«Системы поддержки принятия решений (Decision Support Systems (DSS))» Перевод материалов блога Эли Шрагенхайма

С поездками, командировками и обучением подзадержался с переводом последней публикации Эли Шрагенхайма. А когда приступил к переводу, поймал себя на мысли, что с одной стороны, это все знакомо и понятно, а с другой — некоторые очевидные, казалось бы, наблюдения сформулированы крайне точно.

Я много лет (с 1998 года) занимаюсь постановкой и автоматизацией различных областей системы управления, но никогда не задумывался, о том, что самые большие усилия приходится прилагать при внедрении систем оперативного учета, дальше уже идет легче. Это не всегда так, иногда бывает наоборот, но, что совершенно точно, без качественного учета — никакая навороченная система работать не будет. Автоматизация всегда повышает нагрузку на ввод первичной информации, которая будет потом использоваться для сложных и «умных» алгоритмов. Казалось бы очевидная мысль — но торкнула меня только при переводе этой статьи.

Еще один момент, который вызывает у меня сомнения, по крайней мере на данный момент, это утверждение, что «подлинные DSS системы будут наслаждаться «стратегией голубого океана». Я знаю несколько попыток, и весьма неплохих создания таких систем, особенно цифровых двойников производственных предприятий. Но не могу сказать, что желание их использовать повсеместно.

Может быть это связано с тем, что сейчас это системы слишком большие и тяжелые для массового рынка, они дороги во внедрении и требуют профессионально подготовленных операторов для работы. Не знаю.

Но в общем-то, каждый из вас может составить свое мнение, для этого вам доступен этот перевод.

Читайте, думайте, комментируйте.

Как всегда, ссылка на оригинал и картинка из поста автора.

Ваш Дмитрий Егоров

Абрахам Мордох (Avraham Mordoch) и Эли Шрагенхайм (Eli Schragenheim)

Как быстрое развитие технологий может эффективно помочь организациям лучше достигать поставленных целей? Подавляющее большинство новых технологий оказывает значительное влияние на ИТ (отделы информационных технологий), что приводит к огромному давлению на загрузку ИТ специалистов в большинстве организаций, которое требует от них быстрых обновлений, что, в свою очередь, создает головную боль топ-менеджменту и нехватку концентрации, вместо того, чтобы помогать им в развитии организации.

Но потенциальная сила компьютеризации, включая такие методологии как Биг Дата (Big Data), искусственный интеллект  (AI)  и интернет вещей (IoT), могут быть разумно использована для улучшения эффективности управления организации, за счет поиска путей безопасного и успешного роста деятельности организации.

С одной стороны, новые технологии получать больше данных, которые к тому же более точные, чем когда-либо раньше. Эти данные, при правильном анализе и концентрации на том, что действительно имеет значение, может помочь менеджерам при анализе текущего состояния бизнеса, его слабостей, и может привести к новым идеям, как улучшить финансовый результат компании.

В данной статье предлагаются новые способы использования современных технологий для того, чтобы дать менеджерам возможность поддержки для оценки новых идей или подготовиться к ожидаемым изменениям, источники их находятся где-то в других источниках. Мы решили сфокусироваться на производственных организациях, которые сталкиваются с угрозами и потенциальными выгодами цифровизации производственных цехов, которая сейчас рассматривается как четвертая промышленная революция и получила название Индустрия 4.0. Угроза состоит в том, что компания подталкивается к огромным издержкам, которые не дадут бизнесу никаких выгод. Возможности новой технологии могут помочь значительно улучшить методы оценки тактических и стратегических действий. Дело в том, что для того, чтобы реализовать потенциальные выгоды необходимо поставить под сомнение некоторые  распространенные управленческие парадигмы и заменить их парадигмами, основанными на здравом смысле, которые используют новые возможности поддержки решения.

