с 01.01.2023 по настоящее время
Москва, г. Москва и Московская область, Россия
В данной статье обсуждается, как внедрение метода экспертных оценок в управленческие решения способствует повышению эффективности и снижению затрат организации, подчеркивая актуальность данного исследования. В статье также рассматривается, как использование методов машинного обучения в управленческих решениях является значительным шагом вперед в повышении точности принятия решений. Машинное обучение, как часть искусственного интеллекта, предоставляет инструменты и алгоритмы для анализа больших объемов данных, выявления скрытых закономерностей и прогнозирования будущих тенденций. В управленческой практике это открывает новые возможности для оптимизации процессов, улучшения стратегического планирования и повышения конкурентоспособности организаций. Показано, что алгоритмы машинного обучения могут не только автоматизировать рутинные задачи, анализировать клиентские данные для персонализации услуг, прогнозировать спрос и управлять цепочками поставок, оценивать риски и выявлять мошенничество, но и оказывать влияние на психологию принятия решений руководством организации, снижая субъективные человеческие факторы. Таким образом, использование алгоритмов машинного обучения позволяет менеджерам получать более точные и своевременные аналитические данные, что способствует принятию обоснованных решений. В заключении статьи рассматриваются вызовы, связанные с внедрением методов машинного обучения в управленческие решения. К ним относятся необходимость качественного сбора и обработки данных, обеспечение безопасности и конфиденциальности информации, а также потребность в специализированных знаниях и навыках для разработки и интерпретации моделей искусственного интеллекта. Кроме того, важно учитывать этические аспекты и возможные социальные последствия автоматизированных решений. Таким образом, интеграция методов машинного обучения в управленческую практику требует комплексного подхода, включающего техническую подготовку, организационные изменения и внимание к этическим вопросам. При правильном применении методы машинного обучения могут стать мощным инструментом для повышения эффективности управления и достижения стратегических целей организаций.
метод экспертных оценок, психология труда, машинное обучение, контрагент, сфера управленческих решений, бизнес-процессы
Введение
Эпоха 4.0 характеризуется распространением и внедрением искусственного интеллекта во все сферы общественной деятельности, что оказывает значительное влияние на жизнедеятельность населения. Важным аспектом современного мира является развитие социальных компетенций, включая умение управлять и принимать решения, позволяющие успешно руководить различными организациями и проектами.
В современном мире, управление контрагентами играет ключевую роль в успешной деятельности организации. Выбор руководителем надежного участника при заключении сделок влияет на эффективность бизнес-процессов, качество продукции или услуг, а также на финансовые результаты компании. С учетом быстрого развития технологий, внедрением искусственного интеллекта и цифровой трансформации, меняются и рыночные условия, вследствие чего возникает необходимость постоянного обновления методов управления и принятия решений. Использование метода экспертных оценок может помочь компаниям быть гибкими и адаптироваться к переменам в окружающей среде. Таким образом, исследование применения метода экспертных оценок в сфере управленческих решений имеет большое практическое значение для бизнеса и способствует повышению эффективности управления ресурсами и снижению рисков, а также даёт алгоритм принятия решений при выборе контрагента, что определяет новизну данного исследования.
Основой методологии исследования послужили следующие концепции и подходы: единство интеллекта и аффекта в культурно-исторической концепции (Л.С. Выготский, О.К. Тихомиров); деятельностный подход (С.Л. Рубинштейн, А.Н. Леонтьев); структурно-уровневый подход к изучению психики (М. С. Роговин, А. В. Карпов); системогенетический подход (В. Д. Шадриков, А. В. Карпов, Ю. П. Поварёнков); системный подход (А. В. Антонов, В. А. Барабанщиков, Д. Н. Завалишина, А. В. Карпов, Б. Ф. Ломов, В. Д. Шадриков, Э. Г. Юдин и др.); а также принципы организации психологических исследований и интерпретации результатов. [2, С. 118]
Теоретическую основу исследования составили работы, посвященные влиянию профессиональных компетенций на личность и деятельность человека, такие работы как Д. В. Люсина, С. А. Шабанова, Е. А. Хлевной, J.D.Mayer, D.Caruso, P.Salovey, R. Boyatzis, D.Goleman, G.Matthews, R.Roberts, M.Zeidner, R. Bar-On, R.Cooper и другие, а также научные труды в области общей и когнитивной психологии от авторов: В.Н. Дружинин, A.B. Карпов, Д.В. Ушаков, Б.М. Величковский, В. П. Зинченко. В области организационной психологии и принятия управленческих решений использовались исследования П. Вейла, А.Г. Венделина, Ф. Генова, Д. Джестона, В. Е. Жуковина и других авторов. Теоретическими аспектами разработки и применения искусственного интеллекта начиная с Дж. Маккарти и А. Тьюринга занимались С. Армстронг, Т. Бергер, X. Берлинер, Н. Бостром, М.М. Ботвинник, С.М. Брин, Э. Бриньолфсон, А.Л. Брудно, А. Гарольд, П. Домингос, П. Доэрти, X. Дрейфус, Дж. Дэвис, К. Ли, Дж. Уилсон, Э. Макафи, П. Норвиг, Э. Юдковский и другие. На протяжении последних лет в связи с ускоряющимся развитием технологий отмечено возрастающее количество актуальных исследований по практическим особенностям использования искусственных нейронных сетей, на применении которых в системе управления основана данная работа. Первыми в подобной тематике стали исследования У. Мак-Каллокка, В. Питтса, Ф. Розенблатта, Д. Хебба, далее развитие этой области наблюдалось в работах А. Бека, К. Бишопа, А. Вайгенда, Й. Джолиффа, А. Хюваринена и других.
Заметный вклад в разработку темы изменений в управлении в эпоху информационного общества, передовых технологий, промышленных революций и цифровой экономики внесли Д. Арриго, Д. Белл, И. Валлерстайн, П. Друкер, Д. Ито, С.М. Кастельс, P.M. Нуреев, Е.Б. Кузнецов, Дж. Стиглиц, А. Тойнби, Э. Тоффлер, С. Уэстлейк, Дж. Хаскел, Д. Хоуи, Ч. Хуанг, К. Шваб, Й. Шумпетер.
В исследованиях перечисленных ученых рассматриваются теории управления, принятия решений и описываются возможности цифровых технологий, в частности, технологий искусственного интеллекта и технологические сдвиги. [3, С. 15]
Анализ работ перечисленных авторов показал, что исследователи фокусируют внимание на проблемах управления и на описании процессов принятия решений в системе организационной деятельности , анализируют основные технологические тенденции, особенности цифровых технологий и их влияние на общество и компании в целом, однако поиск новых способов повышения эффективности принимаемых решений в системе управления организацией с учетом технологических тенденций XXI века не нашел должного теоретического и практического обоснования, поэтому данные вопросы нуждаются в дополнительном изучении. Этот факт послужил фундаментом для выбора темы исследования, постановки цели и формирования задач.
Понятие и область применения метода экспертных оценок
Как было сказано выше, управленческие решения играют ключевую роль в успешности любой организации. В условиях неопределенности и многозначности информации, руководители часто сталкиваются с необходимостью принимать решения, которые могут существенно повлиять на будущее компании. Одним из эффективных методов, используемых для повышения качества таких решений, является метод экспертных оценок. Этот метод особенно актуален в психологии управленческих решений, где важно учитывать человеческий фактор и субъективные мнения.
Метод экспертных оценок основан на привлечении специалистов с глубокими знаниями и опытом в конкретной области для анализа сложных проблем и принятия решений. Эксперты предоставляют свои мнения и прогнозы, которые затем обрабатываются и анализируются для получения объективных данных. Сама же экспертная система представляет собой систему, которая обосновывает свои действия и методы решения задачи. Они служат для работы на уровне эксперта в узкой специализированной области. Важно, чтобы результаты были правильными, потому что пользователь не будет удовлетворен даже при быстром решении проблемы, если оно будет неверным.
Процесс включает несколько этапов:
- Формулировка проблемы: Определение цели исследования и постановка конкретных вопросов.
- Выбор экспертов: Подбор специалистов, обладающих необходимыми знаниями и опытом.
- Сбор данных: Проведение опросов, интервью или анкетирования экспертов.
- Анализ данных: Обработка полученных данных с использованием статистических методов или методов групповой оценки.
- Принятие решения: Формирование рекомендаций и принятие окончательного решения на основе анализа экспертных оценок. [4, С. 34]
К примеру, руководитель сначала определяет нужную услугу или товар для своей организации, а затем ищет по её основным характеристикам подходящих контрагентов. Здесь выбор контрагента решается на основе различных характеристик товара или услуги, но далее точно так же на основе различных характеристик определяется контрагент. Таким образом, такие параметры, как: качество, сроки, надёжность, минимизации рисков, подобные многим параметрам, действуют как входные данные, и, наконец, выходные данные рассчитываются на основе алгоритмов. Опираясь на все вышеперечисленные входные данные, наконец, принимается решение о том, какие партнёры подходят под удовлетворяющие параметры. Теперь из определённого круга можно выбрать одного. Далее, пользуясь машинными методами, можем написать целый ряд операторов «if else» и предполагая различные условия найти результат.
В повседневной жизни присутствует много случаев, когда управленец будет принимать решение не только руководствуясь экспертными системами. Данная система дает сбой в том случае, при котором вмешивается некая психологическая составляющая, присутствующая во внутреннем состоянии руководителя во время принятия решения. Следует отметить, что сбить с толку могут и множество субъективных данных для сравнения с различными параметрами, которые руководители должны учитывать, чтобы сделать объективный выбор, а также внешние действия самого контрагента. Экспертная система терпит неудачу в этом случае, потому что вместо чётких алгоритмов и правил, появляется множество субъективных факторов и оценок во время принятия важного решения. [5, С. 67]
Таким образом, одним из самых современных подходов к анализу и моделированию экспертных оценок данных в нечетких предметных областях является принцип машинного обучения [5]. Машинное обучение, как подраздел кибернетики, объединяет математическую статистику, методы оптимизации и дискретную математику, и тесно связано с теорией интеллектуального анализа данных («Data Mining», [1]). Наиболее перспективным методом создания искусственных экспертных систем является дедуктивный метод машинного обучения («обучение по прецедентам», [6]), который включает формализацию знаний экспертов и их перенос в интерактивную программную среду. Для этих целей часто используются различные алгоритмы классификации, регрессии и кластеризации, основанные на статистико-математических методах «случайных лесов» [2]. Оригинальный алгоритм L. Breiman «Random Forest» [3], построенный на ансамбле решающих деревьев, имеет ряд преимуществ для руководящего состава организации по сравнению с методами опорных векторов или бустинга, главным из которых является простота моделирования при сохранении высокой точности системы. Свободная программная среда «R» [4] предоставляет значительные возможности для создания современных программ анализа и моделирования данных бизнес исследований, благодаря своему доступному языку программирования, не требующему специальной подготовки в области кибернетики.
На базе вышеизложенного можем построить таблицы иерархии значимости критериев необходимой для предприятия услуги или товара и иерархии значимости качеств контрагента, как участника бизнес процесса.
Таблица 1.
Пример иерархии значимости использованных параметров для идеальной модели контрагента
Table 1.
An example of the hierarchy of significance of the parameters used for an ideal counterparty model
|
Ранговое место |
Параметр |
Среднее арифметическое экспертных мнений |
|
1 |
Надежность |
65% |
|
2 |
Сроки поставки |
25% |
|
3 |
Минимизация рисков |
10% |
Из таблицы 1 можно увидеть, что ведущее ранговое место в иерархии значимости параметров контрагента (для некой условной организации) принадлежит параметру «надежность». Второе ранговое место занимают «сроки» и так далее. Любая организация, на основе взятых экспертных оценок, может составить для себя данную таблицу на бесконечное нужное ей число параметров.
Далее с помощью программного алгоритма можем свести данные таблиц воедино и получить удовлетворяющий по всем параметрам результат. Делая вывод, можно отметить, что критерии значимости, как товара (услуги), так и контрагента определяются экспертами, а сведением этих входных данных воедино занимается алгоритм методов машинного обучения. На выходе мы получаем наиболее удовлетворяющего всем условиям контрагента с наилучшим для данной организации товаром (услугой).
Таблица 2.
Пример иерархии значимости использованных параметров для идеальной модели товара (услуги)
Table 2. An example of a hierarchy of importance of the parameters used for an ideal product (service) model
|
Ранговое место |
Параметр |
Среднее арифметическое экспертных мнений |
|
1 |
Качество товара (услуги) |
55% |
|
2 |
Стоимость |
35% |
|
3 |
Количество (содержание) |
15% |
Преимущества метода экспертных оценок
- Комплексность подхода
Метод позволяет учитывать разнообразные аспекты проблемы благодаря привлечению экспертов из разных областей. Это обеспечивает комплексный анализ ситуации и минимизирует риски одностороннего подхода.
- Высокая точность прогнозов
Эксперты обладают глубокими знаниями и опытом, что позволяет делать более точные прогнозы и принимать обоснованные решения.
- Гибкость
Метод легко адаптируется к различным условиям и может быть применен как в стратегическом, так и в оперативном управлении.
Ограничения и риски метода экспертных оценок
- Субъективность оценок
Несмотря на высокий уровень компетентности экспертов, их оценки могут быть субъективными и подвержены влиянию личных предпочтений и убеждений.
- Сложность выбора экспертов
Подбор действительно компетентных специалистов может быть сложным и трудоемким процессом.
- Высокая стоимость
Привлечение высококвалифицированных экспертов может потребовать значительных финансовых затрат.
Применение в психологии управленческих решений
В психологии управленческих решений метод экспертных оценок используется для анализа поведения сотрудников, прогнозирования их реакции на изменения, оценки эффективности различных управленческих стратегий и принятия решений в условиях неопределенности:
- Оценка корпоративной культуры: эксперты анализируют текущую корпоративную культуру и предлагают рекомендации по ее улучшению.
- Разработка мотивационных программ: специалисты оценивают различные мотивационные стратегии и прогнозируют их влияние на продуктивность сотрудников.
- Кризисное управление: эксперты помогают разработать стратегии выхода из кризисных ситуаций, учитывая психологические аспекты поведения сотрудников. [6, С. 169]
Целый ряд прикладных задач с использованием метода случайных лесов освещен в работе H. Mirzadeh, H. Omranpour [7] и A. Tharwat [8].
Заключение
Метод экспертных оценок является мощным инструментом в арсенале управляющего состава и психологов организации, позволяющий принимать более обоснованные и точные решения, минимизировав риски и неопределенности. Однако для эффективного применения данного метода необходимо учитывать, как преимущества, так и ограничения, а также тщательно подбирать экспертов для участия в процессе оценки.
Использование метода экспертных оценок совместно с применением технологий машинного обучения открывает новые возможности для повышения эффективности управления и достижения стратегических целей организации.
1. Дюк В., Самойленко А.В. Data Mining. Учебный курс. СПб.: Изд. Питер, 2001. 368 с. ISBN 5-318-00227-7.
2. Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра Российской академии наук. 2013. № 1. С. 117-136. EDN PZBGBL.
3. Breiman L. «Random Forests». Machine Learning. 2001;45:5-32. DOIhttps://doi.org/10.1023/A:1010933404324.
4. The R Project for Statistical Computing. URL: http://www.r-project.org/ (дата обращения 12.07.2024 г.).
5. Wang L., Cheng L., Zhao G. Machine Learning for human motion analysis. IGI Global, 2009. 318 p. ISBN 9781605669007. DOIhttps://doi.org/10.4018/978-1-60566-900-7.
6. Witten I.H., Frank E., Hall M. Data Mining: Practical machine learning tools and techniques (Second Edition). Morgan Kaufmann, 2005. 560 p. ISBN 9780080477022.
7. Mirzadeh H., Omranpour H. Extended random forest for multivariate air quality forecasting. International Journal of Machine learning and Cybernetics. DOIhttps://doi.org/10.1007/s13042-024-02329-7.
8. Tharwat A. Independent component analysis: An introduction. Applied Computing and Informatics. 2021;17(2):222-249. DOIhttps://doi.org/10.1016/j.aci.2018.08.006.
