"Умный дом", говорили они... "Интернет вещей", говорили они....

Робототехника в быту. Начало 😋

Фильм: "Операция начнется после полудня", Дания, 1979 г.

Концепции и методологии повышения производительности

Верхнеуровневый пост про то, собственно, чем занимаемся и в какую сторону рассказываем мы тут вот это вот всё.

На данный момент в сферах операционной эффективности, повышения производительности и управления качеством в мире есть всего четыре концепции. Да, всего четыре, и, да, они все родом из 50-х – 70-х годов ХХ века. Увы и ах.

Итак, вот они, наши герои:
- Six Sigma (она же Шесть Сигм),
- LEAN (она же Бережливое производство),
- ТРИЗ (Теория Решения Изобретательских Задач),
- ТОС (Теория Ограничений Систем).

О каждой будет отдельный пост, а тут просто описания. Они очень общие, но для общего понимания – вполне (не кидайтесь тапками).

Six Sigma – 70% статистики \ 30% процедур
LEAN – 30% статистики \ 70% процедур
ТРИЗ – логический и системный анализ конкретных ситуаций для решения технических задач производства. Иногда можно и для управленческих, но это как опция и только в исполнении умельцев.
ТОС – системный и логический инструментарий для решения стратегических и тактических задач бизнеса и производства. Для технических тоже можно (а иногда и нужно), но тут ситуация похожая с ТРИЗом – как опция и только в исполнении спецов.

Все остальные варианты типа SCRUM, AGILE, TQM, Just In Time и прочие LeanSigma – это все дальние и не очень предки, части предков, мутации, части или производные от предков, частей и мутаций))). Системная основа – всегда эти четыре сущности.

P.S. Ах, да, есть еще наша НОТ (Научная Организация Труда) – но это отдельная серьезная песня, которая не совсем чтобы концептуально прикладная сейчас. Хотя она-то как раз и есть в числе основных предков как бы ни для двух из четырех.

И о каждой расскажем отдельно. И о НОТ – тоже. Не отключаемся).

#концепции #sixsigma #ТОС #ТРИЗ #lean

Метод Казино «Монте-Карло»

Любите ли вы выигрывать? Ну, скорее всего – да. А если просчитать вероятность выигрыша? Например, – в рулетку. Математика же… И статистика!... Ну, ведь должен же быть алгоритм. Успех и богатство!? Неа, не выйдет. Хотя идея хорошая. Например – метод Монте-Карло. Естественно, названный с отсылкой к казино.

Сам метод был разработан в рамках Манхэттенского проекта учёными Станиславом Уламом, Джоном фон Нейманом, Николаcом Метрополисом и другими. Понятно, что они занимались другим, но, как водится, глобальные проекты позволяют появиться более мелким открытиям. Think big, короче. Но это мы отвлеклись.

Суть в другом. Идея принадлежала Уламу. Он в один прекрасный день был на больничном. Лежал себе дома и лежал. Болел и болел, пасьянс раскладывал (солитер, вероятно, или его вариацию). Да и задумался: а какова вероятность выигрыша? Математик же, ученый, рабочее место всегда с собой. Понедельник начинается в субботу, классика.

Короче, что придумал? Анализировать, сильно думать и считать лень, болеет все же, так давайте не качественным путем пойдем (формулы, алгоритмы и все такое прочее), а количественным. Суть в следующем (сильно упрощаем, описывая конечный результат):

1. Определяем математическую модель системы и её случайные параметры.
2. Генерируем тысячи (или миллионы) случайных сценариев для этих параметров согласно их распределению вероятностей (как раз для болеющего мозга, ага).
3. Для каждого сценария вычисляем интересующий нас результат.
4. Анализируем статистику всех полученных результатов (среднее, дисперсию, вероятность событий).
5. Получаем распределение: не только средний результат, но и весь диапазон возможных исходов с их вероятностями.

Профит? Для науки – да. На выходе получился численный способ решения задач с помощью генерации случайных чисел и многократных повторений. Его суть в том, чтобы не искать точный ответ аналитически, а приближать его через множество случайных экспериментов (что будет, если мы сделаем так много-много раз?). Другими словами – если тебе не хватает данных, то можно их придумать. И уже на их основании строить расчеты. Математика… И статистика!

