Зачем управленцам математика? | Большие Идеи

・ Личные качества и навыки
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Зачем
управленцам математика?

О том, как сориентироваться в больших данных, если вы не математик.

Автор: Дейвенпорт Томас

Зачем управленцам математика?

читайте также

Отцы и дети

Куликова Елена

Как мыслят выдающиеся руководители

Роджер Мартин

Уроки цифровых бизнес-моделей в медиабизнесе

Скотт Энтони

Почему алгоритмы могут все испортить

Майк Уолш

«Не понимаю, почему мы не избавились от ипотеки, — сказал мне несколько лет назад главный специалист по количественному анализу одного крупного американского банка. — У меня модель четко показывала, что большинство закладных погашены не будут, и я отправил выводы главе нашего ипотечного бизнеса».

Когда я спросил главу ипотечного бизнеса, почему он проигнорировал совет, он ответил: «Если аналитик и показывал мне модель, то, видимо, в таком виде и с такими терминами, которые мне ни о чем не говорили. Я даже и не знал, что его группа занималась вероятностью погашения кредитов». В итоге банк потерял несколько миллиардов из-за просроченных ссуд.

Мы живем в эпоху больших данных. Где бы вы ни работали — в сфере финансовых услуг, товаров массового спроса, пассажирских и грузовых перевозок или промышленных товаров, — без аналитиков конкуренцию выдержать невозможно. Но, как показывает пример банка, наличие больших данных — и даже людей, умеющих с ними управляться, — само по себе ничего не гарантирует. Компаниям нужны директора, которые способны взаимодействовать с математиками и следить за тем, чтобы аналитическая работа повышала качество стратегических и тактических решений.

Для тех, кто свободно владеет аналитикой, проблем нет. Вспомним Гэри Лавмена из Caesars Entertainment (получил PhD в Массачусетском технологическом институте), Джеффа Безоса из Amazon (окончил Принстон как специалист по электротехнике и компьютерным технологиям), Сергея Брина и Ларри Пейджа из Google (в прошлом аспиранты-компьютерщики Стэнфордского университета). Но для типичного управленца познания в математике и статистике ограничиваются одним-двумя курсами в колледже. Возможно, он разберется в динамических таблицах и не растеряется, увидев столбчатую или секторную диаграмму, но аналитика для него, скорее всего, темный лес.

Что же в таком случае этот переход к принятию решений на основе данных означает лично для вас? Как вам избежать судьбы руководителя банка, потерпевшего убытки? Как стать для своей компании вождем аналитической революции — или хотя бы хорошим солдатом этой революции? Эта статья — инструкция для нематематиков — написана на основе обширных интервью с топ-менеджерами, в том числе с теми, с кем я работал в качестве преподавателя или консультанта.

Вы потребитель

Прежде всего, считайте себя потребителем выкладок, которые производят специалисты по количественному анализу: принимая решения, вы «прикладываете» их модель к своему знанию бизнеса и интуиции. Конечно, аналитики умеют собирать информацию и делать прогнозы. Но большинству из них не хватает знаний, чтобы строить гипотезы и выявлять факторы. Вряд ли они способны заметить, что ситуация на рынке скоро изменится. Таким образом, ваша миссия как потребителя данных — формулировать гипотезы и решать, есть ли прок в выводах и рекомендациях, — чрезвычайно важна. Это значит, что вам надо освоить несколько новых дел. Одни требуют всего лишь свежего взгляда, а для других придется немного подучиться.

Разберитесь в аналитике.

Если вы неплохо помните статистику со времен колледжа, замечательно. Если нет, подучите азы регрессионного анализа, статистического анализа и планирования экспериментов. Вам надо понимать, как принимаются решения с помощью аналитических методов. В частности, — в какой момент этого процесса вы должны вмешаться как потребитель. Надо понимать, что все аналитические модели построены на допущениях, которые производители обязаны объяснить и обосновать. (См. приложение «Принятие решений на основе аналитических методов — шесть главных этапов».) Как заметил однажды знаменитый статистик Джордж Бокс: «Все модели врут, но некоторые полезны». Иными словами, модели упрощают наш сложный мир.

