Размещено на http://www.allbest.ru/

КОЛИЧЕСТВЕННЫЙ АВТОМАТИЗИРОВАННЫЙ SWOT- И PEST-АНАЛИЗ СРЕДСТВАМИ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ «ЭЙДОС-Х++»

Содержание

Введение

1. Формулировка проблемы и идея ее решения

2. Этапы АСК-анализа и преобразование данных в информацию, а ее в знания в системе «Эйдос»

3. Когнитивная структуризация предметной области

4. Формализация предметной области

5. Синтез и верификация моделей

6. Выбор наиболее достоверной модели в качестве текущей

7. Решение прямой задачи SWOT-анализа

8. Решение обратной задачи SWOT-анализа

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

10. Выводы и результаты

11. PEST-анализ как детализированный SWOT-анализ

12. АСК-анализ и реинжиниринг бизнес-процессов

13. Некоторые ограничения и перспективы

Литература

Аннотация

Введение

SWOT-анализ - метод стратегического планирования, заключающийся в выявлении факторов внутренней и внешней среды организации и разделении их на четыре категории: Strengths (сильные стороны), Weaknesses (слабые стороны), Opportunities (возможности) и Threats (угрозы) [1].

Сильные (S) и слабые (W) стороны являются факторами внутренней среды объекта анализа, (то есть тем, на что сам объект способен повлиять); возможности (O) и угрозы (T) являются факторами внешней среды (то есть тем, что может повлиять на объект извне и при этом не контролируется объектом) [1]. Например, предприятие управляет собственным торговым ассортиментом -- это фактор внутренней среды, но законы о торговле не подконтрольны предприятию -- это фактор внешней среды.

Объектом SWOT-анализа может быть не только организация, но и другие социально-экономические объекты: отрасли экономики, города, государственно-общественные институты, научная сфера, политические партии, некоммерческие организации (НКО), отдельные специалисты, персоны и т. д. [1].

Аббревиатура SWOT визуально может быть представлена в виде таблицы:

	Положительное влияние	Отрицательное влияние
Внутренняя среда	Strengths (свойства проекта или коллектива, дающие преимущества перед другими в отрасли)	Weaknesses (свойства, ослабляющие проект)
Внешняя среда	Opportunities (внешние вероятные факторы, дающие дополнительные возможности по достижению цели)	Threats (внешние вероятные факторы, которые могут осложнить достижение цели)

SWOT-анализ предложен в 1963 году в Гарварде на конференции по проблемам бизнес-политики профессором Кеннетом Эндрюсом и является широко известным и общепризнанным методом стратегического планирования, который подробно описан в огромном количестве общедоступных источников, из которых мы указали лишь некоторые [1-7]. Поэтому в более подробном описании SWOT-анализа в данной статье нет никакой необходимости. Однако все это нисколько не мешает тому, что SWOT-анализ подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной [8].

Для целей данной статьи представляет интерес именно критическая оценка сильных и особенно слабых сторон самого SWOT-анализа, т.е. можно сказать проведение рефлексивного SWOT-анализа, в ходе которого он сам должен быть подвергнут SWOT-анализу.

SWOT-анализ эффективен при осуществлении начальной оценки текущей ситуации, однако он не может заменить выработку стратегии или качественный анализ динамики.

Сильные стороны SWOT-анализа:

1. Это универсальный метод, который применим в самых разнообразных сферах экономики и управления. Его можно адаптировать к объекту исследования любого уровня (продукт, предприятие, регион, страна и пр.).

2. Это гибкий метод со свободным выбором анализируемых элементов в зависимости от поставленных целей (например, можно анализировать город только с точки зрения туризма или только с точки зрения работы транспорта и т.д.).

3. Может использоваться как для оперативной оценки, так и для стратегического планирования на длительный период.

4. Использование метода, как правило, не требует специальных знаний и наличия узкопрофильного образования.

Слабые стороны SWOT-анализа (недостатки):

1. SWOT-анализ показывает только общие факторы. Конкретные мероприятия для достижения поставленных целей надо разрабатывать отдельно.

2. Зачастую при SWOT-анализе происходит лишь перечисление факторов без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

3. Анализ даёт в большей степени статичную картинку, чем видение развития в динамике.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат.

Более подробно недостатки SWOT-анализа рассмотрены в хорошо аргументированной работе [8]. Но и перечисленного достаточно для того, чтобы сделать общий вывод о необходимости совершенствования SWOT-анализа в направлении, уменьшающем его недостатки.

1. Формулировка проблемы и идея ее решения

Каковы же источники слабых сторон, недостатков SWOT-анализа? Рассмотрим их в том же порядке, в каком они перечислены выше.

1. 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.

2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

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.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, которое дают эксперты, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния.

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.

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. Кроме того эксперты в ряде случаев по различным причинам просто не могут сообщить, каким образом они на сомом деле принимают решения.

Обобщая можно сделать обоснованный вывод о том, что слабые стороны, недостатки SWOT-анализа, обусловлены, прежде всего, необходимостью привлечения экспертов для решения различных задач в ходе проведения SWOT-анализа, основной из которых является оценка силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции, или проще говоря и мягко выражаясь «на глазок». Но возможности экспертов имеют свои физические и психические ограничения и часто по различным причинам они не могут или даже не хотят это сделать (например, потому, что истинные мотивы принятия решений не всегда можно обнародовать).

Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов.

Решение этой проблемы позволило бы существенно улучшить метод SWOT-анализа, практически преодолев многие его недостатки и при этом сохранив его сильные стороны.

По мнению автора, данная проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных.

Идея эта не нова. Различные попытки ее реализации упоминаются и в работе [8]. По мнению автора работы [8] смысл этих попыток довольно сложно понять и с ним трудно не согласиться. Работа [9] сама посвящена одному из подходов к автоматизации SWOT-анализа. Начинается эта работа многообещающе, но потом все сводится к описанию еще одного способа обобщения экспертных оценок, основанного на нечеткой логике, тогда как проблема заключается не в сложности обобщения экспертных оценок, а в сложности их получения. Таким образом, работа [9] не решает сформулированную проблему. Упоминается также: «Автоматизированный SWOT-анализ - уникальный программный аналитический сервис, разработанный CIBest - позволяет не только исследовать актуальное состояние любой компании, но и определить наиболее эффективные пути ее развития» [10] о котором кроме приведенной цитаты с указанного сайта практически нет никакой информации.

Между тем технология, обеспечивающая решение поставленной проблемы существует и разработана уже довольно давно: ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос» [10]. А в новой версии этой системы, описанной в работе [11], просто есть режимы, автоматизирующие SWOT-анализ и развивающие его. Необходимо также отметить, что система «Эйдос» является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ) [12].

Далее на простом реальном численном примере, взятом из работы [13], подробно рассмотрим возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных.

Объект SWOT-анализа описывается в АСК-анализе с помощью номинальных (текстовых) и числовых измерительных шкал, градации которых измеряются в различных единицах измерения. Теоретическое обоснование возможности корректной совместной сопоставимой обработки подобных данных дано в работах автора [14] и других. Основной принцип, на основе которого это становится возможным, состоит в том, что все показатели описывающие объекты рассматриваются только с точки зрения того, какое количество информации содержится в них о принадлежности объекта к определенным классам, в данном случае к ценовым категориям.

2. Этапы АСК-анализа и преобразование данных в информацию, а ее в знания в системе «Эйдос»

Системно-когнитивный анализ включает следующие этапы [15], которые полностью автоматизированы в системе «Эйдос», за исключением первого (рисунок 1):

1. Когнитивная структуризация предметной области.

2. Формализация предметной области:

2.1. Разработка классификационных и описательных шкал и градаций.

2.2. Разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

3. Синтез и верификация моделей.

4. Выбор наиболее достоверной модели.

5. Решение задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области с применением наиболее достоверной модели.

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и системе «Эйдос»

Рассмотрим конкретно, как реализуются этапы СК-анализа в системе «Эйдос» при решении поставленной в работе проблемы.

3. Когнитивная структуризация предметной области

Это единственный не автоматизированный этап АСК-анализа. На этом этапе решается, что мы хотим определить и на основе чего. В данном случае мы хотим:

- построить модель, адекватно отражающую силу и направление влияние агротехнологических факторов на хозяйственные и финансовые результаты выращивания пшеницы;

- используя эту модель прогнозировать результаты применения заданной системы факторов;

- используя эту модель принимать решение о применении такой системы факторов, которая обусловит желаемый хозяйственно-финансовый результат.

Хозяйственно-финансовые результаты:

Урожайность (ц/га)

Качество

Прибыль (тыс.руб./га)

Прибыль (тыс.руб/поле)

Удельная прибыль (тыс.у.е./поле)

Удельная прибыль (у.е./га)

Агротехнологических факторы:

Площадь (га)

Сорт озим.пшеницы

Предшест. 1

Предшест. 2

Предшест. 3

Предшест. 4

Предшест. 5

Предшест. 6

Предшест. 7

Предшест. 8

Предшест. 9

Предшест. 10

Обработка почвы(способ и глубина (см))

Посев (способ и норма высева (кг/га))

Основн.внесен.удоб.(кг/га д.в.)

Борьба с вредит.(препарат и доза)

Борьба с сорняками (препарат и доза)

Подкормка при севе

1-я подкормка

2-я подкормка

3-я подкормка

Микро и макро элементы (снижение стресса)

Борьба с болезнями (препарат и доза).

4. Формализация предметной области

Формализация предметной области включает:

- разработку классификационных и описательных шкал и градаций;

- разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

Эти функции могут выполняться в системе «Эйдос» вручную или автоматически в режиме 2.3.2.2 «Универсальный программный интерфейс импорта данных в систему Эйдос-Х++», экранная форма которого приведена на рисунке 2:

Для запуска этого режима необходимо предварительно записать Excel-файл исходных данных, фрагмент которого представлен в приложении, с именем Inp_data.xls в папку:

c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls



Рисунок 2. Экранная форма режима 2.3.2.2 «Универсальный программный интерфейс импорта данных в систему Эйдос-Х++»

Затем необходимо задать диапазон столбцов с классификационными шкалами и диапазон столбцов с описательными шкалами, как показано на рисунке 2, и с остальными параметрами по умолчанию и нажать ОК.

Разработка классификационных и описательных шкал и градаций

Затем система открывает Excel-файл и определяет количество классификационных и описательных шкал и градаций текстового и числового типов при заданных ранее параметрах. Отображается экранная форма встроенного калькулятора, в которой мы видим результаты этого расчета, общую размерность модели, а также можем задать число градаций в числовых классификационных и описательных шкалах, если они есть (рисунок 3):

Рисунок 3. Калькулятор размерностей моделей

После задания числа градаций в числовых классификационных и описательных шкалах необходимо пересчитать характеристики модели, и если все устраивает, выйти на ее создание.

При задании количества градаций числовых шкал необходимо исходить из определенных соображений, связанных с теоремой Котельникова об отсчетах]. Чем больше мы зададим количество интервалов, тем меньше они будут и тем точнее модель будет давать оценки. Но лишь при том условии, что все интервальные значения будут представлены в эмпирических данных несколькими примерами. Ясно, что чем больше интервалов, тем больше необходимо данных для их заполнения. Получается, что чем точнее мы хотим получить модель, тем больше нам нужно исходных данных. А если у нас нет возможности увеличить объем исходных данных, то приходится выбирать такое количество интервалов, чтобы они все они были представлены несколькими примерами при таком их объеме. Чем меньше исходных данных, тем большего размера необходимо выбирать интервалы, чтобы они были представлены, тем ниже будет точность модели.

В процессе создания модели режим конвертирует его в dbf-файл, стандартный для баз данных системы «Эйдос». Стадия выполнения этого процесса отображается в форме Progress-bar (рисунок 4).

Рисунок 4. Экранная форма стадии процесса формализации предметной области

Классификационные и описательные шкалы и градации, а также обучающая выборка, сформированные в результате выполнения режима, приведены в таблицах 1 и 2.

Таблица 1 - Классификационные шкалы и градации

Код	Наименование
1	УРОЖАЙНОСТЬ(Ц/ГА)-1/5-{32.1000000, 40.4000000}
2	УРОЖАЙНОСТЬ(Ц/ГА)-2/5-{40.4000000, 48.7000000}
3	УРОЖАЙНОСТЬ(Ц/ГА)-3/5-{48.7000000, 57.0000000}
4	УРОЖАЙНОСТЬ(Ц/ГА)-4/5-{57.0000000, 65.3000000}
5	УРОЖАЙНОСТЬ(Ц/ГА)-5/5-{65.3000000, 73.6000000}
6	КАЧЕСТВО-1 класс
7	КАЧЕСТВО-2 класс
8	КАЧЕСТВО-3 класс
9	КАЧЕСТВО-4 класс
10	КАЧЕСТВО-5 класс
11	ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/5-{1.6000000, 5.3000000}
12	ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/5-{5.3000000, 9.0000000}
13	ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/5-{9.0000000, 12.7000000}
14	ПРИБЫЛЬ (ТЫС.РУБ./ГА)-4/5-{12.7000000, 16.4000000}
15	ПРИБЫЛЬ (ТЫС.РУБ./ГА)-5/5-{16.4000000, 20.1000000}
16	ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-1/5-{126.0000000, 634.5600000}
17	ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-2/5-{634.5600000, 1143.1200000}
18	ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/5-{1143.1200000, 1651.6800000}
19	ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-4/5-{1651.6800000, 2160.2400000}
20	ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-5/5-{2160.2400000, 2668.8000000}
21	УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/5-{4.2190000, 26.5812000}
22	УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/5-{26.5812000, 48.9434000}
23	УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/5-{48.9434000, 71.3056000}
24	УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-4/5-{71.3056000, 93.6678000}
25	УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-5/5-{93.6678000, 116.0300000}
26	УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/5-{57.4757282, 220.7570531}
27	УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/5-{220.7570531, 384.0383781}
28	УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/5-{384.0383781, 547.3197030}
29	УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-4/5-{547.3197030, 710.6010280}
30	УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-5/5-{710.6010280, 873.8823529}

Таблица 2 - Описательные шкалы и градации (факторы и их значения) (фрагмент)

Код	Наименование
1	ПЛОЩАДЬ (ГА)-1/5-{49.0000000, 67.0000000}
2	ПЛОЩАДЬ (ГА)-2/5-{67.0000000, 85.0000000}
3	ПЛОЩАДЬ (ГА)-3/5-{85.0000000, 103.0000000}
4	ПЛОЩАДЬ (ГА)-4/5-{103.0000000, 121.0000000}
5	ПЛОЩАДЬ (ГА)-5/5-{121.0000000, 139.0000000}
6	СОРТ ОЗИМ.ПШЕНИЦЫ-Батько
7	СОРТ ОЗИМ.ПШЕНИЦЫ-Вита
8	СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг
9	СОРТ ОЗИМ.ПШЕНИЦЫ-Грация
10	СОРТ ОЗИМ.ПШЕНИЦЫ-Дея
11	СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95
12	СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок
13	СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна
14	СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99
15	СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка
16	СОРТ ОЗИМ.ПШЕНИЦЫ-Купава
17	СОРТ ОЗИМ.ПШЕНИЦЫ-Лира
18	СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич
19	СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани
20	СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка
21	СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия
22	СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита
23	СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50
24	СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка
25	СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта
26	СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка
27	СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка
28	СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка
29	СОРТ ОЗИМ.ПШЕНИЦЫ-Таня
30	СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна
31	СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка
32	СОРТ ОЗИМ.ПШЕНИЦЫ-Финт
33	СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна
34	СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо
35	ПРЕДШЕСТ. 1-горох
36	ПРЕДШЕСТ. 1-кук.зерно
37	ПРЕДШЕСТ. 1-кук.силосная
38	ПРЕДШЕСТ. 1-мног.травы
39	ПРЕДШЕСТ. 1-озим.пшеница
40	ПРЕДШЕСТ. 1-подсолнечник
41	ПРЕДШЕСТ. 1-сах.свекла
42	ПРЕДШЕСТ. 1-соя
43	ПРЕДШЕСТ. 2-горох
44	ПРЕДШЕСТ. 2-кук.зерно
45	ПРЕДШЕСТ. 2-кук.зерновая
46	ПРЕДШЕСТ. 2-кук.силосная
47	ПРЕДШЕСТ. 2-мног.травы
48	ПРЕДШЕСТ. 2-озим.пшеница
49	ПРЕДШЕСТ. 2-озим.ячмень
50	ПРЕДШЕСТ. 2-подсолнечник
51	ПРЕДШЕСТ. 2-сах.свекла
52	ПРЕДШЕСТ. 3-горох
53	ПРЕДШЕСТ. 3-кук.зерно
54	ПРЕДШЕСТ. 3-кук.зерновая

Разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал

Затем система кодирует исходные данные, представленные в приложении, с использованием справочников классификационных и описательных шкал и градаций (таблицы 1, 2), в результате чего формируется обучающая выборка или база событий. Экранная форма с фрагментом обучающей выборки приведена на рисунке 5:

Рисунок 5. Экранная форма стадии с фрагментом обучающей выборки

5. Синтез и верификация моделей

После того как исходные данные представлены в форме событий становится возможным выявлять в них ними причинно-следственные связи, т.е. выявлять их смысл, в результате чего исходные данные преобразуются в информацию. Эта операция осуществляется в режиме 3.5 системы «Эйдос» (рисунок 6):

Рисунок 6. Экранная форма режима синтеза и верификации моделей

В этом режиме в соответствии с процедурой преобразования данных в информацию, а ее в знания (рисунок 1) сначала рассчитывается матрица абсолютных частот (рисунок 8), затем на основе нее матрицы условных и безусловных процентных распределений (рисунок 9), а потом на основе них, с использованием семи частных критериев знаний (таблица 3), матрицы знаний (таблицы 7 и 8), а затем все модели проверяются на достоверность (рисунок 7):

Затем с использованием выражений из таблицы 3 матрицы условных и безусловных процентных распределений (рисунки 8 и 9) преобразуются в матрицы знаний (рисунок 10).

Таблица 3 - ЧАСТНЫЕ КРИТЕРИИ ЗНАНИЙ, ИСПОЛЬЗУЕМЫЕ В НАСТОЯЩЕЕ ВРЕМЯ В АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС-Х++»

Наименование модели знаний и частный критерий	Выражение для частного критерия
	через относительные частоты	через абсолютные частоты
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами	---
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу
INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу
INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу

Обозначения:

i - значение прошлого параметра;

j - значение будущего параметра;

Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

Ni - количество встреч i-м значения прошлого параметра по всей выборке;

Nj - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ш - нормировочный коэффициент (Е.В.Луценко, 1981), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.



Рисунок 7. Экранная форма отображения стадии синтеза и верификации моделей

Рисунок 8. Экранная форма с отображением фрагмента базы абсолютных частот

Рисунок 9. Экранная форма с отображением фрагмента базы условных и безусловных процентных распределений



Рисунок 10. Экранная форма с отображением фрагмента базы знаний с частным критерием знаний А.Харкевича

В режиме 3.5. создаются аналогичные модели с применением других частных критериев (таблица 3) преобразования матрицы абсолютных частот и матриц условных и безусловных процентных распределений в матрицы знаний, которые здесь не приводятся из-за ограниченного объема статьи.

При появлении новых данных, старении и потери адекватности (актуальности) ранее использованных осуществляется пересинтез моделей на новых актуальных данных, что занимает несколько минут. Это обеспечивает эксплуатацию методики в адаптивном режиме, что также позволяет исследовать объект моделирования в динамике. При необходимости методика без особых затрат может быть локализована для других фирм на их данных.

6. Выбор наиболее достоверной модели в качестве текущей

В простейшем случае измерение достоверности моделей осуществляется путем решения задачи идентификации объектов обучающей выборки с использованием этих моделей. При этом объект считается относящимся к тому классу, о принадлежности к которому в его системе признаков содержится наиболее суммарное количество информации (это соответствует лемме Неймана-Пирсона). Количественно в СК-анализе и системе «Эйдос» эта степень сходства конкретного объекта с обобщенным образом класса рассчитывается с использованием двух интегральных критериев:

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

,

где: M - количество градаций описательных шкал (признаков);

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Результаты измерения достоверности всех созданных моделей, и статистических, и когнитивных, представляются в соответствующей экранной форме (рисунок 11):

Как в АСК-анализе и системе «Эйдос» измеряется достоверность модели? Чтобы ответить на этот вопрос необходимо рассмотреть различные виды верных и неверных прогнозов того, что осуществится и того, что не осуществится.

Рассмотрим, на примере с шестигранным игральным кубиком, различные виды прогнозов: положительный и отрицательный псевдопрогнозы, идеальный и реальный прогнозы.

Рисунок 11. Экранная форма с результатами измерения достоверности моделей путем распознавания обучающей выборки

Положительный псевдопрогноз.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

Отрицательный псевдопрогноз.

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Идеальный прогноз.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

Реальный прогноз.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз в уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.

Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

В системе «Эйдос» достоверность идентификации «k-й» категории (класса) Sk равна:

N - количество объектов в распознаваемой выборке;

BTik- уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно отнесен системой;

Tik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно не отнесен системой;

BFik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно отнесен системой;

Fik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно не отнесен системой.

В системе есть выходные формы, в которых для расчета достоверности применяется данное выражение, но здесь мы их не приводим, т.к. это не входит в задачи данной статьи. Это и есть «золотая середина». Надо искать модель, наилучшую по этому критерию, а не такую, которая дает наивысшую достоверность идентификации саму по себе, т.к. в этом случае мы от модели отрицательного псевдопрогноза кинемся в другую крайность и придем к модели положительного псевдопрогноза. Этот критерий просчитывается в системе Эйдос в ряде выходных форм анализа результатов верификации модели (4.1.3.6 и т.д.).

Отметим, что метрика, используемая для оценки достоверности модели в системе «Эйдос» имеет сходство с так называемой F-мерой и дает те же самые результаты рейтинга моделей по их достоверности.

Затем в соответствии с порядком преобразования данных в информацию, а ее в знания в СК-анализе и системе «Эйдос», представленным на рисунке 1, необходимо выбрать текущей моделью наиболее достоверную из них, с тем, чтобы затем решать в ней задачи идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области. В нашем случае наиболее достоверной оказалась модель INF1, основанная на семантической мере информации А.Харкевича. Экранные формы режима присвоения наиболее достоверной или иной модели статуса текущей представлены на рисунке 12:

Рисунок 12. Экранные формы присвоения наиболее достоверной модели статуса текущей и отображение стадии исполнения

7. Решение прямой задачи SWOT-анализа

Решение прямой задачи SWOT-анализа состоит в отображении в текстовой и графической форме системы детерминации заданных состояний объекта моделирования, т.е. указания силы и направления влияния значений различных факторов на переход объекта моделирования в заданное состояние. Эта задача решается в режиме 4.4.8 системы «Эйдос-Х++».

При выборе этого режима появляется экранная форма, представленная на рисунке 14. автоматизированный когнитивный информация градация

В этой экранной форме пользователь может выбрать любое будущее состояние объекта моделирования, любую модель и увидеть в количественном выражении какие значения факторов способствуют, какие препятствуют и в какой степени переходу объекта моделирования в данное состояние.

Рисунок 14. Экранная форма выбора вывода результатов решения прямой задачи SWOT-анализа в текстовом виде

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 15.



Рисунок 15. SWOT-диаграмма, формируемая в режиме 4.4.8 системы «Эйдос-Х++»

8. Решение обратной задачи SWOT-анализа

Если при прямой задаче SWOT-анализа мы видим, как значения факторов влияют на достижение выбранного состояния объекта моделирования, то при решении обратной задачи мы наоборот, видим, как заданное значение фактора влияет на достижение различных состояний объекта моделирования, достижению которых данное значение фактора способствуем, каких препятствует и в какой степени.

