הגדרה של ניתוח שונות (ANOVA) היא דרך לכמת כמה מהשונות בתוצאות מוסברת על ידי גורמים שונים, ואותה אינסטינקט של "מה מניע את הפיזור?" הוא בדיוק מה שאתה צריך כשאתה בונה מודל ערך צפוי (EV) בתרשים עץ. מדריך זה מספק דוגמה מעשית וניתנת לשימוש חוזר לתרשים עץ סטטיסטי, מראה כיצד להקצות הסתברויות ללא ניחושים, לצרף תגמולים ועלויות הזדמנות, לחשב ערך צפוי לאורך נתיבים, ולהחליט מתי סובלנות לסיכון צריכה לגבור על המתמטיקה.
כיצד מקצים הסתברויות ללא ניחושים עיוורים?
תרשים עץ סטטיסטי טוב רק ככל שההסתברויות שלו טובות. הפתרון הוא לא "להיות מדויק יותר" (אף אחד לא באמת כזה) אלא "להיות ניתן להגנה". בפועל, זה אומר לעגן כל הסתברות לשיעור בסיס, ואז להתאים עם הנחות מותנות מפורשות.
התחל עם שיעור הבסיס. אם אתה בונה מודל להשקת מוצר, אל תתחיל עם "60% סיכוי שזה יעבוד". התחל עם משהו שאתה יכול להצביע עליו: שיעורי המרה היסטוריים, השקות קודמות, מדדי שוק, או נתוני המשפך שלך. לדוגמה, אם שלוש ההשקות האחרונות שלך הגיעו ליעד ההכנסות פעם אחת, שיעור הבסיס הראשוני שלך ל"הגעה ליעד" הוא 33% עד שתצדיק שינוי.
לאחר מכן, הפוך את זה למותנה. לרוב ההחלטות יש תלות נסתרת שצריכה להיות ענף, לא הערת שוליים. ענפים מותנים טיפוסיים שאנו ממדלים עבור מייסדים ומנהלים:
"אם נשיק בזמן" לעומת "אם נתעכב"
"אם ה-CAC של הערוץ נשמר" לעומת "אם ה-CAC מזנק"
"אם העובד החדש נכנס לתפקיד תוך 30 יום" לעומת "אם זה לוקח 90"
זוהי הסתברות מותנית: P(הצלחה) הופך ל-P(הצלחה | הושק בזמן) ו-P(הצלחה | התעכב). אם אתה ממדל רק הסתברות אחת ברמה העליונה, אתה קובר את המנופים האמיתיים.
בדיקת שפיות מהירה שאני משתמש בה בסדנאות היא כלל "סכום לאחד פלוס הסבר": כל קבוצת ענפים אחים חייבת להסתכם ל-1.0, ואתה חייב להיות מסוגל לומר, במשפט אחד לכל אחד, איזו ראיה תגרום לך להזיז את ההסתברות ב-10 נקודות. אם אינך יכול, אתה מנחש.
אם אתה רוצה רענון קפדני על שונות ומה "פיזור" באמת אומר, הסקירה של ויקיפדיה על ניתוח שונות (ANOVA) היא בסיס איתן. אתה לא צריך ANOVA כדי לחשב ערך צפוי, אבל חשיבה במונחים של גורמים ושונות מוסברת עוזרת לך לבחור ענפים טובים יותר.
כאשר צוותים נתקעים על הסתברויות, אנו לרוב לוקחים צעד אחורה ובוחרים מסגרת החלטות הדוקה יותר תחילה. המדריך של Lucid על כיצד לבחור מסגרת החלטות לצוות שלך שימושי כאשר הוויכוח הוא באמת על תהליך, לא על מספרים.
כיצד מצמידים תגמולים ועלויות לתוצאות?
הטעות הנפוצה ביותר בערך צפוי (EV) אינה המתמטיקה של ההסתברות. זו הגדרת התגמול. אנשים ממדלים הכנסות ושוכחים עלויות, זמן ועלות הזדמנות, ואז תוהים מדוע האופציה עם ה-EV הגבוה מרגישה לא נכונה.
אתה רוצה טבלת תגמולים שתופסת ארבעה דברים:
תגמול ישיר (הכנסות, חיסכון, מרווח)
עלויות ישירות (הוצאות מזומן, כלים, שעות קבלן)
עלות הזדמנות (מה אתה לא עושה במקום)
השלכות מסדר שני (פגיעה במותג, סיכון נטישה, מורל, השפעה על מסלול המזומנים)
הנה דוגמה מעשית שתוכל לעשות בה שימוש חוזר עבור הימור השקה מסוכן.
טבלת תגמולים מעשית: "השקת שכבת תמחור חדשה תוך 30 יום"
נניח שאתה שוקל ניסוי תמחור עם שתי תוצאות ביצוע (בזמן לעומת עיכוב) ושתי תוצאות שוק (אימוץ לעומת שטוח). זה הופך לעץ 2x2 נקי.
הנחות תגמול (שמור עליהן פשוטות וניתנות לביקורת):
אם מתרחש אימוץ, הרווח הגולמי המצטבר הוא 180 אלף דולר לאורך 12 חודשים.
אם התוצאה שטוחה, הרווח הגולמי המצטבר הוא 20 אלף דולר (כמה שדרוגים, לא הרבה).
עלות הבנייה היא 35 אלף דולר (זמן הנדסי המוערך פנימית).
אם אתה מתעכב, אתה מפסיד 25 אלף דולר בעלות הזדמנות (החמצת חלון ההשקה + צינור מכירות מעוכב).
אם אתה משיק בזמן, אין עלות הזדמנות נוספת מעבר לעלות הבנייה.
תוצאת נתיב
רווח גולמי מצטבר
עלות בנייה
עלות הזדמנות של עיכוב
תגמול נטו
בזמן + אימוץ
180,000
35,000
0
145,000
בזמן + שטוח
20,000
35,000
0
-15,000
עיכוב + אימוץ
180,000
35,000
25,000
120,000
עיכוב + שטוח
20,000
35,000
25,000
-40,000
שתי הערות מעשיות מסקירות החלטות אמיתיות:
אני מעדיף רווח גולמי על פני הכנסות עבור תגמול כי זה מונע טעויות מידול של "צמיחה בכל מחיר".
השקע זמן בהנחות התגמול, לא בעיצוב הגיליון האלקטרוני. מודל יפה עם תגמולים מרושלים הוא מלכודת.
אם אתה צריך כלי מקביל להשוואות לא-הסתברותיות (במיוחד כאשר בעלי עניין מסרבים להסכים על הסתברויות), שמור מטריצת החלטות בכיס. המדריך של Lucid על מסגרות החלטות: המדריך המלא משתלב היטב עם EV כי הוא נותן לך גיבוי מובנה.
כיצד מחשבים ערך צפוי לאורך נתיבים?
ערך צפוי הוא פשוט ברגע שהעץ נכון: הכפל את תגמול הנטו של כל נתיב בהסתברות הנתיב שלו, ואז סכם. החלק הקשה הוא הסתברות הנתיב, וזה המקום שבו הסתברות מותנית חשובה.
בוא נקצה הסתברויות עם תנאים מפורשים:
P(בזמן) = 0.7
P(עיכוב) = 0.3
P(אימוץ | בזמן) = 0.4
P(שטוח | בזמן) = 0.6
P(אימוץ | עיכוב) = 0.25
P(שטוח | עיכוב) = 0.75
כעת נחשב הסתברויות נתיב:
בזמן + אימוץ: 0.7 * 0.4 = 0.28
בזמן + שטוח: 0.7 * 0.6 = 0.42
עיכוב + אימוץ: 0.3 * 0.25 = 0.075
עיכוב + שטוח: 0.3 * 0.75 = 0.225
לאחר מכן נחשב EV:
נתיב
הסתברות נתיב
תגמול נטו
ערך משוקלל בהסתברות
בזמן + אימוץ
0.28
145,000
40,600
בזמן + שטוח
0.42
-15,000
-6,300
עיכוב + אימוץ
0.075
120,000
9,000
עיכוב + שטוח
0.225
-40,000
-9,000
סה"כ EV
34,300
אז הערך הצפוי של הימור שכבת התמחור הוא +34.3 אלף דולר.
שני דברים שעליך לעשות הלאה, לפני שאתה חוגג:
ראשית, בנה אינטואיציה לשונות. EV מסתיר את הפיזור. זה המקום שבו הלך הרוח של "הגדרה של ניתוח שונות" עוזר: שאל אילו גורמים מניעים את הפיזור. בעץ זה, התוצאות השליליות אינן קטסטרופליות, אך הן משמעותיות: יש סיכוי של 64.5% (0.42 + 0.225) שתפסיד כסף על ההימור במונחי רווח גולמי לשנה הראשונה.
שנית, בצע בדיקת רגישות אחת. בחר את ההנחה היחידה ש"מרגישה כמו שקר". בדרך כלל זו הסתברות האימוץ או עלות הבנייה. שנה אותה וראה אם ההחלטה מתהפכת.
הנה טבלת בדיקת רגישות מינימלית (משתנה אחד, שני תרחישים) שאנו משתמשים בה בסקירות ניתוח תרחישים:
הנחה ששונתה
מקרה שמרני
מקרה בסיס
מקרה אגרסיבי
P(אימוץ
בזמן)
0.25
0.40
EV שמתקבל
-2,050
34,300
70,650
אם תזוזה של 15 נקודות הופכת "כן" ל"לא", אין לך החלטה. יש לך משימת מחקר.
עבור צוותים שמעדיפים לוח ויזואלי על פני גיליון אלקטרוני, זה גם הרגע להמיר את המתמטיקה ללוגיקת החלטות שניתן להתווכח עליה. אנו לרוב מתרגמים את העץ למפת אפשרויות ומשווים ענפים זה לצד זה בתצוגת רשת או טבלה, ואז ממשיכים לעדכן אותה ככל שההנחות משתנות. זהו זרימת העבודה המרכזית בלוח ההחלטות של Lucid: הזן את הדילמה, קבל אפשרויות מובנות, ואז שכלל את ההשלכות ככל שאתה לומד. אם אתה מעריך תמיכת AI עבור זה, הסקירה של Lucid על אפליקציות ה-AI השיחתיות הטובות ביותר ושימושים אמיתיים עוזרת לך לבחור את הכלי הנכון לעבודה.
ערך צפוי אינו אמת מוסרית. זהו ממוצע לטווח ארוך. עליך לעקוף את ה-EV כאשר ההתפלגות מתנגשת עם האילוצים שלך.
הנה ארבעה מצבים שבהם אני אומר למייסדים ואנליסטים להפסיק להתווכח על EV ולהתחיל לדבר על תיאבון לסיכון:
1) יש לך תרחיש חורבן. אם ענף אחד לוקח אותך לאפס (מסלול המזומנים נגמר, נטישת לקוח מפתח מעוררת שרשרת, בעיה רגולטורית), EV הופך ללא רלוונטי. סיכוי של 5% לחורבן הוא לרוב בלתי קביל גם כאשר ה-EV חיובי.
2) קופת המזומנים שלך קטנה ביחס להימור. תיאוריית החלטות קלאסית מניחה שאתה יכול לחזור על ההימור פעמים רבות. חברות בשלבים מוקדמים לא יכולות. אם אינך יכול לשרוד את הצד השלילי, אתה לא זוכה ל"ממוצע" לתוך ה-EV.
3) התגמולים אסימטריים מאוד ותלויי זמן. גיוס הוא דוגמה טובה. גיוס מנהל רע יכול לעלות ב-6-12 חודשים של מומנטום. עלות ההזדמנות אינה ליניארית, וההפסד האמיתי הוא לרוב אסטרטגי.
4) בעלי עניין מעריכים יציבות על פני פוטנציאל עלייה. עבור צוותים, זה המקום שבו גורמי סיכון ניתנים לשינוי חשובים. לעיתים קרובות אתה יכול לשנות את ההחלטה כדי לשנות את ההתפלגות: השקה קטנה יותר, גיוס מדורג, ניסויים הפיכים, מדדי "מתג השבתה".
דרך מעשית להפעיל סובלנות לסיכון היא להוסיף קו אילוץ מתחת ל-EV שלך: "לא ניקח אף אופציה עם יותר מ-X% סיכוי להפסיד יותר מ-Y דולר" או "אנו דורשים לפחות Z חודשי מסלול מזומנים במקרה הגרוע ביותר". זה הופך ויכוח פילוסופי לתרשים זרימה החלטי קונקרטי.
אם אתה רוצה כלי השוואה מהיר, השתמש בדוגמה של מטריצת החלטות לצד עץ ה-EV: EV לתוצאות מספריות, מטריצה לגורמים איכותניים כמו סיכון מותג, עומס תמיכה ומורל צוות. התייחס לתוצאות של דוגמת ניתוח SWOT כקלט לעץ, לא להחלטה עצמה. SWOT טוב להצפת גורמים; EV טוב למחויבות לבחירה.
הפוך את העץ למפת אפשרויות כדי שההשלכות יישארו אמיתיות
תרשים עץ מצוין לחישוב. הוא חלש ליישור קו. אנשים שוכחים מה המספרים אומרים שבועיים לאחר מכן, והמודל מתיישן ברגע שההקשר משתנה.
הפתרון הוא לתרגם כל אופציה ברמה העליונה למפת אפשרויות עם שלוש שכבות: יתרונות, חסרונות והשלכות עתידיות. אז אתה יכול להשאיר את מתמטיקת העץ צמודה להשלכות בעולם האמיתי.
הנה כיצד אנו ממפים את דוגמת שכבת התמחור ללוח אפשרויות:
אופציה
יתרונות (טווח קצר)
חסרונות (טווח קצר)
השלכות עתידיות (6-12 חודשים)
השקת שכבה תוך 30 יום
פוטנציאל EV ברור, מחזור למידה מהיר, עליית מרווח פוטנציאלית
סיכון ביצוע, זינוק בעומס תמיכה, בלבול מיצוב אפשרי
אם האימוץ מצליח, ארכיטקטורת התמחור הופכת למנוף צמיחה; אם שטוח, ייתכן שתצטרך לפשט ולבנות מחדש אמון
עיכוב ומחקר
ביטחון גבוה יותר בהסתברות אימוץ, השקה נקייה יותר
החמצת חלון, מתחרה זז ראשון, למידה איטית יותר
התאמה טובה יותר לטווח ארוך, אך סיכון לשיתוק ניתוחי וזמן מחקר אבוד
הרצת בטא מוגבלת
מפחית צד שלילי, משפר הסתברויות מותנות
פוטנציאל עלייה קטן יותר, מורכבות תפעולית
יוצר שריר השקה מדורגת; יכול להפוך לדפוס ברירת מחדל להימורים מסוכנים
זה המקום שבו Lucid שימושי: אתה יכול להתחיל מהערה קולית מבולגנת כמו "האם עלינו לשנות תמחור או לגייס מכירות?" ולקבל מפת אפשרויות מובנית עם יתרונות, חסרונות והשלכות עתידיות, ואז להשוות בתצוגות רשת/טבלה/מיקוד. כשאתה מעדכן הנחה אחת (נניח, עלות בנייה או אימוץ), הלוח נשאר עקבי במקום להתפצל לחמישה גיליונות אלקטרוניים.
אם ההחלטה שלך היא חלק מתנועת השקה גדולה יותר, שילוב עצי EV עם זרימת עבודה הניתנת לחזרה הוא חשוב. סגנון ה-playbook ב-יצירת תוכן AI להשקות מוצרי SaaS הוא דוגמה טובה לאיך אנו שומרים על עבודה בין-תפקודית קוהרנטית כשהסיכונים גבוהים.
רשימת תיוג של 10 דקות לשימוש חוזר לפני שאתה מתחייב
לפני שאתה שולח את מספר ה-EV למצגת, בצע את הבדיקה המהירה הזו:
האם הסתברויות האחים מסתכמות ל-1.0, והאם אתה יכול להצדיק תזוזה של 10 נקודות עם ראיות?
האם כל תגמול כולל עלויות, עלות הזדמנות ולפחות השלכה אחת מסדר שני?
האם חישבת EV לפי נתיב (לא על ידי מיצוע תוצאות בצורה שגויה)?
האם ביצעת בדיקת רגישות אחת על ההנחה השברירית ביותר?
האם החלת אילוץ סובלנות לסיכון שמשקף את מסלול המזומנים ויכולת הצד השלילי שלך?
רשימת תיוג זו תופסת את רוב כשלונות ה-EV שאני רואה בהחלטות תמחור, הימורי גיוס והשקות לשוק.
הצעד הבא: בנה את העץ שלך, ואז בדוק אותו בלחץ בלוח
התחל בשרטוט עץ דו-שכבתי על נייר: ענף ביצוע אחד וענף שוק אחד. מלא הסתברויות עם שיעורי בסיס ותנאים, ואז בנה טבלת תגמולים הכוללת עלות הזדמנות. חשב EV לפי נתיב, בצע בדיקת רגישות אחת, ורשום את אילוץ הסובלנות לסיכון שלך.
אם אתה רוצה שההחלטה תישאר שמישה ככל שההקשר משתנה, הפוך את הענפים למפת אפשרויות ב-Lucid והשווה אותם זה לצד זה. צור את הלוח הראשון שלך תוך דקות באמצעות דף ההרשמה של Lucid, ואז המשך לעדכן את ההשלכות ככל שאתה לומד. המטרה אינה מודל מושלם. המטרה היא החלטה שאתה יכול להגן עליה ולחזור אליה מבלי להתחיל מהתחלה.