Рассматривая существующие типы программных продуктов для производственных организаций, их можно объединить в четыре типа:

  1. Системы управления производством – MES (Manufacturing Execution Systems). Этот тип систем концентрируется на самой краткосрочной временной перспективе и нацелен на предоставление операторам и руководителям производства самой актуальной информации о потоке превращения сырья и материалов в готовую продукцию. Это позволяет управлять приоритетами, быстро исправлять проблемы и достигать экономичного использования оборудования. Системы MES собирают данные и организует их таким образом, чтобы с ними было просто работать среднему уровню управления производством. Например, системы Scada являются подмножеством систем MES.
  2. Системы ERP (Enterprise Resource Planning). Мы включаем в этот класс также и системы CRM (Customer Relationship Management). Этот класс состоит из набора интегрированных приложений, которые производственные организации используют для планирования производства и сбора, хранения, управления и интерпретации данных о различных бизнес-активностях. Все разнообразные части систем ERP интегрируются в одной базе данных, хранящей все ключевые транзакции, касающиеся финансов и материалов, которые фиксируются или планируются для выполнения в кратко- или среднесрочной временной перспективе. Главная функция систем этого типа – это планирование основных операций, необходимых для исполнения твердых заказов, одновременно учитывая транзакции и наводя порядок и систематизируя данные, связанные с основными процессами организации. Системы ERP и CRM – это главным образом системы учета, которые обладают некоторой грубой функциональностью планирования.  Если информацию определить как ответ на заданный вопрос (Голдратт, «Синдром стога сена» (Goldratt, The Haystack Syndrome)), то системы  ERP и CRM дает ответы на наиболее часто задаваемые и простые вопросы, вроде того, что нужно сделать, чтобы выполнить заказ клиента. SAP, Oracle или Dynamics 365 – это лишь некоторые примере ERP систем.
  3. Системы BI (Business Intelligent). Целью программ BI отображение информации высокого уровня для топ-менеджеров, предоставляя текущей ситуации и возможно указание на определенные наблюдаемые тенденции. Сила технологий BI – в способности собирать соответствующие элементы данных из различных баз данных. Внутренние данные сочетаются с данными, которые собираются из Интернета и используются для создания графиков и диаграмм для менеджмента, чтобы информировать менеджмент о том, что происходит внутри организации, как это выглядит в сравнении с рынком и конкурентами.  BI поддерживает ключевые показатели эффективности (KPIs) понятными для топ-менеджеров. Это дает основания для менеджеров для того, чтобы оценить «что менять?» Но они не предоставляют инструментов для ответа на вопросы «на что изменить?», и уж совершенно точно на вопросы «как осуществить перемены?» Другими словами, BI системы поддерживают принятие решений за счет того, что указывают на области нуждающиеся в изменениях, но конкретные решения они не поддерживают.
  4. Системы поддержки принятия решений (Decision Support Systems (DSS)). Хотя название DSS появилось в 80-х годах прошлого века, подлинная способность действительно поддерживать принятие решений было достигнуто только в последнее время. Любое управленческое решение – это рассмотрение изменений в существующем состоянии. Любое значительно решение, кроме того, подвергается значительному воздействию неопределенности. Поэтому ключевая способность DSS систем – это способность направлять менеджеров при выборе из множества альтернатив в отношении рассматриваемых решений и представлять возможные последствия этих изменений. Мы можем разделить этот уровень систем DSS на две части:
    1. Поддержка экспертами рутинных решений, чтобы  их могли принимать менее опытные люди или даже компьютеры. Эти типы компьютерных программ основаны на технологиях искусственного интеллекта и создают разнообразие экспертных систем, которые поддерживают такого рода решения.
    1. Поддержка более значимых тактических и стратегических решений с помощью обеспечения лиц, принимающих решения, целостным анализом потенциальных финансовых и иных последствий решений. Это системы которые поддерживают принятие бизнес-решений, включая решения которые рассматривают неструктурированные или частично структурированные потенциальные возможности, которые существуют в условиях ситуаций значительной неопределенности. Оценки должны учитывать как краткосрочную, так и долгосрочную перспективу. Система DSS должна «понимать» причинно-следственные связи между различными функциями организации. Эти системы должны позволять прямое взаимодействие между человеком, принимающем решение, и компьютерным алгоритмом. Цель, учитывая объем неопределенности и нехватку точной информации, предоставить лицу, принимающему решения, полную картину того, что МОЖЕТ произойти, как хорошего, так и плохого, в результате решения(ий).

Вышеприведенные четыре категории не являются четко определенными, и существуют системы, которые нарушают границы между ними.

Более того, часто существует взаимодействие, даже петля обратной связи связи, между вышеперечисленными типами систем. ERP использует данные, аккумулированные MES-системами, и в соответствии с ними создает производственные заказы, которые поступают в MES систему.  База данных ERP системы играет главную роль для данных BI системы, показывая текущее состояние, а данные ERP и BI являются исходной информацией для программ DSS.

Довольно интересно, что усилия, которые необходимо предпринимать в производственной организации, особенно значительны при внедрении MES систем, потому что в этом случае необходимо преодолевать культурные возражения, включая враждебность, которая существует в организациях, где нет устоявшейся культуры докладывать о том, что было сделано. Когда создана первоначальная инфраструктура, внедрять и правильно использовать ERP системы несколько проще, и намного легче подниматься по ступеням дальше и внедрять Экспертные системы и системы DSS высокого уровня. Таким образом, необходимые усилия сокращаются при переходе со ступени на ступень этих четырех видов система, но выгоды от внедрения значительно увеличиваются, особенно когда топ-менеджеры, менеджеры среднего звена начинают использовать системы DSS для решения критических дилемм, с которыми они сталкиваются.

Мы должны принимать во внимание от факт, что производственные организации одновременно сложны и находятся в условиях значительной неопределенности. Менеджерам среднего звена (C-level) по прежнему нужно принимать трудные решения, например:

  • Следует ли компании предлагать пакеты продуктов по сниженной цене?
  • Следует ли компании принимать маленькие заказы кастомизированных продуктов за небольшую наценку к цене?
  • Следует ли компании расширять ассортиментную линейку за счет дополнительного семейства (или семейств) продуктов?
  • Следует ли компании значительно сокращать затраты за счет как урезания ресурсов, так и остановки производства продуктов с очень низким спросом?
  • Следует ли компании начать массированную рекламную компанию?
  • Следует ли компании участвовать в большом тендере, заявляя умеренную цену, зная о том, что победа в тендере может повлиять на качество выполнения обычных заказов?
  • Следует ли компании инвестировать в открытие нового экспортного рынка?
  • Следует ли компании инвестировать средства  в новую производственную линию, когда кажется, что рынок растет, но некоторые люди уверены, что эта тенденция роста останавливается?

Эти решения находятся за пределами зоны комфорта лиц, принимающих решения, потому что риск очевиден, а прошлого опыта для таких ситуации не хватает. Решения рискованны не только с точки зрения организации, но и персонального риска для принимающего решение, потому что он связывает себя с успехом или неудачей воплощения инициативы.

Эти риски заставляют принимать консервативные решения всякий раз, когда решение выходит за пределы знакомой зоны комфорта. Нехватка надлежащей поддержки для целостного анализа мешает многим организациям использовать ее подлинный потенциал.

Для любой DSS системы существует два больших препятствия, чтобы обеспечить работу с приведенными выше решениями, а также со многими другими. Одно из таких препятствий – это возможности выражения интуиции людей, которые близко знакомы с соответствующей областью, для ее использования при анализе. Даже если ситуация находится за пределами зоны комфорта лица, принимающего решение, он по прежнему представляет собой ценность, потому что вовлеченные в процесс люди всегда знают чуть больше, чем совсем ничего. Хотя отсутствие соответствующих точных данных остается постоянной проблемой, анализ того, что МОЖЕТ произойти с достаточной вероятность, дает концентрированную картину реального риска.

