作者：慎思君
Elliot此前来自于U.S. Cellular集团，这是一家总部位于芝加哥的运营商，提供类似于Verizon、AT&T等电信公司的传统运营商服务，公司专注于做区域性的电信服务。
他的分享从一个电信界挺有名的故事开始讲起，即使不是电信界人士或许也知道80年代麦肯锡做的一个预测。当时AT&T的贝尔实验室在无线通讯技术上处于领先地位，所以他们聘请麦肯锡想要预测二十年后，也就是2000年无线电话的市场需求。麦肯锡当时给出的答案是，在2000年的时候，全国会有90万不到的无线电话用户，也就是不足100万。基于这个结果，AT&T制定了相应的策略发展无线电话技术。但事实上，正如在场各位所知，到了2000年的时候，全美的手机服务订阅用户远超了100万，达到惊人的1.09亿，超过了预计值的一百多倍。
而在这之后的十年内，这个数字又翻了三倍超过了3亿，也造就了今天如此饱和的电信市场。当然在这个故事里头，有一个值得深思的问题——到底哪里出错了才会造成这么大的偏差？但更加应该思考的问题——在一个有极大不确定性的情境中，我们应该怎样预测和做决策？在1980年，对于一个非常新鲜的事物，预测它20年后的保有量，是一个极度不确定的问题。
如何面对不确定性制定决策？
Elliot提出三点有助于在不确定环境做出预测的见解：第一个是有效描述和分类不确定性的工具，分类是因为不确定性并不是一个大集合确定的，它有不同的层次和“口味”，可以用不同的方法来分析。第二个则是建立一些适当的工具和框架使得思考和做决策的时候能够充分考虑不确定性。第三个是真正的挑战不只是难以寻找工具来量化不确定性，另一部分则是要充分认识到制定战略决策时的思维方式和制定好战略的意义。
首先，Elliot展示一下描述和分类不确定性的四个方法。Hugh Courtney曾是麦肯锡的合伙人，麦肯锡曾经在一段时间认为公司在参与客户的预测和决策上面并不到位，于是公司在这个方面做出了一些努力，作为结果，就是现在大家可能都比较熟悉的这个四层次剩余不确定性。这里讨论的四种情况会让我们做判断的时候更容易对号入座。值得注意的一点是，这里所讲的是剩余不确定性，与平时说的不确定性不完全一样，不确定性说的只是客观上不知道的事情，而实际上很多事情在进行过一系列合理的分析之后是可以找到结果的，那么最后剩下的，也就是所说的剩余不确定，是确切未知的东西。
逐一检验这四种情况，第一个是一条直线——清晰的未来，也就说经过整合数据与详尽研究，在允许一定误差的范围内，通过分析能够达成一个统一的发展方向，比方说预测销售额的增长，用户的变化等等。第二种，多情境的未来，和第一种比较接近，虽然表达了有限数量的结果，但也还是有多种可能，所以在预测和制定策略的时候要详细考虑，Elliot建议把握这其中的不同可能性，分别提出对应的方案。第三种是一个范围内的结果，这是一个有相对边界的集合，你可能只对结果的边界有所把握，但在这个范围里的结果会怎样分布却无法区分。第四种是模糊，我们甚至连这个图中的球都不知道是什么，那这个情况应该怎么做呢？
先从第一类开始。如果麦当劳要考虑一家新的餐厅的地址，营业效果会怎样，通过大量的数据和已有的餐厅历史，基本就可以判断这家新店未来的营业状况，所以开一家新餐厅对于麦当劳来说并不是一件随机猜测的事件，是完全可预测的行为。其他的一些例子包括沃尔玛超市的新店选择，它们都属于第一类的，基本可以有清晰的预测，在一定外界影响下会出现一定偏差的结果，按照传统、稳定的分析方法可以帮助寻找机会。这种情况下，完全可以使用大家熟悉的传统战略方法，团队非常容易开展，像波特五力模型、市场分析、SWOT分析和核心竞争力分析等等。这些都是在有明确的预测方向的前提下采取的决策制定方法，最后来决定是否执行相应的策略达到更高的投资回报。
到了第二种情况，如果恰好没有那么好的运气，那我只有多个可能的结果，需要应付怎样的问题呢？像是政治和法律上的变动，比如总统可能一般会在两位候选人中产生，那我们一般会围绕可能出现的情况进行两种不同的战略分析，比如对于一个产业标准可能会落到A方案或者B方案，竞争对手的回应（对手是否会对新的价格作出回应）。我们需要把可能的多种情景融合进入建立出的分析中，但是这也有些有名的方法，可以优化在这种多情景不确定下的策略，像决策树，情景规划，有时会也会用到博弈论。它们不会常用，但公司在应对情景相符的条件时，不妨学习并尝试一下。这类方法使用起来会和各位熟悉的“MECE（Mutually Exclusive, Collectively Exhaustive）”穷尽方法相结合达到最好的效果。
那么需要应对一系列的不确定情景时，比如预测一个全新产品的市场需求——一款全新的汽车，企业可能通过研究同类型的对手确定一个需求范围，但是这个无法落到一个有限的集合中来，更像是一个范围定义的结果，就像U.S. Cellular公司投资下一代通信技术的成果也会是有一系列可能产出一样。在应对的工具上，其中一些会和前两种情况比较相似，但因为这种情况中我们遭遇的处境更为模糊，部分方法也要随之调整，像潜在需求市场分析、系统动态模型、实物期权价值模型。一般的公司可能都不会用到这些方式，也不需要，但重点是我们需要谨慎考虑当对未来不确定性上升到第三个水平的时候，我们是否需要使用这些更为优化的方法，以及了解如何设计相应的方式去尽可能应对更广的情景。
