ВВЕДЕНИЕ
ГЛАВА 1. ОБЩИЕ ПОДХОДЫ К ПРОЕКТИРОВАНИЮ БАЗ ДАННЫХ В MS ACCESS
Разновидности моделей данных
Проектирование реляционных баз данных
ГЛАВА 2. МЕТОДЫ АНАЛИЗА ДАННЫХ ДЛЯ ОЦЕНКИ ПОКАЗАТЕЛЕЙ ЭФФЕКТИВНОСТИ
РАБОТЫ СОТРУДНИКОВ ОРГАНИЗАЦИИ
2.1. Методы кластерного анализа
2.2. Основы теории нечетких множеств
2.3. Использование искусственных нейронных сетей
ГЛАВА 3. ПРОЕКТИРОВАНИЕ ПРОТОТИПА БАЗЫ ДАННЫХ В MS ACCESS
3.1. Описание ограничений предметной области
3.2. Определение требований к системе через информационные потребности пользователей
3.3. Реализация проекта в среде СУБД MS ACCESS, включая создание пользовательского
приложения
ГЛАВА 4. ПОСТРОЕНИЕ СИСТЕМЫ НЕЧЕТКОГО ВЫВОДА СРЕДСТВАМИ MATLAB
4.1. Связь базы и системы нечеткого вывода
4.2. Определение лингвистических переменных для системы нечеткого вывода и создание блоков
переменных 39
4.3. Описание работы экспертной системы в пакете MATLAB.
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
В настоящее время ни для кого не секрет, что цель любой компании как
производителя товаров или услуг – максимизация прибыли. При этом прибыль напрямую
зависит от уровня цен, величины издержек, объема продаж. И конечно она зависит от той
команды, которая работает над продуктом – от сотрудников.
При этом, для того, чтобы корректно оценивать вклад каждого сотрудника в
отдельности необходимо периодически проводить анализ результатов их работы и оценку
индивидуальной эффективности.
KPI (Key Performance Indicators) Ключевые показатели эффективности – это система
оценки, которая помогает организации определить достижение стратегических и
тактических целей. Их использование дает организации возможность оценить свое состояние
и помочь в оценке реализации стратегий. KPI позволяет производить контроль деловой
активности сотрудников и компании в целом в реальном времени [21].
Целесообразно собирать информацию и проводить оценку эффективности
сотрудников, основываясь на результатах достижения ими личных KPI по разным
параметрам. Однако на данный момент во многих компаниях оценка производится
преимущественно в формате достижения или не достижения поставленной цели, без учета
того, на сколько именно сотрудник приблизился к достижению цели, и не учитывает слабо
формализуемых факторов (таких как сложность работ, загруженность работника и т.д.),
которые всегда присутствуют. Сбор информации для анализа зачастую требует множества
одинаковых действий, которые можно оптимизировать. А информация хранится в
разнородном виде: каждый ведет требуемые записи, но разрозненно и без соблюдения
стандартов, меняя формат и структуру. В связи с этим логика изложения оказывается
противоречивой, что усложняет проведение анализа.
В то же время, единство шаблона для ввода и хранения данных можно обеспечить
единой базой данных, а для последующей работы с собранной информацией использовать
средства интеллектуального анализа данных. В частности, нечетко-множественный анализ
способен дать оценку степени достижения целей, а также учесть плохо формализуемые
критерии, путем введения экспертных оценок.
Для успешной работы любой компании необходимо правильно оценивать работу
сотрудников, так как результат этой оценки способен помочь правильно распределить
нагрузку, определить претендентов на повышение (или на дополнительное обучение) и в
целом показать эффективность использования кадровых ресурсов. А для того, чтобы иметь
возможность оценивать результаты работы, необходимо иметь доступ к фактическим
показателям достижения целей. Для того, чтобы сделать все вышеперечисленное
возможным, в данной работе была поставлена и выполнена цель: спроектировать базу
данных для централизованного хранения целевых показателей на год, а также создать
систему нечеткого вывода для получения итоговых балльных оценок эффективности работы
сотрудников. Поэтапно были выполнены следующие задачи:
1. Определены информационные потребности пользователей проектируемой БД,
сформулированы требования и ограничения предметной области;
2. Создан прототип базы данных для хранения показателей;
3. Определены критерии, по которым будет производиться оценка
эффективности сотрудников, после чего сгруппированы по блокам;
4. В MATLAB Simulink построена система нечеткого вывода показателей
эффективности работы сотрудников на основе выделенных критериев;
5. Работа системы протестирована на данных, собранных в базе, результатом
является ряд балльных оценок 11-и сотрудников по выделенным критериям.
Использование предложенных в работе методов оценки эффективности работы
сотрудников может быть адаптировано под любой другой отдел или компанию. При этом
набор критериев, их описание, а также база правил, по которым работает система, должны
быть скорректированы.
Минько Э. Оценка эффективности коммерческих проектов: Учебное пособие/ Минько
Э., Завьялов О., Минько А. – СПб.: Питер, 2014. — 368с.
2. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие/ Тихонов
Э.Е. - Невинномысск, 2006. — 221 с.
3. Хайкин С. Нейронные сети. Полный курс 2-e изд. Пер. с англ./ Хайкин С. – М.:
Издательский дом "Вильямс", 2006. — 1104 с.
4. Халин В.Г. Теория принятия решений. В 2 т.: учебник и практикум для бакалавриата
и магистратуры/под ред. Халин В.Г., Чернова Г.В., – М.: Издательство Юрайт, 2017. –
431 С. –Серия: Бакалавр и магистр. Академический курс.
5. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учебное пособие/Н.Г.
Ярушкина, – М.: Финансы и статистика, 2004. – 320 с.
6. Яськов С.Н. Введение в нейронное и когнитивное моделирование. Полный курс 2-e
изд. Пер. с англ./ Яськов М.Ф., 2000
7. Байченко А.А., Байченко Л.А., Арет В.А. Применение нечеткой логики в управлении
предприятием пищевой промышленности / Байченко А.А., Байченко Л.А., Арет В.А. //
Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент» №
3, 2014
8. Владимирова Д. Б., Кокшарова А. А. Прогнозирование финансовых рынков
искусственными нейронными сетями / Владимирова Д. Б., Кокшарова А. А. // Science
and business: development ways
9. Гордей М.П., Смоляк Н.В. Разработка базы данных «Автозаправки» в среде MS
Access / Гордей М.П., Смоляк Н.В. // Современные инновационные технологии и
проблемы устойчивого развития общества. Материалы X международной научнопрактической конференции. Cборник научных статей участников конференции. 2017
10. Забоев М.В., Мелешкин М.И. Оценка перспектив вхождения российских
университетов в первую сотню ведущих мировых университетов с использованием
нейросетевых методов кластеризации данных / Забоев М.В., Мелешкин М.И. //
Прикладная информатика Vol. 10. No. 3 (57). 2015 С. 52 – 61.
11. Кузькин А.А. Оценивание показателей эффективности и результативности ИТпроцессов с использованием гибридных нейро-нечетких сетей / Кузькин А.А. //
Интернет-журнал «Науковедение», 201445
12. Курбанов М.К., Ибаев Ж.Г. Общие сведения о базе данных гидрогеологических
параметров артезианских скважин в приложении Microsoft Access / Курбанов М.К.,
Ибаев Ж.Г. // Труды Института геологии Дагестанского Научного Центра РАН
13. Новаков Р.М., Таскин В.В., Сидоров М.Д., Паламарь С.В. Разработка базы данных
Шанучского месторождения (Камчатка) в среде Microsoft Access / Новаков Р.М.,
Таскин В.В., Сидоров М.Д., Паламарь С.В. // Вестник Камчатской регональной
организаци учебно-научный центр. Серия: Науки о земле
14. Поворознюк А.И., Чикина Н.А., Антонова И.В. Нечеткая экспертная система прогноза
риска развития профессионально обусловленных заболеваний / Поворознюк А.И.,
Чикина Н.А., Антонова И.В. // Вестник Национального технического университета
Харьковский политехнический институт. Серия: Информатика и моделирование №
31, 2010. С127 – 132
15. Полковникова Н.А., Курейчик В.М. Разработка модели экспертной системы на основе
нечёткой логики / Полковникова Н.А., Курейчик В.М. // Известия Южного
федерального университета. Технические науки № 1 (150), 2014. С 83 – 92
16. Пономаренко И.К., Надвоцкая В.В. Технологии создания базы данных в ACCESS на
примере базы данных органов опеки и попечительства / Пономаренко И.К.,
Надвоцкая В.В. // Ползуновский альманах