглашение хороших актеров.

Между этими тремя сценариями может существовать взаимосвязь: А становится причиной В, В – причиной А или С (неизмеряемый показатель) становится причиной как А, так и В. Определением этих взаимосвязей занимается наука эконометрика. При наличии достаточного массива данных можно проверить две вещи: заметен ли эффект, когда А происходит до В, но не наоборот, когда В происходит до А (тогда можно предположить, что А становится причиной В); а также при прочих равных условиях (например, качестве) по-прежнему ли А вызывает В?

На основании доказательств, собранных на протяжении определенного периода и путем многочисленных наблюдений, можно с определенной долей уверенности утверждать наличие взаимосвязи между показателем индекса массы тела и вероятностью инфаркта. Мы можем быть уверены, что инфаркт не повышает индекс массы тела, так что В не является причиной А. Кроме того, этот эффект по-прежнему присутствует, когда все остальные переменные (генетический набор, стресс на работе и тому подобные) остаются постоянными. И эта взаимосвязь проявляется с течением времени во многих местах.

У вас вряд ли хватит времени, денег или массива данных, чтобы установить причинно-следственные отношения между абсолютно всеми аспектами и показателями вашего бизнеса. Но есть два неформальных теста, которые вы можете провести.

• Проверка практикой: если кто-то говорит вам, что А становится причиной В, может ли этот человек привести убедительные доказательства, что так оно и есть? Если никто не может дать достаточно достоверного объяснения, скорее всего, есть еще какой-то фактор.

• Проверка на повторяемость: если, как вам кажется, вы обнаружили закономерность, обратите внимание, повторится ли она в следующем месяце или в другом вашем офисе или с другими клиентами.

Некоторые причинно-следственные отношения интересны, но не важны. Если вы установили, что А становится причиной В, от этой информации мало пользы, так как вы не можете изменить фактор, вызывающий этот эффект. Поручив выполнение задачи лучшим сотрудникам, вы можете быть уверены по крайней мере в том, что она будет исполнена в срок, при этом вы не можете повысить уровень надежности, поручив им больше работы, так как ваши сотрудники и так загружены. Вам придется найти другую причинно-следственную связь, на которую вы можете как-то повлиять: нанять новых сотрудников, инвестировать в обучение персонала или более эффективно делегировать рабочие задачи.

На практике бывает довольно сложно отличить корреляцию от причинно-следственных отношений, но не нужно быть специалистом по эконометрике, чтобы принимать более качественные решения. Просто примените два описанных выше теста, а затем решите, можете ли вы что-то сделать. И если вы едите много сыра, постарайтесь не запутаться в простынях, когда отправляетесь ко сну (шутка!).

21. Когда информации слишком много

Как избежать ступора при анализе огромного количества данных?

В середине нулевых Netflix[20] объявила о призе в миллион долларов любому, кто повысит эффективность рекомендательного алгоритма компании на 10 %. Специалисты по работе с данными со всего мира принялись за работу. Через три года, 21 сентября 2009 года, приз получила команда под названием BellKor’s Pragmatic Chaos.

Как им это удалось? Вот что говорится в статье, опубликованной одним из членов команды Йехудой Кореном: «На основе архитектуры ограниченной машины Больцмана (RBM) мы применили новую модель RBM с повышенной точностью путем обусловливания видимых элементов…»

Однако давайте прежде всего обсудим, почему это стало такой проблемой. Компания Netflix предлагает несколько тысяч фильмов и телевизионных шоу, поэтому ей сложно прогнозировать, что конкретному пользователю понравится больше всего. Когда вы совершаете покупки в интернет-магазине Amazon или на похожих сайтах, у вас есть подсказка в виде рекомендаций: «Пользователи, купившие этот товар, также покупают…» Для компании Netflix этот способ слишком ненадежный, так как ее пользователи выбирают, как они проведут целый вечер. Когда вы заходите на сайт Netflix, компания должна предложить вам идеальный фильм именно для вас, основываясь на имеющихся о вас знаниях: как правило, это какие кинокартины вы смотрели до этого, как вы их оценили, насколько часто вы выбираете фильмы одной категории, а также некоторые общие факты, например где вы территориально находитесь и какое у вас время суток.

