Professional Documents
Culture Documents
Uzleti Folyamatok Merese Es Ertekelese 2020
Uzleti Folyamatok Merese Es Ertekelese 2020
Gazdálkodástudományi Intézet
Jónás Tamás
Budapest, 2020.
Üzleti folyamatok mérése és értékelése
1
Üzleti folyamatok mérése és értékelése
Tartalomjegyzék
Nyitó gondolatok 4
2. Fuzzy halmazok 12
2.1. Fuzzy halmazok és tagsági függvényeik . . . . . . . . . . . . . . . . . 14
2.1.1. Fuzzy halmazok tagsági függvényei, mint értékelő függvények 15
2.2. Nevezetes tagsági függvénytípusok . . . . . . . . . . . . . . . . . . . 15
2.2.1. Háromszög tagsági függvény . . . . . . . . . . . . . . . . . . . 16
2.2.2. Trapéz tagsági függvény . . . . . . . . . . . . . . . . . . . . . 17
2.2.3. Gauss-tagsági függvény . . . . . . . . . . . . . . . . . . . . . 17
2.2.4. Harang (Bell) tagsági függvény . . . . . . . . . . . . . . . . . 18
2.2.5. S-alakú, másodfokú tagsági függvény . . . . . . . . . . . . . . 19
2.2.6. Z-alakú, másodfokú tagsági függvény . . . . . . . . . . . . . . 20
2.2.7. Szigmoid tagsági függvény . . . . . . . . . . . . . . . . . . . . 20
2.3. Értékelés a logisztikus függvénnyel és közelítésével . . . . . . . . . . 21
2.3.1. Kvázi logisztikus értékelés . . . . . . . . . . . . . . . . . . . . 24
2.3.2. Példa a logisztikus értékelésre . . . . . . . . . . . . . . . . . . 25
2.4. Fuzzy halmazok jellemzői . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5. Műveletek fuzzy halmazokkal . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1. A Zadeh-féle fuzzy halmazműveletek . . . . . . . . . . . . . . 29
2.5.2. További lehetőségek a fuzzy halmazműveletek megvalósítására 30
2.6. Fuzzy relációk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1. Klasszikus relációk és kompozíciójuk . . . . . . . . . . . . . . 34
2.6.2. Fuzzy relációk és kompozíciójuk . . . . . . . . . . . . . . . . 36
3. Fuzzy logika 39
3.1. A nyelvi változók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2. Fuzzy implikációk és a "Ha A, akkor B" alakú szabályok . . . . . . . 40
3.2.1. Az ítéletkalkulus alapjai . . . . . . . . . . . . . . . . . . . . . 40
3.2.2. A halmaz- és a logikai műveletek kapcsolata . . . . . . . . . . 41
3.2.3. Formális fuzzy implikációk . . . . . . . . . . . . . . . . . . . 42
3.2.4. "Ha A, akkor B" alakú szabályok megvalósítása . . . . . . . . 43
3.3. Fuzzy logikai következtetés . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.1. A hagyományos modus ponens . . . . . . . . . . . . . . . . . 44
2
Üzleti folyamatok mérése és értékelése
Hivatkozások 61
3
Üzleti folyamatok mérése és értékelése
Nyitó gondolatok
Induljunk ki a "HA egy vállalat termékei iránt a kereslet nagy, AKKOR a vállalat
növekedési potenciálja magas." kijelentésből. Bár vitatható, de mégiscsak tegyük
fel, hogy ez a szabály igaz. E szabály alapján egy vállalat ügyvezetője milyen kö-
vetkeztetést vonhat le a tulajdonosoknak tartott beszámolójában például abból a
tényből, hogy vállalata termékei iránt a kereslet mérsékelten nagy? Egyáltalán mit
takar a nagy és a mérsékelten nagy kereslet? Hogyan értelmezhető a magas nö-
vekedési potenciál? Miként lehet e bizonytalan fogalmakkal bánni, hogyan lehet a
felhasználásukkal következtetni? Ilyen és ehhez hasonló problémák lehetséges ke-
zelési módszereit tárgyaljuk az "Üzleti folyamatok elemzése" című tárgy előadásai
során.
Az üzleti gyakorlatban általában nincs lehetőségünk az üzleti folyamatok és je-
lenségek teljes körű megismerésére, így azokkal kapcsolatban csak korlátozott isme-
retekkel rendelkezünk. Ugyanakkor, gyakran találkozunk olyan, a fentihez hasonló
helyzetekkel, amikor bizonytalan körülmények között, hiányos ismeretek és gyen-
gén definiált fogalmak alapján kell üzleti folyamatokat értékelnünk, majd az érté-
kelés eredményei alapján döntéseket hoznunk. A fuzzy elmélet alternatívát kínál a
bizonytalanság kezelésére, alkalmazásával lehetővé válik üzleti folyamatok adekvát
értékelése és a menedzseri döntések konzisztens megalapozása.
A tárgy célja a fuzzy elmélet alapjainak megismerése, valamint az üzleti gyakor-
latban történő alkalmazási jelentőségének bemutatása. Ezért a tárgy hat előadása
során tárgyalásra kerülő témákat az üzleti folyamatok oldaláról közelítjük és a fuzzy
elmélet eszközeinek menedzsment célú alkalmazási lehetőségeire koncentrálunk. A
témakörök tárgyalásához szükséges matematikai alapokat igyekeztünk közvetlenül
azok felhasználása előtt, röviden áttekinteni, ezáltal könnyítve az új ismeretek elsa-
játításának folyamatát.
Jegyzetünk, amely Jónás T.: Fuzzy elmélet a menedzsmentben című oktatási
segédanyagára épül [33], a következő felépítést követi. Először üzleti folyamatok
mérésének és értékelésének kérdéseivel foglalkozunk, majd a hagyományos értékelé-
sek bizonytalanságai kapcsán rátérünk a fuzzy halmazok bemutatására. A 3. sza-
kaszban a fuzzy logika és a fuzzy logikai következtetés alapjait tárgyaljuk, végül
a 4. szakaszban fuzzy rendszerek alapjaiba nyerünk bepillantást. Jegyzetünkhöz
szervesen kapcsolódnak gyakorlati esettanulmányok, amelyeket a szemináriumokon
tárgyalunk.
Itt szeretnék köszönetet mondani Dr. Piros Attilának, a BME Gépészmérnö-
ki Kar, Gép- és Terméktervezés Tanszék egyetemi docensének lelkiismeretes lektori
munkájáért és hasznos tanácsaiért.
Jónás Tamás
Budapest, 2019.
4
Üzleti folyamatok mérése és értékelése
1
1. Üzleti folyamatok, azok mérése és értékelése
Vállalkozások versenyképes működésének egyik kulcsfeltétele a működésükhöz kap-
csolódó folyamatok megértése, azok ismerete. Napjaink üzleti világának alapvető
elvárása a működési folyamatok hatékonyságának maximalizálása, a veszteségek fo-
lyamatos és tudatos csökkentése. Egy vállalkozás erőforrásaitól azt várjuk, hogy
a lehető legnagyobb hatékonysággal szolgálják az üzleti célokat, azaz értékteremtő
képességük maximális kiaknázásával járuljanak hozzá a vállalkozás kibocsátásához.
A szervezeti erőforrások a vállalati folyamatok "motorjai", ezért ezek jóságának
javításával a folyamatok jósága is javítható. Ugyanakkor, egy vállalkozás gyártási
és szolgáltatási folyamatain túl – amelyek jósága általában jól mérhető – figyelembe
kell vennünk a gyártási és szolgáltatási tevékenységhez közvetlenül nem kapcsolódó,
de a vállalkozás egészének működését befolyásoló, kiegészítő és támogató tevékeny-
ségekhez kötődő folyamatokat is. Az alap-, valamint ezen kiegészítő és támogató
folyamatok együttesén keresztül valósul meg a vállalkozások üzleti tevékenysége, így
e folyamatok összességét – mint gyűjtőfogalmat – üzleti folyamatoknak tekinthetjük.
Az alapfolyamatok kvantitatív jósági jellemzői (mint pl. a gyártott darabok fizikai
paraméterei) a matematika, a fizika, a kémia és a műszaki tudományok módszerei-
vel általában jól számszerűsíthetők. Ezzel szemben jóval nehezebben ragadható meg
az olyan folyamatok és jellemzők jósága, mint például a humán teljesítmények, a
munkatársak kiválasztása, a beszállítói teljesítmények, a vevők elégedettsége, vagy
a vállalkozás intellektuális tőkéjének szintje. Ez utóbbiak kvalitatív jellemzők. E
példák jól mutatják az üzleti tudományok azon problémáját, hogy az általuk al-
kalmazott fogalmak sok esetben gyengén definiáltak, nem egzaktak, ugyanakkor az
üzleti folyamatok nehezen számszerűsíthető "puha" tényezőit kezelni, menedzselni
kell a vállalkozások működése során.
Vizsgálataink középpontjában e nehezen számszerűsíthető, "puha" tényezőktől
függő jellemzők és üzleti folyamatok jóságának értelmezési, mérési és értékelési kér-
dései állnak. Abból indulunk ki, hogy e jellemzőkhöz és folyamatokhoz mindig társít-
hatók olyan mesterséges mutatószámok, amelyek segítségével azok jósága mérhető és
számszerűsíthető. Egyrészt azt vizsgáljuk, hogy az így nyert számértékek mennyire
adnak valós képet, mennyire vannak összhangban a vállalkozás szervezetének észlelé-
seivel, továbbá milyen okokra vezethetők vissza az eltérések. Másrészt a kvantitatív
módszerek olyan elméletét és azok gyakorlati alkalmazásait mutatjuk be, amelyek
lehetővé teszik a mutatószámokkal mért jellemzők és folyamatok jóságának adekvát
kifejezését.
A továbbiakban üzleti folyamat alatt olyan gyűjtőfogalmat értünk, amely egy vál-
lalkozás tágabb értelemben vett működéséhez szükséges, vagy azt szolgáló bármely
folyamatot jelenthet. Így például üzleti folyamatnak tekintjük egy vállalat emberi
erőforrás kiválasztási folyamatát csakúgy, mint azt a folyamatot, amellyel egy szol-
gáltató vállalkozás a vevői elégedettségét értékeli. Ilyen üzleti folyamatok vizsgálata
1
A szakasz Kövesi János (szerk.): Minőség és megbízhatóság a menedzsmentben című munkánk
4.1. - 4.3. szakaszainak átvételére épül [1]
5
Üzleti folyamatok mérése és értékelése
6
Üzleti folyamatok mérése és értékelése
elvben a mérés tárgyához nem kötendő – tényezőknek jelentős torzító hatásuk lehet az
eredményekre. Hasonló torzító hatások tapasztalhatók egy beszállítói teljesítményt
mérő rendszer alkalmazása során, vagy akkor, amikor egy vevői elégedettség méré-
sére szolgáló rendszer alkalmazásával kér egy vállalkozás strukturált visszajelzést az
ügyfeleitől a vállalkozás szolgáltatási színvonalára vonatkozóan. A fenti példák közös
vonása, hogy a mindennapi üzleti életben előforduló folyamatok jóságának méréséről
szólnak. Vállalati tapasztalataink szerint tovább rontja a helyzetet az, hogy a gya-
korlatban még a jól kidolgozott, mutatószámokra épülő mérési módszerekhez tartozó
mérési iránymutatások értelmezése is nagyon sokféle lehet annak függvényében, hogy
a mérést, majd azt követően az értékelést éppen ki végzi.
7
Üzleti folyamatok mérése és értékelése
8
Üzleti folyamatok mérése és értékelése
9
Üzleti folyamatok mérése és értékelése
tárt húzunk a megfelelő és nem megfelelő tartományok között, azaz x-re vonatkozóan
megadjuk a megfelelő és nem megfelelő értékek tartományait. Ekkor voltaképpen az
x mutatószám alapján megfelelőnek (jónak) tekinthető folyamatot halmazként de-
finiáljuk. Jelöljük ezt a halmazt XJ -vel. XJ az X alaphalmaz egy élesen definiált
részhalmaza, amely – több más megadási mód mellett – karakterisztikus függvényé-
vel is megadható. Az X alaphalmazon az XJ halmaz karakterisztikus függvénye
a
10
Üzleti folyamatok mérése és értékelése
11
Üzleti folyamatok mérése és értékelése
2. Fuzzy halmazok
Választ keresve a fenti kérdésekre, arra a felismerésre juthatunk el, hogy ebben az
esetben a kétértékű karakterisztikus függvény szerinti értékelés túlzottan szigorú.
Tudjuk, hogy a 79-es pontértékű teljesítmény egy absztrakció, egy mesterségesen
létrehozott rendszer által adott eredmény, voltaképpen egy szigorúan alkalmazott
szabály eredménye. Tudva azt, hogy a küszöbérték 80 pont, a 79-es pontértékű tel-
jesítményről sokan talán azt mondanák, hogy "majdnem jó", "majdnem megfelelő",
"nem rossz", vagy "közel jó". Ezek a minősítések hétköznapi nyelvhasználatunkban
ugyanazt a jóságot írják körül, de matematikai értelemben véve nem precíz módon,
hanem határozatlanul és pontatlanul. Ez a határozatlanság és pontatlanság azonban
az emberi gondolkodás és hétköznapi nyelvhasználat természetéből fakad [7]. Min-
dennapi fogalmaink, melyekkel a világot leírjuk, meglehetősen pontatlanok, gyengén
definiáltak. Gondoljunk például a "szép virág", a "jó autó" vagy az "idős ember" ki-
jelentésekre. A vállalatok, vállalkozások világában is lépten-nyomon találkozhatunk
olyan minősítő kijelentésekkel, mint a "megbízható beszállító", "stratégiai partner",
"közepesen jövedelmező üzlet", "hatékony gyártási folyamat", "közepes teljesítmény"
vagy "elfogadható profit". Ezek a minősítések elnagyoltak és pontatlanok, de mégis
széles körben használtak és mindenki által elfogadottak. Ha megpróbálunk precí-
zek lenni, és ennek érdekében mutatószámokat rendelünk a felsorolt jellemzőkhöz
és mérjük azokat, akkor a számszerűsítés révén nagyobb egzaktságot és egyértelmű
minősíthetőséget, értékelhetőséget remélünk. Ez azonban a legtöbb esetben nem
teljesül, mint ahogy azt a humán teljesítmény minősítésével foglalkozó példa is alá-
támasztja. Ennek oka az, hogy világunk alapvetően fuzzy, vagyis életlen, pontatlan,
ezért a hagyományos, kétértékű karakterisztikus függvény szerinti minősítés túlzot-
tan korlátozó [8].
Vegyük például a fent említett, közepesen jövedelmező üzlet kijelentést. Ha a kö-
zepesen jövedelmező üzletek halmazát a profitráta, mint mutatószám alapján élesen
definiáljuk, például úgy, hogy egy üzlet pontosan akkor tartozik a közepesen jöve-
delmező üzletek halmazához, ha annak profitrátája 5% és 10% között van, akkor az
így meghatározott halmaz µ(x) karakterisztikus függvényének grafikonja az 1. ábra
szerinti, amelyen x a profitrátát jelöli.
12
Üzleti folyamatok mérése és értékelése
13
Üzleti folyamatok mérése és értékelése
2. ábra. Fuzzy értelemben vett közepesen jövedelmező üzletek halmazának egy le-
hetséges halmazhoz tartozási függvénygrafikonja
Ezek szerint hajlunk arra, hogy a halmazhoz tartozás mértékét ne csak az 1 (hal-
mazhoz tartozik) és a 0 (nem tartozik a halmazhoz) értékekkel adjuk meg. Ezek a
függvények, szemben a karakterisztikus függvénnyel, a halmazhoz tartozás mértékét
a 0 és 1 közötti folytonos skálán fejezik ki úgy, hogy minél nagyobb a függvény-
érték, annál nagyobb a halmazhoz tartozás mértéke. A bemutatott függvénygörbe
csupán egy példát mutat egy lehetséges halmazhoz tartozási definícióra, a gyakorlati
alkalmazásokban természetesen nagyon sokféle, igen változatos alakú függvénygörbe
felhasználható a halmazhoz tartozás mértékének kifejezésére. Ezek közül, a téma
irodalmában széles körben alkalmazott és hivatkozott típusokat – a teljesség igénye
nélkül – a 2.2 szakaszban mutatjuk be röviden.
14
Üzleti folyamatok mérése és értékelése
(F )
A µH leképezést a H (F ) fuzzy halmaz tagsági függvényének (halmazhoz tartozási
függvényének) nevezzük. A tagsági függvény tulajdonképpen a
µH : X → {0; 1} (9)
{0; 1} értékelő
karakterisztikus függvény általánosítása, áttérés a kételemű halmazról
(F ) (F )
a [0, 1] értékelő intervallumra. A H fuzzy halmaz az x, µH (x) rendezett pá-
(F )
rokból áll, azaz az X alaphalmaz minden x elemének van egy µH (x) tagsági értéke
a [0, 1] intervallumban. Ez a tagsági érték adja meg, hogy egy x elemnek mekkora a
halmazhoz tartozási mértéke.
Fuzzy halmazok szélső esetei megfelelnek a klasszikus halmazelmélet határesete-
inek [12]:
(F )
• Az X alaphalmaz µX tagsági függvénye olyan, hogy minden x ∈ X esetén
(F )
µX (x) = 1, azaz az alaphalmaz minden eleme 1 tagsági értékkel az alaphal-
mazhoz tartozik.
(F )
• Egy H fuzzy halmaz üres halmaz, ha minden x ∈ X esetén a µH (x) tagsági
függvényérték nulla.
15
Üzleti folyamatok mérése és értékelése
határozzuk meg a függvény jellegét, majd annak paramétereit úgy hangoljuk, hogy
az a konkrét alkalmazás esetén előre rögzített kritériumoknak eleget tegyen. A má-
sik lehetőség az, hogy mérési vagy megfigyelési adatokból indulunk ki, és többnyire
neurális hálózatokra valamint genetikus algoritmusokra épülő módszerek segítségé-
vel adjuk meg a tagsági függvényt. E témakör egy jó áttekintését adja Johanyák
és Kovács [13] munkája, amelyben tagsági függvények megválasztási szempontjai
mellett a függvények jellemzőinek meghatározási módszereit is tárgyalják. Ebben a
szakaszban a legismertebb tagsági függvény típusokat mutatjuk be röviden, majd a
menedzsment területén történő jó alkalmazhatóságuk miatt két típussal, a logisztikus
(szigmoid), illetve egy a logisztikust jól közelítő racionális törtfüggvénnyel foglalko-
zunk részletesebben.
Legyen az X alaphalmaz a valós számegyenes valamely intervalluma, H pedig
egy fuzzy halmaz az X alaphalmazon. A következőkben µ(x) a H fuzzy halmaz egy
tagsági függvényének helyettesítési értékét jelöli az x ∈ X helyen.
16
Üzleti folyamatok mérése és értékelése
17
Üzleti folyamatok mérése és értékelése
18
Üzleti folyamatok mérése és értékelése
19
Üzleti folyamatok mérése és értékelése
20
Üzleti folyamatok mérése és értékelése
21
Üzleti folyamatok mérése és értékelése
Tehát az értékelő függvényünktől azt várjuk, hogy helyettesítési értéke közel 0 legyen,
ha x közel van a mérési skála xS kezdőpontjához, és közel 1 legyen, ha x közel van
a mérési skála xE végpontjához. A beszállítói teljesítmény értékelése esetén ez azt
jelenti, hogy a beszállítót rosszul teljesítőnek értékeljük, ha a teljesítmény mért értéke
a mérési skála kezdőpontjához van közel, és jól teljesítőnek akkor, ha teljesítményének
mért értéke a mérési skála végpontjához közeli. A (19) közelítő egyenlőségek csak
az értékeléssel kapcsolatos alapvető elvárásokat fogalmazzák meg, de nem nyújtanak
támpontot ahhoz, hogy milyen értékeket vegyen fel az E értékelő függvény az xS -től
és xE -től jelentősen eltérő helyeken.
Az értékelő függvény további jellemzőinek azonosításához, a beszállítói teljesít-
mény értékelését példaként véve, hajtsuk végre a következő – a legtöbb üzleti folya-
mat értékelésére alkalmazható – gondolatkísérletet. Vegyünk két olyan, xS,1 és xS,2
mért beszállítói teljesítményt, amelyek közel vannak xS -hez és legyen xS,2 egy picivel
nagyobb, mint xS,1 , de továbbra is xS,1 ≈ xS és xS,2 ≈ xS . Egy beszállító gyengén
teljesít, azaz a megfelelően teljesítő beszállítók halmazához tartozásának mértéke
közel nulla, ha x ≈ xS . Mivel xS,1 < xS,2 , és az E függvényt szigorúan monoton nö-
vekedőnek feltételeztük, ezért E(xS,1 ) ≤ E(xS,2 ). Ha a mért beszállítói teljesítmény
eléggé kicsi, akkor nagyjából mindegy, hogy mennyire kicsi, ilyenkor ugyanis a válla-
lat számára – mint értékelő entitás számára – hordozott érték nagyjából nulla, azaz
az E függvény ugyan monoton növekvő az xS hely közelében, de itt növekedése kicsi,
azaz E(xS,2 ) − E(xS,1 ) ≈ 0. Azt mondhatjuk tehát, hogy ha az E(x) függvényérték
nulla közeli, akkor a függvénygörbe meredeksége is nulla közeli. Ha a mért beszállítói
teljesítmény a mérési skála xE végpontjához közeli érték, azaz E(x) ≈ 1, akkor x
további növekedése már szinte nulla növekedést eredményez beszállítói teljesítmény
E(x) értékében. Azt mondhatjuk tehát, hogy ha az E(x) függvényérték 1 közeli,
akkor a függvénygörbe meredeksége nulla közeli.
Ha az eddigiek alapján azt feltételezzük, hogy az E értékelő függvény meredeksé-
gét a függvényérték mind nullától, mind egytől számított távolsága határozza meg, és
a függvény meredeksége állandó arányban áll e két távolsággal, akkor az E függvény
szerinti értékelést logisztikus értékelésnek nevezzük. Logisztikus értékelés esetén az
E értékelő függvény eleget tesz a
∆E(x)
= a [1 − E(x)] [E(x) − 0] (20)
∆x
22
Üzleti folyamatok mérése és értékelése
dE(x)
= a [1 − E(x)] E(x) (21)
dx
differenciálegyenlet adódik, amelyet logisztikus egyenletnek neveznek. A logisztikus
egyenletnek számos biológiai, kémiai, gazdasági és számítástudományi alkalmazása
ismert. Alkalmazásának gyökerei egészen a 19. századig nyúlnak vissza, amikor
Verhulst belga matematikus 1838-ban elsőként használta az egyenletet és segítségével
populációk növekedését modellezte [14].
Az üzleti gyakorlatban, a legtöbb esetben – ahogy ezt a beszállítói teljesítmény
értékelésére vonatkozó példa segítségével a gondolatkísérleten keresztül láttuk – a
mutatószámok mért értékei alapján történő értékelés olyan meredekségi tulajdonsá-
gokkal rendelkező értékelő függvényekkel történik, amelyek eleget tesznek a logiszti-
kus egyenletnek. Az értékelő függvény meredekségére vonatkozó jellemezőket a (21)
egyenlet úgy ragadja meg, hogy E(x) annál meredekebb, minél messzebb van mind
0-tól, mind 1-től, és ezt a meredekséget az a arányossági tényező határozza meg.
Ahhoz azonban, hogy ne csak a 0-ból 1-be történő átmenet meredekségét tudjuk
megadni, hanem azt is, hogy ez az átmenet a mérési skála mely pontja körül tör-
ténjen meg, éljünk azzal az elvárással, hogy E helyettesítési értéke a c ∈ (xS , xE )
helyen legyen 21 . Ezen elvárás megadása azért szükséges, mert a gyakorlatban a
mért x értékekkel monoton növekvő értékelések esetén az értékelő függvénynek –
23
Üzleti folyamatok mérése és értékelése
x − xS (24)
Eω,c,xS ,xE (x) = E
x − xS ω
ω
c − xS x − xS
+ 1−
xE − xS xE − c xE − xS
kvázi logisztikus függvénnyel közelíteni, ahol ω > 0. Ha az Eω,c,xS ,xE függvény ω
paraméterét úgy választjuk meg, hogy
a(xE − c)(c − xS )
ω= , (25)
xE − xS
akkor Eω,c,xS ,xE jól közelíti az Sa,c függvényt (első rendben illeszkedik hozzá), mi-
közben Eω,c,xS ,xE (xS ) = 0 és Eω,c,xS ,xE (xE ) = 1 teljesül [15], [16]. Megjegyezzük,
hogy az Eω,c,xS ,xE függvény az alábbi alakban is megadható:
24
Üzleti folyamatok mérése és értékelése
Hagyományos
Munkatárs Mért teljesítmény
értékelés
M1 4,1 0
M2 2,8 0
M3 7,6 1
M4 9,1 1
M5 9,4 1
M6 6,8 0
M7 7,1 1
M8 6,9 0
M9 1,8 0
M10 8,2 1
M11 7,5 1
M12 8,3 1
M13 6,3 0
M14 6,8 0
M15 6,7 0
25
Üzleti folyamatok mérése és értékelése
• Az M6, M8, M14 és M15 munkatársak teljesítménye nem annyira rossz, hogy
azok ne felelnének meg, „kis jóindulattal” azok is megfelelnek.
