Якісне та кількісне опис моделей. Кількісний аналіз моделей Кількісний аналіз моделі, що характеризує

Для проведення кількісного аналізу діаграм перерахуємо показники моделі:

Кількість блоків на діаграмі N;

Рівень декомпозиції діаграми L;

Збалансованість діаграми В;

Число стрілок, що з'єднуються з блоком, – А.

Цей набір факторів відноситься до кожної діаграми моделі. Далі будуть перераховані рекомендації щодо бажаних значень факторів діаграми.

Необхідно прагнути до того що, щоб кількість блоків на діаграмах нижніх рівнів було нижче кількості блоків на батьківських діаграмах, тобто. зі збільшенням рівня декомпозиції зменшувався б коефіцієнт . Таким чином, спад цього коефіцієнта говорить про те, що в міру декомпозиції моделі функції повинні спрощуватися, отже, кількість блоків має зменшуватися.

Діаграми мають бути збалансовані. Це означає, що у межах однієї діаграми має відбуватися ситуації, зображеної на рис. 14: у роботи 1 вхідних стрілок і стрілок управління значно більше ніж виходять. Слід зазначити, що ця рекомендація може виконуватися в моделях, описують виробничі процеси. Наприклад, при описі процедури складання блок може входити безліч стрілок, що описують компоненти виробу, а виходити одна стрілка - готовий виріб.

Рис. 14. Приклад незбалансованої діаграми

Введемо коефіцієнт збалансованості діаграми:

.

Необхідно прагнути, щоб До b ,був мінімальним для діаграми.

Крім аналізу графічних елементів діаграми слід розглядати найменування блоків. Для оцінки імен складається словник елементарних (тривіальних) функцій системи, що моделюється. Фактично в цей словник повинні потрапити функції нижнього рівня декомпозиції діаграм. Наприклад, для моделі БД елементарними можуть бути функції «знайти запис», «додати запис БД», тоді як функція «реєстрація користувача» вимагає подальшого опису.

Після формування словника та складання пакета діаграм системи необхідно розглянути нижній рівень моделі. Якщо на ньому виявляться збіги назв блоків діаграм і слів зі словника, це говорить, що достатній рівень декомпозиції досягнутий. Коефіцієнт, що кількісно відображає даний критерій, можна записати як L*C– добуток рівня моделі на кількість збігів імен блоків зі словами зі словника. Чим нижчий рівень моделі (більше L),тим цінніше збіги.

Методологія DFD

В основі методології DFDлежить побудова моделі аналізованої АІС – проектованої чи реально існуючої. Основним засобом моделювання функціональних вимог проектованої системи є діаграми потоків даних (DFD). Відповідно до даної методології модель системи визначається як ієрархія діаграм потоків даних. З їхньою допомогою вимоги розбиваються на функціональні компоненти (процеси) і представляються як мережі, пов'язаної потоками даних. Головна мета таких засобів – продемонструвати, як кожен процес перетворює свої вхідні дані на вихідні, а також виявити відносини між цими процесами.

Компонентами моделі є:

діаграми;

Словники даних;

Специфікація процесів.

DFD-діаграми

Діаграми потоків даних (DFD – Data Flow Diagrams) використовуються для опису документообігу та обробки інформації. DFD представляє модельну систему як мережу пов'язаних між собою робіт, які можна використовувати для більш наочного відображення поточних операцій документообігу корпоративних системахобробки інформації.

DFD описує:

Функції обробки інформації (роботи, діяльність);

Документи (стрілки, arrows), об'єкти, співробітники або відділи, що беруть участь у обробці інформації;

Таблиці для зберігання документів (сховище даних, data store).

BPwin для побудови діаграм потоків даних використовується нотація Гейна-Сарсона (табл. 4).

Нотація Гейна – Сарсона

Таблиця 4

На діаграмах функціональні вимоги надаються за допомогою процесів та сховищ, пов'язаних потоком даних.

Зовнішня сутність- Матеріальний предмет або фізична особа, тобто. сутність поза контекстом системи, що є джерелом або приймачем системних даних (наприклад, замовник, персонал, постачальники, клієнти, склад та ін.). Її ім'я має містити іменник. Передбачається, що об'єкти, представлені такими вузлами, не повинні брати участь у жодній обробці.

Система та підсистемапри побудові моделі складної ІС вона може бути представлена ​​в самому загальному виглядіна контекстної діаграмі як однієї системи як єдиного цілого, чи то, можливо декомпозирована ряд підсистем. Номер підсистеми служить її ідентифікації. У полі імені вводиться найменування системи як пропозиції з підлягають і відповідними визначеннями і доповненнями.

