Ирина Эланс

Автор который поможет с любыми образовательными и учебными заданиями

Имитационное моделирование в маркетинге

Уральский институт экономики управления и права

(УИЭУиП)

Курсовая работа

по теме:

Экономический ……

Управление персоналом Э - 301

Экономики предприятия

Екатеринбург 2010

Содержание

Введение 3

1 Общие положения 5

1.1 Подготовка бизнес процесса к проведению имитации 9

1.2 Методы анализа (маркетинговые модели) 12

1.2.1 Динамический анализ 13

1.2.2 Агентное моделирование 15

1.2.3Метод Монте-Карло 16

2 Имитационное моделированное исследование воспроизводственных процессов на примере нефтегазовой промышленности 22

2.1 Оценка геологических запасов 23

2.1.1 Определение вероятных значений параметра 23

2.1.2 Подсчет геологических запасов 24

2.2 Применения метода Монте-Карло 25

2.3 Использование распределения накопительной вероятности 26

3 Инновационное моделирование в России 27

Заключение 29

Список использованных источников 31

Введение

Деятельность компании зависит от производства. Один из способов улучшения производства есть оптимизация. Учитывая, что в качестве объекта оптимизации может быть абсолютно любой параметр: операторы, принимающие звонки, количество обслуживаемых клиентов или производимый продукт, возникающие идеи по улучшению могут быть абсолютно разные: от ликвидации отдела до внедрения новых технологий. Понять, какая идея наиболее выигрышная – сложно. А проводить эксперименты на реальной компании – слишком дорого.

Построить правильный бизнес, не экспериментируя над компанией и сотрудниками, позволяет имитационное моделирование, которому и посвящена данная статья.

В исследовании операций широко применяются как аналитические, так и статистические модели. Каждый из этих типов имеет свои преимущества и недостатки. Аналитические модели более грубы, учитывают меньшее число факторов, всегда требуют каких-то допущений и упрощений. Зато результаты расчета по ним легче обозримы, отчетливее отражают присущие явлению основные закономерности. А, главное, аналитические модели больше приспособлены для поиска оптимальных решений. Статистические модели, по сравнению, с аналитическими, более точны и подробны, не требуют столь грубых допущений, позволяют учесть большое (в теории - неограниченно большое) число факторов. Но и у них - свои недостатки: громоздкость, плохая обозримость, большой расход машинного времени, а главное, крайняя трудность поиска оптимальных решений, которые приходятся искать "на ощупь", путем догадок и проб.

Наилучшие работы в области исследования операций основаны на совместном применении аналитических и статистических моделей. Аналитическая модель дает возможность в общих чертах разобраться в явлении, наметить как бы контур основных закономерностей. Любые уточнения могут быть получены с помощью статистических моделей.
Имитационное моделирование применяется к процессам, в ход которых может время от времени вмешиваться человеческая воля.

Человек, руководящий операцией, может в зависимости от сложившейся обстановки, принимать те или другие решения, подобно тому, как шахматист, глядя на доску, выбирает свой очередной ход. Затем приводится в действие математическая модель, которая показывает, какое ожидается изменение обстановки в ответ на это решение и к каким последствиям оно приведет спустя некоторое время . Следующее "текущее решение" принимается уже с учетом реальной новой обстановки и т.д.

В результате многократного повторения такой процедуры руководитель как бы "набирает опыт", учится на своих и чужих ошибках и постепенно выучивается принимать правильные решения - если не оптимальные, то почти оптимальные

Имитационное моделирование - это метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

1 Общие положения

В современной литературе не существует единой точки зрения по вопросу о том, что понимать под имитационным моделированием. Так существуют различные трактовки:

в первой - под имитационной моделью понимается математическая модель в классическом смысле.

во второй - этот термин сохраняется лишь за теми моделями, в которых тем или иным способом разыгрываются (имитируются) случайные воздействия.

в третьей - предполагают, что имитационная модель отличается от обычной математической более детальным описанием , но критерий, по которому можно сказать, когда кончается математическая модель и начинается имитационная , не вводится.

