A döntéstámogató rendszer hatékonysága. Mik azok a DSS rendszerek?

A fejezet tanulmányozásának eredményeként a hallgatónak:

tud

• döntéstámogatás informatizálásának rendelkezései és elméleti alapjai a menedzsment területén;
• modern elképzelések a döntéstámogató rendszerekről;
• döntéstámogató rendszerek története és fejlődési irányzatai;

képesnek lenni

• általánosítsa és rendszerezze a döntéstámogató rendszerek modern koncepcióit;
• független értékelést adni a modern módszereket és döntési modelleket támogató információs rendszerekről;

saját

• döntéstámogató rendszerek osztályozása;
• a döntéstámogató rendszer azon sajátosságainak kiemelésének képessége, amelyek megkülönböztetik a többi információs rendszertől.

A döntéstámogató rendszerek meghatározása és főbb jellemzői

A döntéstámogató rendszerek olyan információs rendszerek osztálya, amelyekben a döntéshozó tapasztalata és nem formalizált tudása matematikai apparátus használatával ötvöződik. Ennek a tulajdonságának köszönhetően az ilyen rendszerek sikeresen alkalmazhatók strukturálatlan problémák megoldásában.

G. Simon besorolása szerint minden döntési feladat a következő kategóriákba sorolható:

• teljesen strukturált amikor a döntéshozó ismeri a feladat összes elemét és a köztük lévő kapcsolatot. Az ilyen döntések rutinszerűek, ismétlődő jellegűek, így teljesen automatizálhatók, és szinte semmire csökkentik a döntéshozó szerepét az ilyen döntések meghozatalában;
• gyengén strukturált vagy vegyes, minőségi és mennyiségi elemeket is tartalmaz, amelyekről a vezetőnek hiányos elképzelése van, mivel az elemeknek csak egy részét és a köztük lévő kapcsolatokat ismeri;
• strukturálatlan, amely a főbb elemek, jellemzők és jellemzők leírását tartalmazza, amelyek közötti mennyiségi összefüggések nem ismertek.

Megjegyzendő, hogy a vezetői munka gyakorlatában viszonylag kevés a teljesen strukturált vagy teljesen strukturálatlan feladat. Ugyanakkor a legtöbb irányítási feladat félig strukturált kategóriába sorolható.

A DSS aktívan használja a döntéshozó szubjektív preferenciáit, amelyektől függ a végső döntés. Ez a megközelítés lehetőséget ad a menedzsernek tudásának és tapasztalatának hasznosítására. Emellett a döntéshozó felelőssége azért hozott döntéseketélesen növeli motivációját, és az információk alapos elemzésére ösztönöz. Így a "szubjektív" nem mindig rossz, és az "objektív" nem mindig elérhető.

A jelenleg létező DSS-ek általában olyan multidiszciplináris kutatások eredményei, amelyek olyan területekre terjednek ki, mint az adatbázisok és adattárházak tervezése, a mesterséges intelligencia, az interaktív számítógépes rendszerek és a szimulációs módszerek.

G. Simon döntéstámogatás elméletének szentelt munkái az alábbi hat állítást tartalmazzák. Közülük az első három szerepel a mára klasszikussá vált könyvben Adminisztratív magatartás 1

• ha a számítógépen tárolt információ rendelkezésre áll, amikor az a döntés meghozatalához szükséges, akkor ez növelheti a döntéshozatal racionalitását;
• a döntési funkciók specializálódása nagymértékben függ a döntési központokkal való megfelelő kommunikációs csatornák kialakításától;
• Ha ismételten felmerül az igény egy adott tudásra, a szervezet előre tudja látni ezt az igényt, és azáltal, hogy a tudás birtokában lévő személyt előnyhöz juttatja a döntéshozatalban, hatékonyabb döntést tud hozni.

Ez a három állítás különösen fontos, ha a döntéshozatalra szánt idő korlátozott.

A cikkben Az információs technológia alkalmazása a szervezettervezésben még három kijelentés hangzik el:

• egy posztindusztriális társadalom számára a fő probléma nem a hatékony termelés megszervezése, hanem a hatékony döntéshozatali folyamat megszervezése, i.e. információ feldolgozás. A döntéshozatal hatékonyságának javítása mindig az lesz fontos tényező;
• az információfeldolgozás szempontjából a munkamegosztás a teljes döntéshozatali rendszer felbomlását jelenti viszonylag független alrendszerekre, amelyek mindegyike a többiekkel való minimális interakció alapján alakítható ki;
• A sikeres információs rendszerfejlesztés kulcsa a technológiai összehangolásban és a felhasználóközpontúságban rejlik. Egy további információfeldolgozó komponens – ember vagy gép – javíthatja a rendszer teljesítményét, ha a következő három feltétel teljesül:
• - a komponens több eredményt hoz, mint amennyit befektetést igényel, időt takarít meg és nem igényel további figyelmet;
• Egy komponens aktív és passzív elemeket is tartalmaz. Ugyanakkor az aktív elemek automatikusan kiválasztják és szűrik az információkat;
• - a komponens elemző és mesterséges modelleket tartalmaz, amelyek képesek megoldani a problémákat, értékelni és döntéseket hozni.

Az automatizált döntéstámogatás tehát hasznos és szükséges azokban az esetekben, amikor releváns, jó minőségű információkkal kell ellátni a döntéshozókat, amikor erre az információra van szükségük.

A döntéstámogató rendszerek területén az első fejlesztések megjelenése óta a DSS definíciója folyamatosan fejlődött 1 .

A DSS korai definíciói (amelyeket az 1970-es évek elején javasoltak) a következő három pontot tükrözték: 1) a strukturálatlan vagy félig strukturált problémák kezelésének képessége (ellentétben azokkal a problémákkal, amelyekkel az operációkutatás foglalkozik); 2) interaktív automatizált (azaz számítógép alapú) rendszerek; 3) az adatok és a modellek elkülönítése.

Íme néhány DSS definíció:

• adatfeldolgozási eljárások és ítéletek összessége, amelyek segítik a vezetőt a modellek használatán alapuló döntések meghozatalában;
• interaktív automatizált rendszerek, amelyek segítik a döntéshozót az adatok és modellek felhasználásában a félig strukturált problémák megoldására;
• olyan rendszer, amely hozzáférést biztosít a felhasználóknak az adatokhoz és/vagy modellekhez oly módon, hogy a felhasználók megalapozottabb döntéseket hozhassanak.

A DSS általánosan elfogadott definícióját nehéz megfogalmazni. Ennek az az oka, hogy kialakítása jelentősen függ a fejlesztési feladatok típusától, az adatok típusától, a szoftver képességeitől és a rendszer felhasználóitól.

Mindazonáltal a DSS néhány általánosan elismert eleme és jellemzője azonosítható. Először is, a DSS egy interaktív automatizált rendszer, amely segít a LIRS-nek az adatok és modellek használatában a döntéshozatalban. A rendszernek képesnek kell lennie interaktív lekérdezések kezelésére, miközben a lekérdező nyelvnek elég egyszerűnek kell lennie ahhoz, hogy megtanulja.

E. Turban szerint az 1 DSS-nek a következő négy fő jellemzője van:

• adatokat és modelleket is használnak;
• célja, hogy segítse a vezetőket a félig strukturált és strukturálatlan feladatokra vonatkozó döntések meghozatalában;
• támogatják, de nem helyettesítik a vezetői döntéshozatalt;
• céljuk a meghozott döntések hatékonyságának javítása.

E. Turban egy listát is javasolt az "ideális" jellemzőiről

DSS ő:

• félig strukturált feladatokkal operál;
• különböző szintű döntéshozók számára készült;
• csoportos és egyéni használatra is adaptálható;
• támogatja mind az egymástól függő, mind a szekvenciális megoldásokat;
• a döntési folyamat három fázisát támogatja: az intellektuális részt, a tervezést és a kiválasztást;
• támogatja a különféle megoldási módokat, amelyek hasznosak lehetnek egy-egy döntéshozói csoport problémamegoldásánál;
• rugalmas és alkalmazkodik mind a szervezet belső környezetében, mind környezetében bekövetkezett változásokhoz;
• könnyen használható és módosítható;
• javítja a döntéshozatali folyamat hatékonyságát;
• lehetővé teszi a személy számára, hogy számítógép segítségével irányítsa a döntéshozatali folyamatot, és nem fordítva;
• támogatja az evolúciós felhasználást és könnyen alkalmazkodik a változó követelményekhez;
• könnyen megszerkeszthető, ha a DSS konstrukciós logika megfogalmazható;
• támogatja a szimulációt;
• lehetővé teszi a tudás felhasználását.

A DSS két fő alrendszerből áll – egy döntéshozóból és egy információs rendszerből (IS). A döntéshozó funkciója a DSS komponenseként nem csak az adatok bevitele, hanem az is, hogy tudása és intuíciója alapján döntsön.

Az adatok egy fizikai tárgy vagy jelenség megfigyelésének eredménye: például egy termék napi termelése, napi értékesítése vagy készletszintje. Az adatbázis egymáshoz kapcsolódó fájlok gyűjteménye. Az adatbázis-kezelő rendszerek olyan számítógépes programok, amelyek a fizikai tárolóban lévő nagy mennyiségű adat kezelésével, valamint az adatbázis-lekérdezések létrehozásával és frissítésével foglalkoznak. A DBMS lehet „harmadik féltől származó” szoftver, és beépíthető a DSS-be.

A matematikai modellek általában be vannak építve a DSS-be, és a felhasználók modelleket hozhatnak létre, szerkeszthetnek, frissíthetnek vagy törölhetnek. A modern DSS meglehetősen széles működési módot kínál a felhasználónak: felületmenük, parancsnyelv, kérdések és válaszok, valamint űrlapokon, beszédfelismerő rendszereken és grafikus felhasználói felületen alapuló interakció. Különösen a grafikus felhasználói felület (grafikus felhasználói felület) lehetővé teszi az ikonok, gombok, legördülő menük és panelek használatát. Az elmúlt években ezek az elemek váltak a felhasználók információs rendszerekkel való kommunikációjának leggyakoribb módjává.

A legegyszerűbb DSS architektúra a 2. ábrán látható. 3.1, és helye a vállalkozás komplex információs rendszerében - az ábrán. 3.2.

Rizs. 3.1.

Rizs. 3.2.

A DSS abban különbözik a többi vezetői információs rendszertől, hogy a döntések hatékonyságának javítására irányul, nem pedig a döntéshozatali folyamat megkönnyítésére.

Az emberi döntéshozatali modell három szakaszból áll: feltárás, fejlesztés és szelekció. Ugyanakkor a "támogatás" kifejezés meglehetősen sok különböző tevékenységet és feladatot jelent a felsorolt ​​szakaszok mindegyikében.

A feltárás szakaszában a döntéshozó szerepe az, hogy azonosítsa a megoldandó problémát. Ez a tranzakciófeldolgozó rendszer vagy a vezetői információs rendszer által kapott és elemzett kezdeti adatok alapján történik.

Rizs. 3.3.

A DSS jelenlegi áttekintései azt mutatják, hogy egyre több rendszer válik a szervezetek létezéséhez és fenntartható fejlődéséhez szükséges stratégiai eszközzé 1 . A további kutatásoknak figyelembe kell venniük, hogy a DSS létfontosságú üzleti szükségletté válik az opcionális szoftverektől. Ezért az egyéni különbségek, viselkedési stílusok, személyes, demográfiai és egyéb felhasználói jellemzők kritikus sikertényezőkké válhatnak. A valóság tükrözéséhez szükséges a DSS használatával kapcsolatos kutatások fókuszának eltolódása a felhasználói problémákról a feladatok felé, valamint a szervezeti és külső tényezők felé.

A DSS használatának hatékonyságának értékelése a megvalósításból származó költségek és hasznok elemzésével jár. Ezeknek a rendszereknek az egyedisége abban rejlik, hogy bár jelentős költségmegtakarítást és nyereségnövekedést biztosítanak a vállalkozás számára, alkalmazásuk eredményességének felmérése igen problematikus. Ezért a kutatók a döntések következményeinek elemzését, a döntési folyamatban bekövetkezett változásokat, a menedzsment problémalátásának koncepcionális változásait, az eljárások változásait, valamint a költség-haszon elemzést, a szolgáltatás változásait, a vezetői rendszer értékelését alkalmazzák. .

Manapság a DSS-t széles körben használják mind a kereskedelmi, mind a nem kereskedelmi szervezetekben. Ugyanakkor két olyan terület van, ahol ritkábban használják őket - a nemzetközi üzlet és a számvitel / könyvvizsgálat.

A DSS komponensek építésének jellemzői és alapjai az épületinformációs rendszerek olyan fontos tulajdonságainak megvalósítását biztosítják, mint az interaktivitás, az integráció, a teljesítmény, a hozzáférhetőség, a rugalmasság, a megbízhatóság, a robusztusság, az irányíthatóság.

interaktivitás A DSS azt jelenti, hogy a rendszer különféle műveletekre reagál, amelyeken keresztül egy személy befolyásolja a számítási folyamatot, különösen interaktív módban. A személy és a rendszer olyan sebességgel cserél információt, amely összemérhető az egyén általi információfeldolgozás sebességével. A gyakorlat azonban azt mutatja, hogy csak néhány vezető akar és tud közvetlen párbeszédet folytatni a számítógéppel: sokan inkább közvetítőn vagy közvetett hozzáférési módban lépnek kapcsolatba a rendszerrel, kötegelt adatfeldolgozás lehetőségével. Ugyanakkor az interaktivitás tulajdonság szükséges az alkalmazott DSS adaptív tervezésében felmerülő új problémák és helyzetek tanulmányozásához.

Integráció A DSS az adatkezelő rendszer összetevőinek és a felhasználókkal való kommunikációs eszközök kompatibilitását jelenti a döntéstámogatás folyamatában.

Erő azt jelenti, hogy a rendszer képes választ adni a lényeges kérdésekre.

Elérhetőség az a képesség, hogy a megfelelő formában és időben válaszoljon a felhasználói kérésekre.

Rugalmasság a rendszer változó igényekhez és helyzetekhez való alkalmazkodási képességét jellemzi.

Megbízhatóság azt jelenti, hogy a rendszer képes a szükséges funkciókat hosszú ideig ellátni.

Robusztusság - ez a rendszer helyreállítási képessége külső és belső eredetű hibás helyzetek esetén is. Bár van bizonyos kapcsolat a megbízhatóság és a robusztusság között, ez a kettő különböző jellemzők: Az a rendszer, amely soha nem tér vissza a hibahelyzetekből, megbízható lehet anélkül, hogy robusztus lenne. A nagy robusztusságú rendszer azonban, amely számos hibahelyzetben képes helyreállni és tovább működni, megbízhatatlannak minősíthető, mivel előfordulhat, hogy nem tudja végrehajtani a szükséges eljárásokat.

Irányíthatóság azt jelenti, hogy a felhasználó irányíthatja a rendszer tevékenységeit, beavatkozva a probléma megoldásába.

Modern számítógépes döntéstámogató rendszerek:

• segítséget nyújt a vezetőnek a döntéshozatali folyamatban, támogatást nyújt a strukturált, félig strukturált és strukturálatlan feladatok teljes körében;
• támogassa és indokoltabbá tegye a vezető megfontolásait, értékeléseit, de ne pótolja vagy semmisítse meg azokat (az irányítás a személynél marad). A felhasználóbarát felületnek köszönhetően a felhasználó kényelmesen érzi magát, és nem fél a rendszerrel dolgozni;
• a meghozott döntések hatékonyságának növelése. Ellentétben az adminisztratív információs rendszerekkel, amelyekben az elemzési folyamat maximális teljesítményén van a hangsúly, a DSS-ben sokkal jelentősebb a döntéshozatali folyamat és maguk a döntések hatékonysága;
• modellek és elemzési módszerek integrálása az adathozzáféréssel és az adatmintavétellel. Egy vagy több modell (matematikai, statisztikai, szimulációs, kvantitatív, kvalitatív vagy kombinációs) aktiválva van, hogy segítse a döntéshozatalt. Az adatbázisok és adattárházak tartalma kiterjed a jelenlegi és korábbi működés történetére, valamint belső jellegű információkra, környezetre vonatkozó információkra;
• könnyen használható még azok számára is, akik nem rendelkeznek gazdag számítógépes tapasztalattal. A rendszerek "felhasználóbarátok", nem igényelnek mély számítástechnikai ismereteket és egyszerű navigációt, online dokumentációt, beépített tanulási eszközöket és a szoftver interfész rendszerek egyéb attribútumait biztosítják;
• interaktív problémamegoldás elvén épült. A felhasználónak lehetősége van folyamatos módban párbeszédet folytatni a DSS-sel, nem korlátozva az egyes parancsok bevitelére, majd az eredmények megvárására;
• a rugalmasságra és a változásokhoz való alkalmazkodóképességre összpontosít, mind a külső környezetés a problémák megoldásának a felhasználó által választott megközelítéseiben;
• ne kényszerítsen rá semmilyen különleges döntéshozatali folyamatot a felhasználóra. A felhasználó számos opcióval rendelkezik, és kiválaszthatja azokat olyan formában és sorrendben, amely megfelel kognitív tevékenységének „képzeletbeli modelljei” stílusának.

Szergej KORNEEV (PMCG, igazgató)

Mi határozza meg egyre nagyobb mértékben az emberi tevékenységet mind a mindennapi életben, mind a termelésben? Természetesen ez szabványosítás. Beszélhetünk a beszéd szabványosításáról, a ruhák szabványosításáról stb. A szerző azonban szakmai hovatartozása miatt javasolja a szabványosítás fejlesztésének megfontolását a döntéstámogató rendszerek (Döntéstámogató rendszerek - DSS) területén.

Miért ilyen figyelem a szabványosításra? Igen, mindenekelőtt azért, mert érdekeltek vagyunk az alkalmazott rendszerek kereskedelmi felhasználásában, és a nagyüzemi tevékenység ezen a területen is, mint minden más területen, a szabványosítás területén rejlik. Porszívó, autó stb. tömegcikkek csak a rájuk vonatkozó követelmények egységesítése után váltak, még ha egyetlen terméktípuson belül is figyelembe vettek néhány funkcionális csoportot, mondjuk: családi autó, sportautó, terepjáró stb. Amikor ezeket a szavakat látjuk vagy halljuk, nagyon határozott asszociációkat kapunk, és ritkán csalnak meg bennünket az elvárásaink.

Kifejezések és meghatározások

Ha egy modern szakember, nemcsak az információs technológia területén, hanem egyszerűen egy művelt termelési dolgozó, meghallja az ERP rövidítést, akkor a legtöbb esetben teljesen megfelelő elképzelésre számíthat arról, hogy mi forog kockán. Bár tíz évvel ezelőtt még nem így volt. Ez idáig „nem így van” a döntéstámogató rendszerekkel.

Egyrészt az ERP, a térinformatika és sok más alkalmazott szoftvereszköz funkcionális rendeltetésük szerint a döntéstámogató rendszerekhez köthető - ezek legalább 50%-a erre a célra készült. Amikor azonban alkalmazásprogramozással foglalkozunk, kénytelenek vagyunk követni a kialakult szabványokat, amelyek ezen a területen minden fogalomnak bizonyos jelentést tulajdonítanak. Bizonyos eltérések természetesen lehetségesek, de csak néhány alapvető specifikáció körül.

Tehát mi az a DSS rendszer?

A következő definíciót találhatjuk:

A döntéstámogató rendszerek (DSS) a számítógépes információs rendszerek egy osztálya, amelyek támogatják a döntéshozatali tevékenységeket.

Ez a meghatározás a szerző szerint keveset tisztáz, és egyáltalán nem ad lehetőséget az azonosításra az információs rendszerek széles skálájában. Az ilyen típusú definíciókban néha előfordulnak olyan kifejezések: „a rendszernek meg kell könnyítenie a döntéshozatalt”, „... elemezni kell az adatokat, és a döntéshozatal szempontjából kényelmes formában bemutatni” stb.

Daniel Power 2002-ben ötféle DSS-rendszert azonosított, amelyek kapcsolatokon, adatokon, dokumentumokon, tudáson és modelleken működnek.

Íme a meghatározása:

A DSS rendszer egy interaktív számítógépes rendszer, amelyet arra terveztek, hogy segítse a döntéshozókat kapcsolatok, adatok, dokumentumok, ismeretek és modellek felhasználásában a problémák azonosítása és megoldása, valamint megoldások kialakítása érdekében.

Ez legalább konstruktív, bár ismét sok rendszerosztály tartozik ebbe a definícióba: ERP, GIS, DocFlow, Business Modeller, SCADA / DCE, Project Management stb.

És itt van egy másik meghatározás (Bonczek, Holsapple és Whinston, 1981):

A DSS rendszernek segítenie kell a döntéshozót a nem programozható, strukturálatlan (vagy félig strukturált) problémák megoldásában; A DSS rendszernek lehetőséget kell adnia interaktív lekérdezések létrehozására olyan természetes nyelven, amely közel áll a tárgyhoz és könnyen megtanulható.

Ez a meghatározás természetesen leszűkíti az azonosítás körét.

És végül még egy dolog:

A DSS-rendszer segít a vezetőknek vagy a döntéshozóknak az adatok használatában és kezelésében, az ellenőrzések és heurisztikák használatában, valamint matematikai modellek felépítésében és használatában.

Néhány meghatározás említi a lehetőséget: mesterséges intelligencia funkció beépítése a DSS rendszerbe.

Nos, valószínűleg jobb, ha nem kezdünk bele azonnal a mesterséges intelligenciába – legalábbis a természeteshez közeli intuitív nyelv nincs vagy nincs a legtöbb feladatban.

Alapvetőnek is nevezik az adatok grafikus ábrázolásának lehetősége.

Keveset segít az azonos azonosulás értelmében.

Van egy ehhez kapcsolódó fogalom Business Intelligence Tools (üzleti intelligencia eszközök) – olyan szoftver, amely lehetővé teszi a felhasználók számára, hogy nagy mennyiségű összetett adatot figyeljenek meg és használjanak.

Háromféle ilyen eszköz létezik:

1. Többdimenziós elemző eszközök - más néven OLAP (On-Line Analytical Processing) - szoftver, amely lehetővé teszi a felhasználó számára az adatok különböző dimenziókban, irányokban vagy szakaszokban történő megtekintését.

2. Lekérdező eszközök – szoftver, amely lehetővé teszi adatok lekérdezését tartalom vagy minta alapján.

3. Data Mining Tools – olyan szoftver, amely automatikusan megkeresi a fontos mintákat (modelleket) vagy adatfüggőségeket.

Ez a hatalom fenti definíciója alá esik, és valószínűleg kapcsolódik a vizsgált témához. De most térjünk el az alkalmazott nyelvészettől. A későbbiekben még visszatérünk rá - miután átgondoltuk azokat a célokat, célokat és konkrét megvalósításokat, amelyek tisztázni kellene a dolgot.

Célok, cél, gyakorlat

• Pénzügyi elemzés és előrejelzés;
• értékesítési és beszerzési marketing;
• az ügyfelek viselkedésével kapcsolatos sztereotípiák elemzése és a rejtett minták azonosítása;
• kockázatelemzés;
• vagyonkezelés.
• Hogyan kapcsolódnak ezek a feladatok az üzleti információs szolgáltatások általános feladatához? Az üzleti információs szolgáltatások a következők:
• stratégiai üzleti és informatikai célok összekapcsolása;
• Alkalmazási szoftverek forgalmazása és vezérlése;
• operatív felhasználói támogatás;
• valamint a menedzsment:
• projektek;
• termelési létesítmények;
• változtatások;
• problémák;
• költségek;
• előre nem látható helyzetek;
• támogatás;
• ügyfélkapcsolatok;
• kapcsolatok a beszállítókkal.

Általánosságban elmondható, hogy az információs technológia az alábbi szolgáltatásokkal kapcsolatos folyamatokra összpontosít:

• emberek;
• folyamatok;
• stratégiák;
• technológiákat.

Mint látható, az informatikai szolgáltatásokhoz rendelt strukturális feladatok közel fele a DSS-rendszerek körébe tartozik. Ezt igazolja az alkalmazott információs rendszerek piacának elemzése is. Így például a világpiacon például az ERP-rendszerek forgalmát jelenleg körülbelül 25 milliárd dollárra becsülik. A DSS-piac, amely csak az 1990-es évek közepén jelent meg, jelenleg körülbelül 10 milliárd dollárra becsülhető, és sokkal gyorsabban növekszik, mint a vállalati vezérlőrendszerek piaca. Növekedése évi 30% körüli az ERP piac 10-15%-os növekedésével szemben, és feltételezhető, hogy a következő öt évben paritásra lehet számítani. Másrészt, ha a DSS-rendszerek piaca jelenleg elsősorban a pénzügyi szektorhoz, a nagykereskedelemhez és a telekommunikációhoz kötődik, akkor a DSS-rendszerek funkcionalitásának fokozatos asszimilációjára számíthatunk a meglévő ERP-osztályú rendszerekben, ami nyilvánvalóan , a folyamatok újjáéledéséhez fog vezetni az ERP-rendszerek verzióinak frissítései a vállalati szektorban.

Az ERP-rendszerek funkcionalitásának fejlődési trendjeit elemezve bátran kijelenthetjük, hogy ez a folyamat már folyamatban van. Tehát szinte az összes vezető ERP-rendszer már megvalósította az előrejelzés funkcióját különféle statisztikai módszerek segítségével. Nagyon ígéretesnek tűnik a DSS-rendszerek szemléletének fejlesztése az eszközkezelésben, különös tekintettel a berendezések üzemeltetésének és karbantartásának megszervezésére. Ennek oka a megközelítések fokozatos migrációja, nevezetesen az állapotalapú javítási menedzsmenttől a termelési kapacitások jövőbeli állapotának előrejelzésén alapuló menedzsment felé. Ukrajnában ezen a területen még mindig érvényesül a naptári megközelítés és az üzemidő-elszámoláson alapuló üzemeltetés-menedzsment. Ezek a megközelítések a világ fejlett országainak iparában a 80-as években velejárói voltak, és a termelési kapacitások fenntartási költségeit tekintve feleslegesek.

A vállalatok versenykörnyezetben végzett tevékenységét tekintve Michael Porter például a következő hattényezős modellt emeli ki (ábra).

Ebben biztos lehetsz az adaterősítésben versenyképes pozíciókatés a DSS-rendszerek fő témája. Fejlődésükben lényeges tényező, hogy mára a tranzakciómenedzsment rendszerekben operatív tevékenységek a cégek hatalmas mennyiségű adatot halmoztak fel, amelyek értékét jelenleg nagyrészt nem ismerik fel és nem használják fel.

Diagram összehasonlító versenyképesség Michael Porter szerint

Nagy formátumú kereskedelem

A nagy formátumú kiskereskedelmi és e-kereskedelmi cégek (B2C, B2B) voltak az első intézményi vásárlók a DSS rendszerekben. A főbb megoldandó feladatok ebben az ágazatban:

• szortiment elemzés (szelektív határjövedelem, készletforgalom, statisztikai készletgazdálkodás, eszközarányos megtérülés);
• területek elosztása, elrendezése;
• a vezetők hatékonyságának és a munkatársak motivációjának elemzése;
• reklámozás, promóciók, eladások stb. hatékonyságának tervezése és elemzése;
• árkezelés.

A layout-kezelés szempontjából jól ismert példát hozhatunk a sör- és pelenkavásárlások összefüggéseivel. Vagy az úgynevezett "csapda a pénztárnál" - ezek kis áruk, amelyeket közvetlenül a pénztárnál helyeznek el. Ennek a zónának a területe korlátozott. Mit kell oda tenni? Ismét "nincs praktikusabb egy jó elméletnél" - szükségünk van a fogyasztói preferenciák elemzésére, amely különösen a bevételek többváltozós statisztikai elemzését biztosítja. A kisüzemi nagykereskedelemben egyszerűbb a helyzet, mert ott a fogyasztó azonosítása és rögzítése a kereskedő cég adatbázisában történik, amely lehetővé teszi a vásárlói magatartás közvetlen elemzését. A kiskereskedelemben a vevő anonim, bár sok cég ezt kezdetben kizárja, például a METRO Cash & Carry.. Általánosságban elmondható, hogy az elmúlt öt évben az alkalmazott információs rendszerek fejlesztésében a fő tendencia az ügyfélkapcsolat-kezelő rendszerek asszimilációja, amely az ügyfélkapcsolat-kezelő rendszerek beépülését jelenti. függetlenként kerültek be az ERP-körbe, ráadásul mindketten csak nyernek.

Bankok és pénzügyi társaságok

A pénzintézetek DSS-rendszereinek piaca jelenleg a legterjedelmesebb. A banki DSS-rendszerek hatóköre elsősorban:

• banki kiskereskedelem (fizetési plasztikkártyák és csekkek);
• kockázatelemzés;
• csalásmegelőzés (elsősorban plasztikkártyákkal);
• elemzés fogyasztói magatartásés új pénzügyi szolgáltatások tervezése.

Ez utóbbi elsősorban a hasonló magatartással jellemezhető fogyasztói csoportok elemzésén és kialakításán alapul. Ennek a munkának az eredménye olyan projektek, mint például ifjúsági lakáshitelek, folyószámlahitel-feltételek, VIP ügyfélszolgálati programok. Ugyanakkor meg kell válaszolni a kérdéseket: mi az a „fiatalság”?, ki a VIP kliens? stb A csalásmegelőzés ígéretes területe a mesterséges intelligencia módszerek alkalmazásának, amely soha nem merül ki, ahogy a csalók fantáziája sem merül ki.A biztosítótársaságoknál a DSS rendszerek még nem annyira elterjedtek, de ez csak kiemeli a potenciált ígérd meg ezt a piacot.

Távközlés

A távközlési cégeknél, elsősorban a mobilkommunikációban a DSS rendszerek szerepe új szolgáltatások tervezésével jár, amely a stabil ügyfélcsoportok azonosításán és a preferált ügyfélviselkedésen alapul. Ez a piac élettartam szempontjából kimeríthetetlennek tekinthető.

Ipar

Az iparban a DSS rendszerek alkalmazási területei a következők:

• ügyfélkapcsolat-menedzsment;
• statisztikai leltárkezelés;
• pénzügyi és költségvetési tervezés és irányítás;
• elemzés és kockázatkezelés.

Milyen változások mentek végbe az ipari menedzsment paradigmájában az elmúlt 50 évben? Egészen a 60-as évekig ipari termelés főként a technológia fejlődésének köszönhetően alakult ki, amit a tézis is kifejezett: "termel és értékesít". Ebben az időszakban természetesen a kínálat egyértelműen a keresletet formálta. Ugyanakkor a fő termelési eszközök túlnyomórészt anyagiak voltak: épületek, építmények, berendezések, amelyek mögött szabadalmaztatott technológiák álltak. A 20. század végére az „észlelés és reagálás” paradigmája elfogadott tézissé vált, amely racionális piaci magatartást fejez ki. Az új forradalmi technológiák megjelenési üteme lelassult, a technológiák főként az evolúció szakaszában vannak. A verseny élvonala pedig az új termékek és szolgáltatások tervezésének területére költözött. Ezzel párhuzamosan a vásárlók szándékai, kívánságai érvényesülnek: kifejezetten vagy implicit módon. Ilyen például az autóiparban az egyedi konfigurációra való szinte teljes átállás, a telekommunikációs szektorban az azonos berendezésekkel folyamatosan bővülő szolgáltatási kínálat stb. Egyre fontosabbak az információk és az ezzel kapcsolatos munkamódszerek. Ez a világ fejlett országaiban annál is fontosabb, ha az a tendencia, hogy az anyagtermelést közvetlenül a fejlődő országokba viszik át, alacsony munkaerő-, energia- és nyersanyagköltséggel. A DSS-rendszerek koncepciója közvetlenül megfelel ennek a paradigmának az információs támogatási feladatának.

Melyek ma a fő ipari trendek? Ez:

• globalizáció;
• bővítés;
• specializáció (középvállalatok számára);
• integráció az ellátási láncokba;
• új termékek és szolgáltatások fejlesztésére összpontosítani;
• a minőség és az ár egyidejű versenyének szükségessége.
• Az iparág ma a következőkre összpontosít:
• új termékek fejlesztése;
• kereskedelmi forgalomba hozatal;
• a konszolidáció és az ellátási láncokba való integráció előnyeinek kihasználása;
• emberi erőforrás menedzsment.

Az Egyesült Államok ipari fejlődésben való elmaradottságának okait elemezve a minisztérium bizottsága külkereskedelem Az Egyesült Államok úgy véli, hogy különösen a versenyképesség javítása érdekében szükséges (a szerző csak azokat az ajánlási pontokat idézi, amelyek relevánsak a vizsgálat tárgya szempontjából, maga az eredeti lista valamivel szélesebb):

fordítson nagyobb figyelmet a stratégiai tervezésre, és többet fektessen be a kutatásba és fejlesztésbe;

tanulmányozzák a külföldi versenytársak stratégiáját, és javítsák sajátjukat;

• fordítson nagyobb figyelmet a termelési funkcióra, és többet fektessen be a berendezésekbe és a személyzetbe;
• megszünteti a kommunikációs akadályokat a szervezeten belül;
• felismerni a beszállítókkal és fogyasztókkal való információs kapcsolatok kialakításának értékét.

A fenti ajánlások DSS-rendszerek általi megvalósításához nyújtott információs támogatás a következőképpen nézhet ki:

• "figyeljen a stratégiai tervezésre ..." - elemzi a költségszerkezetre, az árdinamikára vonatkozó történelmi adatokat;
• "külföldi versenytársak stratégiájának tanulmányozása" - a piacok dinamikájának elemzése;
• „fordítson nagyobb figyelmet a termelési funkcióra” - elemezze az eszközkezelési költségeket, a tarifadinamikát, a berendezések hatékonyságát és a tőke megtérülését;
• "távolítsa el a kommunikációs akadályokat" - elemezze a történelmi adatokat a belső üzleti folyamatok megvalósításának paramétereiről és az eredmények hatékonyságáról;
• „felismerni az információs kapcsolatok fejlesztésének értékét” - elemzi a vevőkkel és beszállítókkal fennálló kapcsolatok történeti adatait.

E problémák hatékony megoldása megköveteli mind a piaci környezet, mind az összes belső erőforrás felhasználásának dinamikájának mélyreható elemzését.

A technológiákhoz való hozzáférés lehetősége szempontjából gyakorlatilag egyenlő helyzetben lévő versenyharcban különösen fontos a személyi és vezetési megközelítések megszerzése. A világ fejlett országaiban a „Költség” kategóriából az „Alapok” kategóriába került át a személyzet – legalábbis a stratégiai tervezésben vezetők – – előbbit folyamatosan csökkenteni kell, utóbbit fejleszteni és befektetni.

Azt is meg kell jegyezni, hogy jelenleg a világon egy általános globális trend a szolgáltatási piac domináns fejlődése a közvetlen termelési szférához képest. A gazdaság egyre inkább információs, mint anyagi jellegű.

A vállalati piacot tekintve nagyon árulkodó elemezni, hogy milyen örökölt rendszerekre képesek és melyek nem, elsősorban ERP és projektmenedzsment típusok.

Védelem

A védelmi területen a DSS osztály elemző rendszerei fejlődnek a problémák megoldásában:

tervezés és üzemeltetés irányítása;

tervezés és üzemeltetés irányítása.

Így az első iraki háború eredményei szerint a mesterséges intelligencia rendszerek használatának gazdasági hatását mintegy 100 millió dollárra becsülték. Ennek eredményeként az Egyesült Államok Védelmi Minisztériuma érdekében hozzávetőleg háromszorosára nőtt az ezen információs technológiák fejlesztésére szánt allokációk. Ma már több milliárd dollárra becsülik az ezen a területen elkülönített összegeket.

Állapot

Az államépítés területén a DSS rendszerek szerepe még csekély. Felhasználási területük potenciálisan az állami és önkormányzati programok eredményességének értékeléséhez kapcsolódik. Ez elsősorban annak köszönhető, hogy az állami és önkormányzati programok nem korlátozódnak a gazdasági hatásra. Az információs rendszerek fejlődése ezen a területen nagymértékben függ az állam szerepének és helyének filozófiai felfogásától a jövő világában, i.e. Ebben a folyamatban alapvető szerepet játszik az értékelésük kritériumainak és megközelítéseinek kialakítása.

Ajánlatok

A Cognos, SAS, Hyperion, Oracle javaslatainak rövid elemzése alapján a DSS rendszerek általánosított portréja készíthető. Mivel ez a cikk bevezető jellegű, a szerző nem a termékek összehasonlító elemzését tűzte ki célul – ez más munkák témája.

Először is figyelni kell arra, hogy a DSS-rendszerek piacának kulcsszereplőinek listája nem esik egybe az ERP-rendszerek vezető gyártóinak listájával. Az Oracle jelenléte a fenti listán az Oracle kifejezett szándékát tükrözi e terület fejlesztésére, egy valóban kifejlesztett eszköztár jelenlétét az ilyen projektekhez, valamint a vállalat legutóbbi akvizícióit ezen a területen. Ebből a szempontból az IBM és a Microsoft felkerülhetne az elemzett listára, de ezek a gyártók továbbra is inkább az eszközterülethez és platformokhoz kötődnek, mint az alkalmazotthoz.

A DSS rendszerek fő funkcionális készlete a következőket tartalmazza:

• pénzügyi tervezés és költségvetés;
• konszolidált jelentéskészítés (legfeljebb 200 előre konfigurált jelentés);
• kulcsfontosságú teljesítménymutatókon (Balance Score Cards) alapuló stratégiai menedzsment információs rendszer létrehozása előre konfigurált indikátorkönyvtárakkal (500-ig);
• vevőkkel és beszállítókkal fennálló kapcsolatok elemzése;
• piaci trendek elemzése;
• funkcionális költségelemzés (ABC-Costing);
• funkcionális költségmenedzsment (Activity Based Management, ABM);
• folyamatos fejlesztési rendszer (Kiezen Costing);
• többdimenziós adatelemzés (OLAP);
• rejtett minták feltárása (adatbányászat);
• adatmodellek (struktúrák) azonosítása;
• idősorok statisztikai elemzése és előrejelzése;
• eseményvezérelt üzletvezetés (Event-driven BI);
• kockázatelemzés;
• előre konfigurált kérések kialakítása (500-600-ig);
• intelligens keresés (hiányos adatokkal és informális lekérdezésekkel);
• üzleti modellezés és üzleti folyamatok hatékonyságának elemzése;
• referencia ipari modellek.
• Az előre konfigurált elemzési területek száma eléri a 30-40-et.
• Az eseményalapú üzleti menedzsment az űrlap előre konfigurált eseményeinek észleléséhez kapcsolódik:
• állapotértesítések;
• végrehajtás;
• operatív események.
• Az információs platform az Adattárház.
• Szerszámkörnyezet - nyílt szabványokon alapuló integrációs rendszerek. Ezek a rendszerek megfelelnek a következő követelményeknek:
• információ biztonság;
• méretezhetőség;
• nyitottság;
• adatok többdimenziós és többváltozós reprezentációja;
• intelligens interfész;
• integrálhatóság főbb platformokkal és üzleti alkalmazásokkal, különböző forrásokból származó adatok integrálása, hálózati integráció (elsősorban web);
• szolgáltatást nyújtanak az adatok "megtisztítására" a tárolóba való betöltésekor.
• A technikai támogatás a következőkhöz kapcsolódik:
• adatfeldolgozás;
• megbízható adattárolás és integritás;
• adatok archiválása és helyreállítása;
• hálózati és telekommunikációs támogatás;
• kriptográfiai szoftverek;
• felhasználói hozzáférés-szabályozás;
• adatbetöltés, beleértve az intelligens interfész eszközök használatát (mintafelismerés: szöveg, beszéd, képek).

A szóban forgó termékek megkülönböztető jellemzője az ERP-rendszereknél lényegesen nagyobb, azonnali működésre való felkészültség (öröklött adatbázisok jelenlétében lényegesen rövidebb implementációs ciklusok).

Cél eredmények

A projekt megvalósításának eredményei célirányosan megfelelnek az alábbi kérdésekre adott válaszok lehetőségének:

• egészséges az üzlet?
• ki a legjobb ügyfelem?
• mi a legjobb termékem vagy szolgáltatásom?
• Melyik szállítót válasszam és miért?
• hol és miért szoktunk elmulasztani a határidőket?
• milyen a munkatársaink teljesítménye?
• melyik leányvállalat járult hozzá a legnagyobb (legkisebb) eredményhez?
• Mit mutat a berendezések tőketermelékenységének elemzése?
• milyen forgatókönyvet és megközelítést válasszunk a vállalatok egyesülésekor (átstrukturálásakor)?
• stb.

Az elemzés tipikus problémáinak osztályozása és a megoldásukra szolgáló statisztikai módszerek

Ez a rész az üzleti, pénzügyi és menedzsment területén felmerülő, statisztikai módszerekkel megoldott elemzési problémák lehetséges osztályozását adja meg. Szintén szóba kerül a fent felsorolt ​​cégek DSS rendszereiben bemutatott statisztikai módszerek osztályozása, illetve azok alkalmazhatósága különböző típusú elemzési problémák megoldására.

A pénzügy, az üzleti élet és a menedzsment területén az elemzési problémák alábbi osztályait emeljük ki, amelyek megoldásához különféle statisztikai módszerek alkalmazása szükséges:

• horizontális (időbeli) elemzés;
• vertikális (strukturális) elemzés;
• trendelemzés és előrejelzés;
• relatív mutatók elemzése;
• összehasonlító (térbeli) elemzés;
• faktoranalízis.

A fent felsorolt ​​elemzési feladatok közül jelenleg nem mindegyik egyformán fontos konkrét cég. Napi tevékenységeikben továbbra is nagy arányban vannak rutin könyvelési műveletek, és sok olyan, ami egyáltalán nem igényel elemzést. Azonban már a nagyon kis cégek is kezdik úgy érezni, hogy növelni kell az analitikus megközelítés szerepét.

Tekintsük most a statisztikai elemzés módszereinek osztályozását. Mindezek a módszerek a következő osztályokra oszthatók:

• leíró statisztika;
• statisztikai hipotézisek tesztelése;
• regresszió analízis;
• varianciaanalízis;
• Kategorikus adatok elemzése;
• többdimenziós elemzés;
• diszkrimináns elemzés;
• klaszteranalízis;
• túlélési elemzés;
• idősorok elemzése és előrejelzése;
• a kísérletek statisztikai tervezése és a statisztikai minőségellenőrzés.

