Kitobni o'qish: «Менеджмент на основе данных: Как сменить интуитивный подход к управлению на аналитический»

Знак информационной продукции (Федеральный закон № 436–ФЗ от 29.12.2010 г.)

Главный редактор: Сергей Турко

Руководитель проекта: Анна Василенко

Художественное оформление и макет: Юрий Буга

Корректоры: Елена Аксёнова, Анна Кондратова

Компьютерная верстка: Павел Кондратович

Все права защищены. Данная электронная книга предназначена исключительно для частного использования в личных (некоммерческих) целях. Электронная книга, ее части, фрагменты и элементы, включая текст, изображения и иное, не подлежат копированию и любому другому использованию без разрешения правообладателя. В частности, запрещено такое использование, в результате которого электронная книга, ее часть, фрагмент или элемент станут доступными ограниченному или неопределенному кругу лиц, в том числе посредством сети интернет, независимо от того, будет предоставляться доступ за плату или безвозмездно.

Копирование, воспроизведение и иное использование электронной книги, ее частей, фрагментов и элементов, выходящее за пределы частного использования в личных (некоммерческих) целях, без согласия правообладателя является незаконным и влечет уголовную, административную и гражданскую ответственность.

© Григорий Финкельштейн, 2025

© ООО «Альпина Паблишер», 2025

* * *

Предисловие

ПАВЕЛ БЕЗРУЧКО, УПРАВЛЯЮЩИЙ ПАРТНЕР «ЭКОПСИ КОНСАЛТИНГ»

Книга, которую вы держите в руках, особенная. Есть книги, которые пишутся из желания завоевать популярность, получить признание, стать известным. Есть те, которые продвигают идею или продукт. А есть редкий жанр деловых книг, которые автор пишет, потому что не мог не написать. Эта – именно такая.

Талант автора в том, чтобы находить неочевидное: закономерности в данных, сложные зависимости. Открывать и показывать новое знание, ставя под сомнение то, во что мы привыкли верить и полагать истинным. И анализ данных в этом – основной инструмент. Но в отличие от большинства хороших аналитиков, понимающих цифры и умеющих использовать сложные методы анализа, Григорий хорошо разбирается и в менеджменте, и в бизнесе. Обычно эти две области экспертизы живут в разных головах, встречаются друг с другом редко и понимают друг друга с очень большим трудом. Руководители плохо, неумело ставят задачи аналитикам, не могут воспользоваться выводами, а аналитики целиком сосредоточены на своей «магии цифр», формулах и зависимостях и редко могут проинтерпретировать найденное полезным и понятным бизнесу языком. Эта книга о том, как объединить эти две экспертизы. И это ценно, поскольку самые интересные результаты часто рождаются на стыке разных дисциплин: аналитики, прочитав книгу, лучше поймут бизнес, а бизнес – лучше поймет возможности анализа данных.

Одна из главных причин, почему руководителям сегодня следует чаще использовать анализ, – нарастающая неопределенность внешней среды, исчезновение предсказуемости. Шаблоны прошлого опыта, когда-то приводившие организацию к успеху, перестают работать. Например, персонал, которого в прежние времена было в избытке, «вдруг» стал наиболее дефицитным ресурсом, ключевым ограничителем роста. Но готова ли ваша компания быть привлекательной для талантов? Понимает ли она, что в действительности хотят люди и почему они приходят и уходят? Что конкретно ей нужно изменить? Простой ответ на этот вопрос – хорошо платите и люди у вас будут. Но если хорошо (и даже очень хорошо) начинают платить все вокруг, эта формула перестает работать. Нужна аналитика. Иначе в попытках привлечь нужных людей организация обречена на перебор вариантов, дорогостоящий метод проб и ошибок, и решение, подходящее для одной организации, может оказаться вредным для другой.

Другой пример – стратегия. Прошло время, когда стратегия существовала в виде единого подробного плана действий на длительный период. Сейчас новые угрозы и возможности возникают постоянно. Ответом на них является сценарный подход, «стратегическая гибкость». Что будет, если мы купим новый актив, но объем рынка при этом сократится на 3%? А если выберем стратегию фокусировки только на массмаркете и не будем идти в «премиум»? Такие вопросы ставят руководители бизнеса, переходящие «от стратегии к стратегированию». Но всерьез стратегировать без опоры на анализ данных у них вряд ли получится.

Если говорить о доступности данных для принятия решений, руководители сегодня работают в двух крайних ситуациях: данных либо нет совсем, либо, напротив, их так много, что выделить главное (на что будешь опираться в принятии решений) очень трудно. Ситуация «есть достаточно данных высокого качества, позволяющих принять решение» – роскошь, увы, редкая. Подходы и методы, описанные в этой книге, помогут преодолеть обе проблемы – найти нужные данные или отобрать из большого массива те, на основе которых действительно стоит принимать решение.

У этой книги, помимо аналитиков и руководителей бизнеса, есть и еще адресаты – специалисты и менеджеры по работе с персоналом, HR. В большинстве крупных организаций каждый год проходят опросы вовлеченности. Служба персонала покупает зарплатные обзоры, чтобы предложить правильный размер индексаций. Процесс регулярного целеполагания и оценки (Performance management) генерирует огромный поток данных о результативности работы людей и подразделений. Во многих, если не в большинстве, этих организаций слышится лозунг «Данные – новая нефть». Если так, то эти организации ходят по нефтяным пластам, лишь в небольшой степени используя потенциал их отдачи.

На какие пункты опроса вовлеченности нужно воздействовать (нашими планами улучшений), чтобы таланты перестали уходить? Какие люди нам нужны – какие критерии на входе могут предсказать их будущую эффективность? Работает ли наша система KPI – поддерживает ли она нужное организации поведение и результаты или, напротив, провоцирует ежегодный торг за формальные показатели, не имеющие отношения к процветанию компании? Приводит ли обучение, в которое мы инвестируем огромные средства, к результату? Начинают ли сотрудники работать лучше? На эти и многие другие вопросы бизнес требует точных ответов, которые HR не сможет дать без использования анализа данных. И ключом для этого является вовсе не доступ к последней версии GPT Сhat или другим платформам AI, а умение поставить задачу анализа, сформулировать и проверить гипотезы, полезные для практических выводов. Искусственный интеллект лишь средство – мощное в умелых руках и бесполезное в неумелых.

Я рад, что Григорий написал книгу о том, что его захватывает и вдохновляет. Уверен, что она вдохновит и вас, дорогой читатель.

Введение

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 показывают², 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 синергий³. 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 компаний⁴. 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 стоимости⁵.

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.

Общие правила МОД

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.

Во время тех же исследований хоторнский эффект проявлялся и как фактор снижения производительности. Когда экспериментаторы пытались определить оптимальную дневную норму, работники сознательно уменьшали выработку, опасаясь, что слишком хороший результат обернется повышением плана или снижением расценок. Они даже пытались воздействовать на коллег, чтобы те не слишком старались, потому что «пострадают все».

Практически любой эксперимент в организации, к сожалению, сталкивается с подобной проблемой: сотрудники оценивают, чем грозит им исследование, и меняют свои ответы или поведение, чтобы снизить риски. Например, с этим регулярно имеют дело российские компании при замерах вовлеченности. В США, где такие исследования проводятся уже около 50 лет, сотрудники привыкли отвечать честно – по своему опыту знают, что это безопасно. Сказывается и дисциплина – работники приучены соблюдать корпоративные правила, и, если им велели обдумать каждый вопрос, они так и делают. Поэтому руководство получает реальную статистику по стандартным пунктам: «готов ли я больше работать, если буду больше зарабатывать», «готов ли я рекомендовать нашу компанию своим друзьям» и прочим.

В России все иначе. Один наш клиент, проводя опрос о вовлеченности, получил на редкость единодушные ответы. Работники, около полутора тысяч человек, почти на все вопросы отвечали положительно: якобы и руководители всем давали обратную связь, и рекомендовать компанию знакомым все готовы – всех все устраивало. Только один пункт был исключением: каждый указал, что хотел бы зарплату побольше. Как мы выяснили, сотрудники фактически саботировали опрос из-за боязни нарваться на неприятности. Они опасались, что недостаточно оптимистичный ответ по какому-либо пункту повлечет последствия: кто-то станет выяснять причину недовольства, а то и накажет их. А маленькая зарплата – известная проблема компании, о которой все знают.

Идеальный эксперимент. Пример из медицины

Пример практически идеального эксперимента можно найти в медицине: это двойное слепое плацебо-контролируемое исследование. Оно проводится в условиях, которые исключают предвзятость при оценке результатов и даже неосознанное влияние экспериментатора на испытуемых.

Во-первых, до начала эксперимента задаются параметры и цели – что именно замеряется. Например, при испытании нового медицинского препарата это может быть увеличение продолжительности жизни больных при его приеме или количество случаев полного излечения. При исследовании вакцины – насколько снизится заболеваемость или облегчится течение болезни. Отметим, что недавнее изучение вакцин от COVID–19 как раз идеальным назвать нельзя из-за нарушения этого правила. Если вначале речь шла о полноценной защите от заболевания, то в итоге положительным результатом стали считать возможность выздоровления без госпитализации.

Во-вторых, испытуемых делят случайным образом на три одинаковые группы. Количество участников должно быть достаточно большим, чтобы снизить погрешность результатов, а группы не должны отличаться друг от друга ни по какому признаку, иначе возможно искажение. Во время исследования одной группе дают новое лекарство, другой – плацебо, третьей – либо ничего, либо старый препарат (в зависимости от цели эксперимента).

В-третьих, ни врачи, ни пациенты не знают, что принимает каждая группа (поэтому исследование и называется «двойное слепое»).

В процессе эксперимента измеряют целевой параметр в каждой группе и так определяют действие нового лекарства. В отличие от хоторнских экспериментов, влияние самого факта участия в исследовании легко определяется по группе с плацебо. А большая выборка снижает вероятность случайных ошибок и искажений.

Двойное слепое плацебо-контролируемое исследование можно рассматривать как эталон эксперимента. В сравнении с ним хорошо заметны ошибки исследователей в бизнесе. Хоторнский эффект – пример последствий нарушения «правила использования плацебо». Но гораздо чаще организации нарушают правила формирования групп.

Довольно обычная история, с которой сталкивались многие компании, – бесполезность обучения, на которое возлагались большие надежды. Когда-то профильные менеджеры нашли неплохой тренинг для повышения эффективности продавцов, отправили на него первую группу и получили явный рост результатов. Затем отправили остальных специалистов – и результат оказался нулевым. Причем первая группа была самой слабой, состоящей из сотрудников, которые больше всего нуждались в повышении своих показателей, но результаты ее обучения разительно отличались от результатов более сильных следующих групп.

Если мы рассмотрим ситуацию с точки зрения соблюдения условий эталонного эксперимента, то сразу найдем несколько возможных причин. Главная – нарушение правила формирования групп: их результаты просто нельзя сравнивать. Низкие показатели продаж могли быть вызваны объективными обстоятельствами, например общим спадом на рынке. Поэтому и последующий прирост был не следствием тренинга, а результатом улучшения общей ситуации – что было бы сразу ясно, если бы исследователи сформировали контрольную группу продавцов, которую не отправили на обучение.

Кроме того, низкие показатели могли быть следствием малого опыта специалистов. Тренинг помог им поднять уровень, но и целенаправленное приобретение опыта продаж в ходе работы вместе с практикой в компании обязательно дает положительный результат. Проще говоря, содержание тренинга может быть практически любым, но концентрация на задаче и время работают на превращение новичка в специалиста. И это стало бы понятно при сравнении с контрольной «плацебо-группой». Разумеется, более опытные продавцы не могли получить того же прироста результатов, что и новички, если только опять не вмешались бы те же случайные обстоятельства.

