увеличить ее на этот процент. Таким образом, вы объедините ценность внутреннего взгляда (детализация) с ценностью внешнего взгляда (точность), в чем и заключается вся игра.
Конечно, когда речь идет о взгляде со стороны, лучше больше, поэтому данные из тридцати проектов превосходят данные из пятнадцати, а данные из ста превосходят данные из тридцати. Но важно понимать, что RCF может принести много пользы, даже если данных гораздо меньше, чем нам нужно. Если приложить немного логики, воображения и понять, почему RCF работает, можно извлечь из него хотя бы какую-то пользу, даже если у вас мало данных.
Даже данные только одного завершенного проекта представляют ценность. Конечно, было бы неправильно называть это "эталонным классом". Но это опыт реального мира. Назовите его "точкой отсчета". Затем сравните его с планируемым проектом и спросите: "Наш проект, вероятно, будет работать лучше или хуже, чем эта точка отсчета?" По своему опыту я знаю, что такое обсуждение может быть удивительно полезным.
ДЕЙСТВИТЕЛЬНО УНИКАЛЬНЫЙ ПРОЕКТ?
Наименьшее натуральное число - ноль. В действительно редких случаях, когда проект можно точно описать как уникальный - единственный и неповторимый в своем роде - именно столько проектов существует в эталонном классе. Однако даже в этом случае RCF может быть полезен.
В 2004 году мне позвонил Андерс Бергендаль, шведский чиновник, отвечающий за вывод атомных электростанций из эксплуатации. Ему нужна была достоверная оценка того, во сколько обойдется вывод из эксплуатации шведского парка атомных электростанций, что займет десятилетия, и безопасное хранение ядерных отходов, которое растянется на века. Атомную промышленность Швеции попросят внести средства в фонд для покрытия этих расходов, поэтому правительству нужно было знать, сколько должна заплатить промышленность. "Можете ли вы помочь?" - спросил он.
Я был поставлен в тупик. В то время у меня не было данных о проектах по выводу ядерных объектов из эксплуатации (сегодня они есть). И я не думал, что смогу их получить. В мире было выведено из эксплуатации очень мало атомных станций, и те немногие были сделаны при очень особых обстоятельствах; вспомните Чернобыль и остров Три-Майл. Швеция станет первой страной, которая проведет плановый вывод из эксплуатации целого парка реакторов. "Я не могу помочь", - сказал я. "Извините".
Но Бергендаль увидел то, чего не увидел я. Он сказал, что консультанты предоставили ему отчет с оценкой стоимости и "риска стоимости", то есть риска того, что стоимость окажется выше ожидаемой. Но он заметил странную вещь, когда сравнил отчет консультантов с академической книгой, в которой я и моя команда задокументировали риск затрат для транспортной инфраструктуры, такой как дороги, мосты и железнодорожные линии. Согласно нашей книге, риск затрат был выше для этого самого обычного вида инфраструктуры. "Это бессмысленно, - сказал Бергендаль. На реализацию транспортных проектов уходит от пяти до десяти лет, и люди строят их уже несколько столетий. Как может быть менее рискованным вывод из эксплуатации ядерной энергетики, если это занимает гораздо больше времени и у нас почти нет опыта в этом деле? Я согласился. Это не имело смысла. Консультанты и их отчет должны были уйти.
Но у Бергендаля появилась идея, чем можно его заменить. Почему бы не использовать наши данные о затратах на транспортную инфраструктуру как "нижний предел" - минимум - и предположить, что реальные затраты на вывод из эксплуатации и хранение ядерного оружия будут где-то выше этого уровня? Это была бы далеко не идеальная оценка. Но она имела гораздо больше смысла, чем та, которую составили консультанты. А вывод из эксплуатации начнется еще не скоро. Если шведское правительство введет эту смету сейчас и заставит атомную промышленность начать платить в фонд, правительство сможет скорректировать ее позже, когда узнает больше о выводе из эксплуатации в Швеции и других странах. Я был впечатлен. Это был такой разумный подход -опять же, фронезис. Мы работали над его разработкой, и он стал политикой Швеции.
Неудобная правда заключается в том, что я сам поддался "предубеждению уникальности", полагая, что такому беспрецедентному проекту, как вывод из эксплуатации атомных электростанций, нечему учиться на опыте других проектов. Это не так; как показал Бергендаль, чтобы увидеть это, нужно лишь немного логики и воображения.
РЕГРЕССИЯ К ХВОСТУ
Однако во всем этом есть большая оговорка с толстым хвостом. Представьте, что у вас есть график стоимости ремонта одной тысячи кухонь, который имеет форму классической колоколообразной кривой: большинство проектов сгруппированы вокруг среднего значения в середине, очень мало проектов в крайнем правом или крайнем левом углу, и даже самые экстремальные точки данных не сильно удалены от среднего значения. Как я уже говорил в главе 1, это то, что статистики называют "нормальным распределением".
При нормальном распределении наблюдается регрессия к среднему значению, то есть наблюдения в выборке стремятся вернуться к среднему значению совокупности по мере включения в нее большего числа наблюдений. Так, если подрядчик выполнил необычно дорогой ремонт кухни, вполне вероятно, что следующий, при прочих равных условиях, будет ближе к среднему значению и, следовательно, дешевле.
Когда вы имеете дело с нормальным распределением, вполне можно использовать среднюю стоимость в прогнозе эталонного класса, как я описал выше, и на этом закончить. Но, как отмечалось в главе 1, мой анализ показал, что лишь меньшинство из множества типов проектов в моей базе данных имеют "нормальное" распределение. Остальные - от Олимпийских игр до ИТ-проектов, атомных электростанций и больших плотин - имеют более экстремальные результаты в хвостах своих распределений. При таких толстохвостых распределениях среднее значение не является репрезентативным для распределения и, следовательно, не является хорошим оценщиком для прогнозов. Для самых толстохвостых распределений даже нет стабильного среднего значения, вокруг которого можно было бы сгруппировать результаты, потому что может появиться (и появится) еще более экстремальный результат, который отбросит среднее значение еще дальше, в хвост, к бесконечности. Так что вместо старой доброй регрессии к среднему получается то, что я называю "регрессией к хвосту". В такой ситуации полагаться на среднее и считать, что ваш результат будет близок к нему, - опасная ошибка.
Вот вам и теория. Что это означает на практике?
В идеале вы всегда должны знать, сталкиваетесь ли вы с толстохвостым дистрибутором или нет. Но если вы частное лицо, делающее ремонт на кухне, или малый бизнес, занимающийся мелким проектом, вы можете этого не знать. Даже если вы высокопоставленный государственный служащий, контролирующий национальную программу и имеющий в своем распоряжении всю мощь национального статистического агентства, как Андерс Бергендаль, вы можете не знать. В этом случае лучше использовать
