Пол Фрига - Инструменты McKinsey. Лучшая практика решения бизнес-проблем

• Название: Инструменты McKinsey. Лучшая практика решения бизнес-проблем
• Автор: Пол Фрига
• Жанр: Экономика
• Год: 2007
• ISBN: 978-5-902862-56-7

McKinsey. Это имя – знак качества в сфере консалтинга: всем известно, как сотрудники Фирмы блестяще решают чужие бизнес-проблемы. А можете ли вы сами справиться с трудностями в своей организации, применяя их секреты? Или нужно обязательно приглашать команду из McKinsey?

Опросив несколько сотен своих экс-коллег (бывших сотрудников Фирмы), успешно применяющих теперь ее техники в других организациях, авторы пришли к выводу, что многое можно осилить самостоятельно. В этой книге они предлагают инструменты McKinsey, овладев которыми вы почувствуете себя «немного маккинзиевцем» и принесете большую пользу своей компании.

Рекомендуется к прочтению бизнес-консультантам, руководителям и менеджерам, которым приходится решать проблемы и реализовывать решения на практике.

---

Не пытайтесь вскипятить океан. Работайте не больше – работайте умнее. В условиях сегодняшнего изобилия данных можно всесторонне анализировать выбранный аспект проблемы. Но вы только потеряете время, если эта кропотливая работа не является ценным вкладом в процесс решения проблемы. Продумайте, какие виды анализа вам действительно нужны, чтобы подтвердить или опровергнуть свою гипотезу; выполните их и двигайтесь дальше. Скорее всего, вы не можете позволить себе роскошь делать что-то сверх самого необходимого.

Иногда вы должны дать решению прийти самому. У любого правила есть исключения. Не всегда возможно сформировать начальную гипотезу; в этом случае вам придется полностью полагаться на анализ фактов, чтобы постепенно найти путь к конечному решению.

Полученные уроки и иллюстрации внедрения

В других организациях большинство бывших сотрудников McKinsey имеет гораздо меньше времени для анализа, чем в Фирме. Но приобретенные ими навыки разработки планов анализа помогают им и на новом месте работы получать факты, необходимые для обоснования их решений. Мы свели их опыт к четырем урокам:

– Старайтесь, чтобы гипотеза определяла анализ.

– Правильно расставьте приоритеты.

– Забудьте об абсолютной точности.

– Применяйте к трудным проблемам метод триангуляции.

Старайтесь, чтобы гипотеза определяла анализ. При планировании анализа вам придется найти нужный баланс между интуицией и поиском фактов. Раньше в McKinsey не было места интуиции; но, по некоторым признакам, в эпоху «новой экономики» даже Фирма начала прибегать к этому способу принятия решений в возникших «на пустом месте» новых областях. А в некоторых организациях вообще предпочитают полагаться только на интуицию, особенно при нехватке времени. Один бывший сотрудник McKinsey заметил на этот счет: «Люди понимают, что для формирования гипотезы нужно ориентироваться на ожидаемый результат: разобраться, к чему надо прийти, и определить, верен ли избранный путь. Но часто они не хотят тратить время на небольшие проверки правильности своих решений». Однако мы все же убеждены, что интуицию обязательно должен дополнять анализ фактов, чтобы основание для ваших решений было прочным.

Чтобы найти нужный баланс, вы должны ориентироваться на качество, а не количество. Как говорит Джеймс Дж. Уэлан из L, G, & E Energy, «фокусирование при анализе важнее, чем масштаб, и возможно оно только при правильном структурировании проблемы в самом начале». Как говорилось в главе 1, если вы правильно разработали дерево вопросов, то сразу понимаете, какие виды анализа вам нужны. Разделив проблему на вопросы, а вопросы – на подвопросы, в какой-то точке при спуске по этому дереву – на два или на двенадцать уровней ниже – вы получаете набор вопросов, на которые можно ответить «да» или «нет» (например: «Принесет ли этот продукт доход? Есть ли у нас навыки для внедрения новой программы? Не противоречит ли она закону?»). Отвечая на них, вы сформировали начальные гипотезы; теперь пора подтвердить или опровергнуть их путем анализа фактов.

Еще один способ сосредоточиться на нужных вещах – постоянно помнить о конечной цели, как рекомендует Джефф Сакагучи из Accenture:

Мы проходим процесс, состоящий из постановки вопросов, подвопросов, выдвижения гипотез, сбора данных и их анализа, подготовки отчета, и этот процесс помогает понять, каким, скорее всего, будет итог. Благодаря этому мы не тратим силы на те виды анализа, которые не относятся напрямую к выполняемой задаче, даже если они интересны и стимулируют интеллект. Если начать заниматься ненужным делом, можно очень быстро прийти к поражению.

Джефф указывает, что есть реальная опасность увлечься «анализом ради анализа». При обилии данных может быть интересно поиграть с ними, изучая так и этак. Но если все это не направлено на то, чтобы подтвердить или опровергнуть вашу гипотезу, вы тратите время впустую.