26
Üzleti folyamatok mérése és értékelése
Hagyományos Logisztikus
Munkatárs Mért teljesítmény
értékelés értékelés
M1 4,1 0 0,2027
M2 2,8 0 0,0595
M3 7,6 1 0,9149
M4 9,1 1 0,9817
M5 9,4 1 0,9866
M6 6,8 0 0,8205
M7 7,1 1 0,8630
M8 6,9 0 0,8357
M9 1,8 0 0,0212
M10 8,2 1 0,9534
M11 7,5 1 0,9062
M12 8,3 1 0,9579
M13 6,3 0 0,7280
M14 6,8 0 0,8205
M15 6,7 0 0,8041
27
Üzleti folyamatok mérése és értékelése
28
Üzleti folyamatok mérése és értékelése
29
Üzleti folyamatok mérése és értékelése
30
Üzleti folyamatok mérése és értékelése
31
Üzleti folyamatok mérése és értékelése
• t4. Axióma. (Asszociativitási feltétel): minden a, b, c ∈ [0, 1] esetén t(a, t(b, c)) =
t(t(a, b), c).
t(a, b) = ab (37)
Drasztikus szorzat
a,
ha b = 1
t(a, b) = b, ha a = 1 (38)
0, különben.
Yager-féle t-norma
1
t(a, b) = 1 − min 1, ((1 − a)w + (1 − b)w ) w , (39)
ahol w > 0.
Dombi-féle t-norma
1
α α 1 , (40)
1−a 1−b
α
1+ +
a b
32
Üzleti folyamatok mérése és értékelése
ahol α > 0.
s(a, b) = a + b − ab (42)
Drasztikus összeg
a, ha b = 0
s(a, b) = b, ha a = 0 (43)
1, különben.
Yager-féle s-norma
1
s(a, b) = min 1, (aw + bw ) w , (44)
ahol w > 0.
Dombi-féle s-norma
1
α α 1 , (45)
1−a 1−b
α
1+ +
a b
ahol α < 0.
33
Üzleti folyamatok mérése és értékelése
ρ = {(x, y) : (x, y) ∈ A × B, x < y} = {(1, 5); (1, 7); (4, 5); (4, 7)}
reláció.
34
Üzleti folyamatok mérése és értékelése
Ekkor
ρ ◦ σ = {(1, 5); (1, 8); (4, 5); (4, 8)}.
A 13. ábra a ρ ◦ σ relációt szemlélteti.
Korábban láttuk, hogy egy halmaz - más megadási módok mellett - megadható
a karakterisztikus függvényével. Mivel egy bináris reláció is egy halmaz, rendezett
párokból álló halmaz, ezért az is megadható karakterisztikus függvényével.
µρ : A × B → {0; 1}
(
1, ha (x, y) ∈ ρ (47)
µρ (x, y) =
0, ha (x, y) 6∈ ρ
függvény.
35
Üzleti folyamatok mérése és értékelése
függvény.
µ(F
ρ
)
: A × B → [0, 1]
36
Üzleti folyamatok mérése és értékelése
s1 s2 s3
v1 0,5 0,2 0
v2 0,9 0,4 0,7
(F )
A táblázatban µρ (v2 , s1 ) = 0, 9, ami azt jelenti, hogy a v2 vevő 0,9 mértékben
elégedett az s1 üzlettel a [0, 1] értékelő skálán.
A későbbiekben látni fogjuk, hogy a fuzzy logikai következtetés két fuzzy reláció
kompozíciójaként adható meg. A fuzzy elméletben a kompozíciónak sokféle alakja
létezik. Ezek közül a klasszikus relációk kompozíciójából közvetlenül nyerhető max-
min és max-szorzat alakok széles körben használatosak, ezért itt ezeket mutatjuk
be. Az (48) összefüggés alapján tudjuk, hogy ha a ρ ⊆ A × B és σ ⊆ B × C
klasszikus bináris reláció karakterisztikus függvénye rendre a µρ és µσ függvény,
akkor a ρ ◦ σ ⊆ A × C kompozíció µρ◦σ karakterisztikus függvénye minden x ∈ A,
y ∈ B, z ∈ C-re
µρ◦σ (x, z) = max (µρ (x, y) · µσ (y, z)) .
Ez alapján két bináris fuzzy reláció max-min, illetve max-szorzat kompozíciója a
következők szerint adható meg.
37
Üzleti folyamatok mérése és értékelése
38
Üzleti folyamatok mérése és értékelése
3. Fuzzy logika
Fuzzy rendszerek működésének központi elemét képezik a fuzzy logikai következteté-
sek, amelyek alapjai a "HA A, AKKOR B" alakú természetes nyelvi szabályok. Egy
ilyen szabály felhasználásával egy premisszából vonunk le konklúziót. A-t a szabály
előzményének (antecedensének), B-t pedig következményének (konzekvensének) ne-
vezzük. Szokás még A-t a szabály előtagjának, B-t pedig utótagjának nevezni. A
hétköznapi nyelvhasználatban egy ilyen szabály előtagja és utótagja is általában
fuzzy halmaz, továbbá a premissza és az abból levont következtetés általában szin-
tén fuzzy halmazzal reprezentálható. Ebben a szakaszban a fuzzy következtetések
elméleti alapjaiba teszünk rövid betekintést. Először megismerjük a nyelvi változó
fogalmát, majd a fuzzy "HA A, AKKOR B" alakú szabályokat tárgyaljuk röviden.
Ezt követően a fuzzy logikai következtetések működésével foglalkozunk.
