Odpowiednia selekcja przetargów, do których startuje przedsiębiorstwo budowlane jest ważna w aspekcie kreowania jego pozycji na rynku. By wspomóc procesu myślowy decydenta i zwiększyć skuteczności ... więcej

Odpowiednia selekcja przetargów, do których startuje przedsiębiorstwo budowlane jest ważna w aspekcie kreowania jego pozycji na rynku. By wspomóc procesu myślowy decydenta i zwiększyć skuteczności decyzji opracowuje się modele wspomagające podejmowanie decyzji. W pracy zaproponowano sztuczne sieci neuronowe do budowy modelu wspomagającego decyzje przetargową wykonawcy. Zaproponowany model klasyfikacyjny generuje odpowiedź w formie zalecenia przystąpienia do przetargu bądź rezygnacji z udziału. Model w postaci sieci dwuwarstwowej jednokierunkowej o strukturze MLP 15-2-2 z dwoma neuronami w warstwie ukrytej, osiągnął dobrą jakość działania i prawidłowo sklasyfikował 88,64% przypadków, a pole pod krzywą ROC (współczynnik AUC) wyniosło 0,92578.

An appropriate selection of tenders in which the company wishes to participate plays an important part in establishing its position in the market and contributes to the contractor’s success. Efficiency ... więcej

An appropriate selection of tenders in which the company wishes to participate plays an important part in establishing its position in the market and contributes to the contractor’s success. Efficiency of bidding decisions can be improved by applying decision support models. The paper presents a model based on an artificial neural network designed to support contractors’ bidding decisions. The network solved the problem of classification. The best network proved to be the MLP 15-2-2 one which generated the most efficient classification, namely the 88,64% of correctly identified cases that did not participate in the training process. The area under the ROC curve (the coefficient AUC) reached the value 0,92578.