Viia läbi mitme kriteeriumi järgi korraga. Operatsiooni hindamine mitme näitaja järgi

Teema: Otsuste tegemine mitme kriteeriumi indikaatori kohta.

Praktikas tuleb tavaliselt valida juhtimisotsus mitte ühe, vaid mitme kriteeriumi järgi. Seetõttu on nende väärtused võrdlevas hinnangus mitmesuunalised, st. ühe näitaja puhul võidab alternatiiv ja teiste puhul kaotab.

Nendel tingimustel on vaja taandada läbimõeldud näitajate hindamise süsteem üheks kompleksseks, mille alusel tehakse otsus.

Tervikliku hinnangu koostamiseks tuleb lahendada kaks probleemi:

Esimene probleem seisneb selles, et vaadeldavad kriteeriuminäitajad on ebavõrdse tähtsusega;

Teist probleemi iseloomustab asjaolu, et näitajaid hinnatakse erinevates mõõtühikutes ning tervikliku hinnangu koostamiseks on vaja üle minna ühele arvestile.

Esimene probleem lahendatakse, rakendades üht neljast eksperthinnangu meetodi modifikatsioonist, nimelt paarisvõrdluse meetodit, mis võimaldab anda kvantifitseerimine tähtsus. Paarivõrdluse meetodi olemus seisneb selles, et ekspert (spetsialist, potentsiaalne investor, tarbija) hindab vaadeldavaid kriteeriuminäitajaid paarikaupa, määrates ise nende olulisuse astme hinde kujul. Pärast seda, pärast saadud teabe asjakohast töötlemist, arvutatakse iga vaadeldava kriteeriumi näitaja jaoks olulisuse koefitsient.

Teine probleem lahendatakse eranäidikute jaoks ühe arvesti kasutamisega. Kõige sagedamini kasutatakse sellise mõõdikuna punktiarvestust. Sel juhul viiakse hindamine läbi kahel viisil:

- esimene lähenemine kasutatakse statistiliste andmete puudumisel vaadeldavate näitajate väärtuse kohta;

- teine ​​lähenemine kasutatakse statistiliste andmete (muutuste piiride) olemasolul vaadeldavate näitajate väärtuse kohta.

Kui kasutate punktideks teisendamiseks esimest lähenemisviisi, toimige järgmiselt. parim hind vaadeldav näitaja on võrdne 1 punktiga ja halvimad väärtused selle punkti aktsiates. Selline lähenemine on lihtne, annab objektiivse hinnangu, kuid ei võta samal ajal arvesse parimaid saavutusi, mis jäävad kaalutletud valikutest väljapoole.

Selle puuduse kõrvaldamiseks on vaja teavet vaadeldava näitaja muutumise piiride kohta. Võimaluse korral kasutatakse teist meetodit. Sel juhul luuakse punktideks teisendamiseks teisendusskaala. Sel juhul valitakse punktisüsteem statistikateooria sätete alusel vastavalt Sturgesi valemile:

n = 1 + 3,322 lgN, kus

N on statistiliste vaatluste arv;

n on ümardamisreeglite abil saadud aktsepteeritud punktisüsteem.

Punktideks teisendamine toimub konstrueeritud teisendusskaala alusel, kasutades tabeliandmete interpoleerimise protseduuri.

Harjutus:

Alternatiivsete lahenduste 6 variandi hulgast, millest igaüks on hinnatud 5 kriteeriumi indikaatoriga, tuleb valida parim variant.

Hinnake 2 lähenemisviisi:

statistiliste andmete puudumisel vaadeldavate näitajate väärtuse kohta;

kui see on olemas.

Näitajate muutumise piirid kehtestatakse järgmisele vaatluste arvule (N):

paarisvariantide puhul N = 8;

Olulisuse hindamine tuleks läbi viia paarishinnangu alusel vastavalt esinejale.

Tabel 1.

Ülesande valikud

№ ülesandeid
Alternatiivide arv
№ ülesandeid
Alternatiivide arv
№ ülesandeid
Alternatiivide arv
№ ülesandeid
Alternatiivide arv
№ ülesandeid
Alternatiivide arv
№ ülesandeid
Alternatiivide arv

Tabel 2.

Algandmed:

Alternatiivsed lahendused

näitajad

A6

X 1

X 2

X 3

X 4

X 5

13.12.5. Tervikkriteeriumid: ökosüsteemide kvaliteedi hindamine mitme näitaja järgi

Vee kvaliteediklassid vastavalt hüdrobioloogilistele ja mikrobioloogilistele näitajatele määratakse kindlaks "Paisude ja ojade veekvaliteedi seire eeskirjadega" [GOST 17.1.3.07–82], mis reguleerivad hüdroloogiliste, hüdrokeemiliste ja hüdrobioloogiliste näitajate seireprogrammide sisu, seire sagedus, samuti proovivõtukohtade määramine ja asukoht
(Tabel 13.7).Selle dokumendi kohaselt hinnatakse vee saastatuse astet, võttes arvesse saprobaalsusindeksit Pantle ja Bukki järgi Sladecheki modifikatsioonis, Goodnight-Whitley ja Parele oligochaete indeksit, Woodiwissi biootilist indeksit ja traditsioonilist. mikrobioloogiliste näitajate kogum

Integreeritud indikaator vastavalt E.V. Balushkina töötati välja ja seda kasutati ökosüsteemide seisundi hindamiseks veekogudes, kus on segatud orgaaniline ja toksiline reostus. Läbis ulatusliku testimise Ladoga järve süsteemis - r. Neeva on Soome lahe idaosa (Balushkina et al., 1996). Integreeritud indikaator IP arvutatakse järgmise valemi abil:

IP \u003d K 1 * S t + K 2 * OI + K 3 * K ch + K 4 / BI,

kus S t on V.A saprotoksilisuse indeks. Jakovlev (K 1 = 25); OI on Goodnight and Whitley oligochaete indeks, mis võrdub oligoheete arvu ja põhjaloomade koguarvu suhtega protsentides (K2 = 1); Kch on Baluškina kironomiidi indeks (K3 = 8,7); 1 / BI on Woodiwissi biootilise indeksi pöördväärtus (K 4 @ 100).

E.V. Baluškina usub, et tema saadud terviklik näitaja hõlmas kõiki vanemnäitajate parimaid omadusi ja võtab võimalikult palju arvesse põhjakoosluste omadusi: saprobotoksilisuse indikaatorliikide olemasolu, kõrgema taksonoomilise järguga loomade indikaatorrühmade suhet. , üksikute rühmade domineerimise määr ja kogukonna kui terviku struktuur.

Ühenduse seisundi kombineeritud indeks vastavalt A.I. Bakanov. Põhjaelustiku seisundi hindamisel mitmetes Venemaa jõgedes, järvedes ja veehoidlates kasutas autor põhjaelustiku seisundi kvantifitseerimiseks järgmisi näitajaid: arv (N), ind./m 2 ; biomass (B), g/m2; liikide arv (S); liigiline mitmekesisus Shannoni järgi (H), bit/spets.; oligochaete Parele indeks (OIP, %), mis võrdub tubificiidsete oligoheete arvu ja bentose koguarvu suhtega, keskmine saprobaalsus (SS), mis on arvutatud arvukuses domineeriva kolme esimese põhjaorganismi kaalutud keskmise saprobsusena. Loetletud näitajate väärtuste kombineerimiseks ja nende asendamiseks ühe numbriga pakutakse välja saadud indikaator - kogukonna seisundi kombineeritud indeks (KISS; [Bakanov, 1997]), mis leitakse tavalise arvutusmeetodi abil. integreeritud järgu näitajad:

kus R i on jaama järk i-nda näitaja järgi, P i on selle näitaja "kaal", k on näitajate arv.

Esiteks järjestatakse kõik jaamad iga indikaatori järgi ja järjestus 1 omistatakse N, B, H ja S maksimumväärtustele. Kui mitmes jaamas olid mõne indikaatori väärtused samad, siis iseloomustati neid ühe keskmise järgu võrra. Artiklis on esitatud lõpliku valemi (4.22) erinevad versioonid (rõhutame, et valemid ei sisalda näitajate absoluutväärtusi, vaid nende järjestusi):

KISS = (2B + N + H + S) / 5, kus biomassile antakse "kaal", mis on võrdne 2-ga, kuna sellega seostatakse kooslust läbiva energiavoo suurust, mis on selle võimsuse hindamisel äärmiselt oluline. riik;

KISS = (2SS + 1,5OIP + 1,5B + ​​N + H + S)/8, kus arvatakse, et keskmine saproobsus on kõige tihedamalt seotud reostusega.

Mida väiksem on KISSi väärtus, seda parem on kogukonna olukord.

Kuna koosluse seisund sõltub nii looduslikest keskkonnateguritest (sügavus, pinnas, hoovused jne) kui ka reostuse olemasolust, iseloomust ja intensiivsusest, arvutatakse täiendavalt kombineeritud saasteindeks (CPI; [Bakanov, 1999]), sealhulgas järjestusväärtused kolm näitajat:

KIZ \u003d (SS + RIP + B) / 3. (4.23)

Indikaatorite järjestamine toimub vastupidises järjekorras (minimaalsetest väärtustest maksimumini)

KISS ja KIZ on suhtelised indeksid, mis järjestavad jaamad skaalal, kus kogukonna parimat seisundit vastavalt valitud näitajate komplektile iseloomustavad indeksite miinimumväärtused, halvimat - maksimumväärtused. Lisaks väärtustele, mis iseloomustavad konkreetse jaama indikaatorite väärtusi, arvutatakse nende keskmised väärtused kogu jaamade komplekti kohta. Individuaalsete jaamade indeksi väärtuste kõikumine keskmise suhtes võimaldab hinnata, kas neil on võrreldes üldise trendiga halvem või parem.

Spearmani järgu korrelatsioonikoefitsiendi arvutamine KISSi ja KIZ väärtuste vahel näitab, kui palju reostus mõjutab zoobentose koosluste seisundit. Kui nende indeksite väärtuste vahel on oluline positiivne korrelatsioon, siis põhjaloomade koosluste seisundi määrab suuresti reostuse olemasolu (muidu määravad looduslikud keskkonnategurid).

Eelmine

Sellest artiklist saate teada pivot-tabelite 5 kasuliku omaduse kohta, mis aitavad teil olukorda kiiresti ja üksikasjalikult analüüsida (kliendibaasi analüüsi näitel). Sa õpid:

1. Kuidas andmeid grupeerida;
2. Milliseid näitajaid saab arvutada andmete summeerimisel;
3. Kuidas arvutada andmete summeerimisel ühe parameetri kohta korraga mitu näitajat;
4. Mida lisafunktsioonid arvutamiseks, kui koondate kasutatavad andmed?
5. Sorteerimise võimalusest.

Ja selle analüüsi põhjal käsitleme kõige võimsamat tehnikat FMCG turgudel müügikampaaniate kavandamiseks.

Alustame pöördetabeliga. Võtame lihtsa tabeli müükide kohta klientidele päevade kaupa.

Asetage kursor meie tabeli vasakusse ülanurka, seejärel minge menüüsse "Lisa" ja klõpsake nuppu "Pivot Table":

Dialoogiboksis PivotTable-liigendtabeli loomine klõpsake nuppu OK.

Saime uuel lehel pivot-tabeli:

Ärianalüüsi liigendtabeli esimene kasulik funktsioon – andmete rühmitamine

Seega on meil saadetised klientidele päevade kaupa, tahame aru saada, millises saadetiste vahemikus on meil maksimaalne müük. Selleks peame saadetised rühmitama vahemikesse.

Lohistage väli "Tarnesumma" liigendtabeli alale "Rea nimed" (hoidke hiire vasaku nupuga all välja "Tarnesumma" ja lohistage see liigendtabeli jaotisesse "Rea nimed"):

Kõik saadetised oleme kuvanud kokkuvõtte vasakpoolses veerus. Nüüd seame kursori oma saadetistele (nagu joonisel):

Minge Exceli menüüsse "Andmed" ja klõpsake nuppu "Rühm".

Ilmuvas dialoogiboksis määrake rühmitamise sammuks "5000" (saate sisestada mis tahes) ja klõpsake "OK".

Saame grupeeritud müügimahud etteantud sammuga:

To seltskond nägi kena välja ja tajutud, vajutage uuesti nupp "Rühm". ja määrake käsitsi võrdsed väärtused väärtusele "alates" - "-15 000" (alla minimaalse väärtuse, 5000 kordne) "kuni" - "45 000" (suurem kui maksimaalne rühm, kordne 5000).

Saame saadetise summa järgi rühmitatud andmed:

Pivot-tabelite teine ​​kasulik funktsioon ärianalüüsi jaoks –
võimalus arvutada lähtetabelist väljade kaupa erinevaid kokkuvõtlikke parameetreid

Niisiis, saadetised on grupeeritud, nüüd vaatame, millised müügimahud langevad igale saadetise vahemikule. Selleks paneme saadetised kokkuvõttes kokku.

Vasakklõpsake väljal "Shipping_amount" ja lohistage see kokkuvõtlikule väljale "Väärtused".

Kokkuvõte arvutas vaikimisi "Kogus välja saadetise_summa järgi", st. kirjete arv meie algses tabelis lehel "Andmed". Sest Kuna meie tabelis on info müükide kohta klientidele päevade lõikes, siis meie näitaja "Kogus väljas Shipment_amount" on klientidele saadetiste arv.

Selle tulemusena näeme liigendtabelis saadetiste arvu erinevates saadetiste vahemikes klientidele:

Kuidas saame saadetiste arvust saada saadetiste summa?

Klõpsame pivot-tabeli "Väärtused" alal väljal "Kogus välja saadetise summa järgi" vasaku nupuga ja avanevast menüüst valime "Väärtuse väljade parameetrid ..."

Avanevas aknas valige meid huvitav andmete vähendamise operatsioon (Summa, kogus, keskmine, maksimum, miinimum ...). Valige toiming, mida vajame "summa" ja klõpsake "OK".

Saame iga saadetise vahemiku müügi kogumahu:

Need. näeme, kui palju müük langeb saadetistele vahemikus 0–5000 rubla, 5000–10 000 rubla. jne. Ja on selge, et saadetiste maksimaalne maht jääb vahemikku nullist 5000 rublani.

3 omadus - võimalus ühe välja jaoks arvutada erinevaid andmete vähendamise toiminguid

Nüüd tahaksime näha, kui palju saadetisi ja kui palju meil keskmiselt igas vahemikus on saadetisi. Selleks arvutame pivot tabeli abil saadetiste arvu ja keskmise saadetise.

Liigendtabeli "Väärtused" alal lohistame veel 2 korda välja "Shipping_amount" ja väärtusvälja parameetrites valime teise jaoks "kogus" ja kolmanda välja jaoks "keskmine".

Iga saadetise vahemiku kohta saame müügimahu, saadetiste arvu ja keskmise saadetise:

Nüüd näeme, millises saadetiste vahemikus on maksimaalne müügimaht ja maksimaalne saadetiste arv. Meie näites on see vahemikus 0 kuni 5000 rubla. ning võimalikult palju müügimahtu ja saadetiste arvu.

Pivot-tabelite neljas omadus - võimalus teha täiendavaid arvutusi

Andmeanalüüsi selguse huvides lisame veel 2 parameetrit - "Osatus iga grupi müügimahu järgi" ja "Iga grupi saadetiste arvu osakaal".

Selleks lohistage liigendtabeli väljal "Väärtused" veel 2 korda välja "Tarnesumma".

Veelgi enam, ühe parameetri jaoks menüüs "Väärtuste välja parameetrid" () valime toimingu "summa" ja teise toimingu jaoks "kogus".