39
Üzleti folyamatok mérése és értékelése
A ¬A
1 0
0 1
40
Üzleti folyamatok mérése és értékelése
felel meg, amikor azt megengedő értelemben használjuk, azaz a művelet akkor is igaz
értéket ad, amikor a műveletben szereplő ítéletek mindegyike igaz. Ilyen például a
"Virág szép, vagy a fű zöld." kijelentés, amely akkor is igaz, ha egy virágot szépnek
ítélünk miközben a fű zöld. A "VAGY" összekapcsolás másik köznapi változata az,
amikor azt kizáró értelemben használjuk. Ezt gyakran a "VAGY..., VAGY" alakban
tesszük, például "Vagy kék, vagy zöld inget húzok.". A továbbiakban a "VAGY"
összekapcsolás alatt mindig a megengedő változatot értjük és azt a matematikai
diszjunkcióval írjuk le.
Nagyobb nehézséget okoz az implikáció művelet értelmezése. Az 5. táblázat
alapján a "Ha A, akkor B" implikáció logikai igaz értéket eredményez akkor, amikor
A hamis. A problémát az okozza, hogy az ítéletkalkulus implikáció művelete nem
feltétez ok-okozati kapcsolatot A és B között, azaz az implikáció két egymástól füg-
getlen ítéletet kapcsol össze, miközben a hétköznapi értelmezés szerint a "Ha A, akkor
B" alakú kijelentés esetén A és B ok-okozati kapcsolatára, azaz egy következtetésre
gondolunk. Tehát, az ítéletkalkulusban A → B egy az 5. táblázat szerint definiált
művelet, nem pedig egy következtetés. A mérnöki, gazdasági gyakorlatban súlyos
problémát okozna, ha egy "Ha A, akkor B" alakú szabályt az ítéletkalkulus impli-
káció műveletével írnánk le, mert a mérnöki, gazdasági alkalmazásokban általában
ok-okozati viszonyt feltételezünk A és B között.
41
Üzleti folyamatok mérése és értékelése
A → B = (¬A) ∨ B, (57)
valamint
A → B = (A ∧ B) ∨ (¬B). (58)
Ezek felhasználásával és a megfelelő fuzzy logikai műveletek alkalmazásával származ-
tatható a fuzzy implikáció művelet. Mivel fuzzy komplementumból, t-normából és
s-normából nagyon sok változat ismert, így formális fuzzy implikációból is nagyon
sokféle létezik. Az ítéletkalkulus implikáció művelete alapján származtatott fuzzy
implikációk a szélső esetekben ugyanúgy viselkednek, mint az ítéletkalkulus impli-
káció művelete, azaz a fuzzy xA → yB művelet 1 értéket eredményez akkor, amikor
42
Üzleti folyamatok mérése és értékelése
6. táblázat. Fuzzy implikációk a tagsági értékek szélső eseteire (Retter [11, 139. o.])
µA (x) µB (y) µA→B (x, y) min (µA (x), µB (y)) µA (x) · µB (y)
1 1 1 1 1
1 0 0 0 0
0 1 1 0 0
0 0 1 0 0
43
Üzleti folyamatok mérése és értékelése
(A → B) ∧ A (62)
logikai formula igazságtáblázatát.
44
Üzleti folyamatok mérése és értékelése
A B A→B (A → B) ∧ A
1 1 1 1
1 0 0 0
0 1 1 0
0 0 1 0
implikáció: HA A AKKOR B
premissza: A
következmény: B
A példa jól érzékelteti a modus ponens séma működését. Az "A következő munkahét
négy napos." premissza tökéletesen illeszkedik a szabály előtagjához, így a szabály
utótagja által meghatározott következtetés kerül levonásra.
45
Üzleti folyamatok mérése és értékelése
46
Üzleti folyamatok mérése és értékelése
supx∈X (µA0 ∩A (x)) azt méri, hogy az A0 bemenet mekkora mértékben illeszkedik a
szabály A előtagjára. Ezt az értéket nevezzük a szabály aktivizációs fokának, vagy
teljesülési mértékének és βM -mel elöljük, azaz
Így µB 00 (y) értéke minden y ∈ Y esetén a βM aktivizációs fok, amely egy számérték
a [0, 1] intervallumon, és a µB (y) tagsági függvényérték minimuma.
Egy fuzzy rendszer bemenetei általában számértékek, amelyeket először fuzzi-
fikálni kell, majd a fuzzy következtetéseket követően az aggregált fuzzy kimenetet
defuzzifikálni kell, azaz újra numerikus értékké kell alakítani. A numerikus x beme-
net fuzzifikálása történhet fuzzy halmazzal, ilyenkor A0 egy fuzzy halmaz, vagy fuzzy
szingletonnal, ilyenkor A0 egy fuzzy szingleton (11. ábra).
A 14. ábra a Mamdani következtetés működését szemléltei arra az esetre, amikor
az x bemenetet az A0 háromszög tagsági függvényű fuzzy halmazzal fuzzifikáljuk.
47
Üzleti folyamatok mérése és értékelése
48
Üzleti folyamatok mérése és értékelése
16. ábra. A Mamadani inferencia működése két szabállyal, két bemenet fuzzy szing-
letonnal történő fuzzifikálása esetén
49
Üzleti folyamatok mérése és értékelése
Az A11 , A21 , A12 és A22 fuzzy halmazokat háromszög tagsági függvényekkel adtuk
meg. Az A11 és A12 fuzzy halmazok tagsági függvénygörbéi, illetve az A21 és A22
fuzzy halmazok tagsági függvénygörbéi átlapolódnak, ezért itt egy bement több sza-
bály aktiválásában vesz részt. Mindkét szabály előtagja két fuzzy propozíció ÉS
kapcsolata, amelyet a minimum művelettel valósítunk meg. Az x1 bemenet (fuzzy
szingleton) és az A11 fuzzy halmaz metszete h11 , az x2 bemenet és az A21 fuzzy hal-
maz metszete h21 és min(h11 , h21 ) = h21 , ezért az első szabály teljesülési mértéke h21 ,
így az első szabály B1 utótagjának tagsági függvényét h21 magasságban "vágjuk le".
Ennek eredményeként az első szabály kimenete B100 . Hasonló meggondolás alapján
adódik a második szabály B200 kimenete. A két szabály kimenetének maximum mű-
velettel történő aggregálása eredményezi az inferencia B 00 eredő kimenetét. Tudjuk,
hogy a B 00 kimenet egy fuzzy halmaz. Mivel a legtöbb alkalmazásban numerikus ki-
menetet várunk a fuzzy rendszertől, ezért a fuzzy inferencia kimenetét defuzzifikálni
kell. Erről a következő szakaszban ejtünk szót.
