Wetenschap
Gebruik maken van statistische en historische methoden om problemen in de bedrijfsstrategie aan te pakken
Het vinden van een overtuigende verklaring voor een complex vraagstuk is geen gemakkelijke opgave. De beslissing over wat als de ‘beste’ oplossing kwalificeert, is onvermijdelijk onderhevig aan vooroordelen en benaderingen. Het koppelen van statistieken aan historische methoden maakt het besluitvormingsproces echter rigoureuzer en minder foutgevoelig.
Sandeep D. Pillai van Bocconi's Department of Management and Technology beargumenteert dit punt in zijn recente artikel 'Lovely and Likely:Using historische methoden om de inferentie naar de beste verklaring in strategie te verbeteren', geschreven in samenwerking met Brent Goldfarb en David Kirsch (beide van de Universiteit van Maryland in de Verenigde Staten) en gepubliceerd in het Strategic Management Journal .
Veel zakelijke literatuur gaat ogenschijnlijk over het vinden van oplossingen voor specifieke problemen. Deze oplossingen zijn idealiter breed genoeg om een theorie te onderbouwen, of worden in ieder geval geacht toepasbaar te zijn op een reeks gevallen. Toch kunnen problemen slechts zelden worden opgelost door één enkele oorzakelijke factor aan te pakken. Managementkwesties, die van toepassing zijn op complexe organisaties zoals bedrijven die in complexe omgevingen zoals markten opereren, worden ongetwijfeld beïnvloed door een groot aantal onderling afhankelijke factoren die moeilijk of onmogelijk van elkaar te onderscheiden zijn.
Te midden van deze onzekerheid is het onwaarschijnlijk dat we ooit de ‘echte’ oplossing voor een probleem zullen ontdekken. Het maximale wat we kunnen hopen te bereiken is de beste oplossing of verklaring van vele. Maar wat maakt dat de ene oplossing beter lijkt dan de andere?
Sandeep Pillai en zijn collega's betogen dat in deze gevallen de 'gevolgtrekking tot de beste verklaring', of kortweg IBE, het proces is dat aan de orde is. Verklaringen die mooi zijn, in de zin dat ze nuttig en algemeen zijn en betekenis verschaffen, en waarschijnlijk, in de zin dat ze dicht bij de waarheid liggen, worden dus over het algemeen als de best mogelijke aangenomen.
Natuurlijk zijn niet alle mooie verklaringen even waarschijnlijk, en omgekeerd. Bovendien zal IBE alleen betrouwbaar zijn als de ware theorie tot de theorieën behoort die in overweging worden genomen. Maar er is geen reden om aan te nemen dat dit het geval is, noch dat onze ‘beste’ verklaring waar is. Dit raadsel staat bekend als het 'slechte lotprobleem', want als de meest ware verklaring ons ontgaat, zullen we uiteindelijk het beste uit een slecht lot kiezen.
En aangezien de meeste verschijnselen in de bedrijfsstrategie dubbelzinnig zijn, wordt het trekken van de beste verklaring vaak een oefening in het trekken van een geprefereerde verklaring, en worden voorkeuren onvermijdelijk beïnvloed door verschillende vooroordelen. Dit is niet per definitie een slechte zaak, omdat problemen moeten worden aangepakt en beslissen waar te beginnen betekent dat je voor een aanvaardbare oplossing moet gaan in plaats van de absolute waarheid te vinden. Maar het is belangrijk om je ervan bewust te zijn dat dergelijke vooroordelen bestaan om de negatieve gevolgen ervan te beperken.
Pillai en zijn co-auteurs beweren dat het aanpakken van strategische kwesties door alleen een statistische methode toe te passen (dat wil zeggen een soort data-analyse) gebruikelijk is, maar ertoe kan leiden dat je in het bad lot-probleem terechtkomt. Ze suggereren dat "historische" methoden de dataobservatie kunnen verbeteren en bijgevolg een betere hypothesegeneratie mogelijk kunnen maken.
De term ‘historische methoden’ omvat drie hoofdconcepten:hermeneutiek (begrijpen wie de besluitvormers zijn en hun perspectieven), contextualisatie (het begrijpen van de situaties van besluitvormers en hoe ze zich tot elkaar verhouden) en bronkritiek (het begrijpen van het gewicht dat aan de besluitvorming wordt gehecht). hechten aan een specifiek record uit het verleden).
“We gebruiken recent werk in de wetenschapsfilosofie om na te denken over hoe we tot de beste verklaringen kunnen komen die nuttig en algemeen zijn, betekenis bieden en tegelijkertijd dicht bij de waarheid liggen. Het interpreteren van observationele resultaten vereist een goed begrip van de context die statistische analyse alleen biedt geen uitkomst”, zegt Sandeep Pillai.
"Methodologische hulpmiddelen uit de geschiedenis kunnen het proces van het bepalen van de beste verklaring verbeteren door geleerden te helpen nieuwe kandidaat-verklaringen te genereren en systematisch verklaringen te beoordelen en te bevoorrechten. Het gebruik van historische gegevens om een IBE-methodologie toe te passen, verduidelijkt de oordelen die we op meerdere manieren maken." niveaus en helpt onderzoekers en lezers deze oordelen te evalueren terwijl we beslissen wat moet worden uitgelegd en wat we als nutteloos terzijde kunnen schuiven."