Сбор информации и анализ

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.