Применяемые методы разработки управленческих решений на предприятии и их оценка

Стремительное развитие информационных технологий, в частности, прогресс в методах сбора, хранения и обработки данных позволил многим организациям собирать огромные массивы данных, которые необходимо анализировать. Объемы этих данных настолько велики, что возможностей экспертов уже не хватает, что породило спрос на методы автоматического исследования данных, который с каждым годом постоянно увеличивается.

Деревья решений — это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

При построении деревьев решений особое внимание уделяется следующим вопросам: выбору критерия атрибута, по которому пойдет разбиение и отсечение ветвей. Рассмотрим все эти вопросы по порядку.

Учредитель магазина рассматривает вопрос об открытии еще одного магазина.

На рис. 2.3 проиллюстрировано применение метода дерева решений для разрешения проблемы, требующей определенной последовательности решений. Директор магазина, в настоящее время рассматривает решения открытия магазина, но перед ним стоит задача открыть большой магазин или маленький. До принятия решения руководитель собрал релевантную информацию об ожидаемых выигрышах в случае тех или иных вариантов действий и о вероятности соответствующих событий. Эта информация представлена на дереве решений.

Возможны три варианта действий.

А. открыть большой магазин стоимостью М1−850 тыс. сом. при этом варианте большой спрос (годовой доход в размере R1−280 тыс. сом в течении следующих 5 лет.) с вероятностью p1=0,8 и низкий спрос (ежегодные убытки R2=80 тыс. сом) с вероятностью p2=0,2.

Б. открыть маленький магазин стоимостью 350 тыс. сом. при этом варианте большой спрос (годовой доход в размере Т1−180 тыс. сом в течение следующих 5 лет.) с вероятностью p1=0,8 и низкий спрос (ежегодные убытки Т2=55 тыс. сом) с вероятностью p2=0,2.

В. Отложить открытие магазина на год для сбора информации, которая может быть позитивной или негативной с вероятностью p3=0,7 и p4 =0,3 соответственно. В случае позитивной информации можно открыть магазины по указанным выше расценкам, а вероятности большого и низкого спроса меняются на p5=0,9 и р6=0,1 соответственно. Доходы на последующие четыре года остаются прежними. В случае негативной информации магазины открыты не будут.

Все расчеты выражены в текущих ценах и не должны дисконтироваться. Нарисовав дерево решений рис. 3.2., определим наиболее эффективную последовательность действий, основываясь на ожидаемых доходах.

Рис. 2.3 Дерево решений

Ожидаемая стоимостная оценка узла, А равна:

EMV (A) =0.8*1400+0.2* (-400) — 850=190 это и есть стоимостная оценка варианта, А при открытие большого магазина.

EMV (В) =0,8*900+, 2* (-275) — 350=315 стоимостная оценка при открытии маленького магазина.

EMV (D) =0.9*1120+0.1* (-320) — 850=126 стоимостная оценка узла D при позитивной информации.

EMV (E) =0.9*720+0.1* (-220) — 350=276 стоимостная оценка узла Е при негативной информации.

EMV (2) = max (EMV (D) EMVEA) =max (126, 276) = 276 EMV (E).

Поэтому в узле 2 отбрасываем возможное решение «открытие большого магазина» .

EMV © =0,7*276+0,3*0=193,2.

EMV (1) =max (EMV (A), EMV (B), EMV (C)) =max (190, 315, 193.2) =315= EMV (B).

Поэтому в узле 1 выбираем решение «открытие маленького магазина». Исследование проводить не нужно. Открываем маленький магазин. Ожидаемая стоимостная оценка этого наилучшего решения равна 315 тысяч сом.

Таким образом, данный используемый метод для выбора наилучшего направления действий из имеющихся вариантов, показал какой из альтернатив выбрать в данной конкретной ситуации. которая требовала быстрого решения. Дерево решений — это схематичное представление проблемы принятия решений". Оно дает руководителю возможность «учесть различные направления действий, соотнести с ними финансовые результаты, скорректировать их в соответствии с приписанной им вероятностью, а затем сравнить альтернатив.

Преимущества дерева решений заключается в том что, используется для выбора из имеющихся вариантов наилучшего направления действий. Это схематическое представление проблемы принятия решений.

Оно так же позволяет ни только представить проблему схематично, но и сравнить возможные альтернативы визуально. Метод можно использовать применительно к сложным ситуациям, когда результат принимаемого решения влияет на последующие действия.

Дерево решений можно строить под сложные ситуации, когда результаты одного решения влияют на последующие решения. Таким образом, дерево решений — это полезный инструмент для принятия последовательных решений.

К недостаткам метода дерева решений относятся многие допущения, из которых исходит руководитель, относятся к условиям в будущем, над которыми руководитель почти не имеет никакого контроля. Однако такого рода допущения необходимы для многих операций планирования. Ясно, что чем лучше руководитель сможет предсказать внешние и внутренние условия применительно к будущему, тем выше шансы на составление осуществимых планов.

Данный метод пригоден только для решения задач классификации. В результате применения этого метода к выборке данных создается иерархическая структура классифицирующих правил типа «если…то», имеющая вид разветвленного дерева. Для того, чтобы решить, к какому классу отнести тот или иной объект либо ситуацию, мы отвечаем на вопросы, стоящие в узлах этого дерева, начиная с его корня. Таким образом, мы доходим до конечных узлов дерева, его листьев, где стоит указание, к какому классу надо отнести рассматриваемый объект. Этот метод хорош тем, что такое представление правил наглядно и легко понять. Но очень остро для деревьев решений стоит проблема значимости получаемых результатов, т.к. на каждом новом уровне дерево дробится на большое количество частных случаев. Чем больше таких частных случаев, тем менее уверенной становится их классификация. Если дерево будет очень «кустистым», то оно не будет давать значимых и статистически обоснованных решений. С помощью дерева решений удается создать модель предсказания развития того или иного решения.