Как научиться решать задачи по статистике


Задачи по статистике с решениями и выводами

Фонды рабочего времени

Изложена методика расчета календарного, табельного и максимально-возможного фондов рабочего времени, а также коэффициентов их использования. Содержатся сведения по составлению балансов рабочего времени на предприятии. Рассматриваются коэффициенты использования рабочего дня, рабочего периода, а также интегральный показатель использования рабочего времени.

Индексы средней производительности труда

Решена задача с вычислением уровня и динамики производительности труда. Рассчитаны индексы средней производительности труда - индекс переменного состава, постоянного состава и структурных сдвигов. Показано разложение на факторы прироста продукции, вычисление числа высвободившихся работников в связи с ростом производительности.

Индексы средней заработной платы

В представленной на странице задаче вычислены индексы средней заработной платы переменного состава, постоянного состава, структурных сдвигов, показано разложение на факторы изменения средней заработной платы и фонда заработной платы.

Показатели движения рабочей силы на предприятии

Страница содержит краткое описание показателей движения рабочей силы, также на примере показаны расчеты коэффициентов текучести кадров, оборота по приему и увольнению, общего оборота и постоянства кадров.

Статистика основных фондов

Рассмотрены основные показатели статистики основых фондов - полная и остаточная стоимость основных фондов, коэффициенты годности и износа, коэффициенты обновления и выбытия, показатели фондоотдачи и фондоемкости.

Показатели эффективности использования оборотных средств

Рассмотрена краткая теория и решена задача по статистике оборотных средств предприятия. На примере показаны расчеты показателей эффективности использования оборотных средств - коэффициента оборачиваемости, закрепления, продолжительности одного оборота.

Статистика Проблемы с решениями

Проблема 1

В одном штате 52% избирателей - республиканцы, а 48% - демократы. Во втором штате 47% избирателей - республиканцы, а 53% - Демократы. Предположим, что простая случайная выборка из 100 избирателей опрошены из каждого штата.

Какова вероятность того, что опрос покажет больший процент республиканских избирателей в во втором состоянии чем в первом состоянии?

(А) 0.04
(В) 0,05
(С) 0,24
(D) 0,71
(E) 0,76

Решение

Правильный ответ - C. Для этого анализа пусть P 1 = доля избирателей-республиканцев в первом штате, P 2 = доля избирателей-республиканцев во втором штате, p 1 = доля избирателей-республиканцев в образец из первого состояния, и p 2 = доля избирателей-республиканцев в образец из второго состояния.Количество избирателей, отобранных из первое государство (n 1 ) = 100, а количество избирателей выборка из второго состояния (n 2 ) = 100.

Решение состоит из четырех шагов.

  • Убедитесь, что размер выборки достаточно велик для моделирования различий с нормальным населением. Так как n 1 P 1 = 100 * 0,52 = 52, n 1 (1 - P 1 ) = 100 * 0.48 = 48, n 2 P 2 = 100 * 0,47 = 47, и n 2 (1 - P 2 ) = 100 * 0,53 = 53 каждый больше 10, размер выборки достаточно велик.
  • Найдите среднее значение разницы в пропорциях образца: E (p 1 - p 2 ) = P 1 - P 2 = 0,52 - 0,47 = 0,05.
  • Найдите стандартное отклонение разницы.

    σ г = sqrt {[P 1 (1 - P 1 ) / n 1 ] + [P 2 (1 - P 2 ) / n 2 ]}
    σ г = sqrt {[(0,52) (0,48) / 100] + [(0,47) (0,53) / 100]}
    σ г = sqrt (0,002496 + 0,002491) = sqrt (0,004987) = 0,0706

  • Найдите вероятность.Эта проблема требует от нас найти вероятность того, что p 1 меньше p 2 . Это эквивалентно нахождению вероятности того, что p 1 - p 2 меньше нуля. Чтобы найти это вероятность, нам нужно преобразовать случайную величину (p 1 - p 2 ) в z-оценка. Это преобразование показано ниже.

    z п 1 - п 2 = (х - μ п 1 - п 2 ) / σ d = = (0-0.05) /0,0706 = -0,7082

    Использование Stat Trek's Калькулятор нормального распределения, мы находим, что вероятность того, что z-оценка будет -0,7082 или меньше составляет 0,24.

Следовательно, вероятность того, что опрос покажет больший процент республиканских избирателей в второе состояние, чем в первом состоянии, составляет 0,24.

. .

Руководство по решению социальных проблем с помощью машинного обучения

Сегодня вечер воскресенья. Вы заместитель мэра большого города. Вы садитесь смотреть фильм и просите Netflix о помощи. («Буду ли я любить Birdemic? Ishtar? Zoolander 2?»). Алгоритм рекомендаций Netflix предсказывает, какой фильм вам понравится, путем анализа данных о миллионах предыдущих зрителей с использованием сложных инструментов машинного обучения. А на следующий день вы идете на работу, и каждое из ваших агентств будет принимать решения о найме, не имея большого представления о том, какие кандидаты будут хорошими работниками; учащиеся общественных колледжей будут в основном предоставлены самим себе решать, какие курсы для них будут слишком сложными или слишком легкими; и ваша система социального обслуживания будет применять реактивный, а не превентивный подход к бездомности, потому что они не верят, что возможно предсказать, какие семьи окажутся на улице.

Вы бы хотели перенести использование в вашем городе прогнозной аналитики в 21 век -го -го или, по крайней мере, в 20-й -й век годов. Но как? Вы только что наняли пару 24-летних программистов, чтобы они руководили вашей командой по анализу данных. Они отлично разбираются в данных. Но должны ли они решать, какие проблемы можно решить с помощью этих инструментов? Или решить, как выглядит успех? Вас также не успокаивают продавцы, с которыми взаимодействует город. Они всегда пытаются продать вам самый последний инструмент прогнозирования.Решения о том, как использовать эти инструменты, кажутся вам слишком важными для передачи на аутсорсинг, но поднимают множество новых проблем, которые трудно понять.

Insight Center

Это сочетание энтузиазма и опасений по поводу потенциального социального воздействия машинного обучения характерно не только для местных органов власти или даже для правительства: некоммерческие организации и социальные предприниматели также разделяют это. Энтузиазм вполне уместен. Для решения правильного типа проблемы от использования этих инструментов можно получить огромную пользу.Но есть и беспокойство: как и в случае со всеми новыми «продуктами», существует вероятность неправильного использования. Как мы можем максимизировать пользу при минимизации вреда?

Применяя эти инструменты в последние несколько лет, мы сосредоточились именно на этом вопросе. Мы узнали, что некоторые из наиболее важных проблем находятся в разрыве между дисциплиной, которая создает алгоритмы (информатика), и дисциплинами, которые обычно работают над решением политических проблем (например, экономика и статистика). В результате, некоторые из этих ключевых проблем даже не видны никому.Хорошая новость заключается в том, что многие из этих проблем, если они осознаются, довольно просто решить.

Мы переработали то, что узнали, в «руководство для покупателя». Он предназначен для всех, кто хочет использовать науку о данных для создания общественного блага, но не знает, как действовать дальше.

Как машинное обучение может улучшить государственную политику

Перво-наперво: всегда есть новые «обновки». Особенно в социальной сфере. Стоит ли обращать внимание на эти инструменты машинного обучения?

Да.Это то, что мы пришли к выводу из нашего собственного проекта проверки концепции, применяя машинное обучение к набору данных из более чем одного миллиона судебных дел по облигациям (в совместной работе с Himabindu Lakkaraju и Jure Leskovec из Стэнфордского университета). Вскоре после ареста судья должен решить: будет ли подсудимый ждать своей законной судьбы дома? Или они должны ждать в тюрьме? Это немалый вопрос. Типичный срок тюремного заключения составляет от двух до трех месяцев. Принимая это судьбоносное решение, по закону, судья должен сделать прогноз: в случае освобождения ответчик вернется в суд или пропустит суд? И будут ли они потенциально совершать новые преступления?

Мы считаем, что есть много возможностей для улучшения прогнозов судей.Наши оценки показывают, что если бы мы принимали решения об освобождении до суда, используя прогнозы риска нашего алгоритма вместо того, чтобы полагаться на интуицию судьи, мы могли бы сократить количество преступлений, совершаемых освобожденными обвиняемыми, до 25% без необходимости сажать в тюрьму дополнительных людей. Или, вообще не увеличивая уровень преступности, мы могли бы заключить в тюрьму на 42% меньше людей. Ежегодно в США арестовывают 12 миллионов человек, и этот тип инструмента может позволить нам сократить количество заключенных до нескольких сотен тысяч человек. И такого рода вмешательство относительно дешево.По сравнению с инвестированием миллионов (или миллиардов) долларов в большее количество социальных программ или полиции, стоимость статистического анализа уже существующих наборов административных данных практически равна нулю. Кроме того, в отличие от многих других предложений по улучшению общества, инструменты машинного обучения легко масштабируются.

К настоящему времени политики привыкли слышать подобные заявления в рекламных презентациях, и они должны вызывать определенный скептицизм. Одна из причин, по которой трудно быть хорошим покупателем решений для машинного обучения, заключается в том, что существует так много преувеличенных заявлений.Дело не в том, что люди намеренно искажают результаты своих алгоритмов. Фактически, применение известного алгоритма машинного обучения к набору данных часто является самой простой частью этих проектов. Гораздо более трудная часть и причина, по которой мы боролись с нашим собственным проектом по освобождению под залог в течение нескольких лет, - это точная оценка потенциального воздействия любого нового алгоритма на результаты политики. Мы надеемся, что оставшаяся часть этой статьи, основанная на нашем собственном опыте применения машинного обучения для решения проблем, связанных с политикой, поможет вам лучше оценить эти предложения и сделает вас важным покупателем.

Ищите политические проблемы, которые зависят от прогноза

Наш опыт освобождения под залог показывает, что продуманное применение машинного обучения к политике может дать очень большую прибыль. Но иногда эти инструменты продаются как змеиное масло, как будто они могут решить каждую проблему .

Машинное обучение отлично умеет предсказывать вещи. Он может информировать решения, которые зависят от прогноза, и где то, что нужно предсказать, является ясным и измеримым.

Для Netflix решение - какой фильм смотреть. Netflix собирает данные о большом количестве пользователей, чтобы попытаться выяснить, у каких людей предыдущая история просмотра похожа на вашу, а затем рекомендует фильмы, которые понравились этим людям. Для нашего приложения к досудебным решениям об освобождении под залог алгоритм пытается найти прошлых обвиняемых, которые похожи на того, кто в настоящее время находится в суде, а затем использует уровень преступности этих аналогичных обвиняемых в качестве основы для своего прогноза.

Если принимается решение, которое уже зависит от прогноза, почему , а не помогают информировать это решение с помощью более точных прогнозов? Закон и требует, чтобы судьи судов по облигациям выносили решения об освобождении до суда на основе своих прогнозов риска ответчика.Десятилетия поведенческой экономики и социальной психологии учат нас, что людям будет сложно делать точные прогнозы относительно этого риска, потому что для этого требуются вещи, в которых мы не всегда хороши, например, вероятностное мышление, атрибуция и выводы. Алгоритм делает те же прогнозы, которые уже делают судьи, но лучше.

Но многие решения в социальном секторе не зависят от прогнозов. Иногда мы спрашиваем, работает ли какая-то новая политика или программа - то есть вопросы, которые зависят от понимания причинного воздействия чего-либо на мир.Ответить на эти вопросы нельзя с помощью методов прогнозирования машинного обучения. Вместо этого нам нужны инструменты для установления причинной связи, такие как рандомизированные эксперименты. Кроме того, то, что что-то предсказуемо, не означает, что нам удобно, когда наше решение зависит от этого предсказания. Например, нам может быть неудобно отказать в пособии тому, кто имел право на получение помощи на момент подачи заявления, только потому, что мы прогнозируем, что у них есть высокая вероятность не соблюдать требования программы по поиску работы или не пройти тест на наркотики в будущем.

Убедитесь, что вас устраивает прогнозируемый результат

Алгоритмы наиболее полезны при применении к проблемам, в которых есть не только обширная история прошлых случаев, из которых можно извлечь уроки, но также и четкий результат, который можно измерить, поскольку конкретное измерение результата является необходимой предпосылкой для прогнозирования. Но алгоритм предсказания, сам по себе, будет постоянно фокусироваться на предсказании результата, который вы дадите, как можно точнее за счет всего остального.Это создает опасность: если вас интересуют и других исходов , они будут проигнорированы. Таким образом, даже если алгоритм хорошо справляется с результатом, на котором вы сказали ему сосредоточиться, он может хуже справиться с другими результатами, которые вас интересуют, но не сказали ему предсказать.

Эта проблема неоднократно возникала в нашей работе над решениями об освобождении под залог. Мы обучили наши алгоритмы прогнозированию общего уровня преступности для правозащитников, имеющих право на освобождение под залог. Такой алгоритм рассматривает все преступления как равные. Но что, если судьи (небезосновательно) придают непропорционально большое значение тому, участвует ли обвиняемый в очень серьезном насильственном преступлении, таком как убийство, изнасилование или грабеж? Если посмотреть на общий уровень преступности, может выглядеть так, как будто предсказания алгоритма приводят к «лучшим результатам».Но правило освобождения алгоритма может быть хуже, чем у судей, в частности, в отношении серьезных насильственных преступлений. Возможность этого не означает, что алгоритмы все еще не могут быть полезными. При освобождении под залог выясняется, что разные формы преступлений достаточно коррелированы, так что алгоритм, обученный только одному типу преступлений, в конечном итоге опережает судей почти по всем критериям преступности, которые мы можем придумать, включая насильственные преступления. Дело в том, что результат, который вы выбираете для своего алгоритма, будет определять его.Поэтому вам нужно тщательно подумать о том, что это за результат и что еще он может упустить.

Проверка смещения

Еще один серьезный пример этого принципа - роль гонки в алгоритмах. Существует вероятность того, что любая новая система прогнозирования и принятия решений может усугубить расовое неравенство, особенно в таких областях политики, как уголовное правосудие. Следует соблюдать осторожность: базовые данные, используемые для обучения алгоритма, могут быть предвзятыми, отражая историю дискриминации.А специалисты по обработке данных могут иногда непреднамеренно сообщать о вводящих в заблуждение показателях производительности своих алгоритмов. Мы должны серьезно отнестись к беспокойству о том, могут ли алгоритмы увековечить недостатки, независимо от других преимуществ.

Однако в конечном итоге это эмпирический вопрос. В нашем проекте по освобождению под залог мы обнаружили, что алгоритм действительно может уменьшить расовых различий среди заключенных. Другими словами, мы можем снизить преступность, количество заключенных в тюрьмы на и расовых предубеждений - и все это одновременно - с помощью алгоритмов.

Это не случайность. Подходящим первым эталоном для оценки эффекта от использования алгоритмов является существующая система - прогнозы и решения, уже сделанные людьми. В случае залога мы знаем из десятилетий исследований, что эти человеческие прогнозы могут быть необъективными. У алгоритмов есть форма нейтралитета, которую человеческий разум пытается получить, по крайней мере, в пределах их узкой области внимания. Как мы видели, вполне возможно, что алгоритмы будут служить движущей силой справедливости.Нам следует сочетать нашу осторожность с надеждой.

Урок здесь в том, что если конечный результат, который вас волнует, трудно измерить или включает в себя сложно определяемую комбинацию результатов, то проблема, вероятно, не подходит для машинного обучения. Рассмотрим проблему, когда выглядит как как залог: приговор. Как и залог, вынесение приговора лицам, признанным виновным, частично зависит от риска рецидива. Но вынесение приговора также зависит от таких вещей, как чувство возмездия, милосердия и искупления общества, которое нельзя измерить напрямую.Мы намеренно сосредоточили нашу работу на освобождении под залог, а не на вынесении приговора, потому что это представляет собой точку в системе уголовного правосудия, где закон явно требует узкого прогноза. Даже если есть измеримый единственный результат, вы захотите подумать о других важных факторах, которые не включены в этот результат - как мы сделали с гонкой в ​​случае залога - и поработать со своими специалистами по данным, чтобы создать план чтобы проверить свой алгоритм на предмет потенциальной предвзятости по этим параметрам.

Проверьте свой алгоритм в эксперименте на данных, которых он не видел

После того, как мы выбрали правильный результат, последняя потенциальная ловушка связана с тем, как мы измеряем успех.Чтобы машинное обучение было полезным для политики, оно должно точно прогнозировать «вне выборки». Это означает, что его нужно обучить на одном наборе данных, а затем протестировать на наборе данных, которого он раньше не видел. Поэтому, когда вы предоставляете данные поставщику для создания инструмента, не используйте их часть. Затем, когда поставщик вернется с готовым алгоритмом, вы можете провести независимый тест, используя свой «выдержанный» образец.

