eranico
www.eranico.com
شناسه مطلب: 75970  
تاریخ انتشار: 22 مهر 1396
print

مدیران واقعی موقعیت‌های «توانستن» و «نتوانستن» را تشخیص می‌دهند

مدیریت فراتر از یک علم است

یکی از اصول مطالعه کسب‌وکار این عقیده است که مدیریت یک علم است و تصمیمات در حوزه کسب‌وکار باید با تحلیل عمیق داده اتخاذ شوند.

انفجار داده‌های بزرگ نیز این ایده را تقویت کرده است. در نظرسنجی اخیر شرکت EY، ۸۱ درصد مدیران گفته‌اند از نظر آنها «داده باید در قلب هر تصمیم‌گیری وجود داشته باشد.»

از نظر مدیران، چنین تصوری جذاب است. بسیاری از آنها در علوم کاربردی تحصیل کرده‌اند. اگر هم این‌گونه نباشد، به احتمال زیاد یک مدرک MBA دارند؛ مدرکی که سرچشمه آن از اوایل قرن ۲۰ و زمانی که فردریک تیلور «مدیریت علمی» را معرفی کرد، بوده است. برنامه‌های MBA اکنون دنیای کسب‌وکار را پر کرده‌اند، به طوری که سالانه بیش از ۱۵۰هزار نفر تنها در آمریکا این مدرک را دریافت می‌کنند. این برنامه‌ها در طول ۶ دهه گذشته مدیریت را به یک علم سخت تبدیل کرده‌اند.  اما آیا این درست است که مدیریت یک علم است؟ و آیا درست است که دقت فکری را با تجزیه و تحلیل داده یکی بدانیم؟ اگر پاسخ به این سوالات منفی است، پس مدیران چطور باید تصمیم‌گیری کنند؟ در این مقاله، رویکردی جایگزین را برای ایجاد استراتژی و نوآوری ارائه می‌دهیم؛ رویکردی که کمتر به تجزیه و تحلیل داده و بیشتر به تصویرسازی، آزمایش و ارتباط وابسته است.اما پیش از آن مروری داشته باشیم بر اینکه علم از کجا و با چه کسانی شروع شد.

آیا کسب‌وکار یک علم است؟

آنچه به‌عنوان علم می‌پنداریم، با ارسطو آغاز شد که به‌عنوان شاگرد افلاطون، اولین نفری بود که در مورد علت و معلول و روش‌‌شناسی برای اثبات آن نوشت. از آن پس، اثبات کردن، به هدف هر علم و آخرین معیار برای «واقعیت» تبدیل شد. در نتیجه، ارسطو بنیان‌گذار رویکردی به سوی اکتشاف علمی بود که گالیله، بیکن، رنه دکارت و نیوتن ۲۰۰۰ سال بعد آن را به‌عنوان «متد علمی» شکل دادند. تاکید بیش از حد بر اثر علم روی جامعه کار سختی است. اکتشافات علمی «عصر روشنگری» - که عمیقا در متدلوژی ارسطویی ریشه داشت – به انقلاب صنعتی و پیشرفت‌های اقتصادی جهانی پس از آن منجر شد. علم توانست مشکلات بزرگ را حل کند و دنیا را به مکان بهتری تبدیل کند. به همین دلیل است که دانشمندان بزرگی مثل انیشتین را تا این حد بزرگ می‌پنداریم. همچنین به همین دلیل  است که متد علمی را الگویی برای دیگر انواع تحقیقات قرار داده‌ایم و به جای «مطالعات اجتماعی» صحبت از «علوم اجتماعی» می‌کنیم.اما ارسطو به کار بردن روش علمی برای فراتر رفتن از یک حد را زیر سوال می‌برد. او در تعریف رویکرد خود، مرزهای مشخصی برای کاربرد علم تعیین کرده که شناخت پدیده‌های طبیعی را دربرمی‌گیرد که قابل تغییر نیستند. چرا خورشید هر روز طلوع می‌کند، چرا هر از چندگاهی خورشید گرفتگی یا ماه گرفتگی رخ می‌دهد، چرا اشیا روی زمین می‌افتند؟ اینها چیزهایی فراتر از کنترل انسان هستند و علم دلیل وقوع آنها را مورد مطالعه قرار می‌دهد.

اما ارسطو هیچ‌گاه ادعا نکرد که همه این وقایع اجتناب‌ناپذیرند. برعکس، او به اراده آزاد و قدرت واسطه‌ای انسان برای انجام انتخاب‌هایی اعتقاد داشت که می‌توانند موقعیت‌ها را تغییر اساسی دهند. به عبارت دیگر، اگر انسان انتخاب کند، خیلی از چیزهایی که در دنیا وجود دارند، آن‌گونه که هستند نخواهند بود. ارسطو معتقد بود عرصه احتمالات نه با تحلیل‌های علمی، بلکه با ابتکار و پیگیری بشر پیش خواهند رفت. این موضوع وقتی پای تصمیم‌گیری در مورد استراتژی و نوآوری کسب‌وکار به میان می‌آید، به طور ویژه صحیح است. شما نمی‌توانید مسیری را برای آینده ترسیم کنید یا با تحلیل تاریخ صرفا تغییر ایجاد کنید. مثلا رفتار مشتری هیچ‌گاه با محصولی که طراحی آن بر اساس تحلیل رفتارهای گذشته است،‌ متحول نمی‌شود.  البته تغییر عادت‌ها و تجربیات مشتری کاری است که در کسب‌وکارهای بزرگ با نوآوری صورت می‌گیرد. استیو جابز، استیو ووزنیاک و دیگر پیشرو‌های عرصه تکنولوژی، ابزاری با برند جدید ایجاد کردند که نحوه تعامل مردم و انجام کسب‌وکار را متحول کرد. خط آهن، اتومبیل و تلفن، همگی تغییرات رفتاری و اجتماعی بزرگی را ایجاد کردند که تحلیل‌ داده‌های پیشین، نمی‌توانست آنها را پیش‌بینی کند.به طور حتم، افراد نوآور اغلب اکتشافات علمی را در نوآوری‌های خود به کار می‌گیرند، اما نبوغ واقعی آنها به توانایی‌شان در تصور کردن محصولات یا فرآیندهایی نهفته است که قبلا هیچ‌گاه وجود نداشته‌اند.دنیای واقعی صرفا نتیجه‌ای نیست که با قوانین غیرقابل تغییر علم تعیین شده باشد. یک رویکرد علمی نسبت به تصمیم‌گیری‌های کسب‌وکار، محدودیت‌هایی دارد و مدیران باید بدانند این محدودیت‌ها در کجا نهفته‌اند.

توانستن یا نتوانستن؟

بیشتر موقعیت‌ها عواملی دارند که می‌توانید آنها را تغییر دهید و برخی عوامل را هم نمی‌توان تغییر داد. مهم این است که بتوانید این تفاوت را تشخیص دهید. باید بپرسید، آیا احتمال (چیزهایی که می‌توانیم تغییر دهیم و بهترشان کنیم) بر این موقعیت تسلط یافته یا ضرورت (چیزهایی که نمی‌توانیم تغییر دهیم)؟فرض کنید می‌خواهید برای تولید بطری‌های پلاستیکی آب معدنی برنامه‌ریزی کنید. روش استاندارد برای راه‌اندازی خط تولید این است که به تیوب‌های پلاستیک شکل دهید، آنها را گرم کنید، از فشار هوا برای قالب زدن در سایز بطری استفاده کنید، سپس آنها را سرد کنید تا سفت شوند و در نهایت بطری‌ها را با آب پر کنید. هزاران خط تولید بطری در سراسر دنیا به همین شکل کار می‌کنند.

بخشی از این فرآیند قابل تغییر نیست. مثلا میزان گرمایی که برای شکل دادن و کشیدن بطری‌ها داده می‌شود؛ میزان فشار هوای مورد نیاز برای قالب زدن بطری؛ سرعتی که باید آن را سرد کرد و سرعت پر کردن آب. این کارها طبق قوانین ترمودینامیک و جاذبه تعیین شده‌اند و هیچ مدیری نمی‌تواند کاری برای تغییر آن انجام دهد.  اما چیزهای قابل تغییر زیادی هم وجود دارند. درست است که قوانین علم بر هر مرحله سیطره دارند، اما لزومی ندارد خود مراحل، ترتیبی را که سال‌ها در ساخت بطری وجود داشته دنبال کنند. شرکتی به نام LiquiForm این سوال را مطرح کرد که چرا با شکل دادن بطری‌ها با فشار همان آبی که داخل آنها می‌ریزیم (به جای فشار هوا)، دو مرحله را یکی نکنیم؟ و این ایده کاملا جواب داد.

مدیران باید هر موقعیت تصمیم‌گیری را تحت بخش‌های «نتوانستن» و «توانستن» تحلیل کنند. اگر فرضیه اولیه این باشد که یک عامل را نمی‌توان تغییر داد، مدیر باید از خودش بپرسد کدام قوانین طبیعت چنین چیزی را باعث می‌شوند. اگر منطقی که برای این «نتوانستن» وجود دارد جذاب و قانع‌کننده باشد، پس بهترین رویکرد این است که یک متدولوژی تعیین کنند که وضعیت موجود را بهینه کند. در این صورت، باید اجازه داد علم بر اوضاع مسلط شود.به همان شکل، مدیران باید منطقی را که برای دسته‌بندی عوامل به‌عنوان کارهایی که «می‌توان» انجام داد وجود دارد، بیازمایند. اگر این منطق به اندازه کافی قوی باشد، باید اجازه داد طراحی و تصویر بر اوضاع مسلط شود.