Эта проблема не кажется особо сложной, пока ее не пытаются решить. Тогда вдруг выясняется, что количество разных сочетаний этих переменных исчисляется миллиардами. При этом компания Netflix не исключение. Большинство решений, которые нам приходится принимать в реальной жизни, очень похожи: например, на работе вы получаете задачу изменить что-то, при этом зачастую вы ставите перед собой конкретную цель, которой хотите добиться. Хотя, к сожалению, вряд ли вам предлагают миллион долларов за улучшение работы на 10 %. Мы изучили взаимосвязь, свойство двух переменных, на основании которого делается прогноз. Когда мы говорим: «чем больше этого, тем больше будет этого», в простейшем математическом виде это выглядит так:

y = a + bx.

Это уравнение наклонной прямой. Можно измерить (или наблюдать) значение х, умножить его на b, прибавить а и получить значение y (специалисты по прогнозированию также могут использовать логарифм х или квадрат х или применять другие приемы, но это приводит только к усложнению). Линия наилучшего соответствия, проходящая через все точки (речь об этом уже шла в части 2), показывает, насколько нужно увеличить значение х, чтобы добиться увеличения значения y. В 2010 году британское правительство использовало этот метод, чтобы рассчитать, что повышение пошлин на сигареты (х) на 1 % приведет к увеличению суммы налоговых сборов (у) на $33 млн.

В реальной жизни подобной точности не бывает никогда. Поэтому при построении прогнозов на основании фактов уравнение будет выглядеть скорее следующим образом, когда мы учитываем множество разных факторов, влияющих на значение y, но не можем измерить их все:

y = a + b₁x₁ +b₂x₂ +… + погрешность.

В данном случае «погрешность» не означает, что вы сделали ошибку, это просто способ обозначить совокупность всех других факторов, которые могут оказывать влияние на значение y, которые вы не смогли измерить, и игнорировать их. Желательно, чтобы эта погрешность была минимальной, но она необходима для анализа всех плюсов и минусов, потому что обычно нас интересует: «А если мы добавим немножко этого, то что получится?» В случае с расчетами британского правительства можно было игнорировать другие факторы, влияющие на повышение сбора налогов при повышении пошлины на сигареты на 1 %, но можно предположить, что правительство не получило бы дополнительные налоговые сборы в объеме $330 млн, если бы подняло пошлину на сигареты на 10 %. Скорее всего, это привело бы к тому, что покупатели ограничили бы свои расходы, бросили курить вообще, начали бы покупать табак, который не облагается таможенной пошлиной, и так далее. Мы свели принятие решения к вероятному влиянию одного фактора на другой единственный фактор.

Когда я решаю, хочу ли я вечером пойти в бар, это зависит от многих обстоятельств. Я думаю, а кто еще пойдет, а в какой именно бар. Кроме того, это зависит еще от погоды, от того, насколько тяжелым у меня выдался день на работе, от моего финансового положения, от расположения бара и так далее.

При этом мы чудесным образом постоянно принимаем решения и обходимся без построения графиков и диаграмм. Часто мы успешно справляемся с выбором фильма, который хотим посмотреть, и без помощи рекомендательного алгоритма компьютера. В реальной жизни мы воплощаем несовершенную версию уравнения y = a + bx на основе эвристических правил[21], навешиваемых ярлыков, которые действуют быстро, но не всегда правильно. Например, нам попадается плохой фильм или мы скучаем на вечеринке, и мы сожалеем о том, что не выбрали что-то другое. «А ведь казалось, что это такая замечательная идея, – думаем мы. – Ну ладно, учту на будущее». Эвристическое правило оказалось не на высоте. Мы сделали вывод из ситуации и изменили наше отношение, чтобы в следующий раз поступить иначе.

В бизнесе эвристический подход выражается в том, что вы поддерживаете какие-то решения скорее потому, что они кажутся вам удачными, а не потому, что вы опираетесь на проверенные факты. Если опираться только на факты, то можно завязнуть на стадии анализа данных. Так как же научиться принимать хорошие решения, даже если у вас нет степени по эконометрике?

