Margaret24.ru

Деньги в период кризиса
5 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Анализ методом дерева решений

Методы классификации и прогнозирования. Деревья решений

Метод деревьев решений ( decision trees ) является одним из наиболее популярных методов решения задач классификации и прогнозирования. Иногда этот метод Data Mining также называют деревьями решающих правил , деревьями классификации и регрессии.

Как видно из последнего названия, при помощи данного метода решаются задачи классификации и прогнозирования.

Если зависимая, т.е. целевая переменная принимает дискретные значения, при помощи метода дерева решений решается задача классификации.

Если же зависимая переменная принимает непрерывные значения, то дерево решений устанавливает зависимость этой переменной от независимых переменных, т.е. решает задачу численного прогнозирования.

Впервые деревья решений были предложены Ховилендом и Хантом (Hoveland, Hunt) в конце 50-х годов прошлого века. Самая ранняя и известная работа Ханта и др., в которой излагается суть деревьев решений — «Эксперименты в индукции» («Experiments in Induction «) — была опубликована в 1966 году.

В наиболее простом виде дерево решений — это способ представления правил в иерархической, последовательной структуре. Основа такой структуры — ответы «Да» или «Нет» на ряд вопросов.

На рис. 9.1 приведен пример дерева решений, задача которого — ответить на вопрос: «Играть ли в гольф?» Чтобы решить задачу, т.е. принять решение, играть ли в гольф, следует отнести текущую ситуацию к одному из известных классов (в данном случае — «играть» или «не играть»). Для этого требуется ответить на ряд вопросов, которые находятся в узлах этого дерева, начиная с его корня.

Первый узел нашего дерева «Солнечно?» является узлом проверки , т.е. условием. При положительном ответе на вопрос осуществляется переход к левой части дерева, называемой левой ветвью , при отрицательном — к правой части дерева. Таким образом, внутренний узел дерева является узлом проверки определенного условия. Далее идет следующий вопрос и т.д., пока не будет достигнут конечный узел дерева, являющийся узлом решения . Для нашего дерева существует два типа конечного узла : «играть» и «не играть» в гольф.

В результате прохождения от корня дерева (иногда называемого корневой вершиной) до его вершины решается задача классификации, т.е. выбирается один из классов — «играть» и «не играть» в гольф.

Целью построения дерева решения в нашем случае является определение значения категориальной зависимой переменной.

Итак, для нашей задачи основными элементами дерева решений являются:

Корень дерева: «Солнечно?»

Внутренний узел дерева или узел проверки : «Температура воздуха высокая?», «Идет ли дождь?»

Лист , конечный узел дерева, узел решения или вершина : «Играть», «Не играть»

Ветвь дерева (случаи ответа): «Да», «Нет».

В рассмотренном примере решается задача бинарной классификации , т.е. создается дихотомическая классификационная модель. Пример демонстрирует работу так называемых бинарных деревьев.

В узлах бинарных деревьев ветвление может вестись только в двух направлениях, т.е. существует возможность только двух ответов на поставленный вопрос («да» и «нет»).

Бинарные деревья являются самым простым, частным случаем деревьев решений. В остальных случаях, ответов и, соответственно, ветвей дерева, выходящих из его внутреннего узла , может быть больше двух.

Рассмотрим более сложный пример. База данных , на основе которой должно осуществляться прогнозирование, содержит следующие ретроспективные данные о клиентах банка, являющиеся ее атрибутами: возраст, наличие недвижимости, образование, среднемесячный доход, вернул ли клиент вовремя кредит . Задача состоит в том, чтобы на основании перечисленных выше данных (кроме последнего атрибута) определить, стоит ли выдавать кредит новому клиенту.

Как мы уже рассматривали в лекции, посвященной задаче классификации, такая задача решается в два этапа: построение классификационной модели и ее использование.

На этапе построения модели, собственно, и строится дерево классификации или создается набор неких правил . На этапе использования модели построенное дерево , или путь от его корня к одной из вершин, являющийся набором правил для конкретного клиента, используется для ответа на поставленный вопрос «Выдавать ли кредит ?»

Правилом является логическая конструкция, представленная в виде «если : то :».

На рис. 9.2. приведен пример дерева классификации, с помощью которого решается задача «Выдавать ли кредит клиенту?». Она является типичной задачей классификации, и при помощи деревьев решений получают достаточно хорошие варианты ее решения.

Как мы видим, внутренние узлы дерева (возраст, наличие недвижимости, доход и образование) являются атрибутами описанной выше базы данных . Эти атрибуты называют прогнозирующими, или атрибутами расщепления (splitting attribute ). Конечные узлы дерева, или листы, именуются метками класса, являющимися значениями зависимой категориальной переменной «выдавать» или «не выдавать» кредит .

Каждая ветвь дерева, идущая от внутреннего узла , отмечена предикатом расщепления . Последний может относиться лишь к одному атрибуту расщепления данного узла. Характерная особенность предикатов расщепления : каждая запись использует уникальный путь от корня дерева только к одному узлу-решению. Объединенная информация об атрибутах расщепления и предикатах расщепления в узле называется критерием расщепления (splitting criterion ) [33].

На рис. 9.2. изображено одно из возможных деревьев решений для рассматриваемой базы данных . Например, критерий расщепления «Какое образование?», мог бы иметь два предиката расщепления и выглядеть иначе: образование «высшее» и «не высшее». Тогда дерево решений имело бы другой вид.

Таким образом, для данной задачи (как и для любой другой) может быть построено множество деревьев решений различного качества, с различной прогнозирующей точностью.

Качество построенного дерева решения весьма зависит от правильного выбора критерия расщепления . Над разработкой и усовершенствованием критериев работают многие исследователи.

Метод деревьев решений часто называют «наивным» подходом [34]. Но благодаря целому ряду преимуществ, данный метод является одним из наиболее популярных для решения задач классификации.

Дерево решений

На этой странице вы найдете решенные типовые задания из контрольных, лабораторных и практических работ по теории игр на тему «Дерево решений» (изучаются в курсах теории рисков, инвестиций, менеджменте, ТПР, МОР, ЭММ и т.п.).

Чаще всего метод дерева решений используют в сложных, но поддающихся классификации задачах принятия решений, когда перед нами есть несколько альтернативных «решений» (проектов, выходов, стратегий), каждое из которых в зависимости от наших действий или действий других лиц (а также глобальных сил, вроде рынка, природы и т.п.) может давать разные последствия (результаты).

Читать еще:  Стадия социального анализа

Задача состоит в том, чтобы правильно отобразить все возможные варианты развития ситуации (ветви дерева) и конечные результаты, вычислить некоторые показатели (например, ожидаемая прибыльность проекта, затраты и т.п.) и на основе полученных данных принять решение и выборе нужной линии поведения.

Принятие решений с помощью дерева возможных вариантов производится поэтапно:

  1. Построение дерева решений (графа без циклов). Дерево строится по определенным правилам: вершины альтернативных решений, вершины событий, дуги решений, конечные решения — листья вводятся и обозначаются определенным образом в нужном порядке.
  2. Анализ дерева решений : подсчет вероятностей и математических ожиданий (стоимостных оценок решения, EMV), расчет оптимистического и пессимистического прогноза, выбор оптимального решения.

Примеры решений задач: Дерево решений

Задача 1. Вы рассматриваете перспективы создания новой консалтинговой службы. Объем необходимых вложений на начальном этапе $200 тыс. Существует 60%-ная вероятность, что спрос будет высоким в 1-й год. Если спрос будет высоким в первый год, то в последующие годы вероятности высокого и низкого спроса составят 80% и 20% соответственно. Если спрос будет низким в 1-й год, то в последующие годы вероятности высокого и низкого спроса составят 40% и 60% соответственно. При высоком спросе прогнозируемые доходы составят 500 тыс. дол. в год; при низком спросе прогнозируемые доходы равны 300 тыс. дол. в год. Вы можете прекратить предоставлять услуги в любой момент. Затраты, помимо связанных с использованием компьютера, прогнозируются в размере 140 тыс. дол. в год, вне зависимости от уровня спроса.

Если Вы решите не вкладывать деньги в консалтинговую службу, то сможете вложить их на практически безрисковой основе под 20% в год.
Если будет решено организовать консалтинговую службу, Вам необходимо будет решить вопрос с проведением компьютерных расчетов, составляющих основу деятельности. Один возможный вариант — купить сервер.
Срок морального устаревания его 5 лет. Затраты будут состоять из первоначальных расходов в размере 150 тыс. долларов и ежегодных расходов на эксплуатацию в размере 20 тыс.
Альтернативный вариант — арендовать компьютерные ресурсы по мере необходимости. В этом случае затраты на аренду будут пропорциональны спросу и составят 30% доходной части за вычетом оговоренных постоянных расходов в 140 тыс. Во всех случаях никаких других издержек нет.

a. Постройте «древо решений», иллюстрирующее эти варианты и охватывающее 3 года.
b. Стоит организовать консалтинговую службу или безрисковый доход выгоднее? Рассмотрите итоги деятельности за два и три года.
c. Что лучше — купить компьютер или арендовать?
d. Предположим, что после 3 лет деятельности вы сможете продать службу, как отдельный бизнес в среднем за 350 тыс. долларов. Какому ежегодному проценту прироста соответствует полученный вами доход?
e. Четко сформулируйте любые дополнительные допущения, которые вам потребуется сделать.

Задача 2. Фермер может выращивать либо кукурузу, либо соевые бобы. Вероятность того, что цены на будущий урожай этих культур повысятся, останутся на том же уровне или понизятся, равна соответственно 0,25, 0,30 и 0,45. Если цены возрастут, урожай кукурузы даст 30 000 долл. чистого дохода, а урожай соевых бобов — 10 000 долл. Если цены останутся неизменными, фермер лишь покроет расходы. Но если цены станут ниже, урожай кукурузы и соевых бобов приведет к потерям в 35 000 и 5 000 долл. соответственно. Постройте дерево решений. Какую культуру следует выращивать фермеру? Каково ожидаемое значение его прибыли?

Задача 3. Предприятие рассматривает варианты капитальных вложений. Первый вариант предусматривает строительство нового цеха для увеличения объема выпуска продукции стоимостью М1 = 500 млн. руб. При этом варианте возможны большой спрос (годовой доход в размере R1 = 230 млн. руб. в течение 5 последующих лет) с вероятностью p1 = 0,7 и низкий спрос (ежегодные убытки R2 = 90 млн. руб. с вероятностью p2 = 0,3.
Второй вариант предусматривает создание нового предприятия для выпуска новой продукции Стоимостью М1 = 700 млн. руб. При этом варианте возможны большой спрос (годовой доход в размере R1 = 450 млн. руб. в течение 5 последующих лет) с вероятностью p1 = 0,6 и низкий спрос (ежегодные убытки R2 = 150 млн. руб. с вероятностью p2 = 0,4.
При третьем варианте предлагается отложить инвестиции на 1 год для сбора дополнительной информации, которая может быть позитивной или негативной с вероятностью p1 = 0,8 и p2 = 0,2 соответственно. В случае позитивной информации можно осуществить инвестиции по указанным выше расценкам, в вероятности большого и низкого спроса меняются на p1 = 0,9 и p2 = 0,1 соответственно. Доходы на последующие годы остаются на том же уровне. В случае негативной информации инвестиции осуществляться не будут.
Все расчеты выражены в текущих ценах и не должны дисконтироваться. Нарисовать дерево решений. Определить наиболее эффективную последовательность действий, основываясь на ожидаемых доходах. Какова ожидаемая стоимостная оценка наилучшего решения?

Задача 4. Рассматривается проект покупки доли (пакета акций) в инвестиционном проекте. Пакет стоит 7 млн., и по завершению проект принесет доход 12 млн. с вероятностью 0,6 или ничего с вероятностью 0,4.
При этом через некоторое время будет опубликован прогноз аналитической фирмы относительно успеха этого проекта. Прогноз верен с вероятностью 0,7, то есть, равны 0,7 условные вероятности.
Однако, в случае положительного прогноза пакет порождает до 10,6 млн., а в случае отрицательного подешевеет до 3,4 млн. Требуется составить стратегию действий: покупать ли долю, или ждать прогноза, и совершать ли покупку при том или ином результате прогноза.

Задача 5. Компания «Большая нефть» хочет знать, стоит ли бурить нефтяную скважину на одном из участков, купленных ранее в перспективном месте. Бурение, проведенное на множестве соседних участков, показало, что перспективы не так уж хороши. Вероятность найти нефть на глубине не больше 400 м составляет около 50%. При этом стоимость бурения составит 1.5 млн., а стоимость нефти, за вычетом всех расходов, кроме расходов на бурение, составит 6 млн. Если нефть не найдена на малой глубине, не исключена возможность найти ее при более глубоком бурении. Расходы на бурение, вероятность найти нефть и приведенная стоимость нефти для этих случаев даны в таблице.
a. Постройте дерево решений, показывающее последовательные решения о разработке скважины, которые должна принять компания «Большая нефть». На какую среднюю прибыль компания может рассчитывать?
b. Скважину какой глубины нужно быть готовыми пробурить? (Стоит ли остановиться при достижении определенной глубины, или бурить до предельной глубины?)
c. Какова вероятность найти нефть при бурении (при необходимости) до выбранной вами предельной глубины? Какова полная вероятность найти нефть при готовности бурить до 1500 м?

Читать еще:  Классификация видов экономического анализа

Метод «дерево решений»

Для анализа рисков инновационных проектов часто применяют метод дерева решений. Он предполагает, что у проекта существует несколько вариантов развития. Каждое решение, принимаемое по проекту, определяет один из сценариев его дальнейшего развития. При помощи дерева решений решаются задачи классификации и прогнозирования. Дерево решений – это схематическое представление проблемы принятия решений. Ветви дерева решений представляют собой различные события (решения), а его вершины – ключевые состояния, в которых возникает необходимость выбора. Чаще всего дерево решений является нисходящим, т. е. строится сверху вниз.

Выделяют следующие этапы построения дерева решений:

1. Первоначально обозначают ключевую проблему. Это будет вершина дерева.

2. Для каждого момента определяют все возможные варианты дальнейших событий, которые могут оказать влияние на ключевую проблему. Это будут исходящие от вершины дуги дерева.

3. Обозначают время наступления событий.

4. Каждой дуге прописывают денежную и вероятностную характеристики.

5. Проводят анализ полученных результатов.

Основа наиболее простой структуры дерева решений – ответы на вопросы «да» и «нет».

Пример 1. Рассмотрим пример дерева решений, задача которого – ответить на вопрос «Пойти ли гулять?». Чтобы решить эту задачу, необходимо ответить на ряд вопросов, которые находятся в узлах дерева (рис. 8.1). Вершина дерева «На улице солнечно» является узлом проверки. Если на этот вопрос получен положительный ответ, то переходим к левой ветви дерева, если отрицательный – то к правой. Движение продолжается до тех пор, пока не будет получен окончательный ответ.

Рис. 8.1. Дерево решений «пойти ли гулять»

Для каждой дуги дерева могут быть определены числовые характеристики, например величина прибыли по проекту и вероятность ее получения. В этом случае оно помогает учесть все возможные варианты действия и соотнести с ними финансовые результаты. Для формулирования сценариев развития проекта необходимо располагать достоверной информацией с учетом вероятности и времени наступления событий. Затем переходят к сравнению альтернатив.

Пример 2. Компания «Конфетти» в настоящее время выпускает плитки молочного шоколада. Директор по развитию считает, что на рынке повысился спрос на молочный шоколад с наполнителями. Перед компанией стоит вопрос: переходить ли на производство молочного шоколада с наполнителем или не стоит этого делать? Если производить шоколад обоих типов, то потребуется увеличить производственные мощности. Информация об ожидаемых выигрышах и вероятности событий в случае того или иного решения представлена на дереве решений (рис. 8.2). Используя дерево решений, руководитель находит наиболее предпочтительное решение – увеличить производственные мощности. Это обусловлено ожидаемой прибылью – 2 млн руб., которая превышает прибыль 1 млн руб. при отказе от такого наращивания, если в точке «а» будет низкий спрос. Руководитель, двигаясь к первой точке принятия решения, рассчитывает предполагаемую прибыль в случае альтернативных действий.

Рис. 8.2. Дерево решений «какой шоколад производить»

Для производства только молочного шоколада с наполнителем она составит 4,4 млн руб. (5 × 0,8 + 0,2 × 2). Аналогично рассчитывается ожидаемое значение для варианта выпуска только молочного шоколада без наполнителя, которое равно всего 2,55.

Таким образом, наращивание производственных мощностей является наиболее желательным решением и приносит наибольший выигрыш.

Пример 3. Руководителю отдела нужно принять решение относительно закупки станков. Второй станок более экономичный, но и в то же время более дорогой и требует больших накладных расходов (рис. 8.3). Руководителю нужно выбрать тот станок, который обеспечит максимизацию прибыли.

ОборудованиеПостоянные расходыОперационный расход на единицу техники
Станок 1500 000
Станок 2700 000

Рис. 8.3. Дерево решений

Руководитель оценивает вероятность спроса на продукцию, производимую на станках:

· 2 000 ед. с вероятностью 0,4;

· 3 000 ед. с вероятностью 0,6.

Станок 1: 840 000 × 0,4 + 1 510 000 × 0,6 = 1 242 000.

Станок 2: 1 180 000 × 0,4 + 2 120 000 × 0,6 = 1 744 000.

Таким образом, приобретение второго станка более экономично.

Недостатками дерева решений является ограниченное число вариантов решения проблемы. В процессе построения дерева решений необходимо обращать внимание на его размер. Оно не должно быть слишком перегруженным, т. к. это уменьшает способность к обобщению и способность давать верные ответы.

Не нашли то, что искали? Воспользуйтесь поиском:

Лучшие изречения: Студент — человек, постоянно откладывающий неизбежность. 11341 — | 7603 — или читать все.

Энциклопедия маркетинга

Каталог консалтинговых компаний

Библиотека маркетолога

Дерево решений как способ оптимизации процессов

Н.А. БатуринаК.эк.н., доц. кафедры бухгалтерского учета, анализа и аудита ВФ МГЭИ
Журнал «Справочник экономиста», № 10 за 2009 год

Прогнозирование показателей использования оборотных активов связано с определенной долей риска. Под риском использования оборотных активов понимается вероятность достижения величины прогнозируемых показателей, характеризующих структуру, ликвидность и эффективность их использования, с учетом воздействия непредвиденных обстоятельств (возникновение сбоев производственного цикла, нарушение ритмичности поставок, несвоевременное выполнение обязательств перед контрагентами, изменение деловой репутации хозяйствующего субъекта, его инвестиционной привлекательности, а также возможность максимально точного прогнозирования данных обстоятельств).

Следовательно управление рисками использования оборотных активов — составная часть общего процесса антикризисного управления на предприятии. Главной задачей аналитика, исследующего риски использования оборотных активов, является не только их оценка, но и анализ.

Анализ рисков использования оборотных активов хозяйствующего субъекта представляет собой процесс, направленный на прогнозирование возможных ситуаций и минимизацию потерь, связанных с их возникновением в финансово-хозяйственной деятельности. Он связан с тем, что неизвестно, какое именно из состояний экономики наступит. Шансы наступления каждого состояния определяются в форме субъективных вероятностей, которые характеризуют степень убежденности лица, принимающего решения, его компетентность.

Важный момент при оценке рисков — определение и разграничение методов прогнозирования их величины. Эти методы подразделяются на количественные и качественные. Применение тех и других имеет как преимущества, так и недостатки. Так, количественные методы считаются представляющими наиболее точную информацию. Однако они неприменимы в случае изменяющейся бизнес-среды. В этом случае прибегают к качественным методам, которые основаны, как правило, на экспертных оценках, квалификации и профессиональном суждении специалистов и носят субъективный характер.

Читать еще:  Анализ обеспеченности предприятия основными фондами

Идеальный вариант прогнозирования величины рисков использования оборотных активов — совмещение количественных (формализованных) и качественных (неформализованных) методов. Также следует отметить, что система прогнозирования величины рисков использования оборотных активов является наиболее сложной из существующих и требует для своей реализации высокой профессиональной квалификации исполнителей.

С целью исследования возможностей применения существующих методов обратимся к данным табл. 1, из которых необходимо выделить схему «дерево решений».

Таблица 1. Аналитические обоснования применения методов прогнозирования рисков использования оборотных активов

Метод

Характеристика

Метод экспертных оценок

Качественный метод. Предполагает прогнозирование величины рисков использования оборотных активов, используя профессиональное суждение аналитика и его опыт. Результаты, полученные при помощи этого метода, являются неточными, субъективными. К нему прибегают, как правило, в случае возникновения непредвиденных обстоятельств. К таким методам относятся методы Дельфи, Паттерн, мозговой атаки и др.

Методы обработки пространственно-временных совокупностей

К ним относятся следующие:

1) простая линейная регрессия (метод экстраполяции). Основан на предположении о существовании прямолинейной зависимости между показателями. Часто используется для прогнозирования величины оборотных активов. Для построения уравнения зависимости величины оборотных активов и объема продаж необходимо владеть информацией о них за ряд предыдущих периодов (5–7 лет). Недостатком этого метода является необходимость существования постоянства хозяйственных связей. Поэтому прогнозные значения показателей, определяемые подобным образом, могут расходиться с фактическими данными, поскольку выявленная зависимость не может носить постоянный характер;

2) криволинейная регрессия. Используется в том случае, если зависимость между величиной оборотных активов и объемом продаж носит непрямолинейный характер;

3) множественная регрессия. Применяется в том случае, если имеется большой разброс между взаимозависимыми показателями, следовательно, высока вероятность того, что на уровень зависимой переменной оказывают существенное влияние и другие дополнительные факторы;

4) адаптивно-имитационное прогнозирование. Позволяет прогнозировать величину оборотных активов с учетом их адаптации к возникающим условиям функционирования

Метод ситуационного анализа

Используется в случае жестко детерминированных связей, когда каждому значению фактора соответствует определенное значение результативного показателя. При этом ставится задача выявления и исследования факторов развития хозяйствующего субъекта и установления степени их влияния на различные результативные показатели

Метод построения дерева решений

В процессе анализа формируются различные комбинации факторных показателей с учетом вероятностей их достижения организацией; на основании имеющихся вариантов рассчитываются результативные показатели и вероятность их наступления; исходя из итоговых расчетов формируются выводы о применимости конкретной комбинации факторов

Метод прогнозирования на основе пропорциональных зависимостей

Одним из них является метод доли от объема производства, который предполагает формирование величины оборотных активов с учетом планируемого объема производства. Он применим в случае наличия постоянных структурных связей между величиной оборотных активов и объемом производства

Бюджетирование

Основано на детальном планировании материальных и денежных потоков организации, что позволяет определить размеры избытка (недостатка) оборотных активов на перспективу и заранее разработать реабилитирующие мероприятия. Реальность прогнозов зависит от многих факторов (степень определенности обстоятельств, характер взаимоотношений с контрагентами, ценовая политика и т.д.)

Одним из наиболее распространенных методов обоснования альтернативных вариантов капиталовложений, осуществляемых в условиях риска, является метод «дерево решений». Применяя его на практике, аналитики при помощи схемы вероятных событий, связанных с проведением инвестиционной деятельности, получают наглядное представление об уровне риска и экономической выгоде. В процессе использования данного метода необходимо придерживаться следующих этапов:

  • выявляются альтернативные варианты инвестиционных решений и по каждому из них оцениваются вероятности (субъективные или объективные) получения количественно исчисляемых целевых показателей (например, денежного потока, рентабельности, чистой текущей стоимости, объема продаж и пр.);
  • вся релевантная информация систематизируется в табличной форме;
  • с использованием информации, обобщенной в аналитической таблице, строится схема «дерево решений» и рассчитываются ожидаемые значения обобщающих показателей по каждому альтернативному варианту принятия решений;
  • по результатам проведенного анализа формируется заключение и вырабатываются практические рекомендации.

А. Захарова, начальник Управления систем менеджмента ОАО «Система-Галс», МГТУ им. Н.Э. Баумана, МИПК МГТУ MBA

Данный метод применяется для экспертного прогнозирования. Любое прогнозирование может быть успешным лишь при некоторой стабильности условий. Но решения органов власти или иные события могут менять условия, и тогда события развиваются иначе, чем ранее предполагалось. При разработке методологического анализа риска любых проектов необходимо составить целый каталог сценариев, каждый из которых индивидуален по происхождению, развитию и последствиям. Таким образом, мы декомпозируем задачи прогнозирования, предусматривая выделение набора отдельных вариантов развития событий, в совокупности охватывающих все возможные варианты развития. Хочется отметить, что в этом методе применяется частичная формализация. Часто стремление к излишней математизации приводит к попытке внесения искусственной определенности либо к использованию громоздкого математического аппарата.

При анализе инвестиционно-строительных проектов предполагается получение большого числа различной информации, но главному анализу подвергаются факторы реализуемости:

  • реализуемость на рынке: каков прогноз соотношения спроса и предложения собственности данного типа в рассматриваемом секторе торговли;
  • реализуемость местоположения/объекта: насколько характеристики участка отвечают требованиям для определенного вида использования;
  • финансовая реализуемость: удовлетворяет ли доходность, соотнесенная с риском, требованиям корпорации.

Рассмотрим на условном примере технологию использования этого аналитического метода.

Инновационный проект компании завершился разработкой новой продукции. Управленцы компании исследуют следующие направления ее поведения на рынке:

1) осуществлять маркетинговые исследования (самостоятельно или с привлечением внешних компаний). При этом возможно выявление следующих ситуаций:

а) благоприятное положение на рынке, способствующее продажам разработанной продукции. В данном случае спрос возможен низкий, средний и высокий;

б) неблагоприятное положение на рынке. Наличие трех перечисленных видов спроса также предполагается;

2) не осуществлять маркетинговые исследования. В этой ситуации возможно следующее:

а) компания самостоятельно производит и реализовывает разработанную продукцию;

б) инновационный проект по производству новой продукции продается другому хозяйствующему субъекту.

Разместим данные, необходимые для проведения этого анализа, в табл. 2.

Ссылка на основную публикацию
Adblock
detector