Используйте вместо
интуиции данные

Книга Григория Финкельштейна «Менеджмент на основе данных: как сменить интуитивный подход к управлению на аналитический» адресована руководителям, HR-специалистам и аналитикам, которые хотят перейти от решений «на глаз» к управлению, основанному на фактах. Автор убежден, что в XXI веке полагаться на интуицию недостаточно: конкурентная среда требует аналитики, гибкости и умения работать с информацией. В книге подробно рассматриваются мифы традиционного менеджмента. Универсальных методов управления нет — подход должен быть индивидуальным и подкрепленным цифрами. Финкельштейн рассказывает, как использовать данные для оптимизации структуры компании, управления персоналом, формирования системы оплаты труда и выстраивания справедливых правил.

Григорий Финкельштейн в 2004 году присоединился к компании «Экопси Консалтинг», где прошел путь от консультанта до партнера. Сейчас он отвечает за направление «HR-консалтинг» и руководит Центром анализа данных компании.

Его книга вышла в издательстве «Альпина Паблишер», «Большие идеи» публикуют отрывок из нее.

ПЯТЬ ШАГОВ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ДАННЫХ

Процесс принятия решений на основе данных можно разбить на пять шагов, каждый из которых важен.

1. Постановка задачи. Что мы хотим получить, какого результата добиться или какую проблему решить?

2. Формирование списка гипотез. Как можно повлиять на задачу, проблему или цель в нужном направлении?

3. Построение модели. Что на самом деле влияет на ре­зультат и как именно?

4. Сценарный анализ. Какой эффект принесут те или иные наши действия?

5. Принятие решения. Что надо делать?

К сожалению, на практике менеджеры часто совершают ошибки на каждом этапе, причем некоторые шаги про­сто пропускают. Удивительно, но подавляющее большин­ство руководителей не считают нужным тратить время и силы даже на первый шаг — точно сформулировать задачу. Это неизбежно приводит к отрицательным послед­ствиям: найденное решение не подходит компании. А понимание, какой именно нужен результат, во многом опре­деляет остальные шаги.

ПОСТАНОВКА ЗАДАЧИ И ОДОБРЕНИЕ ИССЛЕДОВАНИЯ

Начинать исследование с постановки задачи нужно по мно­гим причинам, в том числе с точки зрения практиче­ской: чтобы руководство одобрило расходы на него. Топ-менеджеры обязательно потребуют обоснование — какую именно пользу получит компания от проекта (причем в зна­чимых для организации показателях). Расходы обычно счи­таются легко. Например, нужно опросить 8000 работников на проходных, стоимость опроса каждого и обработки его анкеты — 3000 рублей. Если цель исследования сформули­рована как «изучение бренда компании», то руководители почти наверняка откажутся выделить 24 млн на такую аб­страктную задачу.

Другое дело, если то же изучение бренда направлено на решение конкретной проблемы. Например, компания инвестирует $2 млрд в новое производство, которое не заработает без достаточного количества персо­нала. Изучение и улучшение образа компании на рынке труда может снизить на определенную сумму стоимость привлечения работников, а это уже понятный менедже­рам KPI.

Можно отталкиваться от актуальной проблемы ком­пании — например, недостаточного объема продаж. То­гда сильным аргументом будет то, что исследование мо­жет увеличить продажи, скажем, на 10%.

Если цель исследования — уменьшить текучесть пер­сонала, то это не научные расходы, а инвестиции. Допол­нительные 1000 человек, которые не покинут компанию и ради удержания которых не потребуется строить допол­нительный жилой комплекс, — весомый довод вложиться в исследование.

Задача должна быть сформулирована максимально конкретно и ориентирована на основные KPI компании. Даже кажущиеся незначительными уточнения целей исследования могут в итоге потребовать противополож­ных действий.

«Экопси Консалтинг» работала одновременно с двумя большими компаниями, во многом схожими. Обе при­надлежали одной индустрии и решали внешне одинаковую задачу: оптимизация системы оплаты труда рабочих. Им нужна была четкая и понятная система, которая учи­тывала бы условия труда, сложность работы и профессио­нальный уровень сотрудников. Но первая компания на­звала своей главной целью «внутреннее ощущение спра­ведливости новой системы у рабочих», а вторая — «сниже­ние текучести персонала».

Технически «справедливость» означала увеличение до­плат — за квалификацию, тяжелые условия труда и так да­лее, что приводило к большей разнице в оплате труда. На­пример, повышение разряда работнику означало увеличе­ние заплаты на 10—12%.

Для снижения текучести — задачи, которую поставила вторая компания, — оптимальным решением были противоположные действия: выравнивание зарплат. Во-первых, поднять зарплату рабочим низкой квалификации было эко­номнее, чем высококвалифицированным. А во-вторых, для этой организации вопрос справедливости был не так важен: предполагалось, что работники растут в профессии естественным образом, со временем получая больше, и таким образом компенсируется утечка недовольных.

Фактически оба решения отличались лишь регулированием системы оплаты труда, но предполагали почти проти­воположные действия руководства. Для первой компании «справедливость» означала сохранение текущей иерархии даже ценой роста зарплат, не поддерживаемого рынком. А для второй «снижение текучести» достигалось повы­шением оплаты труда тех работников, которые на рынке труда стоили дороже, даже если это приводило к разруше­нию традиционной иерархии.

Вопрос текучести персонала интересовал и первую компанию: в какой-то момент она предлагала просчи­тать и такой сценарий. Но возможное решение означало снижение разницы в оплате труда в ущерб главной цели. Компания все же выбрала более ценный для себя показа­тель — справедливость.

При постановке задачи нужно учитывать, что каждая организация не только отличается от других, но и стремится достичь конкретных результатов. Можно потратить много сил и пороха, чтобы исследовать пушку и рассчитать, при каких углах и каком количестве взрывчатого вещества она будет посылать снаряд дальше всего. Но если пушка нужна как осадное орудие и стрелять придется через крепост­ную стену, то исследование должно быть другим — с обя­зательным условием перелета 30‑метрового препятствия. И тогда в баллистической таблице будут собраны другие значения угла наклона, порохового заряда и места расположения орудия. Если же осада предполагает разрушение крепостных стен, то исследование должно учитывать про­бивную способность пушки — какого веса ядра она может использовать и сколько условных кирпичей в стене спо­собна выбить при попадании.

ФОРМИРОВАНИЕ СПИСКА ГИПОТЕЗ

Упрощенно любое исследование в организации можно описать алгоритмом «методы качественные, количественные, качественные». Первым обычно идет «качественный» шаг: генерирование гипотез и определение, какие данные нужны для их проверки. Второй шаг — «количественный»: сбор данных и проверка гипотез. Третий — «качественный»: анализ подтвержденных гипотез и понимание причин их истинности.

Замеры вовлеченности в одной компании показали, что у опытных сотрудников этот показатель по неизвестной причине очень низкий. Одна из гипотез предполагала связь стажа и снижения вовлеченности. Проверка подтвердила гипотезу, но без знания, что за этой связью стоит, исследование нельзя было считать завершенным. На третьем шаге мы выяснили, что истинная причина проблемы в системе найма в компании. Сотрудники, которые считали себя опытными, знали, что компания принимает новичков, обещая им более высокую зарплату, чем у них. Они воспринимали такую несправедливость как нежелание удерживать опытных работников, что, разумеется, снижало их вовлеченность.

Хотя такой алгоритм кажется очевидным, управленцы-практики часто считают, что использовать его как системный незачем: проще обратиться к интуиции и своему опыту для выдвижения одной-двух конкретных гипотез, которые и надо сразу проверять. Проблема в том, что проверка каждой гипотезы подразумевает большую работу по сбору и анализу данных, то есть выполнение оставшихся шагов алгоритма. Если первая «гениальная» гипотеза оказалась неверной, нужно повторять все заново — опрашивать сотрудников, собирать объективные показатели, привлекать аналитиков. Это очень расточительно: проверка даже 50 гипотез займет слишком много времени и выводы устареют. Более технологичный и экономный подход — сразу сформулировать много гипотез и работать с ними, после чего собирать данные для всех гипотез и последовательно проверять каждую.

Разумеется, гипотезы, предлагаемые руководителями, обязательно нужно включать в список проверяемых: менеджеры, ставящие задачи подчиненным, лучше видят ситуацию в целом. Но нам нужен и внутренний взгляд — сотрудников, которых проблемы касаются как участников.

Мы изучали проблему высокой текучести в одной компании. Опрос менеджеров дал один набор версий: низкая зарплата, высокая конкуренция и прочее. Но увольняющиеся сотрудники на exit-интервью добавили в список грубость руково­дителей, несправедливое отношение и несколько совершенно неожиданных факторов. Еще больше информации дали интервью с бывшими работниками, уволившимися месяц назад или раньше, — они обычно более откровенны.

С процессом формирования гипотез на основе данных знакомы почти все наши современники, хотя не всегда это осознают. Поисковые интернет-сервисы, которыми все мы пользуемся, просто большие машины, занимающиеся анализом данных. Когда человек набирает запрос, «Яндекс» или Google ищет наиболее подходящий ответ в своей базе, которая постоянно обновляется, систематизируется и индексируется. Именно поэтому поисковик реагирует так быстро — у него заготовлено много условно подходящих гипотез ответа. Еще более наглядным этот процесс стал после развития нейронных сетей.

Поисковые системы предлагают не решения проблемы пользователя, а лишь гипотезы, которые могут подойти полностью, частично или не подойти вообще. Окончательное решение принимает человек.

Список идей для решения задачи следует пополнять всеми способами: брать гипотезы у сотрудников, в интернете, из общения с экспертами и нейросетями — из всех доступных источников. Очень важно не отметать ни одну, пока список не закончен. История знает много примеров, когда гипотеза, поначалу отвергнутая и даже осмеянная большинством, оказывалась лучшим решением.

Более того, нужно с осторожностью объединять близкие гипотезы, если они поступили из разных источников. Например, при исследовании поведенческих индикаторов респондент может по-разному оценить личные качества сотрудника, если в одинаковых вопросах используются разные слова, синонимы. Поэтому лучше в анкете оставить оба синонима, даже если смысл обоих почти идентичен.

Гипотезы можно брать из любых источников, но опрос «внешнего» и «внутреннего» круга, то есть руководителей и исполнителей, обязателен, поскольку топ-менеджеры и рядовые сотрудники нередко живут «в разных мирах». При составлении списка гипотез руководители могут объяснять текучесть тем, что в других местах платят больше, а уволившиеся рабочие жалуются, что устали выпрашивать запасные части и инструменты. То есть они ушли не из-за низкой зарплаты, как думали их менеджеры, а из-за необходимости заполнять гору бумаг на каждую деталь и по­том ждать ее месяцами — и ситуация не менялась много лет. Руководители нередко выдвигают гипотезу о своей высокой требовательности — якобы сотрудники не выдерживают их напора. При этом рабочие жалуются не на суть требований, а на их форму: на грубость, брань, указания делать то, чего нет в должностной инструкции.

Было бы несправедливо утверждать, что менеджмент не знает своих работников, — знает, но по-своему. И нередко то, к чему руководители привыкли и что считают вполне нормальным, подчиненные не принимают.

Важно помнить, что формирование списка гипотез и их оценка — разные этапы, их нельзя смешивать. Вряд ли поисковики добились бы того же коммерческого успеха, если бы вместо длинного списка возможных ответов выдавали два-три, которые сочли наиболее подходящими. Но часто именно этим занимаются руководители, когда с ходу оценивают и отбрасывают гипотезы подчиненных. Сразу отметать идеи, которые показались слабыми, руководители привыкли из практических соображений. Им кажется, что каждая «маловероятная» гипотеза только отнимает время, требует выполнить ненужную работу с сомнительным результатом.

Когда список гипотез готов, необходимо определить, какие данные нужны для проверки каждой и как именно лучше всего эти данные собирать. Например, мы проверяем гипотезу о высокой текучести из-за низкой зарплаты. Нам нужны данные о зарплате уволившихся и оставшихся сотрудников (почему важно изучать обе группы, мы гово­рили выше).

Довольно часто проверка гипотез требует данных, которых не существует в готовом виде, их не получится просто откуда-то взять. Это означает, что необходимо решить отдельную задачу — как собрать конкретные данные в нужном количестве. Например, мы планируем проверить гипотезу, что лучшие результаты продаж у тех сотрудников, которые более коммуникабельны. Но у нас нет готовой базы, где отражался бы показатель «коммуникабельность». Значит, нужно решить, как определить уровень коммуникабельности каждого продавца, чтобы потом сравнить показатели более успешных продавцов и менее успешных.

Все эти действия относятся к «качественным» — творческим, и без них не обойтись. Хотя нередко часть информации собрать легко, обычно это не самые необходимые данные. Например, относительно просто проверить гипотезу, что мужчины лучше продают конкретный продукт, чем женщины. Но вряд ли эта гипотеза будет единственной в исследовании.

При оценке источников информации нужно исходить из того, что для исследования обязательно придется получать или доставать данные разными способами. В одних случаях удобнее брать информацию из учетных систем после необходимой доработки, в других — получать с помощью опросов.

В одном реальном исследовании проверяли гипотезу, что лучшие результаты показывают те продавцы, которые используют для презентации планшеты, а не бумажные буклеты. Чтобы ее проверить, можно было при помощи программного обеспечения фиксировать использование планшета для презентации, а затем выгружать полученные данные и сравнивать их с результатами продаж. Если гипотеза верна, то работник с 10 показами должен оказаться более результативным, чем с двумя. Но те же данные можно получить с помощью правильно составленного опроса.

Доработка программного обеспечения — обычно затратный, но вполне рабочий способ сбора данных. Его большое преимущество в том, что однажды настроенная система продолжает работать в полуавтоматическом режиме. Но полностью обойтись без опросов обычно не получается. Например, если мы хотим проверить, насколько формальная структура организации соответствует реальной, нам нужно узнать, действительно ли именно руководитель подразделения дает указания подчиненным. Такие данные можно собрать, только напрямую опрашивая сотрудников.

У объективных данных много плюсов, но зачастую собирать их тяжело и дорого, причем в итоге гипотеза, ради которой все затевалось, может не подтвердиться. К автоматизации и разработке программного обеспечения лучше переходить на этапе регулярной работы, когда гипотеза подтверждена, а данные нужны постоянно. Но во время исследования часто оказывается дешевле и проще опра­шивать работников напрямую, чем заниматься разработкой или доработкой программного обеспечения.