(ФР) за каждый год для каждой компании в нашей базе данных в оценки по 10-балльной шкале. Наша модель позволяет нивелировать воздействие отрасли, года, систематической ошибки выжившего и многих других факторов, влияющих на показатели. Итак, совокупность значений ФР (например 11,3, 9,5, 13,2 %) преобразуется в совокупность 10-балльных оценок (например 7, 5, 9), но эти 10-балльные оценки учитывают воздействие всех наших контролируемых параметров. Это обеспечивает равные условия для сравнения любой компании с любой другой компанией в любой год в промежутке с 1966 по 2010-й.
Важнейшая отличительная черта этого метода состоит в том, что более высокие абсолютные значения ФР (измеряемые в процентах) не обязательно должны соответствовать более высоким относительным оценкам ФР в баллах по 10-балльной шкале. Например, оценка 7 баллов для рентабельности в сфере программного обеспечения в 1998 г. может соответствовать значению ФР 20 %, а оценка 7 баллов для рентабельности в производстве стали в 1981 г. может соответствовать значению ФР всего в 5 %; в сфере финансовых услуг компания с ФР = 1,3 % в 2009 г. может получить 9 баллов, в то время как фармацевтическая компания с ФР = 18 % в 1996 г. может получить 5 баллов. Иными словами, такие 10-балльные оценки отражают относительные показатели каждой компании, определяемые факторами, действующими на уровне компании и в той или иной мере подконтрольными ее руководству.
Такие оценки по 10-балльной шкале обеспечивают возможность сравнения из года в год, но в длительной ретроспективе выдающиеся показатели нельзя идентифицировать, просто сверяя эти значения. Например, 7, 6, 8, 9, 7, 9, 8 – это лучше или хуже, чем 6, 3, 9, 9, 9, 9, 6, 8, 7, 9, 5, 2? Как это установить? И здесь мы переходим ко второму этапу нашего процесса. Помните наши рассуждения про исключительные результаты при подбрасываниях монеты? Теперь мы будем искать выдающиеся компании, эффективность работы которых оказывается выше ожидаемой, но уже с учетом параметров системы. Разница в том, что в экспериментах с монетой мы знаем, что означает «правильная», или «симметричная», монета, и можем оценить вероятность получения результата, который заставляет усомниться в ее симметричности.
А если речь идет об оценке деятельности корпорации, мы должны определить параметры системы, а затем оценить вероятность получения того или иного результата при этих параметрах. Только после этого мы сможем оценить вероятность того, что высокие показатели данной компании представляют собой именно полезный сигнал, а не элемент шума (см. приложение C «Идентификация выдающихся показателей»){23}.
Начнем с определения того, какие результаты мы будем рассматривать как значимые, выделив две категории компаний с исключительно высокими – выдающимися – показателями: «чудотворец» и «стайер». «Чудотворцы» – это компании, которые, с учетом длительности их деятельности, получают столько 9-балльных оценок, что это никак не соответствует теории вероятностей, и, значит, приходится заключить, что здесь присутствует что-то отличающееся от простого везения, и они называются
В работе «Великие по собственному выбору» (Great by Choice) Джим Коллинз и Мортен Хансен обсуждают воздействие неожиданных событий (фактора удачи) на корпоративную эффективность и приходят к выводу, что компании с большей рентабельностью реагируют на изменения ситуации более эффективно, то есть более эффективно используют внезапно открывающиеся возможности и минимизируют воздействие неожиданных неблагоприятных факторов. Проблема, однако, заключается в том, что компании, числящиеся высокорентабельными, не всегда наглядно демонстрируют свою высокую рентабельность. Мы не можем точно установить, действительно ли данная компания продемонстрировала собственную высокую рентабельность – выше той, которой можно было бы ожидать просто при удачном стечении обстоятельств. Объяснение постфактум того, что произошло на самом деле, не просто всегда возможно – оно, по сути, неизбежно, учитывая склонность человеческой натуры к ретроспективному привнесению смысла в цепочки событий. Следовательно, поиск объяснений имеет смысл только в тех случаях, когда вы сначала нашли веские основания полагать, что существует нечто заслуживающее объяснения.
