Эвристика также может определять моральное поведение. Например, Нельсон Мандела провел почти три десятилетия в тюрьме за то, что добивался свободы для таких же, как он, цветных южноафриканцев, которых угнетал режим апартеида. Однако после освобождения из тюрьмы он стремился не к мести, а к примирению. Для этого он опирался на такие эвристики лидерства, как "смотреть вперед, а не назад" и "прощать, а не мстить". Махатма Ганди руководствовался простым принципом: "Никогда не реагируй на насилие, независимо от провокации". Бесчисленные организации и сообщества возвысились благодаря умным эвристикам лидерства, в то время как другие были разрушены неэффективными эвристиками. Лидерам стоит признать огромную ценность своего адаптивного инструментария и научиться выбирать подходящую эвристику лидерства для решения конкретной задачи.
Примечания
1 . Первоначально общество называлось Обществом кайзера Вильгельма, а в 1947 году было переименовано в Общество Макса Планка. После Харнака Планк был вторым президентом общества с 1930 по 1937 год.
2 . Гигеренцер (2022b).
3 . Данбар (1998).
4 . См. van Vugt, Hogan, and Kaiser (2008, p. 191); см. также Boehm (1999).
5 . Day (2012).
6 . DeRue et al. (2011). Самая высокая корреляция составила .31, а многие показатели были ниже .10.
7 . Фидлер (1964).
8. Врум и Яго (1988, 2007).
9 . Judge and Piccolo (2004).
10 . Day (2012).
11 . Фэйрчайлд (1930, с. 5).
12 . Друкер (2006, с. 113).
13 . Марч и Саймон (1958); Саймон (1947).
14 . Гигеренцер (2014).
15 . Maidique (2012); см. также Gigerenzer (2014, pp. 115-116).
16 . Валумбва, Мейдик и Атаманик (2014).
17 . Гигеренцер (2014).
18 . Ма и Цуй (2015).
19 . Lynn (1999, p. 164).
20 . Ма и Цуй (2015).
21 . Grove (1996).
22 . Quigley et al. (2019).
23 . Kyodo News (2021).
24 . Flyvbjerg (2021).
25 . Молинари (2020).
26 . Boos et al. (2014).
27 . Лорд, Фоти и де Вейдер (1984).
28 . Li, van Vugt, and Colarelli (2018).
29 . См. ван Вюгт, Джонсон и др. (2008).
30 . Янсон и др. (2008).
31 . Lind (2001); van den Bos and Lind (2002); Proudfoot and Lind (2015).
32 . Минцберг (1973, 2013).
33 . Саймон (1971, с. 40-41).
34 . Davenport and Beck (2001); Goldhaber (1997).
35 . МакМахон и Форд (2013, с. 70).
Часть III
10 Сила интуиции
Сила интуиции - способность знать больше, чем мы можем объяснить, - поразительное явление. Хорошие управленческие решения часто принимаются "прямо из нутра", как однажды выразился Джек Уэлч из General Electric (GE). 1 Опытный менеджер может нутром чуять, что со сделкой что-то не так, но не может сразу сказать, что именно, а интуиция ведет к целенаправленному поиску причин. Интуиция - общий признак компетентности не только в менеджменте. В одном из исследований семнадцать нобелевских лауреатов в области физики, химии, медицины и экономики спросили, как они совершили свой "большой скачок". Большинство объяснили, что их открытия были сделаны в результате переключения между интуицией и анализом. 2 Аналогичным образом, успех в бизнесе и управлении требует как интуиции, так и тщательного анализа.
Нас также поражает растущее безоговорочное недоверие к интуиции в некоторых социальных науках. Здесь интуиция представляется как враг, а не союзник разума. Например, в различных двухсистемных теориях интуитивная "система 1", которая быстра, эвристична, бессознательна и часто ошибается, противопоставляется аналитической "системе 2", которая медленна, логична, сознательна и практически всегда права. Конечно, полагаясь на интуицию, можно ошибиться, но и алгоритмы и обдуманные мысли также подвержены ошибкам. Тем не менее, многие бестселлеры, включая "Предсказуемо иррационально" 3 и "Подталкивание" 4 , связывают ошибки исключительно с интуицией и никогда - с недостатками логического мышления или неправильным применением теории рационального выбора в ситуациях неопределенности. Ложное представление интуиции и разума как противоположностей подразумевает, что человеческой интуиции нельзя доверять и ее следует заменить логикой или алгоритмами.
Недоверие к интуиции не является чем-то новым. Альберт Эйнштейн заметил это, сказав: "Интуитивный ум - это священный дар, а рациональный ум - верный слуга. Мы создали общество, которое почитает слугу и забыло о даре". 5 Проницательный комментарий Эйнштейна был воспринят, по крайней мере, в естественных науках, где - в отличие от общественных наук - называние чего-либо "интуитивным" может означать большое уважение.
Что такое интуиция?
Речь не идет о шестом чувстве, голосе Бога или произвольном принятии решений неумелым руководителем. Интуиция, или чутье, - это суждение, обладающее всеми следующими характеристиками:
в зависимости от стажа работы
быстро появляется в сознании
в основе которых лежит бессознательное
Иными словами, интуиция - это не каприз, а скорее форма бессознательного интеллекта. 6 Например, опытный врач может в мгновение ока почувствовать, что с пациентом что-то не так, не будучи в состоянии полностью объяснить, почему. В этом есть интересное сходство с алгоритмами "черного ящика" искусственного интеллекта (ИИ), которые мы обсуждаем в главе 12: процессы, порождающие интуицию, непрозрачны для сознательного мозга. Однако следующий шаг врача - это отслеживание первоначальной интуиции и начало систематического медицинского тестирования. То есть бессознательные и сознательные действия дополняют друг друга, и при успешной диагностике врач может начать понимать, что именно породило ощущение, что что-то не так. Важно отметить, что интуиция не должна рассматриваться как противоположность обдуманному мышлению; при принятии важных решений приходится переключаться с обдуманного на интуитивное суждение. Практически каждое важное деловое решение основывается на обоих. В редких случаях данные говорят сами за себя.
Принимают ли руководители решения по наитию?
Руководитель может оказаться погребенным под горой информации - противоречивой, сомнительной по достоверности, сформированной определенными группами интересов. Не существует алгоритма, позволяющего вычислить наилучшее решение в такой ситуации неопределенности. Тем не менее опытный руководитель может интуитивно понять, как лучше поступить. По определению, причины, лежащие в основе этого чувства, являются неосознанными. Чтобы понять, как много важных профессиональных решений в крупных компаниях основывается на интуиции, один из нас (Гигеренцер) опросил 32 менеджера, топ-менеджеров и членов правления крупной международной компании, предоставляющей технологические услуги. С помощью топ-менеджера, который пользовался их доверием, в личных интервью их спрашивали, как часто важные профессиональные решения, которые они принимали, в конечном счете были интуитивными решениями, определение которых было дано им заранее, чтобы обеспечить понимание. 7 Акцент был сделан на "в конечном счете", поскольку мы предполагали, что руководители сначала информируют себя о данных, связанных с их решениями; только если данные не являются однозначными, они полагаются на свою интуицию. Исследуемые руководители представляли все уровни иерархии: менеджеры, руководители отделов, руководители групп, отвечающие за филиалы компании, и члены правления. Все они откликнулись на приглашение к интервью без повторного обращения, что говорит о том, насколько важным они считают этот вопрос.
Ни один руководитель не заявил, что никогда не принимал решений по наитию ( рисунок 10.1 ). Ни один из них не сказал, что всегда принимает решения по наитию. Напротив, большинство (двадцать четыре из тридцати двух) заявили, что 50 и более процентов их профессиональных решений, после изучения данных, в конечном итоге основывались на интуиции. Это справедливо для всей управленческой иерархии корпорации. Так же обстоят дела и во многих других корпорациях. Например, среди пятидесяти топ-менеджеров международного автопроизводителя, состоящих в основном из инженеров, все сказали, что 50 и более процентов их важных решений были основаны на интуиции. 8 Чем выше уровень управления и доля инженеров в компании, тем выше количество заявленных интуитивных решений.
Рисунок 10.1
Как часто руководители принимают решения по наитию? Самоотчеты тридцати двух руководителей крупной международной компании, предоставляющей технологические услуги. Ни один руководитель не сказал, что никогда или всегда пользуется интуицией, большинство (двадцать) заявили, что используют интуицию примерно в половине случаев. По материалам Gigerenzer (2014).
Страх признать правильность своих решений
Однако те же самые руководители никогда не признаются в том, что принимают решения по наитию. Интуитивное решение перекладывает бремя ответственности на плечи лидера. В крупных корпорациях все меньше руководителей готовы взять на себя такую ответственность, опасаясь негативных последствий со стороны заинтересованных сторон. Интервью с руководителями международной компании, предоставляющей технологические услуги, показали, что они чувствуют давление, требующее рационального обоснования решения, а интуиция по определению не может его обосновать. Как объяснил один из руководителей группы: "Это простая истина, что нужно извиниться, если решение не основано на 200 процентах фактов". Другой сказал: "Мы - высокотехнологичная компания, и наше руководство ожидает цифр и фактов". По их мнению, менеджер, скорее всего, не будет в восторге, если публично признается: "Я изучил все факты, но они не дали четкого ответа. Основываясь на своем опыте, я интуитивно принял это решение". Чтобы справиться с этим конфликтом между интуицией и обоснованием, менеджеры прибегают к двум методам сокрытия своей интуиции: выдвижению обоснований постфактум и принятию решений в обороне. Эти методы показывают, как дорого обходится корпорациям боязнь признаться в том, что они принимают решения по наитию.
Доказывать причины после факта
Вместо того чтобы открыто заявить о своем интуитивном решении, руководитель просит своих сотрудников найти причины интуиции, что может занять неделю или около того. Имея на руках список, руководитель затем представляет интуитивное решение другим как обдуманное решение, принятое на основе одних только данных. Рационализация постфактум - это пустая трата ума, времени и ресурсов. Она также замедляет процесс принятия решения. На самом деле поставщик технологий, о котором идет речь, страдал от проблем, связанных с медленным принятием решений, как внутри компании, так и за ее пределами, когда имел дело с клиентами.
Другой вариант той же стратегии - нанять консалтинговую фирму. Консультанты предоставят документ, полный обоснований интуитивного решения, не даже упоминания об интуиции. Эта процедура стоит еще больше денег, времени и внимания. Ее конечной мотивацией является нежелание руководителя брать на себя личную ответственность - а именно в этом и заключается суть интуитивного решения. Как часто такое случается? За обедом мы спросили директора одной из крупнейших консалтинговых фирм в мире, готов ли он рассказать, как часто они общаются с клиентами, оправдывая решения, принятые постфактум. Его ответ был таков: "Если вы не раскроете мое имя, я скажу вам. Это более 50 процентов".
Принятие решений в обороне
Второй способ справиться с тревогой, связанной с открытым принятием интуитивных решений, - это принятие оборонительных решений. Вместо того чтобы действовать в соответствии с интуитивно лучшим вариантом, опасаясь, что что-то пойдет не так, менеджер продвигает более низкий вариант.
Принятие оборонительных решений: Менеджеры оценивают вариант А как лучший, но, тем не менее, выбирают вариант Б, который считают более низким, чтобы обезопасить себя на случай, если что-то пойдет не так.
Подумайте об опытном менеджере, который нутром чует, что компании следует выйти на зарубежный рынок с новым продуктом. Однако он не реализует этот вариант, потому что в случае неудачи он будет нести ответственность и не сможет объяснить, почему он продвигал эту идею. Цель - защитить себя, а не пойти на риск в интересах компании. В то время как поиск причин постфактум замедляет процесс принятия решений и приводит к ненужным затратам, принятие решений в стиле "оборона" может напрямую препятствовать инновациям и заставлять компании отказываться от выгодных возможностей. Наверное, не случайно PayPal был изобретен не крупным банком, а Google - не крупной медиакорпорацией (см. главу 6).
Насколько часто в крупных корпорациях принимаются решения, требующие защиты? Тридцати двум руководителям международной компании, предоставляющей технологические услуги, был задан вопрос: "Вспомните 10 последних важных профессиональных решений, в принятии которых вы участвовали. В скольких из них присутствовал оборонительный компонент?" Только семь человек ответили: "Ни одного". Один из них, руководитель-мужчина лет пятидесяти, объяснил: "Мне хорошо, если компании хорошо. Это моя страстная убежденность. Даже если в этой компании меня уволят, я все равно сделаю то же самое в следующей". 9
И все же этот идеальный тип руководителя оказался в меньшинстве. Двенадцать руководителей заявили, что принимали оборонительные решения в одном-трех случаях из последних десяти. Один из них признался, что иногда ему просто не хватало смелости выбрать более рискованный, но более перспективный вариант. Другие признались, что ими двигал страх обвинения и компрометации себя ответственностью за ошибку, что могло привести к потере авторитета среди коллег. Десять руководителей рассказали, что около половины их решений носили оборонительный характер. Некоторые из них оправдывали выбор в пользу второсортных вариантов тем, что у них не было стимулов рисковать - только критика или наказание, если что-то пойдет не так. Один из членов правления признался, что каждое его решение не соответствовало интересам компании; учитывая царящий в компании менталитет отсутствия риска, он сосредоточился на собственной карьере и интересах. Наконец, два менеджера, оба занимающие низшие ступени иерархии компании, заявили, что чаще всего, в семи-девяти случаях из десяти, они принимали решения с позиции защиты. Один из них отметил, что в компании не было культуры ошибок и нулевой терпимости к ним, поэтому его девизом было просто "Прикрой свою задницу".
