Šie klausimai yra susiję su priežastimis ir pasekmėmis - į juos atsakyti gali padėti duomenų analizė. Iš tiesų, moksliniuose darbuose jie buvo išsamiai nagrinėjami.

Tačiau vadovai dažnai neteisingai interpretuoja, kaip šių ir kitų tyrimų išvados taikomos jų verslo situacijai. Priimdami sprendimus vadovai turėtų atsižvelgti į vidinį pagrįstumą - ar analizė tiksliai atsako į klausimą tame kontekste, kuriame jis buvo tiriamas. Jie taip pat turėtų atsižvelgti į išorinį pagrįstumą - kiek galima apibendrinti rezultatus iš vieno konteksto į kitą.

Paimkime „eBay“ reklamos strategiją. Daugelį metų bendrovė reklamavosi tokiose paieškos sistemose kaip „Google“, siekdama padidinti paklausą ir pritraukti daugiau klientų.
Konsultacinėje ataskaitoje buvo padaryta išvada, kad skelbimai buvo veiksmingi, ir pažymėta, kad kai rinkoje buvo rodoma daugiau skelbimų, bendra pirkimų „eBay“ vertė buvo didesnė.

Deja, ji padarė neteisingą išvadą dėl šių skelbimų. Padedama eksperimento, kurį atliko ekonomistų komanda, vadovaujama Steveno Tadelio iš Kalifornijos universiteto Berklyje, „eBay“ suprato, kad koreliacija paaiškinama tuo, jog reklama buvo nukreipta į žmones, kurie ir taip gali lankytis „eBay“, ir į rinkas, kuriose „eBay“ paklausa turėtų padidėti net ir be reklamos.

Atsakymas - maža ligoninė, nes joje gimdymų skaičius per dieną yra įvairesnis. Tikėtina, kad mažos imtys rodo didesnius svyravimus.

Psichologai Danielis Kahnemanas ir Amosas Tverskis savo kanoniniame darbe apie šališkumą ir euristiką nustatė, kad dauguma žmonių atsakė neteisingai, o daugiau nei pusė atsakė: „Maždaug taip pat“. Žmonės yra linkę nepakankamai įvertinti imties dydžio įtaką įverčio tikslumui.

Ši dažna klaida gali lemti blogus sprendimus. Nesvarbu, ar bandote išsiaiškinti, kiek pasitikėti atsiliepimais internete, kaip interpretuoti produktyvumo tendencijas, ar kokią reikšmę teikti reklamos eksperimento rezultatams, svarbu atsižvelgti į analizuojamos imties dydį.

Eksperimentai ir prognozavimo analizė dažnai orientuojasi į rezultatus, kuriuos lengva išmatuoti, o ne į tuos, kurie verslo vadovams iš tiesų rūpi, bet kuriuos sunku ar nepraktiška nustatyti. Dėl to rezultatų rodikliai dažnai nevisiškai atspindi platesnius įmonės veiklos rezultatus.
Grįžkime prie darbo užmokesčio didinimo pavyzdžio. Išlaidas lengva išmatuoti, o produktyvumo padidėjimą gali būti sunku įvertinti kiekybiškai.

Dėl to vadovai gali susikoncentruoti tik į geresnio darbo užmokesčio sąnaudas ir neįvertinti galimos naudos. Atliekant platesnę analizę, reikėtų taikyti tokį metodą, koks pateiktas ekonomistų Natalijos Emanuel ir Emmos Harrington tyrime. Jos siekė išsiaiškinti, kokią reikšmę turi vienos didelės internetinės mažmeninės prekybos įmonės nustatyti sandėlio darbo užmokesčio dydžiai.

Tyrėjos nagrinėjo produktyvumo pokyčius po 2019 m. padidinto sandėlio darbuotojų darbo užmokesčio ir nustatė, kad produktyvumo ir apyvartos pagerėjimas buvo toks didelis, kad darbo užmokesčio padidinimas su kaupu atsipirko. Panašius rezultatus jie nustatė ir nagrinėdami didesnio darbo užmokesčio poveikį klientų aptarnavimo darbuotojų produktyvumui ir apyvartai.

Be to, įmonė gali norėti sužinoti, kaip rezultatai taikomi, pavyzdžiui, restoranų ar mažmeninės prekybos įmonių darbuotojams.
Esame matę, kad įmonių vadovai daro klaidų abiem kryptimis, pervertindami arba nepakankamai įvertindami rezultatų apibendrinimą.

Pavyzdžiui, kai vienos didelės technologijų bendrovės vyresnysis viceprezidentas, atsakingas už inžineriją, papasakojo mums apie savo bendrovės taisyklę, pagal kurią priimant sprendimus dėl inžinierių įdarbinimo draudžiama atsižvelgti į universitetų įvertinimus, paklausėme, kuo tai pagrįsta. Jis pasakė, kad „Google“ „įrodė, jog pažymiai nesvarbūs“, turėdamas omenyje kažkur perskaitytą „Google“ vadovo komentarą, kuriame teigiama, kad nėra ryšio tarp mokyklos pažymių ir karjeros rezultatų. Priimdamas šią informaciją kaip evangeliją, jis neatsižvelgė į galimus jos vidinio ir išorinio pagrįstumo apribojimus.

Pasikliauti vienu empiriniu atradimu, jo sistemingai neaptarus, gali būti taip pat neprotinga, kaip ir atmesti įrodymus kaip nesusijusius su jūsų situacija.

Verta patikrinti, ar nėra papildomų tyrimų šia tema. Dar viena gera išeitis gali būti eksperimento atlikimas arba tolesnė analizė su savo organizacija. Reikėtų užduoti tokius klausimus: Ar yra kitų analizių, kurios patvirtina rezultatus ir metodą? Kokius papildomus duomenis galėtume surinkti ir ar daugiau įrodymų surinkimo nauda atsvertų šių pastangų sąnaudas?

Norint suprasti, kaip įrodymais galima arba negalima pagrįsti konkretų sprendimą, labai svarbu skirti laiko analizės niuansams aptarti, įskaitant imties dydį ir sudėtį, matuojamus rezultatus, požiūrį į priežastinio ryšio atskyrimą nuo koreliacijos ir rezultatų apibendrinimo mastą.

Atidžiai išnagrinėjus kiekvieną empirinį rezultatą, jis yra dėlionės dalis, padedanti įmonėms išsiaiškinti, ar ir kada įvairūs pokyčiai gali turėti poveikį. Tokios diskusijos taip pat padės organizacijoms kruopščiau rinkti duomenis.

Net ir geriausiais atvejais įrodymai retai būna galutiniai, o tai, kaip verslo žingsnis pasiteisins, yra neaišku. Vis dėlto galite siekti priimti apgalvotus sprendimus, remdamiesi turima ar galimai gauta informacija. Taikydami sisteminį požiūrį į jos rinkimą, analizę ir aiškinimą, galite veiksmingiau pasinaudoti vis didėjančio vidaus ir išorės duomenų kalno privalumais ir priimti geresnius sprendimus.