Еще более фундаментальная проблема заключается в том, что современные подходы в этой области обычно сосредоточены на показателях производительности, которые для многих приложений изначально ошибочны.Текущая практика состоит в том, чтобы сообщать о том, насколько хорошо алгоритм предсказывает, только среди тех случаев, когда мы можем наблюдать результат. В заявлении об освобождении под залог это означает, что наш алгоритм может использовать данные только о тех подсудимых, которые были освобождены судьями, потому что у нас есть только ярлык , дающий правильный ответ на вопрос о том, совершил ли подсудимый преступление или нет, для подсудимых, которых судьи решили освободить. А как насчет подсудимых, которых судьи решили не освобождать? Имеющиеся данные не могут сказать нам, совершили бы они повторное преступление или нет.

Это затрудняет оценку того, действительно ли какой-либо новый инструмент машинного обучения может улучшить результаты по сравнению с существующей системой принятия решений - в данном случае с судьями. Если какое-то новое правило освобождения на основе машинного обучения хочет освободить кого-то, кого посадили в тюрьму судьи, мы не можем наблюдать за его «ярлыком», так как же нам узнать, что произойдет, если мы действительно освободим его?

Это проблема не только академического интереса. Представьте, что судьи имеют доступ к информации об обвиняемых, которой нет у алгоритма, например к тому, появляются ли члены семьи в суде, чтобы поддержать их.В качестве упрощенного крайнего примера предположим, что судья особенно точно использует эту дополнительную информацию и может применить ее, чтобы точно предсказать, совершат ли молодые обвиняемые повторное преступление или нет. Поэтому судьи освобождают только тех молодых людей, которые не подвергаются риску рецидива. Алгоритм получает данные только о тех молодых людях, которые были освобождены - тех, кто никогда не совершал повторных преступлений. Такой алгоритм, по сути, сделает вывод, что судья совершает серьезную ошибку, заключая в тюрьму так много молодых обвиняемых (поскольку ни один из его данных не продолжает совершать преступления).Алгоритм рекомендует освободить гораздо более молодых подсудимых. Алгоритм был бы неправильным. В результате это может непреднамеренно ухудшить положение мира.

Короче говоря, тот факт, что алгоритм хорошо предсказывает часть тестовых данных, где мы можем наблюдать метки, не обязательно означает , что означает, что он будет делать хорошие прогнозы в реальном мире. Лучший способ решить эту проблему - провести рандомизированное контролируемое исследование, которое широко распространено в медицине. Затем мы могли бы напрямую сравнить, приводят ли решения об освобождении под залог, принятые с использованием машинного обучения, к лучшим результатам, чем решения, принятые по сопоставимым делам с использованием текущей системы принятия судебных решений.Но еще до того, как мы дойдем до этой стадии, нам нужно убедиться, что инструмент достаточно многообещающий, чтобы этически оправдать его тестирование в полевых условиях. В нашем случае залога большая часть усилий ушла на поиск «естественного эксперимента» для оценки инструмента.

Наш естественный эксперимент основан на двух выводах. Во-первых, в пределах юрисдикции судьи, которые рассматривают дела, по существу случайны. Во-вторых, судьи очень разные по своей снисходительности. Это позволяет нам измерить, насколько хороши судьи при отборе дополнительных обвиняемых в тюрьму.Насколько снижает уровень преступности судья с показателем освобождения 70% по сравнению с судьей с показателем освобождения 80%? Мы также можем использовать эти данные, чтобы узнать, насколько хорош алгоритм при отборе дополнительных обвиняемых в тюрьму. Если мы возьмем дело с 80% -ным показателем освобождения и воспользуемся нашим алгоритмом, чтобы выбрать еще 10% обвиняемых для тюремного заключения, сможем ли мы добиться более низкого уровня преступности, чем тот, который получает судья с 70-процентным показателем освобождения? Это сравнение «человек против машины» не сбивается с толку из-за отсутствия ярлыков для обвиняемых, которых судьи заключили в тюрьму, но алгоритм хочет освободить, потому что мы всего лишь просим алгоритм рекомендовать дополнительные задержания (не освобождение).Это сравнение опирается только на ярлыки, которые у нас уже есть в данных, и оно подтверждает, что прогнозы алгоритма действительно приводят к лучшим результатам, чем прогнозы судей.

Может быть ошибочным, а иногда и совершенно вредным, внедрять и расширять новые инструменты прогнозирования, когда они оцениваются только на основе исторических данных с ярлыками, а не оцениваются на основе их влияния на ключевое политическое решение, представляющее интерес. Умные пользователи могут пойти так далеко, что откажутся от использования любого инструмента прогнозирования, который не воспринимает эту задачу оценки более серьезно.

