Текст книги "Лягушка в кипятке и еще 300 популярных инструментов мышления, которые сделают вас умнее"

Автор книги: Лорен Макканн

Соавторы: Габриэль Вайнберг
сообщить о нарушении

Текущая страница: 14 (всего у книги 22 страниц)

Другая причина, по которой вы ошибочно рассчитываете вероятность «черного лебедя», – это недопонимание их причин. Вы думаете, что у ситуации есть только одно распределение, но на самом деле их несколько. Существуют генетические мутации (например, карликовость и синдром Марфана), из-за которых низких или высоких людей может быть больше, чем при обычном нормальном распределении, где не учитываются эти более редкие генетические вариации.

Третья причина заключается в том, что вы недооцениваете вероятность и влияние каскадных сбоев. В сценарии с каскадным сбоем части системы взаимосвязаны: если в одной происходит сбой, в следующей тоже происходит сбой и т. д. Примером этой ситуации является финансовый кризис 2007–2008 годов: банкротство ценных бумаг, обеспеченных ипотекой, каскадом затронуло банки и связанные с ними страховые компании.

Еще один пример – климат. Термином потоп столетия обозначается потоп, который с вероятностью 1 % может произойти в любой из отдельно взятых годов. К сожалению, изменение климата повышает вероятность такого бедствия. Хотя раньше оно происходило с вероятностью 1 раз в 100 лет, во многих регионах она теперь превышает 1 %. Ничего уже не поделаешь. В Хьюстоне, штат Техас, было три так называемых наводнения пятисотлетия за последние три года! Вероятности этих событий явно нужно корректировать по мере того, как каскадные последствия климатических изменений будут усиливаться.

Для сложных систем типа банков или изменений климата недостаточно просто провести анализ методом дерева решений или затрат-выгод – нужно осмыслить всю систему.

Системное мышление – это мышление обо всей системе одновременно.

Так вы с большей вероятностью поймете и учтете тонкие взаимодействия между компонентами, которые в противном случае приведут к непредвиденным последствиям. Например, думая об инвестиции, нужно понимать, как, казалось бы, несвязанные части экономики влияют на результат.

Какие-то системы легко представить, другие настолько сложны, что буквально рассыпаются на кусочки, стоит о них подумать. Выход прост – нарисуйте систему в виде диаграммы. Рисование диаграмм помогает лучше понять сложные системы и взаимодействие их компонентов.

Методы эффективного представления сложных систем в виде диаграмм не укладываются в рамки этой книги, но знайте, что можно освоить множество техник, включая диаграммы каузальных петель (которые показывают петли обратной связи в системе) и диаграммы запасов и потоков (которые показывают, как вещи накапливаются и потоком направляются в систему). Магистерская работа Габриэля состояла в построении диаграммы для спам-фильтров в электронной почте. Ниже представлена одна из его диаграмм каузальных петель – вам не нужно ее понимать, это пример. Просто знайте, что это один из эффективных способов осмысления сложных систем.

В качестве следующего шага можно использовать программное обеспечение для имитации системы, которое называются симуляцией. Существуют программы, которые позволяют составить диаграмму системы на экране, а затем немедленно превратить ее в рабочую симуляцию (в режиме онлайн это делают две программы: Insight Maker и True-World). В процессе вы можете задать начальные условия, а затем посмотреть, как система будет разворачиваться с течением времени.

Симуляции позволяют глубже понять сложную систему и точнее предсказать «черных лебедей» и другие события.

Они также помогают определить, как система будет приспосабливаться к изменяющимся условиям. Принцип Шателье, названный в честь французского химика Анри-Луи Ле Шателье, гласит, что, когда любая химическая система, находящаяся в равновесии, подвергается изменению условий, например температуры, объема или давления, она подстраивается под новое равновесное состояние и, как правило, частично нейтрализует перемену.

Например, если кто-то вручит вам тяжелую коробку, вы не упадете. Вы перераспределите свой вес с учетом добавленного. Или в экономике, когда вводится новый налог, налоговые поступления от него в конечном счете будут ниже, чем можно было бы ожидать в нынешних обстоятельствах, поскольку люди меняют свое поведение во избежание уплаты этого налога.

Диаграмма каузальных петель для системы спама в электронной почте

Эта идея звучит знакомо, потому что принцип Шателье похож на ментальную модель гомеостаза из биологии: вспомните, как ваше тело автоматически начинает дрожать или потеть в ответ на внешние условия, чтобы регулировать внутреннюю температуру. Принцип Шателье не значит, что система будет подстраиваться под определенные значения, но она будет реагировать на внешние условия, и обычно так, чтобы частично нейтрализовать внешний стимул. Вы можете увидеть этот принцип в действии в реальном времени с помощью симуляций, потому что они позволяют подсчитать, как симулированная система будет приспосабливаться к различным переменам.

Связанная ментальная модель, которая также возникает в динамических системах и симуляциях, – это гистерезис, описывающий, как текущее состояние системы зависит от ее истории. Гистерезис также встречается в природе и имеет примеры в большинстве научных дисциплин. В физике, когда вы намагничиваете материал, например, удерживая магнит на куске металла, этот металл не полностью теряет магнитный заряд после того, как вы уберете магнит. В биологии Т-клетки, питающие вашу иммунную систему, после активации требуют более низкого порога для реактивации. Благодаря гистерезису металл и Т-клетки отчасти запоминают свое состояние, и то, что произошло раньше, влияет на то, что произойдет дальше.

Опять же эта идея кажется знакомой, потому что она похожа на ментальную модель зависимости от пути, которая более подробно описывает, как ваш выбор впоследствии ограничивает число ваших вариантов в будущем. Гистерезис – это один из типов зависимости от пути применительно к системам.

Например, в инженерных системах полезно встроить в систему определенный гистерезис, чтобы избежать стремительных изменений. Современные термостаты делают это, допуская диапазон температур, близкий к заданному значению: если вы хотите поддерживать температуру 70 °F (21,1 °C), термостат можно настроить так, чтобы обогреватель включался, когда температура падает до 68 °F (20 °C), и выключался, когда она вырастает до 72 °F (22,2 °C). Таким образом, он не будет постоянно включаться и выключаться. Точно так же на сайтах дизайнеры и разработчики устанавливают задержку при перемещении курсора мыши на такие элементы страницы, как меню. Программы запоминают, что вы просматривали меню, и, когда вы уводите с него курсор, оно не пропадает резко.

Используйте все эти ментальные модели для визуализации и симуляции сложных систем, чтобы лучше оценивать потенциальные результаты и связанные с ними вероятности. Применяйте эти результаты в более простой модели для принятия решения, например для дерева решений или анализа затрат-выгод.

Отдельный тип симуляции, который особенно полезен в этом случае, – это симуляция по методу Монте-Карло. Как и критическая масса, эта модель возникла в ходе Манхэттенского проекта в Лос-Аламосе в преддверии открытия атомной бомбы. Физик Станислав Улам затруднялся с использованием традиционной математики в определении того, как далеко нейтроны могут проходить сквозь различные материалы, и придумал новый метод, разложив пасьянс (ну да, карточный). Вот как он сам описывает это в журнале «Наука Лос-Аламоса»^[69]:

Первые идеи и попытки, которые я предпринимал, чтобы применить на практике [метод Монте-Карло], были вдохновлены вопросом, который пришел мне в голову в 1946 году, когда я выздоравливал после болезни и раскладывал пасьянсы. Вопрос заключался в том, каковы шансы, что пасьянс «солитер» на 52 карты сойдется? Проведя много времени в попытках оценить ответ с помощью чисто комбинаторных вычислений, я подумал: а что, если более практичный метод, чем «абстрактное мышление», состоит в том, чтобы просто разложить их, допустим, сто раз, понаблюдать и подсчитать число сложившихся раскладов?

Симуляция по методу Монте-Карло – это, на самом деле, множество независимых симуляций со случайными начальными условиями или использованием других случайных чисел внутри самой симуляции.

Проведя симуляцию системы много раз, вы начнете понимать, насколько вероятны на самом деле различные результаты.

Считайте это динамическим анализом чувствительности.

Симуляции по методу Монте-Карло используются почти во всех областях науки. Но они полезны и за ее пределами. Например, венчурные капиталисты часто используют эти симуляции чтобы определить, какой капитал зарезервировать для будущего финансирования. Когда венчурный фонд инвестирует в компанию, эта компания в случае успеха, вероятно, заработает больше денег в будущем, и фонд захочет отчасти финансировать ее, чтобы сохранить свой процент владения. Сколько денег ему зарезервировать для этой компании? Не все компании достигают успеха и собирают разные суммы, так что ответ не так однозначен во время первоначальной инвестиции. Многие фонды используют симуляции по методу Монте-Карло, чтобы понять, сколько им нужно резервировать, учитывая их текущую историю, подсчеты успешности компании и размер потенциального финансирования.

В более общем плане попытка понять сложные системы с помощью системного мышления – диаграмм, симуляций или других ментальных моделей – помогает не только получить общее представление о системе и о диапазоне результатов в ней, но также узнать наилучшие возможные результаты. Без такого знания вы застрянете в погоне за локальным оптимумом – решением, которое, возможно, и хорошее, но не лучшее.

Если есть возможность, вам следует стремиться к наилучшему решению, которое будет глобальным оптимумом.

Подумайте о катании с горки: вам подойдет и ближайшая горка (локальный оптимум), но вдалеке есть высокий холм, который намного удачнее (глобальный оптимум). Вам нужно дойти до того высокого холма.

Но для начала нужно получить полное представление о системе, чтобы понять, что высокий холм существует.

Локальный и глобальный оптимум

Адаптировано из Шившанкер Сингх Патель, «локально оптимальный успех {ordinals of life 2.0}», Destiny exiles me, 16 мая 2013 года, http://destinyexilesme.blogspot.com/2013/05/local-optimal-sucessordinals-of-life-20.html.

Остерегайтесь неизвестного неизвестного

В 1955 году психологи Джозеф Люфт и Харрингтон Ингам придумали идею неизвестного неизвестного, которую популяризовал бывший министр обороны США Дональд Рамсфелд на брифинге 12 февраля 2002 года.

Джим Миклашевский^[70]: «Что касается Ирака, оружия массового уничтожения и террористов, есть ли доказательства того, что Ирак пытался или был готов предоставить террористам оружие массового уничтожения? Ведь есть информация, что нет никаких доказательств прямой связи между Багдадом и некоторыми из этих террористических организаций».

Рамсфелд: «Сообщения, в которых говорится, что чего-то не произошло, всегда мне интересны, потому что, как мы знаем, есть известное известное – это то, что мы знаем, что знаем. Мы также знаем, что есть известное неизвестное – то есть мы знаем, что чего-то не знаем. Но есть также неизвестное неизвестное – мы не знаем, что не знаем этого. И если взглянуть на историю нашей страны и других свободных стран, именно последняя категория приносит больше всего сложностей».

Не будем обсуждать контекст и уклончивость этого диалога, но модель, лежащая в его основе, полезна для принятия решений. Когда вам предстоит делать выбор, покажите в виде удобной матрицы 2 × 2, все что вы знаете и не знаете.

Известное и неизвестное

Эта модель особенно эффективна, если систематически оценивать риски, например для успеха проекта. Каждая категория заслуживает внимания и осмысления.

 Известное известное: это риск для кого-то другого, но не для вас, поскольку у вас уже есть опыт решения этого вопроса. Например, проект требует технологического решения, но вы уже знаете, что это за решение и как его реализовать. Вам просто нужно исполнить этот известный план.

 Известное неизвестное: это также известные риски для проекта, но из-за некоторой неопределенности вам не до конца ясно, как они будут решены. Например, нужно рискнуть привлечением третьей стороны: пока вы не вступите с ними в прямой контакт, вам будет неизвестна их реакция. Превратите что-то из этого в известное известное, выполнив упражнения по устранению риска.

 Неизвестное известное: это риски, о которых вы не думаете, но для которых есть четкие планы смягчения. Например, вы собираетесь запустить бизнес в Европе летом, но вы еще не знаете, что август – не лучшее время для бизнеса. Опытный консультант поможет выявить эти риски с самого начала и превратить их в известное известное. Таким образом, они не застанут вас врасплох позже и не станут потенциальной угрозой вашему проекту.

 Неизвестное неизвестное: это наименее очевидные риски, поиск которых требует слаженных усилий. Например, что-то в организации или в индустрии может кардинально изменить данный проект (например, сокращение бюджета или заявление о приобретении нового продукта). Даже если вы найдете неизвестное неизвестное (превратив его в известное неизвестное), вы все равно не будете точно знать его вероятность или последствия. Вы все равно должны заняться устранением риска, чтобы в конечном итоге превратить его в известное известное.

Как видите, нужно рассортировать элементы по четырем категориям, а затем превратить их в известное известное. Эта модель предназначена для получения более полного представления о ситуации. Она похожа на системное мышление из предыдущего раздела, где для правильного решения мы пытались получать полное представление о системе.

В качестве примера рассмотрим рождение ребенка. Прочитав все книжки, вы знаете, что первые несколько недель будут сложными, вам придется на время уйти с работы, купить автокресло, детскую кроватку, памперсы и т. д. – это известное известное. Вы также знаете, что у ребенка могут быть проблемы со сном и питанием, но пока он не родится, его предпочтения останутся неопределенными – это известное неизвестное. Может быть, вы еще не знаете, что есть такая штука, как пеленание, но скоро медсестра или родственник покажет вам, как это делается, и превратит это неизвестное известное в известное известное. А есть также вещи, о которых пока никто не знает или даже не думает, например возникнут ли у вашего ребенка проблемы с обучаемостью.

Связанная модель, помогающая обнаружить неизвестное неизвестное, – это анализ сценариев (или планирование сценариев), который представляет собой метод более глубокого осмысления возможных вариантов в будущем. Звучит довольно просто, но на практике это не так.

Дело в том, что продумывать возможные сценарии – действительно сложная задача, а уж взвешивать их вероятности и последствия и подавно.

Правительства и крупные корпорации нанимают специальных людей для анализа сценариев. Они постоянно придумывают и отчитываются о том, как мир может выглядеть в будущем и как их граждане или акционеры поведут себя в этих сценариях. Многие ученые, особенно в области политологии, урбанистики, экономики и в смежных областях, также занимаются прогнозированием будущего.

Чтобы успешно выполнить анализ сценариев, вы должны представить себе правдоподобные, но различные варианты будущего, в конечном итоге изучая несколько возможных сценариев. Это трудный процесс, так как мы склонны концентрироваться на своих первых мыслях (помните привязки?), которые обычно являются прямой экстраполяцией вашей нынешней траектории (настоящего) и не ставят под вопрос ваши собственные предположения.

Чтобы избежать этого, перечислите основные события, которые могут произойти (например, обвал фондового рынка, государственные санкции, крупное отраслевое слияние и т. д.), а потом проследите их возможные последствия для вашей ситуации. Некоторые из них будут иметь незначительный эффект, а другие станут основой для сценария, который нужно тщательно обдумать.

Возможные риски

«Он действительно очень тщательно продумывает риски».

Еще одна техника масштабного мышления о возможных сценариях будущего – это мысленный эксперимент, в буквальном смысле эксперимент, который проходит только в ваших мыслях, то есть не в физическом мире. Самым известным мысленным экспериментом, наверное, является «кот Шредингера», названный в честь австрийского физика Эрвина Шредингера, который придумал его в 1935 году для изучения различных интерпретаций квантовой механики. Вот цитата из его статьи 1935 года «Текущее положение в квантовой механике»^[71]:

Кот помещен в стальную камеру со следующим устройством (которое должно быть защищено от прямого вмешательства кота): в счетчике Гейгера находится крошечный кусочек радиоактивного вещества, настолько маленький, что, возможно, в течение часа один из его атомов распадется, но с равной вероятностью этого может не произойти. Если это произойдет, считывающая трубка разрядится и с помощью реле приведет в действие молоточек, который разобьет маленький сосуд с синильной кислотой. Если предоставить эту систему самой себе на час, можно сказать, что кот все еще жив, если за это время ни один атом не распался. Ведь первый атомный распад отравил бы его.

Итак, у вас в коробке сидит кот, и, если за последний час произошел распад радиоактивного атома, это убило его. Этот мысленный эксперимент ставит вопрос, на который нельзя ответить, пока вы не откроете коробку: кот будет жив, мертв или в промежуточном состоянии, как предполагают некоторые интерпретации квантовой механики? И что именно произойдет, когда вы откроете коробку?

Ответы на этот мысленный эксперимент не укладываются в рамки данной книги, и споры над ним шли десятилетиями. Вот какова сила мысленного эксперимента.

Мысленные эксперименты особенно полезны при анализе сценариев. Первоначальная постановка вопроса «Что, если…» – это хорошая практика. Например: «Что, если продолжительность жизни внезапно увеличится на 40 лет? Что, если богатый конкурент скопирует наш продукт? Что, если я сменю карьеру?»

Вопросы типа «что, если» можно также применять к прошлому. Это называется контрфактивным мышлением,

то есть мышлением о прошлом, как если бы прошлое было другим, вопреки тем фактам, которые произошли на самом деле. Возможно, вы видели эту модель в книгах и фильмах о сценариях, которые могли бы произойти, если бы Германия выиграла Вторую мировую войну (например, «Человек в высоком замке» Филипа К. Дика). Примеры из собственной жизни помогут вам лучше принимать решения через продумывание возможных последствий ваших решений в прошлом. Что, если бы я согласился на эту работу? Что, если бы я пошел учиться в другое место? Что, если бы я не взялся за этот сторонний проект?

Пересматривая свои прошлые решения, важно думать не только о положительных последствиях, которые могли бы возникнуть, если бы вы сделали в жизни другой выбор.

Эффект бабочки напоминает, что одна маленькая перемена может создать волновой эффект, так что при контрфактивном рассмотрении сценариев помните, что если вы измените даже всего одну вещь, вряд ли все остальное останется прежним.

Тем не менее вопросы «что, если» помогут мыслить более творчески, предполагая сценарии, которые расходятся с вашей интуицией. В более общем смысле это одна из многих техник латерального мышления, которое помогает попеременно переходить от одной идеи к другой, в противовес критическому мышлению, которое связано скорее с оценкой идеи, стоящей перед вами. Латеральное мышление – это нестандартное мышление.

Другая полезная техника латерального мышления включает в себя добавление некоторой случайности в генерацию идей. Например, произвольно выберите объект из вашего окружения или существительное из словаря и попытайтесь каким-то образом связать его с вашим текущим списком идей, формируя в процессе новые побочные идеи.

Какие бы методы вы ни использовали, очень трудно в одиночку проводить анализ сценариев. Результаты будут лучше, если вам поможет кто-то со стороны, потому что разные люди с разными точками зрения смогут предложить новые идеи.

Таким образом, есть искушение с самого начала задействовать в мозговом штурме много людей. Исследования показывают, что это неправильный подход из-за явления группового мышления – искажения, которое возникает, потому что группы склонны мыслить в гармонии. Зачастую участники группы стремятся к консенсусу, избегая конфликтов, спорных тем или даже альтернативных решений, когда им кажется, что решение уже одобрила группа.

Эффект присоединения к большинству описывает феномен, при котором консенсус закрепляется быстро, поскольку члены группы начинают присоединяться к большинству по мере роста популярности идеи. Это о склонности людей считывать социальные сигналы и следовать решениям других. Таким образом, вероятность того, что человек примет какую-то идею, увеличивается по мере того, как все больше людей уже сделали это.

В некоторых случаях это рационально, как, например, когда вы «подражаете большинству» и принимаете продукт, основываясь на отзывах других владельцев этого продукта, которые всесторонне его изучили. Но в других случаях причуды и тенденции основываются на поверхностном материале.

Групповое мышление ужасно для анализа сценариев и имеет гораздо более масштабные последствия, приводя к плохим групповым решениям, если его не корректировать.

Однако есть множество способов управлять групповым мышлением, включая создание культуры оспаривания, критическую оценку всех идей, назначение позиции адвоката дьявола, активное привлечение людей с различными мнениями, уменьшение влияния лидеров на рекомендации группы и разбиение групп на независимые подгруппы.

Именно последняя рекомендация особенно актуальна для анализа сценариев, так как она формирует базу для дивергентного мышления, когда вы активно пытаетесь заставить людей мыслить по-разному (дивергентно), чтобы найти множество возможных решений, в отличие от конвергентного мышления, где вы стараетесь свести мышление к одному решению (конвергентно). Одна из тактик состоит в том, чтобы встретиться один раз, не проводя мозгового штурма, а чтобы обсудить цель анализа сценариев. Затем разделить всех людей по одному или сформировать маленькие группы. Можно дать им подсказку, на которую они должны будут отреагировать: например, предоставить данные опроса или заставить придумать мысленный эксперимент и идеи сценария с нуля (дивергентное мышление). Наконец, объедините всех вместе, чтобы просмотреть предложенные сценарии и сузить их до нескольких вариантов, которые нужно будет изучить дальше (конвергентное мышление).

Кроме того, вполне вероятно, что близкие люди, например, сотрудники вашей компании, имеют схожие культурные черты и вам следует выходить за рамки своих обычных контактов в организации, чтобы получить всестороннее и дивергентное мышление. Один из способов сделать это – поискать людей из разных жизненных сфер для участия. Другой способ, легко доступный через интернет, – это краудсорсинг идей, где вы собираете идеи буквально у всех, кто хочет поучаствовать.

Краудсорсинг показал себя эффективным в самых разных ситуациях, от советов по журналистике до сбора материалов для «Википедии» и решения реальных проблем компаний и государств. Например, в 2009 году Netflix провел конкурс, в котором краудсорсинговые исследователи лучше справились с задачей, чем собственные алгоритмы рекомендаций Netflix.

Краудсорсинг помогает понять мнение широкого круга людей о проблеме и принять решение в будущем, обновив априори.

Он также может помочь обнаружить неизвестное неизвестное и неизвестное известное из отзывов людей, обладающих опытом, которого вы, возможно, не имеете.

Джеймс Шуровьески^[72] в своей книге «Мудрость толпы»^[73] изучает ситуации, где вклад толпы был особенно эффективным. Он начинает с истории о том, как на сельской ярмарке в 1906 году, куда пришел статистик Фрэнсис Гальтон, толпа верно угадала вес быка. Участвовало почти 800 человек, каждый угадывал по отдельности, и средний угаданный вес составил 1197 фунтов – точный вес быка вплоть до фунта! Хотя подобного результата нельзя ожидать во всех ситуациях, Шуровьески объяснил ключевые условия, в которых можно ожидать хороших результатов от краудсорсинга.

 Разнообразие мнений: краудсорсинг хорошо работает, когда опирается на знания и опыт разных людей.

 Независимость: люди должны иметь возможность выражать свое мнение без влияния других, избегая группового мышления.

 Агрегация: организация, проводящая краудсорсинг, должна иметь возможность комбинировать различные мнения так, чтобы прийти к коллективному решению.

Разработав систему с этими свойствами, вы воспользуетесь коллективным разумом толпы. Это позволит собрать полезные фрагменты информации, которые скрываются в группах с разными участниками. В примере с быком мясник мог заметить то, чего не увидел фермер, а ветеринар заметил что-то еще. Все эти знания привели к правильной коллективной догадке.

Более современным примером использования коллективного разума является опрос аудитории, как на телешоу «Кто хочет стать миллионером?».

В целом использование коллективного разума имеет смысл, когда общий пул знаний группы больше, чем тот, к которому вы имеете доступ. Это поможет вам прийти к более разумному решению, чем вы пришли бы самостоятельно. «Толпа» может помочь систематически продумать различные сценарии, собрать новые данные и идеи или просто улучшить существующие.

Одно из непосредственных применений краудсорсинга для анализа сценариев – это использование рынка предсказаний, который похож на фондовый рынок. В простом пересказе цена каждой «акции» на этом рынке варьируется от 0 до 1 доллара и отражает текущую вероятность события, например избрание определенного кандидата. Так, цена 0,59 доллара будет показывать 59 % вероятность того, что выберут этого кандидата.

Если вы считаете, что вероятность намного выше, чем 59 %, вы можете купить акцию «да» по этой цене. Наоборот, если вы думаете, что вероятность значительно ниже 59 %, можете купить акцию «нет» по этой цене. Если кандидат действительно победит, рынок выплатит держателям акций «да» по 1 доллару за акцию, а акции «нет» потеряют какую-либо ценность. И наоборот, если кандидат не выиграет, то держатели акций «нет» получат по 1 доллару за акцию, а акции «да» потеряют какую-либо ценность.

Если больше людей делает прогноз «да», чем «нет», цена акций растет, и наоборот. Глядя на текущие цены на рынке предсказаний, вы можете представить себе, что произойдет, по мнению рынка, на основании того, какие ставки делают люди (покупают акции). Многие крупные компании оперируют аналогичными внутренними рынками предсказаний, где сотрудники предсказывают такие вещи, как продажи и маркетинговые кампании.

Существует несколько крупных публичных рынков предсказаний, таких как PredictIt, который занимается политическими прогнозами вышеописанным способом. Хотя этот рынок успешно предсказал многие результаты выборов по всему миру, в 2016 году он не смог правильно предсказать как выборы Дональда Трампа, так и голосование по Брекситу в Великобритании. Ретроспективный анализ показал, что мнения были, очевидно, недостаточно разнообразными и участники рынка предсказаний, вероятно, имели мало прямых контактов со сторонниками Трампа или Брексита. Кроме того, предсказатели оперировали недостаточно независимо, на них влияли изначально высокие ставки против Трампа и Брексита^[74].

Другой проект, который называется «Здравый смысл»^[75], краудсорсит предсказания мировых событий. Его соучредитель Филип Тетлок изучил тысячи участников и обнаружил сверхпрогнозистов, которые неоднократно совершали прекрасные прогнозы. Эти сверхпрогнозисты неизменно побеждают ведущие мировые разведывательные службы в своих предсказаниях мировых событий, хотя у них нет засекреченных сведений, к которым разведка имеет доступ!

В книге под названием «Сверхпрогнозы»^[76] Тетлок исследует характеристики, позволяющие сверхпрогнозистам делать такие точные прогнозы. Как водится, эти характеристики полезно развивать в себе каждому:

 Интеллект: мыслительные способности крайне важны, особенно способность входить в новую сферу и быстро набирать в ней скорость.

 Экспертные знания в определенной области: хотя вы можете изучать определенную область на лету, чем больше вы о ней знаете, тем сильнее вам это поможет.

 Практика: хорошие прогнозы, по-видимому, это навык, который со временем можно оттачивать и улучшать.

 Работа в команде: группы людей могут превзойти в результативности индивидов, если будут избегать группового мышления.

 Открытость:

люди, готовые оспаривать собственные убеждения, склонны делать более точные прогнозы.

 Обучение на вероятностях из прошлого: люди, которые изучили вероятности аналогичных ситуаций в прошлом, лучше оценивают текущую вероятность, избегая ошибки базового процента.

 Умение не спешить: чем дольше люди думали над прогнозом, тем лучше у них получалось.

 Пересмотр прогнозов: прогнозисты, которые постоянно пересматривали свои прогнозы на основе новой информации, успешно избегали искажения подтверждения.

Использование рынков предсказаний и техник сверхпрогнозистов улучшит ваш анализ сценариев, сделав его точнее и сконцентрировав его на событиях, которые на самом деле более вероятны. Как мы уже разобрали, многие непредсказуемые перемены неизбежно произойдут. Но овладев ментальными моделями из этой главы, вы будете лучше подготовлены к изменениям.

Даже если вы не сможете в точности предсказать то, что произойдет, нарисуйте в своем воображении похожие сценарии и подготовьтесь к ним.

В этой главе мы увидели множество моделей для принятия решений, превосходящих простой список «за» и «против», с которого мы начали. Когда вы приходите к решению, используя одну или несколько из этих ментальных моделей, хорошим последним шагом будет создание обоснования – документа, в котором изложены причины вашего решения.

Этот процесс является формой начала с основ. Вы раскладываете свои предпосылки (основы) и объясняете, как они ведут к вашему выводу (решению). Вы обосновываете свое решение. Этот крайне важный шаг поможет обнаружить дыры в процессе принятия решений. Вдобавок обоснование является отправной точкой для обсуждения решения с вашими коллегами.

Обоснование может быть очень коротким и неформальным (несколько абзацев) или чрезвычайно подробным и официальным (массивный отчет) и часто сопровождается презентацией. В своей окончательной форме оно используется, чтобы убеждать других (или себя!), что решение правильное. Используя ментальные модели из этой главы, вы составите убедительные обоснования, которые помогут вам и вашей организации принимать отличные решения.