Имитационное моделированием применяется к процессам, в ход которых может время от времени вмешиваться человеческая воля. Человек, руководящий операцией, может в зависимости от сложившейся обстановки, принимать те или иные решения, подобно тому, как шахматист, глядя на доску, выбирает свой очередной ход. Затем приводится в действие математическая модель, которая показывает, какое ожидается изменение обстановки, в ответ на это решение и к каким последствиям оно приведет спустя некоторое время. Следующее текущее решение принимается уже с учетом реальной новой обстановки и т. д. В результате многократного повторения такой процедуры руководитель как бы "набирает опыт", учится на своих и чужих ошибках и постепенно выучиваться принимать правильные решения - если не оптимальные, то почти оптимальные.

Попробуем проиллюстрировать процесс имитационного моделирования через сравнение с классической математической моделью.

Этапы процесса построения математической модели сложной системы:

Формулируются основные вопросы о поведении системы, ответы на которые мы хотим получить с помощью модели.
Из множества законов, управляющих поведением системы, выбираются те, влияние которых существенно при поиске ответов на поставленные вопросы.
В пополнение к этим законам, если необходимо, для системы в целом или отдельных ее частей формулируются определенные гипотезы о функционировании.
Критерием адекватности модели служит практика.
Трудности при построении математической модели сложной системы:
Если модель содержит много связей между элементами, разнообразные нелинейные ограничения, большое число параметров и т. д.
Реальные системы зачастую подвержены влиянию случайных различных факторов, учет которых аналитическим путем представляет весьма большие трудности, зачастую непреодолимые при большом их числе.
Возможность сопоставления модели и оригинала при таком подходе имеется лишь в начале.

Эти трудности и обуславливают применение имитационного моделирования.

Метод имитационного моделирования позволяет оценить время выполнения процесса и время, затрачиваемое на задержки в ходе выполнения процесса, например: оператор ушел на обед или товарно-материальные ценности (ТМЦ) не подвезли вовремя. Также метод позволяет оценить количество продукта, получаемого за определенный интервал наблюдения.

Для определения стоимости процесса совместно с имитационным моделированием целесообразно проводить функционально-стоимостной анализ (ФСА). ФСА – метод расчета себестоимости продукта, который отличается от традиционного тем, что фокусируется на подсчете стоимости процессов, необходимых для производства продукта или предоставления услуги, а не на разделении затрат на прямые и косвенные и группировке этих затрат по статьям калькуляции. В основе ФСА лежит положение о том, что для производства продукта необходимо выполнить ряд процессов, на выполнение которых тратятся ресурсы. Стоимость процесса рассчитывается путем переноса стоимости ресурсов на стоимость каждого шага процесса. Сумма расходов на выполнение всех шагов процессов составляет себестоимость продукта.

Проведение имитационного моделирования предполагает осуществление четырех основных этапов:

Построение модели одного или нескольких процессов, выполнение которых необходимо оптимизировать включает в себя:
Запуск имитации выполнения процессов модели,
Анализ полученных показателей,
Повторение п.1-3 для альтернативных сценариев выполнения процесса и выбор наиболее оптимального.

Метод имитационного моделирования позволяет имитировать выполнение процесса так, как оно происходило бы в действительности, но в режиме ускоренного времени. Давайте рассмотрим, как процессы выполняются в жизни. Редкий процесс выполняется четко и быстро. Практически всегда возникают перерывы и задержки, связанные с тем, что поступает более приоритетная задача, необходимые сотрудники заняты или вовремя не заказали комплектующие. Примеров таких процессов множество, приведем лишь некоторые из них:

Менеджер по продажам отвечает клиенту на письмо по электронной почте и в это время поступает телефонный звонок. Менеджер отрывается от работы, отвечает на звонок и только после этого возвращается к написанию письма.
В процессе производства продукта используются товарно-материальные ценности, закупаемые у поставщика. Если отдел закупок поздно сделал заказ или поставщик не обеспечил поставку ТМЦ в обещанные сроки, производство продукта остановится и возобновится только после поступления необходимого количества ТМЦ.
Когда заканчивается рабочий день Начальника отдела, составляющего план работ на следующий месяц, то процесс прерывается и продолжается только на следующий день, когда Начальник отдела выходит на работу.

