3.4.1 Система поддержки принятия решений в экономике

Система поддержки принятия решений представляет собой комплекс программных инструментальных средств для анализа данных, моделирования, прогнозирования и принятия управленческих решений, состоящий из собственных разработок корпорации и программных продуктов.

СППР может использоваться при решении следующих типовых задач в области экономики:

• Определение инновационной и инвестиционной политики, маркетинговый и PR-анализ, реинжиниринг, контроллинг и другие виды менеджмента, логистика, переговорные технологии, оргдиагностика и т.д.

• Стратегическое адаптивное планирование в циклических итеративных режимах прогнозирования и последующей коррекции стратегии и тактики поведения на основе прогноза и результатов мониторинга.

• Разработка и оценка различных сценариев (наиболее вероятных, обобщённых, желательных, контрастных) развития ситуаций, поведения людей (конкурентов, потребителей, электората, и т.п.);

• Формирование и оценка стратегии и тактики в развитии событий с учётом ответной реакции системы.

• Анализ сетевых графиков любых процессов, оценка квазивероятности наступления каких-либо событий, также оценка их приоритетности (важности).

• Неформальные многокритериальные задачи размещения объектов и распределения ресурсов, проектирование и выбор оборудования, товаров.

• Выбор и оценка качества организационных, проектных и инженерно-конструкторских решений.

• Проведение анализа по модифицированному методу «стоимость – эффективность»: соотношение иерархий «стоимость» и «эффективность» при котором легко преодолеваются трудности традиционного подхода – оценка качественных слабо- и неформализуемых параметров проекта и учёт взаимосвязи параметров при оценке альтернатив.

А также использование системы позволяет найти ответы на множество вопросов, возникающих у руководителей компании, например:

У генерального директора:

• Насколько процентов выполнен план по продажам, доходу, прибыли, расходам

• Какова доля рынка, принадлежащего компании

• Каковы тенденции развития сегмента рынка, на котором представлена компания

• Каковы ключевые показатели производительности компании в текущем периоде

• Каковы тенденции изменения ключевых показателей производительности компании со временем

У руководителя отдела по работе с партнерами

• Какие из партнеров приносят наибольший доход, прибыль

• Какие проекты, группы продуктов лучше всего продает данный партнер

• Каковы тенденции изменения продаж через партнеров

У руководителя финансового департамента

• Сколько каждый проект стоит моему предприятию

• Сколько стоит поддержка продаваемых проектов

• Какие проекты в этом году стоят больше, чем в прошлом

• Как расходы различных подразделений и компании в целом соотносятся с доходами

У руководителя департамента бюджетного планирования и контроля

• Насколько точно различные подразделения компании соблюдают установленный бюджет

• Каковы тенденции расходов по различным подразделениям, статьям бюджета

У руководителя департамента закупок

• Какие из моих поставщиков предлагают наилучшее соотношение цена/качество

• Какие из поставщиков доставляют товары быстрее остальных Медленнее остальных

• Как часто происходят задержки поставок от того или иного поставщика

• Каких поставщиков выбрать для поставок крупных/небольших партий продукта

У руководителя планового отдела (отдела стратегического планирования)

• Насколько предприятие выполняет план по продажам, доходам, прибыли

• Какие области бизнеса вносят положительный вклад, а какие - отрицательный

• Каков прогноз ключевых показателей производительности на следующий период (месяц, квартал, год)

У руководителя отдела сервисного обслуживания

• Каково среднее время выполнения заявки на обслуживание

• Каковы расходы на выполнение одной заявки

• Каково среднее время до первой поломки, данной модели

У руководителя отдела кадров

• Какова производительность персонала, прошедшего определенное обучение перед теми, кто его не проходил

• Каковы тенденции ежегодного роста персонала компании в различных регионах, подразделениях

• Каково прогнозируемое количество персонала на следующий год

• Каковы прогнозы по поводу состава

• Какие сотрудники нуждаются в обучении

• Каким набором навыков должен обладать сотрудник, чтобы хорошо выполнять свои обязанности

У руководителя отдела анализа качества

• Какие проекты доставляются вовремя, а какие - с запозданием

• Имеют ли определенные клиенты или проекты недопустимо долгий срок поставки

• Изменилось ли время доставки определенных продуктов со временем

• Насколько быстрее или медленнее стала поставка продуктов (услуг) в определенный сегмент рынка

