Текст книги "Практическое руководство по статистическому управлению процессами"

Ю.П. Адлер, В.Л. Шпер
Практическое руководство по статистическому управлению процессами

Редактор В. Ионов

Главный редактор С. Турко

Руководитель проекта М. Шалунова

Дизайн обложки Ю. Буга

Корректоры Е. Чудинова, Н. Витько

Компьютерная верстка М. Поташкин

Использованы иллюстрации из фотобанка shutterstock.com

© Адлер Ю. П., Шпер В. Л., 2019

© ООО «Альпина Паблишер», 2019

Все права защищены. Данная электронная книга предназначена исключительно для частного использования в личных (некоммерческих) целях. Электронная книга, ее части, фрагменты и элементы, включая текст, изображения и иное, не подлежат копированию и любому другому использованию без разрешения правообладателя. В частности, запрещено такое использование, в результате которого электронная книга, ее часть, фрагмент или элемент станут доступными ограниченному или неопределенному кругу лиц, в том числе посредством сети интернет, независимо от того, будет предоставляться доступ за плату или безвозмездно.

Копирование, воспроизведение и иное использование электронной книги, ее частей, фрагментов и элементов, выходящее за пределы частного использования в личных (некоммерческих) целях, без согласия правообладателя является незаконным и влечет уголовную, административную и гражданскую ответственность.

* * *

Разброс данных неизбежен в каждой работе. Данные без разброса являются недостоверными. Эффективное управление качеством невозможно без статистического анализа качества и процесса. Управление качеством начинается с контрольной карты и ею завершается. Контроль или анализ невозможны без группировки данных по определенным признакам. 95 % проблем фирмы могут быть решены с помощью семи принципов управления качеством. Статистические методы должны знать все инженеры и техники.

К. Исикава.

Японские методы управления качеством[1]1
  Исикава К. Японские методы управления качеством. – М.: Экономика, 1988.


[Закрыть]

Разброс данных неизбежен в каждой работе. Данные без разброса недостоверны. Эффективное управление невозможно без статистического анализа данных. Управление любым процессом начинается с контрольной карты и ею завершается. Контроль или анализ невозможны без группировки данных по определенным признакам. 95 % проблем фирмы можно решить с помощью методов разведочного анализа данных. Методологию системного, статистического и визуального мышления должны знать все образованные люди.

Ю. П. Адлер, В. Л. Шпер

Москва, 2018

Введение
Зачем и для кого написана эта книга?

Эта книга написана для всех, кто хотел бы принимать решения не на основе правила пол-потолок-палец, а исходя из разумного анализа имеющихся данных. Проблема состоит в том, что хотя все организации мира просто переполнены данными, 95 %, а может быть, и 99 % этих данных никто и никогда ни для чего не использует. Раньше эти данные пылились на полках в виде бесчисленных бумажных отчетов, записок, протоколов и т. п., сегодня те же самые документы пылятся в компьютерных базах наших ноутбуков, заполняя гигабайты бесчисленных директорий.

Почему? Что мешает каждому человеку, имеющему данные, описывающие поведение какого-то важного для этого человека процесса, проанализировать их с целью извлечения из них информации, полезной для принятия решений?

Ответ довольно тривиален. Во-первых, многие люди даже не понимают, что данные – это еще не информация, а сбор данных – это всего лишь самая первая, но далеко не последняя ступень анализа любой ситуации. Во-вторых, этому почти нигде и почти никого не учат. В результате многие люди просто не знают, чего они не знают, – как любил говорить великий гуру в области качества Эдвардс Деминг.

Именно с целью ликвидации подобного пробела в знаниях и написана эта книга. Она учит тому, как нужно извлекать информацию из данных с помощью многочисленных приемов, уже разработанных человечеством. Авторы полагают, что содержащиеся в этой книге знания должны быть одним из элементов общечеловеческой культуры. Другими словами, то, что изложено в этой книге, должно входить в минимальный объем знаний, которым по умолчанию обладает каждый грамотный человек.

Отсюда вытекает ответ на вопрос: для кого написана эта книга?

Ответ: для всех, кто хочет считать себя образованным человеком XXI века.

Хотя чисто технически эта книга возникла как расширение курса, который оба автора в разное время много лет читали в Московском институте стали и сплавов (МИСиС), ее содержание важно для студентов любых специальностей, как инженерных, так и гуманитарных, а также для специалистов любых сфер человеческой деятельности. Нет ни одной области, где не возникали бы те или иные данные и где не нужно было бы использовать эти данные для принятия решений.

Что нужно знать, чтобы понять изложенный в книге материал?

Для этого достаточно иметь среднее образование, т. е. закончить обычную школу. Некоторые разделы книги используют информацию, излагаемую в курсе высшей математики для технического вуза, но эти разделы можно без ущерба для понимания пропустить. Практически все расчеты и графики, описанные в книге, можно выполнить с помощью Excel, и мы приводим инструкции для соответствующих процедур.

Есть, правда, одна проблема, которую мы не планируем обсуждать, по крайней мере в рамках данной книги, но которую следует обозначить, поскольку без ее учета никакую методологию, в том числе и обсуждаемую ниже, нельзя внедрить ни на одном предприятии. Это проблема культуры организации, т. е. проблема того, как выстроены взаимоотношения между людьми в организации. Дело в том, что в иерархически построенных организациях с преобладанием авторитарной культуры управления, где возникновение любых проблем сопровождается поиском виноватых, а виноватыми почти всегда оказываются сотрудники низовых звеньев, практически всегда исходная информация будет искажаться в связи с тем, что каждый из нас еще со школы научился всеми доступными способами ограждать себя от неприятной ситуации, когда нас наказывают за нечто, в чем мы не виноваты… А если исходная информация недостоверна, никакие методы не помогут принять разумное решение…

Конечно, любой сотрудник любой компании может принять личное решение об использовании, например, контрольных карт Шухарта для анализа своего процесса – как написал еще в 1953 г. J. Martin Kohe (Дж. Мартин Койе) в своей замечательной книжке Your Greatest Power («Ваша главная сила») [Kohe 1953/2004]: Каждый человек на Земле обладает великой силой – он может выбирать, какое решение примет лично он в данной ситуации, и от этого выбора зависит, будет ли этот человек счастлив или нет…

Тем не менее если руководство компании не имеет понятия о том, что такое контрольная карта Шухарта и зачем она нужна, то, скорее всего, сотруднику придется отказаться от использования этого инструмента, поскольку это всегда будет рассматриваться как занятие чем-то ненужным и бесполезным…

Поэтому необходимое, хотя и недостаточное, условие успешного внедрения в любой компании методов статистического управления процессами – отказ руководства компании от поиска виноватых и переход к принципиально иной парадигме – поиску коренных причин возникновения проблем. В качестве первого шага на этом пути мы рекомендуем всем руководителям прочесть любой из нижеперечисленных источников: Деминг [2006, 2007], Нив [2005], Седдон [2009], Трайбус [1997].

Глава 1
Что такое системное, статистическое и визуальное мышление и для чего оно нужно?

По этим вопросам существует невероятно много литературы, и каждому из перечисленных терминов можно посвятить отдельную книгу, и не одну. Статистическое мышление мы подробно обсудим в следующем параграфе, здесь же мы ограничимся лишь краткими тезисами и дадим ссылки на некоторые относительно недавние публикации по системному и визуальному мышлению.

Кое-что о системном мышлении

Его суть в сверхкратком изложении:

● любая деятельность осуществляется в некоторой системе взаимосвязанных и взаимодействующих процессов;

● важно понимать, почему и как система сопротивляется нашему вмешательству;

● надо научиться выявлять глубинные взаимосвязи и вскрывать системные причины проблем.

Чтобы понять системную проблему, нужно, как правило, выйти за границы системы и попробовать взглянуть на нее снаружи.

Некоторые принципы системного подхода можно сформулировать так [Сенге 2009; Гараедаги 2010; О'Коннор, Макдермотт 2006; Левит, Дабнер 2007; Зиберт 2005; Адлер, Смелов 2017]:

● сегодняшние проблемы есть порождение вчерашних «решений»;

● легкий выход обычно приводит нас назад;

● причины и следствия разъединены во времени и пространстве;

● винить некого за исключением собственно системы.

Вот несколько примеров из приведенных выше книг, которые, на наш взгляд, достаточно красноречивы и не требуют каких-либо пояснений. Их объединяет то, что в результате отсутствия системного подхода всегда принимается в конечном счете неверное решение.

«Когда-то, во времена английского колониального правления в Индии, из-за необычно жаркого лета развелось слишком много кобр. Чтобы справиться с напастью, губернатор назначил награду за каждую сданную голову змеи. Индийцам предстояло ловить этих страшилищ. Как же они отреагировали? Они стали разводить кобр, чтобы получить премию».

В середине 1980-х гг. Япония пыталась преодолеть экономический кризис путем повышения госрасходов и роста госдолга – в итоге целое десятилетие (все 1990-е гг.) страна боролась с последствиями лопнувшего в 1989 г. пузыря (10 лет стагнации из-за ошибочного решения).

«Трое слепых встретили слона и начали его ощупывать. "Это что-то мягкое, большое и широкое, как ковер", – сказал один, схватившийся за ухо. Второй взялся за хобот и сказал: "Я держу реальность в руках. Это прямая длинная труба". А третий, обхватив ногу, воскликнул: "Это что-то толстое и прочное, как колонна". (Суфийская притча) А разве во многих компаниях руководители отделений производства, сбыта и исследований не похожи на этих трех слепцов?»

В книге двух профессоров Гарварда [Пфеффер, Саттон 2008] сформулированы наиболее распространенные и разрушительные ошибки современного менеджмента.

1. Бессистемный бенчмаркинг.

2. Слепое следование рецептам, успешным в прошлом.

3. Глубоко укоренившиеся, но необоснованные взгляды.

Если внимательно присмотреться к этим трем ошибкам и примерам, приведенным авторами, то становится очевидным, что все они вызваны одной коренной причиной: отсутствием системного подхода у большинства менеджеров. То же можно сказать о перечисленных в книге «Эффект ореола» восьми распространенных иллюзиях, приводящих к ошибочным решениям [Розенцвейг 2008].

Известный специалист в области системного мышления Рассел Акофф в статье [Акофф 2006] отвечает на вопрос, почему системное мышление так редко встречается на практике:

«Нельзя научиться чему-либо, если делать все правильно…

…организации и отдельные лица, которые не позволяют ошибаться, никогда ничему не научаются. Организации и личности, всегда возлагающие на других вину за свои ошибки, тем самым отказываются обучаться. Не надо далеко ходить за примером – взять хотя бы исполнительные органы нашего правительства…

Чтобы учиться на ошибках, следует признать, что есть два типа ошибок: ошибки совершения и ошибки несовершения.

Ошибка совершения происходит, когда организация или индивид делает что-то, чего не следовало бы делать.

Ошибка несовершения происходит, когда организация или индивид не делает того, что следовало бы сделать.

Ошибки несовершения обычно более существенны. Деградация и неудачи организаций почти всегда происходят из-за того, что они чего-то не сделали…

А теперь ключевой факт: системы учета в западном мире фиксируют только ошибки совершения, наименее важные из двух типов ошибок!

Они не регистрируют ошибки несовершения. Поэтому в организации, которая неодобрительно относится к ошибкам и в которой замечаются только ошибки совершения, менеджеру надо только стараться не сделать чего-нибудь такого, что не следует делать. Поскольку ошибки несовершения не регистрируются, они часто проходят незамеченными. А если и замечены, ответственность за них редко наступает. В такой ситуации менеджер, который хочет как можно реже получать неодобрение, должен:

● либо минимизировать ошибки совершения;

● либо перекладывать ответственность за совершенные им ошибки на других.

Лучший способ достижения этого – ничего не делать или делать как можно меньше…»

Это и есть одна из главных причин, по которой организации и люди не научаются системному мышлению в ходе своей практической деятельности. Еще одна причина – этому мало где и мало кого учат. Между тем в условиях сегодняшнего открытого глобального и быстро меняющегося мира этому – т. е. пониманию систем – нужно учить всех.

Кое-что о визуальном мышлении

В 1934 г. в поэме «Скала» (The Rock) англо-американский поэт Томас Элиот написал такие строки:

Where is the Life we have lost in living?

Where is the wisdom we have lost in knowledge?

Where is the knowledge we have lost in the information?

В нашем вольном переводе эти строки выглядят так:

Где жизнь, затерявшаяся в бытии?

Где мудрость, затерявшаяся в знании?

Где знание, затерявшееся в информации?

Принято считать, что в этих строках впервые было отмечен тот факт, что информация, знание и понимание (мудрость), вообще говоря, не одно и то же и знание способно затеряться в информации. Примерно через 50 лет американский композитор Фрэнк Заппа (Frank Zappa) написал такие строки:

В научный обиход различие между информацией, знанием и пониманием ввел известный ученый Рассел Акофф. Он выразил это различие в виде иерархии (рис. 1.1):

В англоязычной литературе эта иерархия известна под аббревиатурой DIKW [http://en.wikipedia.org/wiki/DIKW]. В двух словах эту иерархию можно прокомментировать так.

Данные – это цифры, даты, символы и т. п., которые сами по себе ничего не значат.

Информация – это данные в определенном понятном нам контексте, данные, имеющие смысл и целевое назначение (т. е. данные в свете некоторой гипотезы или системы гипотез об их смысле).

Знание – это определенным образом обработанная и структурированная информация, которую можно использовать для принятия решений (т. е. информация, прошедшая формальную или содержательную проверку гипотез, которая не выявила противоречий).

Мудрость – это основанная на знании способность создавать новое знание и принимать решения в условиях неопределенности.

На самом деле границы между этими категориями очень зыбки и условны, и потому иерархия DIKW часто и заслуженно подвергается критике с разных сторон. Однако здесь нам важно обратить внимание не столько на проблему структурирования наших знаний, сколько на два существенных момента, какие не будут меняться при различных модификациях иерархии знаний. Первый момент состоит в том, что данные сами по себе не есть ни информация, ни тем более знания. Переход от набора цифр к их пониманию и выводам/решениям осуществляется путем анализа данных. Этот анализ может проводиться на самых разных уровнях: от поверхностного взгляда на цифры до применения самых навороченных статистических пакетов обработки данных. Но в полном соответствии с принципом 80/20 (подробнее о нем см. в книге [Кох 2012]) в 80 или более процентах ситуаций переход от данных к последующим этапам иерархии знаний можно успешно выполнить с помощью первичного анализа данных, который мы, следуя [Тьюки 1981], будем далее называть разведочным анализом данных (РАД).

Второй момент состоит в том, что ключевой компонент РАД – визуализация данных, т. е. представление данных в виде понятных и полезных картинок. Важно отметить, что роль картинок гораздо больше, нежели просто «сжать» информацию и представить ее в компактном виде. Зачастую они дают нам «новую» информацию, которой «как бы не было» при ином ее представлении. Дело в том, что правильная картинка позволяет нам увидеть не только сами значения данных, но и их связь друг с другом, а также наличие тех или иных особенностей и структур в поведении данных, не обнаруживаемых при их текстовом или табличном представлении.

Есть и чисто физиологическая причина того, что, глядя на картинку, человек часто видит много нового по сравнению с текстовым изображением или таблицей: мы воспринимаем картинку и текст разными полушариями мозга (логическим и эмоциональным) [Роэм 2009]. Другими словами, именно картинки часто служат тем мостиком, с помощью которого мы переходим от одной ступени DIKW к другой.

Следуя вышеприведенным стихотворным образцам, мы предлагаем такую модель:

 
Данные – это еще не информация,
Информация – это еще не знание,
Знание – это еще не понимание,
Понимание – это еще не мудрость,
Мудрость – это еще не истина,
А ПУТЬ К ИСТИНЕ – ПРЕВЫШЕ ВСЕГО!
 

Как превратить данные в информацию, информацию в знание, знание в мудрость?

Ответ: с помощью разведочного анализа данных (РАД).

Семь (девять) простых методов РАД

1. Визуализация

2. Диаграммы потока процесса

3. Контрольные листки

4. Контрольные карты Шухарта

5. Гистограммы

6. Стратификация данных

7. Диаграмма Парето (80/20)

8. Схема Исикава

9. Диаграмма рассеяния

В РАД мы включаем семь простых методов контроля качества [Куме 1990], семь новых методов контроля качества [Адлер 2000, Кане 2008], визуализацию данных, метод построения диаграмм (блок-схем) потока процессов (flowcharts), ящик с усами, правило семи вопросов, ментальные карты и любые другие полезные для понимания картинки. Поскольку все перечисленные методы нужны не только при контроле качества, а при анализе любых данных в любых сферах деятельности, мы далее опускаем слова «контроль качества» и говорим о семи простых и семи новых методах РАД, включив в семь простых диаграммы потока и визуализацию как самостоятельный метод (т. е. по сути семь простых у нас состоят из девяти инструментов)[2]2
  Термины «семь простых» и «семь новых» настолько широко вошли в уже имеющуюся литературу, что мы не видим смысла их менять.


[Закрыть].

Семь новых методов РАД

Диаграмма сродства

Граф связей

Метод иерархических структур

Матричная диаграмма (домик)

Анализ матричных диаграмм

Блок-схема принятия решений

Сетевой график (метод ПЕРТ)

Один из самых простых способов превратить данные в информацию – добавить к ним ответы на семь простых вопросов: кто? когда? как? где? зачем их собирал? сколько чего собрали? и что, собственно, они означают?

В англоязычной литературе это хорошо известное и очень популярное, особенно у японцев,

Правило 5W+2H:

Но вербальных ответов недостаточно – они по-прежнему не позволяют нам обнаружить структуры и тренды (если, конечно, они есть – а они есть в большинстве случаев реальной жизни). Чтобы обнаружить структуры и тренды в данных, их – данные – нужно визуализировать.

Наиболее употребительные практические инструменты визуализации данных перечислены в табл. 1.1.

Бóльшая часть того, что перечислено в этой таблице, будет рассмотрена в разных местах книги, но сначала разберем несколько примеров того, как визуализация помогает нам обнаружить то, что нельзя увидеть из цифр. В табл. 1.2 приведена часть таблицы Росстата с данными о валовом внутреннем продукте (ВВП) РФ в постоянных ценах 2011 г. (вся таблица просто не поместится на одной странице). Значения ВВП приведены в миллиардах рублей. Данные даны поквартально, но из таблицы вряд ли вы увидите какие-то закономерности.

На рис. 1.2 показан ход ВВП во времени с 1995 по 2016 г. в постоянных ценах 2008 г. Из рисунка видно, что рост ВВП начался сразу после дефолта 1998 г. и дальше до 2007 г. шел с практически идентичной структурой данных, что говорит о постоянстве системы, т. е. рост ВВП на этом участке был обусловлен восстановлением экономики после дефолта. В 2008 г. произошел обвал вследствие мирового экономического кризиса, после чего снова начался рост, прекратившийся примерно в 2012 г. После этого экономика не растет, т. е. имеет место так называемая стагнация экономики страны. Все вышесказанное очевидно любому человеку, и для этого не нужно ничего считать, так же как и не нужно никаких специальных экономических знаний. Нам все рассказала простая картинка, на которой показан ход процесса во времени. Такая картинка получила название «карта хода процесса». Англоязычный аналог этого термина – run chart.

Глава 2
История возникновения статистического мышления. Основы теории вариабельности

Мышление – это то, чем каждый из нас, слава богу, обладает от рождения. И пока что оно нас не подводит. Но что такое «статистическое мышление»? И зачем оно нам нужно (если нужно)? Такие вопросы могут возникнуть у читателя после знакомства с названием этого параграфа. Простых ответов на подобные вопросы нам дать не удастся. Поэтому вам придется довольствоваться сложными разъяснениями. Но прежде, чем мы попытаемся их дать, заметим, что сам термин «статистическое мышление» представляется не совсем удачным. Дело в том, что слово «статистический» у многих людей вызывает неприятие, поскольку напоминает об изучавшейся когда-то в институте дисциплине под названием «математическая статистика», которую большинство людей не помнит и побаивается.

Между тем под «статистическим мышлением» мы понимаем[3]3
  Такое понимание не есть прерогатива авторов данной книги (подробнее см. ниже).


[Закрыть] подход к принятию любых решений как в жизни отдельного человека, так и на всех уровнях организации, причем решений как оперативных или тактических, так и стратегических. Более точно наше понимание сформулировано во врезке ниже.

Статистическое мышление – это умение принимать системные решения в мире, подверженном вариабельности.

Ниже мы постараемся расшифровать смысл приведенного определения, а здесь просто заметим, что статистическое мышление – это вовсе не использование статистических методов, по крайней мере в подавляющем большинстве жизненных ситуаций. Статистическое мышление – это точка зрения, позиция, взгляд на мир, помогающие принимать эффективные решения благодаря системному подходу к возникающим проблемам. Очевидна важность этой позиции, ибо если мы делаем ошибку любого типа – совершения или несовершения – т. е. вмешиваемся в процесс, когда этого делать не надо, или не вмешиваемся, когда это крайне важно, то процесс только ухудшается. Аналогичный результат возникает, если в процесс вмешиваются не те люди, кому следует это делать, и не вмешиваются те, кому следовало. Попробуем же разобраться в сути обсуждаемого подхода, для чего сначала бросим взгляд на историческую ретроспективу его возникновения и эволюции.

Открытие У. Шухарта

Поводом для возникновения статистического мышления послужила практическая задача борьбы с дефектами продукции, которая была поставлена перед молодым физиком Уолтером Шухартом (1891–1967), принятым в 1923 г. на работу в знаменитую Bell Laboratories (лаборатория того самого А. Белла, что изобрел телефон) [Нив 2005, Говард 1995, Адлер 2012]. Задача эта была связана с одной трудностью, возникшей в ходе телефонизации Америки. При тогдашней технологии прокладки телефонных сетей приходилось примерно через каждые 500 м вставлять в линию связи усилитель сигнала размером с письменный стол (полупроводниковых приборов, на которых построена вся современная миниатюризация, еще не было[4]4
  Первый полупроводниковый (германиевый) транзистор был создан в той же самой Bell Lab и был впервые продемонстрирован публике летом 1948 г., за что его изобретатели – Д. Бардин, У. Шокли и У. Браттейн – получили Нобелевскую премию в 1956 г.


[Закрыть]), закапывая его в землю. И все было бы хорошо, если бы не одно обстоятельство. Лампы в этих усилителях перегорали не по графику, а когда им вздумается. Из-за этого у бригад ремонтников возникали большие трудности. Не удавалось заранее определить требуемое число ремонтных бригад, их потребности в транспорте и запасах ламп для замены. Проблема заключалась в большом разбросе времени наработки до отказа усилительных ламп, и хотя завод-изготовитель определял нормативный срок непрерывной работы, лампы почему-то ничего не знали про требования ТУ и отказывали как попало. Естественно, возникало много вопросов. Например, почему разброс так велик и нерегулярен? И что можно сделать, чтобы ввести его в приемлемые рамки? Как наилучшим образом описывать само явление разброса времени работы ламп? И так далее. Стоит заметить, что это было одно из первых (хотя и далеко не первое) столкновение массового производства с проблемой вариабельности, т. е. разброса.

Некоторыми из этих вопросов и занялся У. Шухарт. С самого начала он был фанатиком применения статистических методов. Его коллега и друг Э. Деминг так писал об этом в статье, посвященной памяти У. Шухарта [Deming 1967]: «Управление качеством означало для него применение статистических методов всюду: от сырьевых материалов до готовых изделий и обратно – в разработке новых изделий, при пересмотре требований к сырью, в непрерывном цикле обработки результатов, получаемых при исследовании покупательского спроса и из других источников».

Хотя традиционный взгляд на контроль качества был обращен в то время на обнаружение и изъятие негодных изделий из партии продукции, У. Шухарт увидел возможность увеличения выхода годных изделий непосредственно в процессе производства. Профилактика, направленная на предотвращение брака или несоответствий, несомненно, важнее и полезнее, чем отбраковка, ибо отбраковка сама по себе не приводит к улучшению изделий: она лишь разделяет их на две группы – принимаемых и бракуемых. Качество как данной партии, так и будущих партий при отбраковке не меняется. В то же время профилактика, т. е. система мер, направленных на предотвращение появления некачественных изделий, ведет к улучшению будущих партий продукции.

Первое, до чего додумался У. Шухарт, размышляя над поставленными вопросами, было обнаружение двух принципиально различных источников разброса или вариабельности (изменчивости)[5]5
  Далее мы используем в основном термин вариабельность как уже установившийся в литературе.


[Закрыть] показателей качества, к которым чувствителен потребитель.

Первый источник вариабельности – сама система, в которой производится продукция (услуга). Понятие о производственной системе довольно неопределенно. Сюда относятся и здания, и оборудование, и сырье, и люди, и многое другое. Практически это все, что может повлиять на интересующие нас показатели качества. Пока система не меняется, вариабельность характеризующих ее параметров остается практически постоянной. Поэтому вариабельность – одна из важнейших характеристик системы, которую надо знать, если мы хотим управлять системой или совершенствовать ее. Понятно, что для этого сначала придется научиться эту самую вариабельность каким-то образом измерять.

Второй источник имеет совершенно другую природу. Существует, оказывается, вариабельность, обусловленная вмешательством в систему тех или иных факторов, не принадлежащих системе, т. е. внешних по отношению к ней (например, неправильное поведение оператора, или неправильный ход какого-то технологического режима вследствие сбоя настройки, или непредвиденное изменение внешних условий и т. д.). Эта вариабельность проявляется спорадически, нерегулярно. Ее величина может сильно меняться от случая к случаю, причем здесь каждый случай – особый, и отклонение от той установившейся вариабельности, какая характерна для вариаций, вызываемых самой системой, может быть каким угодно.

В реальной жизни на выходе системы мы наблюдаем смесь, сумму вариаций, происходящих из этих двух источников.

Если бы теперь мы смогли определить, какие именно источники и как влияют на выход системы, то стало бы понятно, какие действия стоит предпринять, чтобы улучшить ситуацию. Другими словами, если бы мы знали, вызваны ли те или иные вариации системой или внешними по отношению к системе силами, то мы одновременно знали бы, кто и каким образом должен действовать. В самом деле, если, например, вариации обусловлены системой, т. е. тем, что процесс устроен именно так, как он устроен, то ясно, что вмешиваться в него изнутри системы бессмысленно, так как такое вмешательство, будучи незапланированным для системы, ведет только к ее раскачке (выводит систему из стабильного состояния). Нас или нашего потребителя может, конечно, не устраивать вариабельность системы. Но тогда надо менять систему в целом (вспомним о системном подходе), т. е. нам надо реорганизовать систему. А это в свою очередь означает, что делать это должны те люди, которые «стоят над системой», т. е. высший менеджмент. Поэтому всякая попытка справиться с ситуацией за счет сотрудников-исполнителей заведомо обречена на неудачу. Более того, она практически неизбежно приведет к существенному ухудшению положения дел.

С другой стороны, если вариации обусловлены внешними по отношению к системе причинами, т. е. тем, чего в нормально работающей системе быть не должно, то здесь надо немедленно браться за дело самим сотрудникам. Их задача – создать команду для изучения возможных причин возникновения нерегулярных вариаций, которые довольно часто, хотя и далеко не всегда, вызываются так называемым человеческим фактором (это, впрочем, вовсе не означает, что такие причины легко обнаружить.) В любом случае следует начать непрерывную борьбу за устранение всех «лишних» вариаций и за достижение стабильности. Только стабильность делает систему предсказуемой, а значит, управляемой (подробнее это утверждение рассмотрено ниже).

Основы теории вариабельности

Итак, в 1924 г. У. Шухарт заложил основы того, что сейчас принято называть теорией вариабельности. Основные положения этой теории можно кратко сформулировать следующим образом: все виды продукции и услуг, а также все процессы, в которых они создаются и/или преобразуются, подвержены отклонениям от заданных значений, называемых вариациями.

Вариации своим происхождением обязаны двум принципиально разным источникам, которые принято называть общими (common) и особыми или специальными (assignable) причинами вариаций[6]6
  Английский термин assignable означает «могущий быть отнесенным к чему-то» – его не удается перевести на русский каким-либо одним словом, поэтому в русскоязычной литературе по SPC одинаково часто можно встретить и «особые», и «специальные» причины вариаций. Мы думаем, что выбор из этих двух вариантов – дело вкуса.


[Закрыть].

Кроме общих «…существуют неизвестные причины вариабельности качества продукции, не принадлежащие постоянной системе, …и такие причины получили название особых» [Shewhart 1931, p. 14].

Общими причинами вариаций называют причины, составляющие неотъемлемую часть данного процесса и внутренне ему присущие. Они связаны с неабсолютной точностью поддержания параметров и условий осуществления процесса, с неабсолютной идентичностью условий на его входах и выходах и т. д. Другими словами, общие причины вариаций – это результат совместного воздействия большого числа случайных факторов, каждый из которых вносит весьма малый вклад в результирующую вариацию и влияние которых мы по тем или иным соображениям не можем или не хотим отделить друг от друга.

Особые причины вариаций – это те причины, которые возникают из-за внешних по отношению к процессу воздействий на него и не служат его неотъемлемой частью. Они связаны с приложением к процессу незапланированных воздействий, не предусмотренных его нормальным ходом. Другими словами, это – результат конкретных случайных воздействий на процесс, причем тот факт, что именно данная конкретная причина вызывает данное конкретное отклонение параметров/характеристик процесса от заданных значений, часто (но далеко не всегда) и приводит к тому, что эту причину можно обнаружить без приложения каких-то исключительных усилий или затрат.