Справиться с обезьяной

Сценарное планирование спасло Royal Dutch Shell в глобальных кризисах 1970-х, но, несмотря на это, не стало глобальным инструментом управления неопределённостью.

 

***

 

Сценарное планирование – это технология «учёбы у будущего». В неопредёленном бизнес-окружении более эффективного инструмента стратегического управления не существует.

 

Сценарии органично встраиваются в процесс стратегического менеджмента, служа источником целей и секторов поиска для корпоративного радара инноваций, а также генератором критериев для оценки и селекции обнаруженных сценарно-разнонаправленных идей (см. слайд).

 

 

При этом практически ни у одной компании сценарного планирования как подпроцесса стратегического управления нет.

 

Причина в том, что, для того, чтобы сценарное планирование создавало ценность, компании в каждый момент необходимо не только, и не столько иметь и поддерживать в актуальном состоянии несколько взаимоисключающих сценариев развития её экосистемы (это техническая проблема), сколько воспринимать их как равновозможные (это проблема психологическая).

 

Призванное снижать неопределённость, устранять стратегический ужас перед будущим, корректно реализованное сценарное планирование само вызывает перманентный управленческий стресс, передвигая перед ищущими однозначность менеджерами трёх-пятилетний временной фронтир, на котором расположены три-пять альтернативных будущих, намеренно меняющихся так, чтобы всегда быть одинаково релевантными, одинаково вероятными, одинаково конкурирующими друг с другом.

 

Внедрить в компании сценарии ради борьбы с экспоненциально растущей внешней неопределённостью возможно, пожалуй, лишь победив свою глубинную обезьяну, то есть, осознав и преодолев страх перед сопутствующей корпоративному сценарному планированию неопределённостью внутренней, научившись в ней жить и работать.

Западная гидра и русский борщевик

Нулевой цикл

Кажется, мы с вами последние люди на планете, кто способен всерьёз относиться к романтизму, пусть даже из охранительных чувств – ведь он в наших личностях, сформированных, помимо прочего, советской литературной хрестоматией.

Фрейминг иногда перекидывает мосты между дисциплинами. Слушая на «Радио Арзамас» лекцию Андрея Зорина «Любовь, искусство и смерть: романтизм как мироощущение», я подумал, что отличным ответом на вопрос, который в очередной раз услышал, почему большие циклы конъюнктуры – волны Кондратьева – отсчитываются от 1785 года, и что происходило до этого, был бы рассказ о романтизме и его историческом контексте.

Романтизм, говорит на "Арзамасе" Андрей Зорин, это культурная макроэпоха, возникшая в начале 18-го века из переживания европейскими горожанами своего разрыва с крестьянской жизнью, природой и определённостью будущего. Романтизм – это страх образованного жителя Парижа, Лондона и Гейдельберга перед личным одиночеством, неопределённым завтра и ограниченным сроком собственного бытия, и, вместе с тем, иррациональная воля вернуть Золотой век и утраченный «природный дом».

Романтизм, если смотреть на него через линзу стратегического анализа, – это «столетний» или «седой» тренд, разворачивающийся в категории социальных макрофакторов и длящийся дольше, чем, по меньшей мере, один цикл Кондратьева. В случае с романтизмом речь идёт о трёхстах годах и пяти пронзённых насквозь кондратьевских волнах.

Романтизм – часть европейского Просвещения, которое всей суммой своих составляющих (в том числе и романтизмом) подготовило первый «официально зарегистрированный» цикл Кондратьева, а именно текстильную волну 1785-1845 годов. Иными словами, эпоху Просвещения можно воспринимать как квазиэкономический цикл адаптации и извлечения ценности из технологий городского университетского и прикладного образования, длившийся с первых десятилетий 18-го века до американской и французской революций. То есть, Просвещение сыграло роль «нулевого» цикла Кондратьева или даже фактически было им.

Романтизм – один из трендов, сформировавших «нулевую» кондратьевскую волну. Большинство с ней и завершилось, но некоторые, включая романтизм, протянулись в далёкое будущее. Например, секуляризация, возникшая одновременно с романтизмом, всё ещё не исчерпала себя.

И вот трёхсотлетняя романтика уходит. Её финал констатирует филолог и историк Зорин, и это вполне созвучно с ощущениями моего внутреннего советского человека. Я убеждён, что никто больше не полюбит стихов. Никто не захочет погружаться в прозу о природе и детстве. Аксаков и Руссо будут забыты первыми. За ними последуют Лермонтов и Шиллер. Потом Набоков и Толстой. А превращение Пушкина (в этой части света) и Байрона (в той) в поводы для присвистывания и кручения пальцем у виска вобъёт последний гвоздь в крышку гроба романтической макроэпохи.

Но что идёт на смену? Станислав Лем писал, что мир романтизма нелоялен к своим обитателям, так как в нём воображение и воля постоянно бросают вызов разуму. Но сейчас воля уступает знанию – как заметил один мой думающий друг, а воображение сдаётся статистике. Новая культурная эпоха в этом смысле будет куда более лояльна к своим современникам, но хронологически это уже не про нас.

Волна Кондратьева как подсказка в стратегическом анализе

Технологический форсайт в значительной мере утратил ценность - им нужно было заниматься в 2000 году, наблюдая за прикладной наукой. Новый уклад "расшифрованного, оцифрованного и дополненного человека" уже здесь, и для стратегического столоверчения на тему технологий будущего достаточно просто читать газеты. При этом есть все причины заниматься форсайтом бизнес-моделей 2030-х - про них известно лишь, что они станут следствием борьбы за внутреннюю эффективность после завершения экстенсивной адаптации продуктов и сервисов новой волны. У нас лет десять на размышления об этом.

***

То, что сейчас происходит в глобальном политическом пространстве, – это запоздавшая на двадцать лет реакция на технологические изменения 1990-х.

Для того, чтобы компании преобразовали новые информационные и коммуникационные технологии в продукты и сервисы, вытеснили старые технологии-субституты, достигли в экстенсивном росте насыщения и обратились к интенсивному источнику – внутренней эффективности, началав для этого преобразование своих бизнес-моделей, чтобы общество структурировалось как рынок этих новых продуктов и сервисов и приняло диктуемые ими новые нормы, потребовалось два десятиления. Политика сегодня фиксирует в законах и практиках технологическую доминанту прошедших 30-35 лет.

Но эта доминанта уже начала свой путь на периферию. Новый большой цикл конъюнктуры – VI волна Кондратьева – разворачивается вокруг технологий расшифрованного, оцифрованного и дополненного человека. Информационные и коммуникационные технологии прошедшей V волны переходят на вспомогательные роли. В технологическом центре следующих 30 лет – медицина.

(Есть какая-то дарвинистская ирония в том, что в середине пандемии коронавируса мы живем в политической системе, оптимизирующей себя под события двадцатилетней давности.)

В корпоративном форсайте поиск факторов, влияющих на экосистему бизнеса на 5-10-15-летнем горизонте, – почти что рутина. Невозможно говорить о сценарном планировании – главном инструменте форсайта – без макроанализа. Ещё пара десятков методов стратегического анализа внешней среды питаются эвристическими и статистическими данными о долгосрочных технологических, экономических, социальных и политических трендах.

Делать макроанализ внешней среды в контексте волн Кондратьева, на мой взгляд, хорошая идея.

Я уже писал о фреймворке TESP+E, в котором отражена последовательность «функционирования» кондратьевской волны – технологические изменения идут первыми, они вызывают смену бизнес-моделей, затем адаптируется общество и, наконец, макро-перемены закрепляются в политическом устройстве. При этом природные факторы (+Е) являются внешними, экзогенными, к «рукотворному» циклу Кондратьева, а технологические, экономические, социальные и политические – внутренними, то есть, эндогенными. Исследовать первые надо независимо от вторых, а вторые – в их последовательности (T-E-S-P) и взаимосвязи [1]. Это во-первых.

Во-вторых, волны Кондратьева частично спасают нас от главного врага стратегии – неопределённости тем, что они, по сути, календарь будущего, длящийся из прошлого приличной глубины: первый описанный большой цикл конъюнктуры датируется концом 18-го века.

Знать, что в 2020 (или чуть позже) мы вступаем в VI волну, посвящённую «дополнению человека» [2], и примерно до 2030 будем трястись на кочках экспансии нового технологического уклада, однако наше благосостояние при этом будет системно карабкаться вверх, а не системно падать, как это было последние десять лет, уже немало.

Знать, что компания и её экосистема в ближайшие десять лет будут подвержены наибольшим изменениям со стороны технологических факторов, и именно ими будет создаваться львиная доля ценности (а не экономическими приёмами типа наращивания эффективности бизнес-моделей, не социальным инжинирингом типа поведенческой экономики и не политическими мерами вроде антиглобализма), и соотвественно интерпретировать и приоритезировать релевантные макрофакторы – ещё важнее. Ведь так мы не попадём в когнитивную ловушку и не будем в длинном десятилетнем периоде делать центральными в наших сценариях развития внешней среды факторы яркие, но частные (например, санкции или смену покупательских предпочтений).

Знать, что с 30-х многовекторная «новотехнологическая» экспансия закончится, а главным генератором ценности и источником преимущества станет способность компании раньше других выковать внутренне эффективную бизнес-модель – полезно. Но ещё полезнее вспомнить Япа ван Дьяуна с его гипотезой, что на этом этапе кондратьевские волны «беременны» глобальной войной [3] и заранее подумать, какую форму может принять гипотетическая война времён «дополненного человека» и как компания может выступить её антихрупкой участницей и приобрести, вместо того, чтобы потерять.

Можно припомнить, что волна Кондратьева – это панархия [4], и у неё есть медленная и быстрая фазы. Медленная начинается с прикладной науки (Applied Science, AS), формирующей технологическое содержание новой волны (см. иллюстрацию). Наблюдать за ней можно из предыдущего цикла с помощью доказательных методов технологического форсайта (например, библиометрики или патентного поиска) примерно после первого десятилетия – когда экспансия заканчивается, уклад структурируется, начинаются точечные эксперименты с технологиями следующего уклада. Этот скрытый в предшествующей волне «научный» этап развития панархии приводит к технологическому рывку вверх новой волны (T), который затем переходит в экономическую адаптацию бизнес-моделей компаний для извлечения всей ценности из продуктов и сервисов нового уклада (E). На этом медленная фаза роста и эксплуатации заканчивается – на календаре VI волны это должно произойти в конце 2030-х. После этого – только вниз. Стартует быстрая фаза развития панархии – распад и кризис, выхолощенные технологии, корпоративные манипуляции потребителями и обществом в целом (S) – примерно до середины 40-х,  затем политические манёвры и катаклизмы, удерживающие систему до прихода новой волны – всё, как сейчас, только с другим содержанием и на другом уровне.

Наконец, можно вглядеться в иллюстрацию и задуматься о драмах каждого из последовательных этапов кондратьевской волны – о конфликте технологий VI волны с бизнес-моделями, социальными нормами и политическими системами V волны (то, что ждёт нас в следующие десять лет), о столкновении бизнес-моделей VI волны с социальными нормами и политическими системами V волны (с примерно 2030 до приблизительно 2038), о войне социальных норм VI волны с политическими системами V волны (шестилетка 2038-2044) и о политических костылях при всемерном исчерпании ресурса в борьбе с системным кризисом (после 2044 и до VII волны). Люди 2050 года, будут, ухмыляясь, наблюдать за тем, как их политики с опозданием в двадцать лет адаптируют государства и международные отношения к технологическим переменам, на пороге которых мы сейчас стоим.

Упражняясь в корпоративном форсайте, поглядывайте на календарь Николая Кондратьева, пользуйтесь фреймворком AS+TESP+E и глубоко переживайте сменяющиеся драмы этапов развития панархии. Ведь, как утверждал Герман Кан, мысленное нахождение в будущем формирует эрзац-опыт, незаменимый для осмысленных действий в условиях неопределённости [7].

Эвристики и когнитивные искажения в корпоративном форсайте

Этот текст — парафраз базовой статьи Д. Канемана и А. Тверски “Judgment under Uncertainty: Heuristics and Biases” [1] в контексте корпоративного форсайта.

***

Наблюдение автора: общая причина ошибочных оценок и неверных решений в ситуациях неопределенности (в частности, а размышлениях о будущем) — применение интуиции при суждениях. Это утверждают и Канеман с Тверски в своей фундаментальной работе.

