Стратегические преимущества рандомизированного
принятия решений

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.

От быстрого рандомизированного принятия и внедрения решений выиграли и другие известные проекты. Первая камера GoPro состояла из наручного ремешка и пластикового корпуса с дешевой готовой цифровой камерой. Постепенная доработка первой версии и акцент на отношениях с клиентами позволили производителю устоять перед натиском выведших на рынок свои экшн-камеры тяжеловесов вроде Sony, Nikon и Garmin.

Впрочем, и такие компании успешно (а благодаря избытку ресурсов, возможно, даже с большей готовностью) пользуются рандомизацией. Когда у рынка онлайн-шопинга наметились сразу три многообещающих направления развития — поиск по не связанным между собой магазинам (Google Shopping), платформа с множеством маленьких магазинчиков (Tmall) и один большой магазин (Amazon), — Alibaba не стала ждать победы одной из моделей. Она создала три разных подразделения и выработала решения для трех сценариев будущего — а когда стало понятно, что выживут все сегменты, оказалась важнейшим игроком в каждом из них.

Ускоренное обучение

Чем раньше вы начнете действовать, тем быстрее извлечете нужные уроки. Например, запустив минимально жизнеспособный продукт раньше всех, вы увидите первую реакцию конкурентов и потребителей — и поймете, что делать дальше. Полагаясь на гадание, народ наскапи получал возможность случайно открыть для себя новые источники воды, удобные территории для стоянок или охотничьи угодья.

Нужен более современный пример? Вспомним масштабные языковые модели вроде ChatGPT, предсказывающие следующее слово исходя из предыдущих. Программисты могут контролировать степень точности этого процесса с помощью настройки «температура»: чем она выше, тем реже алгоритм будет выбирать слово, с наибольшей вероятностью идущее после предыдущего. Рост температуры снижает точность, зато придает тексту приятный для пользователя элемент неожиданности и разнообразит результаты работы нейросети — а значит, и реакцию читателей, — помогая модели постоянно совершенствоваться.

Безусловно, частный бизнес знает о пользе экспериментов. Физические розничные магазины десятилетиями выверяют размещение товаров на полках. В цифровой сфере фирмы уже привыкли к непрерывному А/В-тестированию дизайна сайта, рекомендаций продуктов и моделей ценообразования.

Но необходимый масштаб тестов и опытов обычно недооценивается — отчасти из-за того, что тесты часто создают для проверки четко прописанной гипотезы, предполагающей стабильное состояние среды. В результате стратеги получают меньше информации, чем могли бы, если бы увеличили температуру и проводили не столь точно сформулированные, но более разнообразные и частые эксперименты. Для этого в дополнение к проверке гипотез при разработке ПО, например, часто проводится случайное тестирование.

Полезная непредсказуемость

Рандомизированная стратегия — произвольный выбор любого из возможных действий с равной вероятностью успеха — единственный разумный вариант при игре в камень, ножницы, бумагу: только он не позволяет выработать эффективную защиту. В более сложной ситуации, например при игре в шахматы, тоже есть ряд известных примеров якобы случайных (и уж точно контринтуитивных) ходов, добавляющих неоднозначность и напряжение при игре с превосходящим по силе противником.

Этот эффект издавна знаком финансовым организациям: с помощью рандомизации им удается скрыть свои истинные торговые стратегии. Используя алгоритмы сигма-точечного фильтра Калмана, рандомно варьирующие задержки, время и размер заказов, компании могут помешать другим участникам рынка разгадать свои намерения и не дать им извлечь выгоду из аналитики более компетентных продавцов. Пример попроще — тест Fake door, предлагающий потребителям случайный продукт или акцию и анализирующий их реакцию, — не выдавая конкурентам своих истинных намерений.

Компенсированные перекосы

Менеджеры склонны воспроизводить хорошо зарекомендовавшие себя приемы и скептически относиться к новым идеям и внешним сигналам. Игнорирование изменений среды ведет к снижению эффективности. За примерами далеко ходить не надо: все помнят, как Blockbuster и Nokia не захотели ничего менять, когда спрос и конкурентные условия кардинально изменились, — и это привело к катастрофическим последствиям.

