Статистическое управление по-человечески: от статистического мышления к статистическому управлению

О статистическом мышлении и интуиции

Мы ошибаемся. Это заложено природой. Однако, когда риски явные, человек отлично справляется с ними. Понимание рисков — встроенная в нас функция, так называемое статистическое мышление.

Вот несколько примеров, подтверждающих данный тезис.

Мама и ребенок

Ребенок в процессе игры приблизился к проезжей части. Мама интуитивно понимает, что риск ДТП высок, и уводит малыша от дороги.

Как мать определила, что на этом расстоянии от проезжей части вероятность наступления неблагоприятного события носит критический характер? Она не вычисляла вариабельность движений ребенка, не производила сложных статистических расчетов. Мама интуитивно поняла, что ребенок в опасности.

Хозяйка и посуда

Теми же интуитивными позывами руководствуется любая хозяйка, когда не ставит посуду на край стола. Вероятность того, что любимую фарфоровую супницу неосторожным движением смахнут дети или муж, чрезвычайно высока.

Укладчица и пирамида

На стекольном заводе укладчица лобовых стекол просит руководство сдвинуть стойки для временного хранения стекла на два метра от проезжей части. Работница мотивирует свою просьбу так: «Водители электрокаров носятся как гонщики с «Формулы-1». Они самоуверенно считают, что не собьют пирамиды со стеклами. Но раз-два в месяц это все же происходит».

Почему два метра (это, кстати, с математической точки зрения почти верное число)? Вы думаете укладчица сделала этот вывод на основе нормального распределения? Нет. Это эмпирически вычисленное, статистическое верное решение.

Как же в обычной жизни мы измеряем степень риска? Эталоном выступает страх. Страх потерять ребенка, разбить посуду, попасть под дождь, сломать дорогое оборудование и т.д. 

Но когда мы говорим о вероятности наступления рисков от нескольких процентов и ниже, интуиция не срабатывает. Человек не может составить статистическую модель для редких событий. Нам не хватает «истории» для того, чтобы интуитивно спрогнозировать исход.

Часто мы пренебрегаем этим фактом, используя привычные нам статистические модели в областях, где они не работают. Об этом, кстати, отлично написал Нассим Николас Талеб в своей книге «Черный лебедь. Под знаком непредсказуемости».

Повысить точность наших решений в таких сферах можно, применив даже очень простую статистическую модель — нормальное распределение. К примеру, в автомобилестроении его использование позволило уменьшить дефектность в десятки, сотни, а иногда — в тысячи раз.

Но когда статистические методы «входят» на предприятие с математикой, формулами, таблицами и графиками, у людей наступает мыслительный разрыв. Они оказываются в абстрактной реальности. Им приходится полностью отключить интуицию, опыт и чувства, которые всегда помогали бороться с рисками.

Как же решить это противоречие? Как сделать так, чтобы укладчица стекол изучила нормальное распределение и ее от этого «не тошнило»? Нужно объяснить принципы статистических методов иначе!

О пользе статистики

Одна из основных причин слабого распространения статистических методов в управлении — их локальное освоение. Если на промышленном предприятии есть 1-2, в лучшем случае 5 специалистов по статистическим методами, то, по мнению руководства, этого более чем достаточно. Однако в таких условиях людям, владеющим сакральным знанием, просто не с кем разговаривать — их никто в компании не понимает.

Вторая причина — люди из-за неосведомленности не верят в силу статистических методов. Между тем статистика позволяет решить массу проблем. Вот примеры.

Вундеркинды и прутки

Для закрепления теоретических знаний по статистическим методам на практику на «Заволжский моторный завод» были направлены два талантливых студента факультета высшей математики и кибернетики. Так как в способности студентов, как и в статистические методы, на предприятии не верили, реальных цифр по процессам ребятам не предоставили. Лишь после личной просьбы  научного руководителя молодых людей  данные были практикантам выданы. И менее чем за 10 дней на участке обработки металлических прутков студентам удалось снизить дефектность почти в 50 раз.

Что же сделали молодые вундеркинды, применив статистические методы?

«Заволжский моторный завод» получал металлический пруток от трех поставщиков. Сырье поступало на один склад, где лежало в случайном порядке. Соответственно, прутки на производство тоже подавались хаотично.

Но они ошибались. Построив нормальное распределение, можно увидеть, что прутки от разных производителей отличаются. И если подавать сырье в случайной последовательности, условная мера разброса (среднеквадратическое отклонение) будет столь велика, что наладчики не смогут настроить оборудование. Что и наблюдалось на заводе.

Студенты на основе простейших статистических инструментов это показали и дали рекомендацию подавать пруток партиями от одного производителя. В свою очередь, наладчики должны были настраивать оборудование по первым трем пруткам партии. При смене партии (производителя) операцию по наладке нужно повторить.

