#триз #11зртс  
Закон развития по S-образной кривой. Дьявол в паре мелочей. 
  
Формулировка этого закона следующая:  
В процессе развития изменение главных параметров системы происходит таким образом, что графики временной зависимости этих параметров имеют S-образный вид. 
Он хорошо принимается и технарями, и специалистами из других областей знаний. Поговорите с социологами или биологами, покажите им картинку (на дне поста) - они легко дадут примеры для подтверждения. Развитие по S-образной кривой найдется везде. И 4 этапа развития не вызовут сопротивления у большинства здравомыслящих людей. Однако, дьявол в мелочах! И эти "мелочи" превращают философствование про развитие в инструмент постановки задачи и, если угодно, в разумные ограничения планируемого проекта. 
  
Первая мелочь найдется в самой формулировке: развитие требуется оценивать по конкретному ПАРАМЕТРУ. Измеряемому параметру! Иначе как же можно строить график? Эффективность источника света [Лм/Вт], размер колонии бактерий [милл.шт.], число лояльных пользователей [%] и т.д. 
По конкретному параметру выбранная система будет находится на определенном этапе развития и иметь или не иметь перспективы значительного роста. 
А вот по другому параметру ситуация будет, очевидно, иная: время выхода светильника на полную мощность [сек.], плотность бактерий в колонии [шт/мм2], количество пользователей-промоутеров [шт.] и т.д. Итак ключевой вопрос: "Вы, господа, сейчас какой параметр обсуждаете/развиваете?" 
  
Вторая мелочь видна только на графике - предел развития. То, во что упирается S-образная кривая. С выяснением предела посложнее, но спасают провокационные вопросы специалисту: "Скажите, а могут лампы накаливания выдавать 100 Лм/Вт? Нет, а почему?" И тут выясняется, что 10 могут сейчас, 15 могут теоретически, а выше: "Ну, что же Вы, уважаемый, дальше уже металл расплавится..." Вот мы и получили данные о теоретическом пределе развития и о том, что его определяет.  
Спрашивайте себя, своих коллег и экспертов про конкретные параметры и про их заоблачные значения и смелее заглядывайте в будущее своих систем! 
 
 - Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#история 
 
Женщина и статистика  
Британская подданная Флоренс Найтингейл прославилась как социальный реформатор, статистик и основатель современного сестринского дела.  В годы Крымской войны (1853-1856гг.) женщина занимала видное положение на фронте и занималась организацией ухода за ранеными солдатами. 
Хотя в то время сбор и анализ данных в области социальной статистики еще мало практиковались, Флоренс сумела понять, что надежные данные о числе умерших в армии, чью смерть можно было бы предотвратить, могут служить убедительным доказательством необходимости реформы. Тем самым она не только способствовала осуществлению реформы медицинского обслуживания, но и одной из первых поддержала новаторскую идею о том, что социальные явления могут быть объектом измерений и математического анализа.  
Ниже диаграмма из книги Флоренс Найтингейл "Заметки по вопросам, касающимся охраны здоровья, эффективности мер и управления госпиталями в английской армии", придуманная, чтобы наглядно показать, как много смертей можно было предотвратить в английских военных госпиталях во время Крымской войны. Найтингейл стала новатором в использовании методов инфографики в статистике. Известны её круговые диаграммы, которые она называла «петушиный гребень». Найтингейл распространяла эти диаграммы в виде памфлета в парламенте, правительстве и армии и первая использовала инфографику для влияния на существующую политику.

#статья #исследования #маркетинг #статметоды 

Бенчмаркинг. Рекомендации по размерам образца для эталонных исследований 
 
Одна из основных целей измерения пользовательского опыта заключается в том, чтобы увидеть, действительно ли приложенные усилия по проектированию дают количественную разницу во времени. Регулярное эталонное исследование - отличный способ институционализировать идею количественных различий. Эталонные тесты наиболее эффективны, когда они проводятся через регулярные промежутки времени (например, ежеквартально или ежегодно) или после значительных изменений дизайна или характеристик. 
Тест UX в бенчмаркинге — это что-то вроде обследования у доктора. Вы проверяете свое кровяное давление, вес, рост, холестерин и другие показатели здоровья. Эти показатели помогают количественно описать, насколько вы здоровы. Их можно сравнить с существующими критериями (например, чтобы определить, является ли ваше кровяное давление или уровень холестерина относительно высоким) и отслеживать с течением времени. Если есть проблема, вы создаете план по улучшению вашего здоровья. И та же самая идея относится к тестам UX  
 
https://analytera.ru/about/stati/bnechmarking-rekomendacii-po-razmeram-obrazca-dlya/

#софт #статметоды
Бесплатный софт для статистического анализа данных
Программа InVivoStat https://invivostat.co.uk/ была специально разработана для ученых, проводящих эксперименты на животных. Но ничто не мешает использовать ее в других областях, где требуется анализ данных. Пакет предлагает сложные и мощные статистические инструменты, но с интуитивно понятным и нестатистистику пользовательским интерфейсом. В программе легко можно открывать файлы MS Excel, выполнять описательный анализ, включая графический, проверку однофакторных гипотез с помощью параметрических и непараметрических критериев, рассчитывать необходимый размер выборки для них. Инструмент регрессионного анализа позволяет строить модели для количественного и неколичественного отклика. Кроме того, имеется непараметрический анализ выживаемости и возможность анализа дозозависимого эффекта.

#софт #статметоды #калькулятор
 
Калькулятор для расчета коэффициентов надежности межэкспертной согласованности: можно рассчитать меры согласованности каппа в разных вариантах, а также внутригрупповой коэффициент корреляции (ICC) и скорректированный коэффициент согласованности (Chance corrected agreement coefficients, CAC). Калькулятор бесплатный, но требует регистрации.
https://agreestat360.com/
 

#триз #11зртс   
 
Закон повышения полноты технической системы. Не стоит спекулировать! 
  
Одна из часто используемых формулировок этой закономерности:  
Закономерность развития систем, заключающаяся в том, что создание новой системы обычно начинается с рабочего органа. Затем в процессе развития система берет на себя выполнение функций: преобразователя энергии (трансмиссии), источника энергии, системы управления. 
  
Эта закономерность хорошо прослеживается именно на технических системах, ведь главная функция у них определена четко, возможные источники энергии и их применимость известны, а способы передачи этой энергии к рабочему органу легко исследуются и адаптируются - смотри иллюстрацию на дне поста. При этом ТРИЗ специалисты легко связывают эту закономерность с процессом вытеснения человека из технической системы, но этот закон обсудим в других постах. А вот иначе обстоит дело с нетехническими системами: если даже мы четко определим главную функцию, например проектной группы или организации, то что считать за источник энергии, деньги, желание победить, страх не справиться? 
Ну, допустим - желание победить. Тогда этот источник энергии либо уже был заложен в рабочую группу на материальном носителе (хотя бы один) участник, либо несется извне - руководитель, директор и т.п. персонаж. Способ преобразования энергии "желание победы" (трансмиссия) тоже недостаточно внятный и управляемый - человеческие soft skills, плюс сиюминутное настроение... По-моему, наращивание/дополнение проектной группы до образа "полной технической системы" - дело темное и неблагодарное, поскольку придется работать с потоками "спорной энергии". А назначать кого-то источником, например, Ци, а кого-то ее преобразователем, даже по-человечески некорректно! 
Если кому-то очень требуется рассмотреть полноту частей системы применительно к нетехническим областям, рекомендую взять ту формулировку, что предложил еще сам Генрих Альтшуллер, он относил этот закон к разделу статики - условия, существования и функционирования систем:  
  
Необходимым условием принципиальной жизнеспособности технической системы является наличие и минимальная работоспособность основных частей системы. 
  
Загляните на официальный сайт:  https://www.altshuller.ru/triz/zrts1.asp#11 - там прекрасные пояснения, которые расширят инструментарий управления нетехническими системами. 
 
- Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#история
 
Galton box, он же квинкункс — устройство, изобретённое английским учёным Фрэнсисом Гальтоном (первый экземпляр изготовлен в 1873 году, затем устройство было описано Гальтоном в книге Natural inheritance, изданной в 1889 году) и предназначающееся для демонстрации центральной предельной теоремы, нормального (гауссова) распределения.
В идеальном случае при запуске механизма, сталкиваясь со штырьком, шарик каждый раз с одинаковой вероятностью может повернуть либо направо, либо налево. Нижняя часть ящика разделена перегородками (число которых равно числу штырьков в нижнем ряду), в результате чего шарики, скатываясь на дно ящика, образуют столбики, которые тем выше, чем ближе к середине доски (при достаточно большом числе шариков внешний вид столбиков приближается к кривой нормального распределения).
Если нарисовать на задней стенке треугольник Паскаля, то можно увидеть, сколькими путями можно добраться до каждого из штырьков (чем ближе штырёк к центру, тем больше число путей).
В некоторых настольных играх, а также игровом автомате Патинко, используется доска Гальтона или схожие с ней устройства.
 

#кейс #SAMSONOWAandPartners #rnd 
 
Многие наслышаны, что методология дизайн-мышления помогает создавать решения, отвечающие запросам пользователей, так как позволяет погрузиться в проблему пользователя даже в незнакомой среде.  
Заложенные в метод принципы настолько универсальны, что даже в такой сложной и опасной сфере как пожаротушение дизайнеры получают возможность погрузиться в незнакомый контекст и предложить действительно полезное решение.  
 
А чтобы убедить в этом наших читателей, мы хотим поделитьcя с вами одним необычным кейсом: как дизайн-мышление помогло экспертам SAMSONOWA and Partners в создании технологических решений для пожарных:  
https://www.samsonowa.com/ru/2020/04/28/design_thinking/

#прогнозирование #статья #Егоров
Можно ли спрогнозировать будущее?

Вопрос:
Подскажите, каким образом можно прогнозировать спрос на определенные категории товаров в сети магазинов (на какие категории товаров в будущем будет наибольший (наименьший) спрос) на основе истории покупок. Хотелось бы узнать, какой подход лучше работает...

1 Сегментация потребителей по кластерам, каждый из которых предпочитает определенную категорию (несколько категорий), и далее строить прогноз для каждого кластера, или же:
2 Сегментация всего ассортимента по группам и составление прогноза для каждой.

Буду благодарна за любую информацию.
Анна, Калининград


Ответ директора ЦСТ Analytera, Артема Егорова, вы можете прочитать по ссылке https://analytera.ru/about/stati/mozhno-li-sprognozirovat-budushee-vopros-otvet-opu/

#софт #статметоды #калькулятор 
 
Сравнение двух коэффициентов корреляции
 
Часто при анализе влияния факторов приходится сравнивать силу влияния одного и того же фактора на разные отклики или на один и тот же отклик, но в разных группах. Если фактор и отклик количественный, распределение их нормальное и между ними линейная взаимосвязь, теснота этой связи (сила влияния фактора) оценивается линейным коэффициентом корреляции Пирсона.  
Таким образом, встает вопрос, как сравнить линейные коэффициенты корреляции и понять, есть ли различия в тесноте взаимосвязи двух пар признаков (есть ли различия в силе влияния фактора на отклик в разных группах)? Для сравнения коэффициентов корреляции можно использовать онлайн калькулятор Cocor comparing correlations на сайте http://comparingcorrelations.org/.

Конференция «Прогнозирование и планирование 2020. Формат онлайн. Приглашение к участию

Добрый день, дамы и господа.

Центр Статистических Технологий – Analytera приглашает вас принять участие в III Конференции «Прогнозирование и планирование 2020» https://www.forecasting-conference.ru/ для промышленности и коммерции, которая пройдет в онлайн формате 30.09.2020 – 02.10.2020.

«Прогнозирование и планирование» https://www.forecasting-conference.ru/. Это единственная русскоязычная конференция по прогнозированию в России для производственных компаний коммерческих предприятий, рассматривающая проблематику применения на практике подходов, инструментов и методов прогнозирования и планирования в деятельности компаний.

К участию в Конференции приглашаются руководители и специалисты департаментов прогнозирования, бизнес-анализа, маркетинга, финансовых и планово-экономических отделов.

В течение трех онлайн-дней вы сможете познакомиться с уникальными практическими кейсами, решениями и разработками, представленными ведущими специалистами в области прогнозирования и планирования. Получите возможность обменяться информацией с коллегами, а также рассмотреть как уже зарекомендовавшие себя, так и новые подходы и методики решения задач, связанных с прогнозированием и планированием. Участникам также будет предоставлена возможность пообщаться с выступающими экспертами и задать интересующие их вопросы.

Накопив весьма внушительный опыт проведения тренингов и проектов в онлайн формате, а также приняв во внимание пожелания наших коллег по итогам проведенного опроса, мы организовали Конференцию в виде трех блоков в среднем по два с половиной часа в день с тем, чтобы сделать участие в мероприятии максимально комфортным. Надеемся, что учли если не все, то очень многое, и приглашаем вас убедиться в этом лично и получить новые знания и видения в профессиональной деятельности.

Мы выражаем огромную благодарность всем нашим коллегам, принявшим участие в опросе, указанном в прошлом письме. Благодаря вашей помощи мы смогли составить оптимальный формат проведения Конференции и надеемся, что не разочаруем вас.

Готовы отвечать на вопросы и предоставлять всю необходимую информацию. Вы можете связываться с нами как по почте, так и в группах социальных сетей Вконтакте https://vk.com/analytera и Фейсбук https://www.facebook.com/analytera/ , а также получать более детальную информацию о спикерах и планируемых выступлениях в нашем экспертном телеграм-канале Analytera https://t.me/analytera .

Стремясь предлагать только лучшие профессиональные решения и неизменно надеясь быть полезными, будем ждать вас на онлайн Конференции «Прогнозирование и планирование 2020»

С уважением и до встречи,
Команда Центра Статистических Технологий - Analytera

#триз #11зртс 
 
Закон устранения участия человека - достаточно негуманно, но все же! 
  
Сегодня разговор о закономерности, которую еще называют вытеснение человека из технической системы (ТС): 
Закономерность, заключающаяся в том, что в процессе развития сокращается количество функций, выполняемых в системе человеком. 
  
Реализацию таких изменений легко отследить в тех системах, где в явном виде выделяются типовые подсистемы - рабочий орган, трансмиссия, источник энергии и система управления. О законе повышения полноты ТС писали ранее (см. пост от 6 августа), а поскольку человек – это очень распространенный элемент надсистемы, то на него легко нагрузить функции, пока недоступные системе. И, хлоп! получается минимально работоспособная система, в которую сильно "интегрирован" человек. А уже потом развиваются подсистемы, и участие человека требуется все меньше и меньше. Происходит постепенное вытеснение. 
Примеры систем, вытеснивших человека полностью: кассы самообслуживания в супермаркетах, системы фотоконтроля скорости и автоматического выставления штрафов, система автоматического пожаротушения и множество систем в атомной энергетике и военной технике. 
Так что же, спрашивается: еще чуть-чуть и люди, вытесненные машинами, потеряют работу? Тем, кого сильно волнует этот техно-параноидальный вопрос, готов мой ответ: стоит фокусироваться на тех системах, где требуются неотъемлемые свойства человека - думать нестандартно, испытывать и использовать эмоции, обрабатывать опыт и создавать правила. Ведь из органов управления, зоны принятия решений и деятельности по разработке алгоритмов вытеснение происходит в последнюю очередь и то не всегда полностью. 
 
 - Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#история 
 
16 августа 1913 компания Ford впервые в мире запустила классический автосборочный конвейер.  

В первые годы существования компания Ford, как и другие производители в то время, собирала автомобили только на заказ, и процесс был достаточно долгим и поэтапным. Сначала механик и его бригада разыскивали и заказывали необходимые детали, а затем приступали к поэтапной сборке автомобиля, начиная с шасси и несущей рамы. Генри Форду постоянно не хватало квалифицированных рабочих для выпуска автомобилей «ручной сборки». Уровень производства оставался низким, а цена на автомобили по-прежнему не могла быть снижена из-за высокого уровня оплаты труда квалифицированных механиков. 

Чтобы достичь своей цели и создать народный автомобиль, Генри Форду необходимо было повысить уровень производительности предприятия. Создавая схему работы своих предприятий, Генри Форд воспользовался опытом, накопленным его предшественниками. Одним из них был Элиу Рут, разработавший для Сэмьюэля Кольта процесс производства, включавший раздельные этапы сборки. Чтобы сократить затраты на высокооплачиваемых специалистов, Генри Форд стандартизировал все детали. Теперь их могли собирать и неквалифицированные рабочие. Тщательно было продумано и устройство сборочного конвейера, что позволило максимально оптимизировать работу производственной линии. В результате готовый автомобиль выводился с заводского конвейера уже на собственном ходу. Помимо основного конвейера существовали и дополнительные движущиеся линии, обеспечивавшие своевременную подачу необходимых деталей в сборочные цеха. 
Точность и быстрота стали залогом успеха массового производства во всем мире. Производство модели «T» достигло рекордного уровня – каждые 10 секунд с конвейера сходил готовый автомобиль. Форд снизил цены на свою продукцию и увеличил в два раза минимальную оплату труда, которая теперь составляла 5 долларов в день. 
Компания Ford смогла не только наладить выпуск первоклассных автомобилей, но и значительно увеличить свою прибыль.

