Содержание к диссертации
Введение
Глава 1. Теоретические основы оптимизации управленческих решений
1.1. Роль и место принятия решений в технологии управленческих процессов на предприятии 12
1.2. Методы оптимизации управленческих решений: систематика и алгоритмы 23
1.3. Математическое обеспечение методов оптимизации управленческих решений 36
Выводы по главе 1 45
Глава 2. Использование методов интеллектуального анализа данных в управлении промышленным производством
2.1. Технология интеллектуального анализа данных в современном управлении 46
2.2. Применение методов интеллектуального анализа данных 62
2.3. Анализ функций управления и задач руководителей, в решении которых целесообразно использовать системы интеллектуального автоматического анализа данных 87
Выводы по главе 2 94
Глава 3. Разработка методики оптимизации управленческих решений с использованием методов ИАД
3.1. Общая схема процедур интеллектуального анализа данных 95
3.2. Систематика и классификация резервов повышения эффективности управленческих решений, которые целесообразно принимать с использованием методов ИАД 119
3.3. Формализованный язык управления: ресурсный подход 132
Выводы по главе 3 152
Заключение 153
Список использованной литературы
- Методы оптимизации управленческих решений: систематика и алгоритмы
- Применение методов интеллектуального анализа данных
- Анализ функций управления и задач руководителей, в решении которых целесообразно использовать системы интеллектуального автоматического анализа данных
- Систематика и классификация резервов повышения эффективности управленческих решений, которые целесообразно принимать с использованием методов ИАД
Методы оптимизации управленческих решений: систематика и алгоритмы
Однако необходимо упомянуть о слабых местах моделирования. Любая экономическая модель неполна по определению. В процессе ее построения выделяются основные факторы воздействия и игнорируются те факторы, сила воздействия которых невелика, но все-таки существует.
В зависимости от свойств объекта, методов, целей и особенностей описания экономико-математические модели могут быть классифицированы по целому ряду признаков. Такими признаками могут являться: степень упрощения структуры объекта (модели агрегированные и детализированные); степень упрощения свойств, элементов и структурных отношений моделируемого объекта (модели детерминированные, вероятностные, с риском и неопределенностью); глубина охвата структурной организации объекта (модели производственно-технологической структуры, модели структуры экономики, социальной структуры общества, модели окружающей среды и т.п.); тип изменения переменных (модели с непрерывными, дискретными переменными и смешанного типа) [42, 52].
С точки зрения рассматриваемого объекта модели делят на макроэкономические и микроэкономические. Макроэкономические модели описывают экономику как единое целое, связывая между собой укрупненные материальные и финансовые показатели: ВНП, ВВП, потребление, инвестиции, занятость, процентные ставки, количество денег и др. Микроэкономические модели описывают взаимодействие структурных и функциональных составляющих экономики, либо поведение отдельного такого элемента во внешней среде. Примером микроэкономического моделирования может служить модель стратегического поведения фирмы в условиях олигополии, построенная с использованием аппарата теории игр.
Теоретические модели описывают общие свойства экономики и ее характерных элементов с помощью дедукции выводов из формальных предпосылок. Прикладные модели дают возможность оценить параметры функционирования конкретного экономического объекта и сформулировать рекомендации для принятия практического решения. К таким моделям прежде всего относят экономет-рические модели, оперирующие числовыми значениями экономических переменных и позволяющие статистически значимо оценивать их на основе имеющихся наблюдений.
При изучении объектов рыночной экономики особое место занимают равновесные модели. Они описывают такое состояние объекта, когда результирующая всех сил, стремящихся вывести его из данного состояния, равна нулю. В нашей стране долгое время преобладал нормативный подход в моделировании, основанный на оптимизации. В теории рыночной экономики оптимизация присутствует в основном на микроуровне; на микроуровне результатом рационального выбора поведения оказывается некоторое состояние равновесия.
В статистических моделях описывается состояние экономического объекта в конкретный момент или период времени. В динамические модели включают взаимосвязи переменных во времени. Динамическая модель не сводится к простой сумме ряда статистических моделей, а описывает силы и взаимодействия в экономике, определяющие ход процессов в ней. Динамические модели обычно используют аппарат дифференциальных и разностных уравнений, вариационное исчисление.
Рассматривая связи между переменными, различают детерминированные и стохастические модели. Детерминированные модели предполагают жесткие функциональные связи между переменными. Стохастические модели допускают наличие случайных воздействий на исследуемые показатели и используют методы теории вероятностей и математической статистики [42].
Одной из самых важных задач экономико-математического моделирования является построение целевой функции системы. В таблице 3 приведены основные принципы построения целевых функций.
На этапе постановки задачи определяется основная цель моделирования, формулируются условия, при которых решается задача. Данный этап начинается с изучения объекта моделирования. Постановка задачи, в сущности, самый важный этап построения модели, так как решения, цели, критерии, принятые на этой стадии, определяют впоследствии эффективность всей модели. На стадии постановки задачи следует оценить как можно больше различных вариантов цели, критериев моделирования, различных точек зрения на проблему, ради которой строится модель. Этап постановки задачи может включать также изучение уже решенных аналогичных задач, обзоры по смежным вопросам и др. Постановка задачи заканчивается подробным содержательным описанием объекта, определением цели моделирования и критериев ее достижения.
Под формализацией задачи понимают запись поставленной задачи в виде математических символов и обозначений. Стройная система обозначений может значительно облегчить дальнейшие операции по построению модели. Выбор оптимального для сформулированной задачи метода моделирования коренным образом влияет на эффективность построенной впоследствии модели. Очень часто после формализации модель существенно изменяется, что влечет за собой и изменение метода моделирования. Иногда одну и ту же задачу можно решить различными методами. Это не означает, что необходимо выбрать один из них. Одни методы могут помогать в использовании других на всех этапах моделирования. При выборе метода также необходимо учитывать имеющиеся ресурсы, такие как кадры, технологические мощности, возможное время решения, финансовые возможности и т.п.
Процесс построения модели заключается в окончательном установлении ее структуры, переменных, точном определении целевой функции и критериев достижения целей. Процесс моделирования является собственно нахождением модели с использованием выбранных методов моделирования. После получения очередного приближения необходимо проводить текущий анализ точности полученной модели и в зависимости от его результатов корректировать направление изысканий. После получения достаточно точной модели производят тщательный анализ ее достоверности, слабых сторон, точности и применимости. Такой анализ необходимо проводить не на тех статистических данных, исполь 36 зуя которые была построена модель, а на отличных от них. После доработки проводится экспериментальная проверка модели в производстве. Практическое внедрение модели должно осуществляться по плану при постоянном контроле всех этапов внедрения. Хорошо разработанная модель позволяет более полно проанализировать ситуацию, понять движущие силы ее развития, роль тех или иных факторов и на основе этого принять эффективное управленческое решение. В этом параграфе исследованы основные методы оптимизации управленческих решений, их сущность и цели, классификация, принципы и методики применения. Ниже сделан анализ основных инструментов математического аппарата, применяемого в процессе управления предприятиями.
Применение методов интеллектуального анализа данных
Несмотря на обилие методов НАД, приоритет постепенно все более смещается в сторону логических алгоритмов поиска в данных ifhen правил. С их помощью решаются задачи прогнозирования, классификации, распознавания образов, сегментации БД, извлечения из данных "скрытых" знаний, интерпретации данных, установления ассоциаций в БД и др. Результаты таких алгоритмов эффективны и легко интерпретируются.
Вместе с тем, главной проблемой логических методов обнаружения закономерностей является проблема перебора вариантов за приемлемое время. Известные методы либо искусственно ограничивают такой перебор (алгоритмы КОРА, WizWhy), либо строят деревья решений (алгоритмы CART, CHAID, ID3, See5, Sipina и др.), имеющих принципиальные ограничения эффективности поиска ifhen правил. Другие проблемы связаны с тем, что известные методы поиска логических правил не поддерживают функцию обобщения найденных правил и функцию поиска оптимальной композиции таких правил. Удачное решение указанных проблем может составить предмет новых конкурентоспособных разработок.
Учитывая сказанное можно констатировать, что интеллектуальные деловые системы решают все более сложные задачи и область их применения расширяется на все новые участки человеческой деятельности.
Прежде чем перейти к рассмотрению реализации конкретных методов интеллектуального анализа данных необходимо остановиться на основных технологиях работы с массивами данных. На сегодняшний день наиболее прогрессивной технологией является технология хранилищ данных (data warehouse).
Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных для поддержки процесса принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. Интегрированность означает, что данные удовлетворяют требованиям всего предприятия (в его развитии), а не единственной функции бизнеса. Тем самым хранилище данных гарантирует, что одинаковые отчеты, сгенерированные для различных аналитиков, будут содержать одинаковые результаты. Привязанность ко времени означает, что хранилище можно рассматривать как совокупность данных, каждое из которых связано с определенным моментом времени. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются.
В этом контексте наиболее актуальной проблемой является обеспечение интегрированного взгляда на сложный объект управления в целом, комплексного анализа собранных о нем сведений и извлечения из огромного объема детализированных данных некоторой полезной информации - знаний о закономерностях развития.
В соответствии с иерархией существуют разные уровни хранения данных (см. рис.13). Так, например, компания IBM при управлении деловой информацией разделяет три уровня хранения данных. На верхнем уровне этой архитектуры находится глобальное хранилище, в котором объединена вся деловая информация в масштабе предприятия. На среднем уровне расположены хранилища масштаба отдела, содержащие информацию конкретного делового подразделения, группы пользователей или отдела. Эти хранилища могут создаваться либо непосредственно из операционных систем, либо из глобального хранилища. Такие хранилища часто называют витринами данных (data mart). На нижнем уровне архитектуры находятся прочие хранилища данных, которые могут содержать информацию, отвечающую потребностям отдельных пользователей или отдельных приложений. Примером использования хранилища данных последнего типа могут быть финансовые данные, извлекаемые из информационного хранилища масштаба отдела и загружаемые финансовым аналитиков в отдельное хранилище для моделирования.
Хранилище данных редко бывает одним, готовым продуктом. Чаще всего это чистая концепция, которая реализуется соединением воедино нескольких продуктов (как программных, так и аппаратных) различных компаний-производителей. Основные программные части хранилища: программы доступа к источникам данных и преобразования информации, сервер базы данных хранилища и программа управления хранилищем (администратор). Кроме этого важную часть хранилища составляют так называемые метаданные, то есть данные, описывающие информационное и системное содержание хранилища. Как правило, метаданные находятся в отдельной базе данных, работающей под управлением СУБД хранилища.
Хранилище данных должно обладать модульностью и технологичностью. Не всегда необходимо внедрять весь комплекс работы с данными на предприятии сразу. Это может быть вызвано разными причинами: от нехватки средств в данный момент, до неспособности предприятия резко перестроить свою работу. Поэтому система должна состоять из модулей, каждый из которых позволяет решить ту или иную задачу, причем эти модули должны без особого труда добавляться в работающую систему в произвольной последовательности. И что самое главное они по возможности должны быть независимы друг от друга, при сохранении глубокой интеграции между ними.
Теперь, когда мы рассмотрели основные технологии хранения данных, мы можем перейти к рассмотрению самих методов интеллектуального анализа данных.
Нейронные сети. Нейронные сети - это класс аналитических методов с архитектурой, условно имитирующей нервную ткань из нейронов. Нейронная сеть является существенно параллельным распределенным процессором, который имеет естественную предрасположенность к запоминанию опытного знания и к использованию его. Математическая модель нейрона представляет собой некоторый универсальный нелинейный элемент с возможностью широкого изменения и настройки его характеристик. Нейронная сеть может рассматриваться как направленный граф с взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей нейронные сети могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
Анализ функций управления и задач руководителей, в решении которых целесообразно использовать системы интеллектуального автоматического анализа данных
Приведение формы данных. Второй этап при анализе данных методами ИАД состоит в том, чтобы привести эти данные к форме, которая пригодна для применения тех или иных конкретных систем ИАД. Часто имеются технологические, экономические и другие причины, по которым данные целесообразно собирать в виде, не пригодном для исследования их методами ИАД. Представим, что у нас есть данные, описывающие, какие-либо тексты. Допустим, мы хотим построить автоматический рубрикатор, автоматический классификатор каких-то аннотаций, текстов, сообщений, новостей и т.д. Информация, которую мы имеем, - это сами тексты в электронном виде, но практически ни одна из существующих систем ИАД не может работать с текстами непосредственно. Для того чтобы нам работать с текстами, мы должны из этой текстовой информации получить какие-то производные параметры. Например, частоту встречаемости тех или иных слов, среднюю длину предложений, какие-то параметры, характеризующие сочетаемость тех или иных слов в предложении и т.д. В общем случае, мы должны, выработать некий набор числовых или нечисловых параметров, характеризующих данный объект.
Эта задача наименее автоматизирована в том смысле, что выбор системы этих параметров производится человеком, хотя, конечно сами параметры могут вычисляться автоматически в рамках некоторой технологии первичной обработки данных. После выбора описывающих параметров изучаемые данные могут быть представлены в виде прямоугольной таблицы, где каждая строка представляет собой отдельный случай, объект или состояние изучаемого объекта. Практически все имеющиеся системы ИАД работают только с прямоугольными таблицами.
Полученная прямоугольная таблица пока еще тоже является неподготовленным материалом для методов ИАД по множеству причин. Она может содержать параметры, которые невариабельны, имеют в своих полях одинаковые значения или поля, которые имеют, наоборот, в каждой записи разные значения. Допустим, имеется в таблице какое-то категориальное поле, но оно таково, что во всех записях его значения различны. Тогда ясно, что мы никак не можем использовать это поле в нашем анализе данных, и его надо исключить.
Кроме этого, этих полей может быть очень много, и если мы все их включим в исследование, то это сильно увеличит нам время счета, потому что для практически всех методов ИАД характерна сильная зависимость времени счета от количества параметров, количества полей (не менее чем квадратичная, а нередко и экспоненциальная). Поэтому в качестве предобработки данных необходимо, во-первых, выделить то множество атрибутов, которые наиболее важны в контексте данного исследования, отбросить явно неприменимые из-за константности или чрезмерной вариабельности и выделить те, которые наиболее вероятно войдут в искомую зависимость. Для этого, как правило, используются быстрые статистические методы, основанные на применении корреляционного анализа, линейных регрессий и т.д., то есть те методы, которые позволяют быстро, но приближенно оценить вероятность того, что какой-то параметр влияет на другой.
Подготовка значений. Кроме подготовки данных в столбцах, и по атрибутам необходимо провести и подготовку данных по записям. Допустим, у нас имеется массив данных, состоящий из записей некоторого фиксированного формата. Часть полей в этих записях рассматриваются нами как независимые или входные переменные, остальная часть полей рассматривается как зависимые переменные. Наша цель - ответить на вопрос, зависят ли значения последних от значений входных переменных, а если зависят, то как. В случае если зависимая переменная состоит из нулей и единиц (булевая переменная), наша задача называется задачей классификации. Если зависимая переменная содержит действительные числа, то эта задача может быть названа задачей нахождения функциональной связи. Любая реальная база данных обычно содержит ошибки, неточно измеренные значения, записи, соответствующие каким-либо исключительным ситуациям, и другие дефекты, которые могут резко понизить эффективность применяемых на следующих этапах методов ИАД. Такие записи необходимо отсеивать. Действительно, даже если такие значительно выделяющиеся точки не являются ошибками, а представляют собой редкие исключительные ситуации, они все равно вряд ли могут быть использованы, потому что по нескольким точкам невозможно статистически значимо судить о поведении искомой зависимости в области этих исключительных точек.
Кроме того, данные, как правило, бывают представлены в разных единицах, что влечет за собой большие отличия их абсолютных единиц (на порядок и более). Следовательно, для корректного анализа их необходимо нормировать. Хорошие результаты также достигаются при исследовании не самих исходных параметров, а их производных величин, вычисленных с помощью операторов и функций.
Можно привести пример, который касается ситуации, когда мы анализируем динамические системы, временные ряды. Задачи анализа временных рядов всегда достаточно сложны и решаются довольно тяжело. Задача становится еще более тяжелой, когда данные, описывающие поведение изучаемой системы во времени не есть временной ряд какого-либо параметра или параметров, а, последовательность векторов произвольной длины. В качестве примера можно привести данные, описывающие историю рынка государственных краткосрочных облигаций, где на каждый момент имеется некоторая совокупность выпусков облигаций, и каждая облигация характеризуется каким-то набором параметров: время до ее погашения, цена, объем сделок по ней и т.д. Причем в разные моменты времени существования рынка количество этих облигаций разное. Поэтому описание текущего состояния рынка в неподготовленном виде не имеет неизменного формата, а имеет разную длину в разное время, и, следовательно, для того, чтобы применять какие-либо методы ИАД, необходимо вычислять некоторый фиксированный набор производных параметров, которые включали бы информацию о ценах, объемах этих бумаг и т.д. Например, такой естественной производной является средняя доходность бумаг по рынку
Систематика и классификация резервов повышения эффективности управленческих решений, которые целесообразно принимать с использованием методов ИАД
Мы используем в данном исследовании следующую терминологию. Будем называть ресурсом единичный объект, например, сумму денег, пять дней или конкретного человека. Типом ресурса мы будем называть множество ресурсов, имеющих одинаковое выражение. Например, 5 рублей, 10 рублей и 12 рублей мы можем определить, как один тип ресурса - рубли. Видом ресурса мы будем называть множество типов, имеющих один или несколько существенных признаков. Например, наличные деньги и безналичные деньги можно объединить в один вид ресурса - деньги. Классом ресурса мы будем называть множество видов ресурса. Например, деньги, обязательства, ценные бумаги, денежные суррогаты можно определить как класс «финансы». Эта иерархия несколько условна в том смысле, что вложенность уровней определяется только целесообразностью формализации и, вообще говоря, может быть любой.
Свойства ресурсов делятся на два вида: постоянные и переменные. Постоянное свойство не изменяется во времени и присуще ресурсу на всем протяжении его существования. Переменные свойства дискретны и могут занимать конечное число состояний. Вообще, свойства ресурса также можно объединить в классы, типы, виды. С этой позиции свойство ресурса - также объект. Причем изменение этого объекта также может приводить к изменению прибыли.
Для свойств ресурсов должны быть разработаны унифицированные (подходящие для всех видов предприятий и должностей в них) шкалы оценки. Эти шкалы могут быть как количественные, так и категориальные, описательные, булевые и др. Важно то, что одна такая шкала должна однозначно описывать свойство ресурса вне зависимости от конкретных условий его существования.
Процедура формализации ресурса заключается в построении системы классов (видов, типов) ресурсов, и в определении возможных свойств и состояний каждого такого множества. При этом мы должны помнить, что наша задача состоит не в том, чтобы как можно более полно описать ресурс, а в том, чтобы, во-первых, создать такое формальное описание ресурса, которое позволит нам однозначно определить отдельный ресурс, а, во-вторых, эффективно использовать это определение для построения и проверки эффективности моделей.
Для этой цели мы можем использовать следующие приемы: исключение несущественных характеристик; агрегирование; изменение характера ресурса (рассмотрение непрерывных параметров, как дискретных).
Мы выяснили, что с каждым ресурсом можно совершать конечное количество операций, то есть действий по его перемещению, преобразованию или обмену. Таким образом в случае конкретного предприятия в конкретный момент времени, мы имеем систему с определенным числом объектов, и при этом с каждым объектом разрешено совершать конечное число операций. Вспомним, что ранее мы определили управление, как процесс перемещения, обмена или преобразования ресурсов и их свойств. Мы получили полностью формализованную модель управления. На практике управление осуществляется с помощью внедрения моделей. Именно на основе какой-либо модели происходят операции с ресурсами. Таким образом, модель предприятия в целом является метасистемой по отношению к моделям управления отдельными ресурсами.
Оперируя ресурсами, предприятие создает материальный или нематериальный объект. Если это материальный объект, то это продукция (товар). Если нематериальный - услуга. Реализуя его (обменивая ресурс одного вида на ресурс другого вида), предприятие получает финансовый ресурс, который направляется либо на покупку новых ресурсов для продолжения деятельности, либо изымается в виде прибыли. Рассмотрим возможные способы формализации классов ресурсов.
Финансовый класс ресурсов наиболее хорошо формализован. Учет его строго ведется на каждом предприятии. Операции с ним определены. Типы, виды и классы финансового ресурса сгруппированы в бухгалтерском балансе. Одним из главных свойств финансовых ресурсов является стоимость. Стоимость - это выражение финансового ресурса в денежных единицах. Это свойство переменное. Например, фактически стоимость финансового ресурса может зависеть от курса доллара. Финансовый ресурс может быть обменен на любой другой ресурс или на другой вид (тип) финансового ресурса.
С точки зрения изменения прибыли материальным объектом можно назвать любой объект, который можно измерить тем или иным способом, и который предстает в материальном виде. Это для нас очень важно, поскольку, если его можно измерить, то он конечен и обладает как минимум одним свойством -количеством, выраженным в результатах измерения. Кроме того, материальным объектам соответствует стоимость - их выражение в финансовых единицах. Материальные объекты также строго учитываются на предприятиях и отражены в бухгалтерском балансе. Однако это фиксирование не имеет определяющей роли. Материальные объекты также могут быть преобразованы из одного ресурса в другой, или обменены на финансовый ресурс.
Ресурс времени является простым ресурсом с одним свойством - количественной характеристикой. Вообще, время имеет огромное значение для деятельности предприятия. Любую операцию с ресурсами необходимо рассматривать в комплексе с учетом времени, которое будет на нее затрачено. Ресурс времени может быть обменен на другие виды ресурсов. Время можно купить (обменять на финансовый ресурс). Новая информация может сократить время на операцию. Новый механизм (материальный объект) может сократить время изготовления продукта. Кроме того, каждый ресурс, так или иначе, связан с временным ресурсом. И эта связь предстает в виде свойства ресурсов. Например, финансы имеют разную стоимость в зависимости от периода времени, в течение которого они используются. Материальные объекты в большинстве случаев подвержены амортизации, то есть изменению их свойства «стоимость» в зависимости от ресурса «время».
Человеческий ресурс (в плане рассмотрения его с точки зрения влияния на прибыль) неразрывно связан со временем, которое затрачивает сотрудник. Однако обратное неверно. Ресурс времени не всегда связан с человеческим ресурсом. Например, состояние процентов по кредиту (класс ресурсов «финансы») изменяется со временем вне зависимости от того, знает ли об этом менеджер кредитуемой компании.
Информация также связана со временем. Она обладает важнейшим свойством актуальности - то есть полезности данной информации в течение определенного периода времени.
Ранее рассмотренные ресурсы были хорошо измеряемы количественно, и представление их в формализованной форме не представляло труда. Далее нам придется работать с объектами, не обладающими явными количественными характеристиками. Прежде чем изложить наш подход к формализации человеческого участия в деятельности предприятия, мы хотели бы сказать о том, что ни в коей мере не принижаем значение человека, как личности и не рассматриваем его как материал для производственных операций. Мы лишь пытаемся обнаружить общие черты деятельности человека на предприятии и использовать их для построения моделей. Кроме того, мы не беремся утверждать, что человек, охарактеризованный нами определенным образом, в данной ситуации поступит так, а не иначе. Мы лишь говорим о том, что люди, с такими характеристиками с большой долей вероятности в данной ситуации поступают именно так.
Человек обладает мышлением, то есть уникальной способностью создавать новые модели, в которых объединяет понятия, которые могут не встречаться в реальном мире, а также создавать новые понятия. В силу этого формализовать его участие на первый взгляд невозможно. Однако в данной работе мы не будем касаться причин и мотивов, побуждающие человека совершать те или иные поступки. Определение таких причин напрямую связано с механизмом создания человеком новых моделей, то есть с механизмом мышления. В настоящий момент в науке нет проверенных данных об этом механизме и суть его функционирования не ясна.
В данной работе нас будет интересовать лишь описание свойств человека с точки зрения влияния этих свойств на прибыль предприятия. То есть нас интересуют лишь внешне значимые проявления человеческого поведения. Для упрощения изложения мы используем в данной работе прибыль в качестве целевой переменной. Однако в качестве целевой переменной может выступить и любой другой параметр предприятия. Например, существуют некоммерческие организации, цель которых заключается не в максимизации прибыли, а в выполнении задачи (армия), увеличении числа членов (партия), повышения уровня жизни населения (идеальное государство).
