چرا تلاش بیشتر را با نتیجه بهتر مرتبط می کنیم؟

متأسفانه اکثر جلسات استراتژی شرکتی از یک اسکریپت قابل پیش بینی پیروی می کنند.

یک تیم تجاری با یک عرشه 127 اسلایدی پر از مدل‌های رگرسیون، تحلیل‌های حساسیت، یا شبیه‌سازی‌های مونت کارلو وارد اتاق هیئت مدیره می‌شوند. به نظر می رسد تنها هدف، توجیه راه حل هایی است که می توانند در چند هفته با کمک افراد واقعی، افرادی که نماینده خریداران ما هستند، آزمایش شوند. جایی در این مسیر متقاعد شدیم که «سختی» مساوی است با «طلب کردن». ما به این نتیجه رسیده‌ایم که هرچه راه‌حل‌ها پیچیده‌تر باشد، قابل اعتمادتر است و هر چیزی که بدون مبارزه آشکار به دست می‌آید، ارزش واقعی ندارد.

دانشمندان علوم رفتاری به این امر اکتشافی تلاش می گویند. وقتی نمی‌توانیم کیفیت را مستقیماً اندازه‌گیری کنیم، از تلاش به عنوان نماینده‌ای برای آن استفاده می‌کنیم. چیزی که به عنوان یک میانبر ذهنی شروع شد به دکترین سازمانی متاستاز شد. ما کل ساختارهای شرکت را برای پاداش دادن به عملکرد نسبت به نتایج ایجاد کرده‌ایم، و به طور سیستماتیک تفکر تکراری سریع را که در واقع بازارها را برنده می‌شود، جریمه می‌کنیم.

در دنیای واقعی، خریداران اهمیتی نمی‌دهند که چگونه به استراتژی قیمت‌گذاری خود رسیده‌ایم. تا آنجا که به آنها مربوط می شود، تجزیه و تحلیل رگرسیون دو ساله مانند یک طرح سریع روی یک دستمال است. چیزی که آنها واقعاً می خواهند بدانند این است که آیا قیمت احساسات دقیقا سهامداران برای متدولوژی ظریف هزینه نمی پردازند، آنها برای نتایج هزینه می پردازند. با این حال، در بیشتر مشاغل، دقیقاً برعکس رفتار می کنیم.

چرا وقتی سادگی کار می کند پیچیدگی ایجاد می کند

یک تحول دیجیتال 18 ماهه که شامل چندین فروشنده و جلسات بی پایان ذینفعان می شود، ایمن تر از آنچه هست به نظر می رسد. وقتی مشکلی پیش بیاید، مسئولیت سریعتر از گوز در آسانسور گسترش می یابد. این مشکل فروشنده است. یا مشاور خراب کرده یا تیم متقابلی که نتوانستند آن را جمع کنند. در نهایت، حرفه هیچ کس ضربه مستقیمی نمی زند، زیرا همه ما به دنبال مقصر دانستن جای دیگری هستیم.

این را با یک تست قیمت گذاری سه هفته ای که در دنیای واقعی انجام شده است مقایسه کنید. اگر شکست بخورد، جایی برای پنهان شدن ندارد. این شکست برای همه آشکار است و بلافاصله قابل ردیابی برای افراد خاصی است که شرط بندی های خاصی انجام داده اند.

پس چه کنیم؟ ما از انجام این نوع آزمایش ها اجتناب می کنیم!

ما از راه حل های کوچک و برگشت پذیری که سریعتر از رقبا به ما یاد می دهند اجتناب می کنیم. در عوض، ما مدل های پیچیده می سازیم و آنها را از طریق جلسات توجیه می کنیم. مشاهده مشتری به عنوان “مردم چرخ دستی ها را رها می کنند زیرا نمی توانند دکمه پرداخت را پیدا کنند” به نقشه های حرارتی و قیف های سفر و ماتریس های تعامل می رسد.

چه اتفاقی افتاد که یک مدل درخشان با واقعیت روبرو شد

درحالی‌که رقبای آن‌ها میلیون‌ها دلار را برای مدل‌سازی پیش‌بینی‌کننده سرمایه‌گذاری کردند، Airbnb تصمیم گرفت زمانی که دیگران در حال حرکت بودند حرکت کند. آنها به جای اجرای یک آزمایش عظیم با یک میلیون متغیر، هزاران آزمایش کوچک و سریع اجرا کردند. آن‌ها به جای مدل‌سازی کارهایی که می‌توانند انجام دهند، مشاهده کردند که مشتریان واقعاً چه می‌کنند. هنگامی که آزمایش ها چیز قابل توجهی را نشان دادند، آنها تنظیم کردند. وقتی این کار را نکردند، همه چیز را رها کردند و ادامه دادند. سلسله مراتب داوران به طرز شگفت انگیزی مسطح بود – هیچ جلسه کمیته طولانی پر از افرادی که کاری جز اعتبارسنجی مدل یا چرخه های پیش بینی شش ماهه نداشتند، وجود نداشت. تنها چیزی که آنها داشتند آموزش کاربر در دنیای واقعی بود که سه ماهه بعد پیچیده تر می شد. بقیه اش تاریخ است.

استارباکس به دلیل انجام نظرسنجی های بی پایان از مشتریان، مقیاس نمی پذیرد. آمازون وسواس مشتری را از طریق مدل های ریاضی ایجاد نکرد. این شرکت‌ها برنده شدند زیرا شرط‌بندی‌های سریع و برگشت‌پذیر انجام دادند (تئوری معروف در دو طرفه آمازون) و به جای رفتار پیش‌بینی‌شده از رفتار مصرف‌کننده واقعی درس گرفتند.

استبداد تفکر کمی

بسیاری از کسب و کارها همچنان به داده های کمی به عنوان شواهد و داده های کیفی به عنوان حکایت نگاه می کنند. مصاحبه ها، مشاهدات و بازخورد مستقیم مشتری به عنوان “نرم” ثبت می شوند زیرا تعیین کمیت و اندازه گیری آنها دشوار است. صندوق‌ها قبل از تأیید آزمایش‌ها به مدل‌های پنج ساله نیاز دارند، حتی اگر این مدل‌ها بر فرضیات «تکان دادن انگشت خیس در هوا» ضعیف‌تر از ابتکارات واقعی هستند که قرار بود ارزیابی کنند. در همین حال، مزیت های رقابتی واقعی که بازارها را هدایت می کنند، اغلب نمی توانند در یک صفحه گسترده قرار داده شوند.

فرض کنید تیم بازاریابی از طریق سه گفتگو با مشتریان متوجه می شود که یک عبارت خاص احتمال تبدیل را افزایش می دهد. آنها این را به جلسه مدیریت می آورند و تماشا می کنند که همه مودبانه سر تکان می دهند. سپس داشبوردی با معیارهای تعامل از 100000 کاربر برمی‌دارند و تماشا می‌کنند که همه در اتاق به جلو خم می‌شوند. مجموعه داده ها پر سر و صداتر است و بینش ضعیف تر است. اما چون تعداد زیادی اعداد بزرگ دارد و به روشی شبه علمی انجام می شود (نگاه کنید! جداول محوری و همه چیز دارد!) قانونی تر به نظر می رسد و جدی تری گرفته می شود.

واقعاً ریاضت یعنی چه

البته راه حل های زیادی وجود دارد که نیاز به پیچیدگی دارد. من نمی‌خواهم خلبان خط هوایی من این بار خودش را وادار به انجام کاری متفاوت کند.»…فقط ببینم چی میشهسیستم‌های ایمنی، محیط نظارتی یا شرط‌بندی‌هایی که نمی‌توانیم آن‌ها را لغو کنیم، همه مواردی هستند که احتمالاً «تلاش» بهترین حرکت نیست. اما مسئله این است که بیشتر تصمیم‌های تجاری اینطور نیستند. ما سختگیری و پیچیدگی فرآیند در سطح راکتور هسته‌ای را برای سرفصل‌های آگهی‌ها و تعدیل قیمت‌ها اعمال می‌کنیم. ما هر انتخابی را غیرقابل برگشت در نظر می‌گیریم، در حالی که اکثر آنها چنین نیستند.»

دقت واقعی مربوط به حجم داده یا پیچیدگی روش شناختی نیست. این در مورد فرضیات روشن و یادگیری سریع است. فرضیه ای مانند “این بنر ثبت نام ها را 15 درصد افزایش می دهد زیرا سردرگمی در مورد مرحله بعدی را از بین می برد“دقیق تر از یک مدل 100 اسلایدی است که بر اساس مفروضات انباشته ساخته شده است. اولی در چند روز آزمایش می کند، در حالی که مدل دوم ما را ماه ها در محافل فکر می کند. مشاغلی که بر اساس اطلاعات ناقص عمل می کنند، شرط بندی های برگشت پذیر را سریع انجام می دهند و عمداً به شرط بندی های برگشت ناپذیر متعهد می شوند، آنهایی هستند که هرگز برای سطحی از آنهایی که سریع تر حرکت می کنند، منتظر نمی مانند.

هزینه واقعی مدل سازی به جای آزمایش

شش ماه مدل‌سازی یک راه‌حل، نه تنها بودجه، بلکه چرخه‌های آموزشی را نیز هزینه می‌کند. رقیبی که دوازده آزمایش کوچک را در یک پنجره اجرا می کند، بیشتر از ما می آموزد. قضاوت آنها و همچنین موقعیت رقابتی آنها بهبود می یابد. هرچه بتوانیم تکرارهای بیشتری را در مدت زمان از پیش تعیین شده انجام دهیم، بیشتر می توانیم یاد بگیریم. سریع شکست بخورید، اغلب شکست بخورید، درست است؟

بازارها به تجزیه و تحلیل عمیق یا روش شناسی چشمگیر پاداش نمی دهند. سرعت و زمان بسیار مهمتر است. هر دلاری که برای توجیه تصمیمات از طریق «تئاتر پیچیدگی» خرج می کنیم، دلاری است که ما را از یادگیری آنچه کار می کند خرج می کنیم. کسب‌وکارهایی که سریع‌تر مسائل را کشف می‌کنند برنده می‌شوند.

نه به این دلیل که باهوش‌تر هستند، بلکه به این دلیل که تمرین بیشتری داشته‌اند.