Иванов П.Д.

МГТУ им. Н.Э. Баумана, Россия

Управление портфелем партнеров с помощью методов Data Mining

Для развития экономики и общего повышения конкурентоспособности приходится выискивать всё новые и новые механизмы рационализации деятельности предприятия и улучшения эффективности его работы. Предприниматели понимают, что для гармоничного, успешного роста компании и её адекватного функционирования в тяжёлых условиях внешних и внутренних экономических пертурбаций бизнес-модель предприятия должна строиться на прочных, долгосрочных отношениях с зарекомендовавшими себя партнёрами, оказывающими качественные услуги.

Но для того, чтобы обладать оптимальным портфелем поставщиков необходимо оперативно категорировать имеющихся на рынке агентов и выискать лучших для целевой фирмы. Для этого необходим автоматический инструмент, который мог бы выполнять эту процедуру в мгновенном, динамическом режиме.

При решении прикладных задач очень часто приходится сталкиваться с конкретными проблемами практического характера: анализируемая информация может быть неполной, не до конца достоверной, содержать серьёзные ошибки или пропуски, а также большая доля фактов может быть представлена плохо формализуемой, нечисловой природой. Причём возможностей собрать и консолидировать «идеальные» сведения не представляется возможным в силу чрезвычайно высокой трудоёмкости данного процесса. Следовательно, необходимо иметь инструмент работы с фактическими данными, который в разумных пределах сможет манипулировать такой неорганизованной информацией.

Для этих целей применяются различные приложения искусственного интеллекта [1], направленные на взаимодействие с частичными и неопределёнными фактами. В первую очередь это нечёткая логика, эвристические подходы и нейроалгоритмы. Но стоит указать, что на деле к требованиям для интеллектуального анализа данных прибавляется весомое ограничение по простоте и понятности при взаимодействии конечных пользователей с таким средством. А такой постановке условий список доступных инструментов, которые по-настоящему удобны для использования без подготовленных специалистов, существенно сокращается.

При производстве сложного устройства цепочка поставок комплектующих для него может очень сложной и запутанной, поэтому к выбору какого-либо поставщика относятся основательно, пытаясь разрешить не только необходимость в конкретном изделии, но и оптимизировать процесс взаимодействия с выбранным контрагентом, получая от сотрудничества с ним максимальные преимущества. Они могут быть выражены в различных формах: взаимодополняющие комплекты деталей, экономия на транзакциях, скидки и пр.

Допустим, существует предприятие, которое производит конечную сборку некоего продукта из большого ассортимента составных деталей, приобретаемых у поставщиков. Из-за того, что описанная компания находится в заключительной стадии «цепочки производства», ей существенно необходимо подобрать ответственных, надёжных поставщиков, которые качественно и в срок выполнят полученные им элементы задачи с минимальным для головного заказчика риском, не нарушив сложный и длительный процесс выполнения всего проекта. Данная ситуация предполагает применение метода, позволяющего подобрать среди поставщиков оптимальную и эффективную команду для выполнения конкретного задания.

При решении предложенной прикладной задачи возникает заметная трудность в установлении немаловажной функциональной специализации поставщиков. Данного рода сведения, во-первых, труднодоступны в практическом плане, а во-вторых, формальная «юридическая» специализация фирмы может не в полной мере описывать реальную деятельность компаний: у предприятия может быть несколько разнообразных видов деятельности неодинакового масштаба, или же предложенная специализация неточно отражает её продукцию.

Для идентификации поставщиков создаваемый заказчиком продукт представим в виде набора изделий, закодированных в формате ОКПД-2 (Общероссийский классификатор продукции по видам экономической деятельности). Выбранная кодировка продукции уже выражена числом с удобной структурой и всегда представлена в базовых финансовых документах в разделах кодов регистрационной информации (ОКУД, ИНН, ОКВЭД и т.д.).

Используя данные об экономической классификации, а также некоторые другие параметры (качество, срок, надёжность поставщика, стоимость и пр.) можно будет сформировать эффективную команду поставщиков.

