Дипломная (вкр): Методы и модели внутрифирменного управления

Данные табл. 6. свидетельствуют об изменениях выручки от реализации продукции, работ, услуг. Ежегодный рост объемов продаж составляет 6%.

Однако, несмотря на расширение деятельности предприятия, численность работников сокращается.

Увеличение производительности труда в 2014 году по сравнению с 2012 годом составляет 36,8%, рост отдачи труда связан как с ростом объемов продаж предприятия, так и со снижением численности работников.

Положительным моментом является рост производительности труда и рост среднемесячной заработной платы. Темпы прироста свидетельствуют о значительных увеличениях по всем показателям, что является положительным моментом в деятельности ООО «Чай»

Коллектив ООО «Чай» в основном стабильный, длительное время работающий на предприятии. А постоянные кадры совершенствуют свою квалификацию, быстро ориентируются в любой нетипичной обстановке и активно влияют на уровень производительности труда. Рациональное использование трудовых ресурсов, высокий уровень производительности труда имеют большое значение для увеличения объемов продукции и повышения эффективности производства.

3.3 Направленный вычислительный эксперимент

Направленный вычислительный эксперимент (НВЭ) - целенаправленное исследование модели с целью получения информации, необходимой для принятия решения; его содержание определяется на основе предварительного аналитического анализа, а полученные результаты обрабатываются с использованием различных математических методов и вычислительных процедур с целью установления их достоверности и их обоснования.

Целью направленного вычислительно эксперимента является оптимизация работы системы, а также выработка правильной управленческой политики.

До недавнего времени дистрибьюторские компании стремились к быстрому расширению клиентской базы, территориальной экспансии и увеличению доли рынка. В условиях мирового финансового кризиса их внимание сместилось в сторону более детального подхода к работе с уже имеющимися клиентами, их удержанию, повышению лояльности, улучшению качества и эффективности обслуживания заявок Клиентов.

Функционирование имитационной модели опирается на статистические данные и структуру отдела закупок и продаж ООО «Чай» г. Стерлитамак.

С помощью имитационной модели можно проанализировать и оптимизировать следующие показатели:

-       количество заявок к оператору;

-       количество заявок к специалисту;

-       величина возможных, но обработанных заявок к оператору;

-       величина возможных, но не обработанных заявок к специалисту;

-       максимальная длина очереди к оператору;

-       максимальная длина очереди к специалисту;

-       средняя длина очереди к оператору;

-       средняя длина очереди к специалисту;

-       количество обслуженных заявок оператором;

-       количество не обслуженных заявок оператором;

-       количество обслуженных заявок специалистом;

-       количество не обслуженных заявок специалистом;

-       вероятность отказа заявки;

-       коэффициент простоя обслуживаемого канала;

-       коэффициент простоя обслуживаемого объекта;

-       среднее время обслуживания заявки;

-       среднее время ожидания обслуживания;

-       среднее время нахождения заявки в отделе;

-       «узкие места» работы отдела;

а также оптимизировать такие параметры как:

-       количество обслуживающих каналов(количество операторов);

-       график работы сотрудников отдела.

Проведем серию экспериментов с целью оптимизации количества

операторов, и как следствие улучшение финансово-экономических

показателей предприятия.

На основании статистических данных таблиц 10 - 11 (Приложение), исходные данные модели приведены в таблице 8.

Таблица 7. Исходные данные модели

Эксперимент1. Оптимизация количества обслуживающих аппаратов в предположении стационарного входного потока.

Ситуация №1.Для функционирования отделения необходима работа 2

специалистов.

Ситуация №2.Для функционирования отделения необходима работа 3

специалистов.

Ситуация №3.Для функционирования отделения необходима работа 4

специалистов.

Время проведения эксперимента - 720 минут модельного времени или один рабочий день отдела. Максимальная длина очереди в кассы равна 50 заявок или в среднем длина очереди в к одному специалисту не превосходит 15 - 25 заявок.

В таблице 8 представим результаты эксперимента 1.

Таблица 8. Результаты эксперимента 1

Анализируя результаты эксперимента можно сделать выводы:

1)  в случае работы 4 специалистов:

-       максимальная длина очереди к специалистам не превосходит 4 заявок, или максимальная длина очереди к одному специалисту составляет 1 заявка;

-       средняя длина очереди к специалистам составила 0,31 заявок, или средняя длина очереди к одному специалисту составляет 0,077 заявок;

-       количество заявок, поступившие за обслуживанием в течение дня, - 430 заявок, при этом все заявки были обслужены, т.е. вероятность отказа обслуживания заявки равна нулю;

-       среднее время обслуживания заявки составляет 6 минут, среднее время ожидания обслуживания - 0,46 минут, следовательно, среднее время нахождения заявки в системе равно 4,5 минут;

-       коэффициент простоя специалистов равен 0,58;

-       коэффициент загрузки равен 0.42;

) в случае работы 3 специалистов:

-       максимальная длина очереди составила 21 заявок, или максимальная длина очереди к одному специалисту составляет 7 заявок;