Такое же количество оборонительных решений можно встретить и в других корпорациях, а также в органах государственного управления. 10 Они являются признаком неэффективного руководства и негативной культуры ошибок (о чем мы более подробно говорим в главе 11). В семейных предприятиях и компаниях, возглавляемых владельцами, защитные решения встречаются реже. В культуре семейного бизнеса владельцы меньше беспокоятся о том, что им придется оправдывать свои инстинкты, а их доверенные руководители меньше опасаются быть уволенными на месте, если что-то пойдет не так. Ошибки чаще обсуждаются, чтобы извлечь из них уроки, планы строятся наперед, а интуитивные решения оцениваются по их эффективности, а не по способности лица, принимающего решение, обосновать их. А "кожа в игре" семейного бизнеса является сильным мотивом для того, чтобы избежать расходов на привлечение консалтинговых фирм для маскировки интуитивных решений или еще более значительных расходов на принятие защитных решений.
Интуиция и эвристика: Эвристика беглости
По определению, человек, обладающий интуицией, не может ее объяснить. Объяснить, как работает интуиция, - задача исследования. Задумайтесь над тем удивительным фактом, что первая идея, которая приходит в голову, часто оказывается самой лучшей.
На курсах по исследованию принятия решений учат, что опытные люди тщательно сравнивают варианты, в то время как новички бросаются на первый пришедший в голову вариант. По мнению исследователя решений Гэри Клейна, все наоборот. 11 Клейн и его команда ночевали в пожарных частях, ездили в танках М-1 и вертолетах "Черный ястреб", наблюдали за принятием решений на высоких ставках в отделениях интенсивной терапии. Сравните эти авантюрные места натуралистического принятия решений с безопасной средой психологической лаборатории; в последней участники делают выбор между гипотетическими лотереями и азартными играми, с которыми они никогда раньше не сталкивались и в которых все известно, включая вероятности.
Клейн сообщил, что эксперты, которых он изучает, например пожарные и врачи скорой помощи, редко сравнивают варианты. 12 Скорее, исходя из их опыта, на ум приходит один вариант. Этот процесс известен как эвристика беглости, о которой мы рассказывали в главе 2. Эвристику беглости также называют эвристикой принятия первого варианта или эвристикой принятия решений с опорой на распознавание. 13 Эксперт может сразу выбрать первый вариант или мысленно смоделировать его - то есть представить, как он будет выполняться. Если симуляция не приведет к желаемой цели, то тот же процесс повторяется со вторым вариантом, который приходит на ум, и так далее. Опора на беглость экологически рациональна для экспертов, где беглость коррелирует с качеством альтернатив, но не для новичков. Чтобы заставить беглость работать, человеческий мозг эволюционировал, чтобы обнаруживать тонкие различия в беглости, что является необходимой способностью для применения эвристики. Люди могут различать задержки беглости, если они превышают 100 миллисекунд, и эвристика беглости предсказывает индивидуальные решения тем точнее, чем больше различия, вплоть до 82 процентов правильности. 14
Как показано на рисунке 2.1 в главе 2, первый вариант, который приходит в голову опытным гандболистам, скорее всего, является наилучшим, а если тратить больше времени и генерировать больше вариантов, то это, скорее всего, снизит эффективность. Этот вывод противоречит гипотезе о том, что существует общий компромисс между быстрым и точным принятием решений - компромисс между скоростью и точностью. Этот компромисс сохраняется для новичков, то есть людей, которым дают задания, которые они никогда раньше не выполняли, как это происходит почти во всех психологических исследованиях. Однако этот компромисс не действует для экспертов, которые могут полагаться на хорошую интуицию и чьи спонтанные суждения в большинстве случаев оказываются наилучшим выбором. Такая тенденция была отмечена у пожарных, пилотов и других экспертов. 15 Как однажды заметил о своей интуитивной игре бывший немецкий футболист Герд Мюллер, один из лучших бомбардиров всех времен, "если ты начинаешь думать, ты уже проиграл". 16
Эвристика беглости позволяет сделать важный вывод. Принятие решения - это не обязательно выбор из набора заданных альтернатив. При принятии решений может рассматриваться несколько вариантов, но они не сравниваются; то есть варианты оцениваются по очереди, пока один из них не будет признан достаточно хорошим. И если ситуация меняется, например, из-за внезапного распространения пожара, этот интуитивный процесс генерирования вариантов начинается заново. В результате того, что теория принятия решений сосредоточилась на выборе между лотереями, эта важная мысль осталась незамеченной.
Процесс интуиции здесь представляет собой комбинацию эвристики сатисфакции - принятия первой альтернативы, которая соответствует уровню стремления, и эвристики беглости, которая упорядочивает альтернативы в соответствии с их обоснованностью. Удовлетворение само по себе не говорит о порядке, в котором встречаются альтернативы.
Как заблокировать интуицию
Предыдущий анализ эвристики беглости показывает, как блокировать хорошую интуицию своих профессиональных оппонентов в ситуациях конкуренции: Заставляйте их думать и тратить больше времени. Сила эвристики беглости исчезает, если человеку требуется слишком много времени для принятия решения и он рассматривает слишком много вариантов, что увеличивает вероятность выбора некачественного варианта (см. главу 2). Некоторые люди обманывают себя, не следуя первому пришедшему на ум варианту, а вместо этого ищут дальше. Напротив, те, кто понимает силу интуиции, обманывают своих оппонентов, намеренно используя эту контрэвристику.
Заставьте своих оппонентов-экспертов думать, а не следовать интуиции.
В 2006 году Олимпийский стадион в Берлине был переполнен 75 000 болельщиков, присутствовавших на четвертьфинальном матче чемпионата мира по футболу между сборными Аргентины и Германии. После дополнительного времени игра была равной, и началась серия пенальти - нервная ситуация, когда два вратаря поочередно встречаются с пятью игроками противоположной команды. Все серии напряженные, но эта была особенной. Перед каждым штрафным ударом немецкий вратарь Йенс Леманн изучал листок бумаги, который держал в руках. В итоге Леманн заблокировал два пенальти, убрав Аргентину, и Германия вышла в полуфинал. СМИ приписали победу информации из "шпаргалки" Леманна.
Но это, скорее всего, не так. Возьмем последнего аргентинского стрелка Эстебана Камбьяссо. В видеоролике, доступном на YouTube, показано, как Леманн не спеша изучает лист бумаги. Камбьяссо не знал, что на самом деле там не было никакой информации о нем. Камбьяссо нанес удар, и Леманн заблокировал его. Леманну помогла не информация на листке бумаги, а, скорее, то, что он заставил аргентинского игрока задуматься о том, как ему поступить. Просто поразмыслив, Камбьяссо проглотил наживку.
Тормозящее влияние мышления на хорошую интуицию было показано в ряде экспериментов. Например, когда новичков и экспертов просили обратить внимание на свой замах во время выполнения удара, новички справлялись лучше, а у экспертов все было наоборот: их показатели снижались. 17 В другом эксперименте новичкам и экспертам давали либо всего три секунды на каждый удар, либо столько времени, сколько они хотели. В условиях дефицита времени новички показали худшие результаты и меньше попадали в цель, что неудивительно. Экспертные игроки, напротив, чаще попадали в цель, когда на них давали время. Чем больше времени у эксперта, тем больше вариантов уступают ему, и тем выше вероятность, что он последует одному из них. Общий вывод таков: тем, кто хорошо разбирается в задаче, следует избегать долгих раздумий, в то время как новичкам следует не торопиться с решением.
Священный дар
Как уже упоминалось, Эйнштейн говорил об интуиции как о священном даре. Однако в основе этого дара лежат годы упорного труда и опыт работы с конкретным предметом. Замечание Эйнштейна о том, что мы создали общество, в котором этот дар забыт, остается актуальным и сегодня. В этой главе мы рассмотрели иллюзорное мнение о том, что интуиция - враг рационального мышления, - мнение, воплощенное в довольно многих теориях дуальной системы, в которых интуитивное, эвристическое и быстрое мышление рассматривается как часто ошибочное и противопоставляется рациональному, логическому и медленному мышлению, которое считается практически всегда правильным. Такая дихотомия заставляет руководителей прибегать к дорогостоящим методам, чтобы скрыть свои интуитивные решения или даже принимать второсортные решения. Страх признаться в принятии интуитивных решений поддерживается негативной культурой ошибок, в которой ошибки скрываются или наказываются, а риск для компании является опасным. Это, в свою очередь, приводит к снижению инноваций и формированию культуры, в которой каждая новая идея должна быть обоснована, иначе она, скорее всего, будет отвергнута. Руководителям необходимо преодолеть импульс, заставляющий рассматривать интуицию и разум как противоположности, и понять, что они должны работать вместе. О том, как организации могут способствовать формированию такой культуры, пойдет речь в следующей главе.
Примечания
1 . Цитата Уэлча взята из Akerlof and Shiller (2009, p. 14).
2 . Дёрфлер и Иден (2019).
3 . Ариели (2008).
4 . Талер и Санстейн (2008).
5 . Калапрайс (2011, с. 477) относит эту цитату к "возможно или вероятно Эйнштейну".
6 . Гигеренцер (2007, 2023).
7 . Гигеренцер (2014).
8 . Гигеренцер (2014).
9 . Следующие результаты взяты из Gigerenzer (2014).
10 . Artinger, Artinger, and Gigerenzer (2019).
11 . Klein (2018, p. 24).
12 . Гигеренцер (2019).
13 . Johnson and Raab (2003); Klein (2018).
14 . Hertwig et al. (2008).
15 . Klein (2018).
16 . Немецкий оригинал: "Wenn's denkst, ist's eh zu spat" (см. Eichler, 2021).
17 . Beilock et al. (2004).
11 Создание культуры принятия разумных решений
В главе 10 мы увидели, что менеджеры часто прибегают к двум дорогостоящим действиям: придумывают причины для принятия "интуитивных" решений постфактум и выбирают второй лучший вариант (т. е. принимают оборонительные решения). В основе этих действий часто лежит дисфункциональная организационная культура принятия решений. Ввиду их важности в этой главе мы более подробно рассмотрим функциональную (умную) и дисфункциональную культуры принятия решений.
Культуры принятия решений сильно различаются во времени и пространстве. Например, в средневековой Европе было принято решать, кто виновен, кто лжец или ведьма, путем испытания. Одной из форм такого испытания было испытание боем: две стороны в споре сражались друг с другом, и проигравший считался виновным или ответственным. Особенно мерзкой формой было испытание водой: Женщину, обвиненную в колдовстве, погружали в воду. Если она всплывала, ее считали ведьмой и казнили; если тонула, ее считали невиновной, но она умирала от утопления. В других культурах важные решения, например, о том, идти ли на войну, принимались с помощью оракула. Сейчас нам трудно понять, как могли существовать такие культуры принятия решений. Культура, как обычаи, практика, ценности, верования и символы нации, общества, организации или группы, может выглядеть иррациональной со стороны, но члены культуры обычно воспринимают ее как должное. 1.
Современные культуры не являются исключением. Подумайте, как в современных организациях решения принимаются с помощью расчетов, электронных таблиц, анализов и отчетов, иногда полностью основанных на алгоритмах без участия человека. Для коренного жителя амазонского племени это может не иметь никакого смысла. Поскольку культура глубоко укоренилась, ее влияние на организации может быть более сильным, чем влияние тщательно разработанных стратегических планов, что отражено в цитате, приписываемой мыслителю в области менеджмента Питеру Друкеру: "Культура съедает стратегию на завтрак".
В этой главе мы специально рассматриваем культуру принятия решений в организациях. То есть мы изучаем укоренившиеся нормы, ценности и убеждения - например, веру в то, что сбор большего количества информации всегда лучше, - которые влияют на то, как принимаются, откладываются или не принимаются решения. Мы спрашиваем: чем отличаются культуры принятия решений и как организации могут развивать "умные" культуры?
Риторика против реальности в принятии управленческих решений
Культура принятия решений - это и то, как принимаются решения, и то, как о них говорят. Менеджеры не всегда "выполняют указания": Они говорят об "оптимизации" и "максимизации", даже когда принимают решения по проблемам большого мира, где по определению невозможно определить наилучший курс действий наперед, а оптимизация - это иллюзия. Риторика сводится к тому, что необходимо тщательно искать информацию, тщательно анализировать данные, рассматривать все возможные варианты и выбирать наилучший. В реальности менеджеры полагаются на сочетание эвристики и анализа. Например, как мы подробно описали в главе 10, большинство руководителей крупного международного поставщика технологических услуг отметили, что в конечном итоге принимают решения, используя интуицию. 2 Однако об использовании эвристики, сознательном или бессознательном (то есть интуиции), как правило, не говорят публично.