Обратная задача SWOT-анализа решается в режиме 4.4.9 системы «Эйдос-Х++», в результате формируются инвертированная SWOT-матрица и инвертированная SWOT-диаграмма (см. рисунок 13).

На экранной форме, приведенной на рисунке 16, пользователь может выбрать любое значение фактора и увидеть, как оно влияет на достижение объектом моделирования различных будущих состояний: достижению каких он способствует, каких препятствует и в какой степени.



Рисунок 16. Экранная форма выбора вывода результатов решения
обратной задачи SWOT-анализа в текстовом виде

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 17.

Рисунок 17. SWOT-диаграмма, формируемая в режиме 4.4.9 системы «Эйдос-Х++»

9. 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 10000 классов (состояний моделируемого объекта) и 10000 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.

10. Выводы и результаты

Обобщая можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают решение проблемы проведения SWOT-анализа без привлечения экспертов, что существенно улучшает метод SWOT-анализа, обеспечивая преодоление многих его недостатков при сохранении достоинств, в частности автоматизирует построение количественных SWOT-матриц и диаграмм.

В статье на реальном численном примере на основе непосредственно эмпирических данных выращивания пшеницы созданы и верифицированы статистические модели и модели знаний, отражающие силу и направление влияния различных агротехнологических факторов на хозяйственно-финансовые результаты.

При этом измерительные шкалы номинального типа метризованы до числового типа. Все шкалы, измеряемые в разных единицах измерения, преобразованы в общие единицы количества информации, что обеспечивает совместную сопоставимую обработку результатов измерений, полученных в этих шкалах.

Такими образом, системно-когнитивный анализ и система «Эйдос» являются инструментом для построения без программирования измерительных методик, обеспечивающих измерение силы и направления влияния внутренних и внешних факторов различной природы на объект моделирования, причем эти методики могут применяться в адаптивном режиме, что обеспечивает исследование объекта моделирования не только в статике, но и в динамике.

Созданные модели знаний позволяют получить решение прямой и обратной задач SWOT-анализа, т.е. исследовать систему детерминации будущих состояний объекта моделирования, а также определить, как влияет на поведение объекта моделирования любое заданное значение любого фактора, отраженного в модели.

11. PEST-анализ как детализированный SWOT-анализ

PEST-анализ можно рассматривать как развитие SWOT-анализа путем детализации классификации внешних факторов на природные, технологические, организационные, социально-экономические и политические. Следовательно, в АСК-анализе и системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для выполнения PEST-анализа. Для этого лишь необходимо соответствующим образом сконструировать описательные шкалы и градации. Поэтому существует возможность применения предложенной технологии решения прямой и обратной задач SWOT-анализа и для выполнения PEST-анализа средствами АСК-анализа и системы «Эйдос».

12. АСК-анализ и реинжиниринг бизнес-процессов

Отметим, что развития SWOT-анализа путем детализации классификации внутренних факторов, аналогично PEST-анализу, предложено не было. Поэтому предлагается сделать это и классифицировать внутренние факторы предприятия на психологические, технологические, организационные, социально-экономические, финансовые и другие. Отметим, что в АСК-анализе и интеллектуальной системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для проведения такого анализа, что и предлагается при необходимости пользоваться.

Бизнес-процессы можно рассматривать как внутренние факторы, влияющие на хозяйственные, финансовые и социально-экономические результаты деятельности фирмы и достижение ее целей в этих сферах. Конечно, с другой стороны бизнес-процессы являются инфраструктурой поддержки реализации управляющих воздействий, влияющих на достижение целей фирмы, а с другой стороны они являются этой инфораструктурой в действии.

Таким образом, возникает вопрос о результатах деятельности и целях фирмы.

Хозяйственные результаты деятельности фирмы - это количество и качество произведенной продукции (услуг), например урожайность пшеницы в центнерах на гектар и содержание клейковины (стекловидность), в ...