Cum să navighezi prin incertitudine

În prezent, peste tot în lume, fabricile merg la război.

Am început să vedem distilerii care produc dezinfectant de mâini în loc de băuturi alcoolice. Sau linii de asamblare auto unde se fac ventilatoare pentru pacienți și măști pentru medici și asistenți. Chiar și un producător de înghețată din Maine produce bețișoare de bumbac pentru nas, principalul instrument pentru testarea coronavirusului.

În următorii ani, vom vedea studii de caz fascinante în școlile de business și documentare pe Netflix care vor analiza și vor dezvălui cum au reușit companii precum acestea să fie suficient de agile - atât din punct de vedere logistic, cât și cultural - pentru a se ridica la nivelul provocării. Pentru unii, vor fi niște experimente fericite care duc la afaceri secundare de succes. Cum a fost de exemplu Jeep, care a conceput mașini speciale pentru raidurile de pe plajele din Normandia.

În cazul de față, cel puțin o companie a avut un plan pentru criza COVID-19 înainte ca aceasta să se întâmple: 3M – care până la finalul anului 2020 va produce peste un miliard de măști respiratorii N95.

În urma unei întâlniri de urgență de la sfârșitul lunii ianuarie, compania și-a dublat efectiv capacitatea de producție de măști prin simplul fapt că a pornit echipamentele de fabricare a măștilor pe care le avea în plus – așa-numitul „surge capacity”.

Pentru orice companie normală, un echipament scump și voluminos care stă inactiv pe terenul fabricii nu pare a fi un lucru de dorit, mai ales într-un mediu de fabricație Lean. Dar 3M, cu 171 fabrici în 36 de țări, este suficient de mare și stabilă pentru a-și asuma povara. Surplusul lor aparent de mașinării a fost gândit ca un pariu pe dezastre majore: atât o investiție în potențialele vânzări de măști, cât și o plasă de siguranță pentru celelalte părți ale business-ului care ar avea de suferit într-o pandemie (precum notițele Post-it).

Pentru 3M, situația nu a fost chiar așa greu de prevăzut. Managementul companiei a trebuit doar să învețe de pe urma pandemiilor anterioare și a dezastrelor naturale pentru a înțelege natura producției pe timp de urgență.

Dar acum că și noi, toți ceilalți, acumulăm propria experiență directă cu o pandemie, cum ne asigurăm că pe viitor vom fi mai bine pregătiți pentru alte evenimente imprevizibile? Cum putem să luăm decizii care sunt mai bine adaptate pentru incertitudine?

Un răspuns bun putem găsi la Thomas Bayes, un statistician și preot englez care a propus în 1763 o teoremă care a revoluționat modul de a lua decizii în condiții de incertitudine. Bayes a fost interesat să observe cum evoluează convingerile noastre despre lume pe măsură ce acumulăm informații noi. Mai exact, s-a întrebat cum ar putea prezice mai bine probabilitatea unui eveniment viitor folosind datele din trecut. Pentru a răspunde, a construit un experiment de gândire:

Imaginează-ți o masă de biliard. Te legi la ochi și asistentul tău rostogolește pe masă o bilă oarecare. El te anunță când se oprește bila, iar tu trebuie să îți dai seama unde anume se află pe masă. Tot ce poți face cu adevărat la început este să ghicești. Acum imaginează-ți că-i ceri asistentului să mai arunce câteva bile pe masă și să-ți spună dacă acestea se opresc la stânga sau la dreapta primei bile. Dacă toate bilele se opresc spre dreapta, ce poți spune despre poziția primei bile? Dacă sunt aruncate și mai multe bile, cum îți îmbunătățește asta cunoștințele despre poziția primei bile? De fapt, aruncare după aruncare, ar trebui să poți restrânge zona în care probabil se află prima bilă.

Chiar și atunci când vine vorba de rezultate incerte, Bayes și-a dat seama că ne putem îmbunătăți în mod constant predicțiile atâta timp cât continuăm să colectăm informațiile relevante de îndată ce ele devin disponibile.

Putem găsi modele de gândire Bayesiană inclusiv în leadership-ul modern. De exemplu, la Amazon, unul dintre cele 14 principii de leadership este „Have Backbone; Disagree and Commit”- care, așa cum l-a explicat Jeff Bezos - este o strategie pentru a încuraja liderii să evite pierderea de timp încercând să obțină un acord universal. E mai bine să accepți o decizie controversată atunci când nu există suficiente informații, pentru ca apoi să aduni date și să ajustezi dacă este necesar.

În mod similar, cei de la Spotify au dezvoltat un cadru pentru separarea datelor de bănuieli în luarea unei decizii. L-au numit DIBB (Data, Insights, Beliefs and Bets) și îl folosesc pentru a găsi indicatorii de succes potriviți pentru măsurarea noilor idei și oportunități.

În business, datele pot fi imperfecte, incomplete sau incerte. Totuși, un mod bun de a ne acomoda cu incertitudinea este să gândim probabilistic și sistematic, ca un parior profesionist.

Să luăm ca exemplu perspectiva lui Rasmus Ankersen: întrucât fotbalul este un joc caracterizat de scoruri mici, rezultatul de victorie/înfrângere dintr-un meci nu este o reprezentare foarte precisă a performanței echipelor sau a valorii jucătorilor. Din punctul de vedere al unui parior profesionist, cheia plasării unui pariu bun este să-și actualizeze în mod constant predicțiile prin colectare de informații noi.

În examinarea performanțelor unei echipe, principalul indicator al lui Ankersen este de “goluri anticipate” (atât pentru, cât și împotriva echipei analizate), bazându-se pe calitatea și cantitatea de șanse pe care și le-au creat pe parcursul meciurilor trecute.

Urmând acest exemplu, un HR Manager cu gândire probabilistică ar putea examina datele despre sursele din care au angajat cei mai buni oameni pentru a identifica surse de talent care ar putea fi neglijate. Similar, un agent de vânzări probabilist ar putea fi conștient că nu este de ajuns doar să poată încheia tranzacții; este foarte important, de asemenea, să se gândească de unde vin noii clienți și cum poate capitaliza mai bine acele surse. Iar în loc să se bazeze pe politici de creditare inflexibile, un manager de risc probabilist ar putea începe să se uite mai adânc în datele sale pentru a vedea dacă în baza de clienți există segmente cu risc scăzut care să-i fi scăpat.

Dezvoltând și antrenând o mentalitate probabilistică, putem deveni mai bine pregătiți pentru incertitudinile și complexitățile din business. Chiar și atunci când evenimentele sunt determinate de un set infinit de complex de factori, modelul Bayesian de actualizare constantă a informațiilor ne poate ajuta să identificăm cele mai probabile rezultate și să luăm deciziile optime.

Pe aceeași temă...

Cum să măsori indicatorii de recrutare

Află ce indicatori trebuie să măsori pentru a vedea ce funcționează (și ce nu) în recrutare.

Citește în continuare