Во всем мире около четверти миллиона студентов одновременно обучаются на программах MBA. Они выиграют от учебных программ, которые лучше подготовят их к предстоящему миру VUCA, в котором ситуации неоднозначны, проблемы неразрешимы, а будущее неизвестно. Обучение в бизнес-школах должно положительно сказаться на способности студентов изучать, выбирать и применять эвристику, необходимую для принятия решений в условиях неопределенности. Для этого им следует признать наиболее фундаментальное различие между риском и неопределенностью. Для работы с риском подходит нынешний фокус на обучении аналитическим подходам, таким как теория вероятности, деревья решений, расчет чистой приведенной стоимости и ценообразование опционов. Чтобы справиться с неопределенностью, необходимо расширить этот фокус на адаптивные эвристики и их экологическую рациональность. К ним относятся, в частности, правила найма по одной причине, эвристика распознавания брендов, правила, основанные на равенстве и обеспечивающие справедливость, правила ценообразования, основанные на удовлетворении потребностей, и социальные эвристики, такие как имитация продукта. Если реальные проблемы содержат аспекты, соответствующие как риску, так и неопределенности, рекомендуется использовать смесь обоих подходов. Преподавание адаптивного инструментария - это первый шаг в учебной программе; вторая, более сложная задача - способствовать пониманию экологической рациональности эвристик.
В начале этой книги мы рассмотрели, как три нобелевских лауреата по экономике подходят к разграничению риска и неопределенности. В конце книги мы приводим два основных вывода. Во-первых, относитесь к неопределенности серьезно; не сводите ее к риску. Во-вторых, не избегайте эвристик, а научитесь разумно их использовать. Принятие этих двух принципов близко к сердцу поможет нам принимать разумные решения в мире, где будущее - к лучшему или худшему - полно сюрпризов.
Примечания
1 . Gregg (n.d.).
2 . C-SPAN (n.d.).
3 . Минцберг (2017). С другими интересными блогами Минцберга на тему менеджмента можно ознакомиться здесь: https://mintzberg.org/blog
4 . Минцберг и Лампель (2001). См. также книгу Минцберга: Mintzberg (2004).
5 . Миллер и Сюй (2016). Цитата взята со страницы 286.
6 . Миллер и Сюй (2019). Цитата взята со страницы 285.
7 . Hammond (2000).
8 . Лежаррага и Пиндард-Лежаррага (2020).
9 . Bettis (2017); Hambrick (2007).
10 . Gigerenzer et al. (2022).
11 . Pólya (1945).
12 . Pearl (1984, p. xi).
13 . Янофски (2013).
14 . Джонсон и МакГеох (1997).
15 . Naik et al. (2017); Wegwarth, Gaissmaier, and Gigerenzer (2009).
16 . Katsikopoulos et al. (2020).
17 . Aikman et al. (2021).
18 . Gigerenzer, Hertwig, and Pachur (2011); Katsikopoulos et al. (2020); Wegwarth et al. (2009).
19 . Бингем и Эйзенхардт (2011).
20. Maistry (2019).
21 . Drexler, Fischer, and Schoar (2014).
22 . Бингем и Эйзенхардт (2011).
23 . Flyvbjerg (2021).
24 . Pachur (2022); Rieskamp and Otto (2006).
25 . Луан и Реб (2017).
26 . Бингем и Эйзенхардт (2011).
Глоссарий
1/N: тип эвристики равенства, которая распределяет ресурсы поровну между N альтернативами.
Адаптивный набор инструментов: Репертуар эвристик, которые человек, команда или организация приобрели для принятия решений.
Двусмысленность: Ситуация, когда исчерпывающий и взаимоисключающий набор всех возможных будущих состояний S и их последствий C известен, но вероятности не известны; частный случай малого мира.
Уровень стремления: Используется в эвристике удовлетворения как правило остановки для выбора первой альтернативы и завершения поиска. Уровень может быть адаптивным.
Дилемма "смещение-вариация": компромисс между смещением (разницей между средним значением прогноза и истинным значением) и дисперсией (чувствительностью к нерелевантному шуму в данных), которые составляют общую ошибку модели прогнозирования. Как правило, уменьшение смещения увеличивает дисперсию, и наоборот.
Строительные блоки: Основные компоненты эвристики, такие как правила поиска, остановки и принятия решений; могут быть объединены для создания новых эвристик.
Перекрестная валидация: Процедура, используемая для оценки точности прогнозирования модели. В частности, набор данных делится на две части: обучающую выборку, где оцениваются свободные параметры модели, и тестирующую выборку, где модель с оцененными параметрами из обучающей выборки применяется для оценки точности прогнозирования.
Принятие оборонительных решений: Когда менеджеры считают вариант А лучшим для компании, но выбирают более низкий вариант Б, чтобы обезопасить себя на случай, если что-то пойдет не так. Мотивы для принятия оборонительных решений включают страх перед судебными разбирательствами, потерей репутации или работы.
Дельта-инференция: Поиск подсказок в порядке их валидности, остановка поиска на первой подсказке, где одна альтернатива лучше другой на пороговое значение дельты, и выбор лучшей альтернативы.