Чтобы повысить свою информационную грамотность, пройдите программу статистики для руководящих работников или онлайновый курс обучения или поучитесь у своих аналитиков, поработав с ними вместе над проектами.

Дженнифер Джой, вице-президент Cigna по клинической работе, выбрала третий вариант. У нее был диплом медицинской сестры и МВА, а об аналитике — лишь поверхностное представление. Тем не менее она поняла, что пространные отчеты о работе ее колл-центра, которые ей присылают, не дают информации о том, полезен ли пациентам инструктаж по телефону и помогает ли он им обойтись без госпитализации.

Джой обратилась к аналитикам Cigna — а именно к специалистам по планированию экспериментов (единственный аналитический метод, способный теоретически показать причину и следствие). Помимо прочего, она узнала, что может проводить пилотные исследования и выяснять, каким сегментам более, а каким — менее полезны услуги информационного центра. И вот каким методом они действуют: подбирают пары похожих пациентов и произвольно выбирают из пары одного, чтобы подключить его к обслуживанию в центре информации. Другому предоставляют альтернативу в виде консультаций по почте или онлайновой поддержки. Каждое пилотное исследование длится пару месяцев, не больше, и можно проводить несколько экспериментов одновременно. Так, Джой стала получать информацию об эффективности своих программ на постоянной основе.

В итоге выяснилось, что инструктаж помогает не всем пациентам, а только людям с конкретными заболеваниями, так что некоторых сотрудников информационного центра перевели на другую работу. Сейчас группа Джой регулярно проводит по 20—30 таких экспериментов в год, выясняя, что для пациентов действительно полезно. Может, Джой и не разбирается в тонкостях аналитики, но, как отмечает вице-президент Cigna по экспериментально-аналитической работе в США Майкл Казинс, она научилась быть «очень аналитически ориентированной».

Сотрудничайте с аналитиками подходящей специализации. Карл Кампф, руководитель группы решений в Intel, известен в компании как «супераналитик», или «главный математик». Он любит говорить: «эффективные количественные решения — они не про математику, а про отношения между людьми». Он имеет в виду, что математики и потребители их информации получают более качественные результаты в том случае, если тесно сотрудничают и доверяют друг другу, а значит, могут свободно обмениваться информа­цией и идеями.

Конечно, крутые аналитики в большинстве своем — не самые общительные люди. Один шутник советовал: «Выбирайте таких, которые, когда вы пытаетесь их разговорить, глядят не на свои ботинки, а на ваши». Но, на самом деле, найти среди них коммуникабельных людей, которым интересны не только математические, но и деловые проблемы, вполне реально. С ними можно откровенно обсуждать проблемы и спорить по разным вопросам.

Сотрудничать с производителями данных научилась, в частности, Кэти Нокс из Bank of America. В подразделении банка по обслуживанию физлиц она возглавляет группу стратегии розницы и сбыта и курирует более 5400 филиалов, у которых в сумме 50 с лишним миллионов клиентов: физлиц и мелких предприятий. Несколько лет она добивалась, чтобы подчиненные использовали аналитику в решениях. С помощью данных можно было бы, например, выяснять, где открывать или закрывать филиалы, как сократить для клиентов время ожидания, что стимулирует многоканальное взаимодействие и почему одни продавцы работают лучше других.

В Bank of America сотни специалистов по количественному анализу, но большая их часть собрана в отделе, с которым у менеджеров нет контактов. Нокс настояла, чтобы ей разрешили набрать свою группу аналитиков, и наладила с ними тесное сотрудничество: частые совещания и отчеты о ходе проектов давали возможность постоянно быть на связи. Особенно тесно Кэти сотрудничала с двумя руководителями группы, Джастином Эддисом и Майклом Хайзи. Они знали розничные банковские операции и систему «Шесть сигм», а потому понимали проблемы ее подразделения и могли разъяснить их высоколобым аналитикам, которые трудились под их началом. После того как Нокс создала прецедент, Bank of America ввел для своих аналитиков из розничного банка матричную структуру, и теперь большинство из них подчиняется и руководителям направлений деятельности, и централизованной аналитической группе.


