Наука Побеждать в инвестициях, менеджменте и маркетинге
Шрифт:
И точность бизнес- и инвестиционных прогнозов, увы, с годами не повышается. Рисунок 1 показывает, что за последние сто лет, то есть за век самого небывалого прогресса почти во всех отраслях человеческой деятельности, наша способность предсказывать успех или провал бизнеса не увеличилась. Мы в два раза дольше живем, орошаем в шесть раз больше посевных площадей, наши моторы в восемь раз более эффективны, а летаем мы быстрее в девять раз, но прогнозировать бизнес мы лучше не стали.
При этом, без сомнения, есть внутренние закономерности, позволяющие прогнозу стать точным и эффективным. Это очевидно хотя бы потому, что существуют-таки немногие талантливые инвесторы и менеджеры, частота правильных выборов
Подобная ситуация встречалась и раньше. Обычно она предшествовала возникновению новой инженерно-практической науки. Например, великий русский кораблестроитель академик Крылов вспоминал, что на Петербургской судостроительной верфи был рабочий-самородок, который на основе многолетнего опыта и врожденного таланта без всяких расчетов мог начертить профиль любой корабельной балки.
К сожалению, уникальный дар этого рабочего обладал двумя неотъемлемыми ограничениями. Во-первых, он принципиально не тиражируемый. Его нельзя передать другим людям. Они не такие врожденно-талантливые, а увеличить частоту рождаемости гениев невозможно даже в эпоху генетического клонирования. Во-вторых, за многие годы работы этот самородок все время встречался лишь с определенным набором ситуаций. А пока знание не формализовано, невозможно ни расширить, ни сузить границы его применения.
И вот на кораблестроительные производства пришла наука - сопромат. С ее помощью уже не уникумы, а тысячи обычных выпускников институтов могут рассчитать профили балок. Поначалу сопромат лишь дал возможность многим не гениям, но профессионалам копировать интуицию редчайших единиц. Но вскоре количество переросло в качество, и сегодняшние расчеты, безусловно, более надежны, чем интуитивные эскизы самородка.
Тот же переход от интуиции к анализу предстоит сейчас сделать и менеджерам, и инвесторам. Описываемый в данной книге Квантово-Экономический Анализ (КЭА) как раз и является той методологией прогноза, которая позволяет не предчувствовать, а предвидеть, не угадывать, а определять те проекты и компании, которые идут "на рифы". КЭА не только "вычисляет" обреченные проекты, но выявляет причину, по которой начинание обречено, и позволяет выбрать прием, который может спасти ситуацию. Ведь "подводные камни", при всей их неочевидности, обнаружены заблаговременно, и еще не поздно их обойти.
Но разве не было методологии прогноза до появления КЭА? А как же классические методы, применяемые от "большой пятерки" до отдельных аналитиков? Эти методы основаны на анализе документов бухгалтерского учета, применения к ним аудиторского анализа и расчета дюжины финансовых коэффициентов. Методы эти продуманы и хороши, но не как первый шаг анализа, а как второй. Ситуация с ними становится наглядной, когда в Лондонском Сити - одном из финансовых центров мира - видишь следующую игрушку.
На мраморной подставочке установлена монетка, которую можно вертеть. Крутани монетку и, если она повернется орлом, считай, что проект или фирма выживут. А значит, есть необходимость применить весь инструментарий стандартного финансового анализа, чтобы увидеть, на какую прибыль можно рассчитывать и стоит ли вообще игра свеч. Если же монетка повернется решкой, то считай, что проект обречен и не надо тратить время на финансовый анализ. Справедливости ради заметим, что, крутя монетку, бизнес-аналитики себе явно льстят. Ведь средняя оправданность прогноза по отношению к начинающим компаниям у них явно меньше 50%.
Классический финансовый анализ - вещь нужная, но ему должен предшествовать не поворот монетки и, тем более, не слепая надежда,
Что же происходило с разработкой таких методов "первого шага", определяющих жизнеспособность бизнеса или проекта? Тут дело обстоит куда хуже, чем с инструментарием финансового анализа. В первом приближении можно выделить два подхода к этому ключевому вопросу.
Проиллюстрируем на примере первый подход. Гарвардский биотехнологический клуб проводил совместную с Гарвардской Школой Бизнеса встречу. Большой амфитеатр в мраморном здании Гарвардской Медицинской Школы был переполнен. Во время этого мероприятия мы задали вопрос профессорам бизнес-школы: А какие исследования вы проводите и преподносите вашим студентам, чтобы выработать у них фундаментальный научно-обоснованный подход к прогнозу успехов и неудач компаний?".
Ответ отражал четко сформулированную позицию без попыток шарлатанства, оглашенную перед всей аудиторией. Профессора школы бизнеса сказали, что технико-экономическое обоснование, т.е. прогноз, не проиграет ли бизнес в конкурентной борьбе, никогда нельзя будет сделать наукой или фундаментальным формализованным знанием. То, что можно, нужно и чем, собственно, и занимается бизнес-школа, это выработать у будущего аналитика "инстинкт". Необходимо показать студенту как можно больше наглядных примеров, и у него со временем выработается рефлекторное ощущение, какой из предложенных ему в будущем проектов сработает, а какой прогорит.
Конечно, такой педагогический подход работает лишь с наиболее талантливыми, да к тому же после многих лет проб и ошибок и при условии, что мир не меняется. А простой перенос прошлого опыта на ситуации в будущем чреват. Не правда ли, это напоминает судостроительную верфь с рабочими -самородками, но без инженерных расчетов? Забавно, что именно успешные студенты являют собой доказательство несостоятельности такого внесистемного антинаучного подхода.
Ведь если бы повторяющихся внутренних закономерностей действительно не существовало, то сколько примеров ни демонстрируй, никакого урока из них извлечь все равно было бы нельзя (этот аргумент настолько важен, что мы повторим его еще раз ниже).
И основная, если не единственная, причина, почему метод "дрессировки" все еще распространен - это неуспешность тех, кто, напротив, уверен, что извлекать и формализовывать внутренние закономерности необходимо и переводить дело на нормальные научно-надежные рельсы обязательно. Типичным представителем такого подхода является выпускник Массачусетского Технологического Института (MIT), который перешел работать на Wall Street и активно пытается применить математические методы к новым целям - при решении задач бизнес-прогноза. В решении определенного узкого круга задач эти попытки оказываются иногда успешными, но в общем и целом они обречены. И это не есть временные сложности на верном пути. Тупиковым является сам путь.
Опыт многих веков показал, что новые науки, особенно практически значимые, не возникают простым распространением накопленного научного знания на новые объекты изучения. Великий исследователь науки Др. Кун в своей книге "Структура научных революций" писал, что новая наука или дисциплина возникает тогда, когда появляется новый язык, адекватно описывающий объект изучения и происходящие с ним явления. Например, Ньютон ввел дифференциальное исчисление как язык механики и математику в целом как язык физики. Языком химии стали атомы химических элементов и связи между ними.