Для выполнения процесса «Ввод системы в эксплуатацию» необходимо большое количество специалистов, и если кто-то из них занят, то процесс не может быть выполнен.

Чтобы сымитировать все многообразие подобных ситуаций, необходимо учитывать ряд факторов:

В какой момент времени возникают события, приводящие к запуску некоторой деятельности.
Графики работы сотрудников и оборудования (т.н. трудовых ресурсов).
Трудовой ресурс в один момент времени может выполнять только одну задачу.

Значения переменных или вероятности, на основании которых выбирается следующий шаг.

Результаты одной деятельности могут повлиять на протекание другой. Добавляя к этим факторам описание бизнес-процессов, мы получаем модель, над которой можно проводить эксперименты и получать ответы на интересующие нас вопросы.

Подготовка бизнес-процесса к проведению имитации.

Первое, что необходимо сделать, это выделить событие, которое является сигналом для начала выполнения процесса – стартовое событие процесса. Например, сигналом для начала выполнения процесса «Подготовка коммерческого предложения» является событие «От клиента поступил запрос на коммерческое предложение». Стартовое событие может возникать с разной периодичностью, например, звонки от клиентов поступают каждые 10-20 минут, осуществлять плановую проверку работоспособности оборудования необходимо один раз в 2-3 месяца, а совещание у директора проводится каждую пятницу и начинается ровно в 9 утра. Очевидно, что часть событий возникает в определенные моменты времени, часть – через интервалы. Причем и момент времени, и интервал между повторениями событий могут быть случайными величинами, для которых указываются законы их возникновения.

Для каждого шага процесса необходимо задать длительность, которая может быть константой или случайной величиной. Например, длительность шага «Шлифовка детали», выполняемого станком с ЧПУ, составляет ровно 5 минут. Но если станок осуществляет шаг за фиксированное время, то, как только речь заходит о людях, нельзя не учитывать, что люди обладают сложным и непредсказуемым поведением. На выполнение, казалось бы, простого шага «Внесение информации о заявке клиента в Информационную систему» у одного исполнителя может уйти 5 минут, а у другого – 20. Кроме того время выполнения шага может быть случайной величиной по объективным причинам. Процесс «Ответ на звонок клиента» может занимать от 1 до 30 минут в зависимости от клиента и цели его звонка.

При описании бизнес-процесса важно обращать внимание на то, что это не всегда линейная последовательность шагов. Часто выбор следующего шага зависит от ряда условий, таких как «Текущая дата», «Количество уже обработанных заготовок». Или выбор дальнейшего шага носит вероятностный характер, например, вероятность того, что стандартный договор пройдет процедуру согласования клиентом, составляет 0.7, а вероятность того, что клиент пришлет замечания к тексту договора – 0.3.

Для того чтобы в результате имитации оценить стоимость процесса, для каждого шага необходимо задать перечень и стоимость ресурсов, используемых при его выполнении. Все ресурсы в зависимости от логики переноса стоимости на процесс делятся на 2 группы: трудовые и материальные. Трудовые ресурсы – это ресурсы, стоимость использования которых зависит от времени их использования в процессе. Ярким примером трудового ресурса является сотрудник. Стоимость материальных ресурсов от времени их использования не зависит и переносится на стоимость шага процесса сразу. Стоимость единицы материального ресурса задается в виде фиксированного значения. Стоимость единицы времени работы трудового ресурса может зависеть от смены, в которую используется трудовой ресурс.

Например, для выполнения шага «Сборка автомобиля» необходим материальный ресурс «Комплектующее изделие» и трудовой – «Рабочий». Стоимость комплектующего изделия составляет 1000 рублей. Стоимость рабочего – 100 рублей (в дневную смену) или 120 рублей (в ночную смену). Если сборка автомобиля выполняется в течение 4 часов, причем 2 часа в дневную смену и 2 часа в ночную смену, то стоимость использования ресурса «Рабочий» составит 440 рублей. Соответственно, общая стоимость ресурсов, которая будет перенесена на стоимость шага процесса – 1440 рублей.