• Каковы основные причины отказа от продукта (услуги)

Процесс создания системы управленческой отчетности, анализа данных и поддержки принятия решений состоит из следующих этапов:

1. Анализ существующих на предприятии информационных потоков и процедур управления предприятием;

2. Выявление показателей, влияющих на финансово-экономическое состояние предприятия и отражающих эффективность ведения бизнеса (на основе данных из уже использующихся систем);

3. Выработка процедур, обеспечивающих получение управленческим персоналом необходимой информации в нужное время, в нужном месте и в нужном виде;

4. Настройка программных средств многомерного анализа;

5. Обучение персонала Заказчика работе с программными средствами многомерного анализа.

Итог – продуманные решения, опирающиеся на информационный фундамент, адекватные действия, квалифицированное исполнение и как результат успех всего предприятия.

Прогнозирование является ключевым этапом при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, которые возникают уже после принятия решения. Возможность предусмотреть неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который в другом случае мог быть не таким удачным. Но принятие решения лицом очень осложняется большим потоком данных. Анализировать данні возможно перепоручить средствам компьютерной техники. Одним из направлений использования новейших технологий является создание систем поддержки принятия решений. Очень важно использование таких систем при проведении финансового анализа в связи с необходимостью принятия наиболее адекватного решения, которое может повлиять на прибыльность проекта. Очень часто необходимо принимать решение, имея противоречивые данные, которые имеют высокий уровень так называемого "шума". Это нужно учитывать при создании систем поддержки принятия решений финансового анализа. Одним из выходов из подобной сложной ситуации является использование аппарата нечеткой логики. Нечеткая логика является расширением классической (булевой) логики и основана на концепции частичной правды - правды, что находится где-то посередине между "есть" и "нет".

Что наиболее важно при проведении финансового анализа на фондовом рынке? Это во-первых составление наиболее достоверного прогноза поведения ценных бумаг. Прогнозирование это ключевой момент при принятии решений в управлении. Возможность предусмотреть неуправляемые аспекты событий перед принятием конечного решения позволяет сделать наилучший выбор, который, в другом случае мог быть неудачным. Кроме традиционных статистических методов в системах поддержки принятия решений для финансового анализа на фондовом рынке используют развитой алгоритм применения нечеткой логики нейронные сети. Но есть еще один интересный метод это генетические алгоритмы.

Попробуем разработать систему поддержки принятия решений, которая бы была построена на генетических алгоритмах. Пусть есть некоторая сложная функция, которая зависит от некоторых переменных, и необходимо найти такое значение переменных, при которых значение функции максимально. В нашем случае, в задаче поиска принятия оптимального решения на фондовом рынке относительно распределения инвестиций в ценные бумаги многих эмитентов. У этой задачи переменными будут объемы средств, которые укладываются в те или другие ценные бумаги, а функцией, которую нужно максимизировать суммарный объем доходов лица, которое принимает решение относительно распределения инвестиций. Также в базе знаний системы должны содержаться значения максимального и минимального объема вложений в каждый вид ценной бумаги, которые задают область изменения значений каждой из переменных. Используя методы генетических алгоритмов в системе поддержки принятия решений финансового анализа необходимо предусматривать в ней естественные способы оптимизации. Каждый вариант вложения в ценные бумаги рассматривается системой как индивидуум, а прибыльность варианта, как приспособленность данного индивидуума. Тогда, в соответствии с методами генетических алгоритмов, в процессе "эволюции" приспособленность индивидуумов будет расти, а значит, будут заявлять все более и более прибыльные варианты инвестирования. В некоторый момент эволюция должна быть приостановлена и выбор наилучшего индивидуума и будет достаточно хорошим решением задачи. Для генерации эволюционного процесса системой поддержки принятия решений генерируется случайная популяция несколько индивидуумов со случайным набором хромосом (числовых векторов). Для этого предварительно в базу знаний системы должна заноситься информация относительно ценных бумаг, которые вращаются на рынке. Для загрузки базы знаний необходимо получить из торговых систем информацию относительно курсов ценных бумаг минимум за последний квартал. Но в этом случае акции эмитентов, по которым редко проходят соглашения, должны изучаться более тщательным образом. То есть для таких эмитентов должны изучаться не только курсы, но и другая информация.

Это касается, во-первых, финансовых показателей, а также информации, которая получается из баланса предприятий. Вся информация относительно эмитентов должна загружаться в отдельную базу данных, из которой по мере необходимости она берется для проведения анализа. Как основной источник информации используется ежегодный отчет предприятия. Отчет содержит всю необходимую информацию относительно финансовых показателей и баланс предприятия. Для анализа финансового состояния предприятия, а также расчетов степени риска следует использовать еще один аппарат нечеткой логики нейронные сети. Именно с помощью аппарата нейронных сетей система может сделать исключение тех эмитентов, инвестирование в ценные бумаги которых является нецелесообразным. Математически нейронные сети можно рассматривать как класс методов статистического моделирования, что в свою очередь можно разделить на три класса: оценка плотности вероятности, классификация и регрессия. Предусматривается, что система поддержки и принятия решений (СППР) может быть полностью реализована на нейронной сети. Нейронная сеть СППР представляет собой набор нейронов, которые связаны между собой. Передаточные функции всех нейронов могут изменяться, а весы являются параметрами сети и не могут изменяться. Нейронная сеть СППР избирает те сигналы, которые имеют максимальный уровень. Дальше те эмитенты, которые имеют максимальный уровень сигнала, должны рассматриваться как данные для обработки генетическим алгоритмом системы. Мы получили данные относительно курсов ценных бумаг, которые получаются из торговой сети и данные относительно ориентировочных цен бумаг, которые не вращаются постоянно на рынке, а информация об их цене подготовлена нейронной сетью. Дальше вычисляется прибыльность каждой из ценных бумаг и загружается к базе данных. Таким образом, мы создали хромосомы для работы нашего генетического алгоритма. Для нашей СППР хромосома будет числовым вектором, который отвечает потребностям, относительно наличия информации о прибыльности в некоторый исторический период. Доходы за ценными бумагами и будут генами данных хромосом. Система генерирует случайные хромосомы для обработки их генетическим алгоритмом. Дальше вводятся такие понятия как кроссинговер и мутация. Мутация это изменение хромосомы, которое вызвано случайным изменением ее позиций (генов). В системе эмулируется мутация путем случайного изменения одного из генов векторов. Кроссинговер является операцией, при которой из двух хромосом порождается одна или несколько новые. В самом простом случае в генетическом алгоритме кроссинговер реализуется также как и в биологии. При этом хромосомы розрываються и обмениваются частями между собой.

Переход к новому поколению генерируется случайная популяция индивидуумов, то есть некоторый набор решений задачи. Дальше моделируется размножение в пределах популяции. Для этого система избирает несколько пар "индивидуумов", проводится кроссинговер между хромосомами в каждом паре, а полученные новые хромосомы размещается в новую популяцию. В генетическом алгоритме хранится основной принцип отбора, чем больше приспособленный индивидуум, тем более вероятность, что он будет принимать участие в следующем кроссинговере. Дальше система поддержки принятия решений моделирует мутации, то есть случайно изменяет некоторые "гены" в выбранных векторах нового поколения. Дальше старая популяция векторов уничтожается, и система переходит к рассмотрению следующего поколения. Популяция следующего поколения содержит то же количество векторов, что и начальная, но в связи с отбором общая прибыльность по ней выше, чем в предыдущей популяции. Теперь система повторяет описанные процессы отбора, кроссинговеру и мутации для новой популяции.

В каждом следующем поколении мы будем видеть возникновение совсем новых решений задачи. Среди них будут как хорошие, так и плохие, но благодаря отбору количество хороших решений будет расти. Имитируя эволюцию, система поддержки принятия решений будет всегда хранить жизнь наилучшему из "индивидуумов" следующего поколения. Такая методика называется "стратегией элитизму". Таким образом на некотором этапе улучшения качеств решений задачи будет замедляться и дальше станет очень медленным. Тогда из полученных наборов "индивидуумов" отбирается те, которые предоставляет наибольшее значение функции прибыльности. Полученные ответы и являются рекомендациями системы для проведения процесса инвестирования в ценные бумаги.

Приведенный вариант системы лишь один из многих, которые можно использовать при создании универсальной системы финансового анализа. К сожалению на отечественном рынке эти системы пока еще не нашли широкого применения. В первую очередь это связано с несовершенством финансового рынка. Но это не означает, что подобные системы не найдут места в Украине. По мере развития финансового рынка встает вопрос о создании СППР на базе генетических алгоритмов и других методах нечеткой логики на Украине