Стратегические преимущества рандомизированного принятия решений
Мартин Ривз , Михня Молдовяну , Адам Джоб
Кочующие по Лабрадору и Квебеку индейцы наскапи добывают себе пропитание преимущественно охотой. Логично было бы предположить, что важнейшее решение — где охотиться в следующий раз — они должны принимать на основе серьезного анализа и расчета. Возможно, наскапи записывают, сколько лосей или оленей карибу они поймали в прошлый раз, чтобы не истощить природные ресурсы? Или составляют планы по исследованию новых территорий и поиску новых стад животных? А может, пытаются спрогнозировать, на какую дичь лучше охотиться в долине, а на какую — на холме или у реки?
Нет, наскапи ничего подобного не делают. Как и множество других первобытных племен, они полагаются на гадание. Наскапи нагревают на огне лопатку добытого на охоте зверя, пока та не треснет. Куда покажет трещина — там и надо охотиться в следующий раз.
Этот метод поражает своей иррациональностью: кто же доверяет принятие стратегических решений случаю? Но сила гадания как раз в рандомности результата. Она позволяет индейцам быстро и непредвзято (и непредсказуемо для зверей!) делать сложный выбор. Экономя уйму сил и времени на поиске идеальной территории для охоты, они вот уже сотни лет успешно выживают в суровом субарктическом климате.
Парадоксальная зависимость между гадательными практиками наскапи и их сравнительно благополучной жизнью в условиях лесотундры может быть использована в деловом контексте. Давайте посмотрим, как предприниматели полагаются на силу рандомных решений в повседневной жизни компании, и выясним, где стоит применять этот подход, чтобы придать современному бизнесу древнюю силу народа наскапи. В конце мы предложим несколько советов по внедрению рандомизации в процесс принятия стратегических решений.
Рандомизация сегодня
Рандомные решения доказали свою применимость в современном мире — особенно при управлении операциями. Во время Второй мировой войны союзники столкнулись с серьезными испытаниями. Среди прочего им приходилось догадываться о местонахождении вражеских подводных лодок в открытом море, имея на руках только данные о том, где их видели последний раз. Субмарины могли плыть куда угодно; для непрерывного наблюдения за ними не хватало ни судов, ни самолетов. Перевозка грузов по морю была рискованным испытанием: нападение могло произойти в любую минуту. Для антигитлеровской коалиции это представляло собой огромную проблему. Исследования показали, что в подобных случаях эффективнее не производить заранее подробный систематический поиск, а быстро выбрать несколько произвольных точек для проверки, а затем постепенно расширять радиус поиска, меняя направления случайным образом.
Примерно в то же время ученые, создававшие атомную бомбу, разработали симуляцию Монте-Карло — математический метод, позволяющий определить исход сложного процесса или системы в условиях неопределенности при помощи обсчета случайной выборки. Ученые использовали его для прогнозирования эффективности различных проектов бомбы — и брони от нее. Симуляция Монте-Карло и в наши дни широко применяется для принятия решений при наличии непредсказуемых факторов, особенно в финансах и логистике.
Сегодня рандомизация помогает, среди прочего, повысить эффективность и точность технологий машинного обучения. В частности, исходные параметры нейросети часто выбираются произвольно, чтобы результат не оказался ограничен рамками той или иной конфигурации. Расширение пространства поиска повышает вероятность обнаружить самые удачные конфигурации.
Более прозаичный пример: компании, занимающиеся доставкой посылок, уже внедряют приемы стохастической оптимизации и благодаря им находят оптимальное сочетание элементов различных сценариев — с учетом таких изменчивых факторов, как объем отгрузки, временные окна, доступность транспорта и перекрытие дорог. Также есть свидетельства, что разработчики масштабных продуктов и социальных систем научаются чувствовать по уровню сложности задачи, когда имеет смысл выбирать рандомно, а когда — оптимизировать.
