Бент Флівб’єрг «Як робити великі справи» – уривок про бюджет і терміни проєктів

З 16 000 проєктів вартістю більше мільярда доларів лише 8,5% вписалися у заявлені терміни й бюджети. Чому так відбувається і що з цим робити? Економіст Бент Флівб’єрг виніс уроки з невдач, що стаються з мегапроєктами – від хмарочосів і електростанцій до Олімпійських ігор. Як планувати масштабні проєкти – в уривку з книги «Як робити великі справи»

Головні матеріали Forbes Ukraine у email-розсилці. Раз на тиждень на вашій пошті.

Дякуємо за підписку Підписатися

Повільно планувати і швидко діяти, в жодному разі не навпаки – одна з головних порад, яку датський економіст і оксфордський професор Бент Флівбʼєрг дає підприємцям у книзі «Як робити великі справи». Робота ввійшла до списку найкращих книг 2023 року за версією The Economist і до шорт-листа Financial Times. У квітні вона вийде українською у видавництві Vivat.

База даних Флівбʼєрга, яку він збирає з 1990-­их, налічує близько 16 000 мегапроєктів з понад 20 різних галузей у 136 краї­нах світу. Серед них 91,5% перевищують бюджет, терміни або і те, і інше. Причина – в неправильних підходах до планування, вважає Флівбʼєрг.

Планування – безпечна гавань. Виробництво – ризи­коване плавання посеред шторму, де «чорний лебідь» на кшталт пандемії може в будь-який момент зруйнувати задумане, пише Флівбʼєрг. Тому масштабні проєкти слід планувати настільки ретельно й довго, щоб етап виробництва пройшов якнайшвидше, вважає економіст.

Forbes публікує відредагований уривок із книги про те, як точніше передбачити кошторис і строки великого проєкту.

Як робити великі справи книга

91,5% проєктів перевищують бюджет, терміни або і те, і інше. Графік із книги «Як робити великі справи»

У 2010 році у Гонконгу схвалили амбітний навіть за китайськими мірками мегапроєкт: першу у світі повністю підземну високошвидкісну залізничну систему, відому як XRL. 26-­кілометрова лінія могла б удвічі скоротити час їзди між Гон­конгом і материковим містом Гуанчжоу.

XRL мала побудувати компанія Mass Transit Railway (MTR), яка управляє гігантською залізничною мережею Гонкон­гу. Будівництво планували завершити у 2015-­му. Коли дата настала, виконали менше ніж по­ловину робіт і витратили більшу частину бюджету. Гендиректор і директор проєкту MTR подали у від­ставку.

Коли ми запитали MTR, що пішло не так, нам вручили типо­вий список негативних факторів: протести громадськості, проблеми з машинами для буріння тунелів, брак робочої сили, неочікувані підземні умови і так далі. Але чому успішна організація так разюче провалилася в цьому конкретному проєкті? 

Першопричина невда­лого виконання часто лежить у прогнозуванні. Якщо прогнози нереалістичні, то команда, яка мала б їх виконати, зазнає невдачі, хоч як би вона старалася. Водночас навіть чудові про­гнози безсилі, коли виникають рідкісні, але катастрофічні збіги обставин, відомі як «чорні лебеді». У таких ситуаціях йтиметься про шляхи зменшення ризиків, а не прогнозування.

Як точніше спрогнозувати кошторис

Коли MTR планувала швидкісну залізницю XRL, у неї був великий досвід планування і реалізації мегапро­єктів транспортної інфраструктури. Але вона не мала досвіду роботи зі швидкісною залізницею, яка надзвичайно складна і вибаглива. У результаті прогноз щодо графіка виконання та кошторису був явно занижений.

Щоб зробити надійний прогноз, вам потрібен погляд збоку. Сприймайте свій проєкт як один із класу подібних проєктів, що вже були реалізовані. Використовуйте середні дані з цього класу – про вартість, час, вигоди чи будь-­що інше, що ви хочете спрогно­зувати – як «якір». Потім, у разі потреби, скоригуйте дані у бік збільшення або зменшення, щоб відобразити, на скільки ваш конкретний проєкт відрізняється від середнього показника в класі. Ось і все. Простіше не буває.

Я назвав цей процес «прогнозуванням на основі референт­ного класу», reference-class forecasting (RCF). Нині його використовують у державному та приватному секторах Британії, Данії, США, Китаю, Австралії, Південної Африки, Ірландії, Швейцарії та Нідерландів. RCF точніший за звичайний прогноз на 30% і більше. Це в середньому. Збіль­шення точності на 50 % – типове явище. Покращення точності на понад 100% – не рідкість.

Що робить референтний клас правильним якорем? Реальний досвід. Одна людина зробила ремонт кухні, використову­ючи базові світильники та побутову техніку; ремонт обійшовся у $20 000 і зайняв два тижні. Інша людина обрала граніт­ні стільниці та багато неіржавної сталі, а потім виявила, що електропроводка в будинку не відповідає нормам; проєкт обі­йшовся в $40 000, на завершення робіт пішло два місяці. Зберіть багато таких цифр, і ви побачите, що в середньому ре­монт кухні коштує 30 000 доларів і займає чотири тижні. Це реальні результати, які базуються на досвіді, а не кошторисних припущеннях, тому вони не спотворені когнітивними упередженнями. 

Ще ви можете отримати відсоток перевитрат для кожного проєкту і вирахувати їхнє середнє значення. Відсотки легше запам’ятати і їх простіше порівню­вати, ніж загальні суми. Потім ви можете взяти кошторис, зроблений звичайним способом – шляхом вимі­рювання вашого конкретного проєкту, – і збільшити його на цей відсоток. Так ви об’єднаєте цінність внутрішнього погля­ду (деталі) з цінністю зовнішнього погляду (точність), і в цьо­му вся суть гри.

Де брати дані? Це поширена проблема. Старі проєктні дані рідко розгля­дають як цінний ресурс і тим більше збирають. А ті, хто бачить цінність у даних, часто зацікавлені не розкривати їх. Але ці фактори можна подолати. Уряди й корпорації можуть переглянути свої минулі проєкти та створити власні бази даних: я допоміг кільком із них це зробити. Так само можуть зробити і малий бізнес, і торгові асоціації.

Прогнозування референтного класу в будь-якому разі корисне; вам просто потрібно підійти до нього з приблизними розрахунками. Припустимо, ви знайшли дані про 15 проєктів. Підрахуйте загальну вартість кож­ного, додайте їх, розділіть на 15. Це ваш «якір». Пам’ятайте, що дані бодай одного завершеного проєкту цінні.

Помʼякшити «чорних лебедів»

Існує нормальний статистичний розподіл. Його графік за формою схожий на дзвін, де більшість значень наближаються до середнього, а екстремальних показників на «хвостах» украй мало. За такого розподілу можна ви­користовувати для прогнозування метод RCF. Це все одно дасть вам приблизно 50-­відсотковий ризик невеликої перевитрати ко­штів. Якщо ви хочете зменшити цей ризик ще більше, додай­те 10–15% непередбачених витрат (резерв), і все готово.

Але «нормальний» статистичний розподіл – не найпоширеніший. Існують розподіли, які називають «товстохвостими», тому що вони містять набагато більше крайніх значень у своїх «хвостах». Мій аналіз показав, що більшість типів мегапроєктів належать саме до «товстохвостих» розподілів. Для них середнє значення не репрезентативне, а тому не слугує хорошою оцінкою для прогнозів.

Якщо ви зіткнулися з товстохвостим розподілом, змініть прогнозування одного результату («Проєкт коштуватиме X») на прогнозування ризику («Проєкт на X відсотків може ко­штувати більше, ніж Y»), використовуючи весь діапазон роз­поділу.

Хвостові результати – «чорні лебеді» – охоплю­ють близько 20% таких розподілів. Це означає 20-­відсоткову ймовір­ність опинитися у ситуації, що становить занадто великий ризик для більшості організацій. Непередбачувані витрати можуть становити до 700% від середньої вартості проєктів. Їх прогнозування буде не складанням кошторису, а його роздуванням. Що можна з цим зробити? Пом’якшити ризики. Я називаю це «керуванням чорними лебедями».

Деякі ризики легко «відрізати». Наприклад, цунамі. Якщо ви побудуєте будинок у глибині острова або зведете до­сить високу захисну стіну, то усунете загрозу. Якщо будувати сейсмостійкі будинки, то можна уникнути й руйнування від землетрусів. Інші ризики вимагають комплексу заходів, наприклад, пандемія. Вичерпно спланувати і швидко реалізувати проєкт, звузивши часове вікно, в яке можуть увірватися «чорні лебе­ді», – це також ефективний засіб зменшити ризик. 

Як і з прогнозуванням на основі референтного класу, в керу­ванні «чорними лебедями» слід застосовувати підхід «погляд збоку». Якщо ви гадаєте, що ваш про­єкт так відрізняється від інших проєктів і вам нема чого в них навчитися, ви ігноруєте ризики, які можна було б визначити й пом’якшити.

Як ці підходи використали в проєкті MTR

Щоб вивести MTR з чорної смуги, ми повер­нулися до початку і зробили власний прогноз проєкту. Цього разу це був прогноз референтного класу. Ми не могли використову­вати великий референтний клас проєктів підземних високо­швидкісних залізниць, бо XRL був перший у світі. Замість цього ми використали світові дані для 189 проєктів високо­швидкісних залізниць, тунелів та міських залізниць, що, як показали статистичні тести, можна порівняти з XRL.

Це був RCF у його найскладнішій формі, яка можлива лише тоді, коли у вас є багата база даних. Прогноз показав, що на задум, який MTR намагалася втілити за чотири роки, потрібно було шість. Ми змогли статистично змоделювати невизначеності, ризики та ймовірні результати різних стратегій і підготувати правильний кошторис.

Щодо ризиків, ми з’ясували, що якщо зламалася бурова машина, то інженери замовляли деталі у виробника. Люди мусили чекати, поки їх доставлять. Це було нерозумно. Потрібен був широкий асортимент запчастин, щоб звести затримки до мінімуму. Ми також зауважили, що закупівлі часто супрово­джувалися затримками, бо працівники нижчого рівня в MTR зв’язувалися з працівниками нижчого рівня в постачальника. Ми порадили просувати такі рішення нагору, щоб гендиректор MTR зв’язувався з гендиректором поста­чальника. Такий спосіб дуже пришвидшив час реагування.

У листопаді 2015 року між MTR та урядом була досягнута домовленість. Чотири роки по тому, рано ­вранці 22 вересня 2018 року, дивовижна нова підземна залізнична станція Гонконгу із зе­леними насадженнями на стрімко вигнутому даху привітала перших мандрівників. Рівно о 7:00 ранку перший швидкісний потяг тихо заїхав у тунель і помчав до материкового Китаю. Проєкт завершено на три місяці раніше від запланованого терміну і в рамках бюджету, створеного завдяки використанню правильного «якоря».

Источник

No votes yet.
Please wait...

Залишити відповідь

Ваша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *