Препятствия для получения хороших данных

Основные принципы

Основные принципы получения хороших данных

Модель является валидной для определенной задачи, если корректна логика ее

работы и используются соответствующие данные. В данной части предлагаются методы

получения хороших данных.

Если модель схожа с существующей системой, то данные для построения модели

берутся из системы. Эти данные можно получить из архивных записей, а также собрать во

время исследования системы. Так как мнения людей, предоставляющих данные, и

аналитиков могут различаться, то необходимо соблюдать следующие принципы:

− Необходимо, чтобы предоставляли лицам, предоставляющим данные,

точное описание требований к данным (тип, формат, количество, для чего

необходимы, условия, при которых данные собираются, и т.д.)

− Необходимо, чтобы аналитик понимал сам процесс получения данных, а не

только абстрактную обработку наблюдений. Например, предположим, что в

нескольких наблюдениях были получены данные, значительно отличающиеся от

данных в большинстве наблюдений. Без глубокого понимания основных

принципов работы системы невозможно являются ли эти данные результатом

ошибки или это допустимые значения, которые появляются с малой

вероятностью.

Ниже приводятся четыре препятствия, которые не позволяют получить хорошие

данные:

• Данные не отражают требуемых характеристик модели.

Пример 11. Данные, полученные при исследовании поля сражения, могут

отличаться от реальной ситуации из-за различий в поведении исследовательской

группы и войск, а так же из-за недостаточного учета каких-либо обстоятельств,

например, появления дыма во время сражения.

• Используются данные неверного (неподходящего) формата или типа.

Пример 12. При моделировании производственной системы случайный характер

носят простои машин. В идеальном случае нам необходимы данные о времени сбоев

и времени восстановления машин. Иногда эти данные собирают во время сбоев, но

зачастую они не представлены в требуемом формате. Например, время сбоя может

быть основано на физическом времени и включать в себя периоды простоя машины.

• Данные могут содержать ошибки измерений, записи или округления.

Пример 13. Данные, представляющие время выполнения некоторого задания, иногда

округляется до ближайших 5 или 10 минут. Так как данные дискретны, то

усложняется использование непрерывных теоретических законов распределения.

• Данные могут быть «приукрашены»

Пример 14. Административно-хозяйственный отдел автомобильного завода

намеренно предоставил преувеличенные данные о надежности машины.

Заключение

Необходима валидация всех имитационных моделей, иначе решения, принятые на

основе этих моделей, будут неверными. Ниже приводятся наиболее важные идей

разработки валидных и надежных моделей:

− Точная формулировка проблемы.

− Проведение интервью с экспертами в данной предметной области.

− Постоянное взаимодействие лица, принимающего решения с участниками

проекта, что гарантирует корректность решаемой задачи, а также увеличивает

надежность модели.

− Разработки письменной концептуальной модели.

− Структурированный просмотр концептуальной модели. Если не существует

реальной системы, то это может быть единственным методом валидации.

− Применение анализа чувствительности__

Дата добавления: 2014-12-24