Produktu kvalitātes vadība un vadības lēmumu pieņemšana. Mūsdienu zinātnes un izglītības problēmas

1

Darbā aplūkota lēmumu atbalsta problēma produktu kvalitātes vadībā. Lai to efektīvi atrisinātu, tiek piedāvāta konceptuāla pieeja patērētāju apmierinātības pētījumam, pamatojoties uz padziļinātu analīzi par patērētāju atsauksmēm, kas ievietotas internetā dabiskā valodā, izmantojot mākslīgā intelekta (AI) tehnoloģijas. Izmantotie AI rīki ir teksta ieguve, sentimenta analīze, aspektu sentimenta analīze, datu ieguve un mašīnmācīšanās. Specializētie interneta resursi tiek izmantoti kā datu avoti patērētāju atsauksmju uzkrāšanai, piemēram, tophotels.ru. Pamatojoties uz izstrādāto pieeju, ir ieviests lēmumu atbalsta sistēmas prototips, kas ļauj veikt kvalitatīvu un kvantitatīvu klientu apmierinātības izpēti. Lai novērtētu piedāvātās pieejas efektivitāti, tika veikts eksperiments, lai veiktu kvantitatīvu un kvalitatīvu viesnīcu klientu apmierinātības pētījumu. Iegūtie rezultāti liecina par piedāvātās pieejas efektivitāti lēmumu atbalstam produktu kvalitātes vadībā un perspektīvu tās izmantošanai klasisko patērētāju apmierinātības kvantitatīvā un kvalitatīvā pētījuma metožu vietā.

sentimenta analīze

lēmuma atbalsts

produktu kvalitātes vadība

1. GOST R 54732-2011/ISO/TS 10004:2010 Kvalitātes vadība. Klientu apmierinātība. Uzraudzības un mērījumu vadlīnijas. – M.: Standartinform, 2012. - 28 lpp.

2. Interneta resurss, kas veltīts kūrorta un viesnīcu biznesam [Elektroniskais resurss] - Piekļuves režīms: http://www.tophotels.ru.

3. Pazeļskaja A., Solovjevs A. Metode emociju noteikšanai tekstos krievu valodā // Datorlingvistika un intelektuālās tehnoloģijas. sestdien zinātniskie raksti / Vol. 10 (17). - M.: Krievijas Valsts humanitāro zinātņu universitātes izdevniecība, 2011. - P. 510-522.

4. Yusupova N. I., Bogdanova D. R., Boyko M. V. Pieeja sentimenta analīzes izmantošanai tekstos krievu valodā, pamatojoties uz mašīnmācīšanos // IMMM 2012: otrā starptautiskā konference “Advanced Technologies for Information Extraction and Management”, Venēcija, Itālija. - 2012. - 8.-14.lpp.

5. Yusupova N. I., Bogdanova D. R., Boyko M. V. Algoritmika un programmatūra īsziņu sentimenta analīzei, izmantojot mašīnmācīšanos // Vestnik UGATU. - 2012. - T. 16, Nr.6(51). - 91.-99.lpp.

6. Nasukawa T., Yi J. Sentimenta analīze: labvēlības uztveršana, izmantojot dabiskās valodas apstrādi // Proceedings of the 2nd international Conference on Knowledge capture, Florida, USA, 2003. gada 23.–25. oktobris. - 70.–77. lpp.

7. Pang B., Lee L. Viedokļu ieguve un sentimenta analīze. Informācijas izguves pamati un tendences. - Vol. 2, Nr. 1-2. - 2008. -135 lpp.

8. Pang B., Lee L. Thumbs up? Sentimenta klasifikācija, izmantojot mašīnmācīšanās metodes // Dabas empīrisko metožu konferences materiāli. Valodu apstrāde (EMNLP). - Filadelfija. - 2002. - 79.-86.lpp.

Ievads

Lai nodrošinātu produktu kvalitāti, uzņēmumam ir jāpieņem efektīvi vadības lēmumi. Vadības lēmumu izstrādei un pieņemšanai jābalstās uz zināšanām un modeļiem, kas iegūti, analizējot savākto informāciju. Uzņēmumiem šāda informācija ir informācija par patērētāju apmierinātības pakāpi (PS), kas tiek izteikta patērētāju viedokļu veidā par produktu kvalitāti. Tāpēc, vadot kvalitāti, galvenā informācija, no kuras ir atkarīga noteiktu lēmumu pieņemšana, ir klientu apmierinātība.

Lai vāktu datus un novērtētu PM, starptautiskais kvalitātes standarts ISO 10004 iesaka izmantot šādas metodes: personiskās intervijas, telefonintervijas, diskusiju grupas, korespondentu (aptaujas anketas) izpēti un tiešsaistes aptaujas (anketas). Kopīgs ieteikto metožu trūkums ir nepieciešamība veikt lielu roku darbu: aptaujas jautājumu sagatavošana, respondentu bāzes atlase, anketas izsūtīšana un rezultātu apkopošana, personīgo interviju veikšana, ziņojuma sagatavošana par rezultātiem. Tas viss rada lielākas pētniecības izmaksas. Arī to raksturīgā diskrētā rakstura dēļ metodes neļauj nepārtraukti uzraudzīt UE līmeni. Šī iemesla dēļ datu analīze ir ierobežota ar vienu laika posmu un nesniedz ieskatu PM tendencēs un dinamikā. Ciet arī vadības lēmumu pieņemšanas savlaicīgums, kas ir atkarīgs no attiecīgo datu par patērētāju viedokļiem saņemšanas biežuma.

Jautājumi rodas no esošajām PM novērtēšanas skalām un respondentu uztveres subjektivitātes. Iegūtie PM novērtējumi tiek izteikti abstraktu apmierinātības indeksu veidā, kurus ir grūti saprast, salīdzināt un interpretēt rezultātus. ISO 10004 standartā ieteiktās savākto datu analīzes metodes ļauj identificēt tikai lineāras attiecības.

Pētījuma mērķis ir palielināt izstrādes un lēmumu pieņemšanas procesa efektivitāti, pārvaldot preču un pakalpojumu kvalitāti. Šajā rakstā, lai uzlabotu produktu kvalitātes pārvaldības efektivitāti, mēs piedāvājam pieeju lēmumu atbalstam, pamatojoties uz PM izpēti, izmantojot AI tehnoloģijas.

Piedāvātā pieeja lēmumu pieņemšanai

Piedāvātā pieeja vadības lēmumu pieņemšanas atbalstam produktu kvalitātes vadībā tiek īstenota, apvienojot metodes un algoritmus datu vākšanai un apstrādei par PM vienotā viedo lēmumu atbalsta sistēmā (ISDS). Ar ISDS palīdzību izstrādātā produktu kvalitātes vadības shēma ir parādīta 1. attēlā. Galvenie kvalitātes vadības procesa dalībnieki: produktu patērētāji un lēmumu pieņēmējs (DM). Pārvaldības objekts tiek saprasts kā sniegto pakalpojumu kvalitāte, no kuras ir atkarīga uzņēmuma efektivitāte. Vadības subjekts tiek saprasts kā lēmumu pieņēmējs, kurš pieņem lēmumus, lai uzlabotu pakalpojumu kvalitāti. Kontrolējošā ietekme attiecas uz vadības lēmumiem, kas ietekmē pakalpojuma kvalitāti, piemēram, preču modernizācija, darījumu partneru atlase, cenu politikas noteikšana, noteiktas kvalifikācijas personāla atlase, inovāciju ieviešana, pakalpojumu līmeņa paaugstināšana, pakalpojumu sniegšana. resursi utt. Lēmumu izstrādes un pieņemšanas process tiek nodrošināts ar intelektuālo lēmumu atbalsta sistēmu (DSSS) palīdzību. Saskaņā ar shēmu uzņēmums ražo preces vai pakalpojumus un piegādā tos patērētājiem. Pēc to lietošanas patērētāji savus viedokļus par preču kvalitāti publicē internetā teksta atsauksmju veidā. IDSPR automātiski apkopo pārskatus, notīra tos un ielādē datu uzglabāšanas apakšsistēmā. IDSPR datu analīzes apakšsistēma apstrādā pārskatus, novērtē programmatūru un iegūst zināšanas. Atgriezeniskās saites analīzes rezultāti tiek vizualizēti lietotāja mijiedarbības apakšsistēmā. Pamatojoties uz iegūtajiem rezultātiem, lēmumu pieņēmējs pieņem vadības lēmumus, lai uzlabotu pakalpojumu kvalitāti.

1. attēls. Pakalpojumu kvalitātes vadības shēma, izmantojot ISDS

2. attēlā parādīts IDSPR darbības algoritms. Tas sastāv no četriem galvenajiem posmiem. Pirmajā posmā ir procedūras atsauksmju apkopošanai no interneta resursiem, datu tīrīšanai un ielādēšanai datu bāzē. Otrajā posmā apkopotās atsauksmes tiek apstrādātas un analizētas. Tas ietver atsauksmju atzīmēšanu pēc to emocionālā toņa (piemēram, negatīvā un pozitīvā), produkta aspektu identificēšanu un atsevišķu apgalvojumu par aspektiem toņa noteikšanu. Pēc datu apstrādes posma, izmantojot vizualizācijas rīkus, tiek veikta programmatūras programmas kvantitatīva izpēte. Kvalitatīvais PM pētījums tiek veikts, konstruējot modeļus, pamatojoties uz lēmumu kokiem, kur pārskata noskaņojums darbojas kā atkarīgais mainīgais, un noskaņojuma paziņojumi par produkta aspektiem ir neatkarīgi mainīgie. Pamatojoties uz veikto pētījumu, tiek izstrādāti un pieņemti vadības lēmumi.

2. attēls - Inteliģentas lēmumu atbalsta sistēmas darbības algoritms

Lietišķās mākslīgā intelekta tehnoloģijas

Datu vākšana. Mūsdienās ir pieejams liels skaits interneta resursu, kuros lietotāji var atstāt atsauksmes par produktiem un pakalpojumiem. Populārākie piemēri ir tophotels.ru (635 tūkstoši atsauksmju), yelp.com (53 miljoni atsauksmju), tripadvisor.com (ceļojumi, 130 miljoni atsauksmju). To kā datu avota priekšrocība programmatūras programmu novērtēšanai ir to mērķis — patērētāju atsauksmju uzkrāšana. Atšķirībā no sociālajiem tīkliem interneta datu bāzu lapās tiek izmantots XML marķējums, kas nosaka apskatam raksturīgo struktūru. Šī struktūra satur atsevišķus blokus ar produkta vai uzņēmuma nosaukumu, pārskatu un citus blokus ar papildu informāciju. Tas ievērojami vienkāršo datu vākšanas procesu un novērš atslēgvārdu neskaidrības problēmu. Vēl viena priekšrocība ir tā, ka daudzos šādos resursos ir recenziju mērenība un autora objektivitātes apstiprinājums.

Ir divi galvenie veidi, kā vākt datus no tiešsaistes patērētāju atsauksmju resursiem: 1) izmantojot API (lietojumprogrammu saskarni) un 2) tīmekļa parsēšanu. API ir gatavu rīku kopums - klases, procedūras, lietojumprogrammas (interneta resursa) nodrošinātās funkcijas izmantošanai ārējos programmatūras produktos. Diemžēl dažiem resursiem, kas uzkrāj atsauksmes, ir savs API. Šajā gadījumā, lai apkopotu pārskatus, varat izmantot otro datu vākšanas metodi - tīmekļa parsēšanu. Tīmekļa parsēšana attiecas uz automatizētas analīzes un satura apkopošanas procesu no jebkura interneta resursa html lapām, izmantojot īpašas programmas.

Recenziju sentimenta analīze. Kad dati ir savākti un notīrīti, varat sākt to apstrādi, izmantojot teksta ieguves rīkus. Lai novērtētu autora apmierinātību ar produktu, darbā tiek izmantota sentimenta analīze. Tonalitāte jeb sentiments tiek saprasts kā emocionāls autora viedokļa novērtējums saistībā ar tekstā apspriesto objektu.

Sentimenta analīzei ir trīs galvenās pieejas: 1) lingvistiskā, 2) statistiskā, 3) kombinētā. Lingvistiskās pieejas pamatā ir noteikumu un toņu vārdu krājuma pielietošana. Tas ir diezgan darbietilpīgs, jo ir nepieciešams sastādīt toņu vārdnīcas, veidnes un veidot noteikumus tonalitātes noteikšanai. Bet galvenais pieejas trūkums ir neiespējamība iegūt kvantitatīvu noskaņojuma novērtējumu. Statistiskās pieejas pamatā ir uzraudzītas un neuzraudzītas mašīnmācīšanās metodes.

Šajā darbā izmantota pieeja, kuras pamatā ir uzraudzītas mašīnmācīšanās metodes – naivs Bayes klasifikators un atbalsta vektora mašīna. Tos ir diezgan vienkārši ieviest programmatūrā, un tiem nav nepieciešams izveidot lingvistiskos analizatorus vai sentimentu vārdnīcas. Teksta sentimenta novērtēšanu var izteikt kvantitatīvi. Lai izmantotu šīs metodes, tika izveidots apmācību komplekts. Lai aprakstītu funkciju telpu, tika izmantots apskata teksta vektora attēlojums, izmantojot “vārdu maisa” modeli. Binārie vektori tika uzskatīti par pazīmēm - vārda esamību vai neesamību pārskata tekstā un biežuma vektori - vārda atkārtojumu skaitu pārskata tekstā. Tika izmantota arī lematizācijas procedūra, kas visus recenzijas vārdus ieguva sākotnējā formā. Sīkāka informācija par šajā darbā izmantotajām mašīnmācīšanās metodēm ir atrodama darbos.

Aspektuālā sentimenta analīze. Darbā tiek izmantota apgalvojumu par aspektiem toņu analīze jeb aspektu sentimenta analīze. Sentimenta aspekts attiecas uz īpašībām, atribūtiem, īpašībām, īpašībām, kas raksturo preci, piemēram, tālruņa akumulatoru vai piegādes laiku utt. Ar lielu skaitu aspektu ir jēga apvienot atsevišķus aspektus aspektu grupās. Šādu aspektu grupu piemērs ir parādīts 3. attēlā. Recenzijas noskaņojuma aspektu analīze ir sarežģītāks uzdevums un sastāv no diviem posmiem - aspektu identificēšanas un apgalvojumu noskaņojuma noteikšanas par tiem. Lai atrisinātu aspektu sentimenta analīzes problēmu, tika izstrādāts vienkāršs un efektīvs algoritms:

Pirmais posms.

1. Izņemiet visus lietvārdus no atsauksmju kopas.

2. Saskaitiet lietvārdu lietošanas biežumu uz visu atsauksmju kopu, kur ir visu vārdu lietojumu skaits, ir i-tā lietvārda lietojumu skaits.

4. Sakārtojiet lietvārdu kopu dilstošā secībā.

5. Sadaliet lietvārdu kopu aspektu grupās.

Otrais posms.

1. Sadaliet daudz atsauksmju par daudziem piedāvājumiem.

2. Katram teikumam veiciet sentimenta klasifikāciju.

3. Katram teikumam tiek veikta pārbaude: ja teikuma sentimenta vērtējums (negatīvs vai pozitīvs) pārsniedz noteiktu slieksni un satur vismaz vienu lietvārdu no jebkuras aspektu grupas, tad teikums tiek atzīmēts kā pozitīvs vai negatīvs viedoklis par šo aspektu grupu.

Recenziju noskaņojuma analīzes un aspektu sentimenta analīzes rezultāti ir teksta datu kopums, kur - i-tā patērētāja apskata teksts, - i-tās atsauksmes tonis, - negatīvie viedokļi par j-o aspektu grupu. i-tajā pārskatā, - pozitīvi viedokļi par j-to aspektu grupu i-tajā pārskatā, i - recenzijas numurs, j - aspektu grupas numurs.

Turpmākā datu apstrāde, izmantojot lēmumu kokus. Lai veiktu kvalitatīvu analīzi, tika izstrādāta oriģināla metode sentimenta analīzes rezultātu turpmākai apstrādei, pamatojoties uz lēmumu kokiem. Lēmumu koku konstruēšana tika veikta, izmantojot C4.5 algoritmu. Ar tās palīdzību iegūtie rezultāti ļauj saprast, kuras produktu aspektu grupas un kā tās ietekmē PM. Izstrādātās analīzes metodes priekšrocība ir tā, ka tā ļauj identificēt nelineāras attiecības starp vispārējo apmierinātību ar produktu un apmierinātību ar tā atsevišķām aspektu grupām. Metode arī ļauj identificēt būtiskus produkta aspektus un iegūt tā kvantitatīvos aprēķinus. Metode sastāv no šādām procedūrām:

1. Konvertējiet teksta datu kopu par loģisku datu tipu saskaņā ar šādiem noteikumiem:

1.1. Ja , tad, citādi;

1.2. Ja, tad citādi;

1.3. Ja, tad citādi.

2. Lēmumu koka konstruēšana, kurā mainīgais ir atkarīgs mainīgais no .

3. Aspektu grupu nozīmīguma aprēķins un rezultātu interpretācija.

Aspektu grupas nozīmīgums parāda, cik ļoti recenzijas tonis ir atkarīgs no konkrētās aspektu grupas toņa. Aprēķināts pēc klasifikācijas noteikumu koka konstruēšanas. Lai aspektu grupu skaits ir vienāds, tad neatkarīgo mainīgo skaits ir vienāds (negatīvi un pozitīvi apgalvojumi katrai aspektu grupai). Formula mainīgā lieluma nozīmīguma aprēķināšanai būs:

, (1)

kur ir mezglu skaits, kas tika sadalīti ar atribūtu , ir vecāku mezgla entropija, kas sadalīta ar atribūtu , ir atvasinātais mezgls th, kas tika sadalīts ar atribūtu , ir piemēru skaits attiecīgajos mezglos, ir bērnmezglu skaits vecākam.

Patērētāju UE novērtējums produktiem tiek aprēķināts, izmantojot formulu:

, (2)

kur ir pozitīvo atsauksmju skaits, ir negatīvo atsauksmju skaits.

PP novērtējumu pēc produktu grupas -aspekta aprēķina, izmantojot formulu:

, (3)

kur ir to atsauksmju skaits, kurās ir pozitīvs aspektu grupas pieminējums, ir to atsauksmju skaits, kurās ir negatīva pieminēta aspektu grupa.

Eksperimentējiet

Izstrādātā ISSPR prototipa efektivitāte tika novērtēta, izmantojot datu kopu ar 635 824 atsauksmēm krievu valodā, kas veltīta kūrorta un viesnīcu biznesam. Atsauksmes tika apkopotas no populārā interneta resursa tophotels.ru par laika posmu no 2003. līdz 2013. gadam. . Dati tika iepriekš apstrādāti (tika noņemti dublikāti, html marķējuma fragmenti un atsauksmes, kuru garums nepārsniedz 30 rakstzīmes) un tika ielādēts SQL Server 2012 datubāzē.

Lai klasificētu atsauksmju toni, tika izmantota binārā skala (negatīvā un pozitīva). Pozitīvo un negatīvo atsauksmju apmācības izlase tika veidota, izmantojot apkopoto informāciju par autora vērtējumiem par izmitināšanu, ēdināšanu un apkalpošanu. Tiešsaistes resurss tophotels.ru izmanto 5 ballu vērtēšanas skalu, pēc kuras tiek vērtēta ēdināšana, naktsmītne un apkalpošana. Apmācību izlasē bija iekļautas 15 790 negatīvas atsauksmes ar 3 un 4 kopējiem punktiem un 15 790 pozitīvas atsauksmes ar 15 punktiem. Autoru vērtējumi turpmākajā datu apstrādē netika izmantoti. Atlikušās 604 244 atsauksmes tika atzīmētas, izmantojot apmācītu klasifikatoru.

Lai izveidotu efektīvu noskaņojuma klasifikatoru, tika novērtēta mašīnmācīšanās algoritmu klasifikācijas precizitāte un dažas to uzbūves pazīmes (1. tabula). Klasifikācijas precizitātes novērtēšanai tiek izmantota pareizi klasificēto pozitīvo un negatīvo atsauksmju skaita attiecība pret to kopējo skaitu. Precizitātes novērtējums tika veikts divām datu kopām. Pirmais komplekts (tests Nr. 1) pārstāvēja izveidoto treniņu komplektu. Tas tika pārbaudīts, izmantojot savstarpēju apstiprināšanu ar datiem, kas sadalīti 10 daļās. Otrajā komplektā (tests Nr. 2) bija atsauksmes ar dažādiem rādītājiem, un tas tika atzīmēts manuāli (497 pozitīvi un 126 negatīvi). Otrā kopa tika izmantota, lai uzraudzītu pirmajā datu kopā apmācīto klasifikatoru precizitāti.

1. tabula. Sentimenta klasifikācijas precizitātes salīdzinājums

	Mašīnu metodes apmācību
	SVM (lineārais kodols)	Biežums
	SVM (lineārais kodols)	Binārs
		Binārs
		Biežums
	NB (izņēmuma vārdi)	Biežums
	NB (daļiņu marķēšana "nav" un "nor")	Biežums

Lai atzīmētu atsauksmes un analizētu noskaņojumu, tika izvēlēts klasifikators Nr. 6, pamatojoties uz NB metodi, ar frekvenču vektoriem kā pazīmju telpu un izmantojot lematizācijas paņēmienus un noliegumu marķēšanu “nav” un “ne”. Izmantojot izstrādāto algoritmu, no visa recenziju kopuma tika izvilkti aspektuālie lietvārdi, kas tika sadalīti septiņās galvenajās aspektu grupās (3. attēls). Pēc tam teikumi, kuros minēti vārdi no aspektu grupām, tika izvilkti un atzīmēti ar toni.

UE pētījums tika veikts divām 5 zvaigžņu viesnīcām - viesnīcai A (1692 atsauksmes) un viesnīcai B (1300 atsauksmes), kas atrodas Šarm eš Šeihas kūrortā (63 472 atsauksmes) Ēģiptē. Kvantitatīvās analīzes rezultāti ir parādīti zemāk. 4. attēlā parādīta UE dinamika. 5. attēlā ir parādīta apmierinātība pa aspektu grupām. Kategorijā “Kūrorta” ir iekļauti visu konkrētā kūrorta viesnīcu apskati.

3. attēls. Sentimenta objekta “viesnīca” aspektu grupas

4. attēls - Patērētāju apmierinātības rādītāju dinamika pa mēnešiem

5. attēls. Patērētāju apmierinātība pa aspektu grupām 2012. un 2013. gadā

Lai veiktu kvalitatīvu pētījumu, izmantojot izstrādāto metodi, tika izveidoti lēmumu koki, pamatojoties uz visu kūrorta viesnīcu pārskatiem un atsevišķi viesnīcām “A” un “B”. Izvilktie lēmumu koka noteikumi ir parādīti 2. tabulā. Aspektu grupu nozīmes ir parādītas 3. tabulā.

Veiktie PM kvantitatīvie un kvalitatīvie pētījumi viesnīcai “A” ļāva identificēt problemātiskās aspektu grupas un identificēt tās, kurām ir vislielākā ietekme uz PM, ņemot vērā pieņemto lēmumu prioritāti un to risināšanas veidus ilgtermiņā un tika noteikti īstermiņa.

2. tabula. Izvilktas kārtulas, izmantojot lēmumu kokus

		Atslēga	Atbalsts 1	Uzticamība2
Noteikumi iegūti no visiem kūrorta pārskatiem
Noteikumi no atsauksmēm par viesnīcu “A”
Noteikumi iegūti no atsauksmēm par viesnīcu B
1Atbalsts parāda to atsauksmju daļu no sākotnējā parauga, kurās ir ietverta šī kārtula. 2Uzticamība parāda, cik lielai daļai atsauksmju, kurās ir kārtula, ir noteikts tonis.

3. tabula. Aspektu grupu nozīme

		Viesnīca "A"	Viesnīca B			Viesnīca "A"	Viesnīca B

4. tabula. Rezultātu izmantošana viesnīcas “A” vadības lēmumu izstrādei

Problēmu aspektu grupas	Nozīme	Noteikumi ar
			Apmācīt un motivēt apkalpojošo personālu, pārbaudīt restorāna apkalpošanas kvalitāti, organizēt izklaides pasākumus.
			Dažādojiet ēdienu klāstu, organizējiet atkritumu savākšanu pludmalē.
			Nav būtiski vai ārpus kompetences jomas.

Secinājums

Piedāvātā lēmumu atbalsta koncepcija, kas balstīta uz izstrādāto metodiku teksta datu apstrādei un analīzei, ļauj automātiski veikt kvantitatīvu un kvalitatīvu patērētāju apmierinātības izpēti un pieņemt efektīvus vadības lēmumus par produktu kvalitātes vadību. Šī koncepcija var būtiski samazināt patērētāju apmierinātības izpētes darbietilpību, kas padara to pieejamu lietošanai plašam uzņēmumu lokam.

Pamatojoties uz piedāvāto koncepciju, tika izstrādāts IDSPR prototips. Eksperiments parādīja pieejas efektivitāti reālu produktu kvalitātes vadības problēmu risināšanā, teksta analīzes apstrādes algoritmu apmierinošu precizitāti un iegūto rezultātu konsekvenci. IDSPR ļauj pieņemt kvalitātes vadības lēmumus, pamatojoties uz interneta teksta atsauksmju analītisko apstrādi, kas netieši satur informāciju par klientu apmierinātību.

Recenzenti:

Chernyakhovskaya L.R., tehnisko zinātņu doktore, profesore, profesore, Ufas Valsts aviācijas tehniskā universitāte, Ufa.

Kartaks V.M., fizikas un matemātikas zinātņu doktors, profesors, vadītājs. M. Akmullas vārdā nosauktā Baškīrijas Valsts pedagoģiskās universitātes Lietišķās informātikas katedra, Ufa.

Bibliogrāfiskā saite

Jusupova N.I., Bogdanova D.R., Boiko M.V. MATEMĀTISKĀ PROGRAMMATŪRA LĒMUMU PIEŅEMŠANAI PRODUKTU KVALITĀTES VADĪBĀ UZ TEKSTA INFORMĀCIJAS ANALĪZES ATBALSTAM // Mūsdienu zinātnes un izglītības problēmas. – 2014. – Nr.3.;
URL: http://science-education.ru/ru/article/view?id=13024 (piekļuves datums: 15.01.2020.). Jūsu uzmanībai piedāvājam izdevniecības "Dabaszinātņu akadēmija" izdotos žurnālus

Sniegto preču un pakalpojumu kvalitāte un cena lielā mērā nosaka uzņēmumu panākumus. Šajā sakarā kvalitātes vadība kā atsevišķs darbības veids iegūst īpašu nozīmi. Kvalitātes vadība attiecas uz darbību plānošanu, organizēšanu, regulēšanu un kontroli, lai nodrošinātu ražošanas un vadības kvalitāti.

Kvalitātes vadības kontroles objekts ir produktu, preču un pakalpojumu kvalitātes nodrošināšanas procesi. Faktiski ir trīs kvalitātes aspekti: atbilstības kvalitāte, dizaina kvalitāte un funkcionālā kvalitāte (pakāpe, kādā tiek apmierinātas klientu vajadzības). Nosakot kvalitāti, jāņem vērā ne tikai tās atbilstības pakāpe tehniskajiem nosacījumiem, bet arī preču izplatīšanas un pēcpārdošanas servisa process. Tādējādi kontroles objekta īpatnība slēpjas tā sarežģītībā un kvantitatīvā novērtējuma sarežģītībā.

Vadības priekšmets, t.i. lēmumu pieņēmēji - uzņēmuma vadība, mārketinga nodaļas speciālisti, kvalitātes kontroles nodaļas, pārdošanas un piegādes speciālisti, ražošanas nodaļu vadītāji un speciālisti.

Galvenie faktori, kas ietekmē lēmumu pieņemšanu kvalitātes vadības jomā, ir šādi: ?

uzņēmuma specializācija (darbības joma); ?

uzņēmuma organizatoriskā un juridiskā forma; ?

normatīvais un metodiskais atbalsts kvalitātes vadībai; ?

sertifikāta par atbilstību standartiem (GOST, OST, 1BO) pieejamība; ?

iedibināta kvalitātes vadības prakse; ?

uzņēmuma atrašanās vieta; ?

uzņēmuma mērķi; ?

vadības centralizācijas pakāpe; ?

korporatīvā kultūra; ?

uzņēmuma organizatoriskā struktūra; ?

personāla kvalifikācijas līmenis; ?

materiālu un iegādāto komponentu kvalitāte (ienākošā pārbaude); ?

uzņēmuma tehniskais aprīkojums, tai skaitā iekārtu raksturojums un iespējas; ?

akceptēta uzdevumu izpildes kārtība; ?

vadības stils un līdera pieredze utt.

Risinājumi kvalitātes vadības jomā un to īpašības. Pirmais solis ceļā uz kvalitātes nodrošināšanu ir stratēģisku lēmumu pieņemšana par produkta vai pakalpojuma dizainu, lai apmierinātu konkrētas klientu vajadzības. Ir 180 starptautiskie kvalitātes standarti Fakts, ka uzņēmums ir sertificēts atbilstoši šiem standartiem, būtiski palielina produktu un uzņēmumu konkurētspēju. kopumā, un arī paver iespēju iekļūt starptautiskajā tirgū. Tāpēc rakstisku kvalitātes standartu izstrāde ir ārkārtīgi svarīga.

Kvalitātes vadības sistēmas ietvaros tiek pieņemti šādi lēmumi: ?

kvalitātes uzlabošanas stratēģijas izvēle (rūpīgāka saražotās produkcijas kontrole, efektīvākas kontroles sistēmas ieviešana, kvalitatīvākas izejvielu iegāde, progresīvāku tehnoloģiju ieviešana u.c.); ?

tehnisko nosacījumu (kvalitātes prasību) formulēšana; ?

kvalitatīvo un kvantitatīvo kvalitātes parametru noteikšana; ?

pieļaujamo noviržu noteikšana no noteiktajiem parametriem; ?

kontroles metožu izvēle; ?

par kontroli atbildīgo personu iecelšana; ?

kvalitātes kontroles uzvedības problēmu risināšana utt.

Kvalitātes vadības jomā pieņemto lēmumu iezīmes

vai tie ir: ?

tiešā veidā ietekmēt uzņēmuma panākumus sīvajā konkurencē par patērētājiem, jaunu tirgu saglabāšanā un iekarošanā; ?

aptver visu jaunu iekārtu izveides un izstrādes, produktu sērijveida ražošanas, preču pārdošanas un pēcpārdošanas servisa ciklu; ?

jāņem vērā vadības sociāli psiholoģiskie aspekti (tai skaitā motivācija); ?

vērsta uz efektīvu kontroli; ?

pieņemts visos organizācijas vadības līmeņos; ?

Parasti tie tiek atspoguļoti dokumentos.

Lēmumu pieņemšanas metodes kvalitātes vadības jomā. Tabulā 8.14

Tiek prezentētas dažas lēmumu pieņemšanas metodes kvalitātes vadības jomā, kas tiek izmantotas konkrētu uzdevumu īstenošanas procesā.

Tādējādi lēmumu pieņemšana kvalitātes vadības jomā ir noteicošais faktors produktu un uzņēmuma konkurētspējas nodrošināšanā kopumā, kas ir ļoti svarīgi gan taktiskā, gan stratēģiskā līmenī (pašreizējā posmā un nākotne).

8.14. tabula

Lēmumu pieņemšanas metodes kvalitātes vadības jomā Uzdevumi "Dažas lēmumu pieņemšanas metodes kvalitātes vadības jomā Kvalitātes sistēmas izveides plānošana

Kvalitātes novērtējums

Kvalitātes sistēmas izstrāde - prognozēšanas metodes; -

modelēšanas metodes; -

alternatīvu daudzkritēriju novērtēšanas metodes -

vadības lēmumu analīzes metodes; -

ekspertu vērtēšanas metodes; -

statistikas metodes -

alternatīvu ģenerēšanas metodes; -

alternatīvu daudzkritēriju vērtēšanas metodes Testa jautājumi un uzdevumi 1.

Kā vadītāja darbības joma ietekmē vadības lēmumu izstrādes un pieņemšanas procesu? 2.

Aprakstiet lēmumu pieņemšanas vidi finanšu vadībā. 3.

Kādi faktori ietekmē finanšu vadības lēmumus? 4.

Uzskaitiet finanšu vadības risinājumu iezīmes. 5.

Kādas lēmumu pieņemšanas metodes finanšu vadības jomā jūs zināt? 6.

Aprakstiet lēmumu pieņemšanas vidi ražošanas vadībā. 7.

Kādi faktori ietekmē ražošanas vadības lēmumus? 8.

Uzskaitiet ražošanas vadības risinājumu iezīmes. 9.

Kādas lēmumu pieņemšanas metodes ražošanas vadības jomā jūs zināt? 10.

Aprakstiet lēmumu pieņemšanas vidi personāla vadībā.

I. Kādi faktori ietekmē lēmumu pieņemšanu par personāla vadību? 12.

Uzskaitiet personāla vadības risinājumu funkcijas. 13.

Kādas lēmumu pieņemšanas metodes personāla vadības jomā jūs zināt? 14.

Aprakstiet mārketinga lēmumu pieņemšanas vidi. 15.

Kādi faktori ietekmē mārketinga lēmumus? 16.