50
Üzleti folyamatok mérése és értékelése
51
Üzleti folyamatok mérése és értékelése
4.1. A fuzzifikáló
Egy fuzzy rendszer bemenetei rendszerint éles x1 , x2 , . . . , xm numerikus értékek, ame-
lyet a fuzzy következtetés végrehajtásához először fuzzifikálni kell. A fuzzifikálás egy
olyan transzformáció, amely egy x0 ∈ X éles értéket egy az X halmazon értelme-
zett A0 fuzzy halmazzá képez le. A Mamdani-féle következtetés tárgyalása során
grafikusan már bemutattuk az éles bemenet fuzzy szingletonnal és háromszög fuzzy
halmazzal történő fuzzifikálását. E két fuzzifikálási módszeren kívül említést érde-
mel még a Gauss fuzzifikáció, amely Gauss tagsági függvényű fuzzy halmazzá képezi
az éles bemenetet. A következőkben e három fuzzifikáló működését foglaljuk össze
arra az esetre, amikor x0 egy skalár.
A szingleton fuzzifikáló az x0 pontot egy olyan A0 fuzzy halmazzá képezi, amelynek
µA0 tagsági függvénye az x0 helyen 1, minden más helyen 0.
(
1, ha x = x0
µA0 (x) = (72)
0, különben
52
Üzleti folyamatok mérése és értékelése
(c) Gauss-fuzzifikáló
53
Üzleti folyamatok mérése és értékelése
4.2. A szabálybázis
A "HA A, AKKOR B" alakú szabályok fuzzy rendszerekben betöltött szerepét ko-
rábban már tárgyaltuk. Itt röviden tárgyaljuk azokat a technikákat, amelyek segít-
ségével egy fuzzy rendszer szabálybázisa meghatározható.
Ha a rendszer bemenetei az x1 , x2 , . . . , xm numerikus értékek, akkor egy "HA
..., AKKOR ..." szabály előtagja az alkalmazott tagsági függvényeken keresztül az
(x1 , x2 , . . . , xm ) vektornak az m-dimenziós bemeneti tér egy részteréhez való tartozási
mértéket adja meg a [0, 1] skálán. Ez azt jelenti, hogy a szabályok előtagjai az m-
dimenziós bemeneti teret osztják fel.
A bementi tér legkézenfekvőbb felosztása az úgynevezett rács particionálás. Eb-
ben az eseteben mindegyik bemeneti változóhoz, mint nyelvi változóhoz, azonos szá-
mú nyelvi értéket (fuzzy halmazt) rendelünk. A módszer előnye abban áll, hogy a
tagsági függvények általában valódi lingvisztikai jelentéssel bírnak, hátránya viszont
az, hogy a szabályok száma a bementi tér dimenziójával exponenciálisan növekszik.
Például, minden bemeneti változóra 3 résztartományt alkalmazva 2 dimenzió esetén
a szabályok száma 32 = 9, míg 4 dimenzió esetén ez az érték 34 = 81.
A döntési fák felépítésére alapuló, úgynevezett fa particionálás alkalmazásával
a szabályok száma csökkenthető, viszont az egyes tagsági függvények nem mindig
rendelkeznek világos nyelvi jelentéssel.
Ha rendelkezésünkre áll egy minta a bementi vektorokra vonatkozóan, akkor azok
klaszterezésével a bementi vektorok úgy osztályozhatók, hogy az azonos osztályba
(klaszterbe) kerülő vektorok közötti hasonlóság nagy, míg bármely két különböző
klaszterben lévő vektor jelentősen különbözik egymástól. Ha a bemeneteket sikerül
a C1 , C2 , . . . , Ck klaszterekbe sorolni, akkor "HA (x1 , x2 , . . . , xm ) ∈ Ci , AKKOR Bi "
alakú szabályokat alkalmazhatunk, s így a szabályok száma megegyezik a klaszterek
számával. A módszer hátránya, hogy általában nem társítható világos nyelvi jelentés
ahhoz, hogy egy (x1 , x2 , . . . , xm ) bemenet egy adott klaszterhez tartozik.
4.4. A defuzzifikáló
A defuzzifikáló feladata a fuzzy következtető gép B 00 fuzzy halmaz kimenetének nu-
merikus, éles kimenetté alakítása. Ez az éles kimenet egy olyan y0 numerikus érték,
amely a B 00 fuzzy halmazt legjobban reprezentálja. Annak függvényében, hogy a
54
Üzleti folyamatok mérése és értékelése
55
Üzleti folyamatok mérése és értékelése
56
Üzleti folyamatok mérése és értékelése
2
4.5. Fuzzy alkalmazások az üzleti tudományokban
A fuzzy elmélet Zadeh 1965-ös korszakalkotó cikkének [10] megjelenése óta óriási
fejlődésen ment keresztül, és az elmélet eredményeinek rengeteg alkalmazása ismert.
Bár az alkalmazások jelentős része elsősorban műszaki területekre koncentrálódik,
az 1980-as évektől kezdődően egyre több kutatás témáját képezi a fuzzy elmélet al-
kalmazása a gazdaságtan, a szervezéstudományok és a menedzsment, azaz átfogóan
az üzleti tudományok területein. Biztató, hogy az alkalmazott kutatások és a publi-
kációk száma egyre növekszik ezeken a területeken, és egyre színesebb és érdekesebb
alkalmazási esetek látnak napvilágot. Itt – elsősorban az alkalmazási lehetőségek sok-
színűségének bemutatása céljából – csak egy rövid ízelítőt szeretnénk adni azokból a
publikációkból, melyek a fuzzy elmélet sikeres felhasználását mutatják be az üzleti
tudományok különböző területein. Guiffrida és Nagi 73 folyóiratcikket és 9 könyvet
tanulmányozva publikáltak egy átfogó irodalomkutatást a fuzzy halmazelmélet al-
kalmazásairól a termelésmenedzsment területén [20]. A hazai termelésmenedzsment
irodalomból említést érdemel Koltai és munkatársai munkája [21], melyben a fuzzy
elmélet eszközeinek felhasználásával tárgyalják a bizonytalan paraméterekkel történő
optimalizálást a szolgáltatás- és termelésmenedzsmentben. Guerry a fuzzy halmazok
lehetséges alkalmazásait mutatja be az emberi erőforrás tervezésében [22]. Chernic-
hovsky et al. egészségbiztosítási rendszerek finanszírozási kérdéseit tárgyalják egy
fuzzy logikát alkalmazó megközelítés segítségével [23]. Hobbs et al. az úgyneve-
zett fuzzy kognitív térképek alkalmazásával adnak módszert komplex (sokváltozós)
ökoszisztémák célérték meghatározására [24]. Varki et al. fuzzy alapú osztályozá-
si módszerüket, az úgynevezett Fuzzy Latent Class Model-t (FLCM) mutatják be
a marketing területén [25]. Wang egy fuzzy halmazokra építő projekttevékenység-
ütemező eljárást tárgyal a termékfejlesztés területén [26], míg Piros és Veres fuzzy
alapú projekttervezési módszert mutatnak be [32] munkájukban. Shipley et al. a
2
A szakasz Kövesi János (szerk.): Minőség és megbízhatóság a menedzsmentben című munkánk
4.4. szakaszának átvételére épül [1]
57
Üzleti folyamatok mérése és értékelése
58
Üzleti folyamatok mérése és értékelése
59
Üzleti folyamatok mérése és értékelése
60
Üzleti folyamatok mérése és értékelése
Hivatkozások
[1] Kövesi J. (szerk.): Minőség és megbízhatóság a menedzsmentben. Typotex Kiadó, Budapest,
2011.