Еще одно важное правило медицинских исследований, которое необходимо применять и в бизнесе, – отслеживание побочных эффектов. Компании нередко объявляют конкретные цели или KPI важнейшей задачей, достижение которой превыше всего. Но издержки такой позиции могут быть чрезвычайно болезненными. Впрочем, такое случается и у фармацевтических компаний.

«В 1898 году исследователи из немецкой фармацевтической компании Bayer… подвергли морфин той же реакции ацетилирования, которая позволяет превращать салициловую кислоту в аспирин. Это был вполне логичный шаг. Ведь аспирин оказался превосходным анальгетиком, гораздо менее токсичным, чем салициловая кислота… Сначала результаты казались обнадеживающими. Диацетилморфин оказался гораздо более эффективным анальгетиком, чем морфин, так что использовать его можно было в очень низких дозах. Но за его эффективностью скрывалась проблема, которая станет ясна каждому из нас, если мы назовем это вещество его общепринятым именем. Создатели назвали его героином (подразумевая, что это “героическое” лекарство), и это одно из веществ, вызывающих наиболее сильное привыкание»¹¹.

Сегодня героин запрещен почти по всему миру, а за его изготовление и хранение наказывают большими тюремными сроками. Компания, которая его изобрела и активно продавала 125 лет назад, вряд ли гордится своим успехом.

«Поскольку оказалось, что выпущенный компанией “Байер” героин не вызывает тошноты и запоров, как морфин, его стали назначать от кашля, астмы, мигрени, эмфиземы, даже туберкулеза. Однако, как только побочное действие этого “супераспирина” стало очевидным, компания перестала его рекламировать. Когда в 1917 году истек срок действия патента на аспирин и его начали производить другие компании, “Байер” подала в суд в связи с нарушением патентного права. Однако она никогда не преследовала в судебном порядке использование названия “героин” для диацетилморфина»¹².

Другими словами, даже когда эксперимент проведен идеально, а гипотеза подтвердилась, нужно оценивать полученные результаты в целом. К сожалению, руководители организаций нередко настолько увлекаются какой-то идеей, что пренебрегают риском побочных эффектов.

Как проводить исследования в организации

Пять шагов принятия решений на основе данных

Процесс принятия решений на основе данных можно разбить на пять шагов, каждый из которых важен:

1. Постановка задачи. Что мы хотим получить, какого результата добиться или какую проблему решить?

2. Формирование списка гипотез. Как можно повлиять на задачу, проблему или цель в нужном направлении?

3. Построение модели. Что на самом деле влияет на результат и как именно?

4. Сценарный анализ. Какой эффект принесут те или иные наши действия?

5. Принятие решения. Что надо делать?

К сожалению, на практике менеджеры часто совершают ошибки на каждом этапе, причем некоторые шаги просто пропускают. Удивительно, но подавляющее большинство руководителей не считают нужным тратить время и силы даже на первый шаг – точно сформулировать задачу. Это неизбежно приводит к отрицательным последствиям: найденное решение не подходит компании. А понимание, какой именно нужен результат, во многом определяет остальные шаги.

Постановка задачи и одобрение исследования

Начинать исследование с постановки задачи нужно по многим причинам, в том числе с точки зрения практической: чтобы руководство одобрило расходы на него. Топ-менеджеры обязательно потребуют обоснование – какую именно пользу получит компания от проекта (причем в значимых для организации показателях). Расходы обычно считаются легко. Например, нужно опросить 8000 работников на проходных, стоимость опроса каждого и обработки его анкеты – 3000 рублей. Если цель исследования сформулирована как «изучение бренда компании», то руководители почти наверняка откажутся выделить 24 млн на такую абстрактную задачу.

