Производительность труда – от абстрактных цифр к эффективным решениям

Информация может быть не достоверна

Производительность труда - это один из важнейших показателей эффективности деятельности. Он характеризует то, насколько целесообразно используются трудовые ресурсы, сопоставляя достигнутый результат с затрачиваемыми для этого усилиями. В то же время человека никогда не перестает волновать вопрос: как минимизировать затраты не в ущерб результату, а лучше даже увеличив при этом эффективность работы? И этот вопрос становится особенно актуальным в период экономических кризисов и потрясений. Найти ответ помогает такой метод, как экономический анализ производительности труда.

Исходные данные

Для того чтобы получить достаточно достоверные данные в нужном объеме, необходимо проанализировать деятельность крупных организаций. Для анализа берутся следующие показатели:

1. Параметры, характеризующие производительность труда на предприятии. Сюда входит информация о количестве производимого продукта или оказываемых услуг, интенсивности производства. Данные параметры измеряются с помощью следующих методов:

• Стоимостной метод. Позволяет оценить в рублях количество продукции, производимой в различные временные промежутки (день, месяц, год и т.д.).
• Трудовой метод производительности труда. Он демонстрирует, сколько требуется человеко-часов для производства единицы продукции.
• Натуральный метод. В конкретных количественных единицах измерения (кг, шт., м и т.д.) показывает, сколько продукции производится в единицу времени.

2. Информация о значимых для производительности труда обстоятельствах. В ее основе лежат данные о динамике количества производимого продукта и сопровождающих ее факторах:

• Экстенсивные факторы - изменение количества персонала, покупка дополнительного оборудования.
• Интенсивные факторы - внедрение новых технологий, повышение квалификации рабочих, изменение системы мотивации персонала.

Анализ исходных данных методом машинного обучения

Наша задача - выяснить, какие факторы оказывают решающее влияние на производительность труда. Благодаря этому ими можно будет в дальнейшем оперировать. Так, например, изменение правил внутреннего трудового распорядка поможет рабочим справляться со своими обязанностями быстрее.

Если данных для анализа немного, помогут традиционные статистические методы - корреляционный, регрессионный, факторный анализ. Но если речь идет о больших объемах разноплановой информации (Big Data), математическая статистика не может считаться эффективным инструментом.

Технологии машинного обучения, или дата-майнинг, позволяют справляться с задачами, которые еще недавно казались невыполнимыми, получая объективную информацию из разрозненных источников, систематизируя ее и осуществляя интеллектуальный анализ данных в режиме онлайн. Как следствие, наша бизнес-деятельность становится более успешной.

Как еще можно использовать метод машинного обучения для повышения показателей производительности труда

Итак, метод дата-майнинга помог нам выявить основные факторы, влияющие на производительность труда. Воспользовавшись этими знаниями, мы изменили их и добились повышения эффективности трудовой деятельности - например, сместили обеденный перерыв, перераспределили нагрузку по дням недели. Чем еще могут технологии дата-майнинга помочь нам достигнуть лучших показателей эффективности?

Дата-майнинг может использоваться для сравнения различных параметров. Например, Департамент трудовой статистики Минтруда в Америке осуществляет мониторинг индекса потребительских цен, каждый месяц публикуя его показатели. Раньше для сбора этой информации использовался телефон или факс, а обрабатывалась она вручную. Такой метод обходился бюджету в копеечку. Кроме того, к тому моменту, когда удавалось внести и проанализировать все данные, они уже теряли свою актуальность.

Благодаря Интернету и доступности информации о ценах на сайтах труд служащих Департамента стал намного эффективнее. В Массачусетском технологическом институте была разработана специальная программа, которая ежедневно собирала данные о ценах на различные товары, считывая их с сайтов заданных компаний. Конечно, ручная обработка позволяла осуществлять более качественную структуризацию этой информации. Однако продуманный алгоритм программы группирует аналогичные товарные позиции и оперативно выдает аналитику о динамике цен на них. Сегодня этот алгоритм продается коммерческой фирмой PriceStats и помогает многим финансовым компаниям эффективно отслеживать экономическую ситуацию более чем в 70 государствах.

Еще один пример использования метода машинного обучения - опыт компании UPS, мирового гиганта в сфере логистики с ежегодным оборотом свыше 50 млрд долларов. В компании непрерывно отслеживается информация о маршрутах, по которым следуют ее фургоны доставки, для того, чтобы с помощью методов дата-майнинга сделать процесс более эффективным. Алгоритм помог выявить, что левые повороты на дорогах снижают производительность работы компании. Во-первых, тратится много горючего, пока машина стоит на холостом ходу и ждет возможности повернуть. Во-вторых, риск ДТП на таких поворотах более высок. Оптимизировав маршруты, а также предприняв еще ряд мер по повышению эффективности, компания в 2011 г. сэкономила порядка 11 млн л. горючего. При этом ей удалось увеличить выручку на 7%. О повышении производительности труда водителей можно даже не упоминать.