Принятие управленческих решений в организации

больших пределах. А если позволить экспертам взаимодействовать, обмени-

ваться мнениями в процессе работы, то это может привести к появлению оце-

нок, навязанных авторитетными коллегами.

Поэтому при  применении метода Дельфи осуществляется процедура,

обеспечивающая обмен информацией о доводах и ответах, без непосредствен-

ного взаимодействия экспертов друг с другом. Прямые дискуссии экспертов

заменяются индивидуальными опросами, проходящими по определенной про-

грамме в несколько этапов : 1)формирование рабочей группы 
2)выбор экспертов

3) составление  анкеты(опросного листа)

4) опрос экспертов :Уточнение объекта опроса и получе-

ние мнений экспертов

Вероятностная оценка рабочей модели

Согласование  оценок экспертов 

5) Обобщение экспертных

заключений и подго-

товка рекомендаций по

исследуемой проблеме

 

Этапы опроса повторяют столько раз, сколько  необходимо для достиже-

ния согласованного решения.

Метод Дельфи часто используют в случаях, когда сбор группы невозмо-

жен. Более того, в соответствии с методикой членам группы не разрешается

встречаться и обмениваться мнениями по поводу решаемой проблемы, обеспе-

чивается независимость мнений. Однако затраты времени на разработку реше-

ний существенно растут.

Формирование 

рабочей группы

Выбор экспер-

тов

Составление анкеты

(опросного листа)

Опрос экспертов 

Уточнение объекта  опроса и получе-

ние мнений экспертов

Вероятностная оценка рабочей модели

Согласование  оценок экспертов 

Обобщение экспертных

заключений и подго-

товка рекомендаций по

исследуемой проблеме

Разработка  осуществляется в следующей последовательности:

· членам группы предлагается ответить на детально сформулирован-

ный перечень вопросов по рассматриваемой проблеме;

· каждый участник отвечает на вопросы независимо и анонимно;

· результаты ответов собираются в центре, и на их основании состав-

ляется интегральный документ, содержащий все предлагаемые ва-

рианты решений;

· каждый член группы получает копию этого материала;

· ознакомление с предложениями других участников может изменить

мнение по поводу возможных вариантов решения;

· предыдущие два шага повторяются столько раз, сколько необходи-

мо для достижения согласованного решения.

Этот метод  применим, когда нет ограничений  по времени 

выработки ре-

шения и согласованные решения принимаются самими экспертами.

 

4. Метод платежной матицы

это один из методов статистической теории решений. Этот метод может оказать помощь руководителю в выборе одного из нескольких вариантов Он особенно полезен, когда руководитель должен установить какая стратегия в наибольшей мере будет способствовать достижению целей. В платежной матрице представляются платежи в сочетании с конкретными обстоятельствами в форме таблицы или матрицы. Для применения данного метода руководителю необходимо определить вероятность события, которая варьируется от 1 до 0. Выбор ее значения может опираться на прошлые тенденции или субъективную оценку руководителя, который исходит из собственного опыта действий в подобных ситуациях. Вероятность прямо влияет на определение ожидаемого значения — центральной концепции платежной матрицы. Ожидаемое значение альтернативы или варианта стратегии — это сумма возможных значений умноженных на соответствующие вероятности. Определив ожидаемое значение каждой альтернативы и расположив результаты в виде матрицы, руководитель без труда может установить, какой выбор наиболее предпочтителен при заданных критериях. Он будет, конечно, соответствовать наивысшему ожидаемому значению.

 

5. Дерево решений.

 

это графическое изображение процесса принятия решений, в котором отражены альтернативные решения, альтернативные состояния среды, соответствующие вероятности и выигрыши для любых комбинаций альтернатив и состояний среды.

Рисуют деревья  слева направо. Места, где принимаются  решения, обозначаютквадратами □, места появления исходов — кругами ○,возможные решения —пунктирными линиями --------, возможные исходы — сплошными линиями ——.

Для каждой альтернативы мы считаем ожидаемую стоимостную  оценку (EMV) — максимальную из сумм оценок выигрышей, умноженных на вероятность  реализации выигрышей, для всех возможных  вариантов.

Рисунок 1 (нажмите для увеличения).

 

Главному инженеру компании надо решить, монтировать  или нет новую производственную линию, использующую новейшую технологию. Если новая линия будет работать безотказно, компания получит прибыль 200 млн. рублей. Если же она откажет, компания может потерять 150 млн. рублей. По оценкам главного инженера, существует 60% шансов, что новая производственная линия откажет. Можно создать  экспериментальную установку, а  затем уже решать, монтировать  или нет производственную линию. Эксперимент обойдется в 10 млн. рублей. Главный инженер считает, что  существует 50% шансов, что экспериментальная  установка будет работать. Если экспериментальная  установка будет работать, то 90% шансов зато, что смонтированная производственная линия также будет работать. Если же экспериментальная установка  не будет работать, то только 20% шансов за то, что производственная линия  заработает. Следует ли строить экспериментальную  установку? Следует ли монтировать  производственную линию? Какова ожидаемая  стоимостная оценка наилучшего решения? В узле F возможны исходы «линия работает» с вероятностью 0,4 (что приносит прибыль 200) и «линия не работает» с вероятностью 0,6 (что приносит убыток - 150) => оценка узла F. EMV(F) = 0,4 x 200 + 0,6 х (-150) = -10. Это число мы пишем над узлом F.

EMV(G) = 0.

В узле 4 мы выбираем между решением «монтируем линию» (оценка этого решения EMV(F) = -10) и решением «не монтируем линию» (оценка этого  решения EMV(G) = 0): EMV(4) = max {EMV(F), EMV(G)} = max {-10, 0} = 0 = EMV(G). Эту оценку мы пишем над узлом 4, а решение «монтируем линию» отбрасываем и зачеркиваем.

Аналогично:

EMV(B) = 0,9 х 200 + 0,1 х  (-150) = 180 - 15 = 165.

EMV(С) = 0.

EMV(2) = max {EMV(В), EMV(С} = max {165, 0} = 165 = EMV(5). Поэтому в узле 2 отбрасываем возможное решение «не монтируем линию».

EMV(D) = 0,2 х 200 + 0,8 х  (-150) = 40 — 120 = -80.

EMV(E) = 0.

EMV(3) = max {EMV(D), EMV(E)} = max {-80, 0} = 0 = EMV(E). Поэтому в узле 3 отбрасываем возможное решение «монтируем линию».

ЕМV(A) = 0,5 х 165 + 0,5 х 0 — 10 = 72,5.

EMV(l) = max {EMV(A), EMV(4)} = max {72,5; 0} = 72,5 = EMV(A). Поэтому в узле 1 отбрасываем возможное решение «не строим установку».

Ожидаемая стоимостная  оценка наилучшего решения равна 72,5 млн. рублей. Строим установку. Если установка  работает, то монтируем линию. Если установка не работает, то линию  монтировать не надо.

 

6. Выработка решений в диалоге «Человек-машина»

 

В современных условиях хозяйствования становится все более очевидным  тот факт, что сложившаяся система  управления не отвечает потребностям предприятия как операционной системы. Сложившиеся вертикальные связи  до сих пор в полной мере не замещены горизонтальными, на которых, собственно, и основывается западная система  принятия управленческих решений. В  настоящее время отечественные  предприятия в системе менеджмента  не используют принципы организации  эффективного управления, таким образом, повышение эффективности принятия управленческих решений в современных  экономических условиях является актуальной и своевременной темой. В целях  повышения эффективности системы  менеджмента на предприятии необходимо рассматривать две задачи.

1. Обоснование необходимости  создания внутри предприятия  как операционной системы условий  для повышения «креативности»  не только управленцев низшего  и среднего уровней, но и  рядовых сотрудников за счет  наделения их некими полномочиями  в процессе принятия решения.  Их предложения по совершенствованию  такой системы в целом и  альтернативные решения по отдельным  производственным, финансовым и  управленческим вопросам могут  стать основой в разрабатываемой  предприятием стратегии функционирования.

2. Эффективность принятых  решений невозможно оценить без  применения математического аппарата  и программного обеспечения [5].

Одним из методов принятия решения является выработка решений  в диалоге «человек-машина» представляет собой многократное чередование  эвристических (выполняемых человеком) и формализованных (выполняемых  ЭВМ) этапов.

В процессе диалога «человек-машина»  происходит совместное конструирование  решений по ходу изменения производственной ситуации (метод последовательной оптимизации) с постепенным вводом существенных фактов, т.е. алгоритм решения устанавливается  не заранее, а в процессе расчета  на ЭВМ [1].

В современных системах поддержки  принятия решений (СППР) обеспечивается эффективная связь (симбиоз) человека и компьютера, предполагающая использование  наиболее сильных качеств каждого  участника этого процесса (табл. 1) [3].

Таблица 1 Характеристика составляющих симбиоза «человек-машина»

№	Человек	Компьютер
1	Способен реагировать  на неожиданные события	Трудно составить программу, реагирующую на все случайные  события
2	Хорошо обучается	Эффективность обучения определяется программистом
3	Плохо хранит информацию	Хранит информацию в любых  объемах неограниченное время
4	Ограничена пропускная способность	Пропускная способность  не имеет ограничений
5	Часто ошибается	Функционирует безошибочно
6	Не может решать одновременно несколько задач	Возможность решения нескольких задач имеется
7	Медленно считает	Скорость неограниченна
8	Снижает работоспособность  со временем	Работоспособность постоянна
9	Теряет терпение	Работает как автомат
10	Может накапливать знания, не изменяя мышления и не забывая  известные факты	Изменение любой части  информации влияет на ее общую структуру
11	Выбирая нужную информацию, автоматически подключает относящиеся  к делу факты, не перебирая все  известные знания	Не может выделять наиболее актуальную информацию

Программной основой СППР являются экспертные системы.

Экспертная система -- это  программа, ориентированная на решение  плохо формализованных задач  в определенных предметных областях на уровне специалистов-экспертов.

При работе экспертных систем:

- выдвигаются и проверяются  гипотезы;

- вырабатываются новые  данные и знания;

- формируются запросы  на ввод новых данных;

- формируются выводы и  рекомендации.

Плохо формализованные задачи обладают следующими характеристиками:

- не могут быть заданы  только в числовой форме;

- цели не могут быть  представлены в терминах точно  определенной целевой функции;

- не существует четкого  алгоритма решения задачи;

- исходные данные неполны  и неоднозначны.

Структура ЭС представлена на рис. 1.

Рис. 1. Типовая структура  экспертной системы

В базе знаний хранятся так  называемые правила, под которыми понимаются логические и алгоритмические выражения (операции).

Машина вывода -- программа, которая формирует последовательность логических и вычислительных операций в алгоритм, на основе которого обеспечивается получение результата.

Подсистема объяснений -- формирует трассу, т.е. алгоритм в  виде набора правил, позволяющих ЛПР  понять, как получен результат.

Подсистема приобретения знаний -- обеспечивает диалог с экспертами, отбор и формализацию знаний.

Подсистема взаимодействия с объектом может отсутствовать, как и сам объект.

Существуют разные формы  общения ЛПР с ЭС:

1. Использование табличного  языка.

2. Диалог в форме меню.

3. Диалог на естественном  языке.

Последняя форма общения  предполагает высокий уровень ЭС и пока встречается редко.

Для использования естественного  языка необходима достаточно сложная  программа-анализатор, которая выполняет  функции:

- лексического анализа;

- синтаксического анализа;

- семантического анализа.

В современных ЭС общение  с ЛПР ведется с помощью  табличного языка (постановка задачи) и меню (уточнение задачи в процессе ее выполнения) [2].

Эффективное использование  диалога «человек-машина» предполагает выполнение следующих условий:

ь удобство общения (доступа человека к машине);

ь психологическая готовность человека к общению с ЭВМ;

ь достаточный уровень машинного интеллекта[1].

Эффективность принятых решений  также невозможно оценить без  применения математического аппарата и программного обеспечения.

Например, анализ «дерева  решений». В настоящее время существует несколько программ, с помощью  которых становится возможным не только построение дерева решений, но и его анализ.

Первые идеи создания деревьев решений восходят к работам Ховленда (Hoveland) и Ханта (Hunt) конца 50-х годов XX века. Однако, основополагающей работой, давшей импульс развитию этого направления, явилась книга Ханта (Hunt, E.B.), Мэрина (Marin J.) и Стоуна (Stone P.J) «Experiments in Induction», увидевшая свет в 1966 г.