Методическое пособие 662

оценка значимости результатов деятельности для потребителей из сайтов организаций социальных сетей;

анализа эмоциональной окраски высказываний путем извлечения значений о потребителе, измерение характеристик потребительского опыта [5]; оценка выполнения требований при различных ситуациях, связанных с

контролем параметров функционирования [3].

Остановимся на каждом из этих направлений подробнее.

При оценке эффективности процесса функционирования организационной системы используются цифровые данные, полученные в ходе мониторинга с определенной периодичностью на интервале времени ݐ ǡ [4]:

В последнее десятилетие для сравнения нескольких организационных систем обозначилась тенденция перехода от множеств (1.1), (1.2) к интегральным оценкам, вычисляемым на основе преобразований [7],

преобразований в системе цифрового управления. При этом часть оценок (1.1), (1.2) и оценки (1.5) являются показателями эффективности процесса функционирования организационных систем. Другая часть (1.1), (1.2)

140

представляет собой ресурсные характеристики функционирования и используется в качестве управляющих воздействий, обеспечивающих выполнение цели управления [9]:

непрерывные значения на некотором интервале.

Второе направление связано с цифровизацией оценок потребителя результатов деятельности организационной системы. На современном этапе развития электронных коммуникаций источником информации для определения оценок являются сайты организаций и социальные сети [3]. Используя эти источники, осуществляют анализ эмоциональной окраски высказываний (тональности текста) [5]. Применяются методы контент-анализа в компьютерной лингвистике, предназначенные для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки потребителей (мнений) по отношению к определенным результатам деятельности организационной системы.

Для получения указанных оценок в цифровой форме целесообразно использовать системы шкалирования. Степень тональности высказывания оцениваются лингвистическими переменными, характеризующими на

целочисленной шкале ǡ следующие области:

ǡ отрицательной тональности,

ǡ нейтральной тональности,ǡ позитивной тональности,

где ǡ ǡ ǡ ǡ.

Конкретные значения, принадлежащие этим областям, определяются на основе экспертного оценивания [10]. В результате для каждого результата деятельности организационной системы получаем цифровые данные

где ǡ нумерационное множество наименований результатов деятельности.

Другой важной составляющей является цифровая оценка знаний о потребителях результатов деятельности организационной системы. Для оценки каждого ǡ аспекта этих значений используется некоторая целочисленная шкала ǡ ǡ характеризующая, в какой степени имеются соответствующая информация. Тогда получаем цифровые данные

141

В ряде случаев имеющейся информации достаточно для определения количественных оценок взаимодействия организационной системы с потребителями. Такой количественной оценкой является коэффициент лояльности потребителя по отношению к му ǡ наименованию результата деятельности

использованием технологии интернета вещей с целью получения двоичной

По оценкам (1.7) - (1.11) управленческие решения, заданные в лингвистической форме (в отличие от управляющих воздействий (1.6), заданных в количественной форме), выбираются на нумерационном множествеǡ на основе определения следующих альтернатив

Таким образом, результатом цифровой трансформации является цифровой двойник организационной системы по всем трем направлениям представляющий собой набор следующих данных:

ݑ ݐ ǡ ǡ ǡݐ ǡ.

Для того, чтобы использовать цифровые данные (1.13) для принятия управленческих решений требуется цифровой анализ [3]. В большинстве случаев аналитические цифровые платформы выполняют следующие функции:

1)извлечение данных: файлы, базы данных, веб-сервисы, бизнесприложения;

2)очистка, предобработка, структуризация путем связывания, систематизации и консолидации данных;

3)отбор показателей, машинное обучение, прогнозирование;

4)интерпретация результатов с использованием визуализации, многомерный анализ.

По результатам машинного обучения фиксируется код нейронной сети регрессионной зависимости [11]

В качестве цифрового процесса принятия управленческих решений, предлагается использовать итерационный процесс оптимизации [12], который оперирует только с численными значениями оптимизируемых переменных и оптимизируемых функций, построенных на основе заданных целей управления [13]. Для каждого периода времени функционирования организационной системы ݐ ǡ процесс оптимизации будем характеризовать:

вектором оптимизируемых переменных

компоненты которого являются непрерывными переменными в случае управляющих воздействий (1.6) и дискретными – в случае (1.12);

оптимизируемой функцией

значения которой вычисляются с использованием обученных нейронных сетей, отражающих зависимости.

С целью построения замкнутого контура цифрового управления организационной системой, аналогичному НЦУ технологической системой, предлагается объединение на единой цифровой платформе процессов цифровой трансформации, цифровой аналитики и численной оптимизации принятия управленческих решений.

143

Литература

1.Основы автоматизации технологических процессов и производств /Кол. авторов, под ред. Г. Б. Евгенева.–М.: Изд-во МГТУ им. Н. Э. Баумана, 2015.– 441 с.

2.Прангишвили И. В. Микропроцессоры и локальные сети микроЭВМ в распределенных системах управления / И. В.Прангишвили.–М.: Энергоиздат,

1985.– 272 с.

3.Вайл П. Цифровая трансформация бизнеса / П. Вайл, С. Ворнер.–М.: Альпино Паблишер.– 2010.–257 с.

4.Зернов В. А. Критерии мониторинга как эффективный инструмент повышения конкурентоспособности отечественного образования // Высшее образование сегодня.–2013.–№7.–С.4-9.

5.Денисова Д. С. Анализ эмоциональной окраски текста/ Д. С.Денисова// Международный научный журнал «Синергия наук» №19.–2018.– С.1415-1424.

6.Карелина И. Г. Мониторинг деятельности образовательных организаций в высшем образовании. Ч.1 / И. Г. Карелина, А. Б. Соболев, С. О. Сорокин// Высшее образование сегодня: – 2015.–№7.–С.55-61.

7.Батищев Д. И. Оптимизация в САПР / Д. И.Батищев, Я. Е.Львович, В. Н.

Фролов. – М.: Высш.шк., 1977. – 416 с.

8.Дуканич В. В. Рейтинговое управление экономическими системами и процессами: концепция и некоторые результаты применения/В. В.Дуканич, А. С.Тимченко // Экономический вестник Ростовского государственного университета.–2005.–Т.3.–.С.83-91.

9.Бондарев Я. П. Интеллектуализация управления изменениями в деятельности вуза на основе мониторинго-рейтинговой информации / Я. П.Бондарев, Я. Е.Львович // Современные проблемы науки и образования. –

2013. – №3.

10.Львович Я. Е. Принятие решений в экспертно-виртуальной среде / Я. Е.Львович, И. Я.Львович. – Воронеж: ИПЦ «Научная книга», 2010. – 140 с.

11.Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы /Д. Рутковская, М. Пилиньский, Л. Рутковский. – М.: Горячая линия– Телеком, 2013.–384 с.

12.Львович И. Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения / И. Я.Львович, Я. Е.Львович, В. Н.Фролов. – Воронеж: ИПЦ «Научная книга», 2016. – 444 с.

13.Масленников В. В. Формирование системы цифрового управления организацией / В. В.Масленников, В. В.Ляндау, И. А.Калинина // Вестник Российского экономического университета им. Г. В. Плеханова. – №6, 2019.–

С.116-123.

Воронежский институт высоких технологий

144

УДК 681.3

М. А. Болгова

ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ СТРУКТУРНОЙ ТРАНСФОРМАЦИЕЙ СЕТЕВЫХ ОРГАНИЗАЦИОННЫХ СИСТЕМ

За последние годы существенно увеличилось разнообразие структур организационных систем. Среди этого разнообразия значительное место занимают сетевые организационные системы: образования, банковского сектора, индустрии туризма, торговли и другие [1,2]. Их характеризуют две особенности:

в рамках сети объединяются однородные по видам деятельности организации (объекты);

организация деятельности этих объектов осуществляется через единый управляющий центр.

Постоянная потребность в повышении эффективности функционирования и развития рассматриваемых систем требует структурной трансформации сети. Управление этим процессом основано на различных схемах целенаправленного распределения управляющим центром имеющегося ресурсного обеспечения. К преимущественным схемам относятся:

распределение в зависимости от принадлежности объекта к определенному классу по набору ключевых показателей эффективности (классификационная трансформация);

распределение в зависимости от принадлежности объекта к определенному классу с учетом их ранговой последовательности, по интегральной оценке, эффективности (ранговая трансформация);

распределение в зависимости от количества объектов в сети с учетом возможности поглощения объектов-аутсайдеров объектами-лидерами (редукционная трансформация).

Для решения задач оптимизации многоканального управления рассмотренными процессами структурной трансформации сетевой организационной системы необходимы следующие данные мониторинга функционирования объектов и построенные на их основе модели:

временные ряды значений показателей эффективности деятельности объектов:

временные ряды, характеризующие управленческие решения по распределению ресурсного обеспечения между объектами

145

где ǡ нумерационное множество каналов управления процессом трансформации;

временные ряды интегральных оценок объектов [3] по показателям (1)

ݐ ݕ ݐǡ ǡ ǡ ǡǡݐ ǡǢ(3)

временные ряды прогнозных оценок, полученные на основе временных рядов (1), (2), (3)

где ݐ ǡ нумерационное множество календарных периодов прогнозирования;

модели зависимости оценок (3), (6) от управленческих решений (2),

(5) для определенного календарного периода прогнозирования

Для каждого объекта и календарного периода ݐ вычислим прогнозное значение интегральной оценки ݐ Ǥ Тогда задача максимизации числа успешных объектов, включаемых в класс при ресурсных ограничениях является задачей булевого программирования о ранце [4]:

Ранговая трансформация является механизмом управления устойчивым переходом объектов ǡ ǡ в классы ǡ Ǥ Для этого по оценке (6),

вычисленной в определенный календарный период ݐ , строится ранговая последовательность объектов ǡ входящих в класс ǡ с включением объекта претендента Ǥ На основании сравнения позиции в ранговой последовательности выбирается объект-ориентир и решается задача оптимизации [4]на основе модели (7)

Редукционная трансформация позволяет сократить число объектов-

аутсайдеров за счет создания нового объекта , объединяющего объект-лидерǡ и объектов группы ǡ ǡ го класса, регионально

связанных с объектом . С целью оптимизации вводятся переменные

Для каждого варианта объединения рассчитываются прогнозируемые значения показателей

147

ݕ ǡ ݐ ݕ ǡݐ ǡݕ ǡݐ ǡ

ресурсного обеспечения

ݑ ǡ ǡ ݐ ݑ ݐ ݑ ݐ ǡ

интегральной оценки

ݕ ǡ ǡݑǡ ǡݐ Ǥ

Тогда получаем оптимизационную модель, аналогичную (9)

Таким образом, последовательно получая решение оптимизационных задач (9), (10), (11), формируем управленческие решения по структурной трансформации сетевых организационных систем.

Литература

1.Болгова М.А. Принятие управленческих решений в условиях трансформации высшего образования/М.А.Болгова, Е.А.Евдокимов//Вестник университета.–2016.–№3.–С.195-197.

2.Болгова М.А. Нормативно-правовое регулирование реорганизации образовательных учреждений/М.А.Болгова//Актуальные проблемы российского законодательства.–2014.–№10.–С.4-13.

3.Батищев Д.И. Оптимизация в САПР/Д.И.Батищев, Я.Е.Львович, В.Н.Фролов.–Воронеж: Изд-во Воронежского госуниверситета, 1997.–416с.

4.Львович И.Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения/И.Я.Львович, Я.Е.Львович, В.Н.Фролов.–Воронеж: ИПЦ «Научная книга», 2016.–444с.

Российский государственный университет туризма и сервиса, г. Москва

148

УДК: 004.912 519.237.8

В. А. Носиков МЕТОДЫ КЛАССИФИКАЦИИ ТЕКСТОВЫХ ДАННЫХ

Классификация текстовых данных стала важной областью исследований в связи с увеличением количества таких типов данных, доступных в цифровом формате. Классификация считается одной из ключевых методик организации цифровых данных путем автоматического отнесения набора документов к заранее определенным категориям в зависимости от их содержания.

Классификация документов — это процесс, состоящий из набора этапов, каждый из которых, может быть, выполнен с использованием различных методик. Выбор правильной техники, которая должна использоваться на каждом этапе, влияет на эффективность выполнения текстовой классификации.

Целью данной работы является обзор некоторых основных методов классификации текстовых данных, а также методов предварительной обработки данных.

Ежедневный стремительный рост объема текстовых данных и потребность в четко определенной методологии для анализа и классификации этих объемных данных привлекли внимание многих сообществ к такому виду данных, который известен как неструктурированные данные. Это явление привело к тому, что начинает возрастать важность классификации текстовых данных. Классификация текстовых данных — это процесс отнесения текстовых документов к одной или нескольким надлежащим категориям на основе их содержания путем построения модели на основе данных, полученных в ходе обучения [1]. Этот процесс считается контролируемым методом классификации, так как в качестве обучающего набора предоставляется набор заранее определенных помеченных документов.

Проблемой классификации текстовых данных является размер наборов данных. Высокой размерность, или большое количество атрибутов классификации усложняет процесс, так как многие из них являются шумом для работы алгоритма классификатора. Эта проблема может быть решена на этапе отбора признаков, который считается одной из основных областей исследований [1]. Другой вопрос заключается в том, как представить особенности документов, которые могут быть сделаны различными методами, такими как двоичное представление (присутствие/отсутствие), частота встречаемости, нормализованная частота и многие другие, что также является одной из областей исследования.

Исследования по классификации текстовых документов на данный момент являются очень перспективным и необходимым направлением в информационных системах, системном анализе и системах поддержки принятия решений. Следовательно, для этой цели было разработано множество подходов, в том числе классификация методом опорных векторов (Support

149