управління використанням ресурсів

Покращення якості та обґрунтованості управлінських рішень щодо УВР здійснюється за умови правильного вибору нижче наведених сучасних математико-кібернетичних методів у системах підтримки прийняття рішень.

1. Статистичні методи включають кореляційний, регресійний та факторний аналіз, які раніше часто застосовувалися для прогнозування окремих складових, факторів економічних систем, але можуть давати неточні результати при великій кількості даних з перешкодами. Тому зараз статистичні методи застосовуються в основному для підтвердження (відхилення) гіпотез експертів.

2. Предметно-орієнтовані аналітичні системи є різноманітними класами математичних методів, розробленими для конкретної предметної галузі. Вони дають досить точні результати за дотримання певних умов щодо вхідної інформації. До них належить зокрема технічний аналіз, який застосовується для аналізу фінансових ринків. Технічний аналіз здійснюється з допомогою методів прогнозу динаміки цін, заснованих на різноманітних емпіричних моделях динаміки ринку.

3. Нейронні мережі вдало застосовуються в системах підтримки прийняття управлінських рішень на діючих підприємствах. Вони забезпечують високу якість та обгрунтованість рішень, дозволяють виявити нелінійні залежності у даних з перешкодами, отримувати точні результати як при великій кількості вхідних параметрів, так і при обмеженій кількості даних. Архітектура нейронних мереж імітує роботу нейронів у складі ієрархічної системи. Вхідні параметри подаються на нейрони найнижчого рівня, які посилюються або послаблюються у міжнейронних зв’язках і передаються на вищий рівень. Результатом є реакція на вхідні параметри всієї мережі, отримана на виході останнього рівня.

4. Системи розмірковувань на основі аналогічних випадків здійснюють прогноз на основі вибору у минулому аналогів поточної або майбутньої ситуації. При позитивних результатах можливі неточності у прийнятті рішень, зумовлені відсутністю математичного моделювання, а також пошуком аналогій лише за мірою наближеності минулої ситуації до прогнозованої.

5. Дерева рішень є наочними, але мають обмежене застосування у практиці прийняття управлінських рішень. Це зумовлене їх недосконалістю та неточністю, обмеженим охопленням простору можливих закономірностей. Ієрархічна класифікуюча структура типу „якщо...тоді...” нагадує дерево. Прийняття рішення грунтується на відповідях „так/ні”, які треба дати у вузлах дерева при переході на правий/лівий вузол наступного рівня.

6. Еволюційне програмування набуло визнання і досить широко використовується у вигляді двох основних напрямів для підтримки прийняття рішень. В еволюційному програмуванні система будує кілька функцій або генетичних ліній програм, які конкурують між собою в якості і точності відображення шуканої залежності цільової змінної від вхідних параметрів.

7. Генетичні алгоритми створені за аналогією з біологічними процесами (репродукція, мутація, відбір, генетична композиція) і включають хромосоми з певними генами – параметрами економічного явища чи процесу в певному періоді. Система генерує змінені випадкові хромосоми, викликані зміною її параметрів (генів) для обробки їх генетичним алгоритмом (мутація). Далі за допомогою операції кросинговера хромосоми розділяються і обмінюються частинами між собою, породжуючи одну або декілька нових хромосом. Нові хромосоми розміщуються в нову популяцію. Вибір нових рішень задачі здійснюється за генетичним принципом відбору: більша пристосованість хромосом зумовлює більшу імовірність участі у наступному кросинговері. Моделювання наступних мутацій (зміни генів - параметрів) веде до знищення початкової популяції та переходу до нового покоління з більш досконалими індивідами. Перевагою генетичних алгоритмів є можливість паралельно працювати з декількома групами одного покоління. Генетичні алгоритми не завжди гарантують знаходження оптимального рішення, іноді можуть зупинитись на певній непродуктивній гілці. Проте, вони мають значний потенціал розвитку, про що свідчать дослідження науковців.

8. Алгоритми обмеженого перебору мають широке використання для певного класу задач. Ці алгоритми вираховують певні частоти комбінацій простих логічних подій (x=a, x>a, x<a і т. д) у підгрупах даних; обмеженням при цьому є довжина комбінацій. Аналіз отриманих частот дозволяє зробити висновок про корисність комбінації для класифікації, прогнозування і т.д.

Кожен з розглянутих методів має свої переваги, недоліки та економічну вартість для підприємства. Вибір конкретного математико-кібернетичного методу для оцінки (прогнозування) та вибору рішень щодо підвищення ефективності підприємства повинен задовольняти такі вимоги:

- збір вихідних даних шляхом логічного аналізу їх впливу на якість та обгрунтованість управлінського рішення, створення інформаційного масиву в базах даних згідно звітної і планової документації (баланс підприємства, звіти про фінансові результати, звіти про прибутки і збитки, квартальні (місячні) звіти, бухгалтерські звіти і баланси, статистичні звіти, стратегічні плани і прогнози розвитку підприємства, фінансово-інвестиційні плани і т.д.);

- вибір експертами необхідного методу для достатньої якості та обгрунтованості прийняття управлінських рішень, враховуючи вимоги підприємства та технічні можливості методу;

- врахування економічної доцільності застосування методу - співставлення економічного ефекту і витрат, оцінюючи перспективи застосування даного методу;

- достатня кваліфікація персоналу для застосування згаданих методів та інтерпретації отриманих результатів.

Слід відзначити, що найбільшу перспективу у прийнятті рішень щодо підвищення ефективності підприємства та оптимального використання всіх його ресурсів, мають складні кібернетичні методи (генетичні алгоритми, алгоритми обмеженого перебору та еволюційне програмування). Спеціалісти підприємства повинні слідкувати за новими напрямками у розвитку даних кібернетичних методів, оскільки вони постійно вдосконалюються. Це вимагає постійного вкладення значних коштів у людські ресурси підприємства.

Використання вказаного інформаційного забезпечення для оцінки ефективності/продуктивності підприємства та окремих їх складових, рівня використання ресурсів здійснюється за допомогою систем аналізу та прогнозування економічної діяльності промислових підприємств.

Застосування згаданих систем зумовлені значним прогресом у методах збирання, збереження та обробки інформації і наступними факторами, пов’язаними із функціонуванням підприємств:

- актуальність своєчасного та якісного аналізу і прогнозу результатів функціонування підприємств, уникнення збитків та банкрутства;

- накопичення значної кількості даних для аналізу, які неможливо проаналізувати лише за допомогою експертів без відповідних інформаційно-аналітичних систем (ІАС);

- використання вітчизняних та зарубіжних ІАС, які є доцільними з точки зору їх вартості та сумісності із стандартами інформаційних систем, встановлених на вітчизняних підприємствах;

- можливість інтеграції ІАС з іншими системами в корпоративній мережі;

- полегшення доступу до необхідних даних, що зберігаються у різних місцях та форматах, вимагають надмірного використання дискового простору, ускладнюють настройку системи після інсталяції (застосування технології OLAP та драйверів ODBC); включення до ІАС модулів фільтрації та згладжування даних, що дозволяє зменшити помилковість даних через неуважність оператора, технічні збої та некоректне функціонування програм.

Розглянемо ІАС, представлені на сучасному ринку систем аналізу і прогнозування.

1. Система “Deductor” – дозволяє використовувати спрощену безкоштовну версію на початкових стадіях впровадження (обробка до 150 записів) та повну комерційну версію Deductor Professional. Забезпечує швидкий і якісний аналіз на основі моделювання, прогнозування, кластеризації та пошуку закономірностей. Використовуються модулі аналізу на основі дерев рішень та карт Кохонена, модуль прогнозування і моделювання на основі багатошарових нейронних та RBF мереж.

2. Система “Brain Maker” – орієнтована на використання нейронної мережі, містить засоби визначення корельованості даних та обчислення часового лага між різними параметрами, засоби згладжування вхідних даних.

3. ІАС “Оценка и выбор” – входить до класу систем підтримки і прийняття рішень, включає багатокритеріальну оцінку, порівняння та вибір оптимальних варіантів рішень, прийняття рішень про розподіл ресурсів між об’єктами, враховуючи їх пріоритетність.

ІАС має наступні функціональні можливості:

- багатокритеріальна оцінка об’єкта (рішення);

- підготовка рішення керівником при відсутності даних про альтернативні варіанти;

- підготовка рішення групою керівників та спеціалістів з обробкою великих об’ємів кількісної та якісної інформації;

- узагальнення та оцінка узгодженості думок групи до десяти експертів.

4. Система “Black Oracle Pro” – призначена для прогнозування значень часових рядів, використовує нейронні мережі, градієнтні та генетичні алгоритми за критеріями точності і тенденції. Можливий числовий та графічний моніторинг процесу.

5. Система „Прогноз” – призначена для розв’язування задач загального аналізу, моделювання, прогнозування та планування на основі технології оперативної аналітичної обробки реляційних даних (імітаційні, цільові, оптимізаційні та статистичні методи моделювання та прогнозування).

Розглянуті системи мають окремі недоліки, пов’язані із неможливістю роботи системи у локальній мережі, складною мовою програмування, відсутністю прозорого доступу до даних або способами їх завантаження. У зв'язку з цим розробниками запропоновано системи аналізу та прогнозування, які працюють на принципах прозорого доступу до даних, їх фільтрації, виправлення, можливості аналізу кількома методами, забезпечення масштабування, гнучкості системи та доступу до неї з будь-якої машини локальної мережі. Побудова моделі та прогноз будується на основі технології розподілених обчислень, що дозволяє розподілити навантаження між окремими машинами і підвищити продуктивність в цілому. Доступ до системи забезпечується з робочого місця, будь-якої машини локальної мережі чи Інтернет.