Оценка стоимости информации

ПОДРОБНЕЕ О КНИГЕ

На самом деле существуют всего три главные причины тому, что информация имеет свою стоимость для бизнеса.

1. Информация снижает неопределенность в связи с решениями, имеющими экономические последствия.
2. Она влияет на поведение людей, и это также имеет экономические последствия.
3. Иногда информация сама обладает собственной рыночной стоимостью.

Объяснение первой причины из трех перечисленных выше было известно с 1950-х годов. Оно было обосновано в математической теории принятия решений — разделе теории игр. Именно сокращению неопределенности мы и уделим основное внимание, главным образом потому, что оно наиболее актуально для обычных условий, и потому, что две другие причины несколько проще. Ведь стоимость информации, влияющей на поведение людей, просто равна стоимости разницы в их поведении. Если измерение результатов деятельности дает рост производительности труда 20%, то денежное выражение роста производительности и есть стоимость измерения. А если стоимость информации является ее рыночной стоимостью, то перед нами проблема рыночного прогноза, ничем не отличающаяся от оценки продаж любого другого продукта. Если мы собираем информацию об интенсивности движения на городских перекрестках в разное время дня, чтобы продать ее компаниям, ищущим подходящие места для размещения розничных магазинов, то стоимость таких измерений равняется ожидаемой прибыли от продажи этих данных. Однако чаще всего в бизнесе производят измерения потому, что они хотя бы частично связаны с принятием решений. Об этом и пойдет речь в данной главе.

Вероятность ошибиться и цена ошибки: ожидаемые потери от упущенных возможностей

Более 50 лет назад в теории игр — области, понятной лишь посвященным, — была разработана такая формула стоимости информации, которую можно не только вывести математически, но и уяснить интуитивно. Снижение неопределенности (то есть проведение измерений) позволяет делать более удачные ставки (то есть принимать более обоснованные решения). Знать стоимость измерений необходимо, чтобы определить, как можно измерить что-либо и следует ли этим заниматься вообще.

Неуверенность в деловом решении (а калиброванный эксперт должен реалистично оценивать уровень неопределенности) означает, что у вас есть шанс ошибиться. Под ошибкой я понимаю следующее: последствия альтернативного решения могут оказаться предпочтительнее, и, зная об этом, вы, несомненно, выбрали бы его. Цена ошибки — это разница между сделанным вами неправильным выбором и лучшей из имевшихся альтернатив, то есть той, на которой вы остановились бы, обладая полной информацией по вопросу. Например, собираясь вложить деньги в новую смелую рекламную кампанию, вы надеетесь, что эти инвестиции окупятся. Но полностью уверенным в успехе мероприятия вы быть не можете. Известно, что в прошлом многие на первый взгляд прекрасно задуманные и обоснованные рекламные акции не оправдали возлагавшихся на них больших надежд. Некоторые из них даже сыграли на руку конкурентам. В то же время правильно спланированные кампании приводят к значительному росту доходов. Нельзя же сидеть сложа руки и не вкладывать деньги в собственную фирму только потому, что есть вероятность ошибиться. Итак, учитывая всю имеющуюся на данный момент информацию, вы решаете провести свою кампанию, но, возможно, имеет смысл прежде кое-что подсчитать.

Чтобы определить стоимость измерения вероятности успеха намеченных действий, вы должны знать, какие убытки понесете, если инвестиции в кампанию окажутся неудачными, а также какова вероятность провала. Будь эта вероятность полностью исключена, снижать неопределенность вообще не потребовалось бы — ваше решение очевидное и безрисковое.

Чтобы не усложнять наш пример, рассмотрим бинарную ситуацию: вы либо преуспеете, либо провалитесь — вариантов больше нет. Предположим, что вы заработаете 40 млн дол., если реклама сработает, и потеряете 5 млн дол. (затраты на проведение кампании) в другом случае. Допустим также, что ваши калиброванные эксперты говорят, что существует вероятность провала рекламы 40%. Обладая этой информацией, вы можете составить таблицу 7.1.

Потери от упущенных благоприятных возможностей (opportunity loss, OL) — это просто те затраты, которые мы понесем, если выберем путь, который окажется ошибочным. Ожидаемые потери от упущенных возможностей (expected opportunity loss, EOL) для той или иной стратегии можно рассчитать путем умножения вероятности допустить ошибку на цену ошибки. В нашем примере мы получим такие ответы:

Ожидаемые потери от упущенных благоприятных возможностей возникают из-за того, что вы не знаете, какова вероятность негативных последствий принимаемого решения. Сумей вы снизить данную неопределенность, уменьшится и EOL. Именно это и позволяет сделать измерение.

Все измерения, результаты которых имеют некую стоимость, приводят к снижению неопределенности в отношении показателя, влияющего на решение, чреватое экономическими последствиями. Чем сильнее уменьшаются ожидаемые потери от упущенных благоприятных возможностей, тем больше стоимость информации, полученной путем измерения. Разница между значениями EOL до и после измерения называется ожидаемой стоимостью информации (expected value of information, EVI).

Расчет ожидаемой стоимости информации, получаемой в ходе измерений, до их проведения требует от нас предварительной оценки ожидаемого снижения неопределенности. Иногда это бывает довольно трудно сделать из-за сложности определения некоторых переменных, но возможен и упрощенный подход. Легче всего рассчитать ожидаемую стоимость полной информации (expected value of perfect information, EVPI). Если бы существовала возможность полного устранения неопределенности, то значение EOL уменьшилось бы до нуля. Таким образом, EVPI — это просто EOL выбранного вами варианта. В нашем примере решение, принимаемое без осуществления измерений, заключается в одобрении плана проведения рекламной кампании, тогда ожидаемые потери от упущенных благоприятных возможностей составляют 2 млн дол. Таким образом, стоимость устранения любой неопределенности относительно успешности планируемой акции просто равна 2 млн дол. Если удается не устранить, а только уменьшить неопределенность, то ожидаемая стоимость информации несколько сокращается.

Чуть более сложный, но более распространенный и реалистичный метод — это расчет EOL в случае, когда рассматриваются не два экстремума (успех или провал рекламной кампании), а множество значений какой-нибудь величины. Гораздо чаще возникает необходимость рассчитать стоимость измерения, когда неопределенная переменная может принимать значения в некоем интервале. Метод расчета стоимости такой информации принципиально не отличается от того, как мы оценивали стоимость информации в простой бинарной ситуации. Нам, кроме того, потребуется рассчитать EOL.

Стоимость информации для переменных величин

Предположим, что в нашем примере с рекламой возможны не два исхода, а результат в виде интервала значений. Калиброванный маркетолог на 90% уверен, что эта рекламная кампания поможет увеличить продажи на 100 тыс. — 1 млн единиц продукции. Однако чтобы достичь точки безубыточности нашей кампании, нужно продать некий объем продукции. Допустим, что с учетом затрат на проведение рекламной акции и валовой прибыли от продукта мы определили наступление точки безубыточности при реализации как 200 тыс. единиц товара. Продав меньше, мы понесем чистые убытки, причем чем меньше объем реализации, тем крупнее эти убытки. Продав ровно 200 тыс. единиц продукции, мы не получим ни прибыли, ни убытков. А если реализовать товар не удастся вообще, то мы потеряем деньги, израсходованные на рекламную кампанию, а именно 5 млн дол. (вы можете сказать, что этим убытки фирмы не ограничатся, но для простоты будем учитывать только их).

Другая точка зрения состоит в том, что на каждой не проданной нами единице продукции, которую надо реализовать для достижения безубыточности, мы потеряем 25 дол. Какова в этой ситуации стоимость снижения неопределенности результата кампании?

Чтобы рассчитать EVPI для подобных интервалов значений, необходимо:

1. разбить распределение значений на сотни или тысячи мелких сегментов;
2. рассчитать потери от упущенных благоприятных возможностей для медианы каждого сегмента;
3. рассчитать вероятность для каждого сегмента;
4. умножить потери от упущенных возможностей в каждом сегменте на их вероятности;
5. суммировать произведения, полученные на этапе 4 для всех сегментов.

Лучше всего создать для этой цели макрос на базе Excel или написать программу, которая разбила бы распределение значений примерно на 1000 фрагментов, а затем выполнила требуемые расчеты. Так мы гарантированно рассмотрим все важные ситуации и исключения. Чтобы упростить задачу, я уже проделал за вас основную работу. Теперь все, что вам нужно, — это использовать пару следующих графиков и выполнить несколько несложных арифметических расчетов.

Прежде чем приступить к делу, нужно решить, какую из границ 90-процентного доверительного интервала (верхнюю или нижнюю) считать лучшей (best bound, ВВ), а какую — худшей (worst bound, WB). Ясно, что иногда лучше самое большое число (если, например, речь идет о доходах), а порой — самое маленькое (если мы говорим о затратах). В примере с рекламной кампанией маленькое число — это плохо, то есть WB — 100 тыс., а ВВ — это 1 млн единиц продукции. По этим данным мы рассчитаем показатель, который я называю «условным порогом» (relative threshold, RT); он указывает, где находится порог относительно остальных значений интервала. Графически RT представлен на рисунке 7.1.

Мы используем условный порог для четырехэтапного расчета ожидаемой стоимости полной информации:

1. рассчитаем условный порог: RT = (Порог - WB) / (ВВ - WB). В нашем примере лучшая граница доверительного интервала равна 1000000, худшая — 100000, а порог — 200000 единиц продукции, поэтому RT = (200000 - 100000) / (1000000 - 100000) = 0,11;

2. найдем местоположение RT на вертикальной оси рисунка 7.2;

3. двигаясь вправо от значения RT, мы видим две серии кривых: одну (слева) для нормальных и другую (справа) для равномерных распределений. Поскольку в нашем примере распределение является нормальным, найдем точку пересечения кривой для нормальных распределений с прямой, проведенной через значение RT параллельно горизонтальной оси. Я назову эту величину фактором ожидаемых потерь от упущенной благоприятной возможности (expected opportunity loss factor, EOLF). В данном случае EOLF равняется 15;

4. рассчитаем EVPI следующим образом: EVPI = EOLF / 1000 х OL на единицу продукции х (ВВ - WB). В нашем примере OL на единицу продукции равняется 25 дол., поэтому EVPI = 15/1000 х 25 x (1000000 - 100000) = 337500 дол. (см. рис. 7.2).

Расчет показывает, что затраты на проведение измерения (в данном случае на прогноз) объема продаж теоретически составят 337 500 дол. Это абсолютный максимум, определенный исходя из предпосылки, что измерение полностью устранит неопределенность. Хотя сделать это практически невозможно, данный простой метод предоставляет важный ориентир для максимально возможных расходов.

Порядок расчета для равномерного распределения тот же, за исключением, конечно, одного: нам потребуются кривые равномерного распределения. И при нормальном, и при равномерном распределении необходимо учитывать следующие важные оговорки. Во-первых, данный простой метод применим только к убыткам, имеющим линейный характер. Это означает, что на каждой непроданной единице продукции мы теряем фиксированную сумму — в нашем примере 25 дол. Если изобразить график зависимости потерь от числа проданных изделий, то он будет иметь вид прямой (окажется линейным). Но когда скорость изменения потерь оказывается непостоянной, график EOLF может оказаться недостаточно точным. Например, если в роли неизвестной выступает сложная процентная ставка, то график потерь при любом пороге не будет представлять собой прямую. Следует отметить и то, что когда речь идет об усеченном нормальном распределении или распределениях, отличающихся от нормальных и равномерных, график может оказаться недостаточно хорошим приближением.

Мир несовершенен: стоимость частичного снижения неопределенности

В последнем примере с ожидаемой стоимостью полной информации мы оценили затраты на полное устранение неопределенности, а не ее снижение. Расчет EVPI полезен сам по себе, поскольку, по крайней мере, позволяет узнать потолок стоимости информации, который не должен быть превышен при осуществлении измерений. Однако нередко приходится довольствоваться простым снижением неопределенности, особенно когда речь идет о прогнозе, например, роста продаж в результате проведения рекламных кампаний. В таких случаях полезно знать не только максимальную сумму, которую можно израсходовать в идеальных условиях, но и во что обойдется измерение в реальной жизни (обязательно сопровождаемое реальной погрешностью). Иными словами, нам надо знать ожидаемую стоимость информации, а не ожидаемую стоимость полной информации.

Ожидаемую стоимость информации также лучше всего рассчитывать с помощью более сложного моделирования, но мы можем сделать несколько простых оценок. Для этого полезно мысленно представить себе, как выглядит график зависимости EVI от объема информации (см. рис. 7.3).

Кривая EVI обычно имеет выпуклый вид и асимптотический характер. Значит, стоимость информации сначала стремится к быстрому росту с каждым небольшим снижением неопределенности, а затем, когда неопределенность приближается к нулю, стабилизируется. Как видно из рисунка, стоимость информации растет очень быстро, выходя на асимптоту на уровне EVPI (которую, конечно, никогда не превышает).

Необходимо также иметь в виду, что график EVI для нормального распределения обычно ближе к прямой, чем тот же график для бинарного или равномерного распределений. При нормальном распределении ожидаемая стоимость информации, снижающей неопределенность первоначального интервала значений вдвое, равна половине EVPI; информации, снижающей неопределенность в четыре раза, — одной четвертой EVPI и т.д. Кривая EVI для нормального распределения, конечно, не имеет вида прямой, поскольку должна приближаться к значению EVPI. При бинарном или равномерном распределении эта кривая обычно выгнута сильнее, чем при нормальном, поэтому с каждым новым измерением EVI растет быстрее.

Таким образом, стоимость информации, снижающей неопределенность вдвое, обычно превышает половину EVPI. В нашем примере с рекламной кампанией EVPI составляла 337 500 дол. Если вы считаете, что, потратив на исследования в 150000 дол., удастся сократить неопределенность вдвое, то ваше исследование экономически оправданно (хотя, возможно, и не полностью). А если вы сумеете провести измерение за 30000 дол., то это, очевидно, будет большой удачей.

Еще одна особенность кривой EVI, о которой необходимо помнить, особенно в случае равномерного распределения, заключается в следующем: график равномерного распределения плоский, резко обрывающийся на границах; значения за этими границами невозможны, а все значения внутри них равновероятны. Когда калиброванный эксперт желает отнести наш интервал (100 тыс. — 1 млн проданных единиц продукции) к равномерному распределению, этим он, в сущности, говорит, что вероятность продать больше 1 млн или меньше 100 тыс. единиц продукции равна нулю. Если мы сумеем осуществить измерение, которое, по крайней мере, позволит поднять нижнюю границу до уровня, превышающего порог в 200 тыс. проданных единиц продукции, то возможность убытков будет устранена. В такого рода примерах EVI быстро растет до точки, в которой неопределенность снижается ровно настолько, что появляется возможность устранить вероятность потерь. Разность между стоимостью информации, снижающей неопределенность вдвое и снижающей ее на три четверти, может оказаться весьма небольшой. Как только мы устраним возможность убытков (или определим наверняка, что их избежать не удастся), стоимость результатов любых дополнительных измерений окажется намного ниже.

Хотя описанный метод расчета EVPI с помощью рисунка 7.2 для нормальных распределений является аппроксимацией, погрешность ответа при нормальном распределении не должна превышать 10%. Можно определить ожидаемую стоимость информации, помня о том, что она не должна превысить EVPI, и зная общую форму кривых EVI. На первый взгляд, мы нагромождаем одно приближение на другое, но в итоге получается достаточно точная оценка. Сам по себе расчет EVPI для предложенного измерения включает некую неопределенность, поэтому точность в расчете EVI не имеет большого смысла. Кроме того, стоимость информации о тех величинах, которые необходимо оценить, обычно очень высока. Нередко она в 10 или даже в 100 раз превышает стоимость результатов оценки менее важных переменных. Погрешность оценки EVI обычно ни на что не влияет.

Зная денежную стоимость результатов измерения, мы можем по-новому подойти к вопросу о том, что «измеряемо», а что нет. Когда кто-нибудь заявляет, что измерение стоит слишком дорого, мы должны спросить его: «По сравнению с чем?» Если измерение, которое снизит неопределенность вдвое, обойдется в 50000 дол., но EVPI — 500000 дол., то его, безусловно, нельзя назвать слишком дорогим. Но если стоимость информации равна нулю, затраты на любое измерение будут чрезмерными. Стоимость реализации результатов некоторых измерений может быть недостаточной (скажем, несколько тысяч долларов), чтобы экономически оправдать их осуществление, но все же не такой, чтобы эти результаты можно было проигнорировать. В таких случаях я стараюсь придумать приемы, которые позволят быстро снизить неопределенность. Один из них — просто позвонить другим экспертам.

Кривая EVI также показывает значение итеративных измерений. С приближением к обычно недостижимому состоянию полной определенности стоимость информации, как показывает эта кривая, стабилизируется, но кривая затрат на ее получение резко идет вверх. Это говорит о том, что к измерению нужно относиться как к итеративному процессу. Не пытайтесь попасть в десятку с первой же попытки. Каждый следующий этап измерения может сказать вам что-то новое о том, как следует провести очередной этап и стоит ли вообще его проводить.

«Уравнение прозрения»: стоимость информации меняет все

В своей практике консультанта я применяю чуть более сложный вариант описанной выше процедуры.

К 1999 г. я проверил свой метод количественного анализа на базе прикладной информационной экономики примерно на 20 крупных проектах инвестиций в ИТ. В каждом случае нужно было оценить от 40 до 80 величин, таких как первоначальные затраты на разработку, темп восприятия нововведений, рост производительности труда, рост доходов и т.д. При анализе каждого проекта я запускал макрос на основе Excel, который рассчитывал стоимость информации о каждой переменной. Это позволяло мне решить, какие величины необходимо определить в первую очередь.

Работая с этой программой, я стал замечать следующие закономерности.

• Стоимость информации о подавляющем большинстве переменных равна нулю, то есть существующий уровень неопределенности для них вполне приемлем и дальнейшие измерения были бы (это уже упоминалось в главе 3) экономически нецелесообразными.

• Особенно высока стоимость информации о тех переменных, которые клиенты обычно не оценивают. При обосновании предыдущих проектов эти важные величины ни разу не определялись.

• Стоимость информации о переменных, на определение которых обычно тратится больше всего времени и средств, очень невелика или просто равна нулю (то есть крайне маловероятно, чтобы их уточнение влияло на принимаемые решения).

Анализ всей проведенной мной работы по исследованию указанных проектов и расчету стоимости полученной информации позволил подтвердить выявленную закономерность. Я написал на эту тему статью под названием «The IT Measurement Inversion» («Инверсия ИТ-измерений»), которая была опубликована в «CIO Magazine» в 1999 г.²

Полученные впоследствии данные продолжали подтверждать мои первоначальные наблюдения. Однако я заметил, что данная тенденция характерна для проектов, касающихся не только ИТ, но и военной логистики, защиты окружающей среды, венчурного капитала и расширения производственных мощностей. Клиенты почти всегда удивляются тому, какая информация оказывается для них самой ценной. Снова и снова я убеждался: люди тратят массу времени, сил и денег на измерение того, что не имеет большой информационной стоимости, и игнорируют величины, действительно важные для принятия решений. В конце концов, я отказался от прежнего названия «Инверсия ИТ-измерений» и переименовал этот феномен в инверсию измерений. Ведь тенденция к оценке незначащих вещей и игнорированию важных факторов наблюдается в самых разных областях.

Более того, я часто вижу: начав измерять что-то совершенно иное (осознав его информационную ценность), клиенты рассматривают результат как настоящее открытие. Иными словами, если вы жаждете прозрения, обратите внимание на переменную, которую прежде игнорировали. Все эти мои наблюдения суммированы в рисунке 7.4.

Поскольку организации в большинстве своем незнакомы с методами оценки стоимости проведения измерений, они измеряют совершенно не то, что им нужно. И дело вовсе не в том, что затраты на реализацию проекта не следует измерять, а в том, что им уделяется основное внимание, хотя неопределенность в других вопросах намного выше.

Яркой иллюстрацией инверсии измерений может служить пример моего клиента — крупной британской страховой компании, активно применявшей метод определения сложности и трудоемкости программного обеспечения, называемый балльной функциональной оценкой. Он был популярен в 1980-1990-е годы и использовался для расчета затрат труда на крупные программные разработки. Компания проделала большую работу и собрала первоначальные оценки, балльные функциональные оценки и данные о фактических затратах труда на реализацию более чем 300 проектов в области информационных технологий. Три-четыре штатных сотрудника занимались исключительно подсчетом баллов. Ранее компании еще не приходилось тратить столько сил на анализ отдельных аспектов планируемых проектов по созданию нового программного обеспечения.

Когда я сравнил балльные функциональные оценки с первоначальными, сделанными менеджерами проектов, и с окончательными затратами, рассчитанными автоматической системой учета рабочего времени, выявилась очень интересная закономерность. Дорогостоящий, занимающий много времени подсчет баллов дал результаты, чуть более точные, чем первоначальные расчеты, но в среднем довольно сильно отличающиеся от фактических затрат. Иными словами, балльная функциональная оценка была иногда ближе, а иногда дальше первоначальной от фактических затрат, определенных по завершении проекта.

Таким образом, компания не только тратила на измерения необычно много времени, но и делала это напрасно, поскольку никакого снижения неопределенности практически не происходило.

Инверсия измерений возникает по нескольким причинам. Во-первых, люди измеряют то, что умеют, или то, что, по их мнению, измерить легче. Наверное, вы знаете старый анекдот о пьяном, который ищет часы на хорошо освещенной улице, хотя знает, что потерял их в темном переулке. Он объясняет это тем, что на улице светлее. Если в компании принято пользоваться для анализа результатами опросов, то все, что определяется другими методами, чаще всего вообще не оценивается. Когда в организации умело пользуются методом анализа баз данных, значит, измеряется только то, что поддается оценке именно этим способом.

На последнем курсе университета мой преподаватель по количественным методам анализа часто говорил студентам: «Если ваш единственный инструмент — молоток, то каждая проблема — это гвоздь». Похоже, сказанное относится и ко многим компаниям и государственным учреждениям. У них есть излюбленные методы измерения. Хотя в некоторых фирмах существуют прекрасно отлаженные способы оценки, например влияния удовлетворенности потребителя на доходы, другие предприятия ими не пользуются и занимаются взамен теми малозначащими измерениями, которые привыкли проводить.

Кроме того, менеджеры любят осуществлять такие измерения, результаты которых могут их порадовать. Ну зачем, в самом деле, оценивать прибыль, если вы подозреваете, что она окажется нулевой? Конечно, в этом случае менеджеры рассуждают, как люди, которые просят деньги или создают видимость работы, а не как руководители, которые подписывают чеки.

