Это уродливое слово, но прекрасная идея: когда столь многое из того, чем мы занимаемся, способно обеспечить нас информацией, можно узнать даже гораздо больше, чем требуется.

Само это словечко вошло в употребление относительно недавно, а вот понятию, которое оно обозначает, фактически уже несколько десятилетий. Эта концепция начала формироваться, когда гики[2] поколения наших родителей осознали, что можно систематизировать огромное количество информации о мире в формате данных, если только найти способ, как это сделать. Задача по датафикации осложнялась проблемой измерения: в нецифровых системах информацию требуется перевести в числовой формат. В цифровых данные уже присутствуют.

Это полезно, потому что, как уже было сказано, невозможно управлять тем, что не поддается измерению. Датафикация – это способ внедрить принцип измерения в вашу работу. Это основа того, чем мы будем заниматься в дальнейшем по мере чтения этой книги.

Позвольте привести пример: если бы 30 лет назад вы вдруг захотели узнать, сколько писем приходит в вашу компанию, вам пришлось бы поручить одному из сотрудников скучную и долгую работу по подсчету всей входящей корреспонденции. Если бы вы захотели выяснить, какой объем этой корреспонденции адресован вам лично, сотруднику пришлось бы отсортировывать все адресованные вам письма и ежедневно подсчитывать их количество. А если бы при этом вас заинтересовало, получаете ли вы больше писем, чем ваши коллеги, то сотруднику пришлось бы на протяжении нескольких недель заниматься сортировкой и подсчетом корреспонденции, после этого составить отчет, сделать фотокопию и принести ее вам.

Затем, если у вас произошли какие-то изменения (например, вы делегировали работу коллеге), этому несчастному, сортирующему корреспонденцию, пришлось бы на протяжении еще нескольких недель повторять эту скучную работу, подготовить еще один отчет, найти первый отчет в каталоге, скрепить их вместе и, возможно, даже постараться сформировать небольшую статистику… Почему это должно вас волновать?

Потому что вы нанимаете кого-то для выполнения этой работы, а время этого сотрудника имеет стоимость (хотя бы потому, что когда он считает письма, то не делает что-то другое). Множество полезных данных никогда не были собраны. Хуже того, сбор некоторых занимал столько времени, что к моменту его завершения эта информация уже устаревала или оказывалась ненужной. Это было все равно что пытаться управлять лодкой, ориентируясь по волнам, которые она оставляет за собой.

Мир изменился, но многие (фактически большинство из нас) не пытаются идти в ногу со временем. Например, в Великобритании в органах местного самоуправления по-прежнему перепечатывают множество документов, в результате чего, согласно результатам исследования, проведенного компанией – поставщиком программного обеспечения NDL, впустую тратятся почти два миллиона рабочих часов в год. Это происходит, потому что большой объем информации по-прежнему остается на бумажных носителях, которые пылятся в шкафах для хранения документов или пересылаются из компании в компанию и постоянно нуждаются в перепечатке.

При таком способе копирования информации возникают ошибки. А для экономии времени перепечатывается только часть документа, так что многие данные просто теряются. Шкафы – это братские могилы писем. Никто и никогда не читает то, что в них находится.

В Великобритании на самом деле все еще не так плохо, но, если оценить эту ситуацию в масштабах всего мира, когда речь идет и о бизнесе и госуправлении, можно понять, сколько информации больше никто и никогда не узнает. Она потеряна навсегда. У вас наверняка какая-то информация хранится в таком виде, и, вероятно, что-то из нее вам могло бы пригодиться. Вот только как вы решите, что вам нужно знать, и как получите информацию, которая вам требуется?

• Шаг 1. Проведите аудит данных. Составьте список всех своих бизнес-функций и решений, которые вы принимаете. Процесс может оказаться длительным и скучным, но вам не придется заниматься этим часто. Один из вариантов, как можно справиться с этой работой, – это облечь свои бизнес-функции в список проблем или задач, требующих решения. Затем перечислите данные, которыми вы в идеале должны располагать для качественного решения этих задач.

• Шаг 2. Классифицируйте данные. Некоторые из них у вас уже есть, и вы знаете, где они. Другие тоже имеются, но вы не знаете, где они. Некоторыми данными вы не располагаете, но можете их собрать. И наконец, информация из той категории, которую вы не знаете и не можете получить (например, подробный отчет по продажам вашего конкурента).

• Шаг 3. Расставьте приоритеты и выделите данные, которые вам нужны. Не все из них одинаково полезны. Некоторой информацией просто приятно обладать, а некоторая составляет основу роста вашего бизнеса. Очевидно, приоритетом станет сбор важной информации, которой у вас нет, но которую можно найти. Проработайте весь список. Скорее всего, вам так и не удастся дойти до конца, так как по мере работы над списком ваши приоритеты, вероятно, будут меняться.

• Шаг 4. Выстройте способы получения данных. Цель датафикации бизнеса не в том, чтобы прекратить делать реальную работу, потому что вы слишком заняты сбором информации, как делать работу. Некоторые процессы можно организовать довольно просто: например, установить бесплатную программу по веб-аналитике для отслеживания статистики по вашим веб-страницам или настроить журналы безопасности. Некоторые процессы осуществляются в полуавтоматическом режиме, например, иногда может быть эффективным, если кто-то из сотрудников готовит небольшой еженедельный отчет. Простой способ датафикации бизнеса – перестать работать с банком на бумажных носителях. Синхронизируйте бухгалтерское ПО с онлайн-системой своего банка, и по крайней мере с декларациями по НДС дело у вас пойдет быстрее и с меньшим числом ошибок.

• Шаг 5. Определитесь с местом хранения данных. Часто этому не уделяют должного внимания. Безопасный обмен данными не менее важен, чем возможность найти информацию. Некоторые компании спотыкаются на этом заключительном шаге. Согласно данным компании Harris Interactive[3], 92 % людей по старинке продолжают отсылать информацию в формате вложения в письмах электронной почты. Это значительно повышает вероятность отправить не тот документ, потерять письмо в большом количестве входящей корреспонденции или допустить утечку информации, если случайно забыть телефон в такси. Более надежный вариант – пользоваться безопасными способами обмена данными, например DropBox или Google Drive, или использовать облачное приложение для хранения данных, чтобы у вас был один источник информации.

Можно многое узнать, просто анализируя статистику по вашей компании.

Хорошая новость: практически все, чем мы сегодня занимаемся, можно посчитать, будь то деятельность или ее результаты.

Умение считать – первый шаг к экономии средств. Простой пример: сколько вы тратите на программное обеспечение? Компания Cap Gemini[4] провела опрос среди ИТ-директоров, сколько денег в их организациях тратится на закупку и установку ПО. Только 37 % респондентов были уверены, что практически все установленное в компании ПО необходимо для ведения бизнеса. Три четверти респондентов считали, что 20 % приложений дублируют функции друг друга, а 57 % признались, что пятую часть всего установленного в компании ПО пора снести с компьютеров.

Есть программы, которые могут составить список всего ПО, используемого в вашем бизнесе. Проанализируйте, сколько вы тратите на приобретение лицензий, и вам будет не так уж сложно сэкономить, избавившись от лишнего.

На основании этого упражнения можно сделать два вывода. Первый: для этого не обязательно быть экспертом в области статистики. Нужно просто проанализировать, что вы имеете, и посчитать, во сколько вам это обходится. Процесс анализа может занять до нескольких часов, но это время с лихвой окупится, если впоследствии вы будете тратить меньше денег на поддержку меньшего количества программного обеспечения. Второй: цифры не принимают решения за вас, хотя и становятся основой для принятия решений. Вам по-прежнему нужно тщательно взвешивать все плюсы и минусы, просто теперь вы точно знаете, в чем они заключаются.

Представьте, что у вас три программы для чтения электронной почты. На первый взгляд покупка всех трех будет пустой тратой денег. Однако если ваши сотрудники с трудом адаптируются к изменениям и у них есть собственный арсенал эффективных методов работы, так как они хорошо изучили свое ПО (или, например, используют мобильные приложения), тогда ваша экономия может оказаться неоправданной. Измерить это сложнее, но можно потенциально попытаться оценить плюсы и минусы в денежном эквиваленте. Все зависит от конкретных обстоятельств, так что нет одного правильного решения, как поступить.

Многие никогда не задавались вопросом, какие страницы на вашем сайте наиболее посещаемые, хотя Google Analytics (или другие инструменты, которые, возможно, имеются в вашем распоряжении) можно использовать бесплатно. При помощи этого инструмента можно узнать, какие разделы вашего сайта никогда не просматривают, какие продукты ищут посетители странички или с каких других ресурсов к вам переходят пользователи. Такой сбор информации может оказаться весьма полезным, притом что он редко занимает больше часа времени. Возможно, проблема в том, что мы называем это «аналитика», а это звучит гораздо серьезнее и сложнее, чем «умение считать». На самом деле это не сложнее.

После того как вы сами проделали это один раз, делегируйте задачу регулярного сбора статистической информации кому-нибудь из сотрудников, а принятие решений синхронизируйте с получением данных этих отчетов. Например, вы должны ежеквартально получать отчет по количеству посетителей разных страниц сайта за день до встречи с разработчиком сайта. Или раз в год получать отчет по лицензиям на ПО за месяц до даты их продления.

Еще одним богатым источником информации становится управленческий учет. К сожалению, согласно данным Сертифицированного института специалистов по управленческому учету (CIMA) и Университета Лафборо, 45 % компаний малого и среднего бизнеса не ведут регулярной управленческой отчетности, то есть не фиксируют, сколько они тратят, зарабатывают и как меняется эта динамика по сравнению с прошлым годом. Компания SKS, заказавшая проведение этого опроса, указывает на то, что «без этого организации остается полагаться лишь на интуицию и банковский баланс при принятии важных решений».

У SKS своя заинтересованность, так как она работает в сфере управленческого учета. Можно назвать как минимум две очевидные причины, почему компании малого бизнеса не готовят управленческую отчетность. У них нет на это времени, и/или им сложно найти информацию. При этом даже базовое облачное ПО для бухгалтерского учета, такое как Freshbooks или Xero, сделает это за вас благодаря синхронизации с банковскими счетами и автоматически подготовит нужные отчеты. В этом дар датафикации: если вы хотите узнать, попадаете ли в свою целевую аудиторию, продали ли вы онлайн больше, чем в прошлом году, или действительно ли львиную долю прибыли вам приносят лишь несколько продуктов, все уже давно посчитано для вас.

Как внедрить этот принцип в активное использование? Самый простой способ – проводить регулярные совещания, посвященные тем аспектам, которые вы анализируете, и назначить ответственного сотрудника, чтобы на каждое совещание он готовил короткую презентацию с актуальными данными. Если темами совещания будут простые конкретные вопросы (например, «На что мы тратим больше всего денег?» или «На что чаще всего жалуются покупатели?») и они будут короткими – несколько цифр, быстрое обсуждение и пара задач, которые нужно выполнить, – тогда эти рабочие встречи не станут тяжким бременем для всех.

В ведении бизнеса чрезвычайно полезным может оказаться анализ того, сколько времени занимает какая-то деятельность и сколько оно стоит (если, конечно, сам анализ не требует значительных временных затрат).

Есть вполне конкретные раздражители на работе, с которыми мы сталкиваемся ежедневно, но никогда не пытаемся от них избавиться – частично по той причине, что мы не считаем, сколько времени они у нас отнимают. Компания Atlassian[5] подготовила инфографику на тему того, как мы проводим время на работе, с оптимистичным названием: «Вы теряете кучу времени на работе». (Ссылка на эту инфографику приведена в разделе дополнительных ресурсов. Обратите внимание, там нет отдельного пункта для «времени, потраченного на просмотр инфографики».) Основной вывод авторов: в течение дня на продуктивную работу тратится 60 % или меньше всего рабочего времени. 80 % причин, по которым прерывалась деятельность, были абсолютно незначительными, 47 % респондентов считают работу самой напрасной тратой времени, 39 % опрошенных сообщили, что засыпали на рабочих встречах.

Если вы когда-нибудь дремали на совещаниях, кажется, эта инфографика объяснит вам кое-что о вашей жизни. (Один из моих коллег действительно задремал на совещании, которое проходило в офисе другой компании. Он проснулся, когда услышал обращенные к нему слова собеседника, к которому он приехал на встречу: «Очевидно, вы очень устали…») Вы даже можете переслать эту инфографику коллегам со словами «С этим надо что-то делать» или с твердым намерением изменить что-то в том, как вы работаете. Но все мы знаем, что это вряд ли к чему-то приведет. Вам нужно датафицировать то, как вы распределяете свое время.