Это его потом уже коллега Улама - Николаc Метрополис обозвал методом Монте-Карло. Мол, давай так назовем. Раз это про азартные игры, то я тут вспомнил - у меня дядя в казино был, в Европах, Монте-Карло называлось. Давай так назовем. Заодно и зашифруем от врагов (это ж Манхэттенский проект был, это же про секретность и все такое). Так и появился инструмент работы со случайностями.

Правда, есть у него два недостатка.

А) для выигрыша в казино никак не подходит. Он не точку на выходе дает, а распределение. Это при прогнозировании отказов оборудования можно диапазон использовать. Там диапазон два-три дня – это вполне приемлемо, а в рулетке такой размер ошибки ну никак не годится. А жаль…
И
Б) Вычислительная затратность: для высокой точности нужно очень много итераций (чем больше – тем лучше. сотни тысяч, миллионы и т.д.). Правда, с появлением компьютеров – это перестало быть проблемой.

Ну, ладно, это все наши хиханьки да хаханьки. А в жизни такая хорошая идея, как водится, нашла себе применение в бизнесе.

Примеры:
Финансы и Риск-менеджмент: Оценка риска инвестиций (VaR — Value at Risk), Оценка инвестиционных проектов (NPV/IRR), Ценообразование сложных финансовых инструментов (опционов)
Управление проектами: Анализ сроков и стоимости проекта (PERT-анализ на стероидах)
Логистика и Управление цепочками поставок (SCM) - Оптимизация уровня страхового запаса.
Производство и Обеспечение качества - Анализ допусков и надежности технических систем.
Маркетинг и Продажи - Прогнозирование продаж, Оценка Customer Lifetime Value (LTV).

Ну, вот, как-то так. Дальше больше, не отключаемся).

#методы #монтекарло #статистика #прогнозирование #математика

Наблюдение о кадрах. Вакансии.
(пятница, любопытствование 🙄)

Про кадры и зарплаты у нас мы все знаем. Ну, во всяком случае, это найти несложно. А кого ищут в других странах? Мы тут наткнулись на вакансию прогнозиста в Дойче банке. Решили поделиться. Мы-то тоже далеко не чужды прогнозированию. Ну, всегда же интересно, че там кому платят. И за что)))?

Что делать?

• Ваша роль будет заключаться в поддержке научной работы ваших коллег в Исследовательском центре в области эмпирической микроэкономики, в частности в участии в исследовательских проектах, проводимых Центром.
• Вы будете отвечать за подготовку и анализ микроданных о поведении и ожиданиях компаний.
• В рамках международной команды ваша работа будет сосредоточена на фундаментальных вопросах, а полученные результаты призваны обеспечить прочную научную основу для решений Немецкого федерального банка.

И что платят?

То есть как мы это увидели: полставки, гибрид (до 60% от этого времени можно работать дома).
Зп на наши деньги (если интернет не врет, то это гросс в год, и налоги в Германии 35-43%) - 19000- 27500 евро в год, то есть у нас 145 тр. – 210 тр. В месяц на руки. Много или мало для Германии, решаем сами. У нас мнения разошлись.

Так-то для подразделения-мозга основного банка Германии, и одного из основных банков Европы не сильно много платят. Ну, может, это как пехоте наемной\временному …

https://forecasters.org/blog/2026/01/06/job-openings-research-assistant-part-time-at-deutsche-bundesbank/

#прогнозирование #вакансии

История Статистики. ч2. Продолжение. Начало тут 👆

Административный учёт и переписи

А что есть «прагматическая статистика» (при всем при том, что это не является формализованной дисциплиной)? Это применение статистических методов для получения практически полезных выводов и принятия решений в условиях неопределенности, несовершенных данных и ограниченных ресурсов. Как раз для того времени).

Основные принципы – так, как они формулируются сейчас:.........

#статистика #история #мысливслух

https://telegra.ph/Istoriya-Statistiki-ch2-Administrativnyj-uchyot-i-perepisi-01-22

Одновыборочный t-критерий Стьюдента
Пиво, коммерческая тайна и студенты.

Хотя как раз студенты тут ни при чем совсем. Но – по порядку:

🍺 Пиво. «t-критерий» придумал Уильям Сили Госсет (1876–1937), английский химик-технолог и статистик, который работал в пивоваренной компании Гиннесс (Arthur Guinness Son & Co.) в Дублине.

Он занимался контролем качества продукции и селекцией сортов ячменя и хмеля. И, как водится, столкнулся с проблемой, или точнее (мы же про науку, и решение проблем да?) – с противоречием: для оценки, например, урожайности нового сорта или содержания спирта в партии есть только небольшие партии продукции – бизнес больше не дает.
Основным статистическим инструментом в то время был Z-критерий, а он на малых выборках дает слишком много ошибочных выводов. Итого – если нельзя увеличить количество выборок – это не во власти специалиста, то… Надо изменить инструмент оценки. Это-то как раз он умел.

И примерно в 1906-1097 гг. Госсет, в отпуске (!), пошел поработать в биометрическую лабораторию Карла Пирсона (ага, тот самый, который тоже «критерий) 😁 в Лондоне. И математически вывел распределение для стандартизированной разности средних при неизвестной дисперсии генеральной совокупности. Это и было распределение t-Стьюдента.

А почему Стьюдент? А потому что «соглашение о конфиденциальности» и коммерческая тайна. У Гиннесса с этим было более чем жестко. Но ученый же, как он может молчать об открытии? И Госсет в 1908 году публикуется в журнале Biometrika под скромным псевдонимом «Студент». И мир узнал о t-распределении Стьюдента и t-критерии.

Позже статистик Рональд Фишер доработал и популяризировал работу "Стьюдента", доказав её универсальность и создав целый набор t-критериев (двухвыборочные, парные). И именно Фишер показал, что t-критерий — идеальный инструмент для планирования экспериментов с малыми выборками.

Это была история, а теперь текущие (очень общие) характеристики:

Когда использовать: если нужно проверить, отличается ли среднее значение метрики от заданного значения (теоретического или ожидаемого).

Пример решаемой задачи: контроль качества на производстве – останавливать ли оборудование для переналадки при текущих значениях. Или из другой отрасли - проверить, соответствует ли средний показатель конверсии новой страницы сайта ожидаемому уровню в 5%.

Кол-во наблюдений: одна выборка (n). Практический минимум: n ≥ 3. Надежно: n ≥ 20-30.

Тип данных: Количественные данные (интервальные или пропорциональные): вес, время, концентрация, прочность, размер и т.д.

Группы сравнения: выборка vs гипотетическое значение.

Предположения о данных: нормальность данных, независимость наблюдений.

Параметры на выходе: t-статистика, p-value, Степени свободы (df) – зависят от объема выборки (n-1) и типа теста, доверительный интервал для разницы средних (или среднего).

Нюансы использования: при малом объеме выборки (<30) или при нарушении нормальности данных можно использовать непараметрические методы.

Пример калькулятора: https://www.graphpad.com/quickcalcs/ttest1/

Вот примерно так все и работает. Еще один метод вам в копилку. Дальше – больше. Не отключаемся.

#метод #статистика #аналитика #качество #эксперименты #шестьсигм

Сравнительный анализ методов построения объединенного прогноза

Мы считаем, что не всегда информация должна быть простой и легковоспринимаемой. Иногда надо и в цифры и формулы погружаться. Немного сложностей не помешает. Мы ведь и про прогнозирование.

Обзор статьи:

Статья посвящена актуальной проблеме повышения точности прогнозирования временных рядов посредством объединение частных прогнозов.

При прогнозировании обычно используется только один метод, а вся информация, которая содержится в других методах прогнозирования, обычно отбрасывается. Объединение прогнозов позволяет использовать почти всю информацию, содержащуюся в частных прогнозах. В статье приводится описание некоторых наиболее распространенных методов объединения прогнозов: двух модификаций метода Грэнджера-Раманатхана, метод матрицы парных предпочтений, а также метод линейной комбинации частных показателей с различными весами.

Для получения частных прогнозов в статье использовались следующие часто применяемые методы прогнозирования временных рядов: метод гармонических весов, метод адаптивного экспоненциального сглаживания с использованием трэкинг-сигнала, метод обычного экспоненциального сглаживания и модель Бокса-Дженкинса.

В результате исследования были получены следующие выводы. Объединенный прогноз имеет белее высокую точность прогнозирования временного ряда. Прогнозы, построенные с использованием подходов Грэнджера-Раманатхана, имеют наибольшую точность объединенного прогноза.

Авторы: А.А. Френкель, Н.Н. Волкова, А.А. Сурков, Э.И. Романюк
Ссылка: https://voprstat.elpub.ru/jour/article/view/535/488

#статьи #прогнозирование #статистика

Сказ о том, как Элияху Голдратт концепцию продавал.
Теория Ограничений Систем.

📖 ТОС - одна из четырех основных концепций повышения эффективности. Автор – Элияху Голдратт.
Как она внутри устроена мы в других постах расскажем, а сейчас о том, что вызывает наше восхищение. То, как он продвигал созданную им концепцию. Сложно сказать как именно он сформулировал ключевое ограничение своего бизнеса, но инструмент продвижения он выбрал очень интересный и эффективный.

Что он сделал – он взял спеца по написанию книг (это прям точно – очень качественно сюжетный канон выдержан) и написал производственный детектив. Его сейчас обзывают «бизнес-роман», но это такая дань офисной толерантности. По факту – это и есть детектив «гонка со временем». Детально описанный бизнес-кейс, практически идентичный реальному.

Суть коротко - у мужика, директора одного завода из группы все плохо. Прям все сошлось в одну точку: завод под закрытие (нерентабелен), жена на выходе (не измена, а просто сам мужик не подходит), с детьми проблемы – подростковый возраст во всей красе. И все это вот-вот – то есть времени на решение буквально считанные недели буквально. Гипс снимают, клиент уезжает – классика. 😣

И тут случайно он пересекается с консультантом, которой ему мимоходом (ну, занят человек очень, а помочь хочет) дает советы, куда смотреть. И завертелось…. В итоге как и положено по канону и книги и идеологии американского шоу-бизнеса – в последний момент, практически на ленточке и финальной сирене, мужик все выправляет да еще и в плюсе сильном оказывается.

Книга реально интересная. Даже безо всякой бизнес-пользы интересно читать. Ну а уж когда понимаешь, что это про инструмент е решения реальных проблем, тут вообще воодушевление наступает. И хочется это применять и применять. Тем более, что там все детально, по шагам описано.

И ты прям воодушевленный берешь и начинаешь применять… И почти сразу фигушки.😛 Вроде все по рецепту, а что-то не выходит. Но, как так? Вот же оно, только руку протяни. И уже втянулся, осмыслил, представил. Но, ... нет. И возникает отчетливое желание разобраться. Вот тут и наступает момент продажи! Вот тут и зовут консультанта.

Мы тоже так пошли. Только с другой стороны. Мы же сами про консалтинг, и поэтому как и все, взялись, не преуспели, но потом уперлись и начали предметно и вдумчиво изучать и применять.
И знаете что? У нас получилось 👍. Но обо всем по порядку, то есть дальше.

Не отключайтесь…

#тос #концепции #мысливслух #производство

Знакомьтесь – Карл Пирсон, человек и критерий

Историческая справка - это пока не про методы, а про личности в статистике.

Карл Пирсон. 27 марта 1857 — 27 апреля 1936. Лондон, Англия.

🎓 Заслуги Пирсона в статистике переоценить трудно. Он считается основателем математической статистики, создателем критерия хи-квадрат, коэффициента корреляции, термина «стандартное отклонение», пионером регрессионного анализа и факторного анализа.

Личность, как водится разносторонняя. По всему спектру: от света чистой науки (философ, историк науки) и служения обществу до темнейшего варианта евгеники.

Как все начиналось? Конец XIX века – это период бурного развития биометрии (изучения изменчивости биологических признаков). Пирсон работал в кругу учёных-эволюционистов (Фрэнсис Гальтон, Уильям Ф.Р. Уэлдон) и занимался анализом статистических закономерностей в наследственности и эволюции.

Ключевым событием в его профессиональной жизни и карьере стало, как оно зачастую и бывает, знакомство с Фрэнсисом Гальтоном (двоюродным брата Дарвина), который изучал наследственность и ввёл понятие «регрессии к среднему». Пирсон увидел в этом потенциал для создания единой статистической теории. Он стал лидером биометрической школы, которая стремилась исследовать эволюцию и наследственность путём сбора и строгого математического анализа больших массивов данных (например, измерений размеров гороха, частот заболеваний, физических характеристик людей).

