Менеджмент на основе данных: Как сменить интуитивный подход к управлению на аналитический

Современные технологии работы с данными полностью изменили суть многих профессий. Фармацевты, маркетологи, физики и многие другие специалисты гораздо чаще полагаются на исследования и анализ, а не на озарение и удачу. Автопилоты управляют автомобилями и самолетами, нейросети переводят тексты, пишут картины, генерируют творческие идеи – компьютерные данные стали важной частью нашего мира.

Но осталась одна важная профессия, в которой все замерло на доцифровом уровне. Данные и их анализ не определяют решения в ней, а лишь могут несколько повлиять на мнение человека, который при этом им часто не доверяет. Эта профессия – менеджер высшего уровня, управляющий организацией. Лишь очень немногие руководители могут обосновать объективными данными свои кадровые решения, изменения организационной структуры компании или системы мотивации персонала. Как показывают наши исследования, чаще всего при решении столь важных вопросов менеджеры действуют на основе интуиции и «гениального прозрения».

Многие руководители считают, что управление организацией – навык, который сам развивается со временем. Якобы достаточно наблюдать за процессами и более опытными коллегами, подмечать и формулировать закономерности, а затем применять собранные знания на практике.

Разновидность этого подхода – механическое повторение чужого опыта. Компания внедряет «отлично показавшие себя» в других организациях инструменты (обычно с небольшой адаптацией) – опять же на основе интуиции и собственных представлений руководителей. Как правило, результат получается отрицательный. Уникальны не только сами организации, но и ситуации, в которых они действуют. Например, внешне похожие компании могут использовать в работе различные эффективные методы, которые подходят именно для них. А приемы, успешные при найме инженеров, будут сбоить при наборе рабочих, потому что инженеры и рабочие выбирают нанимателя по разным критериям.

С высоты сегодняшних знаний кажется невероятным, что когда-то подобный подход был принят и в науке. Ученые древности опирались на знания своих учителей и собственные наблюдения, из которых пытались выводить общие закономерности. Аристотель описывал движение предметов в природе как сочетание идеальных кривых: «Все перемещающееся движется или по кругу, или по прямой, или по смешанной [линии]»[1].

Такая концепция (безусловно, красивая и понятная) просуществовала более 15 веков. На нее опиралась зарождающаяся баллистика, тем более что практика часто подтверждала ее справедливость. Не принимая во внимание гравитацию и сопротивление воздуха, последователи Аристотеля представляли траекторию снаряда катапульты сначала в виде прямой линии, затем окружности и снова вертикальной прямой, направленной вниз (что было почти верно из-за небольшой точности метательных машин и низкой скорости снарядов того времени). Но все изменилось, когда появились пушки.

Ядро пушки компактнее и летит быстрее, поэтому его траектория никогда не переходит в круговое или вертикальное движение. Оно очевидно летело не так, как предсказывала наука. Но даже Леонардо да Винчи и Никколо Тарталья продолжали рисовать траектории как сочетание прямых и круговых линий. Галилей уже рассматривал влияние силы тяжести и параболические траектории, а Ньютон в конце XVII века добавил учет сопротивления воздуха. В XIX веке Джордж Стокс описал поведение среды вокруг объектов, движущихся с относительно небольшой скоростью (например, вокруг ядра на конечном этапе полета).

Лишь к середине XIX века ученые смогли описать полет ядра, комбинируя законы Стокса и Ньютона. И только к началу Первой мировой войны ученые-баллистики благодаря развитию математики и аэродинамики научились достаточно точно описывать полет пушечного снаряда.

Все это время артиллерия активно развивалась. Пока ученые пытались вывести общие закономерности, военные и оружейники составляли баллистические таблицы. В отличие от катапульты пушка в одинаковых условиях стреляла стабильно, поэтому можно было управлять траекторией с помощью заряда, ядра и учета внешних факторов. Учебники, иллюстрации и таблицы не выводили общих правил, но помогали наводить конкретное орудие на выбранную цель.

Сегодняшнее состояние науки управления примерно соответствует уровню баллистики XV века. Есть свои аристотели и красивые методики, которые очень редко работают успешно. Причем объяснить, почему в одной организации такой-то подход эффективен, а в другой нет, не получается. Мы все лишь зарисовываем «полет снаряда» и пытаемся составлять управленческие «баллистические таблицы».

Главная задача этой книги – дать руководителям надежные инструменты в их работе, научить использовать данные и предостеречь от наиболее частых ошибок. Надеюсь также, что книга поможет менеджерам понимать аналитиков и говорить с ними на одном языке.