Инструментом разграничения всех поставщиков на группы по их показателям выберем самоорганизующуюся карту Кохонена. Карта является нейросетевым решением, совершающим автоматическую кластеризацию предложенных ей данных. Из-за своих возможностей по самоорганизации, нейронная сеть функционирует без руководства аналитика, и соответственно не требует предварительных сведений о классификации. Это позволяет применять данное «интеллектуальное» средство для разнообразных насущных задач: предварительная обработка неструктурированной информации, исследование закономерностей и взаимосвязи в данных, анализ сочетаний параметров, выявление аномалий, поиск неожиданных свойств (англ. mining) и пр.

Немаловажным преимуществом нейрокарты является то, что результат работы сети представляется простым двумерным изображением, которое полностью отражает все характеристики изучаемого набора в форме геометрического узора. Для механизма пространственного расположения образцов используется простое правило ближайшего соседа, которое расставляет все элементы по их схожести друг с другом. Таким образом производится «пространственная» группировка, при которой мы знаем не только о формальной принадлежности к какому-либо множеству, но и видим взаимоотношения между кластерами и внутри них. Описанное преимущество позволяет гораздо подробнее исследовать сложные случаи, к примеру, наличия переходных образцов в граничной зоне пересекающихся кластеров.

Работать с визуальными картами гораздо удобнее и понятнее, чем с привычными инструментами сегментации: графический вид продукта группировки упрощает размерность выборки, позволяет оценивать объект с разным сторон, а также изучать совместное, множественное влияние факторов и применять абстрактное мышление в процессе интерпретации результатов [2,3,4].

Сегментация поставщиков при помощи нейрокарты сводит трудоёмкую задачу выбора из длинного списка участников к визуальному анализу некоторой подходящей под условия заказа области, позволяет сфокусироваться на нескольких нужных в данный момент компаниях, вместо общей проверки и т.д.

При последовательном обзоре свойств анализируемых компаний, мы сгруппируем образцы по информации о коде ОКПД-2, преобразованной в число, например, 25.4.3=254003 (рис. 1). Реальная фирма может заниматься целым рядом специализаций, которые могут быть даже не связаны непосредственно. В таком случае стоит указать несколько значимых видов деятельности – основной и дополнительные. Также можно указать соотношение приоритетов между этими работами в виде некоего весового коэффициента, выбранного экспертами или рассчитанного количественно через знание о структуре прибыли исследуемой компании.

Рис. 1. Карта сегментации поставщиков по специализации

Интерес вызывает подбор параметров, по которым можно оценить поставщиков с хозяйственной стороны. В первую очередь необходимы индикаторы, отличающиеся широкой доступностью и количественной природой. Затем при желании можно добавить экспертные оценки характеристик партнёров. В таком случае самыми важными свойствами будут: надёжность поставщика, выраженная итогами прошлых взаимодействий с ним; роль партнёра, т.е. насколько критичны для производства его услуги; его квалификация; категория предоставляемых им товаров; качество его продукции и качество его логистических услуг; репутация, а также желание сотрудничать с целевой компанией.

Преимущества использования метода нейрокартирования очевидны: анализ контрагентов происходит автоматически, оперативно и при этом результат оптимизируется сразу по множеству значимых характеристик, что гораздо проще и при этом точнее, чем например взвешенная рейтинговая оценка. Кластеризация более гибка в настройке, так как выполняется по любым предложенным нейросети сведениям, без пересчёта рангов и значений.

В итоге мы можем рационализировать состав поставщиков и собрать из них взаимосвязанные команды. Коллегиальное взаимодействие позволяет за счёт масштаба сокращать операционные расходы, улучшить качество участвующих партнёров и созданных с ними контрактов, оптимизировать логистику, перераспределить ресурсы и в целом существенно повысить эффективность работы фирмы без каких-либо структурных перемен.

ЛИТЕРАТУРА

1. Садовская Т.Г., Шиболденков В.А., Иванов П.Д. Оптимизация портфеля партнеров с помощью инструментов интеллектуального анализа данных // Экономика и предпринимательство, № 9 (ч.2), 2015 г. С. 1094-1097.

2. Kohonen, T. (2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag, 317 p.

3. Pöllä, M., Honkela, T. and Kohonen, T. (2007). Bibliography of Self-Organizing Map (SOM) Papers: 2002-2005 Addendum. Neural Computing Surveys, p. 1-156.

4. Хайкин С. Нейронные сети: полный курс. 2-е издание. М. ИД «Вильямс», 2006. 1104 с.