Что Вы ответите, если Вам скажут, что само понятие «менеджмент» уже изжило себя? Что менеджмент – не что-то изначально созданное природой, а «технология» созданная человеком несколько веков назад, а многие руководители и управленцы пользуются самыми первыми его версиями. Что менеджмент в современной жизни можно сравнить с керосиновой лампой, высеканием огня из камня и даже с хвостовидным придатком у человека!
Мне, конечно, не очень приятно… как-никак дома лежит диплом магистра по направлению «Общий и стратегический менеджмент».
А именно такие мысли у меня появляются, когда читаю “Drive” Дэниела Пинка. Так что же такое менеджмент в его понимании? «Идея менеджмента строится на определенных предпосылках о природе тех, кого необходимо «менеджерить», – пишет Пинк. Во-первых, предполагается, что для того, чтоб человек не сидел на месте, а что-то делал, его просто необходимо чем-то подтолкнуть (вознаграждение или наказание), иначе он не сдвинется с места, довольный тем, что имеет.
Второй предпосылкой является то, что если человек что-то и начал делать, то ему необходимо указать правильное направление, иначе (без жесткого и надежного контроля) он заблудится и будет бесцельно скитаться. Помните наш эксперимент на Empatika Open, когда мы играли в «Найди то, не знаю что» и оказалось, что тот участник, которого поощряли за правильные шаги, справился с заданием в 4 раза быстрее, чем тот, которого ругали за неправильные?
«Насколько же верны предпосылки?» (кстати, им самим и озвученные), спрашивает Пинк. Какими люди приходят в этот мир? Инертными и пассивными или активными и вовлеченными?
Он же и приводит пример, пытаясь опровергнуть свои предпосылки. Часто ли Вы видите годовалых малышей, которые бы не были любопытными и целеустремленными? Нет! Поэтому если мы в 14 или 40 лет пассивны и инертны, то это потому что что-то изменило или перевернуло наши исходные установки.
А менеджмент до сих пор вращается вокруг контроля, наказаний, вознаграждений и других форм управления, согласно неверным предпосылкам.
Как Вы думаете, чего мы лишаемся, когда взрослеем и как нам это вернуть? :)

(по мотивам статьи Miller, Page “Standing Ovation”)

Как бы математики подошли к моделированию такой проблемы? Основные шаги:

• Количество зрителей в зале представим как N;
• Каждый зритель воспринимает качество выступления как Q. Таким образом, качество выступления для i-го зрителя представим как Qi;
• Качество Qi рассчитывается по формуле: Qi = q + Ei, где q – реальное качество выступления, а Ei – некоторая нормально распределенная величина,  которая для каждого зрителя будет иметь свое значение.
• Есть некоторый порог качества выступления T, при превышении которого зритель готов аплодировать стоя;

Что может дать такая матмодель? Например, мы сможем определить какое количество людей встанет в зависимости от разных значений параметров T, q и даже типа распределения Ei. Мы знаем, что люди адаптивны и ведут себя в соответствии с действиями других. Поэтому мы можем добавить условие, что если встанет хотя бы X людей, то все остальные тоже встанут.

В чем проблема такой модели? Главная проблема в том, что у модели всего 2 исхода: 1) все встанут; 2) встанет только первоначальное количество людей (другие не отреагирует на их действие, потому что их слишком много).

Но мы знаем, что в реальности процесс развивается не совсем так. Более правдоподобное поведение, когда часть зрителей встает из-за других, а другая нет. Причем это сильно зависит от того, как люди рассаживаются в зале. Например, сидя на первом ряду, я не вижу встал ли кто-нибудь позади, поэтому навряд ли встану, если мне и моим соседям выступление не очень понравилось.

Тут нам на помощь и приходит агентное моделирование. Представьте, что у нас зал квадратный и если вы видите человечка, то значит ему понравилось выступление и он аплодирует стоя, а если нет – то на его месте ничего нет (см. 2 картинки ниже: когда все встали и когда встала лишь часть зрителей).

Как себя ведут остальные? Каждый руководствуется правилом большинства, т.е. ведет себя так же, как его 5 соседей (по одному слева и справа, и трое – спереди). Например, если большинство из соседей встало, а он сидит – то он тоже встает, даже если ему не понравилось выступление. И так продолжается столько времени, сколько вы захотите. Посмотрим, как будут развиваться события в течение первых 20 шагов, если 20% зрителей встало.

Как видите, мы наблюдаем волну оваций – феномен из реального мира. Именно в этом сила агентного моделирования: возможность учитывать расположение элементов в пространстве и их взаимовлияние. Вы можете и сами поиграться с моделью “Standing Ovation”. Удачи!

Спешу сообщить, что докупить нужно всего 1 кассовый аппарат. Почему?

Давайте смоделируем ситуацию, используя системную динамику и продукт iThink. Для начала прикинем, какие у нас будут резервуары: по идее, каждый посетитель магазина сначала попадает в торговый зал, далее встает в очередь в кассу (если на кассе кто-либо есть), ожидает своей очереди, пробивает товар и оплачивает покупки. Я выделил 3 резервуара:

1. Посетители в торговом зале
2. Посетители в очереди в кассу
3. Посетители на кассе

Этих 3х резервуаров должно быть достаточно, чтобы описать нашу ситуацию. Теперь следует разобраться в потоках: что наполняет и опустошает каждый из вышеупомянутых резервуаров?

• Посетители приходят в магазин, наполняя резервуар “Посетители в торговом зале”.
• Посетители, выбрав с полок необходимый товар, подходят к кассе, опустошая резервуар “Посетители в торговом зале”, но одновременно наполняя резервуар “Посетители в очереди в кассу”
• Посетители, дождавшись своей очереди, переходят на кассу, опустошая резервуар “Посетители в очереди в кассу”, и одновременно увеличивают количество “Посетителей на кассе”.
• Кассир пробивает товары посетителя, посетитель оплачивает чек и покидает магазин, опустошая резервуар “Посетители на кассе”.

Заметьте, что резервуары “Посетители в торговом зале” и “Посетители на кассе” я реализовал как “конвейеры”, чтобы реализовать задержки времени:

• во-первых, тот факт, что посетители подходят к кассе каждую минуту +-15 секунд
• во-вторых, тот факт, что посетителей обслуживают на кассе за 1 минуту +- 10 секунд

Нет необходимости реализовывать резервуар “Посетители в очереди в кассу” как конвейер, потому что логика опустошения этого резервуара следующая: когда освободится место на кассе (т.е. обслужат предыдущего посетителя),  тогда клиент из очереди подходит к кассе.

Как мы реализовали распределение значений времени подхода клиентов к очереди в кассу и времени обслуживания клиента на кассе? Элементарно: воспользовавшись встроенной в iThink функцией NORMAL, которой нужно подать 2 значения: среднее и величину отклонения. Поэтому интенсивность потоков “подходят к кассе” и “уходят из магазина” соответственно определена как NORMAL(1,0.25) и NORMAL (1,0.16), что соответствует условиям задачи.

Также для замера среднего времени обслуживания клиента (время в очереди + время на кассе) мы воспользуемся функцией CYCLE TIME (значок секундомера в определении потока – см. картинку ниже, правый верхний угол). Так как мы хотим измерять среднее время от момента подхода к очереди до момента ухода из магазина, то включаем секундомер мы для потока “подходят к кассе”,  а останавливаем для потока “уходят из магазина” (путем определения конвертера с функцией CTMEAN(уходят из магазина)).

Вот что у нас в итоге получилось (см. ниже) – элементарно, не правда ли?

Итак, модель определена, давайте запустим ее и посмотрим сколько как будет вести себя резервуар “Посетители в очереди в кассу” и конвертер “среднее время обслуживания посетителя” в течение 1000 минут? Мы видим, что очередь в кассу, а следом и время обслуживания постепенно растут! Получается что, несмотря на соответствие среднего времени обслуживания клиента на кассе среднему времени подхода клиентов к очереди в кассу, разброс статистических отклонений  накапливается (Голдратту привет :-)) и выражается в росте очереди!

Что же делать? Докупить кассовых аппаратов! Но сколько? Время обслуживания каждого клиента постепенно поднялось до 18 минут, т.е. если учесть, что каждый клиент обслуживается максимум 1 минуту 10 секунд на кассе, то почти 17 минут он ждет в очереди. Интуиция подсказывает, что нужно докупить еще как минимум 4-5 аппаратов, но давайте проверим это на модели.

Мы меняем определение интенсивности потока “переходят на кассу” с “IF (посетители_на_кассе<1) THEN 1/DT ELSE 0″ (т.е. если на кассе меньше одного человека, то интенсивность потока равна 1, в противном случае 0) на “IF (посетители_на_кассе<2) THEN 1/DT ELSE 0″ (т.е. если на кассе меньше 2х человек, то интенсивность потока равна 1, в противном случае 0). Почему мы позволяем себе делать предположение, что 2 кассовых аппарата эквивалентно способности одной кассы обслужить 2 человек? Это очередной вопрос для вас, дорогие читатели!

Проиграв модель с 2мя кассовыми аппаратами, мы убеждаемся, что очередь больше не растет, а среднее время обслуживания колеблется в пределах допустимой нормы (не занимает более полутора минут в соответствии с условиями загадки).

Какие выводы мы можем сделать из результатов нашего эксперимента? Комментируйте!

Скачать модель

В этом посте я продемонстрирую проблему запаздывающих показателей и важность опережающих на простейшей модели СД. Допустим, у нас есть некоторый производственный процесс, в результате выполнения которого появляется продукт. Этот производственный процесс состоит из 5 стадий, причем эффективность каждой стадии оценивается показателем П(n). Например, эффективность первой стадии оценивается П(1), эффективность второго – П(2) и так до П(5). Весь производственный процесс оценивается показателем Себестоимость продукта, который является арифметической суммой показателей каждой стадии (Сб = П(1) + П(2) + П(3) + П(4) + П(5)).

Каждый показатель стадии производственного процесса подвержен колебаниям, так как процесс выполняют живые люди, которые не могут всегда работать с заданной производительностью. Поэтому каждый показатель описывается формулой NORMAL(1;0.05) – то есть значение показателя стадии в момент времени будет 1 +- 0,05.

Также в нашу модель введем возможность увеличения показателя стадии 1 на заданное значение в заданный момент времени. То есть в определенный момент времени (мы пока не знаем какой) показатель стадии 1 будет колебаться не в пределах 1 +- 0,05, а в пределах (1 +- 0,05) + (величина изменения показателя).

Ниже представлен график изменения себестоимости продукта – можете ли вы определить, в какой именно момент произошло изменение показателя стадии 1?

Бьюсь об заклад, что вы затрудняетесь это сделать. Почему? Потому что колебания других показателей “мешают” нам разглядеть, когда именно произошло изменения показателя 1. Теперь представьте реальную ситуацию: вы видите, что у вас себестоимость продукта постоянно скачет, но вы не можете понять являются ли колебания, присущими данному производственному процессу (люди не роботы), или же произошло заметное изменение на одном из этапов производственного процесса…. Какой же из вас менеджер тогда?! :)

Но, если мы взглянем на график изменения каждого показателя (ниже представлен график изменения показателя 1), то мы с легкостью определим, какой именно показатель и в какой момент времени заметно изменился.

Взглянув на этот график мы легко определяем заметное “структурное” изменение колебаний показателя 1, происшедшее где-то в момент времени = 50. Получается, что наблюдая за показателями процесса мы быстрее можем среагировать на изменение, нежели ориентируясь исключительно на выходные параметры процесса…

Причем, хочу заметить, что это актуально не только для производственных компаний (модель может натолкнуть на такие размышления). Возьмем, работу отдела продаж в сервисной компании: выходным процессом работы sales manager-ов является заключение контракта. Но если мы будем ориентироваться лишь на этот показатель, то не сможем среагировать на его изменения с точки зрения планирования ресурсов для выполнения этого контракта, что неблагоприятно повлияет на сроки выполнения заказа и удовлетворенность клиента. Работа получается реактивной, нежели проактивной. Отсюда и появляется инструмент “воронка продаж“, который предлагает систему показателей процесса продаж и помогает прогнозировать выходные параметры этого процесса.. Кстати, для одного из наших консалтинговых проектов мы создали системнодинамическую модель отдела продаж,  в основу которой и заложили инструмент воронки продаж. Но об этом, в следующем посте :)

Можете привести еще примеры, когда ориентация исключительно на выходные параметры приводился к неправильным или несвоевременным решениям? А может кто-то приведет контрпримеры?

Скачать модель

Пост написан по мотивам книги Bernard McGarvey “Dynamic modeling for business management”, которую можно найти здесь.

Скачать статью

У вас никогда не возникало желания поиграть в какую-нибудь компьютерную игру вашего детства? Перебирая в уме все игры, наиболее часто на меня находит ностальгия по старой доброй  SimCity2000. Сразу в моей памяти возникают бессонные ночи, посвященные строительству, обустройству и развитию городов, затем их уничтожению с помощью запущенных монстров, пожаров и наводнений, а потом снова строительству.… В общем, SimCity на долгое время  заставляла меня забыть о существовании чего-либо, кроме созданного мной города. И теперь мне пришла в голову мысль, что  эта игра представляет собой практическое пособие по эффективному управлению и системной динамике. Ведь что такое город, как не система, жизненный цикл которой определяется взаимодействием ее внутренних подсистем и влиянием внешней среды?

Скачать полный текст статьи

Кстати, на прошедшем семинаре я очертил направления исследования, некоторые из которых коррелируют с предлагаемыми Константином ситуациями для моделирования – читайте подробнее здесь.

Экономическая система непостоянна, она изменяется со временем: появляются новые институты, отмирают старые. Важнее то, что меняются и наши представления об экономической системе: появляются новые экономические теории, старые перестают быть актуальными.

Чем может помочь системная динамика при изучении экономической системы? Одно из важнейших понятий в теории систем и системной динамике – обратная связь. Так вот есть очень важная обратная связь между существующими экономическими теориями и функционирующей экономической системой: то, что мы знаем об экономической системе напрямую влияет на то, что на самом деле в ней происходит, а то, что происходит, влияет на наши теории. Проиллюстрируем эту интересную обратную связь на примере фондового рынка.

Пример с фондовым рынком

На фондовом рынке торгуют трейдеры, они принимают решения о покупке и продаже ценных бумаг. Трейдеры принимают свои решения в соответствии с определенными моделями, которые могут быть как формализованными, так и неформализованными. Эти модели формируются в том числе и на основе существующих экономических теорий, которые являются плодом деятельности исследователей. Исследователи же формируют свои теории, изучая фондовый рынок. Таким образом, мы имеем выраженную обратную связь между теориями и реальным рынком.

Как в такой ситуации мы можем определить, как действительно будет вести себя фондовый рынок? Нам необходимо знать существующие теории и то, какой прогноз они дают. Далее, нам необходимо взвесить прогнозы, даваемые различными теориями, по количеству участников рынка, применяющих ту или иную экономическую теорию. Это и даст нам реальное поведение рынка.

Можно моделировать данную ситуацию с помощью агентного моделирования. В данном случае, агенты – это трейдеры, которые на основе поступающей информации и принятых ими теорий принимают решения о покупке или продаже ценных бумаг. Их теории различны. Мы запускаем в нашу игру n игроков с различными моделями принятия решений. Реальная цена будет формироваться как средневзвешенное от их действий.

Рассмотрим рынок опционов. Опцион – это право на покупку или продажу актива по определенной цене. Соответственно, его цена зависит от стоимости актива. Существует несколько моделей, позволяющих рассчитать цену опциона исходя из цены базового актива:

• Модель Блэка-Шоулза;

• Биномиальная модель;

• Модель Хестона;

• Модель Монте-Карло;

• Модель Бьерксунда-Стенслэнда.

Для моделирования рынка опционов с помощью агентного моделирования мы задаем цену базового актива как внешний фактор и запускаем агентов, которые применяют различные теории из указанных выше для принятия решений о покупке или продаже опционов. Точность нашей модели определяется набором учитываемых нами теорий и правильным подбором соотношения агентов, применяющих ту или иную теорию. Мы можем калибровать нашу модель, меняя «веса» теорий с помощью исторических данных о цене опциона.

Таким образом, мы формируем новую модель ценообразования на рынке опционов. Если количество торгующих с ее помощью агентов будет достаточно велико, чтобы оказать значимое влияние на рынок, то нам для получения точных прогнозов необходимо будет брать и нашу модель с определенным весом.

Если кто-то из читателей заработает с помощью данной схемы миллион-другой, не забудьте поделиться 

Выводы и обобщения

Данный подход к изучению поведения экономической системы как суммы действий агентов, действующих в соответствии со своими различными и меняющимися во времени теориями, может не ограничиваться фондовым рынком. Рассмотрим, к примеру, популярные теории управления бизнесом. В бизнесе, также как и на фондовом рынке, существуют теории, которые дают рекомендации относительно того, как стоит управлять тем или иным аспектом деятельности организации. Менеджеры организаций склоняются к той или иной теорий и принимают решения в соответствии с ней. Таким образом, реальная экономическая система опять же не описывается одной теорией, а отражает действия менеджеров, использующих различные теории. Так можно упомянуть устаревший подход Форда, более актуальный подход Портера или совсем новые подходы нынешних гуру менеджмента.

Можно рассматривать не компании и их теории, а потребителей. У них также есть свои различные модели экономического поведения. Их модели появляются из практики и из того, что они слышат по радио и телевизору, в частности о том, в какой валюте хранить сбережения или когда стоит изымать деньги из «тонущего» банка. Зная модели поведения потребителей, мы можем моделировать банковскую панику и наплыв на обменные пункты для покупки валюты.

Общая идея данного подхода: нет необходимости искать единственно правильные законы, объясняющие поведение экономической системы, тем более что их существование не гарантировано. Нам необходимо знать существующие у экономических агентов мнения относительно этих законов, ведь эти мнения, в конечном итоге и определяют экономическую реальность. Также необходимо учитывать, что изучение системы может с помощью обратной связи отразиться на поведении системы.

Предложения для семинаров по агентному моделированию

На семинарах по агентному моделированию мы будем создавать собственные модели. Предлагаю вам следующие темы:

• моделирование фондового рынка (n теорий, у каждой теории свои приверженцы. Изучаем, как будет вести себя рынок в целом. А что, если появятся новые теории?);

• банковская паника (n групп граждан, у каждой несколько отличные представления о том, когда забирать деньги из банков. Выступает премьер-министр и говорит, что гарантированный объем вкладов снижен вдвое, т.е. изменяются параметры системы. Выступает известный экономист и объясняет, как нужно вести себя гражданам в отношении своих вкладов, т.е. меняются модели поведения граждан);

• то же самое с курсами валют. (В эфире известной радиостанции выступает авторитетный экономист и рассказывает о том, как принимать решения относительно продажи-покупки валют);

• рынок недвижимости. Есть покупатели и продавцы. N групп участников со своими моделями поведения (различные цели покупки квартир, различные представления о будущем рынка, различная осведомленность о реальных событиях и т.п.). Выходит отчет известной консалтинговой компании о состоянии рынка недвижимости в США и различные группы участников рынка действуют в соответствии со своими моделями поведения. Публикуется статья авторитетного экономиста, в которой описаны оптимальные стратегии поведения на рынке недвижимости. Изменяется законодательство;

• рынок с высокой конкуренцией. Издается новая книга с новой стройной теорией о том, как компаниям нужно вести себя на таких рынках, у компаний меняются модели поведения;

• международная торговля. Автор новой концепции международной торговли получает Нобелевскую премию и государства пересматривают свою политику в области пошлин и правил международной торговли, опять же меняются модели принятия решений;

• Рынок труда. Различные группы соискателей имеют различные стратегии поведения на рынке труда. Выходит в свет и становится бестселлером книга «Как стать в 10.000 раз эффективнее в работе», в которой описаны правила устройства на работу, позволяющие сделать отличную карьеру. Издается книга «Как управлять персоналом в 10.000 раз эффективнее», в которой предлагается новая модель перемещения сотрудников по вертикальной карьерной лестнице внутри компании. Соответственно меняются модели поведения агентов.

Удачного моделирования!

Аннотация:

Руководители правительственных и коммерческих организаций все чаще заявляют о нехватке управленческих кадров с системным мышлением. Но что такое системное мышление? Какими навыками должны обладать «системномыслящие»? Именно этому и посвящена данная статья.

Скачать статью

Бизнес школы оказались в интересной ситуации. С одной стороны они учат управлять компаниями, но на рынке кризис и многие методы не работают. В результате часть школ резко начали вводить новые “антикризисные” программы образования. Но что получается, все предыдущие их программы были плохими, раз не учили справляться с такими ситуациями? Тогда могут ли быть хорошими эти новые “антикризисные”?

Другие бизнес школы занимают позицию, что мол чему учили все верно, а кризис это временное явление, мы свою стратегию менять не будем. В краткосрочной перспективе это менее выигрышная позиция, но в целях сохранения имиджа, возможно более успешная. Риск здесь, что без студентов о тебе могут быстро забыть.

Что же делать? В нашем диалоге, мы пришли к выводу, что возможно стоит поробовать слегка изменить наполнение программ. Ведь очевидно, что многие программы не учитывают контекст, в котором “творится менеджмент”. С другой стороны, в своей основе они содержат много важных и полезных идеи и выводов. Что же нужно добавить, к существующим программам, чтобы они более полно отражали текущую ситуацию? А в идеале, что еще бы и смогли подготовить людей к новым нелегким временам? Мне сразу хочется вещать про то, что “системное мышление – панацея от любого кризиса”. Но особенно нам интересно узнать Ваше мнение.

Как бы Вы переделали программы бизнес образования, чтобы они лучше отвечали ситуации? Или может стоит поменять всю бизнес модель в образовании?