Общие правила работают плохо: Ситуации бывают разными, организации – не близнецы

Место работы играет важную роль в жизни современного человека. Там мы проводим минимум две трети своего активного времени, а часто и почти все время, кроме сна. Поэтому желание руководителя управлять своей организацией более эффективно вполне естественно, а для этого важно понять, как и в каких условиях она работает.

К сожалению, многие «законы» управления не более чем попытка распространить успешный опыт небольшого числа организаций на остальные. Да, здравый смысл подсказывает, что компании с четко поставленными целями должны работать лучше, чем те, которые не формулируют достаточно ясно свои цели. Но практических доказательств этого тезиса не существует, есть только примеры и попытки обобщения опыта. Концепция построения жесткой иерархической структуры в организации ничем не хуже концепции бирюзовой организации – преимущество какой-либо из них не доказано.

Причина – организации отличаются друг от друга даже сильнее, чем пушки XV века. Компании находятся в разных рыночных условиях, у них разные конкурентные ситуации, персонал, ресурсы, стратегии. Нет ни одного управленческого инструмента, эффективность которого доказана для всех организаций в любых условиях.

Более того, доказательства неэффективности тоже относительны. Например, исследования показывают[2], что декларированные организационные ценности не влияют на эффективность компании. Какие бы ценности организация ни провозгласила, ее эффективность не изменится. Можно предположить, что причина в неспособности компании превратить декларированные ценности в реальные, но кто-то возразит, что дело в конкретной рыночной ситуации или неправильно определенных ценностях. Точная причина неизвестна.

Мы действительно не можем сказать, почему не работают общие инструменты, но точно знаем, что в менеджменте утверждение «все передовые организации делают так» означает лишь «кому-то выгодно, чтобы все делали так». Например, недавно были в моде корпоративные слияния – «все компании это делали», потому что якобы это выгодно всем участникам. Однако более поздние исследования показали: в большинстве случаев корпоративные слияния приводили к снижению, а не к увеличению акционерной стоимости.

Согласно исследованию KPMG, около 83% слияний и поглощений не приводят к росту акционерной стоимости. Основные причины – проблемы с планированием и исполнением, культурные различия между компаниями и недооценка единовременных затрат и синергий[3]. Исследование, проведенное Conn, Cosh, Guest и Hughes в 2005 году, показало, что приобретения часто снижают стоимость компаний-акционеров. Это особенно заметно в случаях серийных приобретений, когда акционерная стоимость часто уменьшается из-за завышенной оценки потенциальных выгод и недостаточной интеграции компаний[4]. Анализ McKinsey выявил, что покупатели часто платят значительную премию за приобретение компании, в результате сделка оказывается выгодной в основном для продавца, а не для них. Часто изначально завышенные ожидания по синергии и недооценка необходимых затрат на интеграцию приводят в долгосрочной перспективе к снижению акционерной стоимости[5].

Разумеется, из этого не следует, что корпоративные слияния однозначно вредны для всех компаний, просто очередная гипотеза об эффективности «общего правила» оказалась неверной. Исследования доказывают, что для успешного слияния необходимы тщательное планирование, реалистичные оценки и грамотное управление интеграцией после завершения сделки.

Артиллеристу в XV веке тоже мало помогала средневековая теоретическая баллистика. Примерное представление о том, как летают ядра и куда попадает похожее орудие на соседней позиции, конечно, было полезным, но гораздо важнее оказывались испытания своей пушки – с разным количеством пороха, весом ядра, углом наклона. Обобщенные результаты собирались в баллистическую таблицу – так артиллерист получал довольно точное описание наиболее эффективных способов стрельбы из этого орудия.

В общих чертах менеджмент на основе данных (МОД) должен строиться на том же подходе: руководителям редко нужно знание универсальных инструментов, они решают более практическую задачу – обеспечить успех данной организации в конкретных условиях. Им требуется эффективно «стрелять из своей пушки», а не изучать труды Аристотеля.

Организации пытаются меняться, но совершают похожие ошибки

Не очень умелый артиллерист может пойти другим путем. Даже школьники знают, что пушка стреляет дальше всего под углом 45°. Значит, осталось измерить дальность для стандартных пороховых зарядов и использовать несколько цифр вместо большой баллистической таблицы. Теперь для поражения цели артиллеристу потребуется всего лишь разместить пушку на нужном расстоянии. Разумеется, это сложно сделать на поле боя – далеко не везде можно установить орудие, да и сам метод слишком трудозатратный.

Но что невозможно или трудновыполнимо в артиллерии, почему-то спокойно воспринимается в менеджменте. Многие руководители считают нормальным брать методику, которая хорошо показала себя в совершенно других организациях, и подгонять под нее свою компанию.

Такой подход часто встречается в формировании системы оплаты труда. Компания выбирает методику, популярную у крупнейших международных организаций, например систему грейдов компаний Korn Ferry, Willis Tower Watson или Mercer. Это действительно хорошие решения, но для других условий. Компания же пытается подстроиться под выбранную систему: использует шкалы, классификацию, определяет грейды всех должностей. В итоге возникает предсказуемое расхождение: значительная часть специалистов получает либо больше, либо меньше, чем должна по новой методике. И тогда руководство начинает «подкатывать пушку» – утверждает долгий период перехода, добавляет некий «профессиональный коэффициент» или другие поправки, чтобы подогнать результаты под ожидания. Итог очевиден: система работает плохо.

Почти так же бесполезны попытки опереться на здравый смысл и «гениальное прозрение» в поисках общих правил вместо кропотливой работы с данными. Великий Аристотель не учитывал сопротивление воздуха при полете снаряда и пытался сумму различных природных сил подменить красивым математическим построением, поскольку в его время наука только зарождалась. А многие сегодняшние практики менеджмента просто не используют научные знания и вместо анализа всех факторов выстраивают искусственную модель, которая лишь напоминает реальность.

В некоторых случаях такая упрощенная модель действительно способна помочь. Например, организация пытается уменьшить текучесть персонала. Ее специалисты знают, что следует провести исследование и определить, в каких ситуациях текучесть высокая, а в каких низкая. Если причина в низкой оплате труда и именно этот параметр специалисты замеряют, то все получится. Допустим, выяснится, что из нескольких тысяч человек за год уволились все, у кого зарплата ниже 45 000 рублей, а у кого выше – остались. Отлично, теперь компания знает причину текучки кадров.

К сожалению, с гораздо большей вероятностью результаты исследования будут не столь однозначными. Текучесть может быть неодинаковой на разных участках компании – на одних 3%, на других 5%, 10% или 50%. Значит ли это, что главный параметр – участок? Или дело в средней зарплате на каждом участке – чем она выше, тем ниже текучесть? Но в крупной компании всегда найдутся исключения из общей картины: например, участки с одинаковой зарплатой 100 000 рублей, откуда за год уволились все работники, или с зарплатой 40 000, где все остались. Может найтись и такой, где половина работников получает 40 000, а другая – 100 000 и текучесть составила 50%. В этом случае правильный подход – продолжать исследование, чтобы определить, чем отличаются условия труда и оплата у ушедших работников и оставшихся. Возможно, это будет порог зарплаты, скажем, 45 000, но может играть роль и комбинация причин.

Типичная ошибка многих организаций – вместо сравнения «плохого» и «хорошего» ограничиться изучением «хорошего» (в нашем примере – найти общие черты у всех участков с минимальной текучестью).

Однажды было проведено исследование, посвященное влиянию особенностей людей на их выигрыши в казино. Изучали только тех, кто выиграл 10 млн долларов и более. Обнаружилось несколько совершенно точно общих черт, в том числе – что более 90% из них ставили фишки правой рукой. К сожалению, среди тех, кто проиграл 10 млн и более, правшей было примерно столько же.

Изучать только лучших для поиска закономерностей успеха или только худших для выяснения причин неудач – путь тупиковый. Но то, что кажется забавным курьезом в случае с казино, почему-то вызывает доверие в других областях.

Пример такой ошибки в организационном менеджменте – очень вдохновляющая книга Джима Коллинза «От хорошего к великому»[6]. И в ней, и в другой книге, «Построенные навечно»[7], исследователь использует один подход: выделяет некоторое количество организаций, которые стали «великими» или «вечно» остаются эффективными, и находит общие черты.

«Мы тщательно изучили и просеяли исходные компании, которые входили в список Fortune 500 с 1965 по 1999 год, и определили 11 компаний, которые осуществили переход от хороших показателей к выдающимся… Мы долго спорили, нужно ли использовать другие критерии для анализа деятельности компаний помимо доходности по акциям, например вклад компаний в увеличение общественного благосостояния или доходы сотрудников. Мы все-таки склонились к тому, чтобы ограничить критерии отбора единственным показателем, поскольку едва ли удалось бы выработать объективные критерии анализа и сравнения на основе других факторов»[8].

А дальше происходит перебор факторов, которые кажутся важными для успеха, включая наличие корпоративной системы ценностей. Причем свои выводы автор распространяет на все стороны жизни – от принципов построения государственных институтов до смысла существования отдельного человека.

