Vrste sppr. Sistemi za podporo odločanju (DSS) splošni koncept DSS

Namen pisanja tega članka je bil kratek pregled načela gradnje inteligentnih sistemov za podporo odločanju ( IDSS), vloga strojnega učenja, teorija iger, klasično modeliranje in primeri njihove uporabe v DSS. Namen članka ne je poglobiti v težko teorijo avtomatov, samoučečih se strojev in tudi BI orodij.

Uvod

Obstaja več definicij IDSS, ki se na splošno vrtijo okoli iste funkcionalnosti. V splošni pogled, IDSS je takšen sistem, ki pomaga odločevalcem (Decision Makers) pri sprejemanju prav teh odločitev, z uporabo orodij za rudarjenje podatkov, modeliranje in vizualizacijo, ima prijazen (G)UI, kakovostno stabilen, interaktiven in prilagodljiv v nastavitvah.

Zakaj potrebujemo DSS:

1. Težave pri sprejemanju odločitev
2. Potreba po natančni oceni različnih alternativ
3. Potreba po napovedni funkcionalnosti
4. Potreba po večnitnem vnosu (za odločitev potrebujete sklepe na podlagi podatkov, strokovna mnenja, znane omejitve itd.)

Prvi DSS (takrat še brez I) je zrasel iz TPS (Transaction Processing Systems), sredi 60-ih - zgodnjih 70-ih. Potem ti sistemi niso imeli nobene interaktivnosti, saj so pravzaprav predstavljali dodatke nad RDBMS, z nekaj (sploh ne veliko) funkcionalnostjo numerična simulacija. Eden prvih sistemov lahko imenujemo DYNAMO, ki so ga razvili v globinah MIT in predstavljajo sistem za simulacijo kakršnih koli procesov, ki temeljijo na zgodovinskih transakcijah. Ko so na trg vstopili veliki računalniki IBM 360, so se začeli pojavljati pogojni komercialni sistemi, ki so jih uporabljali v obrambni industriji, posebnih službah in raziskovalnih inštitutih.

Od začetka osemdesetih let prejšnjega stoletja lahko že govorimo o nastanku Podrazredi DSS kot so MIS (Management Information System), EIS (Executive Information System), GDSS (Group Decision Support Systems), ODSS (Organization Decision Support Systems) itd. Pravzaprav so bili ti sistemi okviri, ki so bili sposobni delati s podatki na različnih ravneh hierarhije (od posameznika do podjetja), v notranjost pa je bilo mogoče uvesti kakršno koli logiko. Primer je sistem GADS (Gate Assignment Display System), ki ga je razvil Texas Instruments za United Airlines, ki je podpiral sprejemanje odločitev v terenskih operacijah – dodeljevanje vrat, določanje optimalnega časa parkiranja itd.

V poznih 80. letih so bili PSSPR(Advanced - Advanced), ki je omogočal analizo "kaj-če" in uporabljal naprednejša orodja za modeliranje.

končno, od sredine 90. let se je začelo pojavljati in IDSS, ki so temeljili na orodjih statistike in strojnega učenja, teorije iger in drugem kompleksnem modeliranju.

Raznolikost DSS

Trenutno obstaja več načinov razvrstitev DSS, bomo opisali 3 priljubljene:

Glede na področje uporabe

• Poslovanje in upravljanje (cene, delovna sila, izdelki, strategija itd.)
• Inženiring (načrtovanje izdelkov, kontrola kakovosti...)
• Finance (posojila in posojila)
• Medicina (zdravila, zdravljenje, diagnostika)
• Okolje

Po razmerju podatki/model(metoda Stephena Altera)

• FDS (File Drawer Systems - sistemi za zagotavljanje dostopa do potrebnih podatkov)
• DAS (Data Analysis Systems - sistemi za hitro obdelavo podatkov)
• AIS (Analitski informacijski sistemi – sistemi za dostop do podatkov glede na vrsto zahtevane rešitve)
• AFM(s) (Računovodski in finančni modeli (sistemi) - sistemi za izračun finančnih posledic)
• RM(s) (Predstavitveni modeli (sistemi) - simulacijski sistemi, AnyLogic kot primer)
• OM(s) (Optimizacijski modeli (sistemi) - sistemi, ki rešujejo optimizacijske probleme)
• SM(s) (predlogni modeli (sistemi) – sistemi sklepanja na podlagi pravil)

Glede na vrsto uporabljenega instrumenta

• Model Driven - temelji na klasičnih modelih (linearni modeli, modeli upravljanja zalog, transportni, finančni itd.)
• Na podlagi podatkov – na podlagi preteklih podatkov
• Communication Driven - sistemi, ki temeljijo na skupinskem odločanju strokovnjakov (sistemi za olajšanje izmenjave mnenj in izračun povprečnih ekspertnih vrednosti)
• Document Driven – v bistvu indeksirano (pogosto večdimenzionalno) shranjevanje dokumentov
• Na podlagi znanja – nenadoma, na podlagi znanja. Kaj pomeni znanje tako strokovnjaka kot strojno pridobljeno

Želim knjigo pritožb! normalen DSS

Kljub tako različnim možnostim razvrščanja se zahteve in atributi DSS dobro ujemajo v 4 segmente:

1. Kakovost
2. Organizacija
3. Omejitve
4. Model

V spodnjem diagramu bomo natančno prikazali, katere zahteve in v katere segmente spadajo:

Ločeno opažamo tako pomembne atribute, kot so razširljivost (v trenutnem agilnem pristopu brez tega ne gre), sposobnost obdelave slabih podatkov, uporabnost in uporabniku prijazen vmesnik ter nezahtevni viri.

Arhitektura in oblikovanje IDSS

Obstaja več pristopov, kako arhitekturno predstaviti DSS. Morda je najboljši opis razlike v pristopih »kdo se s čim ukvarja«. Kljub raznolikosti pristopov se poskuša ustvariti nekakšno enotno arhitekturo, vsaj na najvišji ravni.

Dejansko lahko DSS razdelimo na 4 velike plasti:

1. vmesnik
2. Modelarstvo
3. rudarjenje podatkov
4. Zbiranje podatkov

In v te plasti lahko stlačite kakršna koli orodja.

V spodnjem diagramu predstavljam svojo vizijo arhitekture, z opisom funkcionalnosti in primeri orodij:

Arhitektura je bolj ali manj jasna, preidimo na zasnovo in dejansko konstrukcijo DSS.

Načeloma tukaj ni raketne znanosti. Pri izdelavi IDSS je treba upoštevati naslednje korake:

1. Analiza domene (pravzaprav, kje bomo uporabljali naš IDSS)
2. Zbiranje podatkov
3. Analiza podatkov
4. Izbira modelov
5. Strokovna analiza\interpretacija modelov
6. Izvedba modelov
7. IDSS ocena
8. Implementacija IDSS
9. Zbiranje povratnih informacij ( v kateri koli fazi, pravzaprav)

Na diagramu je videti takole:

Obstajata dva načina za oceno IDSS. Najprej z matriko atributov, ki je predstavljena zgoraj. Drugič, glede na kontrolni seznam meril, ki je lahko karkoli in je odvisen od vaše specifične naloge. Kot primer takega kontrolnega seznama bi navedel naslednje:

Poudarjam, da je to samo IMHO in lahko naredite kontrolni seznam, ki je primeren zase.

Kje je strojno učenje in teorija iger?

Ja, skoraj povsod! Vsaj v modelirni plasti.

Na eni strani so klasične domene, naj jim rečemo »težke«, kot so upravljanje dobavne verige, proizvodnja, zaloge itd. V težkih domenah lahko naši najljubši algoritmi prinesejo dodaten vpogled v uveljavljene klasične modele. Primer: napovedna analitika za okvare opreme (strojno učenje) bo odlično delovala z nekakšno analizo FMEA (klasično).

Po drugi strani pa bodo v "lahkih" domenah, kot so analitika strank, napovedovanje odliva, odplačila posojil, v ospredju algoritmi strojnega učenja. In pri točkovanju, na primer, lahko kombinirate klasiko z NLP, ko se odločate, ali boste izdali posojilo na podlagi paketa dokumentov (samo isti dokument DSS).

Klasični algoritmi strojnega učenja

Recimo, da imamo nalogo: vodja prodaje jeklenih izdelkov mora v fazi prejema vloge stranke razumeti, kakšne kakovosti končni izdelki bo šel v skladišče in uporabil nekaj nadzornih ukrepov, če je kakovost nižja od zahtevane.

Naredimo to zelo preprosto:

Korak 0. Določite ciljno spremenljivko (dobro, na primer vsebnost titanovega oksida v končnem izdelku)
1. korak. Odločite se za podatke (nalaganje iz SAP-a, Accessa in na splošno od koder koli lahko dosežemo)
2. korak. Zbiranje funkcij\ustvarjanje novih
3. korak. Narišite proces pretoka podatkov in ga zaženite v produkcijo
Korak 4. Izberite in usposobite model, ga zaženite na strežniku
Korak 5. Določite pomembnosti značilnosti
6. korak. Odločite se za vnos novih podatkov. Naj jih naš upravitelj vnese na primer ročno.
7. korak. Na koleno napišemo preprost spletni vmesnik, kjer upravitelj z ročaji vnese vrednosti pomembnih lastnosti, se vrti na strežniku z modelom, predvidena kakovost izdelka pa se izpljune v enak vmesnik

Voila, IDSS na ravni vrtca je pripravljen, lahko ga uporabite.

Podobne "preproste" algoritme uporabljajo tudi IBM v svojem Tivoli DSS, ki vam omogoča, da določite stanje vaših superračunalnikov (Watson na prvem mestu): na podlagi dnevnikov se prikažejo informacije o zmogljivosti Watson, predvideva se razpoložljivost virov, bilanca stroškov in dobička, potrebe po vzdrževanju itd.

Podjetje ABB ponuja svojim strankam DSS800 za analizo delovanja elektromotorjev istega ABB na papirni liniji.

finščina Vaisala, proizvajalec senzorjev za finsko ministrstvo za promet, uporablja IDSS za napovedovanje, kdaj je treba na cestah uporabiti razledenitev, da bi se izognili nesrečam.

Spet finski. Predhodni podatki ponuja IDSS za HR, ki pomaga pri odločanju o primernosti kandidata za delovno mesto že v fazi izbire življenjepisa.

Na letališču Dubaj v tovornem terminalu deluje DSS, ki ugotavlja sumljivo naravo tovora. Pod pokrovom algoritmi na podlagi spremnih dokumentov in podatkov, ki jih vnesejo cariniki, izpostavljajo sumljivo blago: značilnosti so država izvora, podatki na paketu, posebni podatki v poljih deklaracije itd.

Na tisoče jih!

Konvencionalne nevronske mreže

Poleg preprostega ML se globoko učenje popolnoma prilega DSS.

Nekaj ​​primerov je mogoče najti v vojaško-industrijskem kompleksu, na primer v ameriškem TACDSS (Tactical Air Combat Decision Support System). Tam se v notranjosti vrtijo nevroni in evolucijski algoritmi, ki pomagajo pri določanju prijatelja ali sovražnika, pri ocenjevanju verjetnosti zadane salve v danem trenutku in drugih opravilih.

V nekoliko bolj resničnem svetu si oglejte ta primer: v segmentu B2B se morate na podlagi paketa dokumentov odločiti, ali boste organizaciji izdali posojilo. V B2C vas operater muči z vprašanji po telefonu, zapiše vrednosti funkcij v svojem sistemu in napove odločitev algoritma, v B2B je nekoliko bolj zapleteno.

IDSS je mogoče zgraditi na naslednji način: potencialni posojilojemalec v pisarno prinese vnaprej dogovorjen paket dokumentov (no, ali pa pošlje skenirane slike po e-pošti, s podpisi in pečati, kot je bilo pričakovano), dokumenti se vnesejo v OCR, nato prenesejo v NLP algoritem, ki dodatno razdeli besede na značilnosti in jih posreduje NN. Stranka naproša, da popije kavo (v najboljšem primeru), ali pa je tam izdana kartica in gre po kosilu, v tem času se bo vse izračunalo in na ekranu operaterke izpisal zeleni ali rdeč smešek. No, ali rumena, če se zdi ok, a bog informacij potrebuje več informacij.

Podobni algoritmi se uporabljajo tudi na Ministrstvu za zunanje zadeve: obrazec vloge za izdajo vizuma + druga potrdila se analizirajo neposredno na veleposlaništvu/konzulatu, nato pa se na zaslonu za zaposlenega prikaže eden od 3 emotikonov: zelena (izdaj vizum), rumena (imajo vprašanja), rdeča (prosilec na stop listi). Če ste že kdaj prejeli vizum za ZDA, potem je odločitev, ki vam jo da konzularni uradnik, ravno rezultat algoritma v povezavi s pravili in ne njegovega osebnega subjektivnega mnenja o vas :)

V težkih domenah so znani tudi DSS, ki temeljijo na nevronih, ki določajo mesta kopičenja pufra na proizvodnih linijah (glej npr. Tsadiras AK, Papadopoulos CT, O'Kelly MEJ (2013) Sistem za podporo odločanju na podlagi umetne nevronske mreže za reševanje problema alokacije medpomnilnika v zanesljivih proizvodnih linijah. Računalništvo Ind Eng 66(4):1150–1162), Min-Max General Fuzzy Neural Networks (GFMMNN) za združevanje porabnikov vode ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Sistem za podporo odločanju za sisteme za distribucijo vode, ki temelji na nevronskih omrežjih in teoriji grafov za odkrivanje puščanja. Expert Syst Appl 39(18):13214–13224) drugo.

Na splošno velja omeniti, da so NN najbolj primerne za sprejemanje odločitev v negotovosti, t.j. razmere, v katerih živi pravo podjetje. Dobro se prilegajo tudi algoritmi združevanja v skupine.

Bayesova omrežja

Včasih se zgodi, da so naši podatki heterogeni glede na vrste pojavljanja. Vzemimo primer iz medicine. K nam je prišel bolnik. O njem nekaj vemo iz vprašalnika (spol, starost, teža, višina ipd.) in anamneze (pretekli srčni napadi, na primer). Te podatke imenujemo statični. In nekaj o njem izvemo v procesu periodičnih pregledov in zdravljenja (večkrat na dan merimo temperaturo, sestavo krvi ipd.). Te podatke imenujemo dinamični. Jasno je, da mora biti dober DSS sposoben upoštevati vse te podatke in izdajati priporočila na podlagi polnosti informacij.

Dinamični podatki se pravočasno posodabljajo, oziroma vzorec modela bo naslednji: učenje-rešitev-učenje, kar je na splošno podobno delu zdravnika: približno določite diagnozo, nakapajte zdravilo, poiščite reakcijo. Tako smo nenehno v negotovosti, ali bo zdravljenje delovalo ali ne. In bolnikovo stanje se dinamično spreminja. tiste. zgraditi moramo dinamičen DSS, ki temelji tudi na znanju.

V takih primerih nam bodo v veliko pomoč Dynamic Bayesian Networks (DBN) – posplošitev modelov, ki temeljijo na Kalmanovih filtrih in Hidden Markov Models.

Podatke o pacientu razdelimo na statične in dinamične.

Če bi gradili statično Bayesovo mrežo, bi bila naša naloga izračunati naslednjo verjetnost:

,

Kje je vozlišče naše mreže (pravzaprav vrh grafa), tj. vrednost vsake spremenljivke (spol, starost....), C pa je predvideni razred (bolezen).

Statična mreža izgleda takole:

Ampak to ni led. Bolnikovo stanje se spreminja, čas se izteka, treba se je odločiti, kako ga zdraviti.

Za to je DBS.

Najprej na dan sprejema pacienta zgradimo statično mrežo (kot na zgornji sliki). Potem pa vsak dan jaz gradimo mrežo na podlagi dinamično spreminjajočih se podatkov:

V skladu s tem bo agregatni model imel naslednjo obliko:

Tako izračunamo rezultat po naslednji formuli:

Kje T- skupni čas hospitalizacije, N- število spremenljivk na vsakem od korakov DBS.

Ta model je treba v DSS uvesti na nekoliko drugačen način - namesto tega je treba iti od nasprotnega, najprej popraviti ta model, nato pa zgradite vmesnik. To pomeni, da smo v resnici naredili trdi model, znotraj katerega so dinamični elementi.

Teorija iger

Teorija iger pa je veliko bolj primerna za IDSS, ustvarjen za strateško odločanje. Vzemimo primer.

