As verdadeiras medidas do sucesso

Há cerca de uma dúzia de anos, quando eu trabalhava para uma grande empresa de serviços financeiros, um dos executivos seniores pediu que eu assumisse um projeto para entender melhor a lucratividade da empresa. Eu estava na divisão de ações, que gerava taxas e comissões ao atender gerentes de investimentos e buscava maximizar as receitas fornecendo pesquisas de alta qualidade, negociações responsivas e cobiçadas ofertas públicas iniciais. Embora tivéssemos centenas de clientes, uma empresa de fundos mútuos era nossa maior. Transportamos nossos pesquisadores para visitar seus analistas e gerentes de portfólio, dedicamos capital para garantir que suas negociações fossem executadas sem problemas e reconhecemos sua importância na alocação de IPOs. Estávamos comprometidos em manter o gorila de 800 libras feliz. Parte da minha tarefa era entender a lucratividade da divisão por cliente. Por isso, estimamos o custo incorrido com o atendimento de cada cliente principal. Os resultados foram impressionantes e contra-intuitivos: nosso maior cliente estava entre os menos lucrativos. De fato, os clientes no meio do grupo, que não exigiam recursos substanciais, eram mais lucrativos do que o gigante que bajulamos. O que aconteceu? Cometemos um erro extremamente comum nos negócios: medimos a coisa errada. A estatística na qual confiamos para avaliar nosso desempenho — receitas — estava desconectada de nosso objetivo geral de lucratividade. Como resultado, nossas decisões estratégicas e de alocação de recursos não apoiaram essa meta. Este artigo revelará como esse erro permeia as empresas, provavelmente até as suas, tomando decisões erradas e prejudicando o desempenho. E mostrará como escolher as melhores estatísticas para suas metas de negócios. Ignorando Moneyball Mensagem Bola de dinheiro, o best-seller de Michael Lewis, descreve como o Oakland Athletics usou estatísticas cuidadosamente escolhidas para construir um time de beisebol vencedor de forma barata. O livro foi publicado há quase uma década e suas implicações comerciais foram minuciosamente dissecadas. Ainda assim, a principal lição ainda não foi entendida. As empresas continuam usando as estatísticas erradas. Antes de os A's adotarem os métodos descritos por Lewis, a equipe confiava na opinião de caçadores de talentos, que avaliavam os jogadores principalmente observando sua capacidade de correr, arremessar, jogar, bater e bater com força. A maioria dos olheiros esteve no jogo quase toda a vida e desenvolveu uma noção intuitiva do potencial de um jogador e de quais estatísticas eram mais importantes. Mas suas medidas e intuição muitas vezes falhavam em destacar jogadores que eram eficazes, mas não pareciam adequados. A aparência pode não ter nada a ver com as estatísticas que são realmente importantes: aquelas que preveem o desempenho de forma confiável. Os dirigentes de beisebol costumavam se concentrar em um número básico — média de rebatidas da equipe — quando falavam sobre marcar corridas. Mas depois de fazer uma análise estatística adequada, o front office do A reconheceu que a capacidade de um jogador de chegar à base era um indicador muito melhor de quantas corridas ele marcaria. Além disso, a porcentagem local foi subestimada em relação a outras habilidades no mercado de talentos. Então, os A's procuraram jogadores com altas porcentagens na base, prestaram menos atenção às médias de rebatidas e descartaram sua intuição. Isso permitiu que a equipe recrutasse jogadores vencedores sem gastar muito. Muitos executivos de negócios que buscam criar valor para os acionistas também confiam na intuição na seleção de estatísticas. As métricas que as empresas usam com mais frequência para medir, gerenciar e comunicar resultados — geralmente chamados de indicadores-chave de desempenho — incluem medidas financeiras, como crescimento de vendas e crescimento do lucro por ação (EPS), além de medidas não financeiras, como fidelidade e qualidade do produto. No entanto, como veremos, eles têm apenas uma conexão frouxa com o objetivo de criar valor. A maioria dos executivos continua confiando fortemente em estatísticas mal escolhidas, o equivalente a usar médias de rebatidas para prever corridas. Assim como olheiros de beisebol com pele de couro, eles têm uma ideia de quais métricas são mais relevantes para seus negócios, mas não percebem que sua intuição pode estar errada e que sua tomada de decisão pode ser distorcida por preconceitos cognitivos. Por meio de meu trabalho, ensino e pesquisa sobre esses preconceitos, identifiquei três que parecem particularmente relevantes nesse contexto: o viés do excesso de confiança, a heurística da disponibilidade e o viés do status quo. Excesso de confiança. A profunda confiança das pessoas em seus julgamentos e habilidades geralmente está em desacordo com a realidade. A maioria das pessoas, por exemplo, se considera motoristas melhores do que a média. A tendência ao excesso de confiança se estende facilmente aos negócios. Considere o caso dos professores de Stanford David Larcker e Brian Tayan: os gerentes de uma rede de fast-food, reconhecendo que a satisfação do cliente era importante para a lucratividade, acreditavam que a baixa movimentação de funcionários manteria os clientes satisfeitos. “Sabemos que esse é o principal fator”, explicou um executivo. Confiantes em sua intuição, os executivos se concentraram em reduzir a movimentação como forma de melhorar a satisfação do cliente e, presumivelmente, a lucratividade. A profunda confiança das pessoas em seus julgamentos e habilidades geralmente está em desacordo com a realidade. À medida que os dados de movimentação chegavam, os executivos ficaram surpresos ao descobrir que estavam errados: algumas lojas com alta rotatividade eram extremamente lucrativas, enquanto outras com baixa rotatividade tinham dificuldades. Somente por meio de uma análise estatística adequada de uma série de fatores que poderiam impulsionar a satisfação do cliente, a empresa descobriu que a movimentação entre os gerentes de lojas, e não na população geral de funcionários, fazia a diferença. Como resultado, a empresa mudou seu foco para a retenção de gerentes, uma tática que acabou aumentando a satisfação e os lucros. Disponibilidade. A heurística de disponibilidade é uma estratégia que usamos para avaliar a causa ou a probabilidade de um evento com base na rapidez com que exemplos semelhantes vêm à mente, ou seja, quão “disponíveis” eles estão para nós. Uma consequência é que tendemos a superestimar a importância das informações que encontramos recentemente, que são repetidas com frequência ou que são prioritárias por outros motivos. Por exemplo, os executivos geralmente acreditam que o EPS é a medida mais importante da criação de valor, em grande parte devido a exemplos vívidos de empresas cujas ações subiram depois de excederem as estimativas de EPS ou caíram abruptamente após ficarem aquém. Para muitos executivos, o crescimento dos lucros parece ser uma causa confiável dos aumentos nos preços das ações, porque parece haver muitas evidências nesse sentido. Mas, como veremos, a heurística de disponibilidade geralmente leva a uma intuição errada. Os perigos da intuição Para identificar estatísticas úteis, você deve ter uma compreensão sólida de causa e efeito. Se você não entende as fontes de satisfação do cliente, por exemplo, não consegue identificar as métricas que ajudarão você a melhorá-la. Isso parece óbvio, mas é surpreendente a frequência com que as pessoas atribuem a causa errada a um resultado. Essa falha resulta de um desejo inato de encontrar causa e efeito em todas as situações — de criar uma narrativa que explique como os eventos estão vinculados mesmo quando não estão. Considere o seguinte: o método mais comum para ensinar administração de negócios é encontrar empresas bem-sucedidas, identificar suas práticas comuns e recomendar que os gerentes as imitem. Talvez o livro mais conhecido usando esse método seja o de Jim Collins Do bom ao ótimo. Collins e sua equipe analisaram milhares de empresas e isolaram 11 cujo desempenho foi de bom a ótimo. Em seguida, identificaram as práticas que acreditavam terem feito com que essas empresas melhorassem — incluindo liderança, pessoas, uma abordagem baseada em fatos, foco, disciplina e uso da tecnologia — e sugeriram que outras empresas as adotassem para alcançar os mesmos excelentes resultados. Essa fórmula é intuitiva, inclui uma narrativa convincente e vendeu milhões de livros. Se a causalidade fosse clara, essa abordagem funcionaria. O problema é que o desempenho de uma empresa quase sempre depende tanto da habilidade quanto da sorte, o que significa que uma determinada estratégia terá sucesso apenas em parte do tempo. Algumas empresas que usam a estratégia terão sucesso; outras falharão. Portanto, atribuir o sucesso de uma empresa a uma estratégia