Ekonometrinis modelis – praeitis? Ne.

Kelias dienas naršiau WARC duomenų bazes ieškodamas įdomesnių ir efektyvių ekonometrinių modelių pritaikymo rinkodaroje pavyzdžių.

Radau visai nemažai, visus 575, kuriuose buvo paminėtas žodis “econometric“. Pervertęs kokių 50 atvejų santraukas, beveik nusprendžiau, kad  pastaraisiais metais ekenometrinių modelių taikymo taikymo rinkodaroje  atvejų sumažėjo.  Toks įspūdis kilo bevartant atvejų santraukas. Atsiverti, pavyzdžiui, 1986-1996 laikotarpio atvejį ir jame labai detaliai aprašoma, kaip tas modelis buvo taikomas, ką ten konkrečiai skaičiavo ir kaip panaudojo modelio įžvalgas (yra net specialus priedas!). Tačiau su metais, tie aprašai smarkiai susitraukė ir pastaraisiais metais apsiribojo lakoniškais – ” … kampanijos planavimas ir efektyvumo vertinimas buvo atliekamas ekonometrinių modelių pagalba. Reklamos efektas pardavimams buvo X, o grąža Y … ” .

Sunku buvo patikėti, kad mažėja ekonometrinių modelių naudojimas, taigi parsisiunčiau tą 575 atvejų sąrašą ir pasižiūrėjau, kuriais  metais  paskelbti WARC bazėse esantys atvejai su tuo ieškomu žodžiu.

cases-count-warc

Pasirodo, kad atvejų, su ekonometrikos paminėjimu efektyvių rinkodaros kampanijų pristatymuose, ne tik nesumažėjo, bet su metais nuosekliai auga. Taigi, peršasi išvada, kad jau senokai ekonometrinių modelių panaudojimas rinkodaros tikslams užsienio įmonių rinkodaros kampanijose tapo higiena ir nebereikia jų pristatinėti, kai pateiki savo rinkodaros atvejį efektyvumo apdovanojimams.

Visi analizuoti WARC atvejai buvo apie efektyvumo apdovanojimus pelniusias rinkodaros kampanijas. Ekonometrinių modelių taikymas rinkodaroje pasauliniame lygyje jau yra įvykusi inovacija, kuriai dar daug reikia įrodyti Lietuvoje.

Ir pabaigai papildomas grafikas, kuris parodo, kad ekonometrinis modeliavimas jau yra suaugęs mokslas ir pasiekęs brandumą prieš 30 su virš metų.

(c) Google Ngram informacija apie frazės paminėjimą mokslo knygose (angliškose).

P.S. Visų 575 atvejų sąrašą galite peržiūrėti čia (atsidarys WARC.com su filtruotu sąrašu).

Naujas produktas/paslauga – sklaidos prognozė

Naujo produkto sukūrimas ir jo įvedimas į rinką daugelio rinkodaros specialistų kasdienis darbas. Ir jis yra lydimas gana netrivialių klausimų:

  • Kaip augs naujo produkto vartototojų skaičius?
  • Kokie bus pardavimai po dviejų metų?
  • Kas bus, jei po pusmečio konkurentas įves panašų produktą?
  • Kada žinoti ar produktas yra sėkmingas?
  • Kiek reklamos ir kokiam laikotarpiui reikia?
  • … (įrašyti savo)…

Pelno siekiantis verslas kuria naujus produktus ir visada užduoda panašius klausimus.  Užduoda dažniausiai rinkodaros žmonėms. Vieni iš jų pateikia logiškesnį atsakymą, kiti spėja. Bet ar tikrai reikia spėlioti?

Toliau šiame savo “poste” (gal ir kituose)  apžvelgsiu vieną kelią, kaip galima ieškoti atsakymo į vieną iš klausimų – “Kaip augs naujo produkto vartotojų skaičius?

Atsakymas yra. Visų naujų produktų naujų vartotojų tendencijos vienaip ar kitaip panašios į šio grafiko viršutinę kreivę:

Šaltinis: wikipedia

Vieniems produktams ji būna labiau “suplota”, kitiems mažiau iškilusi ir panašiai. Taip, tokią tendenciją galima taikyti beveik visiems naujiems į rinką įvedamiems produktams ir paslaugoms, ypač jei jie neturi analogų. Tai dar 1969 metais aprašė Frank Bass [Bass 1969]. Jo suformuotas modelis vadinasi “Bass diffusion model“.

Per pastaruosius 50 metų šis modelis daugelio rinkodaros tyrėjų buvo praplėstas ir pritaikytas sudėtingesnėms situacijoms. Panaudojant šį modelį ir jo plėtinius galima prognozuoti:

  • tiriamo segmento vartotojų skaičių, kuris pradės ir naudosis naujų produktu ar paslauga;
  • nustatyti kada jie pradės naudotis produktu ar paslauga.

Tikslesniam prognozavimui reikia, kad būtų tenkinama viena iš dviejų šių sąlygų:

  • naujas produktas jau yra rinkoje keletą mėnesių;
  • turima informacija apie panašaus produkto (sektoriaus) vartotojų skaičiaus augimo dinamiką.

Tačiau, net ir unikaliam produktui, kurio analogų nėra, modelis yra naudingas. Galima sukurti produkto įvedimo į rinką scenarijus, nustatyti kada produkto vartotojų skaičiaus augimas yra per lėtas. Tai ypač aktualu, jei pradinėje produkto įvedimo į rinką stadijoje investicijos į reklama yra reikšmingos, o efektas nėra akivaizdus.

Pavyzdžiui pateikiu hipotetinio produkto “TaskItas” atvejį.

Mes sukūrėme visiškai unikalų produktą “TaskItas”. Neturime jokio analogo rinkoje, tačiau turime suvokimą (hipotezę) apie galimą produkto patrauklumą vartotojui, turime paruošę strateginės komunikacijos planą, suplanavę investicijų lygį metams. Pasinaudoję Bass’o modeliu sudėliojome grafike yra atvaizduotą naujų vartotojų srauto planą 3-iems metams.

Juoda linija – planuojamas naujų vartotojų srautas, mėlyna zona – galimas plano nuokrypis (95 proc. atvejų). Y ašis – naujų vartotojų srautas, X ašis – 3 plano metai.
Veiksmas prasidėjo. Po kelių mėnesių pamatome, kad realus naujų vartotojų srautas (raudona linija) pradeda nukrypti nuo plano (taškas A). Čia turime apsispręsti ką darome su produktu:
  • paskaičiuojame galimybę per pusę metų atnaujinti produktą, pakeisti komunikaciją. Atliekame reikiamus tyrimus ir suplanuojame pokyčius nuo kitų metų pradžios (taškas B).
  • paskaičiuojame. Vis tik neturime papildomų resursų ir nusprendžiame koncentruotis kitur.
Pirmu atveju atliekame visus pakeitimus ir kitais metais džiaugiamės produkto “TaskItas” atsinaujinusiu naujų vartotojų srauto augimu (žalia punktyrinė linija).
Antru atveju prisiimame nuostolius, nutraukiame planuotą komunikacija ir judame su produktu žemyn (mėlyna punktyrine linija).

 

Naujo produkto įvedimas visada gali vykti informuotai, žinant augimo scenarijus. Net ir neturint istorinių duomenų, galima žinoti krytį kuria vystosi naujo produkto ar paslaugos bazė.

 

Bass, Frank (1969), “A New Product Growth for Model Consumer Durables,” Management Science, 15(5), 215–27.

 

SD: Atvejis 1(III) – 1979 metų benzino trūkumo priežastys JAV

Šis straipsnis yra trečia dalis sistemų dinamikos atvejo. Čia pateiksiu naujai suprogramuotą modelį Insight Maker įrankyje ir aptarsiu modelio pateikiamus rezultatus.

Modeliui paruošiau istoriją. Ji pasileis atsidarius modelį naujame lange.
Modelis naujame lange.

Pirma atvejo dalis
Antra atvejo dalis

SD: Atvejis 1(II) – 1979 metų benzino trūkumo priežastys JAV

Pradžia 

Šiame įraše tęsiu praktinio sistemų dinamikos taikymo atvejo aprašymą. Pirmame šio atvejo įraše suformulavau situaciją ir uždaviau klausimus, kuriuos turėtų padėti (jei gali) atsakyti sistemų dinamikos modelio sudarymas ir situacijos imitavimas.

Viena iš pagrindinių sėkmingo modelio sukūrimo sąlygų –  modelio kūrimas problemai spręsti, o ne modelio kūrimas, kad sukurti sistemos modelį. Kiekviena problema egzistuoja tam tikrame kontekste. Pirmiausia reikia apsibrėžti modelio ribas, t.y. kokie problemos elementai bus modeliuojami, kas nebus įtraukta. Vykstant modeliavimui šios ribos gali kisti, bet svarbu, kad būtų aiški priežastis, kodėl ribos praplečiamos, siaurinamos.

Į modelį planuoju įtraukti, nustatau šias prielaidas:

  • Modelyje atvaizduosiu degalų paskirstymo sistemą, fokusuojantis į mažmeninio pardavimo dalį, t.y. kuro tiekimas į degalines, saugojimas, pardavimai, vartojimas. Degalų gamybos ir didmeninio transportavimo nenagrinėsiu.
  • Pradinėje situacijoje visa sistema bus balanso būsenoje, todėl ne tiek svarbu tikslus faktinių reikšmių atvaizdavimas, kaip suformavimas balansuotos sistemos. Visa sistema bus pusiausvyros būsenoje, t.y. vartojimas, pardavimai, tiekimas yra stabilūs.
  • Tiekimas į degalines yra stabilus ir susiformavęs. Tarkime visos tiekimo galimybės išnaudojamos optimaliai – 100%. Tiekimo pajėgumai gali būti padidinti ir sumažinti kas mėnesį.
  • Atvaizduosiu degalų trūkumo žinios plitimą tarp vairuotojų.
  • Modeliavimo periodas bus 30 dienų (mėnuo). Mažiausias laiko žingsnis 1 diena.
  • Įvesiu kontrolės elementus, kurie inicijuos žinios apie galimą trūkumą sklidimą  ir pardavimo ribojimo strategijas.
  • Kaina modelyje neturės įtakos. Staigų kainos kilimą, atspindės žinios apie galimą trūkumą įvedimas.

Tai būtų pagrindinės apsvarstytos ribos ir prielaidos. Modelio kūrimo metu gali iškilti papildomų apribojimų poreikis, juos paminėsiu aprašymo metu. Žymėsiu specialiu simboliu –  RP.

Yra daug būdų konstruoti modelį. Aš tai darysiu pasirinkdamas pažingsninio plėtimo/tikrinimo būdą. Kiekviename žingsnyje prie modelio pridėsiu po konceptą/elementą ir po to atliksiu imitavimą.

Taigi, pradedu.

—————————————————————-

Vienas pagrindinių pasirinktos situacijos elementų yra degalinės. Jų pagrindinė paskirtis yra skirstyti/parduoti kurą – priimti kurą iš didmenininkų ir parduoti degalinių pirkėjams. Taigi šią grandį sudaro – tiekimas, sandėliavimas ir pardavimas:

Parduotas kuras patenka į automobilių bakus.

Kuras automobilių įprastai būna, sudeginamas varikliuose, taigi

Sudeginto kuro kiekis priklauso nuo to kiek rinkoje yra automobilių, kiek tie automobiliai nuvažiuoja ir koks automobilių efektyvumas. Siekdamas paprastumo, modelyje naudosiu vidutinius dydžius.
RP. Tarkim, kad vidutiniškai viename automobilyje telpa apie 50 litrų kuro, o rinkoje yra 1 milijonas automobilių. Laikysime, kad vienas automobilis turi vieną vairuotoją. Žinome, kad sudegintas kuras priklauso nuo automobilio ir nuvažiuoto atstumo, kad būtų paprasčiau tarsime, kad vidutiniškas automobilis išvažinėja savo pilną baką per 10 dienų, taigi per dieną jis sudegina 1/10 bako, t.y. 5 litrus. Tai, gauname, kad per dieną yra sudeginama 5 mln. litrų kuro. Dėl egzistuojančio sisteminio balanso, tiek pradinės atsargos degalinėse, tiek pradinės atsargos automobilių bakuose sudaro pusę nuo maksimalios galimos talpos. Kuras automobilių bakuose – 25 mln. litrų. O degalinės laiko kuro su rezervu dviem dienom – t.y. 15 mln. litrų.

Dabar apie kuro pardavimus. Sakykime, kad žmonės pilasi kurą, kai bakas būna tuščias ir pilantys kurą yra tolygiai pasiskirstę. Taigi per diena degalinėse parduodama 5 mln. litrai kuro. Sistema yra balanse, taigi ir tiekimas į degalines bus 5 mln. litrų per dieną.

Šias prielaidas ir skaičius suvedus į sistemą ir “prasukus” įmitavimą sistema turi būti balanse. Grafikai tą ir rodo:

Dabar įvesiu modelio pakitimus, kurių tikslas atvaizduoti situaciją, kai rinkoje pasklinda žinia apie galimus kuro pabrangimus ar tiekimo sutrikimus.

RP. Modeliuojama situacija bus tokia. Vairuotojai, kurie sužino apie galimą trūkumą, pradeda važiuoti į degalines kiekvieną dieną ir pilasi pilnus bakus, net jei ir nuvažiavo tik kelis kilometrus.

Į modelį įvedame talpą, kuri atspindės skaičių vairuotojų, kurie žino apie tiekimo sistemos sutrikimus. Srautas į talpą, bus skaičius vairuotojų, kurie tą dieną sužinojo apie problemas. Faktiškai žmonės gali sužinoti apie problemas iš žiniasklaidos ir kitų vairuotojų. Pradžioje įmituosime situaciją, kai vairuotojai sužino apie problemas tik iš masinio informavimo priemonių. Tarsime, kad masinės informavimo priemonės kiekvieną dieną pasiekia 65% procentus vairuotojų, kurie nežino apie problemas. Prie modelio pridedu tokį bloką:

Čia:

Viso vairuotojų rinkoje = 1 mln

Žiniasklaidos pasiekimas = 0.65

Naujai sužinoję vairuotojai = (Viso vairuotojų rinkoje – Žinantys vairuotojai) * Žiniasklaidos pasiekimas

Žinantys vairuotojai (t+1) = Žinantys vairuotojai (t) + Naujai sužinoję vairuotojai (t+1)

Paleidus įmitavimą, gaunane tokią šio bloko dinamiką.

Po šešių dienų nuo žinutės paskelbimo beveik visi vairuotojai jau žino apie problemas.

Dabar reikia į modelį įvesti, kaip elgiasi vairuotojai, kurie sužino apie galimas problemas. Anksčiau apibrėžėme, kad sužinoję, jie pradeda piltis pilną balą kiekvieną dieną, vietoje to kad piltųsi, kai bakas ištuštėja. Kadangi sistema yra balanse, tai 100% vairuotojų sužinojus apie galimas problemas, maksimaliai jie gali prisipilti tik tiek kiek dar tilptų į bakus, t.y. 25 mln litrų. Taigi, papildomą kuro prisipilimą ir skaičiuosime nuo šios sumos. Jei 50% vairuotojų sužino apie kuro trūkumą, tai pirmą dieną jie prisipiltų 25*50%/100=12.5 mln litrų kuro. Kitas dienas jie piltų, kiek išvažinėtų.

Pirmas rekomenduotinas žingsnis yra nustatyti kokios talpos (kaupiantys elementai) yra pagrindinės (apie tai kas yra talpa čia):

  • Kuro atsargos degalinėse
  • Kuro atsargos automobilių bakuose

 

Tai būtų pagrindinės talpos. Dabar šias talpas įtakojantys srautai:

  • Degalinių atsargos papildomos kas tam tikrą laiką atvežant kuro, tai būtų “Kuro atsargų degalinėse” (KAD) pritekėjimas. Pardavimai vairuotojams būtų šios talpos ištekėjimas.
  • Talpa “Vidutinis kuro lygis automobilių bake” (VKLAB). Pritekėjimas – pirkimai iš degalinių. Ištekėjimas – kuro sudeginimas mašinų varikliuose.
  • Talpa “Sunerimę vairuotojai” (SV). Pritekėjimas – nauji vairuotojai per dieną sužinoję apie apie galimą trūkumą. Ištekėjimo neformuluojame, nors faktiškai gali egzistuoti nusiraminę vairuotojai.

Po srautų įvedimo.

Pagrindinis mūsų tikslas yra suformuoti tokį modelį, kad jis būtų pusiausvyroje. Norint įvertinti dinaminių pokyčių priežastis nėra būtina tiksliai atkartoti faktinę situaciją realybėje, bet svarbu apibrėžti pagrindinius sistemos elementus ir sąryšius tarp jų. Mums svarbu suprasti kaip pakitusios sistemos sąlygos keičia balansą sistemoje, faktiniai skaičiai šiuo atveju nėra ypatingai reikšmingi. Beje, suformavus modelį ir turint visą reikiamą informaciją, nesudėtinga pakoreguoti modelį, kad jis dirbtų su realiais skaičiais.

Nustatysiu likusius kintamuosius ir reikšmes. Verta pradėti nuo bendro mašinų skaičiaus rinkoje, jis apibrėžia kiek yra vairuotojų. Tarkime, kad mums rūpi tik individualių transporto priemonių skaičius. Jų Lietuvoje yra registruota apie 1100 tūkst. (2011). Kad būtų apvalesnė suma, tarkime jų yra 1 mln. Paprastumo dėlei manykime, kad vieną mašiną vairuoja vienas žmogus. Taigi turime 1 milijoną vairuotojų.

Vairuotojų skaičius = 1 000 000 vairuotojų

Vidutinis bako dydis nurodys, koks yra kiek vidutiniškai litrų telpa viename bake.

Vidutinė bako talpa = 50 litrų

Sunaudotas kuras per dieną.

Sunaudotas kuras = Vairuotojų skaičius x (Vidutinė bako talpa / Bako dienų skaičius)

Tarkime, kad vidutiniškai vienas vairuotojas 50 litrų sunaudoja per 15 dienų. Taigi šiuo atveju Bako dienų skaičius bus 15 dienų. Tada per dieną bus sunaudojama 1 000 000 x (50 / 15 ) ~ 3,3 mln litrų.

Kadangi darome prielaidą, kad mūsų sistemoje pradžioje yra pusiausvyra, taigi “Tiekimas” į degalines bus lygus parduoto, t.y. sunaudoto kuro kiekiui.

Tiekimas = Sunaudotas kuras

Tarkime maksimali degalinių atsargų talpa yra lygi visų automobilių bakų talpai. T.y. 50 mln litrų.

Kuro atsargos degalinėse (t+1) = Kuro atsargos degalinėse(t) – Pardavimai(t+1) + Tiekimas(t+1)

Vidutinis kuro lygis automobilių bake (t+1) = Vidutinis kuro lygis automobilių bake (t)+Pardavimai(t+1) – Sunaudotas kuras(t+1)

Tarkime, kad pradinis kuro kiekis bakuose yra lygus vidutinei bako talpai = 50 l.

Pardavimai = Sunaudotas kuras

Taigi turi sistemą, kurioje turi būti pusiausvyra.

Pabaigtas modelis struktūriškai atrodo šitaip:

Modelio analizė nėra labai patogi su Vensim, nes esu pratęs prie kitokių įrankių.
Nusprendžiau modelį įgyvendinti InsightMaker sistemoje, kuri yra visiškai nemokama ir paskutiniu metu ypatingai vystoma. Ji turi vieną labai patogų įrankį – istorijos režimą.

Suprantu, kad mano aprašymas yra chaotiškas, bet aš tam ir rašau, kad išmokčiau.
Taigi, rezultatus panagrinėsiu III šio ciklo dalyje ir tikiuosi anksčiau nei po pusės metų 🙂

SD: WHY FEW ORGANIZATIONS ADOPT SYSTEMS THINKING by Rusell L. Ackoff

http://www.gperform.com/ackoff_on_adoption_of__systems.pdf

I frequently talk to groups of managers on the nature of systems thinking and its radical implications to management. In doing so I use several case studies involving prominent American corporations. At the end of the presentation I am almost always asked, “If this way of thinking is as good as you say it is, why don’t more organizations use it?”

It is easy to reply by saying that organizations naturally resist change. This of course is a tautology. I once asked a vice president of marketing why consumers used his product. He answered, “Because they like it.” I then asked him how he knew this. He answered, “Because the use it.” Our answer to the question about failure of organizations to adopt systems thinking is seldom any better then this.

There be many reasons why any particular organization fails to adopt systems thinking but I believe there are two that are the most important, one general and one specific. By a general reason I mean one that is responsible for organizations failing to adopt any transforming idea, let alone systems thinking. By a specific reason I mean one responsible for the failure to adopt systems thinking in particular. First, consider the general explanation.

All through school, from kindergarten all the way through university, mistakes are treated as bad things. We are downgraded for them. Furthermore, no effort is made to determine whether we have learned anything from them. The grade given, not learning from our mistakes, is a fait accompli.

When, on the completion of our schooling, we enter an employing organization, which also makes it clear that mistakes are a bad thing and that they will be held against us. Managers laugh when I tell them of an organization I once heard of that offers an annual prize for the best mistake made last year. That mistake is defined as the one from which they have learned most. When August Busch, III, was CEO of the Anheuser-Busch Companies he once told his assembled vice presidents, “If you didn’t make a serious mistake last year you probably didn’t do your job
because you didn’t try anything new. There is nothing wrong in making a mistake, but if you ever make the same mistake twice you probably won’t be here the next year.” He had it right: mistakes will be forgiven if we learn from them.

We cannot learn from doing anything right. We already know how to do it. Of course we may get confirmation of what we already know and this has some value, but it is not learning. We can learn from mistakes if we identify and correct them. Therefore, organizations and individuals that never admit to a mistake never learn anything. Organizations and individuals that always transfer responsibility for their mistakes to others also avoid learning. One need look no further for an example than to the executive office of my government.

THE GENERAL REASON
To understand why organizations do not use mistakes as opportunities for learning, other than a disposition inherited from educational institutions, we must recognize that there are two types of mistake: errors of commission and errors of omission. An error of commission occurs when an organization or individual does something that should not have been done. For example, when Kodak acquired Sterling Drugs it made a very costly mistake. It had to be sold subsequently. Its sale involved a considerable write-off.

Robert F. Bruner, in his book, Deals from Hell (Wiley, 2005,New York) cites a number of acquisitions that went sour in a big way. The Sony-Columbia merger in 1989 resulted in a $2.7 billion write-off. The acquisition of National Cash Register by AT&T, cost AT&T $4.1 billion. His champion of errors of commision is the merger of AOL and Time Warner. It resulted in a $200 billion loss in stock-market value and a $54 billion write-down in the worth of the combination’s assets. Bruner points out that in most such cases the executives responsible such losses made significant gains in their own compensation. They were able to disclaim responsibility for their mistakes.

An error of omission occurs when an individual or organization fails to do something it should have done. For example, when Kodak failed to acquire Xerox when it could have, or when Xerox failed to develop the small computer produced by its employees. Of the two types of error, errors of omission are usually the more important. The deterioration and failure of organizations are almost always due to something they did not do.

Not to long ago IBM get into serious trouble because it ignored the reduction of the size of computers. Fortunately, it eventually corrected this error but it came close to going out of business. Kodak is currently in a precarious position because it did not press the development of digital photography. General Motors and Ford are in trouble because they have not innovated in ways that Toyota and Honda have. Now for a key fact: accounting systems in the western world only take account of errors of commission, the less important of the two types of error. They take no
account of errors of omission. Therefore, in an organization that frowns on mistakes and in which only errors of commission are identified, a manager only has to be concerned about doing something that should not have been done. Because errors of omission are not recorded they often go unacknowledged. If acknowledged, accountability for them is seldom made explicit. In such a situation a manager who wants invoke as little disapproval as possible must try either to minimize errors of commission or transfer to others responsibility for those he or she makes.

The best way to do this is to do nothing, or as little as one can get away with. This is a major reason that organizations do not make radical changes.

A number of years ago when I was working on a project for a major automotive manufacturing company, the Executive Vice President asked me if I would give a two-day course on systems thinking to the company’s top 200 managers and executives. I was delighted. He said he wanted to restrict classes to 20 so that there would be plenty of discussion. He had the following plan: four sessions of junior vice presidents, three of intermediate level vice presidents, two of senior vice presidents, and finally one of the executive office. The sessions were to be conduct
from the lower level up.

At the end of the first session to junior vice presidents one said, “This stuff is great. I would love to use it but you are talking to the wrong people. I can’t introduce it without the approval of my boss. Are you going to get a chance to present it to him?” I told I would in one of the later courses. He assured me he would hit his boss for approval as he came out of his session. In each of the first four sessions of junior vice presidents the same issue was raised.

In the first group on the second tier, with intermediate level vice presidents, the same issue was raised. I was told they also wanted to introduce systems thinking but could not do so without their bosses’ approval. Again I told them their bosses would eventually be exposed to the same ideas. In each of the three sessions at this level the same issue was raised.

In the two sessions involving senior vice presidents the same issue was raised. They asked if I would have a chance to present the material to the CEO and his executive committee. I said I would. I could hardly wait to hear what the CEO would say.

At the end of the session which he attended he said, “This stuff is great. I would love to use it. But I can’t do it with the approval and support of my subordinates. Are you going to get a chance to present it to them?” This was a typical organization, one in which the principal operating principle was “Cover your ass.” Application of this principle produced a management that tried to minimize its responsibility and accountability. The result was a paralyzed organization, one that almost never initiated change of any kind let alone innovation. It made changes only when a competitor made it necessary for it to do so.

This deficiency in organizations can be eliminated by taking the following steps.

1. Record every decision of importance, whether to do something or not. The Decision Record should include (a) the expected effects of the decision and by when they are expected, (b) the assumptions on which the expectations are based, (c) the inputs to the decision (information, knowledge and understanding), and (d) how the decision was made and by whom.

2. Monitor the decisions to detect any deviation of fact from expectations and assumptions. When a deviation is found, determine its cause and take corrective action.

3. The choice of a corrective action is itself a decision and should be treated in the same way as the original decision, a Decision Record should be
prepared for it. In this way one can learn how to correct mistakes; that is, learn how to learn more rapidly and effectively. Learning how to learn is probably the most important thing an organization or individual can learn.

4. The decision by an organization not to adopt systems thinking should be treated in this way. Making explicit the assumptions on which such a decision is based and monitoring them can lead to a reversal of the decision in time.

THE SPECIFIC REASON
Very few managers have any knowledge or understanding of systems thinking, and for good reason. Very little of our literature and lectures are addressed to potential users. I very seldom come across an organizational decision maker who has had any previous exposure to systems thinking. We are an introverted profession. We do most of our writing and speaking to each other. This is apparent on examination of the content of any of our journals or conferences. To be sure, some communication among ourselves is necessary, but it is not sufficient.

Until we communicate to our potential users in a language they can understand, they and we will not understand what we are talking about. If Einstein could do it with relativity theory, we should be able to do it with systems thinking (Einstein and Infeld, 1951). It is easy to hide the ambiguity and vagueness in our own thinking behind jargon, but almost impossible to do so when speaking or writing in ordinary language.

We have developed a vocabulary that equips our students with the ability to speak with authority about subjects they do not understand. Little wonder they do not become effective spokespersons to potential users.

This society should publish a journal addressed to potential users. It should have managers on its editorial board. It should invite dialog with potential users either electronically or in print. In addition, it should occasionally hold conferences that provide a bridge between system thinkers and their potential users. These conferences should reveal what are we doing and can do that they should know about?

Furthermore, the articles published in our usual journals should be required to answer the “so what” question at the end of each submission. The answer to this question should be an explicit statement of how the author intends to affect the behavior or thinking of the reader. No article should be published without such an appendage.

Let’s start to think outside the box into which we have painted ourselves!

http://www.gperform.com/ackoff_on_adoption_of__systems.pdf

REFERENCES
Bruner, Robert, Deals from Hell. Wiley. New York: 2005.
Einstein, Albert and Leopold Infeld, The Evolution of Physics. New York: Simon and
Schuster, 1951.
Russell L. Ackoff
1021 Lancaster Ave., #201
Bryn Mawr, PA 19010 USA
e-mail: RLAckoff@aol.com

SD: Sistemų dinamikos modelių elementai. Pavyzdys.

Trumpai apie sistemų dinamikos elementus iš kurių susidaro modeliai. Jie yra keturi pagrindiniai. Talpa, srautas, ryšys, kintamasis (konstanta).

Talpa (stock)

Talpa, kurioje per tam tikrą laiką kaupiasi tai kas į tą talpą įteka. Labai populiari vonios analogija. Vonia ir būtų ta talpa, o talpos lygiu (stock level) būtų vandens lygis vonioje.

Srautas (flow)

Imant vonios analogiją, tai būtų vandens srautas, t.y. per sutartą laiko vienetą pritekančio (ištekančio) vandens srautas.

Vonia su įtekančiu ir ištekančiu vandens srautu atrodytų taip.

Ryšys (link)

Ryšys atvaizduojamas rodykle ir simbolizuoja (grubiai tariant) informacijos perdavimą iš vieno elemento į kitą. Pavyzdžiui, realybėje vandens ištekėjimo greitis iš vonios priklauso nuo vonioje esančio vandens lygio, t.y. vandens slėgio. Šis sąryšis būtų pavaizduotas taip.

Kintamasis (konstanta)

Kintamasis arba konstanta naudojami papildomiems veiksmams informacinio srauto apdorojime. Vaizduojami kaip tekstas.

Pilnumoje ši paprasta sistema atrodo taip.

Net ir tokia sistema jau gali būti modeliuojama. Tarkime:

Vonios talpa yra 400 litrų. Per minutę į vonią įteka 50 litrų vandens. Paprastumo dėlei, tarkime, kad per minutę iš vonios išteka trečdalis vandens esančio vonioje. O pradinis pradžioje vonioje vandens nėra. Klausimas kaip per 30 minučių kis vandens lygis? Pamodeliavus, štai rezultatas.

 

Sistema patenka į pusiausvyrą, kai vandens pritekėjimo srautas tampa lygus vandens ištekėjimo srautui 50=150/3.

Tai tiek būtų apie tai kaip konstruojami modeliai. Pateiktas sistemos elementų žymėjimas yra būdingas Vensim modeliovimo ir imitavimo programai. Daugiau apie ją http://vensim.com/vensim-software/

Yra ir kitos modeliavimo programos, tačiau ši yra arčiausiai “klasikos” ir turi nemokamą versiją, kurios mokymuisi pakanka.

 

SD: Atvejis 1(I) – 1979 m. benzino trūkumo priežastys JAV

Sistemų dinamika praktinis mokslas – tik praktiškai analizuodamas atvejus gali pagilinti savo suvokimą apie analizuojamos sistemos veikimą. Nusprendžiau pradėti nagrinėti atvejus ir gilinti savo įgūdžius.

Pirmas atvejis paimtas iš J. D. Sterman knygos “Business dynamics. Systems thinking and modelling for complex world “(2000).

————————————————————–

1979 metais JAV ir kitose industrinėse valstybėse susiformavo degalų trūkumas. Tais metais įvyko Irano revoliucija ir pasaulyje staigiai pakilo naftos kainos, Irano naftos eksportas sumažėjo. Per kelias savaites susiformavo degalų trūkumas – kai kuriose degalinėse pritrūko degalų. Vairuotojai, kurie puikiai prisiminė 1973 metų naftos embargą, sunerimo kad negaus kuro ir vietoje to, kad piltis degalus, kai bakas beveik tuščias, kiekvieną dieną maksimaliai pasipildydavo bakus. Greitai prie degalinių susiformavo ilgos eilės. Degalinės vis dažniau paskelbdavo – “Atsiprašome – degalų nėra”. Kuro trūkumas buvo pagrindinė vakaro žinių naujiena, buvo rodomos ilgiausios eilės, imami intervių iš įpykusių vairuotojų.

Kai kuriose valstijose įvesti kuro pirkimo apribojimai, tame tarpe, pavyzdžiui, apribojimas pirkti kuro už 10$. Kalifornijoje įvesta lyginių/nelyginių  pirkimų taisyklė – vairuotojams buvo leidžiama pirkti degalus tik kas antrą dieną, priklausė nuo to koks mašinos numerio skaičius lyginis/nelyginis. Vyravo suvokimas, kad  degalų tiekimas buvo sumažintas, apribotas.

Tuo tarpu, Irano revoliucijos įtaka naftos tiekimui į JAV buvo minimali. Realus Persijos Įlankos regiono (įskaitant Iraną) naftos importas nuo 1978 iki 1979 sumažėjo 500 000 barelių per dieną, 3% JAV sunaudojamo kiekio. Tačiau importas iš kitų regionų padidėjo 640 000 barelių per dieną. 1979 metais importas faktiškai padidėjo 140 000 barelių per dieną. Vietinės naftos gavyba krito 150 000 barelių per dieną, taigi naftos tiekimas buvo pastovus. Tuo tarpu, naftos suvartojimas nukrito 330 000 barelių per dieną, 2% lyginant su 1978 metais.

Vertinant 1979 metus, naftos trūkumo nebuvo. Jei naftos srautas buvo pastovus, kas sukėlė trūkumą? Kur dingo degalai?

————————————————————–

Klausimai:

  1. Kas nulėmė degalų trūkumą? Kur dingo degalai?
  2. Kaip individualūs vairuotojai reagavo į žinias apie trūkumą? Kokie buvo jų veiksmai?
  3. Kaip efektyvios buvo degalų pirkimo apribojimo strategijos? Maksimalaus pirkinio efektyvumas, lyginis/nelyginis pirkimas.
  4. Ar šios strategijos palengvino trūkumą ar pablogino situaciją? Kodėl?
  5. Kokia pirkimo apribojimo strategija rekomenduotina? Kodėl ji būtų efektyvi?

Tai ir būtų užduotis šiam atvejui. Kitą kartą parašysiu apie tai kaip kuriu situacijos modelį ir galbūt pateiksiu kokiu nors analizės rezultatus. Tikiuosi tai padarysiu anksčiau nei vėliau 🙂

Reklamos efektyvumas. Kur jo ieškoti?

Reklama.

Kasdien matau daug reklamos – įdomios, gražios, juokingos, erzinančios, atstumiančios.

Reklama – gražus/negražus kūrybingų žmonių darbo rezultatas. Na, o kur yra vieno žmogaus darbas, atsiras ir kito žmogaus nuomonė. Asmeninė, neobjektyvi, gal net pavydi nuomonė. Džiugu, kai atsiras galintis pasakyti, kad vakar matyta reklama yra super efektyvi. Dangaus mana į reklamą užsakiusio ausį. Tik va, kas yra efektyvi reklama?

Paklaustas, kokios nors verslo įmonės vadovas nedvejodamas atsakytų, kad efektyvi yra ta reklama, kuri prisideda prie pardavimų augimo. Gal net paminėtų nuostabų žodžių junginį – ROI. Ir jis šventai tiki, kad reklama turi padėti parduoti produktą – uždirbti pinigus.

Suprantama, jis teisus, bet tik iš dalies. Ne reklama padeda parduoti daugiau produktų, o visuma marketingo veiksmų, kuriuos atlieka jo marketingistai. Pasitaiko, kad jo marketingistai nieko daugiau be reklamos nedaro, bet net ir tuo atveju, pardavimai priklauso nuo reklaminės kampanijos veiksmų visumos. Kas ta reklama, jei jos niekas nematė?

Taigi.

Reklama yra tik dalis marketingo veiksmų visumos. Labai svarbi dalis, bet tik dalis. Ji turi savo užduotį, kurią vykdydama, padeda siekti marketingo veiksmų tikslo. Jei reklama įvykdo savo užduotį, ji prisideda prie galutinio marketingo tikslo ir tampa efektyvia reklama.

Prirašiau daug žodžių, bet tarp jų yra TRYS labai svarbūs:

3zodziaiJei reklama turi užduotį, kurią vykdydama padeda siekti tikslų, tada galima pamatuoti jos efektyvumą. Toliau jau yra technikos reikalas, kaip pasitelkus įvairiausias priemones pamatuoti ar reklama atliko savo užduotį. Tikslų ir užduočių gali būti įvairių, taigi, ir matavimo variantų yra daug. Pasitaiko ir tokių tikslų, kad efektyvumo matavimas sunkiai įmanomas. Pasitaiko ir užduočių, kurių negali įvykdyti jokia reklama.

Tarkime, kad užduotis yra teisinga, reklamos tikslai sutampa su marketingo tikslais. Kada galime pamatuoti reklamos efektyvumą? Juk taip, būtų šaunu žinoti reklamos efektyvumą prieš paleidžiant kampaniją. Gaila, bet apie tai truputį vėliau.