Metody snižování rizika při rozhodování vrcholového managementu

9. 4. 2014 | Zdroj: BusinessInfo.cz

Kapitoly článku

V této části se budeme věnovat nástrojům na podporu vrcholového řízení, které snižují riziko zejména v oblasti strategického řízení v podmínkách neurčitosti a nejistoty.

Typický problém vrcholového řízení lze popsat následujícími vlastnostmi:

  • problém není algoritmizovatelný,
  • problém je nový, neopakovatelný, je jedinečný, obvykle jestrategického charakteru,
  • existuje větší počet faktorů, ovlivňujících řešení (nelze je většinou číselně vyjádřit),
  • některé z faktorů nejsou vůbec známy nebo jsou mezi nimi složité vazby,
  • změny některých prvků okolí firmy, kde probíhá řešení problému, jsou náhodné (například změny v sociálním okolí, změny v technologii),
  • není známo rutinní řešení,
  • neexistují analytické metody nalezení optimálního řešení,
  • existuje větší počet kritérií pro hodnocení řešení, z nichž některá jsou kvalitativní povahy,
  • interpretace informací potřebných pro rozhodnutí je obtížná,
  • člověk je obvykle aktivním prvkem systému (vytváří a přetváří systém svou cílevědomou činností).

Máme tedy snižovat riziko při řešení špatně strukturovaného problému, kdy chybné rozhodnutí na vrcholové úrovni (například chybně zvolená podnikatelská či obchodní strategie firmy) může znamenat obrovské ztráty, které mohou firmu přivést až ke krachu. Zde je nutné snižovat riziko chybného rozhodnutí na nejnižší možnou úroveň (současně však musíme též brát v úvahu i velikost investičních nákladů vložených do procesu rozhodování). Uvedené aplikace jsou z hlediska zachování firemní strategie v budoucnu kritické (například programové systémy finanční analýzy, marketingový IS atd.) – podle McFarlanova modelu aplikačního portfolia tyto programové prostředky v podniku patří do tzv. strategických aplikací. Programové prostředky pro řešení aplikací, které jsou z hlediska dosažení úspěchu firmy v budoucnu důležité, se nazývají potenciální (turnaround, high potential) aplikace – patří sem například expertní systémy (pro podporu rozhodování v oblasti uvěrové politiky bank), prognostické systémy, CAD/CAM systémy, neuronové sítě pro podporu nákupu a prodeje akcií, genetické algoritmy, použité v oblasti investičního rozhodování, atp.

Z hlediska tvorby firemní strategie patří mezi nejdůležitější aplikace potenciální aplikace. Často může chybný či nesprávný postup managementu firmě přinést potenciální ztráty, které v budoucnu vyústí až v bankrot firmy – zde musíme snížit kritické riziko (například změnou strategie firmy).

Úspěšné či neúspěšné řešení problému z oblasti potenciálních aplikací výrazně zvyšuje či snižuje pravděpodobnost úspěšného přístupu managementu firem při definování strategie a tím výrazně ovlivní budoucí vývoj firmy. V budoucnu lze proto očekávat podstatně vyšší využití nástrojů, založených na fuzzy logice, na expertních systémech, na aplikaci neuronových sítí, na využití generických algoritmů, na kvalitativním modelování a na využití intuitivních a heuristických metod.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Expertní systémy

Expertní systémy (dále také jen ES), popřípadě též konzultační systémy, jsou počítačové programy pro řešení složitých úloh, jejichž řešení je schopen provádět pouze specialista (expert) v daném oboru. Tyto programy umožňují řešit odborné problémy, které často vyžadují velmi úzce specializované znalosti. Úlohy obvykle nejsou algoritmizovatelné, a tudíž nelze při jejich řešení aplikovat klasické programové prostředky. ES jsou založeny na myšlence převzetí znalostí od experta a jejich uložení do paměti tak, aby je mohl využívat program s podobným výsledkem, jakého by dosáhl „živý“ expert.

Cílem ES je:

  • řešit složitý problém,
  • poskytovat odborné vysvětlení postupu řešení a získaných závěrů.

Odborná úroveň automatizovaného řešení musí být zcela srovnatelná s úrovní dosahovanou vysoce kvalifikovaným odborníkem. Činnost člověka-experta má často podobu dialogu s klientem. Expert klade otázky a klient poskytuje data o řešeném případu. Tato data využívá expert pro upřesňování svých představ o řešení případu a nalezení nové vhodné otázky. Znalosti, které expert používá, jsou často neurčité – jsou to obvykle zkušenosti experta z řešení obdobných případů. Data,která klient expertovi poskytuje, také obsahují neurčitost, která je způsobena různými vlivy (subjektivní názory klienta, malá informovanost). Heuristikami budeme rozumět exaktně nedokázané znalosti, které expert získal dlouholetou praxí a o nichž pouze ví, že mu při řešení podobných úloh často pomáhají, nemůže však vždy zaručit nalezení správného řešení. Ukazuje se, že právě rozsah a kvalita speciálních „soukromých“ heuristických znalostí odlišuje experta od průměrného pracovníka v dané problémové oblasti. Několik konkrétních heuristik z nejrůznějších oblastí života:

  • Těžce na cvičišti, lehce na bojišti (ruský vojvůdce Suvorov).
  • Projekt, jehož úvodní a přípravná fáze je doprovázena problémy a potížemi, obvykle dopadne dobře a bez závad (heuristika manažera projektu).
  • Největší problémy při a po operaci jsou s pacienty, kteří jsou profesí zdravotníky (heuristika lékaře).
  • Dám přednost zkoušce u profesora či docenta před zkouškou u mladého asistenta (heuristika posluchače vysoké školy).
  • Je-li v létě úplněk, máme velkou naději, že nalezneme houby (heuristika zkušeného houbaře).
  • Postižený klient kampeličky je spíše starší člověk se základním vzděláním, který investoval všechny své úspory do kampeličky. Postižený klient Private Investors je vysokoškolsky vzdělaný mladší člověk, který do této firmy investoval pouze část svých úspor (heuristika pracovníka garančního fondu).

ES jsou založeny na myšlence převzetí znalostí od experta a jejich vhodné reprezentaci tak, aby je mohl program využívat obdobným způsobem jako expert, zejména však s podobným výsledkem. Rozhodujícím zdrojem kvality expertizy jsou znalosti, které má systém při řešení k dispozici.

Architektura ES vychází ze základní struktury, která je vždy tvořena bází znalostí (fuzzy modelem) a inferenčním (řídícím) mechanismem. Další rysy jeho architektury pak závisejí na jeho určení: buď se jedná o ES pro řešení úloh diagnostického, nebo plánovacího typu. Základním úkolem diagnostických ES je stanovit, která z hypotéz o chování sledovaného systému nejlépe koresponduje s reálnými daty, jež jsou vztaženy ke konkrétní situaci. Řešení problému probíhá formou postupného oceňování a přeceňování dílčích hypotéz v rámci modelu řešeného problému, jenž je stanoven expertem.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Práce s neurčitou informací

Charakteristickým znakem expertních systémů je jejich schopnost pracovat s neurčitou informací. Neurčitost se vyskytuje jednak ve znalostech převzatých od experta, jednak v datech, která se týkají řešeného případu. Z neurčitých znalostí a neurčitých dat nelze odvozovat kategorické závěry, úkolem ES je tedy vymezit neurčitosti vyšetřovaných hypotéz.

Aby bylo možné s neurčitostí formálně pracovat, bývá její popis slovy „často“, „asi ano“, „asi ne“ a podobně nahrazen čísly, která vyjadřují důvěru experta (respektive uživatele ES) v poskytnuté pravidlo (údaj). Například je-li odpověď uživatele „jistě ano“ kódována číslem 1, „jistě ne“ číslem –1 a „nevím“ číslem 0, využívá se ke kódování neurčitosti čísel z intervalu <–1, 1>. Odpověď „0,8“ lze pak interpretovat jako „téměř jistě ano“, odpověď „–0,8“ jako „téměř jistě ne“ a podobně. U řady ES, které jsou založeny na pravidlech:

  • if

    then

označovaných jako pravidlo typu EH, je neurčitost pravidel obvykle vyjádřena jako nějaká váha přiřazená každému z pravidel. Pravidlo je tedy reprezentováno takto:

  • if

    then s vahou V

a chápeme ho následujícím způsobem: je-li splnění předpokladu E naprostojisté, akceptuj závěr H s vahou V.

V praxi se často setkáte zejména s ES, které jsou tzv. výrokově orientované. V nich jsou znalosti reprezentované pomocí pravidel tvaru EH(pravdivost E implikuje pravdivost H). Tato pravidla se pak zapisují do tzv. báze znalostí. Báze znalostí je tvořena elementárními výroky (tvrzeními, hypotézami) a pravidly. Struktura bázeznalostí odpovídá orientovanému acyklickému grafu (inferenční síť), ve kterém uzly odpovídají výrokům a hrany pravidlům.

Pravidla mají tvar:

  • jestliže (A1 A2 A3 … An), pak S (s vahou V)

kde Ai jsou (atomické) výroky a V vyjadřuje míru jistoty (platnosti) pravidla – například „jestliže (mám peníze a mám čas a nenacházím se na místě mimo civilizaci), paklze jít do restaurace (s pravděpodobností 90 %)“; „jestliže(účet nebyl dlouhodobě používán a proběhla pouze jedna velká finanční transakce a účet byl následně zrušen), pakplatí hypotéza: jedná se o praní špinavých peněz (s pravděpodobností 80 %)“.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Báze znalostí a její tvorba

Základem báze znalostí je reprezentace znalostí pomocí pravidel typu E → H, kterou lze interpretovat nám již známým způsobem: je-li pravdivý předpoklad E (tvrzení, anglicky evidence), je pravdivý i závěr (hypotéza, anglicky hypothesis). Bázi znalostí definovanou těmito pravidly typu E → H lze reprezentovat orientovaným grafem, a to tak, že každému tvrzení odpovídá uzel a každému pravidlu orientovaná hrana. Tento orientovaný graf nazýváme inferenční sítí. Řetězení pravidel je v této bázi znalostí explicitně určeno. Tvrzení, která mají být v průběhu konzultace potvrzena či vyvrácena, se nazývají cílovými hypotézami.

jak strávit večer

Obr. 5.12 Příklad části inferenční sítě týkající se rozhodování, jak strávit večer

Kromě toho se v bázi znalostí vyskytují tzv. řídící vazby, které ovlivňují pořadí vyšetřování jednotlivých uzlů (například nemá smysl vyšetřovat důvody zrušení účtu, aniž jsme dříve zjistili, zda byl účet vůbec založen).

Pomocí pravidel lze zapsat například uvedenou hypotézu H1 následovně:

  • If (E1E2E3Heu1) then H1

Pokud budou splněna všechna tři uvedená tvrzení a současně bude platit i heuristika, provede se hypotéza H1 (tj. půjdu na pivo do hospody). Tvrzení E1 reprezentujedotaz „zda máš čas“ s možnostmi odpovědí od „mám“ (+5), přes odpověď „trochu“ (například +3), až po kategorické „nemám“ (–5). Tvrzení E2je znázorněno dotazovacím uzlem: „Půjdeš s nějakou společností?“ Klient expertního systému zde má celou škálu možností odpovědí – od „ano, jistě“ přes „možná“ či jiné neurčité vyjádření až po zcela kategorické „ne“. Tvrzení E3 je modelováno dotazovacím uzlem: „Máš peníze?“ Klient má opět možnost odpovědět od „ano, jistě“ až po odpověď „ne, nemám ani korunu“.

Uzel označený Heu1je uzel, v němž testujeme dotaz: „Je druhý čtvrtek v měsíci?“ Autor uvedené báze znalostí totiž ví, že každou druhou středu v měsíci v hospodě čistí trubky a pivo bude lepší kvality. Samozřejmě zde máme řadu možností: například klient půjde do hospody, budou-li platit tvrzení E1, E2E3 současně, anebo bude platit Heu1. Pak zapíšeme pravidlo poněkud jinak:

Tvorba báze znalostí

Vlastní tvorba báze znalostí je proces, při kterém spolupracuje znalostní inženýr (ovládající expertní systém) a expert ve zvolené problémové oblasti. Tento proces lze rozložit do následujících fází:

  • Analýza:
    • Identifikace problému (seznámení se s problémovou oblastí a určení cílů expertní činnosti).
  • Specifikace:
    • Návrh koncepce báze znalostí (hlubší seznámení se s danou problematikou, dekompozice, definování postupů a určení dat, která expert používá).
    • Volba reprezentace znalostí (obecně volíme formální reprezentaci znalostí, prakticky však vycházíme z prázdného ES, který je k dispozici).
  • Vytvoření vlastní báze:
    • Implementace (vlastní zápis inferenční sítě – pravidel, výroků, hypotéz atd.).
    • Ladění, testování (včetně změn apriorních pravděpodobností nebo celé struktury inferenční sítě).
  • Rutinní použití systému:
    • Provozní využití ES (včetně modifikace báze znalostí a její údržby).

Na základě zkušeností z tvorby několika bází znalostí lze doporučit respektovat následujících základních zásad:

  • Jednotlivé moduly báze znalostí vytvořit tak, aby byly relativně nezávislé. Tento přístup se v praxi ukazuje jako velmi užitečný, a to nejenom ve fázi tvorby, ale zejména zjednodušuje ladění jednotlivých podsystémů báze znalostí.
  • „Rozvíjet přátelský vztah“ ES ke klientovi. Vztah ES ke klientovi je sice určen vlastnostmi prázdného ES, ale struktura výsledné báze znalostí a poskládání informací v této bázi však také může značně ovlivnit průběh konzultace mezi klientem a vlastním systémem. Proto je při návrhu báze znalostí účelné respektovat zásadu, že v rámci konzultace klientovi musí být poskytnuto co nejvíce informací o řešení, včetně zdůvodnění výběru konkrétních hypotéz, respektive hypotézy.
  • Vhodně zařadit podsystémy do kompletní báze znalostí ES. Je nutné poskládat jednotlivé subsystémy báze znalostí tak, aby při konzultaci nebyly klientovi pokládány nadbytečné a popřípadě nesmyslné dotazy. Uvedeme si dva konkrétní příklady z praxe – jestliže z předchozí konzultace vyplývá, že klient nemá bratra, je zbytečné dále testovat stáří jeho bratra. Je tedy vhodné postupovat od dotazů všeobecných ke speciálním a detailním.
  • V rámci konzultace jsou nejprve prošetřovány jako cílové hypotézy ty, které jsou nejpravděpodobnější, a je tedy vždy vyšetřována logická cesta, která vede k vyšetřované cílové hypotéze. Proto nejsou při konzultaci vyšetřovány jednotlivé otázky v bázi znalostí tak, jak byly zapsány v určitých problémových okruzích.
  • Počítat s budoucí modifikací báze znalostí. Skladba konkrétní báze znalostí z relativně malých a samostatných modulů umožní budoucí rychlou případnou modifikaci celé báze (k níž po dobu reálného provozování ES určitě dojde).
  • Při ukončení konzultace poskytnout klientovi co nejvíce relevantních informací o vybrané hypotéze. Jako výstup z konzultace je vhodné neposkytovat pouze výpis hypotéz dle přiřazených výsledných pravděpodobností, ale též základní informace o vybrané hypotéze. Tak například v dále popisovaném ES pro výběr nejvhodnější prognostické metody klientovi jsou poskytnuty doplňkové informace, vztažené k vybrané prognostické metodě: název instituce, o níž víme, že uvedenou metodu používá; jméno osoby, která má k dispozici příslušné programové vybavení; seznam literatury s podrobnými informacemi o prognostické metodě; pokud je k dispozici konkrétní programové vybavení, které podporuje sledovanou prognostickou metodu, pak je klien­tovi samozřejmě nabídneme atd.
  • Předpokládat, že vytvoříme bázi s rozdílným stupněm strukturovanosti. Typickým praktickým problémem při tvorbě bází znalostí je obvykle její nestejná strukturovanost. K některým dílčím problémům se nám (vám) podaří získat z literatury (z konzultací s experty) více informací, a můžeme tedy provést členění konkrétního podsystému báze znalostí do větší hloubky ve srovnání s členěním jiného podsystému.

Dalším klasickým problémem je získávání heuristických informací. Například při tvorbě ES pro výběr optimální prognostické metody jsme kontaktovali experty, kteří výrazně preferují vybrané simulační metody, s nimiž mnohokrát uspěli. Jiní prognostici (například brněnští) preferovali expertizní metody (jako brainstorming, delfská metoda atd.), což se pochopitelně odrazilo i v jejich názorech na využití konkrétní metody v praxi, které jsme od nich získali. Poněvadž jsme se setkali s velmi rozdílnými názory na praktické použití jednotlivých prognostických metod, museli jsme určit váhu jednotlivých hypotéz a dílčích tvrzení nakonec sami.

Dalším omezením pro plnění báze znalostí je obvykle vlastní prázdný ES. Výběr vlastního ES, který předchází plnění báze znalostí, může rozhodujícím způsobem ovlivnit kvalitu konzultace plného systému. Při výběru je nutno mít na paměti, že pro plnění a následné provozování ES je vhodné, aby systém poskytoval (alespoň) minimální komfort pro jeho tvůrce (například textový editor nebo podobný nástroj, s nímž lze provádět běžně úpravy v bázi znalostí; pro klienta je téměř nutností, aby byl ES vybaven nástroji, umožňujícími práci s algebraickými výrazy, atd.). S respektováním výše uvedených metodických přístupů ke konstrukci reálné báze zásad jsme navrhli bázi znalostí ES, která byla v praxi reálně provozována.[1]

Příkladem báze znalostí, obsahujících mnoho heuristik, je ITIL (IT Infrastructure Library). Jde o knihovnu obsahující popis způsobů řízení IT infrastruktury a služeb poskytovaných jejím prostřednictvím. Jedná se o souhrn nejlepších zkušeností z praxe, tzv. best practices. Tyto praktiky jsou nezávislé na velikosti firmy, průmyslovém odvětví i na dodavatelích. ITIL dává zkušenosti z jednotlivých oblastí do souvislostí, čímž pomáhá při jejich řešení udržet potřebné vazby a zachovat si přehled o celkovém obrazu všech návazností tak, aby následné řešení v dalších oblastech bylo jednodušší. ITIL původně vznikl v rámci britské vládní agentury CCTA (Central Computer and Telecommunication Agency) jako kvalitativní standard v oblasti informačních technologií.[2]

[1]    Rais, K. Smejkal, V. a kol.: Návrh expertního systému pro volbu prognostických metod. Výzkumný úkol SPEV 908-121-203-SMS03 „Rozvíjení procesu automatizace zejména na bázi dalšího rozvoje a aplikace elektroniky průmyslových robotů a manipulátorů“, UVVTŘ 88-3-2-1-06. UVVTŘ, Praha 1988 a Rais, K. Smejkal, V. a kol.: Expertní systém pro volbu prognostických metod. Výzkumný úkol SPEV 908-121-203-SMS03 „Rozvíjení procesu automatizace zejména na bázi dalšího rozvoje a aplikace elektroniky průmyslových robotů a manipulátorů“, UVVTŘ 89-3-2-1-12. UVVTŘ, Praha 1989.
[2]    Více viz např. Hospes, J., Skála, J.: ITIL – vše, co byste měli znát. INSIDE, 2005, č. 6, s. 40–48, nebo podrobný seriál V. Kufnera, který vycházel v časopise DSM – Data Security Management v letech 2006–2008.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Genetické algoritmy a umělé neuronové sítě

Existují úlohy, které příroda zvládá velmi snadno, zatímco člověkem navržené algoritmy nefungují. Úlohy tohoto typu se vyskytují ve složitém a měnícím se prostředí. Na základě analogie z přírody byly vytvořeny dva přístupy, a to umělé neuronové sítě a genetické algoritmy. Tyto nástroje se používají tam, kde by přesné řešení systematickým prozkoumáváním trvalo téměř nekonečně dlouho. Genetické algoritmy (za pomocí počítače) řeší problém podobně jako vývoj populace nějakého živočišného druhu. Přežívající vybraní jedinci a potomci rodičů jiných vybraných jedinců tvoří další generaci řešení, přičemž stará generace zaniká. Tento proces se řádově opakuje po stovkách a tisících generací, dokud nenastane situace, že se většina jedinců v generaci tak pokřížila, že se vlastně neliší a nemá smysl dále pokračovat. Nepříznivému stavu, kdy se jedinci v populaci neliší, se příroda brání mutacemi. Mutace také nabízejí možnost, jak adaptovat populaci na měnící se prostředí, například je určitě potřeba reagovat na změnu podmínek v přírodě.

Původ genetických algoritmů musíme hledat v 19. století, kdy přírodovědci postupně formulovali zákony klasické genetiky. Zjistili, že hnacím motorem evoluce je přirozený výběr, který posiluje nejlépe adaptované jedince a naopak vyřazuje ty nejméně adaptované. Rozmanitost v genetické výbavě nových potomků zajišťují procesy kříženímutace. Křížení spočívá v tom, že ze dvou rodičovských chromozomů vzniká vzájemnou kombinací chromozom nový, nesoucí jejich genetickou výbavu. Mutace způsobuje nenadálé změny v genetické výbavě, které jsou zapříčiněny silným vnějším nebo vnitřním vlivem. Uvedené základní principy byly z botaniky přeneseny do zcela odlišných vědeckých oblastí a byl vytvořen genetický (evoluční) algoritmus. Základním principem genetického algoritmu je postupné přizpůsobování řešení okrajovým podmínkám. Jedná se o analogii s přírodou, kde tytéž algoritmy zajišťují adaptaci na okolní prostředí. Základním stavebním prvkem genetického algoritmu je chromozom, který obsahuje souhrn základních znaků umělého systému (modelu), jenž představuje řešený problém. Systémem zde rozumíme množinu základních veličin (například finanční údaje, doba trvání atd.), z nichž odvodíme další veličiny. Požadavky, kladené na tyto základní nebo odvozené veličiny (například požadavek rovnosti nebo nerovnosti, dosažení konkrétních hodnot nebo intervalu hodnot atd.), tvoří prostředí, jemuž se algoritmus snaží přizpůsobit. Konkrétní stav systému, který vychází z generovaných hodnot základních veličin, se nazývá jedinec.[1]Množina různých jedinců (stavů systému) tvoří populaci nebo generaci. Velikost populace může být různá a závisí na druhu řešeného problému.

Proces genetického algoritmu probíhá v několika krocích. Na počátku vždy vygenerujeme prvotní generaci jedinců, která je většinou malého rozsahu a inicializuje celý systém. Pak následuje druhá generace jedinců, kde se aplikují metody křížení a mutace. Pro zjištění, kteří jedinci jsou nejlépe přizpůsobeni okolním podmínkám a požadavkům, je nutno provést vyhodnocení. K vyhodnocení používáme tzv. fitness funkci, která oceňuje každého nového jedince a vyjadřuje míru splnění požadavků. Následuje seřazení jedinců od nejlepšího k nejhoršímu a provede se úzký výběr rodičovské generace, která se stane vzorem pro vytvoření další generace. Tento cyklus se neustále opakuje až do nalezení řešení systému.

Pomocí genetických algoritmů můžeme řešit problémy, kde aplikace klasických (deterministických) modelů selhává – například jsme schopni řešit problémy, které obsahují nelinearity, prvky náhodnosti, problémy s velkým množstvím vzájemných vztahů atd. Je zřejmé, že tyto nástroje mají obrovskou budoucnost zejména v oblasti řešení (námi sledovaných) špatně strukturovaných problémů z oblasti vrcholového rozhodování.[2]

[1]    Popíšeme-li chromozom několika ekonomickými veličinami (například úrok, velikost půjčky, doba splátky), pak jedinec je konkrétním stavem – například 6, 10000 a 5).
[2]    S řadou konkrétních příkladů použití zde zmiňovaných metod umělé inteligence, které jsou rozšířeny i o základy teorie chaosu a o aplikace této perspektivní teorie do procesů predikce vývoje kapitálového trhu, se lze setkat v publikaci nakladatelství Grada autorů P.Dostála, K.Raise a Z.Sojky: Pokročilé metody manažerského rozhodování z roku 2005.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Tisknout Vaše hodnocení:

Diskuse k článku

+ Nový příspěvek