Помните, что мы еще многого не знаем

В то время как машинное обучение сейчас широко используется в коммерческих приложениях, использование этих инструментов для решения проблем политики является относительно новым. Мы еще многого не знаем, но нам нужно будет решить, что делать дальше.

Возможно, наиболее важным примером этого является то, как объединить человеческое суждение и алгоритмическое суждение для принятия наилучших возможных политических решений. В области политики трудно представить переход в мир, в котором алгоритмы фактически принимают решения; мы ожидаем, что вместо этого они будут использоваться в качестве вспомогательных средств для принятия решений.

Чтобы алгоритмы добавляли ценность, нам нужны люди, которые их действительно используют; то есть обратить на них внимание хотя бы в некоторых случаях. Часто утверждается, что для того, чтобы люди захотели использовать алгоритм, они должны действительно понимать, как он работает. Может быть. Но многие ли из нас знают, как работают наши машины, наши iPhone или кардиостимуляторы? Кто из нас променял бы производительность на понятность в собственной жизни, например, отказавшись от нынешнего автомобиля с его загадочным двигателем внутреннего сгорания в пользу автомобиля Фреда Флинтстоуна?

Обратной стороной является то, что директивным органам необходимо знать, когда им следует игнорировать алгоритм.Чтобы люди знали, когда переопределять, им нужно понимать свое сравнительное преимущество перед алгоритмом - и наоборот. Алгоритм может проанализировать миллионы случаев из прошлого и рассказать нам, что происходит в среднем. Но часто только человек может увидеть смягчающее обстоятельство в данном случае, поскольку оно может быть основано на факторах, не учтенных в данных, на которых был обучен алгоритм. Как и с любой новой задачей, вначале люди будут плохо справляться с этим. Хотя со временем они должны стать лучше, было бы очень полезно больше узнать о том, как ускорить эту кривую обучения.

Пара осторожность с надеждой

Путешественник во времени, возвращающийся в начало 20-го века -го и -го, прибудет с ужасными предупреждениями. Одно изобретение могло нанести большой вред. Это станет одной из основных причин смерти, а для некоторых возрастных групп - самой большой причиной смерти. Это усугубит неравенство, потому что те, кто сможет себе это позволить, смогут получить больше рабочих мест и жить более комфортно. Это изменит облик планеты, на которой мы живем, затронув физический ландшафт, загрязняя окружающую среду и способствуя изменению климата.

Путешественник во времени не хочет, чтобы эти предупреждения вызывали поспешную панику, которая полностью препятствует развитию автомобильного транспорта. Вместо этого она хочет, чтобы эти предупреждения помогли людям пропустить несколько шагов вперед и последовать более безопасному пути: сосредоточиться на изобретениях, которые делают автомобили менее опасными, построить города, обеспечивающие легкий общественный транспорт, и сосредоточиться на транспортных средствах с низким уровнем выбросов.

Путешественник во времени из будущего, говорящий с нами сегодня, может прийти с аналогичными предупреждениями о машинном обучении и поощрить аналогичный подход.Она может способствовать распространению машинного обучения, которое поможет решать самые сложные социальные проблемы и улучшить жизнь многих. Она также напоминала нам, чтобы мы были внимательны и пристегивались ремнями безопасности.

.

навыков решения проблем | SkillsYouNeed

Каждый может извлечь выгоду из наличия хороших навыков решения проблем, поскольку все мы сталкиваемся с проблемами ежедневно. Некоторые из этих проблем явно более серьезны или сложны, чем другие.

Было бы замечательно иметь возможность без труда решать все проблемы эффективно и своевременно, хотя, к сожалению, не существует единого способа решения всех проблем.

Прочитав наши страницы, посвященные решению проблем, вы обнаружите, что это сложный предмет.

Как бы хорошо мы ни были подготовлены к решению проблем, всегда есть элемент неизвестности. Хотя планирование и структурирование помогут сделать процесс решения проблемы более успешным, здравый смысл и элемент удачи в конечном итоге определят, было ли решение проблемы успешным.


Межличностные отношения терпят неудачу, и бизнес терпит неудачу из-за плохого решения проблем.

Это часто происходит из-за того, что проблемы не распознаются, либо они не распознаются, но не решаются должным образом.

Навыки решения проблем очень востребованы работодателями, поскольку многие компании полагаются на своих сотрудников при выявлении и решении проблем.

Большая часть работы по решению проблем включает в себя понимание того, каковы на самом деле основные проблемы проблемы, а не ее симптомы. Рассмотрение жалобы клиента может рассматриваться как проблема, которую необходимо решить, и это почти наверняка хорошая идея. Сотрудник, работающий с жалобой, должен спросить, что в первую очередь вызвало у клиента жалобу. Если причину жалобы можно устранить, то проблема решена.

Для того, чтобы эффективно решать проблемы, вам, вероятно, потребуются некоторые другие ключевые навыки, в том числе:

  • Творчество. Проблемы обычно решаются либо интуитивно, либо систематически. Интуиция используется, когда новые знания не требуются - вы знаете достаточно, чтобы быстро принять решение и решить проблему, или вы используете здравый смысл или опыт для решения проблемы. Более сложные проблемы или проблемы, с которыми вы раньше не сталкивались, вероятно, потребуют более систематического и логического подхода для решения, и для их решения вам потребуется творческое мышление.См. Нашу страницу Creative Thinking для получения дополнительной информации.

  • Исследование навыков. Для определения и решения проблем часто требуется некоторое исследование: это может быть простой поиск в Google или более тщательный исследовательский проект. См. Наш раздел Research Methods для идей о том, как проводить эффективные исследования.

  • Работа в команде. Многие проблемы лучше всего определять и решать с участием других людей.Работа в команде может звучать как «работа», но она так же важна как дома и в школе, так и на рабочем месте. См. Нашу страницу Team-Working для получения дополнительной информации.

  • Эмоциональный интеллект. Стоит учитывать влияние проблемы и / или ее решения на вас и других людей. Эмоциональный интеллект, способность распознавать эмоции себя и других поможет вам найти подходящее решение. См. Наши страницы Emotional Intelligence для получения дополнительной информации.

  • Управление рисками. Решение проблемы сопряжено с определенным риском - этот риск необходимо сопоставить с нерешением проблемы. Вы можете найти нашу страницу Risk Management полезной.

  • Принятие решений . Решение проблем и принятие решений - это тесно связанные навыки, и принятие решения является важной частью процесса решения проблемы, поскольку вы часто будете сталкиваться с различными вариантами и альтернативами.См. Decision Making для получения дополнительной информации.

Мерилом успеха является не то, есть ли у вас сложная проблема, а то, является ли это той же проблемой, что и в прошлом году.

Джон Фостер Даллес, бывший государственный секретарь США.


В чем проблема?

Краткий Оксфордский словарь (1995) определяет проблему как:

« Сомнительный или сложный вопрос, требующий решения »

и

« Что-то трудное для понимания, выполнения или решения.”

Стоит также рассмотреть наш собственный взгляд на проблему.

Мы постоянно открыты для возможностей в жизни, на работе, в школе и дома. Однако многие возможности упускаются или не используются в полной мере. Часто мы не уверены, как воспользоваться возможностью и создать препятствия - причины, по которым мы не можем этим воспользоваться. Эти препятствия могут превратить потенциально позитивную ситуацию в негативную, в проблему.

Мы упускаем из виду «большую проблему»? Человеческая природа - замечать и сосредотачиваться на мелких, легко решаемых проблемах, но гораздо труднее работать над большими проблемами, которые могут вызывать некоторые из более мелких.

При возникновении проблемы полезно рассмотреть следующие вопросы.

Проблема реальна или мнима?

Действительно ли эта проблема - возможность?

Нужна ли проблема в решении?


Все проблемы имеют две общие черты: цели и препятствия.

Голы

Проблемы включают стремление к достижению некоторой цели или желаемого состояния дел и могут включать в себя избегание ситуации или события.

Целями могут быть все, чего вы хотите достичь или где хотите быть. Если вы голодны, ваша цель, вероятно, что-нибудь съесть. Если вы являетесь главой организации (генеральным директором), то вашей главной целью может быть максимизация прибыли, и эту главную цель, возможно, придется разделить на множество подцелей, чтобы достичь конечной цели увеличения прибыли.

Заграждения

Если бы не было преград на пути к цели, не было бы проблем.Решение проблем предполагает преодоление барьеров или препятствий, мешающих немедленному достижению целей.

Следуя нашим примерам выше, если вы чувствуете голод, ваша цель - поесть. Препятствием может быть то, что у вас нет еды, поэтому вы отправляетесь в супермаркет и покупаете немного еды, устраняя барьер и тем самым решая проблему. Конечно, для генерального директора, желающего увеличить прибыль, может быть гораздо больше препятствий, мешающих достижению цели. Генеральный директор должен попытаться распознать эти препятствия и устранить их или найти другие способы достижения целей организации.


Наши страницы решения проблем обеспечивают простой и структурированный подход к решению проблем.

Упомянутый подход обычно предназначен для решения проблем в контексте организации или группы, но также может быть легко адаптирован для работы на индивидуальном уровне дома или в образовании.

Однако попытка решить сложную проблему в одиночку может быть ошибкой. Старая пословица « Общая проблема - это проблема, уменьшенная вдвое» - хороший совет.

Разговор с другими о проблемах не только терапевтический, но и может помочь вам взглянуть на вещи с другой точки зрения, открывая больше потенциальных решений.


Этапы решения проблемы

Эффективное решение проблем обычно включает проработку ряда шагов или этапов, таких как описанные ниже.

Идентификация проблемы:

Этот этап включает в себя: обнаружение и распознавание проблемы; определение характера проблемы; определение проблемы.

Первый этап решения проблемы может показаться очевидным, но часто требует дополнительных размышлений и анализа. Выявление проблемы само по себе может оказаться сложной задачей.Есть ли вообще проблема? В чем суть проблемы, действительно ли проблем много? Как лучше всего определить проблему? Потратив некоторое время на определение проблемы, вы не только сами поймете ее более четко, но и сможете сообщить о ее природе другим, что приведет ко второй фазе.

Структурирование проблемы:

Этот этап включает в себя: период наблюдения, внимательного изучения, установления фактов и выработки четкой картины проблемы.

Следуя выявлению проблемы, структурирование проблемы сводится к получению дополнительной информации о проблеме и углублению понимания.Этот этап посвящен поиску и анализу фактов, построению более полной картины как цели (целей), так и препятствия (й). Этот этап может быть необязательным для очень простых задач, но необходим для задач более сложной природы.

Ищем возможные решения:

На этом этапе вы создадите ряд возможных вариантов действий, но с небольшими попытками оценить их на этом этапе.

На основе информации, собранной на первых двух этапах схемы решения проблем, пришло время подумать о возможных решениях выявленной проблемы.В групповой ситуации этот этап часто проводится как мозговой штурм, позволяющий каждому члену группы высказать свое мнение о возможных решениях (или частичных решениях). В организациях разные люди будут иметь разный опыт в разных областях, поэтому полезно услышать мнения каждой заинтересованной стороны.

Принятие решения:

Этот этап включает тщательный анализ различных возможных вариантов действий и затем выбор лучшего решения для реализации.

Это, пожалуй, самая сложная часть процесса решения проблемы. Следуя предыдущему шагу, пришло время взглянуть на каждое возможное решение и внимательно его проанализировать. Некоторые решения могут оказаться невозможными из-за других проблем, таких как нехватка времени или бюджета. На этом этапе важно также подумать о том, что могло бы произойти, если бы ничего не было сделано для решения проблемы - иногда попытка решить проблему, которая приводит к множеству других проблем, требует очень творческого мышления и новаторских идей.

Наконец, примите решение, какой образ действий предпринять - принятие решений само по себе является важным навыком, и мы рекомендуем вам просмотреть наши страницы, посвященные процессу принятия решений .

Реализация:

Этот этап предполагает принятие и выполнение выбранного курса действий.

Реализация означает действие в соответствии с выбранным решением. Во время реализации может возникнуть больше проблем, особенно если идентификация или структурирование исходной проблемы не было выполнено полностью.

Мониторинг / поиск обратной связи:

Последний этап - это анализ результатов решения проблемы за определенный период времени, включая поиск обратной связи относительно успешности результатов выбранного решения.

Заключительный этап решения проблемы связан с проверкой того, что процесс прошел успешно. Это может быть достигнуто путем мониторинга и получения обратной связи от людей, затронутых любыми произошедшими изменениями. Хорошая практика - вести учет результатов и любых дополнительных проблем, которые возникли.


Для получения более подробной информации об этапах решения проблем перейдите к Выявление и структурирование проблем .


.

Смотрите также