Интуитивное мышление прививается людям (и разрабатывается ими самими на основе наблюдений и мышления) в детстве и, скорее всего, не меняется сильно впоследствии. Однако, с математической точки зрения эта интуиция зачастую не верна (пусть и внутренне последовательна), что и приводит к ошибкам. Вероятно, ситуация такова потому, что в повседневной жизни ребёнок не сталкивается с проблемами статистики, а если и сталкивается, вряд ли получает объяснения. В итоге, уже взрослый человек не приучен мыслить статистически в повседневной жизни, замечать собственные и чужие ошибки мышления, выводить из этого какие-то заключения.

Этим объясняется и то, что даже люди изучающие статистику совершают подобные ошибки (в более сложных случаях со множеством переменных и вероятностей), многие из которых являются нарушениями базовых принципов теории вероятности и статистики. Их знания в этих областях, пусть даже и глубокие, получены позже в жизни, и уже не становятся частью интуиции.

Можно предположить, что если бы человек с детства учился статистике (скорее даже статистическому мышлению), не столько “по учебнику”, сколько более естественно и наглядно (как, например, происходит обучение родному языку), его интуиция была бы совершенно отличной от нашей, и описанных ниже ошибок у него не возникало бы.

Таким образом, любое решение задачи, полученное путём применения эвристики, сводящей решение задачи к интуиции, будет обладать погрешностью, обусловленной расхождением интуиции с математикой.

***

1. Эвристика репрезентативности (Heuristics of Representativeness)

(Событие/объект) А с высокой вероятностью происходит из (процесса/класса) B (принадлежит ему), если А качественно похоже на B (А репрезентативно B), и с низкой, если не похоже. 

То есть, репрезентативность — это прогноз исхода (события) только на основании соответствия (похожести) этого исхода входным данным.  

Примеры: методы, требующие создания выборки из некоторой группы и оценки вероятностей или других значений для всей группы посредством этой выборки (или же подтверждение неких известных для всей группы значений путём нахождения их в выборке).

Когнитивные искажения эвристики репрезентативности в форсайте:

1.1 Нечувствительность к предшествующей вероятности результата

Описание: Игнорирование базовых (предшествующих) вероятностей результатов и входных данных, так как они (базовые вероятности) не влияют на репрезентативность входных данных результату. Игнорирование ранее собранных данных/данных a priori и их влияния на вероятности событий.

Причина: Все факторы, неочевидные и не влияющие на репрезентативность, скорее всего учтены не будут.

Способы борьбы: Учитывать/находить базовые характеристики (в частности, вероятности) входных данных, которые методы форсайта могут не давать, а также a priori и a posteriori вероятности прогнозируемых результатов (без и с учётом предшествующих вероятностей)

Пример в корпоративном форсайте: Когда результаты одного метода форсайта используются как входные данные для другого метода (holistic foresight process) [2].

1.2 Нечувствительность к размеру выборки

Описание: Общие значения для всей популяции (как то: среднее, дисперсия) применяется без изменения и к выборкам любого размера из этой популяции. На самом деле, среднее значение всех событий и вероятность каждого события в выборке (количество событий этого типа по отношению ко всей выборке) тем ближе к соответствующим значениям для всей популяции, чем больше эта выборка. В маленьких выборках разброс между значениями больше (и среднее значение сильно отличается от такового для всей популяции) из-за того, что аномальные показатели (события) не нивелируются в достаточной степени всеми остальными событиями, как это происходит в бóльших выборках. Также, аномальные значения составляют больший процент от всех значений выборки в маленьких выборках.

Причина: То, что аномальные значения нивелируются меньше в меньших выборках забывается/не учитывается, возможно из-за контринтуитивности, или из-за “веры” в правильность и всеобщность некоторых статистических данных (например, от авторитетных источников). Ошибка происходит, когда среднее значение для всей популяции или большей её части изначально известно, то есть, ошибка 1.2 — частный случай ошибки 1.3.

Способы борьбы: Максимально увеличить размер каждой выборки и/или создавать несколько выборок (чем больше, тем лучше), дополнительно анализировать репрезентативность выборок всей (рассматриваемой) популяции, вероятность присутствия аномальных значений. 

Пример в корпоративном форсайте: Перевод фактора сценарного планирования из категории “неопределенный” (U) в категорию “определенный (С) или “риск” (R) на основе слишком малого числа наблюдений в прошлом [3].

1.3 Ошибочные концепции шанса

Описание: Ожидание того, что общая характеристика (например среднее значение, дисперсия) события/процесса такова и для любой его части (то есть, уверенность в том, что каждая часть события так же репрезентативна входных данных, как и всё событие). То есть, вера в “закон малых чисел”. Это искажение — общий случай ошибки 1.2.

Доп. пример: Уверенность в том, что, при подбрасывании монеты, последовательность О-О-О-О-Р-Р менее вероятна чем О-Р-О-Р-О-Р (на самом деле они равновероятны), так как последняя лучше демонстрирует общее распределение орлов и решек (1:1) при бесконечном количестве бросков. 

Причина: Контринтуитивность зависимости характеристики выборки от её размера. Возможно, “привязка” к общим для целой группы (популяции) значениям (среднего, вероятностей, дисперсии), если они известны заранее.

Способы борьбы: Те же, что для 1.2, а также — никак не истолковывать/анализировать данные, полученные из малого числа выборок и/или маленьких выборок, или выборок слабо репрезентативных для всей популяции.

Пример в корпоративном форсайте: См. 1.2.

1.4 Нечувствительность к надежности прогноза

Описание: Прогноз вероятности события, основывающийся на скудных и/или ненадёжных данных, которые при этом “кажутся благоприятными (правдоподобными)” (то есть, данные репрезентативны представлениям о благоприятности/надёжности). Иными словами, игнорирование предсказуемости* оцениваемых событий.

*Предсказуемость (прогнозируемость) — возможность строго (точно) оценить вероятности неких событий основываясь на данных, описывающих (определяющих) эти события. Если данные скудны и/или ненадёжны, прогнозы вероятностей должны быть примерно равными для каждого из событий. 

Дополнительные примеры: 

1) Прогноз положения преподавателя в будущем на основании качества одного его занятия в настоящем/прошлом. Даже если это занятие не является особенно качественным, невозможно с высокой точностью оценить положение преподавателя (особенно в далёком будущем), однако из-за данной ошибки мышления оценка качества занятия переносится и на оценку успеха учителя.

2) Прогноз успешности компании лишь на основе её позитивного описания, даже если данные конкретно о её прибыли и других объективных характеристиках отсутствуют (малая/нулевая предсказуемость).  

Причина: Скудность и ненадёжность данных не всегда очевидна и не влияет на их репрезентативность, следовательно игнорируется (возможно). 

Способы борьбы: Не оценивать будущие значения некоего параметра, если данные о его нынешнем и прошлом состоянии скудны и/или ненадёжны (малая предсказуемость параметра). Особенно не оценивать неизвестный (малоизвестный) параметр на общей благовидности/правдоподобности/благоприятности других параметров, с ним напрямую не связанных. 

Пример в корпоративном форсайте: Критерий “правдоподобия” (plausibility) при оценке сценариев (возможных будущих) [4].

1.5 Иллюзия валидности

Описание: Уверенность в прогнозе при (удачном) совпадении предсказанного исхода (результата) и входных данных (удачная репрезентативность). Наблюдается при внутренней согласованности (похожести друг на друга) данных, что на деле лишь снижает точность прогноза — если есть несколько в равной степени “валидных”, но различных (не взаимосвязанных) входных данных, прогноз, на них основанный, будет точнее, чем если валидных данных много, но все они одинаковы/подобны.

Доп. пример: Большая уверенность при прогнозе средней оценки успеваемости студента (за всё обучение) если его табель за первый год состоит только из четвёрок, чем если он состоит из троек и пятёрок (в примерно равной степени). Оба прогноза, на деле, должны быть одинаковыми (4 в среднем) и иметь одинаковую вероятность, но в первом случае “удачным” образом входные данные согласованы и репрезентативны (подобны) предсказанному среднему значению. Пример невалидных данных — шестёрки или больше в табели успеваемости.

Причина: Если входные данные репрезентативны исхода события (например среднее значение многих одинаковых чисел — это же число), уверенность в прогнозе этого события будет выше, чем если бы входные данные сильно разнились между собой и не были напрямую репрезентативную исходу. Иными словами, предпочтение самой непосредственной репрезентативности.

Способы борьбы: При наличии входных данных, взаимосвязанных или нет, оценивать их валидность, а не подобие друг другу, делать прогнозы исходя только из валидных данных.

Пример в корпоративном форсайте: При прогнозировании трендов по методу анализа литературы возможна большая уверенность в прогнозе, если все источники утверждают схожее (и напрямую репрезентативные прогнозу), чем если источники утверждают различное, но не взаимопротиворечивое (т.е. одинаково валидное).

1.6 Неправильные представления о регрессии

Описание: Случайные отклонения от среднего значения (после которых значения снова возвращаются к среднему), произошедшие вслед за некоторым событием (но не вследствии него!), истолковываются как напрямую зависящие от этого события.

Причина: Попытка обосновать внезапное отклонение от среднего значения при непонимании/незнании принципа регрессии. Также от того, что нет возможности наблюдать за колебаниями среднего значения достаточно долго, чтобы заключить, что это действительно лишь колебания, а не намечающийся тренд.

Способы борьбы: Знать среднее значение наблюдаемой переменной, наблюдать за изменениями её значения достаточно долгое время. Если второе не представляется возможным (и даже если представляется), хотя бы проводить некий опыт, с целью установить, действительно ли существует причинно-следственная связь между действием и кажущимся его результатом, или же нет.

Примеры в корпоративном форсайте: 

1) Неучитывание регресса к среднему при анализе, экстраполяции трендов и слабых сигналов. 

2) Иллюзорная причинность (истолкование случайного отклонения от среднего в прошлом как результат некоего действия) при:

2a) применении метода Via positiva. Неверная экстраполяция прошлого в будущее (настоящее).

2b) применение принципа Via negativa. Неверная экстраполяция настоящего в будущее («мы выиграем в будущих катастрофах, избегая действовать так-то и так-то», если действительной взаимосвязи действий с последствиями (отклонениями от среднего) нет).

2. Эвристика доступности (Heuristics of Availability)

Вероятность событий, которые лучше вспоминаются, кажется большей чем вероятность тех, что вспоминаются хуже. В свою очередь, события/процессы/объекты вспоминаются тем лучше, чем больше группа, к которой они принадлежат, и наоборот (также влияет на запоминаемость “яркость” события, зачастую субъективная).

Примеры: задачи Ферми, Wild cards, прогноз гения, нечёткие когнитивные карты. В общем, любые методы, основанные скорее на воображении и опыте, нежели на данных, а также данные, полученные от участников опросов, гражданских панелей, интервью.

Когнитивные искажения эвристики доступности в форсайте:

2.1 Искажения, обусловленные степенью восстанавливаемости событий в памяти

Описание: Размеры классов одинакового размера кажутся разными, если восстанавливаемость классов в памяти не одинакова для них всех. Иначе говоря, прогноз вероятности одного события из нескольких будет тем больше, чем лучше в памяти всплывают случаи подобного события из прошлого (даже если вероятности всех оцениваемых событий в действительности одинаковы).

Причина: Если примеры события (класса) из прошлого хуже вспоминаются, делается ложное заключение о том, что это событие в действительности редко происходило (“чего я не помню, того не было”), следовательно его вероятность мала, и наоборот (“что я хорошо помню, то точно происходило часто”, хотя событие может быть даже однократным, но очень ярким).

Способы борьбы: Не полагаться на память при прогнозировании/оценке, только на данные и строгие методы их анализа/толкования.

Пример в корпоративном форсайте: Дисфункция гиперкреативности в сценарном планировании, по которой неопытные участники форсайта, для которых он является когнитивным вызовом, могут стремиться формулировать идеи, основываясь на их яркости в собственном опыте [5].

2.2 Искажения, основанные на эффективности направления поиска

Описание: События/тренды, для которых проще найти примеры (доступность контекстов, в которых они проявляются, больше), оцениваются как более вероятные/более большие.

Причина: Можно сказать, что разум по природе своей ленив при решении задач, и будет отдавать предпочтение тем решениям, что проще достигаются (требуют использования меньшей энергии).

Способы борьбы: Использовать компьютер для поиска примеров/контекстов и оценки масштаба событий/трендов (?)

Пример: Если по некоторой теме проще найти патенты и литературу, так как она больше развита/популярна или более доступна, вероятность основать прогнозы на этой теме будет выше, даже если она в действительности не играет такую значимую роль в разворачивающихся трендах, как более узкие и менее доступные темы.

2.3 Искажения, обусловленные способностью к представлению образов

Описание: При оценке масштаба событий/трендов (вероятности), элементы которых в памяти не хранятся, а создаются согласно некоторым правилам, те события/тренды, создавать элементы которых проще, будут оцениваться как более масштабные (вероятные).

Причина: Та же причина, что и 2.2.

Способы борьбы: Использовать компьютер (?)

Пример в корпоративном форсайте: Недоверие к методу грубых вычислений Ферми в ситуациях отсутствия доступной информации иногда приводит к предпочтению вариантов, подкреплённых убедительными для исследователя и легкодоступными “объективными” данными.

2.4 Иллюзорная взаимосвязь (корреляция)

Описание: При оценки вероятности (частоты) того, что несколько событий произойдут одновременно (т.е. существует корреляция), события, ассоциация между которыми сильна, будут оценены как часто происходящие одновременно (и наоборот), даже если в действительности корреляции между ними нет или же она отрицательна.

Дополнительный пример: Кажущаяся корреляция между манией преследования и формой глаз на рисунках, нарисованных людьми, страдающими этой манией, из-за ассоциации мании преследования с глазами.  

Причина: ???

Способы борьбы: Чисто математически считать случаи, когда несколько признаков с сильной ассоциацией действительно коррелируют (если такие случаи вообще будут), если корреляция между ними фактически отсутствует или негативна. Когда же события могут с некоторой частотой появляться вместе (по случайности), проводить какие-либо опыты для подтверждения или опровержения корреляции (?)

Пример в корпоративном форсайте: При составлении timeline сценариев временнАя взаимосвязь между трендами и событиями может основываться на ассоциативном стереотипе, а не на реальной корреляции.

3. Эвристика корректировки и привязки (эффект якоря) (Heuristics of Adjustment and Anchoring)

Результат решения/оценки некоторой задачи на основе данных часто будет зависеть от того, в каком порядке эти данные предоставлены и как сформулирована задача, особенно если время на решение/оценку задачи ограниченно. Иными словами, начальная (отправная) точка влияет на конечную оценку, которая отклоняется к значению этой начальной точки.

Примеры: методы, требующие оценки нескольких вероятностей (или других параметров) для группы событий/классов, при наличии некоторого значения как начальной точки.

Когнитивные искажения эвристики корректировки и привязки в форсайте:

3.1 Искажения в оценке конъюнктивных и дизъюнктивных событий

Описание: Вероятность конъюнктивных событий переоценивается, вероятность дизъюнктивных событий недооценивается. Проще говоря, вероятность того, что из некоего количества событий (даже с большими вероятностями) все произойдут — переоценивается, а вероятность того, что хотя бы одно не произойдёт — недооценивается. 

Причина: Разум “привязывается” к базовым вероятностям того, произойдёт событие или нет (например 90% и 10%), и итоговая оценка и для конъюнкции и дизъюнкции нескольких таких событий делается на основе этих вероятностей (следовательно, больше для конъюнкции, меньше для дизъюнкции), при том что на деле вероятности конъюнкции и дизъюнкции значительно отличаются от базовых (и при большом количестве событий первая вероятность скорее будет меньше второй). Неправильная оценка тем вероятнее, чем больше разных событий с разными вероятностями оцениваются.

Способы борьбы: Считать вероятности на компьютере, если возможно. Помнить, что интуитивная оценка вероятности того, что все события произойдут, будет завышена, а того, что не произойдёт одно или больше — занижена, и поправлять свои оценки соответственно.

Пример в корпоративном форсайте: См. пример из 1.2.

3.2 “Привязка” при оценке распределения субъективной вероятности

Описание: При оценке размера класса (вероятности события), некое значение (или естественным образом находящееся в разуме, или данное в описании задачи) служит “якорем” (привязкой) для определения нижних и верхних пределов возможного размера класса.

Дополнительный пример: Если попросить испытуемого оценить, с какой вероятностью значение некоей случайной переменной больше или меньше данного ему числа, произойдёт привязка к этому числу, и верхние и нижние пределы вероятностей будут рассчитаны относительно этого числа. Также, испытуемый может привязаться к лучшей оценке (своей или чужой) среднего значение переменной, или же к естественной оценке равной вероятности (50 на 50).

Причина: Возможно, разуму трудно начать решать (непростую) задачу, если нет некоей начальной точки, от которой можно оттолкнуться (опять же, разум облегчает себе работу).

Способы борьбы: Ставить себе и другим одну и ту же задачу многократно, каждый раз с разными формулировками и разными отправными точками. Найти среднее значение всех решений (??) или установить, отчего возникает привязка и попытаться устранить её.

Пример в корпоративном форсайте: См. пример из 1.2.

Библиотека когнитивных искажений в форсайте

По методам форсайта (классификация из [5]):

Анализ литературы — 1.2, 1.5, 2.2

Гражданские панели — 1.2, 1.5, 2.2, со стороны граждан: все/большинство

Деревья решений/Логические диаграммы — 1.1, 1.6, 2.4

Интервью — 1.2, со стороны интервьюирования: все/большинство (особенно 2 и 3)

Конференции/семинары — n/a (Р. Поппер считает эти активности методом форсайта, что сомнительно)

Мозговые штурмы — большинство/все

Морфологический анализ — 3.1 (возможно 2.3)

Научная фантастика — n/a

Непредсказуемое (Wild cards) — все из 2 (возможно 1.4)

Опросы — 1.2, 1.5, 2.2, со стороны опрашиваемых: все/большинство

Прогноз гения — 1.4, все из 2 (возможно 3.1, 3.2)

Ретрополяция — 1.1, 1.4, 1.6, 2.2, 2.3, 2.4, 3.1 (возможно 3.2)

Ролевая игра — большинство (исключая, возможно, 1.2, 1.6)

Семинары по конструированию будущего — 1.4, 2.2, 2.3, 2.4, 3.1 (возможно 3.2)

Симуляции — 1.2, 2.4 (возможно 1.4, 1.5)

Сканирование/Слабые сигналы — 1.2, 1.3, 1.6 (возможно 1.4, 1.5, 3.1)

Сценарии — 1.4, 1.6, 2.2, 2.4, 3.1 (возможно 3.2)

Экспертные панели — 1.2, 1.5, 3.2 (возможно 1.6, 2.2)

Эссе — 1.4, 1.6, 2.2, 2.4, 3.1, 3.2 (возможно 1.5)

SWOT-анализ — 1.4, 2.2, 2.3, 2.4 (возможно 3.1)

Анализ патентов — 1.2, 1.5, 2.2

Бенчмаркинг — 1.1, 1.2, 2.2 (возможно 3.2)

Библиометрика — 1.2, 2.2

Индикаторы/Временные ряды — 1.2, 1.3, 1.5, 1.6 (возможно 3.2)

Моделирование — 1.5 (возможно 1.4)

Экстраполяция трендов/Мегатренды — 1.2, 1.3, 1.6

Анализ перекрестных связей — 1.5, 2.4 (возможно 3.1, 3.2)

Нечеткие когнитивные карты — 1.1, 1.2, 1.3, 1.4, 1.5, 2.3, 2.4, 3.1 (возможно 2.1, 2.2, 3.2)

Анализ стейкхолдеров — 1.2, 1.5, 2.2 (возможно)

Голосование — большинство/все

Дельфи — 1.2, 3.2

Технологические дорожные карты — 1.1, 1.2, 1.3, 1.5, 1.6, 2.4

Критические технологии — 1.6, 2.2

Многокритериальный анализ — 1.1, 1.4, 1.5, 2.2, 2.3, 2.4 

Задачи Ферми — 1.1, 1.2, 1.3, все из 2, 3.1, 3.2, частично 1.4 (предсказуемость событий)

По содержанию этапов форсайта:

Ошибки при составлении и анализе выборок — 1.2, 1.3, 2.2, 3.2

Ошибки при анализе причинно-следственных связей — 1.1, 1.3, 1.6, 2.4

Ошибки при оценке на основании опыта/экспертизы/памяти (без конкретных данных) — все из 2 (возможно 1.3, 1.6)

Ошибки при экстраполяции — 1.2, 1.3, 1.6

Ошибки при оценке вероятностей — 1.1, 1.3, 1.4, 1.5, 2.4, 3.1, 3.2 (частично 1.2, 1.6)