Türleri Karar destek sistemleri (DSS) genel KDS kavramı

Bu makaleyi yazmanın amacı şuydu: kısa inceleme Akıllı Karar Destek Sistemleri oluşturma ilkeleri ( ISPR), makine öğreniminin rolü, oyun teorisi, klasik modelleme ve DSS'de kullanım örnekleri. makalenin amacı olumsuzluk Otomatların, kendi kendine öğrenen makinelerin ve ayrıca BI araçlarının ağır teorisinin derinliklerine inmektir.

Tanıtım

Birkaç tanım var ISPR genel olarak aynı işlevsellik etrafında döner. V Genel görünüm, IDMS, veri madenciliği, modelleme ve görselleştirme araçlarını kullanarak karar vericilerin (Karar Vericilerin) bu kararları vermelerine yardımcı olan, kullanıcı dostu (G) bir kullanıcı arayüzüne sahip, kalite açısından istikrarlı, etkileşimli ve esnek ayarlara sahip bir sistemdir.

Neden DSS'ye ihtiyacımız var?:

1. Karar vermede zorluk
2. Çeşitli alternatiflerin doğru bir şekilde değerlendirilmesi ihtiyacı
3. Tahmine dayalı işlevsellik ihtiyacı
4. Çoklu akış girdisine duyulan ihtiyaç (karar vermek için verilere dayalı sonuçlara ihtiyaç vardır, uzman değerlendirmeleri, bilinen sınırlamalar, vb.)

İlk DSS (o zaman hala I'siz) 60'ların ortalarında - 70'lerin başında SPT'den (İşlem İşleme Sistemleri) doğdu. O zaman bu sistemlerin herhangi bir etkileşimi yoktu, aslında bazı (çok iyi olmayan) işlevsellik ile RDBMS üzerinde eklentiler vardı. Sayısal simülasyon... İlk sistemlerden biri, MIT'nin derinliklerinde geliştirilen ve tarihsel işlemlere dayalı herhangi bir işlemi simüle etmek için bir sistemi temsil eden DYNAMO olarak adlandırılabilir. IBM 360 anabilgisayar pazarının piyasaya girmesinden sonra savunma sanayinde, özel hizmetlerde ve araştırma enstitülerinde kullanılan shareware sistemler ortaya çıkmaya başladı.

80'li yılların başından beri zaten oluşumdan bahsedebiliriz. DSS alt sınıfları MIS (Yönetim Bilgi Sistemi), EIS (Yönetici Bilgi Sistemi), GDSS (Grup Karar Destek Sistemleri), ODSS (Organizasyon Karar Destek Sistemleri) vb. gibi. Aslında, bu sistemler çeşitli seviyelerde verilerle çalışabilen çerçevelerdi. hiyerarşinin (bireyden şirkete) ve içeride herhangi bir mantığı uygulamak mümkündü. Bir örnek, Texas Instruments tarafından United Airlines için geliştirilen ve Saha Operasyonlarında karar vermeyi destekleyen GADS'dir (Kapı Atama Görüntüleme Sistemi), kapıların atanması, en uygun park süresinin belirlenmesi vb.

80'lerin sonunda ortaya çıktı PSPPR(Gelişmiş) bu, durum analizine izin verdi ve daha gelişmiş modelleme araçları kullandı.

Nihayet, 90'ların ortasından beri görünmeye başladı ve ISPR istatistik ve makine öğrenimi araçlarına, oyun teorisine ve diğer karmaşık modellemeye dayanmaya başlayan .

DSS'nin çeşitliliği

Şu anda, birkaç yol var sınıflandırma DSS, 3 popüler olanı tanımlayacağız:

Uygulama alanına göre

• İşletme ve yönetim (fiyatlandırma, işçilik, ürünler, strateji vb.)
• Mühendislik (ürün tasarımı, kalite kontrol ...)
• Finans (kredi ve krediler)
• Tıp (ilaçlar, tedaviler, teşhis)
• Çevre

Veri / model oranına göre(Stephen Alter'ın yöntemi)

• FDS (Dosya Çekmece Sistemleri - gerekli verilere erişim sağlayan sistemler)
• DAS (Veri Analiz Sistemleri - hızlı veri işleme sistemleri)
• AIS (Analiz Bilgi Sistemleri - gerekli çözüm türüne göre veri erişim sistemleri)
• AFM (ler) (Muhasebe ve Finansal modeller (sistemler) - finansal sonuçları hesaplama sistemleri)
• RM (ler) (Temsil modelleri (sistemler) - simülasyon sistemleri, örnek olarak AnyLogic)
• OM (ler) (Optimizasyon modelleri (sistemler) - optimizasyon problemlerini çözen sistemler)
• SM (ler) (Öneri modelleri (sistemler) - kural tabanlı çıkarım sistemleri)

Kullanılan araç takımının türüne göre

• Modele Dayalı - klasik modellere dayalı (doğrusal modeller, envanter yönetimi modelleri, nakliye, finans, vb.)
• Veriye Dayalı - geçmiş verilere dayalı
• İletişime Dayalı - uzmanlar tarafından grup kararı vermeye dayalı sistemler (görüş alışverişini kolaylaştıran ve ortalama uzman değerlerini hesaplayan sistemler)
• Document Driven, esasen dizinlenmiş (genellikle çok boyutlu) bir belge deposudur.
• Bilgiye Yönelik - Aniden, Bilgiye Yönelik. Ayrıca, hem uzman hem de makine kaynaklı bilgi birikimi

Şikayet kitabı talep ediyorum! normal DSS

Bu kadar çeşitli sınıflandırma seçeneklerine rağmen, DSS'nin gereksinimleri ve nitelikleri 4 bölüme tam olarak uymaktadır:

1. Kalite
2. organizasyon
3. Kısıtlamalar
4. modeli

Aşağıdaki şemada, tam olarak hangi gereksinimlerin ve hangi segmentlerin uyacağını göstereceğiz:

Ayrı olarak, ölçeklenebilirlik (günümüzde tek bir çevik yaklaşım onsuz hiçbir yerde yoktur), kötü verileri işleme yeteneği, kullanılabilirlik ve kullanıcı dostu arayüz, kaynak talebi eksikliği gibi önemli özellikleri not ediyoruz.

IDSS mimarisi ve tasarımı

Bir DSS'nin mimari olarak nasıl temsil edileceğine dair birkaç yaklaşım vardır. Yaklaşımlardaki farklılığın belki de en iyi açıklaması “kim bilir ne”dir. Yaklaşımların çeşitliliğine rağmen, en azından üst düzeyde bir tür birleşik mimari yaratma girişimleri yapılıyor.

Gerçekten de, DSS 4 büyük katmana ayrılabilir:

1. Arayüz
2. modelleme
3. Veri madenciliği
4. Veri toplama

Ve bu katmanlarda istediğiniz araçları doldurabilirsiniz.

Aşağıdaki şemada, mimari vizyonumu, işlevselliğin bir açıklaması ve araç örnekleriyle birlikte sunuyorum:

Mimari az çok net, hadi DSS'nin tasarımına ve yapımına geçelim.

Temel olarak, burada roket bilimi yoktur. IDSS'yi oluştururken aşağıdaki adımlara uymalısınız:

1. Alan analizi (aslında IDMS'mizi kullanacağımız yer)
2. Veri toplama
3. Veri analizi
4. Model seçimi
5. Uzman analizi \ modellerin yorumlanması
6. Model enjeksiyonu
7. IDSS değerlendirmesi
8. IDMS'nin Uygulanması
9. Geri bildirim toplama ( Herhangi bir aşamada, aslında)

Diyagramda şöyle görünür:

IDSS'yi değerlendirmenin iki yolu vardır. İlk olarak, yukarıda sunulan öznitelik matrisi. İkinci olarak, herhangi bir şey olabilen ve özel görevinize bağlı olan kriter kontrol listesine göre. Böyle bir kontrol listesine örnek olarak aşağıdakileri verebilirim:

Bunun sadece IMHO olduğunu ve kendiniz için uygun bir kontrol listesi oluşturabileceğinizi vurgulayayım.

Makine öğrenimi ve oyun teorisi nerede?

Neredeyse heryerde! En azından modelleme ile ilgili katmanda.

Bir yanda, tedarik zinciri yönetimi, üretim, mal ve malzeme envanteri vb. gibi klasik alanlar var, bunlara "ağır" diyelim. Ağır alanlarda, favori algoritmalarımız kanıtlanmış klasik modeller için ek bilgiler sağlayabilir. Örnek: ekipman arızalarına ilişkin tahmine dayalı analitik (makine öğrenimi), bir tür FMEA analizi (klasik) ile harika çalışacaktır.

Öte yandan müşteri analitiği, kayıp tahmini, kredi geri ödemeleri gibi "hafif" alanlarda makine öğrenimi algoritmaları ön planda olacak. Ve örneğin puanlamada, bir belge paketine dayalı olarak bir kredi verip vermemeye karar verdiğimizde (sadece aynı belgeye dayalı DSS) klasikleri NLP ile birleştirebilirsiniz.

Klasik makine öğrenimi algoritmaları

Diyelim ki bir sorunumuz var: çelik ürünleri satış müdürü, müşteriden bir başvuru alma aşamasında, bitmiş ürünün hangi kalitesinin depoya gideceğini anlamalı ve kalite ise bir tür kontrol eylemi uygulamalıdır. gerekenden daha düşük.

Çok basit ilerliyoruz:

Adım 0. Hedef değişkeni belirleyin (örneğin, bitmiş üründeki titanyum oksit içeriği)
Adım 1. Verilere karar veriyoruz (SAP, Access ve genel olarak ulaştığımız her yerden indiriyoruz)
Adım 2. Özellikleri toplama \ yenilerini oluşturma
Adım 3. Veri akışı sürecini çizin ve üretime alın
Adım 4. Bir model seçin ve eğitin, sunucuda döndürmeye başlayın
Adım 5. Belirleyin özellik önemleri
Adım 6. Yeni veri girişine karar veriyoruz. Yöneticimizin bunları örneğin elle girmesine izin verin.
Adım 7. Yöneticinin önemli özelliklerin değerlerini kalemlerle girdiği, bir model ile bir sunucu üzerinde döndüğü ve tahmin edilen ürün kalitesini aynı arayüze tükürdüğü basit bir web tabanlı arayüz yazıyoruz.

Voila, anaokulu seviyesi IDSS hazır, kullanabilirsiniz.

Benzer "basit" algoritmalar aynı zamanda IBM süper bilgisayarlarınızın durumunu belirlemenizi sağlayan Tivoli DSS'sinde (ilk etapta Watson): günlüklere dayalı olarak, Watson performansına ilişkin bilgiler görüntülenir, kaynak kullanılabilirliği, maliyet-kar dengesi, bakım gereksinimleri vb. .tahmin edilir.

Şirket ABB aynı ABB'nin elektrik motorlarının kağıt üretim hattında çalışmasını analiz etmeleri için müşterilerine DSS800'ü sunuyor.

Fince Vaisala Finlandiya Ulaştırma Bakanlığı için bir sensör üreticisi olan , kazaları önlemek için buz çözücünün yollarda ne zaman kullanılacağını tahmin etmek için IDMS kullanıyor.

tekrar Fince ön veriÖzgeçmiş seçimi aşamasında bile adayın bir pozisyon için uygunluğuna ilişkin kararların alınmasına yardımcı olan İK için bir IDPR sunar.

Dubai havalimanında kargo terminalinde kargo şüphesini belirleyen bir DSS faaliyet gösteriyor. Kaputun altında, eşlik eden belgelere ve gümrük yetkilileri tarafından girilen verilere dayanan algoritmalar, şüpheli malları vurgular: bu durumda özellikler menşe ülke, paketle ilgili bilgiler, beyanname alanlarındaki özel bilgiler vb.

Binlercesi!

Geleneksel sinir ağları

Basit ML'ye ek olarak, Derin Öğrenme DSS için mükemmeldir.

Bazı örnekler askeri-sanayi kompleksinde, örneğin Amerikan TACDSS'de (Taktik Hava Muharebe Karar Destek Sistemi) bulunabilir. Orada, nöronlar ve evrimsel algoritmalar, belirli bir anda ve diğer görevlerde bir voleybolla vurma olasılığını değerlendirmede, dostu veya düşmanı belirlemeye yardımcı olan içeride dönüyor.

Biraz daha gerçek bir dünyada, şu örneği düşünün: B2B segmentinde, bir belge paketine dayalı olarak bir kuruluşa kredi verilip verilmeyeceğini belirlemeniz gerekir. B2C'de operatör size telefonda sorularla işkence edecek, sistemindeki özelliklerin değerlerini yazacak ve algoritmanın çözümünü seslendirecek, B2B'de biraz daha karmaşık.

IDSS şu şekilde oluşturulabilir: potansiyel bir borçlu ofise önceden kararlaştırılan bir belge paketi getirir (beklendiği gibi, veya e-posta ile taramaları imzalar ve mühürler ile gönderir), belgeler OCR'ye beslenir, sonra aktarılır Kelimeleri özelliklere bölen ve bunları NN'ye besleyen NLP algoritması. Müşteriden (en iyi ihtimalle) kahve içmesi istenir veya kartın orada çekildiği ve öğle yemeğinden sonra geldiği yer burasıdır, bu süre zarfında her şey hesaplanacak ve ekranda yeşil veya kırmızı bir gülen yüz gösterecektir. Şebeke. Pekala, ya da sarı, eğer sorun yok gibi görünüyorsa, ama araştırma tanrısı için daha fazla bilgiye ihtiyaç var.

Benzer algoritmalar Dışişleri Bakanlığı'nda da kullanılmaktadır: vize başvuru formu + diğer sertifikalar doğrudan elçilikte / konsoloslukta analiz edilir, ardından çalışana ekranda 3 ifadeden biri gösterilir: yeşil (vize vermek için) , sarı (sorularınız var), kırmızı (durdurma listesindeki başvuran). Amerika Birleşik Devletleri'ne daha önce vize aldıysanız, o zaman bir konsolosluk memurunun size söylediği karar, sizin hakkınızdaki kişisel öznel görüşü değil, tam olarak kurallarla birlikte algoritmanın sonucudur :)

Ağır alanlarda, üretim hatlarında tampon birikiminin yerlerini belirleyen nöron tabanlı DSS'ler de bilinmektedir (bkz. Tsadiras AK, Papadopoulos CT, O'Kelly MEJ (2013) Güvenilir üretim hatlarında tampon tahsis problemini çözmek için bir yapay sinir ağı tabanlı karar destek sistemi. Bilgisayar Sanayi Müh 66 (4): 1150-1162), Su tüketicilerini kümelemek için min-max'a (GFMMNN) dayalı Genel Bulanık Sinir Ağları ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Kaçak tespiti için sinir ağları ve grafik teorisine dayalı su dağıtım sistemleri için karar destek sistemi. Expert Syst Appl 39 (18): 13214-13224) diğer.

Genel olarak, NN'lerin belirsizlik koşulları altında karar vermek için en uygun olduğu belirtilmelidir. gerçek iş hayatının içinde bulunduğu koşullar. Kümeleme algoritmaları da iyi uyuyor.

Bayes ağları

Bazen verilerimizin görünüm türleri açısından heterojen olduğu görülür. Tıptan bir örnek verelim. Bir hasta tarafımıza yatırıldı. Anketten (cinsiyet, yaş, kilo, boy vb.) ve anamnezden (örneğin kalp krizi) onun hakkında bir şeyler biliyoruz. Bu veriye statik diyelim. Ve periyodik muayene ve tedavi sürecinde onun hakkında bir şeyler öğreniyoruz (günde birkaç kez ateşini, kan bileşimini vb. ölçüyoruz). Bu veriye dinamik diyeceğiz. İyi bir KDS'nin tüm bu verileri hesaba katabilmesi ve bilgilerin tamamına dayalı önerilerde bulunabilmesi gerektiği açıktır.

Dinamik veriler zamanla güncellenir, sırasıyla modelin kalıbı aşağıdaki gibi olacaktır: öğrenme-çözüm-öğrenme, genellikle bir doktorun çalışmasına benzer: tanıyı kabaca belirlemek için ilacı damlatın, reaksiyonu arayın. Bu nedenle tedavinin işe yarayıp yaramayacağı konusunda sürekli bir belirsizlik halindeyiz. Ve hastanın durumu dinamik olarak değişir. Şunlar. dinamik bir DSS oluşturmamız ve ayrıca bilgi odaklı olmamız gerekiyor.

Bu gibi durumlarda, Kalman filtrelerine ve Hidden Markov Modellerine dayalı modellerin genelleştirilmesi olan Dinamik Bayes Ağları (DBN) bize mükemmel bir şekilde yardımcı olacaktır.

Hasta verilerini statik ve dinamik olarak ayıralım.

Statik bir Bayes ızgarası oluşturuyor olsaydık, görevimiz aşağıdaki olasılığı hesaplamak olurdu:

,

Şebekemizin düğümü nerede (aslında grafiğin üst kısmı), yani. her değişkenin değeri (cinsiyet, yaş ....) ve C, tahmin edilen sınıftır (hastalık).

Statik ızgara şöyle görünür:

Ama bu buz değil. Hastanın durumu değişir, zaman geçer, ona nasıl davranılacağına karar vermek gerekir.

DBS'nin amacı budur.

Öncelikle hastanın randevu günü statik bir grid oluşturuyoruz (yukarıdaki resimdeki gibi). Sonra, her gün Bence dinamik olarak değişen verilere dayalı bir ızgara oluşturmak:

Buna göre, toplu model aşağıdaki formu alacaktır:

Böylece, sonucu aşağıdaki formülü kullanarak hesaplayacağız:

Neresi T- kümülatif hastanede kalış süresi, n- DBS'nin her bir adımındaki değişken sayısı.

Bu modeli DSS'de biraz farklı bir şekilde uygulamak gerekiyor - burada tam tersinden gitmek, önce bu modeli düzeltmek ve sonra etrafında arayüz oluşturmak... Yani aslında, içinde dinamik unsurların bulunduğu sert bir model yaptık.

Oyun Teorisi

Oyun teorisi ise stratejik kararlar almak için tasarlanmış IDMS'lere çok daha uygundur. Bir örnek verelim.

Diyelim ki piyasada bir oligopol var (az sayıda rakip), belli bir lider var ve bu (ne yazık ki) bizim şirketimiz değil. Yönetimin ürünlerimizin hacmi hakkında bir karar vermesine yardımcı olmamız gerekiyor: Hacimli ürünler üreteceksek ve rakibimiz ise negatif bölgeye gidecek miyiz? Basitlik için, özel bir oligopol - duopoly (2 oyuncu) durumunu ele alalım. RandomForest burada veya CatBoost diye düşünürken klasik - Stackelberg dengesini kullanmanızı öneririm. Bu modelde, firmaların davranışı, eksiksiz mükemmel bilgiye sahip dinamik bir oyunla tanımlanırken, oyunun özelliği, önce mal çıktı hacmini belirleyen lider bir firmanın varlığıdır ve firmaların geri kalanı yönlendirilir. onun tarafından hesaplamalarında.
Sorunumuzu çözmek için aşağıdaki optimizasyon problemini çözen bir şey hesaplamamız yeterli:

Bunu çözmek için (sürpriz-sürpriz!), İlk türevi sıfıra göre eşitlemeniz yeterlidir.

Üstelik böyle bir model için, sadece pazardaki arzı ve ürünün rakibimizden maliyetini bilmemiz, ardından bir model oluşturmamız ve elde edilen sonucu karşılaştırmamız gerekir. Q yönetimimizin piyasaya sürmek istediği ile. Katılıyorum, NN'yi kesmekten biraz daha kolay ve daha hızlı.

Excel, bu tür modeller ve bunlara dayalı DSS için de uygundur. Tabii ki, eğer girdi verilerinin hesaplanması gerekiyorsa, o zaman daha karmaşık bir şeye ihtiyaç vardır, ancak çok fazla değil. Aynı Power BI bunu yapacak.

ML vs ToG savaşında bir kazanan aramak anlamsızdır. Kendi artıları ve eksileri ile sorunu çözmek için çok farklı yaklaşımlar.

Sıradaki ne?

IDSS'nin şu anki durumuyla, bir sonraki adımda nereye gidileceğini bulmuş görünüyor?

Yakın tarihli bir röportajda, bu Bayes ağlarının yaratıcısı Judah Pearl ilginç bir görüş dile getirdi. Biraz yeniden ifade etmek için, o zaman

"Tüm makine öğrenimi uzmanlarının şu anda yaptığı verilere bir eğri uydurmak. Uydurma önemsiz, karmaşık ve kasvetli ama yine de uygun."

(okuman)

Büyük olasılıkla, Wangyu, 10 yıl içinde modelleri sabit kodlamayı bırakacağız ve bunun yerine yaratılan simüle edilmiş ortamlarda her yerde bilgisayarları öğretmeye başlayacağız. Muhtemelen, IDSS'nin uygulanması bu yolu izleyecektir - AI ve diğer skynet'lerin ve WAPR'lerin yolu boyunca.

Daha yakından bakarsanız, IDSS'nin geleceği çözümlerin esnekliğindedir. Önerilen yöntemlerin hiçbiri (klasik modeller, makine öğrenimi, DL, oyun teorisi) tüm görevler için verimlilik açısından evrensel değildir. İyi bir DSS, tüm bu araçları + RPA'yı birleştirmeli, farklı modüller farklı görevler için kullanılmalı ve farklı kullanıcılar için farklı çıktı arayüzlerine sahip olmalıdır. Bir çeşit kokteyl, karıştırılmış, ancak hiçbir şekilde çalkalanmamış.

Edebiyat

1. Merkert, Mueller, Hubl, Karar Destek Sistemlerinde Makine Öğrenimi Uygulamasına İlişkin Bir Araştırma, Hoffenhaim Üniversitesi 2015
2. Tarık, Rafi, Akıllı Karar Destek Sistemleri- Bir Çerçeve, Hindistan, 2011
3. Sanzhez ve Marre, Gibert, Karar Destek Sistemlerinin Evrimi, Katalonya Üniversitesi, 2012
4. Ltifi, Trabelsi, Ayed, Alimi, Bayes Ağlarına Dayalı Dinamik Karar Destek Sistemi, Sfax Üniversitesi, Ulusal Mühendisler Okulu (ENIS), 2012

Karar Destek Sistemleri(DSS), bir yöneticinin (veya süpervizörün) karar vermesine yardımcı olmak için tasarlanmış, neredeyse her zaman etkileşimli bilgisayar sistemleridir. KDS, karar vericinin sorunları, özellikle de yeterince resmileştirilmemiş olanları çözmesine yardımcı olacak hem verileri hem de modelleri içerir. Veriler genellikle çevrimiçi bir sorgu işleme sisteminden veya veritabanından alınır. Model, belirli varsayımlar altında karı hesaplamak için basit bir kazanç-kayıp modeli veya atölyedeki her makine için yükü hesaplamak için karmaşık bir optimizasyon modeli tipi olabilir. DSS ve aşağıdaki bölümlerde tartışılan sistemlerin çoğu, her zaman geleneksel maliyet-fayda yaklaşımıyla doğrulanmaz; bu sistemler için, daha derin karar verme ve verilerin daha iyi anlaşılması gibi faydaların çoğu soyuttur.

Pirinç. 1.4, bir karar destek sisteminin üç ana bileşen gerektirdiğini göstermektedir: bir yönetim modeli, verileri toplamak ve manuel olarak işlemek için veri yönetimi ve KDS'ye kullanıcı erişimini kolaylaştırmak için diyalog yönetimi. Kullanıcı, kullanıcı arabirimi aracılığıyla DSS ile etkileşime girer, kullanılacak özel modeli ve veri kümesini seçer ve ardından DSS, sonuçları aynı kullanıcı arabirimi üzerinden kullanıcıya sunar. Nispeten basit bir genel elektronik tablo modelinden matematiksel programlamaya dayalı karmaşık, karmaşık bir planlama modeline kadar değişen yönetişim modeli ve veri yönetişimi büyük ölçüde fark edilmez.

Pirinç. 1.4. Karar destek sistemi bileşenleri

Son derece popüler bir DSS türü, bir mali tablo oluşturucu biçimindedir. Lotus 1-2-3 veya Microsoft Excel gibi bir elektronik tablo kullanılarak, bir organizasyonun veya finansal durumun çeşitli öğelerini tahmin etmek için modeller oluşturulur. Veri olarak kuruluşun önceki mali tabloları kullanılır. İlk model, gider ve gelir kategorilerindeki gelecekteki eğilimler hakkında çeşitli varsayımlar içerir. Temel modelin sonuçlarını gözden geçirdikten sonra yönetici, temel çizgi üzerindeki etkilerini belirlemek için bir veya daha fazla varsayımı değiştirerek bir dizi durum çalışması yürütür. Örneğin, bir yönetici, yeni ürün satışlarının yıllık %10 artması durumunda kârlılık üzerindeki etkisini araştırabilir. Veya yönetici, hammadde fiyatlarında beklenenden daha büyük bir artışın etkisini, örneğin yıllık %4 yerine %7'yi araştırabilir. Bu tür bir finansal tablo oluşturucu, finansal karar verme sürecini yönlendirmek için basit ama güçlü bir KDS'dir.

Veri İşlem Koordinasyonu için DSS'ye bir örnek, Kaliforniya'daki şehirler tarafından kullanılan bir polis çıkış puanlama sistemidir. Bu sistem polis memurunun haritayı görmesini ve coğrafi alan verilerini görüntülemesini sağlar, polis aramalarını, arama türlerini ve arama sürelerini gösterir. Sistemin etkileşimli grafik özelliği, bir memurun polis çıkış alternatiflerinin varyasyonlarını hızlı ve kolay bir şekilde tahmin etmek için haritayı, bölgeyi ve verileri manipüle etmesine olanak tanır.

DSS'nin başka bir örneği, büyük bir kağıt şirketi için etkileşimli bir hacim ve üretim planlama sistemidir. Bu sistem, bir bilgisayarda oynamak için ayrıntılı önceki verileri, öngörücü ve planlama modellerini kullanır. genel göstergeler farklı planlama varsayımları altındaki şirketler. Çoğu petrol şirketi, sermaye yatırım kararlarını desteklemek için KDS geliştirmektedir. Bu sistem, tablo veya grafik şeklinde sunulabilen gelecek planları oluşturmak için çeşitli finansal koşullar ve modeller içerir.

Verilen tüm KDS örneklerine özel KDS'ler denir. Karar verme sürecine yardımcı olan gerçek uygulamalardır. Buna karşılık, bir karar destek sistemi oluşturucu, belirli KDS'leri hızlı ve kolay bir şekilde oluşturmak için bir dizi yetenek sağlayan bir sistemdir. Bir DSS oluşturucu, kısmen bilgisayar tabanlı olarak çalışmak üzere tasarlanmış bir yazılım paketidir. Örnek mali raporumuzda, Microsoft Excel veya Lotus 1-2-3 DSS oluşturucuları olarak kabul edilebilirken, Excel veya Lotus 1-2-3'e dayalı özel bir şube için mali tablo tasarlama modelleri özel DSS'dir.

DSS, Bölüm 2'de daha ayrıntılı olarak tartışılmaktadır. 2.2.

DSS, 1970'lerin sonlarında - 1980'lerin başında, kişisel bilgisayarların yaygın kullanımı, standart yazılım paketleri ve ayrıca yapay zeka (AI) sistemlerinin oluşturulmasındaki önemli ilerlemeler ile büyük ölçüde kolaylaştırılan Amerikalı bilim adamlarının çabaları nedeniyle ortaya çıktı.

DSS'nin ayırt edici özellikleri.

DSS, aşağıdaki ayırt edici özelliklerle karakterize edilir.

Temel olarak yüksek düzeyde yönetim için tipik olan, kötü yapılandırılmış (resmileştirilmiş) görevleri çözmeye yönelme;

Kombinasyon imkanı geleneksel yöntemler matematiksel modellerin yetenekleri ve bunlara dayalı problem çözme yöntemleri ile bilgisayar verilerine erişim ve işlenmesi;

Etkileşimli bir çalışma modu kullanarak bir bilgisayarın profesyonel olmayan son kullanıcısına odaklanın;

Mevcut donanım ve yazılımın özelliklerine ve ayrıca kullanıcının gereksinimlerine uyum sağlama yeteneği sağlayan yüksek uyarlanabilirlik.

KDS'nin bilgi sistemleri arasındaki yeri. Bazı kuruluşların bilgi modeli, aşağıdaki üç seviyeyi içeren aşağıdaki hiyerarşik model olarak düşünülebilir (bkz. Şekil 4.3):

Veri işleme,

Veri işleme,

Karar vermek.

Pirinç. 4.3. Şirketteki bilgi sistemlerinin hiyerarşisi

İlk en düşük seviye EDMS'dir. Yönetim kararları hiyerarşisinde bu seviye, organizasyondaki iş akışını otomatikleştiren yönetim kontrolü seviyesine karşılık gelir. EDMS'nin ana özellikleri şunlardır:

Operasyonel kontrol seviyesinde veri işleme,

Kuruluş tarafından gerçekleştirilen ticari işlemlerin etkin bir şekilde işlenmesi,

Bilgisayar performansının programlanması ve optimizasyonu,

İlgili görevleri açıklayan dosyaların entegrasyonu,

Yönetim için raporlar hazırlamak.

Yönetim kontrolü düzeyine karşılık gelen ikinci orta düzeyde, vurgu ISU tarafından gerçekleştirilen bilgi işleme prosedürlerine kaydırılır. Bu işleme genellikle organizasyonun pazarlama, üretim, finans, muhasebe, personel gibi işlevsel alanlarındaki planlama faaliyetlerini ifade eder. IMS'nin ana özellikleri dikkate alınmalıdır:

Orta yönetim düzeyinde faydalı bilgiler hazırlamak,

Bilgi akışlarının yapılandırılması (düzenlenmesi)

EDMS'den alınan verilerin fonksiyonel iş alanlarına (IMS pazarlama, IMS üretimi vb.) ilişkin entegrasyonu (birleştirilmesi),

Bir sorgu-yanıt sisteminin oluşturulması ve yönetim için raporların hazırlanması (genellikle veri tabanları kullanılarak).

Stratejik planlamaya karşılık gelen üçüncü en yüksek yönetim seviyesinde, organizasyonun en önemli kararları oluşturulur. Bu düzeyde kullanılan KDS (aşağıdakilerden de anlaşılacağı gibi, KDS herhangi bir yönetim düzeyinde kullanılabilir) aşağıdaki özelliklere sahiptir:

Üst yönetim için çözümler hazırlamak,

Değişikliklere yüksek adaptasyon ve kullanıcı isteklerine yüksek yanıt verme hızının sağlanması,

Herhangi bir yöneticiye karar verme yardımı sağlamak.

Bir EBYS ortamında veri yönetimi, esas olarak firma tarafından gerçekleştirilen mevcut ticari işlemleri işlemek için gerçekleştirilir. IMS'nin oluşturulması, sorgu modlarını, veri işlemeyi ve çeşitli yönetim raporlarının oluşturulmasını düzenlemeyi mümkün kılan DBMS'nin ortaya çıkmasıyla ilişkilendirildi. Ancak, bir VTYS oluşturmanın ana avantajı, veritabanlarının çalışmasıyla ilişkili mevcut programlama maliyetlerinin azaltılmasıydı. Bu tür sistemler için kullanıcı gereksinimlerinin nispeten düşük olduğu belirtilmelidir. DSS için gereksinimler çok daha ciddidir. Bu, olasılıklı nitelikte olanlar da dahil olmak üzere güvenilir verilere yönelik artan talebin yanı sıra istek modu için zaman kısıtlamalarının sıkılaştırılması ve bilgisayarlı olmayan kaynaklardan gelen verilerin kullanımı ile ilgilidir. Bu tür gereksinimlere uygunluk, DSS'de yer alan veritabanları ile şirketin operasyonları hakkında bilgi depolayan büyük bir veri tabanı arasında hızlı bir veri alışverişi sağlar.

Böylece, EDMS ve IMS, gerekli verilere hızlı erişim ve karar vermeyi kolaylaştıran (değişken derecelerde veri işleme ile oluşturulmuş) raporlar alarak kullanıcının bilgi ihtiyaçlarını karşılamayı mümkün kılar. Bir KDS söz konusu olduğunda, karar vermek için sistemin kullanıcı ile birlikte yeni bilgiler (genellikle hazır alternatifler şeklinde) oluşturma yeteneği hakkında konuşmak daha doğrudur.

DSS'nin IŞİD arasındaki yerini belirlemeye yönelik düşünülen yaklaşımın okuyucuyu kısmen yanıltabileceği belirtilmelidir. Bu nedenle, KDS'nin yalnızca yönetimin en üst seviyelerinde kullanılabileceği görünebilir. Aslında, hükümetin herhangi bir düzeyinde karar vermeye yardımcı olmak için kullanılabilirler. Ayrıca, hükümetin farklı seviyelerinde alınan kararların genellikle koordine edilmesi gerekir. Bu nedenle, KDS'nin önemli bir işlevi, hükümetin farklı düzeylerinde ve aynı düzeyde karar vericilerin koordinasyonudur. Ve son olarak, okuyucuya, üst düzey yönetimin bilgi sistemlerinden ihtiyaç duyabileceği tek şey karar verme yardımı gibi görünebilir. Ancak karar verme, bilgi sistemlerinden yardım aldıkları yöneticilerin işlevlerinden yalnızca biridir.

Ayrıca, "bilgi yönetim sistemleri" teriminin kendisinin literatürde geniş ve dar anlamda kullanıldığına dikkat edin. Geniş anlamda, yöneticilerin çıkarları için kullanılan her türlü düşünülen bilgisayar sistemini (EDMS, IMS, DSS vb.) içerir. Dar anlamda bu terim, yönetim raporları üreten bir IP türü, yani. ISU.

DSS yapısı

Şimdiye kadar, bir tür "kara kutu" olduğunu düşünerek DSS'nin yapısına değinmedik. DSS'nin yapısıyla ilgili ilk fikir, Şekil 2'nin dikkate alınmasından elde edilebilir. 4.4.

Kullanıcıya ek olarak, DSS üç ana bileşen içerir: verileri işlemek ve depolamak için bir alt sistem, modelleri depolamak ve kullanmak için bir alt sistem ve bir yazılım alt sistemi. İkincisi, bir veritabanı yönetim sistemi (DBMS), bir model temel yönetim sistemi (DBMS) ve bir kullanıcı-bilgisayar diyalog yönetim sistemi (DMS) içerir.

Veri alt sistemi. Veri işleme ve depolama alt sistemi, veritabanları oluşturmanın ve kullanmanın bilinen tüm avantajlarıyla karakterize edilir. Ancak, KDS'de veritabanlarının kullanımı belirli özelliklerle karakterize edilir (bkz. Şekil 4.5). Örneğin,

Pirinç. 4.4. DSS yapısı

DSS veritabanları, özellikle yüksek yönetim seviyelerinde karar verme için önemli olan harici kaynaklar ve ayrıca bilgisayarlaştırılmamış veri kaynakları da dahil olmak üzere, önemli ölçüde daha büyük bir veri kaynağı kümesine sahiptir. Diğer bir özellik, birden fazla kaynaktan gelen verilerin, toplama ve filtreleme prosedürlerinin ön ortak işlenmesi yoluyla ön "sıkıştırılması" olasılığıdır.

Veriler DSS'de önemli bir rol oynar. Doğrudan kullanıcı tarafından veya matematiksel modeller kullanılarak yapılan hesaplamalar için girdi verileri olarak kullanılabilirler.

Verilerin bir kısmı, firma tarafından gerçekleştirilen işleme işlemleri için sistemden DSSS veri alt sistemi tarafından alınır. Ancak, yalnızca nadir durumlarda ticari işlemlerin işlenmesi düzeyinde elde edilen veriler DSS için yararlıdır. Kullanılabilmesi için bu verilerin önceden işlenmesi gerekir. Bunun için iki olasılık var. Bunlardan ilki, firmanın faaliyetlerine ilişkin verileri işlemek için KDS'de yer alan VTYS'yi kullanmaktır. İkincisi ise bunun için özel bir veri tabanı oluşturarak DSS dışında işlemi yapmaktır. Çok sayıda ticari işlem gerçekleştiren firmalar için bu seçeneklerden ikincisinin tercih edildiği açıktır.

IitUC. 4.5. DSS veri alt sistemi yapısı

Şirketin operasyonlarına ilişkin işlenen veriler, güvenilirliği ve erişim hızını artırmak için DSS dışında saklanan ayıklayıcı dosyalar oluşturur. Şirket işlemlerini işlemek için özel bir veri tabanı oluşturma fikri, otomatik elektronik veri işleme alanını daha az nitelikli son kullanıcı alanından ayırmanın uygunluğuna dayanmaktadır. Ayrıca, taleplerine sistemden hızlı yanıt bekleyen DSS'nin son kullanıcıları, işleme operasyonları süreci ile makine zamanı için sürekli rekabet edecekti. Bu nedenle, DSS ile çalışan birçok kuruluş, ticari işlemlerini yürütmek için merkezi IMS içinde çalışan ayrı bir bilgisayar kullanır.

Firmanın faaliyetlerine ilişkin verilere ek olarak, KDS'nin çalışması için başka dahili veriler de gereklidir. Örneğin, pazarlama, finans, üretim, personel hareketlerine ilişkin veriler, mühendislik verileri vb. alanlarda çalışan yöneticilerin değerlendirmelerine ihtiyaç duyulur, bu verilerin zamanında toplanması, girilmesi ve muhafaza edilmesi gerekir.

Dış kaynaklardan gelen veriler, özellikle hükümetin üst düzeylerinde karar desteği için çok önemlidir. Gerekli dış veriler, rakipler, ulusal ve küresel ekonomiler hakkındaki verileri içermelidir. Dahili verilerin aksine, harici veriler genellikle veri toplayıcılardan satın alınabilir.

Şu anda, KDS'ye başka bir veri kaynağının dahil edilmesi konusu geniş çapta incelenmektedir - kayıtları, mektupları, sözleşmeleri, siparişleri vb. içeren belgeler. Bu belgelerin içeriği belleğe kaydedilirse (örneğin bir video diske) ve ardından bazı temel özelliklere (tedarikçiler, tüketiciler, tarihler, hizmet türleri vb.) göre işlenirse, KDS'ler yeni ve güçlü bir bilgi kaynağı alacaklardır. .

DSS'nin parçası olan veri alt sistemi aşağıdaki yeteneklere sahip olmalıdır:

Toplama ve filtreleme prosedürleri kullanılarak çeşitli kaynaklardan elde edilen verilerin kombinasyonlarının derlenmesi;

Belirli bir veri kaynağının hızlı eklenmesi veya çıkarılması;

Kullanıcı açısından mantıksal bir veri yapısı oluşturmak;

Kullanıcı çalışma alternatiflerini deneysel olarak test etmek için anekdotsal kanıtları kullanmak ve manipüle etmek;

DBMS tarafından sağlanan çok çeşitli yönetim işlevlerini kullanarak veri yönetimi;

DSS veri alt sisteminin bir parçası olan veri tabanının şirket içinde faaliyet gösteren diğer operasyonel veri tabanlarından tam mantıksal bağımsızlığının sağlanması.

Modellerin alt sistemi. DSS, verilere erişim sağlamanın yanı sıra, karar verme modellerine kullanıcı erişimi sağlar. Bu, uygun modelleri IS'ye dahil ederek ve modelleri entegre etmek ve aralarında iletişim kurmak için bir mekanizma olarak bir veritabanı kullanarak elde edilir (bkz. Şekil 4.6).

Ortaya çıkan KDS, veri işleme ve yönetim raporlarının oluşturulması açısından EDMS ve IMS'nin avantajlarını, durumların matematiksel olarak modellenmesi ve bir çözüm bulunması açısından yöneylem araştırması yöntemleri ve ekonometrinin avantajlarıyla birleştirecektir.

Modelleme süreci esnek olmalıdır. Özel bir modelleme dili, bir dizi ayrı program bloğu ve çeşitli modellerin ayrı bileşenlerini uygulayan modüllerin yanı sıra bir dizi kontrol işlevini içermelidir.

Modellerin kullanımı, KDS'nin analiz gerçekleştirme yeteneğini sağlar. Belirli algoritmaların yardımıyla problemin matematiksel bir yorumunu kullanan modeller, doğru kararları vermek için yararlı olan bilgileri bulmaya yardımcı olur. Örneğin, model doğrusal programlama belirli kaynak kısıtlamaları ile çeşitli ürün türlerinin piyasaya sürülmesi için en karlı üretim programını belirlemeyi mümkün kılar.

Modellerin bilgi sistemlerinin bir parçası olarak kullanımı, istatistiksel yöntem ve tekniklerin kullanılmasıyla başlamıştır. finansal analiz geleneksel algoritmik dillerden oluşan ekipler tarafından uygulandı. Daha sonra “eğer olursa ne olur?” gibi durumların simüle edilmesini sağlayan özel diller oluşturuldu.

Şu anda, birçok model türü ve bunları sınıflandırmanın yolları vardır, örneğin kullanım amacına, olası uygulama alanlarına, değişkenleri değerlendirme yöntemine vb.

Model yaratmanın amacı, ya optimizasyon ya da bir nesne ya da sürecin tanımıdır. Optimizasyon modelleri, bazı göstergelerin minimum veya maksimum noktalarının bulunmasıyla ilişkilendirilir. Örneğin, yöneticiler genellikle karı maksimize etmek (maliyetleri minimize etmek) için hangi eylemleri yaptıklarını bilmek isterler. Optimizasyon modelleri bu tür bilgileri sağlar. Tanımlayıcı modeller, bazı sistemlerin davranışını tanımlar ve kontrol (optimizasyon) amaçlarına yönelik değildir.

Çoğu sistem doğası gereği stokastik olsa da (yani durumları mutlak kesinlikle tahmin edilemez), çoğu matematiksel model deterministik olarak inşa edilir. Deterministik modeller, değişkenlerin tek sayılı tahminlerini kullanır (değişkenleri birden çok parametre ile tahmin eden stokastik modellerin aksine). Deterministik modeller stokastik modellerden daha popülerdir çünkü daha az pahalı ve zordur ve inşası ve kullanımı daha kolaydır. Ek olarak, karar vericiye yardımcı olmak için yeterli bilgiyi elde etmek genellikle onların yardımıyla mümkündür.

Olası uygulamalar alanı açısından, modeller, yalnızca bir sistemle kullanılması amaçlanan özel modellere ve çeşitli sistemlerle kullanılması amaçlanan evrensel modellere ayrılmıştır. İlki daha pahalıdır, genellikle benzersiz sistemleri tanımlamak için kullanılır ve ikincisinden daha doğrudur.

Modellerin temeli. DSS'deki modeller, stratejik, taktiksel ve operasyonel modelleri ve ayrıca bir dizi model bloklarını, modülleri ve model oluşturmak için öğeler olarak kullanılan prosedürleri içeren bir model tabanı oluşturur (bkz. Şekil 4.6). Her model tipinin kendine has özellikleri vardır.

Stratejik modeller, organizasyonun hedeflerini, bu hedeflere ulaşmak için gereken kaynak miktarını ve ayrıca bu kaynakların elde edilmesi ve kullanılmasına yönelik politikaları belirlemek için yönetimin en üst seviyelerinde kullanılır. Ayrıca işletmelerin konumu için seçeneklerin seçilmesi, rakiplerin politikalarının tahmin edilmesi vb. için de yararlı olabilirler. Stratejik modeller, önemli bir kapsam genişliği, birçok değişken ve verilerin kısa ve toplu bir biçimde sunulması ile karakterize edilir. Genellikle bu veriler dış kaynaklara dayanır ve öznel olabilir. Stratejik modellerde planlama ufku genellikle yıllarla ölçülür. Bu modeller genellikle deterministik, tanımlayıcı ve belirli bir firmada kullanım için uzmanlaşmıştır.

Taktik modeller, orta düzey yöneticiler tarafından mevcut kaynakların kullanımını tahsis etmek ve kontrol etmek için kullanılır. Kullanımlarının olası alanları arasında belirtilmelidir: finansal planlama, çalışanlar için planlama gereksinimleri, satışları artırmayı planlama, işletmeler için yerleşim planları oluşturma. Bu modeller genellikle firmanın yalnızca belirli bölümlerine (örneğin üretim ve dağıtım sistemine) uygulanabilir ve ayrıca toplamları da içerebilir. Taktik modellerin kapsadığı zaman ufku bir ay ile iki yıl arasındadır. Ayrıca dış kaynaklardan veri gerektirebilir, ancak bu modellerin uygulanmasında asıl dikkatin şirketin iç verilerine verilmesi gerekir. Tipik olarak, taktik modeller deterministik, optimizasyon ve evrensel olarak uygulanmaktadır.

Operasyonel modeller, günler ve haftalarla ölçülen bir ufuk ile operasyonel karar vermeyi desteklemek için hükümetin daha düşük seviyelerinde kullanılır. Bu modellerin olası uygulamaları arasında alacak hesaplarının ve kredi mutabakatlarının tanıtılması, takvim üretim planlaması, envanter yönetimi vb. Operasyonel modeller, hesaplamaları için genellikle şirket içi verileri kullanır. Kural olarak, deterministik, optimizasyon ve genel amaçlıdırlar (yani, farklı organizasyonlarda kullanılabilirler).

Stratejik, taktik ve operasyonel modellere ek olarak, DSS model tabanı bir dizi model blok, modül ve prosedür içerir. Bu, doğrusal programlama rutinlerini içerebilir, istatistiksel analiz zaman serileri, regresyon analizi vb. - en basit prosedürlerden karmaşık yazılım paketlerine kadar. Model blokları, modüller ve prosedürler, DSS kullanıcılarına yardımcı olmak için ayrı ayrı, bağımsız olarak ve modelleri oluşturmak ve sürdürmek için bir bütün halinde, bir kompleks içinde kullanılabilir.

Arayüz kontrol sistemi. DSS'nin belirli sorunları çözmedeki verimliliği ve esnekliği büyük ölçüde kullanılan arayüzün özelliklerine bağlıdır. Arayüz, bir diyalog kontrol yazılım sistemi (DMS), bir bilgisayar ve kullanıcının kendisini içerir.

Kullanıcı dili, kullanıcının klavye, elektronik kalemler, ekrana yazı yazma, joystick, "mouse", sesli komutlar vb. yeteneklerini kullanarak sistemle ilgili olarak gerçekleştirdiği eylemlerdir. Eylem dilinin en basit biçimi, girdi ve çıktı biçimlerinin oluşturulmasıdır. Giriş formunu (belge) alan kullanıcı, gerekli verileri doldurur ve bilgisayara girer. KDS gerekli analizi yapar ve sonuçları oluşturulan formun çıktı belgesi şeklinde yayınlar.

Önemli ölçüde arttı Son zamanlardaÖzel bir "fare" cihazının kullanımına dayanan Amerikan şirketi "Apple Mackintosh" tarafından geliştirilen görsel arayüzün popülaritesi. Kullanıcı bu cihaz yardımıyla ekranda kendisine sunulan nesneleri ve eylemleri resim şeklinde seçer, böylece eylemlerin dilini gerçekleştirir.

Bir bilgisayarı insan sesi yardımıyla kontrol etmek, eylem dilinin en basit ve dolayısıyla en çok arzu edilen şeklidir. Hala az gelişmiştir ve bu nedenle DSS'de çok popüler değildir. Mevcut gelişmeler, kullanıcıdan ciddi kısıtlamalar gerektirir (sınırlı bir dizi kelime ve ifade; kullanıcının sesinin özelliklerini dikkate alan özel bir cihaz; kontrol, sıradan komutlar şeklinde değil, ayrı komutlar şeklinde yapılmalıdır. pürüzsüz konuşma). Bu yaklaşımın teknolojisi yoğun bir şekilde geliştirilmektedir ve yakın gelecekte, bilginin konuşma girişini kullanan yeni gelişmiş DSS'lerin ortaya çıkmasını bekleyebiliriz.

Mesaj dili, kullanıcının ekranda gördüğü (semboller, grafikler, renk), yazıcıda alınan veriler, ses çıkış sinyalleri vb. Uzun bir süre boyunca, mesaj dilinin tek uygulaması basılı veya görüntülenen bir rapor (veya diğer gerekli mesaj) idi. Şimdi buna yeni bir çıktı sunumu özelliği eklendi - bilgisayar grafikleri. Ekranda ve kağıt üzerinde üç boyutlu formda renkli grafik görüntüler oluşturmayı mümkün kılar. Çıktı verilerinin görünürlüğünü ve yorumlanabilirliğini önemli ölçüde artıran bilgisayar grafiklerinin kullanımı DSS'de giderek daha popüler hale geliyor.

Son birkaç yılda, makine grafiklerini geliştiren yeni bir yön ortaya çıktı - animasyon. Animasyonun özellikle fiziksel sistemlerin ve nesnelerin modellenmesiyle ilgili DSS çıktı verilerinin yorumlanmasında etkili olduğu ortaya çıktı. Örneğin, bir bankadaki müşterilere hizmet vermek üzere tasarlanmış bir DSS, karikatür modelleri kullanarak, ziyaretçilerin akışına, izin verilen kuyruk uzunluğuna, hizmet noktalarının sayısına vb. bağlı olarak hizmetleri düzenlemek için çeşitli seçenekleri görüntüleyebilir.

Önümüzdeki yıllarda, DSS mesajlarının dili olarak insan sesinin kullanılmasını beklemeliyiz. Olası bir örnek olarak, acil durum raporlarının oluşturulması sürecinde, belirli bir pozisyonun münhasırlığının nedenlerinin sesli olarak açıklandığı DSS'nin finans alanındaki çalışmalarında bu formun kullanımına işaret edebiliriz.

Kullanıcı bilgisi, kullanıcının sistemi çalıştırırken bilmesi gereken şeydir. Bu, yalnızca kullanıcının kafasındaki eylem planını değil, aynı zamanda bir yardım komutu verildiğinde bilgisayar tarafından yayınlanan ders kitaplarını, talimatları, referans verilerini de içerir. Kullanıcının talebi üzerine sistem tarafından verilen talimatlar ve referans verileri genellikle standart değildir, ancak DSS kullanıcısının bulunduğu sorunu çözme bağlamındaki yere bağlıdır. Başka bir deyişle, yardım duruma göre uzmanlaşmıştır.

Sistem tarafından standart prosedürlerin yürütülmesi için programlanmış talimatları içeren sözde komut dosyaları, DSS kullanıcısına çok yardımcı olabilir. Bu tür dosyalar bir tuşa basılarak etkinleştirilir ve kullanıcının komut dilini bilmesini gerektirmez. Bir örnek, planlanan ve gerçekleşen üretim durumunu (depodaki değerler, üretim hacimleri, nakit girişleri vb.) karşılaştırmak için AWS içinde sürekli olarak gerçekleştirilen prosedürlerdir.

Bu konu alanı ve KDS'nin kendisi hakkında net bir kullanıcı bilgisi eksikliği olması durumunda, KDS, çalışılan alandaki deneyimli kullanıcılar veya uzmanların rehberliğinde simülatör olarak kullanılabilir.

DSS arayüzünün iyileştirilmesi, belirtilen üç bileşenin her birinin geliştirilmesindeki başarı ile belirlenir.

Kullanılan arayüzün etkinliğinin önemli bir ölçüsü, kullanıcı ve sistem arasında seçilen diyalog şeklidir. Şu anda, aşağıdaki diyalog biçimleri en yaygın olanlarıdır: bilgisayar tarafından önerilen ifadelerde istek-yanıt modu, komut modu, menü modu ve boşluk doldurma modu. Görevin türüne, kullanıcı özelliklerine ve alınan karara bağlı olarak her formun kendi avantajları ve dezavantajları olabilir.

DSS arayüzü aşağıdaki yeteneklere sahip olmalıdır:

Çeşitli diyalog biçimlerini manipüle edin, bunları kullanıcının tercihine göre karar verme sürecinde değiştirin;

Verileri çeşitli yollarla sisteme aktarın;

Sistemin çeşitli cihazlarından farklı bir biçimde veri alın;

Kullanıcı bilgisini esnek bir şekilde koruyun (istek üzerine yardım sağlayın, hızlı olun).

Kullanıcının bakış açısından DSS için operasyonel gereksinimler.

Aşağıdaki gereksinimlerin ilk üçü, karar verici tarafından çözülmekte olan problemin türü ile ilgilidir. Gerisi kendisine sağlanan yardımın türü ile ilgilidir.

1. KDS, karar yardımı sağlamalı ve özellikle yapılandırılmamış ve zayıf yapılandırılmış görevleri çözmede etkili olmalıdır. Bu, çözümünde EDMS, IMS ve operasyonel araştırma modellerinin kullanımının genellikle sonuç vermediği görevleri ifade eder.

2. KDS, tüm seviyelerdeki yöneticiler tarafından karar alınmasında ve ayrıca çeşitli yönetim seviyelerinin katılımını gerektiren kararların koordinasyonunda yardım sağlamalıdır.

3. KDS, hem bireysel hem de toplu kararların alınmasında yardım sağlamalıdır. Bu, sorumluluğun birkaç yönetici veya bir grup çalışan arasında bölündüğü çözümleri ifade eder.

4. KDS, karar verme sürecinin tüm aşamalarında yardım sağlamalıdır. Aşağıda gösterileceği gibi, eğer problemi inceleme ve veri toplama aşamalarında, KDS yalnızca ek yardım sağlarsa (ana katkı MIS'in kullanılmasıyla sağlanır), daha sonra tüm sonraki aşamalarda (karar verme aşaması hariç) ), DSS tarafından sağlanan yardım yaygındır.

5. Çeşitli kararların alınmasında yardım sağlayan KDS, bunların hiçbirine güvenemez.

6. KDS'yi kullanmak kolay olmalıdır. Bu, sistemin görevlerin türü, organizasyonel ortamın ve kullanıcının özellikleri ile ilgili yüksek uyarlanabilirliği ve aynı zamanda kolay bir arayüz ile sağlanır.

Grup DSS'si

Yukarıda DSS hakkında söylenen her şey öncelikle bireysel çözümlerin desteklenmesi ile ilgiliydi. Ancak, yönetici nadiren tek başına bir karar verir. Yönetim kurulları, bilimsel ve teknik konseyler, tasarım ekipleri, sorun komisyonları - bu, karar vermede kolektif yaklaşım örneklerinin tam listesi değildir. Grup DSS (Grup DSS), kötü yapılandırılmış sorunları çözmede çalışan gruplarına destek sağlamak için tasarlanmış etkileşimli bilgisayar sistemleridir.

Grup kararı vermek, bireysel karar vermekten daha zordur çünkü farklı bireysel bakış açılarını uzlaştırma ihtiyacını içerir. Bu nedenle, GSPPR'nin ana görevi, çalışma ekibindeki iletişimi geliştirmektir. İyileştirilmiş iletişim, çalışma süresinde tasarruf sağlar, bu da soruna daha derin bir bakış açısı sağlamak ve çözümüne daha olası alternatifler geliştirmek için kullanılabilir. Daha fazla alternatifi değerlendirmek, daha bilinçli bir karara yol açar.

Grup karar vermenin önemi, bir yandan kronik grup iletişim kusurları (bkz. Bölüm 2) ve bunlarla başa çıkmak için sınırlı fırsatlar, diğer yandan grup kararlarını desteklemek için özel bilgi teknolojisinin yaratılmasına yol açtı.

Bu teknolojinin çoğu, çalışanlar arasındaki iletişimi geliştiren Ofis Otomasyon Sistemleri (CAO) 1 aracılığıyla uygulanmaktadır. GSNPR özelleştirilebilir (yalnızca bir tür sorunu çözmek için uyarlanabilir) veya evrensel olabilir (çok çeşitli sorunları çözmek için tasarlanabilir). Birçok GSSPR, grup iletişiminde (çatışma durumlarının ortaya çıkması, grup düşüncesi vb.) olumsuz eğilimlerin gelişmesini engelleyen yerleşik bir yazılım mekanizması içerir.

GSSPR'nin yapısı. GSSPR, donanım ve yazılımın yanı sıra prosedürleri ve personeli içerir (bkz. Şekil 4.7).

Pirinç. 4.7. Grup karar destek sisteminin yapısı

Bu bileşenler, ekip üyelerine sorunları tartışırken iletişim ve diğer desteği sağlar. Sistemle çalışma sürecinde ekip üyeleri veri tabanına, model veri tabanına ve çeşitli uygulamalara sürekli erişime sahiptir. Grup yöneticisi, grubun çalışması için gerekli prosedürleri seçmekten sorumludur. Grubun yöneticisi ve üyeleri bir diyaloga girme fırsatına sahiptir.

Teknik Destek. GSPPR genellikle aşağıdaki donanım yapılandırmalarından birini kullanır:

1. Tek bilgisayar. Bu durumda, tüm katılımcılar tek bir bilgisayar etrafında toplanır ve çözüme ulaşana kadar monitör ekranında görünen soruları sırayla yanıtlar. Böyle bir konfigürasyonun kullanılması sadece eğitim amaçlı tavsiye edilir.

2. Bir bilgisayar veya terminal ağı. Her katılımcı, bilgisayarın veya terminalinin başındadır ve sistemin merkezi işlemcisi ile diyalog kurma fırsatına sahiptir.

3. Karar verme alanı. Bu GMPP yapılandırmasının merkezinde, bilgisayar konferansı adı verilen ve bölüm 4.4'te açıklanan CAO1 uygulaması yer alır. Karar odası, sistem yöneticisini çalıştıran bir sunucu ile yerel bir bilgisayar ağı içerir. Ayrıca, grubun tüm üyelerinin gerekli bilgileri (bireysel ve toplu) göstermesine izin veren ortak bir ekran ile donatılmıştır.

Yazılım. GSPPR yazılımı bir veri tabanı, bir model veri tabanı ve özel uygulama programları içerir. Kullanıcıların bireysel ve grup çalışmasına ve ayrıca grup karar alma prosedürlerinin yürütülmesine olanak sağlar. Bu nedenle, grup çalışması açısından, SSSPR'nin yazılımı izin verir

Grup üyelerinin tekliflerinin ve oylama sonuçlarının sayısal ve grafiksel bir toplamını gerçekleştirin;

Çözüm alternatiflerinin ağırlıklarını hesaplayın, alınan tekliflerin isimsiz kaydını yapın, bir grup lideri seçin, fikir birliği oluşturma prosedürleri oluşturun, grup iletişiminde olumsuz eğilimlerin gelişmesini önleyin;

Grup üyeleri arasında, grup üyeleri ile grup yöneticisi arasında ve ayrıca grup üyeleri ile GSSPR'nin merkezi işlemcisi arasında metin ve sayısal verileri aktarın.

Personel. Bu GMPP bileşeni, tüm ekip üyelerini ve her ekip toplantısında bulunan ve sistem donanımından ve tartışma prosedürlerindeki değişikliğin yönetiminden sorumlu olan bir kolaylaştırıcıyı içerir.

Pooyedoy. Prosedürler, görüş alışverişinin amaçlılığının, fikir birliğine varmanın nesnelliğinin ve sistemin yazılım ve donanımının kullanımının etkinliğinin sağlandığı GSSPR'nin gerekli bir bileşenidir.

GSPPR tarafından sağlanan destek. GSPPR'nin çalışmasını analiz etmek için, bu sistemler tarafından sağlanan üç destek aracı düzeyini ayırt ediyoruz:

Seviye 1. İletişim desteği

Seviye 2. Karar desteği

Seviye 3. Oyunun kuralları için destek

Seviye 1. İletişim desteği. Bu düzeyde, GSSPR, CAO'nun ve özel programların yeteneklerini kullanarak aşağıdaki destek türlerini sağlayabilir:

Grup üyeleri arasında e-posta yoluyla mesajların aktarılması;

Grubun tüm üyeleri tarafından görülebilen ve her işyerinden erişilebilen ortak bir ekran oluşturulması;

Fikirlerin (tekliflerin) isimsiz girişi ve isimsiz değerlendirilmesi (sıralama) olasılığı;

Tartışmadan (önergelerin ilk ve nihai listesi, oylama sonuçları, vb.) kaynaklanan tüm çıktı bilgilerinin genel ekranına (veya her işyerinin monitörüne) verilmesi;

Tartışma gündeminin oluşturulması.

Seviye 2. Karar desteği. Bu düzeyde, karar vermenin modellenmesi ve analizi için yazılım araçlarını kullanan GSPPR, aşağıdaki destek türlerini sağlayabilir:

Planlama ve finansal modelleme;

Karar ağaçlarının kullanılması;

Olasılık modellerini kullanma;

Kaynak tahsis modellerini kullanma.

Seviye 3. Oyunun kuralları için destek. Bu düzeyde, GSSPR, grup prosedürlerini yürütmek için belirlenmiş kurallara uymak için özel yazılım araçları kullanır (örneğin, konuşmaların sırasını ve oylama kurallarını belirlemek, şu anda soruların kabul edilebilirliği vb.).

bir) . Toplantı başlamadan önce grup lideri, grubun çalışmasını planlamak, yazılımı seçmek ve gündemi ana hatlarıyla belirlemek için grup lideriyle görüşür.

2). Grubun çalışması, liderinin gruba bir soruyu veya sorunu çözmesini önermesiyle başlar.

3). Ardından katılımcılar, herkesin kullanımına sunulan klavyeden cevaplarını girerler. Katılımcılar yapılan tüm önerileri okuduktan sonra onlara (olumlu veya olumsuz) yorumlarda bulunurlar.

4) . Organizatör, teklif genelleme programını kullanarak, sunulan tekliflerdeki genel terimleri, konuları ve fikirleri arar ve bunlardan tüm katılımcılara iletilen yorumlarla birlikte birkaç genelleştirilmiş cümle oluşturur.

5) . Lider, genelleştirilmiş cümleler (sözlü veya elektronik) hakkında bir tartışma başlatır. Bu aşamada, özel programlar yardımıyla, tartışılan tekliflerin sıralaması (önceliklerin atanması) gerçekleşir.

6). En iyi beş veya on cümle için, bunları belirlemek ve daha fazla değerlendirmek amacıyla yeni bir tartışma başlar.

7). Süreç (tekliflerin geliştirilmesi, genelleştirilmesi ve sıralanması) tekrarlanır veya nihai oylama ile sona erer. Bu aşamada, seçilen genelleştirilmiş cümleler hakkında bir yorum sağlayan “son yorum” adı verilen özel bir program kullanılır.

FİNANSAL PLANLAMA İÇİN SPRES İNŞA EDİLMESİ VE KULLANILMASI

Açıklanan örnek, Batı bankalarından birinde meydana gelen gerçek olaylara dayanmaktadır.

Bir sonraki mali yılın sonunda, kârlarında önemli bir düşüş keşfeden banka kendini tehlikede hissetti. Ortaya çıkan durumun analizi, olağan yönetim faaliyetlerinin ötesine geçti.

Bu banka, kredi kartlarını ve bilgisayarlı muhasebe sistemini ilk uygulayan bankalardan biri olmasına rağmen, kredi politikasının uygulanması hala manuel olarak gerçekleştiriliyordu.

Yeni bir bilgisayar sistemi oluşturmaya karar verildi finansal planlama, analiz ve tahmin gerçekleştiren ve ayrıca bankada halihazırda mevcut olan muhasebe işlemlerini işlemek için sistemden gelen verilerin kullanımına dayalı raporlar üreten . Aynı zamanda, analiz, bankanın kendi varlıklarının ve ödünç alınan fonların oranını değerlendiren ana göstergelerdeki değişim dinamiklerinin kapsamıyla da ilgilidir. Tahminin iki sabit dönem için yapılması gerekiyordu: 12 ay ve 5 yıl.

Finansal Planlama Sistemi (FSP) aşağıdaki üç alanda kullanılmıştır:

Her ayın başında bankanın bir önceki aya ilişkin faaliyetleri hakkında bir rapor düzenlenirken;

Her ay - özel güncel sorunları çözmek ve stratejik planlar geliştirmek için;

Her takvim yılının sonunda - yıllık bütçe belgelerinin geliştirilmesi için.

Görülmesi kolay olduğu gibi, muhasebe hesaplamaları için bankada halihazırda mevcut olan muhasebe bilgi sisteminden (merkezi bir EDMS idi) farklı olarak, yeni oluşturulan SFP, bu sistemlerin aşağıdaki gibi standart fonksiyonlarını koruyan bir DSS'dir.

Herhangi bir zamanda verilere erişim;

Periyodik yönetim raporları düzenleyerek karar desteği;

Alternatifleri ve stratejileri değerlendirmek için matematiksel tahmin modellerini kullanmak;

Diyalog modunda çalışma yeteneğinin sağlanması (finansal piyasalarda koşullar ve koşullar değiştiğinde hedefleri ve kısıtlamaları değiştirme yeteneği).

Veri. Elde edilen veriler, her ay aylık olarak son üç yıla, üçer aylık olarak ise yedi buçuk yıla ait geriye dönük bilgileri içeren veri tabanlarına kaydedilmektedir. Ayrıca veritabanları, sonraki 12 aylık dönemler için elde edilen tahmin bilgilerini içerir.

Raporlar ve analizler. Her ay, finansal planlama sistemi, bilanço, gelir tablosu ve temel iş göstergelerine ilişkin raporlar dahil olmak üzere eksiksiz bir finansal belgeler seti yayınlar. Elde edilen aylık veriler, bir önceki yılda elde edilen tahmin sonuçları, bütçe ve benzeri verilerle karşılaştırılır. Buna ek olarak, sistem bankanın faaliyetlerinin özellikle gergin (kritik) yönleri hakkında periyodik raporlar, örneğin oranların oranı ve faiz ödemelerinin hacimleri hakkında bir rapor yayınlar.

tahmin. Yukarıdaki raporların tümü, sonraki 12 ayın her biri için sistem tarafından düzenlenebilir. Bu raporlar için açıklayıcı değişkenler doğrudan kullanıcılar tarafından girilebilir veya stratejik nedenlerle otomatik olarak oluşturulabilir. Gerekirse burada sistem modellerinin tabanında bulunan optimizasyon modellerini kullanabilirsiniz. Tahmin, her ayın başında verilerin sürekli olarak yeniden değerlendirilmesiyle, gelecek 12 ayı sürekli olarak kapsayan "yuvarlanır".

Avantajlar TFP'nin uygulamaya konulması, aşağıdaki faktörler nedeniyle bankanın kârlılığında artışa yol açmıştır:

Likidite ve öz sermaye ve borç sermaye oranı da dahil olmak üzere bilançonun en önemli göstergelerini yönetmek için bir mekanizma oluşturmak;

Stratejik planlama düzeyinde koordinasyon ve karar verme için bir temel oluşturulması;

Üst yönetimin değişen düzenlemelere, piyasa koşullarına ve iç bankacılığa hızlı yanıt vermesini sağlamak

koşullar;

Periyodik yönetim oluşturma maliyetini azaltmak

Kendi kendine test soruları

1. Banka yönetimini TFV'yi oluşturmaya sevk eden durumu açıklayınız.

2. TFP'nin tanıtılmasının faydaları nelerdir?

3. Ne tür bir IP'ye ait olduğunu doğrulayarak TFP'nin bileşenlerini tanımlayın.

3). DSS, kullanıcı ve sistem arasındaki diyaloğu yönetme ve veri ve modelleri yönetme yeteneğine sahiptir.

Yüksek Mesleki Eğitim Federal Devlet Bütçe Eğitim Kurumu

"RUSYA HALK EKONOMİSİ AKADEMİSİ

VE KAMU HİZMETİ

RUSYA FEDERASYONU BAŞKANI altında "

Kuzeybatı Yönetim Enstitüsü

Fakülte: Devlet ve Belediye Yönetimi

Departman: Genel Yönetim ve Lojistik

ders çalışması

"Karar Destek Sistemleri"

3. sınıf öğrencisi

Tam zamanlı eğitim

Fetiskin Ivan Yurievich

iş yöneticisi

Doçent, Filoloji Adayı

Mysin Nikolay Vasilievich

St.Petersburg 2015

Tanıtım

Bölüm 1. Karar destek sistemlerinin teorik yönleri ve kavramları

1 Karar destek sisteminin tanımı, işlevleri

2 Karar destek sistemlerinin yapısı

3 Veri ambarları

4 OLAP teknolojileri

5 Veri madenciliği

6 Karar destek sistemlerinin sınıflandırılması

7 Uygulama

8 KDS Pazarı

9 Karar Destek Sistemi Değerlendirmesi (KDS)

Bölüm 2 Rusya Merkez Bankası'nın bölge ofisleri örneği ile DSS'nin uygulanmasına ilişkin uygulama

1 Çalışmanın amaç ve hedeflerinin formülasyonu, araştırılan nesnenin özellikleri

2 Genel bakış ve iş tanımı

2.1 Rusya Merkez Bankası'nın bölge ofislerinin faaliyetlerinin yönetiminde bir KDS'nin geliştirilmesi

2.2 İşlevsel alt sistemlerin tanımı

2.3 Metodolojik ve araçsal çözümleri uygulayan TU düzeyinde bir KDS'nin geliştirilmesi

3 Bu KDS'nin uygulanmasının sonuçları ve sonuçları

Çözüm

bibliyografya

Tanıtım

Gelişen piyasa ilişkileri, yönetimin ademi merkezileşmesi, bilginin hızla eskimesi, modern bir lider için yüksek gereksinimleri belirler. Yönetim hükümlerinin bilgi ve becerikli kullanımı, yöneticinin işini büyük ölçüde kolaylaştırır, öncelikleri belirlemesine ve işi sistematik hale getirmesine yardımcı olur. Organizasyon yapıları, tüm yönetim faaliyetlerinin üzerine inşa edildiği temel olarak hizmet eder.

Kuruluşlar, kendi bölümlerinin ve çalışanlarının faaliyetlerinin koordinasyonunu ve kontrolünü sağlamak için yapılar oluşturur. Örgütlerin yapıları karmaşıklık (yani, faaliyetlerin farklı işlevlere bölünme derecesi), resmileşme (yani, önceden belirlenmiş kuralların ve prosedürlerin kullanım derecesi), merkezileşme ve ademi merkeziyetçilik oranı ( yani, yönetim çözümlerinin hangi seviyelerde olduğu).

Organizasyonlardaki yapısal ilişkiler, birçok araştırmacı ve liderin odak noktasıdır. Hedeflere etkin bir şekilde ulaşmak için işin yapısını, departmanları ve fonksiyonel birimleri anlamak gerekir. İşin ve insanların organizasyonu, çalışanların davranışlarını büyük ölçüde etkiler. Yapısal ve davranışsal ilişkiler, sırayla, organizasyonun amaçlarını oluşturmaya yardımcı olur, çalışanların tutum ve davranışlarını etkiler. Kuruluşlarda faaliyetlerin temel öğelerini ve bunlar arasındaki ilişkileri sağlamak için yapılandırılmış bir yaklaşım kullanılır. İş bölümünün kullanımını, kontrolün kapsamını, ademi merkeziyetçiliği ve bölümlendirmeyi içerir.

Modern üretimin ve toplumsal yapının dinamizmi koşullarında, yönetim bir devlet içinde olmalıdır. Sürekli gelişim Günümüzde bu gelişmenin yolları ve olanakları araştırılmadan, alternatif yönler seçilmeden sağlanamaz. Yönetim araştırması, yöneticilerin ve personelin günlük faaliyetlerinde ve uzmanlaşmış analitik grupların, laboratuvarların, bölümlerin çalışmalarında gerçekleştirilir. Yönetim sistemleri üzerine araştırma ihtiyacı, birçok organizasyonun yüzleşmek zorunda olduğu oldukça geniş bir problem yelpazesi tarafından belirlenir. Bu kuruluşların çalışmalarının başarısı, bu sorunların doğru çözümüne bağlıdır.

Yönetimin örgütsel yapısı, hedefler, işlevler, yönetim süreci, yöneticilerin çalışmaları ve aralarındaki yetki dağılımı ile yakından ilişkili, yönetimin anahtar kavramlarından biridir. Bu yapı içinde, tüm düzeylerdeki, kategorilerdeki ve profesyonel uzmanlıklardaki yöneticilerin katıldığı tüm yönetim süreci (bilgi akışlarının hareketi ve yönetim karar verme) gerçekleşir. Yapı, içinde meydana gelen tüm süreçlerin zamanında ve verimli bir şekilde yürütülmesi için inşa edilmiş bir yönetim sistemi binasının çerçevesine benzetilebilir.

Organizasyon yapısındaki, işleyiş özelliklerindeki farklılıklar, üzerinde çok önemli bir iz bırakmaktadır. Yönetim aktiviteleri ve bazı durumlarda bunun üzerinde belirleyici bir etkiye sahiptir. Ek olarak, liderin faaliyetleri, psikolojik özellikleri sadece örgütsel yapının türüne değil, aynı zamanda bu yapıdaki hiyerarşik yerine de bağlıdır, bu da aslında bu dersin konusunu en alakalı hale getirir.

Örgütsel yönetim yapılarının bilimsel olarak temellendirilmiş oluşumu, ticari varlıkların piyasa ekonomisine adaptasyonunun modern aşamasının acil bir görevidir. Modern koşullarda, sistematik bir yaklaşıma dayalı bir yönetim organizasyonu tasarlamanın ilke ve yöntemlerini yaygın olarak kullanmak gerekir.

BU DERSİN AMACI ÇALIŞMA, bir organizasyonun yönetim yapısındaki hiyerarşi ilkesini keşfetmektir.

Bu amaca ulaşmak için çalışmada aşağıdaki görevler belirlenmiştir:

örgütsel yapıların inşasının özü ve ilkeleri, bunların sınıflandırılması ve tarihsel gelişim aşamalarının incelenmesi;

örgütsel yapıların oluşturulmasının özü ve ilkelerinin incelenmesi;

organizasyonel değişim için bir strateji oluşturmak.

ARAŞTIRMA YÖNTEMLERİ: analitik, grafik.

Bu çalışmayı yazmak için, süreç yönetimi, yönetimsel kararların benimsenmesini destekleyecek sistemlerin oluşturulması konularına ayrılmış yerli ve yabancı yazarların bilimsel çalışmaları ve gelişmelerinden yararlanılmıştır. Çalışma, Rus ve yabancı basında yayınlanan ve ayrıca özel profesyonel İnternet sitelerinde sunulan materyaller kullandı.

Bölüm 1. Karar destek sistemlerinin teorik yönleri ve kavramları

1 Karar destek sisteminin tanımı, işlevleri

Kentin gelişiminin strateji ve taktikleri konusunda alınan kararların dikkatlice düşünülmesi ve gerekçelendirilmesi gerektiği açıktır. Bu, özellikle sosyo-ekonomik sistemlerde önemlidir, çünkü alınan kararlar yaşayan insanlar, onların maddi ve manevi durumları ile ilgilidir. Bununla birlikte, bugün belediye başkanının, şehir yönetiminin ve komitelerin kararları liderlerin deneyim ve sezgilerine dayanmaktadır. Ancak sosyo-ekonomik sistemler karmaşıktır ve genellikle ilk bakışta belirgin olmayan çok sayıda doğrudan ve geri bildirim bağlantısının varlığından dolayı davranışlarını tahmin etmek zordur. İnsan beyni bu boyuttaki bir görevle başa çıkamaz, bu nedenle karar verme için bilgi ve analitik destek sağlamak gerekir. Son yıllarda, yönetimsel iş - karar destek sistemlerinin otomasyonu alanında yeni bir yön oluşturulmuş ve aktif olarak kullanılmaktadır. Çok çeşitli endüstrilerde başarıyla kullanılmaktadırlar: telekomünikasyon, finans, ticaret, endüstri, tıp ve diğerleri.

Karar destek sistemleri (DSS) kavramı, rasyonel ve etkili yönetim kararlarının benimsenmesini kolaylaştırmak için ortak bir hedefle birleştirilen bir dizi araç içerir.

Karar destek sistemi (DSS), amacı, zor koşullarda karar veren kişilere, konu etkinliğinin eksiksiz ve nesnel bir analizi için yardımcı olmak olan bir bilgisayar otomatik sistemidir. Karar kurallarını ve ilgili veritabanı modellerini ve ayrıca etkileşimli bir bilgisayar simülasyon sürecini kullanan etkileşimli bir sistemdir.

KDS, yönetim bilgi sistemleri ile veri tabanı yönetim sistemlerinin birleşmesi sonucu ortaya çıkmıştır. KDS, karar vericilerin yapılandırılmamış ve yetersiz biçimlendirilmiş sorunları analiz etmek ve çözmek için verileri, bilgileri, nesnel ve öznel modelleri kullanmalarına izin veren insan-makine sistemleridir.

Karar verme süreci, tüm sonuçların yanlış hesaplanmasını dikkate alarak en uygun alternatifin alınması ve seçilmesidir. Alternatifleri seçerken, belirlenen hedefi en tam olarak karşılayanı seçmek gerekir, ancak aynı zamanda çok sayıda çelişkili gereksinimi dikkate almak ve bu nedenle seçilen çözüm seçeneğini birçok kişiye göre değerlendirmek gerekir. kriterler.

Karar destek sistemi, karmaşık bir bilgi ortamında çok kriterli kararları desteklemek için tasarlanmıştır. Aynı zamanda çok kriterli, alınan kararların sonuçlarının tek tek değil, aynı anda ele alınan birçok gösterge (kriter) tarafından değerlendirilmesi olarak anlaşılmaktadır. Bilgi karmaşıklığı, modern bilgisayar teknolojisinin yardımı olmadan işlenmesi neredeyse imkansız olan büyük miktarda veriyi hesaba katma ihtiyacı ile belirlenir. Bu koşullar altında, bir kural olarak, olası çözümlerin sayısı çok fazladır ve kapsamlı bir analiz olmaksızın "gözle" en iyisinin seçimi, büyük hatalara yol açabilir.

Ayrıca DSS, işletme yöneticilerinin çalışmalarını kolaylaştırmaya ve verimliliğini artırmaya olanak tanır. İş sorunlarının çözümünü büyük ölçüde hızlandırırlar. DSS kişilerarası iletişim kurmaya yardımcı olur. Onların temelinde, eğitim ve öğretim yapabilirsiniz. Bu bilgi sistemleri, kuruluşun faaliyetleri üzerindeki kontrolü artırmanıza izin verir. İyi işleyen bir DSS'ye sahip olmak, rakip yapılara göre büyük avantajlar sağlar. DSS tarafından öne sürülen öneriler sayesinde, günlük ve standart dışı görevlerin çözümüne yönelik yeni yaklaşımlar açılıyor.

DSS, aşağıdaki ayırt edici özelliklerle karakterize edilir:

· özellikle yüksek düzeyde yönetim için tipik olan, kötü yapılandırılmış (resmileştirilmiş) görevleri çözmeye odaklanmak;

· bilgisayar verilerine geleneksel erişim ve işleme yöntemlerini matematiksel modellerin yetenekleri ve bunlara dayalı problemleri çözme yöntemleri ile birleştirme yeteneği;

· etkileşimli bir çalışma modu kullanarak bir bilgisayarın profesyonel olmayan son kullanıcısına odaklanmak;

· yüksek uyarlanabilirlik, mevcut donanım ve yazılımın özelliklerine ve ayrıca kullanıcının gereksinimlerine uyum sağlama yeteneği sağlar.

Karar destek sistemi iki ana görevi çözer:

.olası birçok çözüm arasından en iyi çözümü seçme (optimizasyon);

2.olası çözümlerin tercihe göre sıralanması (sıralama).

KDS'de önerileri analiz etmek ve geliştirmek için çeşitli yöntemler kullanılmaktadır. Olabilir:

· bilgi arama,

· veri madenciliği,

· veritabanlarında bilgi aramak,

· emsallere dayalı muhakeme,

· simülasyon modelleme,

· evrimsel hesaplama ve genetik algoritmalar,

· nöral ağlar,

· durum analizi,

· bilişsel modelleme vb.

Bu tekniklerin birçoğu yapay zeka çerçevesinde geliştirilmiştir. DSS'nin çalışması yapay zeka yöntemlerine dayanıyorsa, akıllı bir DSS veya IDSS'den bahsederler.

DSS'ye yakın sistem sınıfları, uzman sistemler ve otomatik kontrol sistemleridir.

Sistem, şirketin kimlik bilgilerine dayalı olarak operasyonel ve stratejik yönetim görevlerini çözmenize olanak tanır.

Karar destek sistemi, kurumun kendi geliştirmelerinden ve satın alınan yazılım ürünlerinden (Oracle, IBM, Cognos) oluşan veri analizi, modelleme, tahmin ve yönetim kararları için bir dizi yazılım aracıdır.

İlk karar destek sistemlerinin geliştirilmesinde teorik araştırma, XX yüzyılın 50'li yılların sonlarında ve 60'lı yılların başlarında Carnegie Teknoloji Enstitüsü'nde gerçekleştirildi. Massachusetts Teknoloji Enstitüsü'nden uzmanlar, 60'larda teori ile pratiği birleştirmeyi başardılar. XX yüzyılın ortalarında ve 80'li yılların sonlarında EIS, GDSS, ODSS gibi sistemler ortaya çıkmaya başladı. 1987'de Texas Instruments, United Airlines için Kapı Atama Görüntüleme Sistemini geliştirdi. Bu, uçuşlardan kaynaklanan kayıpları önemli ölçüde azaltmayı ve International Airport O'dan çeşitli havalimanlarının yönetimini düzenlemeyi mümkün kıldı. Chicago'da Hare ve Denver, Colorado'daki Stapleton'da sona eriyor. 90'lı yıllarda, veri ambarlarının ve OLAP araçlarının tanıtılmasıyla DSS yeteneklerinin kapsamı genişledi. Yeni raporlama teknolojilerinin ortaya çıkması KDS'yi yönetimde vazgeçilmez hale getirmiştir.

1.2 KDS'nin Yapısı

DSS'nin yapısı hakkında konuşursak, dört ana bileşen vardır:

· Bilgi veri ambarları. Veri ambarı, bir şirketin üretim süreci hakkında tarihsel bir bağlamda bilgi içeren belirli bir yapıya sahip bir veri bankasıdır. Mağazanın temel amacı, keyfi analitik sorguların hızlı bir şekilde yürütülmesini sağlamaktır. (Veri ambarları hakkında daha fazla ayrıntı için Bölüm 1, Bölüm 1.3'e bakın.)

· Çok boyutlu veritabanı ve analiz araçları OLAP (Çevrimiçi Analitik İşleme) - hizmet, büyük miktarda veriyi gerçek zamanlı olarak analiz etmek için bir araçtır. (Detaylı olarak Bölüm 1, paragraf 1.4'te)

· Veri Madenciliği Araçları. Veri madenciliği araçlarının yardımıyla derin veri keşfi yapabilirsiniz. (Daha fazla ayrıntı için bkz. bölüm 1.5, Bölüm 1.)

KDS, araştırma, uzman ve akıllı sistemler için uygun bilgi desteğine sahip, yönetim problemlerini çözme deneyimini içeren ve bir uzman ekibinin rasyonel kararlar geliştirme sürecine katılımını sağlayan birbiriyle ilişkili bir dizi modele dayanmaktadır.

Aşağıdaki Şekil 1, bilgi ve analitik karar desteğinin mimari ve teknolojik bir diyagramıdır:

Şekil 1 DSS'nin mimari ve teknolojik şeması

DSS analitik sistemleri, üç ana görevi çözmenize olanak tanır:

.muhasebe,

.gerçek zamanlı bilgi analizi (OLAP),

.veri madenciliği.

3 Veri ambarları

Karar vermenin, kontrol nesnesi hakkındaki gerçek verilere dayanması gerektiği açıktır. Bu bilgiler genellikle OLTP sistemlerinin çevrimiçi veri tabanlarında saklanır. Bununla birlikte, bu istihbarat analiz amaçları için uygun değildir, çünkü toplu bilgi esas olarak analiz ve stratejik karar verme için gereklidir. Ayrıca, performans ve teknolojik karmaşıklık nedeniyle operasyonel veriler üzerinde uygulanması zor olan bilgiyi hızlı bir şekilde manipüle edebilmek, çeşitli yönleriyle sunabilmek, çeşitli ad hoc sorgular yapabilmek için analiz amaçları için gereklidir.

Bu sorunun çözümü, aşağıdakileri içeren ayrı bir veri ambarı (DW) oluşturmaktır. toplu bilgi uygun bir şekilde. Bir veri ambarı oluşturmanın amacı, bir bütün olarak kontrol nesnesinin tek bir tutarlı görünümünü oluşturmak için heterojen kaynaklardan gelen operasyonel verileri entegre etmek, güncellemek ve uzlaştırmaktır. Aynı zamanda, veri ambarları kavramı, işlemsel işleme için kullanılan veri kümeleri ile karar destek sistemlerinde kullanılan veri kümelerini ayırma ihtiyacının tanınmasına dayanmaktadır. Bu tür bir bölünme, çeşitli veri işleme sistemlerinde (DDS) ve dış kaynaklarda ayrıştırılan ayrıntılı verilerin tek bir havuza, bunların koordinasyonuna ve muhtemelen birleştirilmesine entegre edilmesiyle mümkündür.

DSS veri ambarlarının ana avantajlarına dikkat edilmelidir:

· Tek bilgi kaynağı: şirket, havuzun oluşturulduğu konu alanında tüm referans ve analitik uygulamaların oluşturulacağı doğrulanmış tek bir bilgi ortamı alır. Bu ortam, analitik sistemlerin oluşturulmasını ve bakımını kolaylaştıracak tek bir arayüze, birleşik depolama yapılarına, ortak referansa ve diğer kurumsal standartlara sahip olacaktır.

· Ayrıca bir bilgi veri ambarı tasarlanırken, veri ambarına giren bilgilerin güvenilirliğine özel önem verilir.

· Performans: Veri ambarının fiziksel yapıları, tamamen rastgele örnekler gerçekleştirmek için özel olarak optimize edilmiştir, bu da gerçekten hızlı sorgulama sistemleri oluşturmanıza olanak tanır.

· Geliştirme hızı: Deponun belirli mantıksal organizasyonu ve mevcut özel yazılım, minimum programlama maliyetleriyle analitik sistemler oluşturmanıza olanak tanır.

· Entegrasyon: Farklı kaynaklardan gelen verilerin entegrasyonu zaten yapılmıştır, bu nedenle birkaç kaynaktan bilgi gerektiren sorgular için her seferinde bir veri bağlantısı yapılmasına gerek yoktur. Entegrasyon, yalnızca verilerin ortak fiziksel olarak depolanması değil, aynı zamanda bunların konusu, koordineli birliği anlamına gelir; oluşumları sırasında temizlik ve uzlaşma; teknolojik özelliklere uygunluk vb.

· Tarihsellik ve kararlılık: OLTP sistemleri, kullanım ve depolama süresi genellikle mevcut iş döneminin değerini (altı aydan bir yıla kadar) aşmayan güncel verilerle çalışır, veri ambarı ise uzun süreli amaçlar için kullanılır. - 10-15 yıl süreyle bilgilerin saklanması. Kararlılık, veri ambarındaki gerçek bilgilerin güncellenmemesi veya silinmemesi, yalnızca iş özelliklerindeki değişikliklere özel olarak uyarlanması anlamına gelir. Böylece bilginin tarihsel bir analizini yapmak mümkün hale gelir.

· Bağımsızlık: adanmış bilgi depolama, analitik uygulamalardan OLTP sistemleri üzerindeki yükü önemli ölçüde azaltır, böylece mevcut sistemlerin performansı bozulmaz, ancak pratikte yanıt süresinde bir azalma ve sistem kullanılabilirliğinde bir iyileşme vardır.

Böylece veri ambarı aşağıdaki senaryoya göre çalışır. Belirtilen düzenlemelere göre, çeşitli kaynaklardan - operasyonel işleme sistemlerinin veritabanlarından - veri toplar. Depolama, kronolojiyi korur: mevcut, geçmiş verilerle birlikte, ilgili oldukları zamanın bir göstergesi ile birlikte saklanır. Sonuç olarak, kontrol nesnesi hakkında gerekli mevcut veriler tek bir yerde toplanır, tek bir formata getirilir, üzerinde anlaşmaya varılır ve bazı durumlarda gerekli minimum genelleme düzeyinde toplanır.

Ve veri ambarına dayalı olarak, yönetim için raporlar hazırlamak, OLAP teknolojilerini kullanarak verileri analiz etmek ve veri madenciliği yapmak zaten mümkün.

KDS raporlama hizmeti, bir kuruluşun, özellikle yayınlanan raporların sayısı çok olduğunda ve rapor formları sık sık değiştiğinde, her türlü bilgi raporu, referans, belge, özet sayfası vb. oluşturulmasıyla başa çıkmasına yardımcı olur. Raporların düzenlenmesini otomatikleştiren DSS araçları, depolamalarını elektronik forma aktarmalarına ve şirket çalışanları arasında kurumsal ağ üzerinden dağıtmalarına olanak tanır.

Büyük kurumsal veri ambarlarının yanı sıra Data Mart da yaygın olarak kullanılmaktadır. Bir veri marketi, belirli bir dar konu alanı için, bir iş konusuyla ilgili verilerin depolanmasına odaklanan küçük bir özel depolama olarak anlaşılır. Data mart oluşturma projesi daha az yatırım gerektirir ve çok kısa sürede tamamlanır. Bu tür birkaç veri marketi olabilir, örneğin şirketin muhasebe departmanı için bir gelir veri marketi ve bir şirketin pazarlama departmanı için bir müşteri data marketi.

1.4 OLAP teknolojileri

OLAP sistemi ile etkileşime girerek, kullanıcı esnek bilgi görüntüleme gerçekleştirebilecek, keyfi veri dilimleri elde edebilecek ve detaylandırma, evrişim, uçtan uca dağıtım, zaman içinde karşılaştırma gibi analitik işlemleri gerçekleştirebilecektir. OLAP sistemi ile yapılan tüm çalışmalar konu alanı bazında gerçekleşir. Çevrimiçi analitik işleme (OLAP) kavramı, verilerin çok boyutlu bir görünümüne dayanmaktadır.

OLAP terimi, 1993 yılında E. F. Codd tarafından ortaya atılmıştır. Yazısında, ilişkisel modelin eksikliklerini, öncelikle "verileri çok boyutlu bakış açısıyla, yani kurumsal analistler için en anlaşılır şekilde birleştirememe, görüntüleyememe ve analiz edememe" olarak ele almış ve genel olarak tanımlamıştır. ilişkisel VTYS'lerin işlevselliğini genişleten ve özelliklerinden biri olarak çok değişkenli analizi içeren OLAP sistemleri için gereksinimler.

Codd'a göre, çok boyutlu kavramsal görüş, yönetim nesnesindeki yönetim personelinin en doğal görüşüdür. Belirli veri kümelerinin analiz edilebildiği birden çok bağımsız boyuttan oluşan çoklu bir bakış açısıdır. Birden çok veri boyutunda eş zamanlı analiz, çok değişkenli analiz olarak tanımlanır. Her boyut, bir dizi ardışık toplama düzeyinden oluşan veri birleştirme yönergelerini içerir; burada her bir üst düzey, karşılık gelen boyut için daha yüksek düzeyde veri toplamaya karşılık gelir. Böylece Yüklenici boyutu, "işletme - departman - departman - çalışan" genelleme düzeylerinden oluşan konsolidasyon yönü ile belirlenebilir. Zaman boyutu iki konsolidasyon yönü bile içerebilir - Yıl - Çeyrek - Ay - Gün ve Hafta - Gün, çünkü aya ve haftaya göre zaman sayımı uyumsuzdur. Bu durumda, ölçümlerin her biri için istenen bilgi detay seviyesini keyfi olarak seçmek mümkün hale gelir. Sondaj işlemi, konsolidasyonun üst aşamalarından alt aşamalara doğru harekete tekabül eder; tersine, yuvarlama işlemi, daha düşük seviyelerden daha yüksek seviyelere geçmek anlamına gelir.

1.5 Veri Madenciliği

DSS'ye en büyük ilgi, sorunun en eksiksiz ve derin analizini gerçekleştirmenize, gizli ilişkileri keşfetmenize ve en bilinçli kararı vermenize olanak sağladığı için veri madenciliğidir. Bir süredir, donanım ve yazılımın modern gelişim düzeyi, farklı yönetim düzeylerinde operasyonel bilgi veritabanlarının yaygın olarak bakımını mümkün kılmıştır. Faaliyetleri sırasında endüstriyel işletmeler, şirketler, bölüm yapıları, organlar Devlet gücü ve yerel yönetimler büyük miktarda veri biriktirdi. Gizli eğilimleri belirlemenin, bir geliştirme stratejisi oluşturmanın ve yeni çözümler bulmanın mümkün olduğu, yararlı analitik bilgileri çıkarmak için kendi içlerinde büyük bir potansiyel depolarlar.

Veri madenciliği, IAD (Veri Madenciliği), verilerdeki gizli kalıpların (bilgi kalıplarının) aranmasına dayanan bir karar destek sürecidir. Bu durumda, biriken bilgiler otomatik olarak bilgi olarak nitelendirilebilecek bilgilere genelleştirilir.

Genel olarak, IAD süreci üç aşamadan oluşur:

.kalıpları tanımlama;

.bilinmeyen değerleri tahmin etmek için ortaya çıkan kalıpları kullanma (tahmini modelleme);

.bulunan kalıplardaki anormallikleri tanımlamak ve yorumlamak için tasarlanmış istisnaların analizi.

IAD'yi oluşturan yeni bilgisayar teknolojileri, uzman ve akıllı sistemler, yapay zeka yöntemleri, bilgi tabanları, veri tabanları, bilgisayar modelleme, sinir ağları, bulanık sistemlerdir. Modern IAD teknolojileri, yeni bilgi yaratmaya, gizli kalıpları ortaya çıkarmaya, sistemlerin gelecekteki durumunu tahmin etmeye izin verir. Bir şehrin sosyo-ekonomik gelişimini modellemenin ana yöntemi, deneysel bir yaklaşım kullanarak şehir sistemini keşfetmenizi sağlayan simülasyon yöntemidir. Bu, model üzerinde çeşitli geliştirme stratejileri oynamayı, alternatifleri karşılaştırmayı, belirsizlik unsurları da dahil olmak üzere birçok faktörün etkisini hesaba katmayı mümkün kılar.

Bu çalışmada oluşturulan model, tam da böyle bir sistem sınıfına aittir. Temel olarak, stratejik ve taktik düzeylerdeki yerel özyönetim organları, karmaşık bir sosyo-ekonomik kentsel sistemin gelişiminin dinamiklerini analiz etme, ilk bakışta açık olmayan karşılıklı ilişkileri belirleme, çeşitli alternatifleri karşılaştırma, anomalileri analiz etme ve en bilinçli kararı verin.

Yapay zeka ve bilgisayar modelleme, çeşitli simülasyon ve optimizasyon prosedürleri ile birlikte kombine karar verme yöntemlerinin kullanımı, uzman prosedürlerle birlikte karar verme umut vericidir.