1. Если какое-то решение очевидно, действуйте. Это простой принцип, но ему редко следуют. Часто на совещаниях при решении какого-то вопроса мы не можем сдвинуться с места из-за отсутствия информации, которая при всей своей интересности в любом случае не повлияла бы на решение. Например, вам нужно сделать сайт и вы решаете, стоит ли нанять для выполнения этой работы Билла. И тут кто-то предлагает подождать недельку, потому что тогда освободится Эмма и можно будет вернуться к обсуждению этого вопроса. Стоп! Если бы у Эммы была возможность взяться за работу сегодня, вы бы все равно остановили выбор на кандидатуре Билла? Если да, то принимайте решение не откладывая в долгий ящик.

2. Менее жесткая версия этого принципа также поможет вам принимать решения. Что больше: затраты на получение нужной вам информации (потраченное время, неудобства, возможно, необходимость платить за данные) или потенциальная ее ценность, необходимая для повышения качества вашего решения? Если первое, расслабьтесь. Приз Netflix наглядный тому пример. Победители предложили продвинутое решение, но их улучшения так никогда и не были реализованы. Почему? Потому что дополнительная точность не оправдывала тех технических усилий, которые требовались для осуществления этой идеи.

3. Исключайте варианты путем сравнения. Если у вас есть пять возможных вариантов, не пытайтесь сравнивать все сразу, сравнивайте по парам, опираясь на четкий набор критериев. Если вариант А лучше, чем вариант В, нет необходимости сравнивать варианты В и С, потому что для принятия решения важно, какой из вариантов – А или С – устроит вас больше.

4. Если вы уверены только в каком-то одном факторе, измените его и подождите, пока у вас не появится новая информация, чтобы взяться за другие аспекты. Это не идеальный вариант для получения оптимального результата, но это один из способов двигаться вперед, используя данные. Если вы заняты крупным проектом с множеством меняющихся составляющих и, исходя из находящихся в вашем распоряжении данных, понимаете, что изменение одного фактора, притом что все другие останутся неизменными, – это хорошее решение, вносите это изменение и анализируйте следующую меняющуюся составляющую в следующем месяце. Это принцип гибкой методологии разработки (agile), о которой мы поговорим подробнее в следующей части.

Понимание, как собирать и анализировать данные, лишь половина дела. Знание, как использовать их, чтобы прояснить ситуацию, а не окончательно всех запутать, – это дополнительный навык, который, возможно, еще более ценен.

22. Правильно или быстро?

Самые лучшие данные иногда могут быть хуже, чем полное их отсутствие.

Эффективность любого решения зависит от времени принятия и его верности. Возьмем ценообразование. Ежегодно в Великобритании торговые сети запускают в продажу около 8000 новых продуктов. Только представьте: по 30 единиц в день. А фактором успеха или неудачи товара может стать крошечная разница в цене.

К сожалению, нередко мы узнаем о провале, когда уже слишком поздно что-то предпринимать. Например, что план продвижения точно не принес результатов, вы узнаете спустя три месяца – информация, конечно, интересная, но бесполезная. Гораздо полезнее было бы узнать об этом, пусть и с меньшей долей уверенности, спустя три недели, а еще лучше – через три дня.

Мы с вами подробно рассмотрели, что может повлиять на надежность данных, полученных в результате исследований: маленькая или нерепрезентативная выборка, исследования по электронной почте и погрешности в измерениях. При наличии времени и должных усилиях все эти проблемы можно решить или сильно уменьшить их влияние, но может оказаться, что подобная точность и не нужна.

Что делать, если скорость получения данных важнее, чем их правильность? Основной принцип: не замедляйте процесс, пытаясь собрать слишком много данных. Например, если единственное, что вас интересует, – это ответ на вопрос «Вы предпочитаете А или В?», то, возможно, не стоит пытаться выяснить, почему одно лучше другого или насколько сильнее предпочтение респондентов. Часто для принятия решения бывает достаточно одного-двух вопросов или выяснения одного фактора.

Для этого существует несколько техник.

• Проверка состояния дел. Опрос по электронной почте небольшой группы людей поможет определить, в какой точке вы сейчас находитесь, а респонденты смогут ответить на него даже во время перерыва на обед. Попросите отвечающих оценить по шкале от 1 до 5 всего один аспект, и они охотнее предоставят вам информацию, чем если вы зададите им 10 вопросов.

• Опрос с помощью SMS. Задавайте не больше двух вопросов, ответы вы можете получить немедленно.

• Задавайте вопросы в нужное время. Поставьте возле кассы аппарат с двумя кнопками. Легко ли покупатель нашел ваш продукт? Один «вопрос дня» на сайте привлечет внимание пользователей. Так вы соберете не очень большой объем информации, но исследования показывают, что часто она более правдива, так как наши воспоминания о полученном опыте иногда бывают ненадежными.

• Отслеживайте информацию в социальных медиа. Хотите знать, что пишут о вашей компании пользователи в твиттере? Это не вся правда, но может выясниться, что большинство ваших покупателей даже не заметили, что компания переживает не лучшие времена (или что они считают это забавным).

• Опрос «вживую». Если вы хотите знать, что думают ваши сотрудники, идите и спросите их об этом прямо сейчас, подходите и записывайте их ответы. И да, поколение нулевых, не надо так удивляться, было время, когда все только так и делали.

Конечно, всегда есть опасность переборщить, а потому лучше всего, если подобные быстрые опросы будут проходить как можно более легко и непринужденно. Они обеспечивают ограниченный объем информации, но способность оперировать в реальном обсуждении такими данными – навык не менее ценный, чем способность проанализировать отчет на 60 страниц.

23. Копирование – это не управление

Историю пишут победители. Возможно, это и так, но не позволяйте им писать ваш бизнес-план.

По словам Дэвида Макрейни, консультанта, специализирующегося на этом типе когнитивных искажений[22]: «Консалтинговый бизнес – это монополия, которой управляют выжившие». Но разве это проблема? В конце концов, они заслужили свое право давать советы.

Первый принцип управления на основе данных – доверять только собственной информации, потому что это самый полный объем данных, который вам удастся получить. И будьте уверены, что эта информация гораздо надежнее, чем все советы, которые вам ежедневно дают все кому не лень.

Если вы один из 400 миллионов пользователей профессиональной социальной сети LinkedIn, вероятно, вы регулярно получаете электронные рассылки с множеством советов успешных людей, которые в основном рассказывают, как делать что-то так, как это делают они.

Конечно, речь не только о LinkedIn. Деловые журналы и книги переполнены такими рекомендациями, и большинство этих советов, когда вы их читаете, кажутся вполне разумными. Но если слушать слишком много советов, то наступает момент, когда вам рекомендуют делать прямо противоположные вещи. Например, СЕО компании Amazon Джефф Безос уверен, что запустить процесс инноваций можно, только если интересоваться у людей их потребностями: «Мы отталкиваемся от нужд покупателей и идем к продукту». В то время как Стив Джобс, другой великий технологический предприниматель последнего десятилетия, придерживался противоположного мнения: «Люди не знают, чего хотят, пока вы это им не покажете».

Как поется в песне рок-группы Dire Straits: «Двое называют себя Иисусом, один из них, должно быть, ошибается». Все, что можно сказать об этих двух советах, – что каждый из них применим для принятия решений, так что, возможно, следовать любому из них лучше, чем не делать ничего. Но как понять, что лучше именно для вас?

В недавней электронной рассылке на LinkedIn Арианна Хаффингтон, основатель Huffington Post, сообщила, что я должен присоединиться к «революции сна». Джек Уэлч, построивший GE, посоветовал «полюбить микроменеджмент». Некто по имени Брайн Хаафф («предприниматель и любитель дикой природы») утверждал, что менеджеры-консультанты по работе с клиентами (customer success teams) скоро займут место специалистов по продажам. Профессор Билл Джордж из Гарвардской школы бизнеса говорит, что я должен «отложить телефон», если хочу стать более успешным.