-       средняя длина очереди к специалистам составила 7,27 заявок, или средняя длина очереди к одному специалисту составляет 1,81 заявок;

-       количество заявок, поступившие за обслуживанием в течение дня, - 427 заявок, при этом все клиенты были обслужены, т.е. вероятность отказа обслуживания заявки равна нулю;

-       среднее время обслуживания заявки составляет 6 минут, среднее время ожидания обслуживания - 14,57 минут, следовательно, среднее время нахождения заявки в системе равно 20,57 минут;

-       коэффициент простоя специалистов равен 0,346;

-       коэффициент загрузки равен 0,047;

)в случае работы 2 специалистов:

-       максимальная длина очереди составила 50 заявок или максимальная длина очереди к одному специалисту одну составляет 25 заявок;

-       средняя длина очереди к специалистам составила 33,85 заявок, или средняя длина очереди к одному специалисту составляет 16,9 заявок;

-       количество клиентов, обратившихся за обслуживанием в течение дня, - 432 заявок, из них 48 заявок не дождались обслуживания, поэтому вероятность отказа обслуживания заявки специалистов равна 0,11;

-       среднее время обслуживания заявки составляет 6 минут, среднее время ожидания обслуживания - 101,5 минут, следовательно, среднее время нахождения заявки в системе равно 107,5 минут;

-       коэффициент простоя специалистов равен 0,017;

-       коэффициент загрузки равен 0,983;

Графическая интерпретация результатов эксперимента 1 представлена на рисунках 9-11. На рисунке 9 представлены графики длины очереди к специалистам.

Рис.9.Длина очереди к специалистам

В случае работы 4 специалистов, очередь на обслуживание практически отсутствует. При работе 3 специалистов, длина очереди возрастает до максимального значения 21 заявок через 3,5 часа после начала функционирования отдела, т.е. ближе к 12 часам дня, а потом длина очереди в специалистов принимает значение менее 10 заявок. В случае работы 2 специалистов , через 5 часов функционирования операционного отдела, заявки начинают покидать отдел, поскольку длина очереди к специалистам достигает критического значения 50 заявок. В случае работы 2 специалистов, операционный отдел не справляется с обслуживанием клиентов.

На рисунке 10 представлены графики количества заявок, отказавшихся от обслуживания в кассах.

Рис.10 Количество заявок, отказавшихся от обслуживания к специалистам

В случаях работы 3 и 4 специалистов, все заявки были обслужены. При работе 2 специалистов, через 5 часов после начала функционирования отдела, длина очереди в кассы достигла критического значения - 50 заявок, и заявки начали покидать отдел, не дождавшись обслуживания. Количество не обслуженных заявок за время эксперимента составило 48 заявок.

На рисунке 11 представлены графики величины возможных, но не обработанных заявок к специалистам. В случаях работы 3 и 4 специалистов, все обратившиеся к специалистам заявки были обслужены, поэтому величина возможных, но не обработанных заявок к специалистам равна нулю.

Рис.11.Величина возможных, но не обработанных заявок к специалистам.

При работе 2 специалистов, через 5 часов после начала функционирования отдела, клиенты начинают покидать отдел, а, следовательно, отдел терпит «убытки».

Среднее время ожидания обслуживания имеет значения от 1 до 15 минут при работе 3 или 4 специалистов, а вероятность отказа по заявке равна нулю. В случае работы 2 специалистов 11% заявок остаются не обслуженными.

Коэффициент простоя при работе 4 специалистов равен 0,58, а значит, половину рабочего времени кассы простаивали. В случае работы 3 специалистов, специалисты простаивали 33 минуты за весь рабочий день. В случае работы 2 специалистов, специалисты простаивали лишь 12 минут. В случае работы 3 и 2 специалистов, коэффициент загрузки близок к 1, следовательно, работа специалистов идет непрерывно и равномерно.

Анализируя полученные результаты, оптимальным для отдела будет функционирование 3 специалистов.

На практике, как правило, входной поток заявок не является стационарным, т.е. его интенсивность меняется в течение дня. Учитывая это, проведем серию вычислительных экспериментов с переменной нагрузкой на обслуживающие каналы.

Эксперимент 2. Оптимизация количества обслуживающих аппаратов в предположении нестационарного входного потока.

Ситуация№1. Интенсивность входного потока равна 0,5.

Ситуация№2.Интенсивность входного потока равна 0,7.

Ситуация№3.Интенсивность входного потока равна 0,8.

Время проведения эксперимента - 720 минут модельного времени или один рабочий день отдела.

Максимальная длина очереди в кассы равна 50 заявок или среднем длина очереди к одному специалисту не превосходит 15 - 25 заявок. Максимальная длина очереди к оператору равна 15 заявок.

Количество обслуживающих каналов - 3.

Исходные данные эксперимента приведены в таблице 8.

В таблице 10 представим результаты эксперимента 2.

Таблица 9. Результаты эксперимента 2