Организация как система. Принципы построения устойчивого бизнеса Эдвардса Деминга

Смертельные болезни

Препятствия

«Приезжайте, проведите с нами денек и сделайте для нас то же, что вы сделали для Японии».

Качество нельзя купить за деньги (см. Предисловие автора и главу 17 данной книги).

Примеры не учат ничему, если они не рассматриваются при помощи теории. Многие люди просто ищут примеры, чтобы скопировать их (см. главу 16).

Может быть, но принципы, которые помогают решить их, универсальны.

В школах бизнеса студентов учат, что есть такая профессия «менеджер» и что они уже вполне готовы занять руководящие посты. Это жестокий розыгрыш, шутка. В школах учат лишь тому, как занять пост в компании, но не как управлять ею[15].

Доверительные интервалы, критерии значимости и т. д. в лучшем случае расскажут нам о том, что мы уже имеем. Предполагать, что они получены для предсказания и планирования, было бы обманом и уводило бы с верного пути.

Эти стандарты исходят из предпосылки, что существует «приемлемый уровень качества», и таким образом отрицают потребность в улучшениях (см. главу 21).

Занимался бы, если бы мог! (См. главы 21 и 22.)

Приятное заблуждение. Это как раз система мешает сотрудникам работать полноценно, причем сама она находится в ведении руководителей и управляющих (см. главы 4 и 28).

Очень сильно связан с последствиями вышеупомянутых надежд на пудинг быстрого приготовления и «мы внедрили управление качеством». Массовое обучение статистическим методам, кружки качества, сбор предложений, программы участия персонала и т. д. – все это попытки «срезать углы» на пути к качеству. Здесь нет коротких путей.

Для качества важны не методы, а знания. Методы и оборудование можно внедрить, знания и понимание – нет.

Компьютер может быть благословением. Он же может быть проклятием. Компьютер просто хранит данные. Если их не использовать, там они и останутся.

Границы допусков, требования ТУ – это еще не все. Соответствие требованиям может удовлетворить потребителя, не более. Это предположение – барьер на пути к улучшениям (см. главу 11).

Компании разорялись, хотя делали продукцию без погрешностей и дефектов (см. также предшествующий пункт).

Прототип единичен, его параметры искусственно приближены к номинальным. Без знания вариаций, изменчивости нельзя прогнозировать (см. главы 16 и 18).

Почему? Люди, компетентные в данном деле, знают всё, за исключением того, как его улучшить. Улучшение требует нового типа знаний. И людям в компаниях предстоит произвести эти улучшения путем объединения нового знания с тем, которое они уже имеют.

Данный список «болезней» и препятствий – ни в коем случае не исчерпывающий. Многие читатели в состоянии предложить добавления, которые особенно согласуются с их областью деятельности в их собственной стране. Например, Джон Косс (из консультационной компании PQCS) представил мне перечень «болезней» и препятствий, типичных для Великобритании (некоторые из них вполне могут быть применимы и к США, а также к другим странам):

• нежелание учиться у других;

• классовые различия и антагонизм;

• слишком большое число бухгалтеров и слишком малое – инженеров и статистиков;

• взгляд на образование и подготовку кадров как на издержки, а не на инвестиции;

• чрезмерная оглядка на традиции.

Глава 4

Вариации (изменчивость) и управление процессами

Если бы мне пришлось выразить мое послание к менеджменту всего в нескольких словах, я сказал бы: «Вся суть – в уменьшении вариаций».

Деминг также много говорит об «ужасающих примерах» непонимания опасности вариаций, которые он наблюдал на практике. Вот один такой пример из моего собственного опыта в Англии.

В один из дней конференции делегатов пригласили побывать на фабрике. Компания, которую я посетил, известна в Великобритании и за рубежом как производитель оборудования и товаров для быта.

Мне рассказали, что компания недавно ввела у себя статистическое управление процессами (SРС). Само по себе это уже настораживало[16]. Контрольные карты обрушивались на меня дюжинами. Я осведомился, как принимались решения о том, какие процессы и изменения в этих процессах должны быть поставлены под контроль. Оказалось, что соответствующие предложения были результатом своего рода мозгового штурма, а затем эксперты голосованием определяли относительную важность факторов. Я не захотел комментировать ситуацию в тот момент, поскольку гораздо больший интерес представляло сказанное потом. После того как список был готов, он тщательно изучался для выявления тех факторов, которые были «пригодны» для статистического управления. Я был заинтригован: что же означает «пригодный для статистического управления»? Хотя у нас были некоторые трудности в попытках найти общий язык, мне наконец удалось выяснить, что термин «пригодный для статистического управления», очевидно, означает то же, что «находится в статистически управляемом состоянии» или «статистически управляемый процесс».

«А что же случилось с теми процессами, которые оказались “непригодными” для статистического управления?» – спросил я. Ответ был примерно следующим: «Ну да, все мы понимаем, что у нас много оборудования на выброс, совершенно не удовлетворяющего современным требованиям. Мы также знаем, что его следует отправить в металлолом и заменить более современным. Поскольку мы намерены ввести статистическое управление на всех наших процессах, то приобретаем новое оборудование, которое будет пригодным для этого». Довольно неуверенно я осведомился, понимают ли они, что если процесс статистически неуправляем (или, что то же самое, «непригоден для статистического управления процессами»), никто не в состоянии правильно оценить его воспроизводимость. Как я и ожидал, вопрос был встречен удивленно-растерянным молчанием и печальными взглядами: всем стало ясно, что я ничего не понимаю в этом деле.

В конце концов я сумел завладеть вниманием одного достаточно высокопоставленного сотрудника и осторожно, насколько мог, высказал предположение, что, вполне возможно, компания тратит миллионы фунтов стерлингов на новое оборудование, в котором, возможно, совсем не нуждается. Реакция на мои слова была, мягко говоря, прохладная.

Печально то, что, хотя компания «ввела у себя статистическое управление», ее сотрудники ничего не знали о работах Уолтера Шухарта, который, как мы видели в главе 2, сделал прорыв в понимании проявлений и причин вариаций и изобрел контрольные карты еще в 20-е гг.

Я рассказал эту историю нескольким людям. И многие из них могли рассказать мне почти то же самое. Поэтому прискорбно наблюдать, как часто наилучшие намерения и огромные усилия и суммы тратятся впустую. Причина проста: два обстоятельства – незнание и неправильное обучение – естественным образом усиливают и поддерживают друг друга, непрерывно ухудшая состояние дел[17]. Мы вернемся к этой истории позднее, когда начнем лучше понимать, где и в чем ошиблась компания.

Давайте более глубоко рассмотрим раннюю работу Шухарта и историю ее возникновения. Около восемнадцати месяцев Шухарт проработал в Western Electric (это было еще до работы в данной компании Деминга во время каникул в 1925 и 1926 г.), а затем перешел в только что основанную лабораторию фирмы Bell Laboratories в Нью-Йорке. И возможность рассказать об этой истории я предоставляю Демингу: именно в таком виде ее услышала аудитории в Версале (Франция) 6 июля 1989 г. (см. буклет BAD «Глубинные знания»).

«Частью деятельности компании Western Electric было изготовление оборудования для телефонных систем. Как всегда, проблемами становились надежность и качество: нужно было делать продукцию однородной, с тем чтобы на нее могли положиться потребители. Western Electric жаждала достичь такого положения дел, чтобы иметь возможность использовать в своей рекламе фразу “Похожи друг на друга, как два телефона”. Специалисты компании, однако, обнаружили, что чем сильнее они старались достичь воспроизводимости и однородности свойств продукции, тем худшим оказывался результат, т. е. тем большими становились различия и разброс свойств. Когда случался какой-либо дефект, погрешность или отклонение, они старались “отреагировать на них”, т. е. внести коррективы для устранения этих дефектов. Это была благородная задача. Да только имелась одна маленькая трудность: дела от этого шли не лучше, а хуже.

В конце концов эта проблема попала к Уолтеру Шухарту в Bell Laboratories. В ходе работы над нею Шухарт понял, что специалисты Western Electric допускали два основных типа ошибок.

1. Интерпретация ошибок, погрешностей и отклонений, предполагающая, что их вызвали некоторые особые, исключительные причины, в то время как на самом деле ничего исключительного и особого не наблюдалось. Иными словами, эти ошибки были результатом обычного действия системы, ее случайных отклонений, вызванных общими (обычными) причинами[18].

2. Интерпретация тех же ошибок, погрешностей и отклонений как проявления общих причин, в то время как на самом деле они определялись особыми (специальными, конкретными, исключительными) причинами.

Ну, и какая разница? И что нам это дает? Да все то, что отделяет успех от неудачи!

Шухарт решил, что в этом и заключалась причина проблем Western Electric. Специалисты этой компании не смогли понять различия между общими и особыми причинами вариаций; путая их, они ухудшали положение дел. Очень важно, чтобы мы поняли эти два типа ошибок. Конечно, никому не нравятся дефекты, ошибки, жалобы от потребителей, но если мы будем набрасываться на них без понимания их природы, то лишь ухудшим положение дел. Это легко доказать математически[19]».

Ниже в данной главе мы увидим знаменитый пример, в котором такое отсутствие понимания сделало «положение дел еще худшим».

Итак, целью работы Шухарта было улучшение качества за счет уменьшения вариации (изменчивости) – точно в соответствии со словами Деминга в начале этой главы. Как мы видели в главе 2, Деминг вскоре осознал, что идеи Шухарта применимы к значительно более широкому кругу проблем, нежели только к технологическим операциям. В последующие десятилетия, развивая идеи Шухарта, Деминг заложил основу своей философии менеджмента. В частности, фундаментальные доводы, приведшие его к отрицанию таких широко распространенных в менеджменте подходов, как управление по целям, аттестация персонала и использование произвольных численных норм и критериев (пункты 11 и 12), вытекают из концепции недопустимости вмешательства в стабильную систему (это будет проиллюстрировано ниже на примере автоматического компенсатора погрешностей, см. также главу 5).

Теперь рассмотрим, что Шухарт имеет в виду, когда говорит об управляемой (контролируемой) и неуправляемой (неконтролируемой) воспроизводимости, и, соответственно, что подразумевает под процессом, находящимся в управляемом (подконтрольном) и неуправляемом (неподконтрольном) состоянии. Идеи, отражающие сущность дела, нетрудны для понимания, однако имеют далеко идущие последствия.

Предположим, что в некотором процессе мы систематически регистрируем во времени результаты измерений. Измеряемыми величинами могут быть длина стального прутка после операции обрубки, или затраты времени на обслуживание машины, или ваш собственный вес до приема пищи, или процент дефектных (не попавших в допуски) в партии от поставщика, или коэффициент интеллекта, или время между выставлением счета и получением денег и т. д. На рисунках 5a–5d показаны четыре примера записи данных (карты текущих значений), регистрируемых в ходе измерений. В каждом примере время изменяется вдоль горизонтальной оси, а чем выше расположена точка на вертикальной оси, тем больше размер, длина, запаздывание и вообще все то, что мы регистрируем в этот момент.

На рисунках 5а и 5b изображен типичный пример того, что мы можем ожидать от процесса, находящегося в управляемом состоянии. Рисунки 5с и 5d явно указывают на процесс, находящийся в неуправляемом состоянии. А все четыре графика демонстрируют наличие вариаций в измерениях (поскольку без вариаций график был бы просто горизонтальной линией). Разница в том, что на рисунках 5а и 5b характер вариаций на самом деле сохраняется в течение всего периода наблюдений, в то время как на рисунках 5с и 5d имеются весьма заметные изменения в поведении вариаций во времени. Какое же значение это имеет для практики? Как оказалось, очень важное.

В примерах, приведенных на рисунках 5а и 5b, мы можем спрогнозировать будущие результаты этих процессов (конечно, без абсолютной определенности, ведь всегда может что-то случиться и испортить все дело). Но в случаях, представленных на рисунках 5с и 5d, мы не способны ничего предсказать, поскольку поведение выхода этих процессов изменяется совершенно непредсказуемым образом.

Несколько более формальная интерпретация того, что подразумевается под процессом, находящимся в статистически управляемом и неуправляемом состояниях, дается на отдельном листе с диаграммами, взятыми из документа компании Ford[20].

На рисунке 6 наглядно представлено статистическое распределение. Маленькие кубики, показывающие число измерений, располагаются вдоль горизонтали в соответствии с измеряемыми значениями. Совокупность таких кубиков и образует фигуру, называемую гистограммой.

Предположим, мы регистрируем все больше и больше данных (и, соответственно, подстраиваем вертикальную ось, чтобы гистограмма не вылезала за верх страницы). Тогда при некоторых существенных условиях, которые обсуждаются ниже, общая картинка стабилизируется и изменения в ней с приходом все новых и новых измерений будут практически незаметны. Она становится графическим представлением статистического распределения результатов измерений. Этот рисунок характеризует возможное поведение разброса результатов измерений. Данные и распределение на рисунке 6 интерпретировались как размеры некоторых образцов, но они могут точно так же интерпретироваться в контексте всех примеров, приводившихся выше, как и в миллионах других примеров.

Ключевая фраза для понимания рисунка 6 – «если сам исходный процесс стабилен» – напрямую связана с понятием статистически управляемого процесса. Идея заключается в том, что если в ходе измерений на процессы оказывает влияние некоторое постороннее воздействие (например, по отношению к приведенным выше примерам: настройка машины изменилась, норма обслуживания для механика по наладке увеличилась, вы сели на диету, ваш поставщик стал использовать сырье плохого качества и т. д.), то результаты измерений не могут рассматриваться как происходящие из одного и того же источника, и, таким образом, никакое стабильное распределение нельзя использовать для его представления. На самом деле, как мы увидим позже, определение стабильности, представляемое единственным фиксированным распределением, слишком идеализировано с практической точки зрения (позже мы будем ссылаться на эту искусственно-идеальную ситуацию как на представляющую идеально точную стабильность).

Как видно из рисунка 7, распределения могут отличаться во многих отношениях. Термин «положение» относится к положению среднего значения, «разброс» характеризует степень вариабельности относительно среднего, а «форма» указывает, например, расположены ли данные значения симметрично относительно среднего или, напротив, есть некоторые сжатия с одной стороны и растяжения с другой.

В терминах статистического распределения рисунки 8 и 9 соответственно определяют, так сказать, на глаз, что подразумевается под процессами, находящимися и не находящимися в статистически управляемом состоянии.

Процесс находится в состоянии статистического контроля (статистически управляемый процесс), если лежащее в его основе распределение остается практически неизменным во времени. Если же распределение изменяется во времени существенно и непредсказуемо, то говорят о процессе, вышедшем из-под контроля (ставшем неуправляемым).

Как ученый, Шухарт знал: во всем, что поддается измерению, обязательно есть вариации. Вариации могут быть крайне большими, ничтожно малыми или находиться между этими двумя крайностями, но они есть всегда[21].

Исследования Шухарта по статистическому управлению процессами вдохновлялись его наблюдениями за характером вариации в изучаемых им производственных процессах. Часто их характер отличался от того, что Шухарт видел в так называемых «естественных» процессах (под последними он понимал, например, такое явление, как броуновское движение). На стр. 5 книги Дональда Дж. Уиллера и Дэвида С. Чамберса «Понимание статистического управления процессом» (Understanding Statistical Process Control) эти два важных наблюдения объединяются следующим образом: