Vrste sppr. Sistemi za podršku odlučivanju (DSS) opšti koncept DSS-a

Svrha pisanja ovog članka je bila da kratka recenzija principi izgradnje inteligentnih sistema za podršku odlučivanju ( IDSS), uloga mašinskog učenja, teorija igara, klasično modeliranje i primjeri njihove upotrebe u DSS-u. Svrha članka ne je da se duboko uvuče u tešku teoriju automata, mašina koje samouče, kao i BI alata.

Uvod

Postoji nekoliko definicija IDSS, koji se općenito vrte oko iste funkcionalnosti. IN opšti pogled, IDSS je takav sistem koji pomaže donosiocima odluka (Decision Makers) u donošenju samih ovih odluka, koristeći alate za rudarenje podataka, modeliranje i vizualizaciju, ima prijateljski (G)UI, stabilan po kvalitetu, interaktivan i fleksibilan u podešavanjima.

Zašto nam treba DSS:

1. Poteškoće u donošenju odluka
2. Potreba za tačnom procjenom različitih alternativa
3. Potreba za prediktivnom funkcionalnošću
4. Potreba za višenitnim unosom (da biste doneli odluku, potrebni su vam zaključci na osnovu podataka, stručna mišljenja, poznata ograničenja, itd.)

Prvi DSS (u to vreme još bez I) izrastao je iz TPS-a (Transaction Processing Systems), sredinom 60-ih - ranih 70-ih. Tada ovi sistemi nisu imali nikakvu interaktivnost, predstavljajući, u stvari, dodatke preko RDBMS-a, sa nekom (uopće sjajnom) funkcionalnošću numerička simulacija. Jedan od prvih sistema može se nazvati DYNAMO, razvijen u dubinama MIT-a i predstavlja sistem za simulaciju bilo kojeg procesa zasnovanog na istorijskim transakcijama. Nakon što su IBM 360 mainframe ušli na tržište, počeli su se pojavljivati ​​uvjetni komercijalni sistemi koji su se koristili u odbrambenoj industriji, specijalnim službama i istraživačkim institutima.

Već od ranih 1980-ih možemo govoriti o formiranju DSS podklase kao što su MIS (Management Information System), EIS (Executive Information System), GDSS (Group Decision Support Systems), ODSS (Organization Decision Support Systems) itd. U stvari, ovi sistemi su bili okviri sposobni za rad sa podacima na različitim nivoima hijerarhije (od individualnog do korporativnog), a unutra je bilo moguće uvesti bilo kakvu logiku. Primjer je GADS (Gate Assignment Display System) sistem koji je razvio Texas Instruments za United Airlines, koji je podržao donošenje odluka u terenskim operacijama – dodjeljivanje kapija, određivanje optimalnog vremena parkiranja itd.

U kasnim 80-im bilo je PSSPR(Napredno - Napredno), koji je omogućio analizu "šta-ako" i koristio naprednije alate za modeliranje.

konačno, od sredine 90-ih počeo da se pojavljuje i IDSS, koji su se zasnivali na alatima statistike i mašinskog učenja, teorije igara i drugog složenog modeliranja.

Raznolikost DSS-a

Trenutno postoji nekoliko načina klasifikacija DSS, opisat ćemo 3 popularna:

Po području primjene

• Poslovanje i menadžment (cijene, radna snaga, proizvodi, strategija, itd.)
• Inženjering (dizajn proizvoda, kontrola kvaliteta...)
• Finansije (zajmovi i zajmovi)
• Medicina (lijekovi, tretmani, dijagnostika)
• Životna sredina

Prema omjeru podaci\model(metoda Stephena Altera)

• FDS (File Drawer Systems - sistemi za omogućavanje pristupa potrebnim podacima)
• DAS (Data Analysis Systems - sistemi za brzu manipulaciju podacima)
• AIS (Analitički informacioni sistemi - sistemi za pristup podacima prema vrsti zahtevanog rešenja)
• AFM(s) (Računovodstveni i finansijski modeli (sistemi) - sistemi za izračunavanje finansijskih posljedica)
• RM(s) (Reprezentativni modeli (sistemi) - simulacijski sistemi, AnyLogic kao primjer)
• OM(s) (Optimizacijski modeli (sistemi) - sistemi koji rješavaju probleme optimizacije)
• SM(s) (Modeli prijedloga (sistemi) - sistemi zaključivanja zasnovani na pravilima)

Po vrsti instrumenta koji se koristi

• Model Driven - baziran na klasičnim modelima (linearni modeli, modeli upravljanja zalihama, transporta, finansija, itd.)
• Podaci vođeni - na osnovu istorijskih podataka
• Communication Driven - sistemi zasnovani na grupnom odlučivanju od strane stručnjaka (sistemi za olakšavanje razmjene mišljenja i izračunavanje prosječnih ekspertskih vrijednosti)
• Document Driven - u suštini indeksirano (često višedimenzionalno) skladištenje dokumenata
• Pokrenuto znanjem - iznenada, zasnovano na znanju. Šta znači znanje i stručno i mašinski izvedeno

Želim knjigu žalbi! normalan DSS

Uprkos tako raznovrsnim opcijama klasifikacije, zahtjevi i atributi DSS-a dobro se uklapaju u 4 segmenta:

1. Kvaliteta
2. Organizacija
3. Ograničenja
4. Model

Na donjem dijagramu ćemo pokazati koji tačno zahtjevi i u koje segmente spadaju:

Odvojeno, ističemo važne atribute kao što su skalabilnost (u trenutnom agilnom pristupu, ne možete bez toga), sposobnost obrade loših podataka, upotrebljivost i korisničko sučelje, te nezahtjevni resursi.

Arhitektura i dizajn IDSS-a

Postoji nekoliko pristupa kako arhitektonski predstaviti DSS. Možda je najbolji opis razlike u pristupima „ko se u čemu bavi“. Uprkos raznovrsnosti pristupa, pokušava se stvoriti neka vrsta unificirane arhitekture, barem na vrhunskom nivou.

Zaista, DSS se može podijeliti u 4 velika sloja:

1. Interfejs
2. Modeliranje
3. rudarenje podataka
4. prikupljanje podataka

A u ove slojeve možete ugurati bilo koju vrstu alata.

U dijagramu ispod predstavljam svoju viziju arhitekture, sa opisom funkcionalnosti i primjerima alata:

Arhitektura je manje-više jasna, pređimo na dizajn i stvarnu konstrukciju DSS-a.

U principu, ovde nema raketne nauke. Prilikom izgradnje IDSS-a potrebno je slijediti sljedeće korake:

1. Analiza domena (zapravo, gdje ćemo koristiti naš IDSS)
2. Prikupljanje podataka
3. Analiza podataka
4. Izbor modela
5. Stručna analiza\interpretacija modela
6. Implementacija modela
7. IDSS procjena
8. Implementacija IDSS-a
9. Prikupljanje povratnih informacija ( u bilo kojoj fazi, zapravo)

Na dijagramu to izgleda ovako:

Postoje dva načina za procjenu IDSS-a. Prvo, pomoću matrice atributa, koja je gore predstavljena. Drugo, prema kontrolnoj listi kriterija, koja može biti bilo koja i ovisi o vašem konkretnom zadatku. Kao primjer takve kontrolne liste dao bih sljedeće:

Naglašavam da je ovo samo IMHO i možete napraviti kontrolnu listu koja vam odgovara.

Gdje je strojno učenje i teorija igara?

Da, skoro svuda! Barem u sloju za modeliranje.

S jedne strane, postoje klasični domeni, nazovimo ih "teški", kao što su upravljanje lancem opskrbe, proizvodnja, zalihe i tako dalje. U teškim domenima, naši omiljeni algoritmi mogu donijeti dodatne uvide u uspostavljene klasične modele. Primjer: prediktivna analitika za kvarove opreme (mašinsko učenje) će odlično funkcionirati s nekom vrstom FMEA analize (klasične).

S druge strane, u "laganim" domenima, poput analitike kupaca, predviđanja odljeva, otplate kredita, algoritmi mašinskog učenja bit će u prvom planu. A u bodovanju, na primjer, možete kombinovati klasiku sa NLP-om kada odlučujete da li ćete izdati zajam na osnovu paketa dokumenata (samo isti dokument vođen DSS).

Klasični algoritmi mašinskog učenja

Recimo da imamo zadatak: menadžer prodaje čeličnih proizvoda treba da shvati u fazi prijema aplikacije od klijenta kakvog kvaliteta gotovih proizvodaće otići u skladište i primijeniti neku kontrolnu radnju ako je kvalitet niži od traženog.

Uradimo to vrlo jednostavno:

Korak 0. Odredite ciljnu varijablu (dobro, na primjer, sadržaj titan oksida u gotovom proizvodu)
Korak 1. Odlučite se za podatke (prenesite sa SAP-a, Accessa i općenito sa svih mjesta do kojih možemo doći)
Korak 2. Prikupljanje karakteristika\generiranje novih
Korak 3. Nacrtajte proces protoka podataka i pokrenite ga u proizvodnju
Korak 4. Odaberite i obučite model, pokrenite ga na serveru
Korak 5. Definirajte važnosti karakteristika
Korak 6. Odlučite se za unos novih podataka. Neka ih naš menadžer unese, na primjer, ručno.
Korak 7. Na koljenu pišemo jednostavno web sučelje, gdje menadžer unosi vrijednosti važnih karakteristika pomoću ručki, vrti se na serveru sa modelom, a predviđeni kvalitet proizvoda se izbacuje u isti interfejs

Voila, IDSS na nivou vrtića je spreman, možete ga koristiti.

Slične "jednostavne" algoritme također koriste IBM u svom Tivoli DSS-u, koji vam omogućava da odredite stanje vaših superračunara (Watson na prvom mjestu): na osnovu evidencije, prikazuju se informacije o Watson performansama, predviđaju se dostupnost resursa, bilans troškova i dobiti, potrebe održavanja itd.

Kompanija ABB nudi svojim kupcima DSS800 da analizira rad elektromotora istog ABB-a na papirnoj liniji.

Finski Vaisala, proizvođač senzora za finsko Ministarstvo saobraćaja, koristi IDSS da predvidi kada treba primijeniti odleđivanje na putevima kako bi se izbjegle nesreće.

Opet finski. Foredata nudi IDSS za HR, koji pomaže u donošenju odluka o podobnosti kandidata za poziciju još u fazi odabira životopisa.

Na aerodromu u Dubaiju, DSS radi na kargo terminalu, koji utvrđuje sumnjivu prirodu tereta. Ispod haube, algoritmi, na osnovu pratećih dokumenata i podataka koje unose carinici, ističu sumnjive terete: karakteristike su zemlja porekla, podaci na pakovanju, konkretni podaci u poljima deklaracije itd.

Hiljade njih!

Konvencionalne neuronske mreže

Pored jednostavnog ML-a, duboko učenje se savršeno uklapa u DSS.

Neki primjeri se mogu naći u vojno-industrijskom kompleksu, na primjer, u američkom TACDSS (Tactical Air Combat Decision Support System). Tamo se neuroni i evolucijski algoritmi vrte unutra, pomažući u određivanju prijatelja ili neprijatelja, u procjeni vjerovatnoće da se pogodi salva u datom trenutku i drugim zadacima.

U malo realnijem svijetu, razmislite o ovom primjeru: u B2B segmentu morate odrediti da li ćete izdati zajam organizaciji na osnovu paketa dokumenata. U B2C-u vas operater muči pitanjima preko telefona, zapisuje vrijednosti karakteristika u svom sistemu i objavljuje odluku algoritma, u B2B-u je nešto složenije.

IDSS se tamo može izgraditi na sljedeći način: potencijalni zajmoprimac donosi unaprijed dogovoreni paket dokumenata u kancelariju (pa, ili šalje skenirane e-mailom, sa potpisima i pečatima, kako se očekuje), dokumenti se unose u OCR, a zatim prenose u NLP algoritam, koji dalje dijeli riječi na karakteristike i šalje ih NN-u. Od klijenta se traži da popije kafu (u najboljem slučaju), ili je tamo izdata kartica i ode da dođe posle ručka, za koje vreme će se sve izračunati i prikazati zeleni ili crveni smajlić na ekranu operaterke. Pa, ili žuto, ako se čini ok, ali bogu informacija treba više informacija.

Slični algoritmi se koriste i u Ministarstvu vanjskih poslova: obrazac zahtjeva za vizu + ostale potvrde analiziraju se direktno u ambasadi/konzulatu, nakon čega se zaposleniku na ekranu prikazuje jedan od 3 emotikona: zeleni (izdavanje vize), žuta (imam pitanja), crvena (podnosilac na stop listi). Ako ste ikada dobili vizu za SAD, onda je odluka koju vam daje konzularni službenik upravo rezultat algoritma u sprezi sa pravilima, a ne njegovog ličnog subjektivnog mišljenja o vama :)

U teškim domenima poznati su i DSS bazirani na neuronima, koji određuju mjesta akumulacije pufera na proizvodnim linijama (vidi npr. Tsadiras AK, Papadopoulos CT, O'Kelly MEJ (2013) Sistem podrške odlučivanju zasnovan na veštačkoj neuronskoj mreži za rešavanje problema alokacije bafera u pouzdanim proizvodnim linijama. Comput Ind Eng 66(4):1150–1162), Min-Max General Fuzzy Neural Networks (GFMMNN) za grupisanje potrošača vode ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Sistem za podršku odlučivanju za sisteme distribucije vode zasnovan na neuronskim mrežama i teoriji grafova za detekciju curenja. Expert Syst Appl 39(18):13214–13224) i drugi.

Općenito, vrijedno je napomenuti da su NN najpogodnije za donošenje odluka pod neizvjesnošću, tj. uslove u kojima živi pravi posao. Algoritmi za grupisanje se takođe dobro uklapaju.

Bayesove mreže

Ponekad se dešava da su naši podaci heterogeni u smislu tipova pojavljivanja. Uzmimo primjer iz medicine. Došao nam je pacijent. O njemu nešto znamo iz upitnika (pol, godine, težina, visina itd.) i anamneze (prethodni srčani udari, na primjer). Nazovimo ove podatke statičkim. A o njemu saznajemo ponešto u procesu periodičnih pregleda i liječenja (više puta dnevno mjerimo temperaturu, sastav krvi itd.). Ove podatke nazivamo dinamičkim. Jasno je da dobar DSS treba da bude u stanju da uzme u obzir sve ove podatke i da daje preporuke na osnovu punoće informacija.

Dinamički podaci se ažuriraju na vrijeme, odnosno obrazac modela će biti sljedeći: učenje-rješenje-učenje, što je generalno slično poslu doktora: grubo odredite dijagnozu, ukapajte lijek, potražite reakciju. Dakle, stalno smo u stanju neizvjesnosti da li će liječenje djelovati ili ne. I stanje pacijenta se dinamički mijenja. One. moramo da izgradimo dinamički DSS, a takođe i vođen znanjem.

U takvim slučajevima, Dynamic Bayesian Networks (DBN) - generalizacija modela baziranih na Kalmanovim filterima i Hidden Markov modelima - puno će nam pomoći.

Podijelimo podatke o pacijentu na statičke i dinamičke.

Ako bismo gradili statičku Bayesovu mrežu, onda bi naš zadatak bio da izračunamo sljedeću vjerovatnoću:

,

Gdje je čvor naše mreže (u stvari vrh grafa), tj. vrijednost svake varijable (pol, starost....), a C je predviđena klasa (bolest).

Statička mreža izgleda ovako:

Ali to nije led. Stanje pacijenta se mijenja, vrijeme ističe, potrebno je odlučiti kako ga liječiti.

Za ovo je DBS.

Prvo, na dan prijema pacijenta, gradimo statičku mrežu (kao na slici iznad). Zatim, svaki dan i gradimo mrežu na osnovu podataka koji se dinamički mijenjaju:

U skladu s tim, agregatni model će imati sljedeći oblik:

Dakle, rezultat izračunavamo prema sljedećoj formuli:

Gdje T- kumulativno vrijeme hospitalizacije, N- broj varijabli u svakom od DBS koraka.

Potrebno je ovaj model uvesti u DSS na malo drugačiji način – radije, ovdje je potrebno ići od suprotnosti, prvo popraviti ovaj model, pa onda izgraditi interfejs. To jest, u stvari, napravili smo tvrdi model, unutar kojeg se nalaze dinamički elementi.

Teorija igara

Teorija igara je, zauzvrat, mnogo prikladnija za IDSS, stvorena za donošenje strateških odluka. Uzmimo primjer.

Pretpostavimo da postoji oligopol na tržištu (mali broj rivala), postoji određeni lider, a ovo (avaj) nije naša kompanija. Moramo pomoći menadžmentu da donese odluku o količinama naših proizvoda: ako proizvodimo proizvode u obimu, a naš rival -, hoćemo li ući u minus ili ne? Da pojednostavimo, uzmimo poseban slučaj oligopola - duopol (2 igrača). Dok razmišljate, RandomForest je tu ili CatBoost, predlažem vam da koristite klasičnu - Stackelbergovu ravnotežu. U ovom modelu ponašanje preduzeća opisuje se dinamičnom igrom sa potpunim savršenim informacijama, dok je karakteristika igre prisustvo vodeće firme, koja prvo određuje obim proizvodnje robe, a ostale firme su vođeni time u svojim proračunima.
Da bismo riješili naš problem, samo trebamo izračunati takav , koji će riješiti problem optimizacije sljedećeg oblika:

Da biste ga riješili (iznenađenje-iznenađenje!) samo trebate izjednačiti prvi izvod s nulom.

Istovremeno, za takav model samo trebamo znati ponudu na tržištu i cijenu po proizvodu našeg konkurenta, zatim izgraditi model i uporediti rezultirajući q sa onom koju naš menadžment želi da izbaci na tržište. Slažem se, to je nešto lakše i brže od piljenja NN.

Za takve modele i DSS baziran na njima, Excel je također prikladan. Naravno, ako treba izračunati ulazne podatke, onda je potrebno nešto komplikovanije, ali ne mnogo. Isti Power BI to može podnijeti.

Tražiti pobjednika u borbi ML vs ToG je besmisleno. Previše različiti pristupi rješavanju problema, sa svojim plusevima i minusima.

Šta je sledeće?

OD stanje tehnikeČini se da je IDSS shvatio kuda dalje?

U nedavnom intervjuu, Judah Pearl, tvorac istih Bayesovskih mreža, iznio je zanimljivu poentu. Da malo preformulišem,

„Svi stručnjaci za mašinsko učenje trenutno rade prilagođavanje krivulje podacima. Postavljanje nije trivijalno, komplikovano i mučno, ali ipak pristaje.”

(čitaj)

Najvjerovatnije, wangyu, za 10 godina ćemo prestati sa tvrdim kodiranjem modela, i umjesto toga početi podučavati kompjutere svuda u simuliranim okruženjima stvorenim. Vjerovatno će implementacija IDSS-a ići ovim putem - putem AI i drugih skyneta i WAPR-a.

Ako pogledamo iz bliže perspektive, budućnost IDSS-a leži u fleksibilnosti odluka. Nijedna od predloženih metoda (klasični modeli, mašinsko učenje, DL, teorija igara) nije univerzalna u smislu efikasnosti za sve zadatke. Dobar DSS bi trebao kombinovati sve ove alate + RPA, dok bi se ispod trebali koristiti različiti moduli različite zadatke i imaju različita izlazna sučelja za različite korisnike. Neka vrsta koktela, miješanog, ali nikako mućenog.

Književnost

1. Merkert, Mueller, Hubl, Istraživanje primjene mašinskog učenja u sistemima za podršku odlučivanju, Univerzitet u Hofenhajmu 2015.
2. Tarik, Rafi, Inteligentni sistemi za podršku odlučivanju - Okvir, Indija, 2011
3. Sanzhez i Marre, Gibert, Evolucija sistema za podršku odlučivanju, Univerzitet Katalonije, 2012
4. Ltifi, Trabelsi, Ayed, Alimi, Dinamički sistem za podršku odlučivanju zasnovan na Bayesovim mrežama, Univerzitet u Sfaxu, Nacionalna škola inženjera (ENIS), 2012.

Sistemi za podršku odlučivanju(DSS) su kompjuterski sistemi, gotovo uvijek interaktivni, dizajnirani da pomognu menadžeru (ili supervizoru) u donošenju odluka. DSS uključuju i podatke i modele koji pomažu donosiocima odluka u rješavanju problema, posebno onih koji su loše formalizirani. Podaci se često preuzimaju iz sistema za obradu upita na mreži ili iz baze podataka. Model može biti jednostavan tip "dobitka i gubitka" za izračunavanje profita pod nekim pretpostavkama, ili složeni tip optimizacijskog modela za izračunavanje opterećenja za svaku mašinu u radnji. DSS i mnogi sistemi o kojima se govori u narednim odeljcima nisu uvek opravdani tradicionalnim pristupom isplativosti; za ove sisteme, mnoge prednosti su nematerijalne, kao što je dublje donošenje odluka i bolje razumevanje podataka.

Rice. Slika 1.4 pokazuje da sistem za podršku odlučivanju zahtijeva tri primarne komponente: model upravljanja, upravljanje podacima za prikupljanje i ručnu obradu podataka i upravljanje dijalogom kako bi se olakšao pristup korisnika DSS-u. Korisnik komunicira sa DSS-om preko korisničkog interfejsa, birajući određeni model i skup podataka koji će koristiti, a zatim DSS predstavlja rezultate korisniku kroz isti korisnički interfejs. Model upravljanja i upravljanje podacima uglavnom funkcionišu iza scene i kreću se od relativno jednostavnog generičkog modela u proračunskoj tabeli do složenog, složenog modela planiranja zasnovanog na matematičkom programiranju.

Rice. 1.4. Komponente sistema za podršku odlučivanju

Izuzetno popularan tip DSS-a je u obliku generatora finansijskih izveštaja. Koristeći proračunsku tablicu kao što je Lotus 1-2-3 ili Microsoft Excel, kreiraju se modeli za predviđanje različitih elemenata organizacije ili finansijsko stanje. Kao podaci se koriste prethodni finansijski izvještaji organizacije. Početni model uključuje različite pretpostavke o budućim trendovima u kategorijama rashoda i prihoda. Nakon razmatranja rezultata osnovnog modela, menadžer provodi seriju studija "šta ako", mijenjajući jednu ili više pretpostavki kako bi odredio njihov utjecaj na početno stanje. Na primjer, menadžer može ispitati utjecaj na profitabilnost ako prodaja novih proizvoda raste za 10% godišnje. Ili bi menadžer mogao istražiti uticaj većeg od očekivanog povećanja cijene sirovina, kao što je 7% umjesto 4% godišnje. Ovaj tip generatora finansijskih izveštaja je jednostavan, ali moćan DSS koji vodi donošenje finansijskih odluka.

Primer DSS-a za sprovođenje transakcija podataka je sistem budžetiranja policije na terenu koji koriste gradovi u Kaliforniji. Ovaj sistem omogućava policajcu da vidi mapu i prikazuje podatke o geografskom području, prikazuje tonove poziva policije, vrste poziva i vremena poziva. Interaktivna grafička sposobnost sistema omogućava policajcu da manipuliše mapom, zonom i podacima kako bi brzo i lako predložio varijacije alternativnih izlaza policije.

Još jedan primjer DSS-a je interaktivni sistem za planiranje količine i proizvodnju u velikoj kompaniji papira. Ovaj sistem koristi detaljne prethodne podatke, modele predviđanja i planiranja za igranje na računaru opšti pokazatelji kompanije pod različitim planskim pretpostavkama. Većina naftnih kompanija razvija DSS kako bi podržala donošenje odluka o kapitalnim investicijama. Ovaj sistem uključuje različite finansijske uslove i modele za kreiranje budućih planova, koji se mogu prikazati u tabelarnom ili grafičkom obliku.

Svi dati primjeri DSS-a nazivaju se specifičnim DSS-ovima. To su stvarne aplikacije koje pomažu u procesu donošenja odluka. Nasuprot tome, generator sistema za podršku odlučivanju je sistem koji pruža skup mogućnosti za brzu i laku izgradnju specifičnih DSS-ova. DSS Generator je softverski paket dizajniran za rad na djelimično kompjuterskoj osnovi. U našem primeru finansijskih izveštaja, Microsoft Excel ili Lotus 1-2-3 se mogu smatrati DSS generatorima, dok su Excel ili Lotus 1-2-3 modeli za dizajniranje finansijskih izveštaja za privatnu filijalu kompanije specifični DSS.

DSS je detaljnije obrađen u odeljku. 2.2.

DSS se pojavio uglavnom zahvaljujući naporima američkih naučnika kasnih 1970-ih i ranih 1980-ih, čemu je umnogome doprinijela široka upotreba personalnih računara, standardnih aplikativnih softverskih paketa, kao i značajan napredak u stvaranju sistema umjetne inteligencije (AI). .

Prepoznatljive karakteristike SPPR-a.

DSS karakterišu sledeće karakteristične karakteristike.

Orijentacija ka rješavanju loše strukturiranih (formaliziranih) zadataka, tipičnih uglavnom za visoke nivoe menadžmenta;

Mogućnost kombinovanja tradicionalne metode pristup i obrada kompjuterskih podataka sa mogućnostima matematičkih modela i metoda za rešavanje problema na osnovu njih;

Orijentacija na neprofesionalnog krajnjeg korisnika računala kroz korištenje interaktivnog načina rada;

Visoka prilagodljivost, pruža mogućnost prilagođavanja karakteristikama raspoloživog hardvera i softvera, kao i zahtjevima korisnika.

Mesto DSS-a među informacionim sistemima. Informacijski model organizacije može se zamisliti kao sljedeći hijerarhijski model, koji uključuje sljedeća tri nivoa (vidi sliku 4.3):

obrada podataka,

obrada podataka,

Donošenje odluka.

Rice. 4.3. Hijerarhija informacionih sistema u kompaniji

Na prvom najnižem nivou su SEOD. U hijerarhiji upravljačkih odluka, ovaj nivo odgovara nivou kontrole upravljanja koji automatizuje tok posla u organizaciji. Glavne karakteristike SOED-a su:

Obrada podataka na nivou operativne kontrole,

Efikasna obrada komercijalnih transakcija koje sprovodi organizacija,

Planiranje i optimizacija performansi računara,

Integracija fajlova koji opisuju povezane zadatke,

Sastavljanje izvještaja za menadžment.

Na drugom srednjem nivou, koji odgovara nivou upravljačke kontrole, akcenat se prebacuje na procedure obrade informacija koje obavlja MIS. Ova obrada se obično odnosi na planiranje aktivnosti u funkcionalnim oblastima organizacije kao što su marketing, proizvodnja, finansije, računovodstvo, kadrovi. Treba uzeti u obzir glavne karakteristike IMS-a:

Priprema informacija korisnih na nivou srednjeg menadžmenta,

Strukturiranje (naručivanje) tokova informacija,

Integracija (kombinacija) podataka dobijenih od SEOD-a u funkcionalnim oblastima poslovanja (IMS marketing, MIS proizvodnja itd.),

Kreiranje sistema upit-odgovor i izvještavanje menadžmenta (obično koristeći baze podataka).

Na trećem najvišem nivou menadžmenta, koji odgovara strateškom planiranju, formiraju se najvažnije odluke organizacije. DSS koji se koristi na ovom nivou (kao što će biti jasno iz onoga što sledi, DSS se može koristiti na bilo kom nivou upravljanja) ima sledeće karakteristike:

Priprema rješenja za viši menadžment,

Osiguravanje visoke prilagodljivosti promjenama i velika brzina odgovore na zahtjeve korisnika,

Pružanje pomoći u donošenju odluka svim pojedinačnim menadžerima.

Upravljanje podacima u SEDI okruženju provodi se uglavnom radi obrade tekućih poslovnih operacija koje obavlja firma. Stvaranje IMS-a povezano je sa pojavom DBMS-a, koji je omogućio organizovanje načina upita, obrade podataka i kreiranje različitih upravljačkih izvještaja. Međutim, glavna prednost kreiranja DBMS-a bila je smanjenje troškova tekućeg programiranja povezanog s radom baza podataka. Treba istaći da su zahtjevi koje postavlja korisnik ovakvim sistemima relativno niski. Zahtevi za DSS su mnogo ozbiljniji. Ovo se odnosi na rastuću potrebu za pouzdanim podacima, uključujući i one vjerovatnoće prirode, kao i na pooštravanje vremenskih ograničenja na način upita i korištenje podataka koji dolaze iz ne-kompjuteriziranih izvora. Usklađenost sa takvim zahtjevima osigurava brzu razmjenu podataka između baza podataka uključenih u DSS i velike baze podataka koja čuva informacije o poslovanju firme.

Dakle, SEOD i MIS omogućavaju zadovoljenje informacionih potreba korisnika kroz brzi pristup potrebnim podacima i primanje izveštaja (izgrađenih sa različitim stepenom obrade podataka) koji olakšavaju donošenje odluka. U slučaju DSS-a, ispravnije je govoriti o sposobnosti sistema, zajedno sa korisnikom, da kreira nove informacije(često u obliku gotovih alternativa) za donošenje odluka.

Treba napomenuti da razmatrani pristup utvrđivanju mesta DSS među IS može donekle da zavara čitaoca. Stoga se može činiti da se DSS može koristiti samo na najvišim nivoima vlasti. U stvari, mogu se koristiti kao pomoć pri donošenju odluka na bilo kojem nivou upravljanja. Osim toga, odluke koje se donose na različitim nivoima vlasti često moraju biti koordinirane. Stoga je važna funkcija DSS-a koordinacija donosilaca odluka na različitim nivoima vlasti, kao i unutar istog nivoa. I, konačno, čitaocu se može učiniti da je pomoć u donošenju odluka jedino što višem menadžmentu može biti potrebno od informacionih sistema. Međutim, donošenje odluka je samo jedna od funkcija menadžera za koju dobijaju pomoć od informacionih sistema.

Napominjemo i da se sam pojam "upravljački informacioni sistemi" koristi u literaturi u širem i užem smislu. U širem smislu, uključuje sve vrste razmatranih kompjuterskih sistema (SEOD, MIS, DSS, itd.) koji se koriste u interesu menadžera. U užem smislu ovaj termin označava vrstu IS-a koji proizvodi upravljačke izvještaje, tj. ISU.

Struktura DSS

Do sada se nismo doticali strukture DSS-a, smatrajući da je to neka vrsta "crne kutije". Prva ideja o strukturi DSS-a može se izvući iz razmatranja Sl. 4.4.

Pored korisnika, DSS uključuje tri glavne komponente: podsistem za obradu i skladištenje podataka, podsistem za skladištenje i korišćenje modela i softverski podsistem. Potonji uključuje sistem za upravljanje bazom podataka (DBMS), model sistema za upravljanje bazom podataka (BMS) i sistem za upravljanje dijalogom između korisnika i računara (UDC).

podsistema podataka. Podsistem za obradu i skladištenje podataka karakterišu sve poznate prednosti izgradnje i korišćenja baza podataka. Međutim, korišćenje baza podataka kao dela DSS-a karakterišu određene karakteristike (videti sliku 4.5). Na primjer,

Rice. 4.4. Struktura DSS

DSS baze podataka imaju mnogo veći skup izvora podataka, uključujući eksterne izvore koji su posebno važni za donošenje odluka na visokim nivoima upravljanja, kao i izvore nekompjuterizovanih podataka. Još jedna karakteristika je mogućnost preliminarnog "komprimiranja" podataka koji dolaze iz više izvora, njihovom zajedničkom prethodnom obradom postupcima agregiranja i filtriranja.

Podaci igraju važnu ulogu u DSS-u. Oni se mogu koristiti direktno od strane korisnika ili kao početni podaci za proračun pomoću matematičkih modela.

Podsistem podataka DSS prima dio podataka iz sistema za obradu operacija koje obavlja kompanija. Međutim, samo u retkim slučajevima, podaci dobijeni na nivou obrade komercijalnih transakcija su korisni za DSS. Da bi bili upotrebljivi, ovi podaci moraju biti prethodno obrađeni. Za to postoje dvije mogućnosti. Prvi je korištenje DBMS-a koji je uključen u DSS za obradu podataka o poslovanju kompanije. Drugi je obrada van DSS-a kreiranjem posebne baze podataka za to. Jasno je da je druga od ovih opcija poželjnija za firme sa velikim brojem komercijalnih transakcija.

ITUC. 4.5. Struktura podsistema podataka DSS

Obrađeni podaci o poslovanju kompanije formiraju ekstrakcijske datoteke, koje se pohranjuju izvan DSS-a kako bi se poboljšala pouzdanost i brzina pristupa. Ideja stvaranja posebne baze podataka za obradu transakcija kompanije zasniva se na svrsishodnosti odvajanja oblasti automatske elektronske obrade podataka od oblasti manje kvalifikovanih krajnjih korisnika. Pored toga, krajnji korisnici DSS-a, koji očekuju da sistem brzo odgovori na njihove zahteve, stalno bi se takmičili za mašinsko vreme sa procesom obrade transakcija. Stoga mnoge organizacije koje rade sa DSS-om koriste poseban računar koji radi u okviru centralnog MIS-a za obradu svojih poslovnih transakcija.

Pored podataka o poslovanju firme, za rad DSS-a potrebni su i drugi interni podaci. Tako su, na primjer, potrebne procjene menadžera zaposlenih u oblastima marketinga, finansija, proizvodnje, podaci o kretanju osoblja, inženjerski podaci itd. Ovi podaci se moraju prikupljati, unositi i održavati na vrijeme.

