FinanΦnφ anal²za
Vychßzφ z tabulek rozvahy a v²kazu zisk∙ a ztrßt a zpracovßvß °adu pom∞rov²ch ukazatel∙ zat°φd∞n²ch do skupin (likvidita, aktivita, financovßnφ apod.). U₧ivatel mß mo₧nost m∞nit strukturu zßkladnφch tabulek, vytvo°it vlastnφ tabulky, ukazatele nebo dotazy. Program pracuje s neomezen²m poΦtem rok∙, kterΘ je mo₧no dßle Φlenit a₧ na m∞sφce.

V programu je zde °ada nßstroj∙ usnad≥ujφcφ prßci p°i modelovßnφ budoucφho v²voje. Jsou to nap°φklad r∙znΘ automatickΘ p°epoΦty, kterΘ umo₧≥ujφ nejen rychle vyplnit nßsledujφcφ obdobφ, ale takΘ provßd∞t p°epoΦty na ·Φetnφ bßzi v ji₧ hotov²ch tabulkßch. Pyramidßlnφ rozklady, dφlΦφ rozklady ukazatel∙ a mo₧nost porovnßvßnφ jsou dalÜφ funkce nezbytnΘ pro provßd∞nφ kvalitnφ finanΦnφ anal²zy.

FinanΦnφ anal²za programu EconPro to nejsou jen pom∞rovΘ ukazatele. Pou₧itφ matematick²ch metod takΘ umo₧≥uje provΘst anal²zu jednotliv²ch ukazatel∙ nebo pyramid a pomocφ diferencφ, p°φr∙stk∙ a index∙ tak zjistit vliv jednotliv²ch polo₧ek na hodnotu v²slednΘho ukazatele. Mo₧nosti FinanΦnφ anal²zy lze v²razn∞ rozÜφ°it pou₧itφm nadstavbovΘ Φßsti Optimalizace metodou Monte Carlo.

Modul FinanΦnφ anal²za lze pou₧φt pro podvojnΘ ·Φetnictvφ v plnΘm i zkrßcenΘm rozsahu, pro rozpoΦtovΘ a p°φsp∞vkovΘ organizace i pro neziskovΘ organizace.

KapitßlovΘ v²poΦty a hodnota firmy
Tento modul je urΦen zejmΘna pro akciovΘ spoleΦnosti. R∙zn² pohled na kapitßl, jeho cenu, posouzenφ v²hodnosti pom∞ru cizφho a vlastnφho kapitßlu, °φzenφ hotovostnφch tok∙ a dalÜφ v²poΦty jsou stßle pot°eba pro ka₧dodennφ rozhodovßnφ.

Stanovenφ hodnoty firmy metodou v²nosovou, substanΦnφ nebo tr₧nφho ocen∞nφ a dalÜφ v²poΦty v tΘto oblasti umo₧≥ujφ stßle zjiÜ¥ovat informace pot°ebnΘ nejen pro mana₧ery, ale zejmΘna pro vlastnφky firem.

FinanΦnφ plßn
FinanΦnφ plßn podßvß p°ehled o finanΦnφch pot°ebßch a zdrojφch krytφ a zßrove≥ umo₧≥uje plßnovat rozvahu a v²sledovku. Na rozdφl od tabulek finanΦnφ anal²zy je vÜe °eÜeno v rßmci jedinΘ tabulky, kterß je vytvo°ena na bßzi hotovostnφvh tok∙. Zm∞na jakΘkoliv polo₧ky plßnu se ihned promφtne nejen v rßmci jednoho obdobφ, ale takΘ ve vÜech obdobφ nßsledujφcφch. Tφm lze sledovat vlivy jednotliv²ch polo₧ek na vyrovnanost plßnu a p°ijφmat tak rychle ·Φinnß opat°enφ.

FinanΦnφ plßn je urΦen mana₧er∙m pro jeho snadnΘ pou₧φvßnφ zejmΘna tφm, ₧e struktura finanΦnφho plßnu neodrß₧φ ·Φetnφ pohled na tuto problematiku, ale preferuje mana₧ersk² p°φstup.

Cel² proces tvorby finanΦnφch plßn∙ lze pln∞ automatizovat pou₧itφm nadstavbovΘ Φßsti Optimalizace metodou Monte Carlo.

Nßkladovß anal²za
Pro v²robnφ firmy nebo firmy produkujφcφ slu₧by je urΦen tento modul. Na principu Φlen∞nφ nßklad∙ na fixnφ a variabilnφ program provßdφ optimalizaci, anal²zu bodu zvratu (BEP) a umo₧≥uje vyhodnocenφ vztahu mezi nßklady, cenou, objemem produkce, obratem a ziskem. Anal²za citlivosti rozÜi°uje pou₧itφ pro tvorbu nejr∙zn∞jÜφch variant, kterΘ mohou nastat. VÜe je mo₧nΘ sledovat v libovolnΘm poΦtu obdobφ v Φlen∞nφ na roky, Φtvrtletφ nebo m∞sφce.

Simplexovß metoda °eÜφ hledßnφ optimßlnφ struktury produkce p°i omezen²ch zdrojφch. V²poΦet lze provΘst pro maximalizaci zisku, produkce nebo tr₧eb.

╪φzenφ v²roby (genetickΘ algoritmy)
╪φzenφ v²robnφch proces∙ je ne°eÜitelnΘ klasick²mi matematick²mi metodami, pokud chceme °eÜit tento problΘm opravdu reßln∞ se zachycenφm vÜech mo₧n²ch vztah∙ a d∙sledk∙. Proto nabφzφme °eÜenφ tohoto problΘmu za pomoci velmi v²konnΘ a progresivnφ metody, kterou jsou genetickΘ algoritmy. Genetick² algoritmus tvo°φ jßdro celΘho systΘmu, °φdφ jeho evoluci a zajiÜ¥uje neustßlΘ zlepÜovßnφ °eÜenφ. Tato metoda umo₧≥uje zadßvat r∙znß omezenφ, vztahy a kritΘria bez vzr∙stajφcφ slo₧itosti celΘho systΘmu. Dan² problΘm je °eÜen vnit°nφ simulacφ, kdy systΘm vytvß°φ  cel² v²robnφ proces v reßlnΘm Φase a dokß₧e se ihned p°izp∙sobovat zadan²m omezenφm, vztah∙m a kritΘriφm a poslΘze nalΘzß koneΦnΘ °eÜenφ . V²sledkem je jednak grafickΘ znßzorn∞nφ ΦasovΘho rozvr₧enφ celΘ v²roby na jednotlivß pracoviÜt∞, jednak dalÜφ informace o vyu₧itφ pracoviÜ¥, spot°eb∞ zdroj∙, v²Üi jednotliv²ch nßklad∙ apod. Dφky specißlnφ metod∞ vytvß°enφ °eÜenφ v reßlnΘm Φase jsou k dispozici i ·daje z ka₧dΘho ΦasovΘho okam₧iku celΘho v²robnφho procesu. Navφc je mo₧nΘ kdykoliv pozastavit v²voj a prohlφ₧et aktußlnφ °eÜenφ. Rovn∞₧ je mo₧nΘ spustit simulßtor vytvo°enΘho rozvr₧enφ v²roby a v reßlnΘm Φase sledovat pohyb v²robk∙ na pracoviÜtφch, dΘlky front, vzr∙stajφcφ nßklady, spot°eby zdroj∙, mno₧stvφ ji₧ vyroben²ch v²robk∙ apod.

╪φzenφ v²roby s vyu₧itφm genetick²ch algoritm∙ p°edstavuje ojedin∞l² p°φstup k tΘto problematice. Dokß₧e °eÜit a zahrnout takovΘ okolnosti, jako je rozpracovanß v²roba, zakßzkovß v²roba, r∙zn∞ slo₧itΘ technologickΘ postupy, r∙znΘ nßslednosti v²robk∙, definice zpo₧d∞nφ mezi pracoviÜti a operacemi, mo₧nost urΦenφ maximßlnφ dΘlky fronty, vy°azenφ n∞kter²ch operacφ nebo pracoviÜ¥, stanovenφ omezen²ch kapacit zdroj∙ a mnohΘ dalÜφ.

Investice a leasing
Hodnocenφ investic na zßklad∞ ΦistΘ souΦasnΘ hodnoty je metoda, kterß je nejvhodn∞jÜφ pro anal²zu zßm∞r∙ firmy v oblasti investovßnφ do hmotnΘho i nehmotnΘho majetku. Jako dopl≥kovß je pou₧ita metoda v²poΦtu vnit°nφho v²nosovΘho procenta a indexu v²nosnosti. V²poΦet se nehodφ pro investiΦnφ projekty, ale je urΦen pro anal²zu jednotliv²ch investic.

Pro rychlΘ rozhodovßnφ o pou₧itφ vlastnφch zdroj∙, leasingu nebo ·v∞ru pro financovßnφ jednotliv²ch investic jsou pou₧φvßny v²poΦty v²nosovou, nßkladovou i v²dajovou metodou.

╚ßst odpisy umo₧≥uje nejen v²poΦet, ale zßrove≥ libovolnou definici odpis∙. Tato Φßst je pou₧φvßna zejmΘna pro pot°eby finanΦnφho plßnu a investice lze posuzovat z r∙zn²ch ·hl∙ pohledu.

Rozhodovacφ anal²za
V tomto modulu je pro rozhodovßnφ pou₧φvßna metoda vφcekriterißlnφho hodnocenφ variant za jistoty a jednokriterißlnφho hodnocenφ za rizika. Modul se pou₧φvß pro hodnocenφ investic, projekt∙, v²b∞r obchodnφch partner∙, hodnocenφ pracovnφk∙ apod.. Pro p°ijetφ nejlepÜφ varianty nenφ t°eba mφt k dispozici kvantifikovatelnΘ ·daje. Program vyhodnotφ i situaci, kdy jsou pou₧ita jak kvantifikovatelnß, tak nekvantifikovatelnß kritΘria.

Jako nadstavba je dodßvßno vφcekriterißlnφ hodnocenφ za rizika a nejistoty. Pro rozhodovßnφ za rizika je pou₧ita metoda Monte Carlo, rozhodovßnφ za nejistoty je °eÜeno pomocφ teorie her.

Lineßrnφ procesy
Model hromadnΘ obsluhy slou₧φ k optimalizaci obslu₧n²ch mφst v systΘmu. Lze vytvo°it jak²koliv model podle charakteru Φinnostφ a pot°eb zßkaznφka.

V teorii zßsob nabφzφme zpracovßnφ lineßrnφch deterministick²ch i stochastick²ch model∙.

Dopravnφ problΘm °eÜφ ·lohu optimßlnφho plßnu rozvozu zbo₧φ, materißlu, zßsob apod.od dodavatel∙ k odb∞ratel∙m p°i zajiÜt∞nφ vÜech po₧adavk∙ a dodr₧enφ dan²ch kapacit p°i co nejmenÜφch celkov²ch p°epravnφch nßkladech. Lze nadefinovat libovolnΘ mno₧stvφ dodavatel∙ a odb∞ratel∙, stanovit dodateΦnß omezenφ, jako jsou nap°. plnΘ vytφ₧enφ n∞kter²ch dodavatel∙, stanovenφ sankcφ za nedodßnφ pot°ebnΘho mno₧stvφ apod. V²sledkem je optimßlnφ rozvr₧enφ kolik a kterΘmu odb∞rateli mß urΦit² dodavatel dodat zbo₧φ p°i souΦasnΘ minimalizaci p°epravnφch vzdßlenostφ nebo nßklad∙.

Simulace
Simulace obslu₧n²ch proces∙ slou₧φ k napodobenφ chodu systΘmu, kter² ji₧ existuje, nebo kter² se teprve bude vytvß°et. Je zde mo₧nΘ vyzkouÜet r∙znΘ varianty, nasimulovat krizovΘ situace a zjistit tak chovßnφ systΘmu a jeho v²konnost. SystΘmem m∙₧e b²t banka, obchodnφ d∙m, letiÜt∞, sklady, hotel, benzφnovß pumpa, stravovacφ za°φzenφ apod. U simulace v²robnφch proces∙ nevystupujφ do systΘmu nevstupujφ ₧ßdnΘ prvky. VÜechny prvky se vytvß°φ v procesu v²roby. Lze nadefinovat libovolnΘ mno₧stvφ zdroj∙, kter²mi mohou b²t zßsoby surovin, polotovar∙, ale i ΦasovΘ kapacity. Dßle se systΘm sklßdß z obslu₧n²ch mφst, kterΘ p°edstavujφ stroje, vyrßb∞jφcφ nebo zpracovßvajφcφ v²slednΘ produkty. Tato obslu₧nß mφsta mohou b²t libovoln∞ °azena, mohou mφt r∙znΘ parametry a mohou vyu₧φvat libovolnΘ zdroje. SystΘmem m∙₧e b²t libovolnß montß₧nφ linka, v²robnφ proces, zpracovßnφ surovin nebo odpad∙ apod.

Simulace informaΦnφch tok∙ m∙₧e mφt vφce vstup∙. Jednotlivß obslu₧nß mφsta zde p°edstavujφ bu∩ jedince, t²my Φi odd∞lenφ, kte°φ pracujφ s informacemi. Ka₧dΘ obslu₧nΘ mφsto m∙₧e mφt r∙znΘ parametry. Po spuÜt∞nφ simulace lze sledovat tok informacφ v systΘmu, jejich vyu₧itφ nebo p°φpadnou ztrßtu. VÜe zßle₧φ na zp∙sobu definice systΘmu. V²slednΘ informace obsahujφ ·daje o vyu₧itφ jednotliv²ch mφst a chovßnφ celΘho systΘmu po dobu simulace. P°φkladem systΘmu pro tuto ·lohu m∙₧e b²t nap°. kterßkoliv firma, odd∞lenφ, systΘm poboΦek firmy, mezinßrodnφ sφ¥ firmy apod.

Anal²za dat (teorie chaosu)
Teorie chaosu zkoumß, zda ve vstupnφch datech existuje urΦitß vnit°nφ skrytß struktura, nebo zda se jednß o nßhodnß data. Vstupnφmi daty jsou jednorozm∞rnΘ ΦasovΘ °ady o dΘlce minimßln∞ 100 hodnot (Φφm vφce, tφm lΘpe).

Teorie chaosu p°istupuje ke zkoumßnφ Φasov²ch °ad zcela odliÜn²m zp∙sobem ne₧ statistika. Existuje n∞kolik metod, kterΘ umo₧≥ujφ rozhodnout, zda data jsou nßhodnß, nebo zda vykazujφ urΦitou neviditelnou zßvislost. Toto zjiÜt∞nφ je podstatnΘ pro dalÜφ anal²zu a p°φpadnou predikci. NßhodnΘ hodnoty jsou nep°edpov∞ditelnΘ a neobsahujφ ₧ßdnou strukturu (rovnom∞rn∞ vypl≥ujφ prostor o libovolnΘm rozm∞ru). Neexistuje ₧ßdnß vazba mezi jednotliv²mi hodnotami ΦasovΘ °ady. Naproti tomu data, u kter²ch se prokß₧e existence jakΘsi vnit°nφ struktury, majφ zcela odliÜn² charakter. Na prvnφ pohled mohou vypadat podobn∞ jako data nßhodnß, ale p°i bli₧Üφm pohledu zjistφme, ₧e jsou v prostoru soust°ed∞na do urΦit²ch ohraniΦen²ch oblastφ, kter²m se °φkß atraktory. Existujφ urΦitΘ vazby mezi hodnotami, nap°. p°edchozφ hodnoty urΦujφ hodnoty nßsledujφcφ. To mß velik² v²znam pro p°edpovφdßnφ dalÜφho v²voje. AvÜak i pro chaotickß data platφ, ₧e jsou p°edvφdatelnß ve velmi malΘm ΦasovΘm ·seku; pak toti₧ dochßzφ k velkΘ divergenci.

Ke zjiÜ¥ovßnφ vnit°nφ struktury dat vyu₧φvßme n∞kolika metod teorie chaosu. Jednß se o zjiÜ¥ovßnφ korelaΦnφ dimenze ΦasovΘ °ady, porovnßnφ s korelaΦnφ dimenzφ nßhodn∞ p°estav∞nΘ ΦasovΘ °ady, urΦovßnφ statistiky BDS, topologick² p°φstup se specißlnφm zobrazenφm do roviny, v²poΦet koeficient∙ gama, lambda a thΘta, vychßzejφcφch z korelaΦnφ dimenze a porovnßnφ s nßhodn∞ p°estav∞nou °adou, v²poΦet Kolmogorovovy entropie a rekonstrukce ΦasovΘ °ady se zobrazenφm do prostoru 2D a 3D.

Po prokßzßnφ existence vnit°nφ struktury je mo₧nΘ p°istoupit ke krßtkodobΘ predikci ΦasovΘ °ady (dlouhodobΘ predikce nelze spolehliv∞ vytvo°it), kterou je mo₧nΘ provΘst n∞kolika navzßjem podobn²mi metodami. V opaΦnΘm p°φpad∞ (jsou-li data nßhodnß) nenφ mo₧nΘ dalÜφ chovßnφ ΦasovΘ °ady p°edpov∞d∞t.

FinanΦnφ matematika
Modul obsahuje celou °adu v²poΦt∙ pro ka₧dodennφ pou₧itφ (·roΦenφ, od·roΦenφ, d∙chody, spo°enφ, sm∞nka, skonto, inflace). Velmi podrobnΘ je zpracovßnφ splßtek ·v∞r∙ (vΦetn∞ datovΘho kalendß°e) a umo₧≥uje tak p°esnou simulaci pr∙b∞hu ·v∞ru i p°i postupnΘm Φerpßnφ, splßtkßch v nestejnΘ v²Üi nebo plovoucφ ·rokovΘ sazb∞. Do programu lze vlo₧it najednou libovoln² poΦet ·v∞r∙ s r∙zn²mi parametry.

Statistika
Popisnß statistika vychßzφ z v²poΦt∙ kvartil∙, pr∙m∞r∙, rozptylu, sm∞rodatnΘ odchylky a dalÜφch veliΦin. Pou₧φvß se pro zpracovßnφ dat nap°φklad z finanΦnφ anal²zy nebo takΘ pro opakujφcφ se jevy.

Indexy umo₧≥ujφ stanovit, zda se zm∞nila hodnota produkce vlivem cen nebo mno₧stvφ.

Regrese a korelace se zab²vß popisem vztahu dvou a vφce veliΦin. V²poΦet je provßd∞n metodou nejmenÜφch Φtverc∙. V programu je regrese prvnφho a druhΘho °ßdu. Pomocφ regresnφ anal²zy lze stanovit nap°φklad zßvislost mezi tr₧bami, dluhy a ziskem.

╚asovΘ °ady zachycujφ v²voj veliΦin v Φase tzn. trend a takΘ sez≤nnφ vlivy.

Shlukovß anal²za pat°φ mezi modernφ vφcerozm∞rnΘ statistickΘ metody, kterß umo₧≥uje p°ehledn∞ zpracovßvat velkß mno₧stvφ dat. Jejφm v²sledkem je vytvo°enφ urΦitΘho poΦtu shluk∙ (kter² je bu∩ zadan², nebo je urΦen optimßlnφ poΦet podle charakteru dat), p°iΦem₧ platφ, ₧e jednotlivΘ shluky se od sebe maximßln∞ liÜφ a zßrove≥ prvky uvnit° shluku jsou si co nejvφce podobnΘ.

Shlukovß anal²za se pou₧φvß k redukci velkΘho mno₧stvφ dat, k vytvß°enφ p°ehled∙, v demografick²ch studiφch, v marketingu (sledovßnφ ·rovn∞ prodeje v r∙zn²ch oblastech), v geografii (sledovßnφ ·hrnu srß₧ek, poΦtu sluneΦnφch dnφ apod.), k vytvß°enφ kategoriφ (nap°. kategorizace pracovnφk∙) a dalÜφch oblastech. Jak ji₧ bylo naznaΦeno, lze zadat urΦit² poΦet shluk∙, do nich₧ majφ b²t data rozt°φd∞na, nebo algoritmus sßm urΦφ, jak² poΦet shluk∙ je optimßlnφ. Dßle je dokonce mo₧nΘ zadat i tzv. jßdra shluk∙, podle nich₧ se p°φsluÜnΘ shluky vytvß°ejφ (prvky v danΘm shluku se co nejvφce podobajφ danΘmu jßdru).

V²stupem m∙₧e b²t tabulka jednotliv²ch shluk∙ obsahujφcφ vybranΘ prvky, trojrozm∞rn² graf nßzorn∞ zobrazujφcφ vztahy mezi shluky v prostoru (k zobrazenφ je pou₧ita dalÜφ progresivnφ metoda hlavnφch komponent), nebo grafickΘ zobrazenφ do mapy ╚R.

DiskriminaΦnφ anal²za slou₧φ k identifikaci neznßm²ch objekt∙ do n∞kterΘ p°edem danΘ t°φdy. P°edpokladem pro provedenφ diskriminaΦnφ anal²zy je p°edevÜφm dostateΦn² poΦet objekt∙ (nejmΘn∞ 30) a normalita rozlo₧enφ hodnot.

Anal²za rozptylu je statistickß metoda, kterß zkoumß zßvislost jednΘ nebo vφce kvantitativnφch prom∞nn²ch (zisk, nßklady, ekonomickΘ ukazatele, v²robnφ ukazatele, p∞stitelskΘ v²sledky, marketingovΘ ukazatele, produkce, spot°eba apod.) na n∞kolika skupinßch nebo ·rovnφch kvalitativnφho faktoru (reklama, zp∙sob vedenφ podniku, technologick² postup, zp∙sob hnojenφ, poΦasφ, vliv konkurence, zm∞ny ve vedenφ podniku apod.). V²sledkem je zjiÜt∞nφ, zda a do jakΘ mφry danΘ kvantitativnφ prom∞nnΘ zßvisejφ na r∙zn²ch skupinßch nebo ·rovnφch faktoru. Modifikacφ metody je anal²za rozptylu zjiÜ¥ujφcφ zßvislost jednΘ kvantitativnφ prom∞nnΘ na dvou nebo t°ech r∙zn²ch kvalitativnφch faktorech.

Anal²za kovariance je podobnß statistickß metoda jako je anal²za rozptylu s tφm rozdφlem, ₧e p°i zkoumßnφ zßvislosti kvantitativnφch prom∞nn²ch (zisk, nßklady, ekonomickΘ ukazatele, v²robnφ ukazatele, p∞stitelskΘ v²sledky, marketingovΘ ukazatele, produkce, spot°eba apod.) na r∙zn²ch ·rovnφch kvalitativnφho faktoru (reklama, zp∙sob vedenφ podniku, technologick² postup, zp∙sob hnojenφ, poΦasφ, vliv konkurence, zm∞ny ve vedenφ podniku apod.) tato metoda umo₧≥uje oΦiÜt∞nφ od vlivu tzv. doprovodn²ch prom∞nn²ch, kterΘ mohou vzßjemn² vztah p∙vodnφch prom∞nn²ch a danΘho faktoru ovliv≥ovat.

Databßze (marketing)
Umo₧≥uje evidenci odb∞ratel∙, dodavatel∙ a dalÜφch kontakt∙ a jejich p°ehlednΘ t°φd∞nφ. Pro anal²zu je p°ipraven v²konn² a u₧ivatelsky snadno ovladateln² systΘm vytvß°enφ dotaz∙, matematick²ch a grafick²ch funkcφ. Modul je mo₧nΘ pou₧φvat samostatn∞ jako firemnφ databßzi nebo jej lze propojit s informaΦnφm systΘmem firmy on-line nebo off-line. Karty umo₧≥ujφ p°i°adit ke ka₧dΘmu zßznamu dalÜφ ΦasovΘ nebo v∞cnΘ parametry.

Strategie trhu
Pro hledßnφ optimßlnφ strategie na uzav°enΘm nebo otev°enΘm trhu je pou₧ita teorie her ve spojenφ s metodou Monte Carlo. Do v²poΦtu lze zahrnout nejen konkurenΦnφ strategie, ale takΘ nßhodnΘ mechanismy. Modul se pou₧φvß nap°φklad pro simulaci vstupu v²robku nebo firmy na trh. Je mo₧nΘ jej takΘ vyu₧φt pro hodnocenφ d∙sledk∙ zv²Üenφ nebo snφ₧enφ tr₧nφho podφlu produkt∙ nebo celΘ firmy na trhu v zßvislosti na marketingov²ch nebo jin²ch nßkladech. MatematickΘ postupy pou₧itΘ v tomto modulu umo₧≥ujφ poΦφtat takΘ s nßhodn²mi vlivy jako jsou Φiny vlßd nebo poΦasφ.

Databßze (personalistika)
Modul je urΦen pro vytvß°enφ p°ehledu pracovnφk∙ souΦasn²ch, b²val²ch nebo uchazeΦ∙ o zam∞stnßnφ. Tato databßze je specializovanß tzn. u₧ivatel mß p°edem p°ipraveny struktury a funkce, avÜak s mo₧nostφ rozsßhlΘ editace, a nemusφ tak vytvß°et celou databßzi od zaΦßtku. Napln∞nφ databßze lze provßd∞t i z vn∞jÜφch systΘm∙ (nap°φklad program∙ pro mzdy). V programu lze pou₧φvat i vφce databßzφ najednou.

Databßze takΘ umo₧≥uje tvorbu nejr∙zn∞jÜφch dotaz∙ a jejich profesionßlnφ zpracovßnφ a dßle vytvß°enφ podmφnek a klφΦ∙ k vyhledßnφ nejr∙zn∞jÜφch dat z databßze vΦetn∞ pou₧itφ matematick²ch operacφ. GrafickΘ v²stupy zajiÜ¥ujφ p°ehlednΘ zobrazenφ v²sledk∙ a usnad≥ujφ prßci nap°φklad p°i porovnßvßnφ znalostφ a schopnostφ pracovnφk∙ mezi sebou.

Hodnocenφ pracovnφk∙
Tento modul je zalo₧en na vφcekriterißlnφm hodnocenφ variant. Metoda kriterißlnφho hodnocenφ variant je vhodnß zejmΘna p°i nedostatku informacφ. Pou₧φvß se takΘ nejen pro v²b∞r nejlepÜφ varianty tzn. pracovnφka, ale i pro vylouΦenφ nejmΘn∞ vhodn²ch variant. Program umo₧≥uje vyu₧φt pro hodnocenφ databßzi pracovnφk∙ a vlo₧it libovoln² poΦet kritΘriφ. Stanovenφm vßhy t∞chto kritΘriφ (nap°φklad metodou pßrovΘho porovnßvßnφ nebo Saatyho metodou) lze klßst d∙raz na urΦitΘ vlastnosti, znalosti nebo schopnosti pracovnφk∙.

Pro hodnocenφ je mo₧nΘ vyu₧φt i nßzoru vφce hodnotitel∙ (t²movß prßce) a zßrove≥ pomocφ vßhy stanovit v²znam nßzoru hodnotitele. Tak lze nap°φklad rozliÜit stanoviska p°φmΘho nad°φzenΘho od ostatnφch hodnotitel∙.

Hodnocenφ pracovnφk∙ je nezbytnΘ i pro dosa₧enφ certifikßtu kvality ISO.

Rozmis¥ovßnφ pracovnφk∙
Rozmφs¥ovßnφ pracovnφk∙ je °eÜeno pomocφ p°i°azovacφho problΘmu. Jednß se tedy o specißlnφ p°φpad distribuΦnφ ·lohy.

Modul °eÜφ optimßlnφ p°i°azovßnφ pracovnφk∙, co₧ znamenß umφs¥ovßnφ nebo p°emφs¥ovßnφ pracovnφk∙ na urΦitß mφsta. Tato mφsta jsou charakterizovßna urΦit²mi po₧adavky, kterΘ definuje u₧ivatel. Po₧adavky mohou b²t nejen kritΘria, podle nich₧ je pracovnφk hodnocen, ale takΘ urΦitΘ filtry, jejich₧ spln∞nφ podmi≥uje mo₧nost obsazenφ danΘho pracovnφho mφsta (dΘlka praxe, v∞k, vzd∞lßnφ apod.).

V²sledkem je optimßlnφ rozd∞lenφ vÜech hodnocen²ch pracovnφk∙ na vÜechna pracovnφ mφsta, kterß jsou k dispozici. Pr∙b∞h optimalizace lze graficky sledovat pomocφ animace.

Kategorizace
Pro kategorizaci pracovnφk∙ se pou₧φvß matematicko-statistickß metoda shlukovß anal²za. NejlΘpe se hodφ pro vytvß°enφ nßvrh∙ organizaΦnφ struktury, zm∞ny organizaΦnφho uspo°ßdßnφ nebo vytvß°enφ kategoriφ pracovnφk∙. Pomocφ shlukovΘ anal²zy lze nalΘzt optimßlnφ nebo p°esn∞ stanoven² poΦet kategoriφ. Zajφmavou oblastφ je vytvß°enφ kategoriφ podle jßdra shluku nap°φklad vedoucφ a jejich pod°φzenφ pracovnφci.

Vytvo°enΘ shluky jsou graficky zobrazenΘ s dob°e viditeln²mi prostorov²mi vztahy mezi objekty.

Vytvß°enφ t²m∙
Pod pojmem t²m rozumφme okruh pracovnφk∙, kte°φ spolu dokß₧φ spolupracovat a jako celek podßvajφ lepÜφ v²sledky ne₧ samostatn∞. N∞kterΘ vlastnosti Φlen∙ t²mu mohou b²t shodnΘ, jinΘ naopak rozdφlnΘ. CelΘ °eÜenφ tΘto slo₧itΘ ·lohy je postaveno na matematickΘ metod∞, kterß byla vyvinuta specißln∞ pro tyto ·Φely. Jednß se o tzv. mφru excentricity objekt∙, kde objektem rozumφme jednotlivΘho pracovnφka. Tato metoda zajiÜ¥uje v²b∞r pracovnφk∙ do t²mu podle zadan²ch po₧adavk∙ a navφc dokß₧e pracovat i s r∙zn²mi vßhami vlastnostφ. To napomßhß u₧ivateli vytvo°it t²m p°esn∞ podle jeho po₧adavk∙.

