Работа с KPI учитывает специфику конкретной организации и расклад сил в ней. Результаты не дают возможности публичного обобщения. Думаю, что самое любопытное в работе с KPI — это идея применения метода базисов Гребнера, который позволяет на одинаковых методологических основаниях (применяются символические преобразования) работать с количественными и качественными переменными.
Идея ERP состоит в том, чтобы собрать максимальное количество данных. Хранятся эти данные во внутренних форматах, определяемых ERP. Их использование на практике очень затруднено. Да, конечно, бухгалтерия сдает отчет. Но с модулем ремонтов, которые забирают часто до 30% затрат, все очень проблематично, хотя данные исправно собираются.
С датчиками ситуация аналогичная. Их сначала ставят, а потом думают, что с ними делать. Еще нужно их калибровать и т.п.
Внедрение ERP начинается от 100 млн. рублей. Зарплата ИТ в Москве около 100 тыс., а в регионах 60 тыс. руб.
Представленная модель не теоретическая, а работает на исторических временных рядах.
Цены на фрахт рыночные. Меняются постоянно — видно на графиках. Еженедельно специальными агентствами выпускаются сводки по статистике фрахта от локальности и типа судна: минимум, максимум, средняя.
Вы правы. Парадигма рынка периодически меняется. Парадигма очень правильный термин, если интерпретировать его как пред-теорию (недо-теорию), которая связывается с хорошо работающим набором методов и средств в общем по не совсем понятным причинам. У трейдера имеется не очень большой набор инструментов, с которым он время от времени экспериментирует. Фурье-событие может быть одним из них, тем более, что оно может фиксировать период смены парадигмы.
В 2008 мы много экспериментировали с Форекс. В методе выделения долговременных циклов по гармоникам с большой амплитудой чувствовался явный недочет. Если есть Фурье-аппроксимация ряда, то долговременный цикл понятно как получается. Но если только вычислить Фурье-преобразование и взять косинусы с большими амплитудам, то нет уверенности в том, что мы выделяем.
Уважаемый AlexTOPMAN, я подумал, что надо дать другой ответ на Ваш вопрос. Пример — морские перевозки. На заявку трейдер должен выставить цену, учитывающую: риск погоды+%, проблемы бункировки+%, очереди в проливах+%, попадание в портовые слоты+% и т.п. В итоге получается значительная сумма, которая обоснована и расчитана по методике, определенной в стратегии компании. Но есть справочники о стоимости аналогичных перевозок за последнюю неделю и ранее. Поэтому трейдер не может поставить «плановую» цену, а вынужден ориентироваться на рыночную статистику. В итоге нет плана как такового, а есть только цена и факт. В этом случае мат. модель важна и позволяет обосновать отказ от перевозки или сформировать индивидуализированный план перевозки. Однако в этом случае не работает связка стратегия — оперативное управление.
Теоретически я, опять же, согласен. Практически — зависит от того насколько план и сбыт постоянны из месяца в месяц. Если не постоянны, то важно как планируют (насколько понятны применяемые методы и получаемый результат), а также на основе каких моделей принимаются мероприятия и как они влияют на результат. В примере для производства полуфабриката делалась оптимизационная модель потоков на графах. Так как перемещается качественно различный товар (свой-чужой и с разной ценой) и в разных направлениях, то пришлось делать динамическую синтетическую модель, объединяющие разные математические методы в зависимости от режима движения полуфабриката. 40% поняли и согласились, а 60% нет — сказали сложно.
Согласен. Был опыт консультирования одной авиакомпании. Там были введены регулярные разборы (организационные мероприятия с картинками и данными, но без явного моделирования). Показатели от «вправления мозгов» резко увеличились. Но через 7-8 месяцев большинство приспособились и все вернулось «как прежде».
Теоретически Вы совершенно правы, совокупность линейных неравенств порождает выпуклую область, пустое множество или в некоторых местах открытую область (не выпуклую область).
Но построить и оценить область определения системы линейных неравенств больше 2-3 переменных (если не брать простые примеры при обучении студентов) достаточно проблематично. Алгоритмы линейной оптимизации начинают с некоторой вершины и следуют по прямой, заданной соответствующим уравнением, до следующей ближайшей точки пересечения (вершины), а не по вершинам итоговой гипотетической выпуклой области. Если по смыслу есть коллизия в условиях, как я описывал ранее, то алгоритм пойдет по периметру не выпуклой области.
1. Пример не выпуклой области. Пусть на трех одинаковых переменных одно подразделение определяет то, что оно хочет достичь, а другое то, что оно хочет избежать. Пусть в итоге получаем два треугольника (выпуклые): «достичь» и «избежать». В итоге задача определена на пересечении двух треугольников — можно дорисовать возможные общие не выпуклые области.
2. Вторая проблема — это наличие интервальных ограничений для переменной (сверху и снизу или только снизу).
3. В больших компаниях производственно-коммерческие ограничения обычно связаны с 2-5 тысячами переменных. Исторически они привыкли к линейному программированию. Линейность метода психологически делает результаты для бизнеса более правдоподобными.
4. Любой метод оптимизации связан с необходимыми условиями и структурами данных, в которые надо «втиснуть» реальную задачу. Для одного метода обычно это удается сделать только для части сложной задачи. Поэтому при решении одной задачи приходится задействовать несколько подходящих методов (последовательно или параллельно). Если при этом помнить, что каждый алгоритм имеет особенности реализации (явные или подразумеваемые), то без использования альтернативных методов и проверок обойтись нельзя.
