Finanční analýza
Vychází z tabulek rozvahy a výkazu zisků a ztrát a zpracovává řadu
poměrových ukazatelů zatříděných do skupin (likvidita, aktivita, financování
apod.). Uživatel má možnost měnit strukturu základních tabulek, vytvořit
vlastní tabulky, ukazatele nebo dotazy. Program pracuje s neomezeným počtem
roků, které je možno dále členit až na měsíce.
V programu je zde řada nástrojů usnadňující práci při modelování budoucího vývoje. Jsou to například různé automatické přepočty, které umožňují nejen rychle vyplnit následující období, ale také provádět přepočty na účetní bázi v již hotových tabulkách. Pyramidální rozklady, dílčí rozklady ukazatelů a možnost porovnávání jsou další funkce nezbytné pro provádění kvalitní finanční analýzy.
Finanční analýza programu EconPro to nejsou jen poměrové ukazatele. Použití matematických metod také umožňuje provést analýzu jednotlivých ukazatelů nebo pyramid a pomocí diferencí, přírůstků a indexů tak zjistit vliv jednotlivých položek na hodnotu výsledného ukazatele. Možnosti Finanční analýzy lze výrazně rozšířit použitím nadstavbové části Optimalizace metodou Monte Carlo.
Modul Finanční analýza lze použít pro podvojné účetnictví v plném i zkráceném rozsahu, pro rozpočtové a příspěvkové organizace i pro neziskové organizace.
Kapitálové výpočty a hodnota firmy
Tento modul je určen zejména pro akciové společnosti. Různý pohled
na kapitál, jeho cenu, posouzení výhodnosti poměru cizího a vlastního kapitálu,
řízení hotovostních toků a další výpočty jsou stále potřeba pro každodenní
rozhodování.
Stanovení hodnoty firmy metodou výnosovou, substanční nebo tržního ocenění a další výpočty v této oblasti umožňují stále zjišťovat informace potřebné nejen pro manažery, ale zejména pro vlastníky firem.
Finanční plán
Finanční plán podává přehled o finančních potřebách a zdrojích krytí
a zároveň umožňuje plánovat rozvahu a výsledovku. Na rozdíl od tabulek
finanční analýzy je vše řešeno v rámci jediné tabulky, která je vytvořena
na bázi hotovostnívh toků. Změna jakékoliv položky plánu se ihned promítne
nejen v rámci jednoho období, ale také ve všech období následujících. Tím
lze sledovat vlivy jednotlivých položek na vyrovnanost plánu a přijímat
tak rychle účinná opatření.
Finanční plán je určen manažerům pro jeho snadné používání zejména tím, že struktura finančního plánu neodráží účetní pohled na tuto problematiku, ale preferuje manažerský přístup.
Celý proces tvorby finančních plánů lze plně automatizovat použitím nadstavbové části Optimalizace metodou Monte Carlo.
Nákladová analýza
Pro výrobní firmy nebo firmy produkující služby je určen tento modul.
Na principu členění nákladů na fixní a variabilní program provádí optimalizaci,
analýzu bodu zvratu (BEP) a umožňuje vyhodnocení vztahu mezi náklady, cenou,
objemem produkce, obratem a ziskem. Analýza citlivosti rozšiřuje použití
pro tvorbu nejrůznějších variant, které mohou nastat. Vše je možné sledovat
v libovolném počtu období v členění na roky, čtvrtletí nebo měsíce.
Simplexová metoda řeší hledání optimální struktury produkce při omezených zdrojích. Výpočet lze provést pro maximalizaci zisku, produkce nebo tržeb.
Řízení výroby (genetické algoritmy)
Řízení výrobních procesů je neřešitelné klasickými matematickými metodami,
pokud chceme řešit tento problém opravdu reálně se zachycením všech možných
vztahů a důsledků. Proto nabízíme řešení tohoto problému za pomoci velmi
výkonné a progresivní metody, kterou jsou genetické algoritmy. Genetický
algoritmus tvoří jádro celého systému, řídí jeho evoluci a zajišťuje neustálé
zlepšování řešení. Tato metoda umožňuje zadávat různá omezení, vztahy a
kritéria bez vzrůstající složitosti celého systému. Daný problém je řešen
vnitřní simulací, kdy systém vytváří celý výrobní proces v reálném
čase a dokáže se ihned přizpůsobovat zadaným omezením, vztahům a kritériím
a posléze nalézá konečné řešení . Výsledkem je jednak grafické znázornění
časového rozvržení celé výroby na jednotlivá pracoviště, jednak další informace
o využití pracovišť, spotřebě zdrojů, výši jednotlivých nákladů apod. Díky
speciální metodě vytváření řešení v reálném čase jsou k dispozici i údaje
z každého časového okamžiku celého výrobního procesu. Navíc je možné kdykoliv
pozastavit vývoj a prohlížet aktuální řešení. Rovněž je možné spustit simulátor
vytvořeného rozvržení výroby a v reálném čase sledovat pohyb výrobků na
pracovištích, délky front, vzrůstající náklady, spotřeby zdrojů, množství
již vyrobených výrobků apod.
Řízení výroby s využitím genetických algoritmů představuje ojedinělý přístup k této problematice. Dokáže řešit a zahrnout takové okolnosti, jako je rozpracovaná výroba, zakázková výroba, různě složité technologické postupy, různé následnosti výrobků, definice zpoždění mezi pracovišti a operacemi, možnost určení maximální délky fronty, vyřazení některých operací nebo pracovišť, stanovení omezených kapacit zdrojů a mnohé další.
Investice a leasing
Hodnocení investic na základě čisté současné hodnoty je metoda, která
je nejvhodnější pro analýzu záměrů firmy v oblasti investování do hmotného
i nehmotného majetku. Jako doplňková je použita metoda výpočtu vnitřního
výnosového procenta a indexu výnosnosti. Výpočet se nehodí pro investiční
projekty, ale je určen pro analýzu jednotlivých investic.
Pro rychlé rozhodování o použití vlastních zdrojů, leasingu nebo úvěru pro financování jednotlivých investic jsou používány výpočty výnosovou, nákladovou i výdajovou metodou.
Část odpisy umožňuje nejen výpočet, ale zároveň libovolnou definici odpisů. Tato část je používána zejména pro potřeby finančního plánu a investice lze posuzovat z různých úhlů pohledu.
Rozhodovací analýza
V tomto modulu je pro rozhodování používána metoda vícekriteriálního
hodnocení variant za jistoty a jednokriteriálního hodnocení za rizika.
Modul se používá pro hodnocení investic, projektů, výběr obchodních partnerů,
hodnocení pracovníků apod.. Pro přijetí nejlepší varianty není třeba mít
k dispozici kvantifikovatelné údaje. Program vyhodnotí i situaci, kdy jsou
použita jak kvantifikovatelná, tak nekvantifikovatelná kritéria.
Jako nadstavba je dodáváno vícekriteriální hodnocení za rizika a nejistoty. Pro rozhodování za rizika je použita metoda Monte Carlo, rozhodování za nejistoty je řešeno pomocí teorie her.
Lineární procesy
Model hromadné obsluhy slouží k optimalizaci obslužných míst v systému.
Lze vytvořit jakýkoliv model podle charakteru činností a potřeb zákazníka.
V teorii zásob nabízíme zpracování lineárních deterministických i stochastických modelů.
Dopravní problém řeší úlohu optimálního plánu rozvozu zboží, materiálu, zásob apod.od dodavatelů k odběratelům při zajištění všech požadavků a dodržení daných kapacit při co nejmenších celkových přepravních nákladech. Lze nadefinovat libovolné množství dodavatelů a odběratelů, stanovit dodatečná omezení, jako jsou např. plné vytížení některých dodavatelů, stanovení sankcí za nedodání potřebného množství apod. Výsledkem je optimální rozvržení kolik a kterému odběrateli má určitý dodavatel dodat zboží při současné minimalizaci přepravních vzdáleností nebo nákladů.
Simulace
Simulace obslužných procesů slouží k napodobení chodu systému, který
již existuje, nebo který se teprve bude vytvářet. Je zde možné vyzkoušet
různé varianty, nasimulovat krizové situace a zjistit tak chování systému
a jeho výkonnost. Systémem může být banka, obchodní dům, letiště, sklady,
hotel, benzínová pumpa, stravovací zařízení apod. U simulace výrobních
procesů nevystupují do systému nevstupují žádné prvky. Všechny prvky se
vytváří v procesu výroby. Lze nadefinovat libovolné množství zdrojů, kterými
mohou být zásoby surovin, polotovarů, ale i časové kapacity. Dále se systém
skládá z obslužných míst, které představují stroje, vyrábějící nebo zpracovávající
výsledné produkty. Tato obslužná místa mohou být libovolně řazena, mohou
mít různé parametry a mohou využívat libovolné zdroje. Systémem může být
libovolná montážní linka, výrobní proces, zpracování surovin nebo odpadů
apod.
Simulace informačních toků může mít více vstupů. Jednotlivá obslužná místa zde představují buď jedince, týmy či oddělení, kteří pracují s informacemi. Každé obslužné místo může mít různé parametry. Po spuštění simulace lze sledovat tok informací v systému, jejich využití nebo případnou ztrátu. Vše záleží na způsobu definice systému. Výsledné informace obsahují údaje o využití jednotlivých míst a chování celého systému po dobu simulace. Příkladem systému pro tuto úlohu může být např. kterákoliv firma, oddělení, systém poboček firmy, mezinárodní síť firmy apod.
Analýza dat (teorie chaosu)
Teorie chaosu zkoumá, zda ve vstupních datech existuje určitá vnitřní
skrytá struktura, nebo zda se jedná o náhodná data. Vstupními daty jsou
jednorozměrné časové řady o délce minimálně 100 hodnot (čím více, tím lépe).
Teorie chaosu přistupuje ke zkoumání časových řad zcela odlišným způsobem než statistika. Existuje několik metod, které umožňují rozhodnout, zda data jsou náhodná, nebo zda vykazují určitou neviditelnou závislost. Toto zjištění je podstatné pro další analýzu a případnou predikci. Náhodné hodnoty jsou nepředpověditelné a neobsahují žádnou strukturu (rovnoměrně vyplňují prostor o libovolném rozměru). Neexistuje žádná vazba mezi jednotlivými hodnotami časové řady. Naproti tomu data, u kterých se prokáže existence jakési vnitřní struktury, mají zcela odlišný charakter. Na první pohled mohou vypadat podobně jako data náhodná, ale při bližším pohledu zjistíme, že jsou v prostoru soustředěna do určitých ohraničených oblastí, kterým se říká atraktory. Existují určité vazby mezi hodnotami, např. předchozí hodnoty určují hodnoty následující. To má veliký význam pro předpovídání dalšího vývoje. Avšak i pro chaotická data platí, že jsou předvídatelná ve velmi malém časovém úseku; pak totiž dochází k velké divergenci.
Ke zjišťování vnitřní struktury dat využíváme několika metod teorie chaosu. Jedná se o zjišťování korelační dimenze časové řady, porovnání s korelační dimenzí náhodně přestavěné časové řady, určování statistiky BDS, topologický přístup se speciálním zobrazením do roviny, výpočet koeficientů gama, lambda a théta, vycházejících z korelační dimenze a porovnání s náhodně přestavěnou řadou, výpočet Kolmogorovovy entropie a rekonstrukce časové řady se zobrazením do prostoru 2D a 3D.
Po prokázání existence vnitřní struktury je možné přistoupit ke krátkodobé predikci časové řady (dlouhodobé predikce nelze spolehlivě vytvořit), kterou je možné provést několika navzájem podobnými metodami. V opačném případě (jsou-li data náhodná) není možné další chování časové řady předpovědět.
Finanční matematika
Modul obsahuje celou řadu výpočtů pro každodenní použití (úročení,
odúročení, důchody, spoření, směnka, skonto, inflace). Velmi podrobné je
zpracování splátek úvěrů (včetně datového kalendáře) a umožňuje tak přesnou
simulaci průběhu úvěru i při postupném čerpání, splátkách v nestejné výši
nebo plovoucí úrokové sazbě. Do programu lze vložit najednou libovolný
počet úvěrů s různými parametry.
