Os executivos seniores são pagos para tomar decisões difíceis. Muito depende do resultado dessas decisões e os executivos são julgados — e com razão — por sua taxa de sucesso geral. Obviamente, é impossível eliminar o risco da tomada de decisões estratégicas. Mas acreditamos que é possível para executivos e empresas melhorar significativamente suas chances de sucesso, fazendo uma simples (embora não tão simples) mudança: expandindo seu kit de ferramentas de apoio à decisão e compreendendo quais são as melhores ferramentas para cada uma delas.

A maioria das empresas depende em demasia de ferramentas básicas, como a análise de fluxo de caixa descontado ou testes de cenário quantitativo muito simples, mesmo quando enfrentam contextos altamente complexos e incertos.

Vemos isso constantemente no nosso trabalho de educação executiva e consultoria, e pesquisas confirmam as nossas impressões. Não me entenda mal. As ferramentas convencionais que todos nós aprendemos na faculdade de administração de empresas são ótimas quando estamos trabalhando em um ambiente estável, com um modelo de negócios que compreendemos e temos acesso a informações precisas. Elas são muito menos úteis quando o executivo explora um terreno pouco familiar, está em uma indústria em rápida mudança, lançando um novo tipo de produto ou mudando para um novo modelo de negócios. Isso porque as ferramentas convencionais supõem que os tomadores de decisão têm acesso a informações extremamente completas e confiáveis. No entanto, cada líder empresarial com quem trabalhamos ao longo dos últimos 20 anos reconhece que cada vez mais as decisões envolvem julgamentos que devem ser feitos com base em informações incompletas e incertas.

O problema que os executivos enfrentam não é a escassez de ferramentas apropriadas. Uma grande variedade de ferramentas — incluindo análise de decisões baseadas em casos, análise de cenários qualitativos e mercados de informações — pode ser utilizada para que decisões sejam tomadas sob um alto grau de incerteza. Mas essa enorme variedade pode ser esmagadora sem uma orientação clara sobre quando usar uma ferramenta ou uma combinação de ferramentas em detrimento de outras. Na ausência de tal orientação, os tomadores de decisão continuarão confiando apenas nas ferramentas que conhecem melhor em uma tentativa honesta, mas equivocada, de impor lógica e estrutura em suas decisões mais importantes.

Na primeira metade deste artigo, descrevemos um modelo para combinar a ferramenta certa com a decisão do momento, com base em três fatores: até que ponto você entende as variáveis que irão determinar seu sucesso, qual o nível de previsibilidade da gama de resultados possíveis e quão centralizada a informação relevante é. Apresentamos um forte argumento em defesa do uso de análise de decisão baseada em casos (que utiliza várias analogias) e análise de cenários qualitativos em condições de incerteza.

Inevitavelmente, o modelo que propomos simplifica uma realidade muito complicada, a fim de descobrir algumas verdades importantes. (Isso é o que os modelos fazem.) Na segunda metade do artigo, vamos explorar algumas das complicações mais comuns: a maioria dos executivos subestima as incertezas que enfrentam; protocolos organizacionais podem dificultar a tomada de decisão e os gerentes têm pouco entendimento de quando é ideal usar várias ferramentas diferentes para analisar uma decisão, ou quando faz sentido adiar uma decisão até que eles possam moldá-la melhor.

Desenvolva o perfil de uma decisão

Ao ponderar quais ferramentas são adequadas para um determinado contexto, você precisa fazer a si mesmo duas perguntas fundamentais:

Eu sei o que é necessário para ser bem-sucedido? Você precisa saber se tem um modelo que é causal — ou seja, uma forte compreensão sobre quais fatores são críticos para o sucesso e as condições econômicas, e que combinação vai levar a um bom resultado. Empresas que repetidamente tomam decisões semelhantes muitas vezes têm modelos causais fortes. Considere um varejista que abriu lojas durante anos em um país, ou um que fez muitas pequenas aquisições de concorrentes adjacentes.

Um simples teste da força do seu modelo causal é saber se você pode especificar com confiança um conjunto de situações “se-então” sobre a decisão. (“Se a nossa proposta para uma nova tecnologia de processo reduz os custos em X% e conseguirmos alcançar uma participação de mercado de Y%, repassando essas economias para os nossos clientes, então devemos investir nesta tecnologia.”) Você também deve ser capaz de especificar um modelo financeiro que possa ser aplicado a diferentes hipóteses (como em quanto a tecnologia reduzirá os custos e quanta participação de mercado ela será capaz de abocanhar).

Pergunte-se:

Entendo que combinação de fatores críticos para o sucesso vai determinar se a decisão levará a bons resultados?

Que métricas preciso cumprir para garantir o sucesso?

Tenho uma compreensão clara — quase uma receita — sobre como alcançar o sucesso?

Posso prever um leque de possíveis resultados? Na hora de escolher as ferramentas de apoio à decisão certa, você também precisa saber se é possível prever um resultado, ou uma série de resultados, que poderia sair da decisão.

Às vezes é possível prever um único resultado com razoável certeza, como quando uma empresa toma decisões semelhantes muitas vezes. Mais frequentemente, os tomadores de decisão podem identificar uma série de resultados possíveis, tanto para os fatores de sucesso específicos quanto para a decisão como um todo. Muitas vezes eles podem também prever a probabilidade destes resultados. No entanto, em condições de incerteza, é comum que os executivos não sejam capazes de especificar o leque de resultados possíveis ou sua probabilidade de ocorrência com precisão real (mesmo nos casos em que entende os fatores críticos e o modelo para o sucesso).

clique na imagem para ampliar

Pergunte-se:

Posso definir a série de resultados que poderiam sair da decisão, tanto no geral quanto para cada fator crítico para o sucesso?

Posso avaliar a probabilidade de cada resultado?

Escolha as ferramentas certas: cinco contextos

Como o quadro “Diagnosticando a sua decisão” sugere, as respostas para as perguntas acima irão
a
pontar para as melhores ferramentas de apoio à decisão. (Para definições breves de cada uma, veja o quadro “Ferramentas de apoio à decisão: glossário”.) Em alguns casos, você vai precisar de apenas uma ferramenta, em outros você vai precisar de uma combinação. Muitas dessas ferramentas serão familiares. No entanto, a ferramenta cujo uso defendemos com mais frequência, a análise de decisão baseada em casos, ainda não é amplamente utilizada, em parte porque as versões mais formais e rigorosas são relativamente novas e em parte porque os executivos normalmente subestimam o grau de incerteza que enfrentam. (Para mais um exemplo de análise baseada em um caso, veja o quadro “Desenvolvimento de analogias rigorosas: uma ferramenta subutilizada”.)

Para ilustrar, vejamos cinco cenários que executivos do McDonald’s podem enfrentar. (Eles foram bastante simplificados para efeitos de clareza.)

Situação 1: Você entende o seu modelo causal e pode prever o resultado de sua decisão com uma certeza razoável. Suponha que os executivos do McDonald’s precisem decidir onde abrir novos restaurantes nos Estados Unidos. A empresa tem ou pode obter todas as informações necessárias para ter uma certeza razoável sobre o desempenho de um determinado local. Primeiro, ela conhece as variáveis que mais importam para o sucesso: os dados demográficos locais, os padrões de tráfego, a disponibilidade e preços de imóveis e a localização de pontos de venda competitivos. Em segundo lugar, ela tem ou pode obter fontes ricas de dados sobre essas variáveis. E em terceiro, ela tem modelos bem calibrados de receita e custos de restaurantes. Reunidos, esses dados constituem um modelo causal. Os tomadores de decisão podem alimentar as informações sobre tráfego e outras variáveis em modelos-padrão de fluxo de caixa descontado para prever com precisão (a uma aproximação satisfatória) o desempenho da lanchonete proposta e tomar uma decisão clara sobre abri-la ou não.

Ferramentas: Modelos convencionais de cálculo de orçamento de capital, como fluxo de caixa descontado e taxa de retorno esperado

Situação 2: Você entende seu modelo causal e pode prever uma gama de resultados possíveis, juntamente com a probabilidade desses resultados. Imagine agora que os gestores do McDonald’s estejam decidindo se lançam um novo sanduíche nos EUA. Eles ainda têm uma maneira confiável de modelar custos e receitas, têm dados demográficos relevantes, previsões de tráfego de clientes e assim por diante. (Em outras palavras, eles têm um modelo causal.) Mas há incertezas significativas sobre o resultado da introdução do sanduíche: eles não sabem, por exemplo, que tipo de demanda ele vai atrair nem que impacto o novo produto terá sobre as vendas de produtos complementares. No entanto, eles podem prever uma gama de resultados possíveis, utilizando instrumentos quantitativos de cenários múltiplos. Algumas pesquisas de mercado preliminares em diferentes regiões do país provavelmente lhes darão uma série de resultados e talvez até a probabilidade de cada um. Talvez seja possível resumir essas informações em árvores de resultado simples que mostrem a probabilidade de diferentes resultados de demanda e os retornos associados para o McDonald’s. As árvores podem ser usadas para calcular o valor esperado, a variação e a gama de resultados financeiros que o McDonald’s pode ter se lançar o sanduíche. Os gestores poderiam, então, usar técnicas-padrão de análise de decisão para chegar a um parecer final.

Alternativamente, o McDonald’s poderia fazer um lançamento-piloto do novo sanduíche em um número limitado de regiões. Esses pilotos fornecem informações úteis sobre a potencial demanda total do mercado sem incorrer no risco de um lançamento em grande escala. A realização de um piloto é semelhante a investir em uma “opção” que fornece informações e lhe dá o direito, mas não a obrigação de lançar o produto de uma forma mais ampla no futuro. (Esta abordagem ainda é uma pesquisa de mercado, mas geralmente uma forma mais cara.) A análise de opções reais que quantifica os benefícios e custos do piloto, tendo em conta as incertezas do mercado, seria a ferramenta de tomada de decisão adequada neste caso.

Ferramentas: Modelos quantitativos de cenários múltiplos, como as simulações de Monte Carlo, análise de decisão e avaliação de opções reais. (Estas ferramentas combinam métodos estatísticos com modelos de orçamento de capital convencionais recomendados na Situação 1. Gestores podem simular possíveis resultados utilizando modelos de probabilidade e modelos de fluxo de caixa descontado conhecidos e, em seguida, usar ferramentas de análise de decisão para calcular os valores esperados, a abrangência e assim por diante.)

Situação 3: Você entende o seu modelo causal, mas não pode prever os resultados. Vamos agora supor que o McDonald’s está entrando em um mercado emergente pela primeira vez. Os executivos ainda compreendem o modelo que levará à rentabilidade das lanchonetes. Os fatores de custo e receita podem muito bem ser os mesmos, de mercado a mercado. No entanto, a empresa tem muito menos informação sobre os resultados e prevê-los por meio de pesquisas de mercado e análises estatísticas seria difícil. Seus produtos são relativamente novos neste mercado, estarão enfrentando concorrentes desconhecidos, há incertezas sobre a confiabilidade dos fornecedores e o McDonald’s tem menos informações sobre quem contratar e como treiná-los. Nesta situação, a empresa pode usar a análise de cenário qualitativo para ter uma melhor noção de resultados possíveis. Ela pode construir cenários do lado da receita que cubram uma ampla gama de perfis de aceitação do cliente e resposta da concorrência. Do lado da oferta, os cenários podem se concentrar em incertezas na cadeia de fornecimento do mercado emergente e a estrutura regulatória que poderiam causar uma grande variação nos custos e a confiabilidade do fornecimento. Estes cenários serão representativos, não exaustivos, mas vão ajudar os executivos a avaliar os prós e os contras das várias estratégias e determinar quão dispostos a investir no mercado eles estão. Os executivos devem complementar os cenários com análise de decisão baseada em casos de situações de negócios análogos. Eles podem olhar para os resultados de sua própria entrada em outros mercados em desenvolvimento ou a de outras redes de fast-food no mercado-alvo ou considerar os resultados do lançamento de bens de consumo neste mercado específico.

Ferramentas: Modelos de análise qualitativa de cenários complementados com a análise de decisão baseada em casos

clique na imagem para ampliar

Situação 4: Você não entende o modelo causal, mas ainda pode prever uma série de resultados. Suponha que o McDonald’s quer lançar uma nova linha de negócios com um novo modelo de negócio, como serviços
de consultoria para melhorias de processos na indústria da alimentação. Neste caso, os executivos provavelmente não poderão definir um modelo causal completo ou identificar facilmente os propulsores de sucesso. No entanto, isso não significa que eles não podem definir uma gama de resultados possíveis para o empreendimento ao procurar informação nas fontes certas — por exemplo, ao conseguir estimativas de sucesso de pessoas que têm mais experiência com esse modelo de negócio ou compilar informações sobre a gama de resultados experimentados por outras pessoas que usam modelos de negócios semelhantes. Muitas vezes é mais fácil obter dados de resultados (e, assim, determinar uma série de resultados possíveis) que definem um modelo de negócio subjacente que pedir às pessoas que revelem detalhes sobre seus modelos de negócios. (Essa “fórmula secreta” é confidencial em muitas empresas.)

Ferramentas: Análise de decisão baseada em casos

Situação 5: Você não entende o modelo causal e não pode prever uma série de resultados. Mesmo um líder de mercado bem estabelecido em uma indústria bem estabelecida precisa tomar decisões em meio a altos níveis de ambiguidade e incerteza. Ao considerar como responder à onda recente de preocupação com a obesidade nos EUA e a reação negativa ao papel da indústria de fast-food na epidemia de obesidade, o McDonald’s não pode ter certeza sobre qual o impacto que várias medidas podem ter sobre a demanda dos clientes. A reação negativa tem o potencial de fundamentalmente reescrever as regras para a liderança na indústria de fast-food e tornar modelos de tomada de decisão existentes e dados históricos obsoletos. O McDonald’s certamente não pode prever com precisão ações futuras, a pesquisa médica, mudanças na legislação e medidas tomadas por concorrentes que vão determinar os retornos de qualquer uma de suas decisões. Quando confrontada com esse nível de incerteza, a empresa deve mais uma vez contar com a análise de decisão baseada em casos. Casos de referência relevantes podem incluir as tentativas de outras empresas de bens de consumo de se reposicionar como alternativas saudáveis ou seguras em um setor que passou a ser visto como “perigoso” pelos consumidores ou de influenciar a legislação, regulamentos ou a opinião pública através de campanhas de relações públicas e lobby. O McDonald’s pode analisar, por exemplo, casos em setores como o de cassinos, tabaco, armas de fogo, refrigerantes e as indústrias de produtos de panificação para extrair ideias.

clique na imagem para ampliar

Ferramentas: Análise de decisão baseada em casos

Agregação de informações

Leitores atentos devem ter notado que a árvore de decisão tem um conjunto de ferramentas que ainda não cobrimos: as ferramentas de agregação de informação. Nós abordamos esse tópico separadamente, porque, na maioria das vezes, elas funcionam de forma independente das questões de perfil de decisão que apresentamos até aqui. (Você tem um modelo causal? Sabe qual a gama de resultados possíveis?)

A informação que os executivos precisam para tomar decisões estratégicas está muitas vezes dispersa ou em um contexto específico. Por exemplo, se uma empresa está tentando avaliar as sinergias a serem obtidas com uma potencial aquisição, é provável que diversos especialistas (de dentro ou de fora da empresa) tenham diferentes peças de informação relevante. É razoavelmente fácil reunir as perspectivas desses especialistas, usando ferramentas desenhadas para aglutinar informação e gerar possíveis resultados e sua probabilidade. Ferramentas-padrão de agregação, como a abordagem Delphi, vêm sendo usadas há décadas.

Uma nova estratégia para coleta de informações dispersas é usar mercados de informação (também conhecidos como mercados de previsão) para capturar a sabedoria coletiva de um público informado sobre variáveis-chave como o provável desempenho da macroeconomia no próximo ano, ou como um produto proposto será recebido. Devemos notar duas limitações dessa abordagem: primeiro, como os mercados de informação e previsão são estruturados como os mercados de valores mobiliários, em que os participantes podem “apostar” em diferentes resultados, eles só podem ser usados quando os executivos sejam capazes de especificar uma gama de resultados possíveis (como nas situações 2 e 4 acima). Em segundo lugar, ao usar esses mercados, há o risco de que informações estratégicas que os executivos preferem manter privadas vazem (por exemplo, a receita esperada para um novo medicamento).

Duas alternativas aos mercados de informação podem contornar essa limitação. A primeira são as estimativas incentivadas: pessoas que têm acesso à informação diversificada são convidadas a fornecer estimativas de um resultado-chave, e a pessoa que mais se aproximar do número real recebe uma recompensa de algum tipo (que pode ou não ser monetária). A segunda é a previsão baseada em similaridade: indivíduos são convidados a avaliar em que nível uma decisão específica ou ativo é semelhante a decisões ou ativos passados. Essas classificações são então reunidas através de procedimentos estatísticos simples para gerar previsões para as receitas ou prazos de conclusão ou custos, dependendo do objetivo. (É, na verdade, uma ferramenta de análise de decisão baseada em casos.)

Pergunte-se:

A informação que você precisa é centralizada ou descentralizada?

Se ela for descentralizada, você tem como contratar os especialistas mais adequados e coletar o conhecimento deles?

É viável e útil usar “a sabedoria da multidão” em alguma parte de sua coleta de informações?

É possível reunir informações úteis da opinião pública, sem ter que revelar informações confidenciais?

Fatores complicadores

Por uma questão de clareza, apresentamos um conjunto simplificado dos exemplos acima. Na prática, é claro, todo tipo de complicação ocorre quando grandes decisões estão sendo tomadas. Vamos explorar alguns desses cenários a seguir.

Executivos não sabem tudo. O modelo que desenvolvemos para escolher as ferramentas de apoio às decisões mais adequadas depende de os gestores serem capazes de determinar com precisão o nível de ambiguidade e incerteza que enfrentam. Isso pode ser problemático, porque os tomadores de

decisão, como todos os seres humanos, estão sujeitos a limitações cognitivas e vieses comportamentais. Particularmente relevante aqui é o fato bem estabelecido de que os tomadores de decisão sofrem de um excesso de confiança sobre sua capacidade de previsão de resultados incertos e interpretam os dados de uma forma que tende a confirmar suas hipóteses iniciais.

Em essência, os executivos não sabem tudo, mas geralmente presumem que sim.

Um viés cognitivo se infiltra. As avaliações enviesadas de gestores sobre o nível de incerteza que enfrentam poderiam levar alguns a concluir que a nossa ferramenta de diagnóstico tem um uso prático limitado e poderia apontá-los na direção estratégica errada. Nossa experiência de consultoria sugere que a maioria das organizações pode eliminar essa visão equivocada se, quando uma decisão estratégica está sendo considerada, os gerentes escolherem a abordagem decisória de maneira transparente, sistemática e pública, para que sua capacidade de julgamento possa ser avaliada por seus pares. (Isso exigiria uma mudança de cultura e dos processos em muitas organizações.)

Por exemplo, qualquer líder que pressupõe ter uma sólida compreensão dos aspectos econômicos subjacentes a uma grande decisão deve ser desafiado com perguntas do tipo: “Existe alguma razão para acreditar que a relação entre os fatores críticos de sucesso e resultados mudou ao longo do tempo, invalidando os nossos modelos históricos?”. Da mesma forma, aos que presumem que todos os resultados possíveis e sua probabilidade podem ser identificados prematuramente, podemos perguntar: por que outros resultados plausíveis são aparentemente impossíveis? Que suposições você está fazendo ao estimar a probabilidade? Finalmente, pode-se perguntar àqueles que acreditam que a informação relevante para a tomada de decisões pode ser conseguida dentro da empresa ou até mesmo dentro de um pequeno grupo de executivos seniores: “Se pudéssemos reunir um ‘dream team’ para nos aconselhar sobre essa decisão, quem seriam essas pessoas e por quê?”.

Quando colocados diante dessas perguntas, os tomadores de decisão são menos propensos a presumir que suas decisões deveriam ser diretas ou mesmo intuitivas e são mais propensos a recorrer a ferramentas como análises de cenário ou análises baseadas em casos. Isso é especialmente importante quando um investimento estratégico relativamente recente ou único está sendo considerado.

Processos organizacionais atrapalham. As organizações precisam desenvolver protocolos gerais para a tomada de decisão, pois armadilhas políticas e comportamentais são frequentes quando há dinheiro ou poder em jogo. Eis apenas um dos muitos exemplos que poderíamos dar: nós trabalhamos com uma empresa líder em tecnologia, cujo grupo de previsão usava sempre a mesma ferramenta de apoio a decisões, independentemente de em que ponto o produto se encontrava em seu ciclo de vida. Isso não fazia nenhum sentido. Quando investigamos, aprendemos duas coisas: primeiro, os líderes de unidades de negócios exigiam previsões simples, porque não entendiam ou não sabiam como interpretar as mais complexas. Segundo, a empresa não cobrava das unidades de negócios pelo capital utilizado em investimentos de P&D, portanto diretores de unidades pressionavam a equipe de previsão para elevar suas estimativas de receita. Como resultado desses fatores, as previsões eram seriamente distorcidas. Fazia mais sentido que a equipe de previsão se reportasse ao diretor financeiro, que tinha conhecimento mais profundo sobre modelagem financeira e mais capacidade de ser objetivo sobre as necessidades de investimento das unidades de negócios. Não é possível eliminar todos os incentivos perversos de um sistema, mas alguns protocolos baseados em bom senso podem fazer uma grande diferença.

Os tomadores de decisão tendem a confiar em uma única ferramenta. Nós nos inspiramos para criar o diagnóstico de perfil de decisão, em parte, porque vimos tantos gestores dependendo apenas de técnicas convencionais de orçamento de capital. Decisões mais importantes envolvem graus de ambiguidade e incerteza que essas abordagens não são capazes de resolver.

Muitas vezes, é útil complementar uma ferramenta com outra ou combinar ferramentas. Para ilustrar esse argumento, imagine que um executivo de estúdio de Hollywood precisa tomar a decisão final sobre se autoriza uma grande produção de um filme. Decisões desse tipo são vitais. Hoje, o custo médio de produção é de US$ 70 milhões para filmes que estreiam em 600 cinemas ou mais (muitos têm orçamentos de produção de mais de US$ 100 milhões), e apenas três ou quatro em cada dez filmes alcançam o ponto de equilíbrio ou obtêm lucro. No entanto, a decisão de dar luz verde a um projeto é geralmente baseada unicamente na “opinião de experts”, em outras palavras, a intuição de executivos complementada por análise de regressão padrão. Em um estudo recente, aplicamos o método de previsão baseada em similaridade para prever as receitas da bilheteria de estreia de 19 filmes. Espectadores foram convidados através de pesquisas on-line, para julgar até que ponto cada filme se assemelhava — com base em um breve resumo da trama, estrelas e outros recursos — a outros filmes salientes lançados anteriormente. As receitas para os novos filmes foram então previstas, considerando médias ponderadas de similaridade das receitas de filmes lançados anteriormente. Em média, essas previsões foram duas vezes mais precisas que as feitas por experts e que as análises de regressão padrão.