Saame järgmise tabeli:

Nüüd läheme uuesti jaotisse "Väärtusväljade parameetrid" ja siseneme vahekaardile "Täiendavad arvutused":

Valige väljal "Täiendavad arvutused" kirje "Osaosa kogusummast"

Saame tabeli, kus iga klientidele saadetiste vahemiku kohta näeme müügimahtu, saadetiste arvu, keskmist saadetist, iga grupi müügi osakaalu ja iga grupi saadetiste arvu osakaalu:

5 kasulik omadus - sorteerimine

Nüüd, selguse huvides, sorteerime müügimahu järgi maksimaalsest miinimumrühmani. Selleks asetage kursor müügimahu väljale rühmade kaupa ja klõpsake nuppu "Sorteeri maksimumist miinimumini":

On näha, et maksimaalne rühm müügimahu ja saadetiste arvu osas on rühm "0 kuni 5000 rubla". keskmine müük selles grupis on 1971 rubla.

Märge! Kõigi klientide keskmine saadetis erineb oluliselt 86% saadetistest. Pealegi erineb see oluliselt

• kõigi rühmade puhul on keskmine saadetis 2803 rubla. (reas kokku).
• Ja 86% saadetistest 1971 rubla.

See on tõsine erinevus ja kui stimuleerime müüki, mis põhineb 86% saadetistest ja nende keskmine - 1971 rubla, siis on meie tegevus täpsem ja mõju on palju suurem, sest. Suudame huvitada maksimaalset arvu kliente.

See näide näitab võimsat massituru edendamise kavandamise ja müügi prognoosimise tehnikat, mis aitab teil saavutada suurt mõju ja muuta.

Küsimuste korral võtke ühendust.

Täpsed ennustused teile!

Liitu meiega!

Laadige alla tasuta prognoosimise ja äriteabe rakendused:

• Novo Forecast Lite- automaatne prognoosi arvutamine sisse excel.
• 4analytics- ABC-XYZ analüüs ja heitkoguste analüüsi Excel.
• Qlik Sense Töölaud ja QlikViewPersonal Edition – BI-süsteemid andmete analüüsiks ja visualiseerimiseks.

Testige tasuliste lahenduste funktsioone:

• Novo Forecast PRO- prognoosimine Excelis suurte andmemassiivide jaoks.

Eespool käsitlesime operatsioonide uurimise probleemi, kus tuli valida lahendus selliselt, et maksimeerida (või minimeerida) üks tulemusnäitaja W. Soovitav on teha rohkem näitajaid, teisi - vähem.

Reeglina ei saa suurte, keerukate toimingute efektiivsust ammendavalt iseloomustada ühe näitajaga; tema abistamiseks peab ta meelitama teisi, täiendavaid.

Näiteks tulemuslikkuse hindamisel tööstusettevõte Arvesse tuleb võtta mitmeid tegureid, näiteks:

kasum,

Tootmise kogumaht ("võll"),

Omahind jne.

Lahinguoperatsiooni analüüsimisel tuleb lisaks selle tõhusust iseloomustavale põhinäitajale (näiteks vaenlasele tekitatud kahju matemaatiline ootus) arvestada veel mitmete lisanäitajatega, näiteks:

enda kahjud,

Operatsiooni teostamise aeg

Laskemoona tarbimine jne.

See tulemusnäitajate paljusus, millest mõnda on soovitav maksimeerida ja teisi minimeerida, on iseloomulik igale mõnevõrra keerukale operatsiooniuuringute ülesandele. Tekib küsimus: kuidas olla?

Esiteks tuleb rõhutada, et esitatud nõuded on üldiselt kokkusobimatud. Otsus, mis maksimeerib ühte näitajat, tavaliselt ei maksimeeri ega minimeeri teisi näitajaid teaduslikud uuringud ei sobi. Mis tahes sõnastus "antud kuluga maksimaalse efekti saavutamine" või "antud efekti saavutamine minimaalsete kuludega" on õige.

Üldjuhul ei ole lahendust, mis muudaks ühe näitaja maksimumiks ja samal ajal maksimumiks (või miinimumiks) teise näitaja, pealegi pole sellist lahendust mitme näitaja puhul olemas. Kuid, kvantitatiivne analüüs tõhusus võib olla väga kasulik mitme tulemusnäitaja puhul.

Esiteks võimaldab see eelnevalt tagasi lükata selgelt irratsionaalsed lahendused, mis on halvemad parimad valikud kõigi näitajate jaoks.

