тике управления за рубежом, не следует преувеличивать их возможности. Традиционная эконометрика предписывает аналитику построить модель, собрать данные, выбрать подходящий метод оценивания и затем оценить модель[120]. Такая последовательность хороша в естественно -научной деятельности, но далеко не всегда применима в экономике из-за ограниченных объемов информации. Особенно проблематично использование методов эконометрики в качестве инструмента подготовки принятия решения для управления проектами с высокой степенью новизны. Как известно, суть метода эконометрики состоит в фиксации системы связей, определяющих взаимосвязи входящих и исходящих переменных. Ключевым фактором при использовании эконометрики является правильный выбор базового вопроса центра анализа. Остальные модели, необходимые данные, метод оценивания зависят от этого. Модели имеют двоякую ценность: с одной стороны они объясняют полученные результаты и имеющиеся зависимости, что представляет ограниченный интерес для маркетингового менеджмента. С другой стороны, модели гораздо более интересны как основа для прогнозирования. В качестве исходных данных для прогнозирования выступают сценарии развития внешней среды и оцениваемого объекта маркетинНа наш взгляд, очень перспективным для оптимизации процессов управления маркетингом является использование нейронных сетей. С математической точки зрения нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных процессорных элементовнейронов. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а выходной слой сигнализирует о возможной реакции на эту ситуацию. За счет обучения и настройки нейронной сети на требуемый уровень реакции может быть достигнут минимальный уровень суммарных ошибок. Основные преимущества нейронных сетей состоят в следующем [123]: • способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между |
\ [51]. В этом качестве эконом етрика может служ ить одним из и н стр у ментов поддерж ки системы управления инновационны ми процессами. Следует согласиться с имеющим место мнением [3 5,46], что, н е смотря на достаточно широкое распространение эконометрических и имитационны х моделей в практике управления за рубежом, не следует преувеличивать их возможности. Традиционная эконометрика предписы вает аналитику построить модель, собрать данные, выбрать подходящ ий метод оценивания и затем оценить м одель[51]. Такая п о сл едо вательность хорош а в естественно-научной деятельности, но далеко не всегда прим еним а в экономике из-за ограниченны х объемов ин ф орм ации. О собенно проблематично использование м етодов эконометрики в качестве инструмента подготовки принятия реш ения для управления проектами с высокой степенью инновативности. Как известно, суть м етода эконометрики состоит в фиксации системы связей, определяю щ их взаимосвязи входящ их и исходящ их переменных. К лю чевы м фактором при использовании эконометрики является правильны й выбор базового вопроса центра анализа. Остальны е модели, необходимые данные, метод оценивания зависят от этого. М одели имею т двоякую ценность: с одной стороны они объ я сн яют полученные результаты и имею щ иеся зависим ости, что п редставляет ограниченны й интерес для инновационного м енедж м ента. С другой стороны, модели гораздо более интересны как основа для прогн ози рования. В качестве исходны х данных для прогнозирования вы ступаю т сценарии развития внеш ней среды и оцениваемого объекта инновации. На наш взгляд, очень перспективны м для оптим изации процессов управления инновациями является использование нейронны х сетей. С математической точки зрения нейронная сеть представляет собой м н о гослойную сетевую структуру, состоящ ую из однотипны х п р оц ессорных элем ентовнейронов. В нейронных сетях, применяемы х для п р о гнозирования, нейроны входного слоя воспринимаю т информацию о 168 параметрах ситуации, а выходной слой сигнализирует о возможной р е акции на эту ситуацию. За счет обучения и настройки нейронной сети на требуемый уровень реакции может быть достигнут м инимальный уровень суммарных ош ибок. Основные преим ущ ества нейронны х сетей состоят в следую щ ем [35]: • способность обучаться на множестве примеров в тех случаях, когда неизвестны законом ерности развития ситуации и какие бы то ни было зависимости между входными и вы ходны ми данными; в таких случаях не работаю т как традиционные м атематические методы, так и экспертные системы; • нейронные сети способны успеш но реш ать задачи, опираясь на неполную, искаженную, заш умленную и внутренне противоречивую входную информацию; • эксплуатация обученной нейронной сети по силам пользователю непрофессионалу; • нейросетевы е пакеты позволяю т легко подклю чаться к базам данных, электронной почте и т.д. и автом атизировать процесс ввода и первичной обработки данных; • внутренний параллелизм, присущ ий нейронным сетям, позволяет практически неограниченно наращ ивать возможности нейросистемы. Нейронные сети нельзя рассм атривать как некие «черные ящ ики», занимающиеся предсказаниями будущего. Речь идет о конкретны х серийно выпускаемых программны х пакетах и специализированны х м ногопроцессорных систем для анализа и прогнозирования бизнеса. Их можно использовать не только для предсказания краха организации, но и как инструмент вы полнения огромного объема рутинной и вы сокоответственной работы в условиях высокой динамичности и неопределенности внеш ней среды. Перечень практических задач, реш аемых с по169 |