Mesmo em situações que parecem relativamente inequívocas, muitas vezes compensa complementar as ferramentas de orçamento de capital e ferramentas quantitativas de cenários múltiplos com análises de decisão baseadas em casos para verificar se há vieses potenciais. Por exemplo, se a expectativa é de que seu projeto “certeiro” de investimento produza uma taxa de retorno que não tem precedentes quando comparado com projetos similares do passado, isso pode refletir mais um excesso de confiança do que a natureza extraordinária do seu projeto. Uma análise robusta de situações análogas obriga os tomadores de decisões a olhar para sua situação particular de forma mais objetiva e tende a revelar qualquer sinal de otimismo exagerado incluído em suas projeções de retorno.

Os gestores não consideram a opção de adiar uma decisão. Decidir quando decidir muitas vezes é tão importante quanto decidir como decidir. Em tais circunstâncias, altamente incertas — como uma rápida mudança na indústria ou uma grande mudança no modelo de negócios —, é aconselhável colocar em ação um kit de ferramentas completamente diferente: experimentação iterativa à base de aprendizagem. Por exemplo, as faculdades estão hoje passando por uma transformação devido aos cursos on-line abertos e massivos (conhecidos pela sigla em inglês MOOCs), e a maioria dos administradores não sabe se, como ou quando suas instituições devem reagir. Em vez de tomar uma decisão cara e de alto risco agora, muitas faculdades estão realizando experimentos em pequena escala para sondar o terreno e aprender mais sobre como o “sucesso” será definido neste espaço. (Elas também estão usando analogias, é claro — ao tentar, por exemplo, tirar lições da adoção de novos modelos de vendas on-line na indústria da música.)

O que você pode começar a fazer para se tornar um melhor tomador de decisõe

s de negócios? Comece a desenvolver seu kit de ferramentas de tomada de decisões de forma mais completa. Há uma clara desconexão entre as ferramentas que estão sendo usadas e aquelas que deveriam ser usadas com mais frequência. Torne uma prioridade aprender mais sobre as ferramentas quantitativas de cenários múltiplos, como as simulações de Monte Carlo, análise de decisões e avaliação de opções reais. Faça treinamento para aprender o planejamento de cenários. Explore a cada vez mais rica literatura acadêmica e profissional sobre os mercados de informação. Faça um uso mais rigoroso de analogias históricas para abastecer de informações suas decisões mais ambíguas e incertas que, geralmente, são as mais importantes. Nós todos usamos analogias, implícita ou explicitamente, na tomada de decisões. O cientista cognitivo Douglas Hofstadter argumenta que a analogia é o “combustível e o fogo do ato de pensar”. Mas é muito fácil ser vítima de nossos próprios vieses e focar em um conjunto limitado de analogias distorcidas que apenas sustentam nossas noções preconcebidas. Essas tendências podem ser verificadas por meio de métodos rigorosos de decisões baseadas em casos, como a previsão baseada em similaridade.

Finalmente, e talvez mais importante, torne um hábito em sua empresa decidir de forma consciente como e quando você tomará qualquer decisão.

Hugh Courtney é diretor e professor de negócios internacionais e estratégia da Faculdade de Administração D’Amore-Mckim, da Universidade Northeastern, e ex-consultor da McKinsey & Company. Dan Lovallo é professor de estratégia de negócios da Universidade de Sydney e assessor sênior da McKinsey & Company. Carmina Clarke é gerente sênior do Macquarie Group.

Share with your friends









Submit