Контроль загрузки персонала. Учет рабочего времени

Содержание:

  1. Байесовский классификатор
  2. Нейронный классификатор
  3. Нечёткий вывод
  4. Гибридная система
  5. Интеллектуальное моделирование рабочих ресурсов
  6. Выбор метода классификации
  7. Экспертные системы
  8. Вывод:
Предмет: Экономика
Тип работы: Реферат
Язык: Русский
Дата добавления: 22.08.2020

 

 

 

 

  • Данный тип работы не является научным трудом, не является готовой выпускной квалификационной работой!
  • Данный тип работы представляет собой готовый результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала для самостоятельной подготовки учебной работы.

Если вам тяжело разобраться в данной теме напишите мне в whatsapp разберём вашу тему, согласуем сроки и я вам помогу!

 

По этой ссылке вы найдёте много образцов и примеров готовых тем для рефератов по экономике:

 

Рефераты по экономике

 

Посмотрите похожие темы рефератов возможно они вам могут быть полезны:

 

Место мировой торговли в системе международных экономических отношений

В чем различие нормативной и позитивной экономики

Отбор кадров при приеме на работу: проблемы правового регулирования

Агрегированные цели управления интегративными экономическими системами

 

Введение:

Управленческий контроль является одним из важнейших методов принятия решений. Без контроля другие управленческие функции, такие как управление, организация, мотивация и планирование, не могут быть выполнены в полном объеме. Правильно организованный контроль необходим для достижения поставленных стратегических целей и оперативного управления организацией.

Под теорией управления под контролем понимается комплекс мероприятий, включающий в себя: сбор, обработку и анализ информации о результатах деятельности, сравнение с целевыми показателями, выявление отклонений и выявление причин, разработку программы необходимых мероприятий для достижения запланированных показателей. Подготовительный этап процедуры контроля предполагает установление стандартов, т.е. конкретных целей, степень достижения которых может быть измерена. На этапе бенчмаркинга руководитель должен определить, насколько хорошо фактические показатели соответствуют поставленным целям. При этом должна учитываться степень, в которой отклонения должны считаться допустимыми. Этот вопрос имеет решающее значение, поскольку слишком большая часть шкалы может сделать проблемы необратимыми, а слишком малое количество сделает контроль неэффективным. После анализа отклонений необходимо выбрать следующие шаги: ничего не делать, устранить отклонения или изменить цели. Неспособность выявить серьезные отклонения до того, как они превратятся в серьезные проблемы, делает систему управления бессмысленной. Идеальная система должна показывать не только масштаб отклонения, но и его причины. Причины могут быть исправлены путем улучшения значений любых переменных или усовершенствования процесса.

К сожалению, контроль может иметь негативные последствия. Это особенно верно, когда речь идет о контроле над персоналом. Разрабатываемая система управления должна учитывать возможные негативные последствия и по возможности исключать их. Побочным результатом демонстративного контроля может быть поведение, ориентированное на контроль. Исследования подтверждают, что некоторые сотрудники уделяют больше внимания областям, находящимся под контролем, пренебрегая остальными. Также негативным эффектом является получение неподходящей информации.

Чтобы система управления была эффективной, она должна обладать несколькими важными свойствами. Во-первых, критерии оценки должны отражать и поддерживать общие стратегические цели организации. Для нормальной работы абсолютный контроль не является необходимым; он только отвлекает от более важных областей. Однако, если руководство считает эти виды деятельности критическими, то для них должна быть организована эффективная система контроля. Во-вторых, следует помнить, что контроль - это не столько выявление проблем, сколько решение задач организации. Поэтому система контроля - это только средство, а не самоцель. В-третьих, не менее важно, чтобы контроль соответствовал исследуемому виду деятельности, т.е. результаты измерений должны объективно отражать реальную ситуацию. Следует также обратить внимание на время проведения контроля. Своевременность означает не максимальную скорость и частоту измерений, а наиболее адекватные временные интервалы, соответствующие исследуемому виду деятельности. Кроме того, контроль должен быть гибким: способность адаптироваться к изменениям имеет решающее значение для системы. Однако, эффективный контроль обычно довольно прост. Простые методы контроля более экономичны с финансовой точки зрения и с точки зрения затрат на рабочую силу. Чрезмерная сложность системы может привести к отторжению со стороны людей, для которых система была спроектирована, что в конечном итоге приведет к беспорядку. Одним из наиболее важных показателей для управления является экономика контроля. При проектировании системы следует учитывать, что выгоды, которые получает фирма, должны перевешивать стоимость контроля.

Контроль за эффективностью использования людских ресурсов имеет важнейшее значение для любой организации. Целью учета рабочего времени персонала является, прежде всего, соблюдение трудовой дисциплины.

Бухгалтерский учет ведется по пяти основным направлениям:

  • регистрация на сайте
  • контроль присутствия сотрудников на рабочем месте в рабочее время
  • регистрация на сайте
  • учёт прогулов
  • распределение времени.

В учебном заведении, для которого разрабатывается прототип системы, имеется система управления, позволяющая отслеживать время прибытия и убытия работников.

На основе данных с датчиков необходимо построить математическую модель, которая классифицирует сотрудников, имеющих заданное для них время на работе, по трем группам:

  1. "Красная группа". Работники, время прибытия/отъезда которых подвергается цензуре, так как это негативно влияет на их работу.
  2. "Жёлтая группа". Сотрудники, время прибытия/отъезда которых не сильно отличается от расписания. Со временем сотрудники из данной группы могут появиться как в "красной группе", так и в "зеленой группе".
  3. "Зеленая группа". Сотрудники, время прибытия/отъезда которых совпадает с графиком и не создает негативных последствий.

Очевидно, что организация деятельности образовательного учреждения имеет определенные особенности, которые должна учитывать система контроля:

  • сотрудники могут иметь несколько рабочих мест или не быть прикреплены к ним вообще;
  • Отклонения от расписания оказывают решающее влияние на образовательный процесс, т.е. на всю деятельность организации;
  • Прогулы также крайне негативно сказываются на результатах работы, и за ними следует тщательно следить;

Постановка задачи предполагает построение математической модели, являющейся прототипом экспертной системы. Такая классификация позволит не только проверить сотрудников на отклонения от графика, но и проанализировать данные с помощью регулярных отчетов.

Поскольку проблема контроля рабочего времени не нова, в настоящее время существуют различные способы ее решения. Компании по-разному относятся к этой проблеме, некоторые из них решают не вести учет рабочего времени. Конечно, такой подход имеет место, но, как правило, рано или поздно руководство замечает неизбежные проблемы и приходит к решению об организации контроля.

Многие компании реализуют режим контрольно-пропускного пункта, который, помимо своей основной функции безопасности, предоставляет информацию о времени прибытия и убытия сотрудников. Анализ этой информации может выявить нарушения установленного режима рабочего времени, в том числе прогулы. Политика компании определяет, какие отклонения от установленного графика работы считаются нарушениями. Как правило, это жесткие ограничения, которые делят период времени на две части: вовремя и с опозданием. Но при таком простом делении не учитывается, как часто происходят нарушения и какие тенденции наблюдаются.

Существуют также программные средства для отслеживания времени. В настоящее время на рынке существует множество программ хронометража, они отличаются функциональностью, специализацией и степенью контроля. Они наиболее популярны: "Yaware", "CrocoTime", "Discipline" и "Office Metrics". Эти программы предназначены для учета рабочего времени сотрудников, работающих за персональными компьютерами. Функционал этих систем включает в себя учет продуктивного и непроизводительного времени, прогулов, ранних и поздних уходов; некоторые из них дополнительно делают скриншоты рабочего стола.

Услуга "Рабочий" должна быть выделена отдельно. Данный сервис предлагает облачное решение для планшетов с операционной системой iOS или Android. Один или несколько планшетов устанавливаются на контрольно-пропускном пункте, где сотрудники отмечаются PIN-кодом, QR-кодом или NFC технологией. Данное решение имеет аналогичный функционал с описанными выше программами и подходит для некомпьютерных организаций. Однако данная система не предоставляет обобщенную статистику с классификацией: учет ведется отдельно по каждому сотруднику.

Как уже упоминалось, решения часто принимаются в условиях неопределенности. Согласно Питеру Джексону (Jackson, 2001), в большинстве случаев источники неполноты информации можно разделить на два набора: отсутствие знаний в предметной области и отсутствие информации о конкретной ситуации.

Д.И. Шапиро (Shapiro, 1983) выделяет шесть типов неопределенности: неточность, невежество, неопределенность, субъективная вероятность, неполные данные, неясность. Для предметной области эти категории будут раскрыты следующим образом. 

Неопределенность может быть проблемой, потому что она мешает вам получить лучшее решение или даже заставляет вас принимать неверные решения.

Как описано в постановке задачи, разрабатываемая система должна классифицировать сотрудников. Задача классификации широко рассматривается в машинном обучении (Вятченин, 2004), а также в разделе вычислительной математики - дискриминантного анализа (Айвазян и др., 1989). Для решения задачи классификации необходимо построить алгоритм, позволяющий классифицировать объект исходного множества, т.е. указать номер (имя) класса, к которому принадлежит объект.

На сегодняшний день существует множество теорий, которые позволяют успешно работать в условиях неопределенности. Байесовский классификатор, теория нечетких множеств Заде и теория нейронных сетей используются для задачи классификации. Рассмотрим их преимущества и недостатки при выборе оптимального метода для задачи.

Байесовский классификатор

Этот подход является одним из старейших, однако он все еще популярен и продолжает использоваться в задачах классификации.

Следует отметить, что Байесовский классификатор - это не один конкретный метод, это широкий класс алгоритмов, который включает в себя такие методы, как наивный Байесовский классификатор, линейный и квадратный дискриминант Фишера, оконный метод Парзена, логистическую регрессию и другие. Этот подход основан на принципе максимальной апостериорной вероятности. Это означает, что функция правдоподобия каждого из классов, для которых вычисляется апостериорная вероятность классов, вычисляется для каждого классифицируемого объекта. В результате объект принадлежит к тому классу, для которого получена наибольшая вероятность.

Основой такого подхода является также теорема, которая гласит, что если плотности распределения каждого класса известны, то требуемый алгоритм может быть выписан в аналитическом виде. Следует отметить, что данный алгоритм будет оптимальным, т.е. вероятность его ошибки минимальна. Однако, как правило, плотности распределения неизвестны в практических задачах. Для такого подхода необходимо восстановить плотности из обучающей выборки. Но в этом случае алгоритм уже не будет оптимальным. Особенно если выборка данных для обучения классификатора мала, могут возникнуть нежелательные эффекты.

Задача классификации для этого подхода разделена на две подзадачи:

  1. Построение оптимального классификатора для известных плотностей классов;
  2. Восстановление неизвестной плотности по учебному образцу.

Первая подзадача имеет простое решение, а вторая - основную сложность подхода.

Для восстановления плотности в основном используются три подхода:

Параметрический. Предполагается, что плотности являются нормальными, т.е. имеют гауссово распределение (методы: линейный дискриминантный и нормальный дискриминантный анализ Фишера);

Непараметрический. Самый простой подход основан на локальной аппроксимации плотности вблизи классифицируемого объекта (метод "окна Парзеновского");

Разделение смесей. Если функция плотности не может быть восстановлена параметрическим распределением, можно попробовать описать ее смесью распределений. Это наиболее общий подход Байесовских классификаторов (метод радиальных базисных функций).

Таким образом, преимущества такого подхода:

  • Простая реализация программного обеспечения;
  • Минимальная вероятность ошибки;
  • Это основа для широкого класса классификаторов;
  • Простота использования в качестве справочника по данным модели.

В то же время необходимо рассмотреть недостатки этого метода:

  • Ни один из методов восстановления плотности не является лучшим. Необходимо выбирать экспериментально.
  • Для восстановления функций необходима репрезентативная выборка данных.
  • Байесовский классификатор больше не является оптимальным после замены восстановленной функции плотности распределения.

Нейронный классификатор

В последнее время наблюдается особый интерес к нейронным сетям, которые находят применение в различных областях (Рутковская и др., 2006; Хайкин, 2006). Искусственная нейронная сеть (ИНС) понимается как математическая модель, построенная по принципу биологических нейронных сетей. ИНС представляет собой систему соединенных и взаимодействующих простых процессоров (нейронов). Нейронные сети чаще всего используются именно для классификационных задач, поскольку сети с прямым соединением являются универсальным средством аппроксимации функций. Нейронные сети также имеют ряд других преимуществ:

Нелинейность. Нейронные сети носят нелинейный характер, позволяя воспроизводить сложные зависимости, как линейные, так и нелинейные. Кроме того, такие сети имеют преимущество перед линейными классификаторами, для которых "размерное проклятие" не позволяет моделировать зависимости с большим количеством переменных.

Отображение входной информации на выходе. Для обучения с преподавателем (использование обучающей маркированной выборки для настройки нейросети) обучение проводится с нуля, то есть изначально не нужно предполагать какую-либо статистическую модель входных данных.

Адаптивность. Это свойство означает, что нейронные сети легко переучиваются и могут адаптироваться к изменениям.

Масштабируемость. Параллельная структура сетей позволяет ускорить решение задач.

Единообразие дизайна. Нейронные сети достаточно универсальны в плане обработки информации, т.е. один и тот же проект может быть использован в разных областях.

Простота использования. Несмотря на то, что пользователь должен знать некоторую эвристику, этот уровень знаний намного ниже, чем требуется для традиционных методов статистики.

Однако на практике использование нейронных сетей связано с определенными проблемами. Во-первых, заранее неизвестно, сколько уровней и какие размеры потребуются для удовлетворения потребностей в точности. Во-вторых, если количество характеристик не велико, то может возникнуть ситуация, когда один и тот же объект попадает в разные классы. Если есть такое противоречие в исходных данных, то сеть будет работать некорректно. Для решения этой проблемы можно увеличить размерность пространства особенностей объектов, но это может привести к переобучению сети (сеть будет просто запоминать правильные ответы, а не приблизительные). Таким образом, очень важно найти компромисс с размером сети.

В целом, нейронная сеть построена в 4 этапа:

  1. Работа с данными. Составляется база данных описаний объектов, а затем эта база данных разбивается на две выборки: тестовую и учебную.
  2. Предварительная обработка данных. Данные преобразуются в соответствующий формат, выделяются особенности объекта, а класс объекта вынимается отдельно.
  3. Проектирование, обучение и оценка качества. На этом этапе выбирается архитектура сети, параметры, размер, алгоритм обучения, а затем проводится обучение по обучающей выборке. Для оценки качества сравниваются результаты, полученные сетью в тестовой выборке, с истинными результатами. Также на этом этапе происходит оптимизация сети.
  4. Использование. Если сеть дает результаты, удовлетворяющие степени точности, она может быть использована для исследуемой задачи.

Нечёткий вывод

Теория нечетких множеств иначе формулирует проблему классификации, ставя вопрос не о принадлежности объекта к тому или иному классу, а о степени его принадлежности к каждому из классов. Вводя понятие функции принадлежности элемента к определенному множеству, теория предлагает достаточно гибкое решение проблемы классификации.

Успешное решение задачи классификации с помощью нечеткой логики во многом зависит от правильного построения базы знаний и вспомогательных функций.

Аксессуарная функция определяется как функция, которая помещает каждый элемент универсального множества в нечеткое множество.

Для создания классификатора также необходимо построить базу данных нечетких правил IF... ДОЛЖНА быть типом. В простейшем случае нечеткое правило выглядит. 

Однако если проектируемая система учитывает несколько входных переменных, то в качестве условия для правил нечеткого производства будут использоваться сложные операторы, образованные из операторов типа "1 есть "и нечеткая логическая операция в виде пучков "И", "ИЛИ", "НЕ". Аналогичным образом сложные операторы выполняются для нескольких выходных переменных.

В сложных условиях и выводах, где используется несколько утверждений, каждое утверждение называется подусловием или подзаключением, соответственно. В таких правилах необходимо использовать один из методов агрегирования подусловий и накопления подвыражений в зависимости от используемых логических операций-ссылок.

Общая структура нечетких выходных систем состоит из 4 блоков: фазирование, база правил, сам нечеткий выход и дефаззификация. 

Основным преимуществом нечетких систем является их лингвистическая интерпретация, которая делает их понятными и "прозрачными". Кроме того, этот метод не требует тренировочной выборки. Однако использование нечетких выходных систем предполагает априорное определение базы правил и функций членства.

Гибридная система

Интеллектуальное моделирование рабочих ресурсов

Эта система, использующая несколько методов моделирования интеллектуальной деятельности, называется гибридной интеллектуальной системой.

Главным недостатком нечеткости является необходимость субъективного определения правил и функций принадлежности. Именно поэтому иногда нечеткая логика и нейронные сети объединяются для решения задач классификации. В таких гибридных системах, называемых адаптивными нечеткими системами, нейронные сети отвечают за выбор параметров нечеткой подсистемы во время обучения на тестовых данных. Обучение обычно состоит из двух этапов:

Генерация лингвистических правил (проблема объемного типа).

Настройка функций связи (задача оптимизации в непрерывном пространстве).

Нечеткие нейронные сети обычно состоят из 4 слоев:

  1. Первый слой подпитывается сформировавшимися степенями принадлежности входных переменных к определенным нечетким множествам.
  2. Следующий слой выполняет функцию конъюнкции.
  3. Третий и четвертый слои организуют взвешенное суммирование элементов предыдущего слоя и стадии активации.

Уровень 1 использует количество нейронов, равное количеству вспомогательных функций для каждой входной переменной. Размер второго слоя равен размеру базы правил. Размер второго уровня равен размеру базы правил. Количество нейронов, используемых для третьего и четвертого уровней, равно количеству классов в рассматриваемой задаче. Очевидно, что размер сети достаточно велик, и это оказывает критическое влияние на трудоемкий процесс обучения.

Выбор метода классификации

Рассмотрим основные преимущества и недостатки методов по отношению к проблеме.

Отражены наиболее важные сильные и слабые стороны каждого из рассматриваемых методов.

В качестве способа решения проблемы был выбран нечеткий выход. Основным недостатком этого метода является априорное определение базы правил и вспомогательных функций. Однако специально для задачи классификации персонала построение базы данных правил и вспомогательных функций является наиболее предпочтительным в силу специфики предметной области. Кроме того, экспертная маркировка классов для учебной выборки значительно сложнее и трудоемче. Также в защиту этого метода следует отметить, что во многих системах используются базы правил, основанные на экспертных знаниях и показывающие хорошие результаты на практике.

Экспертные системы

В системах управления предприятием или его процессами, которые характеризуются высокой сложностью, принятие решений часто происходит в условиях неопределенности и основывается на экспертных оценках.

"Экспертная система" - это компьютерная программа, которая работает со знаниями в конкретной предметной области, чтобы давать рекомендации или решать проблемы. (Джексон, 2001)... исходя из определения, такая система может либо полностью взять на себя роль специалиста, либо действовать в качестве рекомендации".

Экспертные системы имеют ряд особенностей, отличающих их от других приложений. Прежде всего, это моделирование механизма человеческого мышления. Системы, основанные на знаниях, воспроизводят с помощью компьютерных средств методы решения проблем, применяемые экспертом в этой области. Во-вторых, системы не только выполняют какуюулибо обработку данных, но и дают определенные рекомендации, основанные на имеющихся знаниях. Компонент программы, отвечающий за формирование выводов, называется базой знаний. Такие системы также характеризуются использованием в основе эвристических и аппроксимационных методов. Эти методы основаны на практических знаниях, накопленных в процессе решения аналогичных задач.

Вывод:

В статье рассматривается актуальность контроля для современных организаций, методы контроля, возможные проблемы и условия эффективности системы. В главе также дана содержательная формулировка задачи - построить математическую модель классификации сотрудников по степени соответствия графику. Анализ существующих решений показал, что на данный момент нет внедренного метода, который бы полностью соответствовал поставленной задаче. Поэтому были рассмотрены математические аппараты, используемые для решения классификационных задач в условиях неопределенности. В качестве метода решения задачи была выбрана система нечеткого вывода, моделирующая процесс принятия решения человеком и основанная на экспертных знаниях. Поскольку данная модель является прототипом экспертной системы, дополнительно были проанализированы отличительные характеристики экспертных систем.