Modelowanie produktu (product modelling). Modelowanie produktu ma na celu ustalenie ram i

procedur projektowania nowych i unowocześniania obecnych produktów, zgodnie z podejściem QFD (Quality Function Deployment) dążącym do podniesienia jakości projektowanych,

wytwarzanych, modyfikowanych i sprzedawanych produktów w celu zaspokojenia potrzeb klientów. Zajmuje się wsparciem poszczególnych faz cyklu życia i cech (atrybutów) produktu, aby zwiększyć

konkurencyjność produktu, dzięki, jak stwierdza Kuutti [157], zmniejszeniu kosztów materiałowych,

czasu pracy ludzkiej niezbędnego do wytworzenie produktu (przeprojektowania procesu technologicznego i organizacji produkcji), bardziej intensywnemu korzystaniu z podwykonawców (specjalizacja i optymalizacja kosztów), zmniejszeniu czasu wprowadzenia produktu na rynek równoległe wykonywanie prac projektowych, inwestycyjnych i zmian technologicznych równolegle,

2-12

zmniejszeniu ilości braków wynikających z błędów na etapie projektowania produktu. Zmniejszenie stopy braków osiągnąć można (jest to postulat) przez zastosowanie narzędzi kontrolujących i weryfikujących prace wykonywane przez projektantów, udostępniające gotowe moduły, bloki, modele zasobów przedsiębiorstwa i linii produkcyjnych: maszyn, urządzeń, centrów obróbczych, materiałów, narzędzi itp., korzystanie z modelowania wizualnego i procedur obliczeniowych (analiz) wykonywanych na żądanie. Podstawowe cele modelowania produktu tożsame są z następującymi

ideami reengineeringu [37] za [78]:

a) Ukierunkowanie procesów uruchamianych w przedsiębiorstwie na cele (w opozycji do zadań, które przeważają w podejściu funkcjonalnym),

b) Wiodąca rola klientów składających zamówienia do realizacji przez wykonawców (serwery) jako instancji oceniającej działanie oraz organizacja typu modułowego, charakteryzująca się przyporządkowaniem poszczególnych decydentów (kontrolerów) do komórek organizacji,

c) Równoległość działań zapewniająca większy stopień wykorzystania zasobów organizacji,

d) Działania mające na celu osiągniecie przewagi konkurencyjnej poprzez „kompresję” przestrzeni i czasu (czyli wirtualne skoncentrowanie zasobów, eliminacja prac niepotrzebnych, wzrost znaczenie dostępnej informacji i posiadanej wiedzy, concurrent engineering – równoległość projektowania i wytwarzania).

Istotną cechą podejścia modelowania produktów jest ścisła współpraca poprzez wymianę informacji

i danych między zespołem odpowiedzialnym za projektowanie produktu i zespołem kierującym systemem wytwórczym przedsiębiorstwa (istotne korzyści można uzyskać dzięki oprogramowaniu

2-13

2.6 Znaczenie uwzględnienia losowości w modelach

Kryterium określające możliwość przewidzenia wyników pochodzących z modelu przy pełnej znajomości stanu obiektów reprezentowanych w modelu i wartości wejściowych (wymuszeń). Wyróżnić można modele probabilistyczne oraz deterministyczne. Przede wszystkim należy zauważyć [14] podstawową różnicę (z punktu widzenia metodologii podejmowania decyzji) że następstwem właściwie, prawidłowo podjętych decyzji w warunkach deterministycznych będą wyniki optymalne (lub najlepsze z możliwych do osiągnięcia spośród wyznaczonych alternatyw decyzyjnych) natomiast w warunkach niedeterministycznych nie można być pewnym, czy decyzje podejmowane zgodnie z uznaną metodologią zawsze będą skutkowały wynikami najlepszymi z możliwych. Należy jednak pamiętać, że praktycznie stosowane modele nie są ani całkowicie probabilistyczne ani całkowicie deterministyczne. Przykładem może być wpływ warunków pogodowych na zachowanie (deterministycznego z natury) modelu komunikacji kolejowej lub lotniczej a z drugiej strony zastosowanie reguły (nawet o charakterze rozmytym) w probabilistycznym modelu rynku papierów wartościowych. Modele deterministyczne, zakładające pełną i pewną znajomość wszystkich niezbędnych zmiennych wejściowych, pozwalają na dokładne przewidzenie (prognozowanie) wartości i zachowania się wyników pochodzących z modelu. Charakterystyczną cechą modeli

deterministycznych, jak podkreślają Moore i Weatherford [207], jest wykorzystywanie ich w dobrze rozpoznanym środowisku (tzn. takim w którym może występować niepewność dotycząca mniej

znaczących zmiennych wejściowych modelu), przede wszystkim wewnątrz przedsiębiorstwa.

Motywacje towarzyszące wykorzystywaniu modeli deterministycznych (oprócz możliwości ich

analitycznego rozwiązywania) są następujące [207]:

a) umożliwiają sformułowanie zagadnień problemowych z obszaru zarządzania (poczynając od programowania liniowego kończąc na rozważaniu skonfliktowanych celów),

b) modele deterministyczne przystosowane są do uwzględniania ograniczeń narzuconych na poszukiwane rozwiązania,

c) dostępność efektywnego oprogramowania optymalizującego,

d) bezpośrednia użyteczność rozwiązań uzyskiwanych za pomocą tych modeli (otrzymuje się jednoznaczny przepis dotyczący ustawienia wartości zmiennych decyzyjnych),

e) w większości sytuacji sformułowanie ograniczeń i optymalizacja funkcji celu są tożsame ze zbudowaniem modelu,

f) doświadczenie zdobyte podczas formułowania i rozwiązywania modeli deterministycznych jest przydatne także podczas prac nad konstrukcją także innego rodzaju modeli (probabilistycznych i symulacyjnych).

Modele probabilistyczne (stochastyczne) nie pozwalają na przewidywanie wyników z

2-14

dokładnej (i pewnej) wartości co najmniej jednej istotnej zmiennej wejściowej przed podjęciem decyzji. Stosując model probabilistyczny godzimy się, jak zauważają Moore i Weatherford [207], na włączenie do procesu podejmowania decyzji ignorancji (nieznajomości stanu faktycznego). Niepewność dotycząca faktycznych wartości zmiennych wejściowych ujmowana jest w modelu zwykle poprzez uwzględnienie czynnika losowości. Dlatego też modele probabilistyczne zawierają

zmienne losowe. Czynniki losowe reprezentują w modelu wielkości występujące w systemie

rzeczywistym, które nie mogą (lub jest to nieopłacalne) być uwzględnione w sposób pozwalający na sformułowanie deterministycznego wpływu na wartości wyjściowe systemu rzeczywistego. Losowość w modelach probabilistycznych przedstawiona jest za pomocą parametrów danego typu rozkładu losowego (nie zawsze teoretycznego!). Każde przedsiębiorstwo już w chwili powstawania działa w warunkach niepewności. Przykładowo, firma emitując na początku działalności akcje nie może z całą pewnością stwierdzić, czy rynek będzie znajdował się w fazie wzrostu czy spadku cen. Powinna zatem uwzględnić obie możliwości planując warianty działalności inwestycyjnej, produkcyjnej i handlowej którą chciałaby uruchomić (rozwijać) dzięki funduszom pozyskanym z emisji akcji.

Chociaż modele deterministyczne nie zawierają zmiennych i parametrów endogenicznych o charakterze probabilistycznym to można badać wpływ na ich funkcjonowanie, czyli zachowanie wartości wyjściowych (wyników) na pochodzące z rozkładu losowego wartości wejściowe.

Eksperymenty symulacyjne zgodne z techniką Monte Carlo polegają na obserwacjach wyników

otrzymanych z modelu. Wyniki są następstwem wielokrotnego losowania wartości zmiennych wejściowych pochodzących z generatora liczb losowych o częstościach zgodnych z założonym (badanym) teoretycznym rozkładem zmiennych losowych (np. rozkładem dyskretnym, o ograniczonej liczbie możliwych stanów). W pracach nad techniką Monte Carlo miał swój udział Stanisław Ulam [194]. Monte Carlo jest techniką numerycznego rozwiązywania równań różniczkowych. Jej zastosowania w zakresie finansów dotyczą głównie wyceny instrumentów pochodnych oraz oszacowania wartości narażonej na ryzyko (value-at-risk) portfela inwestycyjnego [129]. Według Kuziakowej [158] value-at-risk jest to „strata wartości rynkowej taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w zadanym (przewidywanym) przedziale czasowym jest równe zadanemu (przez analityka) poziomowi tolerancji”. Znając wartość value-at-risk można spodziewać się że wartość straty w danym okresie jej nie przekroczy (z danym prawdopodobieństwem). Jak pisze Myerson [211] Value-at-Risk jest miarą ryzyka, rozumianą jako taki poziom zyskowności (przedsięwzięcia) dla którego skumulowane prawdopodobieństwo zyskowności mniejszej niż ten poziom jest nie większe niż przyjęta stosunkowo mała liczba (np. 5%). Wyrażona w ten sposób została reguła, że osiągnięcie odpowiednio wysokiego poziomu zyskowności może być mało prawdopodobne lub że statystycznie rzecz ujmując łatwiej zapewnić niski stopień zyskowności. Monte Carlo jest zwykle traktowana jako ostatnia deska ratunku gdy nie istnieją inne (analityczne) metody znalezienia rozwiązania problemu, ze względu cechującą ją brutalną siłę. Niestety większość problemów z

2-15

zakresu finansów jest na tyle złożonych że technika ta znajduje często zastosowanie. Dzięki zastosowaniu techniki Monte Carlo otrzymuje się zestaw wyników (tablicę) zawierającą wylosowane wartości zmiennych wejściowych oraz odpowiadające im wyniki eksperymentu (w ogólnym przypadku jest to przekształcenie wartości skalarnej (losowanej) w wektor wyników). Analiza wyników eksperymentów może być przeprowadzana np. w celu statystycznej (obejmującej jedną lub więcej wartości statystyk) weryfikacji hipotezy o wartości średniej badanego wyniku. Ważna własność techniki symulacyjnej Monte Carlo polega na tym, że jej precyzja jest proporcjonalna do

pierwiastka kwadratowego liczby badanych wariantów [59], stąd obiecujące efekty daje jej

połączenie z technikami zmniejszania wariancji (variance reduction techniques). Powyższe postępowanie analityczne zgodne jest z ze sformułowanym np. przez Arshama [14] krokami

decyzyjnej analizy kosztów i zysków:

(1) Określenie zbioru dopuszczalnych wariantów decyzyjnych

(2) Przypisanie wartości zysku/straty oraz prawdopodobieństwa każdemu wariantowi decyzyjnemu (3) Wyliczenie wartości oczekiwanej każdego wariantu decyzyjnego

2-16

2.7 Budowa modelu symulacyjnego

2.7.1 Model konceptualny: weryfikacja i walidacja

Na proces powstawania modelu systemu rzeczywistego dla potrzeb eksperymentów symulacyjnych składają się zespoły czynności, wykonywane w odpowiedniej kolejności [325]:

1. Obserwacja zewnętrznych przejawów funkcjonowania systemu rzeczywistego (określenie jaka