Illustreerime öeldut näitega. Analüüsige lahinguoperatsiooni O, mida hinnatakse kahe näitajaga:

W on lahinguülesande täitmise tõenäosus ("efektiivsus");

S on kulutatud vahendite maksumus.

Ilmselgelt on soovitav pöörata esimene indikaator maksimumini ja teine ​​miinimumini.

Oletame lihtsuse mõttes, et valikuks pakutakse lõplik arv 20 erinevat lahendust; Igaühe puhul mõlema näitaja W ja väärtused

Selguse huvides kujutame iga lahendust punktina tasapinnal koordinaatidega W ja S (joonis 1.1).

Joonist vaadates näeme, et mõned lahendused ei ole konkurentsivõimelised ja need tuleb eelnevalt ära visata. Tõepoolest, need valikud, millel on efektiivsuse W eelis võrreldes teiste sama hinnaga S valikutega, peavad asuma piirkonna paremal piiril. valikuid. Samad valikud, mis võrdse tõhususega on madalama hinnaga, peaksid asuma võimalike valikute piirkonna alumisel piiril.

Milliseid variante tuleks kahe näitaja tõhususe hindamisel eelistada? Ilmselgelt need, mis asuvad samaaegselt piirkonna paremal ja alumisel piiril (vt punktiirjoont joonisel 1.1). Tõepoolest, iga valiku jaoks, mis ei asu sellel piirilõigul, on alati mõni teine ​​​​võimalus, mis pole tõhususe poolest madalam, vaid odavam või vastupidi, odavam, kuid mitte halvem. tõhusam. Seega langeb 20-st varem välja pakutud variandist suurem osa konkurentsist välja ning analüüsida tuleb vaid ülejäänud nelja varianti: . Neist kõige tõhusam, kuid suhteliselt kallis; - odavaim, kuid mitte nii tõhus. Otsustaja asi on välja mõelda, mis hinnaga oleme nõus teatud efektiivsuse kasvu eest maksma või vastupidi, millise osa efektiivsusest oleme valmis ohverdama, et mitte kanda liiga suuri materiaalseid kaotusi.

Sarnase valikute eelvaate (ehkki ilma sellise visuaalse geomeetrilise tõlgenduseta) saab teha paljude näitajate puhul:

Selline mittekonkureerivate lahenduste eelsõeluuringu protseduur peaks alati eelnema mitme näitajaga operatsioonide uurimisprobleemi lahendamisele. Kuigi see ei eemalda vajadust kompromisside järele, vähendab see oluliselt otsuste hulka, mille raames valik tehakse.

Arvestades asjaolu, et toimingu terviklik hindamine mitme näitaja järgi korraga on keeruline ja nõuab järelemõtlemist, püütakse praktikas sageli mitut näitajat kunstlikult ühendada üheks üldistatud näitajaks (või kriteeriumiks). Sageli võetakse selliseks üldistatud (liit)kriteeriumiks murdosa; pane lugejasse need näitajad, mida on soovitav suurendada, ja nimetajasse need, mida on soovitav vähendada:

Näiteks kui me räägime sõjalisest operatsioonist, paneb lugeja sellised väärtused nagu "lahingumissiooni täitmise tõenäosus" või "vaenlase kaotused"; nimetajas - "omakaod", "laskemoona tarbimine", "operatsiooniaeg" jne.

Tüübi (5.1) "liitkriteeriumide" tavaline puudus on see, et ühe näitaja efektiivsuse puudumist saab alati kompenseerida teisega (näiteks lahinguülesande täitmise väike tõenäosus madala laskemoona tarbimise tõttu jne. ). Sedalaadi kriteeriumid meenutavad naljaga pooleks Lev Tolstoi "isiku hindamise kriteeriumi" murdosa kujul, kus lugeja on inimese tõeline teenet ja nimetaja tema arvamus iseenda kohta. Sellise kriteeriumi ebaühtlus on ilmne: kui me seda tõsiselt võtame, on peaaegu teeneteta, kuid täiesti edev inimene lõpmatult suurem väärtus!

Sageli ei pakuta "liitkriteeriume" mitte murdosa, vaid üksikute tulemusnäitajate "kaalutud summana":

kus on positiivsed või negatiivsed koefitsiendid. Positiivsed on seatud nendele näitajatele, mida on soovitav maksimeerida; negatiivne nende jaoks, mida on soovitav minimeerida. Koefitsientide absoluutväärtused ("kaalud") vastavad näitajate tähtsuse astmele.

On lihtne näha, et vormi (5.2) liitkriteerium ei erine sisuliselt mitte millegi poolest vormi (5.1) kriteeriumist ja sellel on samad puudused (heterogeensete näitajate vastastikuse kompenseerimise võimalus). Seetõttu on igasuguste "liitkriteeriumide" kriitikavaba kasutamine täis ohte ja võib viia valede soovitusteni. Kuid mõnel juhul, kui "kaalud" ei ole valitud meelevaldselt, vaid valitakse nii, et liitkriteerium täidaks oma funktsiooni kõige paremini, on selle abil võimalik saada mõningaid piiratud väärtusega tulemusi.

Mõnel juhul saab mitme indikaatori probleemi taandada ühe näitaja probleemiks, kui valite ainult ühe (peamise) efektiivsusnäitaja ja püüate seda maksimumiks muuta ning ülejäänud, abistavatele näitajatele kehtestate ainult mõned piirangud. näitajad:

Need piirangud sisalduvad loomulikult antud tingimuste komplektis.

Näiteks võib tööstusettevõtte tööplaani optimeerimisel nõuda, et kasum oleks maksimaalne, sortimendiplaan täidetud ja toodangu maksumus ei ületaks ettenähtut. Pommirünnakut planeerides võib nõuda, et vaenlasele tekitatav kahju oleks maksimaalne, kuid samas ei tohiks enda kaotused ja operatsiooni maksumus ületada teadaolevaid piire.

Probleemi sellise sõnastuse korral kantakse kõik jõudlusnäitajad, välja arvatud üks, peamine, kindlaksmääratud töötingimuste kategooriasse. Lahendused, mis etteantud piiridesse ei mahu, heidetakse kohe kõrvale kui konkurentsivõimetud. Saadud soovitused sõltuvad ilmselt sellest, kuidas on valitud toetavate näitajate piirangud. Et teha kindlaks, kui palju see mõjutab lõplikke soovitusi lahenduse valimiseks, on kasulik piiranguid mõistlikes piirides muuta.

Lõpuks on võimalik veel üks kompromisslahenduse konstrueerimise viis, mida võib nimetada „järjestikuliste järeleandmiste meetodiks“.

Oletame, et tulemusnäitajad on järjestatud tähtsuse kahanevas järjekorras: kõigepealt peamine, siis teine, abinäitajad: Lihtsuse huvides eeldame, et igaüks neist tuleb muuta maksimumiks (kui see nii ei ole , piisab indikaatori märgi muutmisest). Kompromisslahenduse koostamise protseduur on järgmine. Esmalt otsitakse lahendust, mis maksimeerib peamise tulemusnäitaja, seejärel praktiliste kaalutluste ja algandmete teadaoleva täpsuse (ja sageli on need väikesed) põhjal mingi “mööndus”, mida maksimeerimiseks nõustume lubama. määratakse teine ​​indikaator.Seame indikaatorile piirangu, et see ei oleks väiksem kui W on maksimaalne võimalik väärtus ja selle piirangu alusel otsime lahendust, mis teisendab maksimumiks.

Selline kompromisslahenduse konstrueerimise viis on hea, sest siin on kohe selge, millise “möönduse” ühe näitaja puhul saadakse teisest kasust.

Märgime, et ka ebaoluliste “möönduste” hinnaga omandatud vabadus valida lahendus võib osutuda oluliseks, kuna lahenduse efektiivsus muutub maksimumi piirkonnas enamasti väga vähe.

Ühel või teisel viisil, mis tahes vormistamismeetodiga, jääb otsuse kvantitatiivse põhjendamise ülesanne mitme näitajaga täielikult määratlemata ja otsuse lõpliku valiku määrab "ülema" tahe (nagu me tavapäraselt kutsume. valiku eest vastutav isik). Teadlase ülesanne on anda komandörile piisav hulk andmeid, luban. talle iga lahenduse plusse ja miinuseid igakülgselt hinnata ning nende põhjal lõplikku valikut teha.

See on peatükk raamatust: Michael Girvin. Ctrl+Shift+Enter. Massiivivalemite valdamine Excelis.

Ühel või mitmel tingimusel põhinevad valikud. Paljud Exceli funktsioonid kasutavad võrdlusteatemärke. Näiteks SUMIF, SUMIFS, COUNTIF, COUNTIFS, AVERAGEIF ja AVERAGEIFS. Need funktsioonid teevad valikuid ühe või mitme tingimuse (kriteeriumi) alusel. Probleem on selles, et need funktsioonid saavad ainult liita, loendada ja keskmistada. Ja kui soovite otsingule seada tingimusi, näiteks maksimumväärtust või standardhälvet? Nendel juhtudel, kuna sisseehitatud funktsiooni pole, peate leiutama massiivivalemi. Sageli on see tingitud massiivi võrdlusoperaatori kasutamisest. Selle peatüki esimene näide näitab, kuidas arvutada minimaalne väärtus ühel tingimusel.

Kasutame funktsiooni IF, et valida tingimusele vastavad massiivi elemendid. Joonisel fig. 4.1 vasakpoolses tabelis on veerg linnade nimedega ja veerg ajaga. Iga linna jaoks tuleb leida minimaalne aeg ja asetada see väärtus parempoolse tabeli vastavasse lahtrisse. Valikutingimuseks on linna nimi. Kui kasutate funktsiooni MIN, leiate veeru B minimaalse väärtuse. Aga kuidas valida ainult need numbrid, mis kehtivad ainult Aucklandi kohta? Ja kuidas kopeerida valemid veerus alla? Kuna Excelil ei ole sisseehitatud funktsiooni MINESLI, peate kirjutama originaalvalemi, mis ühendab funktsioonid IF ja MIN.

Riis. 4.1. Valemi eesmärk: valida iga linna jaoks minimaalne aeg

Laadige märkus alla vormingus või vormingus

Nagu on näidatud joonisel fig. 4.2, peaksite alustama valemi sisestamist lahtrisse E3 funktsiooniga MIN. Kuid te ei saa vaielda number1 kõik veeru B väärtused!? Soovite valida ainult need väärtused, mis on seotud Aucklandiga.

Nagu on näidatud joonisel fig. 4.3, sisestage järgmises sammus argumendina funktsioon IF number1 jaoks MIN. Panite MIN-i sisse IF-i.

Asetades kursori argumenti sisestatud punkti logi_avaldis funktsiooni IF (joonis 4.4) abil valite linnanimedega vahemiku A3:A8 ja seejärel vajutage F4, et muuta lahtriviited absoluutseks (vt täpsemalt näiteks). Seejärel tippige võrdlev operaator, võrdusmärk. Lõpuks valite valemist vasakul oleva lahtri D3, jättes viite sellele suhteliseks. Sõnastatud tingimus võimaldab vahemiku A3:A8 vaatamisel valida ainult Aucklandi.

Riis. 4.4. Looge argumendis massiivioperaator logi_avaldis IF funktsioonid

Nii et olete loonud massiivioperaatori võrdlusoperaatoriga. Massiivitöötluse ajal on massiivioperaator igal ajal võrdlusoperaator, seega on selle tulemuseks väärtuste TRUE ja FALSE massiiv. Selle kontrollimiseks valige massiiv (selleks klõpsake tööriistaspikris argumendil logi_avaldis) ja vajutage klahvi F9 (joonis 4.5). Tavaliselt kasutate ühte argumenti log_expression, tagastab kas TRUE või FALSE; siin tagastab saadud massiiv mitu väärtust TRUE ja FALSE, nii et funktsioon MIN valib minimaalse arvu ainult nende linnade jaoks, mis vastavad väärtusele TRUE.

Riis. 4.5. Väärtuste TRUE ja FALSE massiivi nägemiseks klõpsake kohtspikris argumenti logi_avaldis ja vajutage F9