Smart Management

Эвристика беглости объясняет, почему быстрые решения могут быть лучше. Она также объясняет ситуации, в которых это происходит: требуется значительный опыт, поэтому лучший вариант приходит на ум первым. Эвристика беглости приводит экспертов к правильным решениям, но не новичков, которым не хватает знаний и опыта. Спортсмены-эксперты склонны доверять своей быстрой интуиции и ценят их способность быстро принимать решения. В бизнесе, напротив, процветает культура недоверия к быстрым и интуитивным решениям, которая в первую очередь воспитывается в бизнес-школах. Культура многих компаний рассматривает медленное принятие решений как достоинство. Руководитель может показать, что он хорошо принимает решения, принимая их медленно. Таким образом, даже если опытные руководители обладают хорошей интуицией, например, в отношении того, в какой проект инвестировать, они часто не принимают решение сразу. Вместо этого они могут продолжить обсуждение, попросить своих сотрудников провести длительный анализ или даже нанять дорогостоящих консультантов, чтобы обосновать решение, которое они уже приняли быстро и интуитивно. Это увеличивает задержки и расходы; что еще хуже, этот процесс может привести к замене первого и лучшего варианта на худший. Негативные культуры ошибок, в которых сотрудники боятся наказания за ошибки и избегают рисковать ради компании, усугубляют эту тенденцию и приводят к замедлению и даже полному отказу от принятия решений (более подробно этот момент рассмотрен в главе 11). Напротив, готовность к быстрому принятию решений более развита в семейных предприятиях и быстро развивающихся технологических компаниях.

Таким образом, компромисс между скоростью и точностью не всегда верен в неопределенном мире. В частности, эксперты, полагающиеся на эвристику беглости, могут принимать решения, которые являются одновременно быстрыми и точными.

Умные эвристики экономны и точны

Второе преимущество эвристики - ее экономность. То есть они используют мало информации, часто всего одну подсказку. Широко распространенным, хотя и неверным объяснением того, почему люди используют эвристику, является компромисс между усилиями и точностью: использование эвристики снижает усилия, но уменьшает точность. 25 Такой компромисс является общей характеристикой ситуаций риска, но он не применим к ситуациям неопределенности, где эвристика может сэкономить усилия и одновременно привести к более точным решениям, чем более трудоемкие стратегии. Это поразительное преимущество называется эффектом "меньше - больше".

Рассмотрим компании, стремящиеся предсказать, кто из их прежних клиентов продолжит совершать покупки. Опытные менеджеры полагаются на простое правило:

Эвристика перерыва: если клиент не совершал покупок в течение x месяцев, он классифицируется как неактивный, в противном случае - как активный.

В компаниях розничной торговли и авиакомпаниях перерыв часто составляет x = 9 месяцев. Исследования двадцати четырех компаний показали, что будущие покупки предсказываются с помощью этой эвристики более точно, чем с помощью методов машинного обучения (например, случайного леса) и сложных маркетинговых моделей, использующих дополнительные переменные-предикторы и вычислительные мощности. 26 Менеджеры используют эвристику перерыва не потому, что хотят сэкономить усилия за счет точности, а потому, что эвристика позволяет им принимать более точные решения с меньшими усилиями.

Почему эвристика хиатуса так хорошо работает на основе единственной подсказки? Принято считать, что чем больше данных и вычислительных мощностей, тем лучше предсказания. Однако в условиях неопределенности наличие большего количества данных не всегда является хорошей идеей. В частности, если нужно предсказать будущее, а будущее не похоже на прошлое, то тонкая настройка на основе прошлого приводит к чрезмерной подгонке, то есть к проецированию тенденций прошлых данных на будущее, где они уже не действуют. Таким образом, когда компания создает сложную модель для прогнозирования будущих покупок с использованием огромного количества данных о клиентах, она рискует получить чрезмерную подгонку: Модель успешно "объясняет" прошлые покупки, но не может предсказать будущие.