Конечно, этот результат изменится с разными вероятностями и/или потенциальными выплатами. Например, если вы решите, что шанс заплатить 3 000 долларов составляет не 5 %, а 50 %, тогда математическое ожидание для нового подрядчика станет выше, чем ставка вашего обычного. Помните, что всегда можно провести анализ чувствительности для любых входных данных, которые, по-вашему, могут существенно повлиять на решение, как мы уже обсуждали в предыдущем разделе. Здесь вы будете варьировать вероятности и/или потенциальные итоговые выплаты и смотреть, как ожидание будет меняться соответственно.
Задумайтесь, что еще повлияет на это решение. Допустим, вы уже запланировали вечеринку у бассейна через несколько недель. Теперь, если подрядчик с более низкой ставкой протянет две недели, вы будете сильно переживать из-за вечеринки. Вам придется давить на него, чтобы он доделал работу, и, возможно, даже вызвать дорогостоящее подкрепление, чтобы помочь закончить ремонт. Очень много лишних хлопот.
Человеку побогаче, чье время обладает более высокой альтернативной стоимостью, все это лишнее беспокойство и хлопоты можно оценить в лишнюю 1 000 долларов расходов, даже если эта 1000 не будет отдана напрямую подрядчику. Эта дополнительная нагрузка увеличит стоимость результата с опозданием на 2 недели с 2 500 долларов (раньше переплата составляла 500 долларов) до 3 500 долларов (теперь переплата составляет 1 500 долларов).
А если этот новый подрядчик действительно плохо сделает работу и вам придется звать старого, чтобы он срочно все переделывал, это будет вам стоить лишнюю 1 000 долларов за суету и нервы плюс реальные дополнительные расходы на оплату работы другого подрядчика. Итак, тот маленький шанс 5 %, что вам придется заплатить 3 000 долларов, в итоге может стоить вам лишних 2 000 долларов, то есть всего 5 000 долларов.
Показав эти возросшие значения на своем дереве решения, вы можете эффективно «учесть» дополнительные расходы. Из-за того что они включают в себя больше, чем стоимость одной только выплаты, они называются утилитарными значениями, которые отражают ваши общие относительные предпочтения в различных сценариях. Мы уже видели эту идею в предыдущем разделе, когда оценивали ваше предпочтение не иметь арендодателя.
Утилитарные значения можно отвязать от настоящих цен, поскольку вы можете ценить что-то одно больше, чем другое, даже если на открытом рынке эти варианты стоят одинаково. На это влияют ваши предпочтения. Подумайте о своей любимой группе – их концерт даст вам больше, чем концерт другой по той же цене. Просто потому, что они вам больше нравятся.
Стресс из-за починки бассейна – это дополнительная потеря утилитарности, которая прибавится к настоящим расходам на работу подрядчиков.
Результаты на листьях дерева решений могут стать утилитарными значениями, объединяющими все затраты и выгоды (материальные и нематериальные) в одном числе для каждого варианта. Если вы сделаете это, ваше решение изменится в противоположную сторону – лучше будет обратиться к вашему обычному подрядчику (подрядчик 2 на дереве решений).
Обратите внимание, что эти решения все еще очень близки, так как у обоих подрядчиков теперь практически одно и то же математическое ожидание! Эта близость показывает силу вероятностных результатов. Несмотря на то, что новый подрядчик связан с более высокими потенциальными «затратами», в 50 % случаев вы все равно рассчитываете заплатить ему гораздо меньше. Эта меньшая сумма сильно снижает математическое ожидание из-за частоты такого результата.
Если ситуация позволяет, мы настоятельно рекомендуем использовать утилитарные значения, поскольку они показывают более полную картину ваших основных предпочтений и приводят к более удовлетворительным решениям.
На самом деле, в более широком смысле существует философия под названием утилитаризм, которая утверждает, что самым этичным решением является то, которое приносит больше всего пользы – утилитарности – всем участникам.
У философии утилитаризма есть множество недостатков. В первую очередь полезные решения, касающиеся многих людей, могут казаться довольно несправедливыми, когда эта полезность неравномерно распределена среди участников (например, неравные доходы, несмотря на растущий уровень жизни). Также утилитарные значения бывает сложно оценить.
В любом случае, деревья решений помогут понять, что делать в ситуациях с большим количеством разнообразных вероятностных исходов. Подумайте о медицинском страховании – стоит ли вам взять план с высокой франшизой и низкими выплатами или с низкой франшизой и высокими выплатами? Это зависит от уровня обслуживания, которого вы ожидаете, и от того, можете ли вы позволить себе менее вероятный сценарий, где вам понадобится выплатить высокую франшизу. (Обратите внимание, что ответ неочевиден, так как по плану с менее высокой франшизой вы будете делать более высокие ежемесячные взносы. Это увеличение взносов может рассматриваться как выплата части вашей франшизы каждый месяц.) Изучите этот сценарий и подобные ему через дерево решений, учитывая ваши предпочтения наряду с фактическими затратами.
Деревья решений особенно полезны, чтобы думать о маловероятных, но очень значительных событиях. Рассмотрите подробнее сценарий медицинского происшествия, при котором вам потребуется выплатить полную франшизу. Некоторых людей такие затраты приводят к банкротству, и поэтому истинная стоимость такого события намного выше, чем фактическая стоимость франшизы.
В результате, если вы окажетесь в этой ситуации, вам стоит показать потери утилитарного значения для этого сценария очень высокими, чтобы отразить свое желание избежать банкротства. Вероятно, это подтолкнет вас к плану с высокой выплатой и низкой франшизой (насколько вы сможете себе их позволить) и с большей гарантией того, что вы избежите банкротства.
Другими словами, если возможен финансовый крах, стоит избегать такого плана, даже если в среднем у него лучший финансовый результат.
В этом типе анализа следует остерегаться «черного лебедя» – экстремального события с серьезными последствиями (вроде финансового краха), которые намного более вероятны, чем вы изначально ожидаете. Такое название термин получил благодаря распространенному в Европе ложному убеждению, что черных лебедей не существует, хотя на самом деле они всегда заселяли территорию Австралии.
Говоря о «черном лебеде» в контексте анализа через дерево решений, вы должны увеличить оценки вероятности маловероятных, но очень значительных сценариев, например банкротства.
Одна из причин, по которой вероятность «черных лебедей» оценивается ошибочно, связана с нормальным распределением, которое представляет собой распределение вероятности в форме колокола и объясняет частоту многих природных явлений (например, человеческого роста). При нормальном распределении редкие события находятся на хвостах распределения (например, очень высокие или невысокие люди), далеко от центра колокола. Но «черные лебеди» часто исходят из распределения с «толстыми хвостами», которые буквально имеют толстые хвосты: то есть события, удаленные от центра, намного вероятнее, чем при нормальном распределении.
В природе встречается немало распределений с толстым хвостом, и иногда люди просто ошибочно считают, что имеют дело с нормальным распределением.
На самом деле перед ними распределение с толстым хвостом, и события в хвосте происходят с более высокой вероятностью. На практике это те распределения, где самые тяжелые последствия возникают чаще, чем при нормальном распределении: так происходит со страховыми выплатами или с распределением доходов в США.
Другая причина, по которой вы ошибочно рассчитываете вероятность «черного лебедя», – это недопонимание их причин. Вы думаете, что у ситуации есть только одно распределение, но на самом деле их несколько. Существуют генетические мутации (например, карликовость и синдром Марфана), из-за которых низких или высоких людей может быть больше, чем при обычном нормальном распределении, где не учитываются эти более редкие генетические вариации.
Третья причина заключается в том, что вы недооцениваете вероятность и влияние каскадных сбоев. В сценарии с каскадным сбоем части системы взаимосвязаны: если в одной происходит сбой, в следующей тоже происходит сбой и т. д. Примером этой ситуации является финансовый кризис 2007–2008 годов: банкротство ценных бумаг, обеспеченных ипотекой, каскадом затронуло банки и связанные с ними страховые компании.
Еще один пример – климат. Термином потоп столетия обозначается потоп, который с вероятностью 1 % может произойти в любой из отдельно взятых годов. К сожалению, изменение климата повышает вероятность такого бедствия. Хотя раньше оно происходило с вероятностью 1 раз в 100 лет, во многих регионах она теперь превышает 1 %. Ничего уже не поделаешь. В Хьюстоне, штат Техас, было три так называемых наводнения пятисотлетия за последние три года! Вероятности этих событий явно нужно корректировать по мере того, как каскадные последствия климатических изменений будут усиливаться.
Для сложных систем типа банков или изменений климата недостаточно просто провести анализ методом дерева решений или затрат-выгод – нужно осмыслить всю систему.
Системное мышление – это мышление обо всей системе одновременно.
Так вы с большей вероятностью поймете и учтете тонкие взаимодействия между компонентами, которые в противном случае приведут к непредвиденным последствиям. Например, думая об инвестиции, нужно понимать, как, казалось бы, несвязанные части экономики влияют на результат.
Какие-то системы легко представить, другие настолько сложны, что буквально рассыпаются на кусочки, стоит о них подумать. Выход прост – нарисуйте систему в виде диаграммы. Рисование диаграмм помогает лучше понять сложные системы и взаимодействие их компонентов.