«Множество людей поведали нам, каким образом ключевые концепции этой книги оказались полезны в их личной и семейной жизни. Многие из них применили концепцию “сохраняй суть / стимулируй прогресс” для решения фундаментальных человеческих проблем самоопределения и самообновления. “Кто я такой? Что я значу? В чем мое предназначение? На чем зиждется мое самоощущение в этом хаотичном, непредсказуемом мире? Что придает смысл моей жизни и деятельности? Что поддерживает меня в моих начинаниях и побуждает идти вперед?”»[9]

Следует ли из тезиса «все компании, ставшие великими, имели систему ценностей» вывод, что наличие корпоративных ценностей – фактор успеха? Для ответа на этот вопрос, как и в примере с убедительным успехом правшей в казино, необходимо изучить те организации (или людей), которые потерпели крах. Разумеется, оказалось бы, что у многих из них была своя замечательная система ценностей, но выжить она им не помогла.

Кроме того, кажется опрометчивым распространять на весь мир опыт работы всего 11 успешных американских компаний, отбор которых к тому же проходил с искусственными ограничениями. Например, из исследования были исключены высокотехнологичные компании и те, которые оказались «слишком хорошими» для исследования.

«Почему хай-тек-компании не попали в… список? Большинство компаний сектора высоких технологий было исключено, поскольку они не укладываются в нашу схему “от хорошего к великому”. Нам надо, чтобы история компании насчитывала как минимум 30 лет, чтобы войти в исследование (15 лет удовлетворительных результатов, за которыми следуют 15 лет выдающихся результатов). Из всех компаний в области высоких технологий, существующих больше 30 лет, ни одна не следовала такой схеме развития. У Intel, например, не было 15-летнего периода хороших результатов; Intel всегда была великой»[10].

Главный подход к исследованию на основе данных: Сравнение двух групп

Лучший и самый известный пример этого подхода – А/Б-тестирование. Например, мы исследуем, какая версия сайта лучше продает товар. Для этого одну группу посетителей направляем на первую версию, другую – на вторую. Сравниваем результаты продаж, получаем ясный результат: такая-то продает лучше.

Хотя А/Б-тестирование помогает решать много практических задач, у него есть ограничения. Анализ статистики сайта – одна из немногих ситуаций, когда попадание участников теста в разные группы можно считать случайным. В основной части реальных задач сравниваемые группы формируются более закономерным путем.

Почему очень важно сравнивать то, что «хорошо», с тем, что «плохо», мы говорили выше. При этом нужно четко сформулировать критерий «хорошего» и «плохого». В случае с сайтом интернет-магазина ответ прост: количество продаж. Но для более сложных исследований необходимо сформулировать, что именно мы сравниваем и по какому параметру. То есть что будет объектом замеров, а что – целевым параметром.

Например, для пушки в одном случае это будет дальность, а в другом – способность разрушать укрепления. Причем если нам важна конкретная дальность, а не максимальная, то мы можем вычислить углы наклона, при которых пушка будет делать «хорошие» выстрелы – наиболее близкие к цели. А если важнее разрушение стен – углы, при которых из стены-цели будет вылетать максимальное количество кирпичей.

Тот же подход используется и для исследования организации. Например, мы определяем, сколько нужно платить сотрудникам, чтобы уменьшить текучесть. Для этого сравниваем различные уровни оплаты с целевым параметром – как много сотрудников увольняется из организации.

Как и в случае с углом наклона пушки и дальностью стрельбы, в организации зависимость целевого параметра от оплаты может оказаться нелинейной. Например, если мы изучаем зависимость объема продаж от зарплаты продавцов, то вполне можем обнаружить более сложную картину. Сотрудники, которые получают мало, плохо продают, поскольку они не мотивированы. Но и те, кому компания платит больше определенного уровня, тоже становятся пассивными – они «слишком сытые», им уже ничего не надо. А лучше всего продают сотрудники со средней зарплатой – уже мотивированные, но еще «голодные».

Но, чтобы утверждать, что мы нашли зависимость целевого параметра (объема продаж) от изучаемого (зарплаты продавцов), необходимо провести эксперимент – проверить гипотезу на практике. Сделать это не так просто, как при испытании пушки: организация состоит из людей, которые активно реагируют на сам факт исследования и меняют свое поведение, чем искажают его результаты.

Наиболее известный пример такого искажения – хоторнский эффект. Американский социолог Элтон Мэйо исследовал влияние различных факторов на производительность работников мастерских Hawthorne Works компании Western Electric. В частности, Мэйо проверял, как влияет освещение на работу сборщиц телефонных реле. В одном цехе освещенность повысили, в другом оставили прежней, в третьем понизили. Производительность выросла и при понижении, и при повышении уровня освещения. Более того, на следующем этапе эксперимента производительность выросла и в цехе, где свет оставался прежним. Как выяснил Мэйо, сборщицы стали работать эффективнее, потому сам факт проведения эксперимента они сочли знаком того, что на них обратило внимание руководство.