Існує кілька орієнтирів для організацій, що бажають випробувати партисипативні програми управління продуктивністю:
(1) програма починається з оцінки концепції стратегії фірми і готовності застосувати цю систему у себе;
(2) оцінюється готовність колективу й у першу чергу керівного складу бути однодумним у здійсненні цієї програми;
(3) необхідно проаналізувати фінансові і трудові ресурси з погляду проведення семінарів;
(4) можливості фірми здійснити матеріальне стимулювання працівників, що будуть відповідально відноситися до здійснення цієї програми;
(5) можливості фірми швидко переорієнтуватися у випадку невдачі, тобто аналізується гнучкість управління фірмою і її окремими підрозділами, аналізується рівень керованості всією системою.
Якщо в результаті підготовки до здійснення партисипативних програм усі ці орієнтири позитивні, то тоді за допомогою консалтингової фірми розробляється модель управління продуктивністю і починається її впровадження. Часто фірми не ризикують переводити на ці програми відразу всі підрозділи, і тому починають як би з точкових оптимізаційних моделей, що стосуються або тільки виробничих структур або ж якогось одного виробу, частіше на стадії його готовності. На цих «помпонах» відпрацьовується система управління, а потім після аналізу отриманих результатів розробляється і впроваджується широкомасштабна партисипативна програма.
3.2. Методи прогнозування продуктивності.
В даний час існує декілька найбільше часто застосовуваних методів прогнозування продуктивності:
1.Одним з найбільш часто зустрічаємих методів є метод гармонійних ваг, що був запропонований польським статистиком Зиґмундом Хелвігом. Основна ідея цього методу полягає в спостереженні тимчасового ряду і потім усі наявні спостереження зважуються таким чином, що більш пізнім спостереженням віддається більше значення в прийнятті прогнозних рішень, ніж раніше отриманим результатам. Такий метод прогнозу дозволяє обчислити середній приріст показників, а потім оцінити значення отриманих приростів у кожному наступному приросту. Чим більше динамічний ряд, тим більше система рівнянь, і в результаті вирішення яких виходить ряд гармонійних ваг. На основі цього ряду розраховують середню величину приросту і прораховують відхилення від цієї середньої. Отримані результати обробляються за допомогою розрахунку середньоквадратичних відхилень, і отриманий результат являє собою припустимий коридор змін, і закладається на прогнозний період.
Цей метод апробувався на великих масивах інформації і якщо економічна ситуація сильно не міняється, то одержують високо ймовірні цифри на перспективу.
2.Наступний метод використовуваний в прогнозуванні називається метод експонентного згладжування. Він був розроблений Р. Брауном і його сутність у тому, що часовий ряд згладжується за допомогою зваженої рухливої середньої величини, у якій ваги підпорядковані експонентному закону. Ця середня може служити як для прогнозних розрахунків, так і для оцінки отриманих поточних результатів, оскільки вона характеризує значення процесів продуктивності на останньому етапі планованого (звітного) періоду. Цей метод використовується у випадках, коли коливання показника не настільки велике і коли середнє відхилення не перевищує 10-12%. На основі отриманої кривої будується перспективна крива, відхилення показників якої знову ж не повинні перевищувати установленого відсотка.
3.Метод побудови авторегресійних моделей. При аналізі динаміки і побудові прогнозів виникає необхідність перевірити гіпотезу про те, що зміни з показників продуктивності, які відбуваються, є функцією часу. Залежність від часу виявляється через характеристики внутрішніх структурних процесів за минулі періоди.
Такими характеристиками можуть служити значення досліджуваних показників за ряд попередніх моментів часу.
Модель стаціонарного процесу виражає значення продуктивності у вигляді лінійної комбінації кінцевих результатів і називається моделлю авторегресії. Застосування цих моделей можливо, коли з попереднього економічного аналізу відомо, що досліджуваний процес у значній мірі залежить від свого розвитку в попередні періоди і, таким чином, випадкові величини попадають у системну залежність і стають тією вихідною базою, що використовується для прогнозу. Дуже часто в процесі прогнозування використовується об'їдена модель авторегресії. Ця модель побудована на визначенні й оцінки змінного середнього коефіцієнта, по динаміці якого формується система рівнянь, рішення якої дозволяє відносно точно спрогнозувати динаміку продуктивності. Ці моделі в практиці прогнозування носять назви АРИСС-моделі. Якщо використовувати метод адаптивної фільтрації вихідних показників, то точність АРИСС-моделей значно підвищується. Оскільки показник продуктивності є багатомірним показником, то використовується метод автокореляції гребньової регресії і таким шляхом будуються моделі прогнозу продуктивності на основі просторово-часової інформації з обліком мультиколінеарності, що дозволяє досягти найбільше реальних показників на перспективу.
4.Побудова моделей прогнозу продуктивності праці на основі просторово-часової інформації.
Моделі прогнозу на основі просторово-часової інформації засновані на методах, які дещо відрізняються від раніше розглянутих. В основі побудови цих моделей лежить метод, сутність якого в: якщо в нас є n-на кількість часових рядів значень продуктивності, і вони відбивають вплив факторів на кожний з цих рядів, то зміни, що відбуваються, описуються як лінійними, так і статечними функціями. З їхньою допомогою визначаються прирости по кожному ряду і якщо ці ряди відбивають динаміку продуктивності ряду підприємств, то отримані прирости складають просторово-часову інформацію про діяльність цих підприємств за певний проміжок часу.
За допомогою лінійних або статечних функцій визначаються фактори, найбільш вагомі для показника продуктивності. Оскільки не для кожного підприємства фактори будуть неоднакові, то виходить система, що описується регресійними моделями. Побудова такої моделі складається з етапів:
-розрахунок трендів, що описують динаміку продуктивності по кожному підприємству;
-розрахунок факторів, їх вагомості і трендів по кожному підприємству;
-побудова багатофакторної моделі, що сполучає приріст факторів і приріст продуктивності;
-по отриманих коефіцієнтах будується матриця, яка служить вихідною величиною для оцінки ситуації з динамікою продуктивності в регіоні чи галузі.
Регресійна модель дозволяє на основі сформованої динаміки визначити можливості росту продуктивності на найближчу перспективу від факторів, що є найбільш вагомими і діючими для аналізу часових рядів. Крім того, аналізуються і визначаються найбільш впливові фактори для досліджень сукупності, і які надалі використовуються для управління показником продуктивності для сукупності.
На перспективу будується часовий ряд показників продуктивності з розбивкою по роках. По закінченні кожного року зіставляється прогнозний результат з фактичним і уточнюється питома вага впливу раніше установлених факторів на рівень продуктивності. Потім на основі отриманих результатів уточнюється прогнозний результат наступних періодів (років), і якщо аналіз факторів вимагає коректування, то на наступний прогнозний період складається план заходів, що містить у собі управління і новий фактор. Таким шляхом здійснюється регулювання процесів управління продуктивністю, як на рівні підприємства, так і великою сукупністю.