Все это весьма увлекательно, поскольку я собираюсь проигнорировать все эти рекомендации. Но не замечать эти «жизненные уроки» успешных людей не так-то просто. Это очевидно: если вы хотите преуспеть, лучшее, что вы можете сделать, – побеседовать с теми, кому уже удалось добиться успеха, и проанализировать, как у них это получилось. Это вдохновляет, это интересно, это практично, и это чрезвычайно опасно с точки зрения статистики.

Она велит нам слушать не только победителей. Успех бывает двух видов. В первом случае это неизбежный результат тщательного планирования и анализа, которому ничто не могло помешать. Это так называемый «идеальный успех», в природе его не существует. Второй вид успеха – это результат эффективного планирования, правильно выбранного времени и еще некоторых факторов, которые в совокупности можно назвать удачей, то есть благоприятным стечением обстоятельств, которое невозможно прогнозировать. Вы не можете запланировать стать удачливым.

Поэтому, если вы собираетесь открыть ресторан, вам будет полезно узнать о результатах исследования, проведенного в Университете штата Огайо, согласно которым 60 % новых компаний в ресторанном бизнесе закрываются в течение первых трех лет и 80 % – в течение пяти. Вам нужно собрать данные по всей выборке, а не ориентироваться на один ресторан из пяти, который остался на плаву. Или, что еще хуже, только на те заведения, владельцы которых ведут блог на LinkedIn.

Если вы проанализируете всю выборку, то сможете лучше понять фактор удачи. Вы сможете планировать бизнес так, чтобы свести к минимуму вероятность провала из-за случайной неудачи. Когда мы видим, что кто-то добился успеха, то часто рационализируем произошедшее; в нашем сознании это становится «идеальным успехом», и, возможно, мы даже начинаем пытаться в точности его скопировать. При этом некоторая часть тех, кому так и не удалось добиться успеха, вероятно, делали то же самое, они были такими же профессионалами и так же использовали инновационный подход, и все же потерпели неудачу. Так, может быть, нам стоит изучать провалы, а не успех?

В своей книге Thinking, Fast and Slow[23] Даниэль Канеман говорит, что «глупое решение, которое эффективно работает, в итоге становится гениальным… Если сгруппировать все успешные компании и проанализировать, что их объединяет, единственным адекватным ответом будет – удача».

24. Интуиция или данные?

И то и другое. Невозможно вести бизнес на одной интуиции, но, скорее всего, совсем игнорировать внутренний голос тоже нельзя. Секрет в том, чтобы знать, когда к нему стоит прислушаться.

Прежде чем с головой погрузиться в данные, не забудьте провести проверку на практике: во многих случаях при принятии бизнес-решений полезно опираться на как можно большее число данных, и в весьма редких случаях вы сумеете добиться успеха, если будете действовать только на основании информации. Как однажды сказал один из величайших экономистов ХХ века Артур Пигу[24]: «Разве кто-нибудь когда-нибудь наймет экономиста для управления пивоварней?»

Интуиция – полезный инструмент при принятии решений для выживания, который совершенствовался у человека на протяжении тысячелетий. Для ведения бизнеса важно уметь использовать его, если он обеспечивает лучшую информацию, которую вы можете получить, и если у вас при этом есть время на проведение анализа.

Проведение анализа требует времени и усилий. В 2000 году деловой обозреватель Нил Макаллистер создал серию комиксов про супергероя по имени Экшен Айтем (от англ. Action Item – «пункт повестки дня»), который появлялся, сыпал офисными жаргонизмами и исчезал. «Нам нужно помешать злодейскому плану Доктора Злобного», – в панике кричит полицейский. «Чтобы успешно справиться с этим вызовом, я должен быть ориентирован на достижение цели и результат!» – отвечает супергерой, указывая, что еще «слишком рано переходить к подробному изучению обстоятельств… это просто встреча на уровне руководства».

У каждого из нас в окружении найдется такой «супергерой», чья способность планировать тщательный анализ сопоставима только с абсолютной его бесполезностью в трудной ситуации. Чтобы самим не превратиться в таких персонажей, в повседневной жизни мы все используем эвристические правила, основанные на прежнем опыте: мы не можем обдумывать каждое мельчайшее решение, иначе у нас просто не останется времени действовать. Так что интуиция – это способ избежать чрезмерного обдумывания чего-либо, когда это лишено смысла. Возможно, вам доводилось слышать об этом как о мышлении по принципу «система 1»[25]: автоматическое, неосознанное, практически не требующее усилий. Качественное мышление этого типа особенно необходимо в кризис, когда «Доктор Злобный» вынашивает свои злодейские планы против нас.

