ПЕРЕЛІК ЗНАНЬ ТА НАВИЧОК
Після опанування теми студент має знати:
• переваги редактора Fuzzy Logic Toolbox;
• у чому полягають особливості паралельних нейро-нечітких мереж;
• виділення нечітких правил за допомогою карт, що самоорганізуються
• програмні засоби для синтезу нейро-нечітких моделей; має вміти:
• порівнювати властивості нечітких систем та нейронних мереж;
• моделювати діяльність компанії;
• описувати особливості систем, що здатні навчати нечіткі множини;
• побудувати нейро-нечітку кластер-регресійну апроксимацію.
ЗМІСТ ПИТАНЬ З ТЕМИ
16.1. Нечіткі нейронні мережі в Matlab ANFIS
Модуль Fuzzy Logic Toolbox поряд із засобами для побудови нечітких моделей містить засоби для синтезу нейро-нечітких мереж. ANFIS-редактор дозволяє автоматично синтезувати з експериментальних даних нейро-нечіткі мережі. Завантаження ANFIS-редактора здійснюється командою anfisedit. ANFIS-редактор містить меню: File, View (аналогічні меню FIS-редактора) та Edit, а також області керування створенням нейро-нечіткої мережі (рис. 5.6).
Автоматизацію етапу параметричної ідентифікації пакет Fuzzy Logic Toolbox забезпечує тільки для моделей типу Sugeno. Настроювання виконується з використанням технології ANFIS (Adaptive Network_based Fuzzy Inference System) — одного з перших методів побудови нейрo-нечітких систем для апроксимації функцій, запропонованого Янгом у 1991 р. Настроювання є ітераційною процедурою знаходження параметрів функцій приладдя, що мінімізує розбіжності між дійсною і бажаною поведінками
Рис. 5.6. ANFIS-редактор
Пакет Fuzzy Logic Toolbox дозволяє автоматично синтезувати з даних нечітку БЗ для моделі типу Sugeno. Для цього використовують два алгоритми — гратчасте розбиття (grid partition) і субтрактивну кластеризацію (subtractive clustering). На виході першого алгоритму виходить БЗ, що містить усі можливі правила. У результаті субтрактивної кластеризації генеруються правила, що відповідають зонам найбільшої концентрації даних.
Переваги редактора:
• Простота використання.
• Можливість створення нечітких нейронних мереж Мамдані і Сугено, найбільш популярних і затребуваних для вирішення простих завдань.
Недоліки:
• Неможливість створювати гібридні системи за іншими алгоритмами.
моделі. Користувач може вибрати метод настроювання — метод зворотного розповсюдження помилки або його комбінацію з методом найменших квадратів.
• Настроювання моделей типу Мамдані в пакеті Fuzzy Logic Toolbox не передбачено.
• Гібридна система може мати тільки один вихід.
• За великої кількості входів виникають труднощі у використанні програми (необхідне істотне підвищення продуктивності комп’ютера).
Адаптивна нечітка система, заснована на системі нечіткого висновку є архітектурою гібридної мережі, яка є нейронною мережею з чіткими сигналами, вагами і активізаційною функцією, але з об’єднанням сигналів і вагів мережі з використанням операцій над нечіткими множинами: Т-норми, S-ко норми та ін. Відмінністю нечіткої множини від звичайної є те, що для елементів х, які лежать в універсальній множині, не існує однозначної відповіді «так/ні» стосовно деякої властивості. У зв’язку з цим нечітку підмножину «А» визначають через упорядковані пари А = {<µ
А (х)|х>}, де µ
А (х) — характеристична функція приналежності, що приймає значення в деякій упорядкованій множині М.
За допомогою ANFIS можна будувати такі системи нечіткого висновку, як експертні системи, регулятори, апроксимації залежностей, а також здійснювати побудову нечітких систем (гібридних нейронних мереж).
Роботу ANFIS можна умовно поділити на три етапи:
1. Генерація системи нечіткого висновку з такими параметрами:
• тип функції приналежності (сигмоїдальна dsigmf, гаусовська| gaussmf і gauss2mf, дзвоникоподібна gbellmf, ?- pimf, трикутна trimf, трапецеїдальна trapmf, s-, z-подібна та ін.);
• кількість функцій приналежності — відповідає кількості правил, що генеруються системою нечіткого висновку.
