Полученные уроки и иллюстрации внедрения. Сбор данных. Сбор данных. Сбор данных. Сбор данных. Сбор данных. Сбор данных

 

В других организациях большинство бывших сотрудников McKinsey имеет гораздо меньше времени для анализа, чем в Фирме. Но приобретенные ими навыки разработки планов анализа помогают им и на новом месте работы получать факты, необходимые для обоснования их решений. Мы свели их опыт к четырем урокам:

– Старайтесь, чтобы гипотеза определяла анализ.

– Правильно расставьте приоритеты.

– Забудьте об абсолютной точности.

– Применяйте к трудным проблемам метод триангуляции.

 

Старайтесь, чтобы гипотеза определяла анализ. При планировании анализа вам придется найти нужный баланс между интуицией и поиском фактов. Раньше в McKinsey не было места интуиции; но, по некоторым признакам, в эпоху «новой экономики» даже Фирма начала прибегать к этому способу принятия решений в возникших «на пустом месте» новых областях. А в некоторых организациях вообще предпочитают полагаться только на интуицию, особенно при нехватке времени. Один бывший сотрудник McKinsey заметил на этот счет: «Люди понимают, что для формирования гипотезы нужно ориентироваться на ожидаемый результат: разобраться, к чему надо прийти, и определить, верен ли избранный путь. Но часто они не хотят тратить время на небольшие проверки правильности своих решений». Однако мы все же убеждены, что интуицию обязательно должен дополнять анализ фактов, чтобы основание для ваших решений было прочным.

Чтобы найти нужный баланс, вы должны ориентироваться на качество, а не количество. Как говорит Джеймс Дж. Уэлан из L, G, & E Energy, «фокусирование при анализе важнее, чем масштаб, и возможно оно только при правильном структурировании проблемы в самом начале». Как говорилось в главе 1, если вы правильно разработали дерево вопросов, то сразу понимаете, какие виды анализа вам нужны. Разделив проблему на вопросы, а вопросы – на подвопросы, в какой-то точке при спуске по этому дереву – на два или на двенадцать уровней ниже – вы получаете набор вопросов, на которые можно ответить «да» или «нет» (например: «Принесет ли этот продукт доход? Есть ли у нас навыки для внедрения новой программы? Не противоречит ли она закону?»). Отвечая на них, вы сформировали начальные гипотезы; теперь пора подтвердить или опровергнуть их путем анализа фактов.

Еще один способ сосредоточиться на нужных вещах – постоянно помнить о конечной цели, как рекомендует Джефф Сакагучи из Accenture:

 

Мы проходим процесс, состоящий из постановки вопросов, подвопросов, выдвижения гипотез, сбора данных и их анализа, подготовки отчета, и этот процесс помогает понять, каким, скорее всего, будет итог. Благодаря этому мы не тратим силы на те виды анализа, которые не относятся напрямую к выполняемой задаче, даже если они интересны и стимулируют интеллект. Если начать заниматься ненужным делом, можно очень быстро прийти к поражению.

 

Джефф указывает, что есть реальная опасность увлечься «анализом ради анализа». При обилии данных может быть интересно поиграть с ними, изучая так и этак. Но если все это не направлено на то, чтобы подтвердить или опровергнуть вашу гипотезу, вы тратите время впустую.

Правильно расставьте приоритеты. Когда к заключению требуется прийти в сжатые сроки, а ресурсы для решения проблемы ограниченны, нужно разобраться, какие виды анализа жизненно необходимы, а какие – просто «гарнир». Здесь, как и в самом начале работы, вы должны разобраться, чего не надо делать. Когда направление задано гипотезой, вы легко избежите лишней работы.

Это особенно верно для малых компаний с ограниченными ресурсами. Они не могут позволить себе пытаться «вскипятить океан». Об этом свидетельствует Боб Бухсбаум, ныне СЕО компании по продаже художественных материалов Dick Blick Holdings:

 

Ищите путь наименьшего сопротивления – в этом вам помогут гипотезы; делайте предположения и получайте ответы, которые верны по своему направлению. У нас в McKinsey говорили: «Данных и времени всегда не хватает», и я всегда понимал это как «Не медлите». Компания у нас небольшая (доходы составляют $90 млн.), и мы не можем пренебрегать этими уроками. Я снова и снова не даю людям разработать «объединяющую теорию» компании.

 

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.

 

Как мы уже говорили, некоторые люди стремятся провести все существующие виды анализа; а другие стараются непременно получить ответ с точностью до четвертого знака после запятой. Нарас Ээчамбади, основатель и СЕО компании Quaero, Inc., которая предоставляет маркетинговые консультации с помощью информационных технологий, знаком с этой ситуацией изнутри:

 

Я нанимаю много людей с ученым званием, и мне приходится чуть ли не запрещать им рассматривать все модели распределения ошибок в данных. Одно дело, когда речь идет о здравоохранении и ошибка может стоить людям жизни. И совсем другое – маркетинг: мы просто пытаемся подзаработать. Так что давайте не будем долго раскачиваться, а возьмемся за практическую работу, не зацикливаясь на нюансах.

Можно долго повышать точность своих моделей развития, но в итоге этот процесс приносит все меньше пользы или тормозит срок выхода на рынок. Нам нужна не идеальная модель, а просто то, что лучше имеющегося у нас сегодня. Давайте сначала заработаем какие-то деньги, а потом, по ходу дела, будем совершенствовать свою модель.

 

Еще раз повторим: подавляйте в себе и в своей команде желание излишне увлечься данными, потому что оно будет стоить вам денег и времени.

Применяйте к трудным проблемам метод триангуляции. В геодезии и картографии триангуляция – метод определения точного местоположения неизвестной точки путем выполнения измерений с двух известных. Вы можете прибегнуть к аналогичной технике, когда у вас очень мало информации о проблеме (а в бизнесе так бывает очень часто). В какой-то момент вы столкнетесь с вопросом, который на первый взгляд не имеет ответа. Причины бывают разные: например, нужные данные являются коммерческой тайной вашего злейшего конкурента, или вы идете по совершенно новому пути в своей отрасли, или что-то еще превратило этот вопрос в такой крепкий орешек. Не отчаивайтесь. Скорее всего вы сможете придумать какие-то виды анализа, которые позволят нащупать хотя бы вероятные рамки ответа. Опять-таки, если вы идете в верном направлении и правильно определили примерный порядок величины, скорее всего этого будет достаточно для решения.

Чтобы показать, как применять эту методику, приведем пример бывшего сотрудника McKinsey, работающего сейчас в GlaxoSmithKline, – Пола Кенни. Ему нужно было определить размер потенциального рынка для будущего лекарства против заболевания, которое большинство докторов пока что даже не признает:

 

Мы рассматриваем расстройство, выражающееся в резко сниженном половом влечении – в основном среди женщин. Оно пока что еще не признано как болезнь. Его определили психиатры, но такой диагноз ставят очень редко; терапевты, наверное, даже не слышали о нем. С точки зрения фармацевтики оно открывает возможность разработки препарата, схожего с виагрой, но для женщин. Пока что информации о таком средстве нет.

 

Не обескураженный трудностями, Пол стал искать аналогичные ситуации, которые могли бы пролить свет на проблему:

 

Мы пытались провести какие-то параллели с виагрой для мужчин, ведь здесь есть очевидная связь. Но в основном мы ищем аналогии как с другими половыми расстройствами, так и с тем, что можно назвать проблемами стиля жизни, – скажем, ожирением и другими болезнями. Может быть, эти аналогии пригодятся при составлении экономического обоснования необходимости разработки препарата.

 

Найдя полезные аналогии, Пол стал искать, какие глубокие выводы можно из них сделать:

 

Одно из препятствий для исследований – нежелание пациентов признать, что у них есть это расстройство. Многие ли станут говорить об этом со своим врачом? Пока что никто не поднимает эту тему, так что ничью историю болезни нельзя взять как пример. Конечно, до появления виагры гораздо меньше мужчин обращались к врачу по поводу нарушений эрекции. Относятся ли женщины к этой стороне своей жизни так же, как мужчины, – все еще открытый вопрос.

Если же взять психический аспект, то можно провести параллель с ожирением: пациентов неудержимо тянет к еде, или они едят по привычке, или им только кажется, что они хотят есть; но многие ли признают, что их ожирение – психическое расстройство?

Чтобы применить метод триангуляции для получения возможных цифр, мы прибегаем к различным аналогиям. Вряд ли мы угадаем точные цифры, но мы надеемся рассчитать хотя бы приблизительные.

 

Как видите, Пола вовсе не беспокоит, что он никогда не придет к «самому правильному» ответу. Он просто пытается установить верхний и нижний предел размеров предполагаемого рынка, так как этого диапазона будет достаточно, чтобы решить, заниматься ли этим проектом.

 

Указания по внедрению

 

Разрабатывая свой анализ, помните о его конечном продукте: своем рабочем плане. Полный рабочий план включает все вопросы и подвопросы, которые были определены при структурировании начальной гипотезы. По каждому из них вы должны перечислить следующие элементы:

– ваши предположения относительно ответа;

– виды анализа, которые должны подтвердить или опровергнуть эти предположения (в порядке приоритетности);

– данные, которые нужно проанализировать;

– вероятные источники данных (например, результаты переписи населения, проведения фокус-групп, интервью);

– краткое описание вероятного результата данного этапа анализа;

– имя сотрудника, ответственного за данный этап (вы или участник вашей команды);

– сроки получения результатов.

 

Оформление плана не обязательно должно быть красивым или формализованным. Подойдет и запись от руки, главное, чтобы она была разборчивой.

В качестве примера вернемся еще раз к Acme Widgets. В предыдущей главе ваша команда как раз закончила составлять дерево вопросов. Мы детализировали одну из ветвей этого дерева, а именно подвопрос «Можем ли мы осуществить нужные изменения?», разделив его на еще более мелкие подвопросы, требующие ответов «да» или «нет». В табл. 2-1 показан возможный рабочий план по изучению этой ветви.

Следуя приведенному выше списку элементов разработки анализа, мы начинаем с записи главного вопроса и предположительного ответа. (Мы предпочитаем записывать ответ сразу после вопроса, хотя его вполне можно поместить в отдельном столбце.) Определяющий вопрос размещается, естественно, наверху. Под ним сделайте отступ и перечислите подвопросы, а затем сделайте то же самое с под-подвопросами и т.д. Таким образом, за вопросом «Требует ли новый процесс специального оборудования?» идет подвопрос «Если новый процесс требует специального оборудования, можем ли мы его приобрести?».

Далее перечисляются виды анализа, которые нужно выполнить. В этом примере их немного, но могло быть и больше. Например, можно было бы составить схему, иллюстрирующую технические требования нового производственного процесса. Это было бы полезно, даже интересно, но не обязательно: кому-то пришлось бы потратить время на составление красивой картинки, а не на подтверждение или опровержение гипотезы. Поэтому составление схемы процесса не попало в окончательный план (как и ряд других возможных видов анализа).

Сейчас мы лишь кратко коснемся данных и их источников, так как эта тема будет подробно рассматриваться в главе 3. Перечисление нужных видов данных и их возможных источников помогает раскрыть все аспекты, так что уменьшается вероятность упустить богатый источник информации. Кстати, вы заметили, как часто мы упоминаем в этой связи интервью? В главе 3 они рассматриваются подробнее.

 

Табл. 2-1. Рабочий план для вопроса из дерева вопросов Acme Widgets

Описание вероятного конечного результата должно быть кратким (как в примере выше), чтобы оно могло служить отправной точкой для обсуждений в команде. В McKinsey менеджер проекта объясняет каждому участнику команды его часть рабочего плана и ожидаемый результат (а иногда и набрасывает примерный шаблон результата, чтобы направить работу в верное русло, особенно если у консультанта мало опыта).

Само собой разумеется, нужно распределять обязанности, иначе анализ не будет выполнен на должном уровне и в заданные сроки. Мы рассмотрим подробнее вопрос правильного распределения задач (и привлечения нужных людей в вашу команду) в главе 6. Пока скажем только, что обычно имеет смысл поручать каждый отдельный сегмент анализа, например каждый подвопрос, одному человеку; но это не обязательное условие. Поэтому в нашем примере Том займется ответом на вопрос «Требует ли новый процесс специального оборудования?», а Белинда будет определять, сможем ли мы приобрести такое оборудование; но один элемент ее сегмента анализа поручается Терри. Почему? Дело в том, что Терри – наш финансовый эксперт и строит общую финансовую модель проекта, так что именно ему имеет смысл поручить анализ рентабельности.

Со сроками получения результатов тоже все понятно. Конкретность дат помогает членам команды понять, что и когда от них требуется, и позволяет выстроить общий ход проекта – с начала до конца. Некоторым нравится более подробно отслеживать даты с помощью диаграмм Ганта или других инструментов управления проектом. Это уже на ваше усмотрение.

В нашем примере каждый вид анализа более-менее точно стыкуется со следующим. Но иногда в результате какоголибо исследования может оказаться, что не нужно проводить целый ряд других, вытекающих из него. Например, если анализ подтверждает нашу начальную гипотезу о том, что специальное оборудование не нужно, то вопрос, можем ли мы его приобрести, отпадает сам собой. Поэтому по возможности составьте план так, чтобы ответить на ключевые вопросы в первую очередь. Конечно, иногда вы не можете позволить себе роскошь дожидаться результатов одного анализа, прежде чем начинать следующий. Но используйте все возможности избавиться от лишней работы.

Хороший рабочий план не только устанавливает требования к команде и организует вашу жизнь на следующие несколько недель, но и помогает структурировать мышление. Проверяя ход дел, записывая все виды анализа, определяя приоритетные направления и удаляя ненужные, вы быстро увидите, есть ли в вашей начальной гипотезе «дыры», которые не были обнаружены на этапе структурирования. Один из бывших сотрудников так описал этот процесс:

 

Вот одна из самых важных вещей, которые я узнал: побеждает тот, кто первым записывает идею. А если ее не удается записать, это означает одно из двух: или вы ее нечетко осознаете, или это плохая идея. Многие говорят: «У меня была отличная идея, просто я не записал ее, но точно знаю, что хочу сделать». Повторяю: запишите ее.

 

Иногда даже сам процесс планирования работы заставляет изменить структуру анализа. Мы подробнее рассмотрим цикличный характер отношений между гипотезой и анализом в главе 4. А пока что помните, что ваша начальная гипотеза – тесно связанный с реальной жизнью документ, постоянно подпитывающий ваш анализ.

 

Упражнения

 

– В главе 1 мы показали часть дерева вопросов компании Acme Widgets, относящуюся к вопросу «Можем ли мы осуществить нужные изменения, чтобы использовать новый процесс?». В данной главе мы представили рабочий план для подвопроса «Требует ли этот процесс специального оборудования, которого у компании нет?». Теперь составьте рабочий план для другого подвопроса: «Требует ли процесс особых навыков, которыми работники компании на данный момент не обладают?» Помните: если ответ – «да», придется ставить дополнительные вопросы.

 

Заключение

 

Когда приходит время подтвердить начальную гипотезу, хорошо продуманный план анализа помогает решить нужные задачи, не теряя времени. Вы с командой будете знать, что и когда сделать, где найти информацию. Процесс планирования работы также поможет вам сверяться с реальностью, чтобы избегать бесплодных умствований. Некоторым этот процесс может показаться проявлением излишней дотошности, но мы очень его рекомендуем, а бывшие сотрудники McKinsey могут подтвердить его пользу применительно к своим новым организациям.

Составив рабочий план, пора заполнять выявленные пробелы – а для этого нужны недостающие факты. В следующей главе мы ознакомим вас со стратегиями и техниками сбора данных для анализа.

 

 

Сбор данных

 

Разработав начальную гипотезу и определив, какие виды анализа нужны для ее подтверждения, переходите к рутинной, но крайне важной задаче: сбору данных для анализа. Неутолимая жажда фактов – один из характерных признаков консалтинга в стиле McKinsey, а сбор данных входит в число самых важных навыков ее сотрудников; чтобы убедиться в этом, спросите любого консультанта, проработавшего в Фирме хотя бы полгода. Из интервью с бывшими сотрудниками McKinsey мы также знаем, что в других организациях это направление работы можно было бы значительно улучшить. Описывая свою модель во введении, мы говорили о необходимости сбалансированного сочетания анализа данных и интуиции, зная, что многие повседневные решения в бизнесе недостаточно аргументируются фактами, в то время как в Фирме с самого момента ее основания такая аргументация обязательна и ей уделяется огромное внимание.

В данной главе мы погрузимся в мир сбора данных. В первой ее части мы начнем с обзора стратегий исследований, а затем поделимся успешными техниками их проведения – «сбора данных с умом», как выразился один бывший сотрудник McKinsey. Потом мы рассмотрим конкретные инструменты исследований, которые широко признаны лучшей практикой и в Фирме, и за ее пределами. Хотя может показаться, что некоторые из этих инструментов вам уже знакомы, их успешное применение в условиях ограниченных ресурсов – непростая задача, которую приходится решать постоянно.

Во второй части этой главы мы рассмотрим один из самых важных инструментов McKinsey по сбору данных – интервью. Наши проверенные техники и полезные секреты повысят ваши шансы обнаружить крупицы полезной информации и помогут значительно улучшить качество ваших решений.

И наконец, мы включили сюда часть об управлении знаниями (knowledge management, KM). Это одна из самых актуальных на сегодня тем в бизнесе. Мы опишем эффективные стратегии и инструменты КМ, а также приведем примеры того, как бывшие сотрудники McKinsey успешно преобразовали деятельность по управлению знаниями в других организациях.

Мы хотели написать отдельный раздел о том, как сделать исследования увлекательным процессом, но, к сожалению, не смогли найти для этого достаточно фактов и поэтому сосредоточились только на том, чтобы облегчить вам этот трудоемкий процесс.

 

⇐ Предыдущая12345678910Следующая ⇒

Поделиться: