Данные или чутье: в каких случаях можно не тратить время на data science | Harvard Business Review Russia
Принятие решений

Данные или чутье: в каких случаях можно не тратить время на data science

Дуглас Уэст , Огуз Аджар
Данные или чутье: в каких случаях можно не тратить время на data science
Иллюстрация: HBR Staff/Roc Canals/Getty Images/David Rumsey Map Collection

Многие считают, что современный менеджмент невозможен без данных. И это мнение нельзя назвать безосновательным. Резкий рост объема доступных данных и развитие data science позволили менеджерам намного больше узнать о своих компаниях. Грамотно используя эти знания, можно принимать более качественные решения по каждому аспекту бизнеса.

Вероятно, именно поэтому многие компании торопятся открыть аналитические отделы, чтобы как можно лучше воспользоваться этим беспрецедентным изобилием данных. Так, согласно недавнему исследованию, 91,9% компаний из списка Fortune 1000 заявили об увеличении инвестиций в аналитику данных.

Нельзя отрицать потенциал больших данных, но являются ли они универсальным ответом на все вопросы? Иными словами, может ли излишнее внимание к данным и их анализу иногда приводить к нежелательным результатам? Мы изучили этот вопрос в своей недавней работе.

Мы ожидали, что данные могут оказаться контрпродуктивны в условиях крайней неопределенности, когда собрать нужные данные очень сложно или вовсе невозможно. Может быть, именно по этой причине 12 издательств не смогли разглядеть потенциал «Гарри Поттера и философского камня», и только в Bloomsbury Publishing согласились издать книгу тиражом в 500 экземпляров. Роман был настолько новаторским, что ни у кого по определению не могло быть данных, чтобы точно оценить его потенциал.

Чтобы проверить эту догадку, мы опросили 122 компании из креативных индустрий (реклама, цифровой маркетинг, издательский бизнес и ПО) об их последних инновационных проектах. Мы выбрали именно креативные индустрии, потому что для них характерны крайне непредсказуемые реакции клиентов и бесконечное разнообразие потенциальных новинок и модификаций. По той же причине мы сконцентрировались на процессе скрининга: как компании решали, какой инновационный проект выбрать для дальнейшей разработки. Эти решения принимаются в условиях высокой неопределенности. У менеджеров почти нет прошлых данных, которые бы позволили им точно предсказать реакцию клиентов, рыночный потенциал, возможности практической реализации и риски. И даже если бы у них были все эти данные, экстраполировать их было бы очень сложно, а иногда это приводило бы к ошибочным выводам.

Мы попросили менеджеров этих компаний вспомнить последний случай, когда им приходилось отбирать один из нескольких инновационных проектов, и предложили несколько вопросов, чтобы понять, как они приняли это решение. Нам важно было определить, в какой степени они полагались на анализ (выбор решения на основании данных), чутье (интуитивный выбор решения) или эвристику (ряд практических приемов для быстрого и рационального принятия решений). К эвристическим методам мы отнесли, в частности, «подсчет баллов» (выбор варианта с максимальным количеством преимуществ), «опыт» (доверение решения самому опытному члену команды) и «голосование» (выбор простым большинством голосов). Затем мы попросили менеджеров указать свое мнение еще по двум вопросам: правильно ли они приняли решение (воспринимаемая точность решения) и насколько быстро они его приняли (воспринимаемая скорость решения).

К нашему удивлению, результаты показали: несмотря на весь интерес к большим данным, менеджеры в нашей выборке полагались на анализ не чаще, чем на внутреннее чутье или на простые эвристические приемы. Чаще всего они использовали подсчет баллов (эта методика опередила и интуитивные оценки, и анализ).

советуем прочитать
Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Учимся распознавать невербальные сигналы
Джеймс Детерт,  Итан Буррис
Коварное доверие
Петров Сергей
Agile в личной жизни
Дана Русманьер