Мозг фирмы

Инструментальное средство, которое в этом случае используется, называется прикладной статистикой. Предположим, что наши цифровые индексы начинают перемещаться из подразделения по каналам передачи входных данных вплоть до директората подразделения. Дело центра регулирования работы подразделения обобщить эти цифры и представить в понятной форме (в виде гауссовского распределения), когда можно, используя теорию вероятности, определить, какой части производства принадлежит тот или иной показатель. В данном случае суждение составляется не по прошлому и не по внешнему виду показателей. Теперь критерием будет "форма кривой достижений", определяемая абсолютным значением производственного индекса и балансом этого индекса с индексами скрытых возможностей и производительности.

Все это легко организовать с помощью компьютера, поскольку речь идет о простом и ясном статистическом нормировании результатов измерения и в высшей степени знакомой процедуре интегрирования кривой нормального распределения. Техническое замечание:

при таком методе оценки достижений показатели, располагающиеся на границах распределения, нельзя прямо использовать как исходные данные, поскольку они могут создать асимметрию. Требуется предварительно их обработать — мне всегда помогало обратное преобразование исходных данных, хотя есть и другие способы их обработки. Однако это дело специалиста в области статистики, входящего в штат центра регулирования подразделения, и мы не станем задерживаться далее на технических деталях обработки данных.

Важно подчеркнуть, что нам нет необходимости в дальнейшем оценивать деятельность фирмы в соответствии с привычным способом измерения себестоимости как единственно понятной нам формы отчетности. Вместо этого нам следует практиковать ранее предложенный метод и требовать, чтобы информационная система оценивала работу так, как нам интересно. В повседневной жизни мозг делает эту работу для нас, используя свою способность распознавать и производить такую оценку по внешнему виду результата, который мы получаем при нормальном усердии в работе. Однако как управляющие мы ищем другие способы — такие, которые важны для дела, а это означает оценку по достигнутому.

Выходные показатели механизма оценки, создаваемые центром регулирования подразделения, состоят из первичных данных, поступающих из его производственных участков. Эти данные нуждаются в сборе и такой организации, чтобы годились для обработки и дальнейшей передачи в центр регулирования подразделения. Это аналогично синаптической функции нервной клетки. Она показана на рис.27 в кружке, обведенном тонкой линией на канале передачи входных данных. Сам синапсис, представляя систему 1, более подробно изображен на рис.30, — но это шаг 2.

Вначале все данные собираются так, чтобы можно было образовать систему их классификации. Вам надлежит иметь про запас довольно простые модели оценки производственного потенциала и более сложные для оценки наличного, которые могут создать исследователи операций. Тогда, по мере поступления данных о фактических результатах по каналам на шаге 1 через синапсы на шаге 2, необходимо будет рассчитать на компьютере индексы достижений и расположить их по статистически гомогенным группам (шаг 3). После этого нужно передавать дальше организованные данные на синапсы (шаг 2) для уточнения характеристик с учетом их численности. Таким образом, мы описали начало процесса фильтрации данных центром регулирования работы подразделения. Этот процесс основан на использовании весьма простого статистического метода — совершенно такого же, который используется для управления качеством продукции. Множество действий принадлежащих классу X, образует потенциал данных на синапсе (шаг 2), которые, достигнув порога его срабатывания, немедленно передаются в центр регулирования. Здесь (шаг 3) данные эти используются для ввода в имеющиеся в запасе модели с тем, чтобы получить соответствующие индексы. Их значения сравниваются с хранящимися прошлыми показателями достижений группы (класс X) для оценки наличия статистически значимых изменений. Если информация незначительна, то фильтр не пропускает ее. Если есть что-то существенное, то фильтр пропускает ее дальше (Детальный отчет кибернетических аспектов этого процесса исторически';;! примерами и демонстрацией результатов вы найдете в гл.13 книги Decision and Control (см. список литературы)).