Logistics guru Eric J. Joiner, Jr. posed an interesting question in LinkedIn:

Crocs are declining in popularity. If you were their head of Supply Chain what would you be doing now?

The question is interesting because the product was very likely a fad, with high early approval and equal backlash (a Facebook group titled “I Dont care How Comfortable Crocs Are, You Look Like A Dumbass.” has 930,000 members). Did Crocs managers evaluate all scenarios: e.g. fad vs stable demand? Their decisions point to them being optimistic:

Crocs made the decision to exit a 3PL distribution relationship and open their own “owned and operated” distribution center (this is well documents in their 10K reports). They “sunk” capital into a distribution facility in the Denver area. Now that volume is down, there has to be big unused capacity in that facility. That facility has ongoing fixed expenses that have to be paid, and are now a millstone around Crocs’ neck. Oh, and I don’t think that there is a lot of demand for a distribution facility in Denver.

Oops!

Chris Anderson’s article in Wired is about the notion that vast amounts of data (in the order of Petabytes) will render models superfluous. The rationale is that in very complex systems for which vast data can easily be collected, it is more efficient to let the data make the model rather than devising it ourselves; or in the words of Google’s research director Peter Norvig: “All models are wrong, and increasingly you can succeed without them.”

Anderson believes we have overcome a critical point were the computing/storage power we have is enough to do this:

At the petabyte scale, information is not a matter of simple three- and four-dimensional taxonomy and order but of dimensionally agnostic statistics. It calls for an entirely different approach, one that requires us to lose the tether of data as something that can be visualized in its totality. It forces us to view data mathematically first and establish a context for it later. For instance, Google conquered the advertising world with nothing more than applied mathematics. It didn’t pretend to know anything about the culture and conventions of advertising — it just assumed that better data, with better analytical tools, would win the day. And Google was right.

The problem is that when the model’s causality is unknown (since we didn’t design it in the first place; the data did), we can never be sure when it will misfire: the black swan problem. While such models may work in domains like marketing, biology etc., where the cost of mistakes is low, it cannot be trusted in mission critical functions (see quant funds and subprime crisis).

Πολλά έχουν γραφεί για το πως μπορούμε να παρουσιάσουμε πλούσια δεδομένα, έτσι ώστε να τα κάνουμε όσο το δυνατό πιο κατανοητά. Πέρα όμως από τις γενικές αρχές (π.χ. Tufte) υπάρχει και ένα κομμάτι τέχνης, που κάνει μια εξαιρετική δουλειά να ξεχωρίζει, όπως το αλληλεπιδραστικό γράφημα των NYT για τους ψηφοφόρους Obama και Clinton.

Η Booz&co έχει δημιουργήσει ένα πολύ καλό παιχνίδι/προσομοιοτή του πόσο αποδοτική είναι η οργανωτική δομή και κουλτούρα μιας επιχείρησης.

Ανάλογα με το προφίλ του οργανισμού στο οποίο δρα, ο χρήστης πρέπει να επιλέξει μεταξύ ενός αριθμού δράσεων για να βελτιώσει την αποδοτικότητα της. Το ενδιαφέρον είναι ότι κάποιες κινήσεις που εκ πρώτης άποψης φαίνονται θετικές, έχουν αρνητικό αποτέλεσμα!

Στον Guardian υπάρχει ένα ενδιαφέρον άρθρο σχετικά με τις λανθασμένες εκτιμήσεις που τείνουμε να κάνουμε σε σπάνια φαινόμενα (via Flowing Data) :

The single most pernicious threat to liberty today is humanity’s natural tendency to misunderstand the statistics of rare events. We’re just not wired to have good intuition about things that happen with extreme infrequency.

Το γεγονός αυτό είχε τονιστεί και από τον Nassib Taleb (Fooled by Randomness, The Black Swan), ο οποίος είχε δείξει την επίδραση που έχουν τέτοια σφάλματα στη συμπεριφορά των αγορών. Τέτοια σφάλματα οδηγούν σε πλήθος υποβέλτιστων επιλογών: μεγάλα αποθέματα στα εργοστάσια (επειδή κάποτε είχαμε ξεμείνει από α’ ύλη), χείριστες τακτικές στο πόκερ (επειδή μια φορά είχα κάνει φλος με δύο φύλλα στο χέρι) κλπ.

Το ενδιαφέρον στο άρθρο είναι ότι συνδέει την εσφαλμένη αυτή λογική με τις διάφορες στερήσεις ελευθερίας στο όνομα της τρομοκρατίας, ειδικά όταν τα εργαλεία μας δεν είναι αρκετά ακριβή:

Our innumeracy means that our fight against these super-rarities is likewise ineffective. Statisticians speak of something called the Paradox of the False Positive. Here’s how that works: imagine that you’ve got a disease that strikes one in a million people, and a test for the disease that’s 99% accurate. You administer the test to a million people, and it will be positive for around 10,000 of them – because for every hundred people, it will be wrong once (that’s what 99% accurate means). Yet, statistically, we know that there’s only one infected person in the entire sample. That means that your “99% accurate” test is wrong 9,999 times out of 10,000! Terrorism is a lot less common than one in a million and automated “tests” for terrorism – data-mined conclusions drawn from transactions, Oyster cards, bank transfers, travel schedules, etc – are a lot less accurate than 99%. That means practically every person who is branded a terrorist by our data-mining efforts is innocent.

Μερικές εταιρείες λειτουργούν διαφορετικά: στην προσπάθεια να διατηρήσει την κουλτούρα της, η Zappos δίνει ένα μπόνους αποχώρησης ύψους $1000 στους νεοπροσληφθέντες που δεν είναι ενθουσιασμένοι με την εταιρεία!

Η υπόθεση είναι ότι με αυτό τον τρόπο θα μείνουν μόνο αυτοί που πραγμάτικά πιστεύουν στα ιδανικά της εταιρείας. Αυτή τη στιγμή ένα 10% δέχεται την προσφορά και φεύγει, ενώ η Zappos σκεφτεται να αυξήσει το ποσό.

via Curious Cat 

Από το ιστολόγιο Evolving Excellence, ένας προβληματισμός για τους τίτλους και τη σημασία τους. Ο προβληματισμός είναι απλός:

πολλοί τίτλοι = οργανωτικό χάος = προβληματικές διαδικασίες

Όπως για παράδειγμα το Yahoo! το οποίο έχει 300(!!!) vice-presidents: πώς θα μπορούσε ποτέ η Microsoft να εντάξει αυτό το μόρφωμα στη δομή της;

Στην πολύ καλή σειρά διαλέξεων του Long Now Foundation, προστέθηκε μια εξαιρετική διάλεξη (mp3) του Nassim Taleb (Black Swan, Fooled by Randomness): ο Taleb ασχολείται με το πρόβλημα της εξαγωγής γενικών κανόνων από ένα πλήθος παρατηρήσεων (απαγωγή), και τα σφάλματα που κάνουμε εφαρμόζοντας την συνειδητά ή ασυνείδητα.

Που χρήσιμεύουν όλα αυτά; Οποιοσδήποτε χρησιμοποιεί το νόμο των μεγάλων αριθμών, παίρνει μέσους όρους ή αναλύει δεδομενα με το νόμο του Pareto, πρέπει πάντα να έχει κατά νου τους περιορισμούς τους, αλλιώς ένας “μαύρος κύκνος” μπορεί εύκολα να τον εκθέσει…

Η ανθρώπινη νόηση έχει μια έμφυτη προδιάθεση στο να υπερτιμά αυτούς που επιλύουν ένα πρόβλημα -ακόμα και αν το δημιούργησαν οι ίδιοι με κακούς χειρισμούς- και να υποτιμά αυτούς που το αποφεύγουν: είναι η δυσκολία του να εκτιμήσεις αυτό που δεν είναι άμεσα ορατό. Από το blog του John Kay:

In politics, business and finance, as on the seas, the hero is the person who tackles a problem, rather than the person whose actions prevent the problem arising.

Το πρόβλημα είναι γνωστό ως το πρόβλημα του καπετάνιου MacWhirr (από ένα βιβλίο του John Conrad), ο οποίος προτίμησε να πέσει σε ένα τυφώνα -ενώ είχε όλα τα στοιχεία για να τον αποφύγει- μόνο και μόνο διότι δε θα μπορούσε να δικαιολογήσει την καθυστέρηση:

He saw the signs of the oncoming storm but, having consulted the manuals of seamanship, ignored their recommendations. “Suppose”, he says, “I went swinging off my course and came in two days late, and they asked me ‘where have you been?’ ‘Went round to dodge the bad weather,’ I would say. ‘It must have been dam’ bad, they would say. ‘Don’t know,’ I would have to say, ‘I’ve dodged clear of it.’”

Πραγματικά ενδιαφέρον δίλημμα, το οποίο δεν έχει επιλυθεί από τις υπάρχουσες δομές και μεθόδους διοίκησης/αξιολόγησης.

Πέρα από το ηλεκτρονικό reporting το οποίο γίνεται -άλλοτε επιτυχώς, άλλοτε όχι- μέσα από το intranet μιας εταιρείας, ένα σημαντικό κομμάτι στη διάχυση της πληροφορίας αποτελούν και τα τυπωμένα reports. Το ενδιαφέρον χαρακτηριστικό που έχουν είναι ότι λόγω της μεγαλύτερης ανάλυσης που προσφέρει το χαρτί μπορεί να μπει περισσότερη πληροφορία χωρίς να κουράζει το λήπτη: το αντίθετο από ό,τι συμβαίνει στις παρουσιάσεις σε υπολογιστή.

Ανέβασα ένα παράδειγμα ενός τέτοιου report σε Excel σχετικά με κάποια δεδομένα παραγωγής που ίσως φανεί χρήσιμο (Report Template.xls). Στο report αυτό προσπάθησα να εφαρμόσω κάποιες από τις ιδέες της Juice Analytics.

Κάποιοι χρήσιμοι πόροι για όποιον επιχειρήσει κάτι ανάλογο αποτελούν:

• το blog της Juice Analytics
• τα βιβλία του Tufte
• το blog του guru του BI, Nicolas Bissantz και του σκύλου του!