Методология Soft systems (SSM) (мягкая модель управления) представляет собой подход к моделированию организационных процессов (business process modeling) и может быть использована как для решения общих задач, так и в управлении изменениями. Она была разработана в Англии учеными системного факультета Ланкастерского университета в рамках десятилетней программы исследований действий. Методология была разработана на основе более ранних подходов к системной инженерии, в первую очередь Питером Чеклендом и его коллегами, такими как Брайан Уилсон.

Антихрупкие организации — это те, у которых есть культура, которая позволяет им быстро учиться в своей среде и адаптироваться к ней, чтобы они могли воспользоваться преимуществами изменчивости. Вот некоторые характеристики антихрупких организаций:

1. Системное мышление. Все в организации знают цели организации и гарантирует, что их работа непосредственно способствует достижению этих целей.
2. Теория управления. Руководство должно предполагать, что сотрудники самомотивированы и смогут научиться решать проблемы самостоятельно.

Классическая теория множеств построена на фундаментальном понятии «множество», членом которого индивид является или не является. Резкое, четкое и однозначное различие существует между членом и не членом для любого четко определенного «набора» объектов в этой теории, и существует очень точная и четкая граница, указывающая, принадлежит ли объект множеству.

Нечеткая логика — теория множеств, нечеткие множества можно рассматривать как расширение и грубое упрощение классических множеств.

Лучше всего ее можно понять в контексте принадлежности множеств. Классическое множество содержит элементы, удовлетворяющие точным свойствам членства, в то время как нечеткое множество содержит элементы, удовлетворяющие неточным свойствам членства.

Бизнес-процессы постоянно подвергаются широкому спектру рисков [6]. Как показали недавние инциденты в финансовом секторе [3], отказ процессного управления рисками может привести к существенным финансовым и репутационным последствиям. Поэтому, крайне важно обеспечить инновационные подходы, способные способствовать постоянному повышению эффективности бизнес-процессов [6].

Тем не менее, трудно решать риски на уровне бизнес-процессов. Бизнес-процесс представляет собой набор связанных структурированных задач, направленных на достижение определенной цели. Поэтому, эффективное управление рисками на уровне процесса должно осуществляться контрольными процедурами в задачах.

Существующие исследования, связанные с управлением рисками для бизнес-процессов, в основном сосредоточены на показателях риска и процедурах смягчения, в то время как мало внимания уделяется предоставлению рекомендаций внутреннему аудитору для избегания рискованных ситуаций и постоянного улучшения бизнес-процессов внутри фирм. Кроме того, эффективный контроль задач, составляющих процесс, является основой управления рисками в бизнес-процессах. Таким образом, рассмотрение анализа уровня задач является обязательным.

Нечеткая мультиагентная система для облегчения оценки рисков и постоянного совершенствования бизнес-процессов очень важна. Основой достижения этих целей являются бизнес-процессы, построенные на основе экспертных знаний.

Предыдущие исследования на основе процессов подчеркивали важность явных связей между рисками и моделями бизнес-процессов в соответствии с конкретными методологическими подходами.

Томлин [4] продемонстрировал неизбежность того, что риск-нейтральные фирмы в контексте цепочки поставок выберут единую стратегию управления процессами среди этих вариантов: смягчение путем переноса запасов, смягчение путем единственного источника от надежного поставщика или пассивного принятия. Сюэ и др. [8] предположили, что модульность системы приводит к снижению уровня риска принятия цифровых систем цепочки поставок и, следовательно, вдохновляет фирмы на оцифровку большего количества своих операций цепочки поставок.

Основываясь на вышеуказанных исследованиях, Раджеш и др. [4] суммировали двенадцать основных категорий рисков цепочки поставок и 21 стратегию снижения рисков в области цепочки поставок. Теория Грея и методологии орграфной матрицы были интегрированы, что способствует количественной оценке различных стратегий снижения рисков.

Хотя предыдущие исследования заложили основу для области управления рисками для бизнес-процессов, лишь немногие из этих подходов дают представление о том, как поддерживать выработку рекомендаций по предотвращению рискованных ситуаций и постоянное совершенствование бизнес-процессов. Существует растущая тенденция использования методов моделирования для управления рисками из-за его гибкости моделирования. Мягкая модель как метод управления бизнес процессами, как метод моделирования, обычно используется в сценариях управления рисками [3]. В этих сценариях агенты могут сотрудничать, чтобы создать организационную модель для обеспечения эффективного управления рисками и поддержки принятия решений в архихрупких организациях.

Более того, поскольку большинство факторов риска в бизнес-процессах носят субъективный характер, его оценка опирается на лингвистическое суждение лиц, принимающих решения [5]. Поэтому в теория нечетких множеств [8] вводит для учета впечатления, расплывчатости и неопределенности лингвистической информации. Лингвистическая переменная — это переменная, значения которой описываются в терминах естественного или искусственного языка, а не выражаются в числовых формах [6]. Лингвистические переменные широко используются в сложных средах, а также в ситуациях, которые трудно описать традиционными количественными выражениями [2].

У модели нечетких множеств есть ряд преимуществ по сравнению с реальной реализацией:

• может представлять неопределенную и неоднозначную информацию, полученную от экспертов. Эта функция, достигаемая теорией нечетких множеств, помогает работать с лингвистическими переменными, которые не могут быть описаны численно.
• подходит для распределенной среды. Мультиагентный подход обеспечивает адаптивную поддержку в соответствии с распределенным характером сетевых предприятий.
• обладает способностью к обучению, используя нечеткую нейронную сеть для прогнозирования уровня риска целевого бизнес-процесса на основе ранее наблюдаемых случаев.

Сложность и динамический характер организационной среды затрудняют прогнозирование рисков, связанных с бизнес-процессами, с которыми сталкивается фирма. Однако мягкая модель способна точно оценить состояние риска фирмы и предоставить решения, которые позволяют улучшить каждую фазу бизнес-процесса. Система даст лучшие результаты, если предоставить кейсы, связанные с сектором, в котором она будет использоваться, из-за зависимости, которая существует между процессами в фирме и сектором, в котором она находится.

Будущие эксперименты будут направлены на определение того, как построенный прототип будет работать в других секторах, и как он должен быть изменен, чтобы улучшить его производительность.