#история 

С точки зрения истории развития экономической мысли Древний Египет представляет особенный интерес, так как в третьем тысячелетии до нашей эры начинают формироваться и укрупняться основные структуры государственного аппарата, что приводит к росту количества чиновников, которым для осуществления контроля над государственной деятельностью приходилось применять различные формы учета.  
В статье по ссылке Малыхина И.В. рассматривает эти формы и такой интереснейший археологический артефакт как Палермский камень с точки зрения истории учетных операций.  
https://cyberleninka.ru/article/n/o-razvitii-gosudarstvennogo-uchyota-v-drevnem-egipte/viewer

#инженер_аналитик 
 
Сегодня о том, что входит в основы инженерной аналитики с точки зрения наших экспертов. С разбивкой на изучаемые темы и виды решаемых производственных задач. 
Изучаемые темы:  
1. Классификация основных аналитических инженерных задач. Логика решения аналитических задач 
2. Разновидности технической информации и влияние вида информации на метод анализа. Количественные и неколичественные измерения. Ключевые KPI’s инженерных служб и современные требования 
3. Описательные статистики: среднее, медиана, мода, стандартное отклонение, размах, дисперсия, 95%-ные доверительные интервалы, стандартная ошибка, квартили, персентили, риски, правила 2-х и 3-х сигм и стандартных ошибок, правило сложения дисперсий. Оценка пригодности процессов на основе показателей Рр, Ррк 
4. Визуализация данных: разновидности графиков и диаграмм. Правила выбора адекватного инструмента визуализации 
5. Анализ распределений данных: подбор вида распределения, нормальное и ненормальное распределения. Свойства распределений и их практическое использование при анализе рисков и прогнозировании 
6. Выбросы: способы определения, действия с выбросами. Рекомендации по выбору стратегии работы с выбросами 
7. Правила работы с неколичественными данным 
8. Методология первичного описательного анализа данных 
9. Практические приемы и задачи, требующие использования описательных статистик и графиков 
 
 
Практические задачи: 
• Изучение динамики процесса, оценка разброса и качества процесса 
• Расчет риска появления несоответствующей продукции. Прогнозирование уровня несоответствий 
• Сравнение нескольких процессов 
• Первичный анализ информации о химическом составе, механических свойствах продукции 
• Выявление подтасовок, некорректных измерений, лабораторных ошибок и т.п. 
• Анализ информации о времени изготовления деталей, продолжительности процессов, сроках выдержки и других временных характеристик 
• Изучение нестабильного и стабильного процесса 
• Анализ периодических выходов за границы спецификаций 
• Статистическая обработка результатов измерения геометрических размеров выпускаемой продукции 
 
Все это рассматривается в модуле 1 нашей программы инженер-аналитик. 
 Подробнее о программе https://analytera.ru/course/programma-inzhener-analitik/ 

Отправить заявку на обучение можно через форму внизу страницы.

#методы_анализа 

Дискриминантный анализ 

Задачи дискриминантного анализа в экономике можно разделить на два типа. 
Задачи первого типа часто встречаются в производственной практике. Допустим, что мы располагаем информацией о некотором числе бракованных деталей, дефект каждой из которых может быть следствием ряда разладок производственного процесса. На основе этой информации нужно найти функцию, позволяющую определить, какая разладка (несоблюдение температурного режима, качество сырья…) вызвала причину конкретного дефекта. Построение такой функции и составляет задачу дискриминации. 
Задачи второго типа связаны с предсказанием будущих событий на основании имеющихся данных. Примером может служить определение вероятности, с которой, если соответствующие предписания производственного были соблюдены, деталь окажется стандартной. (с какой вероятностью покупатель купит продукт, если ... и т.д.). 
https://analytera.ru/about/stati/diskriminantnyj-analiz/

#триз 
ТРИЗ. Микроскоп под новогодней ёлкой. 
  
Декабрь перевалил за середину, дело идет к сочельнику, и настроение все более пасторальное. Этот пост про старый добрый АРИЗ - алгоритм решения изобретательских задач. 
  