Recimo, da je na trgu oligopol (majhno število tekmecev), obstaja določen vodja in to (žal) ni naše podjetje. Vodstvu moramo pomagati pri odločitvi o količinah naših izdelkov: če bomo proizvajali izdelke v obsegu, naš tekmec pa -, bomo šli v minus ali ne? Za poenostavitev vzemimo poseben primer oligopola - duopol (2 igralca). Medtem ko razmišljate, RandomForest je tukaj ali CatBoost, vam predlagam, da uporabite klasično - Stackelbergovo ravnotežje. V tem modelu je vedenje podjetij opisano z dinamično igro s popolno popolno informacijo, značilnost igre pa je prisotnost vodilnega podjetja, ki najprej določi obseg proizvodnje blaga, ostala podjetja pa so pri svojih izračunih vodijo po tem.
Da bi rešili naš problem, moramo le izračunati takšen , ki bo rešil optimizacijski problem naslednje oblike:

Če ga želite rešiti (presenečenje-presenečenje!), morate samo izenačiti prvo izpeljanko glede na nič.

Hkrati pa moramo za tak model poznati le ponudbo na trgu in ceno blaga našega konkurenta, nakar sestavimo model in primerjamo nastalo q s tistim, ki ga želi naše vodstvo vreči na trg. Strinjam se, to je nekoliko lažje in hitreje kot žaganje NN.

Za takšne modele in DSS, ki temelji na njih, je primeren tudi Excel. Seveda, če je treba izračunati vhodne podatke, potem je potrebno nekaj bolj zapletenega, vendar ne veliko. Isti Power BI ga lahko obvlada.

Iskanje zmagovalca v bitki ML proti ToG je nesmiselno. Preveč različni pristopi k reševanju problema, s svojimi plusi in minusi.

Kaj je naslednje?

Z stanje tehnike Zdi se, da je IDSS ugotovil, kam naprej?

V nedavnem intervjuju je Judah Pearl, ustvarjalec teh istih Bayesovskih mrež, poudaril zanimivo poanto. Če malo preformuliram,

»Vsi strokovnjaki za strojno učenje trenutno počnejo prilagajanje krivulje podatkom. Prilagajanje ni nepomembno, zapleteno in dolgočasno, a še vedno primerno.

(preberi)

Najverjetneje, wangyu, čez 10 let bomo prenehali s trdim kodiranjem modelov in namesto tega začeli usposabljati računalnike povsod v ustvarjenih simuliranih okoljih. Verjetno bo po tej poti šla implementacija IDSS - po poti AI in drugih skynetov in WAPR-jev.

Če pogledamo bližje, potem je prihodnost IDSS v fleksibilnosti odločitev. Nobena od predlaganih metod (klasični modeli, strojno učenje, DL, teorija iger) ni univerzalna z vidika učinkovitosti za vse naloge. Dober DSS bi moral združiti vsa ta orodja + RPA, medtem ko je treba uporabiti različne module pod različne naloge in imajo različne izhodne vmesnike za različne uporabnike. Nekakšen koktajl, mešan, a nikakor pretresen.

Literatura

1. Merkert, Mueller, Hubl, Raziskava o uporabi strojnega učenja v sistemih za podporo odločanju, Univerza v Hoffenheimu 2015
2. Tarik, Rafi, Inteligentni sistemi za podporo odločanju - okvir, Indija, 2011
3. Sanzhez i Marre, Gibert, Razvoj sistemov za podporo odločanju, Univerza v Kataloniji, 2012
4. Ltifi, Trabelsi, Ayed, Alimi, Sistem za podporo dinamičnemu odločanju, ki temelji na Bayesovih omrežjih, Univerza v Sfaxu, Nacionalna inženirska šola (ENIS), 2012

Sistemi za podporo odločanju(DSS) so računalniški sistemi, skoraj vedno interaktivni, zasnovani za pomoč vodji (ali nadzorniku) pri sprejemanju odločitev. DSS vključujejo podatke in modele, ki odločevalcem pomagajo pri reševanju težav, zlasti tistih, ki so slabo formalizirani. Podatki se pogosto pridobijo iz spletnega sistema za obdelavo poizvedb ali baze podatkov. Model je lahko preprost tip "dobička in izgube" za izračun dobička pod nekaterimi predpostavkami ali zapleten tip optimizacijskega modela za izračun obremenitve za vsak stroj v trgovini. DSS in številni sistemi, obravnavani v naslednjih razdelkih, niso vedno utemeljeni s tradicionalnim pristopom stroškov in koristi; za te sisteme so številne prednosti neoprijemljive, na primer globlje odločanje in boljše razumevanje podatkov.

riž. Slika 1.4 prikazuje, da sistem za podporo odločanju zahteva tri primarne komponente: model upravljanja, upravljanje podatkov za zbiranje in ročno obdelavo podatkov ter upravljanje dialoga za lažji dostop uporabnikom do DSS. Uporabnik komunicira z DSS prek uporabniškega vmesnika, pri čemer izbere določen model in nabor podatkov za uporabo, nato pa DSS uporabniku predstavi rezultate prek istega uporabniškega vmesnika. Model upravljanja in upravljanje podatkov v veliki meri delujeta v zakulisju in segata od sorazmerno preprostega generičnega modela v preglednici do zapletenega, kompleksnega modela načrtovanja, ki temelji na matematičnem programiranju.

riž. 1.4. Komponente sistema za podporo odločanju

Izjemno priljubljena vrsta DSS je v obliki generatorja finančnih izkazov. S pomočjo preglednice, kot je Lotus 1-2-3 ali Microsoft Excel, se izdelajo modeli za napovedovanje različnih elementov organizacije oz. finančno stanje. Kot podatki se uporabljajo prejšnji računovodski izkazi organizacije. Začetni model vključuje različne predpostavke o prihodnjih trendih v kategorijah odhodkov in prihodkov. Po preučitvi rezultatov osnovnega modela upravljavec izvede serijo študij "kaj če", pri čemer spremeni eno ali več predpostavk, da ugotovi njihov vpliv na začetno stanje. Na primer, vodja bi lahko raziskal vpliv na dobičkonosnost, če bi prodaja novih izdelkov narasla za 10 % letno. Ali pa bi upravnik lahko raziskal vpliv večjega od pričakovanega zvišanja cene surovin, na primer 7 % namesto 4 % letno. Ta vrsta generatorja finančnih izkazov je preprost, a močan DSS za usmerjanje finančnih odločitev.

Primer DSS za uveljavitev podatkovnih transakcij je policijski sistem proračunskega načrtovanja, ki ga uporabljajo mesta v Kaliforniji. Ta sistem omogoča policistu, da vidi zemljevid in prikaže podatke o geografskem območju, prikaže tone policijskih klicev, vrste klicev in čas klicev. Interaktivna grafična zmogljivost sistema omogoča policistu, da manipulira z zemljevidom, cono in podatki, da hitro in enostavno predlaga različice alternativnih možnosti za izstop policije.

Drug primer DSS je interaktivni sistem za načrtovanje količin in proizvodnjo v velikem papirniškem podjetju. Ta sistem uporablja podrobne predhodne podatke, modele predvidevanja in načrtovanja za igranje na računalniku splošni kazalniki podjetja pod različnimi predpostavkami načrtovanja. Večina naftnih podjetij razvija DSS za podporo odločanju o kapitalskih naložbah. Ta sistem vključuje različne finančne pogoje in modele za oblikovanje prihodnjih načrtov, ki jih lahko predstavimo v tabeli ali grafični obliki.

Vsi navedeni primeri DSS se imenujejo specifični DSS. So dejanske aplikacije, ki pomagajo pri odločanju. V nasprotju s tem je generator sistema za podporo odločanju sistem, ki zagotavlja niz zmogljivosti za hitro in enostavno izgradnjo specifičnih DSS. Generator DSS je programski paket, zasnovan za delno računalniško delovanje. V našem primeru računovodskih izkazov lahko Microsoft Excel ali Lotus 1-2-3 štejemo za generatorje DSS, medtem ko so modeli, ki temeljijo na Excelu ali Lotus 1-2-3 za oblikovanje računovodskih izkazov za zasebno podružnico podjetja, specifični DSS.

DSS je podrobneje obravnavan v razdelku. 2.2.

DSS se je pojavil predvsem zaradi prizadevanj ameriških znanstvenikov v poznih sedemdesetih in zgodnjih osemdesetih letih prejšnjega stoletja, k čemur je v veliki meri prispevala široka uporaba osebnih računalnikov, standardnih aplikacijskih programskih paketov, pa tudi pomemben napredek pri ustvarjanju sistemov umetne inteligence (AI). .

Posebnosti SPPR.

Za DSS so značilne naslednje značilnosti.

Usmerjenost k reševanju slabo strukturiranih (formaliziranih) nalog, značilnih predvsem za visoke nivoje vodenja;

Možnost kombinacije tradicionalne metode dostop in obdelava računalniških podatkov z zmožnostmi matematičnih modelov in metod za reševanje problemov na podlagi njih;

Usmeritev k neprofesionalnemu končnemu uporabniku računalnika z uporabo interaktivnega načina delovanja;

Visoka prilagodljivost, ki zagotavlja možnost prilagajanja značilnostim razpoložljive strojne in programske opreme ter zahtevam uporabnikov.

Mesto DSS med informacijskimi sistemi. Informacijski model organizacije si lahko predstavljamo kot naslednji hierarhični model, ki vključuje naslednje tri ravni (glej sliko 4.3):

Obdelava podatkov,

Obdelava podatkov,

Sprejemanje odločitev.

riž. 4.3. Hierarhija informacijskih sistemov v podjetju

Na prvi najnižji ravni so SEOD. V hierarhiji vodstvenih odločitev ta raven ustreza ravni vodstvenega nadzora, ki avtomatizira potek dela v organizaciji. Glavne značilnosti SOED so:

obdelava podatkov na ravni operativnega nadzora,

Učinkovito obdelavo komercialnih poslov, ki jih izvaja organizacija,

Načrtovanje in optimizacija delovanja računalnika,

Integracija datotek, ki opisujejo sorodna opravila,

Sestavljanje poročil za vodstvo.

Na drugi srednji ravni, ki ustreza ravni vodstvenega nadzora, se poudarek premakne na postopke obdelave informacij, ki jih izvaja MIS. Ta obdelava se običajno nanaša na načrtovanje dejavnosti na funkcionalnih področjih organizacije, kot so trženje, proizvodnja, finance, računovodstvo, kadri. Upoštevati je treba glavne značilnosti IMS:

Priprava informacij, uporabnih na ravni srednjega menedžmenta,

strukturiranje (naročanje) informacijskih tokov,

Integracija (kombinacija) podatkov, prejetih od SEOD, na funkcionalna področja poslovanja (trženje IMS, proizvodnja MIS itd.),

Ustvarjanje sistema poizvedba-odziv in poročanje vodstvu (običajno z uporabo baz podatkov).

Na tretji najvišji ravni vodenja, ki ustreza strateškemu načrtovanju, se oblikujejo najpomembnejše odločitve organizacije. DSS, ki se uporablja na tej ravni (kot bo jasno iz tega, kar sledi, se lahko DSS uporablja na kateri koli ravni upravljanja), ima naslednje značilnosti:

Priprava rešitev za višje vodstvo,

Zagotavljanje visoke prilagodljivosti spremembam in visoka hitrost odgovori na zahteve uporabnikov,

Zagotavljanje pomoči pri odločanju posameznim menedžerjem.

Upravljanje podatkov v okolju SEDI se izvaja predvsem za obdelavo tekočih poslovnih operacij, ki jih podjetje vodi. Ustvarjanje IMS je bilo povezano s pojavom DBMS, ki je omogočil organizacijo načinov poizvedb, obdelave podatkov in izdelavo različnih poročil upravljanja. Vendar je bila glavna prednost ustvarjanja DBMS zmanjšanje stroškov tekočega programiranja, povezanega z delovanjem baz podatkov. Poudariti je treba, da so zahteve, ki jih uporabnik postavlja za takšne sisteme, relativno nizke. Zahteve za DSS so veliko resnejše. To zadeva naraščajočo potrebo po zanesljivih podatkih, vključno s tistimi verjetnostne narave, pa tudi zaostritev časovnih omejitev pri načinu poizvedbe in uporabo podatkov, ki prihajajo iz neračunalniških virov. Skladnost s temi zahtevami zagotavlja hitro izmenjavo podatkov med bazami, vključenimi v DSS, in veliko bazo podatkov, ki hrani podatke o poslovanju podjetja.

SEOD in MIS torej omogočata zadovoljevanje informacijskih potreb uporabnika s hitrim dostopom do potrebnih podatkov in pridobivanjem poročil (zgrajenih z različnimi stopnjami obdelave podatkov), ki olajšajo odločanje. V primeru DSS je pravilneje govoriti o sposobnosti sistema, da skupaj z uporabnikom ustvarja nove informacije(pogosto v obliki že pripravljenih alternativ) za odločanje.

Opozoriti je treba, da je premišljen pristop k ugotavljanju mesta DSS med IS lahko za bralca nekoliko zavajajoč. Tako se morda zdi, da se DSS lahko uporablja samo na najvišjih ravneh oblasti. Pravzaprav jih je mogoče uporabiti za pomoč pri odločanju na kateri koli ravni upravljanja. Poleg tega je pogosto treba uskladiti odločitve, sprejete na različnih ravneh oblasti. Zato je pomembna funkcija DSS koordinacija odločevalcev na različnih ravneh oblasti, pa tudi znotraj iste ravni. In končno, bralcu se morda zdi, da je pomoč pri odločanju edina stvar, ki jo vodstvo na višji ravni morda potrebuje od informacijskih sistemov. Vendar pa je odločanje le ena od funkcij menedžerjev, za katere jim pomagajo informacijski sistemi.

Upoštevajte tudi, da se sam izraz "upravljalni informacijski sistemi" v literaturi uporablja v širšem in ožjem pomenu. V širšem smislu vključuje vse vrste obravnavanih računalniških sistemov (SEOD, MIS, DSS itd.), ki se uporabljajo v interesu menedžerjev. V ožjem pomenu ta izraz pomeni vrsto IS, ki proizvaja poročila o upravljanju, t.j. ISU.

Struktura DSS

Do sedaj se strukture DSS nismo dotaknili, saj menimo, da gre za nekakšno »črno skrinjico«. Prvo idejo o strukturi DSS lahko potegnemo iz obravnave sl. 4.4.

Poleg uporabnika DSS vključuje tri glavne komponente: podsistem za obdelavo in shranjevanje podatkov, podsistem za shranjevanje in uporabo modelov ter programski podsistem. Slednji vključuje sistem upravljanja baz podatkov (DBMS), modelni sistem upravljanja baz podatkov (BMS) in sistem za upravljanje dialoga uporabnik-računalnik (UDC).

podatkovni podsistem. Za podsistem obdelave in shranjevanja podatkov so značilne vse znane prednosti gradnje in uporabe baz podatkov. Za uporabo baz podatkov kot dela DSS pa so značilne nekatere značilnosti (glej sliko 4.5). na primer

riž. 4.4. Struktura DSS

Podatkovne baze DSS imajo veliko večji nabor podatkovnih virov, vključno z zunanjimi viri, ki so še posebej pomembni za odločanje na visokih ravneh upravljanja, pa tudi viri neračunalniških podatkov. Druga značilnost je možnost predhodnega "stiskanja" podatkov, ki prihajajo iz več virov, z njihovo predhodno skupno obdelavo s postopki agregacije in filtriranja.

Podatki igrajo pomembno vlogo v DSS. Uporabi jih lahko neposredno uporabnik ali pa kot začetne podatke za izračun z uporabo matematičnih modelov.

Podsistem podatkov DSS prejme del podatkov iz sistema za obdelavo operacij, ki jih izvaja podjetje. Le v redkih primerih pa so podatki, pridobljeni na ravni obdelave komercialnih poslov, uporabni za DSS. Da bi bili ti podatki uporabni, morajo biti predhodno obdelani. Za to obstajata dve možnosti. Prvi je uporaba DBMS, vključenega v DSS, za obdelavo podatkov o poslovanju podjetja. Drugi je obdelava zunaj DSS z ustvarjanjem posebne baze podatkov za to. Jasno je, da je druga od teh možnosti boljša za podjetja z velikim številom komercialnih poslov.

ITUC. 4.5. Struktura podatkovnega podsistema DSS

Obdelani podatki o poslovanju podjetja tvorijo ekstrakcijske datoteke, ki so shranjene zunaj DSS za izboljšanje zanesljivosti in hitrosti dostopa. Ideja o oblikovanju posebne baze podatkov za obdelavo transakcij podjetja temelji na smotrnosti ločitve področja avtomatske elektronske obdelave podatkov od področja manj usposobljenega končnega uporabnika. Poleg tega bi končni uporabniki DSS, ki pričakujejo, da se bo sistem hitro odzval na njihove zahteve, nenehno tekmovali za strojni čas s procesom obdelave transakcij. Zato veliko organizacij, ki delajo s DSS, za obdelavo svojih poslovnih transakcij uporablja ločen računalnik, ki deluje znotraj centralnega MIS.

Poleg podatkov o poslovanju podjetja so za delovanje DSS potrebni tudi drugi interni podatki. Tako so potrebne na primer ocene menedžerjev, zaposlenih na področjih trženja, financ, proizvodnje, podatki o gibanju osebja, inženirski podatki itd. Te podatke je treba zbirati, vnašati in vzdrževati pravočasno.

Pomembni, predvsem za podporo odločanju na višjih ravneh vodstva, so podatki iz zunanjih virov. Zahtevani zunanji podatki morajo vključevati podatke o konkurentih, nacionalnih in globalnih gospodarstvih. Za razliko od notranjih podatkov je zunanje podatke pogosto mogoče kupiti od organizacij, ki so specializirane za zbiranje podatkov.

Trenutno se veliko preučuje vprašanje vključitve drugega vira podatkov v DSS - dokumentov, ki vključujejo evidence, pisma, pogodbe, naročila itd. Če se vsebina teh dokumentov zapiše v pomnilnik (na primer na video disk) in nato obdela glede na nekatere ključne značilnosti (dobavitelji, potrošniki, datumi, vrste storitev itd.), bo DSS prejel nov močan vir informacije.

Podatkovni podsistem, ki je del DSS, bi moral imeti naslednje zmogljivosti:

Sestavljanje kombinacij podatkov, pridobljenih iz različnih virov z uporabo postopkov združevanja in filtriranja;

Hitro dodajanje ali izključitev enega ali drugega vira podatkov;

Izgradnja logične podatkovne strukture glede na uporabnika;

Uporaba in manipulacija neformalnih podatkov za eksperimentalno testiranje uporabnikovih delovnih alternativ;

Upravljanje podatkov z uporabo širokega nabora funkcij upravljanja, ki jih zagotavlja DBMS;

Zagotavljanje popolne logične neodvisnosti baze podatkov, vključene v podatkovni podsistem DSS, od drugih operativnih baz podatkov, ki delujejo v podjetju.

Modelni podsistem. Poleg zagotavljanja dostopa do podatkov DSS omogoča uporabnikom dostop do modelov odločanja. To dosežemo z uvedbo ustreznih modelov v IS in uporabo baze podatkov v njem kot mehanizma za integracijo modelov in komuniciranje med njimi (glej sliko 4.6).

Nastali DSS bo združeval prednosti SEOD in MIS v smislu obdelave podatkov in generiranja upravljavskih poročil s prednostmi operativnih raziskav in ekonometrije v smislu matematičnega modeliranja situacij in iskanja rešitve.

Postopek ustvarjanja modelov mora biti prilagodljiv. Vključevati mora poseben jezik za modeliranje, nabor posameznih programskih blokov in modulov, ki izvajajo posamezne komponente različnih modelov, ter nabor krmilnih funkcij.

Uporaba modelov zagotavlja sposobnost DSS za izvedbo analize. Modeli z matematično interpretacijo problema s pomočjo določenih algoritmov prispevajo k iskanju informacij, uporabnih za sprejemanje pravih odločitev. Na primer, model linearno programiranje omogoča določitev najugodnejšega proizvodni program proizvodnja več vrst izdelkov ob danih omejitvah virov.

Uporaba modelov kot dela informacijskih sistemov se je začela z uporabo statističnih metod in metod finančna analiza, ki so bili izvedeni z ukazi običajnih algoritemskih jezikov. Kasneje so bili ustvarjeni posebni jeziki, ki omogočajo modeliranje situacij, kot sta "kaj če?" ali "kako to storiti?" Takšni jeziki, ustvarjeni posebej za gradnjo modelov, omogočajo gradnjo modelov določene vrste, ki zagotoviti rešitev s fleksibilno spremembo spremenljivk.

Trenutno obstaja veliko vrst modelov in načinov za njihovo razvrščanje, na primer glede na namen uporabe, obseg možnih aplikacij, kako se vrednotijo ​​spremenljivke itd.

Namen ustvarjanja modelov je bodisi optimizacija bodisi opis nekega predmeta ali procesa. Optimizacijski modeli so povezani z iskanjem minimalnih ali maksimalnih točk nekaterih kazalnikov. Na primer, menedžerji pogosto želijo vedeti, kaj njihova dejanja vodijo k maksimiranju dobička (minimiziranju stroškov). Optimizacijski modeli zagotavljajo takšne informacije. Opisni modeli opisujejo obnašanje nekega sistema in niso namenjeni upravljavskim (optimizacijskim) namenom.

Čeprav je večina sistemov stohastične narave (tj. njihovega stanja ni mogoče napovedati z absolutno gotovostjo), je večina matematičnih modelov zgrajena tako, da je deterministična. Deterministični modeli vrednotijo ​​spremenljivke z enim samim številom (v nasprotju s stohastičnimi modeli, ki vrednotijo ​​spremenljivke z več parametri). Deterministični modeli so bolj priljubljeni kot stohastični modeli, ker so cenejši in težji ter enostavnejši za sestavljanje in uporabo. Poleg tega je pogosto z njihovo pomočjo mogoče pridobiti dovolj informacij v pomoč odločevalcem.

Z vidika obsega možnih aplikacij delimo modele na specializirane modele, namenjene uporabi samo z enim sistemom, in univerzalne modele, namenjene uporabi z več sistemi. Prvi od teh so dražji, običajno se uporabljajo za opis edinstvenih sistemov in so natančnejši od drugih.

Osnova modela. Modeli v DSS tvorijo modelno bazo, ki vključuje strateške, taktične in operativne modele ter niz modelnih blokov, modulov in postopkov, ki se uporabljajo kot elementi za gradnjo modelov (glej sliko 4.6). Vsaka vrsta modela ima svoje edinstvene značilnosti.

Strateški modeli se uporabljajo na najvišjih ravneh vodstva za določitev ciljev organizacije, količine sredstev, potrebnih za njihovo doseganje, ter politike za pridobivanje in uporabo teh virov. Uporabne so lahko tudi za izbiro možnosti za lociranje podjetij, napovedovanje politik konkurence itd. Za strateške modele je značilna pomembna širina pokritosti, veliko spremenljivk in predstavitev podatkov v stisnjeni agregirani obliki. Ti podatki pogosto temeljijo na zunanjih virih in so lahko subjektivni. Obzorje načrtovanja v strateških modelih se običajno meri v letih. Ti modeli so običajno deterministični, deskriptivni, specializirani za uporabo v določenem podjetju.

Taktične modele uporabljajo menedžerji na srednji ravni za dodeljevanje in nadzor nad uporabo razpoložljivih virov. Med možnimi področji njihove uporabe je treba navesti: finančno načrtovanje, načrtovanje zahtev za zaposlene, načrtovanje povečanja prodaje, načrtovanje načrtovanja za podjetja. Ti modeli so običajno uporabni samo za posamezne dele podjetja (na primer za proizvodni in distribucijski sistem) in lahko vključujejo tudi agregate. Časovno obdobje, ki ga pokrivajo taktični modeli, je med mesecem in dvema letoma. Tu so morda potrebni tudi podatki iz zunanjih virov, vendar je treba glavni poudarek pri izvajanju teh modelov nameniti notranjim podatkom podjetja. Običajno se taktični modeli izvajajo kot deterministični, optimizacijski in univerzalni.

Operativni modeli se uporabljajo na nižjih ravneh upravljanja za podporo operativnemu odločanju z obzorjem, merjenim v dnevih in tednih. Možne uporabe teh modelov vključujejo uvedbo obračunov terjatev in dobroimetja, koledarja načrtovanje proizvodnje, upravljanje zalog itd. Operativni modeli običajno uporabljajo podatke znotraj podjetja za svoje izračune. Ponavadi so deterministični, optimizirajoči in generični (tj. jih lahko uporabljajo različne organizacije).

Osnova modelov DSS poleg strateških, taktičnih in operativnih modelov vključuje nabor modelnih blokov, modulov in postopkov. To lahko vključuje postopke za linearno programiranje, statistično analizo časovnih vrst, regresijsko analizo itd. - od najpreprostejših postopkov do kompleksnih aplikacijskih paketov. Modelne bloke, module in postopke je mogoče uporabiti tako posamezno, neodvisno za pomoč uporabnikom DSS, kot v kompleksu, v kombinaciji, za gradnjo in vzdrževanje modelov.

Sistem za upravljanje vmesnikov. Učinkovitost in fleksibilnost DSS pri reševanju določenih problemov je v veliki meri odvisna od značilnosti uporabljenega vmesnika. Vmesnik vključuje programski sistem nadzor dialoga (CUD), računalnik in sam uporabnik.

Uporabniški jezik - to so dejanja, ki jih uporabnik izvaja v zvezi s sistemom z uporabo zmožnosti tipkovnice, elektronskih svinčnikov, ki pišejo po zaslonu, igralne palice, miške, glasovnih ukazov itd. Najpreprostejša oblika akcijskega jezika je ustvarjanje oblik vhodnih in izhodnih dokumentov. Po prejemu vnosnega obrazca (dokumenta) ga uporabnik izpolni s potrebnimi podatki in jih vnese v računalnik. DSS opravi potrebno analizo in izda rezultate v obliki izhodnega dokumenta uveljavljene oblike.

Znatno povečano za Zadnje čase priljubljenost vizualnega vmesnika, ki ga je razvilo ameriško podjetje "Apple Mackintosh", ki temelji na uporabi posebne "miške" naprave. Uporabnik s to napravo izbere predmete in dejanja, ki so mu predstavljena na zaslonu v obliki slik, s čimer spozna jezik dejanj.

Upravljanje računalnika s človeškim glasom je najpreprostejša in zato najbolj zaželena oblika akcijskega jezika. Še ni dovolj razvit in zato v DSS ni zelo priljubljen. Obstoječi razvoj zahteva resne omejitve od uporabnika (omejen nabor besed in izrazov; posebna naprava, ki upošteva značilnosti uporabnikovega glasu; nadzor mora biti v obliki diskretnih ukazov in ne v obliki navadnega gladkega govora ). Tehnologija tega pristopa se intenzivno izboljšuje in v bližnji prihodnosti lahko pričakujemo pojav novega naprednega DSS z govornim vnosom informacij.

Jezik sporočila je tisto, kar uporabnik vidi na zaslonu (znaki, grafike, barve), podatki, prejeti na tiskalniku, zvočni izhod itd. Dolgo časa je bila edina izvedba jezika sporočil natisnjeno ali prikazano poročilo (ali drugo zahtevano sporočilo). Zdaj se ji je pridružila nova možnost predstavitve izhodnih podatkov - računalniška grafika. Omogoča ustvarjanje barvne grafike v treh dimenzijah na zaslonu in papirju. V DSS postaja vse bolj priljubljena uporaba računalniške grafike, ki bistveno poveča vidnost in interpretabilnost izhodnih podatkov.

V zadnjih nekaj letih se je pojavila nova smer, ki razvija računalniško grafiko - animacija. Animacija je še posebej učinkovita za razlago izhodov DSS, povezanih z modeliranjem fizični sistemi in predmeti. Tako lahko na primer DSS, zasnovan za storitve strank v banki, z uporabo risanih modelov dejansko vidi različne možnosti za organizacijo storitev glede na pretok obiskovalcev, dovoljeno dolžino čakalne vrste, število servisnih točk itd.

V prihodnjih letih bi morali pričakovati uporabo človeškega glasu kot jezika sporočil DSS. Kot možen primer lahko navedemo uporabo tega obrazca pri delu DSS na področju financ, kjer se v procesu generiranja nujnih poročil z glasom pojasnjujejo razlogi za ekskluzivnost posameznega delovnega mesta.

Uporabniško znanje je tisto, kar mora uporabnik vedeti pri delu s sistemom. To ne vključuje samo akcijskega načrta, ki je v glavi uporabnika, temveč tudi učbenike, navodila in referenčne podatke, ki jih izda računalnik, ko je ukaz za pomoč. Navodila in referenčni podatki, ki jih sistem izda na zahtevo uporabnika, običajno niso standardni, ampak so odvisni od mesta v kontekstu rešitve problema, v katerem se uporabnik DSS nahaja. Z drugimi besedami, pomoč je specializirana glede na situacijo.

Uporabniku DSS so lahko v veliko pomoč tako imenovane paketne datoteke, ki vsebujejo programirana navodila za sistem za izvajanje standardnih postopkov. Takšne datoteke se aktivirajo s pritiskom na eno tipko in od uporabnika ne zahtevajo znanja jezika ukazov. Primer so postopki za primerjavo načrtovanega in dejanskega stanja proizvodnje (vrednosti v skladišču, obseg proizvodnje, prejemki itd.), ki se nenehno izvajajo v okviru avtomatiziranega delovnega mesta.

V primeru očitnega pomanjkanja znanja uporabnika o določenem predmetnem področju in samem DSS, se slednji lahko uporabijo kot simulatorji pod vodstvom izkušenih uporabnikov ali strokovnjakov na preučevanem področju.

Izboljšanje vmesnika DSS je odvisno od napredka pri razvoju vsake od treh navedenih komponent.

Pomembno merilo učinkovitosti uporabljenega vmesnika je izbrana oblika dialoga med uporabnikom in sistemom. Trenutno so najpogostejše oblike dialoga: način izziv-odziv, ukazni način, menijski način in način polnjenja praznine v računalniško dobavljenih izrazih. Vsaka oblika ima lahko glede na vrsto naloge, značilnosti uporabnika in sprejeto odločitev svoje prednosti in slabosti.

Vmesnik DSS mora imeti naslednje zmogljivosti:

Manipulirati z različnimi oblikami dialoga in jih spreminjati v procesu odločanja po izbiri uporabnika;

Prenos podatkov v sistem na različne načine;

Sprejemanje podatkov iz različnih naprav sistema v različnih formatih;

Fleksibilno vzdržujte (na zahtevo nudite pomoč, predlagajte) znanje uporabnika.

Operativne zahteve za DSS s stališča uporabnika.

Prve tri od naslednjih zahtev so povezane z vrsto problema, ki ga rešuje odločevalec. Ostalo je povezano z vrsto pomoči, ki mu je zagotovljena.

1. DSS bi moral zagotavljati pomoč pri odločanju in biti še posebej učinkovit pri reševanju nestrukturiranih in slabo strukturiranih problemov. To se nanaša na naloge, pri katerih uporaba modelov SEOD, MIS in operativnih raziskav običajno ni dala rezultatov.

2. DSS naj zagotavlja pomoč pri odločanju menedžerjev na vseh ravneh ter pri usklajevanju odločitev, ki zahtevajo sodelovanje več vodstvenih ravni.

3. DSS naj nudi pomoč pri sprejemanju individualnih in kolektivnih odločitev. To se nanaša na odločitve, pri katerih je odgovornost razdeljena med več menedžerjev ali znotraj skupine zaposlenih.

4. DSS bi moral zagotavljati pomoč v vseh fazah procesa odločanja. Kot bo prikazano v nadaljevanju, če DSS na stopnjah preučevanja problema in zbiranja podatkov zagotavlja le dodatno pomoč (glavni prispevek je uporaba MIS), potem v vseh naslednjih fazah (razen v fazi odločanja ), prevladuje pomoč DSS.

5. DSS, ki pomaga pri sprejemanju različnih odločitev, ni odvisen od nobene od njih.

6. Uporaba DSS mora biti enostavna. To zagotavlja visoka prilagodljivost sistema glede na vrsto nalog, značilnosti organizacijskega okolja in uporabnika ter prijazen vmesnik.

Skupina DSS

Vse, kar je bilo povedano o DSS, se je nanašalo predvsem na podporo posameznim odločitvam. Vendar se vodja le redko odloča sam. Upravni odbori, znanstveni in tehnični sveti, skupine oblikovalcev, problemske komisije - to ni popoln seznam primerov kolektivnega pristopa k odločanju. Skupinski DSS (GDSS) so interaktivni računalniški sistemi, namenjeni zagotavljanju podpore skupinam delavcev pri reševanju slabo strukturiranih problemov.

Skupinsko odločanje je bolj zapleteno kot individualno odločanje, ker vključuje potrebo po uskladitvi različnih individualnih stališč. Zato je glavna naloga SSPPR izboljšati komunikacijo v delovni skupini. Izboljšana komunikacija ima za posledico prihranek delovnega časa, ki ga je mogoče uporabiti za poglobitev v dano težavo in razvoj več možnih alternativ za njegovo rešitev. Vrednotenje več alternativ prispeva k izbiri bolj informirane odločitve.

Pomen skupinskega odločanja, na eni strani, kronične pomanjkljivosti skupinskega komuniciranja (glej 2. poglavje) in omejena zmožnost spoprijemanja z njimi, na drugi strani, so privedle do oblikovanja posebne informacijske tehnologije za podporo skupinskim odločitvam.

Velik del te tehnologije se izvaja prek sistema Office Automation Systems (CAO)1, ki izboljšuje komunikacijo med zaposlenimi. SPSS je lahko specializiran (prilagojen za reševanje samo ene vrste problemov) ali univerzalen (zasnovan za reševanje širokega spektra vprašanj). Številni SPSS vsebujejo vgrajen programski mehanizem, ki preprečuje razvoj negativnih trendov v skupinskem komuniciranju (nastajanje konfliktnih situacij, skupinsko razmišljanje ipd.).