Правильно расставьте приоритеты. Когда к заключению требуется прийти в сжатые сроки, а ресурсы для решения проблемы ограниченны, нужно разобраться, какие виды анализа жизненно необходимы, а какие – просто «гарнир». Здесь, как и в самом начале работы, вы должны разобраться, чего не надо делать. Когда направление задано гипотезой, вы легко избежите лишней работы.

Это особенно верно для малых компаний с ограниченными ресурсами. Они не могут позволить себе пытаться «вскипятить океан». Об этом свидетельствует Боб Бухсбаум, ныне СЕО компании по продаже художественных материалов Dick Blick Holdings:

Ищите путь наименьшего сопротивления – в этом вам помогут гипотезы; делайте предположения и получайте ответы, которые верны по своему направлению. У нас в McKinsey говорили: «Данных и времени всегда не хватает», и я всегда понимал это как «Не медлите». Компания у нас небольшая (доходы составляют $90 млн.), и мы не можем пренебрегать этими уроками. Я снова и снова не даю людям разработать «объединяющую теорию» компании.

Как мы уже говорили в предыдущей части этой главы, у людей с навыками аналитического мышления возникает огромное искушение выполнять неактуальные, но интересные виды анализа. Подавляйте это стремление в своей команде, а особенно – в себе.

Далее вы должны разобраться, какие виды анализа принесут быструю победу, то есть легко выполнимы и при этом способны сделать большой вклад в подтверждение или опровержение начальной гипотезы. Иными словами, срывайте низко висящий фрукт. (На эту тему мы еще поговорим в главе 7.) Яркий пример такого мышления можно увидеть в рассказе Чакко Сонни из Savage Entertainment о том, как его команда выполняет важный этап в разработке любых компьютерных программ – поиск ошибок:

Несомненно, устранение ошибок – главный принцип обеспечения качества программ на ранних стадиях их тестирования. Мы не можем допустить, чтобы в выпускаемом продукте их осталось 20%, но правило «80/20»[10] действительно применимо в данном случае. Одна и та же ошибка в коде может вызывать ряд самых различных симптомов. Мы отслеживаем не абсолютно все проявления серьезной ошибки, а лишь 80% – этого достаточно для того, чтобы понять причины происходящего и решить проблему. На раннем этапе мы пытаемся выловить важнейшие ошибки, имеющие значительные последствия. А к концу процесса находим оставшиеся 20% проблем, что позволяет нам скорректировать продукт для продажи.

Сосредоточившись на самых выигрышных видах анализа и избегая ненужных, вы сможете многое успеть за краткий срок.

Забудьте об абсолютной точности. Мы подчеркиваем важность анализа фактов в принятии бизнес-решений. Поэтому может показаться, будто мы противоречим самим себе, говоря, что вам не нужна точность результатов анализа. Но правда в том, что бизнес по большей части не точная наука, в отличие от физики или математики. Чтобы решить, открывать ли новую фабрику, не нужен такой же уровень точности, как при открытии новой субатомной частицы. Более того, в большинстве случаев стремление к научному уровню точности для управленческих решений может стать помехой эффективной работе. Вы потратите слишком много времени и усилий и в результате можете даже перейти от правильного в целом ответа к неправильному. Помните об этом, определяя задачи анализа для своей проблемы.

Это особенно верно для перспективного анализа. Одно дело собирать данные за прошлый период для ответа на вопрос «Каков объем рынка данных приборов?», и совсем другое – на вопрос вроде «Какую рентабельность в следующие 10 лет имел бы новый завод по производству этих приборов в Верхнем Сандаски?». Ответ в последнем случае зависит от множества переменных, значение которых в данный момент невозможно предугадать: будущий спрос на эти приборы, появление новых конкурентов, изменение вкусов потребителей и т.д. Любая цифра, которую вы предложите, скорее всего будет неправильной. Поэтому в данном случае достаточно приблизительного ответа. Такой ответ, как правило, можно дать очень быстро, тогда как на погоню за иллюзорной точностью ушло бы гораздо больше времени.

Кроме того, вам будет легче провести анализ, если нужно быстро получить какой-то приблизительный ответ, чем при необходимости найти ответ с точностью до четвертого знака после запятой. Один бывший сотрудник McKinsey так отзывается об этом:

Я считаю, что приблизительный анализ невероятно полезен, потому что позволяет получить примерные цифры. Во многих случаях мне просто нужно знать, например, во сколько обойдется идея нового продукта: $5 млн., $50 млн. или $500 млн. А некоторым людям очень трудно с этим свыкнуться. Они думают: «Вот я скажу $50 млн., а вдруг окажется $75 млн.?» Да это для меня не важно! «Но это же ошибка на 50%!» – говорят они. Я отвечаю, что эта цифра гораздо лучше, чем ее полное отсутствие.

Как мы уже говорили, некоторые люди стремятся провести все существующие виды анализа; а другие стараются непременно получить ответ с точностью до четвертого знака после запятой. Нарас Ээчамбади, основатель и СЕО компании Quaero, Inc., которая предоставляет маркетинговые консультации с помощью информационных технологий, знаком с этой ситуацией изнутри: