Description qualitative et quantitative des modèles. Analyse quantitative des modèles Analyse quantitative du modèle caractérisant

Pour effectuer une analyse quantitative des diagrammes, nous listons les indicateurs du modèle :

Nombre de blocs sur le schéma - N;

Niveau de décomposition du graphique − L;

Balance graphique - À;

Le nombre de flèches connectées au bloc est - MAIS.

Cet ensemble de facteurs s'applique à chaque diagramme de modèle. Ce qui suit répertorie les recommandations pour les valeurs souhaitées des facteurs de graphique.

Il faut s'efforcer de faire en sorte que le nombre de blocs sur les schémas des niveaux inférieurs soit inférieur au nombre de blocs sur les schémas parents, c'est-à-dire avec une augmentation du niveau de décomposition, le coefficient diminuerait . Ainsi, la diminution de ce coefficient indique qu'au fur et à mesure que le modèle se décompose, les fonctions doivent être simplifiées, donc le nombre de blocs doit diminuer.

Les graphiques doivent être équilibrés. Cela signifie que dans le cadre d'un schéma, la situation illustrée à la Fig. 14 : Le travail 1 a beaucoup plus de flèches entrantes et de contrôle que de flèches sortantes. Il est à noter que cette recommandation peut ne pas être mise en œuvre dans les modèles décrivant les processus de production. Par exemple, lors de la description d'une procédure d'assemblage, un bloc peut inclure de nombreuses flèches décrivant les composants d'un produit, et une flèche peut sortir - le produit fini.

Riz. 14. Un exemple de graphique déséquilibré

Introduisons le facteur d'équilibre graphique :

.

Il faut s'efforcer de Kb,était le minimum pour le graphique.

En plus de l'analyse des éléments graphiques du schéma, il faut considérer les noms des blocs. Pour évaluer les noms, un dictionnaire des fonctions élémentaires (triviales) du système simulé est compilé. En fait, les fonctions de la décomposition de niveau inférieur des diagrammes devraient tomber dans ce dictionnaire. Par exemple, pour un modèle de base de données, les fonctions « trouver un enregistrement », « ajouter un enregistrement à la base de données » peuvent être élémentaires, tandis que la fonction « enregistrement de l'utilisateur » nécessite une description plus détaillée.

Après avoir formé le vocabulaire et compilé un ensemble de schémas de système, il est nécessaire de considérer le niveau inférieur du modèle. S'il montre une correspondance entre les noms des blocs de diagrammes et les mots du dictionnaire, cela indique qu'un niveau de décomposition suffisant a été atteint. Le coefficient qui reflète quantitativement ce critère peut s'écrire L*C est le produit du niveau du modèle par le nombre de correspondances de noms de blocs avec des mots du dictionnaire. Plus le niveau du modèle est bas (plus L), plus la coïncidence est précieuse.

Méthodologie DFD

Au coeur Méthodologie DFD réside dans la construction d'un modèle de l'AIS analysé - conçu ou réellement existant. Les principaux outils de modélisation des exigences fonctionnelles du système conçu sont les diagrammes de flux de données (DFD). Conformément à cette méthodologie, un modèle de système est défini comme une hiérarchie de diagrammes de flux de données. Avec leur aide, les exigences sont décomposées en composants fonctionnels (processus) et présentées comme un réseau connecté par des flux de données. L'objectif principal de ces outils est de démontrer comment chaque processus transforme ses entrées en sorties, et de révéler les relations entre ces processus.

Les composants du modèle sont :

diagrammes ;

dictionnaires de données ;

Spécifications de processus.

Diagrammes DFD

Les diagrammes de flux de données (DFD - Data Flow Diagrams) sont utilisés pour décrire le flux de travail et le traitement de l'information. DFD représente un système modèle comme un réseau d'activités interconnectées qui peuvent être utilisées pour afficher plus visuellement les opérations de flux de travail en cours dans systèmes d'entreprise traitement d'informations.

DFD décrit :

Fonctions de traitement de l'information (travaux, activités);

Documents (flèches, flèches), objets, employés ou services impliqués dans le traitement de l'information ;

Tables de stockage des documents (magasin de données, magasin de données).

BPwin utilise la notation Gein-Sarson pour tracer les diagrammes de flux de données (tableau 4).

Notation Gein-Sarson

Tableau 4

Dans les diagrammes, les exigences fonctionnelles sont représentées par des processus et des magasins connectés par un flux de données.

entité externe- objet matériel ou individuel, c'est à dire. une entité hors du contexte du système, qui est une source ou un récepteur de données système (par exemple, un client, du personnel, des fournisseurs, des clients, un entrepôt, etc.). Son nom doit contenir un nom. On suppose que les objets représentés par de tels nœuds ne doivent participer à aucun traitement.

Système et sous-système lors de la construction d'un modèle SI complexe, il peut être représenté dans le vue générale sur le diagramme de contexte comme un système dans son ensemble, ou peut être décomposé en un certain nombre de sous-systèmes. Le numéro de sous-système sert à l'identifier. Dans le champ du nom, le nom du système est saisi sous la forme d'une phrase avec le sujet et les définitions et compléments correspondants.

Processus sont destinés à produire des flux de sortie à partir de flux d'entrée conformément à l'action spécifiée par le nom du processus. Ce nom doit contenir un verbe indéfini suivi d'un objet (par exemple, calculate, check, create, get). Le numéro de processus sert à l'identifier, ainsi qu'à s'y référer dans le diagramme. Ce numéro peut être utilisé conjointement avec le numéro du diagramme pour fournir un index de processus unique dans tout le modèle.

Flux de données– les mécanismes utilisés pour modéliser le transfert d'informations d'une partie du système à une autre. Les flux dans les diagrammes sont représentés par des flèches nommées, dont l'orientation indique le sens du flux d'informations. Parfois, l'information peut se déplacer dans une direction, être traitée et renvoyée à sa source. Une telle situation peut être modélisée soit par deux flux différents, soit par un - bidirectionnel.

Les méthodes qualitatives et quantitatives sont un outil pour un certain travail avec les données, leur enregistrement et leur analyse ultérieure.

Méthodes qualitatives visent à collecter des données qualitatives et leur analyse qualitative ultérieure en utilisant des techniques appropriées et des techniques d'extraction de sens; méthodes quantitatives sont un outil de collecte de données numériques et de leur analyse quantitative ultérieure à l'aide des méthodes de la statistique mathématique (Fig. 3.1).

Riz. 3.1.

En conséquence, la recherche qualitative peut être définie comme une recherche qui utilise principalement des méthodes qualitatives, tandis que la recherche quantitative peut être définie comme une recherche fondée sur l'utilisation prédominante de méthodes quantitatives.

Il semble évident de définir le type d'étude par le type de méthodes correspondant. Cependant, tous les auteurs ne définissent pas la recherche qualitative et quantitative de cette manière, et dans la littérature méthodologique, on peut en trouver différentes interprétations. En effet, un certain nombre d'auteurs (voir par exemple : Semenova, 1998 ; Strauss, Corbin, 2007) caractérisent les études qualitatives comme celles dans lesquelles des méthodes de collecte de données non quantitatives sont utilisées, et l'analyse des données est effectuée à l'aide de diverses procédures d'interprétation qualitative, sans impliquer de calculs et de méthodes statistiques mathématiques. Dans d'autres manuels consacrés à la recherche qualitative (le plus célèbre d'entre eux : Handbook of Qualitative Research..., 2008), à côté des méthodes exclusivement qualitatives (phénoménologique, discursive-analytique, narrative, psychanalytique), la méthodologie dite Q est analysés, dans lequel la collecte de données numériques et leur analyse quantitative. La méthodologie Q est généralement opposée à la "méthodologie R". La méthodologie R utilise des indicateurs objectifs de tests, de questionnaires, d'échelles d'évaluation, qui reflètent les constructions créées par le chercheur lui-même - ce sont ces indicateurs objectifs qui sont soumis à la procédure de traitement mathématique dans la méthodologie R (par exemple, en utilisant l'analyse factorielle procédures). La méthodologie Q, à son tour, vise à obtenir des données subjectives. Il est basé sur la procédure de tri Q: les sujets sont invités à trier un certain ensemble d'énoncés (en règle générale, obtenus d'eux-mêmes à la suite d'une enquête spéciale ou d'une procédure d'entretien), en répartissant ces énoncés le long d'un continuum pré-organisé spécifié par une certaine échelle. Les sujets trient les énoncés selon leur propre appréciation subjective, et à l'avenir, la matrice de ces évaluations subjectives soumis à un traitement par des méthodes de statistiques multivariées. Comme déjà mentionné, les procédures de la méthodologie Q sont incluses dans les manuels de recherche qualitative, malgré le fait qu'elles impliquent l'obtention de données quantitatives et l'application Méthodes statistiques. Les auteurs estiment que la Q-méthodologie est l'une des alternatives possibles à la principale recherche psychologique "objective", et puisque c'est la direction de la recherche qualitative qui incarne l'esprit des alternatives cognitives, la Q-méthodologie basée sur des méthodes quantitatives est discutée dans le cadre d'une recherche qualitative.

Comme on peut le voir, l'interprétation de la recherche qualitative et quantitative n'est pas toujours strictement liée aux types de méthodes utilisées dans la recherche. Bien souvent, les particularités de l'organisation de la recherche servent de signe constitutif de la séparation de la recherche qualitative et quantitative. Le problème de la distinction des différents types d'études du point de vue de leur organisation sera examiné dans le paragraphe suivant. Pour éviter toute confusion ici, nous proposons de nous y attarder en début de paragraphe. méthodique définition de la recherche qualitative et quantitative fondée sur l'application prédominante d'un certain type de méthodes. La recherche qualitative traite principalement des données qualitatives et des méthodes qualitatives de leur analyse, la recherche quantitative - avec des données quantitatives et leur analyse quantitative.

Analyse quantitative (mathématique-statistique)- un ensemble de procédures, de méthodes de description et de transformation des données de recherche basées sur l'utilisation d'un appareil mathématique et statique.

Analyse quantitative implique la capacité de traiter les résultats comme des nombres - l'application de méthodes de calcul.

Décider de analyse quantitative, on peut immédiatement se tourner vers l'aide de statistiques paramétriques ou d'abord effectuer primaire et secondaire traitement de l'information.

Au stade de la première transformation sont résolus deux tâches principales: introduire les données obtenues sous une forme visuelle et pratique pour une analyse qualitative préliminaire sous forme de séries ordonnées, de tableaux et d'histogrammes et préparer données pour l'application de méthodes spécifiques traitement secondaire.

commande(classement des nombres par ordre décroissant ou croissant) permet de mettre en évidence la valeur quantitative maximale et minimale des résultats, d'évaluer quels résultats sont les plus courants, etc. Un ensemble d'indicateurs de diverses méthodes de psychodiagnostic obtenus pour un groupe est présenté sous la forme d'un tableau, dans les rangées desquelles se trouvent les données d'enquête d'un sujet, et dans les colonnes - la distribution des valeurs d'un indicateur sur l'échantillon. graphique à barres est la distribution de fréquence des résultats sur une plage de valeurs.

À l'étape traitement secondaire les caractéristiques du sujet de recherche sont calculées. Analyse des résultats traitement secondaire permet de privilégier le jeu de caractéristiques quantitatives qui sera le plus informatif. But de l'étape traitement secondaire consiste non seulement dans l'obtention d'informations mais aussi dans la préparation des données en vue d'une éventuelle évaluation de la fiabilité des informations. Dans ce dernier cas, nous nous tournons vers l'aide statistiques paramétriques.

Types de méthodes d'analyse mathématique-statique:

Les méthodes de statistiques descriptives visent à décrire les caractéristiques du phénomène étudié : distribution, éléments de communication, etc.

Les méthodes d'inférence statique servent à établir la signification statistique des données obtenues au cours des expériences.

Les méthodes de transformation de données visent à transformer les données afin d'optimiser leur présentation et leur analyse.

Aux méthodes quantitatives d'analyse et d'interprétation (transformation) des données inclure les éléments suivants:

Traitement primaire des estimations "brutes" Pour créer la possibilité d'utiliser des statistiques non paramétriques, deux méthodes sont utilisées : classification(séparation des objets en classes selon certains critères) et systématisation(ordre des objets au sein des classes, des classes entre elles et des ensembles de classes avec d'autres ensembles de classes).

Ce type d'analyse repose sur le calcul d'un certain nombre d'indicateurs quantitatifs pour le modèle construit. Il convient de garder à l'esprit que ces estimations sont largement subjectives, car l'évaluation est effectuée directement sur des modèles graphiques, et leur complexité et leur niveau de détail sont déterminés par de nombreux facteurs.

Complexité. Cet indicateur caractérise la complexité hiérarchique du modèle de processus. La valeur numérique est déterminée par le facteur de complexité k sl .

ksl = ? ur/? ekz

où? ur -- nombre de niveaux de décomposition,

Ekz est le nombre d'instances de processus.

La complexité du modèle considéré est égale à :

Pour ksl<= 0,25 процесс считается сложным. При k sl =>0,66 n'est pas considéré comme tel. Le processus considéré est égal à 0,25, ce qui ne dépasse pas le seuil de complexité.

Processivité. Cet indicateur caractérise si le modèle de processus construit peut être considéré comme essentiel (décrit la structure du domaine sous la forme d'un ensemble de ses principaux objets, concepts et relations), ou processus (toutes les instances des processus du modèle sont reliées par des causes- et relations d'effet). En d'autres termes, cet indicateur reflète la façon dont le modèle construit d'une certaine situation dans l'entreprise correspond à la définition du processus. La valeur numérique est déterminée par le facteur de processus k pr

kpr = ? raz/? casquette

où? raz -- le nombre de "ruptures" (absence de relations causales) entre les instances de processus métier,

La transformabilité est égale à

Contrôlabilité. Cet indicateur caractérise l'efficacité avec laquelle les propriétaires de processus gèrent les processus. La valeur numérique est déterminée par le coefficient de contrôlabilité k kon

kkon = ? s/? casquette

Où? s -- nombre de propriétaires,

Kep est le nombre d'instances dans un graphique.

La contrôlabilité est

Lorsque k kon = 1, le processus est considéré comme maîtrisé.

Intensité des ressources. Cet indicateur caractérise l'efficacité de l'utilisation des ressources pour le processus considéré. La valeur numérique est déterminée par le facteur d'intensité des ressources k r

k r = ? r/? dehors

où? r -- nombre de ressources impliquées dans le processus,

Out -- nombre de sorties.

L'intensité des ressources est

Plus la valeur du coefficient est faible, plus la valeur de l'efficacité des ressources dans le processus métier est élevée.

Pour k r< 1 ресурсоемкость считается низкой.

Ajustabilité. Cet indicateur caractérise le degré de régulation du processus. La valeur numérique est déterminée par le facteur de contrôle k reg

où D est la quantité de documentation réglementaire disponible,

Kep -- nombre d'instances par graphique

L'ajustabilité est égale à

Pour k reg< 1 регулируемость считается низкой.

Les paramètres et les valeurs des indicateurs quantitatifs sont présentés dans le tableau. 7.

Languette. 7. Indicateurs quantitatifs

Pour une évaluation générale du processus analysé, la somme des indicateurs calculés est calculée

K = k sl + k pr + k kon + k r + k reg

La somme des indicateurs est

K = 0,1875 + 0,25 + 0,9375 + 0,273 + 0,937 = 2,585

La valeur calculée satisfait la condition K > 1. A K > 2,86, le processus est considéré comme manifestement inefficace. À 1< K < 2,86 процесс частично эффективен.

Pour effectuer une analyse quantitative des diagrammes, nous listons les indicateurs du modèle :

le nombre de blocs dans le diagramme - N;

niveau de décomposition du diagramme - L;

diagramme équilibré - B;

le nombre de flèches connectées au bloc - A.

Cet ensemble de facteurs s'applique à chaque diagramme de modèle. Ce qui suit répertorie les recommandations pour les valeurs souhaitées des facteurs de graphique.

Il faut s'efforcer de faire en sorte que le nombre de blocs sur les diagrammes des niveaux inférieurs soit inférieur au nombre de blocs sur les diagrammes parents, c'est-à-dire qu'avec une augmentation du niveau de décomposition, le coefficient diminuerait. Ainsi, la diminution de ce coefficient indique qu'au fur et à mesure que le modèle se décompose, les fonctions doivent être simplifiées, donc le nombre de blocs doit diminuer.

Les graphiques doivent être équilibrés. Cela signifie qu'au sein d'un diagramme, il ne devrait pas y avoir de situation où le travail a beaucoup plus de flèches entrantes et de contrôle que de flèches sortantes. Il convient de noter que cette recommandation peut ne pas être suivie pour procédés de fabrication, qui consistent à obtenir un produit fini à partir d'un grand nombre de composants (réalisation d'un ensemble de machines, fabrication d'un produit alimentaire, etc.). Par exemple, lors de la description d'une procédure d'assemblage, un bloc peut inclure de nombreuses flèches décrivant les composants d'un produit, et une flèche peut sortir - le produit fini.

Introduisons le facteur d'équilibre graphique :

Il est souhaitable que le facteur d'équilibre soit minimal pour le diagramme et constant dans le modèle.

En plus d'évaluer la qualité des diagrammes dans le modèle et le modèle lui-même en général, par les coefficients d'équilibre et de décomposition, il est possible d'analyser et d'optimiser les processus métier décrits. La signification physique du coefficient d'équilibre est déterminée par le nombre de flèches reliées au bloc et, par conséquent, il peut être interprété comme un coefficient estimé pour le nombre de documents traités et reçus par une unité ou un employé particulier et fonctions officielles. Ainsi, sur les graphiques de la dépendance du coefficient d'équilibre au niveau de décomposition, les pics existants par rapport à la valeur moyenne montrent la surcharge et la sous-charge des employés de l'entreprise, puisque différents niveaux de décomposition décrivent les activités de divers départements ou employés de l'entreprise. En conséquence, s'il y a des pics sur les graphiques des processus métier réels, l'analyste peut émettre un certain nombre de recommandations pour optimiser les processus métier décrits : la répartition des fonctions exercées, le traitement des documents et des informations, l'introduction de coefficients supplémentaires de rémunération des employés.

Effectuons une analyse quantitative des modèles représentés dans les figures 12 et 13, selon la méthode décrite ci-dessus. Considérez le comportement du coefficient pour ces modèles. Le diagramme parent "Traitement d'une requête client" a un coefficient de 4/2 = 2, et les diagrammes de décomposition 3/3 = 1. La valeur du coefficient diminue, ce qui indique la simplification de la description des fonctions avec une diminution du niveau du modèle.

Considérons la variation du coefficient K b pour deux versions des modèles.

Pour la première option illustrée à la Figure 20,

pour la deuxième possibilité

Le coefficient K b ne change pas de valeur, donc l'équilibre du diagramme ne change pas.

Nous supposons que le niveau de décomposition des schémas considérés est suffisant pour refléter l'objectif de la modélisation, et sur les schémas du niveau inférieur, des fonctions élémentaires sont utilisées comme noms d'œuvres (du point de vue de l'utilisateur du système).

En résumant l'exemple considéré, il est nécessaire de noter l'importance de considérer plusieurs options pour les diagrammes lors de la modélisation d'un système. De telles options peuvent survenir lors de l'ajustement des diagrammes, comme cela a été fait avec "Traitement d'une demande client" ou lors de la création d'implémentations alternatives de fonctions système (décomposition du travail "Modification de la base de données"). La prise en compte des options vous permet de sélectionner la meilleure et de l'inclure dans le package de diagrammes pour un examen plus approfondi.