I Naskapi, un popolo nomade indigeno del Quebec e del Labrador, cacciavano la maggior parte del loro cibo. Ci si potrebbe aspettare, quindi, che molte analisi e strategie siano state prese nella decisione cruciale di dove cacciare: i Naskapi potrebbero aver registrato quanti alci o caribù cacciavano per assicurarsi di non sfruttare eccessivamente i loro terreni di caccia; potrebbero aver fatto piani sistematici per esplorare regolarmente nuove regioni per scoprire nuove mandrie; Oppure potrebbero aver cercato di prevedere la probabilità di trovare particolari mandrie in diversi paesaggi, come valli, colline o lungo i fiumi.
Invece, la tribù, insieme a molti altri popoli antichi, si affidava alla divinazione. Nel caso dei Naskapi, questo consisteva nel riscaldare la scapola di un animale morto fino al punto in cui si rompeva. Hanno iniziato la loro caccia nella direzione a cui puntava la crepa.
Questo rituale colpirà la maggior parte delle persone come superstizioso e arbitrario, rendendo effettivamente casuale la loro decisione strategica. Ma era proprio questo il punto. La casualità del processo ha permesso ai Naskapi di affrontare il complesso problema di scegliere dove cacciare rapidamente, senza pregiudizi e senza diventare prevedibili per le loro prede. Di conseguenza hanno evitato di spendere troppo tempo e sforzi nella ricerca del terreno di caccia ideale e sono sopravvissuti nell'ostile subartico per centinaia di anni.
Questo legame apparentemente non plausibile tra le pratiche divinatorie dei Naskapis e la loro capacità di prosperare in un ambiente duro può essere esteso in un contesto aziendale. Vedremo come le persone stanno attualmente sfruttando la randomizzazione per prendere decisioni operative e discuteremo di come l'applicazione di questo approccio alla strategia potrebbe consentire alle aziende di prosperare proprio come ha fatto il Naskapi. Concluderemo offrendo suggerimenti su come le aziende possono introdurre la casualità nel loro processo decisionale strategico.
Il processo decisionale randomizzato si è dimostrato efficace anche nei tempi moderni, in particolare nella gestione delle operazioni. Durante la seconda guerra mondiale, le potenze alleate affrontarono sfide difficili come capire dove trovare i sottomarini nemici in vaste acque aperte, in base alle posizioni degli ultimi avvistamenti. Il problema era grande a causa del gran numero di possibili percorsi che le navi potevano prendere e perché non c'erano abbastanza navi o aerei nella propria flotta per condurre una ricerca sistematica ed esaustiva prima che un sottomarino nemico colpisse di nuovo. In queste situazioni, la ricerca ha dimostrato che scegliere rapidamente, a caso, alcuni luoghi per cercare e quindi espandere il raggio utilizzando cambiamenti casuali di direzione batte ricerche sistematiche in cui ogni passo è stato pianificato in anticipo.
Più o meno nello stesso periodo, i ricercatori che lavorano al Progetto Manhattan hanno inventato la simulazione Monte Carlo, un metodo che si basa sul campionamento casuale per stimare il risultato di un sistema o processo complesso, in cui le condizioni ambientali stesse mostrano casualità. Gli scienziati hanno usato questo metodo per prevedere le prestazioni di diversi progetti di bombe e materiali di schermatura. La simulazione Monte Carlo continua ad essere ampiamente utilizzata per prendere decisioni in condizioni incerte, in particolare in ambito finanziario e logistico.
Oggi, la randomizzazione viene spesso impiegata per migliorare l'efficienza e l'accuratezza delle tecniche di apprendimento automatico. Ad esempio, i parametri iniziali di una rete neurale sono spesso scelti a caso per evitare che la rete rimanga intrappolata in una particolare configurazione. L'ampliamento dello spazio di ricerca aumenta la possibilità di trovare configurazioni superiori.
