Инструменты McKinsey. Лучшая практика решения бизнес-проблем

Как мы уже говорили в предыдущей части этой главы, у людей с навыками аналитического мышления возникает огромное искушение выполнять неактуальные, но интересные виды анализа. Подавляйте это стремление в своей команде, а особенно – в себе.

Далее вы должны разобраться, какие виды анализа принесут быструю победу, то есть легко выполнимы и при этом способны сделать большой вклад в подтверждение или опровержение начальной гипотезы. Иными словами, срывайте низко висящий фрукт. (На эту тему мы еще поговорим в главе 7.) Яркий пример такого мышления можно увидеть в рассказе Чакко Сонни из Savage Entertainment о том, как его команда выполняет важный этап в разработке любых компьютерных программ – поиск ошибок:

Несомненно, устранение ошибок – главный принцип обеспечения качества программ на ранних стадиях их тестирования. Мы не можем допустить, чтобы в выпускаемом продукте их осталось 20%, но правило «80/20»[10] действительно применимо в данном случае. Одна и та же ошибка в коде может вызывать ряд самых различных симптомов. Мы отслеживаем не абсолютно все проявления серьезной ошибки, а лишь 80% – этого достаточно для того, чтобы понять причины происходящего и решить проблему. На раннем этапе мы пытаемся выловить важнейшие ошибки, имеющие значительные последствия. А к концу процесса находим оставшиеся 20% проблем, что позволяет нам скорректировать продукт для продажи.

Сосредоточившись на самых выигрышных видах анализа и избегая ненужных, вы сможете многое успеть за краткий срок.

Забудьте об абсолютной точности. Мы подчеркиваем важность анализа фактов в принятии бизнес-решений. Поэтому может показаться, будто мы противоречим самим себе, говоря, что вам не нужна точность результатов анализа. Но правда в том, что бизнес по большей части не точная наука, в отличие от физики или математики. Чтобы решить, открывать ли новую фабрику, не нужен такой же уровень точности, как при открытии новой субатомной частицы. Более того, в большинстве случаев стремление к научному уровню точности для управленческих решений может стать помехой эффективной работе. Вы потратите слишком много времени и усилий и в результате можете даже перейти от правильного в целом ответа к неправильному. Помните об этом, определяя задачи анализа для своей проблемы.

Это особенно верно для перспективного анализа. Одно дело собирать данные за прошлый период для ответа на вопрос «Каков объем рынка данных приборов?», и совсем другое – на вопрос вроде «Какую рентабельность в следующие 10 лет имел бы новый завод по производству этих приборов в Верхнем Сандаски?». Ответ в последнем случае зависит от множества переменных, значение которых в данный момент невозможно предугадать: будущий спрос на эти приборы, появление новых конкурентов, изменение вкусов потребителей и т.д. Любая цифра, которую вы предложите, скорее всего будет неправильной. Поэтому в данном случае достаточно приблизительного ответа. Такой ответ, как правило, можно дать очень быстро, тогда как на погоню за иллюзорной точностью ушло бы гораздо больше времени.

Кроме того, вам будет легче провести анализ, если нужно быстро получить какой-то приблизительный ответ, чем при необходимости найти ответ с точностью до четвертого знака после запятой. Один бывший сотрудник McKinsey так отзывается об этом:

Я считаю, что приблизительный анализ невероятно полезен, потому что позволяет получить примерные цифры. Во многих случаях мне просто нужно знать, например, во сколько обойдется идея нового продукта: $5 млн., $50 млн. или $500 млн. А некоторым людям очень трудно с этим свыкнуться. Они думают: «Вот я скажу $50 млн., а вдруг окажется $75 млн.?» Да это для меня не важно! «Но это же ошибка на 50%!» – говорят они. Я отвечаю, что эта цифра гораздо лучше, чем ее полное отсутствие.