ووکا (VUCA) چیست؟ استراتژی‌های بقا و رهبری در دنیای پرآشوب امروز

یکی از پارادوکس‌های عجیب عصر ما این است که با وجود دسترسی به اقیانوسی از داده‌ها (Big Data)، احساس عدم قطعیت در مدیران بیشتر شده است. مشکل اصلی اینجاست که داده‌ها ذاتاً مربوط به «گذشته» هستند، در حالی که تصمیمات ما مربوط به «آینده» است. در شرایط عدم قطعیت، حجم بالای اطلاعات لزوماً به شفافیت منجر نمی‌شود، بلکه می‌تواند باعث «کوری اطلاعاتی» شود. الگوریتم‌های هوشمند که با داده‌های گذشته آموزش دیده‌اند، در مواجهه با یک رویداد بی‌سابقه (مانند جنگ اوکراین یا کووید-۱۹) سیگنال‌های اشتباه ارسال می‌کنند، زیرا فرض بنیادی آن‌ها (تکرار الگوها) نقض شده است. در اینجا ما با مشکل «سیگنال در برابر نویز» مواجهیم؛ حجم زیاد داده‌های بی‌ربط، تشخیص سیگنال‌های ضعیف اما حیاتی تغییر را دشوار می‌کند.

علاوه بر این، در دنیای ووکا، منابع اطلاعاتی معتبر نیز ممکن است گزارش‌های کاملاً متناقض ارائه دهند که منجر به سردرگمی استراتژیک می‌شود. برای مثال، در ابتدای یک بحران اقتصادی، نیمی از کارشناسان پیش‌بینی تورم می‌کنند و نیمی دیگر رکود؛ یا در مورد بازگشت به محیط کار، داده‌های نظرسنجی از کارمندان نشان‌دهنده تمایل به دورکاری است، در حالی که داده‌های بهره‌وری نشان‌دهنده افت راندمان است. این تناقضات باعث می‌شود مدیران نتوانند به یک “حقیقت واحد” تکیه کنند. راهکار در اینجا، جمع‌آوری داده بیشتر نیست، بلکه تغییر روش تحلیل از «داده‌محوری محض» به «ترکیب داده با بینش انسانی» و استفاده از آزمایش‌های کوچک برای تست واقعیت است.

۵ مثال عینی از شکست داده‌ها و تناقض اطلاعاتی در شرایط عدم قطعیت:

1. انتخابات آمریکا ۲۰۱۶ و برگزیت:
   تقریباً تمام مدل‌های داده‌محور و نظرسنجی‌های معتبر، پیروزی هیلاری کلینتون و ماندن انگلیس در اتحادیه اروپا را پیش‌بینی می‌کردند. داده‌ها نتوانستند «عدم قطعیت» ناشی از تغییر رفتار پنهان رأی‌دهندگان و احساسات اجتماعی جدید را ثبت کنند.
2. بحران مالی ۲۰۰۸:
   بانک‌های بزرگ از پیچیده‌ترین مدل‌های مدیریت ریسک (مانند Value at Risk) استفاده می‌کردند که بر اساس داده‌های ۲۰ سال گذشته تنظیم شده بود. این مدل‌ها به آن‌ها می‌گفتند که ریسک پایین است، اما آن‌ها «عدم قطعیت» فروپاشی سیستم مسکن را نادیده گرفتند زیرا در داده‌های تاریخی‌شان چنین رخدادی وجود نداشت.
3. همه‌گیری کووید-۱۹ و الگوریتم‌های زنجیره تأمین:
   سیستم‌های هوشمند سفارش‌دهی (مانند آمازون و والمارت) که بر اساس الگوهای فصلی خرید تنظیم شده بودند، با شروع قرنطینه کاملاً گیج شدند. الگوریتم‌ها نمی‌توانستند تقاضای ناگهانی برای ماسک یا دستمال کاغذی را تفسیر کنند، چون چنین داده‌ای در “حافظه” آن‌ها نبود.
4. شکست پروژه Segway:
   تحقیقات بازار و داده‌های جمع‌آوری شده نشان می‌داد که مردم خواهان حمل‌ونقل شخصی نوآورانه هستند. اما داده‌ها نتوانستند عدم قطعیت مربوط به قوانین شهری، قیمت بالا و پذیرش فرهنگی را پیش‌بینی کنند. داده‌ها “نیاز” را نشان دادند، اما “بستر واقعی” را نادیده گرفتند.
5. تناقض در دورکاری (۲۰۲۳-۲۰۲۴):
   امروزه مدیران با دو دسته داده متناقض روبرو هستند: نظرسنجی‌های رضایت کارکنان که می‌گویند دورکاری بهره‌وری را بالا می‌برد، و داده‌های نظارتی شرکت که می‌گویند نوآوری و تعامل تیمی کاهش یافته است. این تناقض اطلاعاتی، تصمیم‌گیری درباره بازگشت به دفتر را به یک عدم قطعیت بزرگ تبدیل کرده است.