При чем тут стратегия?
В отличие от управления операциями, выработка стратегии долго оставалась детерминистской практикой и требовала полного предварительного анализа задачи с дальнейшим составлением плана по ее решению. Революция больших данных только развила этот подход, заставляя нас думать, что все вокруг поддается познанию и анализу, необходимому для создания надежных стратегий.
Однако, разделяя это убеждение, мы не учитываем, что одними и теми же данными можно обосновать разные, если не противоположные, действия. Когда рынок начали завоевывать цифровые фотокамеры, компания Kodak сосредоточилась на развитии пленочных технологий, боясь каннибализации продаж. Ее конкуренты вроде Sony и Canon отреагировали на ту же динамику ростом инвестиций в разработку цифровых технологий.
Убежденные в возможностях больших данных, люди забывают о вычислительных ограничениях. Организационные процессы зачастую тесно связаны друг с другом и с внешними силами. В итоге любой результат этих процессов определяется действием множества закономерностей, факторов и сетей.
Даже вроде бы «простые» задачи в основании стратегии — например, выбор человека, который будет контролировать процесс решения проблем, — на самом деле совсем непросты. Отчасти дело в том, что существует множество разных возможностей влиять на ситуацию (принимать решения, раздавать поощрения, делиться информацией) — и множество способов наделять других правом такого влияния.
Наконец, учитывая темпы перемен и нестабильность современного мира, сбор и анализ всей необходимой для детерминистского подхода информации становится просто невозможным — тем более что любой ваш шаг меняет поведение потребителей и конкурентов. А что, если попробовать найти алгоритм, который сумеет надежно предсказать последствия того или иного стратегического решения в реальном мире бизнеса или политики? В обозримом будущем эта идея, увы, останется несбыточной мечтой.
В новых условиях стратегия больше не может сводиться к поиску единственного наилучшего курса. Ее целью сегодня должно стать не построение планов, а создание портфеля вариантов фундамента для будущего успеха. Но в рамках традиционного подхода к выработке стратегии такое разнообразие опций невозможно: рассчитывать их слишком долго и дорого. Учитывая все это, не пора ли стратегам взять пример с индейцев наскапи и воспользоваться их разумной рандомизацией для решения сложных проблем в суровом, неопределенном и изменчивом деловом климате? Давайте посмотрим, какие преимущества это может дать.
Быстрые выгоды
Рассмотрим пример компании Odeo, построившей онлайн-платформу для подкастов. В 2005 году Apple объявила, что во всех аудиоплеерах iPod будет предустановлена ее собственная подкаст-платформа (как часть iTunes). Вынужденное принять радикальные решения, руководство Odeo несколько дней полностью посвятило мозговым штурмам, чтобы найти новые направления развития.
Именно тогда родилась идея онлайн-платформы для обмена мыслями с друзьями и подписчиками, которая еще недавно именовалась Twitter.
В сложившейся ситуации у Odeo не было времени прорабатывать стратегическую дорожную карту и тем более тщательно изучать рынок и конкурентов — а ведь ниша соцсетей была уже занята такими игроками, как Facebook* и MySpace, каждый месяц привлекавшими десятки миллионов активных пользователей. Компания просто создала минимально жизнеспособный продукт — и в итоге не только выжила, но и после ряда итераций добилась грандиозного успеха. (По иронии судьбы, инвесторы Odeo не увидели в Twitter потенциала и позволили руководству фирмы выкупить ее акции примерно за $5 млн — что-то около 0,01% от суммы, которую в 2022 году за нее заплатил Илон Маск.)
Чему нас учит этот пример? Правильность решения многих задач определяется скоростью его воплощения в жизнь. Именно эту скорость обеспечивает индейцам наскапи гадание на лопатке. Если бы они тратили время на подробное изучение всех данных, то вряд ли добыли бы себе достаточно пищи.
* деятельность на территории РФ запрещена