A fenti matematikai módszerek részletes elemzését áttekintésünk keretein kívül is hagyjuk.

Analitikai módszerek az adatintelligencia eszközökben (adatbányászat)

Az analitikai módszerek lehetőséget adnak a végfelhasználónak arra, hogy a munka teljes ciklusát nagy volumenű és nem egyértelmű statisztikai struktúrájú forrásadatokkal végezze el. Ezt a ciklust adatbányászatnak nevezik, és több szakaszból áll: mintavétel, kutatás, módosítás, modellezés, eredmények értékelése (Sample, Explore, Modify, Model, Assess).

Az adatbányászati ​​eszközök lehetővé teszik mind a hagyományos, mind a nem hagyományos elemzési problémák beállítását és megoldását. Hagyományos például a feladat meghatározása: „Döntse el, hogy van-e statisztikai kapcsolat az olyan mutatók között, mint az árutermelés volumene és az értékesítés (eladás) volumene”.

Nem hagyományos lenne a probléma következő megfogalmazása: „A vállalkozás tevékenységének több tíz (vagy akár több száz) mutatója van, és meg kell határozni, hogy ezek között általában melyik statisztikai összefüggést kell keresni, milyen kapcsolatokat kell keresni (akár egyenrangúnak tekintjük a mutatókat, akár csak az indikátorokat tekintjük függetlennek, és egyéb függő változókat), hogy ezek a kapcsolatok mely objektumokon nyilvánulnak meg.

Amikor az alkalmazás a mintavételi szakaszban fut, a megfigyelések egy részhalmaza jön létre a kezdeti adatokból (kritérium szerinti kiválasztás vagy véletlenszerű kiválasztás). A kutatás és módosítás szakaszaiban a következők végezhetők: adatok szűrése, nagy kiugró értékeket tartalmazó adatok elvetése, az eredeti változók átalakítása. A modellezési szakaszban regressziókat építenek fel, és optimalizálják a változók egy részét, a döntéseket neurális hálózati technikák alapján hozzák meg, amelyek különféle objektumosztályozási tanulási algoritmusokat valósítanak meg, osztályozási fákat építenek az optimális változókészlet kiválasztására és egy halmaz optimális particionálására. objektumok, klaszterezés és az objektumok optimális csoportosítása. Végül az eredmények áttekintésének és kiértékelésének szakaszában a felhasználónak lehetősége van különböző szimulációs eredmények összehasonlítására, az optimális osztály- és modellparaméterek kiválasztására, valamint az elemzési eredmények kényelmes formában történő bemutatására.

Az adat-előkészítési szakaszban minden relációs adatbázishoz, szöveges és SAS-fájlhoz hozzáférés biztosított. Az adatok átalakítására és tisztítására szolgáló további eszközök lehetővé teszik az ábrázolás megjelenésének megváltoztatását, az értékek normalizálását, valamint a nem meghatározott vagy hiányzó értékek azonosítását. Az elkészített adatok alapján speciális eljárások automatikusan különféle modelleket építenek fel további előrejelzésekre, új helyzetek osztályozására, analógiák azonosítására. Ezek az alkalmazások öt különböző típusú modell felépítését támogatják – neurális hálózatok, osztályozási és regressziós döntési fák, legközelebbi k-szomszédság, Bayes-tanulás és klaszterezés.

Meglévő döntéstámogató rendszerek szoftverének elemzése

Tekintsük részletesebben a döntéstámogató rendszerekben alkalmazott adatbányászat (IAD, Data Mining) eszközeit.

Az IAD-eszközök fejlesztésének első irányaként a statisztikai adatfeldolgozás módszereit kell megkülönböztetni, amelyek négy egymással összefüggő részre oszthatók:

• a statisztikai adatok jellegének előzetes elemzése (stacionaritás, normalitás, függetlenség, homogenitás hipotéziseinek tesztelése, eloszlásfüggvény típusának és paramétereinek értékelése);
• összefüggések és mintázatok azonosítása (lineáris és nemlineáris regresszióanalízis, korrelációanalízis);
• többdimenziós statisztikai elemzés (lineáris és nemlineáris diszkriminanciaanalízis, klaszteranalízis, komponensanalízis, faktoranalízis);
• dinamikus modellek és idősorok alapján előrejelzés.

A legismertebb és legnépszerűbb statisztikai elemző eszközök közé tartoznak a Statistica, SPSS, Systat, Statgraphics, SAS, BMDP, TimeLab, DataDesk, SPlus, Scenario (BI), Mesosaurus csomagok.

Az IAD analitikai eszközeinek spektrumában speciális irányt jelentenek a fuzzy halmazokon alapuló módszerek. Használatuk lehetővé teszi az adatok rangsorolását a kívánt eredmények közelségének foka szerint, adatbázisokban az úgynevezett fuzzy keresés végrehajtását. A megnövekedett egyetemesség ára azonban a kapott eredmények megbízhatóságának és pontosságának csökkenése. Ezért ennek a módszernek a speciális alkalmazásai még mindig csekély, annak ellenére, hogy az elmúlt 35 évben az alkalmazott matematikusok fokozott érdeklődést mutattak iránta.

A második fő fejlesztési terület az önfejlesztő rendszerek elvein alapuló kibernetikus optimalizálás - neurális hálózatok, evolúciós és genetikai programozás módszerei.

Az új előnyök azonban új problémákat vetnek fel. Különösen a kibernetikai módszerekkel kapott megoldások gyakran nem teszik lehetővé a vizuális értelmezést, ami bizonyos mértékig megnehezíti a téma szakértőinek életét.

Az IAD kibernetikus módszereit használó szoftvertermékek közé tartozik a PolyAnalyst, a Neur-oShell, a GeneHunter, a BrainMaker, az OWL, a 4Thought (BI) rendszerek.

A szinergikus módszerek közvetlenül kapcsolódnak az IAD kibernetikai módszereihez. Alkalmazásuk lehetővé teszi a hosszú távú előrejelzés horizontjának reális felmérését. Különösen érdekesek azok a tanulmányok, amelyek az instabil működési módokban hatékony vezérlőrendszerek kiépítésére tett kísérletekkel kapcsolatosak.

Az IAD harmadik fő szakaszának tartalmaznia kell egy sor hagyományos módszert az optimalizálási problémák megoldására - variációs módszereket, műveletek kutatási módszereit, pl. különböző fajták matematikai programozás (lineáris, nemlineáris, diszkrét, egész), dinamikus programozás, Pontrjagin-féle maximumelv, sorrendszerek elméletének módszerei. A legtöbb ilyen módszer szoftveres megvalósítása megtalálható a szabványos alkalmazáscsomagokban, mint például a Math CAD és a MatLab.

Az IAD-eszközök negyedik része olyan eszközöket tartalmaz, amelyeket feltételesen szakértőnek nevezünk, azaz a szakértő tapasztalatának közvetlen felhasználásához. Ide tartozik a "legközelebbi szomszéd" módszer, amely olyan szoftvertermékek alapját képezte, mint a Pattern Recognition Workbench vagy a KATE eszközök.

A megoldás kiválasztásának másik megközelítése egy szekvenciális logikai következtetés felépítéséhez kapcsolódik - egy döntési fa, amelynek minden csomópontjában a szakértő a legegyszerűbb logikai döntést hozza ("igen" - "nem"). A megoldás keresése a választott választástól függően a fa jobb vagy bal oldali ága mentén halad, és végül eljut az adott végső megoldásnak megfelelő végághoz. Itt a statisztikai tanulás folyamata kikerül a programból, és döntési ágak halmazában foglalt a priori tapasztalatok formájában koncentrálódik.

A döntési fa módszer egyik változata az osztályozó és regressziós fák algoritmusa, amely szabályrendszert javasol egy kezdeti adathalmaz dichotóm osztályozására. Ezt a módszert általában arra használják, hogy megjósolják, mely események sorozatának lesz egy adott eredménye. A döntési fák alapján olyan szoftvertermékeket fejlesztettek ki, mint az IDIS, C5.0 és SIPINA.

A szakértői módszereknek tartalmazniuk kell a szituációk elemzésére és előrejelzésére szolgáló tárgyorientált rendszereket is, amelyek rögzített matematikai modelleken alapulnak, amelyek megfelelnek egyik vagy másik elméleti koncepciónak. A szakértő feladata a legmegfelelőbb rendszer kiválasztása és a kapott algoritmus értelmezése. Az ilyen rendszerek előnyei és hátrányai nyilvánvalóak - az alkalmazás legnagyobb egyszerűsége és hozzáférhetősége, valamint a megbízhatóság és a pontosság megfizetése ezért az egyszerűségért. Példák azokra a szoftvertermékekre, amelyek megfelelnek a tárgyorientált rendszereknek a pénzügyek területén: Wall Street Money, MetaStock, SuperCharts, Candlestick Forecaster.

Az IAD szakértői módszereinek áttekintése végén meg kell említeni azokat az adatvizualizációs módszereket és azok elemzésének eredményeit, amelyek lehetővé teszik a leletek vizuális megjelenítését, hogy egységes helyzetképet alkossunk a tantárgyi szakértők, ill. /vagy projektmenedzserek. Az előzetes jelentések készítését és az eredmények megjelenítését lehetővé tevő szoftvertermékek közé tartozik a Mineset és az Impromptu (BI) rendszerek. A Mineset rendszer különösen olyan eszközöket tartalmaz, mint a tájkép, eltérés, fa, szabály és bizonyíték-vizualizálók.

Az eredmények megjelenítésének új iránya a fraktálmatematika ötletein alapuló, komplex nemlineáris leképezések kialakítását teszi lehetővé színes grafika segítségével.

Az utazás elején

Ha a figyelembe vett rendszerek és információs technológiák bevezetésének gyakorlatáról beszélünk Ukrajnában, akkor ez még gyerekcipőben jár. A cikk fő célja az volt, hogy felhívja a figyelmet mindenekelőtt funkcionális vezetők releváns szolgáltatásokról, a rendelkezésre álló lehetőségekről, a rendszerek használatának világgyakorlatáról és fejlesztésük fő trendjeiről.

A szerzőnek a szóban forgó termékek bevezetését előkészítő munkái során szerzett tapasztalatai azt mutatják, hogy egyrészt az ukrán vállalkozásoknál alulbecsülik a történeti adatokat, és a rendelkezésre álló adatbázisok gyakran nagyon „szegények” ahhoz, hogy érdemi információkat nyerjenek ki belőlük, mert számviteli, nem pedig gazdálkodási problémák megoldására készült. Másrészt Ukrajnában az adatokból az ismeretek kinyerésének lehetősége nagyon korlátozott a jogszabályi keretek gyors változásai miatt, ami nagymértékben torzítja az időbeli statisztikákat. Ebből következik, hogy szükség van például nemlineáris módszerek alkalmazására, amelyek kidolgozásában ukrán tudósokkal együtt a szerző által vezetett cég is aktívan részt vesz.

A szóban forgó kérdéskörhöz kapcsolódó tudományterületek gyakorlatilag a jelen cikk keretein kívül maradtak, mind a korlátozott formátum miatt, mind pedig azért, mert főként egy másik tudásterülethez – magához az alapvető matematikához – kapcsolódnak.

Ezen a cikken kívül megtekintheti az aktuális rész témáját:
az "Enciklopédia" részben
2 cikk a "Cikkek" részben.
1 cikk az "Előzmények" részben.
__________________

szövetségi állam költségvetése oktatási intézmény felsőfokú szakmai végzettség

„Orosz NEMZETGAZDASÁGI AKADÉMIA

ÉS KÖZSZOLGÁLAT

AZ OROSZ FÖDERÁCIÓ ELNÖKE alatt"

Northwestern Institute of Management

Kar: Állami és önkormányzati igazgatás

Osztály: Általános menedzsmentés a logisztika

Tanfolyami munka

"Döntéstámogató rendszerek"

3 éves hallgató

Nappali oktatás

Fetiskin Ivan Jurijevics

Munkavezető

egyetemi docens, a filológiai tudományok kandidátusa

Mysin Nyikolaj Vasziljevics

Szentpétervár 2015

Bevezetés

1. fejezet A döntéstámogató rendszerek elméleti vonatkozásai és fogalmai

1 A döntéstámogató rendszer meghatározása, funkciói

2 A döntéstámogató rendszerek felépítése

3 Adattárak

4 OLAP technológiák

5 Adatbányászat

6 A döntéstámogató rendszerek osztályozása

7 Alkalmazások

8 DSS piac

9 Döntéstámogató rendszer értékelése (DSS)

2. fejezet A DSS megvalósításának gyakorlata az Oroszországi Bank területi fiókjainak példáján

1 A vizsgálat céljainak és célkitűzéseinek megfogalmazása, a vizsgált tárgy jellemzői

2 Általános áttekintés és munkaköri leírás

2.1 DSS kidolgozása az Oroszországi Bank területi fiókjainak tevékenységeinek irányítására

2.2 A funkcionális alrendszerek leírása

2.3 Módszertani és műszeres megoldásokat megvalósító műszaki specifikáció szintű DSS kidolgozása

3 A jelen DSS alkalmazásának következtetései és eredményei

Következtetés

Bibliográfia

Bevezetés

A fejlődő piaci viszonyok, a menedzsment decentralizációja, az információk gyors avulása meghatározza a modern vezetővel szemben támasztott magas követelményeket. A vezetői rendelkezések ismerete, ügyes alkalmazása nagyban megkönnyíti a vezető munkáját, segíti a munka fontossági sorrendbe állítását, rendszerezését. A szervezeti struktúrák szolgálják az alapját, amelyre minden irányítási tevékenység épül.

A szervezetek struktúrákat hoznak létre annak érdekében, hogy biztosítsák egységeik és alkalmazottaik tevékenységének összehangolását és ellenőrzését. A szervezetek struktúrái különböznek egymástól összetettségben (azaz a tevékenységek különböző funkciókra való felosztásának mértékében), formalizáltságban (azaz az előre meghatározott szabályok és eljárások alkalmazásának mértékében), a centralizáció és a decentralizáció arányában (pl. , a vezetői megoldások szintjei).

A szervezetek strukturális kapcsolatai sok kutató és vezető fókuszában állnak. A célok hatékony elérése érdekében meg kell érteni a munka, a részlegek és a funkcionális egységek felépítését. A munkaszervezés és az emberek nagymértékben befolyásolják a dolgozók magatartását. A strukturális és viselkedési kapcsolatok pedig segítik a szervezet céljainak kitűzését, befolyásolják a dolgozók attitűdjét, magatartását. A strukturális megközelítést alkalmazzák a szervezetekben a tevékenységek alapvető elemeinek és a köztük lévő kapcsolatok biztosítására. Ez magában foglalja a munkamegosztás, az ellenőrzési lefedettség, a decentralizáció és a részlegek felosztását.

A modern termelés dinamizmusa és a társadalmi szerkezet körülményei között a menedzsmentnek a folyamatos fejlődés állapotában kell lennie, ami ma már nem biztosítható e fejlődés útjainak és lehetőségeinek feltárása, alternatív irányok megválasztása nélkül. A menedzsmentkutatás a vezetők és munkatársak napi tevékenységében, valamint a szakosodott elemző csoportok, laboratóriumok, osztályok munkájában történik. Az irányítási rendszerek kutatásának szükségességét a problémák meglehetősen széles köre diktálja, amelyekkel sok szervezetnek szembe kell néznie. E szervezetek sikere e problémák helyes megoldásán múlik.

A vezetés szervezeti felépítése a vezetés egyik kulcsfogalma, amely szorosan összefügg a célokkal, funkciókkal, vezetési folyamattal, a vezetők munkájával és a köztük lévő hatáskörök megosztásával. Ennek a struktúrának a keretein belül zajlik a teljes irányítási folyamat (az információáramlás mozgása és az átvétel vezetői döntések), amely minden szintű, kategóriájú és szakmai specializációval rendelkező vezetőt bevon. A szerkezet az irányítási rendszer épületének vázához hasonlítható, úgy építve, hogy minden benne zajló folyamat időben és minőségben lezajlik.

A szervezeti felépítésben, működésük sajátosságaiban mutatkozó eltérések igen jelentős nyomot hagynak a vezetési tevékenységben, esetenként döntően befolyásolják azt. Ezenkívül a vezető tevékenysége, pszichológiai jellemzői nemcsak a szervezeti struktúra típusától függenek, hanem a struktúrában elfoglalt hierarchikus helyétől is, ami tulajdonképpen ennek a kurzusnak a témáját a legrelevánsabbá teszi.

A szervezeti irányítási struktúrák tudományosan alátámasztott kialakítása sürgető feladat modern színpad a gazdasági egységek piacgazdasághoz való alkalmazkodása. V modern körülmények között szükséges a szisztematikus szemléleten alapuló irányítási szervezet kialakításának elveinek és módszereinek széles körben történő alkalmazása.

A TANFOLYAM CÉLJA a hierarchia elvének tanulmányozása a szervezet irányítási struktúrájában.

E cél elérése érdekében a munka a következő feladatokat határozza meg:

a szervezeti struktúrák felépítésének lényegének, elveinek, osztályozásának és történeti fejlődési szakaszainak tanulmányozása;

a szervezeti struktúrák felépítésének lényegének és elveinek tanulmányozása;

szervezeti változtatási stratégia kidolgozása.

KUTATÁSI MÓDSZEREK: analitikus, grafikus.

Ehhez a munkához használtuk tudományos munkák valamint hazai és külföldi szerzők folyamatmenedzsmenttel foglalkozó fejlesztései, vezetői döntéstámogató rendszerek létrehozása. A lap az orosz és külföldi sajtóban megjelent anyagokat, valamint a speciális szakmai internetes oldalakon bemutatott anyagokat használja fel.

1. fejezet A döntéstámogató rendszerek elméleti vonatkozásai és fogalmai

1 A döntéstámogató rendszer meghatározása, funkciói

Nyilvánvaló, hogy a városfejlesztés stratégiájával és taktikájával kapcsolatos döntéseket alaposan át kell gondolni és meg kell indokolni. Ez különösen fontos a társadalmi-gazdasági rendszerekben, hiszen a meghozott döntések az élő emberekre, azok anyagi és szellemi állapotára vonatkoznak. Azonban a mai napig a polgármester, a városvezetés, a bizottságok döntéshozatala a vezetők tapasztalatán és megérzésén alapul. A társadalmi-gazdasági rendszerek azonban összetettek, és viselkedésüket nehéz megjósolni, mivel számos közvetlen és visszacsatolási kapcsolat van jelen, amelyek gyakran nem nyilvánvalóak első pillantásra. Az emberi agy nem tud megbirkózni egy ilyen dimenziójú feladattal, ezért a döntéshozatalhoz információval és elemzési támogatással kell szolgálni. Az elmúlt években a vezetői munka automatizálása területén új irány alakult ki és aktívan használatos - a döntéstámogató rendszerek. Sikeresen használják különféle iparágakban: telekommunikáció, pénzügy, kereskedelem, ipar, orvostudomány és még sok más.

A döntéstámogató rendszerek (DSS) koncepciója számos olyan eszközt foglal magában, amelyeket egy közös cél egyesít - a racionális és hatékony vezetői döntések meghozatalának elősegítése.

A döntéstámogató rendszer (DSS) egy számítógépes automatizált rendszer, melynek célja, hogy segítse a nehéz körülmények között döntést hozó személyeket a tárgyi tevékenység teljes és objektív elemzésében. Ez egy interaktív rendszer, amely döntési szabályokat és a megfelelő adatbázisokat tartalmazó modelleket, valamint interaktív számítógépes szimulációs folyamatot használ.

A DSS a vezetői információs rendszerek és az adatbázis-kezelő rendszerek egyesülésének eredményeként jött létre. A DSS olyan ember-gép rendszerek, amelyek lehetővé teszik a döntéshozók számára, hogy adatokat, tudást, objektív és szubjektív modelleket használjanak strukturálatlan és rosszul formalizált problémák elemzésére és megoldására.

A döntéshozatali folyamat a legoptimálisabb alternatíva átvétele és kiválasztása, figyelembe véve az összes következmény téves kiszámítását. Az alternatívák kiválasztásánál azt kell választani, amelyik a legteljesebben megfelel a célnak, ugyanakkor számos, egymásnak ellentmondó követelményt is figyelembe kell venni, és ezért a választott megoldást számos szempont szerint kell értékelni.

A döntéstámogató rendszert úgy alakították ki, hogy komplex információs környezetben támogassa a többszempontú döntéseket. Ugyanakkor multi-kritérium alatt azt értjük, hogy a meghozott döntések eredményeit nem egy, hanem több egyidejűleg figyelembe vett mutató (kritérium) összessége értékeli. Az információ komplexitását az határozza meg, hogy nagy mennyiségű adatot kell figyelembe venni, amelyek feldolgozása a modern számítástechnika nélkül gyakorlatilag lehetetlen. Ilyen körülmények között a lehetséges megoldások száma általában nagyon nagy, és a legjobbak „szemmel” kiválasztása átfogó elemzés nélkül durva hibákhoz vezethet.

A DSS lehetővé teszi a cégvezetők munkájának megkönnyítését és hatékonyságának növelését is. Jelentősen felgyorsítják a problémák megoldását az üzleti életben. A DSS hozzájárul az interperszonális kapcsolatok kialakításához. Ezek alapján a személyzet képzése és képzése végezhető. Ezek az információs rendszerek lehetővé teszik a szervezet tevékenységei feletti ellenőrzés fokozását. A jól működő DSS jelenléte nagy előnyt jelent a versengő struktúrákkal szemben. A DSS javaslatainak köszönhetően új megközelítések nyílnak meg a mindennapi és nem szabványos feladatok megoldásában.

A DSS-t a következő megkülönböztető jellemzők jellemzik:

· a rosszul strukturált (formalizált) feladatok megoldására való orientáció, főként a magas szintű vezetésre jellemző;

· a hagyományos számítógépes adatok elérésének és feldolgozásának lehetőségét a matematikai modellek képességeivel és az ezeken alapuló problémák megoldási módszereivel kombinálni;

· a számítógép nem professzionális végfelhasználójára összpontosítani egy interaktív üzemmód használatával;

· nagy alkalmazkodóképesség, amely lehetővé teszi a rendelkezésre álló hardver és szoftver jellemzőihez, valamint a felhasználói igényekhez való alkalmazkodást.

A döntéstámogató rendszer két fő feladatot old meg:

.a legjobb megoldás kiválasztása a lehetségesek sorából (optimalizálás);

2.lehetséges megoldások preferencia szerinti rendezése (rangsorolás).

A DSS-ben található javaslatok elemzéséhez és kidolgozásához különböző módszereket alkalmaznak. Lehet:

· információkeresés,

· adatbányászat,

· tudáskeresés adatbázisokban,

· esetalapú érvelés

· szimulációs modellezés,

· evolúciós számítástechnika és genetikai algoritmusok,

· neurális hálózatok,

· helyzetelemzés,

· kognitív modellezés stb.

Ezen módszerek egy részét a mesterséges intelligencia keretein belül fejlesztették ki. Ha a DSS munkája mesterséges intelligencia módszereken alapul, akkor intellektuális DSS-ről vagy IDSS-ről beszélünk.

A DSS-hez közel álló rendszerosztályok a szakértői rendszerek és az automatizált vezérlőrendszerek.

A rendszer lehetővé teszi az operatív és stratégiai menedzsment problémáinak megoldását a cég tevékenységére vonatkozó számviteli adatok alapján.

A döntéstámogató rendszer adatelemzést, modellezést, előrejelzést és menedzsment döntéshozatalt szolgáló szoftvereszközök összessége, amely a vállalat saját fejlesztéseiből és vásárolt szoftvertermékeiből (Oracle, IBM, Cognos) áll.

Az első döntéstámogató rendszerek kidolgozásával kapcsolatos elméleti kutatásokat a Carnegie Institute of Technology-ban végezték a XX. század 50-es éveinek végén, 60-as évek elején. A 60-as években a Massachusetts Institute of Technology szakemberei tudták ötvözni az elméletet a gyakorlattal. A XX. század közepén és a 80-as évek végén olyan rendszerek kezdtek megjelenni, mint az EIS, GDSS, ODSS. 1987-ben a Texas Instruments kifejlesztette a Gate Assignment Display System-et a United Airlines számára. Ez nagymértékben csökkentette a járatok okozta veszteségeket, és kiigazította a különböző repülőterek irányítását, az O nemzetközi repülőtértől kezdve Hare Chicagóban és Stapletonnal a Colorado állambeli Denverben. A 90-es években az adattárházak és az OLAP eszközök bevezetése miatt bővült a DSS képességek köre. Az új jelentéskészítési technológiák megjelenése a DSS-t nélkülözhetetlenné tette a menedzsmentben.

1.2 A DSS felépítése

Ha a DSS felépítéséről beszélünk, akkor négy fő összetevőből áll:

· Információs adattárházak. Az adattárház egy bizonyos szerkezetű adatbank, amely a vállalat termelési folyamatáról tartalmaz információkat történelmi kontextusban. A repository fő célja tetszőleges analitikai lekérdezések gyors végrehajtása. (Az adattárházakkal kapcsolatos további részleteket az 1. fejezet 1.3. bekezdése tárgyalja.)

· Többdimenziós adatbázis és elemző eszközök OLAP (On-Line Analytical Processing) – a szolgáltatás nagy mennyiségű adat valós idejű elemzésére szolgáló eszköz. (részletezve az 1. fejezet 1.4. pontjában)

· Adatbányászati ​​eszközök. Az adatbányászati ​​eszközök segítségével mélyreható adatbányászatot végezhet. (További részletek az 1. fejezet 1.5. bekezdésében.)

A DSS egymással összefüggő modellek komplexumán alapul, megfelelő információs támogatással a kutatáshoz, szakértői és intelligens rendszerekhez, amelyek magukban foglalják az irányítási problémák megoldásában szerzett tapasztalatokat és biztosítják a szakértői csapat részvételét a racionális döntések kidolgozásának folyamatában.

Az alábbi 1. ábra az információs és elemző döntéstámogatás architekturális és technológiai sémáját mutatja:

1. ábra A DSS építészeti és technológiai sémája

Az analitikai DSS rendszerek három fő feladat megoldását teszik lehetővé:

.jelentés,

.valós idejű információelemzés (OLAP),

.adatbányászat.

3 Adattárak

Nyilvánvaló, hogy a döntéshozatalnak a vezérlőobjektumra vonatkozó valós adatokon kell alapulnia. Az ilyen információkat általában az OLTP rendszerek működési adatbázisaiban tárolják. Ezek az operatív adatok azonban nem alkalmasak elemzési célokra, mivel aggregált információkra elsősorban az elemzéshez és a stratégiai döntéshozatalhoz van szükség. Emellett az elemzéshez szükséges az információk gyors manipulálhatósága, sokféle szempontú bemutatása, különféle eseti lekérdezések lehetősége, ami a működési adatokon teljesítmény és technológiai összetettség miatt nehezen kivitelezhető.

A probléma megoldása egy külön adattárház (DW) létrehozása, amely az összesített információkat kényelmes formában tartalmazza. Az adattárház felépítésének célja a heterogén forrásokból származó működési adatok integrálása, frissítése és harmonizálása annak érdekében, hogy egységes, konzisztens képet alkossunk a vezérlőobjektum egészéről. Az adattárházak koncepciója ugyanakkor azon a felismerésen alapul, hogy külön kell választani a tranzakciós feldolgozáshoz használt adatsorokat és a döntéstámogató rendszerekben használt adatsorokat. Egy ilyen szétválasztás a különböző adatfeldolgozó rendszerekben (DPS) és külső forrásokból elkülönített részletes adatok egyetlen tárba integrálásával, koordinálásával, esetleg összesítésével lehetséges.

Meg kell jegyezni a DSS adattárházak fő előnyeit:

· Egyetlen információforrás: a vállalat egy ellenőrzött egységes információs környezetet kap, amelyre az összes referencia és elemző alkalmazás ráépül abban a témakörben, amelyre a repository épül. Ez a környezet egyetlen interfésszel, egységes tárolási struktúrákkal, közös könyvtárakkal és egyéb vállalati szabványokkal fog rendelkezni, amelyek megkönnyítik az analitikai rendszerek létrehozását és támogatását.

· Az információs adattárház tervezésénél is kiemelt figyelmet fordítanak a tárhelybe kerülő információk megbízhatóságára.

· Teljesítmény: Az adattárház fizikai struktúrái kifejezetten véletlenszerű kiválasztások végrehajtására vannak optimalizálva, ami lehetővé teszi igazán gyors lekérdező rendszerek felépítését.

· Fejlesztési sebesség: a repository sajátos logikai felépítése és a meglévő speciális szoftver lehetővé teszi analitikai rendszerek létrehozását minimális programozási költségek mellett.

· Integráció: a különböző forrásokból származó adatok integrálása már megtörtént, így a több forrásból származó információt igénylő lekérdezéseknél nem szükséges minden alkalommal adatkapcsolatot létrehozni. Az integráció nemcsak az adatok közös fizikai tárolását jelenti, hanem azok érdemi, összehangolt társítását is; tisztítás és igazítás kialakításuk során; a technológiai jellemzőknek való megfelelés stb.

· Történelmiség és stabilitás: Az OLTP rendszerek naprakész adatokkal működnek, amelyek alkalmazásának és tárolásának időtartama általában nem haladja meg az aktuális üzleti időszak értékét (hat hónaptól egy évig), míg az információs adattárház a az információk hosszú távú tárolása 10-15 évig. A stabilitás azt jelenti, hogy az adattárházban lévő aktuális információk nem frissülnek vagy törlődnek, hanem csak speciális módon igazodnak hozzá az üzleti jellemzők változásaihoz. Így lehetővé válik az információ történeti elemzése.

· Függetlenség: az információtárolás kiosztása jelentősen csökkenti az OLTP rendszerek analitikai alkalmazásokból eredő terhelését, ezáltal a meglévő rendszerek teljesítménye nem romlik, de a gyakorlatban a válaszidő csökkenése és a rendszer rendelkezésre állása javul.

Így az adattárház a következő forgatókönyv szerint működik. Adott szabályozás szerint különböző forrásokból - online feldolgozó rendszerek adatbázisaiból - gyűjt adatokat. A tároló támogatja a kronológiát: az aktuális adatokkal együtt az előzményadatokat is tárolják, feltüntetve az időpontot, amelyre vonatkoznak. Ennek eredményeként a vezérlőobjektumról rendelkezésre álló szükséges adatokat egy helyen gyűjtik össze, egységes formátumba hozzák, egyeztetik, és bizonyos esetekben összesítik az általánosítás minimális szintjéig.

Az adattárház alapján pedig már lehetőség van a menedzsment számára riportok készítésére, adatok elemzésére OLAP technológiákkal és adatbányászattal (Data Mining).

A DSS jelentési szolgáltatás segít a szervezetnek megbirkózni mindenféle információs jelentés, igazolás, dokumentum, összesítő kimutatás stb. készítésével, különösen akkor, ha a kiadott jelentések száma nagy és a bejelentések formái gyakran változnak. A DSS eszközök a riportok kiadásának automatizálásával lehetővé teszik azok tárolásának elektronikus formába történő átalakítását és a vállalati hálózaton történő elosztását a cég dolgozói között.

A nagy vállalati adattárházak mellett az adatpiacokat is széles körben használják. Az adatpiac egy kis, speciális tárhely egy bizonyos szűk témakör számára, amely egy üzleti témához kapcsolódó adatok tárolására összpontosít. Egy Data Mart projekt kevesebb befektetést igényel, és nagyon rövid időn belül befejeződik. Több ilyen adattár is létezhet, mondjuk egy bevételi adattár a vállalat számviteli részlegéhez és egy ügyféladat-piac a vállalat marketing osztályához.

1.4 OLAP technológiák

Az OLAP rendszerrel együttműködve a felhasználó rugalmasan megtekintheti az információkat, tetszőleges adatszeleteket kaphat, és elemző műveleteket végezhet a részletezéssel, konvolúcióval, végpontok közötti elosztással, időbeli összehasonlítással. Az OLAP rendszerrel végzett minden munka a tárgykör szempontjából történik. Az online analitikai feldolgozás (OLAP) koncepciója az adatok többdimenziós ábrázolásán alapul.

Az OLAP kifejezést E. F. Codd vezette be 1993-ban. Cikkében a relációs modell hiányosságait vette számba, elsősorban azt, hogy képtelenség "több dimenzióban, azaz a vállalati elemzők számára legérthetőbb módon kombinálni, megtekinteni és elemezni az adatokat", és általános követelményeket fogalmazott meg az OLAP rendszerekkel szemben. amelyek kiterjesztik a relációs DBMS funkcionalitását, és egyik jellemzője a többváltozós elemzés.

Codd szerint a többdimenziós fogalmi nézet a vezetőség legtermészetesebb nézete a vezetés tárgyáról. Ez egy többszörös perspektíva, amely több független dimenzióból áll, amelyek mentén bizonyos adatsorok elemezhetők. Az adatok több dimenzióján végzett egyidejű elemzés többváltozós elemzésnek minősül. Minden dimenzió tartalmaz adatkonszolidációs irányokat, amelyek egymást követő általánosítási szintek sorozatából állnak, ahol minden egyes magasabb szint a megfelelő dimenzió nagyobb fokú adataggregációjának felel meg. Így a Vállalkozó dimenzió a konszolidáció iránya alapján határozható meg, amely a „vállalat – alosztály – osztály – alkalmazott” általánosítási szintekből áll. Az "Idő" dimenzió akár két konszolidációs irányt is tartalmazhat - "év - negyedév - hónap - nap" és "hét - nap", mivel a hónapok és hétek szerinti időszámlálás nem kompatibilis. Ebben az esetben lehetővé válik, hogy az egyes mérésekhez tetszőlegesen kiválassza a kívánt információs részletezési szintet. A süllyedés (lefúrás) művelete a konszolidáció magasabb szintjeiről az alacsonyabb szintre való mozgásnak felel meg; ellenkezőleg, az emelés (feltekerés) művelete az alacsonyabb szintekről a magasabb szintre való mozgást jelenti.

1.5 Adatbányászat

A legnagyobb érdeklődés a DSS iránt az adatbányászat, mivel ez teszi lehetővé a probléma legteljesebb és legmélyebb elemzését, lehetővé teszi a rejtett kapcsolatok felderítését és a legésszerűbb döntés meghozatalát. A hardver és szoftver modern fejlettségi szintje már egy ideje lehetővé teszi az operatív információk adatbázisainak karbantartását a vezetés különböző szintjein. Tevékenységük során nagy mennyiségű adatot halmoztak fel az ipari vállalkozások, gazdasági társaságok, szakosztályi struktúrák, állami hatóságok és önkormányzatok. Nagy lehetőségek rejlenek bennük a hasznos analitikai információk kinyerésére, amelyek alapján azonosítani lehet a rejtett trendeket, fejlesztési stratégiát lehet felépíteni, új megoldásokat találni.

Az adatbányászat, az IAD (Data Mining) egy döntéstámogató folyamat, amely az adatokban rejtett minták (információs minták) keresésén alapul. Ezzel egyidejűleg a felhalmozott információ automatikusan tudásként jellemezhető információvá általánosodik.

Az IAD folyamat általában három szakaszból áll:

.minták azonosítása;

.a feltárt minták használata ismeretlen értékek előrejelzésére (prediktív modellezés);

.kivételelemzés, amelynek célja a talált minták anomáliáinak azonosítása és értelmezése.

Az IAD-t alkotó új számítógépes technológiák szakértői és intelligens rendszerek, mesterséges intelligencia módszerek, tudásbázisok, adatbázisok, számítógépes modellezés, neurális hálózatok, fuzzy rendszerek. Modern technológiák Az IAD lehetővé teszi új ismeretek létrehozását, rejtett minták feltárását, a rendszerek jövőbeli állapotának előrejelzését. A város társadalmi-gazdasági fejlődésének modellezésének fő módszere a szimulációs módszer, amely lehetővé teszi a városrendszer kísérleti megközelítéssel történő feltárását. Ez lehetővé teszi a különböző fejlesztési stratégiák eljátszását a modellen, az alternatívák összehasonlítását, számos tényező hatásának figyelembevételét, beleértve a bizonytalansági elemeket is.

Az ebben a munkában megszerkesztett modell a rendszerek ebbe az osztályába tartozik. Ennek alapján a stratégiai és taktikai szintű önkormányzatok lehetőséget kapnak egy komplex társadalmi-gazdasági városrendszer fejlődésének dinamikájának elemzésére, az első ránézésre nem nyilvánvaló összefüggések azonosítására, a különböző alternatívák összehasonlítására, az anomáliák elemzésére és a lehető legtöbbet kihozni. ésszerű döntés.

Ígéretes a kombinált döntéshozatali módszerek alkalmazása a DSS-ben mesterséges intelligencia módszerekkel és számítógépes modellezéssel kombinálva, különféle szimulációs és optimalizálási eljárásokkal, döntéshozatal szakértői eljárásokkal kombinálva.

1.6 DSS besorolások

A felhasználóval való interakción alapuló DSS-nek három típusa létezik:

· a passzívak segítenek a döntéshozatalban, de nem tudnak konkrét javaslatot tenni;

· az aktív résztvevők közvetlenül részt vesznek a megfelelő megoldás kidolgozásában;

· az együttműködőek a DSS és a felhasználó interakcióját foglalják magukban. A rendszer által előterjesztett javaslat véglegesíthető, javítható, majd visszaküldhető a rendszerbe ellenőrzésre. Ezt követően az ajánlatot ismét a felhasználó elé terjesztik, és így tovább, amíg jóváhagyja a döntést.

A támogatás módja szerint a következők vannak:

· modell alapú DSS, statisztikai, pénzügyi vagy egyéb modellekhez való hozzáférést használnak munkájuk során;

· A kommunikáción alapuló DSS támogatja a közös feladatban részt vevő két vagy több felhasználó munkáját;

· Az adatvezérelt DSS hozzáféréssel rendelkezik a szervezet idősoraihoz. Munkájuk során nemcsak belső, hanem külső adatokat is felhasználnak;

· A dokumentum-orientált DSS manipulálja a különféle elektronikus formátumokban található strukturálatlan információkat;

· A tudásalapú DSS speciális, tényeken alapuló megoldásokat kínál a problémákra.

Felhasználási terület szerint vannak:

· Az egész rendszerre kiterjedő – nagy tárolórendszerekkel működik, és sok felhasználó használja.

Az architektúra és a működési elv szerint a következők:

· Funkcionális DSS.

Építészeti szempontból a legegyszerűbbek. Gyakoriak azokban a szervezetekben, amelyek nem tűznek ki globális célokat és alacsony az információs technológiai fejlettség. A funkcionális DSS sajátossága, hogy az operációs rendszerek fájljaiban található adatokat elemzik. Az ilyen DSS előnyei az egyetlen platform használatából adódó kompaktság és az adatok speciális rendszerbe történő újratöltésének hiánya miatti hatékonyság. A hiányosságok közül kiemelhető: a rendszer segítségével megoldható problémák körének szűkülése, az adatminőség csökkenése a tisztítási szakasz hiánya miatt, a terhelés növekedése. operációs rendszer felmondási lehetőséggel.

· Független adatpiacokat használó DSS.

Több részleggel rendelkező nagy szervezetekben használják, beleértve az információs technológiai részlegeket is. Minden egyes adatpiac meghatározott problémák megoldására jön létre, és a felhasználók egy meghatározott körére összpontosít. Ez nagymértékben javítja a rendszer teljesítményét. Az ilyen struktúrák megvalósítása meglehetősen egyszerű. A negatív pontok közül kiemelhető, hogy az adatok többször is bekerülnek a különböző kirakatba, így azok sokszorosíthatók. Ez növeli az információtárolás költségeit és bonyolítja az egységesítési eljárást. Az adatpiacok feltöltése meglehetősen nehéz, mivel több forrást kell használnia. Nincs egységes kép a szervezet tevékenységéről, mivel nincs végleges adatkonszolidáció.

· Kétszintű adattárházon alapuló DSS.

Nagyvállalatoknál használják, amelyek adatait egyetlen rendszerbe vonják össze. Az információfeldolgozás definíciói és módszerei ebben az esetben egységesek. Biztosít normál működés egy ilyen DSS-hez speciális csapatra van szükség a kiszolgálásához. Egy ilyen DSS architektúra mentes az előző hiányosságaitól, de nem képes az egyes felhasználói csoportok adatainak strukturálására, valamint az információkhoz való hozzáférés korlátozására. A rendszer teljesítményével kapcsolatos problémákat tapasztalhat.

· Háromszintű adattárházon alapuló DSS.

Az ilyen DSS-ek adattárházat használnak, amelyből adatpiacok jönnek létre, amelyeket a hasonló problémákat megoldó felhasználói csoportok használnak. Így hozzáférés biztosított mind a konkrét strukturált adatokhoz, mind pedig egyetlen összevont információhoz. Az adatpiacok feltöltését leegyszerűsíti az egyetlen forrásból származó, hitelesített és megtisztított adatok használata.

Van egy vállalati adatmodell. Az ilyen DSS-eket garantált teljesítmény jellemzi. De van adatredundancia, ami a tárolási követelmények növekedéséhez vezet. Ezenkívül egy ilyen architektúrát össze kell hangolni számos olyan területtel, amelyek potenciálisan eltérő követelményeket támasztanak.

A rendszer interfész funkcionális tartalmától függően a DSS két fő típusa van: EIS és DSS (Execution Information System) - vállalatirányítási információs rendszerek. Ezek a rendszerek a felkészületlen felhasználókat célozzák, leegyszerűsített felülettel, alapvető szolgáltatásokkal és rögzített információ-megjelenítési formákkal rendelkeznek. Az EIS-rendszerek általános képi képet rajzolnak a vállalat üzleti teljesítménymutatóinak jelenlegi állapotáról és azok fejlődési trendjeiről, lehetőséget adva a szóban forgó információk elmélyítésére a nagyvállalati létesítmények szintjére. EIS-rendszerek - az igazi megtérülés, amit a vállalat vezetése a DSS technológiák bevezetésétől lát (Desicion Support System) 7 - teljes értékű adatelemző és -kutatási rendszerek, olyan képzett felhasználók számára készültek, akik mind a témakörben ismeretekkel rendelkeznek a kutatás és a számítógépes ismeretek terén. Általában a DSS-rendszerek megvalósításához (ha rendelkezésre állnak adatok) elegendő speciális szoftvereket telepíteni és konfigurálni a megoldásszolgáltatóktól az OLAP-rendszerekhez és az adatbányászathoz.

A rendszerek ilyen két típusra osztása nem jelenti azt, hogy a DSS felépítése mindig csak az egyik típus megvalósítását foglalja magában. Az EIS és a DSS párhuzamosan működhet, megosztva a közös adatokat és/vagy szolgáltatásokat, biztosítva funkcionalitásukat a vállalatok felső vezetése és elemző osztályai számára egyaránt.

1.7 Alkalmazások

Távközlés

A távközlési vállalatok a DSS-t használják arra, hogy előkészítsenek és meghozzanak egy sor olyan döntést, amelyek célja ügyfeleik megtartása és más vállalatok felé történő kiáramlásuk minimalizálása. A DSS lehetővé teszi a vállalatok számára marketingprogramjaik hatékonyabb végrehajtását, szolgáltatásaik vonzóbb számlázását.

A hívásjellemzőkkel rendelkező rekordok elemzése lehetővé teszi a hasonló viselkedési mintákkal rendelkező ügyfelek kategóriáinak azonosítását annak érdekében, hogy megkülönböztesse az Ön megközelítését egy adott kategória ügyfelek vonzására.

Vannak olyan ügyfélkategóriák, akik bizonyos reklámkampányok hatására folyamatosan szolgáltatót váltanak. A DSS lehetővé teszi a "stabil" ügyfelek legjellemzőbb tulajdonságainak azonosítását, pl. olyan ügyfelek, akik hosszú ideig hűségesek maradnak egy vállalathoz, ami lehetővé teszi, hogy marketingpolitikájukat az adott ügyfélkategória megtartására összpontosítsák.

Banki tevékenység

A DSS-t a banki tevékenység különböző aspektusainak jobb nyomon követésére használják, mint például a hitelkártyák, kölcsönök, befektetések és így tovább, ami jelentősen javíthatja a munka hatékonyságát.

Csalási esetek azonosítása, hitelezési kockázatok felmérése, ügyfélkör változásainak előrejelzése - a DSS köre és az adatbányászat módszerei. Az ügyfelek osztályozása, a hasonló igényű ügyfélcsoportok kiválasztása célzott marketingpolitikát tesz lehetővé, vonzóbb szolgáltatáscsomagokat biztosítva egy adott ügyfélkategória számára.

Biztosítás

A biztosítási üzletágban a DSS alkalmazások készlete klasszikusnak nevezhető - ez a lehetséges csalási esetek azonosítása, kockázatelemzés, ügyfélbesorolás.

A biztosítási kárigényekben bizonyos sztereotípiák feltárása nagy összegek esetén csökkentheti a csalási esetek számát a jövőben.

A biztosítási kötelezettség alapján történő kifizetések eseteinek jellemző sajátosságainak elemzése, biztosító társaságok csökkenthetik veszteségeiket. A megszerzett adatok például a meghatározott kritériumok alá tartozó ügyfelek kedvezményrendszerének felülvizsgálatához vezetnek.

Az ügyfelek osztályozása lehetővé teszi a legjövedelmezőbb ügyfélkategóriák azonosítását a meglévő szolgáltatások pontosabb célzása és új szolgáltatások bevezetése érdekében.

Kiskereskedelem

A kereskedő cégek DSS technológiát használnak olyan problémák megoldására, mint a beszerzés és tárolás tervezése, a közös vásárlások elemzése és az idő múlásával kapcsolatos viselkedési minták keresése.

A vásárlások számára és a készleten lévő áruk bizonyos időszakon belüli elérhetőségére vonatkozó adatok elemzése lehetővé teszi az áruvásárlás megtervezését, például az áruk iránti kereslet szezonális ingadozásaira reagálva.

Gyakran előfordul, hogy egy termék megvásárlásakor a vásárló egy másik terméket is beszerez vele együtt. Az ilyen áruk csoportjainak azonosítása lehetővé teszi például a szomszédos polcokra helyezését, hogy növelje közös vásárlásuk valószínűségét.

A viselkedési minták időbeni keresése választ ad arra a kérdésre, hogy "Ha ma a vásárló vásárolt egy terméket, akkor mennyi idő múlva vesz egy másik terméket?". Például egy fényképezőgép vásárlásakor az ügyfél valószínűleg filmet vásárol, előhív és nyomtat a közeljövőben.

A gyógyszer

Számos szakértői rendszer létezik az orvosi diagnózis felállítására. Főleg a különböző betegségek különböző tüneteinek kombinációit leíró szabályok alapján épülnek fel. Az ilyen szabályok segítségével nemcsak azt tanulják meg, hogy mitől beteg a beteg, hanem azt is, hogyan kell kezelni. A szabályok segítenek kiválasztani a gyógyszeres kezelés módját, meghatározni a javallatokat - ellenjavallatokat, eligazodni a kezelési eljárásokban, megteremteni a feltételeket a leghatékonyabb kezeléshez, megjósolni az előírt kúra kimenetelét stb. Az adatbányászati ​​technológiák lehetővé teszik a minták kimutatását. ezen szabályok alapját képező orvosi adatokban.

Molekuláris genetika és géntechnológia

A kísérleti adatok törvényszerűségeinek feltárásának talán legégetőbb és egyben legvilágosabb feladata a molekuláris genetika és a géntechnológia. Itt az úgynevezett markerek definíciójaként van megfogalmazva, amelyek genetikai kódok alatt értendők, amelyek egy élő szervezet bizonyos fenotípusos jellemzőit szabályozzák. Az ilyen kódok több száz, ezer vagy több kapcsolódó elemet tartalmazhatnak.

Nagy összegeket különítenek el a genetikai kutatás fejlesztésére. Az utóbbi időben különösen nagy érdeklődés mutatkozott az adatbányászati ​​módszerek alkalmazása iránt ezen a területen. Számos nagy cégről ismert, hogy ezeknek a módszereknek az alkalmazására szakosodott az emberi és növényi genom megfejtésére.

Alkalmazott kémia

Az adatbányászati ​​módszereket széles körben alkalmazzák az alkalmazott kémiában (szerves és szervetlen). Itt gyakran felmerül a kérdés, hogy meg kell tisztázni bizonyos vegyületek kémiai szerkezetének tulajdonságait, amelyek meghatározzák a tulajdonságaikat. Ez a feladat különösen fontos összetett kémiai vegyületek elemzésénél, amelyek leírása több száz és ezret tartalmaz szerkezeti elemekés azok kapcsolatai.

1.8 DSS piac

A DSS piacon a cégek a következő típusú szolgáltatásokat kínálják döntéstámogató rendszerek létrehozásához:

· Pilóta projektek megvalósítása DSS rendszereken annak érdekében, hogy a Megrendelő vezetése számára bemutassa az analitikai alkalmazásokban rejlő magas minőségi potenciált.

· Teljesen működőképes DSS rendszerek létrehozása az Ügyféllel közösen, beleértve az adattárházat és az üzleti intelligencia eszközöket.

· Adattárház architektúra tervezése, beleértve a tárolási struktúrákat és a kezelési folyamatokat.

· "Data marts" létrehozása a kiválasztott témakörhöz.

· OLAP és Business Intelligence eszközök telepítése és konfigurálása; a Megrendelő igényeihez való igazításukat.

· Statisztikai elemző eszközök elemzése és „adatbányászat” szoftvertermékek kiválasztása az Ügyfél architektúrája és igényei szerint.

· DSS rendszerek integrálása a Megrendelő vállalati intranetjeibe, az elemző dokumentumok elektronikus cseréjének automatizálása a tárhasználók között.

· Vezetői információs rendszerek (EIS) fejlesztése a szükséges funkciókhoz.

· Adatbázisok egységes információtároló környezetbe integrálására szolgáló szolgáltatások

· Megrendelő szakembereinek képzése adattárolási és analitikai rendszertechnológiák, valamint a szükséges szoftvertermékekkel való munkavégzés terén.

· Tanácsadási szolgáltatások nyújtása a Megrendelőnek az adattárházak és elemző rendszerek tervezésének és üzemeltetésének minden szakaszában.

· Komplex projektek a DSS működését biztosító számítási infrastruktúra létrehozására/korszerűsítésére: bármilyen léptékű megoldás a helyi rendszerektől a vállalat/konszern/ipar méretű rendszerekig.

1.9 Döntéstámogató rendszer értékelése (DMSS)

A DSS értékelésének kritériumai. A rendszernek hatékonyan kell kezelnie a bevételt és a kockázatot bármely piaci feltételek, hatékony piacra lépés-kilépés jeleket generál. Ugyanakkor a tranzakciók gyakoriságának mérsékeltnek kell lennie, figyelembe véve a tranzakciós költségeket, jutalékokat, a spread veszteségeit stb. A konstrukció bonyolultsága nem lehet megfélemlítő. A numerikus módszereket „megérzésük” javára elutasítók többsége átlag alatti eredménnyel zárul.

A rendszer értékelésénél természetesen fontos jellemző a teljes (végső) profit. Magas működési költségek mellett fontossá válik egy olyan jellemző, mint a műveletenkénti nyereség. A döntések pontossága (százalék), amelyet a nyereséges műveletek számának az összes művelethez viszonyított arányaként számítanak ki, sok kereskedő kedvelt jellemzője, bár jelentőségét túlbecsülik. A tény az, hogy sok hatékony rendszer gyakrabban hoz rossz döntéseket, mint jókat, míg sok nem nyereséges (vagy szinte nem jövedelmező) rendszer gyakrabban hoz helyes döntéseket.

A szavatolótőke maximális vesztesége fontos jellemző a rendszer által alkalmazott stratégiák kockázatának mérésére. Az időszakosan nagy veszteségnek kitett rendszerek még akkor sem tekinthetők használhatónak, ha végül elegendő nettó nyereséget adnak. Ugyanakkor a maximális veszteség nem csupán a veszteséges műveletek sorozatából származó legnagyobb veszteséget jelenti, hanem a maximális tőkecsökkenést a vizsgált időszakban. Egy ilyen csökkenés során a vesztes ügyletek sorozatát megszakíthatják olyan egyedi nyereséges ügyletek, amelyek nem képesek megváltoztatni a rendszer hatékonyságának hiányának időszakának összességében veszteséges jellegét. A rendszer hatékonyságának fő jellemzőjét a teljes nyereség és a tőkeveszteség arányaként számítják ki a rendszer maximális hatástalanságának időszakában, és általában megtérülés/kockázat aránynak nevezik. A rendszer hatékonyságának számos egyéb értékelése is létezik, amelyek néha meglehetősen bonyolultak, és nagy mennyiségű statisztikai számítást igényelnek, de a legtöbb esetben a fenti egyszerű jellemzők is elegendőek. Megjegyzendő, hogy a rendszer értékelése során a klasszikus portfóliókezelési elmélet által ajánlott kritériumokat használhatjuk.

A rendszeroptimalizálás abból áll, hogy megtaláljuk a legjobb képletet az indikátorhoz - a legjobbat abból a szempontból, hogy a hosszú időn át gyűjtött adatokból a maximális és/vagy a legstabilabb profitot érjük el vele. Ez az optimalizálás önellentmondásos. Kritikusai azonnal rámutatnak arra, hogy a jövőbeni árak másképp viselkedhetnek, mint a múltban. Az ilyen optimalizálás híveinek meg kell győződniük bizonyos minták létezéséről, az ármagatartás olyan stabilitásáról, amely nem, vagy enyhén változik az idő múlásával.

Annak tesztelésére, hogy a technikai elemzésben alkalmazott szabályok a jövőben is stabil profitot adnak, önmagukban múltbeli adatokból számolva, az alábbi egyszerű tesztelési módszert (ún. vakmodellezést) alkalmazzuk. Először a döntési szabályt múltbeli adatokra optimalizálják, majd későbbi (friss) adatokon tesztelik. Ily módon meghatározhatja, hogy egy adott szabály segítségével általában mennyire tudja előre megjósolni a jövőt a múltbeli adatokból. Ha a mutató az optimális paraméterek frissebb adatokon jó eredményeket ad, remélhető, hogy a jövőben is jól fog működni.

Egy rendszer paramétereinek újraértékelésekor csak akkor szabad új rendszerre váltani, ha a kapott "javulás" statisztikailag szignifikáns.

Robert Pelletier a paraméterek számának korlátozását javasolja a döntési szabályok megalkotásakor, mivel ezek növelése növeli a rendszer szabadságfokainak számát. Ráadásul lehetnek köztük összefüggések, azaz statisztikailag függőnek bizonyulhatnak, ami általában a keresztkorrelációs együtthatójukból látszik. Pelletier úgy véli, hogy egy jó rendszer legfeljebb 2-5 paramétert tartalmazhat.

Az indikátor ellenőrzésére szolgáló mintának elég nagynak kell lennie ahhoz, hogy a kiválasztott időszakban legalább 30 jel legyen. Ebben az esetben az időszaknak egész számú teljes hosszú (alacsony frekvenciájú) ciklust kell magában foglalnia, hogy korlátozza az eladások vagy vásárlások irányába ható torzítások hatását. Így például egy ismert 4 éves tőzsdei ciklus esetén az elemzést legalább 8 éves adatokon kell elvégezni.

szervezeti banki szellemi adatok

2. fejezet

1 A vizsgálat céljainak és célkitűzéseinek megfogalmazása, a vizsgált tárgy jellemzői

Jelenleg a Központi Bank Orosz Föderáció(a továbbiakban: Oroszországi Bank) az orosz bankrendszer kulcsfontosságú szabályozója, és sok tekintetben garantálja stabilitását és gazdasági stabilitását. Az Orosz Bank rendszere összetett szervezeti struktúra- a központi hivatal (továbbiakban TA), területi hivatalok (továbbiakban TU), és több mint 80 ezer alkalmazottat foglalkoztat. A területi intézmények alárendeltségében pedig készpénzelszámolási központok és egyéb egységek hálózata van, amelyek biztosítják a TC tevékenységét.Az összetett szervezeti struktúra jelenléte meghatározza az Oroszországi Bank irányítási rendszerének összetettségét, amely két szintet lefed. - TC és CA. Jelenleg az Oroszországi Bank számára a következő fő feladatok fontosak: a költségek általános csökkentése, a területi intézmények tevékenységének szabványosítása, valamint a területi intézmények irányítási rendszerének javítása.

A menedzsment folyamatszemléletű megközelítését tekintik e feladatok teljesítésének fő eszközének, amelynek megvalósítását 2002-ben kezdték meg a Bank of Russia. A folyamatszemlélet az uralkodó megközelítés az agilis és hatékony rendszer menedzsment, amely az elmúlt 10-15 évben terjedt el a világ gyakorlatában. A folyamatszemlélet feltételezi a tevékenység céljainak és stratégiájának világos megfogalmazását, a tevékenység leírását egymással összefüggő folyamatok halmaza formájában, amelyeknek konkrét eredménye a kimeneten, a felelősség egyértelmű megosztását a folyamatok valamennyi résztvevője között.

Amint azt a világgyakorlat mutatja, a folyamatszemlélet hatékony alkalmazását nagymértékben meghatározza a döntéshozatalhoz szükséges információkat formáló és biztosító információ-számítógép megléte. Egy ilyen rendszer segítségével az Oroszországi Bank műszaki specifikációi szintjén lehetővé válna a folyamatok végrehajtásának leírása és ellenőrzése, azok költségének értékelése, a valós terhelés kiszámítása, végrehajtása. ésszerű becslés folyamatok hatékonysága, alkalmazottak, részlegek stb. Az Orosz Nemzeti Bank CA szintjén a rendszer lehetővé tenné a munka során felhalmozott különféle mutatók műszaki specifikációinak összehasonlítását, a műszaki előírások szabványosítását, a folyamatszabványok leírását, a műszaki előírásokban való megismétlését, valamint számos megoldást. egyéb feladatokról.

A fentiek mindegyike meghatározza e fejezet témájának relevanciáját, amely módszertani, matematikai és szoftver-instrumentális megközelítések kidolgozására irányul egy döntéstámogató rendszer létrehozására az Oroszországi Bank alapú területi intézményei tevékenységének irányítása terén. a folyamatszemléletről (a továbbiakban: Rendszer, DSS "Folyamatmenedzsment").

Jelen munka célja egy átfogó módszertani, matematikai, információs, szoftveres és műszeres támogatás kidolgozása egy döntéstámogató rendszerhez az Oroszországi Bank területi intézményei tevékenységének irányításának feladataihoz, beleértve a műszaki előírások szintjét és a központi iroda.

2 Általános áttekintés és munkaköri leírás

2.1 Új DSS-koncepció kidolgozása a Bank of Russia területi fiókjainak tevékenységének irányítására

Elemezték az Oroszországi Bank sajátosságait, amely összetett szervezeti struktúra, a területi intézmények vertikális kétszintű irányítási rendszerének meglétében, a tevékenységek nagyszabású szabályozási kereten alapuló egyértelmű szabályozásában, a dokumentumkezelés összetettségében, pénzügyi menedzsment jellemzői, informatizálási és információbiztonsági követelmények. Ennek eredményeként megállapították, hogy a meglévő termékek nem teljes mértékben alkalmasak az Orosz Bank területi fiókjainak kezelésével kapcsolatos problémák megoldására.

Az Oroszországi Bank sajátosságainak tanulmányozása és a műszaki intézmények tevékenységének irányításával kapcsolatos főbb feladatok elemzése lehetővé tette a DSS felépítésének következő elvi alapelvei megfogalmazását:

) Kétszintű szerkezet. A kifejlesztett DSS-nek két szinten kell működnie - TU (regionális) és CA (szövetségi) szinten. Regionális szinten a DSS támogatja a műszaki specifikációk tevékenységeinek folyamatszemléletű menedzselését, szövetségi szinten a tevékenységekre vonatkozó információk gyűjtése minden műszaki specifikációból történik, ezen információk központosított tárolása és elemzése, a műszaki specifikációk osztályozása, és a szabványok kialakítása;

) Teljes ciklus menedzsment folyamatszemlélet alapján. A tevékenységek hatékony és folyamatos fejlesztése érdekében a DSS fontos jellemzője, hogy teljes folyamatszemléletű irányítási ciklust biztosít, amely magában foglalja a folyamatok leírására szolgáló eljárások iteratív végrehajtását, a végrehajtás monitorozását és ellenőrzését, a folyamatok elemzését és az újratervezést.

A rendszer kétszintű felépítését figyelembe véve a vezérlési ciklus a következő formában kerül bemutatásra (2. ábra):

Rizs. 2. Menedzsment támogatási ciklus a DSS-ben

)Megközelítések és technológiák integrációja. A létrehozott DSS-ben a műszaki specifikációk tevékenységének javításával kapcsolatos problémák leghatékonyabb megoldása érdekében szükséges az üzleti folyamatmenedzsment (BPMS), a teljesítménymenedzsment (CPM) és az üzleti intelligencia (BI) megközelítéseinek és technológiáinak integrálása. Ezeket a megközelítéseket egységes építészeti elvek alapján kell megvalósítani, és egységes információs, szoftver- és technológiai infrastruktúra keretében kell működni;

)A szabványok támogatása szükséges a TU tevékenységeinek szabványosítási problémáinak megoldásához. Szövetségi szinten - fejlesztés, hibakeresés, folyamatszabványok elemzése stb.; regionális szinten - szabványok „kikényszerítése” a meglévő folyamatokra;

)Folyamatok integrálása az adattárházban. A BPMS osztályú rendszerek tranzakciós jellegűek, és nem igényelnek adattárházat. Az Oroszországi Bankban nemcsak a folyamatmenedzsment megszervezésére van szükség, hanem annak átfogó elemzésére is – dinamikus, összehasonlító, strukturális stb. az adatok szövetségi szintre kerülnek (központi adattárba);

)Az elemzés módszertani alapjainak kialakítása. A műszaki leírások tevékenységeivel kapcsolatos információk elemzésének problémáinak teljesebb és hatékonyabb megoldásához módszertani és műszeres bázis kialakítása szükséges a következő területeken: folyamatok költségének számítása, folyamatok időtartamának felmérése, elemzése. a szervezeti felépítésről, a teljesítménymenedzsmentről;

)Kölcsönhatás a TPK-val. A DSS-nek kölcsönhatásba kell lépnie a területi intézményekben működő szabványos szoftverrendszerekkel (TPC). Az interakciót a következő céllal szervezik: kiindulási adatok beszerzése (például a műszaki specifikációk költségeire vonatkozó adatok); naprakész szabályozási és referencia információk megszerzése; folyamatok végrehajtására vonatkozó adatok beszerzése. Ezen elvek figyelembe vételével kidolgozták a rendszer koncepcionális modelljét, amely lefedi a szövetségi és regionális kormányzási szintet (3. ábra):

Rizs. 3. A DSS koncepcionális modellje az Oroszországi Bank területi fiókjainak tevékenységének irányításában

A bemutatott koncepcionális modell leginkább az Oroszországi Bank irányítási feladatainak megoldásának felel meg, és a következő összetevőket tartalmazza:

· Regionális szintű rendszerek (az egyes területi intézményekben). A regionális szintű DSS reprodukálható, és olyan funkcionalitást biztosít, amely minden műszaki specifikációra jellemző. A TS tevékenységével kapcsolatos információk egy adattárházban halmozódnak fel, amelyen elemző BI eszközök működnek.