Сосредоточьтесь на начальной и конечной стадиях. Для потребителя больших данных самая важная часть процесса — постановка задачи (то есть ему надо выявить эту задачу и понять, пытался ли кто-нибудь ее решать раньше и как). Тут-то и выходят на первый план ваш деловой опыт и интуиция. В конце концов, гипотеза — это просто догадка о том, как все происходит. Но, конечно, главная особенность аналитического мышления — стремление проверять гипотезы с помощью научных методов.

К примеру, руководители двух корпоративных головных организаций Transitions Opticals подозревали, что у компании, производящей фотохромные линзы, инвестиции в маркетинг далеки от оптимальных, но не располагали данными, которые бы подтверждали или отрицали эту догадку. Грэди Ленски, в то время руководителю маркетингового подразделения, пришла в голову мысль нанять консультантов-аналитиков и с их помощью оценить эффективность различных кампаний по сбыту — конструктивная постановка задачи, в основе которой лежал простой вопрос: нет ли неоправданных издержек? Если вы не аналитик, уделите повышенное внимание еще и завершающей части процесса — ознакомлению остальных топ-менеджеров с результатами, поскольку это как раз такая задача, которую сами аналитики недооценивают или не принимают в расчет и которую вам в какой-то момент надо будет взять на себя. Если аналитика — это преимущественно «рассказ на языке цифр», то как вы ее изложите? Какой выберете язык и стиль? Будет ли это устное повествование или слайды? Какие графики лучше использовать? Каким бы сложным ни был анализ, математики должны объяснять свои результаты доходчиво, чтобы их понял каждый; иначе вам придется работать за них. Истории в стиле статистических выкладок («сначала мы проверили это на соответствие критерию хи-квадрат, потом перевели категорийные данные в порядковые, дальше использовали логистическую регрессию, после чего сдвинули на год экономические данные»), как правило, не имеют шанса на успех.

Многие деловые люди строят сюжет вокруг одной темы: окупаемости инвестиций. Как новые модели повысят продажи, выручку или рентабельность? Скажем, высокопоставленный руководитель Merck, отвечавший за международное подразделение, много лет тесно сотрудничал с группой коммерческого анализа из фармацевтической компании. Его интересовал ряд вопросов — в том числе как окупается прямая реклама. До расчета окупаемости он и группа обсуждали, что будут делать в каж­дом случае: то есть если успешность рекламных кампаний окажется высокой, средней или низкой. Все участники должны понимать, что работа представляет не только научный интерес. Выполнив ее, руководитель вместе с аналитиками идет к своим директорам — представлять и обсуждать результаты.

Задавайте по ходу дела много вопросов. Бывший министр финансов США Ларри Саммерс, который когда-то служил советником в хедж-фонде, говорил мне, что главной его обязанностью на этой должности было задавать умным аналитикам фирмы столь же умные вопросы про их модели и исходные допущения. Раньше к аналитикам требований предъявляли меньше, поэтому нужен был эрудированный потребитель данных, который помогал бы им продумывать и совершенствовать работу.

Как бы вы ни доверяли своим специалистам по количественному анализу, снова и снова задавайте им вопросы на засыпку. Вот несколько примеров: они гарантированно помогают повысить точность и обоснованность анализа. (Если вы не понимаете ответа, просите аналитика перевести его на общедоступный язык.)

1. Откуда вы берете данные?

2. Насколько хорошо выборка отражает исследуемую совокупность?

3. Учитывает ли ваше распределение данных выбросы? Как они повлияли на результаты?

4. На каких допущениях основан анализ? Какие условия сделают недействительными ваши допущения и вашу модель?

5. Почему вы выбрали именно эту аналитическую методику и какие рассмотрели альтернативы?

6. Насколько велика вероятность того, что независимые переменные действительно влияют на зависимые переменные? Не могут ли другие виды анализа дать более четкую причинную связь?

