Чтение онлайн

Кроме того, мы выявили необходимость постоянного отслеживания ряда показателей. Самыми неопределенными переменными были темпы перехода пользователей в штатах на новую систему и скорость ее внедрения. В связи с этим данные переменные имели «остаточную стоимость информации» (то есть они представляли определенную, хотя и небольшую, ценность для людей, производивших оценку). Мы рекомендовали ЕРА быстрее реализовать два первых инвестиционных проекта и отложить модернизацию системы отражения нарушений в отчетности. Причем, прежде чем приступить к реализации третьего проекта, следовало учесть темпы перехода пользователей в штатах на новую систему в ходе реализации двух первых проектов. Если эти темпы окажутся достаточно низкими, то реализация проекта модернизации системы отчетности станет нецелесообразной (случай маловероятный, но возможный).

Эпилог

Марк Дей получил от прикладной информационной экономики именно то, что ожидал. Он сказал: «Использование программного обеспечения в оценке последствий для окружающей среды и здоровья населения произвело на меня колоссальное впечатление. То, что отдельные факторы, учтенные программными модулями, через цепь событий могут быть отслежены до определенных полезных последствий для населения, допускалось и ранее, но оценить данную связь количественно еще никому не удавалось. Думаю, все были искренне поражены тем, что кто-то сумел это сделать». Он также коснулся значения количественного анализа для процесса принятия решений. «Результат, который очень удивил меня, — уровень согласованности мнений у людей с диаметрально противоположными представлениями о том, что необходимо делать. На мой взгляд, достижение подобного консенсуса, несмотря на все трудности, — великолепный результат». По словам Марка Дея, этот процесс продемонстрировал и преимущества анализа стоимости информации: «Прежде никто не понимал самой концепции стоимости информации и не знал, что надо искать. Приходилось пытаться измерить все, средств на это не было, поэтому проще было ничего не делать. Число переменных быстро превысило возможности их оценить, поскольку непонятно было, какие из них действительно важны».

В отличие от Дея, Джеффу Брайану раньше не приходилось заниматься прикладной информационной экономикой. Он говорит: «Я активно возражал против этой затеи. Мне не хотелось отвлекать людей от того, чем они занимались, ради этого анализа, но результат оказался стоящим». Кроме того, он скептически относился и к калибровке экспертов, но, по словам Джеффа, «пройдя через этот процесс и увидев, что люди реагируют на оценки, я понял его важность». По мнению Брайана, наиболее полезной оказалась визуализация связи между информационной системой и целями программы. «График (см. рис. 14.2) не только показал связь SDWIS с улучшением здоровья населения, но и дал способ расчета стоимости выгод от ее использования. Я не думал, что одно лишь количественное определение проблемы приведет к чему-либо столь выразительному. Мне не удавалось доходчиво донести свою мысль, а метод AIE позволил сформулировать получаемые преимущества намного лучше. Даже не могу вам сказать, сколько раз я пользовался этим графиком». Наконец, что самое важное, Брайан довел это дело до конца. «Мы следовали всем последним рекомендациям, в том числе их содержанию и срокам».

Я привел здесь данный случай по двум причинам. Во-первых, это пример того, как «нематериальный» параметр — здоровье населения — подвергся количественной оценке для ИТ-проекта. Мне доводилось наблюдать, как при анализе многих подобных проектов из расчета ROI исключались намного более легкие для оценки эффекты по причине их «неизмеряемости». Во-вторых, пример демонстрирует, что многое измерять и не следует. Оказалось, что необходимо было снизить неопределенность только в отношении одной величины из 99. Для остальных 98 переменных вполне хватило первоначальных калиброванных оценок. А если бы VIA не проводился, то, как это обычно бывает, наверняка были бы рассчитаны малозначащие показатели (например, затраты и будущий рост производительности труда), а также параметры, связанные с самой большой неопределенностью типа возможного улучшения здоровья населения.

Пример из практики: прогнозирование потребности морской пехоты в топливе

Осенью 2004 г. меня попросили решить с помощью прикладной информационной экономики задачу, сильно отличавшуюся от тех, с которыми я сталкивался раньше, работая с разными компаниями или государственными организациями. Управление научных исследований ВМС США (Office of Naval Research, ONR) и Корпус морской пехоты США (U. S. Marine Corps, USMC) поручили одной многоуважаемой консалтинговой фирме найти способ повысить точность прогнозов потребности в топливе в условиях ведения боевых действий, которые составлялись военными плановиками и логистиками. В ходе операций в Ираке дневное потребление топлива только наземными подразделениями USMC составляло сотни тысяч галлонов (а авиация потребляла его втрое больше). При этом допустить развитие нежелательного сценария, когда неожиданно иссякнут запасы топлива, было никак нельзя, поскольку это ставит под угрозу и успех боевых операций, и безопасность морских пехотинцев на суше.

Для того чтобы иметь достаточно топлива на месте в любой момент, логистики и плановики должны были начинать подготовку за 60 дней. К сожалению, точно предсказать, какой будет потребность морской пехоты в топливе через два месяца, невозможно. С такой высокой неопределенностью и неприемлемым риском, что имеющихся запасов топлива окажется недостаточно, естественной реакцией было планировать поставки в объемах, в три-четыре раза превышающих ожидаемую потребность.

