👓 Обзор научной статьи: Cynefin и почему без него аналитик сильно рискует
Итак, я решил убить двух зайцев. Во-первых, наконец-то выполнить обещанное по итогам опроса – рассказать про интересную научную работу (и даже не одну). Во-вторых, хочу остановиться на моменте, который критически важен и если ты #аналитик_в_эпоху_ИИ, и если работаешь вовсе без ИИ. Это особенно актуально при переходе от гипотез к выводам и рекомендация, о чём я писал в прошлом посте.
Немного истории
Жил-был Сноуден. Не тот, о котором вы подумали, а Дейв Сноуден. Во второй половине 90-х он работал в IBM и занимался вопросами управления знаниями и интеллектуальным капиталом. И вот на рубеже веков он сформулировал идею, которая кажется простой, но на деле привносит очень многое:
Причинно-следственные связи в разных контекстах работают по-разному. Это важно учитывать при принятии решений.
Сноуден прорабатывал этот вопрос довольно долго. От первых набросков до публикации прошло три года. Вот ключевые точки:
🔘2002 – статья Complex Acts of Knowing: Paradox and Descriptive Self-Awareness (Journal of Knowledge Management). Впервые появляется название Cynefin для концепции Сноудена.
🔘2003 – статья The new dynamics of strategy: Sense-making in a complex and complicated world. Cynefin получил «официальный» статус как фреймворк.
🔘2007 – более практическая адаптация Cynefin для управленцев в статье A Leader’s Framework for Decision Making в Harvard Business Review. Именно она принесла концепции широкую известность. Крайне рекомендую ознакомиться с этими статьями.
Так что же это за зверь такой – Cynefin?
Cynefin делит ситуации (проблемы) по типу причинно-следственных связей. Каждый домен – это свой логический режим работы.
1️⃣Простой (очевидный) домен
Система упорядочена, всё предсказуемо, причина и следствие чётко связаны. Здесь живут известные известности (known knowns).
Пример: стандартизированные операции, где давно есть лучшие практики.
2️⃣Сложный (complicated) домен
Система устроена детерминированно, связи есть, но они не лежат на поверхности. По крайней мере одно правильное решение существует, но требуется анализ или экспертиза, чтобы его найти. Это область неизвестных, которые можно узнать (known unknowns).
Пример: механика автомобиля – сложно, но если разобрать детали и связи, всё становится понятно.
Требуется привлечение экспертов, моделирование, тщательные расчеты, но здесь неопределённость устранима анализом. Система ведет себя предсказуемо, просто далеко не всё известно и очевидно.
3️⃣Комплексный (complex) домен
Система неупорядочена, в ней множество взаимодействующих элементов. Причинно-следственные связи проявляются только задним числом, предсказания затруднены. Это область неизвестных неизвестностей (unknown unknowns).
Пример: экосистема (тропический лес) или рынок с большим числом игроков. Сноуден иллюстрирует: «В отличие от статичного автомобиля, тропический лес постоянно меняется – виды вымирают, погода меняется, вмешательство человека – и целое гораздо больше суммы частей»
Ситуация меняется быстрее, чем её можно описать. Здесь невозможно заранее просчитать однозначный ответ – он эмерджентен и выявляется только экспериментальным путем. Правильный подход: пробовать → наблюдать → адаптироваться (probe → sense → respond). Полностью устранить неопределенность теоретически нельзя, но можно постепенно прояснять картину через эксперименты, выявляя рабочие паттерны.
4️⃣Хаотичный (chaotic) домен
Система полностью неупорядочена, между причинами и следствиями очевидной связи нет вообще. Всё настолько турбулентно, что невозможно даже выявить шаблоны. Это область тотальной неопределенности, «непознаваемого».
Пример: кризис, катастрофа, резкий рыночный обвал.
Здесь бесполезно искать правильный ответ анализом. Главная задача – стабилизировать, и только потом анализировать. В этом сценарии уменьшить неопределенность заранее почти нереально.
5️⃣Неупорядоченный (disorder)
Когда даже нет понимания, в каком из четырёх доменов мы находимся. Тут очень важно как можно быстрее определить домен, иначе любое решение будет случайным.
⬇️⬇️⬇️продолжение
