# Стефано Пунтони о смене парадигмы: от управления данными к управлению решениями

Источник: https://www.youtube.com/watch?v=MvEE_jEdTH8
Канал: Talks at Google
Опубликовано: 10.05.2024

---

В современной корпоративной культуре концепция управления на основе данных (data-driven) долгое время считалась неоспоримым стандартом эффективности. Однако накопление огромных массивов информации и развитие искусственного интеллекта не привели к пропорциональному росту качества управленческих решений. В рамках проекта Talks at Google профессор маркетинга Уортонской школы бизнеса Стефано Пунтони (Stefano Puntoni) представил альтернативный подход, ломающий привычную бизнес-парадигму и возвращающий человеческий интеллект в центр аналитического процесса.

## 🔄 Переворот парадигмы: от данных к решениям
[[JUMP:0:00]]

В течение последних 5–10 лет в бизнес-сообществе доминировала идея о том, что для достижения операционной эффективности организации обязаны быть исключительно «ведомыми данными». Компании инвестировали значительные средства в ИТ-инфраструктуру, создавая масштабные озера данных (data lakes) в надежде извлечь из них коммерческую пользу. Как утверждает Стефано Пунтони, на практике слепая приверженность этой концепции часто мешает принятию оптимальных решений и может приводить к катастрофическим последствиям. Главная опасность заключается в том, что решения, подкрепленные массивами данных, вызывают у руководителей ложное чувство абсолютной уверенности, даже если сама логика выбора была ошибочной.

Проблема кроется в самом термине: подход data-driven делает фокусом внимания сами данные, а не бизнес-цели. По мнению спикера, традиционную иерархию необходимо перевернуть: не процесс принятия решений должен определяться данными, а сама дата-аналитика должна направляться решениями (decision-driven). 

Вместо хаотичного поиска применения уже собранной информации, детерминированный процесс аналитики должен строиться по следующему алгоритму:

* Четкое определение нескольких альтернативных курсов действий для достижения бизнес-метрики.
* Формулирование конкретных вопросов, ответы на которые позволят ранжировать эти альтернативы по степени эффективности.
* Постановка задачи аналитикам на поиск, сбор и обработку строго определенного пула данных, необходимого для ответа на эти вопросы.

При такой последовательности инструментов дата-анализ включается в игру на довольно позднем этапе, уступая приоритет глубокой предварительной работе с бизнес-контекстом.

## 🏊‍♂️ «Дайверы» против «бегунов»: преодоление разрыва в командах
[[JUMP:06:13]]

В процессе взаимодействия корпоративных структур с массивами информации четко прослеживается разделение сотрудников на два противоположных психологических и профессиональных профиля. Спикер классифицирует их как «дайверов» (divers) и «бегунов» (runners). 

Ключевые особенности этих типов сотрудников:

* **«Дайверы» (аналитики):** воспринимают данные как увлекательную головоломку, склонны часами изучать таблицы, строить сложные кросс-таблицы и запускать комплексные модели. Они исходят из убеждения, что без эмпирических доказательств невозможно сделать правильный выбор.
* **«Бегуны» (менеджеры и руководители):** ориентированы на быстрое совершение действий в условиях жестких дедлайнов и ограниченных ресурсов. Их главный фокус — оперативное достижение измеримого бизнес-результата.

По наблюдениям Стефано Пунтони, по мере усложнения аналитических ИТ-систем разрыв между этими профилями стремительно увеличивается. Сталкиваясь со сложными массивами Big Data, аналитики погружаются в них еще глубже, в то время как менеджеры начинают дистанцироваться от аналитики, считая ее слишком запутанной и требующей чрезмерных временных затрат. 

Подобная изоляция опасна: руководители начинают делегировать аналитику ИТ-отделам с размытой установкой «найдите там что-нибудь полезное», что, по мнению эксперта, никогда не приносит успеха. Дата-аналитикам критически важно получать четкие ориентиры от бизнеса, поэтому доменные эксперты и топ-менеджмент должны быть максимально вовлечены в процесс формулирования аналитических задач, а не отстраняться от них.

Для эффективного взаимодействия руководителям не требуются технические навыки программирования или высшей математики — их главная обязанность заключается в формировании качественных, точечных вопросов. На практике же менеджеры часто приходят к аналитикам с абстрактными или принципиально нерешаемыми с помощью данных запросами (например, «В чем заключается высшая цель нашего бренда?» или «Насколько клиенты вовлечены в наше позиционирование?»). Не обладая глубокой экспертизой в бизнес-домене, аналитики не могут корректно интерпретировать такие размытые задачи, что приводит к неэффективному расходованию бюджетов на ИТ-проекты.

## 🎯 Аналитика предпочтений и метод пререгистрации
[[JUMP:13:19]]

Ведущая беседы Кавья Кастуриранган указала на распространенную проблему: в корпоративной среде часто наблюдается тенденция селективного использования данных для подтверждения решений, которые руководитель уже принял подсознательно на основе собственной интуиции. 

