مفهوم ترسیم درخت تصمیم فازی در تدوین استراتژی چیست؟

مفهوم ترسیم درخت تصمیم فازی در تدوین استراتژی چیست؟

ما در این مقاله قصد داریم به بررسی تاثیر و نقش درخت تصمیم فازی در تدوین استراتژی بپردازیم. همچنین دریابیم که برای ترسیم درخت فازی، از چه نمودارها و مدل هایی می توان استفاده کرد تا مبنایی برای تصمیم گیری شود. همچنین در ادامه نیز به ارائه توضیحاتی در خصوص مدل CART و ID3 خواهیم پرداخت و در مورد مزایا و معایب آنها اطلاعاتی ارائه خواهیم نمود.

مقدمه ای در خصوص درخت تصمیم فازی در تدوین استراتژی

عدم قطعیت و زمان، در فرآیند برنامه ریزی استراتژیک بسیار نقش مهمی دارد. در دنیای متغیر امروز، نیاز به یک استراتژی مناسب با شرایط متغیر محیطی بسیار احساس می شود. همچنین رویکردهای کلاسیک تدوین استراتژی نیز، از قابلیت پاسخگویی مناسب و سریع به نیازهای سازمانی در محیط متغیر برخوردار نیستند.

درخت تصمیم فازی در تدوین استراتژی که از ترکیب تئوری مجموعه های فازی و الگوریتم ID3 تشکیل شده است، یک مدلی سیستماتیک مناسب ارائه می کند. سازمان ها با استفاده از آن می توانند در برابر تغییرات محیطی، واکنش مناسب و سریعی انجام دهند. همچنین این رویکرد، امکان توانایی کار با متغیرهای کلامی را نیز آسان نموده است.

متغیرهایی که انسان ها برای استفاده از آن و درک آن، نیاز به دانش بسیار بالایی خواهند داشت. این رویکرد به دلیل فازی بودن، توانایی آن را دارد که با عدم قطعیت برخورد کرده و با در نظر گرفتن حالت های مختلف در پایگاه های داده ای، در برخورد با تغییرات محیطی واکنش مناسبی داشته باشد.

رویکردی جدید در تدوین استراتژی

رویکرد درخت تصمیم فازی در تدوین استراتژی ابتدا تمامی صفات اصلی که در تدوین استراتژی دخیل هستند را شناسایی می کند و سپس پایگاه داده و درختی را ایجاد نموده و اقدام به محاسبه آنتروپی صفات می نماید، تا پایگاه قوانین را حاصل نماید. در نهایت با فازی سازی تمام خروجی ها( استراتژی ها) و ورودی ها( صفات)، اقدام به ارائه سیستم استنتاج فازی اولویت بندی استراتژیک ها می نماید.

در واقع برنامه ریزی استراتژیک، در موفقیت سازمان ها در محیط پرتلاطم و متغیر امروز، نقش کلیدی را ایفا می کند. همچنین در صورت تدوین درست استراتژی و اجرای دقیق آن، سازمان ها می توانند در عرصه رقابت به موفقیت و پیشتازی دست یابند. این نکته را به خاطر داشته باشید که در فرآیند برنامه ریزی استراتژیک، عدم قطعیت و زمان نقش بسیار مهمی را ایفا می کند.

قابلیت پاسخگویی سریع به نیاز شرکت ها و سازمان ها

هیچ کدام از رویکردهای کلاسیک تدوین استراتژی، در محیط متغیر امروز توانایی و قابلیت پاسخگویی سریع به نیازهای سازمان ها را ندارند. در واقع آنها با تغییر سریع شرایط محیط بیرونی و درونی سازمان ها، به طور کلی کارایی خود را از دست خواهند داد. تمامی این رویکردها، بر مبنای پیش بینی های قطعی از آینده به تدوین استراتژی اقدام می کنند.

تحلیل ها و پیش بینی های تجارب گذشته و شرایط کنونی، به منظور ترسیم روند آینده و مسیر حوادث پیش رو مورد استفاده قرار می گیرند. از این رو هر چه محیط آشفته تر باشد و نرخ تغییرات سریع تر، احتمال عدم تحقق این پیش بینی ها نیز بیشتر خواهد شد. لذا، ارائه یک روش که بتواند این مشکل را حل کند، بسیار ضروری به نظر می رسد.

در این مقاله روش درخت تصمیم فازی در تدوین استراتژی به عنوان یک روش سیستماتیکی و جدید معرفی می شود که از ترکیب درخت تصمیم ID3 و تئوری مجموعه های فازی تشکیل شده است. در ادامه به معرفی و روش شناسی این رویکرد بیشتر خواهیم پرداخت.

[restrict paid=”true”]

منظور از درخت تصمیم فازی چیست؟

توسعه تکنیک های یادگیری اتوماتیک و تکنولوژی های روز کامپیوتری، به تصمیم گیری کاراتر و آسان تر کمک شایانی خواهد نمود. در دامنه یادگیری ماشینی، همیشه در جایی که کامپیوترها تصمیم گیرنده هستند و یا آنها پیشنهاداتی را برای تصمیم گیری درست ارائه می کنند، از تکنیک های تصمیم گیری رویکردهای بسیار زیادی وجود دارد.

از جمله این رویکردها باید به شبکه های عصبی مصنوعی، درخت تصمیم فازی در تدوین استراتژی و … اشاره کنیم. درخت تصمیم فازی، در اصل یک روش بازنمایی دانش به منظور ارائه شیوه ای برای ارائه پایگاه قانونی است. همچنین این درخت فراگیر، یکی از روش های استنتاج استقرایی با کاربردی وسیعی و روشی  مناسب برای تخمین توابع هدف گسسته نیز می‌باشد؛ که امکان نمایش تابع فراگیر را نیز میسر می سازد.

مزایا و کاربرد درخت تصمیم فازی در تدوین استراتژی چیست؟

از رویکرد درخت فازی می توان در زمینه های مختلفی استفاده کرد. از جمله طبقه بندی الگوها، شناسایی الگوها، کلاسه بندی، سیستم های خبره، سیستم های پشتیبانی تصمیم گیری و … . زیرا این درخت تصمیم در مقایسه با دیگر متدها از جمله ماکزیمم احتمال، از سرعت بیشتری برخوردار است.

همچنین در شرایطی که فضای نمونه بزرگ است، در کنار مهیا کردن آسان داده، افراد غیر فنی می توانند درک آسان تری نیز از آن داشته باشند. دیگر مزیتی که می توانیم برای درخت تصمیم فازی بیان کنیم، طبقه بندی هر دو نوع داده های رتبه ای و عددی است.

درخت تصمیم فازی در تدوین استراتژی در زمینه های مدیریت مالی (در تبادلات و معاملات)، بررسی اداری، اطلاعات بازار بورس، مدیریت قوانین کسب و کار (آنالیز کیفیت پروژه، مطالعه امکان سنجی، مدیریت کیفیت محصول)، علوم محیطی (تجزیه و تحلیل کیفیت محیط، بررسی فاجعه، تجزیه و تحلیل منابع یکپارچه)، بانکداری و بیمه (پیش بینی و بررسی ریسک)تصمیم گیری در تشخیص و انتخاب درمان مناسب و موارد دیگر، به صورت موفقیت آمیزی مورد استفاده قرار می گیرد.

مهمترین مزیت استفاده از درخت تصمیم فازی در تدوین استراتژی را باید نشان دادن راه حل ها بیان کنیم. این درخت سه راه حل کلی را نشان می دهد که عبارتند از:

1. هر گره برگ، نشان دهنده یک کلاس است.
2. هر گره داخلی، آزمایش کننده یک صفت است.
3. هر شاخه، با ارزش صفت مطابق است.

درخت تصمیم فازی چه معایبی دارد؟

از مهمترین معایبی که می توانیم برای درخت تصمیم فازی بیان کنیم، باید به بی ثباتی آن اشاره کرد. این درخت تنها با اندک اغتشاشی در داده های آموزشی همچون طبقه بندی کننده، دچار بی ثباتی می شود. ساختار این درخت، با تغییر جزئی در مجموعه داده ها امکان پذیر است و به کلی دچار دگرگونی می شود.

در مواردی که نیاز به تصمیمات عددی یا رقمی است، دیگر درخت تصمیم فازی در تدوین استراتژی قابلیت استفاده نخواهد داشت. البته برخی از دانش پژوهان برای غلبه بر این مشکل، استفاده از درخت فازی را پیشنهاد نموده اند.

الگوریتم یا مدل ID3 در درخت تصمیم فازی

از میان انواع خاصی از الگوریتم های ایجاد کننده درخت تصمیم فازی در تدوین استراتژی، باید به الگوریتم های CART و ID3 اشاره کنیم. از متداول ترین روش هایی که می توان یادگیری نمادین انجام داد، استقرای درخت فازی است که برای نخستین بار توسط کوئینلن با عنوان الگوریتم ID3 توسعه داده شد. البته این الگوریتم با عنوان 3 نوع تشخیص دهنده متعامل نیز شناخته می شود.

ID3 در اصل یک روش رایج و کارا در تقسیم بندی داده های نمادین و سمبلیک است که مناسب برای کار با داده های عددی نیست. استفاده از این الگوریتم برای ایجاد درخت فازی اثبات شده است؛ تا یک الگوریتم موثر و عمومی برای ساخت درخت های فازی از مجموعه داده هایی با مقادیر مختلف و گسسته باشد.

ID3 و CART هر دو الگوریتم های مهمی هستند که با تقسیمات مکرر کار کرده و ایده اصلی استفاده از آنها، تقسیم فضای نمونه به سبک داده کاوی است. مهمترین ویژگی این الگوریتم ها آن است که هر دو سعی دارند در کنار بهبود کیفیت تصمیم، اندازه درخت را نیز به حداقل برسانند. این دو نوع درخت با یکدیگر تفاوت هایی نیز دارند.

در دامنه های گسسته با مقادیر کم، معمولا از ID3 استفاده می شود و مزیت بزرگی است که قابلیت درک دانش به دست آمده را در سازمان افزایش می دهد. همچنین در درخت ID3 هر صفتی تنها یکبار در مسیر رویش درخت قرار می گیرد. این مسئله به قابل فهم تر شدن دانش به دست آمده نیز کمک بیشتری می نماید. ایجاد و ساخت درخت فازی با حداقل عمق، در اصل هدف ساخت درخت با الگوریتم ID3 است.

الگوریتم CART در درخت تصمیم فازی در تدوین استراتژی

الگوریتم CART که در ترکیب درخت فازی وجود دارد، نیازی به تقسیم بندی اولیه ندارد. شرایط بسط درخت به صورت دینامیکی و بر اساس آستانه ها( برای دامنه های پیوسته) محاسبه می گردد. این صفت را می توان در درخت بیش از یکبار و با آستانه های مختلفی مورد استفاده قرار داد.

البته باید بگوییم تعداد آستانه های ممکن، برابر با تعداد نمونه های آموزشی خواهند بود. زیرا درخت تصمیم فازی از بردارهایی که گره ها را به هم متصل می کنند و گره ها تشکیل شده است. برای اتخاذ تصمیم باید از گره ریشه شروع کرد و سپس لازم است برای تعیین اینکه بسط درخت در کدام شاخه ادامه دارد، اقدام نمود تا زمانی که به گره برگ رسیده و تصمیم مورد نظر اتخاذ شود. ساده ترین درخت ها ممکن است تنها از یک گره برگ برخوردار باشند.

درخت تصمیم فازی در تدوین استراتژی با انتخاب صفتی که مقدار ماکزیمم اطلاعات دو جانبه را کسب می کند، ایجاد می شود. برای این که بتوان درخت تصمیم ID3 را ساخت، لازم است از گره ریشه آغاز کرد و برای این کار از بین صفات، نیاز به صفتی است که از کمترین مقدار آنتروپی برخوردار است؛ یا این که می توان بیشترین اطلاعات را از آن به دست آورد. این موارد را باید انتخاب کرده و در گره ریشه قرار داد.

نحوه استفاده از الگوریتم اجرایی درخت تصمیم

صفت هدف، صفات و نمونه ها در ID3 به چه صورت تعریف می شوند؟ این موارد ملزومات یادگیری در درخت تصمیم فازی ID3 هستند. در زیر به آنها اشاره خواهیم نمود:

صفت هدف: این صفتی است که مقدار آن توسط درخت تصمیم پیش بینی شده است.

صفات( خصیصه ها): لیستی از دیگر صفات که ممکن است با درخت تصمیم تست گردند.

نمونه ها: این نمونه ها از جمله نمونه های آموزشی به شمار می روند.

• گره ریشه درخت را ایجاد می کند.
• در صورت مثبت بودن همه نمونه ها، درخت تک گرهی با علامت پلاس( +) حاصل می گردد.
• در صورت منفی بودن همه نمونه ها، درخت تک گرهی با علامت منفی(-) حاصل می گردد.
• در صورت عدم وجود صفاتی برای بسط درخت موجود، باید به ریشه تک گرهی بازگشت با رایج ترین علامت صفت هدف در نمونه ها.

در غیر این صورت آغاز کنید:

• بهترین صفتی که به عنوان نمونه طبقه بندی کننده است را، A بگذارید.
• A را به عنوان صفت تصمیم برای ریشه قرار دهید.
• برای هر مقدار ممکن Vi نیز، از A استفاده کنید.
• شاخه جدید درخت را در زیر ریشه و مطابق با صفت آزمون Vi=A اضافه کنید.
• مثال های (vi) را در زیر مجموعه مثال های A که دارای مقدار vi هستند، قرار دهید.
• اگر مثال های vi خالی بودند،
• آنگاه گره برگ را در زیر این شاخه اضافه کنید با رایج ترین علامت صفت هدف در نمونه ها…
• در غیر این صورت شاخه جدید به زیر درخت افزوده خواهد شد.
• پایان
• برگردید به ریشه ها

آنتروپی در تدوین درخت تصمیم

در تئوری اطلاعات، آنتروپی در اصل میزان عدم قطعیت درباره منبع پیام را نشان می دهد. اولین بار آنتروپی توسط شانون در سال 1948 ارائه گردید و رابطه زیر فرمول آن را نشان می دهد:

H(P(x) | XeX) =-= P(x)log.P(x)

در آن P x | xeX  توزیع احتمال مجموعه محدود X است.

متدولوژی در درخت تصمیم فازی در تدوین استراتژی

در این بخش ما به بیان فرایند ساخت درخت تصمیم با استفاده از تکنیک های جدولی رویکرد کلاسیک و نحوه ایجاد پایگاه قوانین و دانش خواهیم پرداخت. در مرحله نهایی نیز، چگونگی ترکیب آنها را با تئوری مجموعه های فازی و استفاده از سیستم استنتاج فازی تشریح خواهیم نمود. این فرایند از دو قسمت تشکیل می شود که عبارتند از:

الف) طراحی درخت تصمیم ID

ب) اجرای سیستم استنتاجی فازی و تعیین استراتژی

در مرحله الف ما از الگوریتم ID3 استفاده می کنیم که توانایی کار با متغیرهای رتبه ای و نمادین را دارد. در مرحله ب نیز از تئوری مجموعه های فازی و نرم افزار MATLAB برای تدوین استراتژی های مطلوب استفاده می کنیم. در ادامه هر یک از این مراحل را شرح خواهیم داد.

طراحی درخت تصمیم فازی ID

درخت تصمیم فازی در تدوین استراتژی معمولا در طی 4 مرحله طراحی می شود که هر یک از این مراحل عبارتند از:

• تعیین صفاتی که در تدوین استراتژی طراحی درخت تصمیم دخیل هستند

در این مرحله با توجه به تکنیک های جدولی از جمله ماتریس SPACE، ماتریس BCG و ماتریس GE عوامل موثر در تدوین استراتژی تعیین می گردد. هر یک از این عوامل دارای صفات خاصی هستند که می توان به وسیله آنها استراتژی های مطلوب را تعیین کرد. مقادیر هر یک از این عوامل، با استفاده از متغیرهای رتبه های و زبانی( کم، زیاد، متوسط) و طیف های دلخواه دیگر بیان می گردند.

متغیرهایی که مقادیر آنها جملات یا کلمات زبان طبیعی یا مصنوعی هستند را باید متغیرهای زبانی بنامیم. مثلا صفات موجود در ماتریس SPACE، عبارتند از توان مالی، استحکام صنعتی، ثبات محیطی و مزیت رقابتی که مقادیر هر یک از این موارد، با متغیرهای زبانی دلخواهی همچون زیاد، کم، و متوسط بیان می گردند.

ایجاد پایگاه دانش در طراحی درخت فازی

پس از آنکه صفات دخیل در تدوین استراتژی را تعیین نمودیم، نوبت به تشکیل پایگاه داده خواهد رسید. در این مرحله، هر ورودی یا صفت را در هر یک از مقادیر به همراه مقادیر دیگر صفات در حالت های مختلف، در نظر می گیریم و با اخذ نظر خبرگان، استراتژی های مناسب یا همان کلاس ها را بسته به چشم انداز و ماموریت سازمان مورد نظر، تعیین می نماییم.

بازنمایی دانش و کسب دانش در سیستم های خبره ارتباط تنگاتنگی با هم داشته و هر دوی آنها از اهمیت بسیار بالایی برخوردارند. اخذ دانش می تواند وقت گیر و بسیار مشکل باشد. از این رو برخی آن را روند تولید یک سیستم خبره گلوگاه می دانند. در اخذ دانش، به صورت مستقیم با شخص خبره برای کسب دانش در حوزه مورد نظر ارتباط برقرار می شود که این مسئله کار آسانی نیست.