Statistika
Popisná statistika vychází z výpočtů kvartilů, průměrů, rozptylu, směrodatné
odchylky a dalších veličin. Používá se pro zpracování dat například z finanční
analýzy nebo také pro opakující se jevy.
Indexy umožňují stanovit, zda se změnila hodnota produkce vlivem cen nebo množství.
Regrese a korelace se zabývá popisem vztahu dvou a více veličin. Výpočet je prováděn metodou nejmenších čtverců. V programu je regrese prvního a druhého řádu. Pomocí regresní analýzy lze stanovit například závislost mezi tržbami, dluhy a ziskem.
Časové řady zachycují vývoj veličin v čase tzn. trend a také sezónní vlivy.
Shluková analýza patří mezi moderní vícerozměrné statistické metody, která umožňuje přehledně zpracovávat velká množství dat. Jejím výsledkem je vytvoření určitého počtu shluků (který je buď zadaný, nebo je určen optimální počet podle charakteru dat), přičemž platí, že jednotlivé shluky se od sebe maximálně liší a zároveň prvky uvnitř shluku jsou si co nejvíce podobné.
Shluková analýza se používá k redukci velkého množství dat, k vytváření přehledů, v demografických studiích, v marketingu (sledování úrovně prodeje v různých oblastech), v geografii (sledování úhrnu srážek, počtu slunečních dní apod.), k vytváření kategorií (např. kategorizace pracovníků) a dalších oblastech. Jak již bylo naznačeno, lze zadat určitý počet shluků, do nichž mají být data roztříděna, nebo algoritmus sám určí, jaký počet shluků je optimální. Dále je dokonce možné zadat i tzv. jádra shluků, podle nichž se příslušné shluky vytvářejí (prvky v daném shluku se co nejvíce podobají danému jádru).
Výstupem může být tabulka jednotlivých shluků obsahující vybrané prvky, trojrozměrný graf názorně zobrazující vztahy mezi shluky v prostoru (k zobrazení je použita další progresivní metoda hlavních komponent), nebo grafické zobrazení do mapy ČR.
Diskriminační analýza slouží k identifikaci neznámých objektů do některé předem dané třídy. Předpokladem pro provedení diskriminační analýzy je především dostatečný počet objektů (nejméně 30) a normalita rozložení hodnot.
Analýza rozptylu je statistická metoda, která zkoumá závislost jedné nebo více kvantitativních proměnných (zisk, náklady, ekonomické ukazatele, výrobní ukazatele, pěstitelské výsledky, marketingové ukazatele, produkce, spotřeba apod.) na několika skupinách nebo úrovních kvalitativního faktoru (reklama, způsob vedení podniku, technologický postup, způsob hnojení, počasí, vliv konkurence, změny ve vedení podniku apod.). Výsledkem je zjištění, zda a do jaké míry dané kvantitativní proměnné závisejí na různých skupinách nebo úrovních faktoru. Modifikací metody je analýza rozptylu zjišťující závislost jedné kvantitativní proměnné na dvou nebo třech různých kvalitativních faktorech.
Analýza kovariance je podobná statistická metoda jako je analýza rozptylu s tím rozdílem, že při zkoumání závislosti kvantitativních proměnných (zisk, náklady, ekonomické ukazatele, výrobní ukazatele, pěstitelské výsledky, marketingové ukazatele, produkce, spotřeba apod.) na různých úrovních kvalitativního faktoru (reklama, způsob vedení podniku, technologický postup, způsob hnojení, počasí, vliv konkurence, změny ve vedení podniku apod.) tato metoda umožňuje očištění od vlivu tzv. doprovodných proměnných, které mohou vzájemný vztah původních proměnných a daného faktoru ovlivňovat.
Databáze (marketing)
Umožňuje evidenci odběratelů, dodavatelů a dalších kontaktů a jejich
přehledné třídění. Pro analýzu je připraven výkonný a uživatelsky snadno
ovladatelný systém vytváření dotazů, matematických a grafických funkcí.
Modul je možné používat samostatně jako firemní databázi nebo jej lze propojit
s informačním systémem firmy on-line nebo off-line. Karty umožňují přiřadit
ke každému záznamu další časové nebo věcné parametry.
Strategie trhu
Pro hledání optimální strategie na uzavřeném nebo otevřeném trhu je
použita teorie her ve spojení s metodou Monte Carlo. Do výpočtu lze zahrnout
nejen konkurenční strategie, ale také náhodné mechanismy. Modul se používá
například pro simulaci vstupu výrobku nebo firmy na trh. Je možné jej také
využít pro hodnocení důsledků zvýšení nebo snížení tržního podílu produktů
nebo celé firmy na trhu v závislosti na marketingových nebo jiných nákladech.
Matematické postupy použité v tomto modulu umožňují počítat také s náhodnými
vlivy jako jsou činy vlád nebo počasí.
Databáze (personalistika)
Modul je určen pro vytváření přehledu pracovníků současných, bývalých
nebo uchazečů o zaměstnání. Tato databáze je specializovaná tzn. uživatel
má předem připraveny struktury a funkce, avšak s možností rozsáhlé editace,
a nemusí tak vytvářet celou databázi od začátku. Naplnění databáze lze
provádět i z vnějších systémů (například programů pro mzdy). V programu
lze používat i více databází najednou.
Databáze také umožňuje tvorbu nejrůznějších dotazů a jejich profesionální zpracování a dále vytváření podmínek a klíčů k vyhledání nejrůznějších dat z databáze včetně použití matematických operací. Grafické výstupy zajišťují přehledné zobrazení výsledků a usnadňují práci například při porovnávání znalostí a schopností pracovníků mezi sebou.
Hodnocení pracovníků
Tento modul je založen na vícekriteriálním hodnocení variant. Metoda
kriteriálního hodnocení variant je vhodná zejména při nedostatku informací.
Používá se také nejen pro výběr nejlepší varianty tzn. pracovníka, ale
i pro vyloučení nejméně vhodných variant. Program umožňuje využít pro hodnocení
databázi pracovníků a vložit libovolný počet kritérií. Stanovením váhy
těchto kritérií (například metodou párového porovnávání nebo Saatyho metodou)
lze klást důraz na určité vlastnosti, znalosti nebo schopnosti pracovníků.
Pro hodnocení je možné využít i názoru více hodnotitelů (týmová práce) a zároveň pomocí váhy stanovit význam názoru hodnotitele. Tak lze například rozlišit stanoviska přímého nadřízeného od ostatních hodnotitelů.
Hodnocení pracovníků je nezbytné i pro dosažení certifikátu kvality ISO.
Rozmisťování pracovníků
Rozmísťování pracovníků je řešeno pomocí přiřazovacího problému. Jedná
se tedy o speciální případ distribuční úlohy.
Modul řeší optimální přiřazování pracovníků, což znamená umísťování nebo přemísťování pracovníků na určitá místa. Tato místa jsou charakterizována určitými požadavky, které definuje uživatel. Požadavky mohou být nejen kritéria, podle nichž je pracovník hodnocen, ale také určité filtry, jejichž splnění podmiňuje možnost obsazení daného pracovního místa (délka praxe, věk, vzdělání apod.).
Výsledkem je optimální rozdělení všech hodnocených pracovníků na všechna pracovní místa, která jsou k dispozici. Průběh optimalizace lze graficky sledovat pomocí animace.
Kategorizace
Pro kategorizaci pracovníků se používá matematicko-statistická metoda
shluková analýza. Nejlépe se hodí pro vytváření návrhů organizační struktury,
změny organizačního uspořádání nebo vytváření kategorií pracovníků. Pomocí
shlukové analýzy lze nalézt optimální nebo přesně stanovený počet kategorií.
Zajímavou oblastí je vytváření kategorií podle jádra shluku například vedoucí
a jejich podřízení pracovníci.
Vytvořené shluky jsou graficky zobrazené s dobře viditelnými prostorovými vztahy mezi objekty.