最后一种是模糊，Elliot认为最简单的理解是当我们在一个政治和法律环境不稳定的国家开一家全新的公司，设计一个全新的产品，这种情况的结果几乎无法想象。简单地说，有人会觉得电子商务的早期投资是一个第四层级的不确定，还有的会觉得高新科技、绿色能源等等一系列拥有众多变化量和发展方向的行业，它们带来的结果甚至连边界也没有，也属于完全不确定。那我们该怎么做，最主要的还是往回想，去寻找你想要的某个特定结果。你可以做类比，找到合适的引源并进行分析。不过，这个更多像是一个练习，你可以把它拆分成更细的部分来测算可能性。
想象一下，假设公司要推出一个新的通信技术，这在无线行业很经常发生，我们应该是站在哪一个不确定级出发呢？我们掌握竞争对手的技术策略，这会影响我们的决策。我们掌握产品的进化，结合新的技术来测试用户对设备的关注、兴趣程度有多高。还有内容的革新，这决定了我们的带宽和容量的设置和对新网络的投资。我们需要考虑准备多少带宽进行运营，这些投入的花费是多少。所以，我们无法把这些不确定性拆分到用最简单而舒服的95%的方法去解决。如果回到麦肯锡的预测中，现在看来对无线电话的分析可能在这个图谱里处于第三到第四的区间，但当我们在看到预测的时候，AT&T看到的是一个900000的数字，它们是基于这个数字来进行决策的，这可是一个第一层级的预测，一个固定的数字。这是不对的，你不可能知道这个数字是多少，真相会应该是一个相当广泛的范围，而且在这个范围内有你希望看到并觉得有商业机会的区间，也有你觉得无利可图的区间，这才是AT&T决策的出发点。
好决策和好结果之间是什么关系？
说到底我们要做的是制定战略决策，那么不确定性如何起作用，帮助你分析呢？区分一个正确的决定和一个好的决定。什么是好的决定，我们如何得知我们做了一个好的决定？方向正确？老板喜欢？通常得到的回应一般是通过结果来判断好坏的故事。看两个例子，Bob用他的工资来买彩票而不还房贷，结果他中了头奖，这是一个好决定还是坏决定？大多数人觉得这是不好的，我觉得是非常糟糕的，因为如果是好的话我们应该一直这样做，然后大家大概能猜到结果会是怎样。再看另一个例子，Laura为了提高心肺能力去慢跑但是跑了5分钟就摔伤了脚踝，大多数人觉得是好的决定。这里的例子隐含的意思是，每种决定总会有特殊的情况发生，在第一个例子里，这是一个产生了好结果的坏决定，而第二个的例子则是一个产生了不好结果的好决定。所以，好的决定并不总是带来好的结果，更多的是扩大了好结果发生的可能性；坏决定并不排除发生好结果的可能性，这么说好决定并不是从结果定义的而是从它本身的质量来定义的。当需要关注这么多的不确定性，很难做出决定，即使你选择忽略一些因素，也还是困难的。那么我们应该怎么应对这个情况呢，如果我们总是纠结于决策的结果是否是好的还是坏的，那么我们就会陷入了对准确预测的追求中，不断修炼打磨，并认为可能带来这样的结果，而实际上在某个小参数上的调整带来的优化可能不及忽略掉一些不确定性带来的挑战影响更大。所以，预测模式和我们理想中需要融合各种不确定性的战略决策产生了一定的矛盾。
那么当结果不是判断一个好决定的关键的时候，我们应该关心什么？ Elliot分享了一个关于决策质量的六元素模型，可以用于指导我们的决策制定。从一个合适的框架开始，这个很重要但也经常被滥用，在问题最开始的时候正确地解构问题是至关重要的，因为有可能出现问题拆分解决完之后，到重新组织的时候发现其实还有很多问题没有被考虑进去或者被错分到了其它的类型里面。解构问题是所有决策环节的基础，接下来是创造备选方案，需要注意的是积极主动地创造其它可能性而不是单纯的准备备用方案。第三个便是寻找有意义的、可靠地信息，是否用心地考证数据和信息是可信的并且有效的。第四个则是明确组织是否知悉决策之上的价值和随之附带的利弊关系，如长期回报和短期回报的转换，风险与回报的权衡，时常管理者会忽视了这个环节，导致决策在被搬上台面的时候并不能得到广泛的支持，因为不同利益关系会有不同的审视角度。接下来的这两点很明显，决策过程需要有正确的逻辑思维方式，并且一旦决定就需要能够获得参与人员的全力支持和及时行动。假如我们有无限的时间，即便做出一个有着高质量的决策，也无法保证结果一定是完美的，但是在这么长的时间里，有好结果的概率总是会上升的。
最后，Elliot用两句话来总结了一下他的观点，首先是不确定性应该被关注而不是忽略；因为不确定性也是问题的重要组成部分，并不能说已知的信息和数据就一定比未知的内容更重要。其次，需要相应的工具来分析不同情况的不确定性，高质量的决策更多是看输入而不是产出的结果。
编辑 | Yibin.P
文章来源 |U.S. Cellular（美国无线服务第五大运营商）: Elliot Rawls，高级战略总监（现已离职）
特别说明 | 慎思行采编于Innovation Enterprises首席战略官峰会芝加哥站
个人微信 |hello_SSX
