Литература

Менеджеры нового поколения: передовое управленческое образование

Под общ. ред. Л. Д. Гительмана, А. П. Исаева.

М.: Экономика, 2014. – 168 стр.

Авторы этой книги – коллектив сотрудников Уральского федерального университета во главе с заведующим кафедрой систем управления энергетикой и промышленными предприятиями УФУ, доктором экономических наук Леонидом Гительманом – считают, что управленческое образование сегодня все больше отстает от бизнес-практики. В связи с чем необходима смена образовательной парадигмы – и в содержательной части, но, прежде всего, в области методов обучения.

В Уральском федеральном университете, пишут авторы, поиск новых принципов обучения менеджеров ведется давно и успешно. О своем опыте они и рассказывают, приводя авторские методики и технологии, повышающие качество учебного процесса в бакалавриате и магистратуре.

Почему прежние методы обучения управленцев уже малоэффективны? Потому, что новое поколение менеджеров будет работать в новых условиях – во время стремительных перемен, технологических прорывов и жесткой конкуренции за новые рынки, т. е. задачи перед управленцами будут стоять качественно другие.

Пока профессиональное образование управленческих кадров не соответствует этим задачам. Менеджеры не готовы действовать в условиях неопределенности. Они не понимают взаимосвязей инженерных технологий с экономическими результатами. Они не подготовлены к организации инновационной деятельности. Они не обладают знаниями для работы в глобальной среде и международных проектах.

Если вчера от менеджера в первую очередь требовалось четко выполнять поставленные сверху задачи; умение достать ресурсы и выстроить людей, то сегодня менеджеры должны понимать приоритеты, уметь работать с акционерами и поставщиками ресурсов, понимать необходимость модернизации производства. А уже завтра от них будут требоваться способность действовать на опережение, видеть перспективы научно-технического развития и уметь создавать комфортную внутреннюю среду.

Новые задачи менеджмента диктуют новые требования к компетенциям, а это в свою очередь требует новых технологий обучения. Из задач, стоящих перед менеджментом, вытекают и направления совершенствования управленческого образования. Это, в частности, создание системы непрерывного образования менеджера в течение всей профессиональной жизни, развитие навыков самообучения.

Приоритетами учебного процесса, на взгляд авторов, должны стать:

– знакомство студентов с передовым опытом менеджмента, проведение занятий по профильным дисциплинам непосредственно на предприятиях; участие в корпоративных деловых играх, выполнение курсовых проектов на материалах предприятий,

– формирование позитивного отношения к техническим знаниям; насыщение спецкурсов и программ практики инженерными вопросами,

– изучение ИТ-дисциплин на протяжении всего периода обучения,

– циклы тренингов и интерактивных семинаров, развивающих управленческие способности и компетенции менеджера (коммуникативные возможности, умение работать в команде, креативность, стрессоустойчивость) и т. д.

В практической деятельности менеджеры, пишут авторы, часто игнорируют психологическую составляющую делового взаимодействия, в основе которой – социальные потребности (стремление присоединиться к группе, занять в ней достойное место, сохранить контроль над ситуацией, оказать влияние на других). Эта проблема решается путем формирования у студентов управленческого интеллекта. Формирование такого интеллекта должно происходить за счет отказа от неконструктивных установок и стереотипов (эгоцентризма, рациоцентризма, догматизма, универсализма, плоского видения, изоляционизма).

Авторы считают, что сформировать управленческий интеллект у студентов вполне реально. Опробованные в Уральском университете методики есть. Это – анализ монографий современных менеджеров с последующим публичным анализом этого опыта, психодиагностика (психодиагностические тесты позволяют студенту понять закономерности собственного поведения, а обобщение индивидуальных данных – разнообразия поведенческих стилей в группе), поведенческие тренинги, анализ конкретных управленческих ситуаций, групповое проектирование.

В высокотехнологичных отраслях с супер-сложными технологиями (энергетика, аэрокосмический комплекс, нефтегазохимические производства и др.) менеджер сможет успешно работать, только освоив технико-технологические знания и понимая междисциплинарные связи техники, экономики и человеческого ресурса. Этому должны способствовать междисциплинарные программы. Так, междисциплинарный подход при обучении менеджеров для электроэнергетики означает использование базовых понятий инженерно-технической деятельности при преподавании управленческих и экономических дисциплин.

Авторы сообщают о разработанных ими авторских методиках. Это, в частности, ИСКО – интегрированная система консультирования обучения и преобразующих действий – уникальный, как говорят авторы, метод междисциплинарного обучения, адаптирующий содержание обучения к актуальным потребностям менеджеров, предусматривающий командную работу профессоров, менеджеров и студентов, формирующий готовность к реализации новых идей, способность к выработке опережающих действий в условиях рисков и угроз.

Применяют в Уральском федеральном университете также метод «Самопроектирование будущего» (процесс коллективной выработки стратегических решений, разработки концептуальных проектов будущего компании), метод самообучающейся организации (авторы считают его весьма эффективным в корпоративном обучении и работе с магистрами), метод игрового обучения (тут особое значение авторы придают организационно-деятельностным играм, в отличие от традиционных деловых игр, каждая ОДИ создается как эксклюзивный проект для решения актуальной проблемы).

Из других новаций, применяемых в Уральском федеральном университете, стоит отметить технологию отбора менеджеров с потенциалом роста – она разделена на три этапа: психологическая диагностика, диагностика профессиональной компетентности и деловая игра, в которой уточняются результаты диагностики менеджеров через оценку реального поведения в различных ситуациях. И «Профсоюз выпускников»: основная идея этого проекта – формирование уже во время обучения деловых связей между студентами университета и выпускниками прошлых лет, что позволяет студентам находить бизнес-площадки для практики и дальнейшего трудоустройства.

Как пишет Леонид Гительман, он и его соратники уже убедились в конструктивности своих идей – максимальный результат в формировании профессиональных качеств менеджера достигается при интеграции процессов обучения. Но реализовать такой подход можно только в партнерстве с бизнесом.

Укрощение больших данных. Как извлекать знания из массивов информации с помощью глубокой аналитики

Б. Фрэнкс.

М.: Манн, Иванов и Фербер, 2014. – 352 стр.

Это книга о «больших данных» и о том, можно ли с этими Big Data что-нибудь хорошее сделать.

С одной стороны, о «больших данных» много говорят уже несколько лет, на Западе вокруг них даже имеется некоторый ажиотаж, оптимисты считают, что наше будущее именно с ними и связано. Скептики, что понятно, уверяют: это ерунда, и никакие самые большие объемы информации кардинально наш мир не изменят.

Небольшой парадокс тут в том, что устоявшегося определения «больших данных» нет и поэтому каждый понимает под ними что-то свое.

Биллу Фрэнксу, ведущему аналитику американской компании Teradata, который написал эту книгу, нравятся два определения «больших данных». Оба они говорят примерно одно и то же: «большие данные» – это такие данные, размеры которых выходят за пределы возможностей по сбору, хранению и анализу, которые применяются обычно.

То есть, поясняет Фрэнкс, сегодня мы считаем «большими данными» одно, а завтра эти данные будут казаться не «большими», а самыми обычными, потому что технологии развиваются. Скажем, сегодня за $600 можно купить диск, способный вместить всю музыку мира, а вчера такое казалось невозможным. Или – двадцать лет назад файлы с демографическими данными о миллионах клиентов считались огромными и трудноуправляемыми. Сегодня все это умещается на одной флешке и может быть проанализировано на обычном ноутбуке.

Но, говорит Билл Фрэнкс, понятие «большие данные» подразумевает не только объем. Это и возросшая скорость передачи данных, и количество источников, которые эти данные передают.

Впрочем, определения не так уж и важны, поскольку главная мысль у автора этой книги состоит в том, что сами по себе «большие данные» никакой пользы принести не могут. Главное – сумеете вы ими воспользоваться или нет.

В книге он устраивает небольшую викторину. Предлагает ответить на вопрос: что самое важное в понятии «большие данные»: 1) слово «большие», 2) слово «данные», 3) оба слова, 4) ни одно из них?

Правильный ответ – вариант 4. Потому что, говорит Билл Фрэнкс, даже если ваши данные больше, чем мои, то это никого не волнует. Собранные, но не используемые данные – как старый хлам в подвале. Никакие данные – хоть большие, хоть маленькие – не имеют никакого значения до тех пор, пока не будут использованы. Больше всего автора интересует, как эти данные могут помочь совершенствовать бизнес.

«Большие данные» отличаются от традиционных. Во-первых, тем, что «большие данные» часто автоматически генерируются машиной без всякого участия человека. А традиционные источники данных всегда предполагают присутствие человека. Возьмем, к примеру, банковские транзакции, записи телефонных разговоров или выставление счетов на оплату – все эти действия подразумевают присутствие человека: кто-то должен внести деньги, сделать покупку, позвонить по телефону. С «большими данными» дело обстоит не так. Многие источники «больших данных» генерируются вообще без взаимодействия с человеком, скажем, датчик в двигателе автомашины генерирует данные, хотя никто его об этом не просит.

Во-вторых, проблема «больших данных» состоит в том, что в них доля бесполезного или малозначимого содержания намного выше, чем в привычных данных. Это происходит потому, что традиционные источники данных с самого начала разрабатывались так, чтобы содержать на 100% полезные данные. А «большие данные» по умолчанию включают всю возможную информацию, поэтому аналитикам приходится разбираться в том, что из этого бесполезно, а что может принести пользу. С одной стороны, сбор всего, что только можно, дает гарантию, что никакая информация не упущена, с другой – процесс анализа усложняется. В итоге иногда организация оказывается настолько перегруженной «большими данными», что не способна вообще на какой-либо прогресс. Это один из рисков работы с «большими данными».

В-третьих, большая часть традиционных источников данных – полностью структурированные. Скажем, в случае данных о торговле акциями сначала в каждом сообщении указывается дата в общепонятном формате – день, месяц, год. Потом 12-значный номер счета. Затем символ акции. И так далее. Это сильно облегчает работу аналитикам. Бывают и источники неструктурированных данных – например, видео и аудио, тут вы получаете каждый раз не одно и то же. Так вот, «большие данные» полностью структурированными бывают крайне редко. Значительная их часть относится к полуструктурированным. То есть некоторая логическая схема в них есть, но понять ее нелегко.

При этом автор уверяет, что начать работу с «большими данными» несложно. Надо просто собрать их и поручить команде аналитиков вашей организации разобраться в том, чем они могут быть вам полезны. Хорошо, если аналитики и руководство поймут, как использовать «большие данные» на благо бизнеса быстро, пусть и использование этих данных будет сначала поверхностным. Вот пример использования «больших данных», который очень нравится Биллу Фрэнксу. Европейский розничный магазин решил изучить данные интернет-журналов – т. е. заходов на сайт магазина. Для начала определили, какие товары просматривает каждый посетитель. Эту информацию взяли в качестве основы для кампании, в рамках которой каждому посетителю, покинувшему сайт без совершения покупки, высылалось электронное письмо. Это нехитрое действие принесло организации значительную прибыль.

А представьте, пишет автор, какую прибыль эта фирма получит в будущем, когда приступит к более глубокому анализу данных! Сотрудники организации, с самого начала увидев реальные достижения, сохраняют высокую мотивацию, поскольку они уже оценили мощь даже самого простого использования данных.

Итак, огромная часть «больших данных» вообще не имеет значения. И «укрощение больших данных», по Фрэнксу, похоже не на закачку воды в бассейн, а на питье воды из шланга: вы отхлебываете только то, что вам нужно, а остальному позволяете течь мимо. Но есть нюанс – когда вы пьете воду из шланга, вам все равно, какая часть воды попадет в рот. В случае с «большими данными», напротив, очень важно, какие части потока данных будут собраны. Поэтому сначала требуется изучить весь поток данных, и только после этого можно будет отфильтровать нужные фрагменты информации.

Иногда определить фрагменты, которые имеют ценность, достаточно просто. Как в случае с метками радиочастотной идентификации, которые устанавливают в Штатах на палетах с товарами. На складе хранятся десятки тысяч таких палет. Каждые 10 секунд считывающие устройства опрашивают склад: «Кто здесь?» И каждая палета отвечает: «Я здесь». После того как палета покинула склад, она уже не отвечает на запрос считывающего устройства. Таким образом, по-настоящему важными данными являются только дата и время появления палеты на складе и время ее отбытия. Остальные тысячи сообщений можно игнорировать.

С точки зрения анализа «большие данные» не отличаются от традиционных источников данных, которые тоже было сложно обрабатывать, когда они только появились. «Большие данные», делает вывод автор, это просто очередная волна новых данных.

Сегодня из «больших данных» шире всего в бизнесе используются веб-данные – история посещений клиентами сайтов и обращений к конкретным битам информации на них. Это дает возможность не только проследить за действиями потребителя, но и понять его намерения, разобраться в процессе принятия решения о совершении покупки или отказе от нее. Раньше сделать это было практически невозможно. Сегодня такие задачи можно решить, используя детальные веб-данные. А как только вам будут известны предпочтения и мотивы потребителей, у вас появятся и новые способы общения с ними.

Предположим, вы занимаетесь розничной торговлей. И раньше у вас не было возможности ходить вместе с клиентами от полки к полке и смотреть, какой товар он взял в руки, какой положил в корзину, а потом вынул, читают ли клиенты информацию о пищевой ценности продуктов, смотрят ли инструкции… Сейчас при анализе веб-данных все это можно выяснить. И делать выводы. Например, если обнаружится, что многие потребители отказываются от какого-то товара после подробного изучения его характеристик, то это, скорее всего, значит, что описанию товара не хватает ясности или точности. Вы исправляете описание, и это должно привести к увеличению объема продаж.

Или другой пример – авиакомпания. Раньше она судила о предпочтениях клиентов на основании данных о заказанных билетах – за сколько времени до вылета был заказан билет, место в каком классе было заказано и т. д. Эти сведения очень полезны, однако веб-данные предоставляют авиакомпании еще больше информации.

Авиакомпания может выявить клиентов, которые ценят удобство. Такие клиенты обычно начинают поиск с указания конкретных дат и выбора прямых рейсов. Они откажутся от наиболее удобного прямого рейса только в случае существования большой разницы в цене при минимальной разнице в уровне комфорта. Допустим, клиент может сэкономить $700, приземлившись в нью-йоркском аэропорту имени Джона Кеннеди, а не в аэропорту Ла Гвардия. При этом время приземления отличается на 30 минут, а расходы на такси составляют всего $20. В этом случае клиент, ориентированный на удобство, может решить, что экономия в $700 стоит дополнительных хлопот. Однако если выгода составляет всего $200, а время прибытия сдвигается на два часа, то такой клиент выберет аэропорт Кеннеди.

Авиакомпания может выявить клиентов, которых больше всего интересует цена. Такие клиенты откажутся от самого дешевого варианта только в случае существования небольшой разницы в стоимости билета и огромной разницы в уровне комфорта. Например, клиент может вылететь в 10 часов утра за $220 или в 6 часов утра за $200. Дополнительные четыре часа сна стоят $20, поэтому ориентированный на цену клиент согласится на более высокую цену, чтобы приобрести билет на более поздний рейс.

Из всего этого авиакомпания должна делать выводы по каждому конкретному клиенту и делать интересные клиенту, но и выгодные авиаперевозчику предложения.

Веб-данные уникальны тем, что позволяют получить представление о том, как потребители принимают решение о покупке. Это позволяет бизнесу подтолкнуть клиентов к покупке, которую им еще только предстоит совершить. Сделайте им правильное предложение, и они подумают, что вы читаете их мысли.

На основе «больших данных» уже стали появляться предложения, учитывающие время и местоположение клиента. А в будущем, говорит автор, такие предложения приобретут огромную популярность в области маркетинга. Дело уже не просто в том, чтобы предложить что-то клиенту сегодня или на этой неделе, а в том, чтобы сделать это, исходя из того, где и когда клиент находится сейчас. Скажем, клиент проезжает на машине мимо кофейни, а ему на телефон приходит предложение о 10%-ной скидке на кофе.

То есть бизнес будет предоставлять клиентам то, что соответствует их потребностям в конкретный момент и в конкретном месте. Если вы отправите им предложение по электронной почте следующим утром, будет уже слишком поздно. Надо сделать клиенту предложение, актуальное для этого времени и места. А определить положение клиентов можно и с помощью датчиков, которые встроены в автомобили, и с помощью других геолокационных данных, и проанализировав традиционные маршруты клиента.

Биллу Фрэнксу понятно, что все данные, которые могут быть собраны, должны быть собраны. И что в скором времени появятся новые источники еще больших данных. Что они будут собой представлять? Этого доподлинно никто не знает. Но Фрэнкс видит не самое отдаленное будущее примерно так:

– история просмотра веб-страниц будет включать данные о движениях мыши и глаз пользователя, что позволит уловить каждую деталь процесса выбора. Это совершенно новый масштаб «больших данных»;

– RFID-метки будут находиться на каждом товаре в каждом магазине, на базе и заводе. Эти чипы будут собирать десятки данных в секунду – о температуре, влажности воздуха, скорости, ускорении, давлении и т. д.

– появится возможность записи и перевода в текст каждого разговора с отделом обслуживания клиентов или с отделом продаж…

Самая главная проблема использования «больших данных» заключается в конфиденциальности. Люди уже обеспокоены тем, что отслеживается история просмотра ими веб-страниц. Они уже высказывают опасения по поводу отслеживания их местоположения с помощью приложений для мобильных телефонов и GPS-систем.

И если несанкционированное использование «больших данных» возможно, то рано или поздно кто-нибудь попытается это сделать. Значит, говорит Билл Фрэнкс, необходимо предпринять шаги, чтобы этого не допустить. Организации как минимум должны четко объяснять клиентам, как они будут обеспечивать безопасность данных и как будут их использовать, если хотят получить разрешение пользователей на их сбор и анализ.