Гениальность этого инструмента в одновременной реализации двух подходов. 
Во-первых - цепочка шагов из несколько способов моделирования задачи. И, создавая последовательно разные модели, решатель "вынужден" продвигаться вперед от исходной ситуации к будущему, пока еще неизвестному решению, отбрасывая лишнее: на каждом следующем шаге - еще одна модель, еще более сфокусированный взгляд в глубь.  
Пройдусь по используемым моделям: 
1. Задача моделируется через техническое противоречие: что-то пытаемся улучшить, что-то при этом ухудшается; 
2. Функциональное моделирование в конфликтующей паре - изделии и инструменте: есть положительное, полезное взаимодействие между элементами, есть и вредное; 
3. Еще одно моделирование - из веществ и полей (ВеПоль); 
4. Задача как физическое противоречие - противоположные требования к состоянию оперативной зоны;  
5. Моделирование маленькими человечками (ММЧ) 
Теперь про фокусировки: 
1. Выбор для дальнейших шагов только одного противоречия - того, которое связано с выполнением главной функции; 
2. Усиление формулировки до предельного состояния конфликтующей пары, вплоть до "отсутствующих элементов". 
3. Физическое противоречие на микроуровне 
4. Формулирование идеального конечного результата (ИКР) 
  
Вторая составляющая - постоянное расширение "поля зрения": только решатель заглубился, сфокусировался, и - стоп! - оглянись из новой модели, посмотри ближайшие ресурсы, что могут быть применены для решения, посмотри на производные от этих ресурсов. 
Еще один шаг, следующая модель - еще прицельнее фокусировка, но и взгляд на ресурсы расширяется. 
  
Говорят, что Альтшуллер описывал этот эффект как две пересекающиеся встречные воронки - жаль, я не смог пока найти каких-либо ссылок... 
Но идея красивая - этакое креативное путешествие, вроде как по оптической схеме микроскопа в микро-мир, но с постоянно расширяющимся полем зрения! 
При работе в проектах, типа повышения производительности или снижения себестоимости, не часто появляются объекты для такого микроскопа. Но когда в результате детального анализа выходит парочка "нерешаемых" задач, не откажите себе в удовольствии, поместите их на предметный столик микроскопа под названием АРИЗ. 
  
И пусть в будущем году у нас почаще захватывает дух от целенаправленного творчества! Всех с наступающим! 
 
- Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#статья #маркетинг #прогнозирование 

Какое-то время назад мы публиковали пост о методах прогнозирования, их классификации  https://t.me/analytera/64  Сегодня вторая часть статьи, продолжим обзор и систематизацию знаний.  
https://analytera.ru/about/stati/prognozirovanie-v-marketinge-obzor-metodov-chast-2/

#вебинар #datascience #Егоров 

Представляем вашему вниманию вебинар по бизнес-аналитике и data science от директора ЦСТ Analytera Артема Егорова: 
 - Текущая потребность бизнеса в профессиональной аналитике: мировые тренды и российские специфики 
 - Почему просто знание методов анализа уже не устраивает бизнес 
 - Новые методики и приемы анализа бизнес-информации: классификация и разбор типовых кейсов 
 - Программное обеспечение для анализа данных и прогнозирования 
 - Как выстроить карьеру в области аналитики: карьерные лифты и ограничения. Четыре стратегии выхода на высокие заработные платы 
 - Карта необходимых компетенций: необходимые знания и навыки. Что должно быть в резюме 
 - Варианты профессиональной подготовки коммерческих аналитиков, Data Scientist, поясов Six Sigma - Ответы на вопросы и персональные рекомендации 
 - Комментарии и ответы на вопросы для абитуриентов третьего потока Программы подготовки аналитиков высшего уровня «Эксперт»  
https://www.youtube.com/watch?v=UUAh-2oxs6Q&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=38

#история 

Однажды в 1939 году Джордж Бернард Данциг, докторант Калифорнийского университета в Беркли, опоздал на занятия по статистике для выпускников и обнаружил на доске две задачи. Не зная, что это были примеры «нерешаемых» статистических задач, он принял их за часть домашнего задания, записал их и решил.   
Шесть недель спустя профессор, преподававший статистику, уведомил Данцига, что он подготовил одно из двух доказательств своего «домашнего задания» для публикации, и несколько лет спустя Данциг получил признание в качестве соавтора другой статьи, когда другой математик независимо разработал такое же решение для второй проблемы. 
Джордж Данциг рассказал об этом случае в интервью 1986 года для College Mathematics Journal: 
“Это произошло потому, что в первый год обучения в Беркли я опоздал на один из классов [Ежи] Неймана. На доске было две задачи, которые, как я решил, были заданы для домашнего задания. Я скопировал их. Несколько дней спустя я извинился перед Нейманом за то, что так долго делал домашнее задание - проблемы казались немного сложнее, чем обычно. Я спросил его, необходимо ли его еще сдавать. Он сказал мне бросить его на стол. Я сделал это неохотно, потому что его стол был завален такой грудой бумаг, что я опасался, что моя домашняя работа будет потеряна там навсегда. Примерно шесть недель спустя, одним воскресным утром, около восьми часов, мы с [моей женой] Энн были разбужены кем-то, кто постучал в нашу дверь. Это был Нейман. Он вбежал с бумагами в руках, весь взволнованный: «Я только что написал введение к одной из ваших статей. Прочтите его, и я сразу же отправлю его для публикации». В течение минуты я не понимал, о чем он говорит. Короче говоря, задачи на доске, которые я решил, считая их домашним заданием, на самом деле были двумя известными нерешаемыми проблемами статистики.” 
 Эта легенда используется в качестве сюжета в фильме 1997 года «Умница Уилл Хантинг». Кроме того, одна из сцен в фильме 1999 года «Рашмор» показывает главного героя, мечтающего о решении невозможного вопроса и получении одобрения от всех.

#методы_анализа

Кластерный анализ

Кластерный анализ предназначен для разбиения совокупности объектов на однородные группы (кластеры или классы). Это задача многомерной классификации данных.
Существует около 100 разных алгоритмов кластеризации, однако, наиболее часто используемые - иерархический кластерный анализ и кластеризация методом k-средних.
Где применяется кластерный анализ? В маркетинге это сегментация конкурентов и потребителей. В менеджменте: разбиение персонала на различные по уровню мотивации группы, классификация поставщиков, выявление схожих производственных ситуаций, при которых возникает брак. В медицине - классификация симптомов, пациентов, препаратов. В социологии - разбиение респондентов на однородные группы. По сути кластерный анализ хорошо зарекомендовал себя во всех сферах жизнедеятельности человека.
https://analytera.ru/about/stati/klasternyj-analiz/
 

Добрый день, коллеги!

С наступившим вас Новым годом! Мы рады, что вы были с нами в 2020, надеемся радовать вас интересным контентом и дальше.

Сегодня, в первый рабочий день 2021го, вместо стандартных поздравлений у нас для вас подарок. Директор ЦСТ Analytera Артем Егоров записал лекцию «Прогнозирование и анализ сроков жизни клиента» Вы можете посмотреть ее на нашем канале https://www.youtube.com/watch?v=rqAF_6m5fhA

#вебинар #sixsigma 

Введение в концепцию Lean Six Sigma.Вебинар. 

Навигация по концепции Лин Шесть Сигм. Обзор, дорожная карта, методология, пример проекта. Все это и другие особенности и преимущества системы вы узнаете в ходе вебинара. 
Ведущий - LSS мастер черный пояс, Константин Соловых. 
https://www.youtube.com/watch?v=pQTc4dJi4rg&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=32

#история 
 
А мы продолжаем знакомить вас со знаковыми личностями в истории статистики. 1 января 1924 года родился Гэнъити Тагучи, разработавший концепцию «инжиниринг качества».  

Важное отличие методов Тагучи заключается в отношении к основополагающим характеристикам произведенной продукции - качеству и стоимости. Отдавая приоритет экономическому фактору (стоимости), он тем не менее увязывает стоимость и качество в одной характеристике, названной функцией потерь. При этом одновременно учитываются потери как со стороны потребителя, так и со стороны производителя. Задачей проектирования является удовлетворение обеих сторон. Тагучи создал надежный метод расчета, использовав отношение сигнал - шум, применяемое в электросвязи, которое стало основным инструментом инжиниринга качества. Тагучи ввел понятие идеальной функции изделия, определяемой идеальным отношением между сигналами на входе и выходе.  
Исследования Тагучи оказались востребованы при становлении концепции шесть сигма.

Добрый день, коллеги!

ЦСТ Analytera запускает обучение и сертификацию специалистов по программе «Six Sigma Зеленый пояс» в составе сборной группы, которая стартует 23.03.2021. Решение актуально для компаний, у которых есть потребность в обучении, но количество сотрудников не позволяет собрать группу.
Подробное описание https://analytera.ru/about/news/242/
Контакты для подачи заявок info@analytera.ru +7 (812) 667 88 98

JIT против Lean 
За последние пару лет Just-in-Time (JIT) - это система и идея, которая постепенно получает широкое признание в бизнесе и производственном сообществе. Поскольку между компаниями растет конкуренция, все сильнее сказывается давление со стороны азиатских производителей, многие фирмы вынуждены искать более инновационные методы для снижения издержек. 
Тем не менее, все чаще наблюдается тенденция идентифицировать или ассоциировать JIT с Lean-операциями. Не смотря на сходства, существуют также фундаментальные различия между этими двумя методологиями. Тем не менее, они могут «отлично играть» вместе, в одновременном использовании обеих методологий есть свои преимущества. 
Методология «точно в срок» требует, чтобы процессы демонстрировали определенный уровень стабильности и последовательности. В этом случае стабильность означает сокращение системных ошибок и достигнутые результаты, они должны оставаться вполне последовательными. Очевидно, этой цели нелегко достичь в начале инициативы Lean. Цель JIT на данном этапе состоит в том, чтобы четко выделить все проблемы в этом процессе. Lean будет сосредоточен на устранении проблем, связанных с процессом (системой), чтобы увеличить производство. 
Основным компонентом JIT является ликвидация отходов при добавлении стоимости. Существует ряд процессов, которые фирма должна контролировать в качестве целей для минимизации отходов. Такие вещи, как необоснованное хранение отходов, преувеличенные запасы, избыточная участие человека и ненужное перемещение материала, а также любая другая деятельность, которая не повышает ценность. 
Тем не менее, только JIT не эффективна для полного устранения отходов, поскольку производители поняли, что перемещать материалы только тогда, когда они требуются, и только в необходимых объемах, это только одна сторона истории. 
Необходимо, чтобы JIT стал Lean. Lean имеет целый ряд специализированных процедур. Задача Lean - определить проект, который будет полезен при минимальных затратах. В то время как JIT больше фокусируется на управлении запасами, Lean фокусируется на производстве и управлении операциями. Эти две методологии используют некоторые инструменты, например, канбан и проверку ошибок, и все они направлены на создание ценности для конечного пользователя, клиента. Как правило, инструменты Lean теперь часто используются для достижения JIT, таких как подход, основанный на потоке. 
 
Резюме: Роль JIT заключается в том, чтобы четко выделить проблемы процесса, в то время как Lean направлен на устранение проблем. Lean может использоваться для достижения JIT, поскольку они используют почти тот же набор инструментов, например, канбан и проверку ошибок. Хотя обе методологии могут быть использованы для устранения отходов, JIT самостоятельно не может этого достичь, следовательно, необходимо превращение в Lean. 
Источник https://ru.esdifferent.com/difference-between-jit-and-lean

#методы_анализа
 
LRM - Линейная регрессионная модель 

Линейный регрессионный анализ - это самый распространенный инструмент для описания связи между факторами и какой-то зависимой величиной. Как ВВП страны зависит от средней заработной платы, мировых цен на нефть и курса рубля? Такой пример из макроэкономики можно попробовать решить с помощью линейного регрессионного анализа. Как определить зависимость между погодой и количеством посетителей? Как спрогнозировать приток клиентов в зависимости от размера рекламного бюджета? Сколько времени нужно производить обжиг, чтобы достигнуть наилучшего качества? 
https://analytera.ru/about/stati/lrm-linejnaya-regressionnaya-model/

#триз 

ТРИЗ. И дым диверсии нам сладок и приятен. 