А Гальтон, в свою очередь, впечатлённый работами Пирсона, в 1903 году завещал средства на развитие исследований в области евгеники и статистики.

В 1904 году на эти средства было создано отдельное подразделение — Лаборатория Гальтона национальной евгеники (Galton Eugenics Laboratory). Фактически, Биометрическая лаборатория (занимавшаяся методами) и Лаборатория Гальтона (занимавшаяся применением этих методов к евгенике) были двумя сторонами одной медали, возглавляемыми Пирсоном.
В 1901 году Пирсон вместе с Фрэнсисом Гальтоном и Уолтером Ф.Р. Уэлдоном основал журнал «Biometrika», который стал (и остаётся) одним из ведущих мировых статистических журналов. Пирсон был его бессменным редактором до самой смерти.

Как водится, неудержимое стремление ученых на стыке 19 и 20 веков вело их во все стороны. И желание применить науку вообще ко всему на свете, в том числе и к жизни общества, очень часто приводило ученых в очень темные и неприглядные места. Благими намерениями выстлана дорога сами знаете куда. Тот же Нобель уж как сожалел об изобретении динамита….😩

Так было и с Пирсоном (он, правда, не сожалел). Британская Империя того времени – это ого-го что 💂‍♀️. Это моральное и физическое превосходство во все поля. И такое же присвоенное право решать, что хорошо, а что плохо. 💪 Вот Пирсона и понесло во благо человечества.

В 1911 году, на средства, завещанные Гальтоном, в UCL была создана кафедра евгеники (изучения улучшения человеческого рода). Пирсон стал её первым заведующим. С одной стороны фактически это была первая в мире кафедра статистики. А с другой … евгеника.

Это самая тёмная и противоречивая сторона деятельности Пирсона. Он был убеждённым и активным сторонником евгеники. Он видел в статистике инструмент для «улучшения» человеческой расы. Его исследования часто были направлены на «доказательство» интеллектуального и физического превосходства одних социальных или этнических групп над другими. Он считал, что государство должно вмешиваться в процессы воспроизводства, ограничивая рождаемость у «неполноценных» (что подразумевало бедных, больных, представителей «низших рас»). Его работы и авторитет значительно способствовали популяризации евгенических идей в Великобритании и за её пределами, которые позже были использованы в нацистской Германии.

Да, бывает и так. Но вклад в науку Карла Пирсона это все же не отменяет. Об этом далее.
Не отключаемся…

#статистика #история #личность #справка

ТОС. Книги Э. Голдратта - 2

Продолжение, начало тут

Недавно мы писали о том, какой маркетинговый ход выбрал Элияху Голдратт для продвижения разработанной им Теории Ограничений Систем. Это была книга «Цель»
.
Но суть в том, что книг у него не одна. В один пост все не влезло, а рассказать хочется, да и надо. Итак...

То, что писал сам Голдратт:

1. «Цель». Книга про промышленное производство. Кейс про один конкретный завод.
2. «Цель-2. Дело не в везении». Тот же герой, но уже в холдинге, руководитель трех предприятий из разных отраслей, которые срочно надо вывести в плюс без инвестиций, так как денег нет, начальство давит, конкуренты едят поедом – в общем, все как мы любим.😁
3. «Критическая цепь». Тут про управление проектами. Профессор в рамках МВА ведет несколько проектов в разных отраслях, строительство, маркетинг. Те же гонка со временем – все надо «вчера». Время тут ключевой фактор.⏱️⌛️⏰
4. «Цель-3. Необходимо, но недостаточно». Отрасль - информационные технологии (IT) и банковский сектор. Те же проекты и частично маркетинг, но гораздо шире, добавляется еще призма финансовых показателей.
5. «Я так и знал! Теория Ограничений для розничной торговли». Розничный магазин книг и управление запасами. Суть: потоп, - оценка запасов магазина. Пересмотр политики, избавление от излишков и работа с упущенными продажами.

На наш взгляд, читать надо все книги, очень помогает последовательно расширять видение процессов.
Дальше еще есть книги тех, кто после него писал. Тоже хороши. Просто в один пост опять не влезло. Не отключаемся…

#тос #книги #управлениепроектами #бизнесрешения

Орел и решка. Вероятности, прогнозы и шансы.

