Файловый архив студентов. Файловый архив студентов.
1327 вузов, 5487 предметов.
/ Регистрация
FAQ Обратная связь Вопросы и предложения
Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Башкирский Государственный Аграрный Университет
Предмет:
[НЕСОРТИРОВАННОЕ]
Файл:

Как принять правильное управленческое решение

.pdf
Скачиваний:
0
Добавлен:
06.09.2026
Размер:
2 Мб
Скачать
☆
аих кажущаяся мудрость вуправлении персоналом создавала массу неэффективных процессов. Как пишет Льюи с, бейсболь­ные руководители постоянно допускали три вида ошибок — придавали слишком большое значение личному опыту, об­ращали слишком много внимания нанедавние результаты игроков ислишком сильно полагались нато, что видят соб­ственными глазами, хотя надежнее пользоваться данными завсю карьеру игроков.
Если углубиться вдетали, Бин и ДеПодеста обнаружили, что эксперты вбейсболе интуитивно отдавали приоритет одним параметрам инедооценивали другие. Результаты убедительно показали, что статистика работает лучше мнений экспертов. Команды, которые более ста лет полагались наинтуицию, только теперь стали доверять принятие решений не«экспертам», а«бо­таникам», умеющим применять линейную регрессию. Пословам Льюиса , «рынок игроков вбейсбол был настолько неразвитым, апонимание тактики вбейсболе настолько слабым, что менед­жерам оставалось грести деньги лопатой». Наволне успеха Бина многие старались заполучить ДеПодесту вкачестве менеджера, абольшая часть команд научилась использовать статистический анализ для предсказания результатов игроков ( Schwarz, ).
История успеха «Окленд Атлетикс» ставит интересные во­просы. Почему понадобилось так много времени, чтобы прин­ципы рациональности проникли впроцессы принятия решения вбейсболе? Вкакой степени руководители вдругих отраслях полагаются наложную экспертность , хотя существуют более эф­фективные стратегии? Как отмечают Талер иСанстейн ( Thaler & Sunstei n, ) всвоей рецензии накнигу «Человек, который из­менил все», бейсбольные эксперты недураки, просто они люди. Как ивсе мы, они склонны полагаться наэвристики, традиции ипривычки. Организациям требуется время, усилия ихрабрость, чтобы отойти отошибочного интуитивного управления ктща­тельному анализу данных ииспользованию подходящих стати­стических методов.
С    
Льюис считает, что ошибки, выявленные вВысшей бейсболь­ной лиге, еще сильнее проявляются вдругих областях. Вконце концов, вбейсболе доступна полная, превосходно собранная статистика. Талер иСанстейн сравнивают склонность бейсболь­ных руководителей необращать внимания наогромный массив статистики спривычкой менеджеров поперсоналу нанимать сотрудников, доверяясь чутью после проведенного интервью, анеконкретным данным окандидате. Руководители продол­жают верить своим предчувствиям, хотя исследования опровер­гают возможность предсказать будущие результаты работника наоснове очного интервью. Талер иСанстейн утверждают, что правильнее былобы нанимать сотрудников наоснове показате­лей, реально предсказывающих их будущие успехи (оценки, ре­зультаты тестов, результаты напрошлых рабочих местах ит. д.), анеощущений после интервью.
Вэтой главе мы покажем, что большая часть организаций может существенно повысить эффективность своих управленче­ских процессов. Мы неговорим, что руководители недостаточно умны. Просто, как ибейсбольные менеджеры, большинство про­фессионалов принимают нерациональные решения — систе­матически ипрогнозируемым образом. Главный вопрос: что можно предпринять, чтобы этого избежать? Вэтой главе мы предоставим семь практичных ивзаимодополняющих тактик повышения качества принятия решений:
. Использование инструментов анализа решений. . Наработка профессионализма. . Освобождение отпредубеждений. . Рассуждение поаналогии. . Взгляд состороны. . Умение видеть погрешности суждений удругих людей. . Побуждение людей к более взвешенным и этичным
по ступкам.
 К    
Тактика . Использование инструментов
анализарешений
Поскольку мы нев состоянии принимать рациональные реше­ния интуитивно иавтоматически, тодля ответственных реше­ний лучше полагаться напроцедуры, которые могут направить нас попути оптимального выбора. Область науки, которая вы­рабатывает такие рекомендации, называется анализом принятия решений. Можно руководствоваться книгами, вкоторых обоб­щены достижения этой области науки (например, Goodwin, ; Hammond, Keeney, & Rai a, ). При анализе обычно требуется количественно оценить свои предпочтения ивыгоду, которую вы получите, выбрав тот или иной вариант действия. Рациональность стратегии также зависит оттого, насколько точно вы оцениваете вероятности, связанные снеопределенным исходом действий.
Формальный анализ обычно предписывает принимать реше­ние наоснове ожидаемой ценности. Чтобы вычислить ожидае­мую ценность конкретного варианта , нужно умножить выгоду, которую он предлагает, навероятность ее получения. Напри­мер, чтобы рассчитать ожидаемую ценность вдолларах отло­терейного билета, нужно умножить сумму вдолларах, которую сего помощью можно выиграть, навероятность выигрыша. По­скольку ожидаемая ценность лотерейного билета почти всегда ниже его стоимости, покупка лотерейного билета, как правило, неслишком удачное вложение денег. Когда взадаче много пе­ременных, например, если вы выбираете между дорогим новым домом иболее дешевым домом, требующи м ремонта, решение требует вычисления той или иной многофакторной функции полезности. Придется решить, что делать — потратить лишние деньги или приложить усилия для ремонта.
Впрочем, нередко вбизнесе приходится принимать похо­жие решения одно задругим. Например, компаниям нужно выбирать претендентов надолжности. Руководителям нужно решать, кого изработников повысить икакую выплату назна­чить. Сотрудником кредитного отдела банка нужно одобрять
С    
или отклонять заявки накредит. Венчурным инвесторам при­ходится выбирать, какие проекты поддерживать. Сэтими слож­ными задачами помогает справиться линейная модель.
Что такое линейная модель
Линейная модель — это формула, которая учитывает относи­тельные веса факторов исуммирует все переменные, чтобы дать количественную оценку. Например, когда старшему сыну Дона Мура было пять лет, тот попросил педиатра дать прогноз, какой рост унего будет, когда он вырастет. Врач вответ привела про­стую формулу линейной модели — нужно взять усредненный рост родителей илибо прибавить кнему см, если это мальчик, либо вычесть изнего см, если это девочка. Существует бесчис­ленное множество аналогичных линейных моделей для разных ситуаций. Например, линейная модель PECOTA предсказывает будущие успехи игроков вбейсбол наоснове результатов про­шлых игр, возраста, роста ивеса ( Schwarz, ). Аодна компа­ния использует секретную линейную модель, помогая киносту­диям предсказать, сколько заработает впрокате их очередной фильм ( Gladwell, ).
Почему линейные модели приводят кболее качественным решениям
Исследования показывают, что вогромном количестве областей деятельности линейные модели лучше дают прогнозы, чем экс­перты, причем более сложные модели дают несущественный при­рост качества решений относительно простых линейных моделей. Доус ( Dawes, ) утверждает, что линейные модели оказались столь полезны, потому что люди лучше умеют отбирать икатего­ризировать информацию (то есть решать, какие переменные закла­дывать врасчет), чем обрабатывать ее (использовать данные для вынесения суждения). Айнхорн ( Einhorn, ) иллюстрирует этот феномен экспериментом, вкотором медики описывали результаты биопсии пациентов сболезнью Ходжкина, азатем давали общую оценку тяжести случая. Полученные рейтинги несмогли помочь
 К    
дать прогноз выживаемости пациентов, ноэто удалось сделать спомощью переменных, выбранных для описания препаратов, по­сле того как спомощью модели множественной регрессии были определены нужные веса. Доктора знали, накакую информацию обращать внимание, нонезнали, как объединить эти данные вдо­стоверный прогноз.
Кроме того, что нам сложно обрабатывать информацию, мы также склонны кнепоследовательности. Имея перед собой одни итеже данные, мы невсегда принимаем одно итоже решение. Наше суждение зависит отнастроения, субъективной интер­претации, окружающей обстановки, сроков, случайных колеба­ний имногих других переменчивых характеристик. Кроме того, нанас могут влиять определенные предубеждения, связанные сконкретной ситуацией. Напротив, линейные модели, получив одни итеже входные данные иопираясь только наних, всегда выдают один итотже результат — помогая, таким образом, из­бежать случайных ошибок эксперта ипредвзятостей, которым подвержены человеческие суждения.
Предвзятости проникают вфинансовые решения, влияют нанаём сотрудников, решения овыдаче кредитов, обычные закупки. Вкаждой изэтих областей тем, кто принимает ре­шения, приходится выносить ряд суждений наоснове одних итехже переменных — счем замечательно справляется линей­ная модель, попутно помогая организациям выявлять важней­шие факторы, влияющие нарешения их экспертов. Таким об­разом, даже если абстрагироваться отвычислительной мощи, обратная связь оттаких моделей делает их ценнейшим управ­ленческим инструментом.
Почему мы противимся линейным моделям
Данные убедительно подтверждают мощь линейных моделей, ноони досих пор ненашли широкого применения, потому что встречают сильное сопротивление из-за этических возражений. Доус приводит пример:
С    
« ,      „ “ —        - ,  „“    . „    -­ ?“ , .    ».
Доус считает, что люди сами себя обманывают, полагая, что получасовое интервью ведет кболее качественной оценке, чем информация, содержащаяся вприложении кдиплому, охваты­вающая годы работы идесятки взвешенных оценок этой работы состороны компетентных преподавателей.
Авот ответ, который Макс Базерман получил отодного известного судьи, когда попросил его принять ряд решений поучебным примерам входе исследования процессов приня­тия решения судьями:
«   !  , ,  
,        ,  -
    .     -
  ,    ,  
   .    , 
   ,     -
 .   ,      
 .   , ,  
  » ( Bazerman, ).
Вопреки мнению этого судьи оневозможности системати­ческого изучения процессов принятия решений, исследования вэтой области показывают, что линейные модели прекрасно могут описать его мышление при вынесении суждения идаже предсказать предпочтения его бабушки при выбора дыни.
Другой часто звучащий аргумент против линейных моделей для анализа решений состоит втом, что они исключают интуи­цию ичутье. Среди ученых ходит анекдот, как Говард Райффа,
 К    
работая вУниверситете Колумбии, получил предложение отГар­варда. Сэтим предложением он пришел кдекану, скоторым они были дружны, ипопросил совета. Декан, нескрывая сарказма, предложил Райффе определить релевантные критерии, назна­чить веса иподсчитать баллы для каждого варианта — начто Райффа возмущенно заявил: «Нет! Это серьезное решение!» Райффа любит этот анекдот, новсячески отрицает его правди­вость. Поего убеждению, чем ответственнее решение, тем бо­лее важно системно кнему подойти.
Наконец, иногда людям кажется, что использование линей­ных моделей потребует глобальной реорганизации процессов. Что будут делать банковские служащие или члены приемной ко­миссии, если решения начнет принимать компьютер? Нонаса­мом деле именно люди решают, какие переменные использовать вмодели икакой вес придать каждому фактору. Именно люди наблюдают зарезультативностью модели иопределяют, когда она требует модификации. Конечно, сопротивление переменам неизбежно, ииспользование линейных моделей неисключение. Преодолеть предубеждение против решений, выносимых ком­пьютером наоснове данных иопыта экспертов,— еще один шаг напути кулучшению вашей способности принимать решения.
Давайте рассмотрим два сценария, вкоторых линейные мо­дели могут значительно повысить качество решений: прием васпирантуру инаём сотрудников.
Совершенствуем порядок приема васпирантуру
Роль линейных моделей всовершенствовании процесса отбора аспирантов отмечена висследовании интерпретации оцени­вания ( Moore, Swift, Sharek, & Gino, ). Существуют ощу­тимые различия между подходами университетов, включая заведения одинакового уровня иимеющие схожие подходы, кприему студентов. Оказывается, что студенты изколледжей сболее лояльной системой выставления баллов имеют больше шансов поступить васпирантуру, даже если сделать поправку
С    
напрестиж колледжа итипичный уровень его студентов. Вод­ном изисследований рассказывается орезультатах такого про­явления эвристики репрезентативности, как так называемая фундаментальная ошибка атрибуции ( Gilbert & Malone, ), которая заставила приемную комиссию поверить всуществен­ные академические достоинства студента только благодаря его высокому среднему баллу (GPA). Ученые обнаружили, что эта погрешность суждения присутствует даже тогда, когда при­емная комиссия полностью поставлена визвестность о раз­ных подходах квыставлению оценок в разных колледжах. По- видимому, людям сложно абстрагироваться отвысоких баллов, даже полученных всилу чересчур лояльного подхода.
Однако соответствующую линейную модель, которая спра­виласьбы сэтим недостатком, несложно запрограммировать. Именно это исделал Доус ( Dawes, ) всвоей работе опри­еме васпирантуру. Он воспользовался известным подходом: он формализовал работу приемной комиссии, состоящей изчеты­рех человек. Другими словами, он систематически проанализи­ровал, как эта комиссия осуществляет отбор, полагаясь натри фактора: экзаменационные баллы, GPA иуровень колледжа. Затем Доус использовал веса, полученные при анализе реше­ний экспертов, чтобы спрогнозировать рейтинг  кандида­тов издругой выборки. Он обнаружил, что спомощью модели можно отсеять % изэтих претендентов, при этом неисклю­чив ниодного кандидата, принятого комиссией. Линейная мо­дель оказалась эффективнее, чем сама комиссия, вчасти пред­сказания будущего рейтинга зачисленных аспирантов. Вг. пооценке Доуса использование линейной модели вкачестве скринингового инструмента при приеме васпирантуру вСША моглобы сэкономить на млн рабочего времени экспертов — всегодняшних деньгах, учитывая актуальное количество аспи­рантов, эта сумма превзошлабы млн. Иэто несчитая других областей, таких как прием студентов вбакалавриат ирешения онайме сотрудников вкоммерческие компании.
 К    
Улучшаем кадровые решения
Решения оприеме на работу
—
важнейшие для организаций, нопочти все компании полагается нанеструктурированные ин­тервью скандидатами, которые прошли первичный отбор, как насамый важный этап отбора персонала. Эффективность собе­седований как инструмента предсказания будущих результатов была предметом обширных исследований корпоративных пси­хологов. Результаты этих исследований говорят нам, что собе­седования несправляются сзадачей — порезультатам собесе­дования можно сократить степень неопределенности будущих показателей сотрудника лишь на% ( Schmidt & Hunter, ). Конечно, отчасти дело втом, что предсказание результатов ра­боты — сама посебе очень трудная задача, инетак много ин­струментов хорошо сней справля ются. Тем неменее некоторые нестоль затратные средства прогнозируют результаты работ­ника гораздо лучше, чем обычное собеседование.
Почемуже люди продолжают проводить собеседования при приеме наработу? Непоколебимая вера менеджеров всобе­седование — результат «идеального шторма» изкогнитивных искажений:
• Доступность. Проводящие собеседование убеждены, что знают, какие качества должен иметь работник для успеха, ноих мнение далеко отистины. Компании редко соби­рают данные отом, чем необходимо обладать сотруднику, чтобы хорошо справляться собязанностями наконкрет­ной должности или вцелом ворганизации. Как следствие, менеджеры полагаются насвою интуицию, определяя, по­дойдет им конкретный человек или нет.
• Эвристика аффекта. Люди мгновенно определяют, нра­вится им человек или нет, ориентируясь наповерхност­ные черты, такие как внешняя привлекательность, ма­нера держаться ито, насколько собеседник похож наних самих ( Ambady, Krabbenoft, & Hogan, ; Ambady &
С    
Rosenthal, ). Руководители редко пересматривают это первое впечатление ( Dougherty, Turban, & Callender, ). Иногда менеджеры заявляют, что собеседования нужны им для того, чтобы удостовериться, что канди­дат сможет «вписаться» вколлектив компании, ноиэта оценка строится ненаобъективных данных окачествах кандидата, аналичных эмоциональных впечатлениях руководителя.
• Эвристика репрезентативности. Интуиция подсказывает менеджеру, что если человек уверенно исвязно говорит освоих целях, компании, обязанностях, тоиработать он будет добросовестно. Для многих должностей, однако, успехи вработе слабо связаны срезультатами на собе­седовании. Уверенные всебе, привлекательные, общи­тельные экстраверты часто производят хорошее впечат­ление, ноэти черты зачастую нетак важны вдальнейшей работе, как другие, небросающиеся вглаза, такие как честность иум.
• Эвристика подтверждения. Наняв одного изкандидатов, менеджер узнает только отом, каким образом именно этот человек проявил себя вработе, и не узнает, как моглибы проявить себя отклоненные кандидаты. Та­ким образом, руководитель неимеет достаточно данных, чтобы оценить, эффективноли сработали механизмы от­бора ( Einhorn & Hogarth, ).
Что является лучшей альтернативой очному собеседова­нию? Существует ряд других инструментов отбора, большин­ство изкоторых менее затратны, чем интервью, включая даже обычные тесты наинтеллект. Ноесли вкомпании настаивают напроведении интервью, они должны проводиться комиссией водном итомже составе, причем каждый член комиссии дол­жен задавать каждому кандидату одни итеже вопросы ( Schmidt & Hunter, ). При этом количественные оценки проводящих
 К    
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
Помощь Обратная связь Вопросы и предложения Пользовательское соглашение Политика конфиденциальности