Преодоление недостатков SWOT-анализа в автоматизированном количественном SWOT-анализе средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++»

• 1. Классический SWOT-анализ рассматривает только общие факторы, т.к. из-за ограниченных возможностей экспертов нет технической возможности рассматривать детализированные факторы, которые можно интерпретировать как конкретные мероприятия для достижения поставленных целей. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей огромных размерностей. В системе «Эйдос-Х++» были проведены удачные численные эксперименты по созданию моделей размерностью 10 000 классов (состояний моделируемого объекта) и 10 000 значений факторов. Это вполне обеспечивает такой уровень детализации факторов, который можно рассматривать как вполне конкретные мероприятия по достижению поставленной цели.
• 2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает классификацию факторов как основных и второстепенных по силе влияния на объект моделирования.

Рассмотрим, какую ценность имеют различные признаки (градации описательных шкал) и сами описательные шкалы для решения задач идентификации, прогнозирования и принятия решений.

Прежде всего, о том, что в АСК-анализе и системе «Эйдос» понимается под ценностью признака и шкалы. Обратимся к рисунку 10, в котором представлена в численной форме матрица информативности. Обратим внимание на количество информации, которое содержится в различных признаках о принадлежности и непринадлежности обладающих этими признаками объектов к различным классам. Мы видим, что это количество информации отличается по знаку и модулю. Положительное количество информации говорит о принадлежности объекта с признаком к классу, а отрицательное — о не принадлежности. Величина модуля отражает количество этой информации. С этой точки зрения все признаки можно условно разделить на три большие группы по их ценности:

• — которые в среднем несут очень большое количество информации о принадлежности и непринадлежности к классам;
• — которые в среднем несут некоторое количество информации количество информации о принадлежности и непринадлежности к классам;
• — которые в среднем практически не содержат информации о принадлежности и непринадлежности к классам.

Как же отразить эту ценность количественно? По мнению автора для этого достаточно использовать любую меру вариабельности информативности, например средний модуль отклонения от среднего или среднеквадратичное отклонение от среднего. В АСК-анализе и системе «Эйдос» принят второй вариант, т. е. для количественного измерения ценности признаков используется формула:

Таким образом, ценность признака — это вариабельность его информативности. Вместо термина «ценность» могут быть использованы его синонимы: «дифференцирующая способность», «значимость», «интегральная оценка информативности» или просто «интегральная информативность». Все эти термины применялись и применяются в АСК-анализе.

В матрице информативности для каждого признака содержится его ценность. Все признаки могут быть ранжированы в порядке убывания их ценности. Если просуммировать нарастающим итогом ценность признаков, то получим логистическую кривую, отражающую выполнение закона Парето для ценности признаков (рисунок 18):

Рисунок 18. Пример кривой ценности признаков нарастающим итогом (кривая Парето) в модели INF3 (хи-квадрат) [19].

В данном случае закон Парето может быть сформулирован следующим образом: небольшая доля признаков содержит основной объем информации о предметной области, которая есть в ее модели, а большинство признаков суммарно содержат небольшую долю этой информации.

Эти малоценные признаки без ущерба для достоверности модели могут быть удалены из нее. Это операция в АСК-анализе и системе «Эйдос» называется «Ортонормирование семантического пространства», т.к. в результате ее выполнения удаляются коррелирующие признаки и остаются практически независимые друг от друга, т. е. ортонормированные.

Что касается исследования взаимосвязей между факторами, то в АСК-анализе и системе «Эйдос» для этого есть свои инструменты: это кластерно-конструктивный анализ значений факторов и классов. Кроме того могут быть получены и исследованы сочетания значений факторов и сочетания классов [17, 18]. Так что связанные с этим слабые места SWOT-анализа также преодолеваются (рисунки 19, 20).

Рисунок 19. Пример семантической сети классов, отражающей их сходство-различие по системе детерминации Рисунок 20. Пример семантической сети значений факторов (признаков), отражающей их сходство-различие по влиянию на моделируемый объект.

• 3. SWOT-анализ даёт в большей степени статичную картинку, чем видение развития в динамике, так как SWOT-анализ в динамике предполагает многократное проведение обычного статичного SWOT-анализа, а это невозможно из-за ограниченных возможностей экспертов. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает кардинальное сокращение затрат времени на синтез новой модели. Например, модель, рассматриваемая в качестве примера в данной статье, создавалась несколько минут. Это обеспечивает возможность многократного проведения статичного SWOT-анализа с малой периодичностью, что позволяет увидеть картину в динамике.
• 4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение количественных моделей моделируемого объекта, отражающих в сопоставимой форме силу и направление причинно-следственных зависимостей в неполных зашумленных данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения. Это и продемонстрировано на реальном численном примере в данной статье.
• 5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит и субъективизм SWOT-анализа неизбежно обусловлен субъективизмом экспертов, дающих оценки факторам. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей моделируемого объекта и его системы детерминации непосредственно на основе эмпирических данных без привлечения экспертов.
• 6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат, а значит привлечения большого количества экспертов, что вообще практически невозможно, т.к. это люди в основном, занимающие высокое положение, работающие в условиях постойного цейтнота и их время стоит очень и очень дорого. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей непосредственно на основе неполных зашумленных эмпирических данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения без привлечения экспертов. Это резко сокращает затраты труда и времени на создание и исследование моделей, делает их создание и использование гораздо более доступным.