Продолжая разговор про бережливое производство в ИТ, сегодня мы рассмотрим виды потерь и источники их возникновения, а также поговорим, как принципы Lean помогают бизнесу избавиться от муда, мури и мура средствами больших данных (Big Data).
8 видов потерь в Lean с примерами из ИТ
Прежде всего, поясним значение понятий муда, мури и мура, принятых в терминологии Lean. Эти слова произошли от японских выражений, означающих потери и их источники. Напомним, под потерями бережливое производство подразумевает действия, которые потребляют ресурсы, но не создают ценности для конечного потребителя. По-японски они называются муда – потери, затраты, отходы, мусор. Изначально создатели производственной системы компании Toyota, на которой основана концепция Lean, выделяли следующие 7 видов потерь [1]:
- перепроизводство, когда продукции больше, чем нужно или может быть потреблено. В ИТ это реализация дополнительных возможностей, которые не нужны пользователю.
- ожидание ресурсов, в т.ч. людей и информации, а также результатов предыдущих этапов. В ИТ это может быть ожидание принятия решения, ожидание ресурса для запуска задачи.
- транспортировка – перемещение материалов и данных между помещениями, что занимает время и не добавляет ценности конечному продукту. В ИТ – передача данных между системами и людьми.
- излишняя обработка — производство продукции или оказание услуг с теми качествами, которые потребителю не нужны, и за которые он не готов платить. В ИТ это дополнительные работы по созданию продукта, например, документирование, согласование, планирование, составление отчетов.
- запасы — приобретение и хранение излишних объемов материалов, которые пока не нужны. Они занимают место на складах и «замораживают» деньги. В ИТ аналогом складских запасов выступает незавершенная работа, которая потребила ресурсы, но не принесла ценности клиенту.
- перемещения – ненужные движения людей из-за нерациональной организации или хаотичности расположения рабочего пространства. В ИТ такими потерями могут выступать переключения между разными проектами, когда смена контекста отвлекает от задачи и снижает эффективность разработчика. Другой пример – использование множества мессенджеров для обмена корпоративными данными.
- дефекты продукции – брак, когда товар или услуга не соответствуют требованиям заказчика, что влечет их переделку и потребление лишних ресурсов. Это самый очевидный пример в ИТ – ошибки в программном коде или документации.
В дальнейшем к этим видам добавили еще 1 потерю – неиспользованный человеческий потенциал, когда из выполняемой сотрудником работы исключены его личные качества или профессиональные компетенции [1]. Например, если системный администратор с навыками DevOps-инженера консультирует пользователей вместо конфигурирования тестовых и production-серверов. Предупредить подобные случаи поможет система непрерывной HR-аналитики, учитывающая не только текущие показатели работы сотрудника, но и его бэкграунд, а также интересы и потенциальные возможности. Примеры таких HR-инсайтов, сделанных с помощью машинного обучения (Machine Learning) и технологий Big Data, мы рассматривали здесь.
Муда, мури, мура и Big Data: почему здесь нужна расширенная аналитика больших данных
Все потери принято разделять на 2 рода:
- 1-го рода – действия, не создающие ценность, но без которых невозможно обойтись, например, транспортировка, излишняя обработка, запасы. Их следует по максимуму сокращать, снижая долю потребляемых ресурсов. К примеру, разработка программного решения невозможна без анализа требований и их формализации в виде технического проекта. Однако эти процессы требуют множества согласований со стейкхолдерами, а все коммуникации между людьми занимают массу времени и не всегда бывают продуктивными. Как выполняются анализ и разработка требований в парадигме Agile, мы рассказываем здесь.
- 2-го рода – действия, которые не добавляют ценности конечному продукту и могут быть удалены из производственного процесса. Например, ожидание, дефекты, перемещения, перепроизводство.
Потери могут возникнуть по одной из 2-х причин [2]:
- мури – перегрузка людей или производственных мощностей при работе с повышенной интенсивностью. Также сюда относится нецелесообразность или необоснованные сложности бизнес-процессов, например, запутанные коммуникации через несколько мессенджеров или промежуточные звенья корпоративной иерархии (секретарь и т.д.).
- мура – неравномерность выполнения операции, например, прерывистый график работ из-за колебаний спроса.
Корнем проблем считается мура, поскольку именно неравномерность приводит к перегрузке (мури). А та, в свою очередь, провоцирует потери (муда). Таким образом, выявив тенденцию неравномерного потока создания ценностей с помощью расширенной аналитики больших данных, можно заблаговременно принять соответствующие меры по выравниванию. В частности, в модели Machine Learning, которые прогнозируют будущий спрос на продукцию, имеет смысл добавлять не только результаты продаж за прошлые периоды и данные внутренних технологические процессов. Например, события начала 2020 года, когда китайский коронавирус резко затормозил мировую экономику, наглядно иллюстрируют влияние внешних факторов, которые, на первый взгляд, совсем не связаны с отдельно взятым бизнесом [3]. Кроме того, технологии Big Data, которые обеспечивают непрерывный сбор, агрегацию и анализ множества внутренних и внешних данных, позволяют получить полную картину о происходящем на предприятии в контексте окружающей среды. Именно на это и направлена цифровизация, которая не просто не просто автоматизирует текущие бизнес-процессы, а полностью меняет их с помощью Big Data, Machine Learning и других ИТ, а также сопутствующих подходов к повышению эффективности: Agile и Lean. В следующей статье мы рассмотрим, как принципы Lean реализуются в реальном управлении ИТ с помощью практик ITIL.
Как избавиться от потерь и внедрить бережливое производство в свой бизнес, запустив проекты цифровизации и аналитики больших данных, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Источники
