Выход из кризиса. Новая парадигма управления людьми, системами и процессами

Есть много причин тому, почему качество и производительность (а они идут рука об руку) в США не повышаются. Вот несколько самых весомых: система образования, которая выпускает невежд в математике, зато знатоков МВА (где учат менеджеров, как захватывать компании, а не как управлять ими); краткосрочные цели глав корпораций (получить бонус за прибыль компании по итогам года или найти лучшую работу где-нибудь еще); практика переноса производства и за пределы страны в поисках более дешевой рабочей силы (несмотря на то что прямые затраты на рабочую силу составляют малую часть общих затрат); переход от честного лидерства и рабочей этики к принципам «взять свое» и «все делают так» на всех уровнях.

Практически все наши крупные компании были основаны людьми, имеющими техническое образование, – изобретателями, механиками, инженерами, химиками, которые были искренне заинтересованы в качестве продукции. Теперь же этими компаниями в основном руководят люди, заинтересованные в прибылях, а не в качественной продукции. Они гордятся своими отчетами о прибылях и убытках и биржевыми показателями.

Недостаточное обучение статистическим методам в промышленности. Осознав потребность в качестве и абсолютно не понимая, что такое качество и как его достигнуть, американский менеджмент кинулся проводить статистический ликбез, нанимая вместо настоящих учителей поденщиков, не в состоянии отличить невежество от компетентности. В результате сотни людей изучают то, что ложно.

Никто не имеет права обучать теории и методам использования контрольных карт без знания теории статистики хотя бы на уровне степени магистра плюс опыт работы под руководством специалиста. Я говорю это исходя из собственного опыта, поскольку каждый день наблюдаю разрушительные последствия некомпетентного обучения и ошибочного применения знаний.

В университетах преподавание чистой статистической теории, включая теорию вероятности и смежные предметы, как правило, превосходно. В приложении к вычислительным задачам преподавание корректно, но применительно к аналитическим проблемам, например, таким как планирование выпуска, урожая будущего года, к сожалению, неверно и вводит в заблуждение[29].

Дисперсионный анализ, критерий Стьюдента, доверительные интервалы и другие статистические методы, описываемые в книгах, как бы интересны они ни были, не годятся, поскольку не создают основы для предсказания и не позволяют использовать информацию, содержащуюся в последовательности производства изделий. Большинство, если не все компьютерные «пакеты для анализа данных», как они позиционируются потребителям, на самом деле дают вопиющие примеры неэффективности.

Доверительный интервал имеет операциональный смысл и весьма полезен для обобщения результатов численных исследований. Я использую доверительные интервалы как подходящие свидетельства в численных исследованиях. Но доверительные интервалы не имеют операционального смысла для предсказания, следовательно, не обеспечивают доверия при планировании.

Повторно возникающие и воспроизводимые структуры данных (метод 2 работает лучше, чем метод 1), если отбросить необъяснимые сбои, в некотором диапазоне внешних условий ведут к степени доверия, достаточной для целей планирования. Степень доверия нельзя выразить количественно как 0,8, 0,9, 0,95, 0,99. Так называемые вероятностные уровни значимости для метода 1 и метода 2 не дают никакой меры для степени доверия при планировании, а значит, и при предсказании.

Например, некоторые полимеры, смешиваемые в течение 60 минут в Кёльне, работают в определенных промышленных процессах лучше, чем те же полимеры, но смешиваемые в течение 30 минут (конечно, при одинаковой температуре). Тогда для целей планирования можно предположить, что таким же образом продолжительность смешивания будет влиять на результаты процесса, если он проводится в Дейтоне.