5. Нелинейность тоже надо формализовать. Если делать это с помощью производственных функций, то получаем одновременно математические проблемы устойчивости, связанные с возможными «шевелениями» параметров производственной функции (в том виде как Вы их увидели) и содержательные проблемы бизнеса — а так ли все обстоит на самом деле как задано в производственной функции?
6. Спасибо за комментарии. Когда привыкаешь к материалу, то часто пропускаешь важные позиции.
Сначала конкретные вопросы.
1. Для решения задачи использовалась WolframMathematica. Она «умеет» многое.
2. Добиваюсь преодоления проблем, обозначенных вначале.
3. Устойчивость в задаче линейного программирования — это получение одинакового результата вне зависимости от начальной точки и метода обхода вершин (по тексту было уточнено).
4. Почему любая система линейных уравнений и неравенств должна порождать выпуклую область?
5. Проблема и условия устойчивости. Васильев Ф.П., Иваницкий А.Ю. Линейное программирование (1998).
Философские вопросы.
1. Линейное программирование не покрывает большинство потребностей в бизнесе (я такое не писал — видно по ссылке). Более того, оно не соответствует сути большинства задач, подразумевающих наличие нелинейности. При этом оно распространено, так как более менее понятно. Работа показывает как не очень пригодным методом добиваться вполне полезных результатов.
2. Нельзя правильно использовать результат, который непонятно как получен. Получая «оптимальное» решение неким стандартным методом, вы, на самом деле, не знаете, что получили. Чтобы в бизнесе применять оптимальное решение оно должно быть: понятно для лица принимающего решения (связано с промежуточными результатами и интерфейсом взаимодействия в процессе вычислений), учитывать имеющуюся практику (это не только математическая задача) и получено несколькими разными (альтернативными) математическими методами.
С датчиками ситуация аналогичная. Их сначала ставят, а потом думают, что с ними делать. Еще нужно их калибровать и т.п.
Внедрение ERP начинается от 100 млн. рублей. Зарплата ИТ в Москве около 100 тыс., а в регионах 60 тыс. руб.
Представленная модель не теоретическая, а работает на исторических временных рядах.
В 2008 мы много экспериментировали с Форекс. В методе выделения долговременных циклов по гармоникам с большой амплитудой чувствовался явный недочет. Если есть Фурье-аппроксимация ряда, то долговременный цикл понятно как получается. Но если только вычислить Фурье-преобразование и взять косинусы с большими амплитудам, то нет уверенности в том, что мы выделяем.
Но построить и оценить область определения системы линейных неравенств больше 2-3 переменных (если не брать простые примеры при обучении студентов) достаточно проблематично. Алгоритмы линейной оптимизации начинают с некоторой вершины и следуют по прямой, заданной соответствующим уравнением, до следующей ближайшей точки пересечения (вершины), а не по вершинам итоговой гипотетической выпуклой области. Если по смыслу есть коллизия в условиях, как я описывал ранее, то алгоритм пойдет по периметру не выпуклой области.
2. Вторая проблема — это наличие интервальных ограничений для переменной (сверху и снизу или только снизу).
3. В больших компаниях производственно-коммерческие ограничения обычно связаны с 2-5 тысячами переменных. Исторически они привыкли к линейному программированию. Линейность метода психологически делает результаты для бизнеса более правдоподобными.
4. Любой метод оптимизации связан с необходимыми условиями и структурами данных, в которые надо «втиснуть» реальную задачу. Для одного метода обычно это удается сделать только для части сложной задачи. Поэтому при решении одной задачи приходится задействовать несколько подходящих методов (последовательно или параллельно). Если при этом помнить, что каждый алгоритм имеет особенности реализации (явные или подразумеваемые), то без использования альтернативных методов и проверок обойтись нельзя.
5. Нелинейность тоже надо формализовать. Если делать это с помощью производственных функций, то получаем одновременно математические проблемы устойчивости, связанные с возможными «шевелениями» параметров производственной функции (в том виде как Вы их увидели) и содержательные проблемы бизнеса — а так ли все обстоит на самом деле как задано в производственной функции?
6. Спасибо за комментарии. Когда привыкаешь к материалу, то часто пропускаешь важные позиции.
1. Для решения задачи использовалась WolframMathematica. Она «умеет» многое.
2. Добиваюсь преодоления проблем, обозначенных вначале.
3. Устойчивость в задаче линейного программирования — это получение одинакового результата вне зависимости от начальной точки и метода обхода вершин (по тексту было уточнено).
4. Почему любая система линейных уравнений и неравенств должна порождать выпуклую область?
5. Проблема и условия устойчивости. Васильев Ф.П., Иваницкий А.Ю. Линейное программирование (1998).
Философские вопросы.
1. Линейное программирование не покрывает большинство потребностей в бизнесе (я такое не писал — видно по ссылке). Более того, оно не соответствует сути большинства задач, подразумевающих наличие нелинейности. При этом оно распространено, так как более менее понятно. Работа показывает как не очень пригодным методом добиваться вполне полезных результатов.
2. Нельзя правильно использовать результат, который непонятно как получен. Получая «оптимальное» решение неким стандартным методом, вы, на самом деле, не знаете, что получили. Чтобы в бизнесе применять оптимальное решение оно должно быть: понятно для лица принимающего решения (связано с промежуточными результатами и интерфейсом взаимодействия в процессе вычислений), учитывать имеющуюся практику (это не только математическая задача) и получено несколькими разными (альтернативными) математическими методами.