Файл: Эвристические методы принятия управленческих решений Методы принятия управленческих решений.pptx

3. Трансформация исследуемого процесса (сценарный метод - это описание динамики системы, но в сценарии, как в итоговом документе содержатся элементы статического описания ситуации (факты, показатели, признаки).

4. Гипотетический характер описания (вероятностная оценка реализуемости сценария).

Метод сценариев предполагает создание множества сценариев, описывающих различные альтернативы развития примерно одной и той же ситуации. При построении сценариев используются различные комбинации целей, посылок и факторов, влияющих на развитие событий.

Преимущества метода сценариев

Реализует принцип последовательного решения проблемы, отвечая на многие вопросы.

Сценарий позволяет создать предварительное представление о проблеме в ситуациях, которые не удаётся сразу отобразить формальной моделью

Разрабатываются 2-3 сценария. Преимущества данного метода: возможность заблаговременно выявить неэффективные с точки зрения последствий решения; разработать несколько прогнозных вариантов развития ситуации и спрогнозировать поведение объекта в каждой из них. В настоящее время сценарный метод является одним из эффективных методов разработки стратегических решений.

Недостатки метода сценариев

Может возникнуть неопределенность, связанная с субъективностью суждений разработчиков. В этом случае ценность сценария тем выше, чем меньше степень неопределенности или больше согласованность мнений экспертов.
Необходим тщательный анализ готового сценария
К недостаткам метода можно отнести трудоемкость получения большого количества оценок и корректной их обработки. Отличительная особенность излагаемого метода — многовариантность, т.е. рассмотрение нескольких альтернативных вариантов возможного развития ситуации с учетом базисных сценариев. Группируя сценарии в классы, можно определить рациональную стратегию воздействия на ситуацию.

Метод дерева решений

Дерево решений - это метод, который применяется для принятия решений в условиях неопределенности и риска. Данный метод используется в случае, когда нужно принимать ряд последовательных решений. Дерево решений является графическим методом, который позволяет скоординировать элементы принятия решения, вероятные стратегии, их последствия с вероятностными условиями и факторами внешней среды воздействия.

Деревья решений являются одним из наиболее эффективных инструментов интеллектуального анализа данных и предсказательной аналитики, которые позволяют решать задачи классификации и регрессии.

Метод дерева решений примыкает к методу сценариев, но использует серьезный аналитический подход и соответствующий математический аппарат.

Вместе с тем этот метод ориентирован на представление всего материала в наглядном графическом виде, поэтому является как бы пограничным методом

Метод дерева решений аналогичен методу сценариев с его эмоциональным содержанием, но предполагает аналитический подход к выбору наилучшего решения. Метод дерева решений позволяет руководителю визуально оценить результаты действия различных решений и выбрать наилучший их набор. Данный метод использует модель разветвляющегося по каким-либо условиям процесса. Модель представляет собой графическое изображение связей основных и последующих вариантов У Р. В ней приводятся сведения о наименованиях УР, основных результатах каждого решения и ожидаемой эффективности.

Данный метод хорошо работает совместно с экспертными методами, так как некоторые этапы требуют оценки результатов специалистами. Реализация метода эффективна для типовых управленческих процессов, по которым накоплен значительный опыт и имеется обширная документация о решениях, условиях их реализации и самих результатах.

Основные этапы разработки или выбора РУР методом дерева решений

• составление новой цели развития или совершенствования компании;

• сбор материалов о реальном состоянии дел в компании по новой цели;

• формулирование проблемы как разности между новой целью и обобщенной ситуацией в компании;

• выбор или разработка критериев оценки проблемы;

• декомпозиция проблемы на самостоятельные составные части;

• поиск ресурсов и исполнителей разрешения проблем;

• разработка вариантов основных решений и их предполагаемая эффективность;

• для каждого варианта основных решений разработка вариантов детализирующих решений;

• для каждого варианта детализирующего решения разработка вариантов очередного набора детализирующих решений и т.д.;

• оценка каждой ветви взаимодействующих решений на эффективность действий и возможности достижения цели;

• выбор наиболее приемлемых сочетаний вариантов решений;

• практическая реализация выбранного варианта сочетания решений.

Общая идея дерева решений

Дерево решений — эффективный инструмент интеллектуального анализа данных и предсказательной аналитики.

Дерево решений представляет собой иерархическую древовидную структуру, состоящую из правила вида «Если …, то ...». За счет обучающего множества правила генерируются автоматически в процессе обучения.

В отличие от нейронных сетей, деревья как аналитические модели проще, потому что правила генерируются на естественном языке: например, «Если реклама привела 1000 клиентов, то она настроена хорошо».

Правила генерируются за счет обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область. Поэтому их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.

В обучающем множестве для примеров должно быть задано целевое значение, так как деревья решений — модели, создаваемые на основе обучения с учителем. По типу переменной выделяют два типа деревьев:

дерево классификации — когда целевая переменная дискретная;

дерево регрессии — когда целевая переменная непрерывная.

Структура дерева решений

Дерево решений — метод представления решающих правил в определенной иерархии, включающей в себя элементы двух типов — узлов (node) и листьев (leaf). Узлы включают в себя решающие правила и производят проверку примеров на соответствие выбранного атрибута обучающего множества.

Простой случай: примеры попадают в узел, проходят проверку и разбиваются на два подмножества:

первое — те, которые удовлетворяют установленное правило;

второе — те, которые не удовлетворяют установленное правило.

Далее к каждому подмножеству снова применяется правило, процедура повторяется. Это продолжается, пока не будет достигнуто условие остановки алгоритма. Последний узел, когда не осуществляется проверка и разбиение, становится листом.

Лист определяет решение для каждого попавшего в него примера. Для дерева классификации — это класс, ассоциируемый с узлом, а для дерева регрессии — соответствующий листу модальный интервал целевой переменной. В листе содержится не правило, а подмножество объектов, удовлетворяющих всем правилам ветви, которая заканчивается этим листом.

Пример попадает в лист, если соответствует всем правилам на пути к нему. К каждому листу есть только один путь. Таким образом, пример может попасть только в один лист, что обеспечивает единственность решения.

Терминология

Какие задачи решает дерево решений?

Его применяют для поддержки процессов принятия управленческих решений, используемых в статистистике, анализе данных и машинном обучении. Инструмент помогает решать следующие задачи:

Классификация. Отнесение объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные задачи.

Регрессия (численное предсказание). Предсказание числового значения независимой переменной для заданного входного вектора.

Описание объектов. Набор правил в дереве решений позволяет компактно описывать объекты. Поэтому вместо сложных структур, используемых для описания объектов, можно хранить деревья решений.

Процесс построения дерева решений

Основная задача при построении дерева решений — последовательно и рекурсивно разбить обучающее множество на подмножества с применением решающих правил в узлах. Но как долго надо разбивать? Этот процесс продолжают до того, пока все узлы в конце ветвей не станут листами.

Узел становится листом в двух случаях:

естественным образом — когда он содержит единственный объект или объект только одного класса;

после достижения заданного условия остановки алгоритм — например, минимально допустимое число примеров в узле или максимальная глубина дерева.

В основе построения лежат «жадные» алгоритмы, допускающие локально-оптимальные решения на каждом шаге (разбиения в узлах), которые приводят к оптимальному итоговому решению. То есть при выборе одного атрибута и произведении разбиения по нему на подмножества, алгоритм не может

Смотрите также файлы

Водопроводное и безводопроводное противопожарное водоснабжение. Виды и классификация.doc

Отличительные особенности социологии в период застоя.docx

Производственная безопасность .docx

Фармакоэкономика.docx

Крымский филиал.docx