Частично формализованные данные

Часть информации изначально является неформализованной, но поддается формализации. Для того чтобы количественно оценить показатели внешнего окружения и самой фирмы, применяется система матричных методов, таких, как матрицы Boston Consulting Group, General Electric, Matrix Mix, Portfolio Analysis и др.

В этих случаях принятие решений осуществляется совместно человеком и компьютером. Вместо вычисления оптимального решения, как в случае формализованных данных, в данной ситуации компьютеры ведут себя скромнее. Они помогают найти ответ на вопросы типа "что, если?" с помощью системы поддержки принятия решений (СППР), а конечное решение принимает человек. Методы обработки данных и их формализации рассмотрим ниже в этой главе.

Неформализованная информация

Значительная часть информации является трудноформализуемой. Тем не менее такая информация также должна приниматься во внимание в процессе принятия решений. В этом случае тяжесть принятия решений еще в большей степени ложится на человека, чем на компьютер. Менеджер как блок принятия решений описан в главе 8.

3.2. Использование статистических пакетов для ответов на вопросы

• Куда движется фирма?

• От чего зависит успех фирмы?

• Какова чувствительность прибыли к ...?

• Эффективны ли нововведения?

• Каким фирмам можно доверять? и др.

Можно поставить множество вопросов, которые интересны менеджеру, и ответ на них попытаться найти при помощи обработки статистических данных. Рассмотрим примеры поиска ответов на вышеперечисленные вопросы с помощью распространенных универсальных статистических пакетов Statistica for Windows и Statgraphics.

Куда движется фирма? Построение тренда (направленности)

В окружающей нас внешней среде имеется огромное количество явлений и объектов, изменяющихся в пространстве и во времени, и любой набор данных, состоящий из упорядоченных по этим координатам измерений, может рассматриваться как динамический ряд. Жизнь идет, со временем меняются показатели работы фирмы. Чтобы выявить тенденции их изменений, выделим из набора данных направленность (тренд), т.е. постепенное изменение за длительное время или на больших расстояниях.

Наиболее эффективным методом описания тренда является подбор некоторого аналитического выражения, как правило, полинома невысокой степени. Более высокая степень полинома или другая нелинейная зависимость нуждается в смысловом обосновании. Нахождение уравнений тренда осуществим методом регрессионного анализа.

В качестве примеров использования статистических расчетов рассмотрим обработку макроэкономических показателей США за 1930-1990 гг. из пакета MACRO. Представим себе, что сейчас 1980 г., и попытаемся предсказать валовой национальный продукт (GNP) в 1990 г.

На рис. 3.1 показаны результаты обработки данных по валовому национальному продукту США (GNP) за 1930-1980 гг.

Подставив Years(x) = 1990 в расчет ожидаемого GNP в 1990 г., получим GNPpacч(y)= 4111,8. Если сравнить с реальным GNP = 4156,0, то увидим, что ошибка предсказания составляет около 1%! Естественно, далеко не всегда можно предсказывать будущее с такой точностью, но все же этот пример свидетельствует о полезности метода. Аналогичные расчеты можно провести для вашей фирмы. Данный пример выполнен в пакете Statistica (о нем ниже), но подобные вычисления можно сделать в различных универсальных или специальных статистических пакетах.

Рис.3.1. График линии регрессии (тренда) и исходные данные