تکنیک های اخذ دانش را باید در دو روش بیان کنیم که عبارتند از:

• مراجعه به اطلاعات و مستندات آماری در حوزه مورد نظر که موجود است.
• کسب دانش مستقیم از شخص و اشخاص خبره

هر دوی این روش ها به صورت وسیع و گاهی به صورت همزمان در یک سیستم خبره، بر پایه قانون مورد استفاده قرار می گیرند.

طراحی و ساخت درخت تصمیم فازی آی. دی 3

برای طراحی درخت فازی ID3، در مرحله اول باید از پایگاه داده ای که در مرحله قبل تکمیل شده است اقدام به قرار دادن آنتروپی هر یک از صفات موجود در ماتریس انتخاب از مرحله اول با توجه به فرمول، به منظور تعیین گره ریشه محاسبه و صفت با کمترین میزان آنتروپی در گره ریشه نمود.

این روند تا رسیدن به گره برگ در تمامی حالات متغیرهای کلامی باید ادامه یابد. همچون کم، زیاد و متوسط برای هر یک از صفات. در ادامه این روند، هر یک از صفات به عنوان یک گره انتخاب شده، پایگاه داده کوچکتر با حذف کردن گره در شاخه مورد نظر تشکیل شده، مجددا آنتروپی صفاتی که باقی مانده اند بسته به پایگاه داده های جدید محاسبه می گردند. سپس کوچکترین مقدار در گره جدید قرار می گیرد و این جریان تا زمانی که آنتروپی به صفر برسد یا تمام صفات به اتمام برسند ادامه خواهد داشت.

نتیجه گیری از مقاله درخت تصمیم فازی در تدوین استراتژی؛ رویکرد نوین

رویکرد درخت فازی در واقع یک رویکرد محاسباتی نرم در علوم رایانه ای و هوش مصنوعی است. با بررسی صورت بندی آن می توان دریافت که استفاده از آن در تصمیم گیری های مدیریتی و حل مسائل برنامه ریزی استراتژیک، امکان پذیر خواهد بود. در این مقاله ما متدولوژی درخت تصمیم را به گونه ای تدوین شده بیان نمودیم، که نشان می دهد می توان از این دانش علوم رایانه ای در حوزه های مختلف مدیریتی استفاده کرد.

مقاله درخت تصمیم فازی در تدوین استراتژی به دنبال ارائه روشی جدید برای تدوین استراتژی است، که بتوان با استفاده از آن مشکلات رویکردهای سنتی و کلاسیک را در تدوین استراتژی، در برخورد با عدم توانایی و عدم قطعیت در واکنش به موقع و سریع در برابر تغییرات محیطی را برطرف کرد.

رویکرد درخت فازی در اصل مدل سیستماتیکی ارائه می کند که سازمان ها با استفاده از آن، قادر هستند در برابر تغییرات آشفته محیطی یک واکنش سریع داشته باشند. از آنجایی که این رویکرد فازی است، می تواند با عدم قطعیت برخورد نماید و با در نظر گرفتن حالات مختلف در پایگاه داده، با تغییرات محیطی واکنش به موقع و سریعی داشته باشد.

در نهایت نیز باید به یکی دیگر از مزایای استفاده از درخت تصمیم فازی در تدوین استراتژی در سازمان ها اشاره کنیم، آن هم توانایی تحلیل متغیرهای زبانی یا کلامی است، که دانش به دست آمده از آن برای انسان ها قابلیت درک بسیار بالایی خواهد داشت. اولویت بندی استراتژی ها، عدم نیاز به داده های دقیق و کامل، تشکیل پایگاه داده با استفاده از ماتریس های رویکرد کلاسیک و حفظ ماهیت اصلی تمامی این ماتریس ها و در نهایت بهینه سازی صفاتی که در آنها دخیل هستند، همگی در کنار تدوین استراتژی با روش محاسبه آنتروپی، از جمله مزایای دیگر این رویکرد به شمار می رود.

در اصل سازمان هایی که از درخت تصمیم فازی در تدوین استراتژی استفاده می کنند، می توانند به خوبی اطلاعات به دست آمده را برای اتخاذ تصمیم مناسب مورد استفاده قرار دهند. این فرایند منجر می شود تا آنها از دیگر رقبای خود پیشی گرفته و به نتایج عالی تر و بهتری دست یابند.

[/restrict]