Рандомизация может помочь найти решение проблемы. В природе последовательная адаптация вида к изменчивой среде достигается за счет случайных мутаций и естественного отбора. Опираясь на этот опыт, разработчики эволюционных алгоритмов быстро генерируют рандомные элементы решения крупной задачи, собирают из них пробные решения и оценивают их по способности достичь цели или по функции приспособленности.

В политике рандомизация применяется уже несколько тысяч лет. Скажем, в древних Афинах многих должностных лиц выбирали по жребию, чтобы не дать преимущества богатым и влиятельным гражданам. Что касается делового контекста, то благодаря рандомизации организации могут без труда избежать ненужных интриг и сговоров при распределении бюджета между соперничающими претендентами, использующими конфиденциальные данные. Очевидная беспристрастность случайного выбора исключит обиды.

Нелюбовь к переменам не всегда обусловлена воспоминаниями о прошлых успехах. В особо сложных случаях люди оказываются жертвами выученной беспомощности: привыкают думать, что ничего исправить нельзя, и вообще перестают принимать решения. В такой ситуации рандомизация поможет вывести сотрудников из ступора.

Как использовать рандомизацию для принятия решений

Кажется, что это означает подбросить монетку или кинуть кости. Но на самом деле подобные технологии требуют предварительного изучения, численного выражения и оценки всех возможных вариантов — как и при обычной выработке стратегии. Использовать рандомизацию для своевременного выявления перспективных решений можно по-разному. Расскажем о нескольких методах.

Варьируйте исходную точку. Как и в случае с алгоритмами машинного обучения, начинать поиск полезно с произвольной подсказки. В частности, чтобы помочь музыкантам свободно творить, Брайан Ино и Питер Шмидт создали набор карт с инструкциями, будившими латеральное мышление: «поменяйте роли инструментов», «подчеркните недостатки», «вставьте беруши». Привнесение в творческий процесс элемента случайности помогает преодолеть внутренние блоки и отойти от привычных шаблонов.

Варьируйте скорость. Меняйте темп или ритм поиска (длину петель обратной связи). Команды и группы привыкли к рамкам квартальных отчетов, ежемесячных докладов или еженедельных совещаний. Но для разумной рандомизации порой надо мыслить в масштабе дней или даже часов.

Варьируйте место. Где вы ищете решение: вокруг текущего положения или вдали от него? Рандомные прыжки способны сдвинуть процесс принятия стратегических решений с мертвой точки, открыв вам области, где вы и не думали искать. В частности, исследования показали, что в открытом океане, где еды не так много, рыбы при ее поиске иногда резко сдвигаются на очень большие расстояния (в математике такие перемещения называются скачками процессов Леви).

Варьируйте эвристику. Вы осуществляете поиск сверху вниз или снизу вверх? Вширь или вглубь? Разные задачи требуют разного поиска. Единого наилучшего подхода ко всем проблемам не существует, пробуйте разные инструменты.

Варьируйте стратегов. Сделайте ответственными за поиск (или его аспекты) разных людей. Такая рандомизация поможет получить разные варианты решения, ведь у каждого сотрудника свои предрассудки, заблуждения и излюбленные методы работы.

***

В прошлом компании стремились к тому, чтобы четко понимать и контролировать ситуацию и за счет этого прокладывать оптимальный путь к своим целям. Сегодня знать все уже невозможно. Признавая это, многие фирмы переходят на принцип «непрерывного обучения» и корректируют стратегию сообразно поступающей информации.

Такой сдвиг уже дает организациям существенное преимущество — но мы полагаем, что его можно усилить, сделав акцент на активном зондировании среды в поисках ценной информации для быстрого и эффективного достижения опциональности. Именно для этого нужны быстрые рандомные решения. Такие, как у племени наскапи, чей первобытный ритуал на удивление похож на передовые методы работы со сложнейшими, запутанными задачами современности.

Источник: Harvard Business Review, сентябрь 2023 г.

* принадлежит Meta, которая признана в России экстремистской и запрещена