Старший уорент-офицер 5-го разряда (chief warrant officer 5, CWO5) Терри Каннеман, 27-летний ветеран USMC, в штабе морской пехоты отвечал за расчет потребности в топливе. Он сказал: «Мы знали, что учитываем старые и менее надежные факторы динамики потребления. Во время проведения OIF (Operation Iraqi Freedom — операции „Свобода Ираку“) мы обнаружили, что традиционные методики работают плохо. Мусор на входе — мусор на выходе». Луис Торрес, руководивший в Управлении научных исследований ВМС анализом потребления топлива, видел те же проблемы: «Все это было связано с общим указанием сократить потребление топлива. Перед нами поставили задачу устранить внутренние ошибки процесса оценки».

Дополнительное количество топлива, необходимое для стратегического баланса, стало для логистики колоссальным бременем. Строилось множество складов горючего. Ежедневно топливо с одного склада перевозилось на другой, находившийся дальше от береговой линии. Эти склады и транспортные колонны создавали угрозу безопасности; охранявшим топливо морским пехотинцам приходилось рисковать собой.

Если бы USMC мог уменьшить имевшуюся неопределенность относительно потребности в топливе, то не пришлось бы хранить столько горючего и вероятность его нехватки не возрастала бы. В то время в USMC использовали довольно простую модель прогнозирования. Сначала подсчитывались вооружение и техника, имевшиеся в развернутых подразделениях, из полученного результата вычиталась техника, находящаяся в ремонте, переданная другим частям, уничтоженная противником и т. п. Затем определяли, какие боевые единицы в следующие 60 дней будут «наступать», а какие будут «выжидать или обороняться». Как правило, атакующее подразделение, перемещаясь, сжигает больше топлива. Каждая единица боевой техники имеет свое среднее потребление горючего, измеряющееся в галлонах в час и в часах боевых действий в день. Если подразделение переходит в наступление, то время работы техники обычно возрастает. Для каждой боевой единицы рассчитывали дневное потребление горючего по данным его потребления боевой техникой и плану действий (атака или оборона). Затем определяли общее потребление горючего всеми подразделениями в каждый из 60 дней.

Точность и надежность данного подхода невысоки. Прогнозная потребность в топливе вполне могла занижаться вдвое или даже больше (отсюда и большие резервные запасы). Мне никогда прежде не приходилось прогнозировать запасы, необходимые для ведения военных действий, но я подошел к этой проблеме точно так же, как к любой другой важной задаче измерения, — воспользовался прикладной информационной экономикой.

Этап 0

На данном этапе я изучил результаты проведенных ранее исследований потребности войск в топливе. Ни в одном из них не описывались конкретные статистические методы прогнозирования. В лучшем случае обсуждались возможные способы, и то лишь в общих чертах. И все же я получил хорошее представление о характере проблемы. Мы отобрали несколько специалистов по логистике, способных принять участие в заседаниях рабочей группы, в том числе старшего уорент-офи-цера Каннемана и Луиса Торреса. Мы решили в течение трех недель провести шесть заседаний рабочей группы, рассчитанных на половину рабочего дня.

Этап 1

Первое заседание рабочей группы на этапе 1 было посвящено определению задачи прогнозирования. Только тогда стало ясно, что USMC интересовало общее потребление топлива в течение 60-дневного периода наземными силами одного только Экспедиционного соединения морской пехоты (Marine Expeditionary Force, MEF), насчитывавшего десятки тысяч солдат. Используя имевшиеся таблицы прогнозирования потребности в топливе, изученные нами на этапе 0, я построил несколько графиков, отвечавших на вопрос: «Куда поступает все топливо?» Эти графики дали членам команды (особенно нам, аналитикам, которые не работали с проблемой каждый день) представление о примерном объеме потребления горючего. Стало ясно, что его основная часть расходуется не танками и даже не бронетехникой в целом. Танк М-1 «Abrams» действительно сжигает галлон топлива каждую треть мили, но таких танков у MEF было только 58. А вот грузовиков в соединении насчитывалось более 1000 плюс более 1300 ставших теперь известными многоцелевых автомобилей повышенной проходимости (High Mobility Multipurpose Wheeled Vehicles, HMMWV), или хаммеров. Во время боевых действий грузовики сжигали в восемь раз больше топлива, чем танки.

Дальнейшее обсуждение того, что на самом деле делает эта техника, когда сжигает горючее, привело к разработке моделей трех разных видов. Из них самой сложной оказалась транспортная. Подавляющее большинство грузовиков и хаммеров сжигают львиную долю топлива, перемещаясь транспортными колоннами по определенным маршрутам. В составе таких колонн они в среднем дважды в день передвигались по круговому маршруту. Другая модель была «боевая». Бронетехника, например танки М1 и легкие бронемашины, тратя на перемещение по этим маршрутам меньше времени, обычно используют больше топлива в ходе проведения операций. Наконец, все генераторы, насосы и служебные автомашины обычно потребляли топливо более равномерно с меньшим удельным расходом. Для этой группы мы использовали уже существовавшую простую модель почасового потребления.

На одном из заседаний рабочей группы была проведена калибровка экспертов. Все показали хорошую способность оценивать вероятность наступления неизвестных событий. Они указывали интервалы значений для всех интересующих нас показателей, которым ранее присваивали лишь точечные значения. Например, если ранее считалось, что семитонный грузовик сжигает за час ровно 9,9 галлона топлива, то они указали интервал 7,8–12 галлонов. Для техники, обычно двигающейся в составе транспортной колонны, нам пришлось указать интервалы расстояний перемещения и учесть влияние дорожных условий на потребление горючего. Для бронемашин, участвующих в боевых операциях, мы должны были указать диапазон времени (при 60-дневном периоде), в течение которого они действительно участвовали в боях.