Ответить на этот вопрос мы попробуем в два этапа. Сначала, используя статистический метод так называемой квантильной регрессии, мы трансформируем значения фондорентабельности (ФР) за каждый год для каждой компании в нашей базе данных в оценки по 10-балльной шкале. Наша модель позволяет нивелировать воздействие отрасли, года, систематической ошибки выжившего и многих других факторов, влияющих на показатели. Итак, совокупность значений ФР (например 11,3, 9,5, 13,2 %) преобразуется в совокупность 10-балльных оценок (например 7, 5, 9), но эти 10-балльные оценки учитывают воздействие всех наших контролируемых параметров. Это обеспечивает равные условия для сравнения любой компании с любой другой компанией в любой год в промежутке с 1966 по 2010-й.

Важнейшая отличительная черта этого метода состоит в том, что более высокие абсолютные значения ФР (измеряемые в процентах) не обязательно должны соответствовать более высоким относительным оценкам ФР в баллах по 10-балльной шкале. Например, оценка 7 баллов для рентабельности в сфере программного обеспечения в 1998 г. может соответствовать значению ФР 20 %, а оценка 7 баллов для рентабельности в производстве стали в 1981 г. может соответствовать значению ФР всего в 5 %; в сфере финансовых услуг компания с ФР = 1,3 % в 2009 г. может получить 9 баллов, в то время как фармацевтическая компания с ФР = 18 % в 1996 г. может получить 5 баллов. Иными словами, такие 10-балльные оценки отражают относительные показатели каждой компании, определяемые факторами, действующими на уровне компании и в той или иной мере подконтрольными ее руководству.

Такие оценки по 10-балльной шкале обеспечивают возможность сравнения из года в год, но в длительной ретроспективе выдающиеся показатели нельзя идентифицировать, просто сверяя эти значения. Например, 7, 6, 8, 9, 7, 9, 8 – это лучше или хуже, чем 6, 3, 9, 9, 9, 9, 6, 8, 7, 9, 5, 2? Как это установить? И здесь мы переходим ко второму этапу нашего процесса. Помните наши рассуждения про исключительные результаты при подбрасываниях монеты? Теперь мы будем искать выдающиеся компании, эффективность работы которых оказывается выше ожидаемой, но уже с учетом параметров системы. Разница в том, что в экспериментах с монетой мы знаем, что означает «правильная», или «симметричная», монета, и можем оценить вероятность получения результата, который заставляет усомниться в ее симметричности.

А если речь идет об оценке деятельности корпорации, мы должны определить параметры системы, а затем оценить вероятность получения того или иного результата при этих параметрах. Только после этого мы сможем оценить вероятность того, что высокие показатели данной компании представляют собой именно полезный сигнал, а не элемент шума (см. приложение C «Идентификация выдающихся показателей»).

Начнем с определения того, какие результаты мы будем рассматривать как значимые, выделив две категории компаний с исключительно высокими – выдающимися – показателями: «чудотворец» и «стайер». «Чудотворцы» – это компании, которые, с учетом длительности их деятельности, получают столько 9-балльных оценок, что это никак не соответствует теории вероятностей, и, значит, приходится заключить, что здесь присутствует что-то отличающееся от простого везения, и они называются так потому, что такие показатели представляются нам удивительными, попросту говоря – чудом. «Стайеры», чтобы преодолеть аналогичный «порог маловероятности», должны в течение достаточно длительного времени иметь оценки на уровне 6–8 баллов (включительно). Для попадания в эту категорию, то есть чтобы некую совокупность показателей компании можно было признать столь же маловероятной, как и для предыдущей категории, она должна получать целевые балльные оценки в течение более длительного времени, потому что здесь и целевые оценки ниже, и их диапазон шире.

Кроме этого, мы выделяем также категорию компаний-«середнячков», имеющих средний срок существования, средний уровень показателей и среднюю волатильность. Эту категорию мы добавляем к обеим категориям наших компаний с выдающимися показателями. Не следует считать эти компании малоэффективными, потому что для подтверждения их плохой работы тоже нужно было бы провести все статистические тесты, которые использовались для выявления выдающихся компаний. Скорее это компании, профили эффективности которых неотличимы от фонового шума, иначе говоря, компании, показатели которых соответствуют понятию «случайных блужданий». Это также не означает, что их руководители плохи или неопытны. Скорее это следствие того, что их способности и навыки невозможно отследить (по причинам, которые мы здесь обсудить не сможем), исходя только из анализа показателей компании.

Любой метод есть результат некоего компромисса. Мы придаем особое значение исключению так называемых ложнопозитивных результатов, то есть случаев, когда компания признается выдающейся, хотя на самом деле не является таковой. За это приходится платить определенную цену, а именно возникает риск искусственного завышения числа ложноотрицательных результатов, то есть случаев, когда компания не признается выдающейся, хотя на самом деле является таковой. Конечно, при этом мы можем больно задеть чувства некоторых людей, потому что мало кто хочет услышать, что его/ее любимая компания, возможно, совсем не так прекрасна, как они полагали. Тем не менее, поскольку цель нашей работы заключается в выявлении факторов, позволяющих достичь выдающихся показателей, мы не обязаны идентифицировать все выдающиеся компании, так что считаем это допустимым компромиссом.

С помощью этого метода и этих определений мы смогли исследовать все компании, бумаги которых когда-либо обращались на рынках США, и выделили «чудотворцев» и «стайеров», существовавших в период между 1966 и 2010 гг. В эту выборку выдающихся компаний попали 174 компании-«чудотворца» и 170 компаний-«стайеров», которые и составляют базу нашего исследования.