Uzskaitiet mārketinga vadības risinājumu iezīmes. 17.

Kādas lēmumu pieņemšanas metodes mārketinga vadības jomā jūs zināt? 18.

Aprakstiet lēmumu pieņemšanas vidi kvalitātes vadībā. 19.

Kādi faktori ietekmē kvalitātes vadības lēmumus? 20.

Uzskaitiet kvalitātes vadības risinājumu iezīmes. 21.

Kādas lēmumu pieņemšanas metodes kvalitātes vadības jomā jūs zināt? 22.

Aprakstiet lēmumu pieņemšanas vidi informācijas pārvaldībā. 23.

Kādi faktori ietekmē informācijas pārvaldības lēmumus? 24.

Uzskaitiet informācijas pārvaldības risinājumu iezīmes. 25.

Kādas lēmumu pieņemšanas metodes informācijas pārvaldības jomā jūs zināt? 26.

Aprakstiet lēmumu pieņemšanas vidi intelektuālo aktīvu pārvaldībā. 27.

Kādi faktori ietekmē lēmumu pieņemšanu par intelektuālo aktīvu pārvaldību? 28.

Uzskaitiet intelektuālā īpašuma pārvaldības risinājumu iezīmes. 29.

Kādas lēmumu pieņemšanas metodes intelektuālo aktīvu pārvaldības jomā jūs zināt? 30.

Aprakstiet lēmumu pieņemšanas vidi stratēģiskajā vadībā. 31.

Kādi faktori ietekmē stratēģisko lēmumu pieņemšanu? 32.

Uzskaitiet stratēģisko lēmumu iezīmes. 33.

Kādas stratēģisku lēmumu pieņemšanas metodes jūs zināt? 34.

Aprakstiet lēmumu pieņemšanas vidi inovāciju vadībā. 35.

Kādi faktori ietekmē lēmumu pieņemšanu par inovāciju vadību? 36.

Uzskaitiet inovācijas aktivitāšu vadīšanas risinājumu iezīmes. 37.

Kādas lēmumu pieņemšanas metodes inovāciju vadības jomā jūs zināt?

Labākais variants lēmumam, kas pieņemts vienā no vadības sistēmas līmeņiem jebkurā jautājumā, tiek saukts par optimālo, un šīs opcijas meklēšanas process tiek saukts par optimizāciju.

Mūsdienu ražošanas vadības tehnisko, organizatorisko, sociāli ekonomisko un citu aspektu sarežģītība un savstarpējā atkarība noved pie tā, ka vadības lēmuma pieņemšana neizbēgami ietekmē desmitiem un pat simtiem dažādu faktoru, kas ir tik ļoti savstarpēji saistīti, ka nav iespējams izolēt un nošķirt. analizēt tos atsevišķi, izmantojot tradicionālās analītiskās metodes.

Daudzi faktori, kas nosaka vai ietekmē risinājuma izvēli, pēc savas būtības nav pakļaujami kvantitatīviem raksturlielumiem, savukārt citi praktiski nav izmērāmi. Tas viss radīja nepieciešamību izstrādāt īpašas metodes, kas atvieglo vadības lēmumu atlasi sarežģītās tehniskās, organizatoriskās un ekonomiskās problēmās (operāciju izpētes metodes, ekspertu novērtējumi utt.).

Operāciju izpētes metodes tiek izmantotas, lai izteiktu optimālus lēmumus galvenokārt šādās vadības jomās: liela mēroga ražošanas plānošana; ražošanas procesu organizēšana uzņēmumos; loģistika; transporta organizēšana.

Operāciju izpētes metodes ir balstītas uz matemātisko (deterministisko), varbūtības modeļu izmantošanu, kas atspoguļo pētāmo procesu, sistēmu vai darbības veidu. Šādi modeļi sniedz kvantitatīvu problēmas aprakstu un kalpo par pamatu vadības lēmumu pieņemšanai, meklējot optimālo variantu. Cik pamatoti ir šie lēmumi, vai tie ir iespējami labākie, vai ir ņemti vērā un izsvērti visi faktori, kas nosaka optimālo risinājumu, kāds ir kritērijs, lai noteiktu, vai šis risinājums tiešām ir labākais – šie ir jautājumu loks liela nozīme ražošanas vadītājiem, un atbildi uz to var rast, izmantojot operāciju izpētes metodes. Risinājumu optimizācija sastāv no tādu faktoru skaitlisko aprēķinu salīdzinoša pētījuma, kurus nevar novērtēt, izmantojot parastās metodes. Labākais iespējamais risinājums ekonomiskajai sistēmai ir optimāls, un labākais risinājums attiecībā uz atsevišķiem sistēmas elementiem ir neoptimāls.

Operāciju izpētes metodes ir izstrādātas, lai atrastu risinājumus, kas būtu optimāli iespējami lielākam uzņēmumu, organizāciju vai to nodaļu skaitam. Operāciju izpētes kvantitatīvās metodes balstās uz ekonomikas, matemātikas un statistikas sasniegumiem (optimālā programmēšana, rindu teorija, spēļu teorija, grafu teorija, matemātiskā statistika u.c.).

Risinājuma optimizēšana ir process, kurā tiek meklēti daudzi faktori, kas ietekmē rezultātu. Optimālais risinājums ir visefektīvākais risinājums starp visām alternatīvajām iespējām, kas izvēlētas pēc kāda optimizācijas kritērija.

Tā kā optimizācijas process ir dārgs, to vēlams izmantot stratēģisku un taktisku problēmu risināšanā. Darbības problēmas jārisina, parasti izmantojot vienkāršas, heiristiskas metodes.

Galvenās optimizācijas metodes ir:

prognozēšana;

modelēšana (loģiskā, fiziskā, ekonomiskā un matemātiskā).

Praktiskajā vadībā galvenās analīzes metodes ir:

salīdzināšanas metode;

indeksa metode;

līdzsvara metode;

ķēdes aizstāšanas metode;

likvidēšanas metode;

grafiskā metode;

funkcionālā izmaksu analīze;

faktoru analīze;

ekonomiskās un matemātiskās metodes.

Prognozēšana vadībā attiecas uz pašu prognožu izstrādes procesu, t.i. zinātniski pamatoti spriedumi par iespējamajiem objekta stāvokļiem, tā modifikāciju veidiem un laiku. Funkcionāli prognoze vadībā tiek pasniegta kā daudzfaktoru modeļu priekšplāna izstrāde pārvaldības objekta izstrādei. Prognozei ir varbūtības raksturs un tās var mainīties mainīgu organizācijas ārējās un iekšējās vides apstākļu ietekmē.

Svarīgākie prognozēšanas uzdevumi:

tirgus prognozes izstrāde;

tirgus apstākļus ietekmējošo ekonomisko un citu tendenču identificēšana un labvēlīgās ietekmes mērogs;

prognozēšanas metodes un laika mērķu izvēle;

ekonomiskais pamatojums saražotās produkcijas attīstībai vai uzlabošanai u.c.

Galvenās prognozēšanas funkcijas ietver:

konsekvence;

sarežģītība;

nepārtrauktība;

variācija;

adekvātums un optimālums.

Modelis ir sistēmas objekta vai idejas attēlojums kādā formā, kas atšķiras no pašas integritātes. Tas ir vienkāršots konkrētas dzīves (vadības) situācijas tēls. Citiem vārdiem sakot, modeļi noteiktā veidā atspoguļo reālus notikumus, apstākļus utt.

Ir vairāki iemesli, kāpēc izmantot modeli, nevis mēģināt tieši mijiedarboties ar reālo pasauli.

reālās pasaules sarežģītība ir tāda, ka ar konkrētu problēmu saistīto mainīgo lielumu skaits ievērojami pārsniedz jebkuras personas iespējas un ir saprotams, vienkāršojot reālo pasauli, izmantojot modelēšanu);

eksperimentēšana - ir daudz vadības situāciju, kurās ir vēlams izmēģināt un eksperimentāli pārbaudīt alternatīvus problēmas risinājumus. Turklāt ir kritiskas situācijas, kad jāpieņem lēmums, bet eksperimentēt reālajā dzīvē nevar;

vadības orientācija uz nākotni - nav iespējams novērot parādību, kas vēl neeksistē un, iespējams, nekad nenotiks, kā arī veikt tiešus eksperimentus. Modelēšana ir līdz šim vienīgais sistemātiskais veids, kā redzēt nākotnes iespējas un noteikt alternatīvo risinājumu iespējamās sekas, kas ļauj tos objektīvi salīdzināt.

Mūsdienu organizācijas izmanto trīs modeļu pamatveidus:

fiziskais modelis (attēlo pētāmo, izmantojot palielinātu vai samazinātu objekta vai sistēmas aprakstu (zīmējums, plāns, izkārtojums);

analogais modelis (attēlo pētāmo objektu kā analogu, kas uzvedas kā reāls objekts, bet neizskatās pēc tāda. Analogā modeļa piemērs ir organizācijas diagramma.;

matemātiskais modelis (simboliskais) - simboli tiek izmantoti, lai aprakstītu objekta vai notikuma īpašības vai īpašības.

Modeļa veidošana ir process. Galvenie šī procesa posmi ir problēmas izklāsts, konstruēšana, validācija, pielietošana un modeļa atjaunināšana.

Problēmas paziņojums. Pirmais un vissvarīgākais modeļa izveides posms, kas var nodrošināt pareizu vadības problēmas risinājumu, ir problēmas formulēšana. Pareiza matemātikas vai datora izmantošana nesniegs nekādu labumu, ja vien pati problēma netiks precīzi diagnosticēta. Lai atrastu pieņemamu vai optimālu problēmas risinājumu, ir jāzina, no kā tas sastāv. Diemžēl dažkārt tiek tērētas milzīgas naudas summas, meklējot pārdomātas atbildes uz nepareizi uzdotiem jautājumiem. Tas, ka vadītājs apzinās problēmu, nenozīmē, ka patiesā problēma ir identificēta. Līderim jāspēj atšķirt simptomus no cēloņiem.

Modeļa veidošana. Izstrādātājam ir jānosaka modeļa galvenais mērķis, kādus izvades standartus vai informāciju ir paredzēts iegūt, izmantojot modeli, lai palīdzētu vadībai atrisināt problēmu, ar kuru tā saskaras. Ir arī jānosaka, kāda informācija ir nepieciešama, lai izveidotu modeli, kas atbilst šiem mērķiem un rada nepieciešamo informāciju kā rezultātu.

Modeļa uzticamības pārbaude. Viens no pārbaudes aspektiem ir noteikt, cik lielā mērā modelis atbilst reālajai pasaulei. Vadības zinātniekam ir jānosaka, vai modelī ir iebūvētas visas reālās situācijas būtiskās sastāvdaļas. Daudzu pārvaldības modeļu pārbaude ir parādījusi, ka tie nav ideāli, jo neaptver visus atbilstošos mainīgos. Protams, jo labāk modelis atspoguļo reālo pasauli, jo lielāks ir tā potenciāls palīdzēt vadītājam pieņemt labus lēmumus. Otrs modeļa testēšanas aspekts ietver to, ka ir jānosaka, cik lielā mērā tā sniegtā informācija palīdz vadībai tikt galā ar problēmu.

Modeļa pielietojums. Nevienu vadības zinātnes modeli nevar uzskatīt par veiksmīgi izveidotu, kamēr tas netiek pielietots praksē. Tas šķiet acīmredzams, bet bieži vien ir viens no satraucošākajiem būvniecības aspektiem.

Modeļa atjauninājums. Pat ja modelis ir veiksmīgs, tas gandrīz noteikti būs jāatjaunina. Vadība var atklāt, ka izvades forma ir neskaidra vai ir nepieciešami papildu dati. Ja organizācijas mērķi mainās tādā veidā, kas ietekmē lēmumu pieņemšanu, modelis ir attiecīgi jāmaina. Tāpat izmaiņas ārējā vidē, piemēram, jaunu klientu, piegādātāju vai tehnoloģiju parādīšanās, var padarīt nederīgus pamatā esošos pieņēmumus, uz kuriem modelis tika veidots.

Tādējādi vadības lēmumu pieņemšanas procesa uzlabošana un attiecīgi pieņemto lēmumu kvalitātes paaugstināšana tiek panākta, izmantojot zinātnisku pieeju, modeļus un lēmumu pieņemšanas metodes.

Vadības lēmums ir vadītāja darbības rezultāts. Vadības lēmuma efektivitāti definē kā rezultātu attiecību pret tā īstenošanas izmaksām. Vadītāja darbības efektivitāte nosaka vadības lēmumu kvalitāti.

Vadības lēmumu kvalitāte ir tās īpašības, kurām ir noteikta loma vadības procesā.

Atbilstoši būtībai un mērķim izšķir vairākas kvalitātes īpašības:

1. pamatotība ir reāli pastāvošo likumu un principu zināšanu un izmantošanas līmenī, uz kuru pamata uzņēmums attīstās;
2. savlaicīgums paredz, ka jo lielāka ir vajadzība pēc konkrēta lēmuma tā pieņemšanas laikā, jo augstāka ir tā efektivitātes pakāpe un līdz ar to arī tā kvalitāte;
3. iestāde paaugstina vadības lēmuma kvalitāti, ja to pieņem persona, kurai ir atbilstošas ​​tiesības un kompetence, saskaņā ar normatīvajiem dokumentiem - gan valsts, gan pastāvošajiem uzņēmumā;
4. racionalitāte ir vadības lēmumu kvalitātes īpašība no tā attīstībā ieguldīto līdzekļu minimizēšanas viedokļa un atbilstoši īstenošanas izmaksām;
5. prezentācijas īsums un skaidrība izpildītājam slēpjas pieņemtā lēmuma īsumā un skaidrībā, kā arī formulējuma vienkāršībā un novērš formulējuma trakulīgumu un neskaidrību. No tā ir atkarīgs nākamais kvalitātes rādītājs;
6. pieņemto lēmumu atbilstība esošajiem lēmumiem un organizācijas darbību reglamentējošiem normatīvajiem dokumentiem.

