Эрик Томсен

На страницах Intelligent Enterprise уже излагались концепции, продвигаемые поборниками методологии Six Sigma. Эта основанная на статистике методология должна стать обязательным компонентом бизнес-аналитики (Business Intelligence, BI), именно она позволит менеджерам достичь "обетованной земли" в том, что касается оптимизации корпоративного управления производительностью. Принципы Six Sigma помогают мыслить в терминах процессов, измерять и интерпретировать текущие события, сравнивая их с историческими данными. Это позволяет не только измерить эффективность корпоративных процессов, но и понять при этом, чем вызван разброс результатов измерений (то есть шум) - случайностью или внесистемными факторами, которые сигнализируют о необходимости изменения модели процессов.

Но измерение - это лишь часть Six Sigma, необходимая, но сама по себе неспособная привести вас в "землю обетованную". Вам также понадобятся усовершенствования, а они зависят от способности изучать, а та, в свою очередь, определяется целенаправленным взаимодействием.

В этой статье я расскажу, почему следует измерять оперативные параметры самих процессов, а не только их результатов, и почему простой анализ данных по методу раскопки данных (data mining) - независимо от степени "очистки" этих данных - не гарантирует получения полезных результатов.

От результатов до движущих сил

Решения по оптимизации процессов принимаются на основе определенной количественной оценки текущего качества процессов. В Six Sigma предлагаются две общепринятые меры качества (и повышения качества). Самая стандартная мера - стандартные отклонения (статистики называют их "сигмами") от среднего результата процесса, которые падают в границы приемлемых для бизнеса значений. Чем больше число сигм, попадающих в эти границы, тем меньше изменчивость процесса. Познакомимся с гистограммами измерения результатов процесса, показанными на рисунках 1 и 2. Хотя у обеих гистограмм одно среднее, в первом случае изменчивость процесса существенно выше, так как здесь только 85% результатов процесса являются приемлемыми, а во втором случае доля недопустимых результатов - менее 0,1%.

Следующий стандартный показатель - мера среднего результата процесса. Как показано на рис. 3 и 4, среднее качество процесса можно повысить (например, увеличив длительность работы батареек или сократив время получения результата), не меняя степень изменчивости процесса. Таким образом, качество процесса можно повышать за счет снижения изменчивости или повышения качества среднего результата.

Допустим, вы отвечаете за отношения с клиентами в сети эксклюзивных розничных магазинов. Картина изменчивости удовлетворения клиентов похожа на рис. 1, а перед вами стоит задача повысить качество обслуживания так, чтобы картина изменилась и стала похожа на рис. 2. Чтобы измерить уровень удовлетворения клиентов, необходимо определить качество обслуживания, но для его повышения потребуется уже определить движущие силы и причины, влияющие на удовлетворенность клиентов. И, чтобы решить задачу, вам придется подчинить эти движущие силы своей воле.

Так что же движет удовлетворением клиентов? Приветливый или хорошо осведомленный продавец, щедрые условия возврата купленного товара, низкие цены, предоставляемые время от времени существенные скидки, расположение или часы работы магазина? А если это движущие силы, то как они связаны между собой? Насколько снижение средней цены повлияет на число удовлетворенных клиентов, увеличивающееся благодаря вводу более привлекательных условий возврата купленного товара?

Представление уровня удовлетворенности клиентов как результата определенного множества движущих сил эквивалентно написанию классического уравнения регрессии. Уровень удовлетворенности клиентов является функцией определенного числа независимых переменных движущих сил:

Уровень удовлетворенности клиентов = f (D1, D2, D3, ...).

Чем лучше вы знаете факторы, определяющие результат (в нашем примере - удовлетворение клиентов), тем больше удастся повысить качество результата, избежав ошибок в процессах, от которых все зависит. Осторожный подход позволяет исключить бессмысленные усилия, приводящие к заведомо ошибочным результатам (например, к появлению неудовлетворенных клиентов), и их последующее исправление (предложение специальных скидок, которые позволят вернуть недовольных клиентов).

Несмотря на очевидную полезность подобного совета и неоднократные рекомендации специалистов по статистическому управлению процессами и Six Sigma, очень многие компании не используют описанный подход. Компании предпочитают проверять качество готовых продуктов (от одежды до автомобилей), но не качество процесса производства. Разработчики ПО систематически тестируют программы после их создания, но при этом тратят массу сил и энергии на устранение брешей и создание "заплат", не говоря уже о гигантских усилиях, направленных на то, чтобы утихомирить недовольных клиентов.

Если все настолько очевидно, почему же компании не измеряют и не улучшают движущие механизмы? Ответ прост: движущие механизмы, влияющие на результаты процесса, не всегда очевидны. Вы должны получить знание о движущих процессами силах, и это позволит улучшить процессы.

Исключение несущественных факторов

Как же распознать движущие силы организационного процесса? Допустим, вы - директор по маркетингу в крупном холдинге, объединяющем пять торговых компаний. У каждой компании есть собственный Интернет-сайт для онлайновых продаж. На основании опыта компаний вы пытаетесь определить, какой из пяти сайтов наиболее эффективен. При просмотре сайтов компаний оказалось, что по структуре их можно условно отнести к одному из двух видов: широкий, но неглубокий (то есть большое число ссылок на главной странице при небольшом числе уровней) или узкий, но глубокий (небольшое число ссылок на главной странице при большой глубине вложенности). У каждой структуры свои плюсы и минусы. В беседах с директорами по маркетингу отдельных компаний выявилось, что за прошедшее время каждая компания неоднократно меняла структуру своего сайта (те, у которых сайт построен "вширь", ранее пользовались сайтом с "глубокой" структурой и наоборот). За восемь лет существования сайтов компании накопили свыше 4 Tбайт исторических данных о работе Web-сайтов.

Вы решили проанализировать историческую информацию с помощью инструментов раскопки данных, чтобы узнать, существует ли корреляция между структурой сайта и его эффективностью, и при положительном результате воспользоваться полученными знаниями. После предварительного обсуждения вы выбрали в качестве главной меры эффективности отношение числа продаж к общему числу посещений сайта (иначе говоря, важно количество продаж, а не их объем в денежном выражении). Итак, уравнение выглядит так:
Число продаж в расчете на посещение сайта = f (структура сайта).

Казалось бы, огромный объем собранных компаниями данных позволит моментально определить "идеальную" структуру. Но так ли это? В действительности предположение о том, что вывести полезное знание на основе данных только потому, что данные собраны, - ахиллесова пята технологий информационных хранилищ и BI.

Проблема в том, что существует масса скрытых факторов (вроде макроэкономических условий, номенклатуры товаров и конкурентной среды), способных повлиять на отношение числа продаж к посещениям сайта, и распределение этих факторов будет коррелировать с конкретной компанией и периодом времени, в который изменялась структура сайта. Чтобы сосредоточиться на потенциально важных отношениях (изменение числа продаж в расчете на посещение и структура Web-сайта), надо исключить другие факторы путем преднамеренной рандомизации.

В нашем примере, чтобы уравнять вероятность влияния неизвестных движущих сил, каждая компания должна поддерживать два Web-сайта с разной структурой и в случайном порядке направлять посетителей на один из них. Если бы различие в эффективности структуры сайта обуславливалось фактором времени или номенклатуры товаров, это легко бы обнаруживалось по разнице в средней производительности двух версий - в зависимости от номенклатуры или времени. Все изменения целевого параметра (продажи, деленные на число посещений), обусловленные факторами времени, номенклатуры или экономических условий, исключались бы автоматически, что позволило бы сосредоточиться лишь на зависимости между структурой и продажами в расчете на посещение.
Как правило, предполагается, что факторов, влияющих на выходные параметры, несколько. В таких случаях вы (вопреки тому, что подсказывает интуиция) добьетесь лучших результатов, если будете проверять воздействие всех факторов-кандидатов одновременно. За более чем полстолетия проведена огромная работа и накоплена обширная литература по постановке экспериментов со множественными движущими силами, факторами. Хотя с увеличением числа факторов число экспериментов растет экспоненциально, такие методы, как дробный факторный анализ, позволяют компании узнать о влиянии всех факторов, выполнив лишь часть из всего числа возможных экспериментов.

Чтобы обнаружить способы улучшения процессов, требуется нечто большее, чем простой анализ регулярно собираемых данных. Невозможно поставить управляемые эксперименты для изучения всего, что хотелось бы изучить, однако вы все же можете превратить изучение в организационный процесс, который предусматривает целенаправленное взаимодействие с внешним миром. Подумайте, ведь 100 Мбайт целенаправленно отобранных данных могут дать для принятия решений намного больше, чем 100 Тбайт просто регулярно собираемых данных.

Процесс обучения

Изучение возможностей улучшения организационных процессов сильно отличается от фактического улучшения этих процессов. Организации также должны реализовывать усовершенствования, которые считаются критически важными, и затем оценивать эффективность изменений. Как бы это ни называлось - Six Sigma, непрерывное изучение, тотальное управление качеством, управление корпоративной производительностью, управление производительностью бизнеса или управление производительностью организации, - организации должны переходить от пассивных информационных хранилищ (где хранятся регулярно собираемые данные), ориентированных на BI, к работе с активными хранилищами, ориентированными на принятие решений и модели. Эта работа должна проходить в рамках итерационного процесса обучения, основанного на целенаправленном взаимодействии с внешним миром, - тогда у компании действительно появится шанс достичь "земли обетованной".