Управление на основе данных. Как интерпретировать цифры и принимать качественные решения в бизнесе

взаимосвязи между показателем индекса массы тела и вероятностью инфаркта. Мы можем быть уверены, что инфаркт не повышает индекс массы тела, так что В не является причиной А. Кроме того, этот эффект по-прежнему присутствует, когда все остальные переменные (генетический набор, стресс на работе и тому подобные) остаются постоянными. И эта взаимосвязь проявляется с течением времени во многих местах.

У вас вряд ли хватит времени, денег или массива данных, чтобы установить причинно-следственные отношения между абсолютно всеми аспектами и показателями вашего бизнеса. Но есть два неформальных теста, которые вы можете провести.

• Проверка практикой: если кто-то говорит вам, что А становится причиной В, может ли этот человек привести убедительные доказательства, что так оно и есть? Если никто не может дать достаточно достоверного объяснения, скорее всего, есть еще какой-то фактор.

• Проверка на повторяемость: если, как вам кажется, вы обнаружили закономерность, обратите внимание, повторится ли она в следующем месяце или в другом вашем офисе или с другими клиентами.

Некоторые причинно-следственные отношения интересны, но не важны. Если вы установили, что А становится причиной В, от этой информации мало пользы, так как вы не можете изменить фактор, вызывающий этот эффект. Поручив выполнение задачи лучшим сотрудникам, вы можете быть уверены по крайней мере в том, что она будет исполнена в срок, при этом вы не можете повысить уровень надежности, поручив им больше работы, так как ваши сотрудники и так загружены. Вам придется найти другую причинно-следственную связь, на которую вы можете как-то повлиять: нанять новых сотрудников, инвестировать в обучение персонала или более эффективно делегировать рабочие задачи.

На практике бывает довольно сложно отличить корреляцию от причинно-следственных отношений, но не нужно быть специалистом по эконометрике, чтобы принимать более качественные решения. Просто примените два описанных выше теста, а затем решите, можете ли вы что-то сделать. И если вы едите много сыра, постарайтесь не запутаться в простынях, когда отправляетесь ко сну (шутка!).

21. Когда информации слишком много

Как избежать ступора при анализе огромного количества данных?

В середине нулевых Netflix[20] объявила о призе в миллион долларов любому, кто повысит эффективность рекомендательного алгоритма компании на 10 %. Специалисты по работе с данными со всего мира принялись за работу. Через три года, 21 сентября 2009 года, приз получила команда под названием BellKor’s Pragmatic Chaos.

Как им это удалось? Вот что говорится в статье, опубликованной одним из членов команды Йехудой Кореном: «На основе архитектуры ограниченной машины Больцмана (RBM) мы применили новую модель RBM с повышенной точностью путем обусловливания видимых элементов…»

Однако давайте прежде всего обсудим, почему это стало такой проблемой. Компания Netflix предлагает несколько тысяч фильмов и телевизионных шоу, поэтому ей сложно прогнозировать, что конкретному пользователю понравится больше всего. Когда вы совершаете покупки в интернет-магазине Amazon или на похожих сайтах, у вас есть подсказка в виде рекомендаций: «Пользователи, купившие этот товар, также покупают…» Для компании Netflix этот способ слишком ненадежный, так как ее пользователи выбирают, как они проведут целый вечер. Когда вы заходите на сайт Netflix, компания должна предложить вам идеальный фильм именно для вас, основываясь на имеющихся о вас знаниях: как правило, это какие кинокартины вы смотрели до этого, как вы их оценили, насколько часто вы выбираете фильмы одной категории, а также некоторые общие факты, например где вы территориально находитесь и какое у вас время суток.

