Производительность труда – от абстрактных цифр к эффективным решениям

В периоды экономических встрясок, когда спрос падает, а цены растут, вопросы о возможных путях снижения издержек выходят на первый план. Как делать больше или, по крайней мере, столько же, затрачивая при этом меньше усилий и средств?

Экономический анализ производительности труда – это как раз один из методов, который позволяет найти ответы на этот вопрос. Как и все прочие показатели эффективности, производительность труда характеризуется соотношением затрат и полученных результатов. Другими словами – насколько эффективно используется рабочая сила (трудовой ресурс) и что можно изменить и улучшить, чтобы издержки стали ниже?

Что мы имеем?

Речь идет о достаточно крупных предприятиях, у которых есть возможность накопить необходимые объемы данных для дальнейшего анализа.

1.Данные об уровне производительности труда на предприятии. Это накопленная статистика об объемах выпускаемого продукта, услугах, интенсивности производства, которые измеряют тремя основными методами:

• трудовой метод производительности труда. Сколько человеко-часов нужно затратить, чтобы выработать единицу продукции;
• натуральный метод. Сколько продукции в штуках, килограммах, метрах вырабатывается за единицу времени;
• стоимостной метод. Сколько продукции в рублях вырабатывается за час, день, месяц, год.

2. Данные о факторах, влияющих на производительность труда. Здесь накапливается статистика обо всех изменениях, которые так или иначе сказываются на выработке производимого продукта:

• изменение численности работников, увеличение производственных мощностей за счет приобретения дополнительного оборудования. Т.е. экстенсивные факторы роста, которые никак не связаны с инновациями;
• модернизация производства, совершенствование систем мотивации, повышение эффективности работников за счет дополнительного обучения. Т.е. интенсивные факторы роста, направленные на снижение трудоемкости.

Что можно с этими данными сделать, используя технологии машинного обучения (дата-майнинга)?

Перед нами стоит задача — выявить те факторы, которые в наибольшей степени влияют на производительность труда. Знание этих связей позволит нам изменить факторы таким образом, чтобы в итоге повысить нашу производительность. Например, изменить внутренний распорядок трудового дня для того, чтобы рабочие более эффективно выполняли свою работу.

При небольших объемах данных для поиска связей можно использовать традиционные методы математической статистики — корреляционный анализ производительности труда, регрессионный анализ или факторный анализ. Однако, когда мы имеем дело именно с большими данными (Big Data), сложными связями и областями неопределенности, перечисленные методы, ориентированные на точный результат, оказываются неэффективными.

В области Big Data на сцену выходят технологии машинного обучения, дата-майнинга. Они позволяют извлекать знания из разрозненных массивов информации и решать задачи, которые ранее казались нерешаемыми. Так мы получаем инструмент, который делает наш бизнес более эффективным. Кстати, подход, основанный на машинном обучении, позволяет не только накапливать данные в удобной форме, но и анализировать новые показатели в режиме реального времени.

Как еще может помочь дата-майнинг повысить производительность труда?

Следуя рекомендациям дата-майнинга, мы выявили те факторы, которые влияют на производительность труда. Мы изменили факторы таким образом, чтобы наша эффективность увеличилась (передвинули обед; увеличили загрузку по средам и четвергам, когда сотрудники наиболее активны). А как еще технологии машинного обучения могут помочь нам на пути к лучшей эффективности?

Одна из очевидных областей применения — это сравнительный анализ каких-либо показателей. В США Департамент трудовой статистики Министерства труда ежемесячно публикует данные об индексе потребительских цен. Раньше эти данные собирались вручную по телефону или факсу, и на это тратились сотни миллионов долларов в год. Кроме того, ввод и обработка данных приводили к тому, что информация публиковалась с задержкой и на момент выхода уже теряла актуальность.

Эпоха Интернета и публикация цен на сайтах дала возможность снизить затраты и повысить производительность труда сотрудников департамента. Специальная программа, разработанная в Массачусетском технологическом институте (MIT), ежедневно считывает сотни тысяч цен на товары и услуги с сайтов компаний, включенных в выборку. Да, эти данные хуже структурированы по сравнению с теми, которые готовил вручную Департамент трудовой статистики. Однако умный алгоритм позволяет группировать похожие позиции и на этом основании приводить близкие к реальным данные о динамике цен и делает это оперативно. Теперь этот алгоритм, предлагаемый уже коммерческой компанией PriceStats, используют многие финансовые учреждения для того, чтобы держать руку на пульсе экономики в 70 странах мира.

Другой пример — внедрение алгоритмов машинного обучения в компании UPS, одном из крупнейших логистических операторов мира с оборотом, превышающим 50 млрд доларов. UPS постоянно анализирует данные о маршрутах, которые выполняют ее фургоны доставки. Аналитический алгоритм, основанный на технологиях дата-майнинга, использует эти данные для оптимизации доставок сообщений. Так, было выявлено, что левые повороты на перекрестках крайне невыгодны для компании. Помимо большего риска ДТП, здесь еще и больший расход топлива из-за работы двигателя автомобиля на холостом ходу перед поворотом. Это и другие нововведения позволили компании в 2011 году сэкономить 11 млн литров топлива (при росте выручки на 7%). Стоит ли говорить, что увеличение производительности труда водителей фургонов была также на лицо.