ทำไมหนังสือธุรกิจที่ศึกษาแต่บริษัทที่ประสบความสำเร็จถึงมักให้บทเรียนที่ผิด

Survivorship Bias คืออะไร และเรื่องจริงของ Abraham Wald

ระหว่างสงครามโลกครั้งที่สอง กองทัพเรือสหรัฐฯ ต้องการเสริมเกราะให้เครื่องบินทิ้งระเบิดเพื่อลดการสูญเสีย แนวคิดแรกคือสำรวจรอยกระสุนบนเครื่องบินที่ บินกลับมาได้ แล้วเสริมเกราะตรงจุดที่มีรอยกระสุนหนาแน่นที่สุด ฟังดูสมเหตุสมผลใช่ไหมครับ แต่ Abraham Wald นักคณิตศาสตร์ประจำ Statistical Research Group (SRG) ที่มหาวิทยาลัยโคลัมเบีย ซึ่งทำงานให้กองทัพในเรื่องนี้โดยเฉพาะ กลับเสนอตรงกันข้าม เขาชี้ว่าข้อมูลที่กองทัพมีทั้งหมดมาจากเครื่องบินที่ "รอดชีวิต" กลับมาได้เท่านั้น ส่วนเครื่องบินที่ถูกยิงตรงจุดสำคัญจริงๆ ไม่เคยบินกลับมาให้ใครสำรวจเลย ดังนั้นจุดที่ควรเสริมเกราะคือจุดที่เครื่องบินที่กลับมาไม่ค่อยมีรอยกระสุน เพราะนั่นคือสัญญาณว่าเครื่องบินที่โดนยิงตรงจุดนั้นไม่รอดกลับมาต่างหาก

เรื่องนี้เป็นกรณีที่มีการบันทึกทางประวัติศาสตร์จริง — SRG ออกบันทึกทางเทคนิค (memoranda) หลายฉบับว่าด้วยวิธีวิเคราะห์ความเปราะบางของเครื่องบินจากข้อมูลความเสียหาย และวิธีการของ Wald ถูกนำไปใช้จริงต่อเนื่องถึงสงครามเกาหลีและเวียดนาม แต่ควรบอกตรงๆ ว่าเวอร์ชันที่แพร่หลายในโซเชียลมีเดียทุกวันนี้ — โดยเฉพาะภาพเครื่องบินจุดแดงเต็มลำตัวที่หลายคนคิดว่าเป็นแผนภาพต้นฉบับของ Wald — เป็นภาพประกอบที่ถูกสร้างขึ้นภายหลังราวปี 2005 เพื่อใช้ประกอบการบรรยาย ไม่ใช่เอกสารจริงของ Wald เพราะไม่มีหลักฐานว่า Wald เคยวาดแผนภาพแบบนั้นเลย หลักฐานทางประวัติศาสตร์จริงมีเพียงบันทึกทางเทคนิคของเขากับการกล่าวถึงสั้นๆ ในบันทึกความทรงจำของเพื่อนร่วมงานเท่านั้น ส่วนบทสนทนาดราม่าระหว่าง Wald กับนายทหารที่มักถูกเล่าต่อกันมา ก็เป็นการแต่งเติมให้เรื่องน่าติดตามมากกว่าข้อเท็จจริงที่พิสูจน์ได้ — หลักการสำคัญของเรื่องนี้ยังคงถูกต้องและมีค่ามาก เพียงแต่รายละเอียดปลีกย่อยที่เล่าต่อกันมาไม่ควรเชื่อทั้งหมดตามตัวอักษร

