Аналитические измерения – это набор учетных признаков, которые могут быть присвоены каждой хозяйственной операции. Аналитические отчеты это данные объектов учета и управления, сгруппированные по нескольким измерениям.
На пересечении осей измерений находятся данные, количественно характеризующие события, факты, процессы (объемы продаж, остатки товаров на складах, прибыль, затраты и т. д.).
Оси измерений позволяют создавать многомерную модель данных (гиперкуб), над которым можно выполнять следующие операции:
- срез;
- вращение;
- консолидация или детализация.
Операция среза позволяет выделить из многомерного куба те данные, которые соответствуют зафиксированному (указанному) значению одного или нескольких элементов измерений.
Операция вращения – это изменение расположения измерений в пространстве, что, возможно, облегчит принятие решений.
Операции консолидации и детализации предназначены либо для агрегирования данных (обобщения) либо для их детализации. Осуществить эти операции можно благодаря иерархии, установленной среди измерителей.
Хранилище данных относится к одному из перспективных направлений развития систем формирования решений. Как правило, современные ERP-системы оснащены средствами их создания. Например, система MS Navision полностью поддерживает идею хранилищ данных, что позволяет получить аналитическую информацию для принятия решений.
Исходные данные вводятся в основную базу данных после чего средствами MS Navisin, в соответствии с используемыми измерениями, формируется хранилище данных в виде куба. Основные базы данных используются для оперативной обработки данных и выдачи оперативных отчетов. Аналитические отчеты, необходимые для формирования решений, создаются в виде таблиц или графиков (диаграмм) для чего подключается MS Excel.
9. Базы знаний и их применение для формирования экономических решений
База знаний – это одна из форм информационного моделирования, представляющая собой знания человека (эксперта, специалиста), помещенные в память компьютера в соответствии с некоторой моделью. Модель, как известно, - это правила или соглашения, выполнение которых позволяет представить некоторую сферу знаний в том виде, которая позволяет использовать формальные (программные) средства для их обработки (получение новых знаний).
Существует множество моделей представления знаний. Для рассмотрения выделим следующие:
-семантические сети;
-деревья выводов;
- нечеткие множества.
Семантическая сеть – это ориентированный граф, вершины (узлы) которого соответствуют понятиям моделируемой предметной области, а дуги – отношениям между ними. В качестве понятий обычно выступают конкретные или абстрактные объекты, а отношений – связи. В отличие от всех других моделей базы знаний могут содержать описание связей в явной форме, указанных с помощью синтаксических, семантических и прагматических отношений.
Пояснить базу знаний легче в сравнении с базой данных, так как различия между ними нечеткие (размытые). Анализируя базу данных и базу знаний можно заметить, что в базе данных информация более скудная. Таким образом, отличие баз знаний от баз данных состоит в том, что первые содержат связи между объектами в явной форме, тогда как у вторых эти связи скрыты.
Дерево вывода – это множество объединенных правил, отражающих условия выполнения некоторого процесса. Правила представляют собой языковую конструкцию вида:
ЕСЛИ <условие, ct(условия)>, ТО <заключение, ct(заключения)> ct(правила),
где ct(условия) – коэффициент определенности условия;
ct(заключения) - коэффициент определенности заключения;
ct(правила) - коэффициент определенности правила.
Коэффициент, равный 0, указывает на полную неопределенность, а 1 – на полную определенность. В правиле эксперт указывает значения в этом диапазоне. Множество правил объединяются в дерево вывода.
Дерево целей является дальнейшим совершенствованием целевого управления, развиваемым в нашей стране с семидесятых годов прошлого столетия. В основу его построения положено понятие цели, измерение достижения которой осуществляется с помощью значений соответствующих экономических показателей. Например, уровень достижения цели “Увеличить рентабельность предприятия” можно измерить показателем “Рентабельность” в числовом диапазоне от 0 до 1. Цель “Увеличить рентабельность предприятия с 0,3 до 0,5” в дереве целей указывается именно таким образом.
В процессе создания моделей баз знаний специалисты сталкиваются с проблемой отражения и использования нечеткой, то есть неопределенной информации. Задачи, решаемые человеком, в большинстве случаев опираются именно на нечеткие, размытые и неопределенные знания о процессах или событиях.
Нечеткие множества.
Знания человека в большинстве случаев нечеткие. Человек оперирует такими понятиями как высокий, низкий, горячее, холодное, бедный, богатый и т. д. в повседневной производственной практике и в быту. Для того чтобы такого рода знания можно было использовать для формирования решений, в 1965 году Л. Заде предложил теорию нечетких множеств. В основе данной теории лежит понятие функции принадлежности, которая указывает степень принадлежности какого-либо элемента некоторому множеству элементов. Данная функция является субъективной и строится на основании знаний, опыта или ощущений некоторого субъекта к какому-либо объекту, процессу, явлению и т. д.
Вводится U – полное множество, охватывающее все объекты некоторого класса. Нечеткое подмножество F множества U определяется через функцию принадлежности 
, где 
. Эта функция отображает элементы u множества U на множество чисел в отрезке [0,1], которые указывают степень принадлежности этих элементов множеству F.
Нечеткое множество F можно представить следующим образом:
Знак + указывает не на сложение, а на совокупность, а знак / - не деления, а на степень принадлежности.
1. Модели как основа использования компьютеров в
практике управления
Модель (лат. modulus) – это объект-заменитель объекта-оригинала. Поэтому процесс замены одного объекта другим можно назвать моделированием.
Модель – это не только представление каких-либо объектов или процессов, но и отражение самого субъекта (творца модели) в созданной им модели: его целей, опыта, знаний и т. д. Так как модель фиксирует отношение субъекта к миру, поэтому по ней можно реконструировать, то есть воспроизвести его самого. Это объясняется тем, что в той мере, в какой в модели представлен мир таким, каким он является познающему субъекту, в ней также содержится своеобразный “портрет” субъекта, то есть характер и система его убеждений.
С появлением компьютеров стало быстро развиваться математическое моделирование. Под математическим моделированием подразумевается процесс установления соответствия реальному объекту математического объекта, отражающего цели моделирования. Вид модели зависит от а) цели моделирования и б) природы моделируемого объекта. Математические модели, в соответствии с природой воспроизводимых процессов, можно разделить на детерминированные, стохастические, логико-лингвистические и сетевые (информационные).
Особое место в информатике занимают информационные модели, предназначенные для отражения информационных связей между объектами. Особенность такого рода моделей заключается в их графическом представлении, но при этом имеется возможность матричного или аналитического способа их изображения. Наиболее распространенными формами такого рода моделей являются: диаграммы потоков данных, сети Петри, сети управления и планирования, модели баз данных, модели баз знаний и т. д. Большинство бизнес-процессов воспроизводятся с помощью диаграмм потоков данных.
2. Информационное моделирование экономических процессов
Информационные модели отражают информационные потоки между различными объектами, отношения между ними, содержат идентификаторы объектов, объемные, временные, частотные и другие характеристики, как самих объектов, так и входящих и исходящих потоков данных, а также последовательность выполнения расчетов.
Цель информационного моделирования состоит в отражении в наглядной форме процесса формирования и движения управленческих документов (входных и результирующих), потоков внешней и внутренней информации на машинных носителях. Частным случаем информационных моделей являются модели баз данных – реляционные, сетевые, иерархические и т. д., и модели баз знаний – деревья вывода, семантические сети, деревья целей, фреймы и т. д.
Остановимся на двух типах информационных моделей, получивших наибольшее распространение в практике управления экономическими объектами:
- диаграммы потоков данных (ДПД);
- графовые модели.
Графовые модели, как правило, дополняют ДПД, но в ряде случаев могут выступать и в качестве самостоятельного средства моделирования.
Диаграммы потоков данных (DFD – Data Flow Diagrams) создаются для адекватного отражения информационных потоков, составляющих содержание экономических процессов (бизнес-процессов). Для их построения используется всего четыре элемента: объекты, потоки данных, процессы и накопители данных.
Объекты – это источники и преемники данных (информационных сообщений: заказчики, поставщики, персонал, склад, цех, бухгалтерия и т. д.). Обозначаются они в виде квадрата или прямоугольника, левая сторона которого имеет утолщение (см. рис. 7.2). Прямоугольники, обозначающие одинаковые объекты, имеют перечеркнутый правый нижний угол.
Поток данных изображается стрелкой (горизонтальной или вертикальной). Направление стрелки указывает направление потока. Если поток идет в двух направлениях, то используется двойная стрелка. Поток данных всегда должен быть идентифицирован, т. е. иметь надпись, отражающую его содержание.
Процессы воспроизводятся в виде прямоугольника с закругленными углами, в котором указываются: идентификатор процесса, его имя и место реализации. В нижнем секторе указывается исполнитель данного процесса.
Накопители данных – это центры возникновения и хранения данных, каждый из которых идентифицируется буквой D. Если процесс сохраняет данные, то стрелка потока данных направлена от процесса к накопителю, а если считывает данные, то из накопителя к процессу (см. рис. 7.4).
Реальные экономические процессы сложны и поэтому их воспроизведение осуществляется поэтапно. Вначале создают общие диаграммы, называемые контекстными, которые затем детализируются.
Процесс “Обработка заказов” достаточно общий для того, чтобы его можно было алгоритмизировать, поэтому требуется детализация, то есть деление на два „Проверка заказов” и ”Размещение и содержание заказов. Каждый из процессов, в случае необходимости, может детализироваться далее.
Накопители данных в ДПД приобретают различные формы. Если организована оперативная обработка данных (OLTP-технология), то такой формой служит база данных, если аналитическая (OLAP-технология), то хранилища данных.
Процессы, отраженные ДПД в виде закругленных прямоугольников, рано или поздно на некотором уровне детализации, должны содержать формулы для расчета экономических показателей. Если таковых много, и, при этом, расчет с помощью одних показателей требует предварительного расчета других, то для правильной ориентации в последовательности расчетов можно использовать ориентированные графы.
Под графом понимается множество точек, над которыми заданы отношения. Отношения могут задаваться графически с помощью связывающих точки линий или матриц смежности. Точки называют узлами или вершинами, а линии – дугами. Дуги могут быть ориентированными, или нет. В информационных графовых моделях, как правило, используются ориентированные дуги (стрелки), отражающие либо направление расчетов, либо направление движения информационного потока, либо исходную и результирующую информацию. Одним из вариантов информационной модели, наглядно отображающей взаимосвязь между входной и результирующей информацией, служит схема, в верхней части которой находятся входные документы, а в нижней – результирующие. Стрелки указывают направление информационных потоков.
3. Методы компьютерного решения экономических задач
В повседневной практике управления современным предприятием используется огромное количество методов, на основании которых решаются экономические задачи: оптимизационные, имитационные, статистические, сетевые и т. д. Значительная часть задач экономической ориентации сводится либо к прямому счету (прямая задача), либо к обратному (обратные вычисления).
Прямые задачи – это констатирующие задачи, что означает следующее: заданы значения исходных показателей, на основании которых рассчитываются результирующие, что можно представить как 
,
где 
- результирующий показатель; 
- исходные показатели.
Примером прямой задачи может служить рентабельность, рассчитываемая на основании таких исходных показателей как: прибыль, основные и оборотные средства.
Задачи данного класса известны как транзакционные (OLTP - On-line Transaction Processing), то есть те, что предназначены для оперативной обработки данных.
Обратные вычисления, в отличие от задач прямого счета, предназначены для поиска тех значений исходных показателей, которые обеспечат желаемое значение результирующего. Искомыми величинами будут приросты (положительные или отрицательные) исходных показателей, то есть: 
,где 
- желаемый прирост результирующего показателя;
- искомые приросты исходных показателей, которые могут быть как с положительными, так и с отрицательными знаками.
Примером обратной задачи может служить следующая постановка: известен уровень рентабельности предприятия в процентах, каковы должны быть прибыль, основные и оборотные средства, обеспечивающие повышение рентабельности на n%.
В практике управления задачи такого рода еще называют аналитическими (OLAP - On-line Analytical Processing). Они предназначены для подготовки информации в процессе формирования решений.
Цели решения прямых и обратных задач разные: прямые решаются для того, чтобы определить фактическое состояние предприятия, зависящее от его уже происшедших производственно-хозяйственных и финансовых операций), а аналитические (Как сделать чтобы?) - для того, чтобы сформировать управленческое решение.
4. Этапы компьютерного решения экономических задач
Если речь идет лишь об одной задаче, то разработка ее компьютерного решения осуществляется в следующей последовательности:
Домашинная фаза решения задачи
1. Маркетинговые исследования. Поиск и обоснование пути компьютерного решения задачи.
2. Выбор метода решения задачи
3. Выполнение постановки задачи.
4. Разработка контрольного примера и инструктивно-методической документации.
Машинная фаза решения задачи
5. Составление программы решения задачи.
6. Отладка программы.
7. Опытная эксплуатация и промышленная эксплуатация.
Домашинная фаза решения задачи
Первый этап предназначен для экономического обоснования целесообразности применения компьютера для автоматизации некоторых расчетов.
Для того чтобы обосновать необходимость компьютерного решения задачи необходимо выявить причины, указывающие на целесообразность применения информационной технологии. Причиной может служить, например, потребность в снижении транспортно-заготовительных расходов, сокращении производственного цикла по заказным изделиям, сокращении задержек с отгрузкой готовой продукции и т. д.
Второй этап предназначен для выбора метода решения задачи и осуществления её постановки. Если выбран первый путь в реализации задачи, то есть, сделана ориентация на готовый программный продукт, то постановка задачи и выбор метода ее решения не производится, так как это уже сделано производителем программного продукта. В задачу пользователя входит его адаптация, т. е. привязка к специфике управляемого объекта, на основании инструкции.
Если же выбран второй, либо третий путь реализации задачи, то в этих случаях необходимо указать или разработать метод ее решения: для расчетной (транзакционной) задачи, указывается метод прямого счета, а для аналитической задачи указывается метод обратных вычислений. Если задача оптимизационная, статистическая, имитационная, логическая, нечеткая и прочая, то в любом случае пользователь должен осуществить ее постановку.
Третий этап. Типовая постановка экономической задачи содержит описание её организационно-экономической сущности, стандартное описание входной результирующей и условно-постоянной информации, описание алгоритма решения. Раздел организационно-экономической сущности задачи содержит результаты изучения и описания ее содержания стандартными средствами, предназначенными для воспроизведения информационных потоков. Удобнее всего это можно сделать с помощью графики ДПД и таблиц, количественно описывающих информационные процессы.
Для несложных расчетов, в которых фигурируют экономические показатели, для написания формул можно воспользоваться следующими рекомендациями:
- все показатели разделить на входные и результирующие.
- во входном показателе выделить реквизиты-признаки и реквизит-основание.
Реквизиты-признаки в дальнейшем будут служить индексами для выполнения логических операций (группировка, сортировка, поиск). Их можно кодировать малыми латинскими буквами (i, j, k,…).
Реквизит-основание, используется для выполнения арифметических операций. Его можно закодировать большими буквами (S, П, А,…).
Четвертый этап. На данном этапе осуществляется разработка контрольного примера, предназначенного для проверки правильности созданного алгоритма. Контрольный пример – это ограниченная совокупность реальных данных, на которых проверяется корректность алгоритма, а впоследствии проверяется работоспособность программы.
Машинная фаза решения задачи (пятый, шестой и седьмой этапы) предназначена для создания собственно программы, проведению опытной, а за тем ее промышленная эксплуатация. Здесь же разрабатывается и инструктивно-методическая документация по применению компьютерной программы. Документация может создаваться для пользователей различных категорий: для конечного пользователя, для программистов, для операторов.
Постановка и решение экономической задачи
Постановка задачи – это описание хода решения задачи по определенным правилам, дающее представление о сущности автоматизируемого процесса и логике преобразования исходных данных для получения результата. Студенту в контрольной работе предлагается использовать упрощенный вариант постановки, включающий одну (или несколько) форму первичного документа и взаимосвязанные с ним файлы условно-постоянной информации. Описываются также результирующие документы, которые следует получить в результате решения задачи. Постановка задачи данного направления имеет стандартную структуру, состоящую из следующих разделов:
1.Организационно-экономическая сущность задачи
2.Описание входной информации и методов ее контроля
3.Описание условно-постоянной информации
4.Описание результирующей информации
5.Описание алгоритма решения задачи
В приложении обязательно должны быть приведены образцы первичных и результирующих документов.
5. Постановка и решение аналитической задачи для формирования решений в среде MS Navision
В отличие от постановок задач оперативной обработки данных, аналитические задачи не требуют разработки алгоритмов, так как они являются достаточно сложными для конечного пользователя. Используемые методы и алгоритмы уже существуют в соответствующем программном обеспечении, которое поддерживает аналитическую обработку данных. Не входит в функции аналитика также и поддержка информационного куба с помощью процедур ввода данных. Рассмотрим, каким образом осуществляется постановка задачи и ее решение средствами OLАP-технологий в среде MS Navision.
Часть 1. Постановка задачи
Постановка для аналитических задач не содержит процедур ввода исходной информации, так как это не входит в обязанности аналитика. Отсутствует здесь также и условно-постоянная информация. Вместо этого должна быть описана существующая модель хранилища данных с помощью измерений, используемых в процессе решения аналитической задачи.
OLAP – технология основывается на использовании многомерных хранилищ данных, которые позволяют анализировать информацию в разрезе трех различных измерений из множества возможных измерений. Множество измерений зависит от числа объектов. В качестве объектов могут выступать: товар, время (период), регион, исполнитель, финансовый счет и др. На пересечении осей измерений находятся различные экономические показатели: выручка (объемы продаж), затраты, прибыль, себестоимость.
Если студент выбрал OLАP-технологию, то постановка задачи должна содержать следующие разделы:
1. Организационно-экономическая сущность задачи
1.1.Наименование задачи (В названии задачи указывается цель ее решения, например, “Анализ ритмичности поставок” или “Анализ объемов продаж по регионам и товарным группам”).
1.2. Для кого предназначены результаты решения (приводится название отдела или лицо, принимающее решение, для которого решается задача).
1.3.Общая характеристика предметной области и проблемы (“Общая характеристика предметной области и проблемы” указывается сфера интересов лица, принимающего решение. Такими сферами могут быть: продажи, закупки, цены, склады, бюджет и т. д. В каждой сфере имеются различные стороны.)
1.4.Цель решения задачи (“Цель решения задачи” сформулированная в п. 1.3 проблема должна быть перефразирована в цель, достижение которой позволит ликвидировать проблему, например, “Составить отчет и график продаж, отражающие тенденции продаж по товарным группам” или “Cоставить аналитический отчет по транспортным затратам и регионам“.)
2.Описание входной информации
В данном разделе описываются все измерения объекта или процесса, согласно которым строится хранилище данных и реализуется OLAP- технология. Для определения измерений предварительно необходимо сформулировать анализируемый показатель, зависящий от измерений.
3. Описание результирующей информации
В данном разделе выполняется табличное описание результирующей информации, если составляется отчет в виде таблицы. Если кроме таблицы выдается диаграмма или график, то указывается их тип согласно нотации MS Word.
1. Общая характеристика методов формирования решений
Принятие решения – это всегда выбор определенного направления деятельности из нескольких возможных. Следует различать два процесса: формирование решения и принятие решения. Формирование решения – это подготовка исходных данных и их обработка таким образом, что бы было ясно последствия его принятия. Принятие решения – это изучение различных вариантов их последствий и утверждение одного из них.
Оперативные решения принимаются в условиях определенности. Поэтому процесс их принятия является относительно рутинным и почти без проблемным. Параметры (характеристики) производства, используемые в процессе принятия решения, определены, их оценка известна с требуемой точностью.
Тактические решения обычно принимаются управленцами среднего уровня, ответственными за обеспечение средствами для достижения целей и намерений, поставленных ЛПР верхнего звена. Ответы на такие вопросы как: "Каковы должны быть кредитные лимиты для определенного класса заказчиков?", "При каких условиях давать скидку заказчику?"
Стратегические решения принимаются на основе целей компании, определенных в его уставе и уточненных высшим руководством предприятия. Эти цели определяют основу, на которой должно базироваться долгосрочное планирование, а также определение критических факторов деятельности предприятия.
Принимаемые решения можно классифицировать по следующим признакам:
- по степени определенности;
- по критериальности;
- по коллективности.
Известно три степени определенности: полная определенность, рисковая ситуация и неопределенность.
Принятие решений в условиях определенности.
А). Под определенностью понимается ситуация, при которой каждому варианту решения известен вполне определенный набор последствий. Для расчетов, как правило, применяются детерминированные зависимости, а исходные данные достаточно достоверны. При этом:
- задача хорошо формализована (имеется модель решения);
- существует критерий оценки качества решения;
- последствия принятия решения можно предвидеть.
Б). Принятие решений в условиях риска.
В этом случае каждый вариант решения характеризуется несколькими ситуациями, которые могут наступить с разной вероятностью и, при этом, известны для каждого варианта набор последствий. Вероятность может быть вычислена, для чего должны быть статистические данные.
В). Принятие решений в условиях неопределенности.
Эти задачи возникают при условии применения в процессе принятия решений неточной, неполной или слабо структурируемой информации. Формальные модели либо отсутствуют, либо сложны. Вероятности наступления событий не определяются.
С помощью следующего признака все задачи принятия решений можно разделить на два класса:
- однокритериальные;
- многокритериальные.
Если процесс принятия решения характеризуется несколькими критериями, то должен быть способ их согласования. Это позволит ответить на вопрос: Какое соотношение между оценками является наилучшими?
- Последний признак делит все задачи принятия решений на те, что принимаются одним лицом и те, что принимаются коллективом.
2. Этапы принятия решений и критерии их оценки
Практика принятия решений многообразна. Однако все они реализуются по определенной схеме, подсказываемой здравым смыслом. Для того чтобы принять эффективное решение необходимо выполнить ряд работ, складывающихся из отдельных этапов, процедур и операций. Среди многочисленных подходов к формированию решений выделим трехэтапную модель Г. Саймона, являющуюся основой для реализации большинства известных на сегодня технологий.
На первом этапе применяются в основном неформальные методы для того, чтобы:
а) сформулировать проблему, которую следует решить;
б) выявить цель принятия решения;
с) сформулировать критерий оценки результатов принятия решений.
1. Проблема выражает объективно возникающий в процессе управления вопрос, решение которого диктуется интересами лица принимающего решение (ЛПР).
Если проблема осознана и идентифицирована количественными показателями или качественными признаками, то далее можно сформулировать цели. Цель – это антипод проблемы. Если проблема это то, чего не хочет ЛПР, то цель – это то, к чему он стремиться.
Достижение целей возможно различными путями – альтернативами. Для их оценки может быть использована теория полезности. Выведена формула для расчета среднего результата, который будет получен после принятия решения. Если имеется две альтернативы, то формула имеет вид:
, где 
- математическое ожидание результата принятия решения, 
- вероятность появления результата 
;
- вероятность появления результата ; 
- альтернативы принятия решения.
Если среди показателей выбрать тот, который, по мнению ЛПР, в наибольшей степени характеризует соответствие объекта управления заданному целевому назначению, то он и будет играть роль критерия оценки вариантов решений. Критерий – это показатель привлекательности вариантов решений. Формулировать критерий следует так, чтобы наиболее предпочтительная оценка состояния, объекта или процесса указывала на его желаемое значение.
На втором этапе формирования решений происходит поиск их различных вариантов – альтернатив. Варианты могут отыскиваться в различных формах (действия, состояния, маршруты, стоимости и т. д.). Задаются они, как правило, либо перечислением, если таковых не очень много, либо описанием их свойств. Генерация вариантов решений в большинстве случаев выполняется либо с помощью различного рода аналитических моделей, либо с помощью баз знаний экспертных систем.
Альтернативы могут быть зависимыми и независимыми. Если действие над какой-либо альтернативой не влияет на качество других, то такая альтернатива является независимой. При зависимых альтернативах оценки одних из них оказывают влияние на качество других.
На третьем этапе, согласно сформулированному на первом этапе критерию выбора, происходит сопоставление, оценка и выбор решения на основании ранжирования результатов, которые могут быть получены.
3. Формирование решений средствами таблиц
Простейшим методом оценки последствий принятия решений является оценка с помощью таблицы "Стоимость – эффективность". Критерием выбора в данном случае выступает максимальный доход на единицу затрат. Метод требует расчета общих затрат и общих доходов по каждому из вариантов.
Таблица "Стоимость – эффективность" может быть использована лишь в том случае, если каждый из вариантов оценивается на основе одного критерия. Если же применяется больше одного критерия, то создается таблица "Стоимость - критерий". В ней представляются варианты решений, оцениваемые с различных точек зрения. Допустим, четыре варианта капитальных вложений необходимо оценить с позиций трех критериев: близость расположения к железной дороге (транспортные затраты), близость расположения к водоемам (затраты на транспортировку воды), наличие в данной местности работоспособного населения (затраты на перевозку людей).
Элементами таблицы могут быть как абсолютные величины, указывающие на затраты или доходы, так и относительные, например ранг варианта, вычисленный на основе таблицы "Стоимость – эффективность". В последней строке таблицы указываются коэффициенты значимости каждого из критериев оценки. Это та качественная информация, которая собственно и отличает систему формирования решений от формальных оптимизационных методов. Здесь, лицо, принимающее решение вносит свой опыт и знание в процесс оценки вариантов. Сумма коэффициентов значимости всех критериев должна быть равна единице: 0,6 + 0,3 + 0,1 = 1.
Общая оценка каждого из вариантов рассчитывается по формуле:
, где 
- общая оценка i-го варианта решения; 
- вес j- го критерия; 
-результат, который может быть получен при i-м варианте; согласно j-го критерия. Средствами электронной таблицы Excel можно решить две задачи: Что будет, если? и Как сделать, чтобы? Первая задача решается достаточно просто: пользователь, изменяя исходные данные, может получить различные варианты решения.
Вторая задача - "Как сделать, чтобы?" состоит в определении таких исходных данных, которые обеспечат необходимый результат. Для ее решения в среде MS Excel следует указать показатель, используемый в качестве цели, и показатель, который следует вычислить, чтобы добиться ее достижения.
4. Формирование решений в условиях определенности
Понятие определенности является относительным. Под определенностью будем понимать ситуацию, когда каждой альтернативе решения соответствует известный набор последствий. Это значит, что:
- задача хорошо формализована (существует модель решения);
- существует критерий оценки качества решения;
- последствия решения известны.
В иерархии управления формулируются цели, соответствующие определенному уровню управления. На самом высоком уровне находятся цели, носящие директивный характер. Эти цели называют также траекторными.
Директивные цели всегда детализируются. Процесс детализации носит иерархический характер. В результате получают дерево целей. Нижний уровень дерева целей превращается в мероприятия, которые следует выполнить для достижения директивной цели.
Если можно сформулировать цель решения задачи, декомпозировать ее на подцели, а затем, указать формулы для расчета уровня достижения каждой подцели, то процесс принятия решений можно представить с помощью дерева целей, на котором выполняются два вида расчетов: прямые и обратные.
Решения с помощью деревьев целей формируют в два этапа:
1. Выполняют прямые расчеты, для того, чтобы определить фактическое состояние предприятия (каков фактический уровень достижения главной цели).
2. Выполняют обратные вычисления, для того, чтобы узнать какие меры следует предпринять, чтобы достичь желаемый уровень главной цели.
Для выполнения обратных вычислений необходимо указать следующее:
1. Ограничения на терминальные узлы дерева целей (ограничения на ресурсы).
2. Приоритеты в достижении целей.
3. Направления в изменении уровня достижения целей (знак плюс или минус).
Решением задачи является множество значений терминальных узлов дерева целей, которые служат управляющими воздействиями для конкретных структурных подразделений.
5. Формирование решений в условиях неопределенности
Существует измеримая неопределенность, то есть риск, и неизмеримая – собственно неопределенность. Риск вычисляется на основе статистических данных, а неопределенность не вычисляется. Ее величина устанавливается на основе субъективных знаний человека. Источниками неопределенности служат либо неполнота знаний о фактах или событиях, либо свойство объекта, которое принципиально невозможно измерить.
Рассмотрим процесс формирования решений с помощью экспертной системы, ориентированной на процессы инвестирования. Допустим, перед руководством предприятия возникла проблема принятия решения о вложении средств в акции другого предприятия. Сформулируем гипотезу следующим образом: Акции данного предприятия являются перспективными. Тогда задача состоит в расчете коэффициента определенности данной гипотезы в диапазоне от 0 до 1. Фрагмент дерева вывода, представленный на рис. 8.9, содержит три правила. Правила находятся в табл. 8.6, а их расшифровка - в табл. 8.7.
Правила дерева вывода
ДОБАВИТЬ ТАБЛИЦУ
Расшифровка обозначений в дереве вывода
ДОБАВИТЬ ТАБЛИЦУ
Современные экспертные системы, используемые для формирования решений, в большинстве случаев базируются на базах знаний. Как правило, в основе такого рода систем лежат различные деревья выводов. Экспертные системы являются одним из результатов исследований в области искусственного интеллекта и рассматриваются в качестве программного средства, которое позволяет представить знания специалистов высокой квалификации о предметной области. Экспертные системы воспроизводят осознанные мыслительные усилия человека.
Центральным элементом экспертной системы является база знаний, которая отражает знания специалиста-эксперта в соответствии с какой-либо моделью (деревья вывода, деревья целей, семантические сети и т. д.).
Блок логического вывода, необходимый, для обработки базы знаний с целью получения новых знаний.
Блок объяснений, который служит для воспроизведения хода получения новых знаний в случае, если этого потребует пользователь.
Блок приобретения знаний, необходимый для периодической замены устаревших знаний и ввода новых.
Как правило, экспертные системы содержат еще и базы данных, содержащих информацию о фактическом состоянии объекта управления.
В экономике экспертные системы используются для консультаций по выработке инвестиционных решений, выбору стратегии маркетинга, кредитованию юридических лиц и т. д.
6. Формирование решений в условиях риска
В условиях риска можно использовать деревья решений, если альтернативы, отражающие варианты решения, находятся в отношениях соподчиненности. Как правило, условия появления альтернатив носят качественный характер и определяются вероятными величинами.
Иерархические отношения удобно представлять в виде дерева: дуги дерева отражают альтернативы частичных решений, а узлы – результаты. Таким образом, получают дерево решений, с помощью которого можно представлять вероятностные (частотные) характеристики условий.
Рассмотрим пример. Допустим лицу, принимающему решение, известно два варианта повышения уровня рентабельности:
1. Произвести продукцию А в количестве 100 ед. и продать ее по цене 10 ед. за штуку. Себестоимость единицы продукции составляет 8 ед.
2. Произвести продукцию В в количестве 50 ед. и продать ее по цене 20 ед. за штуку. Себестоимость единицы продукции составляет 18 ед.
Для упрощения задачи будем считать, что в случае неблагоприятного рынка для какой либо продукции предприятие терпит убытки по ее себестоимости. Тогда в случае благоприятного рынка предприятие получит от продажи продукции следующий доход:
1. От продукции А: d1=100 · 10=1000 ед.
2. От продукции В: d2= 50 · 20= 1000 ед.
При неблагоприятном рынке оно будет убыточным:
1. От продукции А: d1=-100 · 8= -800 ед.
2. От продукции В: d2= - 50 · 18= -900 ед.
Построим дерево решений, на котором отразим последовательность событий от корня к листьям, а затем выполним расчет доходов (убытков) в обратном направлении.
1. На дереве решений представлены альтернативные варианты, при которых предприятие ожидают доходы или убытки. Так как отсутствует информация о рынке, будем считать, что он одинаково благоприятен или неблагоприятен для обоих видов продукции.
Вывод: целесообразным будет вариант 1, т. е. производство продукции А.
Можно пойти на некоторые затраты с целью получения информации о конъюнктуре рынка, что позволит уточнить насколько рынок будет благоприятен для того или иного товара.
В данном случае выгоднее выбрать вариант 2, т. е. производство продукции В.
7. Формирование решений с помощью нейросетей
Нейросетевые технологии, в отличие от экспертных систем, предназначены для воспроизведения неосознанных мыслительных усилий человека (например, человек плохо знает, как он узнает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т. е. обучаются тому, что требуется пользователю.
Известны следующие основные сферы применения нейросетей:
1. Экономика и бизнес: предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют.
2. Интернет: ассоциативный поиск информации.
3. Автоматизация производства: оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации.
Искусственные нейросети состоят из искусственных нейронов. Искусственный нейрон представляет собой математическую модель естественного нейрона, имеющего несколько входов (вектор входных сигналов) и один выход. Этот выход направлен либо к другому нейрону, либо к выходу из нейронной системы. Вектор входных сигналов преобразуется нейроном в выходной сигнал с использование сумматора и специального нелинейного преобразователя.
Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синаптическим весом.
Применение нейросетей предполагает выполнение следующих этапов:
1. Постановка задачи: формирование цели применения нейросети (например, прогнозирование курса ценных бумаг).
2. Обучение нейросети: подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети и предъявление их ей.
3. Эксплуатация сети: сети предъявляется некоторая ситуация, которая либо распознается, либо нет.
Известно два вида обучения: с учителем и без такового.
Преимущества нейросетей.
1. Способность обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами.
2. Нейросети могут обучаться на неполной, противоречивой и искаженной информации.
3. Для использования нейросетей не требуются профессионалы-математики.
4. Не требуется выполнение условия отсутствия взаимосвязи между входными факторами, как это требуется в регрессионном анализе.
Нейронные сети реализуются либо аппаратным, либо программным способом. Аппаратная реализация возможна в виде нейрокомпьютеров, нейроплат и нейроБИС (больших интегральных схем).
Аппаратная реализация используется там, где необходима высокая скорость обработки межнейронных соединений. При этом их стоимость достаточно высока. Если высокая скорость не требуется, то используется программный аналог нейросети. В оперативной памяти строится модель нейросети, которая может обучаться на примерах.
8. Формирование решений с помощью нечетких множеств
Формирование решений на основе нечетких множеств проводится в три этапа:
1. Построение функций принадлежности, которые соответствуют понятиям критериев оценки.
2. Определяются значения функций принадлежности по критериям оценки.
3. Производится свертка информации для выявления лучшей альтернативы на основе операции пересечения нечетких множеств.
Рассмотрим условный пример. Пусть к банку за кредитом обратилось два предприятия, кредитоспособность которых будет оцениваться по трем критериям: коэффициент текущей ликвидности, коэффициент финансирования и рентабельность собственных средств.
Каждый из коэффициентов может рассматриваться в качестве критерия оценки кредитоспособности предприятия. Но понятия «хороший» или «плохой» тот или иной коэффициент нечеткие, поэтому необходимо указать их функции принадлежности. Они равны:
Например, число 0,98 получено следующим образом: фактическое значение 
для предприятия 
равно 1,52. Ближайшее теоретическое значение функции принадлежности равно 1 при значении данного коэффициента, равном 1,5. Поэтому фактическое и теоретическое значение данного коэффициента будем считать равными, что позволяет использовать значение функции принадлежности, равное 1. Для второго предприятия фактическое значение равно 2,07. Ближайшее значение функции принадлежности к данному числу равно 0,5. Поэтому, используя его, определяем значения функции принадлежности.
Наличие значений функций принадлежности позволяет выполнить процедуру свертки для выявления наилучшего претендента на выдачу кредита. Для этого вначале выполняется операция пересечения множеств, то есть выбирается минимальное значение функции принадлежности среди значений, отражающих приемлемость коэффициентов по каждому критерию для каждого предприятия в отдельности.
Результирующий вектор, позволяющий выявить претендента на кредитование, получают за счет выполнения операции объединения результатов предыдущей операции, то есть:
Таким образом, выбирается второе предприятие, для которого значение функции принадлежности максимальное и равняется 0,4.
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 |