Операторы и двойная погрешность

Операторы станков одного из крупных заводов считали, что очень точно обрабатывают изделия. При изготовлении каждой детали они измеряли отклонение от номинала на выходе процесса и прибавляли данную погрешность к погрешности материалов на входе. На основании полученного результата проводилась дополнительная, «точная», настройка оборудования. На самом же деле операторы из-за незнания законов статистики и теории вероятности удваивали вариабельность процесса.

Вина операторов в данном случае минимальная, реальная причина сложившейся ситуации — отсутствие грамотного статистического управления.

Что такое статистическое управление?

Чтобы ответить на вопрос, разберем кейс АвтоВАЗа. Приведенный пример продемонстрирует негативный управленческий опыт, основанный на ошибочной статистической парадигме.

Началась история в 1996 году, когда на место начальника управления по техническому контролю пришел Валерий Кокотов. Человек с пытливым умом, кандидат наук. Одним из первых его управленческих решений была инициатива провести ретроспективное исследование. Кокотов хотел узнать, как изменилась норма качества (уровень брака) за последние 5 лет. Так как управленческие решения должны быть направлены на снижение нормы, то Кокотов и большинство его сотрудников предполагали, что она стала жестче в 2-3 раза. Однако  руководитель исследовательской группы  считал иначе и оказался прав. В сравнении с 1991 годом норма стала мягче в 3 раза!

Для того чтобы разобраться в причинах, пришлось «вернуться» в 1991 год. Тогда на месте начальника управления по техническому контролю качества был энергичный специалист, в прошлом работавший в силовых структурах. Его назначение на должность в то время было обусловлено восприятием руководства качества как борьбы и войны. В те годы практически все предприятия страны жили в такой парадигме.

На АвтоВАЗе в тот момент работала система «Рено». Суть ее в том, что по истечении квартала подсчитывалось количество дефектов, сделанных в цехе или на участке. Дефекты делились на три категории, каждая из которых имела свой штрафной балл:

• критические дефекты — 5 баллов;

• значительные — 2 балла;

• малозначительные — 1 балл.

Сумма сравнивалась с нормой. В 1991 году она приравнивалась к 100 баллам. Если число штрафных баллов было выше нормы, то подразделение лишалось премии.

Возможно, в «Рено» система работала неплохо, но на АвтоВАЗе она стала мощным двигателем оппортунизма со стороны рабочих. Система спровоцировала «войну» между менеджментом и рабочими. И последние блестяще переигрывали первых, добиваясь ослабления норм качества, что говорит о неверности выбранной политики.

В ходе исследования было установлено, что ежегодно в первые три квартала норма выполнялась, а в четвертом — нет. Совпадение легко объяснялось манипуляциями с данными о дефектности.

Во-первых,  ОТК  учитывал не все дефекты. И это даже не сговор, а доброжелательное отношении соседей по дому. Как не пойти навстречу тому, с кем вместе ходишь на рыбалку, играешь в домино в одном дворе?

Во-вторых, данные о зафиксированных дефектах переносились с одного квартала на другой. Допустим, если брак выявлялся в последние 10 дней квартала, то штрафные баллы уходили на начало следующего отчетного периода. И так происходило до четвертого квартала, когда «фокус» уже нельзя было повторить.

В конце этого периода со стабильно плохими результатами к главе ОТК, человеку из силовых структур, отправляли делегацию из зрелых, голосистых женщин. Эти дамы говорили с высоким эмоциональным накалом, взывая к жалости руководителя: «Неужели ты наших деток без новогодних подарков оставишь? Лишишь нас праздника? И рука не дрогнет, когда ты будешь подписывать приказ о депримировании?». Руководитель управления ОТК, волевой мужчина, в прошлом милиционер, сдавался: «Ладно, не лишу премии, но в следующем квартале улучшайте показатели». Довольные женщины уходили.

А в первом квартале приходили мужчины. Мастеровые. Солидные. И говорили: «Ты же понимаешь, оборудование стареет, ремонтируется плохо, замены парка нет. Давай нормы-то повышай, а то плохо будет». И добавляли: «А ты подумай, тебе лично какая норма лучше: высокая или низкая. Тебя же начальство не спрашивает, сколько штрафных баллов в квартале, тебя спрашивают — выполнено или нет. Мы и тебе жизнь упрощаем».

Вот так норма год за годом ползла вверх. Кто в этом виноват? Неработающая управленческая модель, имеющая статистический дефект.

О причинах дефекта и истории трансформации статистического управления вплоть до сегодняшнего дня читайте в следующих статьях:

• «Статистическое управление по-человечески: отказ от принуждения»,

• «Статистическое управление по-человечески: к дню сегодняшнему».

Автор текста: Наталья Белостоцкая