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

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, а не только нескольких эмоциональных аспектов. Как выразился Даг Хиршхорн, этот метод научит думать не только о том, «как мы можем на этом заработать».

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:

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.