Halo Effect: เมื่อหนังสือธุรกิจขายดีถูกตรวจสอบข้อมูลจริง

Phil Rosenzweig ศาสตราจารย์ด้านบริหารธุรกิจ ตีพิมพ์งานวิเคราะห์ชื่อ "Misunderstanding the Nature of Company Performance: The Halo Effect and Other Business Delusions" ในวารสาร California Management Review ปี 2007 โดยตรวจสอบข้อมูลเบื้องหลังหนังสือธุรกิจขายดีหลายเล่ม เขาชี้ว่าหนังสืออย่าง *In Search of Excellence* (1982) ที่คัดเลือกบริษัท "ยอดเยี่ยม" 43 แห่งมาสรุปเป็น 8 หลักปฏิบัติ ใช้ข้อมูลจากบทความข่าวและการสัมภาษณ์ย้อนหลัง ซึ่งล้วนถูกปนเปื้อนด้วย halo effect — อคติที่ทำให้คนมองว่าบริษัทที่กำไรดีต้อง "มีผู้นำที่วิสัยทัศน์ล้ำเลิศ" "วัฒนธรรมองค์กรที่แข็งแกร่ง" หรือ "ใกล้ชิดลูกค้า" ทั้งที่จริงๆ แล้วคำบรรยายเหล่านี้เป็นผลจากการเห็นตัวเลขกำไรที่ดีต่างหาก ไม่ใช่สาเหตุของกำไรนั้น

สิ่งที่ Rosenzweig พบเมื่อย้อนดูผลประกอบการจริงคือ ในช่วง 5 ปีหลังจากหนังสือตีพิมพ์ มีเพียง 1 ใน 3 ของบริษัท "ยอดเยี่ยม" 43 แห่งเท่านั้นที่ผลตอบแทนหุ้นโตเร็วกว่าตลาดโดยรวม และถ้าดูด้านความสามารถทำกำไร จากบริษัทที่มีข้อมูลครบ 35 แห่ง มีเพียง 5 แห่งที่ทำกำไรดีขึ้น ส่วนอีก 30 แห่งกำไรลดลง หนังสือ *Built to Last* (1994) ที่พยายามแก้ปัญหานี้ด้วยการเพิ่ม "บริษัทเปรียบเทียบ" ในอุตสาหกรรมเดียวกันเข้ามาด้วย ก็ยังเจอปัญหาเดิม เพราะข้อมูลของทั้งสองกลุ่มยังคงมาจากบทความข่าวและการสัมภาษณ์ย้อนหลังที่ปนเปื้อน halo effect เหมือนเดิม และเมื่อดูผลลัพธ์ 5 ปีหลังจบการศึกษา บริษัท "วิสัยทัศน์เลิศ" กว่าครึ่งก็ทำผลตอบแทนหุ้นแพ้ตลาดโดยรวมเช่นกัน จุดที่น่าสนใจที่สุดคือ Rosenzweig ไม่ได้บอกว่าบริษัทเหล่านี้ไม่ดี แต่บอกว่า "วิธีที่ใช้สรุปว่าอะไรทำให้พวกเขาดี" มีปัญหาตั้งแต่ต้น

ทำไมศึกษาแต่ผู้ชนะถึงเป็นวิธีที่ผิดหลักสถิติ

ปมปัญหาที่แท้จริงตามที่ Rosenzweig อธิบายไว้ในงานวิจัยของเขาคือการ "เลือกกลุ่มตัวอย่างโดยอิงจากผลลัพธ์" (selecting on the dependent variable) — พูดง่ายๆ คือเลือกศึกษาเฉพาะบริษัทที่รู้อยู่แล้วว่าสำเร็จ แล้วย้อนไปหาว่าพวกเขามีอะไรที่เหมือนกันบ้าง ปัญหาคือถ้าคุณดูแต่กลุ่มที่สำเร็จอย่างเดียว คุณไม่มีทางรู้เลยว่าสิ่งที่พวกเขา "มีเหมือนกัน" นั้นเป็นสาเหตุของความสำเร็จจริงหรือเป็นแค่เรื่องบังเอิญ เพราะบริษัทที่ล้มเหลวจำนวนมากอาจมีคุณสมบัติเดียวกันทุกอย่างก็ได้ เพียงแต่ไม่มีใครไปศึกษาบริษัทที่ล้มเหลวเหล่านั้น — นี่คือหลักการเดียวกันเป๊ะกับกรณีของ Wald ที่กองทัพเรือดูแต่เครื่องบินที่รอดกลับมา โดยไม่มีข้อมูลจากเครื่องบินที่ถูกยิงตกไปแล้ว

ที่น่าสนใจคือแม้แต่ *Good to Great* (2001) ที่ Jim Collins คัดกรองมาจากบริษัทใน Fortune 500 กว่า 1,400 แห่ง จนเหลือ 11 แห่งที่เข้าเกณฑ์ "ก้าวกระโดดจากดีสู่ยอดเยี่ยม" แล้วจับคู่กับ "บริษัทเปรียบเทียบ" ในอุตสาหกรรมเดียวกันเพื่อพยายามแก้ปัญหานี้โดยเฉพาะ ก็ยังไม่รอดพ้นปัญหาเดิม เพราะแม้จะมีกลุ่มเปรียบเทียบแล้ว แต่ข้อมูลที่ใช้บรรยายทั้งสองกลุ่มยังคงมาจากบทความสื่อและการสัมภาษณ์ย้อนหลังที่ถูกบิดเบือนด้วย halo effect อยู่ดี พูดอีกแบบคือ การมีกลุ่มเปรียบเทียบเป็นก้าวที่ถูกทิศทาง แต่ถ้าเครื่องมือเก็บข้อมูลยังปนเปื้อนอคติอยู่ ต่อให้มีกลุ่มเปรียบเทียบกี่กลุ่มก็ยังไม่พอ — ต้องแก้ทั้งสองปัญหาไปพร้อมกัน ทั้งการมีกลุ่มเปรียบเทียบที่เริ่มต้นในสภาพใกล้เคียงกัน และการเก็บข้อมูลด้วยตัวชี้วัดที่เป็นภาวะวิสัย ไม่ใช่คำบรรยายที่มาจากความประทับใจภายหลังรู้ผลลัพธ์แล้ว

จะอ่านคำแนะนำธุรกิจอย่างมีวิจารณญาณได้อย่างไร

จากทั้งสองกรณีนี้ บทเรียนที่สำคัญที่สุดไม่ใช่ "อย่าอ่านกรณีศึกษาธุรกิจ" เพราะกรณีศึกษายังมีประโยชน์ในการสร้างสมมติฐานและแรงบันดาลใจ แต่คือการเปลี่ยนวิธีอ่าน — แทนที่จะถามว่า "บริษัทที่สำเร็จเหล่านี้ทำอะไรเหมือนกันบ้าง" ให้ถามต่อว่า "มีบริษัทที่ทำแบบเดียวกันทุกอย่างแต่กลับล้มเหลวไหม" ถ้าคำตอบคือมี นั่นแปลว่าสิ่งที่หนังสือยกมาอาจไม่ใช่สาเหตุที่แท้จริงของความสำเร็จ

อีกจุดที่ควรสังเกตคือแหล่งที่มาของข้อมูล — ถ้าคำบรรยายเกี่ยวกับบริษัท (เช่น "วัฒนธรรมองค์กรเข้มแข็ง" หรือ "ผู้นำมีวิสัยทัศน์") มาจากบทความข่าวหรือการสัมภาษณ์ที่ทำหลังจากรู้ผลประกอบการแล้ว ควรตั้งข้อสงสัยไว้ก่อนว่าอาจเป็น halo effect มากกว่าความจริง ในทางกลับกัน ตัวเลขที่เป็นภาวะวิสัยและเก็บได้อย่างเป็นระบบไม่ว่าบริษัทจะสำเร็จหรือล้มเหลว เช่น อัตราการลาออกของพนักงาน โครงสร้างการถือหุ้น หรือรอบเวลาในการส่งมอบสินค้า มักน่าเชื่อถือกว่าคำบรรยายเชิงคุณภาพที่มาจากความประทับใจ

กรอบหา–เช็ก–แยก–ทด

เพื่อให้เอาบทเรียนจากทั้งสองกรณีมาใช้เป็นขั้นตอนตอนอ่านกรณีศึกษาธุรกิจได้ง่ายขึ้น เราสังเคราะห์เป็นกรอบ หา–เช็ก–แยก–ทด กรอบนี้เป็นเครื่องมือประยุกต์ของบทความ ไม่ใช่ระเบียบวิธีวิจัยที่ผ่านการตรวจสอบแยกต่างหาก

1. หา — หาว่ามีใครทำแบบเดียวกันแล้วล้มเหลวบ้างไหม

ถ้าไม่มีข้อมูลฝั่งที่ล้มเหลวเลย ควรมองคำแนะนำนั้นเป็นสมมติฐาน ไม่ใช่ข้อพิสูจน์

2. เช็ก — เช็กว่าข้อมูลถูกเก็บก่อนหรือหลังรู้ผลลัพธ์

คำบรรยายที่มาจากการสัมภาษณ์ย้อนหลังหรือบทความข่าวหลังบริษัทดังแล้ว มีความเสี่ยงสูงที่จะเป็น halo effect มากกว่าการเก็บข้อมูลแบบภาวะวิสัยตั้งแต่ต้น

3. แยก — แยกตัวชี้วัดที่วัดผลได้จริงออกจากคำบรรยายเชิงประทับใจ

ยอดขาย อัตราการลาออก ส่วนแบ่งตลาด เป็นข้อมูลที่น่าเชื่อถือกว่าคำว่า "วัฒนธรรมเข้มแข็ง" หรือ "ผู้นำมีวิสัยทัศน์" ซึ่งมักถูกตัดสินจากผลประกอบการอยู่แล้ว

4. ทด — ทดลองใช้ในสเกลเล็กก่อนเชื่อและลงทุนหนัก

ใช้คำแนะนำจากกรณีศึกษาเป็นจุดตั้งต้นในการทดลอง ทดสอบในบริบทของตัวเองในสเกลเล็กก่อน แล้วดูผลลัพธ์จริงก่อนเชื่อทั้งหมด

ลำดับนี้ใช้ได้ทุกครั้งที่เจอกรณีศึกษาบริษัทหรือบุคคลที่สำเร็จ ยิ่งผ่านครบทั้งสี่ขั้น ยิ่งมั่นใจได้ว่ากำลังเรียนรู้จากหลักฐาน ไม่ใช่แค่เรื่องเล่าที่ฟังดูดี

กรณีจำลอง: ร้านกาแฟที่พยายามลอกสูตรสำเร็จของผู้ก่อตั้งสตาร์ทอัพดัง

สมมติว่า "โอ๊ต" เจ้าของร้านกาแฟเล็กๆ อ่านหนังสือเล่าเรื่องผู้ก่อตั้งสตาร์ทอัพที่ประสบความสำเร็จคนหนึ่ง ซึ่งเล่าว่าเขาตื่นตี 5 ทุกวันและทำงาน 14 ชั่วโมงต่อวันมาตลอด 3 ปีแรก โอ๊ตเชื่อว่านี่คือ "สูตรลับ" จึงเริ่มบังคับตัวเองตื่นตี 5 และทำงานหนักแบบเดียวกัน ทั้งที่ร้านเริ่มมีปัญหาเรื่องสุขภาพและความสัมพันธ์ในครอบครัวตามมา

โอ๊ตลองใช้กรอบหา–เช็ก–แยก–ทดทบทวนใหม่ ขั้น หา เขาลองถามเพื่อนที่ทำธุรกิจแล้วพบว่ามีคนที่ตื่นตี 5 ทำงานหนักแบบเดียวกันแต่ธุรกิจไปไม่รอดอยู่หลายคน แปลว่าตารางเวลาเพียงอย่างเดียวไม่ใช่สาเหตุของความสำเร็จ ขั้น เช็ก เขาสังเกตว่าเรื่องราวในหนังสือถูกเขียนขึ้นหลังจากสตาร์ทอัพนั้นสำเร็จไปแล้ว ซึ่งอาจทำให้พฤติกรรมทุกอย่างของผู้ก่อตั้งถูกเล่าให้ดูเป็นเหตุผลของความสำเร็จไปหมด ขั้น แยก เขาแยกแยะว่าตัวเลขที่วัดได้จริงของธุรกิจตัวเอง เช่น ต้นทุนวัตถุดิบ อัตราลูกค้าประจำ สำคัญกว่าการเลียนแบบพฤติกรรมส่วนตัวของคนอื่น ขั้น ทด เขาเลิกบังคับตัวเองตื่นตี 5 แล้วหันมาทดลองปรับเวลาเปิดร้านและเมนูทีละอย่าง วัดผลจากยอดขายจริงแทน

ผ่านไปสองเดือน โอ๊ตพบว่าการปรับเมนูตามข้อมูลลูกค้าจริงส่งผลต่อยอดขายมากกว่าการนอนน้อยและตื่นเช้ากว่าที่เคย กรณีนี้เป็น สถานการณ์จำลองเพื่อสาธิตวิธีคิด ไม่ใช่ธุรกิจจริงหรือผลลัพธ์ที่วัดได้จากการทดลอง

ลองเอาไปปรับใช้ดู

1. เมื่อเจอกรณีศึกษาบริษัท/บุคคลที่สำเร็จ ลองถามตัวเองทันทีว่า "มีใครทำแบบเดียวกันแต่ล้มเหลวบ้างไหม" ถ้าไม่มีข้อมูลฝั่งที่ล้มเหลวเลย น่าจะมองคำแนะนำนั้นเป็นสมมติฐาน ไม่ใช่ข้อพิสูจน์ จะปลอดภัยกว่า 2. ตรวจสอบว่าข้อมูลถูกเก็บก่อนหรือหลังรู้ผลลัพธ์ คำบรรยายที่มาจากการสัมภาษณ์ย้อนหลังหรือบทความข่าวหลังบริษัทดังแล้ว มีความเสี่ยงสูงที่จะเป็น halo effect มากกว่าการเก็บข้อมูลแบบภาวะวิสัยตั้งแต่ต้น 3. แยกตัวชี้วัดที่วัดผลได้เป็นภาวะวิสัยออกจากคำบรรยายเชิงประทับใจ เช่น ยอดขาย อัตราการลาออก ส่วนแบ่งตลาด เป็นข้อมูลที่น่าเชื่อถือกว่าคำว่า "วัฒนธรรมเข้มแข็ง" หรือ "ผู้นำมีวิสัยทัศน์" ซึ่งมักถูกตัดสินจากผลประกอบการอยู่แล้ว 4. ลองมองหากลุ่มเปรียบเทียบที่เริ่มต้นในสภาพใกล้เคียงกันดู ก่อนสรุปว่าปัจจัยใดปัจจัยหนึ่งคือสาเหตุของความสำเร็จ ถ้าไม่มีใครทำแบบนั้นให้ดู ก็น่าจะระลึกไว้ว่าข้อสรุปยังเป็นเพียงเรื่องเล่าที่ฟังดูดี ไม่ใช่คำอธิบายเชิงเหตุผล 5. ใช้คำแนะนำจากกรณีศึกษาเป็นจุดตั้งต้นในการทดลอง ไม่ใช่สูตรสำเร็จที่ต้องทำตามทั้งหมด ทดสอบในบริบทของตัวเองในสเกลเล็กก่อน แล้วดูว่าผลลัพธ์เป็นอย่างไรจริงๆ ก่อนเชื่อและลงทุนหนัก