Книга О чем говорят цифры. Как понимать и использовать данные - Ким Хо

• Готовность покупателя купить продукт по определенной цене (известной под названием модели эластичности цены) не изменилась, хотя общеэкономические условия ухудшаются.

• Предпочтения покупателей сегодня не отличаются от таковых по выборке покупателей, на которой мы тестировали различные версии дизайна веб-страниц несколько лет назад.

• Разработанная нами предсказательная модель вероятности банкротства ипотечных банков в период роста цен на недвижимость продолжает действовать и в период снижения цен (видимо, это несколько проблематично).

• Вероятность мощного урагана в Южной Флориде не исчезла, несмотря на то что, похоже, постепенно происходят глобальные климатические изменения на планете.

• Формирование выборки приверженцев политического деятеля из владельцев стационарных телефонных номеров по-прежнему удовлетворяет требованиям репрезентативности, несмотря на то что многие избиратели не имеют стационарных телефонов (как мы и предполагали, это тоже проблематично).

Не все из этих исходных предположений оказались необоснованными. По сути, поскольку практически все модели разрабатываются на основе данных за прошлые периоды (как мы помним, получить надежные данные о будущем трудно), они по умолчанию базируются на том предположении, что будущее в основных чертах будет повторять прошлое. Такие модели часто оказываются адекватными в долговременной перспективе. Как отметил Чарльз Дахигг в книге The Power of Habit: Why We Do What We Do in Life and Business[111], установившись, поведение человека остается на удивление постоянным в течение долгого времени. Это позволяет нам предсказывать будущее на основе информации о прошлом.

Некоторые организации платят немалые деньги талантливым прогнозистам только за тестирование исходных предположений. Взять, к примеру, Ларри Саммерса. Бывший консультант по экономике в администрации Клинтона и Обамы, экс-президент Гарвардского университета работал в качестве консультанта хеджевого фонда D.E. Shaw. Том встретился с Саммерсом на каком-то общественном мероприятии и поинтересовался его функциями в этом фонде. Тот ответил: «Я прихожу на работу раз в неделю и брожу по кабинетам квантов, разрабатывающих математические модели торговли ценными бумагами. Я задаю им вопросы относительно исходных предположений, лежащих в основе этих моделей, а также ситуаций, когда они могут оказаться нерелевантными. Вы удивитесь, если узнаете, как часто мне не могут дать внятного ответа». Говорят, за эту работу Саммерс получал пять миллионов долларов в год, так что, надо думать, руководство фонда считало ее важной.

Вы тоже можете последовать примеру Саммерса. Если кто-то представляет математическую модель, весьма умно с вашей стороны было бы поинтересоваться, на каких исходных предположениях она основана и при каких условиях выдаст недостоверные результаты. Если ответ перегружен математической терминологией, попытайтесь еще раз поставить вопрос о том, что должно измениться в мире, чтобы модель утратила адекватность.

Не стесняйтесь переспрашивать

Последнюю мысль предыдущего пункта можно сформулировать несколько иначе: очень важно попросить о дополнительных объяснениях, если что-то непонятно. Особенно важно просить дополнительных объяснений, если вместо данных и анализа вам предлагается чье-то мнение или истории из жизни. Как говорит СEO Caesars Entertainment Гэри Лавмен, «я не обязан получить сто процентов ответов, но моя работа состоит в том, чтобы задавать массу неприятных, глубоких, а иногда почти оскорбительных вопросов, поскольку они являются частью аналитического процесса, приводящего к точному и глубокому знанию»[112].

Чтобы стимулировать собеседника к использованию аналитики, можно поставить такие вопросы:

• Вы помните ваши данные?

• Как вы думаете, можно ли протестировать эту гипотезу с помощью конкретных данных?

• Задумывались ли вы над возможностью эмпирического анализа этой идеи?

• У нас примерно… покупателей. Проверяли ли вы вашу идею хотя бы на ком-то из них?

• Может быть, вам стоит рассмотреть возможность проведения небольшого, но научно строгого эксперимента для проверки этой концепции?

Думаем, вам понятна основная идея. Если в организации найдется достаточно людей, постоянно задающих такие вопросы, корпоративная культура быстро и существенно изменится к лучшему.

Количественные аналитики зачастую пытаются описывать модели и проблемы на математическом жаргоне. Это не значит, что вам остается только молча слушать или самим осваивать их терминологию. В качестве удачной иллюстрации этого тезиса можно привести фильм «Предел риска», где рассказывается о драматических событиях, приведших к финансовому кризису 2008–2009 годов. Место действия – инвестиционный банк, весьма напоминающий Lehman Brothers. Главный герой – специалист по двигателестроению и техническим наукам. Он разработал новую методику оценки кредитного риска и демонстрирует ее директору отдела торговых операций банка (его играет Кевин Спейси). Этот некоронованный король кредитования заявляет: «Вы же знаете, что я ничего в этих формулах не понимаю. Объясните простым английским языком, что это означает»[113].

На его месте любой менеджер заявил бы то же самое.

Профессор по маркетинговым стратегиям Лиам Фахи опубликовал в журнале Strategy and Leadership статью, посвященную выявлению роли топ-менеджеров в организации аналитических исследований путем специального опроса[114]. Они станут хорошим завершением раздела о том, чего можно ожидать квантам от топ-менеджеров. Приведем полный список этих вопросов:

• Какой деловой проблеме или необходимости посвящен аналитический проект?

• Какая новая информация, аспекты деловой проблемы или условия ее возникновения проанализированы?

• Каким образом я могу использовать новую информацию в своей работе?

• Каким образом новая информация повлияет на решения, которые нам предстоит принять?

• Каким образом новая информация повлияет на решения, находящиеся на этапе разработки и предполагаемые в будущем?

Когда появляются предварительные результаты, топ-менеджерам стоит спросить: