Чи може штучний інтелект допомогти вам краще стратегувати?

Корпоративні рішення про злиття та поглинання, альянси, продаж і диверсифікацію, як правило, приймаються в умовах значної невизначеності та складності. Тому важливо мати хорошу стратегію при розгляді таких рішень — аби подолати цю складність і дізнатися якомога більше з сигналів, які з’являються в результаті реалізації стратегії. Без належної стратегії, як багато хто тепер визнає, рішення найчастіше призводять до розчарувань або навіть до катастрофічних наслідків. Паніш Пуранам (Phanish Puranam) з INSEAD, та Протхіт Сен (Prothit Sen) з Індійської школи бізнесу вважають, що штучний інтелект може зіграти тут корисну роль.

Але давайте спочатку розберемося в проблемі. Почнемо з того, що стратегії (і навіть бізнес-моделі) насправді є теоріями, або послідовними історіями про те, як влаштований світ. Простіше кажучи, бізнес-стратегія — це теорія про те, як заробляти гроші. По-друге, всі теорії в кінцевому рахунку є індуктивними; вони виникають зі спроб пояснити патерни (або закономірності) в даних.

Поєднання цих двох ідей дає нам третю: використовувати машинне навчання — найновішу і найуспішнішу форму штучного інтелекту — для виявлення патернів у даних і визначення тих, які можуть допомогти сформулювати більш обґрунтовані стратегії.

Менеджери можуть мати всі підстави вважати свої компанії унікальними, але це не робить їх несприйнятливими до ширших патернів і сил, що діють в індустрії. Аналіз на основі машинного навчання великих вибірок сукупних галузевих даних може запропонувати погляд із висоти пташиного польоту на ширші патерни, які окремо взяті менеджери можуть ніколи не розгледіти, якщо покладатимуться лише на свій безпосередній досвід. На щастя, сьогодні доступні великі обсяги даних, що мають відношення до стратегів — пов’язані з M&A та альянсними угодами, патентуванням та відгуками співробітників.

Ми показуємо, як це може працювати, у своїй науковій статті, опублікованій у Strategic Management Journal. Зокрема, ми пропонуємо шаблон того, як стратеги можуть виявляти нові теорії в традиційних сферах стратегії (таких як корпоративні альянси) за допомогою великих даних та алгоритмів, використовуючи підхід, відомий як алгоритмічно підтримувана індукція.

Інноваційні бізнес-моделі в індустрії прямих інвестицій

Корпоративні альянси, що складаються з кількох партнерів, або синдикати угод, займають центральне місце в індустрії прямих інвестицій (PE). Синдикат угод, до складу якого входять фірма прямих інвестицій, інституційні інвестори (наприклад, страхові компанії та пенсійні фонди), банки та корпоративні фірми, спільно купують компанії, інвестуючи капітал та експертизу. Кілька синдикатів угод складають портфель альянсів однієї PE-фірми.

Десь десять років тому в цій галузі відбулося дещо цікаве: відносно нова бізнес-практика «додаткових угод» почала набирати обертів. У цих угодах, PE-фірма купує компанію і об’єднує її зі спорідненою фірмою у своєму портфелі компаній. Порівняйте це з більш усталеною моделлю викупу з використанням позикового капіталу, у рамках якої PE-фірма позичає гроші для придбання окремої компанії.

Питання, яке ми досліджували, було простим: чи вимагатиме запровадження нової практики додаткових угод зміни типу портфелів альянсів, які використовували PE-фірми?

Ми проаналізували близько 60 000 глобальних угод, укладених понад 4 500 фондами прямих інвестицій з 1990 по 2016 рік. Ми розділили вибірку на дві частини. Наші алгоритми машинного навчання виявили в першій вибірці дві стійкі закономірності щодо прийняття додаткових угод: по-перше, додаткові угоди дуже часто відбуваються за участі нового типу співінвесторів, а саме корпоративних фірм, які мають досвід укладання додаткових угод; по-друге, ці співінвестори не належать до пулу існуючих корпоративних фірм, які беруть участь у викупах із залученням боргових коштів. Це лише кореляції, але вони є сильними і вкрай малоймовірно, що вони були зумовлені випадковими помилками.

Чим же можна пояснити ці закономірності? Тут вступає в дію людська креативність. Ми вважали, що оскільки синдикати потребують нових корпоративних партнерів для укладення додаткових угод, фірми, які вже мали багато партнерів або працювали з фірмами, що потенційно могли б конкурувати з бажаними новими корпоративними партнерами, не поспішатимуть укладати додаткові угоди.

Ми перевірили ці припущення на другій половині наших даних і знайшли їхню сильну підтримку. Коротше кажучи, ми з’ясували, що існуючі портфелі альянсів фірми можуть перешкоджати впровадженню нових бізнес-практик, які самі по собі є альянсоємними. Це свідчить про темний бік партнерств.

Стратегуйте як теоретик

Стратеги можуть почерпнути цінну інформацію про вибір партнерів із нашого дослідження. Фірмам потрібен новий тип партнерів для нових видів практики в галузях, що потребують альянсів, і стратегам слід ретельно продумати обмеження можливостей своєї фірми та управління конкуренцією між існуючими партнерами. Альтернативою синдикації може стати залучення експертів.

Ці теорії все ще потребують перевірки, наприклад, через пілотні проєкти. Але вони ґрунтуються на стійких закономірностях у сукупних даних, а отже, більш вірогідні, ніж ті, що ґрунтуються на обмеженому та специфічному досвіді окремого менеджера.

Наш підхід має й інші можливі застосування навіть у межах індустрії приватного капіталу. Наприклад, маючи велику кількість даних про синдиковані партнерства, ми можемо використати алгоритмічну індукцію, щоб пояснити, чому певні синдиковані партнерства є більш поширеними, ніж інші. Це нічим не відрізняється від того, якби ми запитували, чому одні поглинання відбуваються, а інші ні.

Закономірності, виявлені машинним навчанням, є лише кореляційними. Але, ретельно обмірковуючи причини і наслідки, стратег повинен мати можливість зробити корисні висновки щодо потенційних пояснень — тобто побудувати теорію, яка, в свою чергу, може призвести до створення надійної стратегії. Як сказав психолог Курт Левін (Kurt Lewin): «Немає нічого більш практичного, ніж хороша теорія».

Ілюстрація: udacity.com