Как делаются большие дела. Удивительные факторы, которые определяют судьбу каждого проекта, от ремонта дома до освоения космоса и всего, что между ними
Шрифт:
Но эти препятствия не являются непреодолимыми. Правительства и корпорации могут пересмотреть свои старые проекты и создать собственные базы данных. Более того, я помог нескольким из них сделать это. Это могут сделать и малые предприятия, и торговые ассоциации, если им удастся убедить своих членов принять в них участие. Профессионалы с большим опытом работы, естественно, учатся на опыте прошлых проектов - подрядчик, сделавший десятки ремонтов кухонь, хорошо представляет себе, сколько в среднем стоит ремонт кухни, - но они могут уточнить и улучшить свое понимание, просто собрав цифры из своих старых проектов и добавляя их каждый раз, когда проект завершается.
Что касается тех, кто не имеет доступа к такой базе данных, как моя, или не может создать свою собственную, то прогнозирование по эталонным классам все равно полезно; просто нужно использовать грубый и готовый
Вспомните молодого Роберта Каро, задумавшего написать свою первую книгу. Он мог бы легко использовать RCF, чтобы предсказать, сколько времени займет его проект: Составить список книг, которые, по его мнению, в целом похожи на ту, что он планирует написать, позвонить их авторам и спросить, сколько времени у них ушло на написание этих книг. Если он получит двадцать ответов, он сложит их, разделит на двадцать и получит свой якорь. Даже опираясь на выборку из двадцати человек, он обнаружит, что в это число вложена тонна реального опыта. Затем он спросит себя, есть ли веские причины, по которым он должен ожидать, что будет намного быстрее или медленнее, чем в среднем. Если да, то он может внести соответствующие коррективы. Если нет, то у него есть своя оценка. Она не будет идеальной, но она будет намного лучше, чем реальная оценка Каро, потому что она будет привязана к прошлым проектам, таким как тот, который он действительно делал - писал книгу, а не то, что он делал раньше - писал набор длинных газетных статей.
На самом деле Каро сделал нечто подобное позже, случайно встретившись с коллегами-авторами в писательском зале Нью-Йоркской публичной библиотеки и с облегчением узнав, что каждый из них потратил на написание своих книг по семь и более лет. Но это случилось уже после того, как он начал свой проект - после того, как он поставил свою семью на грань финансового краха и провел годы, терзая себя тем, что не смог закончить книгу за год, как планировал.
То же самое касается и ремонта кухни. Поищите среди знакомых тех, кто делал ремонт кухни, скажем, за последние пять-десять лет. Спросите друзей, родственников, коллег по работе. Ремонт кухни - дело обычное, так что, допустим, у вас наберется пятнадцать таких проектов. Узнайте общую стоимость каждого, сложите их и разделите на пятнадцать. Это и есть ваш якорь.
Еще проще и еще точнее - получить процентное превышение затрат на каждый ремонт и вычислить их среднее значение. Проценты легче запомнить, и они лучше сравниваются, чем общие суммы. Затем вы можете взять смету, составленную обычным способом - путем тщательного измерения вашего конкретного проекта, - и увеличить ее на этот процент. Таким образом, вы объедините ценность внутреннего взгляда (детализация) с ценностью внешнего взгляда (точность), в чем и заключается вся игра.
Конечно, когда речь идет о взгляде со стороны, лучше больше, поэтому данные из тридцати проектов превосходят данные из пятнадцати, а данные из ста превосходят данные из тридцати. Но важно понимать, что RCF может принести много пользы, даже если данных гораздо меньше, чем нам нужно. Если приложить немного логики, воображения и понять, почему RCF работает, можно извлечь из него хотя бы какую-то пользу, даже если у вас мало данных.
Даже данные только одного завершенного проекта представляют ценность. Конечно, было бы неправильно называть это "эталонным классом". Но это опыт реального мира. Назовите его "точкой отсчета". Затем сравните его с планируемым проектом и спросите: "Наш проект, вероятно, будет работать лучше или хуже, чем эта точка отсчета?" По своему опыту я знаю, что такое обсуждение может быть удивительно полезным.
ДЕЙСТВИТЕЛЬНО УНИКАЛЬНЫЙ ПРОЕКТ?
Наименьшее натуральное число - ноль. В действительно редких случаях, когда проект можно точно описать как уникальный - единственный и неповторимый в своем роде - именно столько проектов существует в эталонном классе. Однако даже в этом случае RCF может быть полезен.
В 2004 году мне позвонил Андерс Бергендаль, шведский чиновник, отвечающий за вывод атомных электростанций из эксплуатации. Ему нужна была достоверная оценка того, во сколько обойдется вывод из эксплуатации шведского парка атомных электростанций, что займет десятилетия, и безопасное хранение ядерных отходов, которое растянется на века. Атомную промышленность Швеции попросят внести средства в фонд для покрытия этих расходов, поэтому правительству нужно было знать, сколько должна заплатить промышленность. "Можете ли вы помочь?" - спросил он.
Я был поставлен
Но Бергендаль увидел то, чего не увидел я. Он сказал, что консультанты предоставили ему отчет с оценкой стоимости и "риска стоимости", то есть риска того, что стоимость окажется выше ожидаемой. Но он заметил странную вещь, когда сравнил отчет консультантов с академической книгой, в которой я и моя команда задокументировали риск затрат для транспортной инфраструктуры, такой как дороги, мосты и железнодорожные линии. Согласно нашей книге, риск затрат был выше для этого самого обычного вида инфраструктуры. "Это бессмысленно, - сказал Бергендаль. На реализацию транспортных проектов уходит от пяти до десяти лет, и люди строят их уже несколько столетий. Как может быть менее рискованным вывод из эксплуатации ядерной энергетики, если это занимает гораздо больше времени и у нас почти нет опыта в этом деле? Я согласился. Это не имело смысла. Консультанты и их отчет должны были уйти.
Но у Бергендаля появилась идея, чем можно его заменить. Почему бы не использовать наши данные о затратах на транспортную инфраструктуру как "нижний предел" - минимум - и предположить, что реальные затраты на вывод из эксплуатации и хранение ядерного оружия будут где-то выше этого уровня? Это была бы далеко не идеальная оценка. Но она имела гораздо больше смысла, чем та, которую составили консультанты. А вывод из эксплуатации начнется еще не скоро. Если шведское правительство введет эту смету сейчас и заставит атомную промышленность начать платить в фонд, правительство сможет скорректировать ее позже, когда узнает больше о выводе из эксплуатации в Швеции и других странах. Я был впечатлен. Это был такой разумный подход -опять же, фронезис. Мы работали над его разработкой, и он стал политикой Швеции.
Неудобная правда заключается в том, что я сам поддался "предубеждению уникальности", полагая, что такому беспрецедентному проекту, как вывод из эксплуатации атомных электростанций, нечему учиться на опыте других проектов. Это не так; как показал Бергендаль, чтобы увидеть это, нужно лишь немного логики и воображения.
РЕГРЕССИЯ К ХВОСТУ
Однако во всем этом есть большая оговорка с толстым хвостом. Представьте, что у вас есть график стоимости ремонта одной тысячи кухонь, который имеет форму классической колоколообразной кривой: большинство проектов сгруппированы вокруг среднего значения в середине, очень мало проектов в крайнем правом или крайнем левом углу, и даже самые экстремальные точки данных не сильно удалены от среднего значения. Как я уже говорил в главе 1, это то, что статистики называют "нормальным распределением".
При нормальном распределении наблюдается регрессия к среднему значению, то есть наблюдения в выборке стремятся вернуться к среднему значению совокупности по мере включения в нее большего числа наблюдений. Так, если подрядчик выполнил необычно дорогой ремонт кухни, вполне вероятно, что следующий, при прочих равных условиях, будет ближе к среднему значению и, следовательно, дешевле.
Когда вы имеете дело с нормальным распределением, вполне можно использовать среднюю стоимость в прогнозе эталонного класса, как я описал выше, и на этом закончить. Но, как отмечалось в главе 1, мой анализ показал, что лишь меньшинство из множества типов проектов в моей базе данных имеют "нормальное" распределение. Остальные - от Олимпийских игр до ИТ-проектов, атомных электростанций и больших плотин - имеют более экстремальные результаты в хвостах своих распределений. При таких толстохвостых распределениях среднее значение не является репрезентативным для распределения и, следовательно, не является хорошим оценщиком для прогнозов. Для самых толстохвостых распределений даже нет стабильного среднего значения, вокруг которого можно было бы сгруппировать результаты, потому что может появиться (и появится) еще более экстремальный результат, который отбросит среднее значение еще дальше, в хвост, к бесконечности. Так что вместо старой доброй регрессии к среднему получается то, что я называю "регрессией к хвосту". В такой ситуации полагаться на среднее и считать, что ваш результат будет близок к нему, - опасная ошибка.