Наконец, не зная деловой ценности информации, которая будет получена путем измерения, нельзя оценить и его сложность. Нередко оценки считаются сложными до тех пор, пока не выяснится, что стоимость этой информации намного превысит затраты на ее получение. Одна крупная компания, занимающаяся потребительским кредитованием, как-то попросила меня оценить эффект от инвестиций в ИТ-инфраструктуру на сумму свыше 100 млн дол. Ознакомившись с существом проблемы, я подсчитал, что проведение этой оценки должно обойтись примерно в 100 тыс. дол. Когда компания согласилась потратить не более 25 тыс. дол., я отказался от этой работы. Мой расчет (100 тыс. дол.) составлял менее 0,1% от суммы намеченных этой компанией крайне рискованных инвестиций. В некоторых отраслях принято проводить гораздо более детальный, чем предложенный мной, анализ существенно менее рискованных инвестиционных проектов. По самой осторожной оценке, стоимость информации, полученной в результате таких исследований, составила бы миллионы долларов.

Я называю формулу расчета стоимости информации уравнением прозрения. Дело в том, что, желая совершить действительно важное открытие, вы почти всегда должны обратиться к тому, что раньше не попадало в сферу вашего внимания. Компании, научившиеся рассчитывать стоимость информации, переключают свое внимание совершенно на другие вещи и нередко узнают такое, что заставляет их менять принятые ранее решения.

Связь между неопределенностью, риском и стоимостью информации: первые измерения

Знание методов измерения неопределенности — ключевой фактор оценки риска. Осознание сути риска на количественном уровне — основа понимания того, как можно рассчитать стоимость информации. Стоимость информации нам нужна для того, чтобы выбрать объект и определить, какие усилия требуются для его измерения. Рассматривая все это в контексте количественного сокращения неопределенности, мы поймем, что же такое измерение.

Резюмируя все сказанное в этой главе, мы можем сформулировать несколько новых идей. Прежде всего, самую ценную информацию получают на начальном этапе измерений. Не стоит планировать масштабные исследования, если требуется измерить то, о чем сейчас вы практически ничего не знаете. Оцените хотя бы что-то, устраните хоть какую-то неопределенность и проанализируйте то, что вы узнали. Результат вас удивил? Нужны ли дальнейшие измерения? Не подсказали ли вам полученные на этом этапе данные, что следует изменить метод измерения? Итеративный подход дает возможность для маневра и максимизирует отдачу от усилий.

Наконец, если вы не рассчитали стоимость полученной информации, значит, измерили то, что, вероятно, не имеет особого значения, и проигнорировали действительно важные факторы. Более того, если вы не рассчитали стоимость информации, значит, возможно, не знаете, как эффективно измерять что-либо. Вы потратите на это слишком много или слишком мало времени, откажетесь от проведения важных измерений как слишком затратных, так как не можете сопоставить затраты со стоимостью полученной информации.

До сих пор в этой книге мы говорили только о первом этапе измерения того, что нередко часто считается не поддающимся количественной оценке. Взяв как будто слишком расплывчатое понятие, мы определили его смысл с учетом значения, которое оно для нас имеет, и выбрали способы наблюдения. Мы оценили неопределенность, риск и стоимость информации и можем теперь перейти к следующему этапу.

Любопытно, что именно на этом остановилось в свое время Управление по делам ветеранов, реализуя проект оценки надежности информационной технологии. Цель этого проекта состояла только в том, чтобы выявить объекты измерений, которые должны были проводиться в течение нескольких следующих лет. По мнению специалистов Управления, рассчитать стоимость информации было важно само по себе, так как на ее основе в дальнейшем можно было оценить все необходимые показатели надежности.

Далее нам предстоит сделать шаг вперед от простой констатации значения текущей неопределенности и расчета стоимости ее измерения. Теперь, когда мы знаем, что оценивать и сколько можно потратить на измерения, приступим к выбору подходящих способов осуществления этого процесса.

¹ Английский теоретик менеджмента (род. в 1932 г.). — Примеч. переводчика.

² Douglas W. Hubbard. The IT Measurement Inversion // CIO Enterprise Magazine, 1999, April 15.