Vytváření týmů
Pod pojmem tým rozumíme okruh pracovníků, kteří spolu dokáží spolupracovat
a jako celek podávají lepší výsledky než samostatně. Některé vlastnosti
členů týmu mohou být shodné, jiné naopak rozdílné. Celé řešení této složité
úlohy je postaveno na matematické metodě, která byla vyvinuta speciálně
pro tyto účely. Jedná se o tzv. míru excentricity objektů, kde objektem
rozumíme jednotlivého pracovníka. Tato metoda zajišťuje výběr pracovníků
do týmu podle zadaných požadavků a navíc dokáže pracovat i s různými váhami
vlastností. To napomáhá uživateli vytvořit tým přesně podle jeho požadavků.
Metoda Monte Carlo
Metoda Monte Carlo se obecně používá při studiu vlastností náhodných
jevů, hledání přípustných nebo optimálních řešení, studiu náhodného pohybu
částic a v řadě dalších oblastí. Stále větší uplatnění nachází také v simulování
ekonomických procesů. Program ECON Pro využívá tuto
metodu pro:
* optimalizaci rozvahy a výkazu zisků a ztrát ve finanční analýze
* optimalizaci finančního plánu
* rozhodování za rizika ve vícekriteriálním hodnocení variant
Optimalizace metodou Monte Carlo umožňuje velmi snadno odhadovat budoucí vývoj tj. sestavit výkazy ve finanční analýze nebo finanční plán. Pro optimalizaci můžete zadat nejen předpokládanou úroveň vstupních položek (rozvaha a výkaz zisků a ztrát), ale také výstupní údaje tj. vaše požadavky na úroveň ukazatelů. V praxi to znamená, že odhadnete například úroveň tržeb, pohledávek, zadáte požadované investice nebo úvěry a zároveň můžete požadovat určitou minimální hodnotu rentability, likvidity nebo naopak maximální přijatelnou úroveň doby inkasa. Tak lze dát do souladu reálné možnosti firmy s požadavky manažerů, akcionářů nebo věřitelů. Tento velmi náročný proces je klasickými metodami téměř neřešitelný, proto program EconPro využívá metodu Monte Carlo.
Rozhodování za rizika je řešeno také metodou Monte Carlo, která simuluje pravděpodobnost výskytu stavů u jednotlivých variant. Používá se vysokého počtu opakování (řádově 10000) pro dosažení optimálních výsledků.
Teorie her
Tato teorie se zabývá studiem rozhodovacích situací. Studují se zde otázky existence, jednoznačnosti a stability optimálních rozhodnutí a dále postupy, pomocí nichž lze v konkrétních situacích optimální rozhodnutí najít. Program EconPro využívá tuto teorii pro:
* rozhodování za nejistoty ve vícekriteriálním hodnocení variant
* strategii firmy nebo produktu na trhu
Na rozhodování za nejistoty můžeme nahlížet jako na hru dvou hráčů, z nichž jeden je inteligentní (rozhodovatel) a druhý neinteligentní (příroda, náhodné mechanismy trhu apod.). Neexistuje však univerzální metoda, která by dokázala tento složitý problém plně vyřešit. Proto program EconPro nabízí možnost volby čtyř rozhodovacích principů podle charakteru problému. Při hodnocení je také brán v úvahu subjektivní přístup uživatele.
Genetické algoritmy
Genetické algoritmy jsou určeny k vyhledávání řešení různě složitých
systémů. Získaná řešení mohou být navíc optimalizována podle zadaných požadavků
(lze optimalizovat i více nezávislých veličin najednou). Algoritmus tvořící
jádro celého programu obsahuje nejen proces mutace, ale navíc ještě speciální
přístupy, které se osvědčily při řešení různých problémů.
Modul aplikuje princip genetického algoritmu na řešení různorodých úloh, se kterými se lze setkat ve specifických profesionálních oblastech, jakými jsou např. finance, výroba, stavebnictví, zemědělství, doprava atd.. Prostřednictvím jednoduchého uživatelského aparátu lze nadefinovat jakýkoliv systém tvořený libovolným počtem veličin a matematických vztahů. Následně je spuštěn vlastní proces vývoje, který lze sledovat, ovládat a měnit. V průběhu generování jedinců je možné měnit celkový počet jedinců v generaci, přepínat mezi dvěma typy mutací, stanovit si cíl výpočtu, sledovat vývoj všech veličin, průběžně prohlížet a ukládat mezivýsledky nebo měnit omezení. Celý proces je graficky znázorněn a spolu s dalšími ukazateli vývoje je uživatel informován o jeho intenzitě a spojitosti. Rovněž dochází k výpisu důležitých událostí v evoluci systému, které představují postupné plnění zadaných podmínek řešení.
Fuzzy množiny
Slovní hodnocení variant má oproti klasickému hodnocení pomocí čísel
velkou výhodu v tom, že se velmi přibližuje lidskému vyjadřování a myšlení,
které neprobíhá v číslech, ale ve vágních pojmech, které jsou „neostré“
a „obecné“ a se kterými umějí pracovat právě zde aplikované fuzzy množiny.
Klasické metody hodnocení založené na přiřazení číselných hodnot nebo bodů
s sebou přinášejí nepřesnosti, protože pod čísly si těžko někdo něco představí.
A tak snaha o přílišnou přesnost v hodnocení vede spíše ke zkreslení. Je
přece snazší říci, že komunikační schopnosti pracovníka jsou víceméně dobré,
než je hodnotit 55 body ze 100 (nebo 52 či snad 57 ?).
Hodnotit lze nejen pracovníky nebo výrobky, ale i projekty, technologické postupy nebo rozhodnutí o budoucím vývoji. Jak již bylo řečeno, jednotlivé varianty jsou hodnoceny pomocí výrazů, které náleží do množiny pevně nadefinovaných hodnocení a je možné je různě kombinovat. Používají se přídavná jména a příslovce, tedy např. velmi vysoký, průměrný, nízký, zhruba průměrný, spíše malý, víceméně velký apod. Každé toto hodnocení je vnitřně převedeno do příslušné fuzzy množiny, na kterou program aplikuje operace sčítání a násobení, což umožňuje i hodnocení vícekriteriální. Výstupem je grafické znázornění variant, u kterých jsou barevně odlišeny jednotlivé úrovně (charakterizované umístěním a mírou jistoty), sloužící k posouzení, která z variant bude vybrána jako nejlepší. Jako doprovodný údaj je znázorněna číselná hodnota vyjadřující tzv. těžiště fuzzy množiny, které vypovídá o umístění varianty ve srovnání s ostatními.
Hodnocení variant za rizika spočívá v posuzování variant, u kterých přesně neznáme jejich „stavovou hodnotu“, ale pouze pravděpodobnostní rozložení možných stavů. Jako příklad můžeme uvést pravděpodobné rozložení výnosů akcií, výnosů obilovin, celkového zisku z připravovaných projektů, objemu prodeje za určité období apod.
Ve většině případů se jedná o veličiny, které jsou ovlivněny faktory,
které nedokážeme ovlivnit a které zasahují náhodně a nepředvídatelně. Jediné,
co dokážeme odhadnout (buď pomocí jiných faktorů nebo minulých zkušeností),
je pravděpodobný rozsah dané veličiny (např. výnos akcií bude mezi 5 000
až 10 000, výnos obilovin bude 250 až 300 q/ha, objem prodeje se bude pohybovat
mezi 25 000 až 32 000 kartonů za týden) a přibližné pravděpodobnostní rozložení.
Při využití fuzzy množin je však lepší hovořit o tzv. míře jistoty, se
kterou může být dosaženo příslušných hodnot. Určování konkrétních pravděpodobností
(jako např. dosažení výnosu obilovin 250 až 258 q/ha s pravděpodobností
14 %) je totiž zavádějící, nepřesné a v podstatě nemožné. Naopak
míra jistoty, rozdělená do 5 intervalů, umožňuje snazší popis a hodnocení
(lze ji např. interpretovat výrazy nízká až mizivá, spíše střední, střední,
vysoká a velmi vysoká až maximální). Z takto ohodnocené varianty je pak
vnitřně vytvořena fuzzy množina, na kterou je možné aplikovat operace sčítání
a násobení, což umožňuje i hodnocení vícekriteriální. Výstupem je grafické
znázornění variant, u kterých jsou barevně odlišeny jednotlivé úrovně (charakterizované
umístěním a mírou jistoty), sloužící k posouzení, která z variant bude
vybrána jako nejlepší.