· Szövetségi szintű rendszer (a központi irodában). A szövetségi szintű DSS egy olyan integráló komponens, amely magában foglalja az információk központosított tárolását és feldolgozását a regionális szintű rendszertől eltérő összes műszaki specifikáció és funkció tevékenységére vonatkozóan. A szövetségi szintű rendszer adatokat (folyamatszabványokat, előírásokat stb.) állít elő, amelyeket a regionális szintű DSS-ben replikál.

· A külső információforrások elsősorban regionális szintű DSS adatokat szolgáltatnak, ide tartoznak a területi intézményekben működő különféle szoftverrendszerek. A külső források a DSS külső összetevőinek tekinthetők.

Mivel a szövetségi szintű rendszer nagyrészt regionális szintű rendszerekről továbbított adatokon alapul, először is ki kell dolgozni a regionális szintű rendszer információs, matematikai és műszeres támogatását, amely az Oroszországi Bank integrált DSS-jének alapja. Ugyanakkor megjegyzendő, hogy a kidolgozott módszereket, eszközöket a szövetségi szintű rendszer kiépítése során is felhasználják. A vizsgálat során kidolgozásra került a DSS regionális szintű felépítése (4. ábra), figyelembe véve a műszaki előírások léptékét, az elvégzett funkciók és folyamatok sokféleségét, a kialakult vezetési gyakorlat tényezőit, ill. a jelenlegi automatizálás jellemzői.

Rizs. 4. A DSS felépítése az Orosz Bank regionális szintjén

2.2.2 A funkcionális alrendszerek leírása

A rendszerhez tartoznak a felhasználói felületeket biztosító és üzleti funkciókat megvalósító funkcionális alrendszerek, valamint a funkcionális alrendszerek működését biztosító technológiai alrendszerek, amelyek egységes adatkezelési mechanizmusokon és központosított metaadatokon alapulnak. Valamennyi alrendszer az adminisztrációs és információbiztonsági alrendszer irányítása alatt működik, amely biztosítja a megfelelő szintű adatvédelmet az illetéktelen hozzáféréssel szemben, az Oroszországi Bank követelményeinek megfelelően. A tanulmány során az Oroszországi Bank sajátosságait figyelembe véve kidolgozásra kerültek a funkcionális alrendszerek információs és műszeres támogatására vonatkozó követelmények, és igazolták azokat.

A folyamatleíró alrendszer a tevékenységek formalizált leírására szolgál egymáshoz kapcsolódó folyamatok formájában, figyelembe véve az Oroszországi Bank jellemzőit. A rendszerben lévő folyamatok modellezésére az IDEF0 és IDEF3 szabványokat alkalmazták, melyeket számos további struktúra egészített ki: vezérlési műveletek, visszatérési átmenetek, hivatkozások más folyamatokhoz, segédfolyamatok, folyamat kezdő- és végpontjai. A TS folyamatok leírására szolgáló információs modell kialakításakor figyelembe vették az Oroszországi Bank sajátosságait és a szabványok követelményeit, valamint a következő elveket:

· A verziókezelés támogatása magában foglalja a folyamatleírás minden változásának kronológiájának fenntartását (az objektumok változásait a rendszer dátum szerint rendezett verzióként rögzíti). Ennek köszönhetően a műszaki leírások tevékenységének modelljét bármikor beszerezhetjük;

· A változásmodellezés támogatását az objektumok ideiglenes verzióinak karbantartása biztosítja, amelyek szükség szerint jóváhagyhatók vagy visszavonhatók;

· A folyamatmodellek testreszabhatósága magában foglalja a folyamatmodell-attribútumok készletének bővítését, új objektumok bevezetését és összekapcsolását a meglévőkkel.

A megfogalmazott elvek és jellemzők figyelembevételével a vizsgálat során a folyamatok és környezetük objektumai információs modelljét dolgoztuk ki (5. ábra).

Rizs. 5. A folyamatkörnyezet fő objektumainak összefüggései.

A generált információs modell alapján a folyamatleíró alrendszer a következő fő feladatok megoldását teszi lehetővé:

· a TU tevékenységének holisztikus formalizált modelljének kialakítása;

· a tevékenységekről szóló információk naprakészen tartása;

· a TU tevékenységének dokumentálására vonatkozó jelentések, igazolások elkészítése.

A folyamatok lebonyolítását ellenőrző alrendszer biztosítja a formalizált folyamatok lebonyolítását, a feladatok végrehajtását végzők között a leírásnak megfelelően, a határidők betartásának és a végrehajtás hatékonyságának figyelését, a folyamatok végrehajtására vonatkozó adatok transzformációját től. külső források egyetlen egységes formátumba.0

A vizsgálat eredményeként kialakult a folyamatok és műveletek életciklusa (6. ábra), amely a folyamatok leírásának jelölésével együtt a következő feladatok megoldását adja:

· folyamatvégrehajtások szervezése;

· folyamatok végrehajtásának nyomon követése és irányítása;

· a kritikus pontokon a folyamatok végrehajtása feletti ellenőrzés megszervezése;

· elemző jelentések készítése különböző szintű műszaki előírásokkal rendelkező vezetők számára (ágazatvezetők, osztályok, osztályok, felső vezetés).

Rizs. 6. A folyamat végrehajtásának életciklusa

A folyamatköltség alrendszer a folyamatok költségjellemzőinek kiszámítására és különböző szekciókban történő elemzésére szolgál, eszközöket biztosít a folyamatok költségjellemzőinek részletes elemzéséhez, a kiegyensúlyozáshoz, összehasonlító elemzés, különféle számítási lehetőségeket hajt végre.

A tevékenységelemző alrendszer a TU tevékenységeinek különböző szempontú – hatékonyság, költség, személyi, folyamatok stb. – elemzését valósítja meg, miközben külső forrásokból és egyéb alrendszerekből gyűjti és strukturálja az adatokat. Az analitikai alrendszer a CPM-módszertan alapján épül fel, figyelembe véve az Oroszországi Bank feladatait, és analitikai alkalmazásokat és eszközöket biztosít a következő feladatok megoldásához:

.A stratégiai célok, célkitűzések és mutatók rendszerének kezelése (figyelembe véve a Bank of Russia által szövetségi szinten kitűzött célokat);

.Döntéshozatal támogatása a TU személyzeti irányítása és szervezeti felépítése terén;

.A teljesítménymutatók nyomon követése, elemzése.

A stratégiai célok, célkitűzések és indikátorok rendszere a kiegyensúlyozott eredménymutatók (BSC) és a kulcsfontosságú teljesítménymutatók rendszere, amely folyamatokra, részlegekre, alkalmazottakra stb. Minden cél, célkitűzés és mutató időrendi jellegű. A BSC adatforrása az adattárház. Az indikátorok célértékei több forgatókönyv szerint is beállíthatók, a célok és célkitűzések elérési fokának felmérésére az indikátorokhoz súlyozási tényezőket lehet rendelni. A cél és a tényleges értékek összehasonlítása alapján a célok elérésének nyomon követése és elemzése történik.

A döntéstámogatás a személyzeti menedzsmentben magában foglalja a szervezeti struktúra elemzésére szolgáló analitikus alkalmazásokat, a teljesítményfegyelem, a teljesítmény és a folyamatok kulcsfontosságú teljesítménymutatói szempontjából végzett személyzetelemzést, a funkcionális felelősségek kiegyensúlyozását és elosztását.

A teljesítménymutatók nyomon követése és elemzése a repository alapú BI-eszközök segítségével történik, miközben lehetővé teszi a heterogén mutatók összehasonlítását és a különböző típusú elemzéseket (dinamikus, strukturális, összehasonlító, klaszter, rangsor stb.).

2.2.3 Módszertani és műszeres megoldásokat megvalósító műszaki specifikáció szintű DSS kidolgozása

A DSS fejlesztése során megtörtént a rendszer kiépítéséhez szükséges követelmények elemzése, a logikai és fizikai adatstruktúra kialakítása, a rendszer felépítésének alapelvei megalapozása, a megvalósításhoz szükséges információs technológiák kiválasztásának feladatai. a rendszer megoldódott.

A rendszer felépítése magában foglalja az üzleti logikát és felhasználói felületet megvalósító funkcionális alrendszereket, valamint a funkcionális alrendszerek működését biztosító technológiai alrendszereket, amelyek egységes adatkezelési mechanizmusokon és központosított metaadatokon alapulnak.

A rendszer megvalósításához a következő információs technológiákat választották:

· információk tárolásának alapjaként - az Oracle relációs adatbázis-kezelő rendszer 9i verziója;

· szoftver- és eszközfejlesztési környezetként - a "Prognoz-5" elemző komplexum, amely a gazdaság különböző területein az információs és elemző rendszerek, valamint a döntéstámogató rendszerek fejlesztésére összpontosít;

· webes összetevők fejlesztéséhez - a Microsoft Visual Studio 2005 integrált környezet és az ASP.NET platform.

A DSS létrehozása során egységes építészeti elvek alapján egy szoftver- és technológiai megoldáskészletet dolgoznak ki a legoptimálisabb és legmegbízhatóbb működés érdekében. A tranzakciós és elemzési szegmenseket is magában foglaló komplex adatbázis kezelési eljárásainak kidolgozásakor a következő megoldásokat fejlesztették ki és alkalmazták:

· Az adatbázis tranzakciós és elemzési szegmenseinek adatkonzisztenciáját biztosítva, ehhez egy összefüggő osztályok rendszere került kidolgozásra, amely egy egységes tranzakciófeldolgozó mag használatára fókuszál, amely Oracle DBMS metaadatok felhasználásán alapul. Táblázat szinten az adatintegritás ellenőrzését DBMS eszközök biztosítják a működés megbízhatóságának javítása érdekében (7. ábra):

Rizs. 7. A DSS adatok konzisztenciájának kezelésére szolgáló séma.

· Támogatás az objektumverzióhoz az integritás-ellenőrzés DBMS-szinten történő megőrzése mellett. Ehhez minden objektumot két táblában tárolunk: az objektumok táblázatában és az objektumverziók táblázatában;

· Adatbázis méretezhetőség attribútumok és objektumok szintjén integritás-szabályozással. További attribútumok esetén az integritás vezérlése a trigger szintjén történik, új objektumok táblákban való létrehozásakor automatikusan létrejön az egységes integritásvezérlő triggerek;

· Az adatbázisba való kivonás és írás optimalizálása nagy mennyiségű adattal. A fizikai struktúra létrehozása után indexelésre került, az adattárház tábláihoz az Oracle DBMS Partíciók formáló eszközei kerültek felhasználásra.

A DSS kezdeti kitöltésének és későbbi frissítésének adatforrásai a TU-ban üzemeltetett szabványos szoftverrendszerek adatai lehetnek: On-farm Activity Systems (IEA), Dokumentumkezelő rendszerek, Automatizálási Rendszerek stb. A DSS lehetővé teszi, hogy folyamatleírások letöltése MS Word és Excel fájlokból, ami fontos azon területi intézmények számára, amelyek "papíron" rendelkeznek folyamatmodellek tervezetével.

A kifejlesztett DSS-t ipari módban a Baskír Köztársaság Nemzeti Bankjában használják több mint 300 vezetői és szakemberi munkahelyen a folyamatok leírására, a folyamatok végrehajtásának megszervezésére és nyomon követésére, a szervezeti struktúra változásainak igazolására és a tevékenységek elemzésére. A rendszerben mintegy 980 folyamatot írnak le, ebből mintegy 730 jóváhagyott, mintegy 200 folyamatot rendszeresen indítanak ipari üzemmódban.

2.3A jelen DSS alkalmazásának következtetései és eredményei

A következő főbb eredmények és következtetések születtek:

A megállapítások alapján bemutatásra kerül az integrált döntéstámogató rendszer koncepciója a TS tevékenységek irányításában, a BPMS, BI és CPM megközelítések integrálására fókuszálva, melyben a szerző által kidolgozott módszerek és algoritmusok a egységes információs és műszeres környezet alapján. A koncepció ötvözi a technikai intézmények tevékenységének folyamatszemléletű nyomon követésére és elemzésére szolgáló új és korábban ismert módszereket, az Oroszországi Bank sajátosságaihoz igazodva.

Döntéstámogató rendszert hoztak létre és teszteltek az Oroszországi Bank specifikus műszaki előírásaiban a területi intézmény tevékenységeinek regionális szintű irányítása terén. A DSS alkalmazása a műszaki specifikációkban lehetővé teszi a tevékenységek folyamatszemléletű irányíthatóságának növelését, a belső kontrollrendszer fejlesztését, a meglévő szervezeti struktúra optimalizálását, teljesítménymutatókon alapuló repository kialakítását.

A rendszer bevezetésének eredményeként a következő eredmények születtek (az Oroszországi Bank vezetőségének szóló jelentések szerint):

· a tevékenységek belső ellenőrzésének továbbfejlesztett rendszere;

· javultak a kibocsátási és készpénzes tranzakciók technológiái, és csökkentek a munkaerőköltségek (egyes tranzakciók esetében akár 10%-kal);

· az Elszámoló- és Pénztárközpont által ellátott funkciók központosítása (13 funkció 9 folyamatban);

· a készpénzforgalmi osztály két önálló részleggé alakult;

· a biztonsági és információvédelmi osztályon belüli osztályok közötti pozíciók újraelosztása;

· a gazdasági és üzemeltetési osztály létszámleépítése megtörtént; javaslatok készülnek a munkafolyamat optimalizálására.

Következtetés

A mai napig nincs elismert vezető a DSS-rendszerek építésére szolgáló szoftverek gyártásában. Egyik cég sem termel kész megoldás, amelyet "out of the box"-nak neveznek, amely alkalmas a vevő gyártási folyamatában való közvetlen felhasználásra. A DSS létrehozása minden esetben magába foglalja a megrendelő adatainak, üzleti folyamatainak elemzését, a tárolási struktúrák tervezését az ő igényeit és technológiai folyamatait figyelembe véve.

Figyelembe véve a pénzügyi és egyéb erőforrások mennyiségét, a DSS-rendszerek építésére irányuló projektek összetettségét és többlépcsős jellegét, nyilvánvaló a tervezési hibák magas költsége. A szoftverválasztás hibái anyagi költségekkel járhatnak, nem beszélve a megnövekedett projektidőről. Az adatszerkezet-tervezési hibák elfogadhatatlan teljesítményhez és az adatok újratöltésével kapcsolatos időköltségekhez is vezethetnek, amelyek esetenként akár több napig is elérhetik. Ezért az adattárházak architektúrájának alapos ismeretében el kell kerülni az esetleges hibákat, ami a projektvégrehajtási idő jelentős csökkenésével és a DSS megvalósításából a legtöbbet kihozható lehetőséggel jár.

Külön meg kell jegyezni, hogy a döntéshozatal problémái, nevezetesen a DSS hazánkban gyengén fejlettek és a gyakorlatban kevéssé alkalmazzák. Az itt leírthoz hasonló programok használata nemcsak nagyon egyszerű, hanem meglehetősen hatékony is, és nem igényel különösebb tudást és befektetést.

Több tucat különböző cég gyárt olyan termékeket, amelyek képesek megoldani bizonyos, a DSS rendszerek tervezése és üzemeltetése során felmerülő problémákat. Ez magában foglalja a DBMS-t, az adatok kirakodását / átalakítását / betöltését szolgáló eszközöket, az OLAP elemzési eszközöket és még sok mást.

A piac önelemzése, ezek közül legalább néhány eszköz tanulmányozása nem könnyű és időigényes feladat.

Tehát ebben a munkában döntéstámogató rendszerekkel ismerkedtünk meg.

A bevezetőben megindokolja ennek a témának a relevanciáját, megadja a vizsgálat célját, célkitűzéseit, általános leírást ad a munkáról, és meghatározza a vizsgálat tárgyát.

Az első fejezet a döntéstámogató rendszerek elméleti vonatkozásait és koncepcióit tartalmazza, részletesen besorolja a DSS típusait, és kezdetben feltárja azok funkcióit. Ebben a fejezetben is megismerkedtünk a támogatási rendszerek létrejöttének történetével, részletesebben elemeztük a DSS felépítését és főbb elemeit. Adottak megkülönböztető tulajdonságok döntéstámogató rendszereket, valamint azokat a területeket, területeket, ahol alkalmazhatók.

Meghatározták a döntéstámogató módszertant, és ez arra enged következtetni, hogy alkalmazása lehetővé teszi:

· formalizálja a megoldás keresésének folyamatát a rendelkezésre álló adatok alapján (a megoldási lehetőségek generálásának folyamata);

· a kritériumok rangsorolása és a megoldandó problémát befolyásoló fizikai paraméterek kritériumalapú értékelése (megoldásértékelési képesség);

· formalizált koordinációs eljárások alkalmazása kollektív döntések meghozatalakor;

· formális eljárások alkalmazása a meghozott döntések következményeinek előrejelzésére;

· válassza ki azt a lehetőséget, amely a probléma optimális megoldásához vezet.

Ebből következik, hogy megismerkedtünk a döntéstámogató rendszerekről szóló alapvető dolgokkal és az elméleti részekkel.

A második fejezet a DSS gyakorlati megvalósítását mutatja be a szervezeti tevékenység folyamatszemléletű irányítása területén (az Oroszországi Bank területi kirendeltségeinek példáján). Javasolt egy DSS felépítésének koncepciója "Az Oroszországi Bank területi intézményeinek tevékenységeinek irányítása". Kidolgozták és alátámasztották a DSS elvi modelljét, a funkcionális felépítést és a fő komponensekre vonatkozó követelményeket. A TS kezelésében a döntéshozatal támogatására módszereket és eszközöket javasolunk, figyelembe véve az Oroszországi Bank sajátosságait. Figyelembe véve a rendszer információs és elemzési támogatására vonatkozó követelmények kialakítása és megalapozása történik tényleges feladatokat az Orosz Bank területi fiókjainak irányítása. A rendszer bevezetésének eredményeit a Bank of Russia vezetőségének szóló jelentések alapján közöljük.

Így megtudtuk, hogyan alkalmazzák ezeket a döntéstámogató rendszereket a gyakorlatban - esetünkben a bankszektorban.

A DSS használata már csak azért is ígéretes, mert minden vezetői döntés szubjektív, a vállalati politikán alapuló, a szervezet fő céljait tükrözi, és ami a legfontosabb, nem feltétlenül igaz. Mindez a döntéshozatali folyamat formalizálásának és bevonásának szükségességéhez vezet AIDS hogy csökkentse a rossz döntés kockázatát. Ez utóbbi a feldolgozandó információk felhalmozódásával növekszik. Ez azért történik, mert a személy vagy nem képes mindent feldolgozni szükséges információönálló döntést hozni, vagy nem képes arra olyan időkeretben megtenni, amikor a feladat még aktuális.

Bibliográfia

1.Vesznyin, V.R. Menedzsment: Tankönyv - 4. kiadás, átdolgozott. és további - M.: TK Velby, 2009. - 342 p.

2.Gercsikova, I.N. A vezetői döntések meghozatalának és végrehajtásának folyamata / I.N. Gerchikova // Menedzsment Oroszországban és külföldön, 2013. No. 12. - 130 p.

.Goncsarov, V. I. Menedzsment: oktatóanyag/ V. I. Goncsarov. - Minszk: Modern Iskola, 2010. - 255 p.

.Drobisev, A.V. Döntéshozatali módszerek. Delphi és ELECTRA módszerek. - Útmutató a „Döntéstámogató rendszerek” tanfolyamon végzett laboratóriumi munkához. - MGIEM. Összeáll.: I.E.Safonova,., K.Yu.Mishin, S.V.Tsyganov: M., MGIEM, 2008. - 26 p.

.Evlanov, A. G. A döntéshozatal elmélete és gyakorlata. - M.: Közgazdaságtan, 2010. - 212 p.

.Korotkov, E. M. Menedzsment: tankönyv agglegényeknek / E. M. Korotkov. Moszkva: Jurait, 2012.- 85 p.

.Krivko, O.B. Információs technológia. Moszkva: SOMINTEK. 2011. - 179 p.

.Lafta, J. K. A szervezetirányítás hatékonysága. - M.: Orosz üzleti irodalom, 2009. - 320 p.

.Lafta, J. K. A szervezetirányítás hatékonysága. - M.: Orosz üzleti irodalom, 2011. - 320 p.

.Makarov, S.F. Menedzser a munkahelyen. - M.: FINPRESS, 2009. - 155 p.

.Meskon, M. A menedzsment alapjai: Tankönyv / M. Meskon, M. Albert, F. Hedouri; M., 2012. - 387 p.

.Pankrukhina, A. P. Kontrollelmélet: tankönyv / [Yu. P. Alekseev és mások]; főszerkesztőség alatt: A. L. Gaponenko, A. P. Pankrukhina. - Moszkva: RAGS Kiadó, 2010.- 213 p.

.Pirozskov, V.A. A vezetés folyamatszemléletének megvalósításáról döntéstámogató rendszer formájában „A szervezet tevékenységeinek irányítása” [Szöveg] / V.A. Pirozhkov // A Tambov Egyetem közleménye. Szer.: Bölcsészet. - 2008. - Kiadás. 11. - 489 p.

.Poluskin, O.A. Stratégiai menedzsment: jegyzetek. - M.: EKSMO, 2007. - 138 p.

regionális hatóságok // Reformok Oroszországban és problémák

.Romashchenko, V.N. Döntéshozatal: helyzetek és tanácsok. - Kijev, 2012. - 154 p.

16.Rumyantseva Z.P. A szervezet vezetése: tankönyv. - M.: INFRA-M, 2005. - 432 p.

.Saraev, A. D., Shcherbina O. A. Rendszerelemzés és modern információs technológiák // Proceedings of the Crimean Academy of Sciences. - Szimferopol: SONAT, 2009. - 136 p.

.Safonova, I.E. Döntéshozatali módszerek. A Delphi módszer és a hierarchiák elemzési módszerének módosítása. - Útmutató a „Döntéstámogató rendszerek” tanfolyamon végzett laboratóriumi munkához. - MGIEM. Összeállítás:. 18. I. E. Safonova, A. V. Drobyshev, K. Yu. Mishin, S. V. Tsyganov: M., MGIEM, 2007. - 20 p.

.Safonova, I.E. Döntéshozatali módszerek. Minimális távolság módszer és módszerek MaxiMin és MaxiMax. - Útmutató a „Döntéstámogató rendszerek” tanfolyamon végzett laboratóriumi munkához. - MGIEM. Összeállítás:, 18. I. E. Safonova A. V. Drobyshev, K. Yu. Mishin, S. V. Ciganov: M., 2007. - 19 p.

.Terelyansky, P.V. Döntéstámogató rendszerek. Tervezői tapasztalat: monográfia / P.V. Terelyansky; VolgGTU. - Volgograd, 2009. -127 p.

.Chernyakhovskaya L.R. Döntéstámogatás a stratégiai vállalatirányításban tudásmérnöki bázison / L. R. Chernyakhovskaya et al., Ufa: Academy of Sciences of the Republic of Belarus, Gilem, 2010. - 128 p.

itthon funkció Az információs egy minőségileg új módszer az ember-számítógép interakció megszervezésére. A megoldás kifejlesztése, amely ennek a technológiának a fő célja, egy iteratív folyamat eredményeként történik (1. ábra), amely magában foglalja:

Döntéstámogató rendszer, mint számítási kapcsolat és vezérlőobjektum;

egy személy, mint vezérlő kapcsolat, amely beállítja a bemeneti adatokat és kiértékeli a számítások eredményét számítógépen.

Rizs. 1 Iteratív információfolyamat
döntéstámogató technológiák

Az iteratív folyamat vége a személy akaratából következik. Ebben az esetben beszélhetünk arról, hogy az információs rendszer a felhasználóval együtt képes új információkat létrehozni a döntéshozatalhoz.

A döntéstámogató információs technológia ezen jellemzője mellett számos megkülönböztető jellemzője is megjelölhető:

Orientáció a rosszul strukturált problémák megoldásában;

· a számítógépes adatok elérésének és feldolgozásának hagyományos módszereinek kombinációja a matematikai modellek képességeivel és az ezeken alapuló problémák megoldási módszereivel;

összpontosítson a nem professzionális számítógép-felhasználóra;

· nagy alkalmazkodóképesség, amely lehetővé teszi a rendelkezésre álló hardver és szoftver jellemzőihez, valamint a felhasználói igényekhez való alkalmazkodást.

A döntéstámogató információs technológia a vezetés bármely szintjén alkalmazható. Emellett a kormányzat különböző szintjein hozott döntéseket gyakran össze kell hangolni. Ezért mind a rendszereknek, mind a technológiáknak fontos funkciója a döntéshozók koordinációja, mind a különböző vezetési szinteken, mind ugyanazon a szinten.

Döntéstámogató rendszer (DSS)(Angol) Döntéstámogató rendszer, DSS) - számítógépes automatizált rendszer, amelynek célja, hogy segítse a nehéz körülmények között döntéseket hozó embereket a tárgyi tevékenység teljes és objektív elemzéséhez. A DSS a vezetői információs rendszerek és az adatbázis-kezelő rendszerek egyesülésének eredményeként jött létre.

A DSS egy információs és elemző rendszer, amely a döntéshozó (DM) információs és intellektuális támogatásának problémáit oldja meg.

A döntéstámogató rendszerek (DSS, DSS, Decision Support System) a 20. század 70-es éveinek elején jelentek meg a vezetői információs rendszerek fejlődésének és a mesterséges intelligencia rendszerek létrehozásának sikerének köszönhetően. A DSS fejlődését nagymértékben befolyásolta az információs technológia fejlődése, különösen a távközlési hálózatok, személyi számítógépek, dinamikus táblázatok és szakértői rendszerek terén. Az ebbe az osztályba tartozó rendszerek mesterséges intelligencia technológiákon alapulnak, általában nem részei az integrált vállalatirányítási rendszereknek, hanem harmadik cégek fejlesztései.

Ez idáig nem volt egységes definíció a DSS-re, példaként a következőket adhatjuk:

1. Ez a legerősebb képviselője az analitikai rendszerek osztályának, amely a következőkre összpontosít:

¾ nagy adatelemzés,

¾ összetettebb lekérdezések végrehajtásához,

¾ tartományi folyamatok modellezése,

¾ előrejelzés,

¾ függőségek keresése az adatok között

¾ a „mi lenne, ha” elemzéshez

2. Ez egy interaktív alkalmazási rendszer, amely a döntéshozók számára könnyű és kényelmes hozzáférést biztosít az adatokhoz és modellekhez a döntéshozatalhoz félig strukturált és strukturálatlan helyzetekben az emberi tevékenység különböző területein.

3. Ezek olyan rendszerek, amelyek a döntéshozatalt segítő adatok és gondolatok feldolgozására szolgáló modellek és eljárások használatán alapulnak.

4. interaktív automatizált rendszerek, amelyek segítenek a döntéshozóknak adatok és modellek felhasználásában strukturálatlan és félig strukturált problémák megoldásában

5. számítógépes információs rendszer, amely különböző tevékenységek támogatására szolgál a döntéshozatal során olyan helyzetekben, amikor lehetetlen vagy nem kívánatos a teljes döntési folyamatot maradéktalanul végrehajtó automatikus rendszer

6. Ez egy többszintű, többfunkciós automatizált rendszer a megoldások fejlesztésére és megvalósítására, amely a következők alapján jön létre:

¾ az objektum egyes linkjeinek funkcionális és szerkezeti diagramjainak szintézise;

¾ end-to-end modellek és feladatok a termék és magának a tárgynak az életciklusának szakaszaihoz;

¾ a különböző helyi alrendszerek egyesítése egyetlen vezérlőrendszerbe;

¾ összekapcsolt vezérlőhurkok létrehozása és szerepének erősítése operatív irányítás(tanulmányozni tanfolyamuk logikáját és diagnosztikáját);

¾ a tervezés rendszer- és programcélú megközelítésének elmélyítése és a létesítmény működésének automatikus elemzése;

¾ egységes, több területet átfogó normák és szabványok kidolgozása;

¾ elágazó munkaállomás létrehozása (mint intelligens terminálok), szoftveres összeköttetések biztosítása, információ és párbeszéd harmonizálása.

A DSS fő összetevői.

A DSS egy ember-gép számítástechnikai rendszer, amely az adatok elemzésére összpontosít, és a menedzsment területén a döntéshozatalhoz szükséges információkat szolgáltat. Az ilyen sokféle meghatározás a DSS különféle típusainak széles skáláját tükrözi. De szinte minden fajta számítógépes rendszerek világos szerkezet jellemzi, amely három fő összetevőt tartalmaz, amelyek a klasszikus DSS-struktúra alapját képezik, ami megkülönbözteti azt a többi IS típustól:

1. felhasználói felület, amely lehetővé teszi a döntéshozatali joggal rendelkező személy számára, hogy különböző beviteli programok, formátumok és kimeneti technológiák segítségével párbeszédet folytasson a rendszerrel;

2. adatok tárolására, kezelésére, kiválasztására, megjelenítésére és elemzésére tervezett alrendszer;

3. olyan alrendszer, amely egy sor modellt tartalmaz, amelyek választ adnak számos felhasználói analitikai feladatra.

Tekintsük a döntéstámogató rendszer felépítését (2. ábra), valamint az azt alkotó blokkjainak funkcióit, amelyek meghatározzák a fő technológiai műveleteket.

Rizs. 2. Az információ fő összetevői
döntéstámogató technológiák

A döntéstámogató rendszer három fő összetevőből áll: egy adatbázisból, egy modelladatbázisból és egy szoftver alrendszerből, amely egy adatbázis-kezelő rendszerből (DBMS), egy modelladatbázis-kezelő rendszerből (MSMS) és egy felhasználó-számítógép interfész kezelő rendszerből áll. .

Adatbázis fontos szerepet játszik a döntéstámogató információs technológiában (DSS). Az adatokat a felhasználó közvetlenül felhasználhatja matematikai modellekkel végzett számításokhoz. Fontolja meg az adatforrásokat és azok jellemzőit:

1. Az adatok egy része a működési szintű információs rendszerből származik. Hatékony használatukhoz ezeket az adatokat előzetesen fel kell dolgozni.

Erre két lehetőség van:

- használja a döntéstámogató rendszer részét képező adatbázis-kezelő rendszert a cég működésére vonatkozó adatok feldolgozására;

– döntéstámogató rendszeren kívüli feldolgozást végezni, ehhez speciális adatbázis létrehozásával. Ez a lehetőség előnyösebb azoknak a cégeknek, amelyek nagy számú kereskedelmi ügyletet bonyolítanak le. A döntéstámogató rendszeren kívül tárolt, a megbízhatóság és a gyorsabb hozzáférés érdekében a céges űrlapfájlok működésével kapcsolatos feldolgozott adatok.

2. A döntéstámogató rendszer működéséhez a cég működésére vonatkozó adatokon túl egyéb belső adatokra is szükség van, mint például a személyi mozgásra vonatkozó adatok, mérnöki adatok stb. időben.

3. Fontosság, különösen a vezetés felső szintjén a döntéstámogatáshoz, rendelkezzenek külső forrásokból származó adatokkal. A szükséges külső adatoknak tartalmazniuk kell a versenytársakra, a nemzeti és globális gazdaságokra vonatkozó adatokat. A belső adatokkal ellentétben a külső adatokat általában az adatgyűjtésre szakosodott szervezetektől szerzik be.

4. Jelenleg széles körben vizsgálják egy másik adatforrás adatbázisba való felvételének kérdését - feljegyzéseket tartalmazó dokumentumokat, leveleket, szerződéseket, megrendeléseket stb. Ha ezeknek a dokumentumoknak a tartalmát a memóriában tárolják, majd egyesekben feldolgozzák Főbb jellemzők(beszállítók, fogyasztók, dátumok, szolgáltatástípusok stb.) a rendszer új, hatékony információforrást kap.

Adatkezelő rendszer(DBMS) a következő képességekkel kell rendelkeznie:

különböző forrásokból nyert adatok kombinációinak összeállítása aggregációs és szűrési eljárások alkalmazásával;

egyik vagy másik adatforrás gyors hozzáadása vagy kizárása;

logikai adatstruktúra felépítése a felhasználó szempontjából;

informális adatok felhasználása és manipulálása a felhasználó munkaalternatíváinak kísérleti tesztelésére;

biztosítva ezen adatbázis teljes logikai függetlenségét a cégen belül működő többi operatív adatbázistól.

Modell alap. A modellek létrehozásának célja valamilyen objektum vagy folyamat leírása és optimalizálása. A modellek használata elemzést biztosít a döntéstámogató rendszerekben. A probléma matematikai értelmezésére épülő modellek bizonyos algoritmusok segítségével hozzájárulnak a helyes döntések meghozatalához hasznos információk felkutatásához.

Például a lineáris programozási modell lehetővé teszi a legjövedelmezőbb termelési program meghatározását többféle termék előállításához adott erőforrás-korlátok mellett.

A modellek információs rendszerek részeként való alkalmazása a statisztikai módszerek és a pénzügyi elemzési módszerek alkalmazásával kezdődött, amelyeket hagyományos algoritmikus nyelvek parancsaival valósítottak meg. Később speciális nyelveket hoztak létre olyan helyzetek modellezésére, mint a „mi lenne, ha?” vagy "hogyan kell ezt csinálni?" Az ilyen, kifejezetten a modellek építésére létrehozott nyelvek lehetővé teszik egy bizonyos típusú modellek felépítését, amelyek rugalmas változóváltással nyújtanak megoldást.

Sok fajta létezik modellekés osztályozásuk módjai, mint például a felhasználás célja, a lehetséges alkalmazások köre, a változók kiértékelésének módja és hasonlók.

A modell felhasználási céljának megfelelően részre osztva optimalizálás egyes mutatók minimális vagy maximum pontjainak megtalálásához kapcsolódik (például a menedzserek gyakran szeretnék tudni, hogy tevékenységük mihez vezet a profit maximalizálásához vagy a költségek minimalizálásához), és leíró valamilyen rendszer viselkedését írja le, és nem vezérlési (optimalizálási) célokra szolgál.

Értékelési módszerrel modelleket soroljuk be meghatározó, a változók egy számmal történő értékelésével a kiindulási adatok meghatározott értékéhez, és sztochasztikus, több paraméterrel becsülve a változókat, mivel a kiindulási adatokat valószínűségi jellemzők adják.

meghatározó A modellek népszerűbbek, mint a sztochasztikus modellek, mivel olcsóbbak, és könnyebben megépíthetők és használhatóak. Ráadásul gyakran segítségükkel elégséges információhoz jutnak a döntéshez.

A lehetséges alkalmazások területe szerint modellekre bontják specializált csak egy rendszer számára készült, és egyetemes– több rendszerhez használható.

Speciális modellek drágábbak, általában egyedi rendszerek leírására szolgálnak, és nagyobb a pontosságuk.

A döntéstámogató rendszerekben modell alap tartalmaz stratégiai, taktikai és műveleti modellek, valamint a matematikai modellek (6.6. ábra) modellblokkok halmaza, modulok és eljárások, amelyeket a felépítésükhöz elemként használnak.

Rizs. 6.6. A modellalapot alkotó modellek típusai

Stratégiai modellek a vezetés legmagasabb szintjein használják fel a szervezet céljainak, az ezek eléréséhez szükséges erőforrások mennyiségének, valamint ezen erőforrások megszerzésének és felhasználásának politikájának megállapítására. Hasznosak lehetnek a vállalkozások helyének meghatározásához, a versenytársak politikáinak előrejelzéséhez és így tovább. A stratégiai modelleket a lefedettség jelentős szélessége, sok változó és az adatok tömörített összesített formában történő bemutatása jellemzi. Ezek az adatok gyakran külső forrásokon alapulnak, és szubjektívek lehetnek. Tervezési horizont stratégiai modellekáltalában években mérik. Ezek a modellek általában determinisztikusak, leíró jellegűek, egy adott cégben való használatra specializálódtak.

Taktikai modellek középszintű vezetők használják a rendelkezésre álló erőforrások elosztására és felhasználásának ellenőrzésére. A lehetséges felhasználási területek között meg kell jelölni a pénzügyi tervezést, a munkavállalókkal szembeni tervezési követelményeket, az értékesítés növelésének tervezését, a vállalkozások építési elrendezését. Ezek a modellek általában csak a vállalat egyes részeire alkalmazhatók (például a termelési és elosztási rendszerre), és tartalmazhatnak összesített mutatókat is. A taktikai modellekkel lefedett időhorizont egy hónaptól két évig terjed. Itt is szükség lehet külső forrásból származó adatokra, de ezeknek a modelleknek a megvalósítása során a vállalat belső adataira kell összpontosítani. Általában a taktikai modelleket determinisztikusként, optimalizálóként és univerzálisként valósítják meg.

Működési modellek az alsóbb vezetési szinteken használatosak a napokban és hetekben mért horizontú operatív döntések meghozatalának támogatására. E modellek lehetséges alkalmazásai közé tartozik a kintlévőség- és hitelkezelés, a termelés ütemezése, a készletkezelés és így tovább. A működési modellek általában vállalaton belüli adatokat használnak a számításokhoz. Általában determinisztikusak, optimalizálóak és általánosak (azaz különböző szervezetekben használhatók).

Matematikai modellek modellblokkokból, modulokból és matematikai módszereket megvalósító eljárásokból áll. Ez magában foglalhatja a lineáris programozási eljárásokat, az idősorok statisztikai elemzését, a regressziós elemzést stb. – a legegyszerűbb eljárásoktól a bonyolult PPP-kig. A modellblokkok, modulok és eljárások külön-külön és kombinálva is használhatók modellek felépítésére és karbantartására.

Modell adatbázis-kezelő rendszer(MSMS) a következő képességekkel kell rendelkeznie: új modellek létrehozása vagy meglévők módosítása, modellparaméterek karbantartása és frissítése, modellek manipulálása.

Interfészkezelő rendszer. Az információs technológia hatékonysága és rugalmassága nagyban függ a döntéstámogató rendszer interfészének jellemzőitől. A felület határozza meg: a felhasználó nyelvét; számítógépes üzenetnyelv, amely párbeszédet szervez a képernyőn; felhasználói ismeretek.

Felhasználói nyelv- ezek azok a műveletek, amelyeket a felhasználó a rendszerrel kapcsolatban a billentyűzet lehetőségeinek felhasználásával hajt végre; Elektronikus ceruzák, amelyek a képernyőre írnak; joystick; „egerek”; hangutasítások stb. A felhasználói nyelv legegyszerűbb formája a bemeneti és kimeneti dokumentumok formáinak létrehozása. A beviteli űrlap (dokumentum) kézhezvételét követően a felhasználó kitölti a szükséges adatokkal és beviszi a számítógépbe. A döntéstámogató rendszer elvégzi a szükséges elemzéseket és az eredményeket a kialakított formájú kimeneti dokumentum formájában kiadja.

Jelentősen nőtt a népszerűsége az elmúlt években vizuális felület. Az "egér" manipulátor segítségével a felhasználó kiválasztja a képernyőn megjelenő objektumokat, parancsokat képek formájában, így valósítja meg tetteit.

Számítógép vezérlése emberrel szavazás a felhasználó nyelvének legegyszerűbb és ezért legkívánatosabb formája. Még mindig fejletlen, ezért nem túl népszerű. A meglévő fejlesztések komoly korlátozásokat követelnek meg a felhasználótól: bizonyos szavak és kifejezések; egy speciális kiegészítő, amely figyelembe veszi a felhasználó hangjának sajátosságait; a vezérlés diszkrét parancsok formájában történik, és nem a szokásos sima beszéd formájában. Ennek a megközelítésnek a technológiája intenzív fejlesztés alatt áll, és a közeljövőben számíthatunk a beszédalapú információbevitelt használó döntéstámogató rendszerek megjelenésére.

Üzenet nyelve- ezt látja a felhasználó a kijelzőn (karakterek, grafika, színek), a nyomtatón kapott adatok, hangkimeneti jelek stb. A használt felület hatékonyságának fontos mércéje a felhasználó és a rendszer közötti párbeszéd választott formája. Jelenleg a következők a leggyakoribbak a párbeszéd formái: kihívás-válasz mód, parancs mód, menü mód, hiánypótló mód számítógép által biztosított kifejezésekben.

Mindegyik formának a feladat típusától, a felhasználó jellemzőitől és a meghozandó döntéstől függően megvannak a maga előnyei és hátrányai.

Hosszú ideig az üzenetnyelv egyetlen megvalósítása a nyomtatott vagy megjelenített jelentés vagy üzenet volt. Most egy új módja van a kimeneti adatok bemutatásának - számítógépes grafika. Lehetővé teszi színes grafikák háromdimenziós készítését képernyőn és papíron. A számítógépes grafika használata nagymértékben növeli a kimeneti adatok láthatóságát és értelmezhetőségét, és egyre népszerűbb a döntéstámogató információtechnológiában.

Az elmúlt néhány évben egy új irány alakult ki a számítógépes grafika fejlesztésében - az animáció. Az animáció különösen hatékony a fizikai rendszerek és objektumok modellezésével kapcsolatos döntéstámogató rendszerek kimenetének értelmezésére.

Például egy döntéstámogató rendszer, amelyet egy banki ügyfelek kiszolgálására terveztek, rajzfilmes modelleket használva, reálisan meg tudja tekinteni a szolgáltatás megszervezésének különféle lehetőségeit a látogatók áramlásától, a megengedett sorhossztól, a szolgáltatási pontok számától stb.

A következő években az emberi hang kommunikációs nyelvként való használatára kell számítanunk. Most ezt a formát használják a pénzügyi szektor döntéstámogató rendszerében, ahol a vészhelyzeti jelentések generálása során hanggal magyarázzák meg egy-egy pozíció kizárólagosságának okait.

Felhasználói tudás- ezt kell tudnia a felhasználónak, amikor a rendszerrel dolgozik. Ezek nem csak a felhasználó fejében lévő cselekvési tervet tartalmazzák, hanem a számítógép által kiadott tankönyveket, utasításokat, referenciaadatokat is.

Tökéletesség felület a döntéstámogató rendszert mindhárom komponens fejlesztésének előrehaladása határozza meg. Az interfésznek a következő képességekkel kell rendelkeznie:

- manipulálni a párbeszéd különféle formáit, megváltoztatva azokat a felhasználó döntése során;

– adatok átvitele a rendszerbe különféle módokon;

- adatokat fogadni a rendszer különböző eszközeiről eltérő formátum;

- rugalmasan karbantartani a felhasználói ismereteket (kérésre segítséget nyújtani, javaslatot tenni).

A cikk megírásának célja az volt rövid áttekintés Az intelligens döntéstámogató rendszerek felépítésének alapelvei ( IDSS), a gépi tanulás szerepe, a játékelmélet, a klasszikus modellezés és példák a DSS-ben való felhasználásukra. A cikk célja nem célja, hogy mélyre fúrja az automaták, az öntanuló gépek és a BI-eszközök nehéz elméletét.

Bevezetés

Számos definíció létezik IDSS, amelyek általában ugyanazon funkcionalitás körül forognak. V Általános nézet, Az IDSS egy olyan rendszer, amely segíti a döntéshozókat (Döntéshozókat) ugyanezen döntések meghozatalában, adatbányászati, modellező és vizualizációs eszközöket használva, barátságos (G) felhasználói felülettel rendelkezik, stabil minőségben, interaktív és rugalmas a beállításokban.

Miért van szükségünk a DSS-re?:

1. Döntéshozatali nehézség
2. Különféle alternatívák pontos értékelésének szükségessége
3. Prediktív funkciók szükségessége
4. Többszálú bevitel szükségessége (a döntéshez adatokon, szakértői véleményeken, ismert korlátokon stb. alapuló következtetésekre van szükség)

Az első DSS (akkor még I nélkül) a TPS-ből (Transaction Processing Systems) nőtte ki magát, a 60-as évek közepén - a 70-es évek elején. Akkor ezekben a rendszerekben nem volt semmilyen interaktivitás, valójában az RDBMS-en keresztüli kiegészítőket képviselték, némi (egyáltalán nem nagy) numerikus modellezési funkcióval. Az egyik első rendszer a DYNAMO névre hallgat, amelyet az MIT mélyén fejlesztettek ki, és egy olyan rendszert képvisel, amely bármilyen folyamatot szimulál a történeti tranzakciók alapján. Az IBM 360 nagyszámítógépek piacra lépése után kezdtek megjelenni a feltételes kereskedelmi rendszerek, amelyeket a védelmi iparban, speciális szolgáltatásokban és kutatóintézetekben használtak.

Az 1980-as évek eleje óta már kialakulásról beszélhetünk DSS alosztályok mint például a MIS (Management Information System), EIS (Executive Information System), GDSS (Group Decision Support Systems), ODSS (Organization Decision Support Systems) stb. (egyénitől cégesig), belül pedig bármiféle logikát be lehetett vezetni. Példa erre a Texas Instruments által a United Airlines számára kifejlesztett GADS (Gate Assignment Display System) rendszer, amely a Field Operations területén támogatta a döntéshozatalt - kapuk hozzárendelése, optimális parkolási idő meghatározása stb.

A 80-as évek végén voltak PSSPR(Advanced - Advanced), amely lehetővé tette a "mi lenne, ha" elemzést, és fejlettebb modellező eszközöket használt.

Végül, 90-es évek közepe óta kezdett megjelenni és IDSS, amelyek a statisztika és a gépi tanulás, a játékelmélet és egyéb komplex modellezés eszközeire épültek.

A DSS sokszínűsége

Jelenleg több módja is van osztályozás DSS, leírunk 3 népszerűet:

Alkalmazási terület szerint

• Üzlet és menedzsment (árképzés, munkaerő, termékek, stratégia stb.)
• Mérnöki szak (terméktervezés, minőségellenőrzés...)
• Pénzügy (hitelek és kölcsönök)
• Gyógyszer (gyógyszerek, kezelések, diagnosztika)
• Környezet

Adat/modell arány szerint(Stephen Alter módszer)

• FDS (File Drawer Systems – a szükséges adatokhoz való hozzáférést biztosító rendszerek)
• DAS (Data Analysis Systems – rendszerek a gyors adatkezeléshez)
• AIS (Analysis Information Systems – adatelérési rendszerek a szükséges megoldás típusának megfelelően)
• AFM(ek) (Számviteli és pénzügyi modellek (rendszerek) – rendszerek a pénzügyi következmények kiszámítására)
• RM(ek) (Reprezentációs modellek (rendszerek) - szimulációs rendszerek, AnyLogic példaként)
• OM(ok) (Optimalizálási modellek (rendszerek) – optimalizálási problémákat megoldó rendszerek)
• SM(ek) (Javaslati modellek (rendszerek) - szabályalapú következtetési rendszerek)

A használt műszer típusa szerint

• Modellvezérelt - klasszikus modelleken (lineáris modellek, készletgazdálkodási modellek, szállítási, pénzügyi stb.)
• Adatvezérelt – előzményadatok alapján
• Kommunikációvezérelt - szakértői csoportos döntéshozatalon alapuló rendszerek (véleménycserét elősegítő és átlagos szakértői értékek kiszámítására szolgáló rendszerek)
• Document Driven – lényegében egy indexelt (gyakran többdimenziós) dokumentumtároló
• Tudásvezérelt – hirtelen, tudáson alapuló. Mit jelent a tudás mind a szakértői, mind a gépi eredetű

Panaszkönyvet szeretnék! normál DSS

A sokféle besorolási lehetőség ellenére a DSS követelményei és tulajdonságai jól illeszkednek 4 szegmensbe:

1. Minőség
2. Szervezet
3. Korlátozások
4. Modell

Az alábbi diagramon pontosan megmutatjuk, hogy mely követelmények és mely szegmensek tartoznak bele:

Külön kiemeljük az olyan fontos tulajdonságokat, mint a skálázhatóság (a jelenlegi agilis megközelítésben nem megy nélküle), a rossz adatok feldolgozásának képessége, a használhatóság és a felhasználóbarát felület, valamint az igénytelen erőforrások.

Az IDSS felépítése és tervezése

Számos megközelítés létezik a DSS építészeti ábrázolására. A megközelítések közötti különbségek talán legjobb leírása a „kinek mibe van bele”. A megközelítések sokfélesége ellenére próbálkoznak valamiféle egységes architektúra kialakításával, legalább a legfelső szinten.

Valójában a DSS 4 nagy rétegre osztható:

1. Felület
2. Modellezés
3. adatbányászat
4. adatgyűjtés

Ezekbe a rétegekbe pedig bármilyen szerszámot bele lehet zsúfolni.

Az alábbi ábrán bemutatom az architektúráról alkotott elképzelésemet, a funkcionalitás leírásával és az eszközök példáival:

Az architektúra többé-kevésbé világos, térjünk át a DSS tervezésére és tényleges felépítésére.

Itt elvileg nincs rakétatudomány. IDSS felépítésénél a következő lépéseket kell követni:

1. Domainelemzés (valójában hol fogjuk használni az IDSS-t)
2. Adatgyűjtés
3. Adatelemzés
4. Modellek választéka
5. Szakértői elemzés/modellek értelmezése
6. Modellek megvalósítása
7. IDSS kiértékelés
8. IDSS megvalósítása
9. visszajelzés gyűjtése ( bármely szakaszban, valójában)

A diagramon így néz ki:

Az IDSS értékelésének két módja van. Először is a fent bemutatott attribútummátrix segítségével. Másodszor, a kritérium-ellenőrző lista szerint, amely bármi lehet, és az adott feladattól függ. Példaként egy ilyen ellenőrző listára a következőket mondanám:

Hangsúlyozom, hogy ez csak az IMHO, és készíthet egy ellenőrző listát, amely kényelmes a saját számára.

Hol van a gépi tanulás és a játékelmélet?

Igen, szinte mindenhol! Legalábbis a modellező rétegben.

Egyrészt léteznek klasszikus, nevezzük "nehéz" tartományok, mint az ellátási lánc menedzsment, a termelés, a készletek stb. Nehéz tartományokban kedvenc algoritmusaink további betekintést nyújthatnak a kialakult klasszikus modellekbe. Példa: a berendezések meghibásodásának prediktív elemzése (gépi tanulás) remekül működik valamilyen FMEA elemzéssel (klasszikus).

Másrészt a "könnyű" területeken, mint például az ügyfélelemzés, a lemorzsolódás előrejelzése, a hiteltörlesztés, a gépi tanulási algoritmusok kerülnek előtérbe. És például a pontozásnál kombinálhatja a klasszikusokat az NLP-vel, amikor egy dokumentumcsomag (csak ugyanaz a dokumentumvezérelt DSS) alapján dönti el, hogy adjon-e ki kölcsönt.

Klasszikus gépi tanulási algoritmusok

Tegyük fel, hogy van egy problémánk: az acéltermékek értékesítési vezetőjének meg kell értenie az ügyfél kérelmének beérkezésekor, hogy milyen minőségű késztermék kerül a raktárba, és valamilyen ellenőrzési műveletet kell végrehajtania, ha a minőség alacsonyabb az előírtnál. .

Tegyük nagyon egyszerűen:

0. lépés: Határozza meg a célváltozót (jó például a késztermék titán-oxid tartalmát)
1. lépés: Döntse el az adatokat (feltöltés az SAP-ból, az Accessből és általában mindenhonnan elérhető)
2. lépés: Szolgáltatások összegyűjtése\újak generálása
3. lépés Rajzolja meg az adatáramlási folyamatot, és indítsa el élesben
4. lépés: Válassza ki és betanítsa a modellt, futtassa a szerveren
5. lépés: Határozza meg funkciók fontosságait
6. lépés: Döntse el az új adatok bevitelét. Hagyja, hogy menedzserünk írja be őket például kézzel.
7. lépés: Írunk egy egyszerű webes felületet a térdre, ahol a menedzser markolatokkal beírja a fontos jellemzők értékeit, egy modellel pörög a szerveren, és a megjósolt termékminőséget kiköpi a ugyanaz a felület

Voila, kész az óvodai szintű IDSS, lehet használni.

Hasonló "egyszerű" algoritmusokat is használ IBM Tivoli DSS-jében, amely lehetővé teszi a szuperszámítógépek (elsősorban a Watson) állapotának meghatározását: a naplók alapján megjelennek a Watson teljesítményére vonatkozó információk, megjósolják az erőforrások rendelkezésre állását, a költség-haszon egyensúlyt, a karbantartási igényeket stb.

Vállalat ABB felajánlja ügyfeleinek a DSS800-at, hogy elemezzék ugyanazon ABB villanymotorjainak működését egy papírvonalon.

finn Vaisala, a finn közlekedési minisztérium érzékelőit gyártó cég, az IDSS segítségével előre jelzi, mikor kell jégmentesítést alkalmazni az utakon a balesetek elkerülése érdekében.

Megint finn. Foredata IDSS for HR-t kínál, amely már az önéletrajz kiválasztásának szakaszában segít döntéseket hozni egy jelölt pozícióra való alkalmasságáról.

A dubai repülőtéren a rakományterminálban DSS működik, amely meghatározza a rakomány gyanús jellegét. A motorháztető alatt a kísérőokmányok és a vámosok által bevitt adatok alapján algoritmusok emelik ki a gyanús rakományokat: jellemzők a származási ország, a csomagoláson lévő információk, a nyilatkozat rovataiban található konkrét adatok stb.

Több ezer közülük!

Hagyományos neurális hálózatok

Az egyszerű ML mellett a Deep Learning tökéletesen illeszkedik a DSS-be.

Néhány példa található a katonai-ipari komplexumban, például az amerikai TACDSS-ben (Tactical Air Combat Decision Support System). Ott neuronok és evolúciós algoritmusok pörögnek belül, segítve a barát vagy az ellenség meghatározását, annak felmérését, hogy egy adott pillanatban mekkora a valószínűsége egy ütésnek, és más feladatokat is végeznek.

Egy kicsit valósabb világban nézzük meg ezt a példát: a B2B szegmensben dokumentumcsomag alapján kell eldöntenie, hogy adjon-e ki hitelt egy szervezetnek. A B2C-ben az operátor kínozza telefonon kérdésekkel, leírja a jellemzők értékeit a rendszerében és bejelenti az algoritmus döntését, B2B-ben ez valamivel bonyolultabb.

Az IDSS a következőképpen építhető fel: a potenciális kölcsönvevő előre egyeztetett dokumentumcsomagot visz be az irodába (vagy e-mailben elküldi a szkennelt dokumentumokat, aláírásokkal és pecsétekkel, ahogy az elvárható volt), a dokumentumok bekerülnek az OCR-be, majd átkerülnek az NLP-be. algoritmus, amely tovább osztja a szavakat jellemzőkre, és továbbítja őket az NN-nek. Megkérik az ügyfelet, hogy igyon kávét (jó esetben), vagy ott adták ki a kártyát és menjen ebéd után jönni, ezalatt minden ki lesz számolva, és megjelenik egy zöld vagy piros smiley a kezelő lány képernyőjén. Nos, vagy sárga, ha jónak tűnik, de az információ istenének több információra van szüksége.

Hasonló algoritmusokat használnak a Külügyminisztériumban is: a vízumkérelem űrlapot + egyéb igazolásokat közvetlenül a nagykövetségen / konzulátuson elemzik, majd a képernyőn a 3 hangulatjel egyike jelenik meg az alkalmazott számára: zöld (vízumot ad ki), sárga (kérdései vannak), piros (pályázó a stoplistán ). Ha valaha is kapott vízumot az USA-ba, akkor a konzuli tisztviselő döntése pontosan az algoritmus eredménye a szabályokkal összefüggésben, és nem az ő személyes szubjektív véleménye rólad :)

Nehéz doménekben ismertek neuronokon alapuló DSS-ek is, amelyek meghatározzák a gyártósorokon a puffer felhalmozódási helyeit (lásd pl. Tsadiras AK, Papadopoulos CT, O'Kelly MEJ (2013) Mesterséges neurális hálózat alapú döntéstámogató rendszer a pufferallokációs probléma megoldására megbízható gyártósorokon. Comput Ind Eng 66(4):1150–1162), Min-Max általános fuzzy neurális hálózatok (GFMMNN) vízfogyasztói klaszterezéshez ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Döntéstámogató rendszer vízelosztó rendszerek számára neurális hálózatokon és gráfelmélet alapján a szivárgás észlelésére. Expert Syst Appl 39(18):13214–13224) Egyéb.

Általában érdemes megjegyezni, hogy az NN-k a legalkalmasabbak a bizonytalanság melletti döntések meghozatalára, pl. feltételek, amelyek között a valódi üzlet él. A klaszterező algoritmusok is jól illeszkednek.

Bayesi hálózatok

Néha előfordul, hogy adataink heterogének az előfordulási típusokat tekintve. Vegyünk egy példát az orvostudományból. Egy beteg érkezett hozzánk. A kérdőívből (nem, életkor, testsúly, magasság stb.) és az anamnézisből (például szívinfarktusok) tudunk róla valamit. Nevezzük ezeket az adatokat statikusnak. És megtudunk róla valamit az időszakos vizsgálat és kezelés során (naponta többször mérjük a hőmérsékletet, a vérösszetételt stb.). Ezt az adatot dinamikusnak nevezzük. Nyilvánvaló, hogy egy jó DSS-nek képesnek kell lennie arra, hogy mindezeket az adatokat figyelembe vegye, és az információk teljessége alapján ajánlásokat adjon.

A dinamikus adatok időben frissülnek, a modell mintázata a következő lesz: tanulás-megoldás-tanulás, ami általánosságban hasonlít az orvos munkájához: nagyjából megállapítja a diagnózist, csepegteti a gyógyszert, keresse a reakciót. Így folyamatosan abban a bizonytalanságban vagyunk, hogy sikerül-e a kezelés vagy sem. A páciens állapota pedig dinamikusan változik. Azok. dinamikus DSS-t kell építenünk, és tudásvezérelt is.

Ilyen esetekben nagy segítségünkre lesz a Dynamic Bayesian Networks (DBN) – a Kalman-szűrőkre és Rejtett Markov-modellekre épülő modellek általánosítása.

Osszuk fel a páciensre vonatkozó adatokat statikus és dinamikus adatokra.

Ha statikus Bayes-rácsot építenénk, akkor a következő valószínűség kiszámítása lenne a feladatunk:

,

Hol van a rácsunk csomópontja (sőt a grafikon teteje), pl. az egyes változók értéke (nem, életkor....), C pedig az előre jelzett osztály (betegség).

A statikus rács így néz ki:

De ez nem jég. A beteg állapota változik, az idő fogy, el kell dönteni a kezelés módját.

Erre való a DBS.

Először a beteg felvételének napján statikus rácsot építünk (mint a fenti képen). Aztán minden nap én dinamikusan változó adatok alapján rácsot építünk:

Ennek megfelelően az összesített modell a következő formában lesz:

Így az eredményt a következő képlet alapján számítjuk ki:

Ahol T- a kórházi kezelés összesített ideje, N- a változók száma az egyes DBS-lépéseknél.

Ezt a modellt kissé más módon kell bevezetni a DSS-be - itt inkább az ellenkezőjéről kell elmenni, először meg kell javítani ezt a modellt, majd köré interfészt építeni. Vagyis egy kemény modellt készítettünk, amiben dinamikus elemek vannak.

Játékelmélet

A játékelmélet viszont sokkal jobban megfelel az IDSS-hez, amelyet stratégiai döntéshozatalra hoztak létre. Vegyünk egy példát.

Tegyük fel, hogy van oligopólium a piacon (kis számú rivális), van egy bizonyos vezető, és ez (sajnos) nem a mi cégünk. Segítenünk kell a menedzsmentet a termékeink mennyiségével kapcsolatos döntésben: ha mennyiségben gyártunk terméket, és riválisunk -, akkor mínuszba megyünk vagy sem? Az egyszerűsítés kedvéért vegyük az oligopólium egy speciális esetét – a duopóliumot (2 játékos). Amíg gondolkodik, itt van a RandomForest vagy a CatBoost, azt javaslom, hogy használja a klasszikus - Stackelberg egyensúlyt. Ebben a modellben a cégek viselkedését egy dinamikus játék írja le teljes tökéletes információval, míg a játék jellemzője egy vezető cég jelenléte, amely először meghatározza az áruk kibocsátásának volumenét, a többi cég pedig számításaikban attól vezérelve.
Problémánk megoldásához csak egy olyat kell kiszámítanunk, amely a következő formátumú optimalizálási feladatot oldja meg:

Megoldásához (meglepetés-meglepetés!) csak az első deriváltot kell egyenlővé tenni a nullával.

Ugyanakkor egy ilyen modellhez csak ismernünk kell a piaci kínálatot és a versenytársunk termékenkénti költségét, majd össze kell építeni egy modellt, és összehasonlítani az eredményt. q azzal, amit vezetőségünk piacra akar dobni. Egyetértek, ez valamivel egyszerűbb és gyorsabb, mint az NN fűrészelése.

Az ilyen modellekhez és az ezekre épülő DSS-hez az Excel is megfelelő. Persze ha a bemenő adatokat kell számolni, akkor valami bonyolultabb kell, de nem sok. Ugyanaz a Power BI képes kezelni.

Felesleges győztest keresni az ML vs ToG csatában. Túlságosan eltérő megközelítések a probléma megoldásához, annak előnyeivel és hátrányaival.

Mi a következő lépés?

Az IDSS jelenlegi állapotával úgy tűnik, hogy kitalálta, merre tovább?

Egy közelmúltbeli interjúban Judah Pearl, ugyanezen bayesi hálózatok megalkotója érdekes megjegyzést tett. kicsit átfogalmazva,

„A gépi tanulási szakértők jelenleg csak egy görbét igazítanak az adatokhoz. A felszerelés nem triviális, bonyolult és unalmas, de mégis találó.”

(olvas)

Valószínűleg, wangyu, 10 éven belül abbahagyjuk a modellek kemény kódolását, helyette elkezdjük tanítani a számítógépeket mindenhol a létrehozott szimulált környezetekben. Valószínűleg az IDSS megvalósítása ezen az úton halad majd - az AI és más skynetek és WAPR-ok útján.

Ha közelebbről nézzük, akkor az IDSS jövője a döntések rugalmasságában rejlik. A javasolt módszerek (klasszikus modellek, gépi tanulás, DL, játékelmélet) egyike sem univerzális a hatékonyság szempontjából minden feladatra. Egy jó DSS-nek kombinálnia kell ezeket az eszközöket + RPA-val, míg a különböző modulokat különböző feladatokhoz kell használni, és eltérő kimeneti interfésszel kell rendelkezni a különböző felhasználók számára. Egyfajta koktél, keverve, de semmiképpen sem összerázva.

Irodalom

1. Merkert, Mueller, Hubl, Felmérés a gépi tanulás alkalmazásáról döntéstámogató rendszerekben, Hoffenheimi Egyetem, 2015
2. Tariq, Rafi,Intelligens döntéstámogató rendszerek – A Framework, India, 2011
3. Sanzhez i Marre, Gibert, Evolution of Decision Support Systems, University of Catalunya, 2012
4. Ltifi, Trabelsi, Ayed, Alimi, Bayes-hálózatokon alapuló dinamikus döntéstámogató rendszer, University of Sfax, National School of Engineers (ENIS), 2012