Планирование
Содержание методики синергетического бенчмаркинга
1.Первоначальное определение и анализ совершенствуемого объекта бенчмаркинга и его контекста.
Первым шагом синергетического бенчмаркинга является определение системы, свойства и показатели которой необходимо улучшить. Определяются критические факторы успеха организации. На этом же шаге при необходимости устанавливается система постоянного мониторинга состояния и прогнозирования тенденций системы и её окружения. На этом шаге возможно использование следующих методов: анализ хозяйственной деятельности, анализ данных бухгалтерского и управленческого учета, STEP-анализ, SWOT-анализ, IDEF, анализ институтов и трансакционных издержек, экстраполирование, интерполирование, метод сценариев и пр.
2.Предвидение и постановка проблемы для определения предмета, критериев поиска и целей бенчмаркинга.
На этом шаге необходимо определение соответствующих проблем в общем виде (низкая производительность труда, небольшая рыночная доля, низкие объемы продаж и т.п.). Дальше следует точная идентификация предмета бенчмаркинга (продукт, процесс, технология, производительность, компетенция, трансакция, институт). Формулируются критерии для поиска аналогий в предметной области (т.е. какими свойствами должны обладать системы, чтобы их можно было считать аналогичными). Формулируются критерии превосходства для поиска наилучших из аналогичных систем. Формулируются цели и задачи бенчмаркинга.
|
|
3. Выбор формы бенчмаркинга, планирование и организация проекта
На основе имеющихся данных обосновывается выбор формы бенчмаркинга, наиболее подходящей для достижения сформулированных целей и задач бенчмаркинга. Этот шаг обуславливает парадигму, сферу поиска, принципы, методы и средства бенчмаркинга. Составляется бюджет проекта и организуется проектная группа бенчмаркинга.
4.Поиск, контакты, определение партнеров и объектов бенчмаркинга.
На этом шаге формируется база обзорных данных о всех потенциальных объектах бенчмаркинга. В качестве источников данных используются:
· журналы, книги, публикации, базы данных, Интернет;
· каталоги, проспекты, отчеты о деятельности фирм;
· консалтинговые компании и исследовательские учреждения;
· специализированные конференции, семинары, ярмарки и пр.
В случае возможности установления непосредственного контакта с потенциальным партнером проводятся специальные встречи. Определяются критерии отбора лучших и подходящих объектов бенчмаркинга. Окончательно определяется круг партнеров и состав объектов бенчмаркинга.
|
|
5.Сбор, накопление и обработка релевантных данных.
Осуществляется обоснование, выбор методов и сбор данных. Обращается внимание на релевантность данных, экономичность методов и достоверность источников. Сбор данных идет в направлении внутренней и внешней среды и контекста (структурного, глобального, институционального и стратегического) объектов бенчмаркинга. Помимо источников вторичной информации, используется первичная информация и такие методы полевых исследований как опрос, интервью, наблюдение, эксперимент.
Разрабатываются системы мониторинга и прогнозирования развития объектов бенчмаркинга. Данные собираются в форме, удобной для дальнейшего анализа, в т.ч. нейросетевого, в котором объекты бенчмаркинга представляются как совокупность успешных примеров процессов, выраженных через входные и соответствующие им выходные векторы показателей. Для объектов высокой сложности собираются качественные данные.
Формируются учебный и тестовый наборы данных, которые должны быть типичными для задачи, решению которой обучается нейросеть. Доступность и целостность данных составляют наиболее важный фактор успешного обучения нейронной сети. Данные должны в полной мере представить все возможные состояния решаемой проблемы, их должно быть достаточно для того, чтобы из них можно было извлечь данные для тестирования и проверки правильности их обработки сетью. Данные, выбираемые для обучения, должны характеризовать все пространство, которое может занять соответствующий класс данных.
Данные следует проверить и на согласованность. Как правило, в большом наборе данных всегда находятся несогласованности и ошибки. Иногда сначала надо провести кластеризацию данных.
Данные требуют масштабирования, чтобы они попадали в область действия сети. Например, целевые выходные данные для сети с обратным распространением ошибок и с сигмоидальной функцией активности элементов должны лежать между 0 и 1, поскольку соответствующей является область значений сигмоидальной функции. Каждый признак может требовать своего масштабирования. Если один признак изменяется в диапазоне от 300 до 2000, а другой – от 5 до 130, то первый будет доминировать над вторым из-за большего влияния. Простейшим методом масштабирования является деление значения признака на максимальное значение признака.
Данные о кластерном контексте собирают по следующему алгоритму:
· рассмотрение объекта бенчмаркинга;
· выявления наличия цепочки связанных с ним по вертикали ниже- и вышестоящих фирм и организаций;
· поиск по горизонтали отраслей, проходящих через общие каналы или производящих побочные продукты и услуги;
· установление дополнительных горизонтальных цепочек отраслей на базе использования похожих специализированных факторов производства или технологий, или связанных между собой через поставки;
· окончательное установление входящих в кластер отраслей и фирм;
· выделение организаций, обеспечивающих для него специальные навыки, технологию, информацию, капитал или инфраструктуру, а также любых групповых образований, в которые входят участники кластера;
· поиск правительственных или других законодательных структур, оказывающих существенное влияние на кластер;
· определение наиболее важных связей и между элементами кластера и объектом бенчмаркинга.
