Понятное дело, что измеримые результаты на выходе — лучший показатель. Но как мы могли бы оценить качество своих решений, не дожидаясь результатов?
Оказывается, что есть метод, и он для меня выглядит неожиданным. Но, если задуматься, оно так по жизни обычно и работает.
Итак: чем больше локальных максимумов есть в нашей модели, тем хуже будет итоговое качество наших решений.
Зайду издалека: мы все смотрим на проблему под разными углами, представляем для себя проблему понятным нам образом и ищем решение уже в этой ограниченной модели.
Соответственно, чем наша модель ближе к реальности, тем меньше локальных оптимумов она будет давать на выходе. У эксперта модель превращается в «гору Фудзияма», что позволяет выйти на глобальный максимум из любой точки.
Чем больше мы знаем о проблеме, тем ближе наша внутренняя модель будет к идеалу и тем выше, соответственно, будет качество наших решений.
Есть ещё одно правило: «Не бывает бесплатных обедов», и оно означает, что любая модель представления проблемы будет показывать одинаковые результаты на всем пространстве проблем. Проще говоря: если мы не знаем ничего о проблеме, мы можем выбрать абсолютно случайную модель и получить за счет этого средний результат.
Допустим, есть правило в самоменеджменте: «геморрой в первую очередь», и это правило отлично работает именно в этом контексте. Но, если мы занимаемся другими категориями задач, другие подходы вроде «креативных задач — в первую очередь», или «мотивирующих задач» дадут результаты выше.
Соответственно, если мы знаем о проблеме слишком мало, чтобы получить свою «гору Фудзияма», у нас нет надежды получить высокое качество решений, поскольку мы не сможем выбрать оптимальную модель. И грубой, но достаточно точной оценкой степени качества нашей модели будет именно количество локальных максимумов.
Пример: мы решили заняться рекламой продукта. Но, поскольку мы не знаем о рынке ничего, все методы рекламы выглядят для нас примерно одинаково, то есть превращаются в «локальные максимумы». Но, чем больше мы узнаем о рынке, тем больше мы получаем на выходе четкую иерархию потенциала этих методов, и выбор из случайного превращается в осознанный.
Этот же подход работает и в самоменеджменте, кстати: чем меньше мы знаем о себе, тем больше «локальных максимумов» относительно своих действий и их последствий будет в нашей модели. Но, чем больше мы изучаем самого себя, тем проще будет выбирать оптимальные задачи лично для себя.
В отношении же менеджмента, соответственно, основная задача — изучение рынка, чтобы получить для себя однозначную модель, в которой наилучшие решения станут очевидными. И стресс-тестирование своих решений с привлечением чужого опыта — наилучший «костыль» до момента, пока у нас не появится идеальной модели.
Ещё один важный бонус привлечения внешних экспертов: больший шанс наткнуться на глобальный максимум, даже если каждый из экспертов имеет значительное количество своих локальных максимумов. Нам достаточно объединить их максимумы и посмотреть на пересечения. С большой вероятностью именно там и будет идеальный выбор.
Но тут уже важно выбирать экспертов с разными моделями, иначе мы получим мнение лишь одного, а не толпы экспертов. Разнообразие методов и моделей тут — только в плюс. Ещё один риск слаженной команды экспертов — groupthink, мы его уже обсуждали недавно.
Свежие комментарии