Кому бы не хотелось работать меньше, получая такой же результат или даже лучше? А почему бы не оценить вашу собственную продуктивность и продуктивность окружающих вас людей? Вот если бы был для этого какой-то специальный инструмент! Разумеется, такой инструмент есть. Это ваш телефон. И еще два предмета, которые вам пригодятся: бумага и ручка.

Для начала запишите и подсчитайте, сколько времени вы проводите на рабочих встречах, в дороге, разговаривая по телефону, готовя презентации. Подсчитать время можно при помощи простого приложения, например Toggl – оно напоминает чуть более сложный секундомер.

Это лучше делать на протяжении месяца, так как, надеюсь, не все дни и недели на работе у вас одинаковые. Если вам неудобно использовать приложение, воспользуйтесь ручкой и листом бумаги. Юристы и бухгалтеры именно так фиксируют свое рабочее время на протяжении уже нескольких столетий, потому что на основании этого выставляют счет клиенту. В итоге у вас должен получиться отчет о том, на что вы и ваши коллеги тратите рабочее время. Использовать его можно тремя способами.

1. Повысить личную эффективность. Какой процент рабочего времени вы проводите в Facebook? Может, совещание закончилось бы на полчаса раньше, если бы вы уделили 15 минут подготовке перед встречей? Точно зная, сколько времени занимает выполнение определенной задачи (например, подготовка плана по маркетингу), вы можете более точно прогнозировать завершение своей работы.

2. Если вы наемный сотрудник, то при оценке пользы, которую вы приносите компании, или в ответ на обвинения, что вам следует тратить меньше времени на непродуктивную работу, демонстрация четких цифр, сколько времени вы тратите на какие рабочие задачи, будет вам на руку гораздо больше, чем голословные заявления. Многие (согласно данным исследования, о котором уже говорилось в начале главы) жалуются, что у них отнимает слишком много времени обработка электронной почты или дорога до офиса, потому что хотят, чтобы их адрес не ставили в копию в списках рассылок, или потому что хотят работать из дома. Благодаря собранным данным их желание может осуществиться.

3. Если вы руководитель, эта информация поможет вам организовать работу более эффективно. Внимание, это может оказаться весьма проблематично. Если просто попросить сотрудников фиксировать время выполнения рабочих задач, потому что вы хотите сэкономить деньги, очевидно, что, скорее всего, сотрудники начнут переживать, не собираетесь ли вы проводить сокращения или вводить систему штрафов и наказаний, даже если ни о чем подобном вы и не думали. В итоге они либо откажутся сотрудничать, либо будут врать. Так что, может быть, стоит сосредоточиться на одной проблемной области или позволить сотрудникам самим выделить проблемы, подумать о способах их решения и отчитаться вам о результате. Кроме того, учтите, что во многих странах скрытое наблюдение за сотрудниками считается незаконным и в любом случае это плохое управленческое решение.

Бесплатный опрос общественного мнения, что может быть полезнее?

Если у вас свой бизнес, вероятно, у вас также есть аккаунты в социальных сетях: Facebook, Twitter, возможно, Google+. Может быть, кто-то выкладывает фотографии производимой продукции в Instagram.

Вероятно, вы делаете электронные рассылки, отправляете информационные письма, ведете блог, который обновляете (или не обновляете) еженедельно. Вы потратили не один час, чтобы настроить опции по дублированию информации из блога в твиттер и наоборот.

И теперь вы считаете «лайки», которые вам поставили. Социальные медиа – это цифровые технологии, впервые в истории отношение людей датафицируется в тот момент, когда его выражают. В социальных сетях сосредоточен настолько огромный объем информации, что такие компании, как Facebook и Twitter, фактически обезличивают персональные данные и предлагают эту информацию специалистам по работе с данными, а те, проанализировав ее, продают результаты анализа дальше. Такой огромный поток социальных данных называется firehose («пожарный шланг»).

Но вам нет необходимости хвататься за этот «пожарный шланг». Вы и сами можете вести счет своим «лайкам», «ретвитам» и «+1». Twitter предоставляет статистическую информацию по вашему аккаунту, а помочь работать с этой аналитикой могут такие приложения, как Tweetdeck, Sprout Social или SocialOomph. Каждый раз при публикации поста вы можете наблюдать, кто публикует ваш пост у себя.

Это все весьма полезно. Давайте посмотрим, что происходит и как это влияет на развитие бизнеса, если люди всем этим занимаются (и вы только попробуйте их остановить: согласно данным компании Lightspeed GMI, 34,9 % жителей Великобритании в возрасте 18–24 лет проверяют свои аккаунты в социальных сетях еще до того, как встают с постели). Никто не спорит, что иметь 100 «лайков» для компании лучше, чем один, и что замечательно наблюдать, как то, что вы создали, расходится по интернету и вызывает положительную реакцию у пользователей. Однако по мере того, как число читателей вашего блога растет, количество «+1» под постами увеличивается, а вы уже думаете о том, чтобы нанять менеджера по продвижению в социальных сетях или отправить всех сотрудников на специализированные курсы, сделайте паузу и спросите себя: «А что это на самом деле значит?»

Короткий ответ: само по себе – ничего. Эти статистические данные о популярности вашего аккаунта – не что иное, как ваша «метрика тщеславия». Чем более вы тщеславны, тем большее значение им придаете. Но эти цифры адекватно отражают только сами себя.

Подсчет ретвитов отражает точное число людей, которые опубликовали ваш пост у себя. Специалист по продвижению в социальных сетях, возможно, назовет это «долей рекламного воздействия», потому что такое определение не стыдно внести в счет на оплату и получить за это деньги. Но ретвиты или «лайки» не отражают того:

• насколько вы популярны,

• купят ли пользователи то, о чем вы написали,

• нравитесь ли вы людям в реальной жизни.

Другие пользователи могут ставить вам «лайки» и делать ретвит ваших постов по целому ряду причин. Например, этот член парламента получил множество ретвитов (до того, как удалил свой пост) и увеличил свою «долю информационного присутствия», при этом он вряд ли улучшил свою репутацию, уровень доверия к себе или число друзей в реальной жизни:

Можно узнать больше о том, как социальные медиа соотносятся с реальной жизнью, если заплатить за проведение так называемого «анализа тональности текста». Он проводится на основании анализа частотности употребления таких ключевых слов, как «нравится», «люблю». К сожалению, его точность составляет в лучшем случае 70 % – это не намного эффективнее, чем просто подбросить монетку, и, скорее всего, даже менее надежно, чем ваша собственная интуитивная оценка, насколько вы нравитесь своим покупателям. Оценить эмоциональную окраску высказывания не всегда просто, особенно если делать это при помощи компьютерных технологий. Например, телевизионная станция хочет узнать, насколько популярна ее программа. Сообщение в твиттере, что пользователю не нравится эта программа, – это негативный отзыв. При этом сообщение, что ему неприятен отрицательный персонаж в этой программе, – это положительный отзыв, потому что он показывает, что зритель смотрит программу, обращает внимание на ее содержание и мотивирован рассказать всему миру, что он смотрит ее и обращает внимание на то, что там показывают. При этом компьютерная программа может оценить оба отзыва как отрицательные.

Все становится очень туманным. Даже если анализ эмоциональной окраски высказываний выполнен точно, он может вообще ничего не значить в реальном мире. Твит или оценка поста занимают считаные секунды, немногие относятся к этому действительно серьезно, кроме того, всегда можно удалить свое сообщение или отменить оценку «Нравится». Таким образом, не стоит расценивать действия в социальных сетях как намерение потратить деньги или взять на себя серьезное обязательство в реальной жизни.

Наконец, пользователи социальных сетей – это, скорее всего, молодые люди среднего класса, образованные и из развитых стран. Очень легко начать слишком доверять социальным сетям, но все же не стоит увлекаться по следующим причинам:

1)-«лайк» и намерение сделать покупку – это не одно и то же;

2) пользователи могут делать ретвиты и «лайкать» ваши сообщения как по положительным, так и по отрицательным причинам;

3) нет доказательств, что это не эмоциональный порыв, а осознанное решение;

4) люди, которые это делают, могут быть не теми, кто вам интересен.

С другой стороны, это бесплатное статистическое представление, которое может обеспечить вас некоторыми полезными данными. Оно отражает те аспекты деятельности вашей компании или вашей рекламы, которые пользователи социальных сетей считают интересными. Оно может выявить тренд. Оно способно обеспечить быструю обратную связь, когда вы вносите изменения или решаете локальные задачи или проблемы, касающиеся одной группы людей. Так что это не информация обо всем на свете, но это самый большой бесплатный инструмент датафикации из созданных на сегодня, и потому было бы глупо его игнорировать.

Что такое большие данные и где вы можете их получить?

Если вы не прячетесь в глухой пещере без электричества, скорее всего, вы обратили внимание на то, что сегодня многие говорят о больших данных. Это высшая цель и завершающий этап датафикации: идея о том, что все данные, которые создаются в цифровой реальности, могут быть полезны для улучшения мира, который произвел эти данные. Или в нашем случае могут помочь вам увеличить прибыль на 352 %.

Любое обсуждение темы больших данных начинается с попытки оценить, с каким объемом информации мы имеем дело. Предупреждаю: с большим. Авторы одной из лучших книг по этой теме (с удивительно понятным названием «Большие данные»[6]) Кеннет Кукьер и Виктор Майер-Шенбергер подсчитали в 2013 году, что если бы всю информацию в мире скопировали на CD, а затем сложили их один на другой, получились бы пять отдельных стопок, каждая из которых была бы высотой до Луны.

Сегодня к этим стопкам прибавились бы еще пять новых, но фактически это не имеет значения, так как сделать стопку такой высоты все равно невозможно. Важный вывод из этого заключается в том, что практически вся новая информация сегодня создается в цифровом формате. В 2000 году только около четверти всех данных хранились в цифровом виде. Сегодня это 99 %.

Перспектива больших данных в том, что мы сможем узнать еще больше. Хотя не все так просто. Датафикация не гарантирует финального результата, который вы сможете использовать. Подавляющий объем новых данных плохого качества или с трудом поддается анализу. Например, сегодня практически все системы видеонаблюдения оснащены цифровыми камерами. Однако компьютеры пока не могут «смотреть» изображения с этих камер и определять, что они видят, кроме элементарных, но важных вещей, например большого скопления людей. Хранение тысяч документов в формате текстового редактора – это замечательно, если вам нужно найти слово или фразу, но уже не так хорошо, если у вас нет времени читать все документы по результату поиска. Большинство людей осуществляют поиск для решения проблемы, а не потому что хотят что-нибудь почитать.

Большие данные по определению представляют собой слишком объемный и сложный массив информации по сравнению с теми базами, с которыми обычно работают компании. Для управления этими данными, для их обновления и обеспечения их безопасности не обойтись без применения специальных технологий. Это сложно и дорого, и большинство компаний не могут себе этого позволить. Если ваша организация в их числе, то чем вам могут оказаться полезными большие данные?

Во-первых, те, кто работает с ними, предлагают самые разные варианты их использования для повышения эффективности бизнеса, нередко даже бесплатно. Самый очевидный пример – целый ряд сервисов от компании Google: это и карты Google Maps, и новостные ленты с персональными настройками, и отчеты о статистике по сайтам, которые составляет Google Analytics.

Большие данные также способствуют решению проблем, позволяя поставщикам услуг создавать экспертные системы на основе машинного обучения и искусственного интеллекта. Самым простым примером может служить рекомендательный сервис интернет-магазина Amazon «Люди, купившие это…». Такой тип приложения с использованием «коллективного разума» обладает свойствами, характерными для больших данных: этот сервис не идеален, потому что механизм его работы заключается в том, что он ищет соответствия выявленным ранее закономерностям в информации и совмещает их с потенциальными потребностями пользователя. Тем не менее этот алгоритм работает быстро и лучше, чем просто догадка, а, как нам уже известно, большинство сотрудников впустую тратят 60 % рабочего времени и интуиция не слишком эффективное руководство для принятия решений.

Эти экспертные системы датафицируют функции, которые раньше относились к области человеческих навыков, например набор текста и перевод. Признайтесь, вам нравится перепечатывать тексты? Качество оборудования, распознающего речь, стало гораздо выше, но не потому что мы изобрели новые принципы работы программного обеспечения этого типа, а потому что компьютеры применяют большие данные для самостоятельного обучения. Обучение экспертных систем происходит за счет введения аудиозаписей, отобранных из интернета, вместе с расшифровкой, после чего система анализирует их и самостоятельно «обучается». Если вы не используете ПО для переформатирования аудиозаписей в текст, потому что вы попробовали это в 1990-х годах и получилась полная ерунда (а так оно и было), протестируйте современные онлайн-приложения, например Transcribe, и вы будете поражены. Эти сервисы бесплатны или предлагают свои услуги за символическую стоимость. В основе их работы лежат большие данные, а вы пользуетесь только конечным результатом. Можете ли вы использовать большие данные как-то еще? Да и нет.