específica pode ser errado se você analisar apenas os vencedores. A pergunta mais importante é: quantas empresas que testaram a estratégia realmente tiveram sucesso? Jerker Denrell, professor de estratégia em Oxford, chama isso de “subamostragem do fracasso”. Ele argumenta que, como é improvável que empresas com baixo desempenho sobrevivam, elas estão ausentes do grupo sob observação. Digamos que duas empresas sigam a mesma estratégia e uma tenha sucesso por causa da sorte, enquanto a outra fracasse. Como extraímos nossa amostra do resultado, não da estratégia, observamos a empresa bem-sucedida e presumimos que o resultado favorável foi resultado da habilidade e ignoramos a influência da sorte. Conectamos causa e efeito onde não há conexão. A lição é clara: quando a sorte desempenha um papel na determinação das consequências de suas ações, como costuma acontecer nos negócios, você não quer estudar o sucesso para identificar uma boa estratégia, mas sim estudar a estratégia para ver se ela sempre levou ao sucesso. Estatísticas que são persistentes e preditivas e, portanto, vinculam causa e efeito de forma confiável, são indispensáveis nesse processo. Status quo. Por fim, os executivos (como a maioria das pessoas) preferem seguir o curso do que enfrentar os riscos decorrentes da mudança. O viés do status quo deriva em parte de nossa tendência bem documentada de evitar uma perda, mesmo que pudéssemos obter um grande ganho. Uma consequência comercial desse viés é que, mesmo quando os fatores de desempenho mudam — como sempre acontece — os executivos geralmente resistem a abandonar as métricas existentes em favor de outras mais adequadas. Veja o caso de uma empresa de assinatura, como uma operadora de telefonia sem fio. Para um novo participante no mercado, a taxa de aquisição de novos clientes é a métrica de desempenho mais importante. Mas, à medida que a empresa amadurece, sua ênfase provavelmente deve mudar de adicionar clientes para gerenciar melhor os que possui, por exemplo, vendendo serviços adicionais ou reduzindo a rotatividade. A força do status quo, no entanto, pode inibir essa mudança e, portanto, os executivos acabam gerenciando os negócios com estatísticas obsoletas. Considerando causa e efeito Para determinar quais estatísticas são úteis, você deve fazer duas perguntas básicas. Primeiro, qual é o seu objetivo? Nos esportes, é para ganhar jogos. Nos negócios, geralmente é para aumentar o valor para os acionistas. Em segundo lugar, quais fatores o ajudarão a atingir esse objetivo? Se sua meta é aumentar o valor para os acionistas, quais atividades levam a esse resultado? O que você procura, então, são estatísticas que revelem causa e efeito de forma confiável. Eles têm duas características definidoras: Eles são persistente, mostrando que o resultado de uma determinada ação em um momento será semelhante ao resultado da mesma ação em outro momento; e eles são preditivo—ou seja, há uma relação causal entre a ação que a estatística mede e o resultado desejado. As estatísticas que avaliam as atividades que exigem habilidades são persistentes. Por exemplo, se você medisse o desempenho de um velocista treinado correndo 100 metros em dois dias consecutivos, esperaria ver tempos semelhantes. As estatísticas persistentes refletem o desempenho que um indivíduo ou organização pode controlar de forma confiável por meio da aplicação de habilidades e, portanto, expõem relações causais. É importante distinguir entre habilidade e sorte. Pense na persistência como ocorrendo em um continuum. Em um extremo, o resultado medido é produto de pura habilidade, como aconteceu com o velocista, e é muito persistente. Por outro lado, é devido à sorte, então a persistência é baixa. Quando você gira uma roleta, os resultados são aleatórios; o que acontece na primeira rodada não fornece nenhuma pista sobre o que acontecerá na próxima. Para serem úteis, as estatísticas também devem prever o resultado que você está buscando. Lembre-se do reconhecimento do Oakland A de que a porcentagem na base diz mais sobre a probabilidade de um jogador marcar corridas do que sua média de rebatidas. A estatística anterior vincula de forma confiável uma causa (a capacidade de chegar à base) a um efeito (marcar corridas). Também é mais persistente do que a média de rebatidas porque incorpora mais fatores, incluindo a capacidade de caminhar, que refletem a habilidade. Portanto, podemos concluir que a porcentagem de uma equipe na base é melhor para prever o desempenho do ataque de uma equipe. Tudo isso parece senso comum, certo? No entanto, as empresas geralmente confiam em estatísticas que não são muito persistentes nem preditivas. Como essas métricas amplamente usadas não revelam causa e efeito, elas têm pouca influência na estratégia ou mesmo no objetivo mais amplo de obter um retorno suficiente sobre o investimento. Considere o seguinte: a maioria das empresas busca maximizar o valor de suas ações no longo prazo. Na prática, isso significa que cada dólar que uma empresa investe deve gerar mais de um dólar em valor. Quais estatísticas, então, os executivos devem usar para orientá-los nessa criação de valor? Como observamos, o EPS é o mais popular. Uma pesquisa sobre remuneração de executivos realizada pela Frederic W. Cook & Company descobriu que ela é a medida mais popular de desempenho corporativo, usada por cerca de metade de todas as empresas. Pesquisadores da Stanford Graduate School of Business chegaram à mesma conclusão. E uma pesquisa com 400 executivos financeiros feita pelos professores de finanças John Graham, Campbell Harvey e Shiva Rajgopal descobriu que quase dois terços das empresas colocaram o EPS em primeiro lugar em um ranking das medidas de desempenho mais importantes relatadas a terceiros. A receita de vendas e o crescimento das vendas também tiveram uma classificação alta para medir o desempenho e para se comunicar externamente. Mas o crescimento do EPS realmente criará valor para os acionistas? Não necessariamente. O crescimento dos lucros e a criação de valor podem coincidir, mas também é possível aumentar o EPS e, ao mesmo tempo, destruir valor. O crescimento do EPS é bom para uma empresa que obtém altos retornos sobre o capital investido, neutro para uma empresa com retornos iguais ao custo de capital e ruim para empresas com retornos abaixo do custo de capital. Apesar disso, muitas empresas buscam servilmente gerar crescimento do EPS, mesmo às custas da criação de valor. A pesquisa de Graham e seus colegas descobriu que a maioria das empresas estava disposta a sacrificar o valor econômico de longo prazo para gerar lucros de curto prazo. A teoria e a pesquisa empírica nos dizem que a relação causal entre o crescimento do EPS e a criação de valor é, na melhor das hipóteses, tênue. Pesquisas semelhantes revelam que o crescimento das vendas também tem uma conexão instável com o valor para os acionistas. (Para um exame detalhado da relação entre crescimento de lucros, crescimento de vendas e valor, consulte o quadro “O problema com medidas populares”.) O problema com as medidas populares As estatísticas mais úteis são persistente (mostram que o resultado de uma ação em um momento será semelhante ao resultado da mesma ação em outro momento) e preditivo (eles vinculam causa e efeito, prevendo o resultado que está sendo medido). Os estatísticos avaliam a persistência de uma medida e seu valor preditivo examinando o coeficiente de correlação: o grau da relação linear entre variáveis em um par de distribuições. Simplificando, se houver uma forte relação entre dois conjuntos de variáveis (digamos, o crescimento das vendas de um grupo de empresas em dois períodos diferentes), traçar os pontos em um gráfico como os mostrados aqui produz uma linha reta. Se não houver relação entre as variáveis, os pontos parecerão estar espalhados aleatoriamente, mostrando que o crescimento das vendas no primeiro período não prevê o crescimento das vendas no segundo. Ao comparar a variável “crescimento de vendas” em dois períodos, o coeficiente de correlação, ou, cai na faixa de 1,00 a —1,00. Se o crescimento das vendas de cada empresa for o mesmo nos dois períodos (uma correlação positiva perfeita), r = 1,00 — uma linha reta. (Os valores não precisam ser iguais para produzir uma correlação perfeita; qualquer linha reta serve.) Se o crescimento das vendas nos dois períodos não estiver relacionado (não há correlação), r = 0 — um padrão aleatório. Se os aumentos em um período corresponderem à diminuição no outro (uma correlação inversa perfeita), r = —1,00—também uma linha reta. Mesmo uma rápida olhada pode dizer se há uma alta correlação entre as variáveis (os pontos são fortemente agrupados e lineares) ou uma baixa correlação (eles estão espalhados aleatoriamente). Quanto mais próximo de 1,00 ou —1,00 estiver o coeficiente de correlação, mais persistente e preditiva será a