ابر پیش بینی: چگونه قضاوت شرکت خود را ارتقا دهیم

ابر پیش بینی: چگونه قضاوت شرکت خود را ارتقا دهیم

Superforecasting: How to Upgrade Your Company’s Judgment

نویسندگان: Paul J. H. Schoemaker and Philip E. Tetlock

سال انتشار: 2016، مجله کسب و کار هاروارد

 

تصور کنید که می توانید به طور چشمگیری توانایی پیش بینی شرکت خود را بهبود بخشید، اما برای انجام این کار باید نشان دهید که پیش بینی های شرکت و افرادی که آنها را انجام می دهند چقدر غیرقابل اعتماد هستند. این دقیقاً همان کاری است که جامعه اطلاعاتی ایالات متحده انجام داد، با نتایج چشمگیر. در اکتبر 2002، شورای اطلاعات ملی نظر رسمی خود را مبنی بر اینکه عراق دارای سلاح های شیمیایی و بیولوژیکی است و فعالانه سلاح های کشتار جمعی بیشتری تولید می کند، صادر کرد. البته، آن قضاوت به شدت اشتباه بود. بوروکراسی 50 میلیارد دلاری که از شکست اطلاعاتی خود متزلزل شده بود، تصمیم گرفت تا تعیین کند که چگونه می تواند در آینده بهتر عمل کند و متوجه شد که این فرآیند ممکن است کمبودهای سازمانی آشکار را نشان دهد.

برنامه تحقیقاتی حاصل شامل یک تورنمنت پیش‌بینی چند ساله در مقیاس بزرگ، به رهبری یکی از ما (فیل)، به نام پروژه قضاوت خوب بود. سلسله مسابقاتی که هزاران آماتور را در مقابل تحلیلگران باتجربه هوش قرار داد، سه بینش شگفت‌انگیز ایجاد کرد: اول، ژنرال‌های با استعداد اغلب در انجام پیش‌بینی‌ها از متخصصان بهتر عمل می‌کنند. دوم، آموزش با دقت طراحی شده می تواند تیزبینی پیش بینی را افزایش دهد. و سوم، تیم هایی که به خوبی اداره می شوند می توانند از افراد بهتر عمل کنند. این یافته‌ها پیامدهای مهمی برای روشی که سازمان‌ها و کسب‌وکارها نتایج نامطمئن را پیش‌بینی می‌کنند، از جمله اینکه چگونه رقیب به عرضه محصول جدید واکنش نشان می‌دهد، میزان درآمدی که تبلیغات ایجاد می‌کند، یا اینکه آیا استخدام‌های احتمالی عملکرد خوبی خواهند داشت، دارد.

درباره قضاوت پروژه خوب

در سال 2011، فیلیپ تتلاک با باربارا ملرز از مدرسه وارتون همکاری کرد تا پروژه قضاوت خوب را راه اندازی کند. هدف این بود که مشخص شود آیا برخی افراد به طور طبیعی در پیش بینی بهتر از دیگران هستند و آیا می توان عملکرد پیش بینی را افزایش داد یا خیر. GJP یکی از پنج تیم تحقیقاتی دانشگاهی بود که در یک تورنمنت نوآورانه با بودجه فعالیت پروژه‌های تحقیقاتی پیشرفته اطلاعاتی (IARPA) رقابت کردند، که در آن پیش‌بینی‌کنندگان برای پاسخ به انواع سؤالات ژئوپلیتیک و اقتصادی که آژانس‌های اطلاعاتی ایالات متحده برای تحلیلگران خود مطرح می‌کردند، به چالش کشیده شدند.

ابتکار IARPA از سال 2011 تا 2015 اجرا شد و بیش از 25000 پیش بینی کننده را استخدام کرد که بیش از یک میلیون پیش بینی در مورد موضوعات مختلف از خروج یونان از منطقه یورو تا احتمال تغییر رهبری در روسیه تا خطر وحشت مالی در چین انجام دادند. GJP قاطعانه برنده تورنمنت شد که حتی بر تحلیلگران خود جامعه اطلاعاتی برتری یافت.

رویکردی که در اینجا برای ایجاد یک قابلیت پیش‌بینی سازمانی در حال بهبود شرح می‌دهیم، کتاب آشپزی نیست که دستور العمل‌های اثبات شده موفقیت را ارائه دهد. بسیاری از اصول نسبتاً جدید هستند و اخیراً در محیط های تجاری اعمال شده اند. با این حال، تحقیقات ما نشان می‌دهد که آن‌ها می‌توانند به رهبران کمک کنند تا بهترین قابلیت‌های پیش‌بینی سازمان‌شان را در هر کجا که ساکن هستند، کشف و پرورش دهند.