Есть два способа, как большие данные могут стать хорошей инвестицией даже для компаний малого бизнеса. Во-первых, исследование их можно применить для улучшения собственных данных: примерами могут быть оценка внешней кредитоспособности или способность автоматически отслеживать лоты, когда они выставляются на продажу на онлайн-аукционах. Это делается в интернете, и существует специальная платформа под названием Kaggle для исследователей разных уровней, которые занимаются поиском решения разных задач на основе больших данных. Компании предлагают различные задачи и назначают вознаграждение, а гики со всего мира борются за него, предлагая собственные варианты решения проблемы. Одной из последних предложенных задач был поиск оптимальных способов работы по управлению клиентскими рекламациями от компании BNP Paribas[7] (вознаграждение $30 000) и определение самых довольных клиентов компании Santander[8] (вознаграждение $60 000).

Возможно, вы не готовы тратить такие суммы. Действительно немногие компании идут на это. Располагая более скромным бюджетом, можно, например, нанять специализированную организацию и исследовать тренды Facebook. Однако вам все равно придется платить за результат, так что это не быстрое решение. Для начала тщательно обдумайте, за информацию какого рода вы готовы заплатить и как вы будете применять ее в дальнейшем в вашей работе. Согласно данным компании Insite Consulting, примерно половина полученной информации остается никак не задействованной в процессе дальнейшего принятия решений. Это в буквальном смысле пустая трата денег.

Вы также можете решить работать с данными самостоятельно. Насколько это сложно? Очень сложно. Вы можете получить нужную вам информацию, в открытом доступе находятся структурированные большие данные, полученные в результате обязательного сбора открытых данных или их анализа и обработки. В Великобритании ведущей организацией, представляющей эту информацию, стал Институт открытых данных (Open Data Institute). Правительство Великобритании публикует информацию по самым разным темам, начиная от планов по производству дорожных работ до статистики по ожирению. В других странах национальная статистика становится все более доступной для пользователей, которые хотят ее получить. Таким образом, доступными становятся огромные массивы данных. Однако главная ценность заключается в их анализе.

А это не так-то просто. На протяжении последних 20 лет миллиарды долларов были впустую потрачены компаниями, которые вкладывались в область данных, но получили больше вопросов, чем ответов. Согласно аналитическим данным компании Ovum[9], в 1998 году четыре из пяти проектов первой волны, связанных с большими данными, потерпели полный провал. Основная причина заключалась в том, что они не были уверены, насколько полученные ими выводы могли способствовать повышению эффективности ведения бизнеса, даже если сами эти выводы были верны. Поэтому они не знали, следует ли инвестировать в проекты, и не понимали, можно ли принимать бизнес-решения на основе этих фактов.

Как ни парадоксально, иногда от больших данных можно получить результат лучше, если начать с малого: использовать бесплатные или почти бесплатные сервисы для повышения эффективности бизнес-процессов, прежде чем делать в эту область крупные финансовые вложения.

После того как вы собрали данные, они должны храниться у вас в цифровом, а не текстовом формате.

Однажды мне довелось беседовать с руководителем отдела компьютерной графики одной из газет о том, как ей удается превращать сложные визуальные данные в аккуратные графики и диаграммы. Я неосмотрительно упомянул формат PDF.

«Я бы просто запретила использование этого формата, – заявила Кэрол (назовем ее так), вскипая. – Не представляете, сколько времени я убила впустую из-за того, что мне присылают файлы в формате PDF и говорят [здесь Кэрол намеренно стала говорить с дурацкой интонацией]: “Кэрол, ты не можешь сделать график из этого?” НЕТ, Я НЕ МОГУ».

Итак! У вас собран определенный массив данных. Как его хранить? Подсказка: не в PDF. Чаще всего объем нужной информации может храниться в двух местах: базе данных и таблице. Эти файлы могут быть в компьютере, на серверах или в облачном приложении, однако важно, чтобы эти данные хранились в таком формате, с которым вы сможете работать.

Для хранения больших массивов информации используются базы данных. Детали организации этого процесса слишком сложны с технической точки зрения, так что я не буду погружаться в них сейчас, можете выдохнуть с облегчением. Вероятно, вы больше знакомы с тем, как работают таблицы. Если вам приходится работать с бюджетом, или с расписанием, или другими небольшими по масштабу данными, скорее всего, вы уже активно используете какую-то из таблиц, и могу предположить, что это Microsoft Excel.

У баз данных и таблиц есть общая черта: информация организована в виде строк и столбцов. Таблицы – это просто гениальное изобретение человеческой мысли, изначально они использовались в бумажном варианте бухгалтерами, но, когда в 1979 году была разработана первая электронная таблица для персональных компьютеров VisiCalc, приложения для работы с ними стали неотъемлемой частью компьютерного ПО.

Прелесть таблицы в том, что сначала вы можете работать с данными, например, создав строку, дополняющую остальные. Цифры и названия в таблице составляют массив данных. В форматах PDF или Word данные словно перестают существовать: чтобы воспользоваться этой информацией, ее нужно заново набрать или, если повезет, скопировать и вставить. Если с цифрами производились математические операции (например, складывались промежуточные результаты), при переводе этих данных в PDF или Word ссылки, скорее всего, окажутся нерабочими.

При обновлении источника данных свежая информация никогда не попадет в документ в текстовом редакторе. Такие документы устаревают ровно в минуту их создания. При использовании баз данных и таблиц, если немного постараться, можно добиться того, чтобы актуальность данных поддерживалась.

Так что, если уж вы затратили усилия на сбор великолепного массива данных, позаботьтесь о том, чтобы им было удобно пользоваться. В противном случае, как бы замечательно ни выглядели эти данные, они бесполезны. Спросите Кэрол (или лучше не спрашивайте). Это основное правило деловой информации: нельзя вести бизнес, опираясь на прошлогодние факты.

Все знают, как составить хорошую таблицу на основе имеющихся данных?

После того как вы представили информацию в виде таблицы, вы должны быть способны донести ее до других. Качественно составленная таблица нередко становится наиболее эффективным способом представления данных: к сожалению, это также тот способ, которым чаще всего пользуются неправильно. Так что, пока мы окончательно не запутались, давайте потратим пять минут, чтобы прояснить разницу между хорошей таблицей и плохой.

Эдвард Тафти, специалист по информационному дизайну, – это, вероятно, человек, который больше всех думает о том, как эффективно доносить информацию до других. Тафти считает, что «графический мусор» (то есть то самое замысловатое форматирование, которое пользователи применяют для оформления таблиц) представляет собой «очевидный признак статистической глупости». Используйте подобное форматирование в своей презентации, и слушатели обоснованно заключат, что вы мало что смыслите в статистических данных. Обсуждение этого вопроса можно найти на его (достаточно аскетичном) сайте, который указан в разделе дополнительных ресурсов.

Принцип создания таблиц по Тафти заключается в том, что каждая единица информации и каждый элемент дизайна должны помогать пользователю лучше понять тему. Это сложнее, чем может показаться, но самый эффективный способ этого добиться – удалить все отвлекающие факторы и структурировать информацию так, чтобы она соответствовала образу мышления человека.

В качестве примера возьмем таблицу, отражающую долю выживших онкологических больных, из научной работы Германа Бреннера «Доля выживших онкопациентов в долгосрочной перспективе на конец ХХ века: периодометрический анализ» (Lancet, 2002, № 360, с. 1131–1135). После публикации научной работы на эту таблицу часто ссылались в газетных статьях. Оригинал ее выглядел как таблица, расположенная на предыдущей странице.

Это далеко не самая плохая из таблиц. Однако неспециалисту сложно в ней разобраться: в чем заключаются хорошие новости, какие виды рака наиболее опасны, в каких областях удалось добиться наибольшего прогресса – словом, то, что интересует всех нас. А вот таблица Тафти (она содержит все те же самые данные):

Относительная доля выживших онкопациентов в зависимости от типа рака

Я опустил нижнюю часть таблицы: вы и так можете уловить принцип ее построения. Почему теперь воспринимать информацию стало гораздо проще? Есть несколько рекомендаций по созданию качественной таблицы.

Сортируйте данные, чтобы самая важная информация находилась в верхней части таблицы. В таблице Тафти показатель самой высокой доли выживших онкобольных после пяти лет расположен в самом верху. Почему? Потому что, если вам поставили этот страшный диагноз, вас будет интересовать, какие у вас шансы по сравнению с пациентами, больными другими видами рака. Так мы думаем и так принимаем решения.

Не используйте профессиональный жаргон в названиях столбцов и строк. Возможно, пользователи знают, что такое «стандартная ошибка» (величина, показывающая отклонение данных от среднего показателя), но вот «% (СО)» в заголовке понять гораздо сложнее. Обратите внимание на то, как в легенде таблицы, находящейся вверху, где пользователи прочитают ее раньше, чем перейдут к цифрам, объясняется, что означают цифры.

Используйте как можно меньше строк, но не меньше, чем нужно. Для каждого вида рака приводится по восемь показателей, но они сгруппированы в четыре столбца. Объединение среднего показателя и стандартной ошибки без дополнительных строк и ячеек позволяет сразу выделить самую важную информацию. Показатели стандартной ошибки больше не заключены в скобки, и потому читать их стало проще.

Не стоит автоматически применять форматы, предлагаемые Excel. В большинстве случаев они слишком вычурные. Взгляните на таблицу, созданную Тафти: форматирования практически нет, так как линии и цвета отвлекают от цифр.

В бизнесе данные используются для принятия решений. Именно так вы добьетесь роста прибыли на 352 %, как я и обещал, принимая другие решения. Качественная таблица – это единственный, самый важный актив, который у вас есть, когда нужна точность. Как в этом примере, таблица может быть единственным что вам потребуется, чтобы получить важную информацию, необходимую для принятия решения. Но помимо этого, данные из нее удобны в использовании: в отличие от файла в формате PDF, их можно использовать для следующего шага, чтобы построить диаграмму.

Диаграммы способны не только структурировать информацию, но и сделать ее непонятной.

Открываем Excel, вносим данные, выделяем их, выбираем тип диаграммы, строим ее, копируем, вставляем в PowerPoint, проводим презентацию. Каждый из нас когда-нибудь это делал, а затем наблюдал за печальными лицами людей, перед которыми он выступает, когда они пытаются выделить важную информацию.

Вот три способа (хотя их гораздо больше) сделать так, чтобы ваши диаграммы стали более понятными. Основное правило – вы должны спросить: «Понимаете, что я имею в виду?», и каждый, кто видит вашу диаграмму в презентации, должен суметь самостоятельно ответить на этот вопрос.

Ниже представлена диаграмма, демонстрирующая рост числа сотрудников.

Название диаграммы говорит о том, что число сотрудников увеличилось, но, чтобы убедиться в этом придется напрячь зрение. Фактически более удачным названием этой диаграммы в таком виде было бы, что число сотрудников примерно одинаково каждый год.

Вопрос: должна ли ось значений начинаться с нуля? (Вопрос об усеченной вертикальной оси впервые был поднят в 1954 году в книге Даррелла Хаффа «Как лгать при помощи статистики»[10], которая до сих пор остается самой популярной книгой об этой науке). Если вероятность, что число сотрудников будет на отметке «0» и «10», примерно равна, то начинать следует с нуля; важная информация в данном случае будет состоять в том, что число сотрудников превышало отметку «9» на протяжении 12 лет! Отлично. При этом, если возможное число сотрудников никогда не было меньше 9, пусть все внимание будет направлено на историю, которую вы хотите рассказать, а не на девять десятых, которые не так важны. Ниже приведена та же самая диаграмма, но теперь по форме подачи информации она соответствует названию.

Рост числа сотрудников (2004–2015) Остерегайтесь 3D

Прелесть плоских столбиковых диаграмм в том, что они отражают одну зависимость: высота столбца соответствует данным. Это невозможно игнорировать. Но Excel (как и другие программы работы с таблицами) предлагает нам 3D-диаграммы, если вдруг нам хочется развлечься, а не получить информацию. В лучшем случае дополнительное измерение не дает новой информации, отвлекая при этом от высоты столбца.

В худшем случае эта диаграмма дезинформирует пользователей. В Excel есть возможность строить 3D-диаграммы с конусообразными элементами. Пользователи должны оценивать высоту конусов, но человеческий мозг имеет тенденцию к преувеличению разницы.

Самый худший из грехов – использование объемных иллюстраций. Ниже представлен один из таких примеров.

Второй мешок с деньгами в два раза выше первого. Однако, помимо этого, в нашем воображении он еще и в два раза шире, и в два раза глубже, чем первый. Объем второго мешка в восемь раз больше объема первого. Этот прием всегда используется для преувеличения разницы. У нас нет «полиции», следящей за использованием изображений, поэтому при желании вы вполне можете так поступить. При этом вы исказите смысл данных. Тем не менее если вы осведомлены об этом приеме, то будете начеку, если его попробуют применить в отношении вас.

Наша прибыль удвоилась!

В данном случае, если вы все-таки не готовы отказаться от идеи картинок с мешками, то правильный способ это сделать – использовать во втором случае изображение, на котором в два раза больше точно таких же мешков и чтобы при этом они лежали друг рядом с другом, дабы можно было сравнить длину линии, которую образуют эти мешки. Это сопоставимо с линейной диаграммой, которая составлена из изображений маленьких мешков.

Слишком много «пирога»

Круговые диаграммы, напоминающие куски пирога, повсеместно встречаются в презентациях, так как формат таблиц считается устаревшим. К сожалению, нередко они не несут полезной информации. Ниже приведен такой пример. В этой диаграмме есть легенда и все, что нужно, но какой ее сектор самый большой? На практике большинство людей ответили бы, что передний сектор (он кажется самым крупным, потому что расположен ближе всего к смотрящему). Но даже на плоской секторной диаграмме было бы сложно различить эти три практически одинаковых «куска пирога».

Можно поместить цифры на сектора диаграммы или указать процентное соотношение. Это лучше, но обычно на чтение и понимание этой истории уходит много времени, особенно если секторы не расположены в очевидном порядке от большого к маленькому.

Покажите кому-нибудь вашу круговую диаграмму и попросите быстро сказать, о чем она. Если вы не получите ответ в течение 10 секунд, вероятно, вам лучше использовать столбиковую диаграмму:

Это отвратительная диаграмма, в которой горизонтальные столбцы затенены так, словно это маленькие трубки. Почему? Потому что Excel предлагает этот вариант по умолчанию. Привет компании Microsoft! К счастью, теперь хотя бы видно, что средний столбец самый длинный, а еще через несколько секунд мы даже посчитаем значения каждого столбца с помощью вертикальных линий. Уже лучше. Возможно, более удачным вариантом было бы сделать ряды маленьких человеческих фигурок вместо горизонтальных столбцов, к тому же это напомнило бы, что речь идет о людях. Однако такой подход потребовал бы больше времени, и в Excel это нельзя сделать автоматически, хотя, казалось бы, сегодня программа уже должна предлагать такие опции.

У меня радикальное предложение. Если у вас очень небольшой объем данных, скажем пять цифр или меньше, и вы хотите представить их, почему бы не оставить все в форме таблицы, как раньше? В таблице содержится вся информация, представленная в предыдущих двух диаграммах, она быстрее читается, и ее невозможно неправильно понять.

Сколько времени вы добираетесь до работы?

Графики часто рассказывают историю взаимосвязи данных. Разобравшись с этой историей, вы сможете принять правильное решение.

Графики, как мы увидим далее, не доказывают наличия взаимосвязи, но определенно помогают ее выявить, и по многим причинам с этого стоит начинать. Ниже приводится таблица, демонстрирующая, как часто британское правительство называло состоятельных людей «производителями материальных благ», год за годом.

Я не буду комментировать, действительно ли люди, у которых больше денег, производят материальные блага (создавая компании и новые рабочие места или покупая большие дома, позволяя тем самым заработать другим) или потребляют их (если они покупают несколько домов, которые стоят пустыми, кто-то другой мог бы на эти деньги приобрести необходимое жилье). Это относится к разряду субъективных мнений, и у разных политиков своя точка зрения на этот счет.

Как мы видим, цифры увеличиваются, но не сильно. Теперь мы можем составить точечную диаграмму, как показано далее.

Соотношение числа статей в британской прессе с упоминанием «производителей материальных благ» (2000–2012)

Это весьма интересно: теперь стало очевидно, что цифры увеличиваются. При анализе диаграммы слева направо вырисовывается определенная история. Кажется, мы уловили закономерность.

Сейчас впервые в этой книге настало время серьезно задуматься о проблеме интерпретации данных. Точки на диаграмме рассеивания – это статистические данные. Статистика представляет собой информацию, но это не сама информация. В данном случае это измерение количества статей в прессе в базе данных под названием Factiva.com, которая собирает публикации газет и журналов со всего мира. Тем не менее статистика тоже может ошибаться (база данных может быть неполной), и закономерности в реальной жизни не бывают такими же четкими, как в школьных научных экспериментах. Эти данные подвержены влиянию множества факторов. Так что история, которую я рассказываю, – это всего лишь один из многих возможных вариантов.

В чем заключается моя история? Есть веские основания предполагать наличие закономерности: политики все чаще использовали этот термин на протяжении периода времени, обозначенного на диаграмме. Обратите внимание, если бы я просто отметил первый и последний годы и показатель последнего года был бы выше, речь шла бы о разнице, а не о закономерности.

Тогда, может быть, стоит соединить точки, чтобы сделать закономерность более очевидной, как на следующей диаграмме.

Соотношение числа статей в британской прессе с упоминанием «производителей материальных благ» (2000–2012)

Визуально стало лучше, но можно пойти дальше. Никто не может предполагать, что количество статей было в точности таким. Одна хаотичная линия внесла ясность в диаграмму, но не в историю, которая стоит за ней. Лучше провести прямую линию, чтобы обозначить закономерность.

Чтобы начертить такую линию, прибегнем к методу наименьших квадратов, который активно используется в статистике. Для этого берутся все точки и рассчитывается линия с минимальным квадратом расстояния от каждой точки до линии. Эта черта называется линией наилучшего соответствия. Не переживайте, если до этого вы не имели дела со статистикой, – функция для создания этой линии заложена в программу по работе с таблицами. Однако одна линия может оказаться не слишком информативной. Как видно, точки располагаются не по прямой. Получается, что в начале и конце графика большинство точек находятся выше линии наилучшего соответствия, а в середине большинство точек располагаются под этой линией. Это не очень хорошо.

Взгляните на следующий график. Я разделил данные на две части. В период с 2000 по 2006 год линия наилучшего соответствия была горизонтальной. В период с 2006 по 2012 год она пошла вверх. Из этого можно сделать вывод, что термин «производители материальных благ» начал активно вводиться в употребление после 2006 года.

Соотношение числа статей в британской прессе с упоминанием «производителей материальных благ» (2000–2012)

Насколько это соответствует действительности? Статистика – точная наука, но анализ закономерностей всегда субъективен. Простая столбиковая диаграмма так же показала бы, что частота употребления этого термина повысилась, и, возможно, это все, что нам стоит знать. Можно выдвинуть предположение, что примерно в этот период кто-то принял решение о введении в употребление нового термина, но это так и останется лишь предположением.

Суть в том, что простое составление таблиц или графиков – это еще не способ принимать более эффективные решения. Важно улавливать закономерности. Они либо указывают на необходимость понимания того, что происходит, если мы не знаем причин появления этой закономерности, либо показывают, что какой-то фактор оказывает влияние, если мы понимаем какой. Чем лучше прослеживается закономерность и чем ближе располагаются точки к линии, тем больше это указывает на то, что нужно искать причину.

Усреднение может сделать информацию яснее. Однако существует больше чем одно среднее значение, и выбор неверного может скрыть от вас то, что вам действительно стоит знать.

В 1918 году Джон Меклин ввел в употребление фразу, которую то и дело применяют специалисты по статистике. Он впервые использовал ее в названии своей научной работы «Тирания обычного человека», опубликованной в журнале International Journal of Ethics.

О какой тирании идет речь? Меклин объясняет. «Очарование острова Капри полностью покоряет путешественников даже без колких фраз Тацита, напоминающих им о…» Постойте, это не тот отрывок. «Наш современный тиран – с головой гидры, с бесчисленным количеством рук…» И это не то! В конце концов автор сообщит нам, что он против «кричащей и банальной сентиментальности дешевого романа, глупого остроумия воскресного приложения к газете, абсолютно пустых песен популярных эстрадных шоу».

Претензия Меклина, высказанная в столь резкой форме, тем не менее обоснованна и заключается в том, что мы уделяем слишком много внимания вкусам большинства и игнорируем тех, кто выделяется из общей массы. Меклин работает в Университете Питтсбурга, издалека наблюдает за процессом зарождения массового социализма и распространением демократических идей, и его одновременно интересуют и пугают привычки обычных людей, от которых, по его словам, будет зависеть процесс принятия решений.

Здесь необходимо сделать пояснение, что это эссе отражает исключительно субъективное мнение автора, который не приводит примеров «обычного» вкуса, не показывает, чем он отличается от вкусов богатых и успешных людей, которыми он так восхищается, и не обосновывает, действительно ли выбор большинства объективно хуже любого другого.

Кроме того, это мнение далеко не всегда справедливо. Мы живем в мире, где слушают музыку и Адель, и Rage Against The Machine, где играют в футбол или в 3D-шахматы. Тем не менее для целей нашей книги у Меклина можно почерпнуть важную мысль. Среднее значение часто отвлекает от более полезной информации.

Есть три средних значения, которые обычно применяются, и все они в определенных ситуациях бывают полезны.

• Среднее арифметическое. Именно это значение большинство людей понимают под средним. Это сумма всех статистических элементов, деленная на их количество. Среднее арифметическое последовательности 1, 3, 3, 4, 4, 6 – это 21/6, или 3,5. Если мы хотим, например, узнать уровень рождаемости, среднее арифметическое будет наиболее полезным статистическим показателем. В Великобритании в 1964 году, по данным Всемирного банка, уровень рождаемости составил 18,8 на 1000 человек. В 2013 году этот показатель был 12,2. Интересно.

• Медианное значение. Проблема со средним арифметическим показателем состоит в том, что при наличии резко отклоняющихся значений – как в большую, так и в меньшую сторону – результат получается искаженным. Например, если покупатели тратят 1, 3, 3, 4, 4, 6 и 28, то получается, что в среднем каждый из них тратит 49/7, или 7. Медиана – это уровень показателя, который делит некоторый набор данных на две равные половины. В данном случае это четвертый элемент из семи, то есть 4. Это более адекватное среднее значение при наличии чрезвычайно высоких показателей.

• Мода. В статистике мода – это значение во множестве наблюдений, которое встречается наиболее часто. Это то, что делает самая большая группа (или каким признаком она обладает), так что по этому показателю можно выстраивать приоритеты. Если среднее арифметическое товаров, которые покупают пользователи вашего сайта, равно 7, но при этом 8 из 10 пользователей не покупают ничего, то мода уровня покупок равна 0. И, возможно, с этого и стоит начинать, если вы хотите что-то менять.

Дэшборд (Dashboard)[11] кажется отличным инструментом первые два дня, затем на него чаще всего просто перестают обращать внимание. Тем не менее качественный дэшборд может оказать помощь в принятии решений на основе данных.

Он позволяет найти необходимые данные, когда они вам нужны. Дэшборды, формальные или неформальные, для сбора всех данных в едином месте применяются во многих компаниях. При этом их создание не ограничивается просто помещением всех данных на экран.

Дэшборд – это актуальный отчет о том, что происходит в бизнесе. Это эффективный инструмент, позволяющий руководителю выработать полезные привычки работы с данными. Когда вас о чем-то спрашивают, первой мыслью должно быть: «Посмотрим, что говорит дэшборд». Как ни парадоксально, самый большой минус этого инструмента заключается в том, что он делает слишком много. Если данные там организованы не очень хорошо, ваша следующая мысль: «Не совсем понимаю, что именно означают эти цифры».

Признаки качественного дэшборда:

• вся информация, необходимая для работы, собрана на одном экране;

• информация постоянно обновляется, так что вы уверены, что пользуетесь актуальными данными;

• на ней выделены важные моменты.

Во многих компаниях практикуется проведение трекинговых исследований. Но, как видно по результатам, не все они одинаково полезны.

Сложно планировать результат, если не знаешь, в какой точке находишься и в каком направлении собираешься двигаться. Это в равной степени относится к тому, что о вас думают клиенты, поставщики и сотрудники, а не только к тому, сколько единиц товара вы продали вчера. Периодический опрос клиентов лежит в основе исследовательского инструмента под названием «трекер». Суть в том, чтобы подвергать проверке одни и те же базовые данные через равные промежутки времени, чтобы следить за динамикой при помощи простых показателей.

Самое важное не то, насколько часто вы проводите эти опросы, а о чем вы спрашиваете. Во время трекингового исследования одни и те же вопросы должны задаваться в одинаковой манере примерно одной выборке респондентов. Результатом должно стать число. Статистический показатель повышается, если бизнес на подъеме, и понижается, если дело переживает не лучшие времена. Большинство компаний помещают вопросы трекингового исследования на дэшборд.

Это просто. К сожалению, на этом легкая часть заканчивается. У многих компаний бесполезные или недостоверные «трекеры» напоминают зомби в поисках данных еще долго после того, как сотрудники полностью перестали обращать на них внимание. «Сегодня компании отслеживают совсем не те показатели, которые следовало бы», – предупреждает Фил Кодлинг, менеджер по исследованиям и аналитике Института по изучению работы с потребителями (Institute of Customer Service).

«В ходе современных трекинговых исследований задают, во-первых, неверные вопросы и, во-вторых, слишком много вопросов», – говорится в заключении аналитического отчета The Trouble with Tracking («Проблемы трекинга»), подготовленного Яном Хофмейром, который создал модель преобразования системы отслеживания. Задавать нужно только тот вопрос, который повлияет на принятие решения и который подразумевает конкретное действие, если трекинговый показатель повышается (или понижается). Компании задают слишком много вопросов, их охватывает «исследовательская лихорадка», люди любят получать как можно больше информации. Проблема в том, что респонденты не утруждают себя ежемесячным заполнением длинных опросных форм или просто выдумывают ответы. Так что руководитель получает неадекватную информацию, трекинговый показатель случайным образом прыгает то вверх, то вниз.

Может показаться парадоксальным, но качественный трекинговый показатель не меняется слишком сильно, поскольку реагирует на стратегические тренды, а не на события вчерашнего дня. Его смысл в долгосрочной перспективе, а не краткосрочных решениях.

Сегодня в качестве трекера наиболее часто используется так называемый индекс потребительской лояльности NPS. Он был создан в 2003 году консультантами по вопросам управления компании Bain[12], которые выяснили, что ответ на вопрос «С какой вероятностью вы бы рекомендовали наши продукты/услуги/компанию своим друзьям и членам семьи?» по шкале от 0 до 10 представляет собой хороший индикатор будущего роста.

Для вычисления трекингового показателя берется число тех, кто рекомендовал бы услуги компании своим друзьям и родственникам (показатели 9 и 10), и вычитается число тех, кто не рекомендовал бы (показатели ниже 6). Компании используют трекинговый показатель для отслеживания качества клиентского обслуживания, определения приоритетов среди проектов (те, что имеют самый высокий индекс NPS, обеспечивают самый быстрый рост компании) или для сравнения офисов или департаментов.

Как и все остальные трекеры, этот индекс имеет и плюсы, и минусы. Например, одна из функций трекера – стимулировать принятие решений, а не просто выступать инструментом отчетности, поэтому рост и падение показателя необходимо обсуждать. При этом многие компании не считают собственные трекинговые исследования источником данных для принятия решений, и в этом случае они в буквальном смысле выбрасывают деньги на ветер.

Кроме того, трекер выступает индикатором того, что что-то происходит правильно или неправильно, но не указывает непосредственно, что именно. Это раннее предупреждение и инструмент быстрой обратной связи, тем не менее бизнесом управляет не трекер: это должны делать вы. При этом трекер быстро поможет вам понять, двигаетесь ли вы в верном направлении.

На другом конце шкалы – компании, которые уделяют слишком много внимания трекинговым исследованиям, например привязывают их результат к серьезным материальным бонусам. В результате сотрудники таких организаций могут попытаться манипулировать трекинговым показателем, а не реально увеличивать прибыль компании. Например, они могут стараться повысить долю людей, которые не относятся ни к тем, кто рекомендовал бы услуги компании своим друзьям и родственникам, ни к тем, кто не рекомендовал бы, независимо от того, какое влияние это оказывает на процесс продаж.

Итак, для решения каких важных вопросов должно применяться трекинговое исследование? Я спросил об этом создателя индекса NPS Роба Марки из компании Bain. Он выделил три категории.

1. Сравнительный анализ конкурентов. У кого выше трекинговый показатель – у вас или у конкурента? Это, согласно данным компании Bain, связано с вашим уровнем роста.

2. Взаимоотношения с клиентами. Что думают ваши покупатели? Это полезно для выявления проблемных моментов в работе маркетинговой службы или отдела по работе с клиентами, пока они не стали слишком серьезными.

3. Оценка степени удовлетворенности клиентов. Можно проводить опрос сразу после совершения покупки. Этот инструмент стоит использовать для улучшения некачественных процессов или коммуникации.

Многие цифры бывают очень точными, но это не означает, что они правильные.

Люди по привычке говорят: «Мне нужна точная информация». Но невозможно совместить скорость и точность при получении данных. Понимание, в какой точке вы сейчас находитесь, позволяет мириться с определенной неясностью, поскольку хоть какая-то информация все-таки лучше полного ее отсутствия. Невозможно обладать всеми данными, которые вам необходимы.

Даже сказать, сколько товаров и услуг производит наше государство, мы можем лишь приблизительно, с точностью до плюс-минус нескольких миллиардов. При этом мы все равно указываем подозрительно точные цифры в политических целях и для создания газетных статей на тему эффективности и роста экономики.

Ежеквартально все страны оценивают совокупную стоимость всех товаров и услуг, реализованных в национальной экономике, – валовой внутренний продукт (ВВП). Уровень ВВП и темпы его роста – один из самых важных экономических индикаторов, так как он оказывает влияние на политику правительства и центрального банка страны. Эти показатели помогают компаниям принимать решения, стоит ли инвестировать средства и куда именно. Они информируют, находится ли экономика страны в стадии роста или рецессии, и первыми сообщают об изменениях в ней.

Ежеквартальную публикацию показателя ВВП всегда ожидают с нетерпением, как и статистику по уровню безработицы, кредитованию или инвестициям. Единственная проблема заключается в том, что этот показатель будет заведомо неправильным.

Это можно утверждать с уверенностью, потому что вся официальная статистика впоследствии уточняется. Показатель ВВП уточняется в следующем квартале, году и так далее. Специалисты Организации экономического сотрудничества и развития (ОЭСР), международной экономической организации развитых стран, проанализировали индикаторы ВВП, которые публиковались в последнее время, и пришли к заключению, что, как правило, через три года средняя коррекция по всем странам составила 0,2 процентных пункта. Мелочь? Но эта мелочь составляет среднюю погрешность измерения в $200 млрд.

Так происходит не потому, что специалисты по статистике не справляются с работой. Показатель ВВП, как и уровня безработицы, создания новых рабочих мест или годового оборота вашей компании, складывается из многих цифр, которые измеряются отдельно. Каждый из этих отдельных показателей может иметь погрешность, и эти погрешности суммируются.

Максимально возможная точность статистических данных чрезвычайно важна. Однако имеет значение еще один момент – фактор времени: нам нужно хотя бы примерно понимать, в какой точке мы сейчас находимся. Если бы мы три года ждали точного показателя ВВП, правительство и бизнес просто не смогли бы принимать решения. Это компромиссный вариант.

Аналогичным образом вам требуются максимально точные данные, которые вы можете получить в нужное время. Получить их без ошибки практически невозможно, поэтому вам предстоит решить, стоит ли ждать, пока не станут доступны более качественные данные, или потратить время на проведение более точных расчетов. Обычно примерного грубого расчета может оказаться вполне достаточно, если всем известен предел погрешности.

Итак, перед нами две проблемы: одно дело, если вы готовите отчет, а другое – если принимаете решение, опираясь на данные. Мы склонны переоценивать надежность измеряемых данных, а также находить закономерности и тренды в том, что может оказаться лишь погрешностью в вычислениях.

Простая практика – не преувеличивать важность точности при составлении таблиц и диаграмм. Нередко мы поддаемся этому, так как в Excel высчитываются проценты с точностью до двух знаков после запятой. Предположим, вы проводите опрос коллег, где лучше организовать рождественскую вечеринку, и получаете 23 ответа:

Согласно моей программе по созданию таблиц, это означает:

Но в чем суть десятичных значений? Вполне достаточно: 17 %, 57 % и 26 %. Хотя фактически цифры 4, 13 и 6 и так сообщают вам все, что нужно: большинство ваших коллег предпочитают пойти в ресторан. К показателям, которые получаются с помощью измерения, тоже следует относиться осмотрительно. Например, показатель вашей массы тела слегка изменяется в течение дня, поэтому не нужно бить тревогу, если сегодня после плотного ужина ваш вес на 0,5 кг больше, чем вчера утром. Это может быть как изменением массы тела, так и погрешностью вычислений. Возможно, в некоторых случаях оптимальным вариантом будет брать среднее арифметическое после нескольких измерений, но опять-таки не перестарайтесь с точностью.

Анализируя результаты исследований, подойдите к вопросу с другой стороны. Публикуемая статистика всегда должна приводиться с возможной погрешностью вычислений. В качественных таблицах и диаграммах отражается погрешность вычислений на коэффициент достоверности (90 % или 95 % – наиболее характерные показатели). Погрешность плюс-минус 2 % на коэффициент достоверности 90 % означает, что, если провести измерения 100 раз, 90 раз полученный результат не будет отклоняться от опубликованного показателя больше чем на 2 % в любую сторону.

Это чрезвычайно важная информация, если вы опираетесь на опубликованную статистику при принятии решений. Если статистические данные вам предоставляет какая-то компания, попросите ее отмечать эти интервалы в виде планок погрешности.

Столбец справа кажется меньше левого, но при этом планки погрешности пересекаются. Сложно сказать, означает ли это, что статистические данные, которые мы измеряли, разнятся в двух группах, учитывая наш доверительный интервал (если планки погрешности не пересекаются, тогда в этом можно быть уверенными).

Приведу пример. Недавно мне представили исследование оценки уровня обеспокоенности генеральных директоров компаний вопросами безопасности по шкале от 1 до 10. Компания, проводившая исследование, была счастлива, так как предлагаемый ими сервис направлен на решение проблемы безопасности, которая в исследовании названа самой серьезной с индексом 6,9. При этом индексы других проблем варьировались между 6,8 и 6,5. Это заставило меня уточнить у авторов исследования, насколько велики были планки погрешности. Выяснилось, что в ходе исследования опросили лишь небольшое число респондентов, их ответы сильно различались и все, что можно было утверждать с относительной достоверностью, – это что руководители компаний в более или менее равной степени обеспокоены многими проблемами безопасности. Если бы авторы исследования провели его еще раз с другой похожей группой респондентов, порядок приоритетности, скорее всего, был бы уже другим.

Этот отрицательный результат фактически представляет собой весьма полезную информацию: результаты исследования говорят, что руководители компаний не выделяют одну-единственную угрозу безопасности, а значит, они, вероятно, более восприимчивы к новой информации и обучению, чем к попыткам продать им одно средство для решения конкретной проблемы. Однако сделать такой вывод было бы практически невозможно, если слишком высоко оценить правильность результата, потому что данные кажутся точнее, чем на самом деле.

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.

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, 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.

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.

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 с 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.

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».

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.

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.

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:

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:

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.

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.

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».

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.

На самом деле на практике мы всегда используем оба подхода. Если бы мы опирались исключительно на рациональные данные, то во главе всех лучших компаний в мире должны были бы стоять бухгалтеры и специалисты по работе с информацией. Например, по словам исполнительного директора компании BT Group[26] Гэвина Паттерсона, он всегда смотрит, насколько развита интуиция у руководителя высшего звена. При этом компания, которая занимается строительством инфраструктуры стоимостью несколько миллиардов долларов со сроком окупаемости капиталовложений 10–20 лет, не имеет права начинать проекты по наитию.

Вы проверяете сотрудников. Вы тестируете свою продукцию. Почему бы в таком случае не проверять и ваши решения?

Хэл Вэриан, автор двух известных учебников по экономике, над которыми уже не один год корпят студенты, недавно занял должность главного экономиста в компании Google. Можно понять, зачем Google нужны бухгалтеры, – суммировать всю полученную прибыль и минимизировать налоги, но вот зачем компании понадобился экономист?

Если коротко, чтобы проводить эксперименты. В учебниках Вэриана экономика описана как абстрактная научная дисциплина в виде набора математических моделей. Но, по словам Хэла Вэриана, в мире больших данных по-настоящему ценны такие экономисты, которые в состоянии соотнести теорию с тем, чем вы занимаетесь на практике.

Эксперименты – это один из важнейших способов принятия решений в компании Google. «Все знают о больших данных, – говорит Хэл Вэриан. – Большие данные нередко отражают только корреляцию, но не причинно-следственные отношения. В Google, чтобы узнать о чем-то в любой конкретный момент времени, мы проводим более 1000 экспериментов».

Ранее я уже объяснял, почему корреляция не всегда бывает причиной или следствием и что есть способы определить, действительно ли одно явление вызывает другое. Один из лучших способов для этого, если он вам доступен, – это так называемое рандомизированное контролируемое исследование. Для его проведения вы случайным образом формируете две группы: А и В. Вы изменяете только один фактор в группе В и оцениваете ее результат. Если он тоже оказался другим, то, скорее всего, это вызвано изменением того самого фактора.

Возможно, вы тоже, сами того не зная, принимали участие в экспериментах Google. Например, компания постоянно меняет последовательность отображения результатов поиска, чтобы выдавать наиболее полезные результаты в первых строках списка. Для проверки эффективности изменений компания может предложить половине пользователей новый способ отображения результатов поиска, а половине – старый, а затем проанализировать, какой из них удобнее для потребителей.

У крупных технологических компаний есть преимущество при использовании этого метода – ежедневно к их услугам прибегают миллионы пользователей. Компании имеют возможность случайным образом выдавать пользователям разные дизайны сайта, чтобы посмотреть, какой из вариантов генерирует больше продаж, или даже протестировать новый тип шрифта или логотип.

У вас может не быть подобной роскоши, но вы (в разумных пределах) способны приблизительно воспроизвести этот метод. В реальной жизни естественные эксперименты происходят сплошь и рядом, это ситуации, в которых меняется только одно обстоятельство. Каждое принятое вами решение, по сути, не что иное, как естественный эксперимент. Определите интересующие вас показатели до принятия решения (например, число дней, которое ваши коллеги берут по болезни). Определите этот показатель после принятия решения. Сравните полученные результаты, уделяя внимание тому, чтобы сравнивались сопоставимые вещи. Внедрите этот метод во все свои проекты (часто мы бываем так рады, что нам в принципе удалось принять решение, и так боимся, что оно могло оказаться неверным, что не анализируем его впоследствии).

Проблема в том, что данные могут вас подвести. В большинстве случаев информация, полученная при проведении естественных экспериментов, оказывается ненадежной основой для принятия решений.

• В Сан-Франциско исследование, проведенное управлением городского транспорта, показало, что ежемесячное число поездок на единицу такси снизилось с 1424 в месяц в марте 2012 года до 504 в июле 2014 года: падение составило 65 %, а в качестве его причины назвали появление сервиса Uber. Проблема заключалась в следующем: разница в этих двух выборках была вполне предсказуемой, потому что в июле жители Сан-Франциско обычно пользуются такси гораздо меньше; кроме того, количество автомобилей-такси на дорогах увеличилось. Другие данные опровергают сделанное заключение о негативном влиянии сервиса Uber на службу такси. Когда одна из компаний-перевозчиков проанализировала данные за октябрь 2012 года и октябрь 2014 года, оказалось, что стоимость проезда в такси выросла на 3 %.

• В 2010 году в Великобритании средняя почасовая оплата работы студентов-выпускников составляла $21,37, а средняя почасовая оплата тех, кто пошел работать сразу после школы, $13,27. Следовательно, можно было бы предположить, что «цена образования» составляет $8,1 за каждый час работы в будущем. Тем не менее это не так, потому что в данном случае сравниваются не одинаковые выборки: люди, получившие образование, вероятно, в любом случае зарабатывали бы больше, потому что у них были лучше результаты в школе, они были более заинтересованы в получении высокооплачиваемой работы, для которой требуется высшее образование, и так далее. То есть это отличие обусловлено многими факторами, а не одним.

• В Германии обеспечение прав отцов на отпуск по уходу за новорожденным привело к увеличению числа отцов, которые воспользовались этим правом, в шесть раз. Могла ли подобная ситуация сложиться в Великобритании? Вероятнее всего, нет. В Германии, например, гарантии трудовой занятости гораздо выше. Так что невозможно автоматически переносить результаты эксперимента в одной стране на население другой страны.

Не принимайте поспешных решений в ситуациях повышенного риска или неуверенности.

Вообразите, что вам предстоит сдать анализ на наличие какого-то заболевания. Точность анализа составляет 99 %, и у 99 % населения эта болезнь не встречается. Или, иными словами, шанс, что у вас обнаружат это заболевание, равен 1 %, и риск медицинской ошибки равен 1 %.

Врач заходит в кабинет и сообщает: «У меня для вас плохие новости. Результат анализа положительный». Какова вероятность, что это ошибка? Возможно, вы думаете, что это 1 % или 1 % от 1 %. Вы ошибаетесь! В этой ситуации диагноз может оказаться ошибочным в половине случаев. Половина людей с положительным результатом анализа на самом деле не больны.

Только задумайтесь: если бы вы получили плохие новости из этой воображаемой больницы, ваша вероятность узнать, больны вы или нет, была бы такой же, как если бы вы просто подбросили монетку.

Если вы так ошеломлены этой информацией, что не понимаете, каким образом получилась подобная вероятность, давайте составим таблицу. По горизонтали обозначим ситуацию (заболевание или нет заболевания), а вертикально – результаты анализа (положительный или отрицательный). Предположим, анализ сдали 10 000 человек. В первой колонке число людей, у которых нет заболевания: 9900 человек (99 % от 10 000). Из этих 9900 человек у 1 % будет ложноположительный результат анализа из-за медицинской ошибки. То есть 99 человек, которым врачи сообщают, что они больны, на самом деле здоровы.

Теперь заполним таблицу для тех, кто на самом деле болен. В 99 случаях заболевания из 100 оно будет диагностировано верно, и у 1 человека результаты анализа будут неправильными (ложноотрицательными).

В верхней строке полужирным шрифтом выделено число людей, которым врачи сообщают о том, что результат их анализа положительный. В этой ситуации, если вы получили плохие новости, вероятность того, что они соответствуют действительности, такая же, как подбросить монетку. А ведь в реальной жизни результаты медицинских анализов редко могут похвастаться точностью 99 %.

Это применимо не только к медицине. Мы часто меняем наши представления без должного обоснования, лишь на основе полученных результатов. Эту проблему изучает так называемая байесовская статистика, которая в значительной степени легла в основу искусственного интеллекта. Преподобный Томас Байес был одним из тех викариев XVIII века, которые использовали свободное время, чтобы добиться мастерства в чем-то новом. Сегодня значение сформулированной им концепции все сильнее возрастает, потому что предлагает нам инструмент для использования больших данных.

Здесь такая же асимметрия: вероятность В, обусловленного А, не такая же, как вероятность А, обусловленного В. Мы часто смешиваем их, но вероятность того, что человек, употребляющий наркотики, окажется безработным (высокая), не такая же, как вероятность того, что безработный окажется наркоманом (низкая). В нашем примере вероятность, что человек с положительным результатом анализа болен (половина), не равна вероятности, что у больного человека результат анализа будет положительным (99 %).

Неопределенность исходных условий, даже при возможности точно ее оценить, часто может ввести в заблуждение, если мы принимаем решения, основываясь исключительно на результатах.

Рассмотрим пример из бизнеса, который назовем «поиск виноватого». Предположим, вы используете набор тестов, чтобы нанять самых лучших сотрудников. На основании своего опыта вы на 99 % уверены, что сможете определить людей, которые оптимально вам подойдут. Кроме того, вы знаете, что у вас хорошие шансы на успех: в условиях сложившейся на рынке ситуации, если у вас будет хорошая команда, только 10 % ваших проектов потерпят неудачу. Если команда будет плохая, провалятся все проекты.

Вы подбираете команду на новый проект, но проект проваливается. Предположим, мы провели этот эксперимент 100 раз. Вот что мы можем ожидать в качестве результата:

Анализируя провал, что вы назовете его причиной: ваш плохой выбор или случайную неудачу? Скорее всего, вы будете склонны винить во всем случай, но гораздо более вероятно, что вам не повезло выбрать неподходящих сотрудников.

Так что же, можно ли доверять результатам медицинских анализов и стоит ли бросать монетку, чтобы решить, кто виноват в провале бизнес-проекта? Не стоит. Самый лучший способ повысить степень своей уверенности – это повторить процесс, но теперь только для тех, кто потерпел неудачу. В примере с заболеванием вам назначат прохождение дополнительных анализов, если результат первого теста окажется положительным (или, что проще, проведут несколько тестов в один день). У повторного анализа для людей с положительным результатом предыдущего есть вероятность только одного ложноположительного итога вместо 99, а также одного ложноотрицательного (если вы хотите понять почему, составьте таблицу еще раз; начните с того, что в каждой колонке укажите число людей 99).

Может быть, по аналогии с этим примером дать вашей команде второй шанс будет хорошим управленческим решением. В условиях повышенного риска или неопределенности единичный результат нередко означает совсем не то, что вы думаете.

Бюджет компании часто строится на основании объема расходов за предыдущий год. Однако прошлое часто не лучший советчик для будущего.

Зачем компаниям составлять бюджет? Он помогает контролировать расходы и наделяет сотрудников ответственностью за средства, которые они тратят. Однако и тут есть свои подводные камни: если отсутствует бюджетный контроль и множество сотрудников тратят средства компании, это прямой путь к катастрофе.

Через всю эту книгу красной нитью проходит мысль: чтобы заставить данные эффективно работать на вас (в бизнесе или личной жизни), необходимо уметь использовать факты для изменения существующего положения дел. Джону Кейнсу[27] приписывают фразу о том, что, когда меняются факты, он меняет свое мнение. Смысл в том, что мы слишком долго цепляемся за старые идеи, даже при наличии очевидных доказательств.

Многие бизнес-процессы организованы так, что защищают сложившееся положение дел. Люди часто принимают то, в чем у них нет сомнений, или преувеличивают значимость того, что происходит в настоящий момент. Если вы поклонник рифм, помните ироничное предупреждение Хилэра Беллока[28] в его стихотворении «О Джиме, который убежал от няни и был съеден львом»: «Какой бы ни был ты смельчак, от няни больше ни на шаг!»[29]

В 1970 году Питер Пирр[30] опубликовал статью «Бюджетирование с нуля» (Zero-base budgeting, ZBB) в журнале Harvard Business Review. В статье он говорил, что если компания хочет получить бюджет, оптимальный для следующего года, то, возможно, далеко не лучший вариант опираться на данные года, который уже завершился. Вместо этого следует одно за другим проанализировать каждое направление деятельности компании, оценить, каких они потребуют вложений и какой будет возврат на инвестиции, а затем на основании этого расставить приоритеты в статьях расходов. Полученный в результате бюджет часто значительно отличается от того, который составляется исходя из прошлогодних показателей.

Эта идея очень быстро завоевала популярность, но затем так же быстро вышла из моды, не в последнюю очередь из-за того, что реализовать ее оказалось очень сложно. Недавно компания McKinsey[31] вновь вернула эту модель в активное употребление, в 2015 году 90 организаций упоминали о применении этой модели при общении с инвесторами (двумя годами ранее таких компаний было только 13). Вероятно, это произошло потому, что за последние 10 лет многие компании исчерпали все свои средства по поддержанию устойчивого роста и теперь необходимо вновь пересматривать то, чем они занимаются. Им помогает тот факт, что сегодня гораздо проще собрать необходимые для расчетов данные.

Бюджетирование с нуля можно выполнять в качестве основного упражнения для компании или отдельного подразделения (например, отдела или даже в рамках семейного бюджета – принцип тот же). Выделите каждый вид деятельности и объем средств, который на него требуется потратить. Определите, какую пользу вы получите от каждого из указанных видов деятельности и как оптимально потратить средства, чтобы получить такой же результат или, может быть, даже лучше. Этим не должен заниматься один человек, отвечающий за бюджет, рядом должен быть кто-то, кто будет подвергать сомнению возникающие идеи и задавать неудобные вопросы.

В результате это может привести к полной переоценке всей деятельности вашей компании, так как выяснится, что некоторые из видов деятельности, которым вы уделяли больше всего внимания, не приносят существенной отдачи или на них тратятся средства ради получения преимуществ, которые никто даже не может толком вспомнить.

Когда самое время воспользоваться этим методом? McKinsey работает со многими компаниями прямых инвестиций, которые выкупают предприятия на грани разорения и реорганизуют их, чтобы повысить эффективность. Так что многие из таких на ладан дышащих компаний с готовностью прибегают к этому методу. Вполне понятно, вы вряд ли захотите дожидаться провала или банкротства, чтобы подумать о внедрении этого метода. В целом самое время обратиться к бюджетированию с нуля, когда акцент смещается с «Нужно ли нам изменить это?» на «Почему мы этим занимаемся?».

Какие инструменты вам понадобятся? На каждом уровне этого процесса требуются данные.

Вы должны быть в состоянии разбить свои расходы на более мелкие единицы. Это не так просто. Некоторые расходы могут относиться сразу к нескольким подразделениям, например аренда помещения. Другие связаны только с конкретным, вам нужно оценить возможность сокращения расходов.

Нужно установить цели. Необходимо пересмотреть приоритеты по некоторым направлениям, последствия от снижения издержек могут отличаться по сравнению с последствиями от постановки более амбициозных целей роста. Сосредоточьтесь на меньшем числе направлений деятельности или просто постарайтесь получать больше пользы, не прекращая деятельности.

Возможно, вам придется изменить подход к измерению показателей деятельности. Скорее всего, на основе сложившейся бюджетной структуры возник целый ряд ставших привычными способов оценки, в том числе трекинговая система, измеряющая эффективность вашей деятельности на основе сравнения с фиксированными вложениями.

Самое важное, вы должны доверять процессу. И мы снова возвращаемся к этому пункту. Бюджетирование с нуля – это процесс, основанный на неоспоримых фактах. Обычно все строится на интуиции (вам может казаться это правильным, так как вы уже этим занимаетесь) и поверхностном применении решений на основе данных (мы несколько изменим эту ситуацию). Насколько вы в этом преуспели, может быть индикатором того, как сильно вы доверяете показателям, которые оцениваете. Если люди не доверяют данным, возможно, это происходит потому, что они не привыкли работать таким образом. Или, возможно, им требуются более качественные данные.

Для людей, привыкших к традиционным методам бюджетирования, концепция бюджетирования с нуля может показаться безумной идеей. Для очень стабильных компаний с качественным управлением формирование бюджета на следующий год с опорой на цифры прошлого года может быть наиболее эффективной и наименее затратной организацией процесса. К сожалению, часто компании идут по проторенному пути не из-за стабильности, а из-за когнитивного искажения под названием «якорение», в результате которого люди убеждены, что лучший вариант тот, который они уже реализуют, несмотря на все доказательства обратного.

Чтобы внедрить бюджетирование с нуля, данные по тому, как можно улучшить этот процесс, не всегда могут стать лучшим способом убеждения, так как сначала людям нужно избавиться от ограничивающего их когнитивного искажения; помочь сотрудникам неосознанно начать оценивать каждый проект можно с помощью мыслительных упражнений. Например, предложите оценить, сколько средств из бюджета сотрудники выделили бы на рекламу каждого проекта, или, например, если бы мы открывали компанию сегодня и должны были оценить потенциал каждого направления деятельности, какой бы у нас получился рейтинг? К бюджетированию с нуля все еще прибегают относительно редко, но это недорогой метод для тестирования на маленьком проекте, и по крайней мере он способен помочь измерить риск и окупаемость инвестиций новыми способами на основе данных.

Продажи вашим лучшим покупателям основаны на данных или на отношениях? Важно и то и другое, но данные важнее.

В крупной американской технологической корпорации CSC были уверены, что отлично знают своих крупнейших клиентов. Тем не менее после тщательного анализа выяснилось, что в среднем в закупках со стороны клиента обычно принимают участие около 30 человек, из которых даже лучшие специалисты по продажам в CSC знали лишь небольшую часть. В результате была разработана программа, направленная на знакомство с остальными: выяснить контактную информацию, области интересов, зоны ответственности и степень участия в закупках.

Знания, которыми мы располагаем, влияют на то, какие варианты мы рассматриваем, а не только на качество принимаемых решений. Один из наиболее ярких примеров: при реализации товаров и услуг в сегменте В2В специалисты отдела продаж полностью фокусируются на доходности продукции. Так продают большинство компаний, но их клиенты так не покупают.

Человек ценит то, что способен оценить количественно. Специалисты по продажам измеряют потенциальную прибыль для компании от ее товаров и услуг, а не ценность этих товаров и услуг для покупателя. Компания McKinsey провела опрос среди 200 корпоративных клиентов, и самой серьезной жалобой оказалась недостаточная осведомленность сотрудников отделов продаж, при этом 55 % респондентов заявили, что к ним обращаются излишне часто.

При традиционной организации продаж компания начинает с разработки продукта, выделяет то, что считает основными его преимуществами, продвигает эти преимущества, а затем выясняет у покупателей, есть ли у них в этом потребность. Кажется, здесь все перевернуто с ног на голову. В рамках подхода к маркетингу на основе работы с узкой целевой аудиторией, так называемого Account Based Marketing (ABM), можно организовать процесс по-другому.

Вместо этого начните с основных ваших покупателей и соберите информацию о них. Кто внутри компании на самой ранней стадии влияет на решения о закупке? Что точно сможет «зацепить» этого человека? Что вы знаете о проблемах и потребностях ваших клиентов? Когда у них начнется следующий раунд принятия решений?

Это подход, основанный на данных. Самое простое, что вы можете сделать, – это собрать информацию по всем сотрудникам, которые влияют на процесс продаж. У них разная степень влияния на процесс, так что вам нужно выяснить их потребности и как лучше всего общаться с каждым из них. Это поможет вам предлагать только то, что им действительно нужно: это может быть обучающая программа, встреча или аудит того, что они делают.

Благодаря использованию данных в рамках АВМ происходит ограниченное число высокоэффективных контактов с нужными людьми в нужное время.

Очевидно, что невозможно работать так со всеми клиентами и оставаться прибыльной компанией. У вас должна быть информация, на основании чего вы считаете своих ключевых клиентов ключевыми; возможно, это потенциал роста, или сложность их запросов, или что ваше участие в их бизнесе невелико. Последний случай самый сложный, но потенциально самый перспективный. Если ваши специалисты по продажам не в состоянии выстроить с ними отношения, а все усилия специалистов по маркетингу наталкиваются на сопротивление, велик соблазн отказаться от сотрудничества с такими клиентами. В рамках АВМ считается, что, возможно, вы просто недостаточно их изучили.

Этот подход эффективен не для любой компании. Сработает ли он для вас? Для начала необходимо заменить концентрированные усилия по продажам на план развития бизнеса и организовать маркетинг, который ориентирован не только на компанию-клиент, но и на отдельных людей внутри нее. Специалист по маркетингу ассоциации ITSMA (Ассоциация маркетинга информационно-технологических услуг) предупреждает: чтобы собрать нужные данные, использовать их и отметить первые изменения, нужно не менее полугода.

С другой стороны, опыт компаний, использующих этот подход, свидетельствует о том, что более качественная информация обеспечивает более качественный результат. Согласно данным опроса членов ITSMA в 2014 году, 84 % специалистов по маркетингу, измеряющих окупаемость инвестиций (ROI), указали, что АВМ обеспечивает более высокий возврат на инвестиции, чем другие маркетинговые подходы, а 42 % специалистов отметили даже существенно более высокий уровень ROI.

Значительная часть этой книги посвящена работе с цифрами и статистикой. Это другой тип данных, но он очень хорошо сочетается с тем, о чем шла речь ранее. Фактически он повышает эффективность цифр и статистики, так как помещает их в определенный контекст. Например, на дэшборде, где отслеживается вовлеченность клиентов, также могут отражаться твиты основных контактных лиц или новости о ключевых партнерах. Главный принцип остался неизменным: наличие подробной информации позволяет принимать быстрые и эффективные управленческие решения.

Примите на вооружение гибкую методику разработки (agile programming), которая поможет вам постоянно повышать эффективность рабочих процессов на основе обратной связи.

На протяжении всей книги я неустанно повторял, что данные можно считать полезными, только если их использование привело к изменению ваших решений. Заезженная цитата о неправильном применении статистики (авторство которой приписывают Альфреду Хаусману, Дэвиду Огилви и другим) гласит: «Многие люди пользуются статистикой, как пьяница фонарным столбом, – не для освещения, а для опоры».

Решение, принятое на основе фактов, лучше, чем то, которое вы приняли, просто потому что посчитали его верным. На практике весьма спорный вопрос, будут ли эти решения одинаковыми. Как мы видели, у интуиции есть два преимущества перед фактами: принимать решения бывает дешевле и быстрее.

Таким образом, оптимальным выходом может стать внедрение механизма анализа данных в творческий процесс для быстрого и регулярного повышения качества вашей деятельности в целом. Это основа так называемых гибких методов развития, которые были созданы для разработки программного обеспечения в 1986 году и сегодня активно применяются в других процессах.

При описании гибкого подхода лучше всего начать от противного: что он не представляет собой. Как правило, мы формулируем, в чем заключается наш проект в самом начале, выделяем этапы и на основании информации от ключевых клиентов или маркетинговых данных определяем критерии успеха. По мере развития проекта он может соответствовать заложенным показателям на каждом этапе, но в итоге провалиться. Например, покупатель получает продукт, и неожиданно выясняется, что его потребности изменились или это не то, что покупателю реально нужно, хотя он думал, что хочет именно это. В области разработки программного обеспечения 83 % всех проектов, развивающихся по этому сценарию, терпят неудачу.

При использовании гибкой методологии проект разбивается на более мелкие части, каждая из которых прорабатывается небольшой группой специалистов, и на это, как правило, отводится несколько дней, а не месяцев. На каждом этапе проекта проводится оценка прототипа продукта, сверка и обновление информации происходят ежедневно плюс еженедельный обзор, при этом оцениваются продуктивность (насколько быстро можно что-то сделать) или эффективность (насколько просто пользователям находить информацию, насколько она им нравится). Эти данные обязательно используются при планировании следующего этапа или переоценке решений и целей. Управление проектом осуществляется «снизу вверх» и основывается на обратной связи, а не «сверху вниз» с упором на корпоративную идеологию компании.

Как работает этот подход, наглядно видно на примере компаний, занимающихся разработкой компьютерного ПО. При этом гибкая методология находит все более активное применение в других областях деятельности. Например, можно воспользоваться гибкой методологией разработки для создания сайта или тестирования новых процессов или форм, можно даже проверить реакцию ваших сотрудников на более эффективные способы ведения бизнеса.

Вот еще один пример. Брюс Фейлер, автор книги «Секреты счастливых семей»[32], убежден, что принципы гибкой методологии можно использовать и в семейной жизни. Вместо того чтобы при воспитании детей устанавливать внешние правила, не ограниченные во времени, можно выделять конкретные задачи, поддающиеся измерению и контролю. Фейлер узнал об этом методе из исследования, в котором приняла участие семья Старрс: четверо детей начали активно пользоваться гибкой методологией, которую их отец применял для решения рабочих задач. Сегодня Фейлер сам применяет эту методологию со своими детьми: «Мы задаем три вопроса. Что на этой неделе у нас в семье сработало? Что не сработало? Что мы договоримся попробовать на следующей неделе? Каждый может предложить свои варианты, и мы совместно выбираем два, на которых сосредоточимся».

Этот процесс распространяется на самые разные области. Например, Фейлер позволяет детям самостоятельно определять себе наказание. Дети сами решают, на что тратить карманные деньги. Суть в том, что все решения оцениваются на основании установленных стандартных критериев, а ошибки исправляются на следующей неделе.

Как это работает в бизнесе? Суть в том, чтобы создать заинтересованную (и релевантную) группу тестировщиков. Сотрудники, руководители и клиенты могут по-разному оценить одну идею, поэтому необходимо получить обратную связь от тех людей, чье мнение действительно важно в данном случае. Следуйте этой обратной связи, даже если это приведет к ошибке, вы сможете скорректировать направление движения на следующей неделе. Форма обратной связи должна быть четкой и способствовать конкретным действиям, структурированные рейтинги лучше туманных одобрительных отзывов. Наконец, должны быть четкая цель и миссия – это поможет прояснить процесс получения обратной связи. Если вы производите продукт, который более прост в использовании, не зацикливайтесь на том, какого он должен быть цвета.

Применение гибкой методологии развития на основе постоянной обратной связи служит наглядным примером внедрения процесса принятия решений, основанного на данных, в область управления, которая традиционно опирается либо на жесткие правила, либо на интуицию. Вам будет сложно перейти на эту концепцию, если вы привыкли к интуитивному, авторитарному планированию. Но если Фейлер смог успешно применить эту методологию для управления пятилетними дочерьми-близняшками, то использовать ее в рабочих целях вы точно сможете.

Согласно результатам исследований, 40 % самых важных решений руководители принимают на основе интуиции. К сожалению, часто она подводит. Процесс принятия решений на основе данных защищает нас от самих себя.

Каждый раз, когда вам сложно получить информацию или данные идут вразрез с теми решениями, которые вы хотели принять, или кто-то подвергает сомнению, что ваш новый подход с опорой на данные лучше того, как вы принимали решения до этого, у вас будет большой соблазн закрыть все таблицы, удалить дэшборды и продолжать делать все как раньше. Пусть эта глава будет у вас под рукой как раз для таких случаев.

