Машина, платформа, толпа. Наше цифровое будущее

Наличие у МЭП множества отдельных пунктов предоставляет отличные возможности для эксперимента. Специалист по инновациям Стефан Томке и исследователь Джим Манци описывают[165], как универмаг Kohl’s запустил эксперимент, где было задействовано 100 торговых точек, чтобы узнать, вредит ли продажам открытие магазинов на час позже по выходным. Такое сокращение времени работы уменьшило продажи незначительно, что стало хорошей новостью для компании. Менее приятными были результаты другого эксперимента, затронувшего 70 магазинов Kohl’s, в котором исследовалось внедрение продаж мебели. Мебель занимала много пространства и располагалась вдали от остальных продуктов, поэтому общие продажи магазинов и потоки покупателей уменьшились. Хотя многие топ-менеджеры с оптимизмом смотрели на новую идею, компания решила следовать полученным результатам и отказаться от продажи мебели. Иногда бывает нереально применить новый метод одновременно во всех точках МЭП, но частичное внедрение естественным образом создает пространство для эксперимента. При минимуме планирования можно узнать очень много нового, сравнивая места, действующие по новому методу, и те, где работа идет по-старому.

Прогнозы и эксперименты нельзя автоматизировать так же просто, как это делается с принятием решений. Однако в них применяются данные и хорошо работает строгий анализ. Это основные инструменты Системы 2, а также второй эры машин. Так что Системе 1 и ее компонентам, интуиции, суждениям и личному опыту нужно отстраниться от прогнозирования как минимум настолько же, насколько, как мы выяснили ранее, это оправдано в случае с принятием хороших решений. Иными словами, HiPPO должны стать вымирающим видом в организациях.

Резюме

• Двадцать лет стандартного партнерства разума и машин показали, что мы нередко слишком сильно полагаемся на человеческие суждения, интуицию и чутье.

• Почему человеческие суждения так часто оказываются ошибочными? Потому что работа нашей быстрой, не требующей усилий Системы 1 подвержена различного рода искажениям. И самое плохое, она не осознает, что совершает ошибку, и вынуждает рациональную Систему 2 придумывать убедительные оправдания тому, что на деле является импульсивным решением.

• Есть более чем убедительные подтверждения того, что использование только данных и работающих с ними алгоритмов обычно приводит к лучшим решениям и прогнозам, нежели использование суждений даже самых квалифицированных экспертов.

• Многие решения, оценки и прогнозы, за которые сегодня отвечают люди, следует передать компьютеру. В ряде случаев для проверки действий машины здравым смыслом следует оставить человека, в прочих же случаях его нужно полностью отстранить от принятия решений.

• Впрочем, есть ситуации, когда субъективные человеческие суждения по-прежнему могут быть полезны, если перевернуть стандартное партнерство с ног на голову. В этом случае суждения нужно перевести в числовую форму и включить в количественный анализ.

• Принятие решений не должно использоваться для того, чтобы тешить самолюбие высокопоставленных персон. Его основная задача – выдавать наилучшие варианты действий, основанные на правильных целях и четких критериях.

• Алгоритмы далеки от совершенства. Если они имеют дело с неточными или искаженными данными, они будут выдавать ошибочные или контрпродуктивные решения. Эти искажения могут быть малозаметными и непреднамеренными. Алгоритмы нужно оценивать не по отсутствию в них недостатков, а по тому, превосходят ли они существующие аналоги по ключевым критериям и можно ли их со временем улучшить.

• По мере развития технологий мы откажемся от стандартного партнерства с его чрезмерным доверием высокопоставленным лицам в пользу принятия решений, основанных исключительно на данных. Факты говорят, что компании, следующие по этому пути, обычно имеют значительные преимущества перед конкурентами старого типа.

• Лучше всего работают люди, способные смотреть на проблему с нескольких точек зрения, и компании, которые предпочитают краткосрочное планирование и эффективно экспериментируют.

Вопросы

1. Отслеживаете ли вы, и если да, то насколько систематически и строго, те решения, оценки и прогнозы, за которые в вашей организации отвечают люди и компьютеры? Знаете ли вы, кто из них лучше справляется с работой?

2. В какой области вашей организации решения обычно принимают люди с высокой зарплатой? Почему?

3. Есть ли у вас возможность в какой-нибудь части организации перевернуть стандартное партнерство, чтобы субъективные оценки людей использовались в анализе на основе данных, а не наоборот?

4. Как вы думаете, у кого в целом больше необъективности – у алгоритмов или у людей?

5. Кого вы считаете более убедительным – лис или ежей?

6. Ваша организация обычно выполняет небольшое количество долгосрочных важных проектов или большое количество краткосрочных?

Глава 3. Наши почти разумные машины