Большинство ранних исследований по теме принятия решений были посвящены тому, как структурировать этот процесс, учитывая влияние и искажения мышления по типу «система 1», и как не обмануться, руководствуясь только интуицией. В 1980-х годах психолог Гэри Клейн и его коллеги выяснили, что не всегда этот способ мышления полезен в реальной жизни. Например, для военных, пожарных, сотрудников атомных станций и врачей-реаниматологов слишком сильное структурирование так же плохо, как и полное его отсутствие. Правильное решение, принятое в кризисной ситуации слишком поздно, равноценно неверному.

Клейн и его коллеги сформулировали концепцию под названием «естественное принятие решений» (Naturalistic Decision Making), которая направлена на использование положительных аспектов интуитивного мышления. Учитывая, что довольно часто мы не можем объяснить, почему приняли то или иное решение, концепция изучает, как добиться оптимальной работы «системы 1». Секрет в том, чтобы научиться понимать, когда стоит доверять интуиции, а когда нет.

У Гэри Клейна есть критики (Даниэль Канеман, другой серьезный исследователь в области принятия решений, один из них). При этом и самые ярые противники Клейна признают, что в некоторых случаях интуиция может быть полезной, даже если это стартовая точка для отсева бесполезной информации.

Проницательные читатели, вероятно, тут же отметили, что это замкнутый круг: если игнорировать информацию, как понять, что она не принесла пользы?

Клейн и Канеман по-разному воспринимают проблему доверия интуиции: «наполовину полный стакан» Клейна – это «наполовину пустой стакан» Канемана. Время от времени эти двое ученых предпринимали попытки прийти к общему знаменателю. Они по-прежнему придерживаются разных мнений, однако можно вывести несколько основных правил. Итак, когда стоит прислушаться к интуиции, а когда опираться на рациональные данные для принятия более эффективных управленческих решений?

Одним из важнейших аспектов всегда будет фактор времени. От данных мало пользы, если вы не можете получить их до того момента, когда вам необходимо принять решение. Исследования показывают, что гроссмейстеры в состоянии моментально оценить ситуацию на доске, потому что до этого они проанализировали сотни тысяч положений и могут быстро соотнести, что видят на доске, со своим игровым опытом. Даже если обычные игроки могли бы провести аналогичный анализ, он занял бы у них неизмеримо больше времени.

Нужные данные не всегда доступны. Иногда в отсутствие информации мы бываем вынуждены опираться на знания, полученные в других ситуациях. Например, врач имеет дело с пациентом, находящимся без сознания. Врач не может ждать, пока больной придет в себя, чтобы задать ему уточняющие вопросы, поэтому действует на основании опыта – собственного или коллег (с другой стороны, любая относящаяся к делу информация лучше, чем полное ее отсутствие, пожарные оценивают, что происходит внутри горящего здания, прежде чем решить, стоит ли заходить внутрь).

Чтобы опираться на данные, ситуация в момент принятия решения должна быть в общем такой же, как при сборе данных. В приведенных выше примерах все ситуации, какими бы сложными они ни были, в целом известны, так что риск неожиданного их развития минимален. Игра в шахматы подчиняется конкретным правилам; у человека не проявляются в одночасье неизвестные новые болезни, разве что в фильмах ужасов. При этом при ведении бизнеса постоянно возникают новые проблемы, вызванные целым рядом факторов, и некоторые из этих факторов представляют собой неизвестные переменные.

Таким образом, вы вынуждены полагаться на интуицию в случаях, когда решение нужно принимать немедленно или у вас нет возможности получить дополнительную полезную информацию. Будьте внимательны: в любой ситуации принятие интуитивного решения несет в себе больше рисков, так как мы подвержены собственным убеждениям, а знание контекста при этом ограничено. По мнению Канемана, вероятность ошибки при принятии интуитивного решения гораздо выше, чем кажется.