حتی غیرقابل حل‌ترین مشکلات نیز راه‌حلی دارند یا نتایج بهتری نسبت به آن‌چه تاکنون پیش آمده است، می‌توان به‌دست آورد. در اینجا نحوه‌ی شکستن کدها توسط بهترین حل‌کننده‌های مشکل آمده است.
حل‌کننده‌های بزرگ مشکلات ساخته می‌شوند، نه که از مادر به این‌صورت به دنیا بیایند. این چیزی است که ما پس از دهه‌ها حل مشکل با رهبران در بخش‌های تجاری، غیرانتفاعی و سیاست‌گذاری دریافتیم. این رهبران یاد می‌گیرند که یک طرز فکر باز و کنجکاو خاص اتخاذ کنند و به یک فرایند سیستماتیک برای رفع حتی غیرقابل درک‌ترین مشکلات پایبند باشند. آن‌ها تحت هر شرایطی حل‌کننده‌ی مشکلات فوق العاده‌ای هستند. و زمانی که شرایط عدم اطمینان در اوج است، در بهترین حالت خود قرار دارند.
شش رویکرد تقویت‌کننده‌ی متقابل، زمینه‌ی موفقیت آن‌ها را تشکیل می‌دهند:
(۱) کنجکاو بودن در مورد هر عنصر یک مشکل.
(۲) کمال‌گرا نبودن، با تحمل بالا در برابر ابهام.
(۳) داشتن دید «چشم سنجاقک» از جهان، برای دیدن از طریق عدسی‌های متعدد.
(۴) دنبال کردن رفتارهای اتفاقی و آزمایش بی‌وقفه.
(۵) بهره‌برداری از هوش جمعی، اذعان به این‌که باهوش‌ترین افراد در اتاق نیستند.
(۶) تمرین «نمایش دادن و توضیح دادن*» زیرا داستان‌سرایی باعث عمل می‌شود.
در اینجا نحوه‌ی انجام این کار آمده است.
۱. همیشه کنجکاو باشید
درست همان‌طور که هر پدر و مادری می‌داند، بچه‌های چهار ساله سوال‌کننده‌های بی‌وقفه هستند. به «چرا»های بی‌پایانی فکر کنید که بچه‌های کوچک را بسیار شیرین و بی‌امان می‌کند. برای کودکان، همه‌چیز جدید و تا حد زیادی مبهم است. اما آن‌ها در یک ماموریت اکتشافی هستند و مصمم به کشف چیزها. و آن‌ها در این کار خوب هستند! قفسه‌های بلند، خروجی این کنجکاوی‌ها هستند.
وقتی با عدم اطمینان شدید روبرو می‌شوید، کودک چهار ساله‌ی خود را به یاد بیاورید یا کودک چهار ساله را در درون خود هدایت کنید. بی‌وقفه بپرسید: «چرا این‌طور است؟» متاسفانه، جایی بین پیش‌دبستانی و اتاق هیئت مدیره، ما تمایل داریم که از سوال کردن خودداری کنیم. مغز ما تعداد انبوهی از نقاط داده را با تحمیل الگوهایی که در گذشته برای ما و سایر انسان‌ها مفید بوده است، درک می‌کند. به‌همین دلیل است که یک تکنیک ساده که ارزش به‌کارگیری در ابتدای حل مسئله را دارد، صرفا مکث و پرسیدن این است که چرا شرایط یا مفروضات چنین هستند تا زمانی که به ریشه‌ی مشکل برسید.
سوگیری‌های طبیعی انسان در تصمیم‌گیری، از جمله تاییدطلبی، در دسترس بودن راه‌حل و لنگر انداختن، اغلب باعث می‌شوند که ما دامنه‌ی راه‌حل‌ها را خیلی زود ببندیم. راه‌حل‌های بهتر و خلاقانه‌تر از کنجکاوی در مورد طیف گسترده‌تر پاسخ‌های بالقوه به‌دست می‌آیند.
یک پیشنهاد ساده از نویسنده و اقتصاددان Caroline Webb برای ایجاد کنجکاوی بیشتر در حل مسائل تیمی، گذاشتن علامت سوال در پشت فرضیه‌های اولیه یا پاسخ‌های اولیه است. این تصنع کوچک به‌طرز شگفت‌آوری قدرتمند است: «می‌خواهد چندین مسیر راه‌حل را تشویق کند و تمرکز را به‌درستی روی جمع‌آوری شواهد قرار می‌دهد.» ما همچنین جلسات پایان‌نامه/آنتی‌تز یا تیم قرمز/تیم آبی را دوست داریم، که در آن شما یک گروه را به تیم‌های مخالف تقسیم می‌کنید که برخلاف پاسخ‌های اولیه بحث می‌کنند – معمولا نتیجه‌گیری‌های سنتی‌تر که احتمالا از یک الگوی مرسوم ناشی می‌شوند. چرا این راه‌حل بهتر است؟ چرا راه‌حل دیگری نه؟ ما دریافتیم که نتایج بهتر از پذیرش عدم اطمینان حاصل می‌شود. کنجکاوی موتور خلاقیت است.
۲. ابهام را تحمل کنید – و فروتن باشید!
وقتی به حلال‌های مشکل فکر می‌کنیم، بسیاری از ما تمایل داریم یک مهندس متین و باهوش را تصور کنیم. ممکن است مغز متفکری را تصور کنیم که می‌داند چه‌کار می‌کند و هدفمند با مشکل برخورد می‌کند. با این حال، واقعیت این است که اکثر حل مسائل خوب، آزمون و خطاهای زیادی دارد. بیشتر شبیه تصادفی بودن راگبی است تا دقت برنامه‌ریزی خطی. ما فرضیه‌هایی را تشکیل می‌دهیم، به داده‌ها تبدیل می‌کنیم، و سپس حدس اولیه‌مان را برای پاسخ بررسی می‌کنیم و اصلاح می‌کنیم (یا حذف می‌کنیم). این بیش از همه مستلزم پذیرش نقص و تحمل ابهام است – چیزی شبیه احساس یک قمارباز برای تمام حالاتی که ممکن است پیش بیایند.
دنیای واقعی بسیار متغیر است. واقعیت به‌عنوان محصول پیچیده‌ی رویدادهای تصادفی و واکنش‌های انسانی آشکار می‌شود. تاثیر کووید-۱۹ تنها یک مثال است: ما به اثرات بهداشتی و اقتصادی این بیماری و تعاملات پیچیده‌ی آن‌ها، تقریبا بدون هیچ دانش قبلی، می‌پردازیم. ما باید با تخمین احتمالات راحت باشیم تا تصمیمات خوب بگیریم، حتی زمانی که این حدس‌ها ناقص هستند. متاسفانه، ما شواهد زیادی داریم که نشان می‌دهد انسان‌ها آماردانان شهودی خوبی نیستند. حدس‌های مبتنی بر غریزه می‌تواند بسیار اشتباه باشد. به‌همین دلیل است که یکی از کلیدهای کار در محیط‌های نامطمئن، خضوع معرفتی است، که Eric Angner آن را این‌گونه تعریف می‌کند: «درک دانش ما همیشه موقت و ناقص است – و ممکن است نیاز به تجدید نظر در پرتوی شواهد جدید داشته باشد».
