|
156 ские системы массового применения, среда которых наиболее известен пакет CubiCalc [64]. По сути, этот пакет представляет своего рода экспертную систему, в которой пользователь задает набор правил типа “если-то”, а система пытается на основе этих правил реагировать на параметры текущей ситуации. Отличие состоит в том, что вводимые правила содержат нечеткие величины, но аппарат нечеткой логики дает возможность оперировать этими понятиями как точными и строит на их основе целые логические системы, не учитывая зыбкую природу исходных определений. Эта особенность, по нашему мнению, очень важна для принятия решений при управлении маркетинговыми процессами, отличающимися использованием нечетких параметров. Рассмотренные нейросетевые и нечеткие алгоритмы представляют несомненную перспективу практического использования для широкого круга управленческих задач. Особую актуальность приобретает использование данного инструментария при управлении разовыми процессами с низким уровнем структурированности, неколичественными входными и выходными характеристиками, высокой неопределенностью и рисками. Для многоэтапных процессов, к которым могут быть отнесены маркетинговые процессы, принятие решений в условиях риска могут осуществляться с использованием метода дерева решений [16]. Если приходится принимать решения при неопределенности в предположении, что никакие вероятностные характеристики неизвестны, то целесообразно использовать критерии минимакса, Лапласа, Севиджа, Гурвица. Основное различие этих критериев определяется стратегией поведения лица принимающего решение в условиях неопределенности. Для принятия решений в такой ситуации целесообразно использовать аппарат теории игр [16]. Представляется целесообразным рассмотрение моделей принятия решений на основе теории марковских случайных процессов. Случайный процесс называется марковским, если для любого момента времени to вероятностные характеристики процесса в будущем зависят только от его состояния в данный момент to и не зависят от того, когда и как система пришла в это состояние. Предсказание будущего хода * |
входной информацией. Вначале описы вается какое-либо качественное понятие («отлично» «хорош о» «средне» «удовлетворительно» «плохо») некоторой функцией распределения подобной вероятностным функциям и далее используется как количественное выражение, забы вая его «нечеткую » природу. Теория нечеткой логики позволяет выполнять над такими величинами весь спектр логических операций объединение, пересечение и др. Более того, как это доказано в работе [35]. любая математическая система может быть аппроксим ирована системой, основанной на нечеткой логике. А ппарат теории нечетких множеств продем онстрировал ряд многообещ аю щ их возможностей применения в технических и социальноэкономических системах. И звестны примеры практического прим енения теории нечетких множеств при анализе новых рынков, выборе оптим альной ценовой стратегии и т.п. П оявились коммерческие системы массового применения, среди которых наиболее известен пакет C ubiC alc [46]. По сути, этот пакет представляет своего рода эксп ер тную систему, в которой пользователь задает набор правил типа «еслито», а система пытается на основе этих правил реагировать на п ар аметры текущей ситуации. О тличие состоит в том, что вводимые п рави ла содерж ат нечеткие величины, но аппарат нечеткой логики дает возможность оперировать этими понятиями как точными и строит на их основе целые логические системы, не учиты вая зыбкую природу и сходных определений. Эта особенность, по наш ему мнению, очень важ на для принятия реш ений при управлении инновационными процессами, отличаю щ имися использованием нечетких параметров. Рассмотренны е нейросетевы е и нечеткие алгоритмы представляют несомненную перспективу практического использования для ш и рокого круга управленческих задач. Особую актуальность приобретает использование данного инструментария при управлении разовы ми процессами с низким уровнем структурированности, неколичественны ми 171 входными и выходными характеристикам и, высокой н еоп ределен н остью и рисками. Для м ногоэтапных процессов, к которым могут быть отнесены инновационны е процессы , принятие реш ений в условиях риска могут осущ ествляться с использованием метода дерева реш ений [83]. Если приходится принимать реш ения при неопределенности в предполож ении, что никакие вероятностны е характеристики н еи звестны, то целесообразно использовать критерии м инимакса, Л апласа, Севиджа, Гурвнца. О сновное различие этих критериев определяется стр атегией поведения лица принимаю щ его реш ение в условиях неопределенности. Для принятия реш ений в такой ситуации целесообразно и с пользовать аппарат теории игр[18], П редставляется целесообразны м рассм отрение моделей принятия реш ений на основе теории марковских случайны х процессов. С луч айный процесс назы вается марковским, если для любого момента врем ени to вероятностны е характеристики процесса в будущ ем зависят т о л ь ко от его состояния в данный момент to и не зависят от того, когда и как система приш ла в это состояние. П редсказание будущ его хода р е а лизации инновационного процесса очень важно. Если инновационны й процесс можно рассм атривать как марковский, то предсказание базируется лишь на учете настоящ его состояния системы и забы вается п редыстория. В марковском процессе «будущ ее зависит от прош лого то л ько через настоящ ее» [18, с . 115]. На практике м арковские процессы в чистом виде обычно не встречаю тся, но сущ ествую т процессы, для которых влияние преды сторией можно пренебречь. К числу таких процессов, по наш ему м н ению, могут быть отнесены инновационные процессы. Э тот вывод о сн о вывается на исследованиях особенностей инновационны х процессов, которые рассм отрены в предыдущ ем разделе, а также возм ож ностях аппарата теории марковских процессов. 172 |