कैसे हम थोड़ा बेहतर में खराब पूर्वानुमान को याद करते हैं

प्रत्येक कंपनी स्टार तकनीक और सुपर कूल प्रोग्रामर नहीं है, लेकिन अड़चन, अक्षमताओं और बुरे फैसलों का योग है, जो किसी तरह चला जाता है और अपना काम करता है। लेकिन फिर आपने कुछ बदलाव करने का फैसला किया और तुरंत इस तथ्य का सामना करना शुरू कर दिया कि बड़ी संख्या में व्यापार प्रक्रियाओं में आपको समस्याएं हैं। खैर, इन समस्याओं को, निश्चित रूप से एक आदर्श तरीके से हल करने की आवश्यकता नहीं है, लेकिन इष्टतम श्रम लागतों के संदर्भ में।

मैं डेटा विश्लेषण और डेटा प्रबंधन के अपने विषय से संबंधित एक ऐसे उदाहरण को साझा करना चाहता हूं। कई संगठनों के पास वित्तीय सेवाएँ हैं जिनका मुख्य उद्देश्य उद्यम की स्थिति के बारे में प्रबंधन को वित्तीय जानकारी प्रदान करना है। इन लोगों के कई कामों में, एक ऐसा कार्य है: अगली अवधि (वर्ष, किसी के लिए तिमाही) के लिए एक राजस्व पूर्वानुमान बनाना। राजस्व का यह पूर्वानुमान अक्सर अगली अवधि के लिए योजनाओं पर सहमत होने और उद्यम के लाभ और हानि के लिए एक सामान्य पूर्वानुमान बनाने का पहला कदम है।

इस तरह के पूर्वानुमान में शामिल हर कोई समझता है कि इस मामले में यह पूर्वानुमान की इतनी सटीकता नहीं है जो मायने रखता है, लेकिन आपके परिसर और परिणामों के बीच सही संबंध। आखिर हम पूर्वानुमान से क्या चाहते हैं? हम जानना चाहते हैं कि अगर हम सब कुछ हमेशा की तरह (एएस आईएस) करेंगे और अगर हम कुछ (लिपियों) को बदल देंगे तो क्या होगा। इस काम को करने के लिए, वित्तीय सेवा को कुछ प्रकार के उद्यम मॉडल के साथ आना चाहिए, जो आसानी से प्रबंधित कर सकते हैं, आसानी से व्यवसाय को समझा सकते हैं कि यह कैसे काम करता है और आसानी से विभिन्न वर्गों में डेटा प्रदान करता है जिसमें व्यवसाय इस व्यवसाय को देखना चाहता है।

ये सभी उत्कृष्ट इरादे हैं, लेकिन यहां हमें एक कठोर वास्तविकता का सामना करना पड़ रहा है: विशिष्ट उद्यमों में इन कार्यों को करने के लिए पद्धतिगत और तकनीकी कौशल स्पष्ट रूप से कमजोर हैं। मॉडल असुविधाजनक हैं, जल्दी से अपरिवर्तनीय हैं, अद्यतन योग्य नहीं हैं, आसानी से कुछ भी नहीं समझाया गया है, फाइलें सुविधाजनक नहीं हैं, और कटौती बहुत लंबे समय तक या प्राप्त नहीं की जा सकती है। आइए एक ठोस उदाहरण देखें जहां सब कुछ खराब है और इसे कैसे ठीक किया जाए।

मॉडल का निर्माण करने वाले विशिष्ट वित्त अधिकारी कहाँ होंगे? बेशक एक्सेल में। इसके कई अच्छे कारण हैं:

1. अनुभव केवल इस उपकरण के साथ है।
2. काम का परिणाम ग्राहक को व्यक्त करना आसान है।
3. आप मॉडल में किसी भी भाग को बदल सकते हैं।
4. एक्सेल काफी रसीद, भंडारण, प्रसंस्करण, पूर्वानुमान, प्रस्तुति और डेटा के दृश्य को एकीकृत करता है।
5. आप अपने काम के उपभोक्ताओं को आसानी से समझ सकते हैं कि आपने उन पर क्या पास किया है।
6. आपको एक साधारण इंटरैक्टिव को व्यवस्थित करने और मॉडल के साथ काम करने की अनुमति देता है।

सबसे सरल और सबसे आम राजस्व पूर्वानुमान मॉडल में से एक एक बहुत ही सरल सूत्र है: अवधि के लिए ग्राहकों की संख्या * औसत = राजस्व।
हमें इस तरह से देखने से पहले क्या था (डेटा, निश्चित रूप से, डेमो द्वारा प्रतिस्थापित):

इस शीट पर क्या समस्याएं हैं:

1. 2017 और 2018 के लिए बेसलाइन डेटा को मान के रूप में दर्ज किया गया है। यह समझा जाता है कि विभिन्न बजट संस्करणों के कार्यान्वयन के लिए इन मूल्यों को सीधे ठीक किया जाएगा। यह एक बड़ी मात्रा में काम है (चूंकि विभिन्न विभागों में लगभग 30 ऐसी चादरें हैं), जिसमें गलतियां संभवत: की जाएंगी, स्तंभों और स्तंभों को मिलाया जाएगा।
2. हालांकि 2018 को एक मूल्य के रूप में पेश किया गया था, यह अभी तक समाप्त नहीं हुआ है, इसलिए मूल्य को पूर्वानुमान में ध्यान में रखते हुए दर्ज किया जाता है, जिसे कहीं अलग से बनाया गया था।
3. पूर्वानुमान पूरे वर्ष के लिए बनाया जाता है। पूर्वानुमान की आवश्यकताओं के बीच एक ओर मासिक पूर्वानुमान लगाना था, और दूसरी ओर इसे वार्षिक रूप में प्रदर्शित करना था, क्योंकि संख्याओं की प्रचुरता के कारण मासिक पूर्वानुमान का विश्लेषण और मूल्यांकन करना मुश्किल है। तदनुसार, इस मॉडल के लिए कठिनाइयों में से एक अन्य मॉडल के शीर्ष पर निर्माण करना है, जो मौसम के हिसाब से लेते हुए महीने तक डेटा को तोड़ देता है। सब कुछ "बैक टू फ्रंट" है, मासिक से वार्षिक परिणाम नहीं, बल्कि वार्षिक से मासिक।
4. मॉडल के लिए प्रारंभिक डेटा स्पष्ट रूप से कहीं भी दिखाई नहीं देता है, उनके लिए कोई संदर्भ नहीं हैं और यह स्पष्ट नहीं है कि क्या वे संख्याएं सही हैं, हम क्या देखते हैं, क्या वे भंडारण से सही ढंग से निकाले गए हैं और संक्षेप में प्रस्तुत किए गए हैं।
5. यदि विभागों की संरचना को फिर से इकट्ठा करने की इच्छा है, तो यह मॉडल पूरी तरह से बाहर फेंक दिया जाएगा।
6. अगले साल, थोड़ा पुन: उपयोग किया जा सकता है।

यह शीट उद्यम के विभागों में से एक के लिए एक पूर्वानुमान है। कुल मिलाकर लगभग 30 ऐसी चादरें हैं। इन सभी चादरों को पूरे उद्यम की एक शीट पर दो खंडों में बांटा गया है: विभाग द्वारा और विभाग के प्रकार से। मोटे तौर पर, प्रत्येक विभाग में आपके पास पैकेजिंग के उत्पादन के लिए एक विभाग है। आप इकाइयों द्वारा समग्र परिणाम, और अलग-अलग समग्र परिणामों को देखना चाहते हैं, जैसे पैकेजिंग उत्पादन जैसे विभिन्न विशेषज्ञता द्वारा टूट गया। शीट वैचारिक रूप से समान है, लेकिन यह पिछले 30 शीटों पर परिणामों का योग है।
इस समन को सबसे सरल तरीके से लागू किया जाता है: समन के लिए आवश्यक सभी कोशिकाओं की गणना करके। क्योंकि चूंकि प्रत्येक विभाग में सभी विभाग नहीं होते हैं और 30 शीट्स में विभागों की पंक्तियों की स्थिति भिन्न हो सकती है, तो विभाग द्वारा कुल राजस्व को इकट्ठा करने के लिए, एक कर्मचारी को दर्जनों सूत्र तैयार करने होते थे जिसमें उन्होंने स्पष्ट रूप से संकेत दिया था कि वह कौन सी कोशिकाओं को ढेर करना चाहता था।

सारांश शीट पर हमें क्या समस्याएँ आती हैं?

1. समन के लिए कोशिकाओं की स्पष्ट गणना, जिसका अर्थ है कि अगर कोई उस सेल के मूल्यों या अर्थ को प्रतिस्थापित करता है जिसे हम संक्षेप में बताते हैं, तो हम इस पर ध्यान नहीं देंगे और हमें इस त्रुटि को लंबे समय तक देखना होगा।
2. कंपनी की संरचना को बदलते समय, हमें न केवल उन विभागों की शीटों को बदलना होगा जो परिवर्तनों से प्रभावित थे, बल्कि सामान्य विधानसभा के साथ शीट को भी सही करते हैं, क्योंकि नई वस्तुएं नहीं होंगी, और हटाए गए त्रुटियां देंगे।
3. जिस अनुभाग के तहत हम इकाई को देखना चाहते हैं उसे बदलते समय, यह मॉडल कुछ भी नहीं कर सकता है और बस काम नहीं करता है। यदि विभागों में कुछ महान विवरण दिखाई देते हैं, तो संक्षेप में हमें एक और समान सामान्यीकरण शीट बनानी होगी (जिसमें पहले से ही 10 गुना अधिक प्रत्यक्ष लिंक होंगे जो "छेदने" की आवश्यकता है, कहीं 1,000 से 10,000 तक)।
4. मॉडल आम तौर पर पूरी तरह से नष्ट हो जाता है अगर कंपनी में परिवर्तन संस्थाओं के एक अलग समूह का नेतृत्व करते हैं। यह सब काम सिर्फ बेकार चला जाता है।

इस प्रकार, हमारे पास मॉडल की एक कठोर, सीधी संरचना है, जो केवल एक परिणाम का उत्पादन करने में सक्षम है, परिसर में छोटे बदलावों का सामना कर सकता है, और परिवर्तनों को अपडेट करने या बनाने के लिए भारी श्रम लागत से जुड़ा हुआ है। और यहां तक ​​कि इस संरचना का निर्माण भी पहले से ही उच्च श्रम लागतों से जुड़ा हुआ है।

किसी कारण के लिए, कई कंपनियां मेहनती कर्मचारियों के लिए ऐसे कार्यों को फेंकने के लिए तैयार हैं, जिनके पास सब कुछ आसान, तेज और अधिक सुविधाजनक बनाने के लिए अनुभव और कौशल की कमी है। हालांकि, यह पैसे का सवाल भी नहीं है। ऐसी फ़ाइल के कार्यान्वयन में लगभग 2 महीने का मानव कार्य लगता है, और फिर, सभी आवश्यकताओं को पूरा किए बिना। डेटा के साथ काम को व्यवस्थित करने के लिए एक अधिक उचित दृष्टिकोण आपको 1 सप्ताह की कड़ी मेहनत की आवश्यकता होगी! "खराब" तरीके से तैयारी के 2 महीने के लिए, आप न केवल अधिक पैसा खो देते हैं, बल्कि बहुत समय और तंत्रिकाओं को भी खो देते हैं, क्योंकि परिणाम लेने पर आप दर्जनों बार त्रुटियों को पकड़ लेंगे। यह संसाधनों का गूंगा अपशिष्ट है। यह बस मामला है, जब सरल चरणों के साथ, आप श्रम उत्पादकता में 10 गुना वृद्धि प्राप्त कर सकते हैं!

कैसे हमने श्रम उत्पादकता में 10 गुना वृद्धि हासिल की और अगले लेख में मॉडल को फिर से तैयार किया।