تحقیقات اخیر نشان می‌دهد که وقتی به احتمالات فکر می‌کنیم، بهتر می‌توانیم مشکلات را حل کنیم. برای مثال، زمانی که سازمان تحقیقات علمی و صنعتی مشترک‌المنافع استرالیا (CSIRO) صاحب امتیاز اصلی پروتکل اینترنت بی‌سیم بود؛ به‌دنبال حق امتیاز از شرکت‌های بزرگ بود که در ابتدا با آن مخالفت شد. CSIRO شرط می‌بندد که می‌تواند برای حفاظت از مالکیت معنوی خود به دادگاه مراجعه کند، زیرا تخمین می‌زند که با توجه به هزینه‌های قانونی و بازده احتمالی، برای این شرط‌بندی به شانس موفقیتی در حدود فقط ۱۰ درصد نیاز دارد. با انتخاب ضعیف‌ترین ناقضان IP و انتخاب یک حوزه‌ی قضایی که به نفع خودشان باشد، شانس خود را بهبود بخشید. این تفکر احتمالی نتیجه داد و در نهایت منجر به دریافتی بیش از ۵۰۰ میلیون دلار شد. تحمل ابهام و تمایل به بازی با شانس به سازمان کمک کرد راه خود را به سمت یک راه‌حل خوب احساس کند.
برای پذیرش کمال‌گرا نبودن با خضوع معرفتی، با به چالش کشیدن راه‌حل‌هایی که حاکی از قطعیت هستند، شروع کنید. شما می‌توانید این کار را با پرسیدن سوالاتی مانند «چه چیزی را باید باور کنیم تا این درست باشد؟» به بهترین شکل انجام دهید. این کار، فرضیات ضمنی در مورد احتمالات را آشکار می‌کند و ارزیابی گزینه‌ها را آسان‌تر می‌کند. وقتی عدم اطمینان زیاد است، ببینید آیا می‌توانید حرکت‌های کوچکی انجام دهید یا اطلاعاتی را با هزینه‌ی معقول به‌دست آورید تا در مجموعه‌ی راه‌حل‌ها قرار بگیرد. دانش کامل به‌ویژه برای مشکلات پیچیده‌ی تجاری و اجتماعی کم است. در آغوش گرفتن نقص می‌تواند به حل موثرتر مشکل منجر شود. عملا در شرایط عدم اطمینان بالا، مانند شروع یک فرایند حل مشکل یا در شرایط اضطراری، کمال‌گرا نبودن ضروری است.
۳. نمای سنجاقکی داشته باشید
درک چشم سنجاقک برای حل‌کننده‌های بزرگ مشکلات رایج است. سنجاقک‌ها چشم‌های بزرگ و مرکب دارند و هزاران عدسی و گیرنده‌های نوری حساس به طول موج‌های مختلف نور دارند. اگرچه ما دقیقا نمی‌دانیم که مغز حشرات چگونه تمام این اطلاعات بصری را پردازش می‌کند، اما بر اساس قیاس، آن‌ها چشم‌اندازهای متعددی را می‌بینند که در دسترس انسان نیستند. ایده‌ی چشم سنجاقک که ۳۶۰ درجه ادراک دارد، یکی از ویژگی‌های «ابر پیش‌بینی‌کنندگان» است – افرادی که اغلب بدون تخصص در حوزه‌ای خاص هستند و در پیش‌بینی رویدادها بهترین هستند.
این را به‌عنوان باز کردن دیافراگم روی یک مشکل یا مشاهده‌ی آن از طریق چندین لنز در نظر بگیرید. هدف این است که فراتر از موضوعات آشنا را ببینیم که مغزهای تشخیص‌دهنده‌ی الگوی ما می‌خواهند ادراکات را در آن‌ها جمع کنند. با باز کردن دیافراگم، می‌توانیم تهدیدها یا فرصت‌ها را فراتر از حاشیه‌ی دید شناسایی کنیم.
شیوع HIV در هند در اوایل دهه ۱۹۹۰ را در نظر بگیرید – یک تهدید بزرگ برای سلامت عمومی. Ashok Alexander، مدیر ابتکار کمک‌های هند بنیاد بیل و ملیندا گیتس، نمونه‌ای درخشان از دید سنجاقک‌گونه ارائه کرد. در مواجهه با یک نقشه‌ی اجتماعی پیچیده با نرخ آلودگی به‌سرعت در حال افزایش، او تعریف مشکل را از یک مدل سنتی اپیدمیولوژیک انتقال HIV در «نقاط داغ» شناخته شده، به مدلی که در آن کارگران جنسی که با خشونت مواجه می‌شوند، به‌عنوان محور اصلی تبدیل شد، گسترش داد.
این رویکرد منجر به «راه‌حل آواهان» شد که با گنجاندن زمینه‌ی اجتماعی-فرهنگی کار جنسی به مجموعه‌ی وسیع‌تری از نقاط اهرمی پرداخت. این راه‌حل برای بیش از ۶۰۰ جامعه ارائه شد و در نهایت به جلوگیری از سرایت ۶۰۰۰۰۰ نفری منجر شد. دیدگاه محدود پزشکی معقول و قابل انتظار بود، اما به موضوع مرتبط با خشونت علیه کارگران جنسی، که مجموعه‌ی راه‌حل‌های غنی‌تری را به‌همراه داشت، وارد نشد. اغلب، یک راز تنها زمانی خود را آشکار می‌کند که فرد به یک مشکل از منظرهای متعدد نگاه کند، از جمله برخی که در ابتدا پیچیده به نظر می‌رسند.
راز ایجاد نمای سنجاقکی این است که در هنگام مواجهه با مشکلات عدم قطعیت و فرصت، به جای درون، «به بیرون لنگر بیاندازید». اکوسیستم گسترده‌تر را به‌عنوان نقطه‌ی شروع در نظر بگیرید. این کار شما را تشویق می‌کند که با مشتریان، تامین‌کنندگان یا بهتر از آن، بازیکنان در یک صنعت یا فضای متفاوت اما مرتبط صحبت کنید. گذراندن سفر مشتری با در نظر گرفتن تفکر طراحی، راه قدرتمند دیگری برای دریافت دید ۳۶۰ درجه از یک مشکل است. اما توجه داشته باشید: زمانی که تصمیم‌گیرندگان با فریم‌های زمانی یا منابع بسیار محدود مواجه می‌شوند، ممکن است مجبور شوند دیافراگم را محدود کرده و پاسخی محکم و معمولی ارائه دهند.
۴. رفتار اتفاق‌افتاده را دنبال کنید
رفتار اتفاقی آن چیزی است که واقعا در یک زمان و مکان اتفاق می‌افتد، نه رفتار بالقوه یا پیش‌بینی‌شده‌ای که حدس زده می‌شد. مشکلات پیچیده، اسرار خود را به‌راحتی افشا نمی‌کنند. اما این نباید حل‌کننده‌های مشکل را از بررسی این‌که آیا شواهدی در مورد جنبه‌های یک راه‌حل می‌توان مشاهده کرد یا انجام آزمایش‌هایی برای آزمایش فرضیه‌ها بازدارد. می‌توانید این رویکرد را به‌عنوان ایجاد داده‌ها به جای جستجو میان آن‌چه قبلا جمع‌آوری شده است، در نظر بگیرید. چنین کاری برای ورود به بازار جدید – یا ایجاد بازار جدید بسیار مهم است. همچنین اگر متوجه شوید که خرد کردن داده‌های قدیمی منجر به راه‌حل‌های کهنه می‌شود، مفید است.
اکثر تیم‌های حل مسئله که ما با آن‌ها درگیر هستیم، دارای دو معضل عدم قطعیت و پیچیدگی هستند که گاهی به‌عنوان «مشکلات شرورانه» ترکیب می‌شوند. به‌عنوان مثال در بازار وسایل نقلیه، جایی که بازار به‌طور کامل تثبیت نشده است – حل مشکل خوب معمولا شامل طراحی آزمایش‌هایی برای کاهش عدم قطعیت‌های کلیدی است، نه این‌که تنها تکیه بر داده‌های موجود انجام شود. هر حرکت (مانند خرید IP یا به‌دست آوردن یک تامین‌کننده‌ی قطعه) و هر آزمایش (از جمله آزمایش در جاده) نه‌تنها اطلاعات اضافی برای تصمیم‌گیری فراهم می‌کند، بلکه قابلیت‌ها و دارایی‌هایی را ایجاد می‌کند که از مراحل بعدی پشتیبانی می‌کند. با گذشت زمان، آزمایش‌های آن‌ها، از جمله خریدها و ادغام‌ها، به پلکان‌هایی شبیه می‌شوند که یا به هدف می‌رسد یا به رها کردن هدف منتهی می‌شوند. سازمان‌های حل‌کننده‌ی مشکل می‌توانند خود را در فضاهای جدید بسیار نامطمئن، ایجاد اطلاعات، دارایی‌های بنیادی و اعتماد به نفس در حین برداشتن گام‌های رو به جلو، «راه‌اندازی» کنند.
حل‌کننده‌های ریسک‌پذیر با آزمایش مداوم، بالاخره راه‌حلی را پیدا می‌کنند. آماردانان از مخفف EVPI – مقدار مورد انتظار اطلاعات کامل – برای نشان دادن ارزش به‌دست آوردن اطلاعات اضافی، که معمولا از نمونه‌ها و آزمایش‌ها می‌آیند، مانند پاسخ به تغییرات قیمت در بازارهای خاص، استفاده می‌کنند. تست A/B ابزاری قدرتمند برای آزمایش قیمت‌ها، تبلیغات و سایر ویژگی‌ها است و به‌ویژه برای بازارهای دیجیتال و کالاهای مصرفی مفید است. بازارهای آنلاین تست A/B را آسان می‌کنند. با این حال، بیشتر بازارهای متعارف نیز فرصت‌هایی را برای تقلید از تقسیم‌بندی بازار و استفاده از آن برای آزمایش رویکردهای مختلف ارائه می‌دهند.
طرز فکری که برای آزمایش‌گر بی‌قرار بودن لازم است با مفهوم «شکست سریع» در استارتاپ‌ها سازگار است. این بدان معناست که شما به‌سرعت از طریق آزمایشات بتا و پیشنهادات آزمایشی تایید یا رد محصول و مشتری را دریافت می‌کنید. فقدان داده‌های خارجی را به‌عنوان یک مانع تلقی نکنید؛ چرا که ممکن است در واقع یک هدیه باشد، زیرا داده‌های قابل خرید تقریبا همیشه از یک روش مرسوم برای برآوردن نیازها هستند و برای رقبای شما نیز در دسترس هستند. آزمایشاتی که خودتان می‌کنید به شما اجازه می‌دهد داده‌های خود را تولید کنید. این کار به شما بینشی می‌دهد که دیگران ندارند. اگر آزمایش کردن دشوار (یا غیراخلاقی) است، به‌دنبال «آزمایش‌های طبیعی» ارائه‌شده توسط سیاست‌های مختلف در مکان‌های مشابه باشید. به‌عنوان مثال می‌توان نتایج را در شهرهای دوقلو مقایسه کرد، مانند شهر سنت پاول در مینیاپولیس.
۵. از هوش جمعی استفاده کنید
Chris Bradley، یکی از نویسندگان Strategy Beyond the Hockey Stick اظهار داشت: «این اشتباه است که فکر کنید در تیم خود باهوش‌ترین افراد را در اتاق دارید. آن‌ها آنجا نیستند و در واقعیت همیشه جای دیگری هستند.» و اگر بتوانید از راه‌های دیگر به اطلاعات آن‌ها دسترسی داشته باشید، نیازی به حضور ندارند. در جهانی همیشه در حال تغییر که شرایط می‌تواند به‌طور غیرقابل پیش‌بینی تغییر کند، جمع‌سپاری از باهوش‌ترین افراد جهان دعوت می‌کند تا با شما همکاری کنند. به‌عنوان مثال، در جستجوی یک الگوریتم یادگیری ماشینی برای شناسایی گونه‌ها و مقادیر صید ماهی در قایق‌های ماهیگیری، سازمان حفاظت از طبیعت (TNC) به Kaggle روی آورد و جایزه‌ی ۱۵۰۰۰۰ دلاری را برای بهترین الگوریتم در نظر گرفت. این پیشنهاد، ۲۲۹۳ تیم از سراسر جهان را جذب کرد. اکنون TNC از الگوریتم برنده برای شناسایی انواع و اندازه‌ی ماهی‌های صید شده در قایق‌های ماهیگیری در آسیا برای محافظت از ماهی تن در اقیانوس آرام و سایر گونه‌های در معرض خطر استفاده می‌کند.
حل مسئله‌ی جمع‌سپاری به شکل دیگری آشناست: معیارسنجی. زمانی که سر راد کارنگی مدیرعامل شرکت Conzinc Riotinto استرالیا (CRA) بود، نگران هزینه‌های توقف برنامه‌ریزی‌نشده‌ی کامیون‌های سنگین، به‌ویژه آن‌هایی بود که نیاز به تعویض لاستیک دارند. او از تیم مدیریتی خود پرسید که چه کسی در تعویض لاستیک در جهان بهترین است. پاسخ آن‌ها مسابقات فرمول یک بود. تیمی به بریتانیا سفر کردند تا بهترین روش‌ها را برای تغییر لاستیک‌ها در پیست‌های مسابقه یاد بگیرند و سپس آن‌چه را که هزاران کیلومتر دورتر آموخته بودند، در منطقه پیلبارا در استرالیای غربی اجرا کردند. باهوش‌ترین تیم برای این مشکل اصلا در صنعت معدن نبود.
البته، در حالی که جمع‌سپاری زمانی می‌تواند مفید باشد که تفکر متعارف، راه‌حل‌هایی را ارائه می‌دهد که برای چالش موجود بسیار گران یا ناقص هستند، اما محدودیت‌های خود را دارد. راه‌اندازی جمع‌سپاری خوب به زمان نیاز دارد، می‌تواند گران باشد و ممکن است به رقبای شما نشان دهد که شما در حال انجام چه کاری هستید. مراقب هزینه‌های پنهان باشید، مانند افشای ناخواسته‌ی اطلاعات و نیاز به بررسی حجم عظیمی از پیشنهادات نامربوط برای یافتن گوهر کمیاب راه‌حل.
بپذیرید که استفاده از تجربیات و تخصص‌های مختلف غیر از تجربیات خود، اشکالی ندارد. با جلسات طوفان فکری شروع کنید که افراد خارج از تیم شما را درگیر می‌کند. برای ایجاد ایده، رقابت‌های جمع‌سپاری گسترده‌تری را امتحان کنید. یا استعدادهای یادگیری عمیق را به ارمغان بیاورید تا ببینید چه بینش‌هایی در داده‌های شما وجود دارد که رویکردهای مرسوم، آن را آشکار نکرده‌اند. هرچه دایره‌ی اطلاعاتی که به آن دسترسی دارید گسترده‌تر باشد، احتمال این‌که راه‌حل‌های شما جدید و خلاقانه باشد نیز بیشتر است.
۶. نشان دهید و توضیح دهید تا کار آغاز شود
ما فهرست ذهنیت‌هایمان را با اشاره به کودکان شروع کردیم و اکنون با «نشان بده و توضیح بده» به کودکان بازمی‌گردیم. همان‌طور که بدون شک به یاد دارید – زمانی که کنجکاوتر بودید! – نمایش و تعریف کردن یک فعالیت مدرسه‌ی ابتدایی است. (در این تمرین، معلمان از دانش‌آموزان می‌خواهند که چیزی را به کلاس بیاورند و در مورد آن برای دیگر بچه‌ها توضیح دهند). معمولا این کار با حل مسئله مرتبط نیست، اما احتمالا علاقه‌ی شما را برانگیخته است. در واقع، این رویکرد برای حل مسئله حیاتی است. نشان دهید و بگویید چگونه مخاطب خود را با مشکل ارتباط می‌دهید و سپس از ترکیبی از منطق و متقاعدسازی برای انجام عمل استفاده می‌کنید.
هدف ذهنیت نشان دادن و گفتن این است که تصمیم‌گیرندگان را به حوزه‌ی حل مشکلی که شما ایجاد کرده‌اید، وارد کند. برای مثال، تیمی از سازمان حفاظت از طبیعت، در حال ارائه‌ی پیشنهادی بود که از یک بنیاد بشردوستانه درخواست می‌کرد تا از بازسازی صخره‌های صدفی حمایت کند. قبل از ارائه، تیم ۱۷ سطل پلاستیکی آب را به اتاق هیئت مدیره آورد و آن‌ها را در اطراف محیط قرار داد. هنگامی که کارکنان بنیاد وارد اتاق شدند، بلافاصله می‌خواستند بدانند سطل‌ها برای چیست. این تیم توضیح داد که بازسازی صخره صدف کیفیت آب را به‌شدت بهبود می‌بخشد زیرا هر صدف روزانه ۱۷ سطل آب را فیلتر می‌کند. ذخایر ماهی بهبود می‌یابد، و صدف‌ها را نیز می‌توان برداشت کرد تا به کار اقتصادی کمک کند. تصمیم‌گیرندگان از طریق نمایش و گفتن وارد حوزه‌ی حل مسئله شدند. آن‌ها بودجه‌ی درخواستی را تایید کردند و بعد فیزیکی مشکلی را که بخشی از حل آن بودند، دوست داشتند.
حل‌کننده‌های مبتدی فرایند تحلیلی و ریاضیات خود را به شما نشان می‌دهند تا شما را متقاعد کنند که باهوش هستند. گاهی اوقات به آن APK می‌گویند، رژه‌ی مضطرب دانش. اما حل‌کننده‌های باتجربه چیز دیگری به شما نشان می‌دهند. ظریف‌ترین حل مسئله آن چیزی است که راه‌حل را آشکار می‌کند. Herb Simon، اقتصاددان فقید، آن را این‌گونه بیان می‌کند: «حل یک مشکل صرفا به معنای نمایش آن است تا راه‌حل شفاف شود».
برای بهتر شدن در نمایش و گفتن، با شفاف بودن در مورد اقداماتی که باید از حل مسئله و یافته‌های شما ناشی شود، شروع کنید: ایده‌ی حاکم برای تغییر. سپس راهی برای ارائه‌ی منطق خود به‌صورت بصری پیدا کنید تا راه رسیدن به پاسخ‌ها قابل بحث و پذیرش باشد. استدلال را به‌صورت احساسی و منطقی ارائه دهید و نشان دهید که چرا اقدام ترجیحی تعادل جذابی بین خطرات و پاداش‌ها ایجاد می‌کند. اما در اینجا متوقف نشوید. خطرات انفعال را که اغلب هزینه‌ی بیشتری نسبت به اقدامات ناقص دارند را بیان کنید.
طرز فکر حل‌کنندگان بزرگ به‌همان اندازه مهم است که روش‌هایی که به کار می‌گیرند. طرز فکری که کنجکاوی را تشویق می‌کند، نقص را در آغوش می‌گیرد، به یک دید سنجاقکی از مشکل پاداش می‌دهد، داده‌های جدیدی را از آزمایش‌ها و هوش جمعی ایجاد می‌کند، و از طریق داستان‌گویی قانع‌کننده‌ی نمایش و تعریف کردن، اقدامی را انجام می‌دهد، امکانات جدید رادیکالی را در سطوح بالای غیرقابل پیش‌بینی ایجاد می‌کند. البته، این رویکردها می‌توانند در طیف وسیعی از شرایط مفید باشند، اما در مواقع عدم اطمینان گسترده، ضروری هستند.
* show and tell
منبع: Six problem-solving mindsets for very uncertain times