Процесипризначені для продукування вихідних потоків із вхідних відповідно до дії, що задається ім'ям процесу. Це ім'я має містити дієслово у невизначеній формі з наступним доповненням (наприклад, обчислити, перевірити, створити, одержати). Номер процесу служить для його ідентифікації, а також посилань на нього всередині діаграми. Цей номер може використовуватися разом із номером діаграми для отримання унікального індексу процесу у всій моделі.

Потоки даних– механізми, що використовуються для моделювання передачі з однієї частини системи до іншої. Потоки на діаграмах зображуються іменованими стрілками, орієнтація яких показує напрямок руху інформації. Іноді інформація може рухатися в одному напрямку, оброблятися та повертатися назад у її джерело. Така ситуація може моделюватись або двома різними потоками, або одним - двонаправленим.

Якісні та кількісні методи є інструментом певної роботи з даними, їх фіксації та подальшого аналізу.

Якісні методинацілені на збір якісних даних та їх подальший якісний аналіз із застосуванням відповідних технік та прийомів вилучення сенсу; кількісні методиє інструментом збору числових даних та його подальшого кількісного аналізу прийомами математичної статистики (рис. 3.1).

Рис. 3.1.

Відповідно, якісні дослідження можна визначити як дослідження, у яких переважно використовуються якісні методи, а кількісні – як дослідження, побудовані на переважному застосуванні кількісних методів.

Здається очевидним визначати тип дослідження щодо відповідного типу методів. Однак не всі автори подібним чином визначають якісні та кількісні дослідження, і в методологічній літературі можна зустріти їх різні трактування. Справді, ряд авторів (див., наприклад: Семенова, 1998; Страус, Корбін, 2007) характеризує якісні дослідження як такі, у яких застосовуються кількісні методи збору даних, а аналіз даних здійснюється за допомогою різних якісних інтерпретативних процедур, без залучення підрахунків та методів математичної статистики. В інших посібниках, присвячених якісним дослідженням (найвідоміше серед них: Handbook of Qualitative Research..., 2008), поряд з виключно якісними (феноменологічним, дискурс-аналітичним, наративним, психоаналітичним) методами аналізується так звана Q-методологія, в якій відбувається збір числових даних та його кількісний аналіз. Зазвичай Q-методологію протиставляють "R-методології". У R-методології використовуються об'єктивні показники тестів, опитувальників, оціночних шкал, у яких відбито конструкти, створені самим дослідником, - саме такі об'єктивні показники піддаються в R-методології процедурі математичної обробки (наприклад, з використанням процедур факторного аналізу). Q-методологія, своєю чергою, спрямовано отримання суб'єктивних даних. Її основу складає процедура Q-сортування: досліджуваним пропонується сортувати деякий набір тверджень (як правило, отриманий від них самих в результаті спеціальної процедури опитування або інтерв'ю), здійснюючи розподіл цих тверджень вздовж заздалегідь організованого континууму, заданого деякою шкалою. Досліджувані сортують твердження відповідно до їхньої власної суб'єктивної оцінки, і надалі матриця цих суб'єктивних оцінокпіддається обробці методами багатовимірної статистики. Як уже було сказано, процедури Q-методології включені в посібники з якісних досліджень, незважаючи на те, що вони передбачають отримання кількісних даних та застосування статистичних методів. Автори вважають, що Q-методологія є однією з можливих альтернатив основним «об'єктивним» психологічним дослідженням, а оскільки вважається, що напрямок якісних досліджень втілює дух пізнавальних альтернатив, що базується на кількісних методах Q-методологію обговорюють у контексті якісних досліджень.

Як можна бачити, трактування якісних та кількісних досліджень не завжди суворо прив'язане до використовуваних у дослідженнях типів методів. Дуже часто як конститутивна ознака поділу якісних та кількісних досліджень виступають особливості організації дослідження. Проблема виділення різних типів досліджень з погляду їхньої організації буде розглянута в наступному параграфі. Щоб уникнути плутанини, тут ми пропонуємо зупинитися на цьому на початку параграфу. методичномувизначенні якісних та кількісних досліджень як побудованих на переважному застосуванні певного типу методів. Якісні дослідження в основному мають справу з якісними даними та якісними способами їх аналізу, кількісні дослідження - з кількісними даними та їх кількісним аналізом.

Кількісний (математико-статистичний) аналіз- сукупність процедур, методів опису та перетворення дослідницьких даних на основі використання математико-статичного апарату.

Кількісний аналізпередбачає можливість поводження з результатами як із числами - застосування методів обчислень.

Зважившись на кількісний аналіз, ми можемо відразу звернутися по допомогу до параметричної статистики або спочатку провести первинну та вториннуобробку даних.

На етапі первинної обробкивирішуються два основні завдання: уявитиотримані дані у наочній, зручній для попереднього якісного аналізу формі у вигляді впорядкованих рядів, таблиць та гістограмі підготуватидані для застосування специфічних методів вторинної обробки.

Упорядкування(Розташування чисел у порядку спадання або зростання) дозволяє виділити максимальне і мінімальне кількісне значення результатів, оцінити, які результати зустрічаються особливо часто і т.д. Набір показників різних психодіагностичних методик, отриманих по групі представляють у вигляді таблиці, у рядках якої мають дані обстеження одного випробуваного, а в стовпцях - розподіл значень одного показника за вибіркою. Гістограма- це частотне розподілення результатів у діапазоні зміни значень.

На етапі вторинної обробки обчислюються показники предмета дослідження. Аналіз результатів вторинної обробкидозволяє нам віддати перевагу тому набору кількісних характеристик, який буде найбільш інформативним. Ціль етапу вторинної обробки складається не тільки в отриманні інформації,але й у підготовці даних до можливої ​​оцінки достовірності відомостей.В останньому випадку ми звертаємося до допомоги параметричної статистики.

Типи методів математико-статичного аналізу:

Методи описової статистики спрямовані на опис характеристик досліджуваного явища: розподілу, особливостей зв'язку та ін.

Методи статичного висновку служать встановлення статистичної значимості даних, отриманих під час експериментів.

Методи перетворення даних спрямовані на перетворення даних з метою оптимізації їх подання та аналізу.

До кількісних методів аналізу та інтерпретації (перетворення) данихвідносяться такі:

Первинна обробка «сирих» оцінокдля створення можливості застосування непараметричної статистики проводиться двома методами: класифікацією(Поділ об'єктів на класи за яким-небудь критерієм) та систематизацією(упорядкування об'єктів усередині класів, класів між собою та множин класів з іншими множинами класів).

Цей вид аналізу будується на розрахунку низки кількісних показників для побудованої моделі. Необхідно враховувати, що ці оцінки багато в чому суб'єктивні, оскільки оцінювання ведеться безпосередньо за графічними моделями, які складність і рівень деталізації визначаються багатьма чинниками.

Складність. Цей показник характеризує, наскільки ієрархічно складна модель процесу. Чисельне значення визначається коефіцієнтом складності k sl.

k sl =? ur /? ekz

де? ur - кількість рівнів декомпозиції,

Ekz - кількість екземплярів процесу.

Складність цієї моделі дорівнює:

При k sl<= 0,25 процесс считается сложным. При k sl =>0,66 таким не вважається. Розглянутий процес дорівнює 0,25, що не перевищує поріг складності.

Процесність. Цей показник характеризує, чи можна побудовану модель процесу вважати сутнісною (описує структуру предметної області як набору її основних об'єктів, понять і зв'язків), чи процесної (всі екземпляри процесів моделі пов'язані причинно-наслідковими зв'язками). Іншими словами, цей показник відображає, наскільки побудована модель деякої ситуації в компанії відповідає визначенню процесу. Чисельне значення визначається коефіцієнтом процесності k pr

k pr =? raz/? kep

де? raz - кількість «розривів» (відсутності причинно-наслідкових зв'язків) між екземплярами бізнес-процесів,

Процесність дорівнює

Контрольність. Цей показник характеризує, наскільки ефективно власники процесу керують процесами. Чисельне значення визначається коефіцієнтом контрольованості k kon

k kon =? s/? kep

Де? s - кількість власників,

Kep – кількість екземплярів на одній діаграмі.

Контрольність дорівнює

При k kon = 1 процес вважається контрольованим.

Ресурсоємність.Цей показник характеризує ефективність використання ресурсів для аналізованого процесу. Чисельне значення визначається коефіцієнтом ресурсоємності k r

k r =? r/? out

де? r - кількість ресурсів, задіяних у процесі,

Out – кількість виходів.

Ресурсоємність дорівнює

Чим нижче значення коефіцієнта, тим вище значення ефективності використання ресурсів у бізнес-процесі.

При k r< 1 ресурсоемкость считается низкой.

Регульованість. Цей показник характеризує, наскільки сильно регламентується процес. Чисельне значення визначається коефіцієнтом регульованості k reg

де D - кількість наявної регламентної документації,

Kep - кількість екземплярів на одній діаграмі

Регульованість дорівнює

При k reg< 1 регулируемость считается низкой.

Параметри та значення кількісних показників представлені в табл. 7.

Табл. 7. Кількісні показники

Для загальної оцінки аналізованого процесу обчислюють суму розрахованих показників

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

Сума показників дорівнює

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

Розраховане значення відповідає умові К > 1. При K > 2,86 процес вважається явно неефективним. При 1< K < 2,86 процесс частично эффективен.

Для проведення кількісного аналізу діаграм перерахуємо показники моделі:

· Кількість блоків на діаграмі - N;

· Рівень декомпозиції діаграми - L;

· Збалансованість діаграми - В;

· Число стрілок, що з'єднуються з блоком, - А.

Цей набір факторів відноситься до кожної діаграми моделі. Далі будуть перераховані рекомендації щодо бажаних значень факторів діаграми.

Необхідно прагнути до того, щоб кількість блоків на діаграмах нижніх рівнів було б нижче кількості блоків на батьківських діаграмах, тобто зі збільшенням рівня декомпозиції спадав коефіцієнт . Таким чином, спад цього коефіцієнта говорить про те, що в міру декомпозиції моделі функції повинні спрощуватися, отже, кількість блоків має зменшуватися.

Діаграми мають бути збалансовані. Це означає, що в рамках однієї діаграми не повинно відбуватися ситуації, коли робота вхідних стрілок і стрілок управління значно більша, ніж виходять. Слід зазначити, що дана рекомендація може не дотримуватися виробничих процесів, Які мають на увазі отримання готового продукту з великої кількості складових (випуск вузла машини, випуск продовольчого виробу та інші). Наприклад, при описі процедури складання блок може входити безліч стрілок, що описують компоненти виробу, а виходити одна стрілка - готовий виріб.

Введемо коефіцієнт збалансованості діаграми:

Бажано, щоб коефіцієнт збалансованості був мінімальний для діаграми, а моделі був постійний.

Крім оцінки якості діаграм у моделі та в цілому самої моделі за коефіцієнтами збалансованості та декомпозиції можна провести аналіз та оптимізацію описаних бізнес-процесів. Фізичний сенс коефіцієнта збалансованості визначається кількістю стрілок, з'єднаних з блоком, і відповідно його можна інтерпретувати як оцінний коефіцієнт за кількістю оброблюваних та одержуваних конкретним підрозділом або співробітником документів та посадових функцій. Таким чином, на графіках залежності коефіцієнта збалансованості від рівня декомпозиції існуючі піки щодо середнього значення показують перевантаженість та недовантаженість працівників на підприємстві, оскільки різні рівні декомпозиції описують діяльність різних підрозділів чи працівників підприємства. Відповідно, якщо на графіках реальних бізнес-процесів є піки, то аналітик може видати ряд рекомендацій щодо оптимізації описаних бізнес-процесів: розподілу виконуваних функцій, обробці документів та інформації, запровадження додаткових коефіцієнтів при оплаті праці працівників.

Проведемо кількісний аналіз моделей, зображених на рисунках 12 та 13, згідно з вищеописаною методикою. Розглянемо поведінку коефіцієнта цих моделей. У батьківської діаграми «Обробка запиту клієнта» коефіцієнт дорівнює 4/2 = 2, а діаграми декомпозиції 3/3 = 1. Значення коефіцієнта зменшується, що свідчить про спрощення описи функцій зі зниженням рівня моделі.

Розглянемо зміну коефіцієнта До у двох варіантів моделей.

Для першого варіанту, зображеного на малюнку 20,

для другого варіанта

Коефіцієнт До b не змінює свого значення, отже, збалансованість діаграми змінюється.

Вважатимемо, що рівень декомпозиції розглянутих діаграм достатній для відображення мети моделювання, і на діаграмах нижнього рівня як найменування робіт використовуються елементарні функції (з точки зору користувача системи).

Підбиваючи підсумки розглянутого прикладу, необхідно відзначити важливість розгляду декількох варіантів діаграм при моделюванні системи. Такі варіанти можуть виникати при коригуванні діаграм, як це було зроблено з «Обробкою запиту клієнта» або під час створення альтернативних реалізацій функцій системи (декомпозиція роботи «Зміна БД»). Розгляд варіантів дозволяє вибрати найкращий та включити його в пакет діаграм для подальшого розгляду.