Научная сторона вопроса

Эта проблема не кажется особо сложной, пока ее не пытаются решить. Тогда вдруг выясняется, что количество разных сочетаний этих переменных исчисляется миллиардами. При этом компания Netflix не исключение. Большинство решений, которые нам приходится принимать в реальной жизни, очень похожи: например, на работе вы получаете задачу изменить что-то, при этом зачастую вы ставите перед собой конкретную цель, которой хотите добиться. Хотя, к сожалению, вряд ли вам предлагают миллион долларов за улучшение работы на 10 %. Мы изучили взаимосвязь, свойство двух переменных, на основании которого делается прогноз. Когда мы говорим: «чем больше этого, тем больше будет этого», в простейшем математическом виде это выглядит так:

y = a + bx.

Это уравнение наклонной прямой. Можно измерить (или наблюдать) значение х, умножить его на b, прибавить а и получить значение y (специалисты по прогнозированию также могут использовать логарифм х или квадрат х или применять другие приемы, но это приводит только к усложнению). Линия наилучшего соответствия, проходящая через все точки (речь об этом уже шла в части 2), показывает, насколько нужно увеличить значение х, чтобы добиться увеличения значения y. В 2010 году британское правительство использовало этот метод, чтобы рассчитать, что повышение пошлин на сигареты (х) на 1 % приведет к увеличению суммы налоговых сборов (у) на $33 млн.

В реальной жизни подобной точности не бывает никогда. Поэтому при построении прогнозов на основании фактов уравнение будет выглядеть скорее следующим образом, когда мы учитываем множество разных факторов, влияющих на значение y, но не можем измерить их все:

y = a + b₁x₁ +b₂x₂ +… + погрешность.

В данном случае «погрешность» не означает, что вы сделали ошибку, это просто способ обозначить совокупность всех других факторов, которые могут оказывать влияние на значение y, которые вы не смогли измерить, и игнорировать их. Желательно, чтобы эта погрешность была минимальной, но она необходима для анализа всех плюсов и минусов, потому что обычно нас интересует: «А если мы добавим немножко этого, то что получится?» В случае с расчетами британского правительства можно было игнорировать другие факторы, влияющие на повышение сбора налогов при повышении пошлины на сигареты на 1 %, но можно предположить, что правительство не получило бы дополнительные налоговые сборы в объеме $330 млн, если бы подняло пошлину на сигареты на 10 %. Скорее всего, это привело бы к тому, что покупатели ограничили бы свои расходы, бросили курить вообще, начали бы покупать табак, который не облагается таможенной пошлиной, и так далее. Мы свели принятие решения к вероятному влиянию одного фактора на другой единственный фактор.

Стоит ли идти в бар?

Когда я решаю, хочу ли я вечером пойти в бар, это зависит от многих обстоятельств. Я думаю, а кто еще пойдет, а в какой именно бар. Кроме того, это зависит еще от погоды, от того, насколько тяжелым у меня выдался день на работе, от моего финансового положения, от расположения бара и так далее.

При этом мы чудесным образом постоянно принимаем решения и обходимся без построения графиков и диаграмм. Часто мы успешно справляемся с выбором фильма, который хотим посмотреть, и без помощи рекомендательного алгоритма компьютера. В реальной жизни мы воплощаем несовершенную версию уравнения y = a + bx на основе эвристических правил[21], навешиваемых ярлыков, которые действуют быстро, но не всегда правильно. Например, нам попадается плохой фильм или мы скучаем на вечеринке, и мы сожалеем о том, что не выбрали что-то другое. «А ведь казалось, что это такая замечательная идея, – думаем мы. – Ну ладно, учту на будущее». Эвристическое правило оказалось не на высоте. Мы сделали вывод из ситуации и изменили наше отношение, чтобы в следующий раз поступить иначе.

В бизнесе эвристический подход выражается в том, что вы поддерживаете какие-то решения скорее потому, что они кажутся вам удачными, а не потому, что вы опираетесь на проверенные факты. Если опираться только на факты, то можно завязнуть на стадии анализа данных. Так как же научиться принимать хорошие решения, даже если у вас нет степени по эконометрике?

1. Если какое-то решение очевидно,