Važni, posebno za podršku odlučivanju na višim nivoima menadžmenta, su podaci iz eksternih izvora. Potrebni eksterni podaci trebaju uključivati ​​podatke o konkurentima, nacionalnim i globalnim ekonomijama. Za razliku od internih podataka, eksterni podaci se često mogu kupiti od organizacija koje su specijalizovane za prikupljanje podataka.

Trenutno se uveliko proučava pitanje uključivanja još jednog izvora podataka u DSS - dokumenata koji uključuju evidenciju, pisma, ugovore, naredbe itd. Ako se sadržaj ovih dokumenata snimi u memoriju (na primjer, na video disk) i zatim obradi prema nekim ključnim karakteristikama (dobavljači, potrošači, datumi, vrste usluga itd.), DSS će dobiti novi moćni izvor informacije.

Podsistem podataka, koji je dio DSS-a, treba da ima sljedeće mogućnosti:

Kompilacija kombinacija podataka dobijenih iz različitih izvora korištenjem procedura agregacije i filtriranja;

Brzo dodavanje ili isključivanje jednog ili drugog izvora podataka;

Izgradnja logičke strukture podataka u smislu korisnika;

Korištenje i manipulacija neformalnim podacima za eksperimentalno testiranje radnih alternativa korisnika;

Upravljanje podacima korištenjem širokog spektra funkcija upravljanja koje pruža DBMS;

Obezbeđivanje potpune logičke nezavisnosti baze podataka uključene u podsistem podataka DSS od ostalih operativnih baza podataka koje posluju u okviru kompanije.

Modelski podsistem. Uz pružanje pristupa podacima, DSS omogućava korisniku pristup modelima donošenja odluka. To se postiže uvođenjem odgovarajućih modela u IS i korištenjem baze podataka u njemu kao mehanizma za integraciju modela i komunikaciju između njih (vidi sliku 4.6).

Dobijeni DSS će kombinovati prednosti SEOD-a i MIS-a u pogledu obrade podataka i generisanja menadžment izveštaja sa prednostima istraživanja operacija i ekonometrije u smislu matematičkog modeliranja situacija i pronalaženja rešenja.

Proces kreiranja modela treba da bude fleksibilan. Trebao bi uključiti poseban jezik za modeliranje, skup pojedinačnih softverskih blokova i modula koji implementiraju pojedine komponente različitih modela, kao i skup upravljačkih funkcija.

Upotreba modela osigurava sposobnost DSS-a da sprovede analizu. Modeli, koristeći matematičku interpretaciju problema, uz pomoć određenih algoritama, doprinose pronalaženju informacija korisnih za donošenje ispravnih odluka. Na primjer, model linearno programiranje omogućava određivanje najpovoljnijeg proizvodni program proizvodnja nekoliko vrsta proizvoda pod datim ograničenjima resursa.

Upotreba modela kao dijela informacionih sistema počela je primjenom statističkih metoda i metoda finansijske analize, koji su implementirani naredbama konvencionalnih algoritamskih jezika. Kasnije su stvoreni posebni jezici koji omogućavaju modeliranje situacija poput "šta ako?" ili "kako to učiniti?" Takvi jezici, kreirani posebno za izgradnju modela, omogućavaju izgradnju modela određenog tipa koji pružiti rješenje sa fleksibilnom promjenom varijabli.

Trenutno postoji mnogo tipova modela i načina za njihovu klasifikaciju, na primjer, prema namjeni upotrebe, opsegu mogućih aplikacija, načinu na koji se procjenjuju varijable itd.

Svrha kreiranja modela je ili optimizacija ili opis nekog objekta ili procesa. Optimizacijski modeli su povezani sa pronalaženjem minimalnih ili maksimalnih tačaka nekih indikatora. Na primjer, menadžeri često žele da znaju šta njihove akcije vode ka maksimizaciji profita (minimiziranju troškova). Optimizacijski modeli pružaju takve informacije. Deskriptivni modeli opisuju ponašanje nekog sistema i nisu namijenjeni za potrebe upravljanja (optimizacije).

Iako je većina sistema stohastičke prirode (tj. njihovo stanje se ne može predvidjeti sa apsolutnom sigurnošću), većina matematičkih modela izgrađena je kao deterministička. Deterministički modeli procjenjuju varijable s jednim brojem (za razliku od stohastičkih modela koji procjenjuju varijable s više parametara). Deterministički modeli su popularniji od stohastičkih modela jer su jeftiniji i teški, te jednostavniji za izgradnju i korištenje. Osim toga, često je uz njihovu pomoć moguće dobiti dovoljno informacija koje će pomoći donosiocima odluka.

Sa stanovišta obima mogućih primena, modeli se dele na specijalizovane modele, namenjene za korišćenje samo sa jednim sistemom, i univerzalne modele namenjene upotrebi sa više sistema. Prvi od njih su skuplji, obično se koriste za opisivanje jedinstvenih sistema i precizniji su od drugih.

Baza modela. Modeli u DSS-u čine bazu modela koja uključuje strateške, taktičke i operativne modele, kao i skup blokova modela, modula i procedura koji se koriste kao elementi za izgradnju modela (vidi sliku 4.6). Svaki tip modela ima svoje jedinstvene karakteristike.

Strateški modeli se koriste na najvišim nivoima menadžmenta za utvrđivanje ciljeva organizacije, količine resursa potrebnih za njihovo postizanje, kao i politike sticanja i korišćenja ovih resursa. Oni takođe mogu biti korisni za odabir opcija za lociranje preduzeća, predviđanje politike konkurencije, itd. Strateške modele karakteriše značajna širina obuhvata, mnogo varijabli i prezentacija podataka u komprimovanom agregiranom obliku. Često su ovi podaci zasnovani na eksternim izvorima i mogu biti subjektivni. Horizont planiranja u strateškim modelima obično se mjeri godinama. Ovi modeli su obično deterministički, deskriptivni, specijalizovani za upotrebu u jednoj određenoj firmi.

Taktičke modele koriste menadžeri srednjeg nivoa za alociranje i kontrolu upotrebe raspoloživih resursa. Među mogućim područjima njihove upotrebe treba navesti: finansijsko planiranje, planiranje zahtjeva za zaposlenike, planiranje povećanja prodaje, izgradnju shema rasporeda za preduzeća. Ovi modeli su obično primjenjivi samo na pojedinačne dijelove firme (na primjer, na sistem proizvodnje i distribucije), a mogu uključivati ​​i agregate. Vremenski horizont pokriven taktičkim modelima je između mjesec dana i dvije godine. Ovdje mogu biti potrebni i podaci iz eksternih izvora, ali glavni fokus u implementaciji ovih modela treba dati internim podacima firme. Obično se taktički modeli implementiraju kao deterministički, optimizacijski i univerzalni.

Operativni modeli se koriste na nižim nivoima upravljanja za podršku operativnom donošenju odluka s horizontom mjerenim u danima i sedmicama. Moguće primjene ovih modela uključuju uvođenje obračuna potraživanja i kredita, kalendara planiranje proizvodnje, upravljanje zalihama itd. Operativni modeli obično koriste podatke unutar kompanije za svoje proračune. Oni imaju tendenciju da budu deterministički, optimizirajući i generički (tj. mogu ih koristiti različite organizacije).

Pored strateških, taktičkih i operativnih modela, baza DSS modela uključuje skup blokova modela, modula i procedura. Ovo može uključivati ​​procedure za linearno programiranje, statističku analizu vremenskih serija, regresionu analizu, itd. - od najjednostavnijih procedura do složenih paketa aplikacija. Blokovi modela, moduli i procedure mogu se koristiti kako pojedinačno, nezavisno za pomoć korisnicima DSS-a, tako i u kompleksu, u kombinaciji, za izgradnju i održavanje modela.

Sistem upravljanja interfejsom. Efikasnost i fleksibilnost DSS-a u rešavanju određenih problema u velikoj meri zavisi od karakteristika interfejsa koji se koristi. Interfejs uključuje softverski sistem kontrola dijaloga (CUD), kompjuter i sam korisnik.

Jezik korisnika su one radnje koje korisnik obavlja u odnosu na sistem koristeći mogućnosti tastature, elektronske olovke za pisanje po ekranu, džojstika, miša, glasovnih komandi itd. Najjednostavniji oblik akcionog jezika je kreiranje oblika ulaznih i izlaznih dokumenata. Nakon što dobije ulazni obrazac (dokument), korisnik ga popunjava potrebnim podacima i unosi u računar. DSS vrši neophodnu analizu i izdaje rezultate u obliku izlaznog dokumenta utvrđenog obrasca.

Značajno povećan za U poslednje vreme popularnost vizuelnog interfejsa koji je razvila američka kompanija "Apple Mackintosh", a koji se zasniva na upotrebi posebnog uređaja "miš". Koristeći ovaj uređaj, korisnik bira objekte i radnje koje mu se prikazuju na ekranu u obliku slika, čime ostvaruje jezik radnji.

Upravljanje kompjuterom ljudskim glasom je najjednostavniji i stoga najpoželjniji oblik akcionog jezika. Ona još nije dovoljno razvijena i, stoga, nije baš popularna u DSS-u. Postojeći razvoji zahtijevaju ozbiljna ograničenja od korisnika (ograničeni skup riječi i izraza; poseban uređaj koji uzima u obzir karakteristike glasa korisnika; kontrola bi trebala biti u obliku diskretnih naredbi, a ne u obliku običnog glatkog govora ). Tehnologija ovog pristupa se intenzivno unapređuje, a u bliskoj budućnosti možemo očekivati ​​pojavu novog naprednog DSS-a koji koristi govorni unos informacija.

Jezik poruke je ono što korisnik vidi na ekranu (znakovi, grafika, boja), podaci primljeni na štampaču, audio izlaz itd. Dugo vremena, jedina implementacija jezika poruka bila je odštampani ili prikazani izvještaj (ili druga potrebna poruka). Sada mu se pridružila i nova mogućnost prezentovanja izlaznih podataka – kompjuterska grafika. Omogućava kreiranje grafike u boji u tri dimenzije na ekranu i papiru. Upotreba kompjuterske grafike, koja značajno povećava vidljivost i interpretabilnost izlaznih podataka, postaje sve popularnija u DSS-u.

U proteklih nekoliko godina pojavio se novi pravac koji razvija kompjutersku grafiku - animacija. Animacija je posebno efikasna za tumačenje DSS izlaza povezanih sa modeliranjem fizički sistemi i objekte. Tako, na primjer, DSS dizajniran za opsluživanje klijenata u banci, uz pomoć crtanih modela, može realno sagledati različite opcije organizacije usluge u zavisnosti od protoka posjetilaca, dozvoljene dužine reda, broja servisnih mjesta itd.

U narednim godinama treba očekivati ​​upotrebu ljudskog glasa kao jezika poruka DSS-a. Kao mogući primer može se ukazati na upotrebu ovog obrasca u radu DSS-a u oblasti finansija, gde se u procesu generisanja hitnih izveštaja glasno objašnjavaju razlozi ekskluzivnosti određene pozicije.

Korisničko znanje je ono što korisnik treba da zna kada radi sa sistemom. Ovo uključuje ne samo akcioni plan koji je u glavi korisnika, već i udžbenike, uputstva i referentne podatke koje računar izdaje kada je komanda za pomoć. Instrukcije i referentni podaci koje sistem izdaje na zahtev korisnika najčešće nisu standardni, već zavise od mesta u kontekstu rešenja problema u kome se korisnik DSS nalazi. Drugim riječima, pomoć je specijalizirana u odnosu na situaciju.

Takozvani batch fajlovi koji sadrže programirana uputstva za sistem za izvršavanje standardnih procedura mogu biti od velike pomoći korisniku DSS-a. Takve datoteke se aktiviraju pritiskom na jednu tipku i ne zahtijevaju poznavanje komandnog jezika od korisnika. Primjer je postupak poređenja planiranog i stvarnog stanja proizvodnje (vrijednosti u skladištu, obima proizvodnje, novčanih primitaka i sl.) koji se stalno obavljaju u okviru automatiziranog radnog mjesta.

U slučaju očiglednog nedostatka znanja korisnika o datoj predmetnoj oblasti i samom DSS-u, potonji se mogu koristiti kao simulatori pod vodstvom iskusnih korisnika ili stručnjaka u oblasti koja se proučava.

Poboljšanje DSS interfejsa je određeno napretkom u razvoju svake od tri navedene komponente.

Važna mjera efikasnosti korišćenog interfejsa je izabrani oblik dijaloga između korisnika i sistema. Trenutno, najčešći oblici dijaloga su: način izazov-odgovor, način komande, režim menija i režim popunjavanja praznina u kompjuterskim izrazima. Svaki oblik, ovisno o vrsti zadatka, karakteristikama korisnika i odluci koja se donosi, može imati svoje prednosti i nedostatke.

DSS interfejs treba da ima sledeće mogućnosti:

Manipulisati različitim oblicima dijaloga, menjajući ih u procesu odlučivanja po izboru korisnika;

Prenesite podatke u sistem na različite načine;

Primanje podataka sa raznih uređaja sistema u različitim formatima;

Fleksibilno održavajte (pružite pomoć na zahtjev, sugerirajte) znanje korisnika.

Operativni zahtjevi za DSS sa stanovišta korisnika.

Prva tri od dolje navedenih zahtjeva odnose se na vrstu problema koji rješava donosilac odluke. Ostalo se odnosi na vrstu pomoći koju mu pruža.

1. DSS treba da pruži pomoć u donošenju odluka i da bude posebno efikasan u rešavanju nestrukturiranih i loše strukturiranih problema. To se odnosi na zadatke u kojima upotreba SEOD, MIS i modela istraživanja operacija obično nije davala rezultate.

2. DSS treba da pruži pomoć u donošenju odluka od strane rukovodilaca na svim nivoima, kao iu koordinaciji odluka koje zahtevaju učešće više nivoa menadžmenta.

3. DSS treba da pruži pomoć u donošenju individualnih i kolektivnih odluka. To se odnosi na odluke u kojima je odgovornost podijeljena između više menadžera ili unutar grupe zaposlenih.

4. DSS treba da pruži pomoć u svim fazama procesa donošenja odluka. Kao što će biti pokazano u nastavku, ako u fazama proučavanja problema i prikupljanja podataka, DSS pruža samo dodatnu pomoć (glavni doprinos daje korišćenje MIS), onda u svim narednim fazama (osim faze donošenja odluka ), pomoć koju pruža DSS je dominantna.

5. DSS, pomažući u donošenju raznih odluka, ne može zavisiti ni od jedne od njih.

6. Korišćenje DSS-a trebalo bi da bude jednostavno. To je osigurano visokom prilagodljivošću sistema u odnosu na vrstu zadataka, karakteristike organizacijskog okruženja i korisnika, kao i prijateljski interfejs.

Grupa DSS

Sve što je gore rečeno o DSS odnosilo se pre svega na podršku pojedinačnim odlukama. Međutim, menadžer rijetko donosi odluku sam. Upravni odbori, naučno-tehnička vijeća, projektantski timovi, problemske komisije - ovo nije potpuna lista primjera kolektivnog pristupa donošenju odluka. Grupni DSS (GDSS) su interaktivni kompjuterski sistemi dizajnirani da pruže podršku grupama radnika u rješavanju loše strukturiranih problema.

Grupno odlučivanje je složenije od individualnog odlučivanja jer uključuje potrebu pomirenja različitih individualnih gledišta. Stoga je glavni zadatak SSPPR-a poboljšanje komunikacije u radnom timu. Poboljšana komunikacija rezultira uštedom radnog vremena, što se može iskoristiti za dublje udubljivanje u dati problem i razvoj više mogućih alternativa za njegovo rješavanje. Evaluacija više alternativa doprinosi izboru odluke sa više informacija.

Važnost donošenja grupnih odluka, s jedne strane, hronični poroci grupne komunikacije (vidi Poglavlje 2) i ograničena sposobnost suočavanja s njima, s druge strane, doveli su do stvaranja posebne informatičke tehnologije za podršku grupnim odlukama.

Veći dio ove tehnologije implementiran je kroz Office Automation Systems (CAO)1, poboljšavajući komunikaciju između zaposlenih. SPSS može biti specijaliziran (prilagođen rješavanju samo jedne vrste problema) ili univerzalan (dizajniran za rješavanje širokog spektra problema). Mnogi SPSS sadrže ugrađen softverski mehanizam koji sprečava razvoj negativnih trendova u grupnoj komunikaciji (pojava konfliktnih situacija, grupno razmišljanje i sl.).

Struktura SPSS-a. SPSS uključuje hardver i softver, kao i procedure i osoblje (vidi sliku 4.7).