Если вы копируете любую стратегию действий, просто потому что она кажется вам привлекательной, вашими решениями управляет интуиция. Когда в 2010 году консультанты по управлению компании Accenture[33] провели опрос среди британских, ирландских и американских бизнесменов, выяснилось, что в среднем два из пяти важных решений принимаются именно таким образом.

Если долго играть в рулетку, обязательно выиграет казино. Если достаточно долго игнорировать факты и прислушиваться только к интуиции, то в краткосрочной перспективе, возможно, все у вас окажется в порядке. К сожалению, маловероятно, что это везение будет сопровождать вас на протяжении всей профессиональной карьеры, особенно когда ваши конкуренты опираются как на интуицию, так и на данные.

Итак, шесть напоминаний о том, почему шестое чувство может вас подвести.

Тот лишь факт, что решение нравится вам, не означает, что оно оптимально для всех остальных заинтересованных лиц. Например, гораздо проще быть смелым в офисе, если вам не приходится работать в торговом зале и лично общаться с недовольными покупателями. Это даже не означает, что ваше решение будет вас по-прежнему устраивать, когда у вас изменится настроение.

Интуиция может отличаться завидным постоянством даже при изменении внешних условий. Когда у вас нет ничего, кроме молотка, все кажется гвоздем. В качестве хорошего примера можно привести практически позабытого сегодня руководителя – героя эпохи 1980–1990-х гг. Эла Данлэпа по прозвищу Бензопила. Свое прозвище он получил за то, что был первым, кто начал активно применять тактику снижения расходов на предприятии: он покупал убыточные компании, избавлялся от неэффективных сотрудников и плохих поставщиков, а через несколько лет продавал вполне успешный бизнес. У него был настоящий нюх на необоснованные расходы: «снижение затрат» – вот его единственный ответ на любую проблему. Однако в конце концов в 1996 году он оказался у руля крупной компании (Sunbeam Inc.), для которой снижение затрат не могло стать решением проблем, и буквально за два года он «убил» ее. Даже в тот день, когда совет директоров сообщил о решении уволить его, Эл Данлэп отреагировал приказом о сокращении избыточной рабочей силы. Несомненно, он отлично находил способы сократить расходы и добивался результатов, но, когда он возглавил компанию, в которой ресурсы тратились достаточно рационально, он не смог определить реально существующие проблемы: для Sunbeam такими проблемами были плохое качество продукции и недостаток инноваций. Данлэп с этим не справился, так как его интуиция не была натренирована на определение подобных вещей.

Еще одна проблема, когда вы руководствуетесь шестым чувством, в том, что, возможно, мозг сформировал ошибочные ассоциативные связи в прошлом. Вы приняли решение и видите, что произошло что-то хорошее. При этом вполне вероятно, что этот положительный результат не был следствием вашего решения или действия. Может быть, результат вашего действия был иллюзией, которую невозможно измерить. («Когда я это сделал, люди стали гораздо счастливее» – откуда вы это знаете?) Возможно, этот положительный результат был совершенно случайным событием, как выигрыш в лотерею после посещения церкви. Человек всегда пытается найти причины, а если не отнестись к процессу с должным вниманием, он их все равно найдет, но неправильные.

Если что-то кажется вам правильным, возможно, это происходит потому, что людям из вашего окружения это тоже нравится. Легче доверять интуиции, когда ничего не мешает. Но именно так формируются финансовые пузыри: мы все верим во что-то и продолжаем инвестировать в это деньги, несмотря на голос разума.

Почему мы так поступаем? Отчасти из-за того, что наши психологические шоры мешают нам воспринять факты и цифры, и вместо этого мы прислушиваемся к другим людям. Мы склонны совершать одинаковые ошибки (чрезмерный оптимизм, нетерпение) одновременно.

Когда вы начнете пользоваться удивительной возможностью измерения показателей, анализа данных и фиксирования ваших действий и полученных результатов, ваше мышление чудесным образом изменится. В основе обучения лежит получение новой информации. Нам нужна самая лучшая. Ваше субъективное мнение или мнение других людей – это информация низкого качества.

Согласно результатам опроса, в котором приняли участие 600 американцев, более 85 % из них считали себя более объективными по сравнению со среднестатистическим американцем. В 1977 году результаты известного эксперимента показали, что 94 % профессоров считали себя умнее коллег. Во время еще одного исследования выяснилось, что 32 % сотрудников компании-разработчика ПО заявили, что они работают эффективнее 19 из 20 коллег (задумайтесь над этими цифрами).

Это главное заблуждение, которому легко поддаться, прислушавшись к шестому чувству, – иллюзия собственного превосходства, убеждающая вас, что вы единственный человек, способный мыслить здраво. К сожалению, часто все бывает как раз наоборот. Чем хуже человек разбирается в вопросе, по объективным свидетельствам, тем сильнее его собственные представления расходятся с действительностью. Мы подвержены заблуждениям относительно собственных белых пятен – профессиональных областей, в которых некомпетентны.

Когда в 2015 году психолог Ирен Скопеллитти и ее коллеги постарались экспериментально измерить у участников эксперимента заблуждение относительно белых пятен, выяснились весьма тревожные факты.

• Это заблуждение устойчиво. С одной стороны, возможно, это не так уж плохо. Это означает, что мы знаем о его существовании и можем планировать действия с его учетом. С другой стороны, оно не возникает у вас, например, просто потому, что вы сердитесь. Оно неотъемлемая ваша часть, так же как слепое пятно – область глаза.

• Это заблуждение не связано с уровнем интеллекта. Вы не можете быть слишком умным, чтобы не подвергнуться этому заблуждению (и если вы не знаете, что подвержены этому заблуждению, это не делает вас глупым).

• Оно не связано со способностью принимать решения. Степень этого заблуждения никак не влияет на возможность принятия решений, хотя сказывается на их качестве.

• Оно не связано с уверенностью в себе. У эгоистичных людей эта проблема присутствует в такой же степени, как и у всех остальных (хотя она может казаться более очевидной).

Сегодня на рынке сотни приложений и поставщиков, предлагающих программное обеспечение для сбора данных, их систематизации, форматирования и использования для аналитики. Перечислить их все нет возможности, поэтому я ограничусь теми несколькими, которые я упоминал в тексте, при этом это не означает, что я выделяю какое-то из приложений и считаю его лучше всех остальных.

DropBox – облачное хранилище данных: http://dropbox.com

Google Drive также обеспечивает удаленное хранение данных: http://www.google.com/drive/

Toggl фиксирует время выполнения разных задач: http://toggl.com/

TweetDeck – социальная медиаплатформа Twitter: http://tweetdeck.twitter.com/

Sprout Social – эффективный аналитический инструмент: http://sproutsocial.com/

SocialOomph измеряет эффект ваших социальных медиа: http://www.socialoomph.com/

Transcribe на основе машинного обучения предлагает текстовую расшифровку аудиозаписей: http://bit.ly/DDtranscribe

Kaggle – сообщество специалистов по работе с данными: http://www.kaggle.com/competitions

Сертифицированный институт специалистов по управленческому учету (CIMA): 45 % компаний малого и среднего бизнеса не ведут регулярную управленческую отчетность: http://bit.ly/DDaccounts

Atlassian: измерено количество времени, которое люди тратят впустую на работе: http://bit.ly/DDtimewaste

Институт открытых данных (Open Data Institute): http://bit.ly/DDodi

Данные правительства Великобритании: http://bit.ly/DDdatagov

Эдвард Тафти и составление таблиц: http://bit.ly/DDtuftetable

Spurious Correlations: http://bit.ly/DDspurious

Приз от компании Netflix: http://bit.ly/DDnetflixprize

Комиксы Action Item: http://bit.ly/DDactionitem

Модель естественного принятия решений (Naturalistic Decision Making): http://bit.ly/DDndm

Искажение по типу «якорение»: http://bit.ly/DDanchoring

Лекция Брюса Фейлера на TED на тему гибкой методологии разработки: http://bit.ly/DDagile

Блог Net Promoter System: http://bit.ly/DDnps

Ресурсы IPA по измерению социальных медиа: http://bit.ly/DDmeasure

«Проблемы с трекингом», Ян Хофмейр: http://bit.ly/1UoSxIP

Когда можно доверять интуиции? Беседа Канемана и Клейна: http://bit.ly/1UoSTz8

The Economist: Почему так мало людей учатся на неудачах?: http://bit.ly/DDfailure

Bloomberg: Как успех других вводит предпринимателей в заблуждение: http://bit.ly/DDsurvivor

Forbes: Наоми Роббинс показывает эффективные диаграммы: http://bit.ly/DDgraphs

Почему дэшборды не приносят результата, экспертное мнение Стивена Фью: http://bit.ly/DDdashboard

McKinsey: The return of zero-based budgeting: http://bit.ly/DDzerobase

Блог, посвященный подходу в маркетинге account-based marketing: http://bit.ly/DDabm

Коул К.С. (Cole, K.C.). «Вселенная и чашка чая: математика истины и красоты» (The Universe and the Teacup: Mathematics of Truth and Beauty). Великобритания: изд-во Abacus, 1999. Если вы думаете, что в цифрах нет ничего интересного, эта книга откроет для вас другую Вселенную, как и обещает ее название, истины и красоты.

Джителман Лайза, ред. (Gitelman, Lisa). «Необработанных данных не бывает» (‘Raw Data’ Is an Oxymoron). Кембридж: MIT Press, 2013. Если вам интересно, как подтасовывают факты, из этой книги вы узнаете об этом все.

Хафф Даррелл (Huff, Darrell). «Как лгать при помощи статистики» (How to Lie with Statistics). Нью-Йорк: Norton, W. W. & Company, 1993. Первая и лучшая книга о том, как ввести в заблуждение при помощи способа представления данных.

Даниэль Канеман (Kahneman, Daniel). «Думай медленно… Решай быстро» (Thinking, Fast and Slow). Лондон: Penguin Group, 2012. Интересное объяснение, написанное доступным языком, системы интуитивного, эвристического мышления и ее применения.

Даниэль Канеман и Гэри Клейн (Kahneman, Daniel and Gary Klein). «Условия проявления интуиции» (‘Conditions for Intuitive Expertise: A Failure to Disagree’). American Psychologist 64, № 6, 2009: 515–26. Два эксперта в области изучения «системы 1» и «системы 2» мышления написали совместную работу, в каких случаях можно доверять интуиции, а в каких лучше не стоит. Текст работы: http://bit.ly/DDdisagree

Майер-Шенбергер Виктор и Кеннет Кукьер (Mayer-Schonberger, Viktor and Kenneth Cukier). «Большие данные: революция, которая изменит то, как мы живем, работаем и думаем» (Big Data: A Revolution That Will Transform How We Live, Work, and Think). Boston Eamon Dolan/Houghton Mifflin Harcourt, 2013. Эта книга без профессиональных терминов объясняет основы теории больших данных. Прочитайте первую главу бесплатно: http://bit.ly/DDbigdata

Меклин Джон (Mecklin, John M.). «Тирания обычного человека» (‘The Tyranny of the Average Man’). International Journal of Ethics 28 (2), январь 1918: 240–52. Что скрывается за средними значениями? Эта статья, написанная почти 100 лет назад, положила начало активному обсуждению. Текст доступен по ссылке: http://bit.ly/DDtyranny.

Полос Джон Аллен (Paulos, John Allen). «Математика – это не мое» (Innumeracy). Нью-Йорк: Vintage Books, 1990. Объяснение математика, как мы неправильно понимаем большие и маленькие числа, степень риска и вероятность случайности и что с этим делать.

Рейчхелд Фредерик и Роб Марки (Reichheld, Frederick F. and Rob Markey). «Основной вопрос 2.0 (исправленное и дополненное издание): как компании с высоким индексом потребительской лояльности добиваются успеха в мире, где правят потребители» (The Ultimate Question 2.0 (Revised and Expanded Edition): How Net Promoter Companies Thrive in a Customer-Driven World). Бостон: Harvard Business Review Press, 2011. Что такое индекс потребительской лояльности Net Promoter Score и как его использовать, объясняют создатели системы.

Синх Саймон (Singh, Simon). «Симпсоны и их математические секреты» (The Simpsons and Their Mathematical Secrets). Великобритания: Bloomsbury Publishing, 2013. Вероятно, эта книга не поможет вам в управлении данными, но математические шутки, спрятанные в этом мультипликационном сериале, могут побудить вас пересмотреть его.

Вэриан Хэл (Varian, Hal R). «За пределами больших данных» (‘Beyond Big Data’). Business Economics 49 (1), 2014: 27–31. Главный экономист Google объясняет, как компания использует эксперименты.