نقطه شیرین را پیدا کنید

همانطور که مطالعات به خوبی نشان می دهد، شرکت ها و افراد در قضاوت در مورد احتمال رویدادهای نامطمئن ناتوان هستند. قضاوت اشتباه، البته، می تواند عواقب جدی داشته باشد. پیش بینی استیو بالمر در سال 2007 مبنی بر اینکه «هیچ شانسی وجود ندارد که آیفون بتواند سهم قابل توجهی از بازار را به دست آورد، برای مایکروسافت جایی برای بررسی سناریوهای جایگزین باقی نگذاشت. اما بهبود شایستگی پیش‌بینی شرکت حتی اندک می‌تواند مزیت رقابتی به همراه داشته باشد.

شرکتی که سه بار از پنج بار درتصمیم های خود درست عمل می کند، در مقابل رقیبی که تنها دو بار از پنج بار آنها را درست می کند، برتری روزافزونی خواهد داشت.

ایده به طور خلاصه

مسئله

سازمان ها و افراد در قضاوت در مورد احتمال وقوع رویدادهای نامطمئن به شدت ضعیف هستند. قضاوت اشتباه البته می تواند عواقب جدی داشته باشد.

تحقیق

بر اساس تحقیقاتی که شامل 25000 پیش‌بینی‌کننده و یک میلیون پیش‌بینی بود، نویسندگان مجموعه‌ای از اقدامات را شناسایی کردند که می‌تواند قابلیت پیش‌بینی شرکت‌ها را بهبود بخشد: آموزش در مبانی آمار و سوگیری. بحث در مورد پیش بینی ها در تیم ها؛ و ردیابی عملکرد و دادن بازخورد سریع.

عمل

برای بهبود قابلیت پیش‌بینی، شرکت‌ها باید حساب‌های بلادرنگی از نحوه قضاوت‌های تیم‌های برترشان، از جمله مفروضات اساسی، منابع داده، رویدادهای خارجی و غیره داشته باشند. کلیدهای موفقیت شامل نیاز به پیش بینی های مکرر و دقیق و دقت اندازه گیری برای مقایسه است.

قبل از اینکه در مورد اینکه چگونه یک سازمان می‌تواند یک مزیت پیش‌بینی‌کننده ایجاد کند، بحث کنیم، اجازه دهید به انواع قضاوت‌هایی که بیشتر مستعد بهبود هستند و ارزش تمرکز روی آن‌ها را ندارند، نگاهی بیندازیم. ما می‌توانیم از پیش‌بینی‌هایی که کاملاً ساده و یا به ظاهر غیرممکن هستند صرف نظر کنیم. مسائلی را در نظر بگیرید که بسیار قابل پیش بینی هستند: شما می دانید که عقربه های ساعت شما در پنج ساعت دیگر کجا خواهد بود. شرکت های بیمه عمر می توانند به طور قابل اعتماد حق بیمه را بر اساس جداول مرگ و میر به روز تعیین کنند. برای مسائلی که با استفاده از ابزارهای اقتصادسنجی و عملیاتی-پژوهشی با دقت زیادی قابل پیش‌بینی هستند، هیچ مزیتی با توسعه مهارت‌های قضاوت ذهنی در آن زمینه‌ها وجود ندارد: داده‌ها با صدای بلند و واضح صحبت می‌کنند.

در انتهای دیگر طیف، ما مسائلی را می یابیم که پیچیده، درک ناقص، و تعیین کمیت آنها دشوار است، مانند الگوهای ابرها در یک روز معین یا زمانی که فناوری تغییر بعدی بازی از گاراژی در سیلیکون ولی بیرون می آید. . در اینجا نیز، سرمایه گذاری منابع برای بهبود سیستماتیک قضاوت، مزیت کمی دارد: شکستن مشکلات بسیار سخت است.

نکته شیرینی که شرکت ها باید روی آن تمرکز کنند، پیش بینی هایی است که می توان از برخی داده ها، منطق و تجزیه و تحلیل برای آنها استفاده کرد، اما قضاوت چاشنی و پرسش های دقیق نیز نقش کلیدی ایفا می کند. پیش‌بینی پتانسیل تجاری داروها در آزمایش‌های بالینی به تخصص علمی و همچنین قضاوت تجاری نیاز دارد. ارزیاب‌های نامزدهای کسب از مدل‌های امتیازدهی رسمی استفاده می‌کنند، اما باید موارد نامشهود مانند تناسب فرهنگی، شیمی بین رهبران، و احتمال تحقق هم‌افزایی پیش‌بینی‌شده را نیز بسنجند.

تجربه یک بانک بریتانیایی را در نظر بگیرید که در اوایل دهه 1990 با اعطای وام به شرکت‌های کابلی ایالات متحده که داغ بودند اما پس از آن مختل شده بودند، مقدار زیادی پول از دست داد. مدیر ارشد وام‌دهی، ممیزی از این اشتباهات فرضی وام‌دهی، تجزیه و تحلیل انواع وام‌های داده شده، ویژگی‌های مشتریان و افسران وام درگیر، انگیزه‌های موجود، و عوامل دیگر را انجام داد. او وام های بد را در هر عامل امتیاز داد و سپس تجزیه و تحلیلی را انجام داد تا ببیند کدام یک به بهترین وجه واریانس مقادیر از دست رفته را توضیح می دهند. در مواردی که زیان‌ها قابل‌توجه بود، او مشکلاتی را در فرآیند پذیره‌نویسی یافت که منجر به وام‌هایی به مشتریانی با سلامت مالی ضعیف یا عدم ارتباط قبلی با بانک‌هایی شد که تخصص و قضاوت برای آنها مهم بود. این بانک توانست بهبودهای هدفمندی را انجام دهد که عملکرد را افزایش داده و زیان را به حداقل برساند.

بر اساس تحقیقات و تجربه مشاوره خود، مجموعه‌ای از شیوه‌هایی را شناسایی کرده‌ایم که رهبران می‌توانند برای بهبود قضاوت شرکت‌شان در این حد وسط اعمال کنند. توصیه های ما بر بهبود توانایی پیش بینی افراد از طریق آموزش متمرکز است. استفاده از تیم ها برای افزایش دقت؛ و ردیابی عملکرد پیش بینی و ارائه بازخورد سریع. رویکردهای کلی که ما توضیح می‌دهیم باید برای هر سازمانی تنظیم شوند و همانطور که شرکت یاد می‌گیرد چه چیزی در چه شرایطی کار می‌کند، تکامل یابد.

برای قضاوت خوب تمرین کنید

بیشتر پیش‌بینی‌های انجام‌شده در شرکت‌ها، خواه مربوط به بودجه پروژه، پیش‌بینی فروش، یا عملکرد استخدام‌ها یا خریدهای بالقوه باشد، نتیجه محاسبات سرد نیست. آنها با درک پیش بینی کننده از استدلال های آماری اساسی، حساسیت به سوگیری های شناختی، تمایل به تأثیرگذاری بر تفکر دیگران و نگرانی در مورد شهرت، رنگ آمیزی می شوند.

در واقع، پیش‌بینی‌ها اغلب عمداً مبهم هستند تا در صورت اثبات اشتباه، اتاق حرکت را به حداکثر برسانند.

خبر خوب این است که آموزش استدلال و بی طرفی می تواند به طور قابل اعتمادی شایستگی پیش بینی شرکت را تقویت کند. پروژه قضاوت خوب نشان داد که فقط یک ساعت آموزش دقت پیش‌بینی را در طول یک سال حدود 14 درصد بهبود می‌بخشد. 

چگونه تمرینات و تیم ها پیش بینی را بهبود می بخشند

پروژه قضاوت خوب صحت پیش‌بینی‌های شرکت‌کنندگان در مورد رویدادهای اقتصادی و ژئوپلیتیکی را دنبال می‌کرد. گروه کنترل، متشکل از داوطلبان با انگیزه، هیچ آموزشی در مورد سوگیری هایی که می تواند پیش بینی کنندگان را آزار دهد، دریافت نکردند. عملکرد اعضای آن تقریباً در همان سطحی بود که اکثر کارمندان در شرکت‌های با کیفیت بالا داشتند، زیرا آنها افرادی رقابتی و منتخب بودند. گروه دوم از آموزش در مورد سوگیری ها و نحوه غلبه بر آنها بهره مند شدند. تیم هایی از افراد آموزش دیده که در مورد پیش بینی های خود بحث می کردند (معمولاً به صورت مجازی) حتی بهتر عمل کردند. زمانی که بهترین پیش‌بینی‌کنندگان طی دورهای متوالی در یک گروه نخبه از ابرپیش‌بینی‌کنندگان جمع‌آوری شدند، پیش‌بینی‌های آن‌ها تقریباً دو برابر دقیق‌تر از پیش‌بینی‌های انجام‌شده توسط پیش‌بینی‌کنندگان آموزش‌دیده بود که فرصتی بزرگ برای شرکت‌ها بود.

 

درصد دقیق تر از حدس های تصادفی

بدون تمرین 36%

با تمرین 41%

تیم 44%

تیم نخبه 66%

اصول اولیه را بیاموزید

اشتباهات اساسی استدلال (مانند باور به این که سکه ای که سه بار پشت سر هم سرش فرود آمده است، احتمال دارد در تلنگر بعدی به دنبال خود بیفتد) بر دقت پیش بینی تأثیر می گذارد. بنابراین ضروری است که شرکت‌ها پایه‌ای برای مبانی پیش‌بینی ایجاد کنند: آموزش GJP در مفاهیم احتمال مانند رگرسیون به میانگین و تجدید نظر بیزی (به‌روزرسانی تخمین احتمال در پرتو داده‌های جدید)، برای مثال، دقت شرکت‌کنندگان را به طور قابل اندازه‌گیری افزایش داد. شرکت‌ها همچنین باید بخواهند که پیش‌بینی‌ها شامل تعریف دقیقی از آنچه قرار است پیش‌بینی شود (مثلاً شانس اینکه یک استخدام‌کننده بالقوه به اهداف فروش خود برسد) و چارچوب زمانی مربوطه (مثلاً یک سال) را شامل شود. خود پیش بینی باید به صورت یک احتمال عددی بیان شود تا بعداً بتوان آن را به دقت امتیاز داد. این به این معنی است که فرد به جای اینکه “مطمئن باشد”، “۸۰٪ مطمئن است” که کارمند بالقوه به اهداف خود دست خواهد یافت.

انگیزه های شناختی را درک کنید

انگیزه های شناختی به طور گسترده ای شناخته شده است که قضاوت را منحرف می کند، و برخی از آنها تأثیرات مخرب خاصی بر پیش بینی دارند. آنها افراد را به دنبال کردن جمعیت، جستجوی اطلاعاتی که نظرات آنها را تأیید می کند، و تلاش برای اثبات اینکه چقدر درست می گویند، سوق می دهند. این یک دستور بلند برای بی‌اعتنایی به قضاوت انسان است، اما GJP در افزایش آگاهی شرکت‌کنندگان در مورد انگیزه های کلیدی که پیش‌بینی را به خطر می‌اندازد، موفقیت‌هایی داشته است. به عنوان مثال، این پروژه به مبتدیان آموزش داد تا مراقب انگیزه های تاییدی باشند که می تواند اعتماد به نفس کاذب ایجاد کند، و به شواهدی که نتیجه گیری آنها را به چالش می کشد، وزن مناسب بدهند. و به کارآموزان یادآوری کرد که به مشکلات به تنهایی نگاه نکنند، بلکه آنچه را که برنده جایزه نوبل دانیل کانمن «دیدگاه بیرونی» می‌نامد، در نظر بگیرند. به عنوان مثال، در پیش‌بینی مدت زمانی که برای تکمیل یک پروژه طول می‌کشد، به کارآموزان توصیه شد که ابتدا بپرسند که معمولاً چقدر طول می‌کشد تا پروژه‌های مشابه تکمیل شود تا از دست کم گرفتن زمان مورد نیاز جلوگیری شود.

آموزش همچنین می‌تواند به افراد کمک کند تا عوامل روان‌شناختی را که منجر به تخمین‌های احتمال مغرضانه می‌شوند، مانند تمایل به تکیه بر شهود ناقص به جای تحلیل دقیق، درک کنند.

شهودهای آماری در معرض توهمات و خرافات هستند. تحلیلگران بازار سهام ممکن است الگوهایی را در داده‌ها ببینند که مبنای آماری ندارند و طرفداران ورزش معمولاً پرتاب‌های آزاد بسکتبال یا «دست‌های داغ» را به‌عنوان شواهدی از قابلیت جدید خارق‌العاده در نظر می‌گیرند، در حالی که در واقع شاهد سرابی هستند که ناشی از تغییرات دمدمی‌کننده است در حجم نمونه کوچک.

یکی دیگر از تکنیک‌های آگاه کردن مردم از سوگیری‌های روان‌شناختی زیربنای تخمین‌های نادرست، ارائه «آزمون‌های اعتماد به نفس» است. از شرکت‌کنندگان در مورد سؤالات مربوط به منافع عمومی (مانند «مارتین لوتر کینگ جونیور چند ساله بود؟») یا سؤال‌های خاص شرکت (مانند «شرکت ما در سال گذشته چقدر مالیات فدرال پرداخت کرد؟» سؤال می‌شود؟ ”). وظیفه پیش بینی کنندگان این است که بهترین حدس خود را در قالب یک محدوده ارائه دهند و درجه ای از اطمینان را به آن اختصاص دهند. برای مثال، می توان با اطمینان 90 درصد حدس زد که دکتر کینگ در زمان ترور (او 39 ساله) بین 40 تا 55 سال داشته است. هدف اندازه گیری دانش مربوط به دامنه خاص شرکت کنندگان نیست، بلکه اندازه گیری میزان آگاهی آنها از آنچه نمی دانند است. همان‌طور که ویل راجرز به‌سختی اشاره کرد: «این چیزی نیست که نمی‌دانیم ما را به دردسر می‌اندازد. این چیزی است که ما می دانیم که اینطور نیست.” شرکت کنندگان معمولاً متوجه می شوند که نیمی یا بیشتر از محدوده اطمینان 90 درصدی آنها حاوی پاسخ واقعی نیستند.

باز هم، هیچ راه حل یکسانی برای جلوگیری از این خطاهای سیستماتیک وجود ندارد. شرکت ها باید برنامه های آموزشی را متناسب با شرایط خود تنظیم کنند. گروه بین‌المللی Susquehanna، یک شرکت خصوصی تجارت جهانی کمی، رویکرد خاص خود را دارد. این شرکت که در سال 1987 توسط علاقه مندان به پوکر تأسیس شد، که بیش از یک میلیارد دلار معامله در سال انجام می دهد، به استخدام کنندگان جدید برای بازی پوکر در زمان شرکت نیاز دارد. در این فرآیند، کارآموزان در مورد تله‌های شناختی، تأثیرات عاطفی مانند افکار واهی، تئوری بازی‌های رفتاری، و البته تئوری گزینه‌ها، آربیتراژ و مقررات ارز و تجارت خارجی یاد می‌گیرند. تمرینات بازی پوکر، کارآموزان را نسبت به ارزش فکر کردن بر حسب احتمال، تمرکز بر عدم تقارن اطلاعاتی (چیزی که حریف ممکن است بداند که من نمی دانم)، یادگیری زمانی که دست بد را جمع کنید، و موفقیت را به عنوان برنده شدن در هر راند تعریف نمی کند، حساس می کند. اما به عنوان بهترین استفاده از دست شما معامله می شود.

شرکت‌ها همچنین باید در آموزش‌های سفارشی‌سازی‌شده شرکت کنند که بر حوزه‌های پیش‌بینی محدودتر، مانند فروش و تحقیق و توسعه، یا مناطقی که عملکرد گذشته به‌ویژه ضعیف بوده است، تمرکز کنند. اگر تیم فروش شما مستعد غرور است، این تعصب می تواند به طور سیستماتیک برطرف شود. توسعه و اجرای چنین برنامه‌هایی نسبت به برنامه‌های عمومی چالش‌برانگیزتر است، اما از آنجایی که هدفمند هستند، اغلب مزایای بیشتری به همراه دارند.

نوع مناسبی از تیم ها را بسازید

گردآوری پیش بینی کنندگان در تیم ها روشی موثر برای بهبود پیش بینی ها است. در پروژه قضاوت خوب، چند صد پیش‌بینی‌کننده به‌طور تصادفی برای کار به تنهایی و چند صد نفر برای کار مشترک در تیم‌ها تعیین شدند. در هر یک از چهار سال مسابقات IARAP، پیش‌بینی‌کنندگانی که در تیم‌ها کار می‌کردند بهتر از کسانی بودند که به تنهایی کار می‌کردند. البته برای رسیدن به نتایج خوب، تیم ها باید ماهرانه مدیریت شوند و ویژگی های متمایز خاصی داشته باشند.

پیش‌بینی‌کنندگانی که بهترین عملکرد را در مسابقات GJP انجام می‌دهند، در مورد منبع موفقیت خود به طرز بی‌رحمانه‌ای صادق هستند و از اینکه ممکن است علیرغم (نه به دلیل) تحلیل‌شان، پیش‌بینی درستی انجام داده‌اند، قدردانی می‌کنند. آنها محتاط، متواضع، باز، تحلیل گر و خوب با اعداد هستند. (به نوار کناری «این ابرپیش‌بینی‌کنندگان چه کسانی هستند؟» مراجعه کنید.) در جمع‌آوری تیم‌ها، شرکت‌ها باید به دنبال پیش‌بینی‌کنندگان طبیعی باشند که نسبت به تعصب هوشیاری، مهارت استدلال درست و احترام به داده‌ها نشان دهند.

این ابر پیش بینی ها چه کسانی هستند؟

پروژه قضاوت خوب را شناسایی کنید

ویژگی هایی که توسط پیش بینی کنندگان با بهترین عملکرد در مسابقات Activit پروژه های تحقیقاتی پیشرفته Intelligence مشترک است. یک تورنمنت عمومی در gjopen.com در حال انجام است. بپیوندید تا ببینید آیا آنچه را که لازم است دارید.

رویکرد و دیدگاه فلسفی

محتاط: آنها می دانند که چیزهای کمی قطعی است

فروتن: آنها قدر محدودیت های خود را می دانند

غیر قطعی: آنها تصور نمی کنند که آنچه اتفاق می افتد قرار است باشد

توانایی ها و سبک تفکر

ذهن باز: باورها را فرضیه هایی می دانند که باید آزمایش شوند

پرسشگر: از نظر فکری کنجکاو هستند و از چالش های ذهنی لذت می برند

انعکاسی: درون نگر و خودانتقادگر هستند

شماره گذاری: با اعداد راحت هستند

روش های پیش بینی

عملگرا: آنها با هیچ ایده یا دستور کار خاصی وصل نیستند

تحلیلی: دیدگاه های دیگر را در نظر می گیرند

ترکیب کردن: آنها دیدگاه های متنوع را با دیدگاه های خود ترکیب می کنند

تمرکز بر احتمال: آنها احتمال رویدادها را نه به عنوان قطعی یا نامطمئن، بلکه کم و بیش محتمل قضاوت می کنند.

به روز کننده های متفکر: زمانی که حقایق جدید آن را تضمین می کند، نظر خود را تغییر می دهند

کوچک شدن شهودی: آنها از سوگیری های شناختی و عاطفی خود آگاه هستند

اخلاق کاری

بهبود گرا: آنها برای بهتر شدن تلاش می کنند سرسخت: آنها تا زمانی که نیاز است با مشکلی کنار می آیند.

همچنین مهم است که تیم های پیش بینی از نظر فکری متنوع باشند. حداقل یک عضو باید تخصص حوزه داشته باشد (مثلاً یک متخصص امور مالی در یک تیم پیش‌بینی بودجه)، اما غیرمتخصصان بسیار ضروری هستند، به‌ویژه آنهایی که از به چالش کشیدن کارشناسان مفروض ابایی ندارند. این کلی گرایان را دست کم نگیرید. در رقابت‌های GJP، پیش‌بینی‌کنندگان غیرنظامی غیرمتخصص اغلب تحلیل‌گران اطلاعاتی آموزش دیده را در بازی خودشان شکست می‌دهند.

واگرایی، ارزیابی و همگرایی

چه یک تیم در مورد یک رویداد پیش‌بینی کند (مانند احتمال رکود اقتصادی در ایالات متحده در دو سال آینده) یا پیش‌بینی‌های مکرر (مانند خطر رکود هر سال در مجموعه‌ای از کشورها)، یک تیم موفق باید سه مرحله را به خوبی مدیریت کنید: یک مرحله واگرا، که در آن موضوع، مفروضات و رویکردهای یافتن پاسخ از زوایای متعدد بررسی می شود. مرحله ارزیابی، که شامل زمان برای اختلاف نظر سازنده است. و یک مرحله همگرا، زمانی که تیم به یک پیش‌بینی می‌پردازد. در هر یک از این مراحل، زمانی که سوالات متمرکز و بازخورد مکرر باشد، یادگیری و پیشرفت سریع‌تر است.

مراحل واگرایی و ارزیابی ضروری است. اگر آنها گذرا باشند یا نادیده گرفته شوند، تیم دید تونلی را با تمرکز بسیار محدود توسعه می دهد و به سرعت در پاسخ اشتباه قفل می شود و کیفیت پیش بینی کاهش می یابد. هنجارهای صحیح می تواند به جلوگیری از این امر کمک کند، از جمله تمرکز بر جمع آوری اطلاعات جدید و آزمایش فرضیات مربوط به پیش بینی ها. تیم‌ها همچنین باید روی خنثی کردن یک خطای پیش‌بینی رایج به نام لنگر انداختن تمرکز کنند، که در آن یک تخمین اولیه و احتمالاً نادرست، نظرات بعدی را بیش از حد طولانی منحرف می‌کند.

این اغلب ناخودآگاه اتفاق می افتد زیرا اعداد به راحتی در دسترس به عنوان نقطه شروع مناسب عمل می کنند. (حتی اعداد تصادفی، زمانی که در برآورد اولیه استفاده می‌شوند، نشان داده شده‌اند که قضاوت نهایی افراد را ثابت می‌کنند.)

یکی از ما (پل) آزمایشی را با افراد MBA دانشگاه شیکاگو انجام داد که تأثیر اکتشاف واگرا را در مسیر پیش‌بینی نهایی نشان داد. در یک آزمایش، از آزمودنی‌های گروه کنترل خواسته شد تا تخمین بزنند که ایالات متحده چه تعداد مدال طلا نسبت به یک کشور برتر دیگر در المپیک تابستانی آینده کسب می‌کند و محدوده اطمینان 90 درصدی خود را حول این تخمین‌ها ارائه کنند. از گروه دیگر خواسته شد که ابتدا دلایل مختلفی را ترسیم کنند که چرا نسبت مدال ها ممکن است کمتر یا بیشتر از سال های گذشته باشد و سپس تخمین بزنند. این گروه به طور طبیعی به حملات تروریستی و تحریم‌ها فکر می‌کرد و عوامل دیگری را که ممکن است بر نتیجه تأثیر بگذارد، از بیماری گرفته تا آموزش بهبودیافته تا داروهای تقویت‌کننده عملکرد را در نظر گرفت. در نتیجه این تفکر واگرا، دامنه این گروه به طور قابل توجهی گسترده تر از گروه کنترل بود، که اغلب بیش از نصف بود. به طور کلی، دامنه های وسیع تر منعکس کننده پیش بینی های دقیق تری هستند. محدوده‌های باریک معمولاً پیش‌بینی‌های بیش از حد مطمئن و اغلب کمتر دقیق را نشان می‌دهند.

اعتماد کنید

در نهایت، اعتماد بین اعضای هر تیمی برای نتایج خوب لازم است. به ویژه برای تیم های پیش بینی به دلیل ماهیت کار بسیار مهم است. تیم‌هایی که موفقیت یا شکست خرید جدیدی را پیش‌بینی می‌کنند، یا شانس واگذاری موفقیت‌آمیز بخشی از کسب‌وکار را با مشکل مواجه می‌کنند، ممکن است به نتایجی برسند که مسائل مربوط به زمین را افزایش دهد یا نفس و شهرت را تهدید کند. آنها همچنین احتمالاً مناطقی از شرکت و شاید افرادی را با توانایی های پیش بینی ضعیف در معرض دید قرار می دهند. برای اطمینان از اینکه پیش بینی کنندگان بهترین تفکر خود را به اشتراک می گذارند، اعضا باید به یکدیگر اعتماد کنند و اعتماد داشته باشند که رهبری از کار آنها دفاع می کند و از شغل و شهرت آنها محافظت می کند. چیزهای کمی باعث سرد شدن یک تیم پیش‌بینی‌کننده سریع‌تر از این احساس می‌شود که نتایج آن می‌تواند خود تیم را تهدید کند.

