Практическое руководство по статистическому управлению процессами - читать онлайн

Глава 1 Что такое системное, статистическое и визуальное мышление и для чего оно нужно?

По этим вопросам существует невероятно много литературы, и каждому из перечисленных терминов можно посвятить отдельную книгу, и не одну. Статистическое мышление мы подробно обсудим в следующем параграфе, здесь же мы ограничимся лишь краткими тезисами и дадим ссылки на некоторые относительно недавние публикации по системному и визуальному мышлению.

Его суть в сверхкратком изложении:

● любая деятельность осуществляется в некоторой системе взаимосвязанных и взаимодействующих процессов;

● важно понимать, почему и как система сопротивляется нашему вмешательству;

● надо научиться выявлять глубинные взаимосвязи и вскрывать системные причины проблем.

Чтобы понять системную проблему, нужно, как правило, выйти за границы системы и попробовать взглянуть на нее снаружи.

Некоторые принципы системного подхода можно сформулировать так [Сенге 2009; Гараедаги 2010; О'Коннор, Макдермотт 2006; Левит, Дабнер 2007; Зиберт 2005; Адлер, Смелов 2017]:

● сегодняшние проблемы есть порождение вчерашних «решений»;

● легкий выход обычно приводит нас назад;

● причины и следствия разъединены во времени и пространстве;

● винить некого за исключением собственно системы.

Вот несколько примеров из приведенных выше книг, которые, на наш взгляд, достаточно красноречивы и не требуют каких-либо пояснений. Их объединяет то, что в результате отсутствия системного подхода всегда принимается в конечном счете неверное решение.

«Когда-то, во времена английского колониального правления в Индии, из-за необычно жаркого лета развелось слишком много кобр. Чтобы справиться с напастью, губернатор назначил награду за каждую сданную голову змеи. Индийцам предстояло ловить этих страшилищ. Как же они отреагировали? Они стали разводить кобр, чтобы получить премию».

В середине 1980-х гг. Япония пыталась преодолеть экономический кризис путем повышения госрасходов и роста госдолга – в итоге целое десятилетие (все 1990-е гг.) страна боролась с последствиями лопнувшего в 1989 г. пузыря (10 лет стагнации из-за ошибочного решения).

«Трое слепых встретили слона и начали его ощупывать. "Это что-то мягкое, большое и широкое, как ковер", – сказал один, схватившийся за ухо. Второй взялся за хобот и сказал: "Я держу реальность в руках. Это прямая длинная труба". А третий, обхватив ногу, воскликнул: "Это что-то толстое и прочное, как колонна". (Суфийская притча) А разве во многих компаниях руководители отделений производства, сбыта и исследований не похожи на этих трех слепцов?»

В книге двух профессоров Гарварда [Пфеффер, Саттон 2008] сформулированы наиболее распространенные и разрушительные ошибки современного менеджмента.

1. Бессистемный бенчмаркинг.

2. Слепое следование рецептам, успешным в прошлом.

3. Глубоко укоренившиеся, но необоснованные взгляды.

Если внимательно присмотреться к этим трем ошибкам и примерам, приведенным авторами, то становится очевидным, что все они вызваны одной коренной причиной: отсутствием системного подхода у большинства менеджеров. То же можно сказать о перечисленных в книге «Эффект ореола» восьми распространенных иллюзиях, приводящих к ошибочным решениям [Розенцвейг 2008].

Известный специалист в области системного мышления Рассел Акофф в статье [Акофф 2006] отвечает на вопрос, почему системное мышление так редко встречается на практике:

«Нельзя научиться чему-либо, если делать все правильно…

…организации и отдельные лица, которые не позволяют ошибаться, никогда ничему не научаются. Организации и личности, всегда возлагающие на других вину за свои ошибки, тем самым отказываются обучаться. Не надо далеко ходить за примером – взять хотя бы исполнительные органы нашего правительства…

Чтобы учиться на ошибках, следует признать, что есть два типа ошибок: ошибки совершения и ошибки несовершения.

Ошибка совершения происходит, когда организация или индивид делает что-то, чего не следовало бы делать.

Ошибка несовершения происходит, когда организация или индивид не делает того, что следовало бы сделать.

Ошибки несовершения обычно более существенны. Деградация и неудачи организаций почти всегда происходят из-за того, что они чего-то не сделали…

А теперь ключевой факт: системы учета в западном мире фиксируют только ошибки совершения, наименее важные из двух типов ошибок!

Они не регистрируют ошибки несовершения. Поэтому в организации, которая неодобрительно относится к ошибкам и в которой замечаются только ошибки совершения, менеджеру надо только стараться не сделать чего-нибудь такого, что не следует делать. Поскольку ошибки несовершения не регистрируются, они часто проходят незамеченными. А если и замечены, ответственность за них редко наступает. В такой ситуации менеджер, который хочет как можно реже получать неодобрение, должен:

● либо минимизировать ошибки совершения;

● либо перекладывать ответственность за совершенные им ошибки на других.

Лучший способ достижения этого – ничего не делать или делать как можно меньше…»

Это и есть одна из главных причин, по которой организации и люди не научаются системному мышлению в ходе своей практической деятельности. Еще одна причина – этому мало где и мало кого учат. Между тем в условиях сегодняшнего открытого глобального и быстро меняющегося мира этому – т. е. пониманию систем – нужно учить всех.

В 1934 г. в поэме «Скала» (The Rock) англо-американский поэт Томас Элиот написал такие строки:

Where is the Life we have lost in living?

Where is the wisdom we have lost in knowledge?

Where is the knowledge we have lost in the information?

В нашем вольном переводе эти строки выглядят так:

Где жизнь, затерявшаяся в бытии?

Где мудрость, затерявшаяся в знании?

Где знание, затерявшееся в информации?

Принято считать, что в этих строках впервые было отмечен тот факт, что информация, знание и понимание (мудрость), вообще говоря, не одно и то же и знание способно затеряться в информации. Примерно через 50 лет американский композитор Фрэнк Заппа (Frank Zappa) написал такие строки:

В научный обиход различие между информацией, знанием и пониманием ввел известный ученый Рассел Акофф. Он выразил это различие в виде иерархии (рис. 1.1):

В англоязычной литературе эта иерархия известна под аббревиатурой DIKW [http://en.wikipedia.org/wiki/DIKW]. В двух словах эту иерархию можно прокомментировать так.

Данные – это цифры, даты, символы и т. п., которые сами по себе ничего не значат.

Информация – это данные в определенном понятном нам контексте, данные, имеющие смысл и целевое назначение (т. е. данные в свете некоторой гипотезы или системы гипотез об их смысле).

Знание – это определенным образом обработанная и структурированная информация, которую можно использовать для принятия решений (т. е. информация, прошедшая формальную или содержательную проверку гипотез, которая не выявила противоречий).

Мудрость – это основанная на знании способность создавать новое знание и принимать решения в условиях неопределенности.

На самом деле границы между этими категориями очень зыбки и условны, и потому иерархия DIKW часто и заслуженно подвергается критике с разных сторон. Однако здесь нам важно обратить внимание не столько на проблему структурирования наших знаний, сколько на два существенных момента, какие не будут меняться при различных модификациях иерархии знаний. Первый момент состоит в том, что данные сами по себе не есть ни информация, ни тем более знания. Переход от набора цифр к их пониманию и выводам/решениям осуществляется путем анализа данных. Этот анализ может проводиться на самых разных уровнях: от поверхностного взгляда на цифры до применения самых навороченных статистических пакетов обработки данных. Но в полном соответствии с принципом 80/20 (подробнее о нем см. в книге [Кох 2012]) в 80 или более процентах ситуаций переход от данных к последующим этапам иерархии знаний можно успешно выполнить с помощью первичного анализа данных, который мы, следуя [Тьюки 1981], будем далее называть разведочным анализом данных (РАД).

Второй момент состоит в том, что ключевой компонент РАД – визуализация данных, т. е. представление данных в виде понятных и полезных картинок. Важно отметить, что роль картинок гораздо больше, нежели просто «сжать» информацию и представить ее в компактном виде. Зачастую они дают нам «новую» информацию, которой «как бы не было» при ином ее представлении. Дело в том, что правильная картинка позволяет нам увидеть не только сами значения данных, но и их связь друг с другом, а также наличие тех или иных особенностей и структур в поведении данных, не обнаруживаемых при их текстовом или табличном представлении.

Есть и чисто физиологическая причина того, что, глядя на картинку, человек часто видит много нового по сравнению с текстовым изображением или таблицей: мы воспринимаем картинку и текст разными полушариями мозга (логическим и эмоциональным) [Роэм 2009]. Другими словами, именно картинки часто служат тем мостиком, с помощью которого мы переходим от одной ступени DIKW к другой.

Следуя вышеприведенным стихотворным образцам, мы предлагаем такую модель:

Как превратить данные в информацию, информацию в знание, знание в мудрость?

Ответ: с помощью разведочного анализа данных (РАД).

В РАД мы включаем семь простых методов контроля качества [Куме 1990], семь новых методов контроля качества [Адлер 2000, Кане 2008], визуализацию данных, метод построения диаграмм (блок-схем) потока процессов (flowcharts), ящик с усами, правило семи вопросов, ментальные карты и любые другие полезные для понимания картинки. Поскольку все перечисленные методы нужны не только при контроле качества, а при анализе любых данных в любых сферах деятельности, мы далее опускаем слова «контроль качества» и говорим о семи простых и семи новых методах РАД, включив в семь простых диаграммы потока и визуализацию как самостоятельный метод (т. е. по сути семь простых у нас состоят из девяти инструментов)[2].

Один из самых простых способов превратить данные в информацию – добавить к ним ответы на семь простых вопросов: кто? когда? как? где? зачем их собирал? сколько чего собрали? и что, собственно, они означают?

Но вербальных ответов недостаточно – они по-прежнему не позволяют нам обнаружить структуры и тренды (если, конечно, они есть – а они есть в большинстве случаев реальной жизни). Чтобы обнаружить структуры и тренды в данных, их – данные – нужно визуализировать.

Наиболее употребительные практические инструменты визуализации данных перечислены в табл. 1.1.

Бóльшая часть того, что перечислено в этой таблице, будет рассмотрена в разных местах книги, но сначала разберем несколько примеров того, как визуализация помогает нам обнаружить то, что нельзя увидеть из цифр. В табл. 1.2 приведена часть таблицы Росстата с данными о валовом внутреннем продукте (ВВП) РФ в постоянных ценах 2011 г. (вся таблица просто не поместится на одной странице). Значения ВВП приведены в миллиардах рублей. Данные даны поквартально, но из таблицы вряд ли вы увидите какие-то закономерности.

На рис. 1.2 показан ход ВВП во времени с 1995 по 2016 г. в постоянных ценах 2008 г. Из рисунка видно, что рост ВВП начался сразу после дефолта 1998 г. и дальше до 2007 г. шел с практически идентичной структурой данных, что говорит о постоянстве системы, т. е. рост ВВП на этом участке был обусловлен восстановлением экономики после дефолта. В 2008 г. произошел обвал вследствие мирового экономического кризиса, после чего снова начался рост, прекратившийся примерно в 2012 г. После этого экономика не растет, т. е. имеет место так называемая стагнация экономики страны. Все вышесказанное очевидно любому человеку, и для этого не нужно ничего считать, так же как и не нужно никаких специальных экономических знаний. Нам все рассказала простая картинка, на которой показан ход процесса во времени. Такая картинка получила название «карта хода процесса». Англоязычный аналог этого термина – run chart.