#статья #нейросеть

Нейросеть распознает киви для селективного сбора урожая

Точные и устойчивые методы распознавания киви — это одна из открытых проблем в создании роботов для селективного сбора урожая. Системы компьютерного зрения сталкиваются с такими сложностями, как изменение световых условий и перекрытие объектов. Чтобы решить эти сложности, исследователи используют модель семантической сегментации и предлагают две новые техники для препроцессинга входных изображений.

Проблемы прошлых подходов
Основными причинами отсутствия коммерческих проектах по использованию роботов для сбора урожая являются низкая точность подходов к распознаванию фруктов и неэффективность методов локализации.

Архитектура модели
В качестве архитектуры модели исследователи используют FCN-8s нейросеть. Нейросеть обучали на 63 снимках с 113 киви. Обучающая выборка была размечена вручную.

Тестирование подхода
Эффективность предложенного подхода оценивали в 3D модели фруктового сада. Тестовая локация обеспечивала различие в световых условиях: стандартное, передержанное и яркое. Только модель семантической сегментации выдает предсказания с F-мерой 0.82 на наборе изображений со стандартным освещением. Однако для изображений с осложненным освещением метрика падает до 0.13. При добавлении предложенного метода препроцессинга скор модели на сложных данных повышается до 0.42. По результатам тестов, итоговая модель смогла распознать 87% не перекрытых и 30% перекрытых фруктов на снимках для всех типов освещения.

Источник https://neurohive.io/ru/gotovye-prilozhenija/nejroset-raspoznaet-kivi-dlya-selektivnogo-sbora-urozhaya/
Первоисточник https://arxiv.org/pdf/2006.11729.pdf

#глоссарий 

Вариация, показатели вариации.

Вариация в статистике – это различие значений какого-либо признака у разных единиц совокупности в один и тот же период или момент времени (Елисеева И.И., Юзбашев М.М. Общая теория статистики: Учебник/Под ред. Елисеевой. – 5-е изд., перераб. и доп. – М.: Финанасы и статистика, 2004, с.140).


Комментарий нашего эксперта, Юлии Берлин

Различных показателей вариации достаточно много, в основном они характеризуют разброс отдельных значений вокруг среднего значения. Чем выше значение показателя вариации, тем больше разброс и меньше степень однородности объектов выборки. Таким образом, показатели вариации можно использовать для сравнения степени вариации в разных группах.

Наиболее известный показатель вариации – стандартное (среднее квадратическое) отклонение, «сигма». Оно используется в анализе качества процессов, при построении контрольных карт, в анализе измерительных систем, как оценка риска инвестиций и т.д. Но следует помнить, что:

С помощью стандартного отклонения можно сравнивать разброс только при одинаковых средних значениях. 

Например, нельзя сделать вывод об одинаковом разбросе цен в разных регионах, если в каждом из них «сигма» цены на продукт 50 ед., но в одном средняя цена 500 ед., а в другом – 600. Точно так же, нельзя сделать вывод о разном разбросе, если в одном регионе «сигма» 50 ед., а другом - 60 ед., но средние цены, соответственно, 500 и 600 ед.

При сравнении степени вариации в выборках с разными средними значениями следует использовать коэффициент вариации (при этом надо помнить, что он рассчитывается только для значений одинакового знака).

2.Стандартное отклонение не обладает свойством аддитивности (суммирования). Например, стандартное отклонение процесса за 5 рабочих дней не будет равно сумме стандартных отклонений процесса за каждый день. 

При необходимости выполнения арифметических действий с разбросом следует использовать другой показатель вариации - дисперсию. 

Хотелось бы особенно подчеркнуть, что вариация – это изменчивость в пространстве.  Различия значений признака у одного и того же объекта во времени принято называть не вариацией, а колеблемостью. Методы измерения и изучения колеблемости принципиально отличаются от методов измерения вариации!

Рассчитывать для временнЫх данных показатели по пространственным формулам можно только в одном случае: когда во временном ряду отсутствуют тренд и сезонность. При наличии тенденции разброс оценивается не относительно среднего значения, а относительно тренда. И, например, при проведении XYZ анализа используется не коэффициент вариации, а коэффициент колеблемости (аналог коэффициента вариации, но со стандартным отклонением от тренда).  При наличии сезонности дополнительно рассчитывается стандартное отклонение сезонности и коэффициент сезонной колеблемости. Подробнее про показатели колеблемости можно прочесть в книге «Анализ временных рядов и прогнозирование» В.Н. Афанасьев, М.М. Юзбашев. М.: Финансы и статистика, 2010. 

 Давайте использовать корректную терминологию!