Вторым препятствием является возможность оценить предлагаемое решение, с точки зрения добавления его ко всему тому, что организация уже делает или приняла на себя обязательства делать. Это требует глубокого понимания правил, лежащих в основе потока материалов, продуктов, заказов и финансовых операций, включая различные зависимости между Производством и Продажами. Это приводит к необходимости объемных вычислений, проверки состояния мощностей, материалов и денег.

Программы DSS должны «моделировать» дилеммы высокого уровня (вроде тех, что приведены в примерах) и предлагать ожидаемый финансовый результат. Они должны легко выполнять разнообразные сценарии «что если» и сравнивать результаты. В конце концов, они должны показывать ожидаемые результаты по меньшей мере для двух сценариев, один из которых основывается на обосновано консервативных оценках, а другой – на обосновано оптимистических. Разброс конечных результатов означает, что, скорее всего,  результат окажется где-то между крайними точками этого диапазона. Решения никогда не будут автоматически приниматься системой, они требуют постоянного вмешательства лица, принимающего решение, который ищет наилучшую из альтернатив и использует заключение, сделанное человека, для принятия окончательного решения.

Вообще говоря, может быть два основных способа обеспечить эффективную поддержку принятия решений:

  1. Быть способным выполнять объемные вычисления, основываясь на качественных правилах, описывающих причинно-следственные связи, которые описывают требования к материалам и мощности для каждого продаваемого продукта и их влиянии на выручку и затраты. Этот способ детально описан в книге Throughput Economics, написанной Эли Шрагенхаймом (Eli Schragenheim), Генри Кампом  (Henry Camp) и Рокко Сурейсом (Rocco Surace).
  2. Использовать мощный компьютерный симулятор, который точно отражает поток и учитывает абсолютно переменные затраты, выручку и затраты на мощность, как интегрированную часть моделирования. Неопределенность должна быть критически важным исходным параметром симулятора, чтобы дать возможный разброс результатов.

Способ, основанных на объемных вычисления, является более наглядным для лица, принимающего решения, потому что расчеты понятны, а дополнительная ценность компьютера состоит в его способности выполнять вычисления такого объема. Это значит, что лица, принимающие решения полностью понимают исходные посылки, которые являются ядром этих вычислений.

Использование компьютерных симуляторов лучше решает сложные  ситуации или внутри производства, или со сложными зависимостями между продажами. Например, моделирование различных правил управления потоками, вроде размера партий или различных способов присвоения приоритетов, более эффективно, в сравнении с простыми вычислениями, которые должны опираться на предположения об эффективности правил управления потоком. С другой стороны, чтобы можно было доверять системе, пользователь должен глубоко разбираться, чтобы подтвердить, что внутренние параметры такого моделирования соответствуют реальности.

Оба способа должны стартовать с того, что они хорошо отражают текущее состояние, как эталон, с которым будут сравниваться все изменения. Для симулятора это означает создание «цифрового двойника», который, как кажется, отражает существующий уровень функционирования организации.

Компьютерная система, которая предоставляет надежный образец или цифровой двойник и способна вносить разнообразные изменения и сравнивать их результаты с эталоном, при этом отражая потенциальное воздействие неопределенности и нехватки точных данных, заслуживает того, чтобы называться системой поддержки принятия решений (decisionsupportsystem (DSS)). Такая система значительно снизит риски при принятии решений высокого уровня, а также сократить прокрастинацию, которая обычно возникает, как только оцениваются «трудные решения». Это поможет компании значительно оторваться от конкурентов.

Первые несколько подлинных DSS систем, которые появятся на рынке, смогут наслаждаться «стратегией голубого океана» в отличе, от «красного океана», который обычен для текущей ситуации всех систем, которые предназначены для поддержки производственных компаний.


Добавить комментарий

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.