Спроектировав и настроив модель процессов, можно запускать имитацию. Поскольку временные параметры процессов и времена возникновения событий – случайные величины, один эксперимент с моделью даст только один вариант развития процесса. На основе множества повторов измерений можно получить более точные оценки показателей. Целесообразно проводить имитацию за весь период, интересующий аналитика, например, за квартал.

Таким образом, в результате проведения имитации получаются распределения значений стоимости и времени процесса, причем не только полезного времени выполнения процесса, но и времени, затраченного на ожидание необходимого количества или доступности материальных или временных ресурсов.

Но механизм имитационного моделирования может дать интересную информацию не только о выполнении бизнес-процессов, поскольку он также имитирует работу трудовых ресурсов и производство и потребление материальных. В результате, можно:

Идентифицировать «бутылочные горлышки» среди трудовых ресурсов − перегруженные ресурсы, к которым постоянно выстраивается очередь задач (шагов процессов), в результате чего они задерживают выполнение всех процессов.

Проанализировать производство и потребление материальных ресурсов и определить, возникает ли проблема дефицита или перепроизводства ресурсов. Дефицит приводит к увеличению времени выполнения процесса, а перепроизводство или закупка ресурсов в количестве, превосходящем потребности, влекут издержки на запасы.

Если в результате анализа полученные значения показателей процесса оказались неудовлетворительными, модель можно изменить в соответствии со следующей идеей по оптимизации и провести имитацию снова. По результатам всех экспериментов можно выбрать вариант с наиболее оптимальными значениями показателей. При этом хочется еще раз отметить, что проведение экспериментов не останавливает работу всего предприятия и не нарушает текущее выполнение операций.

1.2 Методы анализа (маркетинговые модели)

Маркетинговые модели используются не только для маркетингового анализа, но и для коммуникации отдела маркетинга с другими отделами:

PEST анализ. PEST-анализ (иногда обозначают как STEP) -- это маркетинговый инструмент, предназначенный для выявления политических (Political), экономических (Economic), социальных (Social) и технологических (Technological) аспектов внешней среды, которые могут повлиять на стратегию компании.
SNW анализ. SNW-анализ -- это анализ слабых и сильных сторон организации, оценивается внутренняя среда по трем значениям: Strength (сильная сторона), Neutral (нейтральная сторона) и Weakness (слабая сторона).

Как показала практика, в ситуации стратегического анализа внутренней среды организации в качестве нейтральной позиции лучше всего фиксировать среднерыночное состояние для данной конкретной ситуации.

Обычно SNW-анализ применяют для более глубокого изучения внутренней среды организации после проведения SWOT-анализа.

SWOT-анализ. SWOT -- метод анализа в стратегическом планировании, заключающийся в разделении факторов и явлений на четыре категории: Strengths (Сильные стороны), Weaknesses (Слабые стороны), Opportunities (Возможности) и Threats (Угрозы).
Матрица БКГ. Матрица БКГ (англ. Boston Consulting Group, BCG) -- инструмент для стратегического анализа и планирования в маркетинге. Создана основателем Бостонской консалтинговой группы Брюсом Д. Хендерсеном для анализа актуальности продуктов компании, исходя из их положения на рынке относительно роста рынка данной продукции и занимаемой выбранной для анализа компанией доли на рынке.

1.2.1 Динамический анализ

Динамический анализ предполагает рассмотрение во времени множества одновременно выполняющихся бизнес-процессов, в то время как статический анализ исследует выполнение одного бизнес-процесса вне связи с занятостью ресурсов в других процессах. Актуальность применения методов динамического анализа в бизнес-реинжиниринге обусловлена необходимостью сокращения межоперационных задержек, связанных с использованием ресурсов в множестве процессов.