estatística. Quanto mais próximo de zero, menos persistente e preditiva é a estatística. Vamos examinar a persistência de duas medidas populares: crescimento do EPS e crescimento das vendas. Os números acima mostram o coeficiente de correlação entre o crescimento do EPS e o crescimento das vendas de mais de 300 grandes empresas não financeiras nos Estados Unidos. As taxas compostas de crescimento anual de 2005 a 2007, nos eixos horizontais, são comparadas com as taxas de 2008 a 2010, nos eixos verticais. Se o EPS e o crescimento das vendas fossem altamente persistentes e, portanto, dependentes de fatores que a empresa pudesse controlar, os pontos se agrupariam em uma linha reta. Mas, na verdade, eles estão amplamente dispersos, revelando o importante papel do acaso ou da sorte. A correlação é negativa e relativamente fraca ( r = —0,13) para crescimento do EPS, mas um pouco maior ( r = 0,28) para o crescimento das vendas. Isso é consistente com os resultados de estudos em grande escala. A seguir, analisaremos o valor preditivo do crescimento do EPS e do crescimento das vendas examinando a correlação de cada um com os retornos para os acionistas. Nas figuras acima, o crescimento ajustado do EPS e o crescimento das vendas estão nos eixos horizontais. Os eixos verticais são o retorno total aos acionistas das ações de cada empresa menos o retorno total do S&P 500. O crescimento ajustado do EPS mostra uma correlação razoavelmente boa com o aumento do valor para os acionistas ( r = 0,37), portanto, é um pouco preditivo. O problema é que a previsão de lucros é difícil porque, como vimos na análise anterior, o crescimento do EPS em um período diz pouco sobre o que acontecerá em outro. Os dados de lucros podem ser moderadamente preditivos dos retornos aos acionistas, mas não são persistentes. Usar o crescimento das vendas como um indicador da criação de valor é insuficiente por um motivo diferente. Embora o crescimento das vendas seja mais persistente do que o crescimento do EPS, ele está menos fortemente correlacionado com os retornos totais relativos aos acionistas ( r = 0,27). Em outras palavras, as estatísticas de crescimento de vendas podem ser um pouco persistentes, mas não são muito preditivas. Assim, as duas medidas de desempenho mais populares têm valor limitado na previsão de retornos aos acionistas porque nenhuma delas é persistente. e preditivo. Obviamente, as empresas também usam medidas de desempenho não financeiro, como qualidade do produto, segurança no local de trabalho, fidelidade do cliente, satisfação dos funcionários e disposição do cliente em promover um produto. Em seu artigo de 2003 na HBR, os professores de contabilidade Christopher Ittner e David Larcker escreveram que “a maioria das empresas fez pouca tentativa de identificar áreas de desempenho não financeiro que poderiam promover a estratégia escolhida. Nem demonstraram uma ligação de causa e efeito entre melhorias nessas áreas não financeiras e no fluxo de caixa, lucro ou preço das ações.” A pesquisa dos autores com 157 empresas mostrou que apenas 23% haviam feito uma modelagem extensa para determinar as causas dos efeitos que estavam medindo. Os pesquisadores sugerem que pelo menos 70% das empresas pesquisadas não consideraram a persistência ou o valor preditivo de uma medida não financeira. Quase uma década depois, a maioria das empresas ainda não consegue vincular causa e efeito na escolha de estatísticas não financeiras. Mas as notícias não são de todo ruins. Ittner e Larcker descobriram que as empresas que se preocuparam em medir um fator não financeiro — e verificar se ele teve algum efeito real — obtiveram retornos sobre o patrimônio líquido cerca de 1,5 vezes maiores do que os das empresas que não tomaram essas medidas. Assim como a rede de fast-food impulsionou seu desempenho ao determinar que sua métrica principal era a rotatividade de gerentes de lojas, não a rotatividade geral de funcionários, as empresas que estabelecem vínculos adequados entre medidas não financeiras e criação de valor têm mais chances de melhorar os resultados. As empresas que vinculam medidas não financeiras à criação de valor têm mais chances de melhorar os resultados. Escolhendo estatísticas A seguir, é apresentado um processo para escolher métricas que permitem entender, rastrear e gerenciar as relações de causa e efeito que determinam o desempenho da sua empresa. Ilustrarei o processo de forma simplificada usando um banco de varejo baseado em uma análise de 115 bancos feita por Venky Nagar, da Universidade de Michigan, e Madhav Rajan, de Stanford. Deixe de lado, por enquanto, quais métricas você usa atualmente ou quais analistas ou banqueiros de Wall Street dizem que você deveria. Comece com uma lousa em branco e execute essas quatro etapas em sequência. 1. Defina seu objetivo de governo. Um objetivo claro é essencial para o sucesso do negócio porque orienta a alocação de capital. Criar valor econômico é um objetivo lógico de governo para uma empresa que opera em um sistema de mercado livre. As empresas podem escolher um objetivo diferente, como maximizar a longevidade da empresa. Vamos supor que o banco de varejo busca criar valor econômico. 2. Desenvolva uma teoria de causa e efeito para avaliar os presumíveis fatores do objetivo. Os três fatores financeiros comumente citados para a criação de valor são vendas, custos e investimentos. Os fatores financeiros mais específicos variam entre as empresas e podem incluir crescimento dos lucros, crescimento do fluxo de caixa e retorno sobre o capital investido. Naturalmente, as métricas financeiras não conseguem capturar todas as atividades que criam valor. Você também precisa avaliar medidas não financeiras, como fidelidade do cliente, satisfação do cliente e qualidade do produto, e determinar se elas podem ser diretamente vinculadas às medidas financeiras que, em última análise, agregam valor. Conforme discutimos, a ligação entre a criação de valor e medidas financeiras e não financeiras como essas é variável e deve ser avaliada caso a caso. Em nosso exemplo, o banco começa com a teoria de que a satisfação do cliente impulsiona o uso de serviços bancários e que o uso é o principal fator de valor. Essa teoria vincula um fator não financeiro e um financeiro. O banco então mede as correlações estatisticamente para ver se a teoria está correta e determina que clientes satisfeitos realmente usam mais serviços, permitindo que o banco gere crescimento de lucros em dinheiro e retornos atraentes sobre ativos, ambos indicadores de criação de valor. Depois de determinar que a satisfação do cliente está vinculada de forma persistente e preditiva aos retornos sobre os ativos, o banco agora deve descobrir quais atividades dos funcionários geram satisfação. 3. Identifique as atividades específicas que os funcionários podem realizar para ajudar a alcançar o objetivo regulador. O objetivo é fazer a ligação entre seu objetivo e as medidas que os funcionários podem controlar por meio da aplicação de habilidades. A relação entre essas atividades e o objetivo também deve ser persistente e preditiva. Na etapa anterior, o banco determinou que a satisfação do cliente gera valor (é preditiva). O banco agora precisa encontrar fatores confiáveis para a satisfação do cliente. A análise estatística mostra que as taxas que os consumidores recebem em seus empréstimos, a velocidade do processamento de empréstimos e a baixa movimentação de caixas afetam a satisfação do cliente. Como estão sob o controle dos funcionários e da gerência, são persistentes. O banco pode usar essas informações para, por exemplo, garantir que seu processo de revisão e aprovação de empréstimos seja rápido e eficiente. 4. Avalie suas estatísticas. Por fim, você deve reavaliar regularmente as medidas que está usando para vincular as atividades dos funcionários ao objetivo governante. Os fatores de valor mudam com o tempo, assim como suas estatísticas. Por exemplo, a demografia da base de clientes do banco de varejo está mudando, então o banco precisa analisar os fatores que impulsionam a satisfação do cliente. À medida que a base de clientes se torna mais jovem e mais experiente digitalmente, a movimentação dos caixas se torna menos relevante e a interface on-line e o atendimento ao cliente do banco se tornam cada vez mais relevantes. As empresas têm acesso a uma torrente crescente de estatísticas que podem melhorar seu desempenho, mas os executivos ainda se apegam a métodos antiquados e muitas vezes falhos para escolher métricas. No passado, as empresas podiam se safar seguindo a intuição e ignorando as estatísticas corretas, porque era isso que todo mundo estava fazendo. Hoje, usá-los é necessário para competir. Mais especificamente, identificá-los e explorá-los antes que os rivais o façam será a chave para aproveitar a vantagem.

As verdadeiras medidas do sucesso

Resumo.

Partner Center