Vadības lēmumu izstrādes procesā jāņem vērā šādi faktori:

1. problēmas raksturojums tās sarežģītības, novitātes, noteiktības pakāpes un veida ziņā;
2. problēmas attīstību nosaka tās īstenošanas metožu, programmu un prasmju pieejamība;
3. informācijas īpašības, piemēram, apjoms, pieejamība, uzticamība, atbilstība utt.;
4. ierobežoti resursi: laiks, darbaspēks, finansiāli, materiāli tehniskie utt.;
5. risinājumu izstrādes organizēšana;
6. vadītāju kompetence, izglītība un darba pieredze;
7. subjektīvie faktori, piemēram, komandas dalībnieku spēja sadarboties, viņu saliedētība u.c.;
8. informācijas tehnoloģijas, ar kuru palīdzību tiek vākta, analizēta un apstrādāta informācija.

Pārvaldības lēmumu pārveidošanas procesā ir svarīgi šādi punkti:

1. izvēlētā risinājuma īpatnību raksturo tā sarežģītība, novitāte, klase utt., tāpat kā pati problēma;
2. vadības lēmumu īstenošanas organizatoriskā struktūra, t.i., struktūrvienības, kurās tā tiks veikta, un atbildības sadalījums;
3. īstenošanas termiņi;
4. izpildītāju kompetence;
5. līdera autoritāte starp saviem padotajiem;
6. sociāli psiholoģiskie faktori;
7. tehniskās kontroles uzticamība un produktivitāte;
8. organizētības pakāpe un izpildītāja kontrole.

Augstas kvalitātes vadības lēmumi tiek nodrošināti sistemātiskas pieejas problēmas risināšanai gadījumā. To īstenošanai jāizmanto zinātniski pamatotas metodes un modeļi, kuriem jāatbilst pašreizējai situācijai attiecībā uz rezultātu attiecību pret zaudējumiem, kas izriet no jebkura pieņemtā lēmuma.

Vadītāja lēmumu kvalitāte neapšaubāmi paaugstinās, izmantojot modernās informācijas tehnoloģijas un programmatūras izstrādes. Būtisku ietekmi uz pieņemto lēmumu atstāj organizācijas personāls, tā kvalitatīvais sastāvs (kvalifikācija, darbinieku vecums, darba pieredze utt.), Radošās spējas un biedru spēja efektīvi mijiedarboties (psiholoģiskā saderība).

Turklāt vadības lēmumam jābūt pēc iespējas elastīgākam, lai uzņēmumam būtu iespēja pielietot metodes un tehnoloģijas tā ieviešanai ar minimāliem zaudējumiem.

Neskatoties uz to, ka vadības lēmuma kvalitāte (efektivitāte) ir tā galvenā īpašība, tā līmeņa noteikšana ir saistīta ar vairākām grūtībām. Bieži vien ir grūti noteikt lēmuma rezultātu, jo īpaši tā radošo pusi, jo, pirmkārt, reti tiek noteiktas prasības, pēc kurām tā kvalitāte būtu jānovērtē, un, otrkārt, rezultāts lielā mērā ir saistīts ar sociāli psiholoģiskiem faktoriem, kas nevar izmērīt. Visbiežāk praksē vadības lēmumu kvalitāte tiek vērtēta no to ietekmes uz peļņu viedokļa.

Risinājuma kvalitāti var novērtēt, pamatojoties uz posmos izstrāde, pieņemšana un ieviešana.
Risinājuma kvalitātes novērtējums stadijā ražošanu veic, izvēloties iespējamās iespējas un izvēloties galīgo risinājumu.

Šis process tiek veikts, pamatojoties uz objektīviem kritērijiem, no kuriem visizplatītākais ir optimizācijas kritērijs. Taču praksē tas bieži vien paliek nerealizēts, jo neņem vērā riskus, kas saistīti ar ierobežotiem resursiem. Lai aprēķinātu šo rādītāju, ja nav normatīvā regulējuma, darbu izpildes termiņš tiek noteikts, izmantojot statistikas datus, ekspertu vērtējumus, pamatojoties uz precedentiem, kā arī tīkla matricas izstrādi.

Papildus optimizācijas kritērijam varat izmantot ekonomiskās efektivitātes rādītāju, kas definēts kā rezultāts mīnus izmaksas. No šī viedokļa tiek vērtēta ražošanas pašizmaksas samazināšanās, tās kvalitātes pieaugums, rentabilitāte utt.

Lēmuma izstrādes stadijā tiek aprēķināta plānotā ekonomiskā efektivitāte.
Pie skatuves adopcija lēmumu, vispiemērotākā varianta galīgā izvēle notiek, pamatojoties uz ekonomisko efektivitāti, optimāluma kritērijiem un tā īstenošanas iespējamību. Pēdējā laikā papildus šiem kritērijiem īpaša uzmanība tiek pievērsta sociāli psiholoģiskajiem faktoriem, vides sekām un organizācijas nākotnes perspektīvām.

Pie skatuves īstenošana lēmumi tiek uzraudzīti un koriģēti starpposmā un beigu posmā, un to izpildei noteiktie termiņi tiek salīdzināti ar faktiskajiem. Analīze tiek veikta, pamatojoties uz ekonomisko efektu (izmaksu un ieguvumu attiecību).

Analīzes rezultāti tiek izmantoti turpmākajā vadības darbā, lai noteiktu tālākos organizācijas attīstības virzienus un novērstu šķēršļus mērķu sasniegšanai.
Organizācijas galvenie attīstības virzieni ir ekonomiskie, sociālpsiholoģiskie un organizatoriski.

Ekonomiskais virziens ir risinājuma izstrādes un ieviešanas procesa dalībnieku ekonomisko interešu maksimālā realizācijā un dažādu resursu izmantošanā.
Sociāli psiholoģiskais virziens ietver vadītāju profesionalitātes līmeņa paaugstināšanu, komandas veidošanu uz zinātniskiem pamatiem un viņu intereses attīstīšanu par radošām aktivitātēm, kā arī iesaisti visos lēmumu pieņemšanas procesa posmos.

Organizatoriskais virziens koncentrē uzmanību uz vadības darbinieku darba līmeņa paaugstināšanu un ražošanas līdzekļu kustības un izmantošanas uzlabošanu. Organizatorisko aktivitāšu uzlabošana palielina organizācijas efektivitāti.