СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Управление проектами в крупных организациях и предприятиях представляет собой сложный трудоемкий процесс. Автоматический поиск экспертов и назначение их в качестве исполнителей на проекты, в которых они будут максимально полезны, увеличивает эффективность управления персоналом и уменьшает количество ошибок в этой области по сравнению с ручным назначением. Метод формирования группы исполнителейдля совместного выполнения задач, представленный в настоящей статье, реализует этот процесс. При поиске и сопоставлении экспертов предложенным методом учитываются различные параметры, такие как компетентность экспертов, стоимость работы и степень психологического влияния друг на друга. Для этого в методе используется показатель оптимальности группы, зависящий от этих параметров. Все варианты экспертных групп, сформированные методом, отображаются в виде списка, отсортированного по коэффициенту оптимальности группы. Каждый из предоставляемых вариантов полностью удовлетворяет заданным требованиям, при этом система предоставляет возможность сравнить их по коэффициенту оптимальности группы и суммарной стоимости работы длявыбора наиболее подходящего из вариантов. В статье описаны результаты реализации этого метода, его внедрения в систему управления компетенциями и тестирования. Показана работоспособность и эффективность метода на реальных данных, а также возможность применения описанного метода для больших объемов данных с сохранением высокой скорости выполнения. В дальнейшем планируется расширение набора критериев, используемых при формировании групп исполнителей, для нахождения наиболее подходящих для организации вариантов.

1. A survey on expert finding techniques / S. Lin, W. Hong, D. Wang, T. Li //Journal of Intelligent Information Systems. – 2017. – Vol. 49. – P. 255–279. – DOI: 10.1007/s10844-016-0440-5.

2. Liu Z., Zhang Y. Structures or texts? A dynamic gating method for expert finding in CQA services //Lecture Notes in Computer Science. – 2018. – Vol. 10828. – P. 201–208. – DOI: 10.1007/978-3-319-91458-9_12.

3. A team formation model based on knowledge and collaboration / H. Wi, S. Oh, J. Mun, M. Jung //Expert Systems with Applications. – 2009. – Vol.36. – P. 9121–9134. – DOI: 10.1016/j.eswa.2008.12.031.

4. Liang S., Rijke M. Formal language models for finding groups of experts //Information Processing & Management. – 2016. – Vol. 4. – P. 529–549. – DOI: 10.1016/j.ipm.2015.11.005.

5. Ioannidisa E., Varsakelis N., Antoniou I. Experts in knowledge networks: central positioning and intelligent selections //Physica A: Statistical Mechanics and its Applications. – 2019. – Vol. 509. – P. 890–905. – DOI: 10.1016/j.physa.2018.06.003.

6. Enterprise system as business intelligence and knowledge capabilities for enhancing applications and practices of IT governance / F.M. Alkhaldi, S.M. Hammami, S. Kasem, A. Rashed, M.N. Alraja//International Journal of Organizational and Collective Intelligence. – 2017. – Vol. 7. – P. 63–77. – DOI: 10.4018/IJOCI.2017040105.

7. Competency management system for technopark residents: smart space-based approach / A. Smirnov,A. Kashevnik,S. Balandin,O. Baraniuc,V. Parfenov//Internet of Things, Smart Spaces, and Next Generation Networks and Systems. – 2016. – P. 15–24.– (LNCS; vol. 9870).

8. Степаненко В.А., КашевникА.М., Гуртов А.В. Контекстно-ориентированное управление компетенциями в экспертных сетях //Труды СПИИРАН. – 2018. – Вып. 4 (59). – С. 164–191.

9. Petrov M., Kashevnik A., Stepanenko V. Competence-based method of human community forming in expert network for joint task solving //Digital Transformation and Global Society: Third International Conference, DTGS 2018, St. Petersburg, Russia. – Cham: Springer,2018. – P. 24–38.

10. Petrov M.V, Kashevnik A.M. Expert group formation for task performing: competence-based method and implementation //Proceedings of the 23rd Conference of Open Innovations Association FRUCT. – Finland:FRUCT Oy, 2018. – P. 315–320.

11. Мельник П.Б. Методика формирования экспертных пулов и групп для проведения экспертно-аналитических исследований //Инноватика и экспертиза. – 2017. – № 1 (19). – С. 39–54.

12. A survey on expert finding techniques / S. Lin, W. Hong, D. Wang, T. Li //Journal of Intelligent Information Systems. – 2017. – Vol. 49. – P. 255–279. – DOI: 10.1007/s10844-016-0440-5.

13. Xu J., HeR. Expert recommendation for trouble ticket routing //Data & Knowledge Engineering. – 2018. – Vol. 116. – P. 205–218. – DOI: 10.1016/j.datak.2018.06.004.

14. Karimi-Majd A., Mahootchi M., Zakery A.A reinforcement learning methodology for a human resource planning problem considering knowledge-based promotion //Simulation Modelling Practice and Theory. – 2017. – Vol. 79. – P. 87–99. – DOI: 10.1016/j.simpat.2015.07.004.

15. A hybridization of genetic algorithms and fuzzy logic for the single-machine scheduling with flexible maintenance problem under human resource constraints / M. Touat, S. Bouzidi-Hassini, F. Benbouzid-Sitayeb, B. Benhamou//Applied Soft Computing. – 2017. – Vol. 59. – P. 556–573.

16. ZhangL. An inverse optimization model for human resource allocation problem considering competency disadvantage structure //Procedia Computer Science. – 2017. – Vol. 112. – P. 1611–1622. – DOI: 10.1016/j.procs.2017.08.248.

17. Rybak J.,Balog K.,NørvågK. Temporal expertise profiling //Lecture Notes in Computer Science. – 2014. – Vol. 8416. – P. 540–546. – DOI: 10.1007/978-3-319-06028-6_54.