Pages Navigation Menu

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ПИ № ФС 77 - 51217, 16+

DOI: https://doi.org/10.18454/IRJ.2016.51.095

Скачать PDF ( ) Страницы: 29-32 Выпуск: № 9 (51) Часть 1 () Искать в Google Scholar
Цитировать

Цитировать

Электронная ссылка | Печатная ссылка

Скопируйте отформатированную библиографическую ссылку через буфер обмена или перейдите по одной из ссылок для импорта в Менеджер библиографий.
Галкина Е. В. КОМБИНИРОВАННОЕ ПРИМЕНЕНИЕ МЕТОДА ДЕРЕВА РЕШЕНИЙ И АССОЦИАТИВНОГО АНАЛИЗА В УПРАВЛЕНИИ / Е. В. Галкина // Международный научно-исследовательский журнал. — 2016. — № 9 (51) Часть 1 . — С. 29—32. — URL: https://research-journal.org/economical/kombinirovannoe-primenenie-metoda-dereva-reshenij-i-associativnogo-analiza-v-upravlenii/ (дата обращения: 28.05.2020. ). doi: 10.18454/IRJ.2016.51.095
Галкина Е. В. КОМБИНИРОВАННОЕ ПРИМЕНЕНИЕ МЕТОДА ДЕРЕВА РЕШЕНИЙ И АССОЦИАТИВНОГО АНАЛИЗА В УПРАВЛЕНИИ / Е. В. Галкина // Международный научно-исследовательский журнал. — 2016. — № 9 (51) Часть 1 . — С. 29—32. doi: 10.18454/IRJ.2016.51.095

Импортировать


КОМБИНИРОВАННОЕ ПРИМЕНЕНИЕ МЕТОДА ДЕРЕВА РЕШЕНИЙ И АССОЦИАТИВНОГО АНАЛИЗА В УПРАВЛЕНИИ

Галкина Е.В.

Доктор экономических наук, доцент, Орловский государственный университет экономики и торговли

КОМБИНИРОВАННОЕ ПРИМЕНЕНИЕ МЕТОДА ДЕРЕВА РЕШЕНИЙ И АССОЦИАТИВНОГО АНАЛИЗА В УПРАВЛЕНИИ

Аннотация

В статье представлены возможности совмещения двух методов классификации информации: дерева решений и ассоциативного анализа. В качестве иллюстрации рассматривается пример использования комбинирования данных методов в экономическом исследовании. Сделано обобщение относительно направлений и перспектив применения предложенного подхода в управлении. Изложенная в статье методика  может использоваться для организации, администрирования и управления предприятиями различных форм собственности и отраслей экономики.

Ключевые слова: ассоциативный анализ, дерево решений, классификация, управление, экономика.

Galkina E.V.

PhD in Economics,  Associate professor, The Orel State University of Economics and Trade

THE COMBINED USE OF THE DECISION TREE METHOD AND ASSOCIATIVE ANALYSIS IN MANAGEMENT

Abstract

The article presents the possibility of combining the two methods of information classification: a decision tree and associative analysis. The example of combining use of these methods in economic research is considered as an illustration. Generalizations about directions and prospects of applying the proposed approach in management was made. The described in the article technique can be used for the organization, administration and management of enterprises of different ownership forms and economy branches.

Keywords: associative analysis, decision tree, classification, management, economics.

Метод дерева решений – распространенный в экономической литературе способ построения классификации реальных управленческих ситуаций и способов их решения. В силу универсальности методического аппарата дерево решений имеет отраслевые приложения как в разных областях экономической науки (что отражено, например, в работах [3, 5, 7, 8]), так и в других сферах деятельности, в частности, в информационных системах и управлении техническими системами (например, в работах [1, 2, 4, 9]). Возможность включения в дерево решений как качественной, так и количественной информации позволяет производить анализ частот явлений, событий и объектов (в том числе анализ сочетаемости частот разных комбинаций событий). Это, в свою очередь, дает возможность ассоциативного анализа бизнес-задач, который получил применение в специализированных учетно-управленческих компьютерных программах, а при небольшом объеме анализируемых операций реализуем и в ручном режиме. Ассоциативные правила охарактеризованы, в частности,  в работе Н.Б. Паклина и В.И. Орешкова [6, с. 281-287].

Таким образом, комбинированное применение метода дерева решений и ассоциативного анализа позволяет сократить объем вычислений путем их объединения, повысить наглядность и взаимосвязанность результатов анализа частных задач, и тем самым повысить эффективность бизнеса за счет роста обоснованности и оперативности принятия управленческих решений. Далее представлен модельный пример ассоциативного анализа дерева решений, который может быть легко модифицирован пользователем для любых других классификаций в дереве решений. В таблице узлы дерева решений отмечены как названия первого и второго столбцов, а варианты – как ячейки в соответствующих столбцах. Таблица отражает результаты анализа продаж в магазине. Одно наблюдение – единичная покупка одного посетителя магазина. Таким образом, первый узел в дереве решений – это группа товаров, второй узел – это количественная оценка признака «средний чек» покупки, то есть средняя арифметическая суммы покупки одного из трех диапазонов покупок (выделенных, например, службой маркетинга магазина для дальнейшей оценки и планирования мероприятий по продвижению товаров).

 

Таблица 1 – Табличное представление дерева решений

Группа товаров Средний чек покупки Ассоциативные показатели для среднего чека покупки
Достоверность (C) Поддержка  (S) Лифт (L) Левередж (T)
Вариант А.

Продоволь-

ственные товары.

Вероятность 50%.

Вариант а.

3000 руб.

Вероят-ность 30%

30% 0,5*0,3*100% = 15% 30%/(15%+30%) ≈0,67, или 67% 0,15-0,5*(0,15+0,3)= -0,075, или -7,5%
Вариант b.

500 руб.

Вероят-ность 40%

40% 0,5*0,4*100% = 20% 40%/20%=2, или 200% 0,2-0,5*0,2=0,10, или 10%
Вариант c.

0 руб.

Вероят-ность 30%.

30% 0,5*0,3*100% = 15% 30%/(15%+20%) ≈0,86, или 86% 0,15-0,5*(0,15+0,2)= -0,025, или -2,5%
Вариант В.

Непродоволь- ственные товары.

Вероятность 50%.

Вариант а.

3000 руб.

Вероят-ность 60%

60% 0,5*0,6*100% = 30% 60%/(15%+30%) ≈1,33, или 133% 0,3-0,5*(0,15+0,3)= 0,075, или 7,5%
Вариант c.

0 руб.

Вероят-ность 40%

40% 0,5*0,4*100% = 20% 40%/(15%+20%) ≈1,14, или 114% 0,2-0,5*(0,15+0,2)= 0,025, или 2,5%

 

Достоверность совпадает с вероятностью варианта в последнем узле.

Поддержка – это произведение вероятностей всех вариантов по ветви дерева от его начала до конца (то есть по строке). Поддержка показывает частоту событий ветви в общем числе событий.

Лифт – это частное от деления достоверности варианта по одной ветви на сумму поддержек этого варианта по всем ветвям. Лифт показывает, во сколько раз частота события узла по ветви отличается от частоты события узла в общем числе событий.

Левередж – это разность поддержки варианта по ветви дерева и произведения общей вероятности варианта первого узла и общей вероятности (суммы поддержек) этого варианта второго узла. Показывает, насколько отличается частота события ветви от частоты, которая ожидалась бы при условии  независимости узла от предыдущих узлов. Относительный показатель «Улучшение» (I) определяется не как разность, а как частное от деления этих показателей. Например, для ветви Аа улучшение равно 0,15/(0,5*0,45)≈0,67.

Применение количественной шкалы позволяет анализировать показатели описательной статистики, основными из которых для дерева решений  являются математическое ожидание (Mx), среднеквадратическое отклонение (σ), то есть корень квадратный из дисперсии, коэффициент вариации (V) – формулы (1), (2), (3):

Mx=21-09-2016-12-57-06,  (1)

где pi – вероятность (частота) появления величины (в примере – показатель поддержки средней суммы чека, в долях единицы);

x i – значение величины (в примере – средняя сумма чека, в рублях);

i – порядковый номер испытания, наблюдения (в примере – покупки);

n – количество испытаний, наблюдений (в примере – покупок).

σ=21-09-2016-12-58-03 (2)

V= 21-09-2016-12-58-38   (3)

Так, в примере математическое ожидание – средняя арифметическая сумма среднего чека – составит:

21-09-2016-12-59-34 (руб.).

Таким образом, служба маркетинга может определить, основываясь на информации о прошлых посещениях магазина клиентами, что от случайного посетителя можно ожидать совершения покупки в среднем на 1450 руб.

Среднеквадратическое отклонение – в примере корень квадратный из среднего арифметического квадрата отклонений сумм среднего чека – равно:

21-09-2016-13-00-50 (руб.).

Таким образом, служба маркетинга может ожидать, что усредненное отклонение средней ожидаемой покупки составит 1413 руб., то есть случайный клиент может в среднем (и без применения какого-либо закона распределения вероятностей) сделать покупку на сумму от 37 руб. до 2863 руб.

Коэффициент вариации – в примере отношение среднеквадратического отклонения суммы среднего чека к математическому ожиданию суммы среднего чека – равно:

V=21-09-2016-13-01-42, или 97%.

Таким образом, служба маркетинга может сделать вывод, что усредненное отклонение ожидаемой средней суммы покупки близко к этой средней покупке. То есть без применения какого-либо закона распределения вероятностей определяется, что клиент может совершить покупку как на сумму, близкую к нулю, так и на сумму, почти вдвое превышающую средний чек.

Если управленческая задача не требует количественное измерение результата решения, то дерево решений упрощается и включает только узлы с текстовым описанием вариантов и частотами (вероятностями). Например, в рассмотренной выше ситуации с работой магазина отдел маркетинга может исследовать привязанность (лояльность) посетителей. Тогда вторым узлом вместо среднего чека может быть повторяемость покупки:

вариант а – повторная (не первая) покупка данного посетителя;

вариант b – первая покупка данного посетителя;

вариант c – посетитель покинул магазин без совершения покупки.

Качественные шкалы оценки вариантов позволяют провести ассоциативный анализ дерева решений.

Таким образом, комплексное использование научных методов построения деревьев решений и оценки ассоциативных показателей является гибким и наглядным инструментом практического управления. Рассмотренные методические приемы анализа могут использоваться для организации, администрирования и управления предприятиями разных форм собственности, отраслей и секторов экономики.

Литература

  1. Бажинов А.Н. Деревья принятия решений в задаче отбора значимых факторов для прогнозирования объемов электропотребления в металлургическом производстве/ А.Н. Бажинов, Е.В. Ершов// Вестник Череповецкого государственного университета. – 2011. – Т. 4.№ 35-3. – С. 10-13.
  2. Бериков В.Б. Построение ансамбля деревьев решений в кластерном анализе/ В.Б. Бериков// Вычислительные технологии. – 2010. – Т. 15.№ 1. – С. 40-52.
  3. Глухова А.И. Сущность метода принятия управленческих решений «дерево решений»/ А.И. Глухова// Master’s Journal. – 2014.- № 2. – С. 316-321.
  4. Мифтахова А.А. Целесообразность использования метода деревьев решений для решения задач классификации/ А.А. Мифтахова // Современная наука: актуальные проблемы и пути их решения. – 2014.- № 12. – С. 9-10.
  5. Некрасов М.В. Применение метода «дерево решений» при принятии инвестиционных решений/ М.В. Некрасов// Экономика и управление в XXI веке: тенденции развития. – 2013.- № 10. – С. 171-175.
  6. Паклин Н.Б. Бизнес-аналитика: от данных к знаниям (+CD): Учебное пособие. 2-е изд., испр./ Н.Б. Паклин, В.И. Орешков. – СПб.: Питер, 2013. – 704 с.: ил. – ISBN 978-5-459-00717-6.
  7. Пеец К.А. Технология поддержки принятия решений с помощью дерева решений/ К.А. Пеец, О.Н. Моргунова // В сборнике:Экономика и управление в современных условиях. Международная (заочная) научно-практическая конференция. редактор: В.Ф. Забуга. 2014. – С. 261-265 [Электронный ресурс]/ URL: http://elibrary.ru/item.asp?id=23922369 (дата обращения 07.07.2016).
  8. Трифонова О.Н. Анализ методов поиска идей для решения проблем в бизнесе методом построения дерева проблем и дерева решений/ О.Н. Трифонова// Фундаментальные и прикладные исследования в современном мире. – 2015. – № 9-2. – С. 131-135.
  9. Эльрих Ю. Применение метода «дерево решений» в целях оптимизации ремонтных программ предприятий электроэнергетики РФ/ Ю. Эльрих, Э. Петровский// РИСК: Ресурсы, информация, снабжение, конкуренция. – 2012. – № 1. – С. 385-388.

References

  1. Bazhinov A.N. Derev’ja prinjatija reshenij v zadache otbora znachimyh faktorov dlja prognozirovanija ob#emov jelektropotreblenija v metallurgicheskom proizvodstve/ A.N. Bazhinov, E.V. Ershov// Vestnik Cherepoveckogo gosudarstvennogo universiteta. – 2011. – T. 4. № 35-3. – S. 10-13.
  2. Berikov V.B. Postroenie ansamblja derev’ev reshenij v klasternom analize/ V.B. Berikov// Vychislitel’nye tehnologii. – 2010. – T. 15. № 1. – S. 40-52.
  3. Gluhova A.I. Sushhnost’ metoda prinjatija upravlencheskih reshenij «derevo reshenij»/ A.I. Gluhova// Master’s Journal. – 2014. – № 2. – S. 316-321.
  4. Miftahova A.A. Celesoobraznost’ ispol’zovanija metoda derev’ev reshenij dlja reshenija zadach klassifikacii/ A.A. Miftahova // Sovremennaja nauka: aktual’nye problemy i puti ih reshenija. – 2014. – № 12. – S. 9-10.
  5. Nekrasov M.V. Primenenie metoda «derevo reshenij» pri prinjatii investicionnyh reshenij/ M.V. Nekrasov// Jekonomika i upravlenie v XXI veke: tendencii razvitija. – 2013. – № 10. – S. 171-175.
  6. Paklin N.B. Biznes-analitika: ot dannyh k znanijam (+CD): Uchebnoe posobie. 2-e izd., ispr./ N.B. Paklin, V.I. Oreshkov. – SPb.: Piter, 2013. – 704 s.: il. – ISBN 978-5-459-00717-6.
  7. Peec K.A. Tehnologija podderzhki prinjatija reshenij s pomoshh’ju dereva reshenij/ K.A. Peec, O.N. Morgunova // V sbornike: Jekonomika i upravlenie v sovremennyh uslovijah. Mezhdunarodnaja (zaochnaja) nauchno-prakticheskaja konferencija. redaktor: V.F. Zabuga. 2014. – S. 261-265 [Jelektronnyj resurs]/ URL: http://elibrary.ru/item.asp?id=23922369 (data obrashhenija 07.07.2016).
  8. Trifonova O.N. Analiz metodov poiska idej dlja reshenija problem v biznese metodom postroenija dereva problem i dereva reshenij/ O.N. Trifonova// Fundamental’nye i prikladnye issledovanija v sovremennom mire. – 2015. – № 9-2. – S. 131-135.
  9. Jel’rih Ju. Primenenie metoda «derevo reshenij» v celjah optimizacii remontnyh programm predprijatij jelektrojenergetiki RF/ Ju. Jel’rih, Je. Petrovskij// RISK: Resursy, informacija, snabzhenie, konkurencija. – 2012. – № 1. – S. 385-388.

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.