О чем говорят цифры. Как понимать и использовать данные - Ким Хо

Следующие аналитические проекты касались движения запасов в цепи поставок. Проекты анализа структуры контрактов на оборудование нацелены на обеспечение взаимовыгодного сотрудничества с поставщиками и гибкости производства. Прогнозирование спроса на продукты, позиционирование новых продуктов ориентированы на обслуживание потребителей и оптимизацию затрат, требуемых цепочкой поставок. Эти системы по-прежнему активно используются или совершенствуются на основе аналитических систем и процедур принятия решений второго и третьего поколения. В последнее время такие проекты распространились и на многочисленные подразделения Intel, занимающиеся разработкой новых продуктов. Специалисты по техническим решениям устанавливают отношения со старшими менеджерами, наделенными интуицией и имеющими опыт разработки инновационных продуктов. Последние аналитические проекты включают разработку отдельных потребительских свойств будущих продуктов, проигрывание сценариев внедрения продуктов с учетом распределения технических ресурсов между отдельными проектами.

Эти проекты и их результаты в 2009 году принесли Intel премию Института исследования операций и менеджмента за «последовательное применение принципов исследования операций и менеджмента лидерским, инновационным, нестандартным образом и на постоянной основе». Принимая награду, тогдашний председатель совета директоров Крейг Барретт назвал применение прогрессивной аналитики причиной роста конкурентоспособности компании в течение предшествовавших двух десятилетий, что обеспечило миллиарды долларов прибыли.

Успешное решение аналитической проблемы требует соблюдения определенных обязанностей как количественными аналитиками, так и лицами, принимающими решения (то есть вами). Большая часть глав этой книги посвящена описанию того, чем занимаются кванты и как вам лучше разобраться в их данных и отчетах. Сейчас пришло время обрисовать роль тех, кто принимает решения, в аналитических разработках – независимо от уровня их математической подготовки.

• уделить аналитикам достаточно времени и внимания, чтобы удостовериться в том, что они способны увидеть проблему с вашей точки зрения;

• выделить в их распоряжение время и внимание людей из вашей организации, способных помочь в понимании деталей деловой ситуации;

• иметь четкое представление о времени и средствах, необходимых для выработки решения, и достичь согласия с коллегами по этому вопросу;

• в достаточной степени изучить математику и статистику, чтобы в общих чертах понимать принцип работы модели и возможные причины того, что она неадекватна реальной ситуации;

• вежливо, но твердо требовать объяснить вещи, которые вам непонятны;

• посещать все брифинги, совещания и демонстрации, имеющие отношение к аналитике;

• проинформировать сотрудников о том, что эффективное использование модели необходимо как для успеха компании, так и для их собственного успеха.

В главе 6 мы предложили несколько способов изучения основ статистики людьми, принимающими решения. Мы считаем, что это непременная обязанность менеджеров любого уровня, включая топ-менеджеров. Почему? В нашем насыщенном информацией обществе и деловой культуре просто невозможно представить применение данных и аналитики для решения управленческих проблем без достаточно сложного математического инструментария.

Те менеджеры, которым недостает математической подготовки, легко могут попасть в неприятные ситуации, что наглядно подтверждает пример Джо Кассано из AIG Financial Products, приведенный в главе 1. Многие компании все в большей степени используют статистические и математические модели для ведения бизнеса. Отсюда логически следует вывод о том, что менеджер, не понимающий принципов построения математических моделей, не может успешно внедрить их в практику. Как говорит выпускник Йельского университета Роберт Шиллер (обосновывая причины финансового кризиса 2008–2009 годов, который ему удалось предсказать), «если вы руководите компанией, то должны уметь обращаться с цифрами. Количественная информация действительно имеет значение»[109].

Некоторые компании настаивают на том, чтобы их менеджеры имели базовые знания в математике и построении моделей. Например, генеральный директор TD Bank Group Эд Кларк, получивший степень по экономике в Гарвардской школе бизнеса, сумел избежать многих проблем, с которыми столкнулись другие американские банки в период финансового кризиса. Он так описывал эти проблемы в интервью газете Toronto Star: «Общаясь с коллегами по сфере операций со структурированными финансовыми продуктами, я столкнулся с весьма опасным фактом: они просто не понимали сути этих инструментов. Им никогда не приходило в голову самостоятельно провести математические расчеты, положенные в основу каждого такого продукта. Отчасти это следствие того, что они делегировали их разработку и понимание на слишком низкие уровни организационной иерархии»[110].

По мере того как во всех отраслях находят все более широкое применение аналитика и базы данных, топ-менеджерам вменяется в обязанность овладеть более или менее сложными аналитическими приемами. Иначе они просто не смогут вмешаться, когда какой-нибудь трейдер ввяжется в операции, связанные с чрезмерным и неосознаваемым риском, или когда маркетолог предложит предсказательную модель, требующую сбора слишком большого объема аналитических данных. В результате их компании и потребители оказываются в весьма опасном положении.

В частности, топ-менеджеры должны разбираться в таких концепциях:

• показатели общей тенденции (среднее значение, мода, медиана);

• вероятности и распределение;

• выборка;

• основы корреляционного и регрессионного анализа;

• основы постановки экспериментов;

• интерпретация визуальной аналитики.

Топ-менеджеры могут освоить эти концепции теми же способами, что и их подчиненные; кроме того, топ-менеджеры располагают достаточными средствами для того, чтобы пригласить профессоров или консультантов провести занятия для группы старших менеджеров или даже индивидуальные.

Мы уже приводили знаменитое высказывание статистика Джорджа Бокса: «Все модели некорректны, но некоторые при этом полезны». Тогда же мы заметили, что очень важно уловить тот момент, когда некорректная модель перестает быть полезной. Чаще всего это происходит тогда, когда заложенные в модель исходные предположения оказываются неверными или недействующими. Мир постоянно меняется, и обязанность скептически настроенного топ-менеджера в том, чтобы определить, не привели ли эти изменения к недостоверности модели. Далее приведены некоторые примеры исходных предположений для количественных моделей, на практике используемых организациями.