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

Иногда квантам все же приходится прибегать к специальной терминологии, чтобы объяснить суть проведенных процедур. Но даже если без этого не обойтись, кванты должны быть готовы к «переводу» специальных терминов на понятный язык, и это не должно заставать их врасплох. Если речь идет об аналитической процедуре или методе, который используется часто, то кванты в вашей организации могут организовать совещание с коллегами и совместно решить, как понятно и просто объяснить его суть. Конечно, для относительно простых видов анализа, включающих одну-две переменные, визуальная аналитика представляет собой наиболее эффективный способ объяснить взаимосвязи между показателями.

Как уже упоминалось в этой главе, оптимальные решения принимаются не столько благодаря математике, сколько благодаря налаженным взаимоотношениям между квантами и менеджерами. Если ваши кванты не стремятся к установлению таких отношений, то им, возможно, стоит переквалифицироваться в астрофизики, лесники или поискать профессию, предполагающую работу в одиночестве, вместо того чтобы пытаться делать карьеру в бизнесе.

Конечно, легче сказать, чем сделать; однако действительно большинство квантов исторически предпочитали цифры людям. Если вы ищете и проводите интервью с ориентированными на командную работу квантами или отбираете кандидатов в аналитическую программу для нужд бизнеса (вроде той, которая проводится в Университете Северной Каролины и описана в главе 6), то так или иначе вам придется решать эту проблему.

Нам приходилось видеть не одну организацию, в которой кванты прямо-таки получали удовольствие от того, что «нормальные» предприниматели чувствуют себя дураками. Они могли заявить что-нибудь вроде: «Конечно, вам приходилось слышать о регрессионном анализе!», «Извините, но показатель R-квадрат – это настолько элементарная вещь, что у меня нет времени ее объяснять». Некоторые «суперкванты» (как одна организация называла своих наиболее продвинутых в количественном анализе сотрудников) даже позволяли себе смотреть сверху вниз на рядовых квантов, занимавших аналогичные должности в соседней компании.

Конечно, подобное поведение неприемлемо и крайне вредно для эффективного решения проблем. Как и во многих других случаях, оно говорит о том, что человек не чувствует достаточного уважения к себе. В организациях, где кванты глубоко вовлечены в предпринимательские аспекты деятельности и пользуются искренним уважением людей, принимающих решения, каждый из них оказывается прекрасным человеком и приятным в общении коллегой. В организациях, которые зачем-то пригласили их на работу, но при этом игнорируют каждый раз, когда дело доходит до принятия важных решений, отношения с ними складываются весьма непросто. Как и большинство других людей, кванты уважают тех, кто с уважением относится к ним.

Прогнозирование потребительского спроса представляет серьезную проблему для многих компаний, особенно в машиностроительной отрасли[115]. Для Cisco Systems, лидера на рынке телекоммуникационного оборудования, это особенно важно. Компания имеет очень сложную глобальную цепь поставок и не производит большинство продуктов, которые продает. Вице-президент по глобальным операциям в Отделении управления цепочками ценности Cisco Кевин Харрингтон говорит: «Прогнозирование потребительского спроса, конечно же, центральное звено управления цепью поставок и ключевой фактор гибкого производства. Это приобретает особое значение в такие времена, как сейчас, когда в макроэкономике происходят быстрые изменения, сопровождаемые хаотичными колебаниями спроса и предложения. По сути, возникшая у Cisco необходимость списать некоторое количество неиспользуемых запасов (стоимостью около 2,25 миллиарда долларов) после краха доткомов в 2001 году стала своего рода толчком к глобальной трансформации нашей цепи поставок»[116].

Этот проект стал удачной иллюстрацией не только аналитического мышления, но и конструктивных взаимоотношений между менеджерами, принимающими решения, и количественными аналитиками.

Определение и формулирование проблемы. Проблема Cisco состояла в том, чтобы разработать надежную методику прогнозирования спроса по каждому из более чем десяти тысяч продуктов. Менеджеры из разных подразделений компании, включая отделы продаж, маркетинга и финансов, уже разработали «согласованный прогноз» на основе некоего сочетания интуиции и экстраполирования тенденций спроса за предыдущие периоды. Но вице-президент Cisco по управлению спросом и планированию Карл Брейтберг понимал, что статистический прогноз, основанный на данных, вполне может стать полезной альтернативой интуитивной разработке сотрудников, ведь в последнем случае на показатели спроса мог повлиять избыточный оптимизм разработчиков. Он поручил старшему менеджеру отдела планирования и прогнозирования спроса Энн Робинсон и ее команде из шести человек попытаться разработать методику статистического прогноза. Робинсон поняла, что для успеха этого проекта ей надо не только разработать надежную модель, но и заставить менеджеров компании поверить в нее и использовать при принятии решений. Она определила ключевых сотрудников, заинтересованных в получении надежной методики прогнозирования, и составила план проекта, согласно которому надежные результаты ожидались через восемнадцать месяцев после начала эксплуатации предложенной модели. На каждом этапе разработки она демонстрировала результаты заинтересованным лицам, учила их использовать модель и, как она надеялась, получила поддержку на будущее.

Изучение предыдущих поисков решения. Существует несколько подходов к статистическому прогнозированию. На основе изучения имеющегося опыта таких исследований можно утверждать, что наилучшие результаты достигались в результате одновременного применения разных подходов – так называемого сборного прогноза. Робинсон знала из опыта предыдущих исследований, что сборный прогноз представляет собой достаточно мощный и универсальный инструмент исследования, поэтому она удостоверилась, что все рассмотренные на этом этапе аналитические инструменты обладают аналогичными качествами.

Моделирование (выбор переменных). Ключевыми переменными модели, по всей видимости, должны стать объем заказов и объем продаж в прошлые периоды. Эти переменные достаточно широко используются для прогнозирования спроса в целом ряде отраслей.