Метод дерева решения для управления рисками в цепях поставок

Введение
1. Основные методы анализа логистических систем
2. Сущность метода дерева решений
3. Преимущества деревьев решений
4. Применение дерева решений в логистике
5. Пример, основанный на методе построения дерева решений
Заключение
Список использованной литературы

Метод дерева решения для управления рисками в цепях поставок

5)     декомпозиция проблемы на самостоятельные составные части;
поиск ресурсов и исполнителей разрешения проблем;
7)     разработка вариантов основных решений и их предпола­гаемая эффективность;
8)      для каждого варианта основных решений разработка вари­антов детализирующих решений;
9)      для каждого варианта детализирующего решения разра­ботка вариантов очередного набора детализирующих ре­шений и т.д.;
10)  оценка каждой ветви взаимодействующих решений на эф­фективность действий и возможности достижения цели;
11)   выбор наиболее приемлемых сочетаний вариантов реше­ний;
12)   практическая реализация выбранного варианта сочетания решений.
В результате применения этого метода к исходным данным создается иерархическая (древовидная) структура правил вида "если... то...", а алгоритм анализа обеспечивает вычленение на каждом этапе наиболее значимых условий и переходов между ними. Данный алгоритм получил наибольшее распространение при выявлении причинно-следственных связей в данных и описании поведенческих моделей. Типичная зона применения деревьев решений - оценка различных рисков, например, закрытия заказа клиентом или его перехода к конкуренту, несвоевременной поставки товара поставщиком или просрочки оплаты товарного кредита. В качестве типичных входных факторов модели выступают сумма и состав заказа, текущее сальдо взаиморасчетов, кредитный лимит, процент предоплаты, условия поставки и иные параметры, характеризующие объект прогноза. Адекватная оценка рисков обеспечивает принятие информированных решений для оптимизации отношения доходность/риск в деятельности компании, а также полезна для увеличения реалистичности различных бюджетов.
В качестве примера, иллюстрирующего способность алгоритма выявлять причинно-следственные связи, можно привести задачу оптимизации работы отдела продаж. Для ее решения в качестве прогнозируемой величины выберем показатель эффективности менеджеров по продажам, например, удельную доходность на клиента, а в качестве факторов - совокупность данных, потенциально влияющих на результат. Алгоритм определит факторы, оказывающие наибольшее влияние на результат, а также типичные комбинации условий, приводящих к тому или иному результату6.
Более того, подсистема "Анализ данных" позволит оценить (спрогнозировать) ожидаемые значения целевого показателя на основании актуальных данных, а также составить прогноз "что, если…", изменяя показатели, подаваемые на вход модели. Результаты анализа и прогноза с помощью деревьев решений позволяют существенно снизить влияние неопределенности бизнес-окружения на состояние компании, а также решать широкий спектр задач, связанных с выявлением сложных и неочевидных причинно-следственных связей.
В качестве результатов анализа выборки с помощью алгоритма "Дерево решений" выступают:
рейтинг факторов, представляющий собой список факторов, оказавших влияние на решение, отсортированный в порядке убывания значимости;
сопоставление решений (значений прогнозной колонки) и определивших их условий, иными словами, дерево "Следствие-Причина";
дерево "Причина-Следствие", представляющее собой совокупность переходов между условиями, определяющую то или иное решение (по сути, визуальное представление модели прогноза).
3. Преимущества деревьев решений
Рассмотрим основные преимущества деревьев решений7:
Интуитивность деревьев решений. Классификационная модель, представленная в виде дерева решений, является интуитивной и упрощает понимание решаемой задачи. Результат работы алгоритмов конструирования деревьев решений, в отличие, например, от нейронных сетей, представляющих собой "черные ящики", легко интерпретируется пользователем. Это свойство деревьев решений не только важно при отнесении к определенному классу нового объекта, но и полезно при интерпретации модели классификации в целом. Дерево решений позволяет понять и объяснить, почему конкретный объект относится к тому или иному классу.
Деревья решений дают возможность извлекать правила из базы данных на естественном языке.
Деревья решений позволяют создавать классификационные модели в тех областях, где аналитику достаточно сложно формализовать знания.
Алгоритм конструирования дерева решений не требует от пользователя выбора входных атрибутов (независимых переменных). На вход алгоритма можно подавать все существующие атрибуты, алгоритм сам выберет наиболее значимые среди них, и только они будут использованы для построения дерева.
Точность моделей, созданных при помощи деревьев решений, сопоставима с другими методами построения классификационных моделей (статистические методы, нейронные сети).
Разработан ряд масштабируемых алгоритмов, которые могут быть использованы для построения деревьев решения на сверхбольших базах данных; масштабируемость здесь означает, что с ростом числа примеров или записей базы данных время, затрачиваемое на обучение, т.е. построение деревьев решений, растет линейно. Примеры таких алгоритмов: SLIQ, SPRINT.
Быстрый процесс обучения. На построение классификационных моделей при помощи алгоритмов конструирования деревьев решений требуется значительно меньше времени, чем, например, на обучение нейронных сетей.
Большинство алгоритмов конструирования деревьев решений имеют возможность специальной обработки пропущенных значений.
Многие классические статистические методы, при помощи которых решаются задачи классификации, могут работать только с числовыми данными, в то время как деревья решений работают и с числовыми, и с категориальными типами данных.
Многие статистические методы являются параметрическими, и пользователь должен заранее владеть определенной информацией, например, знать вид модели, иметь гипотезу о виде зависимости между переменными, предполагать, какой вид распределения имеют данные. Деревья решений, в отличие от таких методов, строят непараметрические модели. Таким образом, деревья решений способны решать такие задачи Data Mining, в которых отсутствует априорная информация о виде зависимости между исследуемыми данными.
Следует отметить, что не все алгоритмы при конструировании дерева работают по одной схеме. Некоторые алгоритмы включают два отдельных последовательных этапа: построение дерева и его сокращение; другие чередуют эти этапы в процессе своей работы для предотвращения наращивания внутренних узлов.
Качество классификационной модели, построенной при помощи дерева решений, характеризуется двумя основными признаками: точностью распознавания и ошибкой.
Точность распознавания рассчитывается как отношение объектов, правильно классифицированных в процессе обучения, к общему количеству объектов набора данных, которые принимали участие в обучении. Ошибка рассчитывается как отношение объектов, неправильно классифицированных в процессе обучения, к общему количеству объектов набора данных, которые принимали участие в обучении. Отсечение ветвей или замену некоторых ветвей поддеревом следует проводить там, где эта процедура не приводит к возрастанию ошибки. Процесс проходит снизу вверх, т.е. является восходящим. Это более популярная процедура, чем использование правил остановки. Деревья, получаемые после отсечения некоторых ветвей, называют усеченными. Если такое усеченное дерево все еще не является интуитивным и сложно для понимания, используют извлечение правил, которые объединяют в наборы для описания классов. Каждый путь от корня дерева до его вершины или листа дает одно правило. Условиями правила являются проверки на внутренних узлах дерева.
4. Применение дерева решений в логистике
Менеджеры должны понимать все многообразие и взаимосвязь рисков, связанных со срывом работы цепи поставок. Это серьезная угроза: сбои и задержки могут привести к непредсказуемым последствиям. Они могут быть вызваны стихийными бедствиями, забастовками, банкротством поставщика, военными действиями, террористическими актами и другими происшествиями. Нарушения при пересылке материалов, информации и денежной наличности могут ухудшить продажи и увеличить издержки. Потенциальные риски в цепях поставок можно ориентировочно разделить на следующие категории: задержка, сбой, неточность прогнозов, выход из строя систем, утечка интеллектуальной собственности, прекращение поставок, проблемы с материальным обеспечением и производственные трудности. То, как компания справляется с подобными происшествиями, зависит от уровня ее готовности и типа угрозы. После пожара на заводе Phillips продажи компании Ericsson сильно упали. Чтобы избежать подобных ситуаций, менеджеры должны поддерживать резервы, производительность и другие показатели в цепи поставок на должном уровне, учитывая динамику быстро меняющейся среды. Dell, Toyota, Motorolla и другие ведущие производители добились значительных успехов в определении рисков, связанных с цепями поставок, и разработали эффективные стратегии подавления, направленные на нейтрализацию их возможных отрицательных последствий.
5. Пример, основанный на методе построения дерева решений
В более сложных ситуациях в анализе используют так называемый метод построения дерева решений. Логику этого метода рассмотрим на примере.
Пример: начальнику цеха производственного отдела фирмы «СтройКомплект» нужно принять решение о целесообразности приобретения станка Х1 для проведения обрабатывающих работ либо станка Х2 . Станок Х2 более экономичен, что обеспечивает больший доход на единицу обслуживаемой техники, вместе с тем он более дорогой и требует относительно больших накладных расходов:
Постоянные расходы (в у.е.)
Операционный расход на единицу обслуживаемой техники (в у.е.)
Станок Х1
45000
40
Станок Х2
50000
54
Процесс принятия решения может быть выполнен в несколько этапов:
Этап 1. Определение цели.
В качестве критерия выбиралась максимизация математического ожидания прибыли.
Этап 2 . Определение набора возможных действий для рассмотрения и анализа (контролируются лицом, принимающим решение).
Управляющий может выбрать один из двух вариантов:
а1 = {покупка станка Х1}
а2 = {покупка станка Х2}
Этап 3 . Оценка возможных исходов и их вероятностей (носят случайный характер).
Управляющий оценивает возможные варианты годового спроса (количество обрабатываемых деталей) на продукцию и соответствующие им вероятности следующим образом: