Simulační modely pro manažérské rozhodování

Simulation Models for Decision Making

Autoři: Ludmila Dömeová, Tomáš Šubrt

Abstrakt v češtině:

Informace z různých externích i interních zdrojů nejsou obvykle přímo použitelné pro rozhodování ani zpracování klasickými informačními systémy nemusí být dostatečné. Kvalitativně lepší výstupy poskytují systémy pro podporu rozhodování. Simulační modely se v nich mohou uplatnit samostatně nebo jako spojovací komponenty. Jednoduché simulační modely si mohou vytvářet sami uživatelé. Článek obsahuje metodu tvoření takového systému, hlavní výhody a reálný příklad simulačního modelu s propojením na dostupné datové zdroje.

Abstrakt v angličtině:

Information from different internal and external sources are usually not directly usable for decision making. Even processing by classical information system is not always satisfying. The outputs of decision support systems (DSS) bring new quality to the decision support. Simulation models could serve either as independent part of DSS or as connecting components. The users can create simple simulation models themselves. The contribution deals with creation of such model, main advantages and real example including connections to available data sources.

Klíčová slova:

Systémy pro podporu rozhodování, řídící situace, deterministický simulační model, tabulkový procesor.

Keywords:

Decision Support Systems, Managing Situation, Deterministic Simulation Model, Spreadsheet.

Úvod:

Řídící pracovníci se stále častěji ocitají v situacích, kdy k rozhodovaní nestačí pouze jejich vzdělání, zkušenosti a intuice, ale potřebují další informační podporu a napojení na informační systém podniku. Pro informační potřeby slouží nejen vnitřní, ale i vnější informační zdroje včetně veřejných jako je Internet. Informační potřeby nejsou identické a závisejí například na stylu řídící práce, momentálním postavení firmy na trhu, fázi vývoje další faktorech určujících specifickou rozhodovací situaci. Problémem pak někdy není informaci získat, ale vzít v úvahu současně několik informačních zdrojů i několik kritérií. Tak i při dostatku informací potřebuje pracovník speciální podporu, která obvykle nebývá součástí informačního systému. Tato podpora má nejen spojit informační zdroje, ale také nabídnout možná rozhodnutí pomocí objektivních postupů, hodnocení možných přínosů a rizik, popř. optimalizace, včetně podpory multikriteriálního přístupu. Systémy, které spojují několik informačních zdrojů s matematickým modelem se nazývají systémy pro podporu rozhodování.

Systémy pro podporu rozhodování slouží nejen k poskytování vhodně zpracovaných informací z informačního systému, ale i k vytváření úplně nových podkladů pro rozhodování. Systémy pro podporu rozhodování tedy představují obvykle propojení datových souborů a výpočtů pomocí modelů operačního výzkumu popř. statistických nebo ekonometrických modelů. Z uvedené obecné charakteristiky systémů pro podporu rozhodování nemusí nutně vyplývat, že takové systémy jsou vždy rozsáhlé a složité. Vedle profesionálně vytvořených velkých systémů si mohou uživatelé vytvářet i vlastní malé systémy, které mají zejména tu výhodu, že přesně vyhovují dané řídící situaci i potřebám a povaze konkrétního vedoucího pracovníka.

Cíle a metody:

Deterministické simulační modely

Simulační modely, zejména jednoduché deterministické modely, jsou vhodné pro vytváření takových “příručních“ systémů pro podporu rozhodování.

Pojem simulace může mít několik významů. Zde chápeme simulaci jako použití počítače k experimentování s modelem reálného systému.

Konstrukci vlastního modelu musí předcházet zkoumání reálného systému a zkoumání rozhodovací situace, určení, v které místě a čase je třeba provést rozhodnutí. Potřebné je i určení možných variant rozhodnutí a především cíle, který nemusí být jednoznačný. Následuje zavedení systému na reálný objekt, tj. definice prvků a vazeb. Vlastní simulační model potom obsahuje specifikaci a kvantifikaci proměnných a parametrů, rozhodovací pravidla, časový krok, podmínky pro zahájení a ukončení simulace. Specifikace náhodných proměnných a příslušných rozdělení pravděpodobnosti se týká pouze stochastických modelů.

V deterministických modelech jsou všechny proměnné zadané jednoznačně. Pravděpodobnostní charakter řady jevů lze nahradit opakovaným výpočtem modelu při změně vstupních veličin i ostatních parametrů. Je možno experimentovat s extrémními hodnotami, hodnotami , které jsou podle empirických zkušeností obvyklé, možné je i použití náhodných veličin s různým rozdělením pravděpodobností i fuzzy množin. Simulační model sám o sobě ale zůstává deterministický, což usnadňuje jeho konstrukci, pochopitelnost či “průhlednost“ pro uživatele, a konečně i vyšší universálnost a snadnější přizpůsobení změněné situaci.

Po sestavení modelu následují opakované výpočty, změny parametrů a hodnocení výsledků viz. obrázek 1.

Výhody jednoduchých simulačních modelů

Výhody jednoduchých simulačních modelů, které vytváří uživatel spatřujeme zejména v následujících bodech:

· Už jen pokus o konstrukci simulačního modelu uživatele vede k lepšímu pochopení rozhodovací situace a vlastní úlohy v reálném systému.

· Konstrukce a užití i velmi jednoduchého modelu dává kvalitativně jinou představu o možnostech výpočetní techniky popř. informačního systému pracovníkům, kteří dosud pracovali pouze jako uživatelé profesionálně dodaných systémů.

· Pokud je uživateli srozumitelný model, jsou mu srozumitelné i výsledky.

· Model se nemusí sestavit najednou. Další části a prvky je možno stavebnicově přidávat.

· Simulace je použitelná i bez znalosti jiných matematických modelů.

· Deterministický simulační model v tabulkovém procesoru je možno zkonstruovat pouze na základě uživatelských znalostí. Znalost programovacího jazyka nebo vývojového nástroje není potřebná.

· Simulaci je možno použít kdykoliv bez vlivu na běh reálných systémů.

· Experimentování s modelem umožňuje otestování různých kombinací podmínek, extrémních stavů, empirických veličin.

· Simulační model může sloužit jako spojovací nebo přechodový článek navazující na výstupy jiných modelů nebo informačního systému.

· Hra s modelem je možná. To vede nejen ke zvýšení motivace, ale i k nápadům, jinému pohledu na skutečnost, porušení rutiny a použití nových postupů.

Simulační modely v tabulkových procesorech

Pro vytváření simulačních modelů jsou vhodné tabulkové procesory jako Lotus, Quatro, SuperCalc, Excel. Výhodou jejich možné propojení s datovými (popř. i textovými) soubory, snadné a vžité ovládání, vhodné výstupy včetně grafů. Dále se příspěvek zabývá pouze Excelem.

Přístup k vytváření simulačních modelů může být v podstatě dvojí. V jednodušším případě je možno vytvářet modely bez jakéhokoliv programování pouze využitím vzorců s relativním či absolutním adresováním. Nevýhodou je, že takový model nemůže obsahovat podmíněné a cyklické příkazy ani generátory náhodných veličin.

V případě složitějších modelů je možno použít makra pro Excel, jejichž syntaxe už není zcela jednoduchá nebo universálnější objektově orientovaný Visual Basic pro Excel. Takové modely jsou schopné provádět různé druhy příkazů v potřebných sekvencích a opakování včetně interaktivních vstupů a výstupů. Novější verze Excelu také nabízejí generátory náhodných čísel s požadovanými parametry i typem rozdělení.

Jednodušší simulační modely lze použít ve výuce a to nejen jako demonstraci, ale jako vhodný motivační úkol k samostatné práci.

obrázek : Postup práce se simulačním modelem

Start

Definice rozhodovací situace,

zavedení systému

Kvantifikace proměnných a parametrů

Vlastní simulace

Interpretace a hodnocení Návrh nového

výsledků experimentu

Konec

Výsledky:

Model skladování brambor

Výše uvedený postup budeme demonstrovat na příkladu rozhodování o delce skladování respektive okamžiku prodeje brambor.

Úkolem pracovníka je rozhodnout, kdy je nejvýhodnější uskutečnit prodej brambor. Brambory ihned po sklizni se prodávají bez skladování (září, říjen). V dalších měsících až do května se skladují v klimatizovaném skladě. Náklady na skladování 1 tuny ve skladě jsou konstantní, tržby za brambory se zvyšují. V každém měsíc dojde k úbytku hmotnosti skladovaných brambor jednak ztrátou vody, jednak hnilobou hlíz. Lineární vývoj těchto veličin není nezbytný. Odhad vývoje cen na podzim přesně není možný, a proto je vhodné spočítat několik variant a rozhodnutí podle aktuálního vývoje cen upravit.

Tato situace byla řešeny jednoduchým deterministickým modelem v Excelu. Výsledky jedné simulace uvedeny v tabulce 1. Z těchto výsledků vyplývá, že nejvýhodnější je prodat brambory v listopadu. Simulaci je samozřejmě možno opakovat s jinými hodnotami, zejména je vhodné upravovat možné prodejní ceny podle toho, jaké byly v průběhu času skutečně dosažené.

Pro srovnání uvádíme stejnou situaci modelovanou úlohou lineárního programování viz. obrázek 2. Tento model po řešení programem LINKOSA (na bázi Excelu) vedl ke stejnému výsledku jako model simulační.

Ze srovnání vyplývá, že zatímco simulační model je velmi jednoduchý až primitivní, lineární optimalizační model již tak jednoduchý není a navíc vyžaduje jak znalost formulace lineárního modelu tak schopnost model matematicky vyřešit (tzn. je nutno vlastnit specializovaný software a umět ho obsluhovat čili znát pojmy jako je účelová funkce, omezující podmínka apod. podle typu použitého programu). Je evidentní, že takový model není přístupný běžnému uživateli a pro jednodušší případy (jako je uvedený příklad) se bude zdát i zbytečně složitý.

Tabulka 1 Výsledek deterministického simulačního modelu v Excelu

obrázek 2 Lineární optimalizační model

Diskuse:

Při hledání nejlepšího rozhodnutí je pro člověka náročné až nemožné zvažovat všechny dostupné údaje najednou a zároveň ještě zvážit dopady možných kombinací s vyhodnocením rizika. Z tohoto důvodu je většina řídících pracovníků schopna přímo při rozhodování využít jen zlomek informací, které by jim informační systém mohl poskytnout. Vhodnou pomůckou je vytvoření simulačního modelu. I když je tento model tak jednoduchý, že ho může konstruovat běžný uživatel tabulkového procesu, přesto je schopen zahrnout řadu datových zdrojů a provádět jinak složité výpočty velmi rychle.

Nezanedbatelný je motivační a vzdělávací význam simulačních modelů, protože přinášejí výsledky i ne příliš pokročilým a vtahují uživatele přímo do tvorby modelů.

Zajímavá je otázka využití informačních zdrojů z Internetu. Pro modelování zemědělských komodit je možno použít mimo jiné agrární informační systém Agris a webové stránky Výzkumného ústavu zemědělské ekonomiky. Nevýhodou je, že potřebné údaje, v našem případě aktuální cenu brambor, je třeba na příslušných stránkách poměrně pracně hledat. Zatím neexistuje možnost, aby si uživatel objednal potřebné informace a ty mu byly posílány v dohodnutých termínech nebo při změnách elektronickou poštou (jako je to možné např. u programů kin). Pokud by tyto údaje byly zasílány např. ve formě pro Excel čitelné (na webových stránkách jsou v současné době přímo listy Excelu), bylo by možné přímé propojení simulačního modelu na aktuální údaje z příslušných veřejných databází.

Literatura:

Ambi - modul HG.1, Kurs informatiky a informačních technologií. Bankovní institut a DCIT, Praha 1996

Jelassi, M.T.: A Relational Database Extensioin for Generalized Multiple Criteria Decission Support Systems, New York university 1985

Situační a výhledová zpráva BRAMBORY,Ministerstvo zemědělství české republiky, Praha 1999

Švasta J.,Získal J., Vrána L.: Systémová analýza a modelování III IV, skripta VŠZ, Praha 1985

Turban, E. :Decision Support and Expert Systems. Macmillan Publishing Company, N.Y. 1988

Získal, J.: Metody optimálního rozhodování, skripta VŠZ, Praha 1995

http\\www.mze.cz

http\\www.agris.cz

http\\www.vuze.cz