Идентификация объектов

Еще одна проблема реализации взаимосвязей заключается в четком определении, что такое «один и тот же объект» при наличии таких объектов в разных моделях. Эта проблема намного более серьезна, нежели организация ссылок на файлы в предыдущем случае.

Идентичные объекты – это объекты одного типа, отображаемые одинаковыми символами, которые обладают одина­ковыми названиями и одинаковым набором атрибутов.

Если мы моделируем деятельность одного предприятия, то объект «главный бухгалтер» вполне может быть одним и тем же на разных моделях – как правило, главный бухгалтер на предприятии один.

Но, к примеру, являет­ся ли одним и тем же объект «служебная записка» на разных моделях? Авторы разных моделей вполне могут назвать одним и тем же словосочетанием «служебная записка» такие разные объекты, как служебная записка на вы­дачу денег на командировочные расходы и служебная записка на предоставление отпуска – ведь они мыслят в ограничен­ных рамках моделируемого процесса, в кото­ром вполне может фигурировать один-един­ственный тип служебной записки.

А если вер­нуться к примеру с объектом «главный бухгалтер», но моделировать деятельность не от­дельного предприятия, а холдинга? Очевидно, что главных бухгалтеров в холдинге будет как минимум столько же, сколько предприятий.

Пример использования одного и того же объекта в разных моделях приведен на рис. 8 Приложения.

Данная проблема, конечно же, может быть решена путем установки строгих правил име­нования объектов и ограничений на значения их атрибутов, а также строгого определения идентичных объектов – то есть организационных, а не технических решений. Однако все предусмотреть невозможно.

Поэтому есть и еще одно решение: хранить описа­ния объектов как бизнес–сущностей отдельно от моделей, в то время как в самих моделях помещать только ссылки на эти описания.

Вопрос 32. Методология структурного моделирования SADT

Методология SADT (Structured Analysis and Design Technique) была создана и опробована на практике в период с 1969 по 1973 гг. Автором методологии SADT является Дуглас Росс.

Предназначения для моделирования систем на основе принципов структурного анализа. Методология предлагает графический язык проектирования систем, в котором сочетаются декомпозиция и иерархическое упорядочение и для обозначения составляющих системы используется графическая конструкция, называемая SA-блок.

Предпосылки создания SADT:

· Возрастание сложности проектируемых систем.

· Необходимость формализации процесса разработки при создании крупномасштабных систем.

· Процесс разработки систем был формально разбит на этапы:

· Анализ –определение того, что система будет делать

· Проектирование – определение подсистем и их взаимодействие

· Реализация – разработка подсистем по отдельности

· Обьединение – сборка подсистем в целое

· Тестирование – проверка работы системы

· Установка – введение системы в действие

· Функционирование – использование системы

· Данная последовательность этапов разработки стала традиционной

Преимущества SADT

· Легко отражает такие системные характеристики как управление, обратная связь и исполнители, так как возникла на базе проектирования систем общего вида в отличие от структурных методов, «выросших» из проектирования программного обеспечения.

· Имеет развитые процедуры поддержки коллективной работы.

· Применяется на ранних стадиях создания системы, что позволяет избежать наиболее дорогостоящих ошибок.

· Успешно сочетается с другими структурными методами.

· Разработка и широкое успешное использование ее графического языка превратило SADT в методологию, способную значительно повысить качество продуктов, создаваемых на ранних этапах проектов.

Сущность структурного подхода

· Система декомпозируется (разбивается) на функциональные подсистемы до нужной степени детализации.

· Базовые принципы:

· принцип «разделяй и властвуй».

· принцип иерархического упорядочивания

Использование SADT

· Методология SADT может использоваться для моделирования широкого круга систем и определения требований и функций, а затем для разработки системы, которая удовлетворяет этим требованиям и реализует эти функции. Для уже существующих систем SADT может быть использована для анализа функций, выполняемых системой, а также для указания механизмов, посредством которых они осуществляются

Методология SADT может быть направлена как для описания функций, выполняемых системой, так и на описание обьектов, составляющих систему.

· Методология SADT может быть направлена как для описания функций, выполняемых системой, так и на описание обьектов, составляющих систему.

· В первом случае методология SADT представляет собой совокупность методов, правил и процедур, предназначенных для построения функциональной модели объекта какой-либо предметной области. Функциональная модель SADT отображает функциональную структуру объекта, т.е. производимые им действия и связи между этими действиями.

· Во-втором случае методология SADT представляет собой совокупность методов, правил и процедур, предназначенных для описания обьектов, входящих в систему, их свойств и взаимосвязей между ними

Методологии SADT

· IDEF0 (Icam Definition) модели и соответствующие функциональные диаграммы.

· DFD (Data Flow Diagrams) диаграммы потоков данных.

· ERD (Entity-Relationship Diagrams) диаграммы " сущность-связь«.

Принципы функционального моделирования. Основные понятия.

· Система – совокупность взаимодействующих компонент и взаимосвязей между ними.

· Моделирование – процесс создания точного описания системы.

· SADTмодель – полное, точное и адекватное описание системы, имеющее конкретное назначение, которое называется целью модели. SADTмодель может быть сосредоточена либо на функциях системы (функциональная модель), либо на ее обьектах (модель данных).

· Цель модели – получение ответов на некоторую совокупность вопросов относительно системы. Список вопросов сводится к одной-двум фразам, которые и формулируют цель.

Вопрос 33. Мультиагентные системы в деятельности предприятия

В основе мультиагентного подхода лежит понятие мобильного программного агента, который реализован и функционирует как самостоятельная специализированная компьютерная программа или элемент искусственного интеллекта.

Изначально, до появления соответствующих информационных технологий, " агент" был человеком, которому делегировалась часть полномочий — как в выполнении конкретных функций, так и в принятии решений. В первых (не компьютерных) мультиагентных системах агенты представляли сотрудников компаний, от имени и по поручению которых они взаимодействовали между собой при выполнении определенной задачи — например, представители покупателя и продавца в торговой сети или в других видах бизнеса. Такие системы наследовали многие черты " бюрократической" организации, включая централизацию управления, статичную структуру и узкоспециализированную агентную функциональность. В частности, базовый агент (резидент) получал задачу, декомпозировал её и распределял подзадачи между другими агентами, после чего получал результат и принимал решение — при этом, как правило, большинство агентов занимались исключительно сбором и поставкой информации.

На смену таким системам, копирующим централизованную иерархию, быстро пришли распределенные системы, в которых знания и ресурсы распределялись между достаточно " самостоятельными" агентами, но сохранялся общий орган командного управления, принимающий решения в критических или конфликтных ситуациях. Дальнейшим шагом в этом направлении стала парадигма полностью децентрализованных систем, в которых управление происходит только за счет локальных взаимодействий между агентами. При этом узкая функциональная ориентация агента на решение какой-то одной отдельной части общей задачи постепенно стала уступать место универсальной целостности (автономности). Примерами таких децентрализованных организаций отчасти могут служить колонии насекомых, например, пчел или муравьев.

Суть мультиагентных технологий заключается в принципиально новом методе решения задач. В отличие от классического способа, когда проводится поиск некоторого четко определенного (детерминированного) алгоритма, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение получается автоматически в результате взаимодействия множества самостоятельных целенаправленных программных модулей — так называе мых программных агентов.

Зачастую классические методы решения задач либо неприменимы к реальной жизни (нетрудно представить себе, что значит попытаться решить задачу управления предприятием в непредсказуемой динамичной обстановке современного бизнеса, даже с по мощью высшей математики и самых продвинутых экономических моделей), либо они требуют огромных объемов расчетов (для которых не хватит мощности всех современных компьютеров), либо они вовсе отсутствую

На рисунке показаны в сравнении две схемы построения программного обеспечения: традиционная и на базе мультиагентной системы. В MAC каждой сущности ставится в соответствие программный агент, который представляет ее интересы.

Вопрос 34 Необходимость применения интеллектуальных технологий в анализе данных

Технологии интеллектуального анализа данных (ИАД, другие термины — Data Mining, Knowledge discovery in databases) предназначены для выявления знаний — закономерностей и логических взаимосвязей в больших объемах данных различного формата и происхождения. Методы ИАД стали активно развиваться в 1990-х гг. К этому времени на крупных предприятиях «скопились» большие объемы сведений (фактов, документальных данных), хранимых в разном виде, различных форматах и базах данных. Чтобы эти сведения не лежали «мертвым грузом», а приносили пользу, были предложены концепция внедрения информационных хранилищ данных ИАД.
Методы ИАД имеют основной целью выявление закономерностей на основе анализа данных для последующего обоснования и принятия решений. Выделяют следующие основные типы таких закономерностей:
ассоциация

— связь между событиями. Например, исследование в супермаркете может показать, что 65% купивших кукурузные чипсы берут также и коку-колу, а при наличии скидки за такой комплект колу приобретают в 85% случаев. Располагая сведениями о подобной ассоциации, менеджерам легко оценить, насколько действенна предоставляемая скидка;
последовательность

— цепочка связанных во времени событий. Например, после покупки дома в 45% случаев в течение месяца приобретается новая кухонная плита, а в пределах двух недель 60% новоселов приобретают холодильник;
классификация

— выявление среди параметров, описывающих объекты, тех признаков и их взаимосвязей, которые позволяют отнести новый объект к той или иной группе. Пусть, например, имеются данные о покупателях, которые обслуживались фирмой. Известно, что все множество этих покупателей условно можно раз-делить на классы: «бедный», «богатый», «богатый, но прижимистый». Оценивая параметры покупателей, система ИАД может вывести закономерности между их значениями и принадлежностью покупателя к одному из классов. Тогда, получая характеристики потенциальных покупателей, можно заранее отнести их к тому или иному классу и предложить определенные рекомендации по работе с ними;
кластеризация

— выявление устойчивых групп в множестве объектов, описываемых набором данных. В отличие от классификации сами группы — кластеры здесь неизвестны, их требуется определить. Возможно, что при анализе некоторого множества данных о покупателях сформируются группы и признаки покупателей, предпочитающих определенный вид товара и способ обслуживания;
прогнозирование

— выявление на основе исторической информации закономерностей, отражающих динамику поведения объектов и позволяющих прогнозировать их будущее.
Методы ИАД являются дополнением традиционных методов статистической обработки данных (факторного, корреляционного, регрессионного и других видов анализа). Основной их особенностью является выявление логических связей между данными и представление результатов не в виде абстрактных математических формул, а в форме, позволяющей наглядно отобразить, интерпретировать и объяснить полученные знания. Именно эта наглядность найденных знаний объясняет практическую важность методов ИАД в реальных задачах принятия решений.

Вопрос 36. Области применения технологий интеллектуального анализа данных.

Системы, основанные на технологиях интеллектуального анализа данных, используются в компаниях различного профиля. Однако существует целый ряд областей, для которых накоплен богатый и очень успешный опыт применения подобных систем.

Торговля. Анализ потребительской корзины, исследование временных шаблонов, создание прогнозирующих моделей, оптимизация складских запасов.

Банковское дело. Сегментация клиентов, выявление мошенничества с кредитными картами, прогнозирование изменения клиентуры, анализ финансовых рисков.

Страховой бизнес. Сегментация клиентов, выявление фактов мошенничества, анализ страховых рисков, разработка новых продуктов, расчет страховых премий.

Телекоммуникации. Анализ лояльности клиентов, сегментирование клиентской базы и услуг, анализ внешних факторов на отказы оборудования, выявление случаев несанкционированного доступа к сети.

Производственные предприятия. Оптимизация закупок, диагностика брака на ранних стадиях, диагностика оборудования, маркетинг.

Нефтегазовая отрасль. Диагностика оборудования и нефте-газопроводов, прогнозирование цен, разведка месторождений, анализ влияния внешних и внутренних факторов на объемы продаж.

Розничная торговля

Предприятия розничной торговли сегодня собирают подробную информацию о каждой отдельной покупке, используя кредитные карточки с маркой магазина и компьютеризованные системы контроля. Вот типичные задачи, которые можно решать с помощью технологий data mining в сфере розничной торговли:

Анализ покупательской корзины предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах.

Исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа «Если сегодня покупатель приобрел видеокамеру, то, через какое время он вероятнее всего купит новые батарейки и пленку?»

Создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.

Банковская деятельность

Достижения технологии data mining используются в банковском деле для решения проблем Телекоммуникации.

В области телекоммуникаций характерен растущий уровень конкуренции. Здесь методы data mining помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удержать существующих клиентов и привлечь новых. В число типичных мероприятий входят:

– анализ записей о подробных характеристиках вызовов;

– выявление степени лояльности клиентов.

Анализ записей о подробных характеристиках вызовов. Назначение такого анализа – выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг.

Выявление степени лояльности клиентов. Некоторые клиенты все время меняют провайдеров, пользуясь программами новых компаний, стимулирующими появление новых клиентов. Data mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего

Технологии data mining активно применяются в центрах обработки вызовов телекоммуникационных компаний.

Страховой бизнес

Страховые компании накапливают значительные объемы подробнейшей информации о клиентах, используемых ими услугах, страховых премиях и выплатах. Технологии data mining позволяют использовать накопившиеся данные для решения следующих задач:

Классификация и кластеризация клиентов. Система интеллектуального анализа данных позволяет страховой компании проводить эффективную тарифную политику, основанную на индивидуальных предпочтениях различных категорий клиентов.

Разработка нового товара. Технологии data mining являются инструментом, с помощью которого можно спрогнозировать спрос на услугу, оценить страховые выплаты и сформировать политику в отношении взимаемых страховых премий.

Производство

Большинство производственных компаний используют системы интеллектуального анализа данных для решения следующих задач.

Оптимизации логистических цепочек. Data mining позволяет снизить затраты на логистику за счет эффективного прогнозирования продаж товаров и закупок сырья/комплектующих.

Проведение маркетинговых исследований. Накопленные данные о сбыте продукции могут быть использованы при разработке новых продуктов или для повышения эффективности рекламных кампаний.

Диагностика брака на ранних стадиях. Анализ зависимостей позволяет оценить степень риска изготовления бракованного изделия на ранних стадиях производства. Очевидно, что это позволяет сэкономить существенные средства.

Вопрос 38. Организация системы непрерывного совершенствования процессов

Кайдзен технология (Kaizen, яп. непрерывное улучшение) — комплексная концепция, охватывающая философию, теорию и инструменты менеджмента, позволяющая достичь преимущества в конкурентной борьбе на современном этапе.

В практике системы менеджмента это понятие имеет синоним – непрерывный процесс совершенствования (нем.- KVP, Kontinuierlicher Verbesserungs Prozess, англ.- CIP, Continuous Improvement Process). В экономическом смысле концепция относится, как правило, к действиям по непрерывному улучшению всех функций предприятия, от производства до менеджмента. Кайдзен – понятие, производное от японских слов kai = изменение, и дзен = хорошо или к лучшему. Кайдзен был введен вначале на нескольких японских предприятиях во время восстановления экономики после Второй мировой войны и с тех пор распространяетсяна предприятиях всего мира. Самое известное практическое приложение данной концепции было разработано для японской корпорации Toyota Motor Corporation. Она лежит в основе метода Всеобщего менеджмента качества (англ.- TQM, Total Quality Management) и включает в себя мероприятия по предотвращению расточительства (потерь), инновационную деятельность и работу с новыми стандартами.

При НПУ в центре находится человек со способностями и знаниями, которые являются самым важным капиталом компании. К этому можно добавить, положительное восприятие организацией проблем, так как они являются стимулом к улучшениям.На переднем плане стоит не вопрос о виновниках проблем, а общие усилия по их фундаментальному решению. Не наказание за ошибки прошлого, а возможности улучшения в пользу общего будущего должны руководить мышлением компании. Желание познавать настоящие проблемы и надолго их устранять является решающим!

Таким образом, команда сотрудников рассматривается как источник мотивации, идентификации, ментальной энергии, синергии и растущей креативности. НПУ обозначает непрерывную, систематическую и последовательную работу по:

· установлению и преследованию целей,

· устранению помех,

· поиску возможностей улучшения,

· предотвращению расточительства с помощью всех сотрудников на всех уровнях, во всех отделах, цехах и офисах.

Непрерывный процесс совершенствования – это не только изучение новых методов и инструментов, но и иная форма сотрудничества. Больше самоорганизации на местах с помощью способных сотрудников, больше личной ответственности всех участников, больше развития инновационного потенциала на предприятии. Причем, дополнительное значение приобретают требования к менеджменту. Наряду с профессиональной и методической компетенцией, успех зависит от наличия у менеджеров социальной компетенции. Процесс изменения взглядов происходит «сверху вниз», и, лучшей гарантией успеха посредством НПУ, является образцовый лидирующий менеджмент. Необходимые изменения в подходе к работе проводятся менеджментом, показывая пример сотрудникам, которые познают эти изменения и перенимают их

На предприятиях, использующих технологию кайдзен, непрерывный процесс совершенствования составляет важнейшую часть функционирования производственного менеджмента. Он охватывает:

· организацию (организационную структуру, распределение ответственности, координацию, механизм контроля);

· управление (разграничение целей, выбор тематики, формирование команды);

· квалификационные мероприятия (поведенческий тренинг, методический тренинг);

· систематику (регулярность, документирование, охват рабочих бригад, инструменты);

· поощрительная система (поощрение рационализаторства, специальные системы морального и материального поощрения).

Вопрос 39 Организация функционального моделирования систем

Изучение любой системы предполагает создание модели системы, позволяющей произвести анализ и предсказать ее поведение в определенно диапазоне условий, решать задачи анализа и синтеза реальной системы. В зависимости от целей и задач моделирования оно может проводиться на различных уровнях абстракции.

Модель — описание системы, отражающее определенную группу ее свойств.

Описание системы целесообразно начинать с трех точек зрения: функциональной, морфологической и информационной.

Всякий объект характеризуется результатами своего существования, местом, которое он занимает среди других объектов, ролью, которую он играет в среде. Функциональное описание необходимо для того, чтобы осознать важность системы, определить ее место, оценить отношения с другими системами.

Функциональное описание (функциональная модель) должно создать правильную ориентацию в отношении внешних связей системы, ее контактов с окружающим миром, направлениях ее возможного изменения.

Функциональное описание исходит из того, что всякая система выполняет некоторые функции: просто пассивно существует, служит областью обитания других систем, обслуживает системы более высокого порядка, служит средством для создания более совершенных систем.

Система может быть однофункциональной и многофункциональной.

Во многом оценка функций системы (в абсолютном смысле) зависит от точки зрения того, кто ее оценивает (или системы, ее оценивающей).

Функционирование системы может описываться числовым функционалом, зависящем от функций, описывающих внутренние процессы системы, либо качественным функционалом (упорядочение в терминах «лучше», «хуже», «больше», «меньше» и т.д.)

Функционал количественно или качественно описывающий деятельность системы называют функционалом эффективности.

Функциональная организация может быть описана:

• алгоритмически,
• аналитически,
• графически,
• таблично,
• посредством временных диаграмм функционирования,
• вербально (словесно).

Описание должно соответствовать концепции развития систем определенного класса и удовлетворять некоторым требованиям:

• должно быть открытым и допускать возможность расширения (сужения) спектра функций, реализуемых системой;
• предусматривать возможность перехода от одного уровня рассмотрения к другому, т.е. обеспечивать построение виртуальных моделей систем любого уровня.

Вопрос 41 Оценка качества прогноза

Для оценки качества прогноза принято использовать такие характеристики как надёжность, точность, достоверность, ошибки прогноза.

Под надёжностью прогнозных расчётов понимается мера неопределённости поведения объекта прогнозирования во времени.

Достоверность прогноза определяется вероятностью осуществления прогноза для заданного варианта или доверительного интервала.

Точность прогноза характеризует интервальный разброс прогнозных траекторий при фиксированном уровне достоверности.

Ошибки прогноза представляют собой меру отклонения прогнозных оценок от реальных значений состояния прогнозируемого объекта.

Однако, описать такие характеристики как надёжность, точность, достоверность, вычислить ошибки прогноза априори не представляется возможным, поскольку прогнозные результаты не с чем сравнивать. Поэтому и на сегодняшний день перед разработчиками прогнозов встаёт проблема: «Как оценить качество прогноза ещё до его реализации?». Определённые шаги в сторону улучшения качества прогноза можно сделать, изучив факторы, влияющие на показатели качества прогноза

Факторы, влияющие на качество прогноза:

– качество исходной;

– модель прогноза;

– метод прогнозирования.

Качество исходной информации, в свою очередь, определяется:

- точностью экономических измерений;

- качеством выборки;

- отсутствием ошибок согласования (данные ошибки возникают в тех случаях, когда исходная информация для проведения прогнозных расчётов подготавливается различными специалистами, использующими разные методологические подходы).

Погрешности, связанные с выбором модели прогноза, возникают в результате упрощения, несовершенства теоретических построений или неадекватности моделей прогнозируемым социально-экономическим процессам. Иногда для прогнозирования процессов, протекающих в нашей стране, используются модели разработанные зарубежными специалистами и хорошо себя зарекомендовавшие для прогнозирования аналогичных процессов в других странах. Однако следует помнить о том, что данные модели могут быть неадекватны социально-экономическим процессам, происходящим в нашей стране и их использование может привести к серьезным ошибкам и просчетам.

Наиболее часто на практике для анализа адекватности модели прогноза исследуемым социально-экономическим процессам используются абсолютные показатели, позволяющие количественно определить величину ошибки моделирования в единицах измерения прогнозируемого объекта.

Вопрос 45 Прогнозирование научного исследования

Прогнозирование развития науки и производства — это определение путей повышения уровня обоснованности плановых и управленческих решений, снижения степени риска и допущения ошибок в управлении народным хозяйством, что в конечном счете должно дать существенную экономию материальных, трудовых и финансовых ресурсов. Благодаря прогнозиро­ванию можно обосновать необходимость разработки новых ви­дов техники и технологии, оптимально распределять капиталь­ные вложения, своевременно создавать или совершенствовать научные организации по наиболее перспективным направ­лениям.

Научно-техническое прогнозирование должно решать сле­дующие задачи:

· устанавливать альтернативные цели научно-технического прогресса;

· находить оптимальные пути и средства их достижения;

· определять необходимые ресурсы и возможные сроки ре­ализации поставленных целей;

· выявлять ограничения, влияющие на процесс научно-тех­нического развития;

· характеризовать возможные социально-экономические последствия реализации вариантов научно-технического раз­вития;

· определять взаимодействие целей, средств, ресурсов и вы­являть по принятым критериям эффективность предпочтитель­ных направлений развития науки и техники.

Задачи прогнозирования имеют некоторые особенности для разных стадий научно-исследовательских и опытно-конструк­торских работ.

Так, основными задачами прогнозирования являются:

· для фундаментальных исследований — определять воз­можные области расширения знаний об изучаемых явлениях; оценивать приоритетность новых научных направлений и про­блем; устанавливать абсолютные и относительные пределы раз­вития изучаемых процессов и др.;

· для поисковых исследований — находить альтернатив­ные способы решения проблем; разрабатывать критерии оцен­ки исследований с точки зрения социально-экономических по­следствий; определять оптимальную стратегию развития науки ¹¹ техники и др.;

· для прикладных исследований — оценивать возможнос­ти использования определенных принципов и законов при со­здании новых техники и технологии; формулировать научно- и организационно-технические проблемы, при решении которых будут созданы новые технология и техника;

· для опытно-конструкторских работ — показывать соци­ально-экономическую потребность в новой технике; определять предельные технические возможности создания новых изделий, формулировать технические требования к ним и технические задания; формировать параметрические ряды перспективных технических систем; оценивать эффективность вероятных про­ектных альтернатив.

Различают поисковое и нормативное прогнозирование.

Поисковое прогнозирование основано на принципе инерт­ности развития объектов и процессов и ориентировано во вре­мени — от настоящего к будущему. Поисковый прогноз пред­ставляет собой результаты исследования будущего, исходя из существующего состояния объекта, путем анализа историчес­ких тенденций его развития.

Нормативное прогнозирование заключается в определении тенденций развития объектов прогноза. При этом прогнозы дол­жны быть ориентированы во времени — от будущего к настоящему. Нормативный прогноз означает проектирование будуще­го посредством выявления условий и путей развития объект для достижения намеченных целей. Сочетание поискового и нормативного прогнозов — это интегральный подход к их разработке.

К формам обоснования управленческих решений относятся такие прогнозы.

Целевой прогноз — определение целей будущего научно технического развития с последующим выделением приоритов и временных интервалов достижения поставленных целе При этом ранжируются цели: нежелательно, менее желательно, более желательно, оптимально.

Программный прогноз — формирование возможных путе мер и условий достижения поставленных целей. При его разрботке выдвигаается гипотеза о возможных взаимных влияниях различных факторов, координируются предполагаемые сроки, последовательность и очередность достижения промежуточных целей на пути к главной.

Проектный прогноз — отбор оптимальных вариантов перс­пективного прогнозирования, на основе которых затем начина­ют текущее проектирование.

Организационный прогноз — разработка текущих управ­ленческих решений для достижения поставленных целей и ре­ализации желаемого состояния объекта.

По временному признаку прогнозы подразделяют следую­щим образом.

Оперативные прогнозы содержат, как правило, детальные количественные оценки и ориентированы на тот отрезок вре­мени, на протяжении которого не ожидается существенных из­менений объекта исследования и внешней среды.

Краткосрочные прогнозы разрабатывают на тот период, в течение которого ожидаются только общие количественные из­менения.

Среднесрочные прогнозы охватывают период упрежде­ния, где количественные изменения преобладают над каче­ственными.

Долгосрочные прогнозы характеризуют период упреждения с преобладанием качественных изменений над количественными.

Дальнесрочные прогнозы ориентированы на перспективу, когда ожидаются значительные качественные изменения. В этом случае вырабатывают только общие качественные оценки. Та­кие прогнозы разрабатывают более чем на двадцатилетний пе­риод.

На основных этапах научно-технического прогнозирования формируется информационная база прогноза, разрабатывает­ся модели объекта прогноза, создаются модели внешней среды и ее влияния на объект прогнозирования, разрабатывается про­гноз на основе выбранного метода прогнозирования, делается оценка качества прогноза, принимаются решения на основе про­гнозной информации.

По количеству принципов методы прогнозирования под­разделяют на сингулярные, применяющие только один прин­цип работы, и комплексные, объединяющие два и более сингу­лярных метода. Предельное количество комплексных методов равно числу возможных сочетаний сингулярных методов.

Из известных комбинаций сингулярных методов наиболее простая (по процедуре организации и применяемым прогности­ческим приемам) — совместная обработка результатов инфор­мационного (статистического, математического) и инициативно­го (эвристического) прогнозирования и получения комбиниро­ванных оценок.

Комплексные методы прогнозирования более сложные. Они представляют собой комплексные системы прогнозирования, синтезирующие в определенной последовательности алгорит­мы целого ряда сингулярных методов. Применяя комплексные системы, получают интегральный прогноз, построенный на ос-! нове синтеза поискового и нормативного прогнозирования. Об­ласть применения таких методов — это прогнозирование раз-' вития сложных технических и организационно-экономических систем, комплексных научно-технических и промышленных программ, затрагивающих большое количество смежных отрас­лей производства и областей званий.

По степени формализации методы прогнозирования подразделяют на интуитивные (экспертные) и формализованные (фактографические). Интуитивные методы подразделяют на две группы: индивидуальные и коллективные экспертные оценки, а формализованные — на три группы: экстраполяционные методы, основанные на построении и анализе эмпирических динамических рядов характеристик объекта; опережающие методы, базирующиеся на обработке информации, относящейся непосредствен] ко времени упреждения; системно-структурные методы, предполагающие логический анализ модели развития объекта.

Интуитивные методы прогнозирования основаны на обработке информации, полученной систематизированием опро высококвалифицированных специалистов-экспертов. Из экспертных интуитивных методов наиболее широко применяя

индивидуальные экспертные оценки — в форме интервью, ана­литических докладных записок, сценариев, а также методы кол­лективных экспертных оценок, основанные на выявлении кол­лективного мнения экспертов о перспективах развития объек­та прогнозирования. Наиболее распространен метод коллектив­ных экспертных оценок с применением анкетных опросов. Но существует еще целый ряд более сложных (квалифицирован­ных) методов коллективных оценок и их модификаций, таких как методы комиссий, мозговой атаки, деструктивной, отнесен­ной оценки и т. д.

Группу системно-структурных методов составляют мето­ды функционально-иерархического моделирования (например ''дерево целей"), морфологического анализа, матричный, сете­вого моделирования, структурной аналогии и др.

Среди формализованных методов получили распростране­ние группы статистических методов экстраполяции тенденций (прогнозная экстраполяция, интерполяция, экстраполяция по огибающим кривым, инверсная), а также методов математико- статистического и информационного моделирования —- с исполь­зованием корреляционно-регрессионного и факторного анали­за, вероятностного и экономического моделирования и др.

При прогнозировании фундаментальных и поисковых ис­следований наиболее широко применяют составление сценари­ев, построение " дерева целей", разнообразные экспертные ме­тоды (мозговая атака, коллективный и индивидуальный экспер­тные опросы и др.), прогнозные графики, матричные методы, казуальное моделирование, основанное на установлении при­чинно-следственных связей известных факторов, морфологи­ческий анализ, экстраполяцию тенденций.

При прогнозировании прикладных исследований и разра­боток, помимо перечисленных, часто используют патентные методы, имитационное, сетевое, игровое и операционное моде­лирование.

При поисковом и нормативном прогнозировании научно- исследовательских и опытно-конструкторских работ преобла­дают интуитивные методы. В рамках крупных исследовательс­ких программ наиболее распространен метод построения и рас­чета " дерева целей". Его основу составляет концепция иерар­хии целей и задач, оценки их относительной важности.