2. Навчання системи з використанням комбінації методів найменших квадратів і градієнтного алгоритму зі зворотним розповсюдженням помилки.
3. Обчислення оцінки сигналу x.
Меню Edit. Команда Undo скасовує раніше виконану дію. Команда FIS Properties відкриває FIS-редактор. Команда Membership Functions відкриває редактор функцій приналежності. Команда Rules відкриває редактор БЗ. Команда Anfis відкриває ANFIS-редактор.
Область візуалізації містить два типи інформації: при навчанні системи — крива навчання у вигляді графіка залежності помилки навчання від порядкового номера ітерації; при завантаженні даних і тестуванні системи — експериментальні дані та результа-
— навчальна вибірка; блакитний плюс (+)
— контрольна вибірка; червона зірочка (*) — результати моделювання.
В області властивостей (ANFIS info) виводиться інформація про кількість вхідних і вихідних змінних, про кількість функцій приналежності для кожної вхідної змінної, а також про кількість рядків у вибірках. Натискання кнопки Structure відкриває нове графічне вікно, в якому система нечіткого логічного виведення постає у вигляді нейро-нечіткої мережі. Натискання кнопки Clear Plot дозволяє очистити область візуалізації.
В області завантаження даних (Load data) розташовані: меню вибору типу даних Type, що містить альтернативи: Traning — навчальна вибірка, Testing — тестова вибірка, Checking
— контрольна вибірка, Demo — демонстраційний приклад, меню вибору джерела даних From, що містить альтернативи: disk
— диск, worksp. — робоча область Matlab; кнопка завантаження даних Load Data, з натисканням якої з’являється діалогове вікно вибору файла, якщо завантаження даних відбувається з диска, або вікно введення ідентифікатора вибірки, якщо завантаження даних походить з робочої області; кнопка очищення даних Clear Data.
В області генерування FIS (Generate FIS) розташовані меню вибору способу створення вихідної системи нечіткого логічного виведення. Меню містить альтернативи: Load from disk
— завантаження FIS з диска, Load from worksp.
— завантаження системи з робочої області Matlab, Grid partition — генерування системи за методом ґрат (без кластеризації), Sub. clustering — генерування системи за методом субкластеризації. У даній області також розташована кнопка Generate, з натисканням якої генерується вихідна система нечіткого логічного виведення.
При виборі Grid partition з’являється вікно введення параметрів методу ґрат, у якому потрібно вказати кількість термів для кожної вхідної змінної і тип функцій приналежності для вхідних і вихідної змінних.
При виборі Sub. clustering з’являється вікно введення параметрів методу субкластеризації: Range of influence — рівні впливу вхідних змінних, Squash factor
— коефіцієнт пригнічення, Accept
ти моделювання. Експериментальні дані та результати моделювання виводяться як множина точок у двовимірному просторі. При цьому по вісі абсцис відкладається порядковий номер рядка даних у вибірці (навчальної, тестової або контрольної), а по осі ординат — значення вихідної змінної для даного рядка вибірки. Використовуються такі маркери: блакитна крапка (.) — тестова вибірка; блакитна окружність (o)
В області навчання (Train FIS) розташовані: Optim. method — меню вибору методу оптимізації, Error tolerance — поле введення необхідної точності навчання, Epochs — поле введення кількості ітерацій навчання та кнопка Train Now, натискання якої запускає режим навчання. Проміжні результати навчання виводяться в область візуалізації та в робочу область Matlab. В ANFIS-редакторі реалізовано два методи навчання: backpropa — метод зворотного поширення помилки та hybrid — гібридний метод, що поєднує метод зворотного поширення помилки з методом найменших квадратів.
В області тестування (Test FIS) розташовані меню вибору вибірки і кнопка Test Now, з натисканням якої відбувається тестування нечіткої системи з виведенням результатів у область візуалізації.
Поряд із функціями для побудови систем нечіткого виведення модуль Fuzzy Logic Toolbox пакета Matlab містить функції для створення й використання нейро-нечітких мереж: anfis — функція навчання для системи Сугено; функція genparam — генерує початкові параметри передумов для навчання ANFIS; функція evalfis — виконує обчислення для вибірки екземплярів за допомогою вказаної нейро-нечіткої мережі.
Вибірки даних та нейро-нечіткі мережі, з якими працюють описані функції, мають зберігатися в робочій області Matlab (в оперативній пам’яті). У стовпцях матриць, відповідних вибіркам, зберігаються значення входів (ознак) та виходів, у рядках — екземпляри вибірки.
Дослідження відомих архітектур гібридних систем і алгоритмів їх навчання дозволяє, на нашу думку, вважати їх моделями, котрі адекватно відображають співвідношення сприйняття і логічний умовивід при когнітивній діяльності людини.
За реального розв’язання задачі людина комбінує процеси мислення (комп’ютерний аналог — логічний висновок), допоміжну згадку (свідоме «внутрішнє» збудження образу), сприйняття навколишніх предметів (розпізнавання) і, можливо, руху (управління тілом). Навчена нечітка нейронна мережа і зберігає патерни, і
ratio — коефіцієнт, що визначає, у скільки разів потенціал даної точки має бути вищим від потенціалу центру першого кластера, для того щоб центром одного із кластерів була призначена розглянута точка, Reject ratio — коефіцієнт, що визначає, у скільки разів потенціал даної точки має бути нижчим від потенціалу центру першого кластера, щоб розглянута точка була виключена з можливих центрів кластерів.
Отже, незважаючи на те, що нечіткі нейронні мережі створені як нейро-нечіткі контролери для управління процесами, вони можуть служити когнітивною моделлю для вивчення взаємодії процесів сприйняття і мислення за когнітивної діяльності. ANFIS — це адаптивна мережа нечіткого висновку. Вона була запропонована Дж. С. Р. Янгом у докторській дисертації в 1992 р. ANFIS є одним із перших варіантів гібридних нейро-нечітких мереж — нейронної мережі прямого поширення сигналу особливого типу. Архітектура нейро-нечіткої мережі ізоморфна нечіткій БЗ. У нейро-нечітких мережах використовуються диференційовані реалізації трикутних норм (множення і ймовірнісне АБО), а також прямі функції приналежності. Це дозволяє застосовувати для настроювання нейро-нечітких мереж швидкі алгоритми навчання нейронних мереж, засновані на методі зворотного розповсюдження помилки. Далі описуються архітектура та правила функціонування кожного шару ANFIS-мережі. ANFIS реалізує систему нечіткого виведення Сугено у вигляді п’ятишарової нейронної мережі прямого поширення сигналу. Призначення шарів таке: перший шар — терми вхідних змінних; другий шар — антецеденти (посилки) нечітких правил; третій шар — нормалізація ступенів виконання правил; четвертий шар — завершення правил; п’ятий шар — агрегування результату, отриманого за різними правилами.
16.2. Приклади та ілюстрації
16.2.1. Приклад 1.
Визначення кредитної ставки позичальника
Операція визначення кредитної ставки є складнішою, порівняно із попередньо описаними, її логічний перебіг змінюється залежно від характеру використання кредиту, тому для представлення цього процесу пропонується звернутися до моделей нечіткого виведення — це інформаційно-логічні моделі системи,
виконує логічні операції, тому що містить І-АБО-нейрони, і перемикається від розпізнавання на логічний висновок, оскільки зазвичай включає в себе кілька окремо навчених мереж з різними функціями.
Опис закономірностей при встановленні базової кредитної ставки представлено за допомогою базової нечіткої моделі. Вхідними нечіткими змінними цієї моделі є: в1= «надійність позичальника», Т1= «клас А, клас Б, клас В»; в2= «кредитоспроможність позичальника», Т2= «висока, середня, низька»; в3= «попит на продукт», Т3= «високий, середній, низький»;
Вихідною нечіткою змінною цієї моделі є: г= «рівень базової кредитної ставки», Тг= «низький, середній, високий».
Опишемо базу логічних правил для даної нечіткої моделі.
1. в1(«клас В») ? в2(«низька») ? в3(? «високий») ?г(«високий»).
2. в1(? «клас А») ? в2(? «висока») ? в3( «високий») ?г(«середній»).
3. в1(«клас Б») ? в2(«середня») ? в3(«середній») ?г(«с середній»).
4. в1(«клас А») ? в2(«висока») ? в3(? «низький») ?г(«низький»).
5. в1(«клас А») ? в2(«висока») ? в3( «низький») ?г(«середній»).
Для настроювання параметрів та корегування правил логічного висновку нечіткої моделі, з метою забезпечення її адекватності, нечітка модель за алгоритмом Мамдані для визначення кредитної ставки була розроблена у середовищі Matlab. Для цього були побудовані функції належності лінгвістичних змінних до їх термів. Функції належності термів вхідної змінної «надійність позичальника» наведено на рис. 5.7.
Функції належності термів вхідної змінної «кредитоспроможність» наведено на рис. 5.8.
Функції належності термів вхідної змінної «попит на продукт» наведено на рис. 5.9.
побудовані на основі теорії нечітких множин і нечіткої логіки. Пропонується створення однієї спільної моделі визначення базової кредитної ставки, яка далі буде враховуватись при розрахунку кредитних ставок для договорів з різними умовами. Тобто, вихідна змінна цієї моделі нечіткого логічного висновку буде вхідною змінною для нечітких моделей визначення кредитних ставок, які побудовано з урахуванням характеру використання кредиту.
Рис. 5.7. Функції належності термів лінгвістичної змінної «надійність позичальника» Рис. 5.8. Функції належності термів лінгвістичної змінної «кредитоспроможність»
Рис. 5.9. Функції належності термів лінгвістичної змінної «попит на продукт»
Функції належності термів вихідної змінної «рівень кредитної ставки» наведено на рис. 5.10.
Рис. 5.10. Функції належності термів лінгвістичної змінної «рівень базової кредитної ставки»
Описані вище логічні правила нечіткого висновку задано у вікні редактора БЗ Rules Editor, зображеному на рис. 5.11.
Рис. 5.11. Вікно задання логічних правил нечіткого висновку моделі визначення базової кредитної ставки (нечітка БЗ)
У результаті отримали вікно перегляду правил нечіткого висновку (наведено на рис. 5.12), у якому було перевірено та підтверджено адекватність роботи побудованої моделі.
Рис. 5.12. Візуалізація нечіткого логічного висновку моделі визначення базового рівня кредитної ставки
Тепер опишемо моделі нечіткого логічного висновку для визначення кредитних ставок, ураховуючи специфіку кредитних договорів різного спрямування (класифікація проводиться за характером використання кредиту). Єдиною спільною вхідною змінною для всіх цих моделей є змінна «рівень базової кредитної ставки», яка є вихідною змінною наведеної вище моделі.
Модель розрахунку кредитної ставки для кредитування купівлі товарів та послуг.
Модель містить такі вхідні нечіткі змінні: в1= «рівень базової кредитної ставки», Т1= «високий, середній, низький»; в2= «специфічність товару/послуги», Т2= «поширений, специфічний, дуже специфічний»; в3= «розмір кредиту», Т2= «малий, середній, великий»;
Вихідна нечітка змінна моделі: г= «кредитна ставка», Тг= «низька, середня, висока, дуже висока».
Опишемо базу логічних правил для даної нечіткої моделі.
1. в1(«низький») ? в2(«поширений») ?г(«низька»).
2. в1(«середній») ? в2(«поширений») ?г(«середня»).
3. в1(«високий») ? в2(«поширений») ?г(«висока»).
4. в1(? «високий») ? в2(«специфічний») ?в3(? «великий») ?г(«середня»).
5. в1(«високий») ? в2(«специфічний») ?в3(«великий») ?г(«висока»).
6. в1(? «високий») ? в2(«дуже специфічний») ?в3(«малий») ?г(«висока»).
7. в1(«високий») ? в2(«дуже специфічний») ?г(«дуже висока»).
Модель розрахунку кредитної ставки для кредитування купівлі товарів та послуг була побудована та налаштована у середовищі Matlab. Для цього були побудовані функції належності лінгвістичних змінних до їх термів. Функції належності термів вхідної змінної «специфічність товару/послуги» наведено на рис. 5.13.
Рис. 5.13. Функції належності термів лінгвістичної змінної «специфічність товару/послуги»
Функції належності термів вхідної змінної «розмір кредиту» наведено на рис. 5.14.
Рис. 5.14. Функції належності термів лінгвістичної змінної «розмір кредиту»
Функції належності термів вихідної змінної «кредитна ставка» наведено на рис. 5.15.
Рис. 5.15. Функції належності термів лінгвістичної змінної «кредитна ставка»
У редакторі введення логічних правил було введено описані вище правила висновку. У результаті отримали вікно перегляду правил нечіткого висновку (наведено на рис. 5.16) та тривимірні зображення залежностей між вхідними і вихідною змінними моделей (рис. 5.17), за допомогою яких було перевірено та підтверджено адекватність роботи побудованої моделі.
Рис. 5.16. Візуалізація нечіткого логічного висновку для моделі визначення кредитної ставки для кредитування купівля товарів та послуг
Рис. 5.17. Поверхня «входи — вихід» для залежності вхідних і вихідної змінної моделі для кредитування купівлі товарів та послуг
Модель розрахунку кредитної ставки для кредитування навчання.
Модель містить такі вхідні нечіткі змінні: в1= «рівень базової кредитної ставки», Т1= «високий, середній, низький»; в2=«перспективність випускників», Т2= «висока, середня, низька»; в3=«репутація навчального закладу», Т2= «блискуча, задовільна, незадовільна»;
Вихідна нечітка змінна моделі: г= «кредитна ставка», Тг= «низька, середня, висока».
Опишемо базу логічних правил для даної нечіткої моделі.
1. в1(«низький») ? в2(? «низька») ?в3(? «незадовільна») ?г(«низька»).
2. в1(«низький») ? в2(«низька») ?в3( «незадовільна») ?г(«середня»).
3. в1(«середній») ? в2(? «низька») ?в3(? «незадовільна») ?г(«середня»).
4. в1(«середній») ? в2( «низька») ?в3( «незадовільна») ?г(«висока»).
5. в1(«високий») ? в2(«висока») ?в3(«блискуча») ?г(«середня»).
6. в1(«високий») ? в2(? «висока») ?в3(? «блискуча») ?г(«висока»).
Модель розрахунку кредитної ставки для кредитування навчання була побудована та налаштована у середовищі Matlab. Для цього були побудовані функції належності лінгвістичних змінних до їх термів, задано логічні правила, аналогічно до попередньої моделі. Вікно перегляду правил нечіткого висновку наведено на рис. 5.18, тривимірні зображення залежності між вхідними і вихідною змінними моделей наведено на рис. 5.19.
Модель розрахунку кредитної ставки для кредитування купівлі нерухомого майна
Модель містить такі вхідні нечіткі змінні: в1= «рівень базової кредитної ставки», Т1= «високий, середній, низький»; в2=«вартість майна», Т2= «висока, середня, низька»; в3=«рівень ризикованості угоди», Т3= «високий, середній, низький».
Вихідна нечітка змінна моделі: г= «кредитна ставка», Тг= «низька, середня, висока».
Опишемо базу логічних правил для даної нечіткої моделі.
1. в1(«низький») ? в3(«низький») ?г(«низька»).
2. в1(«низький») ? в2(«низька») ? в3(«середній») ?г(«низька»).
3.в1(«низький») ? в2(? «низька») ? в3(«середній») ?г(«середня»).
4.в1(«низький») ? в3(«високий») ?г(«середня»).
5. в1(«середній») ? в2(«низька») ? в3(«низький») ?г(«низька»).
6. в1(«середній») ? в2(? «низька») ? в3(«низький») ?г(«середня»).
7. в1(«середній») ? в2(? «висока») ? в3(«середній») ?г(«середня»).
8. в1(«середній») ? в2(«висока») ? в3(«високий») ?г(«висока»).
9. в1(«високий») в3(«високий») ?г(«висока»).
Модель розрахунку кредитної ставки для купівлі нерухомого майна була побудована та налаштована у середовищі Matlab. Для цього були побудовані функції належності лінгвістичних змінних до їх термів, задано логічні правила, аналогічно до попередньої моделі. Вікно перегляду правил нечіткого висновку наведено на рис. 5.20, тривимірні зображення залежності між вхідними і вихідною змінними моделей наведено на рис. 5.21.
Рис. 5.18. Візуалізація нечіткого логічного висновку для моделі визначення кредитної ставки кредитування навчання
Рис. 5.19. Поверхня «входи — вихід» для залежності вхідних і вихідної змінної моделі для кредитування навчання Рис. 5.20. Візуалізація нечіткого логічного висновку для моделі визначення кредитної ставки для кредитування купівлі нерухомого майна
Рис. 5.21. Поверхня «входи — вихід» для залежності вхідних і вихідної змінної моделі для кредитування купівлі нерухомого майна
Аналогічно експертом створюються нечіткі моделі для визначення кредитних ставок за іншими видами характеру використання кредиту. Звичайно, бази правил нечіткого висновку побудованих моделей є дещо спрощеними і скороченими, у рамках навчального посібника, у зв’язку із обсягом і складністю задачі, проте основні закономірності у зв’язках вхідних змінних між собою та із вихідною змінною були названі. Переглянувши результати нечіткого висновку для конкретних значень вхідних змінних, а також тривимірні графіки залежностей вихідної змінної від вхідних, і двовимірні графіки залежності вихідної від вхідної змінної, було отримано підтвердження тому, що основні закономірності зміни вихідної змінної залежно від зміни однієї або декількох вхідних змінних були закладені правильно, і система працює адекватно.
16.2.2. Приклад 2. Підтримка прийняття рішень у компанії на основі збалансованої системи показників (BSC) і нейро-нечіткої моделі середовища MatLab
У даній роботі наводиться приклад того, як можна за допомогою гібридної системи класу ANFIS (типу Сугено) вести контроль за впливом змін кількох відібраних показників на досягнення поставленої мети.
Метод Balanced Scorecard
Серед безлічі методів управління стратегією розвитку компаній значної популярності останніми роками набула Balanced Scorecard (BSC) — система збалансованих показників. Сформульований Д. Нортоном і Р. Капланом у результаті дослідницького проекту «Measuring Perfomance in the Organization of the Future», проведеного на початку 1990-х рр. по 12 компаніях, цей метод знайшов численних прихильників і послідовників не тільки в академічному середовищі, але й серед менеджерів-практиків.
Ключові показники діяльності
Метод BSC постулював необхідність використання ключових показників діяльності (KPI) компанії — індикаторів, придатних для опису стану ресурсів, і процесів, важливих для стратегічного розвитку фірми.
Особливе значення в концепції BSC приділяється можливості додати ключовим показникам діяльності характер лідируючих індикаторів (leading indicators), здатних виконувати функцію тривожного сигналу. На відміну від лідируючих індикаторів, так звані лагові індикатори (lagging indicators) відображають більшою мірою минулі тенденції і не відіграють значної ролі в стратегічному управлінні компанією.
Як базовий варіант BSC пропонує використовувати 4 групи індикаторів (у термінології BSC ці групи називаються «перспективами»):
1) фінанси (financial perspective);
2) клієнти (customer perspective);
3) бізнес-процес (internal perspective);
4) навчання і зростання (learning and growth perspective).
Передбачається, що для кожного лідируючого індикатора можна визначити безліч значень, як цільове, досягнення якого відповідає стратегічним завданням компанії. Не досягнення яким-небудь індикатором цільової множини свідчить про наявність чинника, стримуючого або протидіючого досягненню стратегічної мети. Отже, система ключових показників діяльності в концепції BSC реалізує функцію системи раннього сповіщення про можливі несприятливі тенденції в розвитку компанії.
Схема стратегії компанії
Візуалізація стратегії — одна з головних вимог концепції BSC. Графічне подання схеми стратегії, як стверджують автори концепції, має бути самодостатнім для її розуміння. Правильно представлена стратегія не повинна залишати неясності з приводу того, як досягаються поставлені стратегічні цілі.
Концепція BSC виходить з уявлення про стратегічний розвиток компанії як процес, що вимагає нових знань і навиків (перспектива «навчання і зростання») та впровадження в бізнес-процес нових технологій (перспектива «бізнес-процес»), що дозволить фірмі позиціонуватися і затвердитися на ринку (перспектива «клієнти») і приведе компанію до бажаного фінансового благополуччя (перспектива «фінанси»).
Метод BSC постулював можливість розкладання стратегічної мети на підцілі, які, у свою чергу, можуть бути також розкладені на підцілі, аж до таких, які допускають вироблення конкретних керованих дій для їх досягнення. Зв’язний граф, вершини якого є метапідцілі, а ребра — причинно-наслідкові зв’язки між ними, утворює схему стратегії (strategy Map). Схема стратегії компанії сегментується за чотирма перспективами, як за рівнями (рис. 5.22).
Рис. 5.22. Схема стратегії компанії в розкладанні по рівнях перспектив
З простотою втілення, як здається, розроблення схеми стратегії не є простою справою. Одна з головних труднощів полягає в тому, що принцип повноти і точності представлення стратегії може увійти в суперечність з вимогою наочності та зрозумілості. Так, автори методу BSC рекомендують, щоби кількість вершин на графі схеми стратегії не перевищувала трьох десятків. Інакше
Структура інформаційної таблиці scorecard
Центральним поняттям методу BSC є scorecard. Score у перекладі з англійської — рахунок, рейтинг; card
— картка, листівка. Тому scorecard можна було б перевести як рейтингова картка. Проте у змістовному плані scorecard ширше, ніж це випливає з такого варіанта перекладу. Виходячи з того, що автори концепції BSC спочатку представляли scorecard у табличній формі, цілком допустимим є переклад scorecard українською мовою як інформаційна таблиця scorecard.
Основне призначення інформаційної таблиці scorecard — надати уявлення про стратегію компанії та поточний стан досягнення стратегічної мети. Як носій даних, scorecard містить інформацію в трьох формах уявлення — текстової, графічної і числової.
Текстова частина включає формулювання місії компанії (mission), бачення компанії (vision), стратегічних цілей (strategic objectives), заходів (initiatives), які забезпечують досягнення стратегічних цілей, назви метрик (measures) — індикаторів для вимірювання ступеня досягнення стратегічної мети.
Графічна частина є схематичним зображенням стратегії у вигляді дерева стратегічних цілей-підцілей.
Числова частина містить значення ключових показників розвитку компанії (метрик) — цільових і досягнутих.
Крім перелічених, концепція BSC допускає також наявність інших структурних елементів у інформаційній таблиці, важливих для віддзеркалення та реалізації стратегії компанії, що розглядається в сукупності всіх своїх компонент. Інформаційна таблиця scorecard може бути представлена як логіко-метрична модель стратегії компанії.
Для реалізації концепції BSC компанія має розробити і наповнити даними інформаційні таблиці scorecard для кожного свого структурного підрозділу. Отже, йдеться не про одну інформаційну таблицю, а про систему взаємозв’язаних таблиць. При цьому структура scorecard для підрозділів може збігатися із структурою scorecard компанії в цілому, а може і не збігатися. Інформаційним таблицям scorecard у концепції BSC відводяться такі функціональні ролі:
осмислення схеми стратегії стає скрутним. Досвід показує, що під час реального проектування схеми стратегії може виникнути потреба перевищити цей рекомендований рівень.
• Декларативна функція. За допомогою scorecard здійснюється експлікація, візуалізація стратегії, її документування у формі, зрозумілій для персоналу компанії, інвесторів і кредиторів.
• Функція планування. В інформаційних таблицях scorecard стратегія переводиться в площину дій, дозволяє представити заходи з досягнення стратегічної мети.
• Комунікативна функція. Scorecard на етапі їх підготовки і ревізії є засобом обговорення стратегічних цілей і плану щодо їх досягнення. Персонал працює з таблицями scorecard як з документами, вносячи своє бачення в розв’язання стратегічних задач.
• Контрольна функція. За допомогою індикаторів scorecard здійснюється моніторинг відповідності поточного стану ресурсів і процесів у компанії її стратегії.
• По суті, впровадження положень концепції BSC в конкретній компанії є не що інше, як організація документообігу інформаційних таблиць scorecard.
Гнучкість методу
Як вважають автори методу BSC, його використання вимагає творчого ставлення. Це виражається в тому, що чітких методичних рекомендацій щодо того, як будувати схему стратегії або вибирати лідируючі індикатори стану, у самій концепції BSC не міститься. До відкритих питань концепції можна також віднести і питання про методологію зіставлення інформаційних таблиць scorecard у разі потреби зміни їхньої структури з часом.
Прихильники BSC указують, що, незважаючи на відсутність методичної завершеності, використання BSC саме по собі здатне привнести в компанію могутній імпульс щодо організації ефективної системи управління, оскільки є хорошим приводом для обговорення наболілих питань зі стратегічного управління компанією.
