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.
Пример аналитического мышления: прогноз спроса в Cisco
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.
Сбор данных (измерение). Притом что выбор переменных с самого начала был очевиден, источники информации об объеме текущих заказов достаточно разнообразны и каждый из них следовало оценить с точки зрения соответствия потребностям модели. Например, Cisco группирует заказы потребителей по отраслям, емкости потребительских сегментов, регионам и фактическому объему поставок отдельным потребителям. Эти показатели не всегда соответствуют друг другу. К счастью, группировка продаж по всем возможным критериям уже содержалась в имеющейся базе данных компании. Тем не менее группе аналитиков под руководством Робинсон предстояло разработать несколько новых показателей удовлетворения спроса по категориям потребителей, что могло бы стимулировать ориентацию на потребителя во всей цепи поставок Cisco.
Анализ данных. Статистическое прогнозирование на выходе дает прогнозируемый уровень спроса с доверительным интервалом для каждого уровня. Например, спрос на конкретную модель роутера в месяц по прогнозу составит от 3 до 3,5 тысячи единиц с 95-процентной вероятностью попадания в этот интервал. Гибкий подход к разработке модели включает ряд шагов, на выполнение каждого из которых требуется два-три месяца, чтобы удостовериться в работоспособности модели и в том, что ее можно масштабировать в соответствии с количеством и разнообразием продуктов Cisco. Некоторые из этих шагов включают выполнение следующих операций:
• выбор программного продукта, удовлетворяющего требованиям (Cisco выбрала SAS Forecast Server с поддержкой функции сборного прогноза);
• оценка вероятности того, что статистическая модель представит более надежный результат, чем согласованный прогноз аналитиков, и проверка этого утверждения;
• настройка моделей с целью повышения точности прогнозов;
• оценка возможности охвата номенклатуры с тысячами позиций, относящихся к трем сотням линий, в рамках данного метода прогнозирования (это возможно);
• автоматизация модели (процедура ручного расчета будет слишком трудоемкой, но в случае необходимости менеджеры и эксперты смогут это сделать).
На каждом шаге предусмотрен контроль со стороны сотрудников, заинтересованных в результатах анализа, что увеличивает их вовлеченность в реализацию нового подхода.
Результаты и необходимые меры. В настоящее время методом статистического прогнозирования еженедельно готовится прогноз спроса по более чем 18 тысячам позиций номенклатуры на 24 месяца вперед. В результате сочетания статистического и согласованного прогноза его точность повысилась в среднем на 12 процентов. По словам Кевина Харрингтона, проект оказался очень успешным:
Результатами проекта стали повышение точности прогноза, рост оборачиваемости запасов и общее повышение согласованности спроса на продукты и их поставки, что привело к сокращению избыточных складских запасов и более быстрому, надежному обслуживанию как Cisco, так и ее потребителей. В худшие времена недавнего финансового кризиса Cisco получила возможность сократить объем складских запасов в сбытовой цепи, не прибегая к их уценке или ухудшению качества обслуживания. В настоящее время наши эксперты по статистическому прогнозированию работают над дальнейшим совершенствованием модели в условиях роста спроса в результате глобального экономического оживления[117].
В дополнение к результатам, описанным Харрингтоном, Энн Робинсон отмечает, что теперь менеджеры компании уверенно используют показатели уровня спроса и вероятности для характеристики спроса. Они привыкли использовать интервалы возможных значений спроса в противоположность одному прогнозному показателю и упоминают о них на любом важном совещании. Коротко говоря, культура прогнозирования в Cisco резко изменилась в направлении перехода на аналитическую основу.
На всем протяжении проекта Робинсон пыталась вовлечь всех занимающихся прогнозированием сотрудников в новый аналитический процесс. Она провела интенсивный мозговой штурм с участием заинтересованных в получении прогноза, чтобы идентифицировать новые показатели, ориентированные на потребителя. Она устраивала панельные дискуссии с более широкой аудиторией, разрабатывала «дорожные карты» реализации проекта для отдельных групп, а также много раз проводила презентацию «Прогнозирование 101» (Forecasting 101). Для нее разрабатывалось визуальное представление результатов, полученных благодаря функционирующей модели, а сотрудникам предлагалось на их основе «рассказать их собственную историю» о данных. Робинсон наладила тесное сотрудничество с IT-отделением Cisco и отметила, что иногда сложно было найти отличия в заданиях ее группы и IT-отделения.
Пример аналитического мышления: оптимизация сбытового персонала в компании Merck
Определение оптимальной численности сбытового персонала в ведущей фармацевтической компании наподобие Merck – сложная аналитическая задача. Регулярно появляются новые продукты, стимулируя спрос и одновременно потребность в сбытовом персонале; столь же регулярно заканчивается срок действия патентов на выпускаемые продукты, что приводит к сокращению потребности в сбытовом персонале. Для новых продуктов данных об объемах продаж за прошлые периоды не существует, поэтому методов надежного прогнозирования будущей потребности в сбытовом персонале нет.
Многие фармацевтические компании нанимают внешних консультантов для решения этой задачи. Однако когда количественный аналитик Пол Каллукаран, имеющий опыт анализа данных по объемам продаж в фармацевтических компаниях, пришел на работу в отдел коммерческой аналитики, топ-менеджеры компании решили, что пора провести анализ численности сбытового персонала собственными силами.