Фрэнк Фридман, главный финансовый директор и управляющий партнер по административно-­финансовым вопросам американского отделения Deloitte, — завзятый «задавальщик вопросов». Он собрал группу специалистов по данным и количественному анализу для работы над несколькими инициативами, в том числе оптимизацией цен на услуги, разработкой моделей, прогнозирующих эффективность служащего, а также выявлением факторов, стимулирующих возврат задолженностей. «Люди, которые со мной работают, знают, что я задаю много вопросов, всегда и обо всем, — говорит Фридман. — И они знают, что после моих вопросов им придется вернуться и переделать часть своей аналитической работы». Он убежден, что, если чего-то не понимаешь, совершенно необходимо это признать: «Я понимаю, что на совещаниях с этими людьми я не самый умный. И всегда добиваюсь предельной ясности, ведь если я не могу сформулировать выводы, то как буду отстаивать их перед другими?»

Создавайте культуру исследования, а не защиты. Все мы знаем, как часто «цифры лгут, а лжецы прикрываются цифрами». Потребителям аналитики ни в коем случае нельзя давить на ее производителей просьбами вроде: «Взгляни, нельзя ли найти в данных доказательства, подтверждающие мою идею». Нет, в каждом обращении к математикам выражайте одну-единственную задачу — докопаться до истины. Как говорит руководитель группы коммерческой аналитики Merck: «Наша дирекция хочет, чтоб мы были, как Швейцария. Мы работаем только для акционеров».

Кстати, некоторые ведущие руководители заставляют своих аналитиков выступать в роли адвоката дьявола. Это помогает, с одной стороны, создать в организации правильную атмосферу, с другой — корректировать модели. «Во всех организациях начальникам стараются угождать, — объясняет Гэри Лавмен из Caesars, — поэтому очень важно создавать такую среду, где идеи рассматриваются отдельно от людей и где зерна от плевел отделяются посредством точных доказательств».

Лавмен требует от своих подчиненных, чтобы они ориентировались не на мнения, а на данные и анализ. И не делает секретов из своих ошибочных гипотез, выводов и решений. Так что и менеджеры, и аналитики понимают, что его, как он говорит, порой «неправильные и непродуманные точки зрения» точно так же требуют объективной, беспристрастной проверки, как и чьи-то еще. Он, к примеру, любит повторять, что самой большой его ошибкой, когда он стал генеральным, было то, что он не уволил управляющих, не разделявших его веры в аналитику. Он решил тогда, что их опыта работы будет достаточно. Этот пример у Лавмена призван иллюстрировать два тезиса: что он может ошибаться и что надо быть потребителем аналитики.

Математика + управление = …

Уоррен Баффет как-то сказал: «Бойтесь фанатов формул». Но в нашем ориентированном на расчеты мире без этих фанатов уже не обойтись. Вместо того чтобы их бояться, надо объединять науку аналитики с искусством интуиции. Будьте таким менеджером, который знается с аналитиками, понимает их формулы, помогает совершенствовать их аналитические процессы, умеет разъяснять их выводы остальным и в результате принимает более качественные решения.

Сравните банк, о котором говорилось в начале статьи, с Toronto-Dominion Bank. Генеральный директор TD Эд Кларк — человек, сведущий в количественном анализе (у него PhD по экономике). Он настаивает на том, чтобы и его менеджеры понимали, какие расчеты лежат в основе всех финансовых продуктов, определяющих жизнь компании. Благодаря этому TD избегала особенно рискованных продуктов, а от некоторых своевременно избавилась — и не понесла крупных убытков во время финансового кризиса 2008—2009 годов.

Ориентация на данные и аналитику распространяется и на другие направления работы TD. Расчет зарплаты, например, самым тесным образом связан с показателями управления производительностью труда. А филиалы TD открыты дольше большинства остальных банков, поскольку Тим Хоки, бывший начальник подразделения розничного обслуживания, настоял на систематическом тестировании (с использованием контрольных групп) того, что дает продление часов работы по обслуживанию физических лиц, и обнаружил, что в этом случае банки привлекают больше депозитов. Если на совещании дирекции кто-нибудь предлагает новое направление, от него требуют обосновать идею с помощью данных и анализа. Кларк признает, что TD нельзя назвать идеальным банком. Но зато, говорит он, «никто не обвинит нас в том, что мы не дружим с цифрами».

Пусть в вашей организации работа не так густо замешана на аналитике, как в TD, пусть ваш генеральный не похож на Эда Кларка, но это еще не значит, что лично вы не можете стать опытным потребителем аналитики — и подавать пример остальным сотрудникам своей компании.