Infelizmente, a maioria das reuniões de estratégia corporativa segue um roteiro previsível.

Uma equipe de negócios entra na sala de reuniões com uma apresentação de 127 slides repleta de modelos de regressão, análises de sensibilidadeou Simulações de Monte Carlo. O único objetivo parece ser justificar decisões que poderiam ser testadas em algumas semanas usando pessoas reais, pessoas que representam nossos compradores. Em algum lugar nos convencemos de que “dificuldade” é igual a “rigor”. Concluímos que quanto maior a complexidade, as decisões são mais confiáveis ​​e que qualquer coisa alcançada sem luta visível carece de qualquer valor real.

Cientistas comportamentais chamam isso A Heurística do Esforço. Quando não podemos medir a qualidade diretamente, usamos o esforço como um substituto para ela. O que começou como um atalho mental transformou-se em doutrina organizacional. Construímos estruturas empresariais inteiras para recompensar o desempenho em detrimento dos resultados, punindo sistematicamente o pensamento rápido e iterativo que realmente vence nos mercados.

No mundo real, os compradores não se importam com a forma como chegamos à nossa estratégia de preços. Para eles, uma análise de regressão de dois anos é o mesmo que um esboço rápido desenhado num guardanapo. O que eles realmente querem saber é se o preço sentimentos certo. Os acionistas não pagam por uma metodologia elegante, pagam pelos resultados. No entanto, na maioria das empresas, nos comportamos exatamente de maneira oposta.

Por que construímos complexidade quando a simplicidade funciona

Uma transformação digital de 18 meses envolvendo vários fornecedores e reuniões intermináveis ​​com as partes interessadas parece mais segura do que é. Quando algo falha, a responsabilidade começa a se difundir mais rápido do que um peido no elevador. É problema do fornecedor. Ou o consultor estragou tudo. Ou a equipe multifuncional que não conseguiu se alinhar. No final das contas, a carreira de ninguém é atingida diretamente, já que estamos todos procurando colocar a culpa em outro lugar.

Compare isso com um teste de preços de três semanas feito no mundo real. Se falhar, não há onde se esconder. A falha fica clara como o dia para todos verem, imediatamente rastreável a pessoas específicas que fizeram apostas específicas.

Então, o que fazemos? Evitamos realizar esse tipo de teste!

Evitamos as decisões pequenas e reversíveis que nos ensinam mais rápido que os concorrentes. Em vez disso, construímos modelos elaborados e justificamo-los através de reuniões. Uma observação do cliente como “as pessoas abandonam os carrinhos porque não conseguem encontrar o botão de finalização da compra“é elevado a mapas de calor, funis de jornada e matrizes de engajamento. Em vez de adicionar clareza, estamos adicionando inchaço.

O que aconteceu quando um modelo brilhante conheceu a realidade

Enquanto seus concorrentes investiram milhões em modelagem preditiva, O Airbnb decidiu ziguezaguear quando todo mundo estava zagando. Em vez de executar um experimento gigantesco com um zilhão de variáveis, eles executaram milhares de testes minúsculos e rápidos. Eles observaram o que os clientes realmente faziam, em vez de modelar o que poderiam fazer. Quando os experimentos revelaram algo significativo, eles se ajustaram. Quando não o fizeram, deixaram as coisas como estavam e seguiram em frente. A hierarquia de julgamento era surpreendentemente plana – não havia longas reuniões de comitê cheias de pessoas com pouco mais a fazer do que validar o modelo, ou ciclos de projeção de seis meses. Tudo o que eles tinham era o aprendizado do usuário no mundo real, que aumentava trimestre após trimestre. O resto é história.

A Starbucks não cresceu devido à realização de inúmeras pesquisas com clientes. A Amazon não construiu a obsessão dos clientes por meio de modelos matemáticos. Essas empresas venceram porque fizeram apostas rápidas e reversíveis (o famoso teoria da porta bidirecional) e aprendido com o real comportamento do usuário em vez de comportamento projetado.

A tirania do pensamento quantitativo

Muitas empresas continuam a tratar dados quantitativos como evidência e dados qualitativos como anedota. Entrevistas, observações e feedback direto dos clientes são classificados como “soft”, porque são difíceis de quantificar e medir. As finanças exigem modelos de cinco anos antes de aprovar experiências, embora esses modelos se baseiem em pressupostos de “balançar o dedo molhado no ar”, mais frágeis do que as iniciativas reais que deveriam avaliar. Enquanto isso, as vantagens competitivas reais que movem os mercados muitas vezes não pode ser colocado em uma planilha.

Suponha que a equipe de marketing descubra, por meio de três conversas com clientes, que uma frase específica aumenta a propensão a resultar em uma conversão. Eles trazem isso para a reunião de liderança e observam enquanto todos acenam educadamente. Em seguida, eles abrem um painel com métricas de engajamento de 100 mil usuários e observam como todas as pessoas na sala se inclinam para frente. O conjunto de dados é mais barulhento e o insight é mais fraco. Mas porque tem um monte de números grandes e foi feito de uma maneira pseudocientífica (olha! tem tabelas dinâmicas e tudo mais!), parece mais legítimo e é levado mais a sério.

O que rigor realmente significa

Claro, existem muitas decisões que justificam complexidade. Não quero que meu piloto de avião tente fazer algo diferente desta vez.”…só para ver o que acontece.“Sistemas de segurança, ambientes regulatórios ou apostas que não podemos reverter são casos em que ‘experimentar’ provavelmente não é a melhor atitude. Mas a questão é que a maioria das decisões de negócios não é assim. Estamos aplicando o rigor do nível do reator nuclear e a complexidade do processo às manchetes e aos ajustes de preços. Tratamos cada escolha como se fosse irreversível, quando a maioria delas não o é.

O verdadeiro rigor não tem a ver com volume de dados ou sofisticação metodológica. Trata-se de suposições claras e aprendizado rápido. Uma hipótese como “Este banner aumenta as inscrições em 15% porque elimina a confusão sobre a próxima etapa” é mais rigoroso do que um modelo de 100 slides construído sobre suposições empilhadas. O primeiro é testado em dias, enquanto o outro nos prende a pensar em círculos durante meses. As empresas que agem com base em informações incompletas, fazem apostas reversíveis rapidamente e se comprometem deliberadamente com apostas irreversíveis são as que se movem mais rapidamente do que aquelas que esperam por um nível de certeza que nunca chega.

O custo real da modelagem em vez de testar

Seis meses modelando uma decisão não custa apenas orçamento, custa ciclos de aprendizagem. Um concorrente realizando doze pequenos experimentos na mesma janela aprende mais do que nós. O seu julgamento melhora, assim como a sua posição competitiva. Quanto mais iterações pudermos fazer em um espaço de tempo predeterminado, mais poderemos aprender. Falhe rápido, falhe frequentemente, certo?

Os mercados não recompensam análises completas ou metodologia impressionante. Velocidade e tempo são muito mais importantes. Cada dólar que gastamos a justificar decisões através do “teatro da complexidade” é um dólar gasto a impedir-nos de aprender o que funciona. A empresa que descobre as coisas mais rápido vence.

Não porque sejam mais inteligentes, mas porque têm mais prática.