Применение методов интеллектуального анализа данных в оценке функциональной эффективности команд менеджеров

Татьяна Васильевна Азарнова; Ирина Михайловна Терлюга; Вера Владимировна Ухлова

doi:10.17308/sait.2020.4/3204

Татьяна Васильевна Азарнова Воронежский государственный университет https://orcid.org/0000-0001-6342-9355
Ирина Михайловна Терлюга Воронежский государственный университет https://orcid.org/0000-0001-5692-3240
Вера Владимировна Ухлова Воронежский государственный университет https://orcid.org/0000-0002-6689-3089

DOI: https://doi.org/10.17308/sait.2020.4/3204

Ключевые слова: корреляционная матрица ролевых профилей команды, оценка эффективности команд менеджеров, нейросетевые технологии, методы поиска ассоциативных правил

Аннотация

Применение команд менеджеров в управлении проектами можно рассматривать как устоявшуюся тенденцию современного бизнеса. Результативность проектов напрямую зависит от эффективности команд менеджеров. При формировании команды необходимо наряду с профессиональными знаниями учитывать ролевые особенности всех входящих в неё членов, анализировать возможность их плодотворной, результативной совместной работы. В соответствии с методикой Р. М. Белбина у каждого члена команды в какой-то степени развиты роли генератора идей, аналитика, исследователя ресурсов, координатора, контролера, реализатора, мотиватора и вдохновителя команды. Вектор степеней выраженности данных ролей формирует ролевой профиль участника команды. В данной работе анализируется возможность применения методов интеллектуального анализа данных для оценки эффективности команд по ролевым профилям ее членов. Предложены алгоритмы получения прогнозных оценок функциональной эффективности команд менеджеров, базирующиеся на нейросетевых технологиях, и алгоритмы поиска ассоциативных правил для формирования состава эффективных команд. Ассоциативные правила позволяют выявить причинно-следственные закономерности в ролевом составе эффективных команд менеджеров, которые можно учитывать при формировании новых команд или внесении изменений в текущий состав. В качестве информационной базы для нейросетевого алгоритма, рассматривается база, содержащая в качестве входов — корреляционную матрицу или матрицу близости ролевых профилей членов команды, а в качестве выходов пять компонент функциональной эффективности команды (планирование, организация, мотивация, контроль, координация). На основе данной информационной базы нейросеть обучается по входам распознавать выходы. Все алгоритмы доведены до программной реализации и прошли успешную апробацию. В статье продемонстрированы основные характеристики разработанного программного обеспечения и результаты проведенного комплексного вычислительного эксперимента.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Татьяна Васильевна Азарнова, Воронежский государственный университет

д-р техн. наук, профессор кафедры математических методов исследования операций Воронежского государственного университета

Ирина Михайловна Терлюга, Воронежский государственный университет

аспирант 3-го года обучения кафедры математических методов исследования операций Воронежского государственного университета

Вера Владимировна Ухлова, Воронежский государственный университет

канд. техн. наук, доцент кафедры математических методов исследования операций Воронежского государственного университета

Литература

1. Omar M., Syed-Abdullah SL., Mohd Hussin N. Developing a Team Performance Prediction Model: A Rough Sets Approach. In: Abd Manaf A., Zeki A., Zamani M., Chuprat S., El-Qawasmeh E. (eds) Informatics Engineering and Information Science // ICIEIS 2011. Communications in Computer and Information Science, 2011. Vol 252. Springer, Berlin, Heidelberg.
2. Granasen D. Towards automated assessment of team performance by mimicking expert observers’ ratings // Cogn Tech Work. 2019. I. 21. 253 p. DOI
3. Sinclair M. A., Siemieniuch C. E., Haslam R. A., Henshaw M.J.d.C., Evans L. The development of a tool to predict team performance. Applied Ergonomics. 2012. V. 43, I. 1. January. P. 176–183.
4. Josey W. Chad & England Kenric. Utilizing a project profile matrix to determine project management requirements // Paper presented at the PMI Global Congress 2009, North America, Orlando, FL.
5. Marks M. A., Mathieu J. E., Zaccaro S. J. A temporally based framework and taxonomy of team processes // Academy of Management Review. 2001. V. 26, I. 3. P. 356–376.
6. Chien C. F., Chen L. F. Data mining to improve personnel selection and enhance human capital: A case study in high-technology industry // Expert Systems and Applications. 2008. V. 34. P. 280–290.
7. Kozlowski SWJ, Ilgen DR. Enhancing the effectiveness of work groups and teams. Psychological Science in the Public Interest. 2006. V. 7, I. 3. P. 77–124.
8. Neuman G. A., Wagner S. H., Christiansen N. D. The Relationship Between Work-Team Personality Composition and the Job Performance of Teams // Group Organization Management. 1999. V. 24, I. 1. P. 28–45.
9. Belbin Meredit. Management teams. Why they succeed or fail. Butterworth Heinemann. 2003. 315 p.
10. Maslow D., Vatson P., Chilishi N. Functional model for evaluating a manager Methods of quality management. 2005. V. 3.
11. Azarnova T. V., Shchepina I. N., Demidova A. S., Glotova E. A., Nenyaga K. S. Information analytical applications for evaluation the human potential of organizational systems // The modern economy: problems and solutions. 2007. V. 10. P. 14–32
12. Azarnova T. V., Glotova E. A. Neural network algorithm for evaluating the functional effectiveness of management teams based on their role composition // Questions of science. 2017. V. 2. P. 4–18.
13. Kashirina I. L., Azarnova T. V. Neural network and hybrid systems. Voronezh : VSU Publishing House, 2014. 79 p.