Простое решение против сложного

Умные люди любят использовать свои особые способности, находя сложные решения кажущихся сложными проблем. Программное обеспечение позволяет еще большую сложность и обеспечивает лучший контроль.

Однако возникают две непосредственные проблемы. Первая – насколько это решение повлияет на фактические результаты? Другими словами, оправдывают ли результаты дополнительные усилия? Другой – может ли это решение оказаться неудачным? Другими словами, каков риск получения худших результатов?

Простые решения сосредоточены только на нескольких переменных, используют гораздо меньше данных, а внутренняя логика может быть хорошо понятна всем вовлеченным людям. Однако простые решения не являются оптимальными, а это означает, что можно было бы достичь большего, по крайней мере, теоретически. Вот основной конфликт:

До недавнего времени мы могли утверждать, что простые решения имеют преимущество из-за трех общих проблем сложности.

1. Неточные данные могут легко испортить оптимальное решение, поскольку более сложные решения чувствительны к точному значению множества переменных.
2. Люди, внедряющие решение, могут неправильно понять логику и совершить серьезные ошибки, что помешает достижению отличных ожидаемых результатов.
3. Любая неверная базовая посылка, лежащая в основе оптимального решения, ухудшает результаты.
   • Например, предположим, что определенные переменные, такие как продажи товара в разных местах, стохастически независимы.
   • Когда решение основано на программном обеспечении, ошибки могут легко помешать результатам. Чем сложнее алгоритм, тем выше вероятность ошибок, которые нелегко идентифицировать.

Недавнее проникновение в жизнь новых технологий может подтолкнуть к усложнению. Оцифровка потока материалов через цеха и склады, включая RFID, повысила точность данных. Искусственный интеллект (ИИ) в сочетании с большими данными может учитывать совокупное влияние многих переменных, а также учитывать зависимости и новые обнаруженные корреляции.

Каковы ограничения сложной автоматизации?

Два разных типа потенциальных причин сбоев:

1. Ошибочные результаты из-за проблем со сложным алгоритмом:
   • Отсутствует информация по событиям, имеющим явное влияние. Например, изменение правил, новый участник и т.д. Другими словами, информация, которая естественным образом известна людям, но не включена в цифровые базы данных.
   • Ошибочные исходные посылки, особенно в отношении моделирования реальности и ошибок программного обеспечения. Они включают в себя оценки поведения неопределенности и соответствия прошлых данных текущему состоянию.
2. Неполное понимание цели высшего руководства. У людей есть эмоции, желания и ценности. Могут быть получены результаты, которые формально соответствуют цели, но нарушают определенные ключевые ценности, такие как справедливость и честность по отношению к клиентам и поставщикам. Эти ценности сложно закодировать.

Человеческий разум работает иначе, чем компьютер, что приводит к несогласованности в оценке хорошего решения.

Человеческий разум использует причинно-следственную логику для предсказания будущего, используя неформальную и интуитивную информацию. С одной стороны, интуитивная информация может быть неверной. С другой стороны, игнорирование четкой причинно-следственной связи и действительно релевантной информации определенно может привести к худшим результатам.

Искусственный интеллект использует статистические инструменты для выявления корреляций между различными переменными. Но он воздерживается от предположения о причинно-следственной связи, и поэтому его прогнозы во многих случаях ограничиваются существующими данными и не учитывают недавние изменения, которых не было в прошлом. Единственный способ предсказать последствия такого нового изменения – это причинно-следственная связь.

Люди ограничены в выполнении множественных вычислений. Человеческий потенциал также ограничивает количество различных дел, которыми он может заниматься за определенный период времени.

Еще один аспект, который следует учитывать, – это влияние неопределенности. Общий подход к неопределенности состоит в том, что она значительно усложняет способность предсказывать будущее на основе того, что известно из прошлого.

Неопределенность существенно ограничивает нашу способность предсказывать все, что находится в пределах «шума». Шум можно охарактеризовать как «общую и ожидаемую неопределенность», означающую совокупную изменчивость всех соответствующих переменных, с акцентом на область подавляющего большинства случаев (скажем, 90% результатов), игнорируя редкие случаи. Так что любой результат, попадающий в рамки «шума», не должен вызывать удивления. Пока «шум» остается примерно на том же уровне, он представляет собой предел способности предсказывать будущее. Но это уже более чем ничего, поскольку можно очертить границы шума, а прогнозы, выходящие за рамки шума, должны быть в центре внимания анализа и принятия решений.

Голдратт сказал: «Не оптимизируйте шум!»

Хороший статистический анализ всех известных источников шума может помочь уменьшить шум. По словам Голдратта, это часто означает неэффективное использование управленческого времени. Во-первых, потому, что в большинстве случаев снижение шума относительно невелико, но при этом требуются усилия для поиска дополнительных необходимых данных. Во-вторых, требуется время, чтобы доказать, что снижение шума реально. И в-третьих, что есть другие изменения, которые могут улучшить производительность, выходящую далеко за рамки существующего шума.

Потенциальная неудача статистического анализа заключается в рассмотрении прошлых данных, которые больше не актуальны из-за серьезного изменения, которое влияет на соответствующую экономику. Можно задаться вопросом, имеют ли прогнозы, учитывающие данные до Covid-19, какое-либо отношение к будущему после Covid.

Осознание того, что истинное улучшение производительности должно быть намного выше шума, значительно упрощает естественную сложность и может привести к эффективным простым решениям, которые хорошо адаптируются к значительным изменениям, выходящим за рамки естественного шума.

Примеры общей проблемы

Управление запасами – важнейший элемент цепи поставок. Прогнозировать спрос на каждый конкретный товар в каждом конкретном месте довольно сложно. Человеческой интуиции может быть недостаточно. Текущая практика заключается в определении некоторого периода времени, например, двух недель, для запасов товара X в местоположении Y. Количество «двухнедельных запасов» определяется либо путем прогноза, либо путем определения средних продаж в день.

Теперь, когда используется гораздо более сложный ИИ, предполагается, что можно точно спрогнозировать спрос и согласовать его со временем предложения, включая отклонения в поставках. Однако прогнозы никогда не бывают одной точной цифрой, это справедливо и для времени поставки. Каждый прогноз – это стохастический прогноз, то есть он может варьироваться. Наличие более точного прогноза означает, что разброс вероятных результатов меньше, чем для менее точного прогноза. Сложное решение может попытаться оценить ущерб от дефицита по сравнению с излишками, однако часть необходимой информации для такой оценки может отсутствовать в доступных данных. Например, значительный ущерб от дефицита часто является отрицательной реакцией клиентов. Возможно, можно отследить фактическую потерю продаж из-за дефицита, но сложно оценить будущее поведение разочаровывающих клиентов.

Более простой ключевой вывод TOC для управления запасами – как можно быстрее пополнять запасы. Это означает сужение горизонта прогнозирования. Фактически, TOC предполагает, в качестве первоначального достаточно хорошего прогноза, отсутствие изменений в спросе на этом горизонте, поэтому пополнение сегодня того, что было продано вчера, работает достаточно хорошо.

Еще одна важная идея – учитывать целевые запасы не только в наличии, но и включать запасы, которые уже находятся в пути. Это более практичное определение, поскольку оно представляет собой текущее обязательство по хранению запасов и упрощает сохранение целевого уровня.

Определение целевого запаса, включающего в себя как запасы в наличии, так и запасы в пути, позволяет выдавать сигналы, отражающие текущее состояние запасов в местоположении. Обычно мы ожидаем, что в наличии будет что-либо от 1/3 до 2/3 целевого уровня, чтобы представить «примерно правильный» статус запасов, зная, что остальное где-то в пути. Когда в наличии меньше одной трети, состояние запасов находится под угрозой, и требуются действия для ускорения отгрузки. Это обязанность менеджера-человека – оценить ситуацию и найти лучший способ на нее отреагировать. Такое событие запускает оценку, не является ли целевой уровень слишком низким и не требуется ли его повышения. Вообще говоря, целевые уровни большую часть времени должны быть стабильными. Частые повторные прогнозы обычно сопровождаются небольшими изменениями.

Вопрос: поскольку целевой уровень включает страховой запас, в чем смысл частого изменения целевого уровня на 1-10%, ведь это, вероятно, просто отражение обычного шума, а не реальное изменение спроса?

Сложное решение могло бы попытаться оценить две неопределенные ситуации: какой спрос может возникнуть за короткое время, и успеют ли вовремя доставить запасы, находящиеся в пути. Оно также оценило бы, попадут ли ожидаемые результаты в требуемый уровень обслуживания клиентов.

Уровень обслуживания – понятие искусственное и вводящее в заблуждение. Попробуйте сказать покупателю, что его доставка попала в те редкие 3-5% случаев, которые не успели в срок. Клиенты понимают, что такое иногда случается, но они захотят услышать ваши оправдания. Также практически невозможно достичь заданного уровня обслуживания, скажем, 95%, потому что даже при самом сложном статистическом анализе мы не сможем по-настоящему уловить стохастическую функцию. Удобно предположить, что разброс надежности доставки соответствует нормальному распределению, но это неверно.

Учитывая практическую потребность в том, чтобы люди понимали логику решения и могли вводить важную информацию, которая не содержится в какой-либо базе данных, признавая при этом превосходство компьютеров в том, чтобы следовать хорошо построенным алгоритмам и выполнять огромное количество вычислений, приводит нас к направлению решения. Он должен включать в себя два элемента: простую мощную и согласованную логику, реализуемую не слишком сложным программным обеспечением, в сочетании с взаимодействием с человеком-менеджером. Определенно непростая миссия, амбициозная, но выполнимая задача.

Блог Эли Шрагенхайма

Книга в подарок

Опубликована наша книга «Прорыв. Единственный путь развития бизнеса». Это бизнес-роман о производственном предприятии, столкнувшимся с «потолком» в своем развитии. Для прорыва в развитии руководству и персоналу приходится преодолеть собственные, выстраданные на опыте, но устаревшие убеждения. Читателю предлагается пройти через этот прорыв вместе с героями. Вы увидите трудности такой трансформации, осознаете природу сопротивления изменениям и реальный путь к таким изменениям.
Подпишитесь на наш Telegram-канал и получите книгу в подарок!

Получить подарок

---

Лучшие статьи каждую среду в нашей рассылке. Присоединяйтесь к TOCpeople!

Подписаться

Нажимая на кнопку «Подписаться», я принимаю условия Политики конфиденциальности.