Mi a problémád?

 

Miért érdemes a megoldás keresése előtt megvizsgálni, hogy valóban a megfelelő problémát próbáljuk-e megoldani?

Egy harmincfős gyártó KKV hétfő reggeli vezetői meetingjén az értékesítési vezető kitesz egy számot a képernyőre: az elmúlt három hónapban 18 százalékkal csökkent az új ajánlatkérések száma. A helyzet mindenki számára elég egyértelműnek látszik, ezért gyorsan megindul a megoldáskeresés. A marketing szerint több kampány kellene, az értékesítési vezető az árakat vizsgálná felül, az ügyvezető szerint aktívabb salesre van szükség. Felmerül egy új weboldal, a LinkedIn intenzívebb használata, majd természetesen az AI-alapú leadgenerálás is, mert manapság egy vezetői meeting lassan hiányosnak tűnik, ha az első húsz percben legalább egyszer nem hangzik el az AI szó.

A meeting produktívna tűnik. Tíz perc alatt hét megoldás került a táblára. Csak azt nem vizsgálta meg senki, hogy pontosan mi a probléma.

A 18 százalékos visszaesés ugyanis nem feltétlenül probléma, hanem egy megfigyelés. Lehet, hogy kevesebb potenciális ügyfél találja meg a céget, de az is lehet, hogy ugyanannyian érkeznek, csak megváltozott az összetételük. Talán az ajánlatot nem értik, vagy értik ugyan, de túl kockázatosnak érzik az első vásárlást. Az sem kizárt, hogy nem az új ügyfelek száma jelenti a vállalat valódi növekedési korlátját.

Rengeteget beszélünk arról, hogyan hozzunk jobb döntéseket adatok, kutatások, szakértői tapasztalat és az érintettektől származó bizonyítékok alapján. 

Mindezt azonban megelőzi egy fontosabb felmérés: mire keresünk bizonyítékot?

Ha rosszul definiáltuk a problémát, a több adat nem feltétlenül ment meg bennünket. Rossz kérdésre is lehet rendkívül precíz választ adni.

Az utóbbi években a legfontosabb problémának ez tűnt számomra, mindenhol szembejött és időt, teret követelt magának. 

Itt van, ez a probléma, és ezek a lehetséges megoldások erre. Nagyon nehéz ebbe a “mindenre van már válaszom” szituációba bedobni azt, hogy álljunk meg, vegyünk egy mély levegőt és gondoljuk át, hogy ténylegesen mi a probléma?

A lift, amelyet nem kellett megjavítani

A probléma újrakeretezésének klasszikus példája egy irodaház lassú liftje. A bérlők rendszeresen panaszkodnak a hosszú várakozásra, ezért a probléma első látásra egyértelmű: a lift túl lassú.

Ha így fogalmazzuk meg, már ki is jelöltük a lehetséges megoldások terét. Erősebb motor, új vezérlés, jobb algoritmus vagy egy második lift jöhet szóba. Ezek teljesen racionális válaszok arra a kérdésre, hogyan lehet gyorsabbá tenni egy liftet.

A gondolkodás akkor változik meg, amikor valaki nem azt kérdezi, hogyan gyorsíthatnánk fel a liftet, hanem azt, hogy miért jelent problémát az emberek számára a várakozás. Ha nem maga az eltelt idő a legfontosabb, hanem az, hogy a várakozás unalmasnak és hosszúnak érződik, akkor egészen más megoldások jelennek meg. Innen származik a híres ötlet: tegyünk tükröt a lift mellé. Az emberek elfoglalják magukat, és ugyanazt a várakozási időt kevésbé érzik kellemetlennek.

A lift ettől természetesen egyetlen másodperccel sem lesz gyorsabb. Ha az emberek azért panaszkodnak, mert rendszeresen elkésnek a harmadik emeleti meetingről, akkor a tükör legfeljebb abban segít, hogy rendezettebb frizurával érkezzenek késve. A történet értéke nem maga a tükör, hanem az a gondolkodási művelet, amely megelőzte.

Ezt a módszert akkor érdemes használni, amikor a probléma megfogalmazása már eleve tartalmazza a megoldás irányát. A „hogyan gyorsítsuk fel”, „hogyan csökkentsük”, „hogyan növeljük” típusú kérdéseknél érdemes egy pillanatra megállni, és azt kérdezni: miért akarjuk ezt egyáltalán megváltoztatni, és kinek milyen problémáját oldaná meg a változás?

Egy KKV esetében például a „túl hosszú a szállítási időnk” könnyen elindít egy költséges logisztikai projektet. Ha azonban az ügyfél valódi problémája nem a hét napos szállítás, hanem az, hogy nem tudja, hétfőn vagy pénteken érkezik-e az áru, akkor lehet, hogy nem a szállítást kell gyorsítani, hanem a kiszámíthatóságot javítani. Ugyanaz a tünet, teljesen más probléma, nagyságrendileg eltérő megoldási költséggel.

Amikor egyetlen kérdés szétver egy kényelmes magyarázatot

Az állatmenhelyeken régóta komoly problémát jelentenek azok az esetek, amikor a gazdák saját maguk adják le a kutyájukat. Könnyű ehhez egy kézenfekvő történetet kapcsolni: felelőtlen emberek vállaltak állatot, majd amikor kényelmetlenné vált a helyzet, megszabadultak tőle. Ha elfogadjuk ezt a problémakeretet, logikus válasz lehet az örökbefogadók szigorúbb ellenőrzése.

Lori Weise, a Los Angeles-i Downtown Dog Rescue vezetője azonban személyesen is találkozott ezekkel a gazdákkal, és a tapasztalata nem illett bele ebbe a történetbe. Sok ember láthatóan ragaszkodott a kutyájához. Ezért egy menhelyen egy rendkívül egyszerű vizsgálatba kezdtek: amikor valaki leadni készült az állatát, megkérdezték tőle, hogy ha lenne rá lehetősége, inkább megtartaná-e.

A válaszadók körülbelül 75 százaléka igent mondott. Sokan azért kerültek lehetetlen helyzetbe, mert nem tudtak kifizetni egy állatorvosi számlát, elvesztették a lakásukat, vagy az új főbérlő olyan állattartási kauciót követelt, amelyre nem volt pénzük.

Ezzel alapvetően megváltozott a probléma. A „hogyan adjunk örökbe több menhelyi kutyát?” mellett megjelent egy egészen más kérdés: hogyan segítsünk a jelenlegi gazdának annyit, hogy a kutyának ne is kelljen bekerülnie a menhelyi rendszerbe?

Ugyanezt érdemes vezetőként is gyakorolni. Ha egy meetingen elhangzik, hogy „az ügyfelek túl drágának tartanak bennünket”, próbáljuk meg a mondatot így átírni: „Az egyik hipotézisünk az, hogy az ügyfelek túl drágának tartanak bennünket.” A változtatás aprónak látszik, mégis másfajta gondolkodást indít el. Ha ez tény, akkor az árhoz kell nyúlni. Ha hipotézis, akkor bizonyítékot kell keresni.

Mit kellene látnunk az elveszített ajánlatokban, ha valóban az ár okozza a problémát? Mit mondanak azok, akik nem vásároltak? Ugyanaz történik minden ügyfélszegmensben? Vannak nálunk drágább versenytársak, akik mégis sikeresebbek? Ezzel a probléma megfogalmazásból tesztelhető munkahipotézis lesz.

A Disney parkolója és az adat, amely végig ott volt

Egy hatalmas Disney-parkolóban naponta több mint tízezer család hagyta az autóját. A parkoló területeket megjelölték, ennek ellenére hetente körülbelül négyszáz családnak kellett segítség, mert a nap végére egyszerűen nem emlékeztek arra, hol áll az autójuk.

Ma erre valószínűleg gyorsan születne egy technológiai projekt. Mobilalkalmazás, GPS, rendszámfelismerés, szenzorok vagy valamilyen intelligens parkolórendszer mind kézenfekvő lehetőség. A parkoló dolgozói azonban észrevették, hogy miközben az emberek a parkolóhelyre nem emlékeznek, arra többnyire igen, hogy körülbelül mikor érkeztek.

A személyzet ezért azt kezdte rögzíteni, hogy az egyes parkoló sorok mikor teltek meg. Amikor egy család délután tanácstalanul kereste az autóját, az érkezési időből már meglehetősen jól meg lehetett becsülni, melyik területen kell keresni.

Ez a történet egy másik reframing-módszert mutat: nézzünk a jelenlegi problémakeret határain kívülre. Amikor egy problémát felrajzolunk, érdemes nemcsak azt vizsgálni, mi szerepel a modellünkben, hanem azt is, mi maradt ki belőle.

Ha egy gyártási problémát kizárólag a gép paramétereivel írunk le, lehet, hogy kimarad az operátor, a karbantartás, az alapanyag vagy akár a műszak időpontja. Ha az értékesítési problémát csak a sales funnelben keressük, kimaradhatnak azok az ügyfelek, akik el sem jutottak a funnelig. 

Ha egy termék reklamációit kizárólag műszaki hibaként kezeljük, könnyen figyelmen kívül hagyhatjuk a használati környezetet.

Néha érdemes ott keresni a problémát, ahol nincs

Tünde és férje, Béla azt tapasztalták, hogy bizonyos komoly beszélgetéseik rendszeresen veszekedésbe torkollnak. Egy ilyen helyzetet könnyű kommunikációs vagy kapcsolati problémaként értelmezni, és ha elég sok pszichológiai könyv van a polcunkon, valószínűleg néhány ennél sokkal izgalmasabb magyarázatot is találunk.

Ők azonban észrevettek egy egyszerű mintázatot: a nehéz beszélgetések különösen késő este koncentrálódtak. Ugyanazokról a kérdésekről másnap reggel sokkal könnyebben tudtak beszélni. Így alakult ki náluk egy egyszerű szabály, amely szerint este tíz után nem kezdenek komoly konfliktusos témába.

Ennek szervezeti megfelelője is létezik. Egy innovációs csapat például rendszeresen késő délutánra időzítette azokat a meetingeket, amelyeken arról kellett dönteniük, mely projekteket állítsák le. A megbeszélések feszültek és kimerítőek voltak, miközben maga az időzítés biztosította, hogy a résztvevők akkor hozzák meg a pszichológiailag legnehezebb döntéseket, amikor mentális energiájuk már a legalacsonyabb.

Itt a használható módszer a pozitív kivételek, vagy bright spotok keresése. Ha valami rendszeresen rosszul működik, a természetes reakciónk az, hogy a hibás eseteket vizsgáljuk. Érdemes azonban ugyanilyen tudatosan megkeresni azokat az eseteket, amikor a probléma nem jelentkezik.

Egy magas selejt aránnyal küzdő gyártó cégnél ezért nemcsak azt érdemes megvizsgálni, mikor keletkezik selejt, hanem azt is, hogy melyik műszakban, gépen, operátornál vagy terméknél feltűnően alacsony. Ha magas a fluktuáció, érdekes lehet az a vezető, akitől nem mennek el az emberek. Ha az új digitális rendszert szinte senki nem használja, érdemes megkeresni azt a néhány embert, aki mégis beépítette a napi munkájába.

A pozitív kivétel tulajdonképpen egy szervezeten belül kialakult természetes kísérlet. Hasonló körülmények között valami más eredmény születik, ezért van mit összehasonlítani. KKV-knál ez különösen értékes, mert előfordulhat, hogy a megoldáshoz szükséges tudás már bent van a szervezetben. Nem feltétlenül új módszert kell behozni; néha először azt kellene megkérdezni, mit csinál másképp Pista a délutános műszakban.

Amikor mindenki szereti az ötletet, de senki nem akar fizetni érte

A „létezik-e ez a probléma?” kérdés önmagában kevés. Azt is meg kell érteni, hogy kinek, milyen gyakran, milyen következményekkel és mennyire sürgősen jelentkezik.

Ezért a probléma validálásakor érdemes fokozatosan eltávolodni a véleményektől, és közelíteni a megfigyelhető viselkedéshez. 

A „Tetszik ez az ötlet?” típusú kérdések helyett erősebb bizonyítékot ad, ha az ügyfélnek valamilyen valódi elköteleződést kell vállalnia: kipróbálni a megoldást, időpontot foglalni, adatot átadni, kollégát bevonni vagy akár fizetni érte. Minél közelebb kerülünk a valódi döntési helyzethez, annál kevésbé mérjük az ügyfél udvariasságát, és annál inkább a probléma tényleges fontosságát.

Ugyanaz a megoldás, de kinek a problémáját oldja meg?

A Pfizer egyik belső kezdeményezésének célja az volt, hogy a magasan képzett és drága szakembereknek ne kelljen jelentős időt alacsony értékű adminisztratív feladatokra fordítaniuk. A kezdeményezés fejlesztése során azonban hamar kiderült, hogy ugyanazt a helyzetet egészen másként látja az a munkatárs, aki napi szinten küzd az adminisztrációval, és a felsővezető, aki szervezeti szinten próbálja értelmezni a problémát.

A dolgozó számára a kérdés nagyon konkrét lehetett: hogyan készítsem el ezt a rengeteg dokumentumot a rendelkezésemre álló idő alatt? A felsővezetés számára viszont sokkal érdekesebb probléma volt, hogy miért töltenek a vállalat legértékesebb szakemberei ennyi munkaórát olyan tevékenységekkel, amelyekhez nincs szükség a speciális tudásukra. 

Ez a perspektívaváltás módszerének gyakorlati jelentősége. Egy probléma ritkán csak egyetlen szereplő számára létezik, és az érintettek nem feltétlenül ugyanúgy fogalmazzák meg. Ezért amikor egy projekt elakad, érdemes szó szerint újrafogalmaztatni a problémát különböző szereplőkkel.

Nem azt kell megkérdezni tőlük, hogy szerintük jó-e a mi probléma megfogalmazásunk. Inkább azt: „Ha ezt a helyzetet egyetlen problémaként kellene megfogalmaznod a saját szemszögedből, mi lenne az?”

Egy gyártási fejlesztésnél erre egészen más választ adhat az ügyvezető, az operátor, a karbantartó, a minőségügy és az ügyfél. Az eltérések nem zajt jelentenek, amelyet ki kell átlagolni. Éppen ezekből derülhet ki, hogy melyik problémakeret maradt eddig láthatatlan.

Az AI-val még gyorsabban oldhatjuk meg a rossz problémát

A generatív AI különösen érdekessé teszi ezt az egész kérdést. Ha azt írjuk egy modellnek, hogy „csökken az értékesítésünk, adj tíz módszert az értékesítés növelésére”, néhány másodperc alatt kapunk egy jól strukturált listát marketing  automatizálásról, lead generálásról, CRM-ről, tartalom marketingről, árazásról és új értékesítési csatornákról.

A válasz akár kiváló is lehet. A gond az, hogy az AI elfogadta azt a problémakeretet, amelyet átadtunk neki. Ha a kiinduló probléma hibás, akkor a generatív AI nem feltétlenül kijavítja a hibánkat, hanem elképesztő sebességgel képes professzionális megoldásokat gyártani hozzá.

Éppen ezért a problémafeltárás során érdemes megfordítani az AI használatának megszokott sorrendjét. Ahelyett, hogy először megoldásokat kérnénk, kérjük arra, hogy állítson elő egymástól valóban eltérő problémakereteket. Ezután minden keretnél érdemes azonosítani a mögötte lévő feltételezést, végül pedig azt megvizsgálni, milyen adat, megfigyelés vagy kis kísérlet segítségével lehetne megkülönböztetni egymástól ezeket a magyarázatokat.

Ebben a szerepben az AI nem arra szolgál, hogy helyettünk válassza ki a „helyes” problémát. Sokkal érdekesebb feladatot kap: segítsen olyan alternatívákat létrehozni, amelyekre a saját tapasztalataink és beidegződéseink miatt esetleg nem gondoltunk.

Hogyan használnám ezt egy valódi vezetői meetingen?

Ehhez nincs feltétlenül szükség hosszú workshopra. Gyakorlattal már egy 5–15 perces reframing-kör is képes új irányokat megmutatni; a hasonló „question burst” gyakorlatokban is rövid probléma ismertetést követ néhány perc, amikor a résztvevők megoldások helyett kizárólag kérdéseket generálnak.

Én egy valódi problémát egy mondattal írnék a tábla tetejére: „Jelenleg azt gondoljuk, hogy a problémánk…” 

Már ez a megfogalmazás is fontos, mert nem engedi, hogy a problémát bizonyított tényként kezeljük.

Ezután rövid időre megtiltanám a megoldásokat, és több irányból vizsgálnám meg a keretet. Megnézném, mi maradt ki a jelenlegi magyarázatból, valóban azt a célt próbáljuk-e optimalizálni, amely fontos, vannak-e pozitív kivételek, mi magunk hogyan járulunk hozzá a helyzet kialakulásához, és hogyan írná le ugyanezt a problémát egy másik érintett.

Nem kell húsz alternatív problémát előállítani. Két-három valóban eltérő magyarázat sokkal értékesebb, mint húsz nyelvileg különböző változata ugyanannak.

Ezek után minden fontosabb problémakeret mellé oda kell tenni azt a kérdést, hogy milyen bizonyíték alapján tudnánk eldönteni, hogy érdemes-e ezt a magyarázatot komolyan vennünk. Ha lehet, olyan tesztet választunk, amely gyors, olcsó és képes kellemetlen választ is adni.

Ez utóbbi fontos. Ha egy tesztet úgy tervezünk meg, hogy csak megerősítheti az elképzelésünket, akkor valójában nem tesztet készítettünk, hanem egy kissé drága önigazolási gyakorlatot.

Mi a problémád?

A reframing nem arról szól, hogy minden problémáról bebizonyítsuk: valójában valami egészen más. Az első probléma megfogalmazás sokszor teljesen megfelelő lehet. A módszer értéke abban áll, hogy ezt nem feltételezzük automatikusan.

A lift történetében a célt gondoltuk újra. Lori Weise esetében egy iparági feltételezést tettünk próbára. A Disney parkolójában a meglévő kereten kívül találtunk releváns információt. Béláék történetében a pozitív kivétel mutatott rá egy addig figyelmen kívül hagyott körülményre. A Pfizer példája arra figyelmeztet, hogy ugyanazt a helyzetet különböző érintettek teljesen más problémaként élhetik meg. 

Ezek mögött ugyanaz a gondolkodási fegyelem húzódik meg. A problémát ne végleges állításként, hanem vizsgálható munkahipotézisként kezeljük. Hozzunk létre néhány valóban eltérő értelmezést, majd adat, megfigyelés és kis kísérletek segítségével próbáljuk eldönteni, melyik érdemel további figyelmet.

Biztos, hogy azt a problémát vizsgáljuk, amelyet érdemes megoldani?

Ha erre nem vagyunk biztosak a válaszban, akkor még nem feltétlenül újabb megoldásra van szükségünk. Először érdemes egy kicsit jobban megérteni, hogy mi is a problémánk.