عملکرد را پیگیری کنید و بازخورد بدهید

کار ما روی پروژه قضاوت خوب و با طیف وسیعی از شرکت ها نشان می دهد که ردیابی نتایج پیش بینی و ارائه بازخورد به موقع برای بهبود عملکرد پیش بینی ضروری است.

پیش‌بینی‌کنندگان آب‌وهوای ایالات متحده را در نظر بگیرید، که اگرچه بسیار مورد انتقاد قرار می‌گیرند، اما در کاری که انجام می‌دهند عالی هستند. وقتی می گویند 30 درصد احتمال بارندگی وجود دارد، به طور متوسط 30 درصد مواقع در آن روزها باران می بارد. کلید عملکرد برتر آنها این است که آنها بازخورد به موقع، مستمر و بدون ابهام در مورد دقت خود دریافت می کنند، که اغلب با بررسی عملکرد آنها مرتبط است. بازیگران پل، حسابرسان داخلی و زمین شناسان نفت نیز تا حدی به لطف بازخورد قوی و مشوق های بهبود در پیش بینی می درخشند.

خالص ترین معیار برای دقت پیش بینی ها و ردیابی آنها در طول زمان، امتیاز بریر است. این به شرکت ها اجازه می دهد تا مقایسه های مستقیم و قابل اعتماد آماری را در میان پیش بینی کنندگان در یک سری از پیش بینی ها انجام دهند. با گذشت زمان، نمرات افراد برتر را نشان می دهد، خواه افراد، اعضای یک تیم یا کل تیم هایی که با دیگران رقابت می کنند. (نوار کناری “امتیازات بریر بهترین و بدترین پیش بینی کننده های شما را نشان می دهد” را ببینید.)

امتیازات بریر بهترین و بدترین پیش بینی کننده های شما را نشان می دهد

مهم است که پیش‌بینی‌کنندگان تخمین‌های دقیقی از احتمال انجام دهند – برای مثال، احتمال فروش شرکت آنها بین 9000 تا 11000 واحد از یک محصول جدید را در سه ماهه اول 80٪ تعیین کنند. به این ترتیب، پیش‌بینی‌ها را می‌توان با استفاده از روشی به نام امتیازدهی بریر تجزیه و تحلیل و مقایسه کرد و به مدیران این امکان را می‌دهد تا پیش‌بینی‌کنندگان را به‌طور قابل اعتمادی بر اساس مهارت رتبه‌بندی کنند.

امتیازات بریر با مجذور کردن تفاوت بین یک پیش‌بینی احتمال و نتیجه واقعی محاسبه می‌شود که در صورت وقوع رویداد 1 و در غیر این صورت 0 امتیاز می‌گیرد. برای مثال، اگر پیش‌بینی‌کننده احتمال 0.9 (سطح اطمینان 90 درصد) را تعیین کند که شرکت از هدف فروش فراتر خواهد رفت، امتیاز بریر او برای آن پیش‌بینی است:

(0.9 − 1) , or 0.01.

اگر شرکت هدف را از دست بدهد، امتیاز او این است:

(0.9 − 0) , or 0.81.

هر چه امتیاز به صفر نزدیکتر باشد، خطای پیش‌بینی کمتر و پیش‌بینی بهتر است.

امتیازدهی بریر به راحتی مشخص می کند که چه کسی در پیش بینی خوب است و چه کسی نه. با فعال کردن مقایسه مستقیم بین پیش‌بینی‌کنندگان، این ابزار در حین افشای «تیراندازی از لگن» و پیش‌بینی‌های مغرضانه، تجزیه و تحلیل متفکرانه را تشویق می‌کند.

اما صرفاً دانستن امتیاز یک تیم باعث بهبود عملکرد نمی شود. شما باید روند استفاده شده را نیز پیگیری کنید. مهم است که بررسی کنید چرا نتایج خوب یا بد به دست آمده اند تا بتوانید از آنها درس بگیرید.

برخی از ممیزی ها ممکن است نشان دهند که برخی مراحل فرآیند منجر به یک پیش بینی خوب یا بد شده است. برخی دیگر ممکن است نشان دهند که یک پیش‌بینی علی‌رغم یک منطق معیوب درست بوده است (یعنی خوش‌شانس بوده است)، یا اینکه یک پیش‌بینی به دلیل شرایط غیرعادی اشتباه بوده است تا تحلیل ناقص. به عنوان مثال، یک خرده‌فروش ممکن است پیش‌بینی‌های بسیار دقیقی از تعداد مشتریانی که در یک روز معین از یک فروشگاه بازدید می‌کنند داشته باشد، اما اگر یک رویداد قوی سیاه بگوید، تهدید به بمب‌گذاری فروشگاه را ببندد، پیش‌بینی آن برای آن روز بد خواهد بود. امتیاز بریر آن نشان دهنده عملکرد ضعیف است، اما ممیزی فرآیند نشان می دهد که بدشانسی، نه فرآیند بد، امتیاز بیرونی را به خود اختصاص داده است.

سنجش پویایی گروه نیز بخش مهمی از ممیزی فرآیند است. هیچ مقدار داده خوب و پیش‌بینی کتاب نمی‌تواند بر پویایی معیوب تیم غلبه کند. بحث هایی را که بین ناسا و پیمانکار مهندسی مورتون تیوکول قبل از پرتاب محکوم به فنا شاتل فضایی چلنجر در سال 1986 انجام شد، در نظر بگیرید. در ابتدا، مهندسان تیوکول توصیه کردند که از پرتاب خودداری کنند، زیرا نگران بودند که دمای سرد می تواند حلقه های O را که تقویت کننده های موشک را مهر و موم می کردند، به خطر بیندازد. مفاصل آنها به دلیل دما احتمال شکست بسیار بالاتر از حد معمول را پیش بینی کردند. در نهایت، و به طرز غم انگیز، تیوکول موضع خود را تغییر داد.

تحلیل مهندسان خوب بود. فرآیند سازمانی ناقص بود. بازسازی وقایع آن روز، بر اساس جلسات کنگره، شرایط درهم تنیده‌ای را نشان داد که پیش‌بینی را به خطر انداخته بود: فشار زمانی، رهبری دستوری، عدم کشف کامل دیدگاه‌های متناوب، سکوت مخالفان، و احساس عصمت (به هر حال، 24 قبلی پروازها خوب پیش رفته بود).

برای جلوگیری از چنین فجایع و تکرار موفقیت‌ها، شرکت‌ها باید به‌طور سیستماتیک حساب‌های زمان واقعی را از نحوه قضاوت تیم‌های برترشان، نگه‌داشتن سوابق مفروضات انجام‌شده، داده‌های مورد استفاده، کارشناسان مشورت‌شده، رویدادهای خارجی و غیره جمع‌آوری کنند. ویدئوها یا متن جلسات را می توان برای تجزیه و تحلیل فرآیند استفاده کرد. درخواست از پیش بینی کنندگان برای ثبت فرآیند خود نیز ممکن است بینش های مهمی را ارائه دهد. گروه بین المللی Susquehanna را به یاد بیاورید که معامله گران خود را برای بازی پوکر آموزش می دهد. این معامله گران موظفند قبل از انجام معامله، منطق خود را برای ورود یا خروج از معامله مستند کنند. از آن‌ها خواسته می‌شود که سؤالات کلیدی را در نظر بگیرند: چه اطلاعاتی ممکن است دیگران داشته باشند که ممکن است بر تجارت تأثیر بگذارد؟ چه تله های شناختی ممکن است قضاوت شما را در مورد این معامله منحرف کند؟ چرا فکر می کنید این شرکت در این تجارت برتری دارد؟ Susquehanna علاوه بر این بر اهمیت فرآیند با مرتبط کردن پاداش معامله گران نه تنها به نتیجه معاملات فردی، بلکه بر اینکه آیا فرآیند تحلیلی زیربنایی صحیح بوده است، تأکید می کند.

ممیزی‌های خوب می‌توانند نشان دهند که آیا پیش‌بینی‌کنندگان حول یک لنگر بد ادغام شده‌اند، مشکل را ضعیف طرح‌ریزی کرده‌اند، یک بینش مهم را نادیده گرفته‌اند، یا نتوانسته‌اند اعضای تیم را با دیدگاه‌های مخالف درگیر کنند (یا حتی آنها را مخفی کرده‌اند). به همین ترتیب، آن‌ها می‌توانند مراحل فرآیندی را که منجر به پیش‌بینی‌های خوب شده است، برجسته کنند و در نتیجه بهترین شیوه‌ها را برای بهبود پیش‌بینی‌ها در اختیار تیم‌های دیگر قرار دهند.

در پایان

هر یک از روش هایی که توضیح دادیم – آموزش، تیم سازی، ردیابی و استعدادیابی – برای پیش بینی خوب ضروری است. این رویکرد باید در بین مشاغل سفارشی شود و طبق دانش ما، هیچ شرکتی هنوز بر همه آنها مسلط نشده است تا یک برنامه کاملاً یکپارچه ایجاد کند. این یک فرصت عالی برای شرکت‌هایی است که رهبری را بر عهده دارند، به‌ویژه آنهایی که دارای فرهنگ نوآوری سازمانی هستند و کسانی که از آزمایش‌هایی که جامعه اطلاعاتی انجام داده استقبال می‌کنند.

اما شرکت‌ها تنها در صورتی از این مزیت برخوردار می‌شوند که رهبران محترم از تلاش‌ها حمایت کنند، از طریق پخش فضای باز در برابر آزمون و خطا، تمایل به درهم ریختن پر و بالها، و آمادگی برای افشای «آنچه ما می‌دانیم که اینطور نیست» به منظور ارتقای سطح شرکت.

 

گردآوری: شیما علیزاده غریب و محمد شیخی سبزی

دانش پذیران دوره مدیریت کسب و کار DBA دانشکده فنی دانشگاه تهران