Рассмотрим бюджетирование. Организациям и правительствам необходимо распределять ограниченные ресурсы между различными альтернативами. Компания может вложить значительные средства в разработку нового продукта или потратить ту же сумму на увеличение доли рынка существующего продукта. Сложные методы, такие как расчет чистой приведенной стоимости и бюджетирование на основе нулевых показателей, позволяют распределить бюджеты таким образом, чтобы максимизировать отдачу от ресурсов. Однако бюджет по определению не может быть распределен оптимально, поскольку на момент принятия решения не известны будущие доходы от инвестиций. В качестве альтернативы лица, принимающие решения, могут использовать эвристику для решения проблемы распределения. Один из кандидатов - эвристика "давности": использовать бюджет прошлого года плюс или минус дельта. 3 Другой вариант - 1/N: разделить бюджет поровну на N сотрудников одного подразделения, например, 3M и Google предоставляют своим инженерам и ученым одинаковое количество свободного времени для работы над независимыми исследовательскими проектами (как обсуждалось в главе 6).
Или рассмотрим налоговые ставки. Например, в 2022 году Сингапур объявил о корректировке налоговых ставок. Налог на товары и услуги увеличился на 1 % с 7 % до 8 % в 2023 году, а в январе 2024 года вырастет еще на 1 %, до 9 %. 4 Поскольку оптимальное увеличение налога рассчитать невозможно, можно применить эвристику, подобную этой:
Повышайте налоги осторожно и равномерно.
Это правило снижает риск внесения столь значительных изменений, которые могут вызвать шок в системе, хорошо работавшей в прошлом, а также позволяет правительству наблюдать за их последствиями и при необходимости вносить коррективы. Обратите внимание, что налоговая служба, возможно, потратила немало времени на то, чтобы принять решение об этом правиле и о том, на сколько процентов или на 1,5 процента увеличить налоги. И снова мы видим, что обдумывание и принятие эвристических решений обычно идут рука об руку.
То, как организации говорят о решениях и принимают их, является частью их культуры. Далее мы опишем четыре дисфункциональные культуры принятия решений, а затем три функциональные культуры. Эти культуры не являются взаимоисключающими; они могут сосуществовать в одной организации и систематически различаться в разных подразделениях организации.
Культура рационализации
Несоответствие между тем, как организации обсуждают и принимают решения, может свидетельствовать о наличии культуры рационализации. Мы определяем культуру рационализации как такую, в которой решения принимаются с использованием эвристики, о чем не говорят, а впоследствии эти решения представляются другим - начальству, коллегам или общественности - так, как будто они были приняты исключительно на основе анализа, логики и оптимизации. Таким образом, эвристический процесс "рационализируется" (и скрывается).
Рационализация может быть использована для того, чтобы сделать предложение о принятии решения более убедительным, например, когда подразделение компании хочет разработать новый продукт и нуждается в поддержке штаб-квартиры. Она также используется для защиты лиц, принимающих решение, в случае, если решение окажется неудачным: Менеджеры могут оправдать принятое решение, подчеркнув, что вариант с наибольшей ожидаемой полезностью был выбран после тщательного анализа всей имеющейся информации. 5
В процессе рационализации тратятся время, силы и деньги, и все это для того, чтобы создать видимость следования культурно принятому процессу принятия решений: проводятся анализы, пишутся отчеты и проводятся презентации, но не для того, чтобы найти наилучшую альтернативу, а чтобы оправдать уже принятое решение. 6 Культуры рационализации - основной источник дохода для консалтинговых фирм. Как уже говорилось в главе 10, примерно в 50 процентах случаев, когда консалтинговые фирмы консультируют корпорации, они обосновывают уже принятое решение.
Ограниченные ресурсы, потраченные на рационализацию, можно было бы применить в другом месте, если бы в организациях существовала культура принятия решений, в которой ценились бы интуиция и эвристика. К негативным последствиям можно отнести цинизм и нежелание работать среди сотрудников, которые вынуждены выполнять всю эту работу, прекрасно зная, что решение уже принято. Более того, когда реальные эвристические процессы принятия решений завуалированы, обучение затрудняется. Без откровенного обсуждения того, какие эвристики работают в тех или иных обстоятельствах, набор адаптивных инструментов менеджеров остается неразвитым.
Культуры рационализации более распространены в крупных и бюрократических корпорациях, где у профессиональных менеджеров мало "кожи в игре". В бизнес-школах укрепляется вера в то, что больше - значит лучше (т. е. больше данных, больше анализа), а реальные задачи, с которыми мы сталкиваемся, - это проблемы малого мира, где оптимизация - лучший способ принятия решений (см. главу 13). Принятие решений исключительно аналитическим способом широко преподается как определяющая черта, отличающая профессиональных менеджеров. 7 Такая культура менее распространена в семейных предприятиях и компаниях, возглавляемых владельцами, которые более приемлемы для интуиции и эвристики, если только результаты хороши. 8
Культура CYA
Защитная культура принятия решений выходит за рамки культуры рационализации. В последней эвристика используется для выбора перспективного для компании варианта, но сам процесс рационализируется post hoc. Эта культура позволяет менеджерам принимать решения так, как они считают нужным, при условии, что впоследствии они смогут рационализировать свой выбор. При оборонительной культуре менеджеры выбирают не самый перспективный вариант, а более низкий, который можно лучше защитить, если что-то пойдет не так (как обсуждалось в главе 10). Эта культура также известна как CYA, что означает "прикрыть свою задницу". 9 Культуры CYA существуют во многих организациях. Например, отдел закупок одной компании рассматривал двух поставщиков запчастей: регионального поставщика, который мог предоставить запчасти по низкой цене с хорошим качеством и отличным сервисом, и международную, более известную компанию, которая могла предоставить запчасти по более высокой цене, но с более низким качеством и сервисом. Тем не менее менеджеры выбрали более известную компанию, так как это решение было легче отстоять в случае возникновения проблем в дальнейшем.
Выбор более узнаваемого варианта - это версия эвристики распознавания. Однако в данном контексте она не является умной эвристикой, поскольку распознавание здесь используется не из-за его корреляции с точностью, а из-за его корреляции с защищаемостью: вариант, который распознается, может быть более легко обоснован. Таким образом, эвристики не являются ни хорошими, ни плохими в абсолютном смысле, а только в контексте конкретной задачи.
Насколько распространено принятие решений с позиции защиты? В ходе исследования, проведенного среди 950 менеджеров одной из государственных администраций Германии, около четверти (25 %) важных решений принимались с позиции защиты. 10 Более того, значительное большинство (80 %) респондентов признались, что приняли хотя бы одно решение с позиции защиты, а 17 % сказали, что приняли не менее половины своих решений с позиции защиты.
Менеджеры принимают оборонительные решения не потому, что хотят этого, а по ряду мотивов, на которые влияет культура организации. В исследовании крупной государственной администрации, о котором говорилось выше, примеры принятия менеджерами оборонительных решений чаще всего были связаны с избеганием конфликтов ( рисунок 11.1 ). Например, руководитель решил не удалять старшего сотрудника из команды, чтобы избежать конфликта с ним, хотя человек был токсичен. Второй по частоте пример связан с давлением со стороны начальства. В качестве примера можно привести менеджера, который предложил должность внутреннему кандидату, потому что так предпочло его начальство, несмотря на то, что он был уверен, что внешний кандидат лучше.
Рисунок 11.1
Мотивы оборонительных решений. Самоотчеты 950 менеджеров крупной государственной администрации в Германии показывают, что наиболее частыми причинами принятия оборонительных решений являются избегание конфликта, давление со стороны начальства и нехватка ресурсов. По материалам Artinger et al. (2019).
Мотивы принятия оборонительных решений зависят от более широкой культуры организации, отрасли и даже страны. В этом исследовании, проведенном в Германии в сфере государственного управления, в качестве причины редко указывалась карьерная озабоченность, что говорит о том, что эти менеджеры не принимали оборонительных решений по эгоистичным причинам карьерного роста. Озабоченность юридическими последствиями также редко становилась мотивом для принятия оборонительных решений. Совсем иная ситуация наблюдается в медицинском секторе, где врачи и больницы сталкиваются с многочисленными внешними факторами давления и обеспокоены судебными разбирательствами: если больницы признают ошибки, на них могут подать в суд за недобросовестную работу, особенно в таких странах, как США, где законы о правонарушениях предполагают судебные разбирательства. Это приводит к практике оборонительной медицины, характеризующейся избыточным назначением и чрезмерным лечением: у врачей и больниц меньше шансов получить иск за проведение ненужной операции или назначение ненужного лекарства, чем за то, что они не назначат лекарство или не порекомендуют операцию, если с пациентом что-то случится.
В ходе опроса американских врачей скорой помощи 97 процентов признались, что назначают расширенные визуализационные исследования, которые, по их мнению, не нужны с медицинской точки зрения, и объяснили, что одной из основных причин этого является страх перед судебным разбирательством. 11 Другое исследование показало, что 93 процента американских врачей в той или иной форме практикуют защитные решения, включая назначение клинически ненужных магнитно-резонансной томографии, компьютерной томографии, антибиотиков и операций. 12 Как и в случае с культурой рационализации, защитные решения напрасно тратят ресурсы и время. В 2009 году Бюджетное управление Конгресса США оценило стоимость оборонительной медицины в 5,4 миллиарда долларов в год. 13 Более поздние оценки гораздо выше: от 46 миллиардов долларов до 300 миллиардов долларов, но чаще всего от 50 до 65 миллиардов долларов. 14 Помимо финансовых затрат, оборонительные решения мешают учиться на ошибках и снижают качество медицинской помощи, поскольку выбираются некачественные варианты.
Турция Иллюзорная культура
Вера в то, что организация работает в предсказуемом мире, где известно прошлое, а значит, и будущее, называется иллюзией индейки. Она представляет собой маленький мир, в котором будущее по определению похоже на прошлое. Этот создает иллюзию уверенности в своих прогнозах. Откуда взялось название "индюшачья иллюзия"? 15 Подумайте об индюке в первый день его жизни. Человек кормит ее и не убивает. На второй день происходит то же самое. Согласно моделям предсказания, таким как правило Байеса, которые предполагают, что мир тесен, субъективная вероятность того, что индейку накормят и не убьют, растет с каждым днем, и на 100-й день она становится выше, чем когда-либо, - около 99 процентов. 16 Но этот день - день перед Днем благодарения. Проблема в том, что индейка не находилась в маленьком мире, где все известно, и не понимала причинно-следственной связи, почему с ней хорошо обращаются.
Культура индюшачьих иллюзий широко распространена в организациях с высоким уровнем аналитики, таких как финансовые учреждения. Иллюзия проявляется в излишней уверенности в способности количественных моделей, основанных на прошлых данных, предсказывать будущее. Рассмотрим индекс волатильности CBOE (VIX), который основан на индексе Standard & Poor's 500 и создан Чикагской биржей опционов (CBOE). 17 Его также называют "индексом страха", и он измеряет ожидания рынка в отношении будущей волатильности ( Рисунок 11.2 ). Низкие значения отражают низкий прогнозируемый риск. В 2007 году, незадолго до мирового финансового кризиса, этот индекс был минимальным, однако в то время фактический риск был чрезвычайно высок. Или подумайте о том, что у финансовых институтов были модели риска, которые могли предсказать рост цен на недвижимость только потому, что, используя те же рассуждения, что и индейка, они использовали данные за предыдущие годы, когда цены постоянно росли.
Рисунок 11.2
Иллюстрация индюшачьей иллюзии, которая привела к финансовому кризису 2007-2008 годов. Индекс волатильности (VIX) был первым базовым индексом, измеряющим ожидания рынка относительно будущей волатильности, низкие значения которого указывали на низкий ожидаемый риск. Индекс начал последовательно снижаться в 2003 году. В 2007 году, незадолго до мирового финансового кризиса, он достиг своего минимума и оставался низким до краха Lehman Brothers в 2008 году, что свидетельствует об иллюзорной уверенности. Источник данных: Чикагская биржа опционов (http://www.cboe.com/products/vix-index-volatility/vix-options-and-futures/vix-index/vix-historical-data).
Иллюзия индейки проявлялась и в высказываниях ключевых фигур в сфере финансов. Например, еще в марте 2008 года Генри Полсон, министр финансов США, заявлял: "Наши финансовые институты, банки и инвестиционные банки сильны. Наши рынки капитала устойчивы. Они эффективны. Они гибкие". 18 В 2003 году Роберт Лукас, выдающийся макроэкономист, в своем президентском обращении к Американской экономической ассоциации заявил, что экономическая теория извлекла урок из Великой депрессии и сумела защитить от будущих катастроф: "Ее центральная проблема предотвращения депрессии была решена, для всех практических целей, и фактически была решена на протяжении многих десятилетий". 19 Утверждение, что финансовые кризисы наконец-то можно предотвратить с помощью точной экономической теории, было обнадеживающим - но ошибочным. Через пять лет после уверенного заявления Лукаса не только в США, но и во всем мире разразилась Великая рецессия, самый тяжелый кризис со времен Великой депрессии. Индейка была убита.
Финансовый кризис был вызван не только жадностью, принятием желаемого за действительное и плохим управлением. Иллюзия индейки также способствовала ему, обеспечив иллюзию предсказуемости. Однако финансовые организации не работают в маленьком мире, даже приблизительно.
Культура отрицания VUCA
С культурой "индюшачьих иллюзий" связана культура VUCA-отрицания, но она еще шире. В отличие от культуры "индюшачьих иллюзий", которая принимает конкретную неопределенность за риск, культура VUCA-отрицания отрицает существование неустранимой неопределенности как таковой. В такой культуре существует убеждение, что все VUCA (волатильность, неопределенность, сложность и неоднозначность) можно укротить и свести к маленьким мирам. Эта вера позволяет рассчитать оптимальный курс действий, опираясь на максимизацию ожидаемой полезности и другие инструменты оптимизации. Ее поддерживают видные ученые в области неоклассической экономики, такие как Милтон Фридман, который утверждал, что всю неопределенность можно свести к риску. 20 В результате эта культура предполагает, что организацией можно управлять, как делать ставки в лотерее, когда все варианты и исходы известны заранее. Основным следствием этого является то, что эвристическое принятие решений считается неактуальным при таких предположениях.
Организации с культурой отрицания VUCA не обязательно не знают о существовании самой VUCA, как в случае с культурой иллюзий индейки. Напротив, они отрицают несводимость VUCA - невозможность ее полного контроля и сокращения. Таким образом, анализ в этой культуре является инструментом не только оптимизации, но и контроля, превращения неожиданного в ожидаемое, попытки минимизировать сюрпризы. Такая культура характерна для бюрократических организаций, но отнюдь не является исключительной. Эти организации склонны избегать неопределенности. Непредсказуемость вызывает у них дрожь.
Организации тратят миллионы на отделы управления рисками, регулирующие органы пишут сотни страниц нормативных актов, а специалисты по планированию пытаются предсказать будущее с помощью больших данных - все это в попытках превратить неопределенность в определенность или хотя бы просчитываемый риск. Хотя такие усилия могут быть успешными до определенной степени, отрицание VUCA и отношение к большим мирам, как к маленьким, может привести к иллюзии определенности из-за чрезмерно детальной и, следовательно, хрупкой политики. Рассмотрим нормативные акты, касающиеся управления рисками в финансовой сфере. 21 Первое Базельское соглашение (Базель I) 1988 года, регулирующее финансовую отрасль, состояло из 30 страниц. Базель II, принятый в 2004 году, состоял из 347 страниц, что более чем в десять раз превышает предыдущую версию. Хотя эти правила должны были сделать финансовый мир более безопасным, требуя больше расчетов и моделирования, они не предотвратили, а скорее способствовали финансовому кризису 2008 года, создав иллюзию индейки (см. рисунок 11.2). Базель III, созданный в 2009 году после финансового кризиса, еще длиннее - 616 страниц. Как и в культурах рационализации и CYA, культура отрицания VUCA приводит к неправильному распределению ресурсов (времени, денег и других элементов), но в данном случае неправильное распределение заключается в попытке контролировать неопределенность на финансовых рынках с помощью статистических инструментов, предназначенных для маленьких миров.
Производственные компании, особенно их производственные отделы, относятся к тем, которые работают в условиях, близких к маленькому миру. Использование статистических методов контроля качества может привести к резкому снижению количества ошибок, уменьшению затрат и сокращению отходов. 22 Однако кажущийся маленьким мир может быть легко нарушен непредвиденными событиями, включая глобальные события, такие как пандемии, финансовые кризисы и войны. Когда такие события происходят, преимущество оптимизации затрат может обернуться недостатком, связанным с тем, что не имеет достаточного запаса прочности. Оптимизация делает компанию хрупкой. Такие непредвиденные события могут нарушить глобальные цепочки поставок, как показала острая глобальная нехватка микрочипов, начавшаяся в 2021 году. Любая система малого мира, такая как фабрика, нуждается в точках соединения с более крупными внешними системами для получения входных данных, таких как комплектующие и энергия. Хотя внутри малой системы возможен жесткий контроль, полный контроль над входными данными, поступающими извне, невозможен. Таким образом, даже в этом контексте VUCA невозможно полностью контролировать.
Как создать культуру принятия решений
Все четыре культуры, которые мы здесь описали, являются негативными. Их можно заменить тремя культурами принятия разумных решений, которые взаимно усиливают друг друга. Чтобы развить эти культуры, организациям необходимо пересмотреть три неточных убеждения ( рисунок 11.3 ). Во-первых, организациям необходимо принять реальность того, что они работают в основном в больших мирах неустранимой неопределенности, а не в маленьких мирах просчитываемого риска. Во-вторых, им нужно заменить убеждение, что больше - всегда лучше, более тонким и точным убеждением, что в условиях неопределенности часто лучше меньше. Наконец, организациям необходимо отказаться от убеждения, что ошибки - это всегда плохо, в пользу более сбалансированного мнения, что ошибки также могут быть полезными и информативными.
Рисунок 11.3
Чтобы сформировать культуру принятия разумных решений, организациям необходимо изменить свои неточные представления о мире, эвристики и ошибки на более точные.
Позитивная культура VUCA
В ответ на растущий уровень VUCA некоторые организации (и правительства) удваивают свои усилия по сбору еще большего количества данных, тратят еще больше ресурсов на управление рисками (и надзор), еще больше ужесточают контроль, увеличивают количество нормативных актов и строят все более сложные модели. Однако, поскольку VUCA не поддается полной редукции, эти усилия создают лишь иллюзию уверенности. Вера в то, что мир VUCA можно укротить и контролировать с помощью больших данных, искусственного интеллекта (ИИ) и сложных алгоритмов, уже приводила к пагубным последствиям в прошлом, таким как мировой финансовый кризис. 23
Вместо этого организациям необходимо отказаться от убеждения, что они работают в маленьком мире и что все большие миры можно аппроксимировать моделями маленьких миров. Им необходимо выработать позитивную позицию по отношению к неопределенности. Как заметил Фрэнк Найт, в маленьком мире риска нет прибыли. 24 Без неопределенности не было бы ни инноваций, ни прибыли, и в этом мире никогда не происходило бы ничего нового. Позитивная культура VUCA видит не только минусы, но и плюсы работы в большом мире, который не до конца понятен и никогда не будет понят. Неопределенность открывает возможности для инноваций, прибыли и предпринимательства. В такой культуре организации сосредоточены не только на том, чтобы избежать опасностей, связанных с неопределенностью, но и на том, чтобы использовать ее потенциал.
Рассмотрим Общество Иисуса, более известное как иезуиты, основанное в 1540 году во времена великих потрясений в Европе. 25 В то время как многие другие религиозные ордена устанавливали сотни правил для своих членов, например запрещали спать во время лекций или носить тапочки вне монастыря, учредительный документ иезуитов содержал всего несколько правил. Отсутствие регламентации позволяло иезуитам творчески использовать разнообразные возможности для осуществления своей миссионерской деятельности. Оно также обеспечивало гибкость, необходимую для того, чтобы быстро действовать и адаптироваться в неопределенной обстановке, с которой они сталкивались во время своей работы в таких далеких местах, как Индия и Япония. Отсутствие некоторых правил, характерных для других орденов, было направлено непосредственно на повышение гибкости, например, отсутствие обязанности молиться вместе как община . Некоторые правила задавали стратегическое направление. Одна из таких стратегических эвристик заключалась в том, чтобы сосредоточить свои усилия на образовательных предприятиях, что привело к появлению множества лучших иезуитских учебных заведений по всему миру, которые воспитали многочисленных лидеров общества. Как показывает этот пример, позитивная культура VUCA и использование умных эвристик обычно сочетаются.
Позитивная эвристическая культура
Для создания позитивной эвристической культуры требуется мужество. Когда один из нас (Гигеренцер) обсуждал эвристику на трибуне с членом совета директоров крупной международной компании, она рассказала следующую историю:
Когда я был новичком в совете директоров, мы обсуждали крупную финансовую инвестицию, и все остальные члены совета, все мужчины, кивнули в знак поддержки. Я не понимал сути инвестиций, но верил, что другие понимают. Я не осмеливался признаться в своем невежестве, боясь показаться глупым. Совет директоров принял инвестицию, и наша компания потеряла огромную сумму денег. Из этого я вынес урок: "Не покупайте финансовый продукт, в котором вы ничего не понимаете". Если кто-то предлагает мне инвестировать, я теперь смело заявляю: "У вас есть 15 минут, чтобы объяснить, как работает этот продукт. Если я не пойму, я не буду его покупать".
Ее подход требует смелости признать свое непонимание. А также смелости, чтобы полагаться на отсутствие понимания как на умную подсказку, чтобы не стать жертвой непрозрачных инвестиций.
Эвристики выглядят просто, что может быть одной из причин, почему менеджеры не признаются в их использовании. Чтобы развить положительную эвристическую культуру, организациям необходимо одобрить эвристику и интуицию (неосознанное использование эвристики) как законные способы принятия правильных решений. Этой книгой мы надеемся поддержать движение в этом направлении. Многие семейные и предпринимательские компании уже имеют такую культуру. Предприниматели ценят эвристику, потому что она быстрая и экономная. Это позволяет им реализовать преимущества первенства, а также короткие циклы выпуска продукции. 26 Во многих семейных компаниях принятие решений происходит относительно неформально и интуитивно, без подробных отчетов и трудоемких количественных анализов. Это особенно актуально для владельцев, которым не нужно обосновывать свои решения перед начальством или внешними сторонами.
Например, Yamamotoyama, семейный бизнес shinise (в переводе с японского - "старая лавка"), непрерывно работает в Японии с 1690 года. Компания специализируется только на двух продуктах - прекрасном зеленом чае и морских водорослях нори. Отбор самых высококачественных ингредиентов является основой успеха компании и основывается на экспертных оценках, а не на электронных таблицах. Раз в неделю небольшая группа собирается вместе, всегда в одно и то же время и в одном и том же месте, чтобы оценить образцы. В конечном итоге президент компании Каичиро Ямамото делает окончательный выбор, руководствуясь своим чутьем, даже если оно противоречит мнению тестеров компании. Ямамото сказал одному из нас (Ребу), что максимизация прибыли в краткосрочной перспективе не является главной целью; гораздо важнее передать компанию в здоровом состоянии следующему поколению семьи - это своего рода сатисфакция.
Позитивная культура ошибок
В теории эволюции Чарльза Дарвина изменчивость является движущей силой. Изменчивость вызвана ошибками при копировании генетического материала организма на протяжении многих поколений. Некоторые из этих мутаций смертельно опасны, но другие привели к эволюции Homo sapiens. Без ошибок не было бы эволюции - все оставалось бы в маленьком мире, который никогда не меняется. Точно так же и в организациях ошибки могут иметь пагубные последствия, но они также незаменимы, поскольку дают возможность адаптироваться, учиться и внедрять инновации. Задача состоит в том, чтобы бороться с ошибками таким образом, чтобы извлекать из них потенциальную пользу и в то же время сдерживать ущерб. Решение не в том, чтобы свести все ошибки к нулю. Тем не менее, многие организации относятся к ошибкам однобоко и негативно. В результате формируется дисфункциональная культура.
Негативная культура ошибок: Ошибки не ожидаются; если они случаются, их пытаются скрыть; если это не удается, ищут виноватого.
Примеры негативной культуры ошибок можно найти в крупных корпорациях и больницах, где менеджеры становятся объектом порицания. Поскольку сотрудники не глупы, то, увидев, что кого-то обвинят в совершении ошибки, они скрывают ее. Сокрытие ошибок лишает возможности говорить о них и принимать меры по устранению их причин. Культуры позитивных ошибок отличаются от других.
Позитивная культура ошибок: Ожидается, что ошибки будут случаться; если они случаются, то воспринимаются как ценная информация, и о них открыто говорят, чтобы выявить причины.
Культуру позитивных ошибок можно обнаружить в кабине пилотов большинства коммерческих авиакомпаний, а также во многих семейных предприятиях. Например, в авиакомпаниях существует система оповещения о критических происшествиях, а пилоты перед взлетом проходят через контрольный список . Тренинги по управлению ресурсами экипажа учат пилотов и их экипажи говорить, когда они замечают возможную ошибку, и, что очень важно, пилоты учатся не игнорировать эти предупреждения и не наказывать вторых пилотов за то, что они говорят об этом. 27 В результате полеты на самолетах очень безопасны. Если бы такие же тренинги по безопасности с контрольными списками и системами отчетности были внедрены в больницах, тысячи жизней пациентов могли бы быть спасены каждый год. По оценкам Института медицины, сделанным в 2000 году, только в США можно было бы спасти от 44 000 до 98 000 жизней в год. 28 Анализ, проведенный в 2013 году, увеличил это число до 210 000-400 000 предотвратимых смертей в год. 29
Ошибки на самом деле могут быть полезны, и это понимание упускается из виду во многих учебных заведениях. Например, в большинстве школ математику преподают, вводя формулу, а затем заставляя учеников решать различные текстовые задачи, которые можно решить, правильно применив формулу. Цель состоит в том, чтобы ученики делали как можно меньше ошибок. Альтернативой является культура позитивных ошибок, при которой сначала дается задача без формулы. Цель - развить умение находить решения; для этого нужно делать ошибки, и ученики будут учиться на своих ошибках. 30
Не все проблемы имеют однозначное решение, даже в математике, и в таких ситуациях изменчивость мнений - не ошибка, она необходима для инноваций и прогресса. Другими словами, изменчивость экологически рациональна в ситуациях неопределенности. Однако вариативность часто путают с ошибкой, которую необходимо свести к нулю. Ярким примером такой путаницы является книга "Шум: A Flaw in Human Judgment, в которой изменчивость судей безоговорочно отождествляется с ошибкой. 31 Чтобы говорить об ошибке, должен существовать единственный лучший ответ - бычий глаз, чего часто не бывает в бизнесе, и уж точно не в двух фирменных примерах книги: судебных решениях и страховании. 32 Так же как изменчивость - двигатель эволюции, изменчивость суждений - не недостаток, а секрет успеха.
Предотвращение ошибок и управление ошибками
Позитивная культура ошибок признает, что ошибки могут приводить как к негативным, так и к позитивным последствиям через следующую двухступенчатую причинно-следственную цепочку: 33.
Действия → Ошибки → Последствия
Предотвращение ошибок работает на первом этапе: предотвращение действий, которые приводят к ошибкам. Опасность заключается в том, что предотвращаются и хорошие ошибки. Многие открытия происходят из ошибок. Если ошибка приводит к неожиданному открытию, это случайность. Вспомните изобретение компанией 3M блокнота Post-It, с которым мы познакомились в главе 6. При попытке разработать клей исследователи из отдела исследований и разработок (R&D) компании "потерпели неудачу", поскольку клей оказался недостаточно прочным. Затем другой исследователь понял, что этот слабый клей можно использовать для совершенно другой цели: приклеивать маленькие полоски бумаги к книжным страницам таким образом, чтобы они прилипали, но при этом легко снимались. Таким образом, действие привело к ошибке, которая повлекла за собой огромные положительные последствия для 3M. Неудача превратилась в успех.
Управление ошибками работает на втором этапе. Его первая цель - предотвратить катастрофические последствия ошибок. Например, на атомных электростанциях есть защитные кожухи (физические оболочки вокруг реактора) не для предотвращения ошибок, а для удержания радиации в случае драматической ошибки. Вторая цель - извлечь из ошибок положительные последствия. Например, ученый в области менеджмента Кэти ван Дейк и ее коллеги создали шкалу для измерения культуры управления ошибками. 34 На вопросы анкеты сотрудники отвечают анонимно, и среди них есть следующие:
Наши ошибки указывают нам на то, что мы можем улучшить.
Когда кто-то совершает ошибку, он делится ею с другими, чтобы они не повторили ее.
Если люди не могут продолжать работу после ошибки, они могут положиться на других.
Эти пункты характеризуют эффективную культуру управления ошибками, в которой ошибки используются для содействия обучению, совершенствованию и сотрудничеству. В том же исследовании сотрудники описали многие отделы своей организации как имеющие дисфункциональную культуру работы с ошибками: "В этой организации мы не говорим об ошибках". Другой руководитель сказал: "Ну, я принимаю ошибки в том смысле, что если человек делает их слишком много, его увольняют".
Исследователи обнаружили, что оценка культуры управления ошибками на одно стандартное отклонение выше (по их шкале) связана с 20-процентным увеличением прибыльности. Вероятная причина такого вывода заключается в том, что позитивная культура управления ошибками улучшает процесс принятия решений. Например, исследователь решений Флориан Артингер и его коллеги обнаружили, что позитивное отношение к ошибкам, а также большее количество голосов сотрудников (т. е. тенденция сотрудников высказываться , когда они видят, что что-то не так) связано с меньшей защитой при принятии решений, что, в свою очередь, помогает организациям не тратить ресурсы на консалтинговые фирмы и другие защитные ритуалы. 35
Ошибаться - это человеческое, а прощать - божественное. Тем не менее, тенденция обвинять и наказывать людей за их ошибки глубоко укоренилась в менеджменте. Прощение ошибок не должно требовать божественности, а должно быть частью культуры ошибок с человеческим лицом.
Примечания
1 . Schein (1985).
2 . Гигеренцер (2014).
3 . Katsikopoulos et al. (2022).
4 . Налоговое управление Сингапура (2022).
5 . Таврис и Аронсон (2007).
6 . Гигеренцер (2014).
7 . Лежаррага и Пиндард-Лежаррага (2020).
8 . Гигеренцер (2014).
9 . Artinger et al. (2019).
10. Artinger et al. (2019).
11 . Kanzaria et al. (2015).
12 . Studdert et al. (2005).
13 . Оценка была приведена в письме сенатору Оррину Г. Хэтчу из штата Юта; https://www.cbo.gov/sites/default/files/111th-congress-2009-2010/reports/10-09-tort_reform.pdf.
14 . Katz (2019).
15 . Идея иллюзии индейки, возможно, возникла в главе 6 книги философа Бертрана Рассела "Проблемы философии" (1912), посвященной индукции. Эта история была описана в книге Taleb and Blyth (2011).
16 . Согласно правилу последовательности математика Пьера-Симона Лапласа, вероятность того, что повторится то, что до сих пор происходило n раз, равна (n + 1) / (n + 2). В данном случае это около 99 процентов (100/101). См. Гигеренцер (2014).
17 . Данные по VIX доступны на сайте https://www.cboe.com/us/indices/dashboard/vix/.
18 . Цитируется в Makridakis, Hogarth, and Gaba (2019, p. 796).
19 . Цитируется в Posner (2009, p. 287).
20 . Например, см. М. Фридман (2007).
21 . Этот пример приведен в Haldane (2012).
22 . Montgomery (2020).
23 . Кей и Кинг (2020).
24 . Knight (1921).
25 . Следующий пример взят из книги Sull and Eisenhardt (2015).
26 . Эйзенхардт (1989, 1990).
27 . Хельмрайх и Мерритт (2000).
28 . Эта оценка количества пациентов, погибших в результате предотвратимых медицинских ошибок в больницах США, приведена в работе Kohn et al. (2000).
29 . Джеймс (2013).
30 . Гигеренцер (2014).
31 . Kahneman, Sibony, and Sunstein (2021).
32 . Kay (2022).
33. Кит и Фрезе (2011).
34 . См. ван Дейк и др. (2005).
35 . Artinger et al. (2019).
12 Искусственный интеллект и психологическая разведка
В 2011 году у IBM был знаменательный год. В эпизоде популярной викторины "Jeopardy!", вышедшем в эфир 16 февраля, Ватсон, суперкомпьютер компании, победил Кена Дженнингса, возможно, лучшего участника из людей, и выиграл приз в 1 миллион долларов. Это был подвиг, о котором ученые и инженеры IBM мечтали долгие годы, и золотая маркетинговая возможность для компании. Опираясь на свежую известность, IBM уже на следующий день объявила: "Уже сейчас мы изучаем возможности применения навыков Watson в богатом и разнообразном языке здравоохранения, финансов, юриспруденции и научных кругов". Руководители IBM были уверены, что передовые алгоритмы (в основном в области обработки естественного языка) и огромная вычислительная мощность Watson станут двигателем роста компании в ближайшие десятилетия, подобно тому, как это делали компьютеры-мейнфреймы в предыдущие десятилетия. Однако их амбиции закончились большим провалом. Watson с трудом приносил доход, а цена акций IBM в 2021 году упала на 10 % по сравнению с десятью годами ранее после триумфа Watson. Что же пошло не так?
Согласно отчету New York Times, похоже, что IBM сильно недооценила трудности, с которыми Watson столкнется при решении реальных задач. 1 В отличие от Jeopardy!, в которой правила фиксированы и ответы на вопросы общего характера определены, в диагностике рака, инвестиционных стратегиях или научных открытиях нет четких правил, а результаты зависят от множества непредсказуемых факторов. В условиях неопределенности даже большие объемы данных, которые на практике часто бывают беспорядочными, непоследовательными и полными ошибок, оказываются малоэффективными для создания хороших решений в области искусственного интеллекта (ИИ). Компания IBM утверждала, что Watson станет "лунной звездой", которая произведет революцию в медицине. Но это утверждение исходило от отдела маркетинга, а не от инженеров, которые знали лучше. Например, онкологический центр MD Anderson, , потратил 62 миллиона долларов на рекомендации Watson по лечению рака. После того как рекомендации оказались ненадежными, а некоторые даже угрожали жизни пациентов, они расторгли контракт. IBM признала, что Ватсон был на уровне студента-медика первого курса. Вскоре после этого Watson был продан по частям, включая данные о пациентах.
Несбывшиеся обещания Watson - отнюдь не исключение. В 1970-х и 1980-х годах вся область ИИ пережила так называемую "зиму ИИ" - периоды снижения интереса к ней, когда люди осознали большой разрыв между тем, что, как они надеялись, сможет сделать ИИ, и тем, что ИИ может сделать на самом деле. Только благодаря значительному увеличению вычислительных мощностей, доступности больших данных и достижениям в области машинного обучения надежды на ИИ возродились в этом веке. После громких побед Watson и AlphaGo (компьютерной программы игры Го) над лучшими человеческими игроками и агрессивных маркетинговых кампаний таких технологически подкованных компаний, как IBM и Google, фирмы поспешили запустить программы, основанные на ИИ, на своих предприятиях. Однако результаты часто оказываются неутешительными. В 2017 году компания Gartner Research сообщила, что 85 процентов проектов по созданию больших данных, которые она исследовала, не вышли за пределы предварительных стадий, 2 , а в 2019 году она прогнозировала, что только 20 процентов аналитических выводов принесут реальные результаты бизнесу к 2022 году. 3 Подробные отчеты о неудачных попытках компаний материализовать потенциал ИИ, больших данных и других аналитических подходов многочисленны. Учитывая столь низкие фактические и прогнозируемые показатели отдачи, неудивительно, что в ходе опроса 1000 американских руководителей в 2022 году только 27 %, 24 % и 11 % респондентов сообщили, что за последние двенадцать месяцев их компании использовали ИИ для "улучшения процесса принятия решений", "повышения опыта и квалификации сотрудников" и "повышения доверия акционеров", соответственно. 4
Было бы несправедливо делать вывод о том, что ИИ в целом потерпел неудачу в бизнесе. В некоторых областях, таких как автоматизация и логистика, алгоритмы ИИ добились значительных успехов. Поэтому важным вопросом является вопрос экологической рациональности: При каких условиях следует использовать ИИ? В этой главе мы противопоставляем сложные алгоритмы ИИ простым эвристикам, обсуждаем их с точки зрения экологической рациональности и утверждаем, что для процветания бизнеса в будущем необходимы и те, и другие. Основная мысль заключается в том, что умные организации и руководители должны осознавать ограничения сложных алгоритмов ИИ и помнить о том, что простые эвристики часто могут быть более полезными при принятии решений.
Принцип стабильного мира
Почему алгоритмы искусственного интеллекта могут побеждать лучших людей в шахматах, го и Jeopardy!, но не могут превзойти обычных людей в предсказании рецидивизма и поиске подходящего партнера? 5 Ответ можно получить из различия между малыми и большими мирами, введенного в главе 2. Принцип стабильного мира определяет области и границы, в которых алгоритмы ИИ могут преуспеть.
Принцип стабильного мира: Сложные алгоритмы лучше работают в четко определенных, стабильных ситуациях, когда доступны большие объемы данных. Адаптивная эвристика эволюционировала, чтобы справляться с неопределенностью, независимо от того, большие или малые данные доступны.
Этот принцип позволяет понять, почему алгоритмы ИИ дают отличные результаты для одних задач, но не для других. В качестве примера можно привести успех Watson в игре "Jeopardy!", но провал в медицинских исследованиях, поскольку, в отличие от "Jeopardy!", лечение рака не является четко определенной проблемой с устойчивыми правилами.
Герберт Саймон - один из основателей искусственного интеллекта. В его работах ИИ включает в себя анализ эвристик, которые эксперты используют при решении проблем, и их включение в программное обеспечение, чтобы сделать компьютеры умными. Эвристический поиск стал частью прогресса в области ИИ и позволил справиться с неопределенностью и трудноразрешимостью, чего не мог сделать более ранний, основанный на логике ИИ. Именно поэтому между ИИ и эвристикой нет реальной конкуренции. Однако великие успехи ИИ в шахматах и го основаны не на этой программе психологического ИИ, а скорее на грубой вычислительной силе. Вспомните из главы 2, что психологический ИИ анализирует эвристики, которые используют люди, и внедряет их в алгоритмы, чтобы сделать ИИ умнее. Сегодня большинство алгоритмов машинного обучения пытаются решать задачи, не используя никаких знаний об эволюционировавшем мозге. Хотя сложные сети и называются "глубокими искусственными нейронными сетями", они имеют мало общего с человеческим интеллектом и, по сути, являются сложными рекурсивными версиями нелинейных множественных регрессий. Таким образом, противопоставление должно проводиться не между алгоритмами ИИ в целом и эвристиками, поскольку эвристики, такие как 1/N и быстрые и экономные деревья, тоже являются алгоритмами. Противопоставление проводится между сложными алгоритмами, такими как случайный лес и глубокое обучение, с одной стороны, и простыми, адаптивными алгоритмами (эвристиками) - с другой.
Принцип стабильного мира помогает прояснить соотношение между сложными алгоритмами и эвристикой. Если проблема хорошо определена и стабильна во времени, то сложные алгоритмы и большие данные, скорее всего, оправдают себя; если нет, то простые эвристики могут быть столь же точными или даже лучше, оставаясь при этом прозрачными и понятными. Далее мы приводим несколько примеров. В каждом из них мы противопоставляем решения, полученные с помощью психологического ИИ - то есть простых эвристик, вдохновленных психологией, - решениям, полученным с помощью сложных алгоритмов машинного обучения.
Прогнозирование покупок клиентов
В главе 2 мы упоминали эвристику "перерыва", которую опытные менеджеры используют для прогнозирования того, будет ли клиент продолжать совершать покупки. Эта эвристика, основанная на одной подсказке, классифицирует клиента как неактивного, если он не совершал покупок в течение x месяцев, а в противном случае - как активного. Согласно статье в New York Times, авиакомпании использовали эвристику хиатуса для классификации своих часто летающих пассажиров как минимум с 1980-х годов. 6 Однако большинство исследований строят и совершенствуют сложные модели, а не пытаются выяснить, как опытные менеджеры на самом деле предсказывают будущие покупки и учатся на этом.
Два исследователя в области маркетинга, Маркус Вюббен и Флориан фон Вангенхайм, изучили точность прогнозирования эвристики хиатуса по сравнению с двумя широко используемыми стохастическими моделями - Парето/NBD (отрицательное биномиальное распределение) и BG/NBD (BG = бета-геометрическое). 7 Они протестировали эти модели в трех компаниях, каждая из которых предоставила более 2000 записей о клиентах. Оказалось, что эвристика хиатуса дает наиболее точные прогнозы. Интересно, что значения единственного свободного параметра эвристики (т. е. продолжительность перерыва в работе в течение x месяцев), которые, по расчетам исследователей, дадут ей наибольшую точность, оказались очень близки к тем, которые интуитивно использовали менеджеры, работающие в соответствующих компаниях (т. е. около девяти месяцев).
Последующее исследование включало еще двадцать четыре компании в сфере розничной торговли. 8 В него также вошли два алгоритма машинного обучения, случайный лес и регуляризованная логистическая регрессия, как более мощные конкурирующие модели. Как показано на рис. 12.1 , две модели машинного обучения предсказывали точнее, чем две стохастические модели; однако их точность предсказания не превзошла точность предсказания эвристики хиатуса. Покупательская деятельность клиентов не происходит в стабильном мире: слишком много факторов могут повлиять на ее результаты. Здесь меньшее может стать большим.
Рисунок 12.1
Эвристика хиатуса может предсказывать покупательскую активность клиентов так же хорошо или лучше, чем алгоритмы машинного обучения (случайный лес и регуляризованная логистическая регрессия) и стохастические модели (Парето/НБД и БГ/НБД). Результаты основаны на данных о потребителях двадцати четырех компаний розничной торговли. Столбики ошибок указывают на стандартные ошибки. NBD = отрицательное биномиальное распределение; BG = бета-геометрическое. По материалам Artinger et al. (2018).
Вдохновившись этими результатами, группа исследователей из Берлина опросила менеджеров, чтобы выяснить, как они прогнозируют будущий доход от клиентов. 9 Эти менеджеры работали в технологической компании, которая продавала in-app продукты для мобильных игр (например, специальное снаряжение и персонажей). Им часто требовалось спрогнозировать годовую выручку клиента после того, как он поиграет в игру всего семь дней, чтобы помочь компании выявить высокоценных клиентов на ранней стадии. Часто упоминаемой стратегией была эвристика умножения: Умножаем доход, полученный клиентом за первые семь дней, на константу 6. В общем виде эвристика выглядит следующим образом:
Эвристика множителя: Прогнозирование того, что будущий годовой доход от продаж клиента, продукта или магазина равен доходу, полученному в период наблюдения, умноженному на константу X.
Затем исследователи проверили точность прогнозирования эвристики в пяти мобильных играх. В каждой игре количество покупателей, чьи записи о покупках использовались для теста, было достаточно большим - от 42 183 до 215 653. Были рассмотрены две версии эвристики: оригинальная multiply-by-6, не имеющая свободного параметра, и версия, в которой множитель рассматривается как свободный параметр, настраиваемый для каждой игры. Регулировка множителя не принесла дополнительных преимуществ, поскольку обе версии имели одинаковый уровень точности прогнозирования. Что очень важно, обе версии были настолько же точны, как и три алгоритма машинного обучения: регрессия LASSO (оператор наименьшего абсолютного сокращения и выбора), гребневая регрессия и случайный лес (см. верхнюю часть рис. 12.2 ).
Рисунок 12.2
Эвристика множителя предсказывает доход от покупок в приложениях так же хорошо, как и сложные алгоритмы машинного обучения, используя множитель 6, предоставленный менеджерами (верхняя панель). Для различных задач прогнозирования выручки тот же множитель работает хуже, но другой множитель может быть оценен по данным (multiply-by-X), что приводит к лучшей производительности, чем у алгоритмов машинного обучения, которые также оценивают свои параметры (нижняя панель). RMSE - среднеквадратичная ошибка. Столбики ошибок показывают стандартные ошибки. Эти столбики намного больше, когда производительность усредняется по пятнадцати различным задачам (нижняя панель), чем когда она усредняется по пяти экземплярам одной и той же задачи покупки в приложении (верхняя панель). По материалам Artinger, Kozodi и Runge (2020).
Чтобы проверить, насколько общими являются полученные результаты, исследователи применили эвристику мультипликатора для прогнозирования доходов, не связанных с покупками в приложениях в мобильных играх. К ним относились годовые доходы, получаемые отдельными покупателями, совершающими покупки в магазине, определенными продуктами, производимыми компанией (например, газированными напитками компании, производящей безалкогольные напитки), и отдельными магазинами розничной сети (например, Walmart). В общей сложности они собрали пятнадцать наборов данных по таким задачам, и количество точек данных в каждом из них варьировалось от 13 до 33 520. Версия эвристики "умножение на 6", разработанная менеджерами для конкретной задачи - прогнозирования доходов от покупок в мобильных играх - больше не работала в новых задачах, поскольку изменились и цель прогнозирования, и область. Однако, когда единственный параметр эвристики - множитель - оценивался по данным для каждой новой задачи, скорректированная версия эвристики работала очень хорошо: Multiply-by-X имел меньшую ошибку предсказания, чем три алгоритма машинного обучения (см. нижнюю часть рис. 12.2). Это показывает, как эвристики можно адаптировать к новым задачам.
Психологический ИИ
Эвристика умножения и эвристика хиатуса - это примеры психологического ИИ. 10 Психологический ИИ соответствует первоначальному видению ИИ Гербертом Саймоном, Алленом Ньюэллом и другими: анализ того, как эксперты принимают решения, и программирование экспертных эвристик в программное обеспечение, чтобы сделать компьютеры умными. Этот подход в корне отличается от большинства подходов машинного обучения, которые полагаются на статистические алгоритмы и игнорируют то, как человеческий мозг решает проблемы в больших мирах. Например, маленький ребенок может распознать кошку, увидев всего одну или несколько; глубокая искусственная нейронная сеть не имеет такого понятия о кошке, и ее нужно обучать на тысячах картинок, чтобы сравняться с детьми.
Генеративный ИИ, такой как ChatGPT, - еще один тип глубоких нейронных сетей. Его особенность и популярность заключается в том, что с ним может напрямую взаимодействовать широкая публика. ChatGPT демонстрирует потрясающие результаты в создании ответов на вопросы. Пользователи склонны полагать, что ChatGPT "понимает" их вопросы; однако не является тем, как работает генеративный ИИ. Как видно из названия, генеративный ИИ выдает наиболее вероятное слово, учитывая предыдущие слова, подобно тому, как вы набираете текст на смартфоне, а алгоритм рекомендаций делает предложения. То, как он генерирует язык, в корне отличается от того, как это делают люди. Большие языковые модели, такие как ChatGPT, работают на основе вероятности, а не на основе правдивости. Чем больше у нее данных по теме, тем больше вероятность того, что она даст правильный ответ. Мы называем предложения, в которых он ошибается, "галлюцинациями", но генеративный ИИ не галлюцинирует; это просто статистическая машина предсказаний. И именно поэтому ему требуется много энергии. Энергопотребление GPT-3, первоначальной версии ChatGPT, составило более 1200 мегаватт-часов (этого достаточно, чтобы снабжать среднюю американскую семью в течение 120 лет), просто для обучения, не считая его использования. 11 В отличие от этого, человеческий мозг работает на 20 ватт, меньше, чем средняя лампочка.
Человеческий мозг эволюционировал, чтобы работать с небольшим количеством данных, ограниченной энергией и высокой неопределенностью. ИИ может использовать эту развитую мудрость.
Подбор лучших сотрудников
Наем хороших сотрудников имеет решающее значение для развития организации, однако спрогнозировать, какие кандидаты будут хорошо выполнять свои обязанности, довольно сложно. Соответствие навыков и личностных качеств кандидатов их рабочей команде, значимые события в их жизни, происходящие с ними во время работы, и неожиданные события, такие как смена руководства, - все это может повлиять на эффективность работы, в результате чего, казалось бы, хороший сотрудник в момент приема на работу может стать плохим спустя некоторое время. Наем персонала - это большая мировая проблема, полная неопределенности.
Как мы видели в главе 4, эвристика дельта-инференции может помочь менеджерам решить, кого из двух претендентов на работу нанять. Менеджеры, использующие эту эвристику, последовательно проверяют сигналы и выбирают кандидата, который лучше на пороговое значение дельты по первому сигналу; в противном случае они переходят ко второму сигналу, и так далее. Дельта-индукция, как и предыдущие эвристики, направлена на описание того, как люди принимают решения, и поэтому является еще одним примером психологического ИИ. Может ли она принимать более правильные решения о том, кого нанимать на работу, чем сложные алгоритмы машинного обучения? Мы проверили точность выбора дельта-индукции и обычной логистической регрессии в реальной задаче, которая включала более 50 000 парных сравнений, сформированных путем сопоставления 236 кандидатов на работу (см. рисунок 4.4). Затем мы рассмотрели производительность трех алгоритмов машинного обучения: регрессии LASSO, случайного леса и машины опорных векторов (SVM). 12 Как показано на рисунке 12.3 , дельта-вывод чаще выбирал лучшего соискателя, чем все остальные алгоритмы, независимо от того, были ли возможности для обучения скудными, умеренными или широкими. 13 Различия были особенно заметны, когда возможности для обучения были скудными.
Рисунок 12.3
В задаче отбора персонала дельта-индукция выбирала лучшего кандидата чаще, чем алгоритмы машинного обучения. Это преимущество сохранялось независимо от того, были ли возможности для обучения скудными, умеренными или широкими (случайные выборки размером 30, 100 и 1000 соответственно), но оно было особенно выражено, когда возможности были скудными или умеренными. По материалам Luan et al. (2019).
В отличие от исследований эвристик хиатуса и мультипликатора, о которых говорилось ранее, мы не выводили параметры эвристики дельта-инференции (т. е. порядок поиска подсказок и дельту в каждой подсказке) из опыта менеджеров. Вместо этого мы использовали подход, основанный на данных, подобно тому, как разрабатываются большинство алгоритмов машинного обучения. В свете результатов этого исследования (и многих других, о которых рассказывается в этой книге) мы советуем аналитикам данных всегда помнить о том, что простые эвристики могут работать не хуже или лучше сложных алгоритмов в условиях неопределенности, и призываем их опробовать такие модели на своих собственных данных. В последние годы сообщество специалистов по машинному обучению повторяет это мнение. 14
Выявление кредитов с высоким уровнем риска
К третьему кварталу 2022 года общая стоимость неработающих кредитов в китайских коммерческих банках составила 3 трлн юаней (примерно 426 млрд долларов). 15 Это только официальная цифра - реальная, скорее всего, выше. Как банки могут принимать более эффективные решения о выдаче кредитов? Сотрудница одного из нас (Луань) более десяти лет проработала в одном из крупнейших банков Китая, специализируясь на выдаче кредитов малым и средним компаниям. Она собрала данные о 411 компаниях, которым банк выдал кредит и о результатах выплат которых (т. е. своевременных или просроченных) было известно. Она выявила семнадцать признаков, которые обычно проверяются в заявках на получение кредита, и кодифицировала эти признаки для каждой компании. Как банки могут использовать эти признаки для отнесения заявок на кредит к категории высокого или низкого риска? 16
Сначала мы набрали девятнадцать менеджеров банков, чтобы установить базовый уровень эффективности. В среднем эти менеджеры имели более чем десятилетний опыт работы в кредитном бизнесе. Мы дали каждому менеджеру по двадцать кредитных заявок, каждая из которых содержала значения семнадцати признаков. Затем мы попросили их классифицировать заявки как "высокорискованные" (отклонить) или "низкорискованные" (одобрить). Во-вторых, мы построили быстрые и экономные деревья для этой задачи классификации, используя четыре признака, которые в наибольшей степени свидетельствовали о хороших результатах кредитования. Для четырех признаков, расположенных в одинаковом порядке, можно построить восемь быстрых и экономных деревьев (для трех признаков - четыре дерева; см. рисунок 4.3 в главе 4). Эти деревья различаются балансом между двумя возможными ошибками: ложноположительными (принятие приложения, которое впоследствии откажется работать) и ложноотрицательными (отклонение приложения, которое не откажется работать). На нижней панели рисунка 12.4 эти восемь деревьев расположены на кривой приемника-оператора. Эта кривая соединяет отдельные деревья, которые отличаются тем, как они балансируют две возможные ошибки. В целом деревья, расположенные в левой части кривой приемника-оператора, уменьшают количество ложноположительных результатов ценой увеличения количества ложноотрицательных результатов, в то время как деревья, расположенные в правой части, уменьшают количество ложноотрицательных результатов ценой увеличения количества ложноположительных результатов. Взгляд на кривую показывает, что ни самое левое дерево (то есть FFTHHH), ни четыре самых правых дерева не обеспечивают разумного баланса между двумя ошибками; таким образом, выбор банка должен быть сделан среди трех оставшихся деревьев, два из которых показаны на верхней панели рис. 12.4.
Рисунок 12.4
Банковские менеджеры могут улучшить свои решения о выдаче кредитов, используя быстрые и экономные деревья. Кроме того, прозрачные быстрые и экономные деревья работают так же хорошо, как и более сложные и непрозрачные алгоритмы машинного обучения. На верхней панели показаны два дерева, на нижней - кривая приемника-оператора для всех восьми возможных деревьев, а также производительность менеджеров банка и восьми алгоритмов машинного обучения. Каждое "быстрое и экономное" дерево состоит из четырех подсказок, расположенных в одном и том же порядке, а выход с высоким риском отмечает компании, которые с большей вероятностью могут объявить дефолт, тем самым предлагая принять решение "отклонить". Деревья названы по типам выходов в первых трех подсказках; например, FFTHHL имеет три выхода, указывающих на "высокий риск", "высокий риск" и "низкий риск" соответственно. Показатели истинных и ложных срабатываний банковских менеджеров были основаны на 380 решениях, принятых девятнадцатью менеджерами. FFT = быстрое и экономное дерево; LR = логистическая регрессия со штрафом L2; KNN = k-nearest neighbor; NB = naive Bayes; CART = дерево классификации и регрессии; RF = случайный лес; AB = адаптивный бустинг; NN = нейронная сеть; SVM = супорт-векторная машина. По данным Li et al. (2022).
Например, менеджер банка, использующий дерево, показанное на левой верхней панели, сначала спросит, содержит ли кредитная история недостатки; если да, заявка классифицируется как высокорискованная и отклоняется. Если нет, то задается второй вопрос о том, составляет ли соотношение сбережений к кредиту менее 5 процентов; если да, то заявка классифицируется как высокорискованная. Если нет, задается третий вопрос, и так далее. Обратите внимание, что первые два выхода относятся к "высокому риску", что помогает менеджерам избежать ложных срабатываний. Напротив, в дереве на панели справа вверху только первый выход является "высокорискованным", что позволяет получить больше ложных срабатываний, но при этом добиться более высокого показателя истинных срабатываний (т. е. избежать ложноотрицательных результатов).
Сплошная диагональная линия на нижней панели рисунка 12.4 представляет собой случайную характеристику. Например, если все кредиты приняты, то коэффициент ложноположительных и истинно-положительных результатов равен 1, что соответствует точке в правом верхнем углу. Если случайным образом принимается половина кредитов, то коэффициент ложноположительных и истинно-положительных результатов равен 0,5. Видно, что результаты работы менеджеров банка лишь немного превышают случайность. Они могли бы работать гораздо лучше, если бы использовали одно из быстрых и экономных деревьев, о которых говорилось в этой статье.
Могут ли сложные и непрозрачные методы машинного обучения принимать лучшие решения по кредитам, чем прозрачные быстрые и экономные деревья? Мы протестировали восемь мощных алгоритмов машинного обучения, включая SVM, случайный лес и нейронные сети. Эти алгоритмы используют все семнадцать признаков и весов и добавляют их зачастую сложными способами. На нижней панели рисунка 12.4 показано, что в среднем они не достигают лучшей производительности, чем быстрые и экономные деревья. Если судить по метрике d′, которая уравновешивает количество ложных и истинных срабатываний, то производительность алгоритмов машинного обучения и быстрых и экономных деревьев была схожей, и для всех них d′ составлял около 1,90.
В отличие от этого, результаты работы менеджеров банка оказались на удивление низкими: скудный показатель d′ составил 0,13 (а точность на уровне шансов - 0). Аналогичные результаты работы экспертов были обнаружены и в медицине. Действительно, разочарование по поводу низкой эффективности работы врачей отделения неотложной помощи при классификации пациентов с сердечным приступом стало основной причиной того, что медицинские исследователи Ли Грин и Дэвид Мер разработали одно из первых быстрых и экономных деревьев в медицине. 17 Одним из решений этой проблемы является обучение врачей и менеджеров банков систематической разработке и использованию быстрых и экономных деревьев. В книге "Классификация в дикой природе" Константинос Кацикопулос и его коллеги описывают, как быстрые и экономные деревья достигают таких же результатов во многих других задачах классификации, а также как построить быстрое и экономное дерево на основе количественных и качественных данных. 18 В целом, это исследование - еще одна демонстрация того, как эвристика может быть эффективным инструментом в большом мире. Важно отметить, что, в отличие от большинства алгоритмов машинного обучения , быстрые и экономные деревья абсолютно прозрачны, что позволяет менеджерам понимать, обучать и изменять их.
Прогнозирование выбытия населения
Во всех исследованиях, описанных в этой главе, для проверки точности прогнозирования эвристики или алгоритма использовался метод кросс-валидации. В базовой форме кросс-валидации набор данных делится на две части: обучающую и тестирующую выборки. Свободные параметры модели оцениваются на обучающей выборке, и с этими значениями параметров модель применяется на тестирующей выборке: точность модели там является ее предсказательной точностью. Этот подход также известен как предсказание вне выборки и обычно практикуется в машинном обучении и аналитике данных. Он является улучшением по сравнению с подгонкой данных, при которой параметры модели оцениваются по всему набору данных, а точность модели определяется тем, насколько хорошо она соответствует данным. Подгонка данных имеет тенденцию "объяснять" закономерности, вызванные случайным шумом, что приводит к чрезмерной подгонке. Использование подгонки вместо прогнозирования - проблема, до сих пор не признанная многими исследователями и практиками бизнеса. Она способствует возникновению иллюзии сложности - убежденности в том, что сложные стратегии всегда будут более точными, чем простые. Сложные стратегии с большим количеством свободных параметров могут лучше подходить к данным, но не обязательно лучше предсказывать их на основе выборки.
Однако модели, хорошо справляющиеся с предсказаниями вне выборки, могут столкнуться с проблемами, когда их применяют для предсказаний вне популяции, когда модели, обученные на наборах данных, представляющих одну популяцию, используются для предсказания моделей другой популяции. В данном случае популяция имеет свободное определение. Это может быть группа людей, сфера деятельности или события в определенный период времени или в определенном месте. В мире VUCA обобщаемость модели для разных групп населения может быть весьма сомнительной. Например, в случае принятия решений о выдаче кредитов эффективные модели, разработанные для небольших компаний, работающих в крупных городах в 2010-х годах, могут перестать работать для других типов компаний или даже для тех же типов компаний в 2020-х годах, поскольку могут измениться сигналы, политика и экономическая среда. Эвристика умножения на 6 - еще один наглядный пример: она хорошо работает для прогнозирования доходов от покупок в приложениях, но не для разных видов доходов. В этом случае решение состоит в том, чтобы оценить мультипликатор для других областей на основе данных. В следующем обсуждении мы приведем еще два примера этой проблемы в здравоохранении.
После вспышки пандемии COVID-19 больницы и медицинские исследователи по всему миру разработали сотни алгоритмов искусственного интеллекта, чтобы помочь диагностировать пациентов и управлять ресурсами. Эффективные алгоритмы не только спасли бы мир, но и имели бы огромный коммерческий потенциал. Но в 2021 году, через два года после начала пандемии, в нескольких обзорных исследованиях было заявлено, что алгоритмы в основном бесполезны, а некоторые даже могут быть вредны. 19 У этого колоссального провала есть множество причин. Одной из главных является невозможность обобщить алгоритм за пределами набора данных, на котором он был обучен.
По словам Дерека Дриггса, соавтора одного из обзорных исследований, их группа из Кембриджского университета обучала свой алгоритм на наборе данных со снимками грудной клетки, сделанными, когда пациенты находились в положении лежа или стоя. 20 Поскольку те, кого сканировали в положении лежа, как правило, были более серьезно больны, алгоритм использовал этот весьма показательный, но ложный признак (т. е. положение тела) при классификации пациентов с высоким и низким риском. В другом случае исследователи обучали свои алгоритмы на сканах здоровых детей как на экземплярах пациентов, не относящихся к группе COVID-19. В результате алгоритмы научились отличать детей от взрослых, но не отличать неинфицированных, большинство из которых были взрослыми, от инфицированных, поэтому их диагностическая ценность была невелика. Эти примеры показывают, что даже если предсказание вне выборки является превосходным, предсказание вне популяции все равно может оказаться неудачным, поскольку алгоритмы могут улавливать сигналы, которые не имеют отношения к задаче.
Epic Systems - крупнейшая в США компания по разработке программного обеспечения для здравоохранения. К 2021 году ее программное обеспечение использовалось в более чем 2400 больницах по всему миру и для ведения медицинских карт примерно двух третей всего населения США. Вооружившись таким обилием данных, Epic разработала различные алгоритмы медицинской диагностики на основе искусственного интеллекта. Например, ее модель для выявления сепсиса широко используется в больницах США. Поскольку эта модель, как и большинство алгоритмов "черного ящика", является собственной, мало кто за пределами компании знает, как она работает, но это не мешает исследователям проверять ее диагностическую валидность. В одном из исследований группа ученых обнаружила, что среди 2 552 пациентов с сепсисом из 38 000 госпитализаций модель Epic не поставила диагноз 67 %; кроме того, среди 7 000 предупреждений о сепсисе, которые выдала модель, только 12 % оказались верными, что привело к огромному количеству ложных срабатываний. 21 В целом использование модели не только подвергает опасности многих пациентов, но и приводит к растрате большого количества ресурсов больницы.
Это исследование - не единичный случай. Другое исследование показало, что точность модели сепсиса Epic с годами снижалась и в конце периода едва превышала случайный уровень . 22 Основной причиной такого снижения является сдвиг данных, который происходит, когда в меняющемся мире популяция меняется со временем, но алгоритм остается неподвижным с момента обучения. Конкретная причина неудачи модели Epic была двоякой: изменение в новой системе кодирования заболеваний, которая не была обновлена в модели, и приток новой группы пациентов. Осознав проблемы, Epic пересмотрела модель. Но будет ли новая модель намного лучше, еще предстоит выяснить.
В целом, проблемы, связанные с предсказаниями вне популяции, сложнее решать для сложных алгоритмов, чем для эвристик. Алгоритмы часто слишком непрозрачны, чтобы можно было понять, почему и когда они совершают ошибки, что затрудняет их улучшение.
В прозрачности мы уверены
Для контроля распространения пандемии COVID-19 китайское правительство использовало приложения для отслеживания местоположения, основанные на искусственном интеллекте и изначально разработанные технологической компанией Alibaba. В каждой провинции или крупном городе было свое приложение для отслеживания, и эти приложения присваивали каждому человеку цветовой код: зеленый (свободное передвижение), желтый (ограниченное передвижение) или красный (запрет на передвижение за пределами места жительства или замкнутого пространства). Один из нас жил в Пекине и ездил в Шанхай летом 2021 года. В один прекрасный день его код в приложении для Пекина стал желтым, а в приложении для Шанхая остался зеленым. Он звонил во всевозможные государственные учреждения, спрашивал о причинах и умолял отменить желтый код, поскольку он не позволял ему купить билеты на поезд или самолет обратно в Пекин. Ответ всегда был один: "Мы приняли ваше дело к сведению и свяжемся с вами в ближайшее время". Прошла неделя, две недели, и на четвертой неделе он наконец стал зеленым. К тому времени он пропустил несколько важных личных встреч, вынужденно задержался в Шанхае и очень разозлился на приложения для отслеживания. Бесчисленное множество людей в Китае сталкивались с подобными проблемами, и некоторые из них ужасно страдали. 23
Эта личная история демонстрирует множество проблем, связанных с решениями, принимаемыми алгоритмами "черного ящика". Во-первых, они мощные, но упрямые; если решение принято, его очень трудно отменить. Во-вторых, люди-операторы, как правило, не знают, как алгоритмы принимают решения, и не имеют представления о том, как исправить ошибку, если она произошла. В-третьих, они медленно учатся на основе обратной связи, возможно, потому, что для обнаружения ошибки в программировании требуется много времени, или потому, что система настолько сложна, что изменение одного кода может случайно привести к другим ошибкам. В-четвертых, они снимают с человека ответственность за принятие решений, что делает их удобными для масштабирования, но затрудняет определение того, кто (или что) виноват, если решение окажется неверным. Наконец, они подвержены злоупотреблениям со стороны контролирующих лиц, и даже если ими не злоупотребляют, есть подозрения в злоупотреблениях, поскольку процесс принятия решений настолько непрозрачен для посторонних. Алгоритмы "черного ящика" используются не только в китайских приложениях для слежки, но и все чаще в организациях по всему миру, чтобы следить за тем, что делают их сотрудники минута за минутой, и принимать решения о том, кого нанимать, увольнять и продвигать по службе.
На протяжении многих поколений люди изобретали инструменты и машины, чтобы повысить производительность и облегчить жизнь. Прозрачность не была важным вопросом, поскольку мельницы, автомобили и телефоны - это сборки деталей, и функциональность каждой из них известна. Сложные алгоритмы ИИ - это инструмент другого рода. Части, из которых они состоят, невидимы для пользователей, а внутренние механизмы работы ускользают от большинства. Люди склонны доверять прозрачным вещам, потому что мы можем понять их, проверить и улучшить. Пока алгоритмы ИИ остаются непрозрачными, людям будет сложно по-настоящему доверять принимаемым ими решениям.
Движение вперед
В мире, где все больше технологий, большинство компаний боятся не успеть за последними тенденциями и остаться позади. ИИ, похоже, является одной из таких тенденций, которую нельзя пропустить. Прежде чем вливать миллионы в найм инженеров по ИИ, закупать оборудование и программное обеспечение, а также перестраивать свои бизнес-операции, компаниям следует осознать все плюсы и минусы. Как утверждает принцип стабильного мира, сложные алгоритмы ИИ могут обеспечить превосходное решение проблем, приближенных к маленьким мирам, где данных много, а неожиданностей мало, но они сталкиваются с проблемами в большом мире, где данные часто ненадежны, неожиданности могут произойти в любой момент, а многие факторы не поддаются контролю со стороны компании. Кроме того, алгоритмы ИИ "черного ящика", эффективные или нет, создают проблемы и вызывают опасения из-за своей непрозрачности.
Умные эвристики хорошо работают в большом мире неопределенности. В целом это тоже алгоритмы ИИ, но ИИ здесь психологический, что означает две вещи: они основаны на человеческом опыте и интеллекте, как изначально предполагал Саймон, и они удовлетворяют психологические потребности человека, такие , как прозрачность, доверие, справедливость и конфиденциальность. Именно такой ИИ может быть более полезен для компании, ее руководителей и сотрудников. Как сказал Тим Кук, генеральный директор компании Apple, "чтобы искусственный интеллект был по-настоящему умным, он должен уважать человеческие ценности.... Если мы ошибемся в этом, то опасности будут огромными". 24
В дальнейшем мы предлагаем разработчикам регулярно исследовать, можно ли заменить сложный, непрозрачный алгоритм, например нейтральную сеть, умной эвристикой, которая была бы столь же точной, но прозрачной. В этой связи эвристики, представленные в этой книге, могут послужить источником вдохновения. Более того, правительства должны сделать обязательным, чтобы алгоритмы "черного ящика" для чувствительных скорингов, таких как кредитные баллы, медицинские коды или прогнозы рецидивизма в судах, были прозрачными для общественности. По возможности, организации должны поступать так же, разъясняя руководителям и сотрудникам, какая информация поступает в алгоритм, как она обрабатывается и почему решения получаются именно такими, какими они являются.
Примечания
1 . Lohr (2021).
2 . Axryd (2019).
3 . White (2019).
4 . Гринштейн и Рао (n.d.).
5 . Гигеренцер (2022a).
6 . Wade (1988).
7 . Вюббен и фон Вангенхайм (2008).
8 . Artinger et al. (2018).
9 . Artinger, Kozodi, and Runge (2020).
10 . Гигеренцер (2022a).
11 . Champion (2023).
12 . Luan et al. (2019).
13 . Возможности обучения регулировались размером случайной выборки (n), на которой определялась точность предсказания эвристики или модели. Было три условия для n: 30, 100 и 1 000, что соответствовало скудным, умеренным и широким возможностям обучения, соответственно. В каждом условии 5 000 образцов были взяты случайным образом из большой базы данных с более чем 50 000 пар претендентов. Более подробную информацию см. в главе 4. На рисунке 12.3 показана средняя точность предсказания по этим выборкам для каждой модели.
14 . Рудин (2019).
15 . Информационное агентство Синьхуа (2022).
16 . Ли, Му и Луань (2022).
17 . Грин и Мехр (1997).
18 . Katsikopoulos et al. (2020). Также можно построить БПФ с помощью веб-инструмента, разработанного Натаниэлем Филипсом, Хансйоргом Нетом и коллегами по адресу https://econpsychbasel.shinyapps.io/shinyfftrees, или с помощью бесплатного пакета R, загружаемого по адресу https://cran.r-project.org/web/packages/FFTrees/index.html.
19. Roberts et al. (2021); Wynants et al. (2020).
20 . Рай (2021).
21 . Вонг и др. (2021).
22 . Ross (2022).
23 . Dong (2022).
24 . Салинас и Мередит (2018).
13 То, чему вы должны научиться в бизнес-школе
Можно предположить, что президенты США обычно имеют дипломы лучших бизнес-школ. В конце концов, они возглавляют правительство США - чрезвычайно обширную, сложную и могущественную организацию. Однако Джордж Буш-старший - единственный президент, получивший степень магистра делового администрирования (MBA) в Гарвардской школе бизнеса (таблица 13.1). 1 И лишь несколько президентов изучали экономику на старших курсах, среди них Дональд Трамп. По совпадению, Джордж Буш-младший и Дональд Трамп в настоящее время также входят в число худших президентов в новейшей истории США. 2 Другие президенты имеют дипломы по самым разным специальностям, причем чаще всего по юриспруденции. Например, Билл Клинтон, Барак Обама и Джо Байден имеют юридические степени, как и Ричард Никсон.
Таблица 13.1
Президенты США с 1945 года и их высшее образование
Президент
Период
Рейтинг
Область обучения, степень
Гарри С. Трумэн
1945-1953
2
Юриспруденция, без степени
Дуайт Д. Эйзенхауэр
1953-1961
1
Военная академия
Джон Ф. Кеннеди
1961-1963
3
Правительство, бакалавр
Линдон Б. Джонсон
1963-1969
6
История, бакалавр
Ричард Никсон
1969-1974
12
Право, LLB
Джеральд Форд
1974-1977
10
Право, LLB
Джимми Картер
1977-1981
9
Инженерия, бакалавриат
Рональд Рейган
1981-1989
4
Экономика, социология, бакалавриат
Джордж Буш-старший
1989-1993
8
Экономика, бакалавр
Уильям Дж. Клинтон
1993-2001
7
Право, доктор юридических наук
Джордж Буш-старший
2001-2009
11
Менеджмент, MBA
Барак Обама
2009-2017
5
Право, доктор юридических наук
Дональд Дж. Трамп
2017-2021
13
Экономика, бакалавр
Джо Байден
2021-?
NA
Право, доктор юридических наук
Показаны области обучения и высшие ученые степени. Только один президент имел степень MBA (выделено жирным шрифтом; до 1945 года таких президентов также не было). Также показан их рейтинг 2021 года по версии C-SPAN (за период после 1945 года) по эффективности президентского руководства. BA = бакалавр искусств; BS = бакалавр наук; JD = доктор юриспруденции; LLB = бакалавр права; MBA = мастер делового администрирования.
Источники данных: Центр Миллера, Университет Вирджинии (https://millercenter.org/president); C-SPAN (https://www.c-span.org/presidentsurvey2021/?page=overall)
Отсутствие дипломов бизнес-школ в политике характерно не только для США. Премьер-министры Великобритании изучали такие дисциплины, как классика (Борис Джонсон), право (Тони Блэр), химия (Маргарет Тэтчер), география (Тереза Мэй) и металлургия (Невилл Чемберлен). Ни один из них не получил степень в области бизнеса. Аналогичная ситуация наблюдается и в других странах. Например, в Германии бывший канцлер Ангела Меркель имеет докторскую степень по физике, а Гельмут Коль, канцлер с самым долгим сроком правления, получил степень доктора исторических наук.
Образование в бизнес-школе - не так полезно, как вы думаете?
Почему президенты США редко имеют бизнес-образование? И почему тот, кто имеет (Джордж Буш-младший), занимает низкие позиции? Влиятельный ученый в области менеджмента Генри Минцберг видит проблему в бизнес-образовании следующим образом, уделяя особое внимание популярной степени MBA: 3
Студенты MBA поступают в престижные бизнес-школы умными, целеустремленными и зачастую агрессивными. Там на примерах конкретных ситуаций их учат умно высказываться о ситуациях , о которых они мало что знают, а аналитические методы создают впечатление, что они могут справиться с любой проблемой - для этого не требуется глубокий опыт. С окончанием учебы приходит уверенность в том, что они учились в правильной бизнес-школе, не говоря уже о сети "старых парней", которая может продвинуть их на "вершину". А что потом?
К сожалению, слишком часто ответом на этот вопрос становятся плохая работа, неэтичное поведение и, в конечном счете, провал руководителей. Джеффри Скиллинг, печально известный генеральный директор Enron, учился в Гарвардской школе бизнеса. Он отсидел несколько лет в федеральной тюрьме за свои преступления, связанные с белыми воротничками. Раджат Гупта, бывший управляющий директор консалтинговой компании McKinsey, также окончил Гарвардскую школу бизнеса. Он был осужден за инсайдерскую торговлю и также отбывал тюремный срок. Степень MBA может помочь выпускникам подняться на вершину, но она не обязательно готовит их к успешной работе или соблюдению этических норм.
Кто-то может возразить, что это всего лишь несколько плохих яблок. Однако, когда Минцберг и Джозеф Лампель проанализировали результаты деятельности девятнадцати выпускников Гарварда, которые считались суперзвездами школы по состоянию на 1990 год, они обнаружили, что после 1990 года десять из них потерпели неудачу, поскольку их компании обанкротились, их вытеснили с поста генерального директора или произошли аналогичные нежелательные результаты. Еще четверо показали сомнительные результаты. Только пять из этих предполагаемых суперзвезд добились успеха в долгосрочной перспективе. 4 Не совсем тот послужной список, который можно было бы ожидать!
Конечно, не только выпускники Гарвардской школы бизнеса часто оказываются плохими руководителями. Проблема носит более массовый и системный характер. Так, в исследовании 444 генеральных директоров, фигурировавших на обложках деловых журналов, таких как Forbes, оказалось, что последующие результаты деятельности тех, кто получил степень MBA, были значительно хуже, чем у тех, кто не получил степень MBA. Авторы объяснили этот вывод тем, что руководители компаний "придерживались дорогостоящих стратегий роста, не могли поддерживать результаты и получали превосходные частные выгоды в виде компенсации". Разрыв в результатах работы сохранялся и семь лет спустя. 5 Последующее исследование, проведенное теми же авторами на более крупной выборке из 5004 руководителей компаний США в период с 2003 по 2013 год, подтвердило эти результаты. Авторы резюмировали свои выводы следующим образом: "Мы обнаружили, что руководители компаний, получившие степень MBA, более склонны, чем их коллеги, не получившие степень MBA, к использованию краткосрочных стратегических мер, таких как управление прибылью и подавление НИОКР, что, в свою очередь, сопровождается снижением рыночной стоимости компании". 6 Очевидно, что в образовании бизнес-школ, как и в принятии решений, меньше может быть больше, и руководители могут лучше справляться без степени MBA.
А как насчет основателей крупных технологических компаний? Вкладывали ли они свое время в получение бизнес-образования? Многие не стали. Стив Джобс, соучредитель Apple, бросил колледж Рид после одного года обучения. Джефф Безос, основатель Amazon, поступил в Принстонский университет, чтобы получить степень бакалавра по электротехнике и информатике. Элон Маск, основатель компании Tesla, окончил Пенсильванский университет, изучая экономику и физику. Позже он отправился в Калифорнию, чтобы учиться в Стэнфордском университете, но вместо этого занялся венчурным бизнесом. Марк Цукерберг, основатель Facebook, бросил Гарвард, где изучал информатику и психологию. Сергей Брин и Ларри Пейдж, сооснователи Google, изучали информатику в Стэнфордском университете. По всей видимости, для многих основателей больших технологий наличие бизнес-образования было необязательным, чтобы стать успешными предпринимателями и лидерами. Интересно, что их преемники, такие как Тим Кук в Apple и Сундар Пичаи в Google, часто имеют степень MBA.
ТЕЛЕГРАМКанал с обзорами, анонсами новинок и книжными подборками
Книжный Вестник
Бот для удобного поиска книг (если не нашлось на сайте)
Поиск книг
Свежие любовные романы в удобных форматах
Любовные романы
О психологии, саморазвитии и личностном росте
Саморазвитие
Детективы и триллеры, все новинки
Детективы
Фантастика и фэнтези, все новинки
Фантастика
Отборные классические книги
Классика
ВКОНТАКТЕБиблиотека с любовными романами, которая наверняка придётся по вкусу женской части аудитории
Любовные романы
Библиотека с фантастикой и фэнтези, а также смежных жанров
Фантастика
Самые популярные книги в формате фб2
Топ фб2
книги