Другое дело, если то же изучение бренда направлено на решение конкретной проблемы. Например, компания инвестирует 2 млрд долларов в новое производство, которое не заработает без достаточного количества персонала. Изучение и улучшение образа компании на рынке труда может снизить на определенную сумму стоимость привлечения работников, а это уже понятный менеджерам KPI.

Можно отталкиваться от актуальной проблемы компании – например, недостаточного объема продаж. Тогда сильным аргументом будет то, что исследование может увеличить продажи, скажем, на 10%.

Если цель исследования – уменьшить текучесть персонала, то это не научные расходы, а инвестиции. Дополнительные 1000 человек, которые не покинут компанию и ради удержания которых не потребуется строить дополнительный жилой комплекс, весомый довод вложиться в исследование.

Задача должна быть сформулирована максимально конкретно и ориентирована на основные KPI компании. Даже кажущиеся незначительными уточнения целей исследования могут в итоге потребовать противоположных действий.

«ЭКОПСИ Консалтинг» работала одновременно с двумя большими компаниями, во многом схожими. Обе принадлежали одной индустрии и решали внешне одинаковую задачу: оптимизация системы оплаты труда рабочих. Им нужна была четкая и понятная система, которая учитывала бы условия труда, сложность работы и профессиональный уровень сотрудников. Но первая компания назвала своей главной целью «внутреннее ощущение справедливости новой системы у рабочих», а вторая – «снижение текучести персонала».

Технически «справедливость» означала увеличение доплат – за квалификацию, тяжелые условия труда и так далее, что приводило к большей разнице в оплате труда. Например, повышение разряда работнику означало увеличение заплаты на 10–12%.

Для снижения текучести – задачи, которую поставила вторая компания, – оптимальным решением были противоположные действия: выравнивание зарплат. Во-первых, поднять зарплату рабочим низкой квалификации было экономнее, чем высококвалифицированным. А во-вторых, для этой организации вопрос справедливости был не так важен: предполагалось, что работники растут в профессии естественным образом, со временем получая больше, и таким образом компенсируется утечка недовольных.

Фактически оба решения отличались лишь регулированием системы оплаты труда, но предполагали почти противоположные действия руководства. Для первой компании «справедливость» означала сохранение текущей иерархии даже ценой роста зарплат, не поддерживаемого рынком. А для второй «снижение текучести» достигалось повышением оплаты труда тех работников, которые на рынке труда стоили дороже, даже если это приводило к разрушению традиционной иерархии.

Вопрос текучести персонала интересовал и первую компанию: в какой-то момент она предлагала просчитать и такой сценарий. Но возможное решение означало снижение разницы в оплате труда в ущерб главной цели. Компания все же выбрала более ценный для себя показатель – справедливость.

При постановке задачи нужно учитывать, что каждая организация не только отличается от других, но и стремится достичь конкретных результатов. Можно потратить много сил и пороха, чтобы исследовать пушку и рассчитать, при каких углах и каком количестве взрывчатого вещества она будет посылать снаряд дальше всего. Но если пушка нужна как осадное орудие и стрелять придется через крепостную стену, то исследование должно быть другим – с обязательным условием перелета 30-метрового препятствия. И тогда в баллистической таблице будут собраны другие значения угла наклона, порохового заряда и места расположения орудия. Если же осада предполагает разрушение крепостных стен, то исследование должно учитывать пробивную способность пушки – какого веса ядра она может использовать и сколько условных кирпичей в стене способна выбить при попадании.

Формирование списка гипотез

Упрощенно любое исследование в организации можно описать алгоритмом «методы качественные, количественные, качественные». Первым обычно идет «качественный» шаг: генерирование гипотез и определение, какие данные нужны для их проверки. Второй шаг – «количественный»: сбор данных и проверка гипотез. Третий – «качественный»: анализ подтвержденных гипотез и понимание причин их истинности.

Замеры вовлеченности в одной компании показали, что у опытных сотрудников этот показатель по неизвестной причине очень низкий. Одна из гипотез предполагала связь стажа и снижения вовлеченности. Проверка подтвердила гипотезу, но без знания, что за этой связью стоит, исследование нельзя было считать завершенным. На третьем шаге мы выяснили, что истинная причина проблемы в системе найма в компании. Сотрудники, которые считали себя опытными, знали, что компания принимает новичков, обещая им более высокую зарплату, чем у них. Они воспринимали такую несправедливость как нежелание удерживать опытных работников, что, разумеется, снижало их вовлеченность.

Хотя такой алгоритм кажется очевидным, управленцы-практики часто считают, что использовать его как системный незачем: проще обратиться к интуиции и своему опыту для выдвижения одной-двух конкретных гипотез, которые и надо сразу проверять. Проблема в том, что проверка каждой гипотезы подразумевает большую работу по сбору и анализу данных, то есть выполнение оставшихся шагов алгоритма. Если первая «гениальная» гипотеза оказалась неверной, нужно повторять все заново – опрашивать сотрудников, собирать объективные показатели, привлекать аналитиков. Это очень расточительно: проверка даже 50 гипотез займет слишком много времени и выводы устареют. Более технологичный и экономный подход – сразу сформулировать много гипотез и работать с ними, после чего собирать данные для всех гипотез и последовательно проверять каждую.

Разумеется, гипотезы, предлагаемые руководителями, обязательно нужно включать в список проверяемых: менеджеры, ставящие задачи подчиненным, лучше видят ситуацию в целом. Но нам нужен и внутренний взгляд – сотрудников, которых проблемы касаются как участников.

Мы изучали проблему высокой текучести в одной компании. Опрос менеджеров дал один набор версий: низкая зарплата, высокая конкуренция и прочее. Но увольняющиеся сотрудники на exit-интервью добавили в список грубость руководителей, несправедливое отношение и несколько совершенно неожиданных факторов. Еще больше информации дали интервью с бывшими работниками, уволившимися месяц назад или раньше, – они обычно более откровенны.

С процессом формирования гипотез на основе данных знакомы почти все наши современники, хотя не всегда это осознают. Поисковые интернет-сервисы, которыми все мы пользуемся, просто большие машины, занимающиеся анализом данных. Когда человек набирает запрос, «Яндекс» или Google ищет наиболее подходящий ответ в своей базе, которая постоянно обновляется, систематизируется и индексируется. Именно поэтому поисковик реагирует так быстро – у него заготовлено много условно подходящих гипотез ответа. Еще более наглядным этот процесс стал после развития нейронных сетей.

Поисковые системы предлагают не решения проблемы пользователя, а лишь гипотезы, которые могут подойти полностью, частично или не подойти вообще. Окончательное решение принимает человек.

Список идей для решения задачи следует пополнять всеми способами: брать гипотезы у сотрудников, в интернете, из общения с экспертами и нейросетями – из всех доступных источников. Очень важно не отметать ни одну, пока список не закончен. История знает много примеров, когда гипотеза, поначалу отвергнутая и даже осмеянная большинством, оказывалась лучшим решением.

Более того, нужно с осторожностью объединять близкие гипотезы, если они поступили из разных источников. Например, при исследовании поведенческих индикаторов респондент может по-разному оценить личные качества сотрудника, если в одинаковых вопросах используются разные слова, синонимы. Поэтому лучше в анкете оставить оба синонима, даже если смысл обоих почти идентичен.

Гипотезы можно брать из любых источников, но опрос «внешнего» и «внутреннего» круга, то есть руководителей и исполнителей, обязателен, поскольку топ-менеджеры и рядовые сотрудники нередко живут «в разных мирах». При составлении списка гипотез руководители могут объяснять текучесть тем, что в других местах платят больше, а уволившиеся рабочие жалуются, что устали выпрашивать запасные части и инструменты. То есть они ушли не из-за низкой зарплаты, как думали их менеджеры, а из-за необходимости заполнять гору бумаг на каждую деталь и потом ждать ее месяцами – и ситуация не менялась много лет. Руководители нередко выдвигают гипотезу о своей высокой требовательности – якобы сотрудники не выдерживают их напора. При этом рабочие жалуются не на суть требований, а на их форму: на грубость, брань, указания делать то, чего нет в должностной инструкции.

Было бы несправедливо утверждать, что менеджмент не знает своих работников, – знает, но по-своему. И нередко то, к чему руководители привыкли и что считают вполне нормальным, подчиненные не принимают.

Важно помнить, что формирование списка гипотез и их оценка – разные этапы, их нельзя смешивать. Вряд ли поисковики добились бы того же коммерческого успеха, если бы вместо длинного списка возможных ответов выдавали два-три, которые сочли наиболее подходящими. Но часто именно этим занимаются руководители, когда с ходу оценивают и отбрасывают гипотезы подчиненных. Сразу отметать идеи, которые показались слабыми, руководители привыкли из практических соображений. Им кажется, что каждая «маловероятная» гипотеза только отнимает время, требует выполнить ненужную работу с сомнительным результатом.

Когда список гипотез готов, необходимо определить, какие данные нужны для проверки каждой и как именно лучше всего эти данные собирать. Например, мы проверяем гипотезу о высокой текучести из-за низкой зарплаты. Нам нужны данные о зарплате уволившихся и оставшихся сотрудников (почему важно изучать обе группы, мы говорили выше).

Довольно часто проверка гипотез требует данных, которых не существует в готовом виде, их не получится просто откуда-то взять. Это означает, что необходимо решить отдельную задачу – как собрать конкретные данные в нужном количестве. Например, мы планируем проверить гипотезу, что лучшие результаты продаж у тех сотрудников, которые более коммуникабельны. Но у нас нет готовой базы, где отражался бы показатель «коммуникабельность». Значит, нужно решить, как определить уровень коммуникабельности каждого продавца, чтобы потом сравнить показатели более успешных продавцов и менее успешных.

Все эти действия относятся к «качественным» – творческим, и без них не обойтись. Хотя нередко часть информации собрать легко, обычно это не самые необходимые данные. Например, относительно просто проверить гипотезу, что мужчины лучше продают конкретный продукт, чем женщины. Но вряд ли эта гипотеза будет единственной в исследовании.

При оценке источников информации нужно исходить из того, что для исследования обязательно придется получать или доставать данные разными способами. В одних случаях удобнее брать информацию из учетных систем после необходимой доработки, в других – получать с помощью опросов.

В одном реальном исследовании проверяли гипотезу, что лучшие результаты показывают те продавцы, которые используют для презентации планшеты, а не бумажные буклеты. Чтобы ее проверить, можно было при помощи программного обеспечения фиксировать использование планшета для презентации, а затем выгружать полученные данные и сравнивать их с результатами продаж. Если гипотеза верна, то работник с 10 показами должен оказаться более результативным, чем с двумя. Но те же данные можно получить с помощью правильно составленного опроса.

Доработка программного обеспечения – обычно затратный, но вполне рабочий способ сбора данных. Его большое преимущество в том, что однажды настроенная система продолжает работать в полуавтоматическом режиме. Но полностью обойтись без опросов обычно не получается. Например, если мы хотим проверить, насколько формальная структура организации соответствует реальной, нам нужно узнать, действительно ли именно руководитель подразделения дает указания подчиненным. Такие данные можно собрать, только напрямую опрашивая сотрудников.

У объективных данных много плюсов, но зачастую собирать их тяжело и дорого, причем в итоге гипотеза, ради которой все затевалось, может не подтвердиться. К автоматизации и разработке программного обеспечения лучше переходить на этапе регулярной работы, когда гипотеза подтверждена, а данные нужны постоянно. Но во время исследования часто оказывается дешевле и проще опрашивать работников напрямую, чем заниматься разработкой или доработкой программного обеспечения.