Monte Carlo + Teorie her

Metoda Monte Carlo

Metoda Monte Carlo se obecn∞ pou₧φvß p°i studiu vlastnostφ nßhodn²ch jev∙, hledßnφ p°φpustn²ch nebo optimßlnφch °eÜenφ, studiu nßhodnΘho pohybu Φßstic a v °ad∞ dalÜφch oblastφ. Stßle v∞tÜφ uplatn∞nφ nachßzφ takΘ v simulovßnφ ekonomick²ch proces∙. Program ECON Pro vyu₧φvß tuto
metodu pro:

* optimalizaci rozvahy a v²kazu zisk∙ a ztrßt ve finanΦnφ anal²ze
* optimalizaci finanΦnφho plßnu
* rozhodovßnφ za rizika ve vφcekriterißlnφm hodnocenφ variant

Optimalizace metodou Monte Carlo umo₧≥uje velmi snadno odhadovat budoucφ v²voj tj. sestavit v²kazy ve finanΦnφ anal²ze nebo finanΦnφ plßn. Pro optimalizaci m∙₧ete zadat nejen p°edpoklßdanou ·rove≥ vstupnφch polo₧ek (rozvaha a v²kaz zisk∙ a ztrßt), ale takΘ v²stupnφ ·daje tj. vaÜe po₧adavky na ·rove≥ ukazatel∙. V praxi to znamenß, ₧e odhadnete nap°φklad ·rove≥ tr₧eb, pohledßvek, zadßte po₧adovanΘ investice nebo ·v∞ry a zßrove≥ m∙₧ete po₧adovat urΦitou minimßlnφ hodnotu rentability, likvidity nebo naopak maximßlnφ p°ijatelnou ·rove≥ doby inkasa. Tak lze dßt do souladu reßlnΘ mo₧nosti firmy s po₧adavky mana₧er∙, akcionß°∙ nebo v∞°itel∙. Tento velmi nßroΦn² proces je klasick²mi metodami tΘm∞° ne°eÜiteln², proto program EconPro vyu₧φvß metodu Monte Carlo.

Rozhodovßnφ za rizika je °eÜeno takΘ metodou Monte Carlo, kterß simuluje pravd∞podobnost v²skytu stav∙ u jednotliv²ch variant. Pou₧φvß se vysokΘho poΦtu opakovßnφ (°ßdov∞ 10000) pro dosa₧enφ optimßlnφch v²sledk∙.

Teorie her

Tato teorie se zab²vß studiem rozhodovacφch situacφ. Studujφ se zde otßzky existence, jednoznaΦnosti a stability optimßlnφch rozhodnutφ a dßle postupy, pomocφ nich₧ lze v konkrΘtnφch situacφch optimßlnφ rozhodnutφ najφt. Program EconPro vyu₧φvß tuto teorii pro:

* rozhodovßnφ za nejistoty ve vφcekriterißlnφm hodnocenφ variant
* strategii firmy nebo produktu na trhu

Na rozhodovßnφ za nejistoty m∙₧eme nahlφ₧et jako na hru dvou hrßΦ∙, z nich₧ jeden je inteligentnφ (rozhodovatel) a druh² neinteligentnφ (p°φroda, nßhodnΘ mechanismy trhu apod.). Neexistuje vÜak univerzßlnφ metoda, kterß by dokßzala tento slo₧it² problΘm pln∞ vy°eÜit. Proto program EconPro nabφzφ mo₧nost volby Φty° rozhodovacφch princip∙ podle charakteru problΘmu. P°i hodnocenφ je takΘ brßn v ·vahu subjektivnφ p°φstup u₧ivatele.

GenetickΘ algoritmy
GenetickΘ algoritmy jsou urΦeny k vyhledßvßnφ °eÜenφ r∙zn∞ slo₧it²ch systΘm∙. Zφskanß °eÜenφ mohou b²t navφc optimalizovßna podle zadan²ch po₧adavk∙ (lze optimalizovat i vφce nezßvisl²ch veliΦin najednou). Algoritmus tvo°φcφ jßdro celΘho programu obsahuje nejen proces mutace, ale navφc jeÜt∞ specißlnφ p°φstupy, kterΘ se osv∞dΦily p°i °eÜenφ r∙zn²ch problΘm∙.

Modul aplikuje princip genetickΘho algoritmu na °eÜenφ r∙znorod²ch ·loh, se kter²mi se lze setkat ve specifick²ch profesionßlnφch oblastech, jak²mi jsou nap°. finance, v²roba, stavebnictvφ, zem∞d∞lstvφ, doprava atd.. Prost°ednictvφm jednoduchΘho u₧ivatelskΘho aparßtu lze nadefinovat jak²koliv systΘm tvo°en² libovoln²m poΦtem veliΦin a matematick²ch vztah∙. Nßsledn∞ je spuÜt∞n vlastnφ proces v²voje, kter² lze sledovat, ovlßdat a m∞nit. V pr∙b∞hu generovßnφ jedinc∙ je mo₧nΘ m∞nit celkov² poΦet jedinc∙ v generaci, p°epφnat mezi dv∞ma typy mutacφ, stanovit si cφl v²poΦtu, sledovat v²voj vÜech veliΦin, pr∙b∞₧n∞ prohlφ₧et a uklßdat meziv²sledky nebo m∞nit omezenφ. Cel² proces je graficky znßzorn∞n a spolu s dalÜφmi ukazateli v²voje je u₧ivatel informovßn o jeho intenzit∞ a spojitosti. Rovn∞₧ dochßzφ k v²pisu d∙le₧it²ch udßlostφ v evoluci systΘmu, kterΘ p°edstavujφ postupnΘ pln∞nφ zadan²ch podmφnek °eÜenφ.