Методика синергетического бенчмаркинг признает и использует современную систему показателей, измерителей и метрик для количественного анализа объектов и предметов бенчмаркинга, состав и отличия которой от традиционной системы показаны в таблицах ниже.
Таблица 2.7
Различия в критериях систем показателей деятельности
Традиционная система показателей деятельности | Инновационная система показателей деятельности | |
Основана на понятиях «стоимости» и «эффективности» | Основана на понятии «ценности» | |
Ориентирована на прибыль | Ориентирована на клиента | |
Краткосрочная перспектива | Долгосрочная перспектива | |
Преобладают индивидуальные показатели | Преобладают показатели работы группы | |
Преобладают функциональные показатели | Преобладают профильные показатели | |
Сравнение со стандартом | Мониторинг улучшений | |
Нацеленность на оценку | Нацеленность на оценку и вовлечение | |
Ретроспективный характер | Перспективный характер | |
Игнорируются институциональные и трансакционные факторы | Ориентирована на институциональный контекст процессов и трансакций | |
Классический взгляд на измерение показателей | Признание фрактальности объектов измерения |
Таблица 2.8
|
|
Нефинансовые показатели в методике
Первостепенные | Второстепенные | |
Способность привлекать талантливых людей | Качество информационно-коммуникационной инфраструктуры | |
Репутация менеджмента | Эффективность кадровых служб | |
Качество стратегии | Премии за качество процессов | |
Инновации | Премии в области бенчмаркинга | |
Рыночная доля | Социальная политика | |
Реализация стратегии | Публикации материалов для инвесторов | |
Опыт управления | Качество обслуживания клиентов | |
Качество основных процессов | Руководство для анализа качества | |
Лидерство в исследованиях | Качество отношений с инвесторами | |
Человеческий потенциал | Количество рекламаций | |
Корпоративная культура | ||
Интеллектуальная собственность |
6.Трансформация данных в информацию и анализ.
На этом шаге данные передаются, накапливаются, агрегируются форме удобной для определения взаимозависимостей и анализа. Осуществляется редактирование, кодирование, классификация данных. Применяются методы исследования операций; экономико-математические методы функционально-стоимостной анализ; технический анализ; кластерный анализ; причинно-следственный анализ; методы теории игр; корреляционный анализ; теория вероятности; регрессионные и корреляционные методы; факторный и дискриминантный анализ; методы теории принятия решений; байесовский статистический анализ, стратегический анализ и пр.
|
|
Особенность методики синергетического бенчмаркинга составляет применение трансакционного анализа в исследовании, т.е. оценка эталонов осуществляется с учетом значений трансакционных издержек. Также в методике синергетического бенчмаркинга впервые предлагается использовать нейросетевое моделирование (сеть с обратным распространением ошибок) для анализа трансакций и прогнозирования трансакционных издержек. Во многом трансакции сходны с обычными бизнес-процессами, но они в большей мере стохастичны. Моральные риски, порожденные субъективными факторами, труднопредсказуемы, значения вероятности благоприятного исхода трансакции в каждом конкретном случае практически неизвестны. Для того, чтобы учесть всё множество случайных, трудноизмеримых, субъективных факторов при анализе трансакций необходим математический метод, позволяющий:
· анализировать, обобщать, эксплицировать и моделировать сложные нелинейные зависимости, вид которых заранее неизвестен;
· учитывать в модели значительное число разнородных параметров;
· учитывать факторы стохастичности и неопределенности;
· прогнозировать целевые показатели;
· работать с «зашумленными» данными;
· быстро и просто изменять и адаптировать модели.
Нейросетевой метод не претендует на построение абсолютно точной модели трансакции и безупречное вычисление значений трансакционных издержек ещё до свершения сделки, но он теоретически позволяет неявно учесть огромное количество факторов, влияющих на сделку и дать адекватный прогноз её результатов. Если использовать в качестве учебного набора данных большое количество стандартных трансакций предприятия, проходящих в условиях относительно неизменных параметров институциональной среды, то теоретически можно построить нейросетевую модель, хорошо прогнозирующую значения трансакционных издержек.
Нейросетевые модели можно строить и переобучать для любого бизнес-процесса, так как они обладают высокой способностью к обобщению с учетом факторов внешней среды, способствуют лучшему понимание структуры процессов, помогают в формировании идеальной модели процесса. Результатом этапа сбора информации и анализа является постоянно действующая нейросетевая система поддержки решений в области бенчмаркинга, которая тренируется ряду рекомендаций.
Для целей методики синергетического бенчмаркинга достаточно обычной сети с обратным распространением ошибок. Архитектура и топология сети, т.е. число входных и выходных элементов диктуется рассматриваемой проблемой (числом входных признаков и числом известных классов). Размеры скрытого слоя обычно находятся экспериментально. Обычно начинают с одного скрытого слоя, который содержит 30-50% числа элементов входного слоя.
Нейронная сеть бесполезна, если она не умеет обобщать полученную информацию. Обобщение означает способность сети качественно выполнять свою работу с данными, которые сеть в процессе обучения не видела. В случае сетей с обратным распространением ошибок плохое обобщение может быть следствием перетренировки сети из-за слишком большого числа скрытых элементов. Чтобы не допустить перетренировки необходимо периодически пропускать через сеть тестовые данные.