Struktura SPSS. SPSS vključuje strojno in programsko opremo ter postopke in osebje (glej sliko 4.7).

riž. 4.7. Struktura sistema za podporo odločanju skupine

Te komponente zagotavljajo članom skupine komunikacijo in drugo podporo pri razpravi o vprašanjih. Med delom s sistemom imajo člani ekipe stalen dostop do baze podatkov, baze modelov in različnih aplikacij. Vodja skupine je odgovoren za izbor postopkov, potrebnih za delovanje skupine. Vodja skupine in njeni člani imajo možnost začeti dialog.

Tehnična podpora. SPSS običajno uporablja eno od naslednjih konfiguracij strojne opreme:

1. Edini računalnik. V tem primeru se vsi udeleženci zberejo okoli enega samega računalnika in izmenično odgovarjajo na vprašanja, ki se prikažejo na zaslonu monitorja, dokler ne prejmemo rešitve. Uporaba te konfiguracije je uporabna samo za izobraževalne namene.

2. Omrežje računalnikov ali terminalov. Vsak udeleženec je pri svojem računalniku ali terminalu in ima možnost voditi dialog s centralnim procesorjem sistema.

3. Soba za odločanje. V središču te konfiguracije GDSS je aplikacija CAO1, imenovana računalniška konferenca in je opisana v razdelku 4.4. Odločilna soba vključuje lokalno računalniško omrežje s strežnikom, ki izvaja upravljalnik sistema. Opremljen je tudi s skupnim zaslonom, ki vam omogoča, da vsem članom skupine prikažete potrebne informacije (posamezne in združene).

Programska oprema. Programska oprema GSPPR vključuje bazo podatkov, bazo modelov in programov za posebne aplikacije. Zagotavlja možnost individualnega in skupinskega dela uporabnikov ter vzdrževanje postopkov skupinskega odločanja. Torej, kar zadeva skupinsko delo, programska oprema GSPPR omogoča

Izvaja številčno in grafično seštevanje predlogov in rezultatov glasovanja članov skupine;

Izračunajte uteži odločitvenih alternativ, naredite anonimni zapis prejetih predlogov, izberite vodjo skupine, zgradite postopke za doseganje konsenza, preprečite razvoj negativnih trendov v skupinskem komuniciranju;

Prenesite besedilne in številske podatke med člani skupine, med člani skupine in upraviteljem skupine ter tudi med člani skupine in CPE GPSS.

osebje. Ta komponenta GDSS vključuje vse člane skupine in upravitelja, ki je prisoten na vsakem sestanku skupine in je odgovoren za strojno opremo sistema in upravljanje sprememb v postopkih razprave.

prosim. Postopki so nujna sestavina GDSS, s pomočjo katerih je zagotovljena namenska izmenjava mnenj, objektivnost doseganja konsenza ter učinkovita uporaba programske in strojne opreme sistema.

Podpora, ki jo zagotavlja SPSS. Za analizo delovanja SDSS bomo izpostavili tri ravni podpornih orodij, ki jih zagotavljajo ti sistemi:

1. stopnja. Komunikacijska podpora

2. stopnja. Podpora odločanju

3. stopnja. Podpora pravilom igre

1. stopnja. Komunikacijska podpora. Na tej ravni lahko SPSS z uporabo zmogljivosti CAO in posebnih programov zagotovi naslednje vrste podpore:

Prenos sporočil med člani skupine po e-pošti;

Oblikovanje skupnega zaslona, ​​ki je viden vsem članom skupine in dostopen z vsakega delovnega mesta;

Možnost anonimnega vnosa idej (predlogov) in njihovega anonimnega vrednotenja (uvrstitev);

Izdaja na skupnem zaslonu (ali monitorju vsakega delovnega mesta) vseh izhodnih informacij, ki so rezultat razprave (začetni in končni seznam predlogov, rezultati glasovanja itd.);

Oblikovanje dnevnega reda za razpravo.

2. stopnja. Podpora odločanju. Na tej ravni lahko SPSS z uporabo programskih orodij za modeliranje in analizo odločanja zagotovi naslednje vrste podpore:

Načrtovanje in finančno modeliranje;

Uporaba drevesa odločanja;

Uporaba verjetnostnih modelov;

Uporaba modelov dodeljevanja virov.

3. stopnja. Podpora pravilom igre. Na tej ravni SPSS uporablja posebno programsko opremo za skladnost z uveljavljenimi pravili za vodenje skupinskih postopkov (na primer določanje vrstnega reda govorov in pravil glasovanja, sprejemljivost vprašanj v tem trenutku itd.).

ena) . Pred sestankom se vodja skupine sreča s moderatorjem skupine, da načrtuje delo skupine, izbere programsko opremo in določi dnevni red.

2). Delo skupine se začne z dejstvom, da njen vodja skupini ponudi vprašanje ali problem za rešitev.

3). Nato udeleženci s tipkovnice vnesejo svoje odgovore, ki so na voljo vsem. Ko se udeleženci seznanijo z vsemi podanimi predlogi, nanje podajo pripombe (pozitivne ali negativne).

4) . Voditelj s programom za posploševanje predlogov poišče skupne izraze, teme in ideje v predloženih predlogih ter iz njih izdela več posplošenih predlogov s pripombami, ki jih posreduje vsem udeležencem.

5) . Vodja sproži razpravo o posplošenih stavkih (besednih ali elektronskih). Na tej stopnji s pomočjo posebnih programov poteka razvrščanje (prioritetnost) obravnavanih predlogov.

6). Za prvih pet ali deset predlogov se začne nova razprava, ki jih izpopolni in dodatno ovrednoti.

7). Postopek (izdelava predlogov, njihovo posploševanje in razvrščanje) se ponovi oziroma zaključi s končnim glasovanjem. Ta stopnja uporablja poseben program, imenovan »končni komentar«, ki izdela komentar na izbrane posplošene stavke.

IZGRADNJA IN UPORABA DSS ZA FINANČNO NAČRTOVANJE

Opisani primer temelji na resničnih dogodkih, ki so se zgodili v eni od zahodnih bank.

Ob koncu naslednjega poslovnega leta se je banka, ko je ugotovila občutno zmanjšanje dobička, počutila v nevarnosti. Analiza nastale situacije je presegla okvire običajne menedžerske dejavnosti.

Čeprav je bila ta banka med vodilnimi, ena prvih, ki je uvedla kreditne kartice in računalniški računovodski sistem, se je izvajanje kreditne politike v njej še vedno izvajalo ročno.

Odločeno je bilo ustvariti nov računalniški sistem finančno načrtovanje, ki izvaja analize in napovedi ter izdeluje poročila na podlagi uporabe podatkov iz že obstoječega sistema za obdelavo računovodskih poslov v banki. Hkrati se je analiza nanašala na pokritost dinamike sprememb glavnih kazalnikov, ki ocenjujejo razmerje med lastnimi sredstvi banke in posojili. Napovedovanje naj bi potekalo za dve stalni obzorji: 12 mesecev in 5 let.

Sistem finančnega načrtovanja (FPS) je bil uporabljen na naslednjih treh področjih:

Na začetku vsakega meseca je bilo izdano poročilo o poslovanju banke za pretekli mesec;

Vsak mesec - reševati posebne aktualne probleme in razvijati strateške načrte;

Ob koncu vsakega koledarskega leta - razviti letne proračunske dokumente.

Kot je enostavno videti, je v nasprotju z računovodskimi izračuni, ki so že obstajali v banki IS (ki je bila centralizirani EDMS), novoustvarjeni SFS DSS, ki ohranja standardne funkcije teh sistemov, kot so

Dostop do podatkov kadar koli;

Podpora sprejetim odločitvam z izdajanjem rednih poročil upravljanja;

Uporaba matematičnih modelov napovedi za vrednotenje alternativ in strategij;

Zagotavljanje možnosti delovanja v dialogu (možnost spreminjanja ciljev in omejitev ob spremembi razmer in okoliščin na finančnih trgih).

Podatki. Vsak mesec se prejeti podatki evidentirajo v bazah podatkov, ki vsebujejo retrospektivne informacije za zadnja tri leta mesečno in za sedem let in pol četrtletno. Poleg tega baze vsebujejo prejete informacije o napovedih za naslednjih 12 mesečnih obdobij.

Poročila in analize. Sistem finančnega načrtovanja vsak mesec izdela celoten sklop finančnih dokumentov, vključno z bilanco stanja, izkazom poslovnega izida in poročili o glavnih komercialno uspešnost. Dobljene mesečne podatke primerjamo z rezultati napovedi, proračunom in podobnimi podatki, pridobljenimi v preteklem letu. Poleg tega sistem izdaja periodična poročila o posebej stresnih (kritičnih) vidikih delovanja banke, na primer poročilo o razmerju obrestnih mer in obsegov plačil obresti.

Napovedovanje. Vsa navedena poročila lahko sistem izda za vsakega od naslednjih 12 mesecev. Pojasnjevalne spremenljivke za ta poročila lahko uporabniki vnesejo neposredno ali pa jih samodejno ustvarijo iz strateških razlogov. Po potrebi lahko tukaj uporabimo optimizacijske modele, ki so v bazi sistemskih modelov. Napoved je »koletajoča«, nenehno pokriva naslednjih 12 mesecev, s stalnim ponovnim vrednotenjem podatkov na začetku vsakega meseca.

Prednosti. Uvedba SFP je povzročila povečanje dobičkonosnosti banke zaradi naslednjih dejavnikov:

Vzpostavitev mehanizma za upravljanje najpomembnejših kazalnikov bilance stanja, vključno z likvidnostjo ter razmerjem lastniškega in izposojenega kapitala;

Oblikovanje podlage za usklajevanje procesa odločanja na ravni strateškega načrtovanja;

Ustvarjanje sposobnosti višjega vodstva, da se hitro odzove na spreminjajoče se predpise, tržne razmere in znotraj banke

okoliščine;

Zmanjšanje stroškov ustvarjanja rednih poročil upravljanja

Vprašanja za samopregledovanje

1. Opišite situacijo, ki je vodstvo banke spodbudila k oblikovanju SFP.

2. Kakšne koristi je prinesla uvedba SFP?

3. Opišite komponente SFP in utemeljite, kateri tip IS pripada.

3). DSS ima možnost upravljanja dialoga med uporabnikom in sistemom ter upravljanja podatkov in modelov.

Zvezni državni proračunski izobraževalni zavod za visoko strokovno izobraževanje

"RUSKA AKADEMIJA NARODNEGA GOSPODARSTVA

IN JAVNE STORITVE

pod PREDSEDNIKOM RUJSKE FEDERACIJE"

Severozahodni inštitut za management

Fakulteta: Državna in občinska uprava

Oddelek: Splošno upravljanje in logistika

Tečajno delo

"Sistemi za podporo odločanju"

Študent 3. letnika

Redno izobraževanje

Fetiskin Ivan Jurijevič

Vodja dela

Izredni profesor, kandidat filoloških znanosti

Mysin Nikolaj Vasilijevič

Sankt Peterburg 2015

Uvod

Poglavje 1. Teoretični vidiki in koncepti sistemov za podporo odločanju

1 Opredelitev sistema za podporo odločanju, njegovih funkcij

2 Struktura sistemov za podporo odločanju

3 Podatkovne shrambe

4 OLAP tehnologije

5 Inteligenten Analiza podatkov

6 Klasifikacije sistemov za podporo odločanju

7 Aplikacije

8 DSS trg

9 Ocenjevanje sistema za podporo odločanju (DSS)

Poglavje 2 Praksa izvajanja DSS na primeru teritorialnih izpostav Banke Rusije

1 Oblikovanje ciljev in ciljev študije, značilnosti preučevanega predmeta

2 Splošni pregled in opis delovnega mesta

2.1 Razvoj DSS pri upravljanju dejavnosti teritorialnih izpostav Banke Rusije

2.2 Opis funkcionalnih podsistemov

2.3 Razvoj DSS na ravni tehničnih specifikacij, ki izvaja metodološke in instrumentalne rešitve

3 Sklepi in rezultati uporabe tega DSS

Zaključek

Bibliografija

Uvod

Razvoj tržnih odnosov, decentralizacija upravljanja, hitra zastarelost informacij določajo visoke zahteve do sodobnega vodje. Poznavanje in spretna uporaba določb upravljanja močno olajšata delo vodje, mu pomagata pri določanju prednostnih nalog in sistematizaciji dela. Organizacijske strukture služijo kot osnova, na kateri se gradijo vse dejavnosti upravljanja.

Organizacije ustvarjajo strukture, ki zagotavljajo koordinacijo in nadzor nad dejavnostmi svojih enot in zaposlenih. Strukture organizacij se med seboj razlikujejo po kompleksnosti (tj. stopnji razdelitve dejavnosti na različne funkcije), formalizaciji (tj. stopnji uporabe vnaprej določenih pravil in postopkov), razmerju med centralizacijo in decentralizacijo (tj. , ravni, na katerih se upravljajo rešitve).

Strukturni odnosi v organizacijah so v središču pozornosti številnih raziskovalcev in menedžerjev. Za učinkovito doseganje ciljev je potrebno razumeti strukturo dela, oddelkov in funkcionalnih enot. Organizacija dela in ljudi v veliki meri vpliva na obnašanje delavcev. Strukturni in vedenjski odnosi pa pomagajo pri postavljanju ciljev organizacije, vplivajo na stališča in vedenje zaposlenih. Strukturni pristop se v organizacijah uporablja za zagotavljanje osnovnih elementov dejavnosti in odnosov med njimi. Vključuje uporabo delitve dela, nadzora, decentralizacije in oddelkov.

V kontekstu dinamike sodobne proizvodnje in družbene strukture mora biti management v stanju stalen razvoj, kar danes ni mogoče doseči brez raziskovanja poti in možnosti tega razvoja, brez izbire alternativnih smeri. Raziskave menedžmenta se izvajajo v vsakodnevnih dejavnostih vodij in osebja ter pri delu specializiranih analitičnih skupin, laboratorijev, oddelkov. Potrebo po raziskavah sistemov vodenja narekuje precej širok nabor problemov, s katerimi se soočajo številne organizacije. Uspeh teh organizacij je odvisen od pravilnega reševanja teh problemov.

Organizacijska struktura menedžmenta je eden ključnih konceptov upravljanja, tesno povezan s cilji, funkcijami, procesom vodenja, delom menedžerjev in porazdelitvijo pristojnosti med njimi. V okviru te strukture poteka celoten proces upravljanja (gibanje informacijskih tokov in sprejemanje vodstvenih odločitev), v katerem sodelujejo vodje vseh ravni, kategorij in strokovnih specializacij. Strukturo lahko primerjamo z okvirjem zgradbe sistema vodenja, ki je zgrajena tako, da zagotavlja, da se vsi procesi, ki se v njej dogajajo, izvajajo pravočasno in kakovostno.

Razlike v strukturi organizacije, v značilnostih njihovega delovanja puščajo zelo pomemben pečat menedžersko dejavnost, v nekaterih primerih pa odločilno vpliva nanj. Poleg tega so dejavnosti vodje, njegove psihološke značilnosti odvisne ne le od vrste organizacijske strukture, temveč tudi od njegovega hierarhičnega mesta v tej strukturi, zaradi česar je tema tega tečaja pravzaprav najbolj relevantna.

Znanstveno utemeljeno oblikovanje organizacijskih vodstvenih struktur je nujna naloga moderni oder prilagajanje gospodarskih subjektov tržnemu gospodarstvu. V sodobnih razmerah je treba široko uporabljati načela in metode načrtovanja vodstvene organizacije, ki temeljijo na sistematičnem pristopu.

NAMEN TEGA PREDMETA je preučiti načelo hierarhije v vodstveni strukturi organizacije.

Za dosego tega cilja so v delu opredeljene naslednje naloge:

preučevanje bistva in načel gradnje organizacijskih struktur, njihove razvrstitve in stopenj zgodovinskega razvoja;

preučevanje bistva in načel gradnje organizacijskih struktur;

oblikovanje strategije za organizacijske spremembe.

RAZISKOVALNE METODE: analitične, grafične.

Za pisanje tega dela so bila uporabljena znanstvena dela in razvoj domačih in tujih avtorjev, ki se posvečajo vprašanjem vodenja procesov, oblikovanju sistemov za podporo upravljavskemu odločanju. Prispevek uporablja gradiva, objavljena v ruskem in tujem tisku, pa tudi tista, ki so predstavljena na specializiranih strokovnih spletnih straneh.

Poglavje 1. Teoretični vidiki in koncepti sistemov za podporo odločanju

1 Opredelitev sistema za podporo odločanju, njegovih funkcij

Očitno je, da morajo biti odločitve o strategiji in taktiki razvoja mesta skrbno premišljene in utemeljene. To je še posebej pomembno v družbeno-ekonomskih sistemih, saj se odločitve nanašajo na žive ljudi, njihovo materialno in duhovno stanje. Vendar pa do danes odločanje s strani župana, mestne uprave, odborov temelji na izkušnjah in intuiciji vodij. Toda družbeno-ekonomski sistemi so zapleteni in njihovo vedenje je težko predvideti zaradi prisotnosti velikega števila neposrednih in povratne informacije pogosto ni očitno na prvi pogled. Človeški možgani niso kos nalogi te razsežnosti, zato je za odločanje nujno zagotoviti informacijsko in analitično podporo. V zadnjih letih se je oblikovala in aktivno uporablja nova smer na področju avtomatizacije vodstvenega dela - sistemi za podporo odločanju. Uspešno se uporabljajo v različnih panogah: telekomunikacijah, financah, trgovini, industriji, medicini in mnogih drugih.

Koncept sistemov za podporo odločanju (DSS) vključuje številna združena orodja skupni cilj- spodbujati sprejemanje racionalnih in učinkovitih odločitev upravljanja.

Sistem za podporo odločanju (DSS) je računalniško avtomatiziran sistem, katerega namen je pomagati ljudem, ki se odločajo v težkih razmerah, pri popolni in objektivni analizi predmetne dejavnosti. Gre za interaktivni sistem, ki uporablja pravila odločanja in ustrezne modele z bazami podatkov ter interaktivni računalniški simulacijski proces.

DSS je nastal kot rezultat združitve upravljavskih informacijskih sistemov in sistemov za upravljanje baz podatkov. DSS so sistemi človek-stroj, ki odločevalcem omogočajo uporabo podatkov, znanja, objektivnih in subjektivnih modelov za analizo in reševanje nestrukturiranih in slabo formaliziranih problemov.

Postopek odločanja je sprejem in izbira najbolj optimalne alternative ob upoštevanju napačnega izračuna vseh posledic. Pri izbiri alternativ je treba izbrati tisto, ki najbolj ustreza cilju, hkrati pa je treba upoštevati veliko število nasprotujočih si zahtev in zato izbrano rešitev ovrednotiti po številnih kriterijih.

Sistem za podporo odločanju je zasnovan tako, da podpira večkriterijske odločitve v kompleksnem informacijskem okolju. Hkrati se večkriterij razume kot dejstvo, da se rezultati sprejetih odločitev ne ocenjujejo z enim, temveč s celoto številnih kazalnikov (meril), ki se obravnavajo hkrati. Kompleksnost informacij je določena s potrebo po upoštevanju velike količine podatkov, katerih obdelava je praktično nemogoča brez pomoči sodobne računalniške tehnologije. Pod temi pogoji je število možne rešitve, praviloma je zelo velika in izbira najboljših med njimi "na oko", brez celovite analize, lahko privede do hudih napak.

DSS omogoča tudi olajšanje dela vodilnih podjetij in povečanje njegove učinkovitosti. Bistveno pospešujejo reševanje težav v poslovanju. DSS prispeva k vzpostavitvi medosebnega stika. Na njihovi podlagi se lahko izvaja usposabljanje in usposabljanje osebja. Ti informacijski sistemi vam omogočajo, da povečate nadzor nad dejavnostmi organizacije. Prisotnost dobro delujočega DSS zagotavlja velike prednosti pred konkurenčnimi strukturami. Zahvaljujoč predlogom DSS se odpirajo novi pristopi k reševanju vsakdanjih in nestandardnih nalog.

Za DSS so značilne naslednje značilnosti:

· usmerjenost k reševanju slabo strukturiranih (formaliziranih) nalog, značilnih predvsem za visoke nivoje vodenja;

· možnost kombiniranja tradicionalnih metod dostopa in obdelave računalniških podatkov z zmožnostmi matematičnih modelov in metod za reševanje problemov, ki temeljijo na njih;

· osredotočenost na neprofesionalnega končnega uporabnika računalnika z uporabo interaktivnega načina delovanja;

· visoka prilagodljivost, ki zagotavlja možnost prilagajanja značilnostim razpoložljive strojne in programske opreme ter zahtevam uporabnikov.

Sistem za podporo odločanju rešuje dve glavni nalogi:

.izbira najboljša rešitev iz nabora možnih (optimizacija);

2.razvrščanje možnih rešitev po želji (uvrstitev).

Za analizo in razvoj predlogov v DSS se uporabljajo različne metode. Lahko je:

· iskanje informacij,

· rudarjenje podatkov,

· iskati znanje v podatkovnih baz,

· sklepanje na podlagi primera

· simulacijsko modeliranje,

· evolucijsko računalništvo in genetski algoritmi,

· nevronske mreže,

· situacijska analiza,

· kognitivno modeliranje itd.

Nekatere od teh metod so bile razvite v okviru umetne inteligence. Če delo DSS temelji na metodah umetne inteligence, potem govorimo o intelektualnem DSS ali IDSS.

Razredi sistemov, ki so blizu DSS, so ekspertni sistemi in avtomatizirani krmilni sistemi.

Sistem vam omogoča reševanje problemov operativnega in strateškega upravljanja na podlagi računovodskih podatkov o dejavnosti podjetja.

Sistem za podporo odločanju je nabor programskih orodij za analizo podatkov, modeliranje, napovedovanje in upravljavsko odločanje, ki ga sestavljajo lastni razvoj korporacije in kupljeni programski izdelki (Oracle, IBM, Cognos).

Teoretične raziskave pri razvoju prvih sistemov za podporo odločanju so bile izvedene na Carnegiejevem tehnološkem inštitutu v poznih 50. in zgodnjih 60. letih XX. stoletja. Teorijo s prakso so lahko združili strokovnjaki z Massachusetts Institute of Technology v 60. letih. Sredi in poznih 80-ih let XX stoletja so se začeli pojavljati sistemi, kot so EIS, GDSS, ODSS. Leta 1987 je Texas Instruments razvil sistem prikaza dodeljevanja vrat za United Airlines. To je močno zmanjšalo izgube zaradi letov in prilagodilo upravljanje različnih letališč, od mednarodnega letališča O Hare v Chicagu in konča s Stapletonom v Denverju v Koloradu. V 90. letih se je obseg zmogljivosti DSS razširil zaradi uvedbe podatkovnih skladišč in orodij OLAP. S pojavom novih tehnologij poročanja je DSS postal nepogrešljiv pri upravljanju.

1.2 Struktura DSS

Če govorimo o strukturi DSS, potem obstajajo štiri glavne komponente:

· Informacijska podatkovna skladišča. Podatkovno skladišče je zbirka podatkov določene strukture, ki vsebuje informacije o proizvodni proces podjetja v zgodovinskem kontekstu. Glavni namen skladišča je zagotoviti hitro izvedbo poljubnih analitičnih poizvedb. (Več podrobnosti o skladiščih podatkov je obravnavanih v odstavku 1.3 poglavja 1.)

· Večdimenzionalna baza podatkov in orodja za analizo OLAP (On-Line Analytical Processing) – storitev je orodje za analizo velikih količin podatkov v realnem času. (podrobno v odstavku 1.4 poglavja 1)

· Orodja za rudarjenje podatkov. S pomočjo orodij za podatkovno rudarjenje lahko izvajate globoko rudarjenje podatkov. (Več podrobnosti v odstavku 1.5 poglavja 1.)

DSS temelji na kompleksu medsebojno povezanih modelov z ustrezno informacijsko podporo za raziskovalne, ekspertne in inteligentne sisteme, ki vključujejo izkušnje pri reševanju problemov upravljanja in zagotavljajo sodelovanje skupine strokovnjakov v procesu razvoja racionalnih odločitev.

Slika 1 spodaj prikazuje arhitekturno in tehnološko shemo informacijske in analitične podpore odločanju:

Slika 1 Arhitekturna in tehnološka shema DSS

Analitični sistemi DSS omogočajo reševanje treh glavnih nalog:

.poročanje,

.analiza informacij v realnem času (OLAP),

.rudarjenje podatkov.

3 Podatkovne shrambe

Jasno je, da bi moralo odločanje temeljiti na resničnih podatkih o objektu nadzora. Takšne informacije so običajno shranjene v operativnih bazah podatkov OLTP sistemov. Toda ti operativni podatki niso primerni za namene analize, saj so agregirani podatki potrebni predvsem za analizo in strateško odločanje. Poleg tega je treba za namene analize znati hitro manipulirati z informacijami, jih predstaviti v različnih vidikih, do njih narediti različne ad hoc poizvedbe, kar je zaradi zmogljivosti in tehnološke zahtevnosti težko implementirati na operativne podatke.

Rešitev tega problema je ustvariti ločeno podatkovno skladišče (DW), ki vsebuje združene informacije na priročen način. Namen izgradnje podatkovnega skladišča je integracija, posodobitev in uskladitev operativnih podatkov iz heterogenih virov, da se oblikuje enoten konsistenten pogled na objekt nadzora kot celote. Hkrati koncept podatkovnih skladišč temelji na prepoznavanju potrebe po ločevanju nizov podatkov, ki se uporabljajo za obdelavo transakcij, in nizov podatkov, ki se uporabljajo v sistemih za podporo odločanju. Takšno ločevanje je možno z integracijo podrobnih podatkov, ločenih v različnih sistemih za obdelavo podatkov (DPS) in zunanjih virov, v enotno shrambo, njihovo usklajevanje in po možnosti združevanje.

Opozoriti je treba na glavne prednosti podatkovnih skladišč DSS:

· En vir informacij: podjetje prejme preverjeno enotno informacijsko okolje, na katerem bodo zgrajene vse referenčne in analitične aplikacije na predmetnem področju, za katerega je zgrajen repozitorij. To okolje bo imelo enoten vmesnik, enotne shranjevalne strukture, skupne imenike in druge korporativne standarde, kar bo olajšalo ustvarjanje in podporo analitičnih sistemov.

· Prav tako je pri načrtovanju informacijskega podatkovnega skladišča posebna pozornost namenjena zanesljivosti informacij, ki vstopajo v repozitorij.

· Zmogljivost: fizične strukture podatkovnega skladišča so posebej optimizirane za izvajanje popolnoma naključnih izbir, kar vam omogoča, da zgradite res hitre sisteme poizvedb.

· Hitrost razvoja: posebna logična organizacija skladišča in obstoječa specializirana programska oprema vam omogočata ustvarjanje analitičnih sistemov z minimalnimi stroški programiranja.

· Integracija: integracija podatkov iz različnih virov je že opravljena, zato ni treba vsakič izvajati podatkovne povezave za poizvedbe, ki zahtevajo informacije iz več virov. Integracija se ne nanaša le na skupno fizično shranjevanje podatkov, temveč tudi na njihovo vsebinsko, usklajeno povezovanje; čiščenje in poravnava med njihovim nastankom; skladnost s tehnološkimi lastnostmi itd.

· Zgodovina in stabilnost: sistemi OLTP delujejo z ažurnimi podatki, katerih obdobje uporabe in hrambe običajno ne presega vrednosti tekočega poslovnega obdobja (od šestih mesecev do enega leta), medtem ko je informacijsko podatkovno skladišče namenjeno dolgotrajno shranjevanje informacij 10-15 let. Stabilnost pomeni, da se dejanski podatki v podatkovnem skladišču ne posodabljajo ali brišejo, ampak se le na poseben način prilagajajo spremembam poslovnih atributov. Tako je mogoče izvesti zgodovinsko analizo informacij.

· Neodvisnost: dodeljevanje shranjevanja informacij bistveno zmanjša obremenitev OLTP sistemov iz analitičnih aplikacij, s tem se delovanje obstoječih sistemov ne poslabša, v praksi pa se zmanjša odzivni čas in izboljša razpoložljivost sistema.

Tako skladišče podatkov deluje po naslednjem scenariju. Po danem predpisu zbira podatke iz različnih virov – baz podatkov sistemov za spletno obdelavo. Shramba podpira kronologijo: skupaj s trenutnimi podatki so shranjeni tudi zgodovinski podatki z navedbo časa, na katerega se nanašajo. Posledično se potrebni razpoložljivi podatki o kontrolnem objektu zberejo na enem mestu, prenesejo v enotno obliko, se dogovorijo in v nekaterih primerih združijo na minimalno zahtevano raven posploševanja.

In na podlagi podatkovnega skladišča je že mogoče sestaviti poročila za upravljanje, analizirati podatke z uporabo tehnologij OLAP in podatkovno rudarjenje (Data Mining).

Storitev poročanja DSS pomaga organizaciji pri izdelavi vseh vrst informacijskih poročil, potrdil, dokumentov, povzetkov ipd., še posebej, kadar je število izdanih poročil veliko in se oblike poročil pogosto spreminjajo. Orodja DSS z avtomatizacijo izdaje poročil omogočajo pretvorbo njihovega shranjevanja v elektronsko obliko in distribucijo po korporativnem omrežju med zaposlenimi v podjetju.

Poleg velikih korporativnih podatkovnih skladišč se pogosto uporabljajo tudi Data Marts. Podatkovni trg je majhna specializirana shramba za določeno ozko predmetno področje, osredotočena na shranjevanje podatkov, povezanih z eno poslovno temo. Projekt podatkovnega trga zahteva manj naložb in je zaključen v zelo kratkem času. Takih podatkovnih prodajnih mest je lahko več, recimo tržnica s podatki o prihodkih za računovodsko službo podjetja in prodajno mesto s podatki o strankah za trženjski oddelek podjetja.

1.4 Tehnologije OLAP

V interakciji s sistemom OLAP bo uporabnik lahko izvajal fleksibilen pregled informacij, pridobival poljubne rezine podatkov in izvajal analitične operacije detajlov, konvolucije, porazdelitve od konca do konca, primerjave skozi čas. Vse delo s sistemom OLAP poteka glede na predmetno področje. Koncept spletne analitične obdelave (OLAP) temelji na večdimenzionalni predstavitvi podatkov.

Izraz OLAP je leta 1993 uvedel E. F. Codd. V svojem članku je obravnaval pomanjkljivosti relacijskega modela, predvsem nezmožnost »kombiniranja, pregleda in analize podatkov v smislu več dimenzij, torej na najbolj razumljiv način za korporativne analitike«, in opredelil Splošni pogoji na sisteme OLAP, ki razširjajo funkcionalnost relacijskih DBMS in vključujejo večdimenzionalno analizo kot eno od njihovih značilnosti.

Po Coddu je večdimenzionalni konceptualni pogled najbolj naraven pogled vodstvenega osebja na objekt upravljanja. Je večplastna perspektiva, sestavljena iz več neodvisnih dimenzij, po katerih je mogoče analizirati določene nize podatkov. Simultana analiza več dimenzij podatkov je opredeljena kot multivariatna analiza. Vsaka dimenzija vključuje smeri konsolidacije podatkov, sestavljene iz niza zaporednih stopenj posploševanja, kjer vsaka višja raven ustreza večji stopnji agregacije podatkov za ustrezno dimenzijo. Tako lahko dimenzijo Izvajalec določimo po smeri konsolidacije, ki jo sestavljajo ravni posploševanja "podjetje - pododdelek - oddelek - zaposleni". Dimenzija "Čas" lahko vključuje celo dve smeri konsolidacije - "leto - četrtletje - mesec - dan" in "teden - dan", saj je štetje časa po mesecu in tednu nezdružljivo. V tem primeru je mogoče poljubno izbrati želeno raven podrobnosti informacij za vsako od meritev. Operacija spuščanja (vrtanja navzdol) ustreza premikanju z višjih stopenj konsolidacije na nižje; nasprotno, operacija dviganja (zvijanja) pomeni premikanje z nižjih nivojev na višje.

1.5 Podatkovno rudarjenje

Največje zanimanje za DSS je podatkovno rudarjenje, saj omogoča najbolj popolno in poglobljeno analizo problema, omogoča odkrivanje skritih odnosov in sprejemanje najbolj razumne odločitve. Trenutna stopnja razvoja strojne opreme in programska orodjaže nekaj časa omogoča vzdrževanje podatkovnih baz operativnih informacij na različnih ravneh oblasti. V okviru svojih dejavnosti industrijska podjetja, korporacije, oddelčne strukture, organi državna oblast in lokalne oblasti so zbrale velike količine podatkov. Vsebujejo velik potencial za pridobivanje uporabnih analitičnih informacij, na podlagi katerih lahko prepoznate skrite trende, zgradite strategijo razvoja in poiščete nove rešitve.

Podatkovno rudarjenje, IAD (Data Mining) je proces za podporo odločanju, ki temelji na iskanju skritih vzorcev (informacijskih vzorcev) v podatkih. Hkrati se nabrane informacije samodejno posplošijo na informacije, ki jih lahko označimo kot znanje.

Na splošno je proces IAD sestavljen iz treh stopenj:

.prepoznavanje vzorcev;

.uporaba razkritih vzorcev za napovedovanje neznanih vrednosti (prediktivno modeliranje);

.analiza izjem, namenjena prepoznavanju in interpretaciji anomalij v ugotovljenih vzorcih.

Nove računalniške tehnologije, ki tvorijo IAD, so strokovni in inteligentni sistemi, metode umetne inteligence, baze znanja, baze podatkov, računalniško modeliranje, nevronske mreže, mehki sistemi. Sodobne tehnologije IAD vam omogoča ustvarjanje novega znanja, razkrivanje skritih vzorcev, napovedovanje prihodnjega stanja sistemov. Glavna metoda modeliranja družbeno-ekonomskega razvoja mesta je simulacijska metoda, ki omogoča raziskovanje mestnega sistema z eksperimentalnim pristopom. To omogoča, da na modelu igramo različne razvojne strategije, primerjamo alternative, upoštevamo vpliv številnih dejavnikov, tudi tistih z elementi negotovosti.

Model, izdelan v tem delu, spada v ta razred sistemov. Na njegovi podlagi dobijo lokalne samouprave strateške in taktične ravni možnost analizirati dinamiko razvoja kompleksnega družbeno-ekonomskega urbanega sistema, prepoznati razmerja, ki niso očitna na prvi pogled, primerjati različne alternative, analizirati anomalije in izkoristiti največ. razumna odločitev.

Obetavna je uporaba kombiniranih metod odločanja v DSS v kombinaciji z metodami umetne inteligence in računalniškega modeliranja, različnimi simulacijskimi in optimizacijskimi postopki, odločanje v kombinaciji s strokovnimi postopki.

1.6 Klasifikacije DSS

Obstajajo tri vrste DSS, ki temeljijo na interakciji z uporabnikom:

· pasivni pomagajo pri odločanju, ne morejo pa podati konkretnega predloga;

· aktivni udeleženci so neposredno vključeni v razvoj prave rešitve;

· kooperativne vključujejo interakcijo DSS z uporabnikom. Predlog, ki ga poda sistem, se lahko dokončno dopolni, izboljša in nato pošlje nazaj sistemu v preverjanje. Po tem se predlog ponovno predstavi uporabniku in tako naprej, dokler ne potrdi odločitve.

Glede na način podpore so:

· DSS, ki temelji na modelih, pri svojem delu uporabljajo dostop do statističnih, finančnih ali drugih modelov;

· DSS, ki temelji na komunikaciji, podpira delo dveh ali več uporabnikov, vključenih v skupno nalogo;

· DSS, ki temelji na podatkih, ima dostop do časovne vrste organizacije. Pri svojem delu uporabljajo ne le notranje, ampak tudi zunanje podatke;

· Dokumentno usmerjen DSS manipulira z nestrukturiranimi informacijami v različnih elektronskih formatih;

· DSS, ki temelji na znanju, nudi specializirane rešitve težav, ki temeljijo na dejstvih.

Glede na področje uporabe so:

· Celoten sistem - delo z velikimi sistemi za shranjevanje in jih uporabljajo številni uporabniki.

Glede na arhitekturo in načelo delovanja so:

· Funkcionalni DSS.

Arhitekturno so najpreprostejši. Pogoste so v organizacijah, ki si ne postavljajo globalnih ciljev in imajo nizko stopnjo razvoja informacijske tehnologije. Posebnost funkcionalnega DSS je, da se analizirajo podatki v datotekah operacijskih sistemov. Prednosti takšnega DSS so kompaktnost zaradi uporabe ene platforme in učinkovitost zaradi odsotnosti potrebe po ponovnem nalaganju podatkov v specializiran sistem. Med pomanjkljivostmi je mogoče omeniti naslednje: zožitev nabora vprašanj, rešenih s sistemom, zmanjšanje kakovosti podatkov zaradi pomanjkanja stopnje za njihovo čiščenje, povečanje obremenitve na operacijski sistem z možnostjo prenehanja.

· DSS z uporabo neodvisnih podatkovnih trgov.

Uporabljajo se v velikih organizacijah z več oddelki, vključno z oddelki za informacijsko tehnologijo. Vsako specifično podatkovno borzo je ustvarjeno za reševanje specifičnih problemov in je osredotočeno na določen krog uporabnikov. To močno izboljša delovanje sistema. Izvedba takšnih struktur je precej preprosta. Od negativnih točk je mogoče omeniti, da se podatki večkrat vnašajo v različne izložbe, zato jih je mogoče podvojiti. To poveča stroške shranjevanja informacij in oteži postopek poenotenja. Zapolnitev podatkovnih trgov je precej težavna zaradi dejstva, da morate uporabiti več virov. Enotne slike poslovanja organizacije ni, ker ni končne konsolidacije podatkov.

· DSS temelji na dvonivojskem podatkovnem skladišču.

Uporablja se v velika podjetja, katerega podatki so združeni v enoten sistem. Definicije in metode obdelave informacij v tem primeru so poenotene. Da bi zagotovili normalno delovanje takšnega DSS, je potrebno dodeliti specializirano ekipo, ki bo stregla. Takšna arhitektura DSS je brez pomanjkljivosti prejšnje, nima pa možnosti strukturiranja podatkov za posamezne skupine uporabnikov, pa tudi omejevanja dostopa do informacij. Morda boste imeli težave z delovanjem sistema.

· DSS temelji na tristopenjskem podatkovnem skladišču.

Takšni DSS uporabljajo podatkovno skladišče, iz katerega se tvorijo podatkovne vitrine, ki jih uporabljajo skupine uporabnikov, ki rešujejo podobne probleme. Tako je omogočen dostop tako do določenih strukturiranih podatkov kot do ene same konsolidirane informacije. Zapolnjevanje podatkovnih trgov je poenostavljeno z uporabo preverjenih in očiščenih podatkov iz enega vira.

Obstaja model korporativnih podatkov. Takšne DSS odlikuje zagotovljena zmogljivost. Vendar obstaja redundanca podatkov, kar vodi do povečanja zahtev za shranjevanje. Poleg tega je treba takšno arhitekturo uskladiti z različnimi področji s potencialno različnimi zahtevami.

Glede na funkcionalno vsebino sistemskega vmesnika obstajata dve glavni vrsti DSS: EIS in DSS (Execution Information System) - informacijski sistemi za upravljanje podjetja. Ti sistemi so namenjeni nepripravljenim uporabnikom, imajo poenostavljen vmesnik, osnovni nabor ponujenih funkcij in fiksne oblike podajanja informacij. EIS-sistemi rišejo splošno vizualno sliko trenutnega stanja kazalnikov poslovanja podjetja in trendov njihovega razvoja, z možnostjo poglabljanja obravnavanih informacij na nivo velikih prostorov podjetja. EIS-sistemi - pravi donos, ki ga vodstvo podjetja vidi pri uvajanju tehnologij DSS (Desicion Support System) 7 - popolni sistemi za analizo in raziskovanje podatkov, zasnovani za izurjene uporabnike, ki imajo znanje tako na predmetnem področju raziskav in v smislu računalniške pismenosti. Običajno je za implementacijo sistemov DSS (če so podatki na voljo) dovolj, da namestite in konfigurirate specializirano programsko opremo ponudnikov rešitev za sisteme OLAP in Data Mining.

Takšna delitev sistemov na dva tipa ne pomeni, da konstrukcija DSS vedno vključuje izvedbo le enega od teh tipov. EIS in DSS lahko delujeta vzporedno, delita skupne podatke in/ali storitve ter zagotavljata njihovo funkcionalnost tako višjemu vodstvu kot analitičnim oddelkom podjetij.

1.7 Aplikacije

Telekomunikacije

Telekomunikacijska podjetja uporabljajo DSS za pripravo in sprejemanje niza odločitev, katerih cilj je obdržati svoje stranke in čim bolj zmanjšati njihov odliv v druga podjetja. DSS podjetjem omogoča učinkovitejše izvajanje marketinških programov, bolj privlačno zaračunavanje svojih storitev.

Analiza zapisov z značilnostmi klicev vam omogoča, da prepoznate kategorije strank s podobnimi vzorci vedenja, da bi razlikovali vaš pristop k privabljanju strank določene kategorije.

Obstajajo kategorije strank, ki zaradi določenih oglaševalskih akcij nenehno menjajo ponudnike. DSS omogoča identifikacijo največ značilnosti»stabilne« stranke, tj. stranke, ki so dalj časa zvesti enemu podjetju, kar omogoča, da svojo marketinško politiko usmerijo v obdržanje te posebne kategorije kupcev.

bančništvo

DSS se uporabljajo za boljše spremljanje različnih vidikov bančništva, kot so servisiranje kreditnih kartic, posojil, naložb ipd., kar lahko bistveno izboljša delovno učinkovitost.

Identifikacija primerov goljufij, ocena tveganja kreditiranja, napovedovanje sprememb klientele - obseg DSS in metode rudarjenja podatkov. Razvrstitev strank, razporeditev skupin strank s podobnimi potrebami omogoča ciljno usmerjeno marketinško politiko, zagotavljanje privlačnejših sklopov storitev določeni kategoriji strank.

Zavarovanje

Nabor aplikacij DSS v zavarovalništvu lahko imenujemo klasičen - gre za identifikacijo možnih primerov goljufije, analizo tveganja, klasifikacijo strank.

Odkrivanje določenih stereotipov pri zavarovalnih odškodninah, v primeru velikih zneskov, lahko v prihodnosti zmanjša število goljufij.

Analiziranje značilnosti primerov plačil iz zavarovalnih obveznosti, Zavarovalnice lahko zmanjšajo svoje izgube. Pridobljeni podatki bodo na primer privedli do revizije sistema popustov za stranke, ki sodijo pod opredeljena merila.

Razvrstitev strank omogoča identifikacijo najbolj donosnih kategorij strank, da bi natančneje usmerili obstoječi nabor storitev in uvedli nove storitve.

Maloprodaja

Trgovska podjetja uporabljajo tehnologije DSS za reševanje problemov, kot so načrtovanje nabave in skladiščenja, analiza skupni nakupi, iskanje vzorcev obnašanja v času.

Analiza podatkov o številu nakupov in razpoložljivosti blaga na zalogi v določenem časovnem obdobju vam omogoča, da načrtujete nakup blaga, na primer kot odziv na sezonska nihanja povpraševanja po blagu.

Pogosto ob nakupu izdelka kupec skupaj z njim pridobi še en izdelek. Identifikacija skupin takšnega blaga omogoča na primer, da jih postavite na sosednje police, da povečate verjetnost njihovega skupnega nakupa.

Iskanje vzorcev vedenja v času daje odgovor na vprašanje "Če je kupec danes kupil en izdelek, potem po katerem času bo kupil drug izdelek?". Na primer, ob nakupu kamere bo stranka verjetno v bližnji prihodnosti kupila film, razvoj in tiskanje.

zdravilo

Obstaja veliko strokovnih sistemov za postavitev medicinskih diagnoz. Zgrajene so predvsem na podlagi pravil, ki opisujejo kombinacije različnih simptomov različnih bolezni. S pomočjo takšnih pravil se naučijo ne le, s čim je bolnik bolan, ampak tudi, kako ga zdraviti. Pravila pomagajo izbrati sredstva za zdravljenje, določiti indikacije - kontraindikacije, krmariti po postopkih zdravljenja, ustvariti pogoje za najučinkovitejše zdravljenje, napovedati rezultate predpisanega poteka zdravljenja itd. Tehnologije Data Mining omogočajo odkrivanje vzorcev v medicinskih podatkih, ki so osnova teh pravil.

Molekularna genetika in genski inženiring

Morda je najbolj akutna in hkrati jasna naloga odkrivanja zakonitosti v eksperimentalnih podatkih v molekularni genetiki in genskem inženiringu. Tu je formulirana kot definicija tako imenovanih markerjev, ki jih razumemo kot genetske kode, ki nadzorujejo določene fenotipske značilnosti živega organizma. Takšne kode lahko vsebujejo na stotine, tisoče ali več povezanih predmetov.

Velika sredstva se namenjajo razvoju genetskih raziskav. V zadnjem času je posebno zanimanje za uporabo metod Data Mining na tem področju. Znano je, da je več velikih podjetij specializirano za uporabo teh metod za dešifriranje človeških in rastlinskih genomov.

Uporabna kemija

Metode rudarjenja podatkov se pogosto uporabljajo v uporabni kemiji (organski in anorganski). Pri tem se pogosto postavlja vprašanje razjasnitve značilnosti kemične strukture določenih spojin, ki določajo njihove lastnosti. Ta naloga je še posebej pomembna pri analizi kompleksnih kemičnih spojin, katerih opis vključuje na stotine in tisoče strukturnih elementov in njihovih vezi.

1.8 Trg DSS

Na trgu DSS podjetja ponujajo naslednje vrste storitev za izdelavo sistemov za podporo odločanju:

· Izvedba pilotnih projektov na sistemih DSS, da se vodstvu naročnika prikaže visokokakovosten potencial analitičnih aplikacij.

· Izdelava skupaj z naročnikom popolnoma funkcionalnih sistemov DSS, vključno s podatkovnim skladiščem in orodji Business Intelligence.

· Oblikovanje arhitekture podatkovnega skladišča, vključno s strukturami za shranjevanje in procesi upravljanja.

· Izdelava "podatkovnih trgov" za izbrano predmetno področje.

· Namestitev in konfiguriranje orodij OLAP in Business Intelligence; njihovo prilagajanje zahtevam naročnika.

· Analiza orodij za statistično analizo in "data mining" za izbiro programskih izdelkov za arhitekturo in potrebe naročnika.

· Integracija sistemov DSS v naročnikove korporativne intranete, avtomatizacija elektronske izmenjave analitičnih dokumentov med uporabniki skladišča.

· Razvoj izvršnih informacijskih sistemov (EIS) za zahtevano funkcionalnost.

· Storitve za integracijo baz podatkov v enotno okolje za shranjevanje informacij

· Usposabljanje naročnikovih strokovnjakov za tehnologije skladiščenja podatkov in analitičnih sistemov ter za delo s potrebnimi programskimi izdelki.

· Zagotavljanje svetovalnih storitev naročniku na vseh stopnjah projektiranja in delovanja podatkovnih skladišč in analitičnih sistemov.

· Kompleksni projekti za ustvarjanje/posodobitev računalniške infrastrukture, ki zagotavlja delovanje DSS: rešitve katerega koli obsega, od lokalnih sistemov do sistemov v obsegu podjetja/koncerna/industrije.

1.9 Ocenjevanje sistema za podporo odločanju (DMSS)

Merila za ocenjevanje DSS. Sistem mora učinkovito upravljati dohodek in tveganje pod kakršnimi koli tržnimi pogoji ter ustvarjati učinkovite signale za vstop na trg in izstop. Hkrati naj bo pogostost transakcij zmerna, upoštevajoč transakcijske stroške, provizije, izgube pri razmiku itd. Kompleksnost konstrukcije ne sme biti zastrašujoča. Večina tistih, ki zavračajo numerične metode v korist svoje »intuicije«, na koncu dobijo podpovprečne rezultate.

Naravno pomembna lastnost pri ocenjevanju sistema je celotni (končni) dobiček. Pri visokih obratovalnih stroških postane pomembna značilnost, kot je dobiček na operacijo. Natančnost odločitev (odstotek), izračunana kot razmerje med številom dobičkonosnih operacij in skupnim številom operacij, je priljubljena lastnost mnogih trgovcev, čeprav je njen pomen precenjen. Dejstvo je, da mnogi učinkoviti sistemi pogosteje sprejemajo napačne odločitve kot pravilne, medtem ko se številni nedonosni (ali skoraj nedonosni) sistemi pogosteje odločajo pravilno.

Največja izguba lastnih sredstev je pomembna značilnost za merjenje tveganja strategij, ki jih uporablja sistem. Sistemov z občasnimi velikimi izgubami ni mogoče šteti za uporabne, tudi če na koncu dajejo zadosten čisti dobiček. Hkrati največje izgube ne pomenijo le največjega zneska izgube zaradi zaporedja nedonosnih poslov, temveč največje zmanjšanje kapitala v obravnavanem obdobju. Med takšnim upadom se lahko zaporedje izgubljenih poslov prekine z ločenimi donosnimi posli, ki ne morejo spremeniti celotne nedonosnosti obdobja neučinkovitosti sistema. Glavna značilnost delovanja sistema se izračuna kot razmerje med celotnim dobičkom in zneskom kapitalske izgube v obdobju največje neučinkovitosti sistema in se običajno imenuje razmerje med tveganjem in dobičkom. Obstajajo tudi številne druge ocene učinkovitosti sistema, včasih precej zapletene, ki zahtevajo veliko statističnih izračunov, vendar v večini primerov zadoščajo zgornje preproste značilnosti. Opozoriti je treba, da lahko pri ocenjevanju sistema uporabite merila, ki jih priporoča klasična teorija upravljanje portfelja.

Sistemska optimizacija je v iskanju najboljše formule za kazalnik - najboljše v smislu pridobivanja največjega in/ali najbolj stabilnega dobička s pomočjo podatkov, zbranih v daljšem časovnem obdobju. Ta optimizacija je sama sebi v nasprotju. Njegovi kritiki bodo takoj opozorili, da se bodo prihodnje cene lahko obnašale drugače kot v preteklosti. Zagovorniki takšne optimizacije morajo biti prepričani v obstoj določenih vzorcev, stabilnost vedenja cen, ki se sčasoma ne spreminja oziroma se rahlo spreminja.

Za preverjanje učinkovitosti dejstva, da pravila, ki se uporabljajo v tehnični analizi, prinašajo stabilen dobiček v prihodnosti, saj so sama izračunana iz preteklih podatkov, se uporablja naslednja preprosta metoda testiranja (tako imenovano slepo modeliranje). Najprej se pravilo odločanja optimizira na preteklih podatkih, nato pa se testira na kasnejših (novejših) podatkih. Na ta način lahko določite, kako dobro lahko na splošno napovedujete prihodnost iz preteklih podatkov z uporabo danega pravila. Če se indikator z optimalnimi parametri dobro obnese na novejših podatkih, lahko upamo, da bo v prihodnosti dobro deloval.

Pri ponovnem ocenjevanju sistemskih parametrov je treba nadaljevati z nov sistem le, če je posledično "izboljšanje" statistično pomembno.

Robert Pelletier priporoča omejevanje števila parametrov pri konstruiranju odločevalnih pravil, saj njihovo povečanje poveča število stopenj svobode sistema. Poleg tega lahko med njimi obstajajo povezave, torej se lahko izkažejo za statistično odvisne, kar je običajno razvidno iz njihovega korelacijskega koeficienta. Pelletier meni, da dober sistem ne sme vsebovati več kot 2-5 parametrov.

Vzorec za preverjanje indikatorja mora biti dovolj velik, da je za izbrano obdobje najmanj 30 signalov. V tem primeru mora obdobje vključevati celo število popolnih dolgih (nizkofrekvenčnih) ciklov, da se omeji vpliv pristranskosti v smeri prodaje ali nakupa. Tako je treba na primer za znani 4-letni cikel delniškega trga analizo izvesti na podlagi najmanj 8 letnih podatkov.

intelektualni podatki organizacijske banke

2. poglavje

1 Oblikovanje ciljev in ciljev študije, značilnosti preučevanega predmeta

trenutno centralna banka Ruska federacija(v nadaljevanju Banka Rusije) je ključni regulator ruskega bančnega sistema in je v mnogih pogledih porok njegove stabilnosti in gospodarske stabilnosti. Sistem Banke Rusije je zapleten organizacijska struktura- centralni urad (v nadaljnjem besedilu: TA), teritorialni uradi (v nadaljnjem besedilu: TU) in ima več kot 80 tisoč zaposlenih. Po drugi strani imajo teritorialne institucije v svoji podrejenosti mrežo centrov za gotovinsko poravnavo in drugih oddelkov, ki zagotavljajo dejavnosti TU. Prisotnost zapletene organizacijske strukture določa kompleksnost sistema upravljanja Banke Rusije, ki pokriva dve ravni - TU in CA. Trenutno so za Banko Rusije pomembne naslednje glavne naloge: splošno znižanje stroškov, standardizacija dejavnosti teritorialnih institucij in izboljšanje sistema upravljanja teritorialnih institucij.

Procesni pristop k upravljanju velja za glavno orodje za izpolnjevanje teh nalog, katerega izvajanje se je začelo v Banki Rusije leta 2002. Procesni pristop je prevladujoči pristop k izgradnji fleksibilnega in učinkovitega sistema upravljanja, ki se je v svetu razširil v zadnjih 10-15 letih. Procesni pristop predpostavlja jasno formulacijo ciljev in strategije dejavnosti, opis aktivnosti v obliki niza medsebojno povezanih procesov, ki imajo na izhodu specifične rezultate, jasno porazdelitev odgovornosti med vsemi udeleženci v procesih.

Kot kaže svetovna praksa, je učinkovita uporaba procesnega pristopa v veliki meri odvisna od prisotnosti informacijsko-računalniškega sistema, ki generira in zagotavlja informacije, potrebne za odločanje. S pomočjo takšnega sistema na ravni tehničnih specifikacij Banke Rusije bi bilo mogoče opisati in nadzorovati izvajanje procesov, oceniti njihove stroške, izračunati dejansko obremenitev, opraviti razumno oceno učinkovitosti procesi, zaposleni, oddelki itd. Na ravni ciljnega občinstva Banke Rusije bi sistem omogočil primerjavo specifikacij za različne kazalnike, ki so se nabrali med delom, standardizirati specifikacije, opisati standarde procesov, jih ponoviti v specifikacijah in rešiti številne druge naloge.

Vse našteto določa pomen teme tega poglavja, ki je namenjeno razvoju metodoloških, matematičnih in programsko-instrumentalnih pristopov k oblikovanju sistema za podporo odločanju na področju upravljanja dejavnosti teritorialnih institucij Banke Rusije, ki temeljijo na o procesnem pristopu (v nadaljevanju Sistem, DSS "Upravljanje procesov").

Namen tega dela je razviti celovito metodološko, matematično, informacijsko, programsko in instrumentalno podporo za sistem za podporo odločanju pri nalogah upravljanja dejavnosti teritorialnih institucij Banke Rusije, vključno z ravnijo tehničnih specifikacij in centralna pisarna.

2 Splošni pregled in opis delovnega mesta

2.1 Razvoj nov koncept DSS pri upravljanju dejavnosti teritorialnih izpostav Banke Rusije

Analizirana je bila posebnost Banke Rusije, ki je sestavljena iz prisotnosti zapletene organizacijske strukture, vertikalnega dvostopenjskega sistema za upravljanje teritorialnih institucij, jasne ureditve dejavnosti, ki temelji na obsežnem regulativnem okviru, zapletenosti dokumenta. upravljanja, značilnosti finančnega upravljanja, informatizacije in varnostnih zahtev. varnost informacij. Posledično je bilo ugotovljeno, da obstoječi produkti niso v celoti primerni za reševanje problemov upravljanja teritorialnih izpostav Banke Rusije.

Študija posebnosti Banke Rusije in analiza glavnih nalog pri upravljanju dejavnosti tehničnih institucij je omogočila oblikovanje naslednjih konceptualnih načel za izgradnjo DSS:

) Dvonivojska struktura. Razvit DSS bi moral delovati na dveh ravneh - TU (regionalni) in CA (zvezni). Na regionalni ravni DSS podpira upravljanje dejavnosti tehničnih specifikacij na podlagi procesnega pristopa, na zvezni ravni se zbirajo informacije o dejavnostih iz vseh tehničnih specifikacij, centralizirano shranjevanje in analiza teh informacij, klasifikacija tehničnih specifikacij, in oblikovanje standardov;

) Upravljanje celotnega cikla na podlagi procesnega pristopa. Za učinkovito in nenehno izboljševanje dejavnosti je pomembna značilnost DSS zagotavljanje celotnega cikla vodenja, ki temelji na procesnem pristopu, ki vključuje iterativno izvajanje postopkov za opis procesov, spremljanje in nadzor izvajanja, analiziranje procesov in reinženiring.

Ob upoštevanju dvonivojske strukture sistema je krmilni cikel predstavljen v naslednji obliki (slika 2):

riž. 2. Cikel podpore menedžmentu v DSS

)Integracija pristopov in tehnologij. Za najučinkovitejše reševanje problemov izboljšanja dejavnosti tehničnih organizacij v ustvarjenem DSS je potrebno integrirati pristope in tehnologije upravljanja poslovnih procesov (BPMS), upravljanja uspešnosti (CPM) in poslovne inteligence (BI). Ti pristopi naj se izvajajo na podlagi enotnih arhitekturnih načel in delujejo v okviru enotne informacijske, programske in tehnološke infrastrukture;

)Podpora standardom je potrebna za reševanje problemov standardizacije dejavnosti TU. Na zvezni ravni - razvoj, odpravljanje napak, analiza procesnih standardov itd.; na regionalni ravni - "vsikanje" standardov na obstoječe procese;

)Integracija procesov v podatkovnem skladišču. Sistemi razreda BPMS so transakcijski in ne potrebujejo podatkovnega skladišča. V Banki Rusije se zahteva ne le organiziranje vodenja procesov, ampak tudi zagotavljanje njihove celovite analize - dinamične, primerjalne, strukturne itd. Zato je treba informacije o dejavnostih zbirati v podatkovnih skladiščih vsake tehnične institucije, ki je del podatki bodo preneseni na zvezno raven (v centralizirano skladišče);

)Razvoj metodološke osnove za analizo. Za popolnejšo in učinkovitejšo rešitev problemov analize informacij o dejavnostih tehničnih specifikacij je potrebno razviti metodološko in instrumentalno bazo na naslednjih področjih: izračun stroškov procesov, ocena trajanja procesov, analiza organizacijske strukture, upravljanja uspešnosti;

)Interakcija s TPK. DSS bi moral komunicirati s standardnimi programskimi sistemi (TPC), ki delujejo v teritorialnih institucijah. Interakcija je organizirana z namenom: pridobivanja začetnih podatkov (na primer podatkov o stroških tehničnih specifikacij); pridobivanje ažurnih regulativnih in referenčnih informacij; pridobivanje podatkov o izvajanju procesov. Ob upoštevanju teh načel je bil razvit konceptualni model sistema, ki pokriva zvezno in regionalno raven oblasti (slika 3):

riž. 3. Konceptualni model DSS pri vodenju dejavnosti teritorialnih izpostav Banke Rusije

Predstavljeni konceptualni model najbolj ustreza rešitvi nalog upravljanja Banke Rusije in vključuje naslednje komponente:

· Sistemi na regionalni ravni (v vsaki teritorialni ustanovi). DSS na regionalni ravni je ponovljiv in zagotavlja funkcionalnost, ki je skupna vsem tehničnim specifikacijam. Informacije o dejavnostih TS se zbirajo v podatkovnem skladišču, nad katerim delujejo analitična BI orodja.

· Sistem zvezne ravni (v centralnem uradu). DSS na zvezni ravni je integracijska komponenta, ki vključuje centralizirano shranjevanje in obdelavo informacij o dejavnostih vseh tehničnih specifikacij in funkcionalnih zmogljivosti, ki se razlikujejo od sistema na regionalni ravni. Sistem zvezne ravni generira podatke (procesni standardi, predpisi itd.), ki se replicirajo v DSS na regionalni ravni.

· Zunanji viri informacij zagotavljajo predvsem podatke DSS na regionalni ravni, vključujejo različne programske sisteme, ki delujejo v teritorialnih ustanovah. Zunanji viri se lahko obravnavajo kot zunanje komponente DSS.

Ker sistem zvezne ravni v veliki meri temelji na podatkih, ki se prenašajo iz sistemov na regionalni ravni, je treba najprej razviti informacijsko, matematično in instrumentalno podporo za sistem regionalne ravni kot osnovo za celostni DSS Banke Rusije. Hkrati je treba opozoriti, da bodo razvite metode in orodja uporabljene pri izgradnji sistema zvezne ravni. V okviru študije je bila razvita struktura DSS na regionalni ravni (slika 4), ob upoštevanju obsega tehničnih specifikacij, raznolikosti opravljenih funkcij in procesov, dejavnikov uveljavljene prakse upravljanja in značilnosti trenutne avtomatizacije.

riž. 4. Struktura DSS na regionalni ravni Banke Rusije

2.2.2 Opis funkcionalnih podsistemov

Sistem vključuje funkcionalne podsisteme, ki zagotavljajo uporabniške vmesnike in izvajajo poslovne funkcije, ter tehnološke podsisteme, ki zagotavljajo delovanje funkcionalnih podsistemov na podlagi enotnih mehanizmov upravljanja s podatki in centraliziranih metapodatkov. Vsi podsistemi delujejo pod nadzorom podsistema administracije in varnosti informacij, ki zagotavlja ustrezno raven zaščite podatkov pred nepooblaščenim dostopom v skladu z zahtevami Banke Rusije. Med študijo so bile ob upoštevanju posebnosti Banke Rusije razvite in utemeljene zahteve za informacijsko in instrumentalno podporo funkcionalnih podsistemov.

Podsistem opisa procesov je namenjen formaliziranemu opisu dejavnosti v obliki niza medsebojno povezanih procesov, ob upoštevanju značilnosti Banke Rusije. Za modeliranje procesov v sistemu sta bila uporabljena standarda IDEF0 in IDEF3, dopolnjena s številnimi dodatnimi strukturami: nadzorne operacije, povratni prehodi, povezave z drugimi procesi, pomožni procesi, začetne in končne točke procesa. Pri oblikovanju informacijskega modela za opis procesov TS so bile upoštevane posebnosti Banke Rusije in zahteve standardov, pa tudi naslednja načela:

· Podpora za različice pomeni vzdrževanje kronologije vseh sprememb v opisu procesa (spremembe objektov so zabeležene kot različice, razvrščene po datumu). Zaradi tega je mogoče pridobiti model dejavnosti tehničnih specifikacij na kateri koli datum;

· Podpora za modeliranje sprememb je zagotovljena z vzdrževanjem začasnih različic objektov, ki jih je mogoče po potrebi odobriti ali preklicati;

· Prilagodljivost procesnih modelov vključuje razširitev nabora atributov modela procesa, uvajanje novih objektov in njihovo povezovanje z obstoječimi.

Ob upoštevanju navedenih principov in značilnosti je bil v okviru študije razvit informacijski model procesov in objektov njihovega okolja (slika 5).

riž. 5. Medsebojna povezava glavnih objektov procesnega okolja.

Podsistem opisa procesa na podlagi ustvarjenega informacijskega modela omogoča reševanje naslednjih glavnih nalog:

· oblikovanje celostnega formaliziranega modela dejavnosti TU;

· posodabljanje informacij o dejavnostih;

· izdelava poročil in potrdil o dokumentiranju dejavnosti TU.

Podsistem za nadzor izvajanja procesov zagotavlja izvajanje formaliziranih procesov, usmerjanje nalog med izvajalci v skladu z opisom, spremlja spoštovanje rokov in učinkovitosti delovanja ter preoblikovanje podatkov o izvajanju procesov iz zunanjih virov v enoten poenoten format.0

Kot rezultat študije je bil razvit življenjski cikel procesov in operacij (slika 6), ki skupaj z zapisom opisa procesov zagotavlja rešitev naslednjih nalog:

· organizacija izvedbe procesov;

· spremljanje in vodenje izvajanja procesov;

· organizacija nadzora nad izvajanjem procesov na kritičnih točkah;

· oblikovanje analitičnih poročil za vodje različnih nivojev tehničnih specifikacij (vodje sektorjev, oddelkov, oddelkov, najvišje vodstvo).

riž. 6. Življenski krog izvajanje procesa

Podsistem stroškov procesov je zasnovan za izračun stroškovnih značilnosti procesov in njihovo analizo v različnih odsekih, ponuja orodja za podrobno analizo stroškovnih značilnosti procesov, uravnoteženje, primerjalno analizo, različne možnosti izračun.

Podsistem za analizo dejavnosti izvaja podporo za analizo dejavnosti TU v različnih vidikih – učinkovitosti, stroških, kadru, procesih ipd., pri zbiranju in strukturiranju podatkov iz zunanjih virov in drugih podsistemov. Analitični podsistem je zgrajen na podlagi metodologije CPM ob upoštevanju nalog Banke Rusije in zagotavlja nabor analitičnih aplikacij in orodij za reševanje naslednjih nalog:

.Upravljanje sistema strateških ciljev, ciljev in kazalnikov (ob upoštevanju ciljev, ki jih je na zvezni ravni postavila Banka Rusije);

.Podpora odločanju na področju upravljanja s kadri in organizacijske strukture TU;

.Spremljanje in analiza kazalnikov uspešnosti.

Sistem strateških ciljev, ciljev in kazalnikov je sistem uravnoteženih kazalnikov (BSC) in ključnih kazalnikov uspešnosti, ki jih je mogoče nastaviti za procese, oddelke, zaposlene itd. Vsi cilji, cilji in kazalniki so kronološke narave. Vir podatkov za BSC je podatkovno skladišče. Ciljne vrednosti kazalnikov je mogoče določiti po več scenarijih, za oceno stopnje doseganja ciljev in ciljev lahko kazalnikom dodelimo utežne faktorje. Na podlagi primerjave ciljnih in dejanskih vrednosti se izvaja spremljanje in analiza doseganja ciljev.

Podpora odločanju pri upravljanju osebja vključuje analitične aplikacije za analizo organizacijske strukture, kadrovsko analizo z vidika discipline delovanja, uspešnosti in ključnih kazalnikov uspešnosti procesov, uravnoteženja in razporeditve funkcionalnih odgovornosti.

Spremljanje in analiza kazalnikov uspešnosti se izvaja z uporabo BI-orodij, ki temeljijo na repozitoriju, hkrati pa zagotavljajo možnost primerjave heterogenih kazalnikov in različnih vrst analiz (dinamične, strukturne, primerjalne, gručaste, rangirne itd.).

2.2.3 Razvoj DSS na ravni tehničnih specifikacij, ki izvaja metodološke in instrumentalne rešitve

Pri razvoju DSS je bila izvedena analiza zahtev za izgradnjo sistema, razvita logična in fizična struktura podatkov, utemeljena osnovna načela gradnje sistema ter naloge izbire informacijskih tehnologij za implementacijo sistema. so bili rešeni.

Struktura sistema vključuje funkcionalne podsisteme, ki izvajajo poslovno logiko in uporabniški vmesnik, ter tehnološke podsisteme, ki zagotavljajo delovanje funkcionalnih podsistemov na podlagi enotnih mehanizmov upravljanja podatkov in centraliziranih metapodatkov.

Za implementacijo sistema so bile izbrane naslednje informacijske tehnologije:

· kot osnova za shranjevanje informacij - sistem za upravljanje relacijske baze podatkov Oracle različice 9i;

· kot okolje za razvoj programske opreme in orodij - analitični kompleks "Prognoz-5", usmerjen v razvoj informacijskih in analitičnih sistemov ter sistemov za podporo odločanju na različnih področjih gospodarstva;

· za razvoj spletnih komponent - integrirano okolje Microsoft Visual Studio 2005 in platforma ASP.NET.

Pri izdelavi DSS se na podlagi enotnih arhitekturnih principov razvije niz programskih in tehnoloških rešitev za najbolj optimalno in zanesljivo delovanje. Pri razvoju postopkov za upravljanje kompleksne baze podatkov, vključno s transakcijskimi in analitičnimi segmenti, so bile razvite in uporabljene naslednje rešitve:

· Za zagotavljanje konsistentnosti podatkov transakcijskih in analitičnih segmentov baze podatkov je bil za to razvit sistem medsebojno povezanih razredov, osredotočenih na uporabo enotnega jedra za obdelavo transakcij, ki temelji na uporabi metapodatkov Oracle DBMS. Na ravni tabele nadzor integritete podatkov zagotavljajo orodja DBMS za izboljšanje zanesljivosti delovanja (slika 7):

riž. 7. Shema za upravljanje konsistentnosti podatkov DSS.

· Podpora za urejanje različic objektov ob ohranjanju nadzora integritete na ravni DBMS. V ta namen je vsak predmet shranjen v dveh tabelah: tabela predmetov in tabela različic objektov;

· Razširljivost baze podatkov na ravni atributov in objektov z nadzorom integritete. Za dodatne atribute se celovitost nadzoruje na ravni sprožilca, pri ustvarjanju novih objektov v tabelah se samodejno ustvarijo sprožilci enotnega nadzora celovitosti;

· Optimizacija ekstrakcije in zapisovanja v bazo z velikimi količinami podatkov. Po izdelavi fizične strukture je bila indeksirana, za tabele podatkovnega skladišča so bila uporabljena orodja za oblikovanje particij DBMS Oracle.

Viri podatkov za začetno polnjenje DSS in naknadno posodabljanje so lahko podatki iz standardnih programskih sistemov, ki delujejo v TU: sistemi dejavnosti na kmetiji (IEA), sistemi za upravljanje dokumentov, sistemi za avtomatizacijo itd. DSS vam omogoča prenos opisov procesov iz datotek MS Word in Excel, kar je pomembno za teritorialne ustanove, ki imajo osnutke procesnih modelov "na papirju".

Razvita DSS se v industrijskem načinu uporablja v Narodni banki Republike Baškortostan na več kot 300 delovnih mestih menedžerjev in strokovnjakov za opis procesov, organiziranje in spremljanje izvajanja procesov, utemeljitev sprememb v organizacijski strukturi in analizo dejavnosti. V sistemu je opisanih okoli 980 procesov, približno 730 jih je odobrenih, približno 200 procesov se redno zažene v industrijskem načinu.

2.3Sklepi in rezultati uporabe tega DSS

Pridobljeni so bili naslednji glavni rezultati in zaključki:

Na podlagi ugotovitev je predstavljen koncept celostnega sistema za podporo odločanju pri vodenju dejavnosti TS, osredotočen na integracijo pristopov BPMS, BI in CPM, v katerem so metode in algoritmi, ki jih je razvil avtor, zgrajeni na na podlagi enotnega informacijskega in instrumentalnega okolja. Koncept združuje tako nove kot že znane metode za spremljanje in analiziranje dejavnosti tehničnih institucij na podlagi procesnega pristopa, prilagojenega posebnostim Banke Rusije.

Sistem za podporo odločanju je bil ustvarjen in preizkušen v posebnih tehničnih specifikacijah Banke Rusije na področju upravljanja dejavnosti teritorialne institucije na regionalni ravni. Uporaba DSS v tehničnih specifikacijah omogoča povečanje obvladljivosti dejavnosti na podlagi procesnega pristopa, izboljšanje sistema notranjih kontrol, optimizacijo obstoječe organizacijske strukture in oblikovanje repozitorija na podlagi kazalnikov uspešnosti.

Kot rezultat implementacije sistema so bili doseženi naslednji rezultati (kot izhaja iz poročil vodstvu Banke Rusije):

· izboljšan sistem notranjega nadzora dejavnosti;

· izboljšane so tehnologije izdajanja in gotovinskega poslovanja ter znižani stroški dela (do 10 % za nekatere transakcije);

· centralizacija funkcij, ki jih opravljajo poravnalni in gotovinski centri (13 funkcij v 9 procesih);

· oddelek za gotovinski obtok se je preoblikoval v dva samostojna oddelka;

· prerazporeditev delovnih mest med oddelki v okviru službe za varnost in varstvo informacij;

· opravljeno je zmanjšanje števila zaposlenih v gospodarsko-operativnem oddelku; pripravljajo se predlogi za optimizacijo poteka dela.

Zaključek

Do danes ni priznanega vodilnega v proizvodnji programske opreme za gradnjo sistemov DSS. Nobeno od podjetij ne proizvaja že pripravljene rešitve, ki se imenuje "out of the box", primerne za neposredno uporabo v proizvodnem procesu naročnika. Izdelava DSS vedno vključuje faze analize podatkov in poslovnih procesov stranke, načrtovanja shranjevalnih struktur ob upoštevanju njegovih potreb in tehnoloških procesov.

Glede na količino vključenih finančnih in drugih virov, kompleksnost in večstopenjsko naravo projektov za izgradnjo sistemov DSS je visoka cena napak pri načrtovanju očitna. Napake pri izbiri programske opreme lahko povzročijo finančne stroške, da ne omenjamo povečanega časa projekta. Napake pri načrtovanju podatkovne strukture lahko privedejo do nesprejemljive zmogljivosti in stroškov porabljenega časa za ponovno nalaganje podatkov, ki včasih dosežejo več dni. Zato se je treba ob poglobljenem razumevanju arhitekture podatkovnih skladišč izogniti kakršnim koli napakam, kar pomeni znatno skrajšanje časa izvedbe projekta in možnost, da se kar najbolje izkoristi implementacija DSS.

Posebej je treba omeniti, da so problemi odločanja, in sicer DSS, pri nas slabo razviti in se v praksi malo uporabljajo. Uporaba programov, kot je tukaj opisani, ni le zelo enostavna, ampak tudi precej učinkovita in ne zahteva posebnega znanja in naložb.

Več deset različnih podjetij proizvaja izdelke, ki lahko rešijo določene probleme, ki se pojavijo v procesu načrtovanja in delovanja sistemov DSS. To vključuje DBMS, orodja za razkladanje/preoblikovanje/nalaganje podatkov, orodja za analizo OLAP in še veliko več.

Samoanaliza trga, preučevanje vsaj nekaj teh orodij ni lahka in dolgotrajna naloga.

Tako smo se pri tem delu seznanili s sistemi za podporo odločanju.

V uvodu je utemeljena relevantnost te teme, podani so namen in cilji študije, splošne značilnosti delo, je bil opredeljen predmet študije.

Prvo poglavje podaja teoretične vidike in koncepte sistemov za podporo odločanju, podrobno razvršča vrste DSS in na začetku razkriva njihove funkcije. Tudi v tem poglavju smo se seznanili z zgodovino nastanka podpornih sistemov, podrobneje analizirali strukturo DSS in njene glavne elemente. So podani posebnosti sisteme za podporo odločanju ter področja in področja, na katerih jih je mogoče uporabiti.

Določena je bila metodologija za podporo odločanju, kar nam omogoča sklepati, da njena uporaba omogoča:

· formalizirati proces iskanja rešitve na podlagi razpoložljivih podatkov (proces generiranja možnosti rešitve);

· razvrstiti kriterije in podati kriterijske ocene fizikalnih parametrov, ki vplivajo na reševanje problema (zmožnost vrednotenja rešitev);

· uporabljati formalizirane postopke usklajevanja pri sprejemanju kolektivnih odločitev;

· uporabljati formalne postopke za napovedovanje posledic sprejetih odločitev;

· izberite možnost, ki vodi do optimalne rešitve problema.

Iz tega sledi, da smo se seznanili z osnovnimi stvarmi in teoretičnim delom o sistemih za podporo odločanju.

V drugem poglavju je predstavljena praktična implementacija DSS na področju vodenja dejavnosti organizacije na podlagi procesnega pristopa (na primeru teritorialnih uradov Banke Rusije). Predlaga se koncept izgradnje DSS "Upravljanje dejavnosti teritorialnih institucij Banke Rusije". Razvit in utemeljen je konceptualni model DSS, funkcionalna struktura in zahteve za glavne komponente. Predlaga se nabor metod in orodij za podporo odločanju pri upravljanju TS, ob upoštevanju posebnosti Banke Rusije. Razvite in utemeljene so bile zahteve za informacijsko-analitično podporo sistema ob upoštevanju nujnih nalog upravljanja teritorialnih izpostav Banke Rusije. Podani so rezultati uvedbe tega sistema na podlagi poročil vodstvu Banke Rusije.

Tako smo ugotovili, kako se ti sistemi za podporo odločanju uporabljajo v praksi – v našem primeru v bančnem sektorju.

Uporaba DSS je obetavna že zato, ker je vsaka vodstvena odločitev subjektivna, temelji na politiki podjetja, odraža glavne cilje organizacije in, kar je najpomembneje, ni nujno resnična. Vse to vodi v potrebo po formalizaciji postopka odločanja in privabljanju podpornih orodij za zmanjšanje tveganja napačne odločitve. Slednje se povečuje s kopičenjem informacij, ki jih je treba obdelati. To se zgodi, ker oseba bodisi ni sposobna obdelati vseh potrebnih informacij, da bi se sama odločila, ali pa tega ne more storiti v časovnem okviru, ko je naloga še aktualna.

Bibliografija

1.Vesnin, V.R. Upravljanje: Učbenik - 4. izd., Revidirano. in dodatno - M.: TK Velby, 2009. - 342 str.

2.Gerčikova, I.N. Proces sprejemanja in izvajanja vodstvenih odločitev / I.N. Gerčikova // Management v Rusiji in tujini, 2013. št. 12. - 130 str.

.Gončarov, V. I. Upravljanje: vadnica/ V. I. Gončarov. - Minsk: Sodobna šola, 2010. - 255 str.

.Drobyshev, A.V. Metode odločanja. Metode Delphi in ELECTRA. - Smernice Za laboratorijsko delo na predmetu "Sistemi za podporo odločanju". - MGIEM. Comp.: I.E.Safonova,., K.Yu.Mishin, S.V.Tsyganov: M., MGIEM, 2008. - 26 str.

.Evlanov, A. G. Teorija in praksa odločanja. - M.: Ekonomija, 2010. - 212 str.

.Korotkov, E. M. Management: učbenik za diplomante / E. M. Korotkov. Moskva: Yurait, 2012.- 85 str.

.Krivko, O.B. Informacijska tehnologija. Moskva: SOMINTEK. 2011. - 179 str.

.Lafta, J. K. Učinkovitost vodenja organizacije. - M.: Ruska poslovna literatura, 2009. - 320 str.

.Lafta, J. K. Učinkovitost vodenja organizacije. - M.: Ruska poslovna literatura, 2011. - 320 str.

.Makarov, S.F. Vodja v službi. - M.: FINPRESS, 2009. - 155 str.

.Meskon, M. Osnove managementa: Učbenik / M. Meskon, M. Albert, F. Hedouri; M., 2012. - 387 str.

.Pankrukhina, A.P. Teorija krmiljenja: učbenik / [Yu. P. Aleksejev in drugi]; pod splošnim uredništvom: A. L. Gaponenko, A. P. Pankrukhina. - Moskva: Založba RAGS, 2010.- 213 str.

.Pirozhkov, V.A. O izvajanju procesnega pristopa k upravljanju v obliki sistema za podporo odločanju "Upravljanje dejavnosti organizacije" [Besedilo] / V.A. Pirozhkov // Bilten tambovske univerze. Ser.: Humanistika. - 2008. - Št. 11. - 489 str.

.Polushkin, O.A. Strateški management: zapiski predavanj. - M.: EKSMO, 2007. - 138 str.

regionalne oblasti // Reforme v Rusiji in problemi

.Romashchenko, V.N. Odločanje: situacije in nasveti. - Kijev, 2012. - 154 str.

16.Rumyantseva Z.P. Vodenje organizacije: učbenik. - M.: INFRA-M, 2005. - 432 str.

.Saraev, A. D., Shcherbina O. A. Sistemska analiza in sodobne informacijske tehnologije // Proceedings of the Crimean Academy of Sciences. - Simferopol: SONAT, 2009. - 136 str.

.Safonova, I.E. Metode odločanja. Modifikacija metode Delphi in metode analize hierarhij. - Smernice za laboratorijsko delo pri predmetu "Sistemi za podporo odločanju". - MGIEM. Comp.:. 18. I. E. Safonova, A. V. Drobyshev, K. Yu. Mishin, S. V. Tsyganov: M., MGIEM, 2007. - 20 str.

.Safonova, I.E. Metode odločanja. Metoda in metode minimalne razdalje MaxiMin in MaxiMax. - Smernice za laboratorijsko delo pri predmetu "Sistemi za podporo odločanju". - MGIEM. Comp.:, 18. I. E. Safonova A. V. Drobyshev, K. Yu. Mishin, S. V. Tsyganov: M., 2007. - 19 str.

.Tereljanski, P.V. Sistemi za podporo odločanju. Izkušnje oblikovanja: monografija / P.V. Tereljanski; VolgGTU - Volgograd, 2009. -127 str.

.Chernyakhovskaya L.R. Podpora odločanju pri strateškem upravljanju podjetij na podlagi inženiringa znanja / L. R. Chernyakhovskaya in drugi Ufa: Akademija znanosti Republike Belorusije, Gilem, 2010. - 128 str.

Pošljite svoje dobro delo v bazo znanja je preprosto. Uporabite spodnji obrazec

Študentje, podiplomski študenti, mladi znanstveniki, ki uporabljajo bazo znanja pri študiju in delu, vam bodo zelo hvaležni.

Podobni dokumenti

Študij tehnološki proces za proizvodnjo gaziranega betona. Model "kako bo" procesa diagnosticiranja stanja tehnološkega procesa proizvodnje porobetona ob upoštevanju sistema za podporo odločanju. Izdelava prototipa vmesnika DSS.

diplomsko delo, dodano 17.06.2017


Preučevanje namena in glavnih nalog, ki jih rešuje Project Expert - sistem za podporo odločanju (DSS), zasnovan za vodje, ki načrtujejo finančni model za novo ali obstoječe podjetje. Programske aplikacije, faze dela.

povzetek, dodan 19.05.2010


Klasifikacija informacijskih sistemov za vodenje dejavnosti podjetja. Analiza trga in značilnosti sistemov razreda Business Intelligence. Klasifikacija metod odločanja, ki se uporabljajo v DSS. Izbira platforme za poslovno obveščanje, merila za primerjavo.

diplomsko delo, dodano 27.09.2016


Klasifikacija sistemov za podporo odločanju. Primerjalna analiza metode za oceno tveganja kreditiranja prebivalstva. Struktura sistema za podporo odločanju, oblikovanje začetne baze znanja. Oblikovanje baze podatkov informacijskega sistema.

diplomsko delo, dodano 10.7.2017


Koncept sistemov za podporo odločanju. Obseg analitike 2.0. Programska oprema za kvantitativno modeliranje. Grafični vmesnik za razvoj modela. Osnovne metode modeliranja. Diagram vpliva in drevo odločitev.

kontrolno delo, dodano 08.09.2011


Razvoj algoritemske in programske opreme za reševanje problema podpore odločanju o izdaji novih izdelkov. Matematična podpora nalogi podpore pri odločanju o izdaji novih izdelkov, glavni vhodni in izhodni podatki.

diplomsko delo, dodano 08.03.2011


Vrste administrativnih informacijskih sistemov: sistemi poročanja, sistemi za podporo odločanju, strateški sistemi za podporo odločanju. Razvrščanje in filtriranje seznamov v Microsoft Excelu. Delo z bazami podatkov v Microsoft Accessu.

test, dodano 19.11.2009