Оливье Сибони - Думай и не ошибайся! Как избежать ловушек сознания

Техника 20: Обращаемся к мудрости толпы

И последний, но не менее важный способ узнать разнообразные мнения, к которому компании прибегают слишком редко: опросить сотрудников. Еще в 1907 году экономист-статистик Фрэнсис Гальтон продемонстрировал феномен «мудрости толпы». Он обнаружил, что средняя оценка группы была более точной, чем у подавляющего большинства отдельных членов группы: на разных людей действуют разные искажения, и поэтому их ошибки не коррелируют, они компенсируют друг друга. Таким образом, глас народа может быть весьма разумным.

Даже среднеарифметическое значение оценок, данных разбирающейся в обсуждаемом вопросе «толпой», может быть весьма близко к истине. Многие исследователи предлагали различные методы развития этой идеи – от подбора более «правильной» толпы до сложных алгоритмов обработки полученных данных. Один из таких методов – создание рынка предсказаний . Вместо того чтобы просто давать оценки, участники рынка предсказаний торгуют активами, стоимость которых зависит от ценности будущих событий. Предположим, вы пытаетесь понять, будет ли конкурент строить новый завод. На рынке предсказаний в этом случае появятся активы, держатели которых получают один доллар, если конкурент к определенной дате объявляет о строительстве завода, и ничего не получают, если такого заявления не делается. В каждый конкретный момент времени равновесная рыночная цена будет отражать совокупную степень оценки вероятности будущего события. Если за один актив дают 70 центов, это значит, что трейдеры коллективно оценивают шансы на постройку завода в 70 процентов. По мере поступления новой информации трейдеры будут ее анализировать: если конкурент опубликует квартальный отчет с неубедительными цифрами, некоторые участники рынка решат, что расширение теперь менее вероятно, и начнут продавать активы – их цена снизится. Обновленная равновесная цена будет отражать новую совокупную оценку вероятности.

Некоторые компании используют метод «мудрости толпы» для получения надежных прогнозов перед запуском новых продуктов. Вполне ожидаемо, что сотрудники отдела продаж понимают рынок лучше всех, поэтому их средневзвешенная оценка может быть вполне надежным показателем.

Недостаток этого метода – и основная причина, по которой он не применятся более широко, несмотря на хорошую изученность и доказанную высокую эффективность, – заключается в его прозрачности. Прогноз, составленный из индивидуальных оценок сотрудников отдела продаж, видимый каждому менеджеру, с большой вероятностью превратится в самоисполняющееся пророчество. Это неплохо, если прогноз оптимистичен, так как это, безусловно, повысит моральный дух. Так же хорошо, если прогноз откровенно пессимистичен: если сотрудники в массе своей считают новый продукт ошибкой, лучше об этом знать заранее и возможно отложить запуск. Но что, если прогноз умеренно прохладен? Если сомневающийся в новом продукте менеджер поймет, что не одинок в своих сомнениях, – не демотивирует ли его это еще сильнее? Если вы боитесь, что это может погубить запуск продукта, который имел неплохие шансы на умеренный успех, то, возможно, не стоит рисковать и проводить опрос.

Использование мудрости толпы может быть менее рискованно, если вы еще не готовы принять решение, а только собираете и оцениваете идеи. Например, на ранних этапах стратегического планирования, организационных изменений или попыток стимулирования инноваций. Попытки узнать мнение тысяч сотрудников раньше не несли практической ценности, однако технологии обработки больших массивов данных стремительно развиваются и уже позволяют получить качественные изменения на их основе.

Когда речь заходит о борьбе с наиболее устойчивыми искажениями, три метода особенно выделяются своей эффективностью среди прочих способов получить разнообразные точки зрения. Их общей чертой является «лечение подобного подобным», то есть применение силы искажений против искажений.

Техника 21: Используем эффект перепривязки против привязки

В пятой главе мы обсудили, как тяжело бороться с инерцией распределения ресурсов, которая в значительной степени возникает из-за привязки к предыдущим значениям и не дает компаниям перераспределять ресурсы так решительно, как следовало бы. Сила привязки в том, что она происходит бессознательно, потому мы и не можем ей противостоять. Чтобы все же компенсировать действия «якоря», нам нужен другой «якорь», притяжение которого будет направлено в «противоположную» сторону. То есть перепривязка .

Крупные компании, в которых применяются методы перепривязки в рамках бюджетирования, используют различные варианты техники, но в их основе лежит один и тот же принцип. Для начала необходимо создать упрощенную модель распределения бюджета, если бы он создавался «автоматически». Для такой модели обычно используется небольшое количество параметров стратегической привлекательности каждого подразделения: объем рынка, рост, прибыльность и так далее. Единственный параметр, который принципиально не учитывается – это количество ресурсов, выделенных в прошлом. Используя эти вводные (соответствующие реальности, но недостаточные), мы получаем распределение ресурсов «с чистого листа» – то есть без учета показателей прошлых лет.

Очевидно, что эту упрощенную модель нельзя использовать для реального распределения ресурсов, но она резко меняет условия обсуждения. Если в прошлом году бюджет отдела маркетинга составлял сто миллионов долларов, то обсуждение текущего бюджета будет происходить примерно на том же уровне, скажем, в рамках от девяносто до ста десяти миллионов. Но вот моделирование показывает, что оптимальная цифра – сорок три миллиона! Конечно, никто не предлагает использовать это значение в реальности, возможно, существует масса причин оставить бюджет на уровне в сто миллионов или даже его увеличить. Но что это за причины? Мы начинаем анализировать информацию и задавать себе вопросы, которые раньше не приходили нам в голову. Теперь, когда обсуждение происходит на основе привязки к двум цифрам, а не к одной, оно становится намного более осмысленным.

В принципе, цифры распределения ресурсов, полученные путем моделирования, не всегда должны радикально отличаться от реальных цифр. Если предположить, что исторически распределение ресурсов было относительно согласовано с общей стратегией компании, эта стратегия отражена в параметрах моделирования, а модель корректно откалибрована, то на выходе мы должны получать в целом совпадающие с реальностью значения. Не имеет смысла тратить много времени, обсуждая цифры: все равно ни до каких радикальных изменений мы, скорее всего, не договоримся. А вот на что стоит обратить внимание, так это на те отделы, для которых значения модели и реальные цифры прошлых лет сильно расходятся. В этом дополнительная польза от перепривязки – выявление отделов, бюджетирование которых требует углубленного анализа.