Содержание к диссертации
Введение
ГЛАВА 1. Аналитический обзор предметной области 13
1.1 Виды анализа и планирования 13
1.2 Подходы для оперативного анализа 14
1.3 Выбор подхода для оперативного анализа 24
1.4 Модели и алгоритмы поиска ограничений предприятия 25
1.5 Модели и алгоритмы стратегического анализа
1.5.1 Потребность в стратегическом анализе и планировании 29
1.5.2 Методики стратегического анализа 31
1.5.3 Реляционный подход извлечения знаний 33
1.5.4 Ограничения методов 42
1.6 Постановка задач 43
ГЛАВА 2. Алгоритм оперативного анализа 45
2.1 Информационная модель 46
2.2 Алгоритм поиска слабого звена 51
2.3 Алгоритм работы специалиста 57
2.4 Инструментальное средство VisualTOCManager
2.3.2 Архитектура средства 62
2.3.3 Системные требования 67
2.3.4 Пользовательский интерфейс 67
ГЛАВА 3. Алгоритм стратегического анализа 78
3.1 Информационная модель 79
3.2 Алгоритм поиска закономерностей
3.2 Алгоритм работы специалиста 81
3.3 Инструментальное средство Visual Discovery
3.3.2 Архитектура средства 88
3.3.3 Системные требования 92
3.3.4 Пользовательский интерфейс 93
ГЛАВА 4. Применение инструментальных средств 104
4.1 Применение VisualTOCManager 104
4.2 Применение Visual Discovery Ill
4.2.1 Анализ детерминант успеха и неудач 111
4.2.2 Анализ показателей применения лекарственных препаратов 117
Заключение 122
Литература
- Выбор подхода для оперативного анализа
- Алгоритм работы специалиста
- Алгоритм работы специалиста
- Анализ детерминант успеха и неудач
Выбор подхода для оперативного анализа
Логические деревья [36] (инструменты) представляют собой набор последовательно строящихся моделей (диаграмм) на основе собранной информации о проблеме на предприятии за счет всевозможных опросов, анкетирований, собеседований и выводов на основе полученной информации. Далее за счет анализа полученных диаграмм, как правило, делаются умозаключения и строятся новые диаграммы без применения специализированного программного инструментария, постепенно приводящие к поиску ограничения предприятия согласно алгоритму из пяти шагов Теории Ограничений.
Далее кратко перечислены пять видов диаграмм, соответствующие каждому шагу алгоритму по ТОС: 1. Дерево текущей реальности- инструмент, позволяющий выявить причинно-следственные связи между результатом деятельности и ключевой главной причиной. 2. Дерево разрешения конфликта («Грозовая туча») -инструмент позволяет выявить ключевой конфликт, разработать направление решения. 3. Дерево будущей реальности - инструмент, позволяющий разработать комплекс решений и проследить их достаточность для решения существующих проблем. 4. Дерево перехода - позволяет выявить возможные препятствия, возникающие при проведении изменений и разработать решения для их нейтрализации. 5. План преобразований - инструмент, детализирующий конкретные действия, устанавливающий сроки, промежуточные результаты и ответственных за проведения изменений. Основным недостатком логических деревьев при оперативном анализе деятельности предприятия является их концептуальность и субъективный характер, не позволяющий оперативно выявлять текущие проблемы в бизнес-процессах на предприятии в момент производства. Они более применимы в ситуациях, где ограничения лежат за пределами бизнес-процессов, например, в политике или организационной структуре предприятия.
Имитационное моделирование
На предприятиях довольно часто для анализа бизнес-процессов используются решения, основанные на применении имитационных моделей [42-51] в совокупности с программным обеспечением (Arena, Aris, AnyLogic и прочие). Такие решения позволяют «отлаживать» бизнес-процессы, тем самым выявлять потенциальные слабые места бизнесе-модели в целом до их реального выполнения путем имитации их работы во времени.
Одна из целей рассматриваемого имитационного моделирования -отслеживание поведения системы от воздействия случайных факторов.