Rice. 4.7. Struktura sistema za podršku grupnom odlučivanju

Ove komponente pružaju članovima grupe komunikaciju i drugu podršku prilikom diskusije o pitanjima. Tokom rada sa sistemom, članovi tima imaju stalan pristup bazi podataka, bazi modela i raznim aplikacijama. Menadžer grupe je odgovoran za odabir procedura neophodnih za rad grupe. Menadžer grupe i njeni članovi imaju priliku da uđu u dijalog.

Tehnička podrška. SPSS obično koristi jednu od sljedećih hardverskih konfiguracija:

1. Jedini kompjuter. U ovom slučaju, svi učesnici se okupljaju oko jednog računara i naizmjenično odgovaraju na pitanja koja se pojavljuju na ekranu monitora dok se ne dobije rješenje. Korištenje ove konfiguracije korisno je samo u obrazovne svrhe.

2. Mreža računara ili terminala. Svaki učesnik je za svojim računarom ili terminalom, imajući priliku da vodi dijalog sa centralnim procesorom sistema.

3. Prostorija za odlučivanje. U srcu ove GDSS konfiguracije je CAO1 aplikacija nazvana kompjuterska konferencija i opisana u odjeljku 4.4. Prostorija za odlučivanje uključuje lokalnu računarsku mrežu sa serverom koji pokreće sistemski menadžer. Opremljen je i zajedničkim ekranom koji vam omogućava da svim članovima grupe pokažete potrebne informacije (pojedinačne i zbirne).

Softver. GSPPR softver uključuje bazu podataka, bazu podataka modela i programa za posebne primjene. Pruža mogućnost individualnog i grupnog rada korisnika, kao i održavanje grupnih procedura odlučivanja. Dakle, u smislu grupnog rada, GSPPR softver dozvoljava

Izvršiti brojčano i grafičko sumiranje prijedloga i rezultata glasanja članova grupe;

Izračunati težinu alternativa odluka, napraviti anonimnu evidenciju primljenih prijedloga, izabrati vođu grupe, izgraditi procedure za izgradnju konsenzusa, spriječiti razvoj negativnih trendova u grupnoj komunikaciji;

Prenesite tekstualne i numeričke podatke između članova grupe, između članova grupe i upravitelja grupe, kao i između članova grupe i GPSS CPU-a.

Osoblje. Ova komponenta GDSS-a uključuje sve članove grupe i upravitelja koji je prisutan na svakom sastanku grupe i odgovoran je za hardver sistema i upravljanje promjenom u procedurama diskusije.

Molim te. Procedure su neophodna komponenta GDSS-a, kroz koje se obezbjeđuje svrsishodnost razmjene mišljenja, objektivnost postizanja konsenzusa i efikasno korištenje softvera i hardvera sistema.

Podršku pruža SPSS. Kako bismo analizirali rad SDSS-a, izdvojićemo tri nivoa alata podrške koje obezbeđuju ovi sistemi:

Nivo 1. Komunikacijska podrška

Nivo 2. Podrška odlučivanju

Nivo 3. Podrška pravilima igre

Nivo 1. Komunikacijska podrška. Na ovom nivou, SPSS, koristeći mogućnosti CAO-a i posebnih programa, može pružiti sljedeće vrste podrške:

Prijenos poruka između članova grupe putem e-pošte;

Formiranje zajedničkog ekrana vidljivog svim članovima grupe i dostupnog sa svakog radnog mjesta;

Mogućnost anonimnog unosa ideja (sugestija) i njihove anonimne evaluacije (rangiranje);

Izdavanje na zajedničkom ekranu (ili monitoru svakog radnog mjesta) svih izlaznih informacija koje su rezultat rasprave (početna i konačna lista prijedloga, rezultati glasanja, itd.);

Formiranje dnevnog reda za diskusiju.

Nivo 2. Podrška odlučivanju. Na ovom nivou, SPSS, koristeći softverske alate za modeliranje i analizu odluka, može pružiti sljedeće vrste podrške:

Planiranje i financijsko modeliranje;

Korištenje stabala odlučivanja;

Korištenje vjerojatnosnih modela;

Korištenje modela alokacije resursa.

Nivo 3. Podrška pravilima igre. Na ovom nivou SPSS koristi poseban softver kako bi se pridržavao utvrđenih pravila za vođenje grupnih procedura (na primjer, postavljanje redosljeda govora i pravila glasanja, prihvatljivost pitanja u ovom trenutku itd.).

jedan) . Prije sastanka, vođa grupe se sastaje s voditeljem grupe kako bi planirao rad grupe, izabrao softver i odredio dnevni red.

2). Rad grupe počinje činjenicom da njen vođa ponudi grupi pitanje ili problem za rješavanje.

3). Zatim, učesnici unose svoje odgovore sa tastature, koji su dostupni svima. Nakon što se učesnici upoznaju sa svim datim prijedlozima, daju komentare na njih (pozitivne ili negativne).

4) . Facilitator, koristeći program generalizacije prijedloga, traži uobičajene pojmove, teme i ideje u prijavljenim prijedlozima i od njih kreira nekoliko generaliziranih prijedloga sa komentarima koji se saopštavaju svim učesnicima.

pet) . Vođa pokreće diskusiju o generalizovanim rečenicama (verbalnim ili elektronskim). U ovoj fazi, uz pomoć posebnih programa, vrši se rangiranje (prioritet) prijedloga o kojima se raspravlja.

6). Za prvih pet ili deset prijedloga, počinje nova rasprava kako bi se precizirali i dalje evaluirali.

7). Proces (izrada prijedloga, njihova generalizacija i rangiranje) se ponavlja ili završava konačnim glasanjem. Ova faza koristi poseban program pod nazivom “final comment”, koji proizvodi komentar na odabrane generalizirane rečenice.

IZGRADNJA I KORIŠĆENJE DSS-a ZA FINANSIJSKO PLANIRANJE

Opisani primjer zasnovan je na stvarnim događajima koji su se odigrali u jednoj od zapadnih banaka.

Na kraju naredne finansijske godine banka se, nakon što je utvrdila značajan pad dobiti, osjetila u opasnosti. Analiza nastale situacije izašla je iz okvira uobičajene menadžerske aktivnosti.

Iako je ova banka bila među vodećima, jedna od prvih koja je uvela kreditne kartice i kompjuterizovani računovodstveni sistem, implementacija kreditne politike u njoj se i dalje odvijala ručno.

Odlučeno je da se napravi novi kompjuterski sistem finansijsko planiranje, koja vrši analizu i prognozu, kao i kreira izvještaje na osnovu korištenja podataka iz sistema za obradu računovodstvenih poslova koji već postoji u banci. Istovremeno, analiza se odnosila na obuhvat dinamike promjena glavnih indikatora koji ocjenjuju odnos sopstvene aktive banke i pozajmljenih sredstava. Predviđanje je trebalo da se vrši za dva stalna horizonta: 12 mjeseci i 5 godina.

Sistem finansijskog planiranja (FPS) korišten je u sljedeće tri oblasti:

Početkom svakog mjeseca se izdaje izvještaj o radu banke za prethodni mjesec;

Tokom svakog mjeseca - rješavati posebne tekuće probleme i izraditi strateške planove;

Na kraju svake kalendarske godine - izraditi dokumente godišnjeg budžeta.

Kao što je lako vidjeti, za razliku od računovodstvenih obračuna koji su već postojali u IS banci (koja je bila centralizirani EDMS), novonastali SFS je DSS koji zadržava standardne funkcije ovih sistema kao što su

Pristup podacima u bilo koje vrijeme;

Podrška donesenim odlukama izdavanjem periodičnih izvještaja o upravljanju;

Korištenje modela matematičkog predviđanja za procjenu alternativa i strategija;

Osiguravanje mogućnosti rada u režimu dijaloga (mogućnost promjene ciljeva i ograničenja kada se promijene uslovi i okolnosti na finansijskim tržištima).

Podaci. Dobijeni podaci se svakog mjeseca evidentiraju u bazama podataka koje sadrže retrospektivne informacije za posljednje tri godine na mjesečnom nivou i za sedam i po godina na tromjesečnoj osnovi. Pored toga, baze podataka sadrže primljene informacije o prognozama za narednih 12 mjesečnih perioda.

Izvještaji i analize. Sistem finansijskog planiranja svakog mjeseca proizvodi kompletan set finansijskih dokumenata, uključujući bilans stanja, bilans uspjeha i izvještaje o glavnim komercijalni učinak. Dobijeni mjesečni podaci upoređuju se sa rezultatima prognoze, budžetom i sličnim podacima dobijenim u prethodnoj godini. Osim toga, sistem izdaje periodične izvještaje o posebno stresnim (kritičnim) aspektima aktivnosti banke, na primjer, izvještaj o odnosu stopa i obima kamata.

Predviđanje. Sve navedene izvještaje sistem može izdati za svaki od sljedećih 12 mjeseci. Varijable s objašnjenjima za ove izvještaje mogu se unijeti direktno od strane korisnika ili se mogu automatski generirati iz strateških razloga. Po potrebi se ovdje mogu koristiti optimizacijski modeli koji se nalaze u bazi modela sistema. Prognoza se „kotrlja“, stalno pokriva narednih 12 mjeseci, uz stalnu ponovnu evaluaciju podataka na početku svakog mjeseca.

Prednosti. Uvođenje SFP-a dovelo je do povećanja profitabilnosti banke zbog sljedećih faktora:

Izgradnja mehanizma za upravljanje najvažnijim pokazateljima bilansa stanja, uključujući likvidnost i odnos sopstvenog i pozajmljenog kapitala;

Stvaranje baze za koordinaciju procesa donošenja odluka na nivou strateškog planiranja;

Stvaranje sposobnosti višeg menadžmenta da brzo reaguje na promjenjive propise, tržišne uslove i unutarbanke

okolnosti;

Smanjenje troškova kreiranja periodičnih izvještaja o menadžmentu

Pitanja za samoispitivanje

1. Opišite situaciju koja je navela menadžment banke da kreira SFP.

2. Koje je koristi dalo uvođenje SFP-a?

3. Opišite komponente SFP-a, obrazlažući kojem tipu IS-a pripada.

3). DSS ima mogućnost upravljanja dijalogom između korisnika i sistema, kao i upravljanje podacima i modelima.

Federalna državna budžetska obrazovna ustanova visokog stručnog obrazovanja

„RUSKA AKADEMIJA NARODNE EKONOMIJE

I JAVNE USLUGE

pod PREDSEDNIKOM RUSKOG FEDERACIJE"

Northwestern Institute of Management

Fakultet: Državna i opštinska uprava

Odjel: Opći menadžment i logistika

Rad na kursu

"Sistemi za podršku odlučivanju"

Student 3. godine

Redovno obrazovanje

Fetiskin Ivan Jurijevič

Radni menadžer

Vanredni profesor, kandidat filoloških nauka

Mysin Nikolay Vasilievich

Sankt Peterburg 2015

Uvod

Poglavlje 1. Teorijski aspekti i koncepti sistema za podršku odlučivanju

1 Definicija sistema za podršku odlučivanju, njegove funkcije

2 Struktura sistema za podršku odlučivanju

3 Skladišta podataka

4 OLAP tehnologije

5 Inteligentan Analiza podataka

6 Klasifikacije sistema za podršku odlučivanju

7 Aplikacije

8 DSS tržište

9 Evaluacija sistema za podršku odlučivanju (DSS)

Poglavlje 2 Praksa primene DSS na primeru teritorijalnih filijala Banke Rusije

1 Formulacija ciljeva i zadataka studije, karakteristike objekta koji se proučava

2 Opšti pregled i opis posla

2.1 Razvoj DSS u upravljanju aktivnostima teritorijalnih filijala Banke Rusije

2.2 Opis funkcionalnih podsistema

2.3 Razvoj DSS-a na nivou tehničkih specifikacija koji implementira metodološka i instrumentalna rješenja

3 Zaključci i rezultati primene ovog DSS

Zaključak

Bibliografija

Uvod

Razvoj tržišnih odnosa, decentralizacija upravljanja, brza zastarijevanja informacija određuju visoke zahtjeve savremenog lidera. Poznavanje i vješto korištenje odredaba menadžmenta uvelike olakšava rad rukovodiocu, pomaže mu da odredi prioritete i sistematizira rad. Organizacione strukture služe kao osnova na kojoj se grade sve upravljačke aktivnosti.

Organizacije stvaraju strukture kako bi osigurale koordinaciju i kontrolu aktivnosti svojih jedinica i zaposlenih. Strukture organizacija razlikuju se jedna od druge po složenosti (tj. stepenu podjele aktivnosti na različite funkcije), formalizaciji (tj. stepenu do kojeg se koriste unaprijed utvrđena pravila i procedure), odnosu centralizacije i decentralizacije (tj. , nivoi na kojima su menadžerska rješenja).

Strukturni odnosi u organizacijama su u fokusu mnogih istraživača i menadžera. Za efikasno postizanje ciljeva potrebno je razumjeti strukturu rada, odjeljenja i funkcionalne jedinice. Organizacija rada i ljudi u velikoj mjeri utiče na ponašanje radnika. Strukturni i bihevioralni odnosi, zauzvrat, pomažu u postavljanju ciljeva organizacije, utiču na stavove i ponašanje zaposlenih. Strukturni pristup se primjenjuje u organizacijama kako bi se osigurali osnovni elementi aktivnosti i odnosi među njima. Uključuje korištenje podjele rada, pokrivenost kontrole, decentralizaciju i odjeljenje.

U kontekstu dinamike moderne proizvodnje i društvene strukture, menadžment mora biti u stanju kontinuirani razvoj, što se danas ne može postići bez istraživanja puteva i mogućnosti ovog razvoja, bez izbora alternativnih pravaca. Istraživanja menadžmenta se sprovode u svakodnevnim aktivnostima rukovodilaca i osoblja iu radu specijalizovanih analitičkih grupa, laboratorija, odeljenja. Potreba za istraživanjem sistema menadžmenta je diktirana prilično velikim spektrom problema sa kojima se mnoge organizacije moraju suočiti. Uspjeh ovih organizacija zavisi od pravilnog rješavanja ovih problema.

Organizaciona struktura menadžmenta je jedan od ključnih koncepata menadžmenta, usko vezan za ciljeve, funkcije, proces upravljanja, rad menadžera i raspodelu ovlašćenja među njima. U okviru ove strukture odvija se cjelokupni proces upravljanja (kretanje tokova informacija i donošenje upravljačkih odluka), u kojem učestvuju menadžeri svih nivoa, kategorija i stručnih specijalizacija. Konstrukcija se može uporediti sa okvirom zgrade sistema upravljanja, izgrađenom tako da se svi procesi koji se u njoj odvijaju odvijaju blagovremeno i kvalitetno.

Razlike u strukturi organizacije, u karakteristikama njihovog funkcionisanja, ostavljaju veoma značajan pečat menadžerske aktivnosti, au nekim slučajevima imaju odlučujući utjecaj na to. Osim toga, aktivnosti lidera, njegove psihološke karakteristike zavise ne samo od vrste organizacijske strukture, već i od njegovog hijerarhijskog mjesta u ovoj strukturi, što, zapravo, čini temu ovog kursa najrelevantnijom.

Naučno utemeljeno formiranje organizacionih upravljačkih struktura je hitan zadatak moderna pozornica prilagođavanje privrednih subjekata tržišnoj ekonomiji. U savremenim uslovima neophodna je široka upotreba principa i metoda projektovanja menadžment organizacije zasnovane na sistematskom pristupu.

SVRHA OVOG RADA PREDMETA je proučavanje principa hijerarhije u upravljačkoj strukturi organizacije.

Za postizanje ovog cilja u radu su definisani sljedeći zadaci:

proučavanje suštine i principa izgradnje organizacionih struktura, njihove klasifikacije i faza istorijskog razvoja;

proučavanje suštine i principa izgradnje organizacionih struktura;

izgradnju strategije za organizacionu promjenu.

METODE ISTRAŽIVANJA: analitičke, grafičke.

Za pisanje ovog rada korišćeni su naučni radovi i radovi domaćih i stranih autora posvećeni pitanjima upravljanja procesima, kreiranju sistema podrške odlučivanju menadžmentom. U radu su korišćeni materijali objavljeni u ruskoj i stranoj štampi, kao i oni predstavljeni na specijalizovanim stručnim internet stranicama.

Poglavlje 1. Teorijski aspekti i koncepti sistema za podršku odlučivanju

1 Definicija sistema za podršku odlučivanju, njegove funkcije

Očigledno je da odluke koje se donose o strategiji i taktici razvoja grada moraju biti pažljivo osmišljene i opravdane. Ovo je posebno važno u društveno-ekonomskim sistemima, jer se odluke koje se donose tiču ​​živih ljudi, njihovog materijalnog i duhovnog stanja. Međutim, do danas je donošenje odluka od strane gradonačelnika, gradske uprave, odbora zasnovano na iskustvu i intuiciji čelnika. Ali društveno-ekonomski sistemi su složeni i njihovo je ponašanje teško predvidjeti zbog prisustva velikog broja direktnih i povratne informaciječesto nije očigledan na prvi pogled. Ljudski mozak nije u stanju da se nosi sa zadatkom ove dimenzije, pa je neophodno pružiti informacijsku i analitičku podršku za donošenje odluka. Poslednjih godina formirao se i aktivno se koristi novi pravac u oblasti automatizacije menadžerskog rada - sistemi za podršku odlučivanju. Uspješno se koriste u raznim industrijama: telekomunikacijama, financijama, trgovini, industriji, medicini i mnogim drugim.

Koncept sistema za podršku odlučivanju (DSS) uključuje niz kombinovanih alata zajednički cilj- promovira donošenje racionalnih i efektivnih upravljačkih odluka.

Sistem za podršku odlučivanju (DSS) je kompjuterski automatizovani sistem, čija je svrha da pomogne ljudima koji donose odluke u teškim uslovima za potpunu i objektivnu analizu aktivnosti predmeta. To je interaktivni sistem koji koristi pravila odlučivanja i odgovarajuće modele sa bazama podataka, kao i proces interaktivne kompjuterske simulacije.

DSS je nastao kao rezultat spajanja upravljačkih informacionih sistema i sistema upravljanja bazama podataka. DSS su sistemi čovek-mašina koji omogućavaju donosiocima odluka da koriste podatke, znanje, objektivne i subjektivne modele za analizu i rešavanje nestrukturiranih i loše formalizovanih problema.

Proces donošenja odluke je primanje i odabir najoptimalnije alternative, uzimajući u obzir pogrešnu kalkulaciju svih posljedica. Prilikom odabira alternativa potrebno je izabrati onu koja najpotpunije ispunjava cilj, ali se istovremeno mora uzeti u obzir veliki broj suprotstavljenih zahtjeva i stoga odabrano rješenje vrednovati prema mnogim kriterijima.

Sistem za podršku odlučivanju je dizajniran da podrži višekriterijumske odluke u složenom informacionom okruženju. Istovremeno, pod višekriterijumom se podrazumijeva činjenica da se rezultati donesenih odluka ne ocjenjuju po jednom, već po ukupnosti više indikatora (kriterija) koji se razmatraju istovremeno. Složenost informacija određena je potrebom da se uzme u obzir velika količina podataka čija je obrada praktički nemoguća bez pomoći savremene kompjuterske tehnologije. Pod ovim uslovima, broj moguća rješenja, u pravilu je vrlo velik, a izbor najboljeg od njih "na oko", bez sveobuhvatne analize, može dovesti do velikih grešaka.

DSS takođe omogućava da se olakša rad poslovnim liderima i poveća njegova efikasnost. Oni značajno ubrzavaju rješavanje problema u poslovanju. DSS doprinosi uspostavljanju međuljudskih kontakata. Na njihovoj osnovi može se vršiti obuka i obuka osoblja. Ovi informacioni sistemi vam omogućavaju da povećate kontrolu nad aktivnostima organizacije. Prisustvo DSS-a koji dobro funkcioniše pruža velike prednosti u odnosu na konkurentske strukture. Zahvaljujući predlozima DSS-a, otvaraju se novi pristupi rešavanju svakodnevnih i nestandardnih zadataka.

DSS karakterišu sledeće karakteristične karakteristike:

· orijentacija na rješavanje loše strukturiranih (formaliziranih) zadataka, tipičnih uglavnom za visoke nivoe menadžmenta;

· mogućnost kombinovanja tradicionalnih metoda pristupa i obrade računarskih podataka sa mogućnostima matematičkih modela i metoda za rešavanje problema zasnovanih na njima;

· fokusiranje na neprofesionalnog krajnjeg korisnika računara kroz korištenje interaktivnog načina rada;

· visoka prilagodljivost, pružajući mogućnost prilagođavanja karakteristikama raspoloživog hardvera i softvera, kao i zahtjevima korisnika.

Sistem za podršku odlučivanju rješava dva glavna zadatka:

.izbor najbolje rješenje iz skupa mogućih (optimizacija);

2.naručivanje mogućih rješenja po želji (rangiranju).

Za analizu i izradu predloga u DSS koriste se različite metode. To može biti:

· pretraga informacija,

· rudarenje podataka,

· tražiti znanje u baze podataka,

· obrazloženje zasnovano na slučaju

· simulacijsko modeliranje,

· evolucijsko računanje i genetski algoritmi,

· neuronske mreže,

· situaciona analiza,

· kognitivno modeliranje itd.

Neke od ovih metoda razvijene su u okviru umjetne inteligencije. Ako se rad DSS-a zasniva na metodama veštačke inteligencije, onda se govori o intelektualnom DSS-u ili IDSS-u.

Klase sistema bliskih DSS-u su ekspertni sistemi i automatizovani sistemi upravljanja.

Sistem omogućava rješavanje problema operativnog i strateškog upravljanja na osnovu računovodstvenih podataka o aktivnostima kompanije.

Sistem za podršku odlučivanju je skup softverskih alata za analizu podataka, modeliranje, predviđanje i donošenje upravljačkih odluka, koji se sastoji od vlastitih razvoja i kupljenih softverskih proizvoda (Oracle, IBM, Cognos).

Teorijska istraživanja u razvoju prvih sistema za podršku odlučivanju sprovedena su na Karnegijevom tehnološkom institutu krajem 50-ih i početkom 60-ih godina XX veka. Specijalisti sa Massachusetts Institute of Technology su 60-ih godina mogli kombinovati teoriju s praksom. Sredinom i krajem 80-ih godina XX veka počeli su da se pojavljuju sistemi kao što su EIS, GDSS, ODSS. Godine 1987., Texas Instruments je razvio sistem prikaza dodjeljivanja vrata za United Airlines. Ovo je znatno smanjilo gubitke od letova i prilagodilo upravljanje raznim aerodromima, počevši od O međunarodnog aerodroma Hare u Chicagu i završava sa Stapletonom u Denveru, Colorado. Devedesetih godina, opseg DSS mogućnosti se proširio uvođenjem skladišta podataka i OLAP alata. Pojava novih tehnologija izvještavanja učinila je DSS nezamjenjivim u upravljanju.

1.2 Struktura DSS-a

Ako govorimo o strukturi DSS-a, onda postoje četiri glavne komponente:

· Informacijska skladišta podataka. Skladište podataka je banka podataka određene strukture koja sadrži informacije o proces proizvodnje kompanije u istorijskom kontekstu. Glavna svrha repozitorija je da omogući brzo izvršavanje proizvoljnih analitičkih upita. (Više detalja o skladištima podataka razmatrano je u paragrafu 1.3 Poglavlja 1.)

· Višedimenzionalna baza podataka i alati za analizu OLAP (On-Line Analytical Processing) - servis je alat za analizu velikih količina podataka u realnom vremenu. (detaljno u paragrafu 1.4 poglavlja 1)

· Alati za rudarenje podataka. Uz pomoć alata za rudarenje podataka, možete provesti dubinsko rudarenje podataka. (Više detalja u paragrafu 1.5 Poglavlja 1.)

DSS se zasniva na kompleksu međusobno povezanih modela sa odgovarajućom informatičkom podrškom za istraživačke, ekspertske i inteligentne sisteme koji uključuju iskustvo u rešavanju problema upravljanja i obezbeđuju učešće tima stručnjaka u procesu donošenja racionalnih odluka.

Slika 1 u nastavku prikazuje arhitektonsku i tehnološku šemu informacijske i analitičke podrške odlučivanju:

Sl.1 Arhitektonska i tehnološka šema DSS-a

Analitički DSS sistemi omogućavaju rešavanje tri glavna zadatka:

.izvještavanje,

.analiza informacija u realnom vremenu (OLAP),

.rudarenje podataka.

3 Skladišta podataka

Jasno je da donošenje odluka treba da se zasniva na stvarnim podacima o objektu upravljanja. Takve informacije se obično pohranjuju u operativnim bazama podataka OLTP sistema. Ali ovi operativni podaci nisu prikladni za potrebe analize, jer su agregirane informacije uglavnom potrebne za analizu i donošenje strateških odluka. Osim toga, za potrebe analize potrebno je biti u stanju brzo manipulirati informacijama, prezentirati ih u različitim aspektima, praviti različite ad hoc upite prema njima, što je teško implementirati na operativne podatke zbog performansi i tehnološke složenosti.

Rješenje ovog problema je kreiranje zasebnog skladišta podataka (DW) koje sadrži agregirane informacije na zgodan način. Svrha izgradnje skladišta podataka je integracija, ažuriranje i harmonizacija operativnih podataka iz heterogenih izvora u cilju formiranja jedinstvenog konzistentnog pogleda na kontrolni objekt kao cjelinu. Istovremeno, koncept skladišta podataka zasniva se na prepoznavanju potrebe za razdvajanjem skupova podataka koji se koriste za transakcijsku obradu i skupova podataka koji se koriste u sistemima za podršku odlučivanju. Takvo razdvajanje je moguće integracijom detaljnih podataka razdvojenih u različitim sistemima za obradu podataka (DPS) i eksternih izvora u jedno spremište, njihovom koordinacijom i, eventualno, agregacijom.

Treba istaći glavne prednosti DSS skladišta podataka:

· Jedinstven izvor informacija: kompanija dobija verifikovano jedinstveno informaciono okruženje na kojem će se graditi sve referentne i analitičke aplikacije u predmetnoj oblasti za koju se gradi repozitorijum. Ovo okruženje će imati jedinstven interfejs, unificirane strukture skladištenja, zajedničke direktorije i druge korporativne standarde, što će olakšati kreiranje i podršku analitičkih sistema.

· Takođe, prilikom projektovanja skladišta informacija, posebna pažnja se poklanja pouzdanosti informacija koje ulaze u repozitorijum.

· Performanse: Fizičke strukture skladišta podataka su posebno optimizirane za izvođenje potpuno nasumičnih odabira, što vam omogućava da izgradite zaista brze sisteme upita.

· Brzina razvoja: specifična logička organizacija repozitorija i postojeći specijalizovani softver omogućavaju vam da kreirate analitičke sisteme uz minimalne troškove programiranja.

· Integracija: integracija podataka iz različitih izvora je već urađena, tako da nije potrebno svaki put vršiti podatkovnu vezu za upite koji zahtijevaju informacije iz više izvora. Integracija se odnosi ne samo na zajedničko fizičko skladištenje podataka, već i na njihovo suštinsko, koordinisano povezivanje; čišćenje i poravnavanje tokom njihovog formiranja; usklađenost sa tehnološkim karakteristikama itd.

· Povijest i stabilnost: OLTP sistemi rade sa ažurnim podacima čiji period primjene i čuvanja obično ne prelazi vrijednost tekućeg perioda poslovanja (šest mjeseci do godinu dana), dok je informacijsko skladište podataka namijenjeno dugotrajno čuvanje informacija 10-15 godina. Stabilnost znači da se stvarne informacije u skladištu podataka ne ažuriraju ili brišu, već se samo prilagođavaju na poseban način promjenama poslovnih atributa. Tako postaje moguće izvršiti historijsku analizu informacija.

· Nezavisnost: alokacija skladišta informacija značajno smanjuje opterećenje OLTP sistema od analitičkih aplikacija, pa se performanse postojećih sistema ne pogoršavaju, ali u praksi dolazi do smanjenja vremena odziva i poboljšane dostupnosti sistema.

Dakle, skladište podataka radi prema sljedećem scenariju. Prema datom propisu, prikuplja podatke iz različitih izvora – baza podataka onlajn sistema za obradu podataka. Skladištenje podržava hronologiju: zajedno sa trenutnim podacima, historijski podaci se pohranjuju s naznakom vremena na koje se odnose. Kao rezultat, potrebni dostupni podaci o kontrolnom objektu se prikupljaju na jednom mjestu, dovode u jedinstven format, usaglašavaju i, u nekim slučajevima, agregiraju na minimalno potreban nivo generalizacije.

A na osnovu skladišta podataka već je moguće praviti izvještaje za upravljanje, analizirati podatke koristeći OLAP tehnologije i data mining (Data Mining).

DSS servis za izveštavanje pomaže organizaciji da se nosi sa kreiranjem svih vrsta informativnih izveštaja, sertifikata, dokumenata, sažetaka itd., posebno kada je broj izdatih izveštaja veliki i oblici izveštaja se često menjaju. DSS alati, automatizacijom izdavanja izveštaja, omogućavaju pretvaranje njihovog skladištenja u elektronski oblik i distribuciju preko korporativne mreže među zaposlenima kompanije.

Uz velika korporativna skladišta podataka, Data Marts se također široko koriste. Data mart je mala specijalizovana pohrana za određenu usku predmetnu oblast, fokusirana na skladištenje podataka vezanih za jednu poslovnu temu. Projekat vitrine podataka zahtijeva manje ulaganja i završava se u vrlo kratkom vremenu. Može postojati nekoliko takvih baza podataka, recimo tržište podataka o prihodima za računovodstveno odjeljenje kompanije i tržište podataka o kupcima za odjel marketinga kompanije.

1.4 OLAP tehnologije

U interakciji sa OLAP sistemom, korisnik će moći da izvrši fleksibilan pregled informacija, dobije proizvoljne rezove podataka i izvrši analitičke operacije detaljisanja, konvolucije, end-to-end distribucije, poređenja tokom vremena. Sav rad sa OLAP sistemom odvija se u okviru predmetne oblasti. Koncept online analitičke obrade (OLAP) zasniva se na višedimenzionalnom predstavljanju podataka.

Termin OLAP uveo je E. F. Codd 1993. godine. U svom članku razmatra nedostatke relacionog modela, prvenstveno nemogućnost „kombinovanja, pregleda i analize podataka u više dimenzija, odnosno na najrazumljiviji način za korporativne analitičare“, te definiše Opšti zahtjevi na OLAP sisteme koji proširuju funkcionalnost relacionog DBMS-a i uključuju multidimenzionalnu analizu kao jednu od njihovih karakteristika.

Prema Codd-u, višedimenzionalni konceptualni pogled je najprirodniji pogled rukovodećeg osoblja na objekt upravljanja. To je višestruka perspektiva, koja se sastoji od nekoliko nezavisnih dimenzija duž kojih se određeni skupovi podataka mogu analizirati. Simultana analiza na više dimenzija podataka definira se kao multivarijantna analiza. Svaka dimenzija uključuje pravce konsolidacije podataka, koji se sastoje od niza uzastopnih nivoa generalizacije, pri čemu svaki viši nivo odgovara većem stepenu agregacije podataka za odgovarajuću dimenziju. Dakle, dimenzija Izvođač radova može se odrediti smjerom konsolidacije, koja se sastoji od nivoa generalizacije "preduzeće - pododjel - odjel - zaposlenik". Dimenzija "Vrijeme" može čak uključiti dva smjera konsolidacije - "godina - kvartal - mjesec - dan" i "sedmica - dan", pošto je odbrojavanje vremena po mjesecu i sedmici nekompatibilno. U ovom slučaju postaje moguće proizvoljno odabrati željeni nivo detalja informacija za svako od mjerenja. Operacija spuštanja (drilling down) odgovara kretanju sa viših nivoa konsolidacije na niže; naprotiv, operacija dizanja (namotavanja) znači prelazak sa nižih nivoa na više.

1.5 Data mining

Najveći interes za DSS je data mining, jer omogućava najpotpuniju i najdublju analizu problema, omogućava otkrivanje skrivenih odnosa i donošenje najrazumnije odluke. Trenutni nivo razvoja hardvera i softverski alati već neko vrijeme omogućava održavanje baza podataka operativnih informacija na različitim nivoima vlasti. U okviru svojih aktivnosti, industrijska preduzeća, korporacije, resorne strukture, organi državna vlast a lokalne samouprave su akumulirale velike količine podataka. Sadrže veliki potencijal za izvlačenje korisnih analitičkih informacija, na osnovu kojih možete prepoznati skrivene trendove, izgraditi strategiju razvoja i pronaći nova rješenja.

Data mining, IAD (Data Mining) je proces za podršku odlučivanju zasnovan na potrazi za skrivenim obrascima (informacionim obrascima) u podacima. Istovremeno, akumulirane informacije se automatski generalizuju na informacije koje se mogu okarakterisati kao znanje.

Općenito, IAD proces se sastoji od tri faze:

.prepoznavanje obrazaca;

.korištenje otkrivenih obrazaca za predviđanje nepoznatih vrijednosti (prediktivno modeliranje);

.analiza izuzetaka, dizajnirana da identifikuje i interpretira anomalije u pronađenim obrascima.

Nove kompjuterske tehnologije koje formiraju IAD su ekspertni i inteligentni sistemi, metode veštačke inteligencije, baze znanja, baze podataka, kompjutersko modeliranje, neuronske mreže, fazi sistemi. Moderne tehnologije IAD vam omogućava da kreirate nova znanja, otkrivajući skrivene obrasce, predviđajući buduće stanje sistema. Glavna metoda modeliranja socio-ekonomskog razvoja grada je simulacijska metoda, koja vam omogućava da istražite gradski sistem eksperimentalnim pristupom. To omogućava da se na modelu odigraju različite strategije razvoja, uporede alternative, uzmu u obzir uticaj mnogih faktora, uključujući i one sa elementima neizvesnosti.

Model koji je konstruisan u ovom radu pripada ovoj klasi sistema. Na osnovu njega lokalne samouprave strateškog i taktičkog nivoa dobijaju priliku da analiziraju dinamiku razvoja složenog društveno-ekonomskog urbanog sistema, identifikuju odnose koji nisu očigledni na prvi pogled, uporede različite alternative, analiziraju anomalije i izvuku najviše. razumna odluka.

Obećavajuće je korišćenje kombinovanih metoda odlučivanja u DSS-u u kombinaciji sa metodama veštačke inteligencije i kompjuterskog modeliranja, različitim simulacionim i optimizacijskim postupcima, donošenje odluka u kombinaciji sa ekspertskim procedurama.

1.6 DSS klasifikacije

Postoje tri tipa DSS-a na osnovu interakcije sa korisnikom:

· pasivni pomažu u procesu donošenja odluka, ali ne mogu dati konkretan prijedlog;

· aktivni učesnici su direktno uključeni u razvoj pravog rješenja;

· kooperativni uključuju interakciju DSS-a sa korisnikom. Prijedlog koji je iznio sistem može se finalizirati, poboljšati, a zatim poslati nazad sistemu na verifikaciju. Nakon toga, prijedlog se ponovo predstavlja korisniku, i tako sve dok ne odobri odluku.

Prema načinu podrške razlikuju se:

· DSS zasnovan na modelu, koriste pristup statističkim, finansijskim ili drugim modelima u svom radu;

· DSS zasnovan na komunikaciji podržava rad dva ili više korisnika uključenih u zajednički zadatak;

· DSS vođen podacima ima pristup vremenskim serijama organizacije. U svom radu koriste ne samo interne, već i eksterne podatke;

· DSS orijentisan na dokumente manipuliše nestrukturiranim informacijama sadržanim u različitim elektronskim formatima;

· DSS zasnovan na znanju pruža specijalizovana rešenja problema zasnovana na činjenicama.

Po oblasti upotrebe razlikuju se:

· Sistemski - rade sa velikim sistemima za skladištenje i koriste ih mnogi korisnici.

Prema arhitekturi i principu rada razlikuju se:

· Funkcionalni DSS.

Oni su najjednostavniji u arhitektonskom smislu. Uobičajeni su u organizacijama koje ne postavljaju globalne ciljeve i imaju nizak nivo razvoja informacionih tehnologija. Karakteristična karakteristika funkcionalnog DSS-a je da se analiziraju podaci sadržani u datotekama operativnih sistema. Prednosti ovakvog DSS-a su kompaktnost zbog upotrebe jedne platforme i efikasnost zbog odsustva potrebe za ponovnim učitavanjem podataka u specijalizovani sistem. Među nedostacima može se primijetiti sljedeće: sužavanje spektra problema koji se rješavaju korištenjem sistema, smanjenje kvalitete podataka zbog nedostatka faze za njihovo čišćenje, povećanje opterećenja na operativni sistem sa mogućnošću raskida.

· DSS koristeći nezavisne vitrine podataka.

Koriste se u velikim organizacijama sa nekoliko odjela, uključujući odjele za informacione tehnologije. Svaka konkretna baza podataka kreirana je za rješavanje specifičnih problema i fokusirana je na određeni krug korisnika. Ovo značajno poboljšava performanse sistema. Implementacija takvih struktura je prilično jednostavna. Od negativnih točaka može se primijetiti da se podaci više puta unose u različite izloge, pa se mogu duplicirati. Ovo povećava troškove skladištenja informacija i komplikuje proceduru objedinjavanja. Popunjavanje baza podataka je prilično teško zbog činjenice da morate koristiti više izvora. Ne postoji jedinstvena slika poslovanja organizacije, zbog činjenice da nema konačne konsolidacije podataka.

· DSS baziran na dvoslojnom skladištu podataka.

Korišćen u velike kompanije, čiji su podaci konsolidovani u jedinstveni sistem. Definicije i metode obrade informacija u ovom slučaju su objedinjene. Da bi se osigurao normalan rad ovakvog DSS-a, potrebno je izdvojiti specijalizovani tim koji će ga opsluživati. Ovakva DSS arhitektura je lišena nedostataka prethodne, ali nema mogućnost strukturiranja podataka za pojedinačne grupe korisnika, kao ni ograničavanja pristupa informacijama. Možda ćete imati problema sa performansama sistema.

· DSS baziran na tri nivoa skladišta podataka.

Takvi DSS-ovi koriste skladište podataka iz kojeg se formiraju vitrine podataka koje koriste grupe korisnika koji rješavaju slične probleme. Dakle, omogućen je pristup i specifičnim strukturiranim podacima i jednoj konsolidovanoj informaciji. Popunjavanje baza podataka je pojednostavljeno korištenjem provjerenih i očišćenih podataka iz jednog izvora.

Postoji model korporativnih podataka. Takvi DSS se odlikuju zagarantovanim performansama. Ali postoji redundantnost podataka, što dovodi do povećanja zahtjeva za skladištenjem. Osim toga, potrebno je koordinirati takvu arhitekturu s različitim područjima s potencijalno različitim zahtjevima.

U zavisnosti od funkcionalnog sadržaja interfejsa sistema, postoje dva glavna tipa DSS-a: EIS i DSS (Execution Information System) – informacioni sistemi za upravljanje preduzećem. Ovi sistemi su namenjeni nespremnim korisnicima, imaju pojednostavljen interfejs, osnovni set funkcija koje se nude i fiksne oblike prezentacije informacija. EIS-sistemi crtaju opštu vizuelnu sliku trenutnog stanja pokazatelja poslovanja kompanije i trendova njihovog razvoja, uz mogućnost produbljivanja predmetnih informacija na nivo velikih objekata kompanije. EIS-sistemi - pravi povratak koji menadžment kompanije vidi od uvođenja DSS tehnologija (Desicion Support System) 7 - potpuno opremljeni sistemi za analizu i istraživanje podataka, dizajnirani za obučene korisnike koji imaju znanja iu predmetnoj oblasti istraživanja iu smislu kompjuterske pismenosti. Obično, za implementaciju DSS sistema (ako su podaci dostupni), dovoljno je instalirati i konfigurisati specijalizovani softver od dobavljača rešenja za OLAP sisteme i Data Mining.

Takva podjela sistema na dva tipa ne znači da konstrukcija DSS-a uvijek uključuje implementaciju samo jednog od ovih tipova. EIS i DSS mogu raditi paralelno, dijeleći zajedničke podatke i/ili usluge, pružajući svoju funkcionalnost i višem menadžmentu i analitičkim odjeljenjima kompanija.

1.7 Aplikacije

Telekomunikacije

Telekomunikacione kompanije koriste DSS za pripremu i donošenje niza odluka koje imaju za cilj da zadrže svoje klijente i minimiziraju njihov odliv u druge kompanije. DSS omogućava kompanijama da efikasnije sprovode svoje marketinške programe, sprovode atraktivnije fakturisanje svojih usluga.

Analiza zapisa sa karakteristikama poziva omogućava vam da identifikujete kategorije kupaca sa sličnim obrascima ponašanja kako biste razlikovali svoj pristup privlačenju kupaca određene kategorije.

Postoje kategorije klijenata koji stalno mijenjaju provajdere kao odgovor na određene reklamne kampanje. DSS omogućava identifikaciju najviše karakteristike„stabilnih“ klijenata, tj. kupaca koji dugo ostaju lojalni jednoj kompaniji, što im omogućava da svoju marketinšku politiku usmjere na zadržavanje ove kategorije kupaca.

Bankarstvo

DSS se koriste za bolje praćenje različitih aspekata bankarstva, kao što su servisiranje kreditnih kartica, kredita, investicija i slično, što može značajno poboljšati efikasnost rada.

Identifikacija slučajeva prevare, procena rizika kreditiranja, predviđanje promena u klijenteli - delokrug DSS i metode data mininga. Klasifikacija klijenata, odabir grupa klijenata sa sličnim potrebama omogućava ciljanu marketinšku politiku, pružajući atraktivniji set usluga određenoj kategoriji klijenata.

Osiguranje

Skup DSS aplikacija u poslovanju osiguranja može se nazvati klasičnim – to je identifikacija potencijalnih slučajeva prevare, analiza rizika i klasifikacija klijenata.

Otkrivanje određenih stereotipa u potraživanjima iz osiguranja, u slučaju velikih iznosa, može smanjiti broj slučajeva prevara u budućnosti.

Analizirajući karakteristike slučajeva plaćanja po osnovu obaveza osiguranja, Osiguravajuća društva mogu smanjiti svoje gubitke. Dobijeni podaci će dovesti, na primjer, do revizije sistema popusta za kupce koji potpadaju pod identificirane karakteristike.

Klasifikacija klijenata omogućava identifikaciju najprofitabilnijih kategorija klijenata radi preciznijeg ciljanja postojećeg skupa usluga i uvođenja novih usluga.

Maloprodaja

Trgovačke kompanije koriste DSS tehnologije za rešavanje problema kao što su planiranje nabavke i skladištenja, analiza zajedničke kupovine, traženje obrazaca ponašanja u vremenu.

Analiza podataka o broju kupovina i dostupnosti robe na zalihama u određenom vremenskom periodu omogućava vam da planirate kupovinu robe, na primjer, kao odgovor na sezonske fluktuacije potražnje za robom.

Često, prilikom kupovine proizvoda, kupac uz njega nabavlja još jedan proizvod. Identifikacija grupa takve robe omogućava, na primjer, njihovo postavljanje na susjedne police kako bi se povećala vjerovatnoća njihove zajedničke kupovine.

Potraga za obrascima ponašanja u vremenu daje odgovor na pitanje "Ako je danas kupac kupio jedan proizvod, nakon kojeg vremena će kupiti drugi proizvod?". Na primjer, prilikom kupovine kamere, kupac će vjerovatno kupiti film, razvoj i usluge štampanja u bliskoj budućnosti.

Lek

Postoji mnogo stručnih sistema za postavljanje medicinskih dijagnoza. Izgrađeni su uglavnom na temelju pravila koja opisuju kombinacije različitih simptoma različitih bolesti. Uz pomoć takvih pravila uče ne samo od čega je pacijent bolestan, već i kako ga liječiti. Pravila pomažu u odabiru sredstava za lijekove, određivanju indikacija - kontraindikacija, kretanju kroz procedure liječenja, stvaranju uslova za najefikasnije liječenje, predviđanju ishoda propisanog toka liječenja itd. Tehnologije rudarenja podataka omogućavaju otkrivanje obrazaca u medicinskim podacima koji čine osnovu ovih pravila.

Molekularna genetika i genetski inženjering

Možda je najakutniji i istovremeno najjasniji zadatak otkrivanja pravilnosti u eksperimentalnim podacima u molekularnoj genetici i genetskom inženjeringu. Ovdje je to formulirano kao definicija tzv. markera, koji se podrazumijevaju kao genetski kodovi koji kontroliraju određene fenotipske karakteristike živog organizma. Takvi kodovi mogu sadržavati stotine, hiljade ili više povezanih stavki.

Velika sredstva se izdvajaju za razvoj genetskih istraživanja. U posljednje vrijeme postoji poseban interes za primjenu metoda Data Mininga u ovoj oblasti. Poznato je da se nekoliko velikih firmi specijaliziralo za primjenu ovih metoda za dešifriranje ljudskih i biljnih genoma.

Primijenjena hemija

Metode rudarenja podataka se široko koriste u primijenjenoj hemiji (organskoj i neorganskoj). Ovdje se često postavlja pitanje razjašnjenja karakteristika hemijske strukture pojedinih jedinjenja koje određuju njihova svojstva. Ovaj zadatak je posebno relevantan u analizi složenih hemijskih jedinjenja, čiji opis uključuje stotine i hiljade strukturnih elemenata i njihovih veza.

1.8 DSS tržište

Na tržištu DSS-a kompanije nude sljedeće vrste usluga za kreiranje sistema za podršku odlučivanju:

· Implementacija pilot projekata na DSS sistemima kako bi se menadžmentu naručioca demonstrirao kvalitetan potencijal analitičkih aplikacija.

· Kreiranje zajedno sa Kupcem potpuno funkcionalnih DSS sistema, uključujući skladište podataka i alate Business Intelligence.

· Dizajn arhitekture skladišta podataka, uključujući strukture skladištenja i procese upravljanja.

· Kreiranje "data marts" za odabranu predmetnu oblast.

· Instaliranje i konfiguriranje OLAP-a i alata Business Intelligence; njihovo prilagođavanje zahtjevima Kupca.

· Analiza alata za statističku analizu i "data mining" za odabir softverskih proizvoda za arhitekturu i potrebe Kupca.

· Integracija DSS sistema u korporativne intranete Kupca, automatizacija elektronske razmene analitičkih dokumenata između korisnika skladišta.

· Razvoj izvršnog informacionog sistema (EIS) za potrebnu funkcionalnost.

· Usluge za integraciju baza podataka u jedinstveno okruženje za skladištenje informacija

· Obuka stručnjaka Kupca za tehnologije skladištenja podataka i analitičkih sistema, kao i za rad sa potrebnim softverskim proizvodima.

· Pružanje konsultantskih usluga Klijentu u svim fazama projektovanja i rada skladišta podataka i analitičkih sistema.

· Kompleksni projekti za kreiranje/modernizaciju računarske infrastrukture koja obezbeđuje funkcionisanje DSS-a: rešenja svih razmera, od lokalnih sistema do sistema u razmerama preduzeća/koncerna/industrije.

1.9 Evaluacija sistema za podršku odlučivanju (DMSS)

Kriterijumi za vrednovanje DSS. Sistem mora efikasno upravljati prihodima i rizikom u svim tržišnim uslovima, generišući efektivne signale za ulazak i izlaz na tržište. U isto vrijeme, učestalost transakcija treba biti umjerena, uzimajući u obzir transakcijske troškove, provizije, gubitke na spreadu, itd. Složenost konstrukcije ne bi trebala biti zastrašujuća. Većina onih koji odbacuju numeričke metode u korist svoje "intuicije" završavaju sa ispodprosječnim rezultatima.

Prirodno važna karakteristika u vrednovanju sistema je ukupna (konačna) dobit. Uz visoke operativne troškove, takva karakteristika kao što je profit po operaciji postaje važna. Tačnost odluka (procenat), izračunata kao omjer broja profitabilnih operacija i ukupnog broja operacija, popularna je karakteristika za mnoge trgovce, iako je njen značaj precijenjen. Činjenica je da mnogi efikasni sistemi češće donose pogrešne odluke nego ispravne, dok mnogi neprofitabilni (ili gotovo neprofitabilni) sistemi češće donose ispravne odluke.

Maksimalni gubitak sopstvenih sredstava je važna karakteristika za merenje rizika strategija koje sistem koristi. Sistemi podložni periodičnim velikim gubicima ne mogu se smatrati upotrebljivim, čak i ako na kraju daju dovoljan neto profit. Istovremeno, maksimalni gubici ne znače samo najveći iznos gubitaka iz niza nerentabilnih poslova, već maksimalno smanjenje kapitala u posmatranom periodu. Tokom takvog pada, niz gubitnih trgovina može biti prekinut odvojenim profitabilnim trgovinama koje nisu u stanju da promene ukupnu neprofitabilnu prirodu perioda neefikasnosti sistema. Osnovna karakteristika efikasnosti sistema izračunava se kao odnos ukupne dobiti i iznosa kapitalnog gubitka tokom perioda maksimalne neefikasnosti sistema i obično se naziva odnos prinos/rizik. Postoje i mnoge druge procjene efikasnosti sistema, ponekad prilično složene, koje zahtijevaju veliku količinu statističkih proračuna, ali u većini slučajeva su dovoljne gore navedene jednostavne karakteristike. Treba napomenuti da prilikom evaluacije sistema možete koristiti kriterijume koje preporučuje klasična teorija upravljanje portfeljem.

Optimizacija sistema se sastoji u pronalaženju najbolje formule za indikator – one najbolje u smislu ostvarivanja maksimalnog i/ili najstabilnijeg profita sa njim iz podataka prikupljenih tokom dužeg vremenskog perioda. Ova optimizacija je sama sebi kontradiktorna. Njegovi kritičari će odmah istaći da se buduće cijene mogu ponašati drugačije nego u prošlosti. Zagovornici ovakve optimizacije moraju biti uvjereni u postojanje određenih obrazaca, stabilnost u ponašanju cijena koja se ne mijenja ili se neznatno mijenja tokom vremena.

Da bi se ispitala efikasnost činjenice da pravila koja se koriste u tehničkoj analizi daju stabilan profit u budućnosti, budući da su sama izračunata iz prošlih podataka, koristi se sljedeća jednostavna metoda testiranja (tzv. slijepo modeliranje). Prvo se pravilo odluke optimizira na prošlim podacima, a zatim se testira na kasnijim (skorašnjim) podacima. Na ovaj način možete odrediti koliko dobro možete općenito predvidjeti budućnost iz prošlih podataka koristeći dato pravilo. Ako indikator sa optimalnim parametrima ima dobre rezultate na novijim podacima, možemo se nadati da će u budućnosti imati dobre rezultate.

Prilikom ponovnog vrednovanja sistemskih parametara treba preći na novi sistem samo ako je rezultirajuće "poboljšanje" statistički značajno.

Robert Pelletier preporučuje ograničavanje broja parametara prilikom konstruisanja pravila odlučivanja, jer njihovo povećanje povećava broj stepeni slobode sistema. Osim toga, mogu postojati veze između njih, odnosno mogu se pokazati statistički zavisnima, što se obično vidi iz njihovog koeficijenta unakrsne korelacije. Pelletier smatra da dobar sistem ne treba da sadrži više od 2-5 parametara.

Uzorak za provjeru indikatora treba biti dovoljno velik da ima najmanje 30 signala za odabrani period. U ovom slučaju, period bi trebao uključivati ​​cijeli broj potpunih dugih (niskofrekventnih) ciklusa kako bi se ograničio utjecaj pristrasnosti u smjeru prodaje ili kupovine. Tako, na primjer, za poznati 4-godišnji ciklus berze, analizu treba izvršiti na podacima od najmanje 8 godina.

intelektualni podaci organizacione banke

Poglavlje 2

1 Formulacija ciljeva i zadataka studije, karakteristike objekta koji se proučava

Trenutno Centralna banka Ruska Federacija(u daljem tekstu Banka Rusije) je ključni regulator ruskog bankarskog sistema i u mnogo čemu je garant njegove stabilnosti i ekonomske stabilnosti. Sistem Banke Rusije je složen organizacijske strukture- centralni ured (u daljem tekstu PU), teritorijalni uredi (u daljem tekstu TU), i ima više od 80 hiljada zaposlenih. Zauzvrat, teritorijalne institucije imaju u svojoj podređenosti mrežu centara za gotovinsko poravnanje i drugih jedinica koje obezbeđuju aktivnosti TK.Prisustvo složene organizacione strukture određuje složenost sistema upravljanja Bankom Rusije, koji pokriva dva nivoa. - TC i CA. Trenutno su za Banku Rusije relevantni sledeći glavni zadaci: opšte smanjenje troškova, standardizacija aktivnosti teritorijalnih institucija i unapređenje sistema upravljanja teritorijalnim institucijama.

Kao glavni alat za ispunjavanje ovih zadataka smatra se procesni pristup menadžmentu, čija je implementacija u Banci Rusije započeta 2002. godine. Procesni pristup je preovlađujući pristup izgradnji fleksibilnog i efikasnog sistema upravljanja, koji je postao široko rasprostranjen u svijetu u posljednjih 10-15 godina. Procesni pristup pretpostavlja jasnu formulaciju ciljeva i strategije aktivnosti, opis aktivnosti u vidu skupa međusobno povezanih procesa koji na izlazu imaju specifične rezultate, jasnu raspodjelu odgovornosti između svih učesnika u procesima.

Kao što pokazuje svjetska praksa efikasna primjena procesnog pristupa je u velikoj mjeri određena prisustvom informaciono-računarskog sistema koji generiše i obezbjeđuje informacije neophodne za donošenje odluka. Uz pomoć takvog sistema, na nivou tehničkih specifikacija Banke Rusije, bilo bi moguće opisati i kontrolisati izvršenje procesa, proceniti njihovu cenu, izračunati stvarno opterećenje, izvršiti razumnu procenu efikasnosti. procesa, zaposlenih, odjela itd. Na nivou CA Banke Rusije, sistem bi omogućio upoređivanje tehničkih specifikacija za različite indikatore akumulirane u toku rada, standardizaciju tehničkih specifikacija, opisivanje standarda procesa, repliciranje u tehničkim specifikacijama i rješavanje brojnih drugih zadataka.

Sve navedeno određuje relevantnost teme ovog poglavlja, posvećenog razvoju metodoloških, matematičkih i softversko-instrumentalnih pristupa kreiranju sistema za podršku odlučivanju u oblasti upravljanja aktivnostima teritorijalnih institucija Banke Rusije na bazi o procesnom pristupu (u daljem tekstu Sistem, DSS „Upravljanje procesima“).

Svrha ovog rada je razvoj sveobuhvatne metodološke, matematičke, informacione, softverske i instrumentalne podrške za sistem podrške odlučivanju u zadacima upravljanja aktivnostima teritorijalnih institucija Banke Rusije, uključujući nivo tehničkih specifikacija i centralna kancelarija.

2 Opšti pregled i opis posla

2.1 Razvoj novi koncept DSS u upravljanju aktivnostima teritorijalnih filijala Banke Rusije

Analizirana je specifičnost Banke Rusije, koja se sastoji u prisustvu složene organizacione strukture, vertikalnog dvostepenog sistema za upravljanje teritorijalnim institucijama, jasne regulative aktivnosti zasnovane na obimnom regulatornom okviru, složenosti dokumenta. upravljanje, karakteristike finansijskog upravljanja, informatizacija i sigurnosni zahtjevi. sigurnost informacija. Kao rezultat toga, utvrđeno je da postojeći proizvodi nisu u potpunosti prikladni za rješavanje problema upravljanja teritorijalnim filijalama Banke Rusije.

Proučavanje specifičnosti Banke Rusije i analiza glavnih zadataka u upravljanju aktivnostima tehničkih institucija omogućili su da se formulišu sledeći konceptualni principi za izgradnju DSS:

) Struktura na dva nivoa. Razvijeni DSS treba da funkcioniše na dva nivoa - TU (regionalni) i CA (federalni). Na regionalnom nivou DSS podržava upravljanje aktivnostima tehničkih specifikacija na osnovu procesnog pristupa, na saveznom nivou se prikupljaju informacije o aktivnostima iz svih tehničkih specifikacija, centralizovano skladištenje i analiza ovih informacija, klasifikacija tehničkih specifikacija, i formiranje standarda;

) Upravljanje punim ciklusom zasnovano na procesnom pristupu. Za efikasno i kontinuirano unapređenje aktivnosti, važna karakteristika DSS-a je da obezbedi pun ciklus upravljanja zasnovanog na procesnom pristupu, koji podrazumeva iterativno izvršavanje procedura za opisivanje procesa, praćenje i kontrolu izvršenja, analizu procesa i reinženjering.

Uzimajući u obzir dvostepenu strukturu sistema, kontrolni ciklus je predstavljen u sledećem obliku (slika 2):

Rice. 2. Ciklus podrške menadžmentu u DSS

)Integracija pristupa i tehnologija. Da bi se najefikasnije rešili problemi unapređenja aktivnosti tehničkih specifikacija u kreiranom DSS-u, neophodno je integrisati pristupe i tehnologije upravljanja poslovnim procesima (BPMS), upravljanja performansama (CPM) i poslovne inteligencije (BI). Ovi pristupi treba da se implementiraju na osnovu jedinstvenih arhitektonskih principa i da deluju u okviru jedinstvene informacione, softverske i tehnološke infrastrukture;

)Podrška standardima je neophodna za rješavanje problema standardizacije djelatnosti TU. Na federalnom nivou - razvoj, otklanjanje grešaka, analiza standarda procesa itd.; na regionalnom nivou - "nametanje" standarda postojećim procesima;

)Integracija procesa u skladištu podataka. Sistemi klase BPMS su transakcijski i ne zahtijevaju skladište podataka. U Banci Rusije potrebno je ne samo da organizuje upravljanje procesima, već i da obezbedi njihovu sveobuhvatnu analizu – dinamičku, uporednu, strukturnu, itd. Stoga, informacije o aktivnostima treba da se akumuliraju u skladištima podataka svake tehničke institucije, koja je deo podaci će biti prebačeni na federalni nivo (u centralizovani repozitorij);

)Razvoj metodološke osnove za analizu. Za potpunije i efikasnije rješavanje problema analize informacija o aktivnostima tehničkih specifikacija, potrebno je razviti metodološku i instrumentalnu bazu u sljedećim oblastima: proračun troškova procesa, procjena trajanja procesa, analiza organizacione strukture, upravljanja učinkom;

)Interakcija sa TPK. DSS treba da komunicira sa standardnim softverskim sistemima (TPC) koji rade u teritorijalnim institucijama. Interakcija se organizuje u cilju: dobijanja početnih podataka (npr. podataka o troškovima tehničkih specifikacija); dobijanje ažurnih regulatornih i referentnih informacija; dobijanje podataka o izvršenju procesa. Uzimajući u obzir ove principe, razvijen je konceptualni model sistema koji pokriva federalni i regionalni nivo vlasti (slika 3):

Rice. 3. Konceptualni model DSS u upravljanju aktivnostima teritorijalnih filijala Banke Rusije

Predstavljeni konceptualni model najpotpunije odgovara rješavanju upravljačkih zadataka Banke Rusije i uključuje sljedeće komponente:

· Sistemi regionalnog nivoa (u svakoj teritorijalnoj instituciji). DSS na regionalnom nivou je repliciran i pruža funkcionalnost koja je zajednička svim tehničkim specifikacijama. Informacije o aktivnostima TS-a akumuliraju se u skladištu podataka, nad kojim rade analitički BI alati.

· Sistem federalnog nivoa (u centralnoj kancelariji). DSS na saveznom nivou je integrirajuća komponenta koja uključuje centralizirano skladištenje i obradu informacija o aktivnostima svih tehničkih specifikacija i funkcionalnosti koje se razlikuju od sistema na regionalnom nivou. Sistem federalnog nivoa generiše podatke (procesni standardi, propisi, itd.) koji se repliciraju u DSS regionalnog nivoa.

· Eksterni izvori informacija uglavnom daju podatke DSS-a na regionalnom nivou, uključuju različite softverske sisteme koji rade u teritorijalnim institucijama. Eksterni izvori se mogu smatrati eksternim komponentama DSS-a.

Pošto se sistem federalnog nivoa u velikoj meri zasniva na podacima koji se prenose sa sistema regionalnog nivoa, potrebno je prvo razviti informatičku, matematičku i instrumentalnu podršku za sistem regionalnog nivoa kao osnovu za integralni DSS Banke Rusije. Istovremeno, treba napomenuti da će se razvijene metode i alati koristiti u izgradnji sistema federalnog nivoa. U toku studije razvijena je struktura DSS-a na regionalnom nivou (slika 4), uzimajući u obzir obim tehničkih specifikacija, raznovrsnost funkcija i procesa koji se obavljaju, faktore uspostavljene prakse upravljanja i karakteristike trenutne automatizacije.

Rice. 4. Struktura DSS na regionalnom nivou Banke Rusije

2.2.2 Opis funkcionalnih podsistema

Sistem obuhvata funkcionalne podsisteme koji obezbeđuju korisničke interfejse i implementiraju poslovne funkcije, i tehnološke podsisteme koji obezbeđuju rad funkcionalnih podsistema zasnovanih na jedinstvenim mehanizmima upravljanja podacima i centralizovanim metapodacima. Svi podsistemi funkcionišu pod kontrolom podsistema administracije i bezbednosti informacija, čime se obezbeđuje odgovarajući nivo zaštite podataka od neovlašćenog pristupa u skladu sa zahtevima Banke Rusije. U toku studije, uzimajući u obzir specifičnosti Banke Rusije, razvijeni su i opravdani zahtevi za informacionom i instrumentalnom podrškom funkcionalnih podsistema.

Podsistem opisa procesa je namenjen formalizovanom opisu aktivnosti u obliku skupa međusobno povezanih procesa, uzimajući u obzir karakteristike Banke Rusije. Za modeliranje procesa u sistemu korišćeni su standardi IDEF0 i IDEF3, dopunjeni brojnim dodatnim strukturama: kontrolne operacije, povratni prelazi, veze sa drugim procesima, pomoćni procesi, početne i krajnje tačke procesa. Prilikom formiranja informacionog modela za opisivanje TS procesa, uzete su u obzir specifičnosti Banke Rusije i zahtjevi standarda, kao i sljedeći principi:

· Podrška za verzioniranje podrazumijeva održavanje hronologije svih promjena u opisu procesa (promjene objekata se bilježe kao verzije sortirane po datumu). Zbog toga je moguće dobiti model aktivnosti tehničkih specifikacija od bilo kog datuma;

· Podrška za modeliranje promjena pruža se održavanjem privremenih verzija objekata koje se mogu odobriti ili opozvati po potrebi;

· Prilagodljivost modela procesa uključuje proširenje skupa atributa modela procesa, uvođenje novih objekata i njihovo povezivanje sa postojećim.

Uzimajući u obzir navedene principe i karakteristike, u toku istraživanja razvijen je informacioni model procesa i objekata njihovog okruženja (sl. 5).

Rice. 5. Međusobna povezanost glavnih objekata procesnog okruženja.

Na osnovu generiranog informacionog modela, podsistem opisa procesa omogućava rješavanje sljedećih glavnih zadataka:

· formiranje holističkog formalizovanog modela aktivnosti TU;

· ažuriranje informacija o aktivnostima;

· generisanje izveštaja i sertifikata o dokumentovanju aktivnosti TU.

Podsistem kontrole izvršenja procesa obezbeđuje izvršavanje formalizovanih procesa, rutiranje zadataka između izvođača u skladu sa opisom, praćenje poštovanja rokova i efikasnosti performansi, pretvaranje podataka o izvršavanju procesa iz eksternih izvora u jedinstven jedinstveni format.0

Kao rezultat studije razvijen je životni ciklus procesa i operacija (slika 6), koji zajedno sa notacijom opisa procesa daje rješenje sljedećih zadataka:

· organizacija izvođenja procesa;

· praćenje i upravljanje izvršavanjem procesa;

· organizaciju kontrole izvođenja procesa na kritičnim tačkama;

· formiranje analitičkih izvještaja za rukovodioce različitih nivoa tehničkih specifikacija (šefovi sektora, odjeljenja, odjeljenja, top menadžment).

Rice. 6. Životni ciklus izvršenje procesa

Podsistem troškova procesa je dizajniran da izračuna troškovne karakteristike procesa i analizira ih u različitim sekcijama, pruža alate za detaljnu analizu karakteristika troškova procesa, balansiranje, uporednu analizu, razne opcije proračun.

Podsistem za analizu aktivnosti implementira podršku za analizu aktivnosti TU u različitim aspektima – efikasnost, troškovi, osoblje, procesi itd., dok prikuplja i strukturira podatke iz eksternih izvora i drugih podsistema. Analitički podsistem je izgrađen na osnovu CPM metodologije, uzimajući u obzir zadatke Banke Rusije i pruža skup analitičkih aplikacija i alata za rješavanje sljedećih zadataka:

.Upravljanje sistemom strateških ciljeva, zadataka i indikatora (uzimajući u obzir ciljeve koje je na federalnom nivou postavila Banka Rusije);

.Podrška donošenju odluka u oblasti upravljanja kadrovima i organizacione strukture TU;

.Praćenje i analiza indikatora učinka.

Sistem strateških ciljeva, zadataka i indikatora je sistem balansiranih tablica rezultata (BSC) i ključnih indikatora učinka koji se mogu postaviti za procese, odjele, zaposlene itd. Svi ciljevi, zadaci i indikatori su hronološke prirode. Izvor podataka za BSC je skladište podataka. Ciljne vrijednosti indikatora mogu se postaviti po nekoliko scenarija, za procjenu stepena ostvarenosti ciljeva i zadataka indikatorima se mogu dodijeliti faktori težine. Na osnovu poređenja ciljnih i stvarnih vrijednosti vrši se praćenje i analiza ostvarenja ciljeva.

Podrška odlučivanju u upravljanju kadrovima uključuje analitičke aplikacije za analizu organizacione strukture, analizu kadrova u smislu discipline učinka, performansi i ključnih pokazatelja učinka procesa, balansiranja i raspodjele funkcionalnih odgovornosti.

Praćenje i analiza indikatora performansi vrši se korišćenjem BI-alata baziranih na repozitoriju, uz pružanje mogućnosti poređenja heterogenih indikatora i različitih vrsta analiza (dinamičke, strukturalne, komparativne, klasterske, rangirane itd.).

2.2.3 Razvoj DSS-a na nivou tehničkih specifikacija koji implementira metodološka i instrumentalna rješenja

Tokom izrade DSS-a izvršena je analiza zahteva za izgradnju sistema, razvijena logička i fizička struktura podataka, obrazloženi su osnovni principi izgradnje sistema i zadaci izbora informacionih tehnologija za implementaciju sistem je riješen.

Struktura sistema obuhvata funkcionalne podsisteme koji implementiraju poslovnu logiku i korisnički interfejs, i tehnološke podsisteme koji obezbeđuju rad funkcionalnih podsistema zasnovanih na jedinstvenim mehanizmima upravljanja podacima i centralizovanim metapodacima.

Za implementaciju sistema odabrane su sljedeće informacione tehnologije:

· kao osnova za skladištenje informacija - Oracle sistem upravljanja relacionim bazama podataka verzija 9i;

· kao okruženje za razvoj softvera i alata - analitički kompleks "Prognoz-5", fokusiran na razvoj informaciono-analitičkih sistema i sistema za podršku odlučivanju u različitim oblastima privrede;

· za razvoj web komponenti - integrisano okruženje Microsoft Visual Studio 2005 i ASP.NET platforma.

Prilikom izrade DSS-a razvija se set softverskih i tehnoloških rešenja zasnovanih na jedinstvenim arhitektonskim principima za najoptimalniji i najpouzdaniji rad. Prilikom razvoja procedura za upravljanje složenom bazom podataka, uključujući transakcione i analitičke segmente, razvijena su i primenjena sledeća rešenja:

· Osiguravajući konzistentnost podataka transakcionih i analitičkih segmenata baze podataka, za to je razvijen sistem međusobno povezanih klasa, fokusiran na korištenje objedinjenog jezgra za obradu transakcija, koji se zasniva na korištenju Oracle DBMS metapodataka. Na nivou tabele, kontrolu integriteta podataka obezbeđuju DBMS alati za poboljšanje pouzdanosti rada (slika 7):

Rice. 7. Šema za upravljanje konzistentnošću DSS podataka.

· Podrška za verzioniranje objekata uz održavanje kontrole integriteta na razini DBMS-a. Da biste to učinili, svaki objekat se pohranjuje u dvije tabele: tabela objekata i tabela verzija objekata;

· Skalabilnost baze podataka na nivou atributa i objekata sa kontrolom integriteta. Za dodatne atribute, integritet se kontrolira na razini okidača, kada se kreiraju novi objekti u tablicama, automatski se kreiraju okidači objedinjene kontrole integriteta;

· Optimizacija ekstrakcije i upisivanja u bazu podataka sa velikim količinama podataka. Nakon kreiranja fizičke strukture izvršeno je njeno indeksiranje, a za tabele skladišta podataka korišćeni su alati za formiranje particija Oracle DBMS-a.

Izvori podataka za početno popunjavanje DSS-a i naknadno ažuriranje mogu biti podaci iz standardnih softverskih sistema koji rade u TU: Sistemi aktivnosti na farmi (IEA), Sistemi za upravljanje dokumentima, Sistemi automatizacije, itd. DSS vam omogućava da preuzimajte opise procesa iz MS Word i Excel fajlova, što je važno za teritorijalne institucije koje imaju nacrte modela procesa "na papiru".

Razvijeni DSS se koristi u industrijskom režimu u Narodnoj banci Republike Baškortostan na više od 300 radnih mesta menadžera i stručnjaka za opisivanje procesa, organizovanje i praćenje izvršavanja procesa, opravdavanje promena u organizacionoj strukturi i analizu aktivnosti. U sistemu je opisano oko 980 procesa, od kojih je oko 730 odobreno, oko 200 procesa se redovno pokreće u industrijskom režimu.

2.3Zaključci i rezultati primjene ovog DSS-a

Dobijeni su sljedeći glavni rezultati i zaključci:

Na osnovu nalaza predstavljen je koncept integrisanog sistema za podršku odlučivanju u upravljanju aktivnostima TS, fokusiran na integraciju BPMS, BI i CPM pristupa, u kojem su metode i algoritmi koje je autor razvio zasnovan na osnovu jedinstvenog informacionog i instrumentalnog okruženja. Koncept kombinuje nove i ranije poznate metode za praćenje i analizu aktivnosti tehničkih institucija zasnovanih na procesnom pristupu, prilagođenom specifičnostima Banke Rusije.

Kreiran je i testiran sistem za podršku odlučivanju u specifičnim tehničkim specifikacijama Banke Rusije u oblasti upravljanja aktivnostima teritorijalne institucije na regionalnom nivou. Upotreba DSS-a u tehničkim specifikacijama omogućava povećanje upravljivosti aktivnostima zasnovanih na procesnom pristupu, poboljšanje sistema interne kontrole, optimizaciju postojeće organizacione strukture i formiranje repozitorija na osnovu indikatora učinka.

Kao rezultat implementacije sistema postignuti su sledeći rezultati (kao što sledi iz izveštaja rukovodstvu Banke Rusije):

· unapređen je sistem interne kontrole poslovanja;

· poboljšane tehnologije izdavanja i gotovinskih transakcija i smanjeni troškovi rada (do 10% za neke transakcije);

· izvršena je centralizacija funkcija koje obavljaju centri za obračun i gotovinu (13 funkcija u 9 procesa);

· odeljenje za promet gotovine transformisano je u dva samostalna odeljenja;

· preraspodjela pozicija između odjeljenja u okviru Odjeljenja za sigurnost i zaštitu informacija;

· izvršeno smanjenje osoblja u ekonomsko-operativnom odjeljenju; pripremaju se prijedlozi za optimizaciju toka posla.

Zaključak

Do danas ne postoji priznati lider u proizvodnji softvera za izgradnju DSS sistema. Nijedna od kompanija ne proizvodi gotova rješenja, koja se nazivaju "iz kutije", pogodna za direktnu upotrebu u proizvodnom procesu kupca. Izrada DSS-a uvek uključuje faze analize podataka i poslovnih procesa korisnika, projektovanje struktura skladištenja uzimajući u obzir njegove potrebe i tehnološke procese.

S obzirom na količinu finansijskih i drugih uključenih resursa, složenost i višestepenu prirodu projekata izgradnje DSS sistema, očigledna je visoka cena grešaka u projektovanju. Greške u odabiru softvera mogu rezultirati finansijskim troškovima, a da ne spominjemo produženo vrijeme projekta. Greške u dizajnu strukture podataka mogu dovesti do neprihvatljivih performansi i troškova vremena utrošenog na ponovno učitavanje podataka, koji ponekad doseže i nekoliko dana. Stoga, imajući duboko razumevanje arhitekture skladišta podataka, neophodno je izbeći bilo kakve greške, što podrazumeva značajno smanjenje vremena izvođenja projekta i mogućnost da se izvuče maksimum iz implementacije DSS-a.

Posebno treba istaći da su problemi odlučivanja, odnosno DSS kod nas slabo razvijeni i malo se koriste u praksi. Upotreba programa kao što je ovaj ovdje opisana je ne samo vrlo jednostavna, već je i prilično efikasna i ne zahtijeva posebna znanja i ulaganja.

Nekoliko desetina različitih firmi proizvodi proizvode koji mogu da reše određene probleme koji se javljaju u procesu projektovanja i rada DSS sistema. Ovo uključuje DBMS, alate za istovar/transformaciju/učitavanje podataka, alate za OLAP analizu i još mnogo toga.

Samoanaliza tržišta, proučavanje barem nekoliko ovih alata nije lak i dugotrajan zadatak.

Dakle, u ovom radu smo se upoznali sa sistemima za podršku odlučivanju.

U uvodu je obrazložena relevantnost ove teme, dati su svrha i ciljevi studije, opšte karakteristike rada, identifikovan je predmet studije.

Prvo poglavlje daje teorijske aspekte i koncepte sistema za podršku odlučivanju, daje detaljnu klasifikaciju tipova DSS-a i inicijalno otkriva njihove funkcije. Takođe, u ovom poglavlju smo se upoznali sa istorijom stvaranja sistema podrške, detaljnije analizirali strukturu DSS-a i njegove glavne elemente. Date su karakteristične karakteristike sisteme za podršku odlučivanju, kao i oblasti i oblasti u kojima se mogu primijeniti.

Identificirana je metodologija za podršku odlučivanju, što nam omogućava da zaključimo da njena primjena omogućava:

· formalizirati proces pronalaženja rješenja na osnovu dostupnih podataka (proces generiranja opcija rješenja);

· rangirati kriterijume i dati kriterijumske procene fizičkih parametara koji utiču na problem koji se rešava (sposobnost evaluacije rešenja);

· koristiti formalne procedure koordinacije prilikom donošenja kolektivnih odluka;

· koristiti formalne procedure za predviđanje posljedica donesenih odluka;

· odabrati opciju koja vodi do optimalnog rješenja problema.

Iz ovoga proizilazi da smo se upoznali sa osnovnim stvarima i teorijskim dijelom o sistemima za podršku odlučivanju.

U drugom poglavlju je predstavljena praktična primena DSS-a u oblasti upravljanja aktivnostima organizacije na osnovu procesnog pristupa (na primeru teritorijalnih kancelarija Banke Rusije). Predlaže se koncept izgradnje DSS "Upravljanje aktivnostima teritorijalnih institucija Banke Rusije". Razvijen je i utemeljen konceptualni model DSS-a, funkcionalne strukture i zahtjeva za glavne komponente. Predložen je skup metoda i alata za podršku donošenju odluka u upravljanju TS, uzimajući u obzir specifičnosti Banke Rusije. Razvijeni su i obrazloženi zahtevi za informaciono-analitičku podršku sistema, uzimajući u obzir hitne zadatke upravljanja teritorijalnim filijalama Banke Rusije. Dati su rezultati uvođenja ovog sistema na osnovu izvještaja rukovodstvu Banke Rusije.

Tako smo saznali kako se ovi sistemi za podršku odlučivanju primjenjuju u praksi – u našem slučaju u bankarskom sektoru.

Upotreba DSS-a obećava samo zato što je svaka odluka menadžmenta subjektivna, zasnovana na politici kompanije, odražava glavne ciljeve organizacije i, što je najvažnije, nije nužno istinita. Sve ovo dovodi do potrebe da se formalizuje proces donošenja odluka i privuče pomoćni alat za smanjenje rizika od donošenja pogrešne odluke. Ovo posljednje se povećava s akumulacijom informacija koje treba obraditi. To se događa jer osoba ili nije u stanju obraditi sve potrebne informacije kako bi sama donijela odluku ili nije u stanju to učiniti u vremenskom okviru kada je zadatak još uvijek relevantan.

Bibliografija

1.Vesnin, V.R. Menadžment: Udžbenik - 4. izd., revidirano. i dodatne - M.: TK Velby, 2009. - 342 str.

2.Gerčikova, I.N. Proces donošenja i implementacije menadžerskih odluka / I.N. Gerčikova // Menadžment u Rusiji i inostranstvu, 2013. br. 12. - 130 str.

.Gončarov, V. I. Menadžment: tutorial/ V. I. Gončarov. - Minsk: Moderna škola, 2010. - 255 str.

.Drobyshev, A.V. Metode odlučivanja. Delphi i ELECTRA metode. - Smjernice to laboratorijski rad na predmetu "Sistemi za podršku odlučivanju". - MGIEM. Comp.: I.E.Safonova,., K.Yu.Mishin, S.V.Tsyganov: M., MGIEM, 2008. - 26 str.

.Evlanov, A. G. Teorija i praksa donošenja odluka. - M.: Ekonomija, 2010. - 212 str.

.Korotkov, E. M. Menadžment: udžbenik za prvostupnike / E. M. Korotkov. Moskva: Yurait, 2012.- 85 str.

.Krivko, O.B. informacione tehnologije. Moskva: SOMINTEK. 2011. - 179 str.

.Lafta, J. K. Efikasnost upravljanja organizacijom. - M.: Ruska poslovna literatura, 2009. - 320 str.

.Lafta, J. K. Efikasnost upravljanja organizacijom. - M.: Ruska poslovna literatura, 2011. - 320 str.

.Makarov, S.F. Menadžer na poslu. - M.: FINPRESS, 2009. - 155 str.

.Meskon, M. Osnove menadžmenta: Udžbenik / M. Meskon, M. Albert, F. Hedouri; M., 2012. - 387 str.

.Pankrukhina, A.P. Teorija upravljanja: udžbenik / [Yu. P. Aleksejev i drugi]; pod generalnim uredništvom: A. L. Gaponenko, A. P. Pankrukhina. - Moskva: Izdavačka kuća RAGS, 2010.- 213 str.

.Pirozhkov, V.A. O implementaciji procesnog pristupa menadžmentu u obliku sistema za podršku odlučivanju "Upravljanje aktivnostima organizacije" [Tekst] / V.A. Pirozhkov // Bilten Tambovskog univerziteta. Ser.: Humanističke nauke. - 2008. - Br. 11. - 489 str.

.Polushkin, O.A. Strateški menadžment: bilješke s predavanja. - M.: EKSMO, 2007. - 138 str.

regionalne vlasti // Reforme u Rusiji i problemi

.Romashchenko, V.N. Donošenje odluka: situacije i savjeti. - Kijev, 2012. - 154 str.

16.Rumyantseva Z.P. Menadžment organizacije: udžbenik. - M.: INFRA-M, 2005. - 432 str.

.Saraev, A. D., Shcherbina O. A. Analiza sistema i moderne informacione tehnologije // Zbornik radova Krimske akademije nauka. - Simferopol: SONAT, 2009. - 136 str.

.Safonova, I.E. Metode odlučivanja. Modifikacija Delphi metode i metode analize hijerarhija. - Smjernice za laboratorijski rad na predmetu "Sistemi za podršku odlučivanju". - MGIEM. Comp.:. 18. I. E. Safonova, A. V. Drobyshev, K. Yu. Mishin, S. V. Tsyganov: M., MGIEM, 2007. - 20 str.

.Safonova, I.E. Metode odlučivanja. Metoda i metode minimalne udaljenosti MaxiMin i MaxiMax. - Smjernice za laboratorijski rad na predmetu "Sistemi za podršku odlučivanju". - MGIEM. Comp.:, 18. I. E. Safonova A. V. Drobyshev, K. Yu. Mishin, S. V. Tsyganov: M., 2007. - 19 str.

.Tereljanski, P.V. Sistemi za podršku odlučivanju. Dizajnersko iskustvo: monografija / P.V. Terelyansky; VolgGTU - Volgograd, 2009. -127 str.

.Chernyakhovskaya L.R. Podrška donošenju odluka u strateškom upravljanju preduzećima na osnovu inženjeringa znanja / L. R. Černjahovskaja i dr. Ufa: Akademija nauka Republike Belorusije, Gilem, 2010. - 128 str.

Pošaljite svoj dobar rad u bazu znanja je jednostavno. Koristite obrazac ispod

Studenti, postdiplomci, mladi naučnici koji koriste bazu znanja u svom studiranju i radu biće vam veoma zahvalni.

Slični dokumenti

Studija tehnološki proces za proizvodnju gaziranog betona. Model "kako će biti" procesa dijagnosticiranja stanja tehnološkog procesa proizvodnje gaziranog betona, uzimajući u obzir sistem za podršku odlučivanju. Izrada prototipa DSS interfejsa.

teze, dodato 17.06.2017


Proučavanje svrhe i glavnih zadataka koje rješava Project Expert - sistem za podršku odlučivanju (DSS) dizajniran za menadžere koji dizajniraju finansijski model za novo ili postojeće preduzeće. Softverske aplikacije, faze rada.

sažetak, dodan 19.05.2010


Klasifikacija informacionih sistema za upravljanje aktivnostima preduzeća. Analiza tržišta i karakteristike sistema klase Business Intelligence. Klasifikacija metoda odlučivanja koje se koriste u DSS. Odabir platforme za poslovnu inteligenciju, kriteriji poređenja.

rad, dodato 27.09.2016


Klasifikacija sistema za podršku odlučivanju. Komparativna analiza metode za procjenu rizika kreditiranja stanovništva. Struktura sistema za podršku odlučivanju, formiranje inicijalne baze znanja. Dizajniranje baze podataka informacionog sistema.

rad, dodato 10.07.2017


Koncept sistema za podršku odlučivanju. Opseg Analitike 2.0. Softver za kvantitativno modeliranje. Grafički interfejs za razvoj modela. Osnovne metode modeliranja. Dijagram uticaja i stablo odlučivanja.

kontrolni rad, dodano 08.09.2011


Razvoj algoritama i softvera za rješavanje problema podrške odlučivanju o izdavanju novih proizvoda. Matematička podrška zadatku podrške donošenju odluka o izdavanju novih proizvoda, glavni ulazni i izlazni podaci.

teza, dodana 08.03.2011


Vrste administrativnih informacionih sistema: sistemi izveštavanja, sistemi za podršku odlučivanju, sistemi za podršku strateškim odlukama. Sortiranje i filtriranje lista u Microsoft Excel-u. Rad sa bazama podataka u Microsoft Accessu.

test, dodano 19.11.2009