Più prosaicamente, le società di consegna dei pacchi sfruttano già tecniche di ottimizzazione stocastica per identificare percorsi robusti in una serie di scenari diversi (ad esempio, con fattori come volume di spedizione, finestre temporali, disponibilità di veicoli e chiusure stradali che variano di giorno in giorno). Ci sono anche alcune prove che i progettisti di prodotti su larga scala e sistemi sociali sviluppano un'intuizione su quando scegliere a caso e quando ottimizzare, sulla base di una stima della complessità del problema.
A differenza della gestione delle operazioni, la definizione della strategia è rimasta una pratica ostinatamente deterministica, che generalmente cerca, in primo luogo, di comprendere appieno un problema e quindi di implementare l'analisi per creare un piano per affrontarlo. La rivoluzione dei Big Data ha incoraggiato questo approccio, portandoci a credere che tutto possa essere conosciuto e analizzato per creare strategie affidabili.
Ma questa convinzione ignora il fatto che lo stesso dato può essere utilizzato per sostenere linee d'azione diverse, persino opposte. Ad esempio, la risposta di Kodak all'osservazione di una crescente domanda di fotografia digitale è stata quella di raddoppiare il tradizionale business delle pellicole per assicurarsi che non avrebbe cannibalizzato le sue vendite. Nel frattempo, concorrenti, come Sony e Canon, hanno reagito alle stesse informazioni investendo pesantemente in ricerca e sviluppo per migliorare la tecnologia delle fotocamere digitali.
La fiducia nelle soluzioni di big data rende inoltre cieche le persone di fronte alle sfide computazionali. Le attività organizzative sono spesso strettamente accoppiate e interagiscono densamente - sia tra loro che con le forze che operano oltre i confini dell'azienda. Di conseguenza, un numero molto elevato di percorsi, fattori e reti causali si uniscono per determinare qualsiasi risultato.
Anche problemi apparentemente "semplici" alla base del funzionamento della strategia, come ad esempio chi scegli per guidare un processo di risoluzione dei problemi sono, in effetti, grandi. Ciò è in parte dovuto al fatto che ci sono molti diversi tipi di autorità che le persone diverse possono avere – come avviare una decisione, assegnare premi o condividere informazioni – e, di conseguenza, molti modi di assegnare diversi livelli di autorità.
Infine, dato il ritmo del cambiamento e della volatilità del mondo di oggi, sta diventando impossibile raccogliere e analizzare tutte le informazioni necessarie per un approccio deterministico alla risoluzione dei problemi in tempo reale - doppiamente in modo che i modelli comportamentali di consumatori e concorrenti continuino a cambiare in risposta a qualsiasi mossa fatta. L'idea che si possano sempre trovare algoritmi in grado di prevedere in modo affidabile i risultati delle decisioni strategiche nel complesso mondo reale degli affari o della politica apparterrà al regno della fantascienza per il prossimo futuro.
In questo contesto, la strategia non può più consistere nel determinare la migliore linea d'azione. Piuttosto, l'obiettivo della strategia deve passare dal fare piani alla costruzione di un portafoglio di opzioni, ognuna delle quali potrebbe costituire la base per il successo futuro. Costruire questa opzionalità, tuttavia, è inefficiente nel tradizionale approccio strategico, poiché la ricerca di più soluzioni possibili può essere proibitiva e richiedere molto tempo. Dati questi fattori, forse è tempo che gli strateghi prendano spunto dal playbook di Naskapi e abbraccino la loro randomizzazione intelligente di fronte a problemi complessi in paesaggi grandi, sconosciuti e mutevoli. Passiamo a vedere quali benefici potrebbe offrire.
Si consideri la società Odeo, che aveva costruito una piattaforma di podcasting online che, nel 2005, si trovò ad affrontare difficoltà insormontabili quando Apple annunciò che avrebbe spedito la propria piattaforma concorrente come parte di iTunes con ognuno dei suoi iPod. I leader aziendali di Odeo hanno riconosciuto che era necessario un cambiamento radicale e hanno iniziato a tenere sessioni di "brainstorming" della durata di un giorno, una ricerca collettiva casuale di nuove direzioni.
Un'idea che ha avuto origine in queste sessioni era una piattaforma online per condividere il tuo stato con amici e follower che, prima del suo recente cambio di nome, era conosciuta come Twitter.
Data la situazione in cui si trovava Odeo, c'era poco tempo per sviluppare una roadmap strategica, per non parlare di condurre una quantità significativa di ricerche di mercato o analisi della concorrenza in quello che era già uno spazio affollato, con Facebook e MySpace che attiravano ciascuno decine di milioni di utenti mensili attivi all'epoca. Invece, Twitter è stato lanciato come un prodotto minimo vitale (MVP), creando un'opzione per Odeo per sopravvivere e, iterando continuamente sulla piattaforma, prosperare. (Ironia della sorte, gli investitori di Odeo non si sono resi conto del potenziale di Twitter e hanno permesso al management dell'azienda di riacquistare le sue azioni per circa $ 5 milioni – circa lo 0,01% di quello che Elon Musk ha pagato per la piattaforma nel 2022.)
Una lezione chiave dell'esempio di Twitter è che, per molti problemi, le soluzioni sono significative solo se vengono implementate abbastanza rapidamente da avere importanza – lo stesso beneficio conferito dal rituale Naskapai. Se i Naskapi avessero analizzato in modo completo la loro strada verso una soluzione, le mandrie che stavano cercando sarebbero probabilmente andate avanti.
Come Twitter, molte delle iniziative imprenditoriali più note hanno beneficiato del vantaggio della prima mossa che il processo decisionale randomizzato e l'azione rapida portano. La prima GoPro consisteva in un braccialetto e un involucro di plastica che ospitava una fotocamera digitale economica. Costruire relazioni con i clienti e iterare su questo primo design ha permesso all'azienda di mantenere la sua posizione quando diversi pesi massimi, come Sony, Nikon e Garmin, sono entrati nel mercato delle action cam.
La randomizzazione funziona altrettanto bene per gli operatori storici, probabilmente anche più facilmente, perché hanno più risorse da sfruttare. Quando il mercato dello shopping online ha iniziato a muoversi contemporaneamente su percorsi diversi (verso un modello basato sulla ricerca come Google Shopping, un modello multi-shop come Tmall e un modello di negozio generale come Amazon), Alibaba non ha aspettato di poter prevedere in modo affidabile il modello vincente. Piuttosto, ha diviso la sua attività e sviluppato soluzioni per tutti e tre gli scenari futuri, emergendo più potente che mai quando si è scoperto che tutti i nuovi segmenti di mercato erano qui per rimanere.
Iniziare prima significa anche imparare più velocemente. Ad esempio, il lancio anticipato di un MVP genera informazioni suscitando reazioni della concorrenza e dei clienti, che informano la tua prossima mossa. Per i Naskapi, seguire la direzione divina nelle loro cacce significava che, solo per caso, avrebbero regolarmente fatto nuove scoperte, come fonti d'acqua, luoghi per insediamenti temporanei o potenziali terreni di caccia.
Per un esempio più contemporaneo, considera modelli linguistici di grandi dimensioni come ChatGPT, che funzionano prevedendo la probabile parola successiva in base a quelle precedenti. I programmatori possono controllare il grado di precisione di questo processo attraverso un'impostazione chiamata "temperatura": più è alto, meno è probabile che l'algoritmo selezioni la parola che si prevede si adatti meglio a ciò che è venuto prima. L'aumento della temperatura riduce la precisione ma aumenta la sorpresa creativa, che può essere desiderata dall'utente e ha anche il vantaggio di creare più variazioni nell'output e, a sua volta, reazioni dell'utente, che consente al modello di migliorare nel tempo.
Naturalmente, le aziende conoscono il valore della sperimentazione. I negozi fisici al dettaglio hanno sperimentato il posizionamento degli scaffali per decenni. Nel contesto digitale, le aziende eseguono regolarmente test A / B per ottimizzare i design dei siti Web, i consigli sui prodotti o i modelli di prezzo.
Ma la portata e la velocità dei test e della sperimentazione sono state generalmente sottovalutate, in parte perché i test sono spesso progettati per dimostrare o confutare un'ipotesi precisa, che a sua volta è stata basata su un ambiente ampiamente stabile. Di conseguenza, gli strateghi imparano meno di quanto potrebbero se lo farebbero se avessero alzato la temperatura e condotto test meno precisi, più vari e più frequenti. I test casuali vengono spesso utilizzati per integrare i test basati su ipotesi nello sviluppo del software, ad esempio.
Impiegare una strategia casuale – selezionando tra tutte le mosse disponibili con uguale probabilità – è l'unica strategia ottimale in un gioco (ripetuto) di sasso, carta, forbici, perché è l'unica strategia che non consente a una contro-strategia dominante di emergere. In un contesto più complesso, ad esempio negli scacchi, ci sono diversi esempi famosi di mosse apparentemente casuali (o almeno controintuitive) fatte da un giocatore che sono servite a introdurre complessità e stress in un gioco in cui hanno affrontato un avversario superiore.
Questo vantaggio è stato a lungo riconosciuto da alcune istituzioni finanziarie, che impiegano la casualità per offuscare le loro strategie di trading. Sfruttando "algoritmi senza profumo", che introducono ritardi casuali e variazioni nei tempi e nelle dimensioni degli ordini, le istituzioni possono evitare di segnalare le loro intenzioni, che potrebbero essere sfruttate da altri partecipanti al mercato per registrare guadagni sulla base di analisi di trader più competenti. Un esempio più semplice è il "test delle porte false" in cui il prodotto casuale o le configurazioni promozionali vengono presentate ai consumatori online per imparare suscitando una reazione, mentre allo stesso tempo danno pochi indizi ai concorrenti.
I manager tendono spesso a replicare gli approcci di successo del passato, pur essendo meno ricettivi a nuove idee o segnali esterni. Questo può portare al declino man mano che l'ambiente si sposta intorno a loro. Gli esempi ben noti abbondano: Blockbuster e Nokia hanno rimandato al "provato e vero" con conseguenze disastrose quando la domanda e le condizioni competitive sono cambiate radicalmente.
Abbracciare la casualità può fornire una soluzione a questo problema. In natura, l'evoluzione – mutazioni casuali, combinate con le pressioni della selezione naturale – assicurano il continuo adattamento di una specie a un ambiente mutevole. Imparando dai fenomeni biologici, i progettisti di algoritmi evolutivi generano rapidamente bit e pezzi casuali di una soluzione a un grande problema, che vengono poi assemblati in soluzioni di prova che vengono valutate rispetto a un obiettivo o a una funzione di fitness.
Nel contesto politico, gli esseri umani hanno sfruttato la randomizzazione per millenni. Nell'antica Atene, ad esempio, veniva utilizzato un sistema di lotteria per selezionare i magistrati, per garantire che i ricchi e i potenti non comprassero la loro strada verso il potere. Nel contesto aziendale, le organizzazioni potrebbero facilmente adottare comportamenti randomizzanti per tagliare il labirinto di manovre politiche e negoziazioni che accompagnano le allocazioni di budget a una o più alternative concorrenti, ognuna con il proprio campione e sfruttando i dati privati. A causa dell'imparzialità della randomizzazione sulle possibili opzioni, nessuno deve sentirsi ingiustamente escluso.
Non tutti i pregiudizi contro il cambiamento sono il prodotto di un successo precedente. In contesti altamente negativi, gli esseri umani cadono preda dell'impotenza appresa, in cui le esperienze ripetute condizionano una persona a credere di non avere il potere di cambiare le proprie circostanze e, quindi, non provano nemmeno a prendere decisioni. L'adozione di un processo decisionale randomizzato in tali situazioni può contrastare questo pregiudizio all'inazione.
La nostra immagine mentale standard della casualità è un lancio di moneta o un lancio di dadi. Ma per i problemi della vita reale, l'utilizzo di queste tecniche richiederebbe prima di conoscere, enumerare e valutare tutte le opzioni, che è quasi lo stesso che analizza la tua strada verso una strategia ottimale. Tuttavia, ci sono varie tattiche che gli strateghi possono sfruttare per incorporare la casualità nelle loro cassette degli attrezzi e identificare una soluzione probabilmente abbastanza buona in tempo utile perché abbia importanza.
Variare il punto di partenza.
Come gli algoritmi di apprendimento automatico, utilizza un prompt casuale per variare il punto di partenza della ricerca. Ad esempio, per aiutare i musicisti a liberare la loro creatività, Brian Eno e Peter Schmidt hanno creato un mazzo di carte con istruzioni che incoraggiano il pensiero laterale, come "cambiare i ruoli degli strumenti", "enfatizzare i difetti" o "mettere i tappi per le orecchie". L'introduzione di un elemento di casualità nel processo creativo aiuta a superare i blocchi creativi e garantisce che gli artisti non ricadano su abitudini e schemi familiari.
Variare il tempo o il ritmo della ricerca (lunghezza dei cicli di feedback). Troppo spesso, squadre e gruppi sono intrappolati da un "metronomo" di rapporti trimestrali, revisioni mensili e riunioni settimanali. Ma, per randomizzare in modo intelligente, potrebbe essere necessario operare su scale temporali di giorni o addirittura ore.
Cerchi una soluzione vicino a dove ti trovi ora o lontano? I salti casuali possono aiutarti a sbloccare il tuo processo decisionale strategico portandoti in parti dello spazio di ricerca che non avevi precedentemente considerato. Ad esempio, la ricerca ha dimostrato che in mare aperto, dove le prede sono scarse, i pesci usano un modello di ricerca che incorpora occasionali, ma estremamente lunghe lunghezze di "passo" tra le aree di ricerca, seguendo un modello matematico noto come voli di Lévy.
Esegui ricerche dall'alto verso il basso o dal basso verso l'alto? Prima la profondità o prima la larghezza? Non tutti i grandi problemi cederanno alla stessa strategia di ricerca. Alcuni funzionano meglio di altri e non esiste un "modo migliore" per risolvere qualsiasi problema.
Rendere diverse persone responsabili della ricerca o di diversi aspetti di essa. Poiché persone diverse hanno diversi pregiudizi, pregiudizi e metodi predefiniti, la randomizzazione tra diversi risolutori di problemi ti aiuterà anche a randomizzare tra le possibili soluzioni.
. . .
In passato, le aziende aspiravano ad essere organizzazioni "sapienti" in grado di comprendere e controllare i loro ambienti a tal punto da essere in grado di tracciare chiaramente un percorso ottimale attraverso di esso. Alcune aziende, dopo aver riconosciuto che sapere tutto non era più possibile, si sono orientate verso una mentalità "learn-it-all", perfezionando costantemente il loro approccio man mano che emergevano nuove informazioni.
Sebbene questo continui ad essere potente, riteniamo che possa essere ulteriormente esteso per creare un approccio "search-it-all", in cui viene posta l'accento sul sondaggio attivo dell'ambiente per generare le preziose informazioni che consentono di sviluppare opzionalità in modo rapido ed efficiente. E le scelte rapide e casuali ti aiutano a realizzare proprio questo. Il che ci riporta ai Naskapi, il cui rituale superstizioso assomiglia sempre più a un processo decisionale intelligente di fronte a sfide complesse e ambigue.
Fonte: I vantaggi strategici del processo decisionale randomizzato (hbr.org)