مهم است بدانیم که وجود داده‌ها برای اثبات اینکه کاری را می‌توان یا نمی‌توان انجام داد، کافی نیست. داده منطق قوی‌ای نیست. تصمیم یورگن ویگ‌نادستورپ، رئیس هیات مدیره لگو مثال خوبی در این زمینه است. در سال ۲۰۰۸، وقتی او مدیر عامل شرکت بود، داده‌ها نشان می‌دادند که دختران کمتر از پسران به اسبا‌ب‌بازی‌های آجرچین لگو علاقه نشان می‌دهند. بر اساس این داده‌ها، ۸۵ درصد کودکانی که با لگو بازی می‌کردند، پسران بودند و تلاش‌ها برای جذب دختران به شکست انجامیده بود. بنابراین، خیلی از مدیران شرکت به این نتیجه رسیدند که دختران ذاتا علاقه‌ای به بازی کردن با این آجرچین‌ها ندارند و در واقع شرایط را یک موقعیت «نتوانستن» می‌دیدند. اما نادستورپ چنین عقیده‌ای نداشت.  از نظر او مشکل این بود که شرکت لگو هنوز نتوانسته کشف کند چطور دختران را برای بازی با این اسباب‌بازی‌ها جذب کند. عقیده او در سال ۲۰۱۲ و با تولید محصول موفق Logo Friends (محصولی که در آن از آیتم‌هایی مطابق سلیقه دختران استفاده شد) نتیجه داد.  باید اشاره کرد که فرق بین «توانستن» و «نتوانستن» در ایجاد تغییر خیلی نامحسوس است.

شکستن چارچوب‌ها

برای متصور شدن احتمالات جدید، ابتدا باید چارچوب‌ها را کنار گذاشت. وضعیت موجود اغلب تنها شیوه‌ای است که همه چیز در آن وضعیت ثابت خودش را دارد؛ احساسی که نمی‌توان آن را تغییر داد.اخیرا هنگام همکاری با یک شرکت مشاوره که مشتریانش سازمان‌های غیرانتفاعی هستند، به نمونه خوبی  از «دام وضعیت موجود» برخورد کردیم. این سازمان‌های غیرانتفاعی با چرخه‌ای مواجه بودند که طی آن برای هزینه‌های مستقیم برنامه‌های خاص، بودجه‌های خوبی دریافت می‌کردند، اما برای هزینه‌های غیرمستقیم خود با مشکل مواجه بودند. به‌عنوان مثال، یک بنیاد خصوصی بزرگ ممکن است هزینه‌های توسعه و انتقال یک طرح خیریه موفق آموزش دختران در آمریکای لاتین به جنوب صحرای آفریقا را به طور کامل متقبل ‌شود، اما در قدم اول، تنها بخش کوچکی از هزینه‌های بالاسری عملیاتی متعلق به آن و نیز هزینه توسعه برنامه را متعهد شود. ‌دلیل آن این است که خیرین سطوح پایینی را برای هزینه‌های غیرمستقیم تعیین می‌کنند که معمولا ۱۰ تا ۱۵ درصد کمک‌های مردمی را روانه می‌کند و این در حالی است که هزینه‌های غیرمستقیم واقعی، ۴۰ تا ۶۰ درصد بیشتر برنامه‌ها را تشکیل می‌دهد.شرکت مشاوره مذکور، این چارچوب‌بندی مشکل را پذیرفت و معتقد بود چالش استراتژیک یعنی کشف چگونگی تشویق خیرین برای افزایش درصدی که به هزینه‌های غیرمستقیم اختصاص می‌دادند. این فرض وجود داشت که خیرین گمان می‌کردند هزینه‌های غیرمستقیم یک زیان ناگزیر هستند که منابع را از منافع نهایی دور می‌کنند.

ما شرکای شرکت را جمع کردیم و از آنها خواستیم در جلسه‌ای با خیرین، به جای اینکه در مورد نیاز به افزایش بازپرداخت‌ها صحبت کنند، به نظر خیرین در مورد این عقیده گوش دهند. آنچه این شرکا از خیرین شنیده بودند، متعجب‌شان کرده بود. این خیرین از چنین چرخه‌ای متنفر بودند و خودشان را عامل آن می‌دانستند. مشکل اینجا بود که آنها به نمایندگان خود برای مدیریت هزینه‌های غیرمستقیم اعتماد نداشتند. وقتی شرکا آنها را در مورد عقیده اشتباه‌شان متقاعد کردند، آنها خیلی فوری به راه حل‌های فرآیندمحوری اشاره کردند که می‌توانست به بنگاه‌های غیرانتفاعی کمک کند قابلیت خودشان را در مدیریت هزینه‌ها نشان دهند و اعتماد خیرین را جلب کنند. با اینکه گوش دادن به ذی‌نفعان ممکن است به اندازه تحلیل داده‌های به دست آمده از یک نظرسنجی رسمی، دقیق و سیستماتیک به نظر نرسد، اما روشی امتحان‌شده برای به دست آوردن دیدگاه‌ها است که دانشمندان علم  انسان‌شناسی و قوم‌نگاری و همچنین روانشناسان، جامعه‌شناسان و دیگر دانشمندان علوم اجتماعی با آن آشنا هستند. بسیاری از رهبران کسب‌وکار، به ویژه آنهایی که تفکر طراحی و دیگر رویدادهایی را که کاربران محوریت آن هستند در نوآوری به کار می‌گیرند، اهمیت پژوهش‌های کیفی و مشاهده‌ای را در تشخیص رفتار انسان می‌دانند. به‌عنوان مثال، تشخیص اولیه نادستورپ در شرکت لگو، به چهار سال مطالعه در مورد جنسیت‌ها انجامید که در نهایت مشخص شد دختران بیشتر از پسران به بازی‌های مشارکتی علاقه دارند و سازه‌ای که این ویژگی را داشته باشد می‌تواند آنها را جذب کند.

ایجاد داده‌های جدید

رویکردی که نسبت به امتحان کردن در دنیای «توانستن» وجود دارد کاملا با آنچه در دنیای «نتوانستن» وجود دارد فرق می‌کند. در دنیای نتوانستن، باید داده‌های مرتبط را جمع‌آوری کنیم. گاهی این داده‌ها خیلی ساده در مراکز آمار هر کشور قابل دسترسی هستند. گاهی باید تلاش بیشتری انجام دهیم؛ مثلا از طریق نظرسنجی. همچنین ممکن است تست‌های آماری قابل قبولی انجام دهید تا مشخص کنید آمارهای جمع‌آوری شده درست یا غلط هستند.  اما در دنیای «توانستن» داده‌ مرتبطی وجود ندارد، چون آینده هنوز اتفاق نیفتاده است. باید با کلیشه‌سازی داده ایجاد کنید؛ یعنی چیزهایی را در اختیار کاربران قرار بدهید که قبلا ندیده‌اند و سپس واکنش‌های آنها را ثبت و بررسی کنید. اگر کاربر مطابق انتظار شما واکنش نشان نداد، به دنبال رویکردهایی برای تغییر و ارتقای کلیشه‌سازی خود باشید. سپس این فرآیند را آنقدر تکرار کنید تا به داده‌هایی برسید که نوآوری شما را به موفقیت برساند.

نتیجه‌گیری

این واقعیت که تجزیه و تحلیل علمی داده‌ها دنیا را به مکان بهتری برای زندگی تبدیل کرده، به این معنی نیست که این موضوع باید هر تصمیمی را در کسب‌وکار تحت‌الشعاع قرار بدهد. وقتی با موقعیتی مواجه می‌شویم که در آن هیچ چیز قابل تغییر نیست، می‌توانیم و باید از روش‌های علمی استفاده کنیم تا این دنیای ثابت و بدون تغییر را سریع‌تر و بهتر از رقبا درک کنیم. در چنین فضایی، توسعه تحلیل‌ داده‌های پیچیده و اشتیاق برای داده‌های بزرگ، یک دارایی ناب محسوب می‌شود.اما وقتی علم را در حوزه‌هایی استفاده می‌کنیم که می‌توان در آن شرایط را تغییر داد، سهوا خودمان را متقاعد می‌کنیم که تغییر امکان‌پذیر نیست. چنین چیزی راه را برای رقبا باز می‌گذارد و ما عقب می‌مانیم و تنها زمانی پی به موضوع می‌بریم که خیلی دیر شده و رقیب‌مان به مشتری نشان داده که اوضاع می‌توانست متفاوت‌تر باشد. این بهای به کار بردن تجزیه وتحلیل در کل دنیای کسب‌وکار است، در حالی که باید بخشی از کسب‌وکار را به این تجزیه و تحلیل‌ها اختصاص دهیم.

منبع :  دنیای اقتصاد

لینک مطلب: https://www.eranico.com/fa/content/75970