«Ну что сказать, ну что сказать? Устроены так люди.
Желают знать, желают знать. Желают знать, что будет.» (С)

А знаете что? Все эти цифры, методы, формулы, статистика, аналитика и прочее – это же все про жизнь. А один из наиболее животрепещущих вопросов у всех и всегда – а что и как будет? Ну, любопытные мы все. Ну, что ж, давайте, посмотрим на реальный мир. Берем, например, известнейшую вещь – монету. И подбрасываем 😉.

Все в курсе, что вероятность всегда 50\50. Всегда! Каждый следующий бросок никак не связан с предыдущим. И даже если до этого 20 раз выпал орел, то шанс на решку в 21й раз – тоже 50\50. Да? В курсе? А если нет? Что нам говорит математика со статистикой?

А они начинают издалека))).

Говорят, что вероятность при подбрасывании монетки — это классический пример из теории тех же самых вероятностей.
То есть, если мы говорим об идеальной (честной, симметричной) монете и честном броске, то:
Вероятность выпадения орла = 50% (или 1/2). Вероятность выпадения решки = 50% (или 1/2).
Всего возможных исходов при одном броске: 2 (орёл или решка). Благоприятных исходов для конкретной стороны (например, орла): 1.
Формула: Вероятность = (Число благоприятных исходов) / (Общее число всех возможных исходов). Итог: О(орёл) = 1/2 = 0.5 = 50%. Точно так же P(решка) = 1/2.

В итоге похоже на масло масляное 🙈. Те же 50\50. А закон больших чисел, что?

А он про то же самое:

Начинается все стандартно: если выпал орёл, это вот ни разу не значит, что в следующий раз обязательно выпадет решка. Каждый бросок независим от предыдущего.
А если подбросить монетку очень много раз (например, 10 000 раз)? То доля выпавших орлов все также будет стремиться к 50%. Опять?!
А вот и нет. В малой серии бросков (например, 10 раз) возможны значительные отклонения.

А тогда что нам говорит физический эксперимент с реальной монетой?

✅ Ну, во-первых, он сразу говорит, что абсолютно идеальной монеты не существует. Всегда есть микроскопические отклонения в распределении массы, есть рисунок, который может создавать крошечный перевес и пр. и пр.

❇️ А во-вторых, исследования (например, Перси Дьякониса) показали, что, если монету подбрасывать строго одинаковым механическим способом, она может выпадать одной и той же стороной чуть чаще (например, 51% против 49%). Правда, для большинства практических целей этими отклонениями пренебрегают. А мы считаем, что зря)))).

В итоге - при одном броске и при 10 000 математика безжалостна – 50\50 и ни шагу в сторону. Но вот посередине…..

Вероятность для нескольких бросков (примеры):
Вероятность выпадения двух орлов подряд: (1/2) * (1/2) = 1/4 (25%).
Вероятность выпадения хотя бы одной решки при двух бросках: 1 - P(два орла) = 1 - 1/4 = 3/4 (75%).

Есть! Нашли! Не всегда 50\50! Хоть в теории и в большинстве задач по теории вероятностей, вероятность выпадения любой стороны монетки принимается равной ровно 0.5 (50%), но есть же лазейки 😜😋😉.

Правда, пока не очень понятно, что со всем этим делать в реальной жизни. Но мы не унываем. Примеры практического применения теорий – это у нас отдельные истории.

Дальше – больше. Не отключаемся.

#орелрешка #прогнозирование #вероятности #математика #статистика

Решка и Орел. Физический эксперимент. Неделя 1.

Знаете что? Нам после этого поста вдруг очень захотелось прямо сразу перевести все эти умствования в реальную жизнь.

И мы решили сделать небольшой статистический эксперимент (попробовать! Не судите строго - попробовать!) 😅

Бросаем монету в прямом эфире (ну, почти) 😏

И будем повторять каждую неделю. И делать выводы. И, возможно, строить корреляции (размечтались-то как 😊).

В общем, начинаем. Вечером будет первый результат.
⁉️ Угадаете? Решка или Орел? ⁉️

Поехали, не отключайтесь…

#орелрешка #прогнозирование #вероятности #эксперимент #статистика

ТРИЗ - что это и зачем?

