О методах поддержки принятия решения

Разработка альтернатив нередко связана с процессом выбора. Этот единственный выбор часто должен быть произведен из достаточно большого (иногда неизвестного) числа альтернатив. В процессе принятия индивидуальных решений часто допускаются ошибки, вызываемые личными предубеждениями ЛПР. Групповые решения признаются более точными, чем индивидуальные. Для стимулирования генерации идей может использоваться различная техника – от метода мозгового штурма до метода аналогий. Однако обсуждение группового мышления, конформизма и других недостатков групповых решений приводит к контролю процедуры группового принятия решений, чтобы избежать подавления точек зрения меньшинства. Одним из методов, контролирующих взаимодействие в группе при принятии группового решения, является метод Дельфи, который за счет анонимности вопросов и ответов, дает возможность избежать поляризации, конформизма и оборонительного поведения, способствуя даче откровенных ответов и обучению в процессе работы. Популярен подход (унитарная модель), исходящий из того, что одно лицо от имени организации выбирает рациональные стратегии для достижения поставленных перед организацией целей в зависимости от условий, в которых осуществляется выбор.

Существует ряд правил принятия решений в условиях определенности (имеется полная информация по последствиям каждой из альтернатив и существует только один вариант выбора каждой из альтернатив), неопределенности (имеется несколько вариантов последствий решения, но вероятность наступления каждого из них не может быть указана) и риска (существует несколько вариантов последствий каждой альтернативы и может быть указана вероятность наступления каждого варианта).

Методы выбора обычно используются в конкретных типах моделей. Особенности и техника использования для основных моделей представлены в табл. 1.2.

Decision-анализ (анализ решений) обычно используется для принятия решений в условиях неопределенности и риска, выбор между альтернативами решения осуществляется на базе оценок вероятности наступления тех или иных последствий. Известен целый ряд методов decision-анализа, в числе которых можно указать метод построения матриц последствий, метод анализа иерархий, метод DPL и др. Один из важнейших инструментов decision-анализа – метод построения деревьев решений. Например, при построении дерева решений, описывающее ситуацию, в которой геологическая компания принимает решение о бурении нефтяной скважины, учитываются управляемые переменные «за» – бурить и «против» – не бурить. Чтобы повысить шансы на успех, компания может провести дополнительные весьма дорогие сейсмические испытания и затем принимать решение о бурении уже с учетом полученных данных. В этом случае, мы имеем две пары альтернатив (проводить или не проводить испытания и бурить или не бурить). При определении финансового последствия каждого возможного исхода можно ввести оценки прибыли или потерь. Как только дерево решений построено, следует приступить к расчетам, чтобы определить, по какому из альтернативных путей нужно следовать. Для этого следует предварительно указать оценки вероятности последствий каждого из событий.

Таблица 1.2 - Типы моделей

Использование метода построения деревьев решений (и других методов decision-анализа) целесообразно в тех сферах, где накоплен значительный опыт и имеется ретроспективная информация, облегчающая обоснованное определение оценок вероятности, а также последствий принимаемых решений.

Математическое программирование – совокупность методов, дающих возможность решения управленческих задач при распределении ограниченных ресурсов между различными направлениями с целью оптимизации поставленной задачи.

Финансовое моделирование – использует финансовые переменные, значениями которых возможно манипулировать для достижения поставленной цели. Финансовые модели делятся на оптимизационные и имитационные методы. Имитационное моделирование – в отличие от других видов моделей призвана не просто отражать реальность, а точнее имитировать ее. Процесс моделирования состоит из многократного повторения эксперимента для оценки последствий в определенных условиях, обычно используется, когда проблема слишком сложна для описания ее методами математического программирования;

Эвристические методы моделирования – методы, используемые в случаях, когда входная информация неточна или ограничена; когда реальная проблема настолько сложна, что построение оптимизационной модели приводит к упрощению задачи. Преимущества этого моделирования – более простые для понимания и легкие для использования; экономит машинное время и предъявляет менее жесткие требования к памяти компьютера. Недостатки: за счет локального улучшения решения эвристические методы моделирования не обладают глобальной перспективой решения задачи.

Прогностическое моделирование – основывается на предсказании значений переменных модели и их взаимосвязи в какой-то момент времени в будущем. Данная группа методов подразделяется на экстраполяционные (основанные на анализе временных рядов), статистические (корреляционный и регрессионный анализы), экспертные методы;

Специальные программы включают языки моделирования – специальные программы, используемые для моделирования и электронные таблицы.