При проектировании новых бизнес-процессов в качестве основных инструментов динамического анализа выступают методы и средства имитационного моделирования, поскольку статистика реального выполнения бизнес-процессов просто не существует. При анализе существующей организации бизнес-процессов имитационные модели дают возможность исследовать влияние случайностей на выполнение взаимосвязанных операций, которые трудно вычленить в общем потоке статистической информации.

Под имитационным моделированием будем понимать процесс разработки имитационной модели и последующего имитационного экспериментирования.

An - средний интервал времени между n и n +1 рабочими объектами,

Имитационная модель предполагает генерацию в ускоренном масштабе времени по определенным законам распределения рабочих объектов, которые задерживаются для обработки по заданным законам распределения в функциональных блоках структурной модели бизнес-процесса. Формально простейшая имитационная модель может быть описана следующим образом (рис. 1).

Рисунок 1. Формальное представление имитационной модели.

Sn – среднее время обслуживания (задержки) n -го рабочего объекта

Wn – среднее время ожидания обслуживания в очереди n -го рабочего объекта.

Прогнозирования являются стержнем любой торговой системы, поэтому отлично воспроизведенные прогнозы Forex могут сделать вас колоссально состоятельным.

Тогда Wn +1 = max { Wn + Sn – An , 0} Общее описание рабочего объекта можно представить: < n , An , Sn , Wn >, где An , Sn –случайные числа, генерируемые по некоторому закону распределения, а Wn – вычисляется моделью.

В результате последовательного прохождения рабочих объектов по функциональным блокам за заданное модельное время (любой моделируемый период времени) накапливается статистика о производительности системы (числе рабочих объектов), о временных и стоимостных характеристиках рабочих объектов, об использовании основных ресурсов.

1.2.2 Агентное моделирование

Агентное моделирование предполагает работу с децентрализованной моделью. В такой модели нет единой точки, определяющей поведение системы в целом. Агентная модель состоит из множества индивидуальных объектов (агентов) и их окружения. Поведение системы описывается на индивидуальном уровне. глобальное поведение рассматривается как результат совокупной деятельности агентов, каждый из которых действует сообразно собственному «уставу», существует в общей среде, взаимодействует со средой и другими агентами. Для описания поведения агентов используются карты состояний, являющиеся стандартным инструментом UML.

Для систем, содержащих большое количество активных объектов с отчетливо выраженным индивидуальным поведением, агентное моделирование является более универсальным подходом, т. К. позволяет учесть структуру и поведение любой сложности.

Другое важное достоинство агентного моделирования — возможность разработки модели даже в отсутствие априорной информации о глобальных зависимостях. Зная индивидуальную логику поведения участников процесса, можно построить агентную модель и спрогнозировать ее глобальное поведение. Помимо этого, агентная модель проще в сопровождении, поскольку уточнения вносятся на локальном уровне по мере накопления данных.

Концепция агентного моделирования позволяет осуществить переход от моделей системной динамики и дискретно-событийных моделей к агентным моделям с помощью процедуры конвертации. Для системно-динамических моделей может потребоваться деагрегация накопителей на множества агентов (при условии активности и различимости этих агентов).

1.2.3 Метод Монте-Карло

Датой рождения метода Монте-Карло принято считать 1949 г., когда появилась статья под названием «The Monte Carlo method». Создателями этого метода считают американских математиков Дж. Неймана и С. Улама. В СССР первые статьи о методе Монте-Карло были опубликованы в 1955-1956гг.

Любопытно, что теоретическая основа метода была известна давно. Более того, некоторые задачи статистики рассчитывались иногда с помощью случайных выборок, т. Е. фактически методом Монте-Карло. Однако до появления электронных вычислительных машин (ЭВМ) этот метод не мог найти сколько-нибудь широкого применения, ибо моделировать случайные величины' вручную-очень трудоемкая работа. Таким образом, возникновение метода Монте-Карло как весьма универсального численного метода стало возможным только благодаря появлению ЭВМ.