Диверсионный анализ стоит несколько в стороне от остальных инструментов ТРИЗ, и этот пост про него.  
Само понятие и методика диверсионного анализа были представлены Б.Злотиным и А.Зусман и заявлены как метод прогнозирования аварийных ситуаций и нежелательных явлений. Здесь мы двигаемся по такому пути: функциональная модель системы/процесса -> перечисление недостатков (срывов и сбоев) -> поиск причин путем "моделирования диверсий" -> проверка полученных гипотез. 
И ТРИЗ не была бы сама собой, если б в шагах алгоритмов не скрывались бы простые эвристические приемы. Те самые приемы, благодаря которым Альтшуллер стремился сделать "любого мыслящего человека" творцом, изобретателем. 
Вглядимся в шаг "моделирование диверсий" на примере ситуации с IQOS. Пусть меня простят те люди, что болезненно относятся к вопросам курения или альтернативам - просто посмотрим на эту задачу как на техническую.  
Пользователи IQOS подтвердят, что к концу сеанса курения затяжка из стика с табаком чуть труднее, чем в начале.  
Итак, говоря про моделирование диверсии, нам необходимо сделать следующее: 
1. Обратить задачу. Т.е. вместо вопроса "почему затягиваться труднее к концу сеанса", рекомендуется увидеть вопрос "как бы нам повысить сопротивление затяжке к концу сеанса". Куда более азартная, растормаживающая мозг, задача! 
2. Усилить эту задачу. Вместо, вопроса "как повысить сопротивление...", догадываетесь? - "как нам полностью перекрыть поток паров внутри стика".  
3. Обеспечить замаскированный эффект, используя только имеющиеся в системе ресурсы. 
Что полностью перекроет поток паров и сделает это без видимых проявлений снаружи? Вот они, потенциальные "диверсанты": 
- Компоненты стика: цилиндр из спрессованного табака, биополимерная пленка (полилактид) для равномерности охлаждения и увлажнения паров табака, маленький ацетатный фильтр, похожий на фильтр сигареты. Все это охвачено тонкой алюминиевой фольгой, она дает равномерность температуры, и упаковано в бумажную гильзу, она все это удерживает. 
- Компоненты надсистемы: сам стик помещен в держатель на 60% своей длины, при этом табачный цилиндр в стике почти на всю свою длину "проткнут" нагревательным элементом из керамики, температура нагревания - до 350С; курильщик, который создает разрежение внутри стика и сжимает рукой держатель. 
И всё - не так много вариантов для комбинаций, но перебор этот уже интересный, творческий! Три-четыре попытки, и - гипотеза: тепловое поле расплавляет полилактид так, что тот перекрывает поток пара. Гляньте в Интернет - температура плавления полилактида 178С. 
Помогают ли им фольга и сам курильщик, или они не повинны в диверсии - еще стоит разобраться. А вот проверить гипотезу не сложно - сравнительным вскрытием свежих и использованных стиков. 
  
Для более сложных систем, для прогнозирования аварийных ситуаций, поиска причин отказов конкретного вида, выявления потенциальных слабых мест, потребуется, конечно, методичная "стрельба по квадратам", но повторю акцент: важны правильные вопросы, ведь они - половина ответа. И здесь, в диверсионке, сила правильных вопросов проявляется в инвертировании и усилении задачи, плюс - в ограничении направлений думания малым числом имеющихся ресурсов. 
  
Всем успехов в постановке правильных вопросов! 
- Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#вебинар  #статметоды  

Современные возможности биостатистики. Вебинар. 

Теория эксперимента, которая базируется на вероятностно-статистической методологии, играет ведущую роль в экспериментальной науке. Современная биостатистика позволяет осуществлять гармонизированный анализ данных, сочетающий процедуры статистического оценивания, статистических выводов и вероятностно-статистических предсказаний.  
Ведущий - консультант Никита Николаевич Хромов-Борисов. 

https://www.youtube.com/watch?v=_CgPQUo4rRo&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=30

Добрый день, коллеги!

Осталось меньше месяца до начала IV Конференции R&D ПромКом, 17-19 февраля 2021 Чтобы забронировать место напишите запрос на адрес orgcom@analytera.ru

Рады вам сообщить, что к числу спикеров добавились Дарья Игнатова, группа НЛМК, управление "Инструменты оптимизации процессов", главный специалист, «Черный пояс» Lean Six Sigma и Константин Десяткин, консультант и тренер Института Адизеса. Темы, которые будут представлены:

- «Система Lean Six Sigma в Группе компаний НЛМК и вызванные ею изменения», Дарья Игнатова
Применение проектного подхода DMAIC в оптимизации технологических процессов. Роль лидеров проектов LSS в изменении мышления при анализе проблем и поиске решений. Роль LSS в подготовке данных для перехода к цифровой модели бизнеса. Принятие управленческих решений на основании анализа данных.

- «Построение системы вознаграждения подход Института Адизеса на примере совершенствования системы мотивации для промышленного предприятия, отдел R&D\НИОКР», Константин Десяткин.
Базовые принципы построения системы вознаграждения Института Адизеса, cтруктура вознаграждения (внешние стимулы/внутренние мотивы). Подход к построению системы внешнего вознаграждения – синхронизация ключевых элементов. Отношения заказчик – подрядчик, разные ожидания от R&D на разных этапах жизненного цикла – разные системы вознаграждения. «Пошив» системы под задачи компании. Составные части системы вознаграждения. Ряд ключевых параметров разработки системы вознаграждения в R&D: структура дохода сотрудника, источники и условия формирования фонда, условия выборки из фонда, периодичность выплат, кто оценивает. Примеры структура и состав показателей R&D промышленного предприятия, увязка с системой вознаграждения.

Подробная программа конференции представлена на сайте https://www.rnd-conference.ru.
По всем вопросам, связанным с Конференцией можно обращаться по адресу orgcom@analytera.ru
Наш телефон: +7(812) 667-88-98