ТРИЗ - одна из четырех концепций, про которые мы обещали рассказать тут. Обещали – рассказываем. Начнем с общих положений, чтобы можно было дальше опираться на них. (историческая справка будет позже)

Итак:
Теория решения изобретательских задач (ТРИЗ) - это набор подходов и методов для преодоления сложных, подчас запутанных проблемных ситуаций в самых различных сферах деятельности. Естественно, сначала ТРИЗ рассматривается для инженерных задач, как его и видел создатель - Генрих Саулович Альтшуллер, но, как мы и говорили ранее, в умелых руках его можно много где использовать.

Что говорят на эту тему сами спецы по ТРИЗу:

Когда более простые средства использованы, варианты решений обсудили, а может и не раз, и уже поштурмили проблему, но приемлемого решения все еще нет и не просматривается, то, вероятно, стоит использовать ТРИЗ.

📄 Очень часто ТРИЗ используют для решения значимых, но так и не решенных проблем. То есть таких проблем, которым возможно не один год.
📄 Бывает, что ТРИЗ применяют креативные команды, когда необходимо прорывное и нестандартное решение.

Почему ТРИЗ помогает в таких ситуациях? Потому что опирается на системный подход и умеет раскладывать задачу послойно.

Ну, на самом деле, методов для решения системных задач есть еще прилично, но ТРИЗ в определнных моментах просто незаменим. Вот как это бывает -

Краткая инструкция по обращению с ТРИЗ:

🧰 Общий порядок решения задач:
1. Переводим проблему в задачу.
2. Находим ключевые нежелательные эффекты при помощи аналитических инструментов ТРИЗ.
3. Обнаруживаем и моделируем противоречия.
4. Устраняем противоречия при помощи специальных инструментов ТРИЗ.
5. Собираем и проверяем идеи, составляем план по внедрению решений.

Бинго! В идеале все получается. Ну, в смысле, у спецов и у тех, кого они выучили, получается 😉.

Но есть ньюансы:

✅ Плюсы подхода:
● формулируем задачу точно.
● работаем с корнем проблемы, а не с последствиями.
● решаем задачу системно, с высокой гарантией результата.
● снижаем случайность в принятии решений.
● делаем процесс решения задачи воспроизводимым.
● находим решение без привлечения дополнительных ресурсов.
● ускоряем поиск решения нерешенных задач.

✖️ Минусы подхода:
● затраты времени на то чтобы освоить и понять подход ТРИЗ.
● не решает абсолютно все задачи.
● избыточен для простых задач.

❗️Важно: при правильном понимании и применении ТРИЗ плюсы существенно перевешивают минусы подхода 😁.

Идем дальше. Не отключаемся....

#триз #концепции

ТОС. Книги Э. Голдратта - 3

И завершение обзора книг по ТОС. Начало и продолжение тут и тут.

Итак, с книгами самого Элияху Голдратта разобрались. А ниже – то, что писали после него и что, на наш взгляд, стоит упомянуть и осветить:

1. Д.Кокс, Д.Джейкоб, С.Бергланд, «Новая цель». Никаких бизнес-романов и художественных вымыслов. Здесь идет уже жесткий разговор о совмещении теории ограничений, бережливого производства и шести сигм. ⚒️

2. У. Детмер, «Теория Ограничений Голдратта. Системный подход к непрерывному совершенствованию» Это уже тоже ни разу не роман, это уже теория Теории Ограничений. Всё, что в романах было не детализировано до самого конца, тут детально разжевано и разложено по полочкам. ⚙️

3. Э.Шрагенхайм, «Теория ограничений в действии. Системный подход к повышению эффективности компании». Это весьма приличный набор кейсов с решениями по TOC. Неплохо для практиков.

4. Л.Лич, «Вовремя и в рамках бюджета». Суровая теория, никакой бизнес-романтики. Управление проектами и программами проектов методом критической цепи.⏳

5. Э.Голдратт, Э.Голдратт-Артшлаг, «Правила Голдратта». Эту книгу писала уже Эфрат — дочь Голдратта. Она представляет собой её воспоминания об отце (её диалоги с отцом на разные темы). Не особо практично или полезно, на наш взгляд, но ради интереса, расширяя сознание, можно почитать. Тем более, если уже в теме глубоко и хочется понять ход мыслей Голдратта.

Итак, с базовыми книгами по Теории Ограничений Систем разобрались, идем дальше.
Не отключаемся.

#тос #книги #управлениепроектами #бизнесрешения