Перспективные направления моделирования бизнеса

Денежные ресурсы

Денежный ресурс представляет собой емкость, в которой содержится определенное количество ресурса, измеряемого числом с плавающей точкой. Обычно эту емкость отожествляют со счетом бухгалтерского или банковского учета. Этот счет моделируется с помощью совокупности блоков «пересылка».В этих блоках образуется очередь транзактов, в которых создается запрос на перевод денежных средств с данного счета на какой-либо другой.

Эта очередь может быть организована по приоритетному принципу: чем меньше денег требует транзакт перевести с данного счета, тем он приоритетнее. Можно учитывать приоритеты и по другому, например, по такой приоритетной таблице: сначала налоги, затем зарплата, а после этого все остальные платежи.

Достаточно иметь один блок direct на всю модель, но можно сделать и несколько. Алгоритм блока direct заключается в следующем: если запрос транзакта может быть удовлетворен, то транзакт проходит через узел direct, перечисляя требуемую сумму с данного счета узла на другой за ненулевое модельное время, уменьшая остаток на счете.

Среди множества видов бизнес – анализа в настоящее время начинает применяться такой вид как моделирование, т.е. исследование бизнес – процессов бизнес – систем путем построения и изучения их моделей.

Стандартный подход к моделированию бизнес – процессов использует программные средства, в основе которых лежат математические и статистические методы.

Конкуренция заставляет компании отвечать на ряд вопросов:

- Почему те или иные управленческие решения не дают ожидаемого результата?

- Как удержать клиента от перехода к другому поставщику?

- Какой вариант ценовой политики окажется наиболее эффективным?

Отсюда понятна необходимость построения модели, которая будет описывать поведение объекта и поможет спрогнозировать развитие событий.

Несмотря на бурное развитие информационных технологий, специалисты по моделированию неизбежно сталкивались с противоречием:

- с одной стороны построение точной модели требует длительного времени (месяц и более) и глубоких знаний в области статистики;

- с другой стороны, для работы в быстроменяющихся условиях это слишком большой срок, так как эффективность решения напрямую зависит от скорости его принятия.

До недавнего времени основным способом построения описательных моделей были традиционные инструменты класса Data Mining. Инструмент Data Mining, как одна из форм анализа, а именно, процесс обнаружения закономерностей, который включает в себя выдвижение гипотез о наличии взаимосвязи между факторами, подбор метода анализа и т.д. Если модель оказывается неточной, весь цикл повторяется, возможно, несколько раз.

Такой подход к моделированию требовал как минимум двух видов специалистов: профессионала в области статистики и бизнес – пользователя для интерпретации результата и последующего его применения.

В результате сложилось мнение, что построение моделей бизнеса полезно, но дорого, и модели нужны лишь в особо важных случаях, когда речь идет о принятии решений общекорпоративного масштаба (например, выработка стратегии).

А нужно ли вообще построение мат. моделей? Иногда достаточно просто прояснить ситуацию: модель становится ценной, когда превращается из отдельной формулы в механизм анализа, и этот механизм – часть текущего бизнес – процесса организации. Обладая таким механизмом, компания получает средства автоматической оценки тех или иных объектов, а также совершенно другой уровень анализа и поддержки принятия решений.

Во второй половине 90-х годов была разработана теория минимизации структурного риска, позволяющая автоматизировать процесс моделирования. Суть – быстрое нахождение такой модели, для которой соотношение точности и надежности будет наилучшим.

В 1998 году франко – американская компания KXEN разработала на основе этой теории программный продукт, в котором удалось уменьшить время разработки модели с недель до часов, обеспечить построение точных и надежных моделей, ориентировать продукт на применение и бизнес – пользователями, и статистиками. Автоматизация позволяет не тратить время на подготовку данных для анализа, работать с десятками тысяч переменных, выделять ключевые параметры, быстро строить десятки моделей, меняя тренировочные данные и набор переменных. Идея подхода KXEN состоит в том, чтобы, задав на входе данные для анализа, на выходе получить данные для бизнес – пользователя.

Сравнение традиционного подхода к бизнес – моделированию и подхода KXEN показано на рисунке:

Традиционный подход:

Подход KXEN

Работа с KXEN состоит из нескольких этапов:

1. Постановка задачи. Бизнес – пользователь формирует задачу: ответ на какой вопрос необходимо получить в результате анализа, при этом определяется класс решаемой задачи или их комбинация.

2. Построение модели. KXEN автоматически строит модель, а пользователь указывает данные для анализа, представляя их в виде одной таблицы в реляционной базе или в текстовом файле. KXEN выявляет пропуски данных и запоминает их типичными значениями для представленных данных. Построив модель, KXEN приводит ее характеристики в виде коэффициента точности KI и коэффициента надежности KR. Таким образом, сразу можно оценить качество построенной модели.

3. Понимание модели. Пользователь выбирает удобный для него вариант отображения результатов моделирования, которые не могут быть представлены как в числовом, так и в графическом виде.

4. Применение результатов. Получив качественную модель, пользователь может не просто работать с ней в рамках KXEN и совершенствовать работу на базе полученных значений, но и экспортировать построенные модели в виде текста на одном из языков программирования (С++, Visual Basic, Java и т.д).

KXEN представляет собой набор описательных и предсказательных аналитических модулей – «движков» для построения и применения моделей, которые можно комбинировать в зависимости от задачи (регрессия, кластеризация. временные ряды и т.д.).

Система KXEN полезна, если пользователь имеет дело с многомерной проблемой: в данных имеются пропуски, непонятно, подходят ли имеющиеся данные для анализа, требуется быстрый результат, желательно проанализировать все имеющиеся данные без ограничения на число переменных.

Ограничения применения KXEN: она выявляет закономерности, но не объясняет их.

KXEN целесообразно применять в страховании, оценке рисков, выявлении мошенничества, прогнозировании эффективности маркетинговых мероприятий.

Дата добавления: 2014-01-07