2.3.3. Математическая поддержка принятия решений

Предварительная классификация аналитических задач. Отме­ченные выше особенности аналитических задач управления требуют специфических методов математической поддержки принятия реше­ний. Прежде всего они должны иметь хорошую интерпретацию в терминах конечного пользователя. Кроме того, эти методы должны работать с недостающими или плохо структурированными данными и информацией. Классифицировать аналитические задачи можно по следующим критериям: по виду постановки задачи и по требуемому способу моделирования данных.

По виду постановки задачи можно разделить на следующие группы:

• типовые задачи, решаемые на большинстве предприятий;

• актуальные хорошо формализуемые задачи, например задачи мониторинга бизнес-процессов;

• актуальные плохо формализуемые, но важные практические задачи с неполными (подчас недостоверными и противоречивыми) исходными данными, например текущее планирование или анализ баланса клиента;

• нерегулярно решаемые задачи, которые обычно требуют быст­рой реализации, но быстро теряют актуальность.

По требуемому способу моделирования данных задачи можно разделить на такие группы:

• использование моделей многомерного анализа, в том числе факторного анализа;

• прогнозирование, в том числе с сезонным компонентом;

• финансовое конструирование и планирование;

• использование эвристических моделей, в том числе экспертных опросов или алгоритмов с обучением;

• изучение взаимосвязей элементов;

• использование графоаналитических методов решения. Типовые возможности аналитического наполнения СППР.

Множественность и разнообразие задач анализа требуют специфиче­ского наполнения СППР. В такой системе должны быть предусмот­рены следующие аналитические возможности:

• многоаспектная (многоуровневая) система анализа и представ-ения информации конечному пользователю;

• полная автоматизация и быстрота обработки аналитических за­просов пользователей;

• формулировка запросов аналитической системы в удобных пользователю эконометрических терминах с использованием диало­гового конструктора запросов;

• применение современных математических методов для реше­ния экономических и финансовых задач;

• потенциальное использование систем искусственного интел­лекта при анализе и прогнозе;

• наличие элементов экспертной поддержки аналитических за­просов;

• модульная структура стандартных аналитических блоков, в ко­торую могут входить как готовые блоки финансового анализа и про­гнозирования на основе встроенных эконометрических моделей, так и математические алгоритмы для обработки больших массивов дан­ных;

• использование принципа минимизации необходимой и доста­точной аналитической информации, предоставляемой пользователю;

• разработка собственных аналитических модулей.

Важно также наличие возможности применять современные ста­тистические и эвристические методы анализа и поддержки принятия

решений:

• анализ экономических показателей и индексов;

• финансовое и эконометрическое моделирование;

• анализ финансовых рисков;

• аудит и выявление подтасовок;

• прогнозирование, выявление тенденций изменения временных рядов;

• организация деловой разведки;

• управление проектами и ресурсами.

Существенной является возможность использования не только традиционных оперативных методов анализа и прогнозирования, но и специальных методов для многоаспектного оперативного анализа в рамках концепции информационного хранилища и формирования семейства адаптивных моделей.

В зависимости от ситуации на рынке и квалификации конечного пользователя целесообразно предусматривать использование "быст­рых", "стандартных" и "точных" прогнозов. СППР должна ориенти­роваться на различные группы конечных пользователей. Так, для ти-

повых задач должны использоваться исключительно эконометриче-ские термины, не требующие глубоких знаний в области статистики _и математики. Для глубокого аналитического исследования важна возможность применения исследовательского блока для нетрадици­онных и слабоформализуемых задач.

Математические методы должны поддерживать решение задач на протяжении всего цикла управления: от планирования до выработки корректирующих воздействий. Особое внимание должно уделяться планированию, управленческому учету и выработке решений на ос­нове оценки результатов за прошедший период.

Методы поддержки принятия решений. Современные матема­тические и программные средства являются надежными помощника­ми при поддержке принятия решений. Они способны играть роль опытного консультанта при подготовке к деловым переговорам, при стратегическом анализе рынка и составлении прогнозов в финансо­вой сфере. В условиях жесткой конкуренции программные средства, реализующие отдельные компоненты, а тем более полномасштабную систему контроллинга, помогают руководству и ответственным со-трудникам предприятий принимать обоснованные решения. Подоб­ные продукты могут давать весьма квалифицированную оценку ос­новных экономических параметров, позволяют взвешивать финансо­вые риски и подготавливать решения.

Финансовые программы прогнозирования для бизнеса отличают­ся от хорошо известных электронных таблиц тем, что в электронных таблицах некоторые элементы прогнозирования играют вспомога­тельную роль, тогда как специализированные программы полномас­штабно используют возможности пакетов финансового прогнозиро­вания и ориентированы на пользователей-непрограммистов. В широ­ком смысле финансовые программы решают оптимизационную задачу в условиях неопределенности.

Оптимизационные методы. Они ориентированы на различные постановки задачи оптимизации. Ее решение существенно зависит от трактовки понятия оптимальности, количества и достоверности ин­формации о компонентах задачи, включая ограничения.

Как правило, на практике задача ставится в векторной форме в силу наличия ряда конфликтных по своей экономической природе показателей (индикаторов). Задачу векторной оптимизации можно решать в следующей последовательности:

• определить допустимые варианты построения системы;

• выявить основные показатели сравниваемых альтернативных вариантов;

• определить "нехудшие" системы на основе критерия безуслов­ного предпочтения Парето;

• привести показатели не сравнимых по Парето систем к сопос­тавимому виду;

• выбрать оптимальное решение, в том числе на основе процедур с участием лица, принимающего решения.

Для выбора "нехудших" систем (оптимальных по Парето) разра­ботаны достаточно эффективные методы. Но, как правило, методы безусловного предпочтения не позволяют окончательно определить оптимальное решение. В связи с этим предложен ряд методов век­торной оптимизации, среди которых следует отметить методы выде­ления ведущего показателя, лексикографического упорядочения по­казателей, использования принципа гарантированного результата и его обобщений, а также методы последовательных уступок, форми­рования обобщенного показателя качества (ОПК) и др. [20].

Статистическая оценка показателей. В настоящее время су­ществует большое количество прикладных программных систем, включающих в себя возможности статистического анализа и модели­рования экономических характеристик. Наиболее используемыми из них являются:

• средства статистической обработки выборки и временных рядов;

• модели линейной и нелинейной регрессии;

• модели тренда и сезонности;

• специальные эконометрические методы;

• встроенные средства сбора, обработки и представления данных для статистического анализа.

Быстро развивающиеся статистические методы количественного анализа являются удобным инструментом изучения финансовых рынков. Процесс их использования во многом тормозится недоста­точно высоким качеством исходных данных.

Эконометрика. Как наука о количественном анализе реальных экономических явлений эконометрика основывается на современном развитии теории и наблюдений, связанных с методами получения выводов. Цель эконометрики - получение эмпирических выводов экономических закономерностей. В этом качестве эконометрика представляет собой одно из средств контроллинга. Она может ис­пользоваться, во-первых, при определении рыночных тенденций и

пен в случае применения метода рыночной калькуляции маржи не только на текущую и прошедшие даты, но и в виде прогноза на бу­дущее. Во-вторых, эконометрические модели могут служить опо­рой в случае выявления тенденций изменения остатков по счетам (корреспондентскому, текущим, клиентским) для управления ими. В-третьих, эконометрические модели могут помочь при прогнозиро­вании рынков для формирования комплексной программы развития и построении среднесрочных финансовых планов.

В этой связи характерно отношение к указанным методам за ру­бежом: в условиях относительной предсказуемости тенденций разви­тия эконометрические и имитационные модели являются достаточно хорошим подспорьем. При сохранении в российской экономике тен­денции к стабилизации эти модели могут быть использованы и у нас.

В то же время не следует преувеличивать возможности эконо­метрики. Традиционная эконометрика предписывает аналитику по­строить модель, собрать данные, выбрать подходящий метод оценки и затем оценить модель. Описанный метод достаточно хорошо рабо­тает в физике, но далеко не всегда - в экономике из-за ограниченных \ объемов временных рядов. В лучшем случае можно надеяться лишь на то, что модель будет справедлива локально.

Использование нейронных сетей для финансовых прогнозов. Нейронная сеть представляет собой многослойную сетевую структу­ру, состоящую из однотипных (и сравнительно простых) процессор­ных элементов — нейронов. Нейроны, связанные между собой слож­ной топологией межсоединений, группируются в слои (как прави­ло, два-три), среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны вход­ного слоя воспринимают информацию о параметрах ситуации, а ней­роны выходного слоя сигнализируют о возможной реакции на эту ситуацию. В коммерческом применении нейронные сети обычно представлены в виде программных пакетов, плат-акселераторов для персональных компьютеров, нейромикросхем, а также специализи­рованных нейрокомпьютеров. Для большинства приложений бывает Достаточно простого программного пакета. Пока что возможности нейроалгоритмов в прикладных финансовых задачах оцениваются как относительно скромные: они ориентированы на отдельные част­ные задачи (распознавание чеков, предсказание курсов на биржах) и требуют предварительного этапа обучения.

Использование нечеткой логики. Нечеткая логика (англ. fuzzy а - мощный элегантный инструмент современной науки, кото-

рый на Западе можно встретить в десятках изделий (от бытовых ви­деокамер до систем управления вооружениями), а у нас до самого последнего времени был практически неизвестен.

Аппарат теории нечетких множеств продемонстрировал ряд мно­гообещающих возможностей его применения в системах управления техническими системами и при прогнозировании итогов выборов. Нечеткая логика применяется при анализе новых рынков, биржевой игре, оценке политических рейтингов, выборе оптимальной ценовой стратегии и т.п. Появились и коммерческие системы массового при­менения. Так, пакет CubiCalc представляет собой своего рода экс­пертную систему, в которой пользователь задает набор правил типа "если..., то...", а система пытается на основе этих правил адекватно реагировать на параметры текущей ситуации. Аппарат нечеткой ло­гики, заложенный в пакет, дает возможность оперировать этими поня­тиями, как точными, и строить на их основе целые логические систе­мы, не заботясь о зыбкой нечеткой природе исходных определений.

Нейросетевые, нечеткие и генетические алгоритмы представля­ются несомненно перспективными, заслуживающими детального изучения и использования ввиду адекватности этого аппарата широ­кому классу финансовых задач, в том числе банковских (прогнозиро­вание, экспертные исследования, управление портфелем).