Стефано Пунтони называет это «аналитикой, управляемой предпочтениями» (preference-driven analytics). В этом сценарии топ-менеджер фактически дает команде негласное поручение: «Идите и найдите мне данные, подтверждающие мою правоту». Такой метод использования информации оценивается спикером как наихудший. Он создает лишь иллюзию (внешний лоск) объективности, превращая данные в политический инструмент для продвижения личных интересов внутри компании и делая субъективные предубеждения руководства еще более опасными.

Чтобы предотвратить доминирование аналитики предпочтений, Стефано Пунтони рекомендует внедрить три системных шага:

1.  **Интеллектуальная смиренность (intellectual humility):** признание лидерами ограничений собственного знания и неизбежности работы в условиях высокой неопределенности.
2.  **Разнообразие мнений (diversity):** привлечение к обсуждению сотрудников с разным бэкграундом. Однородные команды неизбежно генерируют одинаковые идеи и не способны увидеть более дешевые или эффективные альтернативные пути.
3.  **Пререгистрация планов анализа (pre-registration):** метод, заимствованный из академической социальной науки. Руководитель и аналитик до начала работы с данными фиксируют жесткое соглашение о том, какие именно гипотезы, с помощью каких математических моделей (например, логистической регрессии или кластерного анализа) будут тестироваться и какие показатели станут критерием успеха.

Фиксация аналитического сценария до получения доступа к дата-сету исключает возможность манипулирования моделями ради подгонки результатов под фаворитный вариант руководства. При этом эксперт подчеркивает, что пререгистрация не отменяет важности свободного исследования данных (data exploration). Индуктивный метод и поиск аномалий в статистике крайне важны для генерации инсайтов, однако этот процесс должен быть четко отделен от процедуры эмпирического тестирования конкретных краткосрочных бизнес-альтернатив.

## 📊 Ловушка гиперточности и игнорирование дисперсии
[[JUMP:22:24]]

В корпоративной практике цифры часто используются как инструмент психологического давления: указание точной метрики (например, «78,2% клиентов выбирают этот вариант») выглядит в глазах аудитории гораздо убедительнее, чем округленные «80%». Однако Стефано Пунтони предостерегает от ловушки гиперточности. 

Любое естественное или экономическое явление математически описывается как минимум двумя ключевыми параметрами: мерой положения (среднее значение) и мерой рассеяния (дисперсия / вариативность). В абсолютном большинстве бизнес-презентаций дисперсия полностью игнорируется, демонстрируются лишь средние показатели в виде простых столбчатых или круговых диаграмм.

Профессор иллюстрирует опасность этого подхода на примере маркетинговой сегментации, когда такие поколения, как зумеры (Gen Z) или миллениалы, воспринимаются бизнесом как монолитные группы с идентичным поведением. В реальности, если обратиться к статистическому анализу, дисперсия (различия) *внутри* одного сегмента практически всегда оказывается значительно больше, чем различия *между* сегментами. Управленческие решения, построенные на средних точечных оценках без учета разброса данных, ведут к жесткому стереотипированию потребителей и стратегическим просчетам.

Для демонстрации уровня шума в реальном мире Пунтони проводит эксперимент со студентами: им демонстрируется график рассеяния (scatter plot) с коэффициентом корреляции 0,6. Число 0,6 в отчетах воспринимается менеджерами как показатель очень сильной, линейной взаимосвязи, на основе которой можно строить прогнозы. Однако при визуализации данных на графике точки оказываются хаотично разбросаны по всей координатной плоскости. Любой прогноз на будущее — это лишь наиболее вероятная догадка, которую менеджер обязан квалифицировать диапазоном погрешности (например, объем продаж нового продукта составит X, но с учетом неопределенности реальное значение может варьироваться от X/10 до X*10).

## 🤖 Будущее AI: синергия, а не замена человека
[[JUMP:27:37]]

Стремительное развитие технологий и появление генеративного искусственного интеллекта (Generative AI) кардинально изменили ландшафт работы с информацией. По мнению Стефано Пунтони, за последние 2–5 лет ИИ перестал быть исключительно технической дисциплиной, находящейся в ведении computer science. Сегодня развертывание алгоритмов прогнозирования и систем поддержки принятия решений (Decision Support Systems) перевело ИИ в плоскость социальных наук. Главным вопросом стало не то, как работает алгоритм, а то, как люди взаимодействуют с ним и интегрируют его выводы в реальную практику.

Спикер настаивает на необходимости изменения вектора развития технологий: автоматизированные системы должны внедряться по принципу комплементарности (дополнения), а не тотального замещения человеческого опыта. Задача бизнеса — выстроить эффективное партнерство между доменными экспертами, обладающими многолетней интуицией и пониманием контекста, дата-аналитиками и алгоритмами ИИ. Именно синергия уникальных когнитивных способностей человека и вычислительной мощности машин, как полагает Стефано Пунтони, станет ключевым драйвером долгосрочной конкурентоспособности организаций. Новая книга профессора «Decision-Driven Analytics», официально выходящая в свет 14 мая, призвана дать компаниям готовую методологическую модель для реализации этой синергии на практике.