Владение методами статистики дает возможность превращать безликую и разрозненную массу числовых данных в стройную систему знаний, основываясь на которых можно принимать эффективные управленческие решения. Что непременно очень важно для проведения качественного анализа. Если же не систематизировать данные необходимым образом, то проведенный анализ может не только не принести результатов, но и навредить дальнейшей деятельности анализируемого объекта.

Одним из примеров сложности ручного вычисления является поиск резервов повышения эффективности хозяйственной деятельности предприятия.

Анализ, связанный с поиском таких резервов организации, был предметом многих научных исследований таких ученых-аналитиков, как СБ. Барнгольц, В.И. Ганштак, И.Я. Касицкий, Б.И. Майданчик, Г.А. Пруденский, Л.Е. Сыркин-Шкловский, Н.Г. Чумаченко, А.Д. Шеремет, которые разработали ряд принципов организации анализа резервов повышения эффективности хозяйственной деятельности предприятия, а именно:

• массовости поиска резервов;

• определения ведущего звена в повышении эффективности производства и выделения узких мест;

• выборочного поиска резервов;

• учета типа производства;

• одновременного поиска резервов по всем стадиям жизненного цикла анализируемого объекта;

• определения комплектности резервов;

• устранения повторного счета резервов.

Учет в анализе всей совокупности указанных выше принципов представляется возможным только в условиях компьютерной обработки информации, поскольку реализация на практике таких принципов, как массовость поиска резервов, одновременный поиск резервов по всем стадиям жизненного цикла анализируемого объекта, устранение повторного счета резервов, требуют выполнения в оперативном режиме значительного объема аналитических расчетов. При ручной обработке информации возможна реализация лишь некоторых из указанных принципов. Следствием этого является большая степень недостоверности выводов такого анализа, обусловленная неполным представлением об уровне использования резервов повышения эффективности производства [3].

Однако следует подчеркнуть, что направление анализа, связанное с поиском резервов повышения эффективности хозяйственной деятельности, является достаточно сложным, затрагивающим вопросы эффективности использования всех ресурсов хозяйствующего субъекта. Учитывая это, к программному обеспечению в области управленческого анализа затрат и расходования материальных ресурсов можно отнести подсистему «Управление производством» (фирма «Инфософт»), дающую возможность в автоматизированном режиме составить производственный план предприятия, осуществить оперативно-календарное планирование выпуска конкретных видов продукции, рассчитать загрузку производственных мощностей.

Нельзя не заметить, что поиск резервов повышения эффективности хозяйственной деятельности предприятия является лишь единичным случаем сложности применения ручного вычисления.

Трудности также возникают в разнообразных сферах деятельности человека и программное обеспечение разработано для их устранения.

Таким образом, методы анализа данных и статистические пакеты для компьютеров стали типичным и общеупотребительным инструментом плановых, аналитических, маркетинговых отделов производственных и торговых корпораций, банков и страховых компаний, правительственных и медицинских учреждений, что позвояет как можно максимально заниматься более важными делами, требующими участия человека, чем пересчет и обработка данных в ручную.

В последние десятилетия в мире также бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейронных сетей. Это автоматизация процессов распознавания образов, адаптивное управление, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

Нейронные сети позволяют решать задачи, с которыми не могут справиться традиционные методы, они способны успешно решать задачи, опираясь на неполную, искаженную информацию.

Нейронная сеть – это система, состоящая из многих простых вычислительных элементов (нейронов), определенным образом связанных между собой, позволяющие имитировать некоторые аспекты работы человеческого мозга, например, способность к неформальному обучению, способность самостоятельно строить прогнозы на основе уже предъявленных временных рядов. Главным их отличием от других методов является то, что нейросети не нуждаются в заранее известной модели, а строят ее сами только на основе предоставляемой информации. Именно поэтому нейронные сети используются в практике, где нужно решать задачи прогнозирования, классификации, управления.

Нейронные сети реализуют индуктивный и дедуктивный подходы к решению сложных проблем, позволяя прогнозировать, что надо делать для управления ситуациями, чтобы наиболее вероятный исход мог быть направлен в необходимую сторону. Они имеют свойство, позволяющее осуществлять исправление ответов по мере накопления опыта. Это означает обучение принятию решений в процессе самого принятия решений [1].

По моему мнению, это очень необходимое и важное их свойство, поскольку оно максимально исключает вмешательство человека в процесс принятия решения, облегчает работу и позволяет получить более точный и обоснованный результат.

Нейронные сети наилучшим образом проявляют себя там, где имеется большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейросети помогут автоматически учесть различные зависимости, скрытые в данных. Это особенно важно в системах поддержки принятия решений и системах прогнозирования.

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение) [2].

Нейросетевой подход не связан с такими предположениями - он пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д .

Из сказанного выше становится ясно, что нейронные сети реализуют свою вычислительную мощь, благодаря двум основным своим свойствам: параллельно распределенной структуре и способности обучаться и обобщать полученные знания. Под свойством обобщения понимается способность нейронные сети генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают нейронные сети системой переработки информации, которая решает сложные многомерные задачи, непосильные другим техникам.

В целом я считаю, что исследования в области применения нейронных сетей еще только начинаются и, может быть, удастся создать аналитический метод интерпретации результатов обучения нейросети, обосновать число выбранных нейронов и найти более быстрые и лучше сходящиеся алгоритмы обучения.

Литература:

1. Б.М. Владимирский. Нейронные сети как источник идей и инструмент моделирования процессов самоорганизации и управления [Электронный ресурс] – Режим доступа: [сылка более недоступна}