Само название «Монте-Карло» происходит от города Монте-Карло в княжестве Монако, знаменитого своим игорным домом.
Идея метода чрезвычайно проста и состоит она в следующем. Вместо того, чтобы описывать процесс с помощью аналитического аппарата (дифференциальных или алгебраических уравнений), производится «розыгрыш» случайного явления с помощью специально организованной процедуры, включающей в себя случайность и дающей случайный результат. В действительности конкретное осуществление случайного процесса складывается каждый раз по-иному. так же и в результате статистического моделирования мы получаем каждый раз новую, отличную от других реализацию исследуемого процесса. Сама по себе ничего, так же как, скажем, один случай излечения больного с помощью какого-либо лекарства. Другое дело, если таких реализаций получено много. Это множество реализаций можно использовать как некий искусственно полученный статистический материал, который может быть обработан обычными методами математической статистики. После такой обработки могут быть получены любые интересующие нас характеристики: вероятности событий, математические ожидания и дисперсии случайных величин и т. Д. При моделировании случайных явлений методом Монте-Карло мы пользуемся самой случайностью как аппаратом исследования, заставляем ее «работать на нас».
Нередко такой прием оказывается проще, чем попытки построить аналитическую модель. Для сложных операций, в которых участвует большое число элементов (машин, людей, организаций, подсобных средств), в которых случайные факторы сложно переплетены, где процесс – метод статистического моделирования, как правило, оказывается проще аналитического (а нередко бывает и единственно возможным).

В сущности, методом Монте-Карло может быть решена любая вероятностная задача, но оправданным он становится только тогда, когда процедура розыгрыша проще, а не сложнее аналитического расчета. Приведем пример, когда метод Монте-Карло возможен, но крайне неразумен. Пусть, например, по какой-то цели производится три независимых выстрела, из которых каждый попадает в цель с вероятностью ½. Требуется найти вероятность хотя бы одного попадания. Элементарный расчет дает нам вероятность хотя бы одного попадания равной 1 – (1/2)3 = 7/8. Ту же задачу можно решить и «розыгрышем», статистическим моделированием. Вместо «трех выстрелов» будем бросать «три монеты», считая, скажем, герб-за попадание, решку – за «промах». Опыт считается «удачным», если хотя бы на одной из монет выпадет герб. Произведем очень-очень много опытов, подсчитаем общее количество «удач» и разделим на число N произведенных опытов. Таким образом, мы получим частоту события, а она при большом числе опытов близка к вероятности. Ну, что же? Применить такой прием мог бы разве человек, вовсе не знающий теории вероятностей, тем не менее, в принципе, он возможен.

Метод Монте-Карло – это численный метод решения математических задач при помощи моделирования случайных величин.

Пример 1. Предположим, что нам нужно вычислить площадь плоской фигуры S. Это может быть произвольная фигура с криволинейной границей, заданная графически или аналитически, связная или состоящая из нескольких кусков. Пусть это будет фигура изображенная на рис. 1, и предположим, что она вся расположена внутри единичного квадрата.

Выберем внутри квадрата N случайных точек. Обозначим через F число точек, попавших при этом внутрь S. Геометрически очевидно, что площадь S приближенно равна отношению F/N. Чем больше N, тем больше точность этой оценки.

Две особенности метода Монте-Карло.

Первая особенность метода – простая структура вычислительного алгоритма.

Вторая особенность метода – погрешность вычислений, как правило, пропорциональна D/N2, где D – некоторая постоянная, N – число испытаний. Отсюда видно, что для того, чтобы уменьшить погрешность в 10 раз (иначе говоря, чтобы получить в ответе еще один верный десятичный знак), нужно увеличить N (т. Е. объем работы) в 100 раз.

Ясно, что добиться высокой точности таким путем невозможно. Поэтому обычно говорят, что метод Монте-Карло особенно эффективен при решении тех задач, в которых результат нужен с небольшой точностью (5-10%). Способ применения метода Монте-Карло по идее довольно прост. Чтобы получить искусственную случайную выборку из совокупности величин, описываемой некоторой функцией распределения вероятностей, следует:

Имитационное моделирование в маркетинге 📙 Курсовая → 🆔 86515