Лягушка в кипятке и еще 300 популярных инструментов мышления, которые сделают вас умнее

Симуляции по методу Монте-Карло используются почти во всех областях науки. Но они полезны и за ее пределами. Например, венчурные капиталисты часто используют эти симуляции чтобы определить, какой капитал зарезервировать для будущего финансирования. Когда венчурный фонд инвестирует в компанию, эта компания в случае успеха, вероятно, заработает больше денег в будущем, и фонд захочет отчасти финансировать ее, чтобы сохранить свой процент владения. Сколько денег ему зарезервировать для этой компании? Не все компании достигают успеха и собирают разные суммы, так что ответ не так однозначен во время первоначальной инвестиции. Многие фонды используют симуляции по методу Монте-Карло, чтобы понять, сколько им нужно резервировать, учитывая их текущую историю, подсчеты успешности компании и размер потенциального финансирования.

В более общем плане попытка понять сложные системы с помощью системного мышления – диаграмм, симуляций или других ментальных моделей – помогает не только получить общее представление о системе и о диапазоне результатов в ней, но также узнать наилучшие возможные результаты. Без такого знания вы застрянете в погоне за локальным оптимумом – решением, которое, возможно, и хорошее, но не лучшее.

Если есть возможность, вам следует стремиться к наилучшему решению, которое будет глобальным оптимумом.

Подумайте о катании с горки: вам подойдет и ближайшая горка (локальный оптимум), но вдалеке есть высокий холм, который намного удачнее (глобальный оптимум). Вам нужно дойти до того высокого холма.

Но для начала нужно получить полное представление о системе, чтобы понять, что высокий холм существует.

Локальный и глобальный оптимум

Адаптировано из Шившанкер Сингх Патель, «локально оптимальный успех {ordinals of life 2.0}», Destiny exiles me, 16 мая 2013 года, http://destinyexilesme.blogspot.com/2013/05/local-optimal-sucessordinals-of-life-20.html.

Остерегайтесь неизвестного неизвестного

В 1955 году психологи Джозеф Люфт и Харрингтон Ингам придумали идею неизвестного неизвестного, которую популяризовал бывший министр обороны США Дональд Рамсфелд на брифинге 12 февраля 2002 года.

Джим Миклашевский[70]: «Что касается Ирака, оружия массового уничтожения и террористов, есть ли доказательства того, что Ирак пытался или был готов предоставить террористам оружие массового уничтожения? Ведь есть информация, что нет никаких доказательств прямой связи между Багдадом и некоторыми из этих террористических организаций».

Рамсфелд: «Сообщения, в которых говорится, что чего-то не произошло, всегда мне интересны, потому что, как мы знаем, есть известное известное – это то, что мы знаем, что знаем. Мы также знаем, что есть известное неизвестное – то есть мы знаем, что чего-то не знаем. Но есть также неизвестное неизвестное – мы не знаем, что не знаем этого. И если взглянуть на историю нашей страны и других свободных стран, именно последняя категория приносит больше всего сложностей».

Не будем обсуждать контекст и уклончивость этого диалога, но модель, лежащая в его основе, полезна для принятия решений. Когда вам предстоит делать выбор, покажите в виде удобной матрицы 2 × 2, все что вы знаете и не знаете.

Известное и неизвестное

Эта модель особенно эффективна, если систематически оценивать риски, например для успеха проекта. Каждая категория заслуживает внимания и осмысления.

 Известное известное: это риск для кого-то другого, но не для вас, поскольку у вас уже есть опыт решения этого вопроса. Например, проект требует технологического решения, но вы уже знаете, что это за решение и как его реализовать. Вам просто нужно исполнить этот известный план.