Fuzzy mno₧iny
Slovnφ hodnocenφ variant mß oproti klasickΘmu hodnocenφ pomocφ Φφsel velkou v²hodu v tom, ₧e se velmi p°ibli₧uje lidskΘmu vyjad°ovßnφ a myÜlenφ, kterΘ neprobφhß v Φφslech, ale ve vßgnφch pojmech, kterΘ jsou äneostrΘô a äobecnΘô a se kter²mi um∞jφ pracovat prßv∞ zde aplikovanΘ fuzzy mno₧iny. KlasickΘ metody hodnocenφ zalo₧enΘ na p°i°azenφ Φφseln²ch hodnot nebo bod∙ s sebou p°inßÜejφ nep°esnosti, proto₧e pod Φφsly si t∞₧ko n∞kdo n∞co p°edstavφ. A tak snaha o p°φliÜnou p°esnost v hodnocenφ vede spφÜe ke zkreslenφ. Je p°ece snazÜφ °φci, ₧e komunikaΦnφ schopnosti pracovnφka jsou vφcemΘn∞ dobrΘ, ne₧ je hodnotit 55 body ze 100 (nebo 52 Φi snad 57 ?).

Hodnotit lze nejen pracovnφky nebo v²robky, ale i projekty, technologickΘ postupy nebo rozhodnutφ o budoucφm v²voji. Jak ji₧ bylo °eΦeno, jednotlivΘ varianty jsou hodnoceny pomocφ v²raz∙, kterΘ nßle₧φ do mno₧iny pevn∞ nadefinovan²ch hodnocenφ a je mo₧nΘ je r∙zn∞ kombinovat. Pou₧φvajφ se p°φdavnß jmΘna a p°φslovce, tedy nap°. velmi vysok², pr∙m∞rn², nφzk², zhruba pr∙m∞rn², spφÜe mal², vφcemΘn∞ velk² apod. Ka₧dΘ toto hodnocenφ je vnit°n∞ p°evedeno do p°φsluÜnΘ fuzzy mno₧iny, na kterou program aplikuje operace sΦφtßnφ a nßsobenφ, co₧ umo₧≥uje i hodnocenφ vφcekriterißlnφ. V²stupem je grafickΘ znßzorn∞nφ variant, u kter²ch jsou barevn∞ odliÜeny jednotlivΘ ·rovn∞ (charakterizovanΘ umφst∞nφm a mφrou jistoty), slou₧φcφ k posouzenφ, kterß z variant bude vybrßna jako nejlepÜφ. Jako doprovodn² ·daj je znßzorn∞na Φφselnß hodnota vyjad°ujφcφ tzv. t∞₧iÜt∞ fuzzy mno₧iny, kterΘ vypovφdß o umφst∞nφ varianty ve srovnßnφ s ostatnφmi.

Hodnocenφ variant za rizika spoΦφvß v posuzovßnφ variant, u kter²ch p°esn∞ neznßme jejich ästavovou hodnotuô, ale pouze pravd∞podobnostnφ rozlo₧enφ mo₧n²ch stav∙. Jako p°φklad m∙₧eme uvΘst pravd∞podobnΘ rozlo₧enφ v²nos∙ akciφ, v²nos∙ obilovin, celkovΘho zisku z p°ipravovan²ch projekt∙, objemu prodeje za urΦitΘ obdobφ apod.

Ve v∞tÜin∞ p°φpad∙ se jednß o veliΦiny, kterΘ jsou ovlivn∞ny faktory, kterΘ nedokß₧eme ovlivnit a kterΘ zasahujφ nßhodn∞ a nep°edvφdateln∞. JedinΘ, co dokß₧eme odhadnout (bu∩ pomocφ jin²ch faktor∙ nebo minul²ch zkuÜenostφ), je pravd∞podobn² rozsah danΘ veliΦiny (nap°. v²nos akciφ bude mezi 5 000 a₧ 10 000, v²nos obilovin bude 250 a₧ 300 q/ha, objem prodeje se bude pohybovat mezi 25 000 a₧ 32 000 karton∙ za t²den) a p°ibli₧nΘ pravd∞podobnostnφ rozlo₧enφ. P°i vyu₧itφ fuzzy mno₧in je vÜak lepÜφ hovo°it o tzv. mφ°e jistoty, se kterou m∙₧e b²t dosa₧eno p°φsluÜn²ch hodnot. UrΦovßnφ konkrΘtnφch pravd∞podobnostφ (jako nap°. dosa₧enφ v²nosu obilovin 250 a₧ 258 q/ha s pravd∞podobnostφ 14 %) je toti₧ zavßd∞jφcφ, nep°esnΘ a v podstat∞ nemo₧nΘ.  Naopak mφra jistoty, rozd∞lenß do 5 interval∙, umo₧≥uje snazÜφ popis a hodnocenφ (lze ji nap°. interpretovat v²razy nφzkß a₧ mizivß, spφÜe st°ednφ, st°ednφ, vysokß a velmi vysokß a₧ maximßlnφ). Z takto ohodnocenΘ varianty je pak vnit°n∞ vytvo°ena fuzzy mno₧ina, na kterou je mo₧nΘ aplikovat operace sΦφtßnφ a nßsobenφ, co₧ umo₧≥uje i hodnocenφ vφcekriterißlnφ. V²stupem je grafickΘ znßzorn∞nφ variant, u kter²ch jsou barevn∞ odliÜeny jednotlivΘ ·rovn∞ (charakterizovanΘ umφst∞nφm a mφrou jistoty), slou₧φcφ k posouzenφ, kterß z variant bude vybrßna jako nejlepÜφ.