Существующие решения можно применять в Теории Ограничения, но только как один из инструментов анализа, требующий довольно много времени для формирования и анализа входных и выходных данных соответственно. Чтобы использовать существующие решения на базе имитационного моделирования, необходимо подготовить входные данные для моделирования, а потом произвести анализ выходных данных. Анализ входных и выходных данных может занять довольно много времени, что влечет неактуальность полученной информации при оперативном анализе. Например, можно описать цепочки бизнес-процессов и найти её слабые звенья с помощью имитационного моделирования за счет анализа образовавшихся очередей. При этом полученная модель покажет только образовавшиеся очереди, на основании которых сложно найти самое слабое звено, поскольку цель таких решений - построить динамическую модель, а не найти самое слабое звено. Задача анализа результатов имитационного моделирования возлагается полностью на специалиста и требует довольно много времени, что неприемлемо при оперативном анализе. Кроме того имитационные модели ориентированы для использования при проектировании и отладке процессов, а так же изучении их поведения. Они не направлены для отслеживания изменения календарного производственного плана и моделирования его изменения, а так же не применимы для оперативного отслеживания ограничений системы при изменении характеристик бизнес-процесса в уже выполняемом календарном плане.
Другим из способов поиска ограничений является решение задачи линейного программирования [52-59]. Основная задача линейного программирования в экономике - нахождение максимального значения целевой функция при заданных ограничениях. Как правило, целевой функцией выступает прибыль предприятия, в качестве констант выступают необходимые ресурсы для единицы продукции, в качестве переменных -количество каждого вида продукта.
В общем виде математическая модель представляется в виде следующей системы: с,- , -» max , _а1}х} bt., V/: 1 / т,х}. О, V/: 1 j п . Существуют различные методы поиска максимума функцией, например симплекс-метод и метод внутренней точки. Они отличаются сложностью и оптимальностью результата. Применение того или иного метода зависит от решаемой задачи. Применение линейного программирования для поиска ограничений является довольно не простой задачей. Предположим, мы хотим максимизировать прибыль компании по Теории Ограничений, что является целью анализа деятельности предприятия. Запишем его в целевую функцию и через неравенства зафиксируем ограниченность по каждому виду ресурсов в виде констант, используемых для изготовления продуктов. С помощью методов линейного программирования найдем количество каждого вида продукта (переменных), где проход будет максимален. И на основании количества произведенных продуктов рассчитаем необходимое количество каждого ресурса.
Довольно неочевидно какой именно ресурс является ограничением на основании информации о потребности в каждом ресурсе. Кроме того, довольно не простая задача понять какой бизнес-процесс является самым слабым звеном, если существует несколько процессов, использующих найденное ограничение. В данном случае анализ результатов решенных неравенств возлагается полностью на специалиста, что в реальных задачах с большим числом переменных (ресурсов, номенклатуры производимой продукции) не предоставляется возможным.
Алгоритм работы специалиста
Далее, определив метод, по которому будут находиться статистически-значимые закономерностями на данных, определим способ составления прогноза целевого признака[80,88-89].
Пусть нам требуется найти прогноз целевого признака определенного объекта, например, уровень преступность через три года. Под прогнозом будем понимать значение целевого признака и вероятность точности такого прогноза. Поскольку у нас появилась возможность находить статистически значимые закономерности, формирующие варианты исходов, то таким образом, задачу прогноза целевого признака можно свести к задаче выбора одного из вариантов исхода, готовых заранее. Под оценкой точности прогноза будем понимать вероятность истинности высказывания с определенным исходом.
Далее опишем способы составления прогноза и принятия решения на основе статистически значимых правил, определяющие различные варианты исходов.
Пусть нам известно множество вариантов исхода {исходу,...,исходп}. Каждый вариант исхода исход, можно представить некоторым целевым предикатом TPh Таким образом, будем считать, что нам задан некоторый набор целевых предикатов {ТРъ...,ТРп}, представляющих различные варианты исхода.
Пусть PR - множество правил, предсказывающих один и тот же целевой предикат (вариант исхода). Будем называть это множество правил предиктором. Таким образом, для каждого варианта исхода ucxodi, мы будем иметь предиктор PRt, состоящий из множества правил, предсказывающих данный вариант исхода (целевой предикат 77}, соответствующий данному варианту исхода).
Определим способ формирования прогноза предиктора на основе множества прогнозов отдельных правил, входящих в его состав. Для этого необходимо определить способ формирования оценки точности прогноза предиктора. Под оценкой точности прогноза предиктора PR для объекта с номером / будем понимать величину prpR(i)є[0,і], где prPR- отображение,
Однако в зависимости от выбранного способа оценки точности прогноза возможны и другие способы задания prPR(i). Таким образом, прогнозом исхода исходу будем считать прогноз предиктора PRj, содержащего множество правил, предсказывающих данный исход. Для осуществления принятия решения необходимо определить решающее правило DecRuleii). Пусть имеется набор предикторов {PRj}J = l,...,n. Каждый предиктор PRj соответствует некоторому варианту исхода исходу Обозначим через prJPR{i) оценку точности прогноза j-го предиктора для объекта с номером / . Выбор варианта исхода DecRuleii) для i-го объекта осуществляется следующим образом. Для каждого предиктора рассчитывается показатель согласованности его прогноза по формуле Ctr(i) = prJ,R(i)-max{prpR(i)}, т. е. как разность между оценкой точности прогноза данного предиктора и максимальной оценкой точности прогнозов остальных предикторов. В качестве варианта исхода для і-го объекта выбирается исход, соответствующий предиктору, показатель согласованности которого строго больше заданного порога 5 0, т. е. DecRule(i) = ucxodk, ГДЄ к = arg max{Ctrj(/ ) : Ctr}(/ ) 8} . Порог 5 будем называть порогом согласованности. В случае, если не существует прогноза, показатель согласованности которого выше указанного порога, то решение о выборе варианта исхода не принимается. Величина порога 5 зависит от специфики решаемой задачи и должна устанавливаться исследователем.
На базе реляционного подхода извлечения знаний были разработаны различные методы и программные средства исследования предметных областей наук, таких как медицина[86], биоинформатика[87], финансы[88 89] и др. Эти методы и средства работают в терминах конкретных онтологии. Это означает, что применение метода и соответствующего программного средства для анализа, например, финансового рынка не возможна для анализа последовательностей регулярных районов генов. При том, что сам реляционный подход работает с онтологией любой предметной области. Кроме того, каждый такой метод работал с уже заранее заданных классом отношений и операций на данных, что не позволяло эксперту предметной области добавлять и исследовать свои.
Существующие программные средства не имеют самостоятельного интерфейса извлечения информации из данных. Пользователь не мог в наглядной и интуитивно понятной форме конструировать и исследовать классы исследуемых гипотез, что сказывалось на точности и понятности результатов анализа.
Требование создания алгоритма и соответствующего программного средства для различных онтологии предприятий ограничивало потенциальные возможности подхода и его применение, не смотря на то, что сам подход работает с онтологией предметной области, а не со своей.
Алгоритм работы специалиста
В предыдущей главе рассмотрен алгоритм и средство анализа деятельности предприятия в условиях определенных факторов для оперативного анализа. Данные алгоритм и средство не применимы для стратегического анализа, ввиду частичной или полной неопределенности факторов деятельности предприятия и не ориентированность анализа на конкретную процессную модель предприятия.
В данной главе предлагается алгоритм реляционного подхода извлечения знаний для стратегического анализа внешней среды предприятия. Отличие от других алгоритмов подхода заключается в том, что предлагаемый метод может работать с терминами предприятий в различных областях. Так как реляционных подход работает с онтологией (операции и отношения) предметной области для поиска закономерностей, то каждый раз приходилось для определенного класса онтологии создавать алгоритм поиска закономерностей и соответствующее программное средство. Специалист предметной области был лишен возможности исследовать, расширять или корректировать класс онтологии, следовательно, такое ограничение не позволяло применять подход на предприятиях, где онтология меняется от специфики и рассматриваемой области деятельности, иначе получаемые результаты были не интерпретируемы, что противоречит самому подходу. Сам анализ предприятия основывается на исследовании правил и составления по ним прогноза.
Возможность работы с различной онтологией выполняется за счет: 1. Использование операций и отношений в терминах предметной области для формирования исследуемых закономерностей; 2. Использование внешних функций для описания операций и отношений в исследуемых правилах.
Для того чтобы начать исследовать и прогнозировать целевые признаки внешней среды предприятия с помощью предлагаемого алгоритма реляционного подхода извлечения знаний, необходимо иметь три следующих множества: 1. Множество статистических данных за определенный период (обучающее множество). 2. Множество операций и отношений на обучающем множестве, формирующих онтологию предметной области. 3. Классы исследуемых гипотез, позволяющие выявить взаимосвязи между теми или иными признаками исследуемых объектов предметной области. Классы гипотез в свою очередь формирую множества правил, которые могут быть истинными или ложными на обучающем множестве.
Если перечисленные множества заданы, то можно приступать непосредственно к анализу среды. Таким образом, помимо задачи анализа, на плечи специалиста возлагается задача формирования указанных множеств.
В качестве основы разработки информационной модели для описания предметной области среды деятельности предприятия и соответствующего её анализа была выбрана модель из реляционного подхода представления знаний, рассмотренная в 1.3.3.
Для анализа среды было сформировано следующее множество отношений R на численных данных: пользовательские отношения и операции соответственно. Эти множества пользователь может задать с помощью внешних исполняемых модулей для системы Visual Discovery. Предметно-ориентированная модель, построенная для визуального описания информационной модели непосредственно в программной среде Visual Discovery, рассмотрена далее.
Поиск закономерностей основывается на семантическом вероятностном выводе. Поскольку необходимо найти правила, являющиеся вероятностными закономерностями, то задача поиска сводится к перебору всевозможных комбинаций правил (рис. 28) из класса гипотез и соответствующая их проверка на статистическую значимость.
Для того, что бы проверить правило на принадлежность к вероятностным закономерностям, необходимо в первую очередь проверять его выполнимость на каждом объекте обучающего множества, что требует выполнение всех операций и проверку отношений правила. Очевидно, что поддержать на уровне проектирования алгоритма все возможные операции и отношения не возможно, поэтому в алгоритме учитывается возможность использования отдельных правил, состоящих из внешних функций, описанных и выполняемых пользователем отдельным приложением и возвращающая результат в точку вызова.
Для пользователя задача анализа стратегического анализа среды предприятия сводится к формированию: обучающего множества; онтологии предметной области; класса исследуемых гипотез; поиску статистически значимых закономерностей; прогнозу целевых признаков. Формирование онтологии предметной области и классов исследуемых гипотез требует от специалиста знание языка математической логики первого порядка. Это является ограничением для массового использования подхода в явном виде. Поэтому, в данной работе, предлагается специально разработанный алгоритм анализа предметной области, представленный в виде процесса (рис. 29). Этот процесс является итерационным и должен быть поддержан соответствующим программным средством, которым является Visual Discovery [61,70,80,90,91,93,95,96]
Анализ детерминант успеха и неудач
Применение прототипа инструментального средства VisualTOCManager было осуществлено на заводе по производству стеллажных металлоконструкций SOLOS [24,25,26] (ООО «ПГС-К» г. Новосибирск). Применение подтверждено актом о внедрении. О компании SOLOS занимается производством стеллажных металлоконструкций с 2002 года. Помимо производства складских систем хранения, предприятие обеспечивает полный комплекс услуг по оснащению склада, начиная от проектирования складских зон, заканчивая гарантийным и постгарантийным обслуживанием установленного оборудования. Компания располагается в Новосибирске и Бердске. Цеха оборудованы новейшим автоматизированным оборудованием получения профиля и покраски готовых изделий.
Миссия компании - развитие бизнеса заказчика путем решения его задач в области складской логистики. Информационная система СПРУТ-ОКП Исследование предприятия SOLOS показало, что на нем применяется система оперативно-календарного планирования и диспетчеризации производства СПУРТ-ОКИ компании ЗАО «СПРУТ-Технология».
СПУРТ-ОКП относится к классу MES (Manufacturing Execution System)[19,23] систем по планированию и управлению производством. Позволяет на основе технологических данных о производстве изделий и данных о заказах построить план производства с отслеживанием его выполнение в режиме реального времени. Система калькулирует экономические показатели деятельности предприятия, формирует данные по снабжению и сбыту. СПРУТ-ОКП имеет три уровня управления, разделенные на функциональные модули:
На первом уровне осуществляется подготовка данных о продуктах, которые должны быть включены в план производства. Выполняемые задачи уровня: подготовка нормативной информации по подразделениям, рабочим центрам и т.д., формирование технологического маршрута и состава изделия.
На втором уровне осуществляется формирование оптимального календарного плана производства на любой период времени с рациональным использованием ресурсов и материальных запасов. В основе планирования лежит метод MRP П. Программа производства сбалансирована по загрузке производственных мощностей и приоритета заказов. Так же система позволяет обнаруживать и регулировать неравномерную загрузку производственных мощностей. Календарная потребность в комплектации формируется с учетом складского запаса.
На третьем уровне СПРУТ-ОКП автоматизирует функции
диспетчеризации, контроля, учета и анализа производства на уровне цеха. Система управляет текущим производством в соответствии с поступающими заказами и технологической документацией, учитывая состояние производственных мощностей. Цель данного уровня - обеспечить выполнение заказов в заданные сроки.
Система СПРУТ-ОКП довольно хорошо справляется со своими задачами. Она успешно составляет календарный план производства при заданных производственных ограничениях, вследствие чего показывает специалисту загруженность ресурсов. Но она не способна:
Показать ограничение производства. Система может показать только уровень загруженности ресурсов. Но максимально загруженный ресурс не всегда является ограничением системы согласно Теории Ограничений. Здесь требуются дополнительные расчеты.
Отслеживание перемещение слабых звеньев и ограничений. В случае выполнения производственного плана могут происходить принудительные его корректировки, например замена одного продукта другим или изменение количество доступных ресурсов. При этом слабые звенья могут перемещаться. СПРУТ-ОКП в таких ситуациях оперативно перепланирует производство в рамках новых ограничений. Заранее смоделировать скорректированный уже выполняющийся план и перемещение слабых звеньев не представляется возможным.
Модель производства
Основным шагом перед поиском слабых звеньев и ограничений предприятия является создание модели производства. Цель модели является описание бизнес-процессов по производству продуктов, в которых находятся ограничения и соответствующие слабые места. Для этого были взяты два базовых продукта и одна заготовка для производства:
Для производства перечисленных продуктов применяются следующие операции: профилирование; упаковка; отрезка; штамповка; гибка; окрашивание; лазерная резка; сварка; слесарная; комплектование; маркирование. Для каждой операции было указано время выполнения, требуемые ресурсы, сущность на выходе. Так же был задан список всех доступных ресурсов.
Планировалось произвести 6, 8, 100 единиц изделий соответственно. При этом максимально загруженным ресурсом была линия полимерных покрытий (4 их 4-х линий), но не являвшаяся ограничением на тот момент. Предположим, 1 линию по техническим причинам пришлось остановить (вышла из строя). Анализ производства в VisualTOCManager показал, что возникло слабое звено в виде процесса «Окрашивание» (рис. 53) во всех составных частях производимых изделий. Ограничением стало доступное время работы линии полимерных покрытий (3 из 4 линии продолжают работать круглосуточно). При этом смогли быть произведены продукты в количестве 5,5,64 единиц соответственно (рис. 54).