[2] Jónás T. – Kövesi J.: Értékelő függvények a megbízhatóság alapú menedzsmentben. Minőség
és megbízhatóság XLIII(6): 311-320., 2009
[3] Vámosi Z.: Humán erőforrás menedzsment. LSI Oktatóközpont, A Mikroelektronika Alkalma-
zásának Kultúrájáért Alapítvány, Budapest, 237., 2004
[4] Burdick, R. K. – Borror, C. M. – Montgomery, D. C.: Design and Analysis of Gauge R&R
Studies. Philadelphia, SIAM, 2005
[5] Kindler J. – Papp O.: Komplex rendszerek vizsgálata. Műszaki Könyvkiadó, Budapest, 17-27.,
1977
[6] Szendrei Á.: Diszkrét matematika, logika, algebra, kombinatorika. JATE Bolyai Intézet, Sze-
ged, 39., 1996
[7] Negoita, C. V.: Expert Systems and Fuzzy Systems. The Benjamin/Cummings Publishing
Company Inc., California, 47-67., 1985
[8] Zimmermann, H.-J.: Fuzzy set theory – and its applications. Kluwer Academic Publisher,
Massachusetts, 1-15., 2001
[9] Kosko, B.: Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion, New York, 121-156.,
1993
[10] Zadeh L. A.: Fuzzy Sets. Information and Control, 8:338-353., 1965
[11] Retter Gy.: Fuzzy, neurális genetikus, kaotikus rendszerek. Bevezetés a „lágy számítás” mód-
szereibe. Invest-Marketing Bt., Budapest, 21-22., 2003
[12] Retter Gy.: Fuzzy rendszerek. 1. kötet. Oktatási Segédlet, Budapesti Műszaki és Gazdaságtu-
dományi Egyetem, Villamos Gépek és Hajtások Tanszék, 20-21., 2002
[13] Johanyák Zs. Cs. – Kovács Sz.: A fuzzy tagsági függvény megválasztásáról. A GAMF Közle-
ményei, Kecskemét, XIX. Évfolyam, 73-84., 2004
[14] Verhulst P. F.: Notice sur la loi que la population poursuit dans son accroissement. Corres-
pondance mathématique et physique, 10: 113–121., 1838
[15] Jónás T.: A szigmoid függvény és alkalmazásai. Tudományos Diákköri Dolgozat, Szegedi Tu-
dományegyetem, Számítástudományi Szekció, 2000
[16] Jónás T.: Üzleti folyamatok megbízhatóságának modellezése. PhD értekezés, Budapesti Mű-
szaki és Gazdaságtudományi Egyetem, Gazdálkodás- és Szervezéstudományi Doktori Iskola,
2010
[17] Kóczy T. L., Tikk D.: Fuzzy rendszerek. Typotex Kiadó, Budapest. 2000.
[18] Mamdani, E.H., S. Assilian: An experiment in linguistic synthesis with a fuzzy logic controller.
International Journal of Man-Machine Studies, Vol. 7, No. 1, pp. 1-13, 1975.
[19] P. M. Larsen: Industrial Applications of Fuzzy Logic Control, International Journal of Man-
Machine Studies, Vol. 12, No. 1, 1980, pp. 3-10
61
Üzleti folyamatok mérése és értékelése
[20] Guiffrida A. L. – Nagi R.: Fuzzy Set Theory Applications in Production Management Research:
A Literature Survey. Journal of Intelligent Manufacturing, 9(1): 39-56., 1998
[22] Guerry M. A.: Using Fuzzy Sets in Manpower Planning. Journal of Applied Probability, 36(1):
155-162., 1999
[23] Chernichovsky D. – Bolotin A. – De Leeuw D.: A Fuzzy Logic Approach toward Solving the
Analytic Enigma of Health System Financing. The European Journal of Health Economics,
4(3): 158-175., 2003
[25] Varki S. – Cooil B. – Rust R. T.: Modeling Fuzzy Data in Qualitative Marketing Research.
Journal of Marketing Research, 37(4): 480-489., 2000
[26] Wang J. R.: A Fuzzy Set Approach to Activity Scheduling for Product Development, The
Journal of the Operational Research Society, 50(12): 1217-1228., 1999
[27] Shipley M. F. – De Korvin A. – Omer K.: A Fuzzy Logic Approach for Determining Expected
Values: A Project Management Application, The Journal of the Operational Research Society,
47(4): 562-569., 1996
[29] Ragin C. C.: Fuzzy-Set Social Science. The University of Chicago Press, Chicago, 370., 2000
[30] Smithson M. – Verkuilen J.: Fuzzy set theory: applications in the social sciences. Sage Publi-
cations Ltd., California, 97., 2006
[31] Zopounidis C. – Pardalos P. M. – Baourakis G.: Fuzzy sets in management, economics, and
marketing. World Scientific Publishing, 269., 2001
[32] Piros A. – Veres G.: Fuzzy based method for project planning of the infrastructure design for
the diagnostic in ITER. FUSION ENGINEERING AND DESIGN 88: pp. 1183-1186. 2013
[33] Jónás T.: Fuzzy elmélet a menedzsmentben. Oktatási segédanyag. Budapesti Műszaki és Gaz-
daságtudományi Egyetem, Gazdaság- és Társadalomtudományi Kar, 2015.
62