1.6 DSS sınıflandırmaları

Kullanıcı etkileşimine göre, üç tür DSS vardır:

· pasif olanlar karar verme sürecine yardımcı olur, ancak belirli bir öneride bulunamazlar;

· aktif katılımcılar, doğru çözümün geliştirilmesine doğrudan dahil olurlar;

· işbirlikçi olanlar, DSS'nin kullanıcı ile etkileşimini içerir. Kullanıcı, sistem tarafından öne sürülen bir teklifi değiştirebilir, iyileştirebilir ve ardından doğrulama için sisteme geri gönderebilir. Bundan sonra, teklif tekrar kullanıcıya sunulur ve bu, kararı onaylayana kadar devam eder.

Destek yöntemiyle ayırt edilirler:

· model odaklı KDS, çalışmalarında istatistiksel, finansal veya diğer modellere erişimi kullanır;

· İletişime dayalı DSS, ortak bir görevle uğraşan iki veya daha fazla kullanıcının çalışmasını destekler;

· Veriye dayalı DSS, kuruluşun zaman serilerine erişime sahiptir. Çalışmalarında sadece dahili değil, aynı zamanda harici verileri de kullanırlar;

· Belge odaklı KDS'ler, çeşitli elektronik formatlarda bulunan yapılandırılmamış bilgileri manipüle eder;

· Bilgiye dayalı KDS, özel, gerçeklere dayalı sorun çözümleri sunar.

Kullanım kapsamına göre şunlar vardır:

· Sistem genelinde - büyük depolama sistemleriyle çalışırlar ve birçok kullanıcı tarafından kullanılırlar.

Mimari ve çalışma prensibi ile ayırt edilirler:

· İşlevsel DSS.

Mimari açısından en basit olanlardır. Kendilerine küresel hedefler belirlemeyen ve düşük düzeyde bilgi teknolojisi geliştirme düzeyine sahip kuruluşlarda yaygındırlar. İşlevsel DSS'nin ayırt edici bir özelliği, işletim sistemlerinin dosyalarında bulunan verilerin analiz edilmesidir. Bu tür DSS'lerin avantajları, tek bir platformun kullanılmasından kaynaklanan kompaktlık ve verileri özel bir sisteme yeniden yükleme ihtiyacının olmaması nedeniyle verimliliktir. Eksiklikler arasında şunlar sayılabilir: sistem kullanılarak çözülen sorunların aralığının daraltılması, bunları temizlemek için bir aşama olmaması nedeniyle veri kalitesinin düşürülmesi, üzerindeki yükün artması. işletim sistemi işini sona erdirme potansiyeli ile.

· Bağımsız veri marketlerini kullanan DSS.

Bilgi teknolojisi departmanları da dahil olmak üzere çeşitli departmanları olan büyük kuruluşlarda kullanılırlar. Her belirli veri pazarı, belirli sorunları çözmek için oluşturulur ve ayrı bir kullanıcı grubuna odaklanır. Bu, sistemin performansını büyük ölçüde artırır. Bu tür yapıları uygulamak oldukça basittir. Olumsuz tarafı, verilerin tekrar tekrar farklı vitrinlere girildiği, dolayısıyla çoğaltılabileceği belirtilebilir. Bu, bilgi depolama maliyetini arttırır ve birleştirme prosedürünü karmaşıklaştırır. Birden fazla kaynak kullanmanız gerektiğinden veri marketlerini doldurmak oldukça zordur. Nihai bir veri konsolidasyonu olmaması nedeniyle, kuruluşun işinin birleşik bir resmi yoktur.

· İki katmanlı veri depolamaya dayalı DSS.

Verileri konsolide edilen büyük şirketlerde kullanılır birleşik sistem... Bu durumda bilgi işleme tanımları ve yöntemleri birleştirilmiştir. Böyle bir KDS'nin normal çalışmasını sağlamak için, ona hizmet edecek uzman bir ekibin tahsis edilmesi gerekmektedir. Bu DSS mimarisi, öncekinin dezavantajlarından yoksundur, ancak bireysel kullanıcı grupları için verileri yapılandırma ve ayrıca bilgiye erişimi kısıtlama yeteneğine sahip değildir. Sistemin performansı ile ilgili zorluklar ortaya çıkabilir.

· Üç katmanlı bir veri ambarına dayalı DSS.

Bu tür KDS'ler, benzer sorunları çözen kullanıcı grupları tarafından kullanılan veri pazarlarının oluşturulduğu bir veri ambarı kullanır. Böylece hem belirli yapılandırılmış verilere hem de tek bir konsolide bilgiye erişim sağlanır. Veri marketlerini doldurmak, tek bir kaynaktan doğrulanmış ve temizlenmiş veriler kullanılarak basitleştirilmiştir.

Kurumsal veri modeli var. Bu tür DSS'ler garantili performans ile ayırt edilir. Ancak, depolama gereksinimlerinde bir artışa yol açan veri fazlalığı vardır. Ek olarak, böyle bir mimarinin, potansiyel olarak farklı talepleri olan birçok alanla uzlaştırılması gerekir.

Sistem arayüzünün işlevsel içeriğine bağlı olarak, iki ana DSS türü vardır: EIS ve DSS (Yürütme Bilgi Sistemi) - kurumsal yönetim bilgi sistemleri. Bu sistemler hazırlıksız kullanıcılara yöneliktir, basitleştirilmiş bir arayüze, temel bir dizi yeteneklere ve sabit bilgi sunumu biçimlerine sahiptir. EIS sistemleri, incelenen bilgileri büyük şirket tesisleri düzeyinde derinleştirme olasılığı ile, şirketin iş göstergelerinin mevcut durumunun ve gelişme eğilimlerinin genel bir görsel resmini çizer. EIS-sistemleri, şirket yönetiminin DSS teknolojilerinin uygulanmasından gördüğü gerçek geri dönüştür.(Karar Destek Sistemi) 7 - Hem araştırma konu alanında hem de bilgi birikimine sahip eğitimli kullanıcılar için tasarlanmış tam özellikli veri analizi ve araştırma sistemleri bilgisayar okuryazarlığı içinde. Genellikle, DSS sistemlerinin uygulanması için (veri mevcutsa), OLAP sistemleri ve Veri Madenciliği için çözüm sağlayıcılarından özel yazılımları kurmak ve yapılandırmak yeterlidir.

Sistemlerin bu iki tipe ayrılması, bir DSS'nin inşasının her zaman bu tiplerden sadece birinin uygulanmasını ima ettiği anlamına gelmez. EIS ve DSS paralel olarak çalışabilir, ortak veri ve/veya hizmetleri paylaşabilir, işlevselliğini şirketlerin hem üst yönetimine hem de analistlerine sunar.

1.7 Uygulamalar

Telekomünikasyon

Telekomünikasyon şirketleri, müşterilerini elde tutmayı ve diğer şirketlere olan kayıplarını en aza indirmeyi amaçlayan bir dizi karar hazırlamak ve vermek için DSS'yi kullanır. DSS, şirketlerin pazarlama programlarını daha etkin bir şekilde yürütmelerine, hizmetleri için daha cazip fiyatlandırma yapmalarına olanak tanır.

Çağrı özelliklerine sahip kayıtların analizi, bir kategorideki müşterileri çekme yaklaşımını farklılaştırmak için benzer klişelere sahip müşteri kategorilerini tanımlamanıza olanak tanır.

Belirli reklam kampanyalarına yanıt olarak sağlayıcıları sürekli değiştiren müşteri kategorileri vardır. DSS, en çok tanımlamanıza izin verir karakteristik işaretler"Kararlı" istemciler, yani. bir şirkete uzun süre sadık kalan müşteriler, pazarlama politikalarını bu belirli müşteri kategorisini elde tutmaya yönlendirmeyi mümkün kılar.

Bankacılık

DSS'ler, operasyonel verimliliği önemli ölçüde artırabilen kredi kartları, krediler, yatırımlar vb. gibi bankacılığın çeşitli yönlerini daha iyi izlemek için kullanılır.

Dolandırıcılığı tespit etme, kredi verme riskini değerlendirme, müşterideki değişiklikleri tahmin etme - KDS'nin uygulama alanları ve veri madenciliği yöntemleri. Müşterilerin sınıflandırılması, benzer ihtiyaçları olan müşteri gruplarının belirlenmesi, belirli bir müşteri kategorisi için daha çekici hizmet grupları sağlayarak hedefli bir pazarlama politikasına izin verir.

Sigorta

Sigortacılık sektöründeki bir dizi DSS uygulamasına klasik denilebilir - bu, olası dolandırıcılık vakalarının, risk analizinin ve müşteri sınıflandırmasının belirlenmesidir.

Sigorta tazminatının ödenmesine ilişkin taleplerde belirli kalıp yargıların tespiti, büyük meblağlar olması durumunda, gelecekte dolandırıcılık vakalarının sayısını azaltabilir.

Sigorta yükümlülüklerine ilişkin ödeme durumlarının karakteristik özelliklerini analiz etmek, Sigorta şirketleri kayıplarını azaltabilir. Elde edilen veriler, örneğin, belirlenen özelliklerin altında kalan müşteriler için indirim sisteminin revizyonuna yol açacaktır.

Müşterilerin sınıflandırılması, mevcut hizmet grubunu daha doğru bir şekilde hedeflemek ve yeni hizmetler sunmak için en karlı müşteri kategorilerini belirlemeyi mümkün kılar.

Perakende

Ticaret şirketleri, satın almaları ve depolamayı planlama, ortak satın almaları analiz etme ve zaman içindeki davranış kalıplarını bulma gibi sorunları çözmek için DSS teknolojilerini kullanır.

Satın alma sayısı ve belirli bir süre boyunca depodaki malların mevcudiyeti ile ilgili verilerin analizi, örneğin mal talebindeki mevsimsel dalgalanmalara yanıt olarak mal alımını planlamanıza olanak tanır.

Çoğu zaman, bir ürün satın alırken, alıcı onunla birlikte başka bir ürün satın alır. Bu tür mal gruplarının belirlenmesi, örneğin, ortak satın alma olasılığını artırmak için bunların bitişik raflara yerleştirilmesine olanak tanır.

Zaman içinde davranış kalıplarının aranması, "Bir müşteri bugün bir ürün satın aldıysa, o zaman başka bir ürünü saat kaçta alır?" sorusuna cevap verir. Örneğin, bir kamera satın alırken, bir müşterinin yakın gelecekte film, geliştirme ve baskı hizmetleri satın alması muhtemeldir.

İlaç

Birçok uzman sistemin tıbbi teşhis koyduğu bilinmektedir. Esas olarak, çeşitli hastalıkların çeşitli semptomlarının kombinasyonunu tanımlayan kurallar temelinde inşa edilirler. Bu tür kuralların yardımıyla, sadece hastanın neyle hasta olduğunu değil, aynı zamanda ona nasıl davranılacağını da öğreneceklerdir. Kurallar, ilaç araçlarını seçmeye, endikasyonları ve kontrendikasyonları belirlemeye, tıbbi prosedürlerde gezinmeye, en etkili tedavi için koşullar yaratmaya, öngörülen tedavi sürecinin sonuçlarını tahmin etmeye vb. yardımcı olur. Veri Madenciliği teknolojileri, tıbbi verilerdeki kalıpları tespit etmeyi mümkün kılar. bu kuralların temelini oluşturur.

Moleküler genetik ve genetik mühendisliği

Deneysel verilerdeki kalıpları keşfetmenin belki de en akut ve aynı zamanda net görevi moleküler genetik ve genetik mühendisliğidir. Burada, canlı bir organizmanın belirli fenotipik özelliklerini kontrol eden genetik kodlar olarak anlaşılan sözde belirteçlerin bir tanımı olarak formüle edilmiştir. Bu tür kodlar yüzlerce, binlerce veya daha fazla ilgili öğe içerebilir.

Genetik araştırmaların geliştirilmesi için büyük fonlar tahsis edilmektedir. Son zamanlarda bu alanda Veri Madenciliği yöntemlerinin uygulanmasına özel bir ilgi duyulmaktadır. İnsan ve bitki genomlarının kodunu çözmek için bu yöntemlerin uygulanmasında uzmanlaşmış birkaç büyük firma var.

Uygulamalı Kimya

Veri Madenciliği yöntemleri uygulamalı kimyada (organik ve inorganik) yaygın olarak kullanılmaktadır. Burada genellikle, özelliklerini belirleyen belirli bileşiklerin kimyasal yapılarının özelliklerini açıklama sorusu ortaya çıkar. Bu problem, açıklaması yüzlerce ve binlerce yapısal element ve bunların bağlarını içeren karmaşık kimyasal bileşiklerin analizi ile özellikle ilgilidir.

1.8 KDS Pazarı

KDS pazarında şirketler, karar destek sistemleri oluşturmak için aşağıdaki hizmet türlerini sunar:

· Müşterinin yönetimine analitik uygulamaların yüksek kaliteli potansiyelini göstermek için DSS sistemlerinde pilot projelerin uygulanması.

· Müşteri ile birlikte, bir veri ambarı ve İş Zekası araçları dahil olmak üzere tam özellikli DSS sistemlerinin oluşturulması.

· Depolama yapıları ve yönetim süreçleri dahil olmak üzere bir veri ambarı mimarisi tasarlama.

· Seçilen konu alanı için "data marts" oluşturulması.

· OLAP ve İş Zekası araçlarını yükleme ve yapılandırma; Müşterinin gereksinimlerine uyarlanmaları.

· Müşterinin mimarisine ve ihtiyaçlarına yönelik yazılım ürünlerinin seçimi için istatistiksel analiz araçlarının analizi ve "veri madenciliği".

· DSS sistemlerinin Müşterinin kurumsal intranetine entegrasyonu, havuz kullanıcıları arasında analitik belgelerin elektronik alışverişinin otomasyonu.

· Gerekli işlevsellik için Yönetici Bilgi Sistemlerinin (EIS) geliştirilmesi.

· Veritabanlarının birleşik bir bilgi depolama ortamına entegrasyonu için hizmetler

· Müşteri uzmanlarının veri ambarları ve analitik sistemler teknolojileri konusunda eğitiminin yanı sıra gerekli yazılım ürünleriyle çalışma.

· Veri ambarlarının ve analitik sistemlerin tasarımı ve işletilmesinin tüm aşamalarında Müşteriye danışmanlık hizmetlerinin sağlanması.

· Bir DSS'nin çalışmasını sağlayan bir bilgi işlem altyapısının oluşturulması / modernizasyonu için kapsamlı projeler: yerel sistemlerden bir işletme / endişe / endüstri ölçeğindeki sistemlere kadar her ölçekteki çözümler.

1.9 Karar Destek Sisteminin (KDS) Değerlendirilmesi

DSS'yi değerlendirmek için kriterler. Sistem, her türlü piyasa koşulunda gelirleri ve riskleri etkin bir şekilde yöneterek, piyasaya giriş ve çıkış için etkin sinyaller üretmelidir. Aynı zamanda, işletme maliyetleri, komisyonlar, yayılmadaki kayıplar vb. dikkate alınarak işlem sıklığı ılımlı olmalıdır. İnşaatın karmaşıklığı korkutulmamalıdır. Sayısal yöntemleri "sezgileri" lehine reddedenlerin çoğu, ortalamanın altında sonuçlarla sonuçlanır.

Bir sistemi değerlendirmede doğal olarak önemli bir özellik, toplam (nihai) kârdır. Yüksek işletme maliyetleri ile operasyon başına kar gibi bir özellik önem kazanmaktadır. Karlı işlem sayısının toplam işlem sayısına oranı olarak hesaplanan karar doğruluğu (yüzde), önemi abartılsa da birçok tüccar için popüler bir özelliktir. Mesele şu ki, birçok etkili sistemin doğru kararlardan daha fazla yanlış kararlar vermesi, kar amacı gütmeyen (veya neredeyse kar amacı gütmeyen) birçok sistemin doğru kararlar vermesi daha olasıdır.

Maksimum öz sermaye kaybı, sistem tarafından kullanılan stratejilerin riskini ölçmek için önemli bir özelliktir. Periyodik büyük kayıplara maruz kalan sistemler, sonunda yeterli sonucu sağlasalar bile kullanılabilir olarak kabul edilemezler. Aynı zamanda, azami zararlar, sadece bir dizi kârsız faaliyetten kaynaklanan en büyük zarar miktarı değil, aynı zamanda söz konusu dönem boyunca sermayede azami azalma anlamına gelir. Böyle bir düşüş sırasında, kârsız operasyonların sırası, sistemin verimsizlik döneminin genel kârsız doğasını değiştiremeyen ayrı karlı operasyonlar tarafından kesintiye uğrayabilir. Sistemin etkinliğinin temel özelliği, sistemin maksimum verimsizliği döneminde toplam kârın sermaye azalması miktarına oranı olarak hesaplanır ve genellikle gelir/risk oranı olarak adlandırılır. Sistemin etkinliğine ilişkin, bazen oldukça karmaşık olan ve büyük miktarda istatistiksel hesaplama gerektiren başka birçok değerlendirme de vardır, ancak çoğu durumda verilen basit özellikler yeterlidir. Unutulmamalıdır ki sistemi değerlendirirken önerilen kriterleri kullanabilirsiniz. klasik teori portföy Yönetimi.

Sistem optimizasyonu, gösterge için en iyi formülü bulmaktan oluşur - yardımı ile uzun bir süre boyunca toplanan verilere dayanarak maksimum ve / veya en istikrarlı karı elde etme anlamında en iyisi. Bu optimizasyon dahili olarak tutarsız. Eleştirmenleri, gelecekteki fiyatların davranışının geçmişteki davranışlarından farklı olabileceğine hemen işaret edecektir. Bu tür bir optimizasyonun savunucuları, zamanla değişmeyen veya önemli ölçüde değişmeyen belirli kalıpların, fiyat davranışındaki istikrarın varlığına ikna edilmelidir.

Teknik analizde kullanılan kuralların, geçmişteki veriler temelinde hesaplanarak gelecekte sürdürülebilir kar sağladığı gerçeğinin etkinliğini kontrol etmek için aşağıdaki basit test yöntemi kullanılır (kör modelleme olarak adlandırılır). İlk olarak, karar kuralı geçmiş verilere dayalı olarak optimize edilir ve daha sonra daha sonraki (son) verilerle test edilir. Bu şekilde, belirli bir kuralı kullanarak geçmiş verilerden geleceği genel olarak ne kadar iyi tahmin edebileceğinizi belirleyebilirsiniz. Optimal parametrelere sahip bir gösterge daha sonraki verilerde iyi performans gösteriyorsa, gelecekte iyi performans göstereceği umulmaktadır.

Sistemin parametreleri yeniden değerlendirilirken, ancak elde edilen "iyileştirme" istatistiksel olarak anlamlıysa yeni sisteme geçilmelidir.

Robert Pelletier, karar kuralları oluşturulurken parametre sayısının sınırlandırılmasını önerir, çünkü bunların artması sistemin serbestlik derecesi sayısını artırır. Ek olarak, aralarında ilişkiler olabilir, yani genellikle karşılıklı korelasyonlarının katsayısından görülen istatistiksel olarak bağımlı oldukları ortaya çıkabilir. Pelletier, iyi bir sistemin 2-5'ten fazla parametre içermemesi gerektiğine inanmaktadır.

Göstergeyi kontrol etmek için örnek, seçilen süre için en az 30 sinyal olacak şekilde yeterince büyük olmalıdır. Bu durumda, ofsetlerin satış veya satın alma yönündeki etkisini sınırlamak için dönem tam sayıda tam uzun (düşük frekanslı) döngü içermelidir. Yani örneğin bilinen 4 yıllık bir borsa döngüsü için analiz en az 8 yıllık veriler üzerinden yapılmalıdır.

kurumsal akıllı veri bankası

Bölüm 2. Rusya Merkez Bankası'nın bölge ofisleri örneğinde DSS'nin uygulanması uygulaması

1 Çalışmanın amaç ve hedeflerinin formülasyonu, araştırılan nesnenin özellikleri

Şu anda Merkez Bankası Rusya Federasyonu(bundan böyle Rusya Bankası olarak anılacaktır), Rusya bankacılık sisteminin kilit düzenleyicisidir ve birçok açıdan istikrarının ve ekonomik istikrarının garantörüdür. Rusya Merkez Bankası'nın sistemi karmaşık bir yapıya sahiptir. örgütsel yapı- merkez ofis (bundan sonra CA olarak anılacaktır), bölge ofisleri (bundan sonra TU olarak anılacaktır) ve 80 binden fazla çalışanı vardır. Buna karşılık, bölge ofisleri, teknik departmanın işleyişini destekleyen bir nakit ödeme merkezleri ve diğer alt bölümler ağına sahiptir. Şu anda, Rusya Merkez Bankası aşağıdaki ana görevlerin çözümü ile ilgilenmektedir: toplam maliyetin düşürülmesi, bölge ofislerinin faaliyetlerinin standardizasyonu, bölge ofislerinin yönetim sisteminin iyileştirilmesi.

Yönetime süreç yaklaşımı, Rusya Merkez Bankası'nda uygulanmasına ilişkin deney 2002 yılında başlayan bu görevleri yerine getirmenin ana aracı olarak kabul edilir. süreç yaklaşımı son 10-15 yılda dünya pratiğinde yaygınlaşan esnek ve etkin bir yönetim sistemi oluşturmaya yönelik hakim yaklaşımdır. Süreç yaklaşımı, hedeflerin ve faaliyet stratejilerinin net bir şekilde formüle edilmesini, faaliyetlerin çıktıda somut sonuçları olan bir dizi birbiriyle ilişkili süreç şeklinde bir tanımını, süreçlerdeki tüm katılımcılar arasında net bir sorumluluk dağılımını varsayar.

gösterildiği gibi dünya pratiği Süreç yaklaşımının etkin uygulaması, büyük ölçüde karar verme için gerekli bilgiyi üreten ve sağlayan bir bilgi ve bilgi işlem sisteminin varlığı ile belirlenir. Böyle bir sistemin yardımıyla, Rusya Merkez Bankası TC düzeyinde, süreçlerin yürütülmesini tanımlamak ve kontrol etmek, maliyetlerini tahmin etmek, gerçek yükü hesaplamak, etkinliğinin makul bir değerlendirmesini yapmak mümkün olacaktır. süreçler, çalışanlar, departmanlar vb. Rusya Merkez Bankası'nın Orta Asya düzeyinde, sistem, çalışma sırasında biriken çeşitli göstergeler için teknik özelliklerin karşılaştırılmasına, teknik şartnamelerin yazılmasına, süreç standartlarının tanımlanmasına, teknik şartnamelerde çoğaltılmasına ve bir dizi başka sorunun çözülmesine izin verecektir.

Yukarıdakilerin tümü, Merkez Bankası'nın bölge ofislerinin faaliyetlerini yönetme alanında bir karar destek sistemi oluşturmaya yönelik metodolojik, matematiksel ve yazılım-enstrümantal yaklaşımların geliştirilmesine ayrılmış olan bu bölümün konusunun uygunluğunu belirlemektedir. Rusya, süreç yaklaşımına dayanmaktadır (bundan böyle Sistem, DSS "Süreç Yönetimi" olarak anılacaktır).

Bu çalışmanın amacı, teknik yönetim düzeyi ve merkezi yönetim düzeyi de dahil olmak üzere Rusya Merkez Bankası'nın bölgesel ofislerinin faaliyetlerini yönetme görevlerinde bir karar destek sisteminin kapsamlı bir metodolojik, matematiksel, bilgisel ve yazılım-enstrümantal desteğini geliştirmektir. ofis.

2 Genel bakış ve iş tanımı

2.1 Geliştirme yeni konsept Rusya Merkez Bankası bölge ofislerinin faaliyetlerinin yönetiminde DSS

Rusya Merkez Bankası'nın özgüllüğü, karmaşık bir organizasyon yapısının, bölgesel kurumlar için dikey iki katmanlı bir yönetim sisteminin, büyük ölçekli bir düzenleyici çerçeveye dayalı faaliyetlerin net bir şekilde düzenlenmesinin, belge akışının karmaşıklığının varlığından oluşan analiz edildi. , finansal yönetimin özellikleri, bilgi ve güvenlik gereksinimleri. bilgi Güvenliği... Sonuç olarak, mevcut ürünlerin, Rusya Merkez Bankası'nın bölgesel ofislerini yönetme sorunlarını çözmek için tam olarak uygun olmadığı tespit edildi.

Rusya Merkez Bankası'nın özelliklerinin incelenmesi ve teknik departmanın faaliyetlerini yönetmedeki ana görevlerin analizi, DSS'yi oluşturmak için aşağıdaki kavramsal ilkeleri formüle etmeyi mümkün kılmıştır:

) İki katmanlı yapı. Geliştirilen KDS iki düzeyde çalışmalıdır - TU (bölgesel) ve CA (federal). Bölgesel düzeyde, DSS bir süreç yaklaşımına dayalı teknik şartnamelerin yönetimini destekler; federal düzeyde, tüm teknik şartnamelerden faaliyetler hakkında bilgi toplama, bu bilgilerin merkezi olarak depolanması ve analizi, teknik şartnamelerin sınıflandırılması ve standartların oluşumu;

) Bir süreç yaklaşımına dayalı tam yönetim döngüsü. Faaliyetlerin etkin ve sürekli iyileştirilmesi için, KDS'nin önemli bir özelliği, süreçlerin tanımlanması, performansın izlenmesi ve kontrol edilmesi, süreçlerin analiz edilmesi ve yeniden yapılanma için prosedürlerin yinelemeli olarak yürütülmesini içeren bir süreç yaklaşımına dayalı tam bir yönetim döngüsünün sağlanmasıdır.

Sistemin iki seviyeli yapısı dikkate alınarak, kontrol çevrimi aşağıdaki biçimde sunulur (Şekil 2):

Pirinç. 2. KDS'de yönetim desteği döngüsü

)Yaklaşımların ve teknolojilerin entegrasyonu. Oluşturulan KDS'deki teknik özelliklerin performansını iyileştirme görevlerini en etkin şekilde çözmek için, iş süreci yönetimi (BPMS), performans yönetimi (CPM) ve iş zekası (BI) yaklaşımlarını ve teknolojilerini entegre etmek gerekir. Bu yaklaşımlar tek tip mimari ilkeler üzerinde uygulanmalı ve tek bir bilgi ve yazılım-teknolojik altyapı çerçevesinde işlev görmelidir;

)TU faaliyetlerinin standardizasyon görevlerini çözmek için standartların desteği gereklidir. Federal düzeyde - geliştirme, hata ayıklama, süreç standartlarının analizi vb.; bölgesel düzeyde - mevcut süreçlerle ilgili standartların “örtüşmesi”;

)Süreçlerin veri ambarına entegrasyonu. BPMS sınıfının sistemleri işlemseldir ve bir veri ambarı gerektirmez. Rusya Merkez Bankası'nın sadece süreçlerin yönetimini organize etmesi değil, aynı zamanda kapsamlı analizlerini sağlaması gerekiyor - dinamik, karşılaştırmalı, yapısal vb. Bu nedenle, faaliyetlerle ilgili bilgiler, her teknik şartnamenin veri depolarında toplanmalıdır. veriler federal düzeye aktarılacak (merkezi bir depolamaya);

)Analiz için metodolojik bir temelin geliştirilmesi. Teknik şartnamelerin faaliyetleri hakkındaki bilgileri analiz etme görevlerinin daha eksiksiz ve etkili bir şekilde çözülmesi için, aşağıdaki alanlarda metodolojik ve araçsal bir temel geliştirmek gerekir: süreçlerin maliyetinin hesaplanması, süreçlerin süresinin değerlendirilmesi, örgütsel analizin yapılması. yapı, verimliliği yönetme;

)TPK ile etkileşim. DSS, bölgesel kurumlarda çalışan standart yazılım sistemleri (TPK) ile etkileşime girmelidir. Etkileşim şu amaçlarla organize edilir: başlangıç ​​verilerinin elde edilmesi (örneğin, teknik şartnamelerin maliyetlerine ilişkin veriler); güncel düzenleyici ve referans bilgilerinin alınması; süreçlerin yürütülmesi hakkında veri elde etmek. Bu ilkeler dikkate alınarak, federal ve bölgesel hükümet düzeylerini kapsayan kavramsal bir sistem modeli geliştirilmiştir (Şekil 3):

Pirinç. 3. Rusya Merkez Bankası'nın bölgesel ofislerinin faaliyetlerinin yönetiminde DSS'nin kavramsal modeli

Sunulan kavramsal model, Rusya Merkez Bankası'nın yönetim görevlerinin çözümünü en iyi şekilde karşılar ve aşağıdaki bileşenleri içerir:

· Bölgesel düzeydeki sistemler (her bölge ofisinde). Bölgesel düzeydeki DSS tekrarlanabilir ve tüm teknik özellikler için tek tip işlevsel yetenekler sağlar. Teknik departmanın faaliyetleri hakkında bilgi, analitik BI araçlarının üzerinde çalıştığı veri ambarında toplanır.

· Federal seviye sistemi (merkez ofiste). Federal düzeyin DSS'si, bölgesel düzeydeki sistemden farklı tüm teknik özelliklerin faaliyetleri ve işlevsel yetenekler hakkında bilgilerin merkezi olarak depolanmasını ve işlenmesini öngören entegre bir bileşendir. Federal düzeydeki sistemde, bölgesel düzeydeki DSS'de çoğaltılan veriler (süreç standartları, normlar vb.) oluşturulur.

· Harici bilgi kaynakları esas olarak bölgesel düzeydeki DSS verileriyle sağlanır, bunlar bölgesel kurumlarda çalışan çeşitli yazılım sistemlerini içerir. Dış kaynaklar, KDS'nin dış bileşenleri olarak kabul edilebilir.

Federal düzeydeki sistem, büyük ölçüde bölgesel düzeydeki sistemlerden iletilen verilere dayandığından, her şeyden önce, entegre bir DSS'nin temeli olarak bölgesel düzeydeki sistem için bilgi, matematiksel ve araçsal desteğin geliştirilmesi gereklidir. Rusya Bankası. Aynı zamanda, geliştirilen yöntem ve araçların federal düzeyde bir sistemin inşasında kullanılacağı belirtilmelidir. Çalışma sırasında, teknik özelliklerin ölçeği, gerçekleştirilen işlev ve süreçlerin çeşitliliği, mevcut yönetim uygulamasının faktörleri ve mevcut yönetim uygulamasının faktörleri dikkate alınarak, bölgesel düzeyde KDS'nin yapısı geliştirildi (Şekil 4). mevcut otomasyonun özellikleri.

Pirinç. 4. Rusya Merkez Bankası'nın bölgesel düzeyinde DSS'nin yapısı

2.2.2 İşlevsel alt sistemlerin tanımı

Sistem, kullanıcı arabirimleri sağlayan ve iş işlevlerini uygulayan işlevsel alt sistemleri ve birleşik veri yönetimi mekanizmalarına ve merkezi meta verilere dayalı işlevsel alt sistemlerin çalışmasını destekleyen teknolojik alt sistemleri içerir. Tüm alt sistemlerin çalışması, Rusya Merkez Bankası'nın gereksinimlerine uygun olarak yetkisiz erişime karşı uygun düzeyde veri koruması sağlayan yönetim ve bilgi güvenliği alt sisteminin kontrolü altında gerçekleştirilir. Çalışma sırasında, Rusya Merkez Bankası'nın özellikleri dikkate alınarak, fonksiyonel alt sistemlerin bilgi ve araçsal desteği için gereksinimler geliştirildi ve doğrulandı.

Süreç tanımı alt sistemi, Rusya Merkez Bankası'nın özelliklerini dikkate alarak, birbiriyle ilişkili bir dizi süreç şeklinde faaliyetlerin resmi bir açıklaması için tasarlanmıştır. Sistemdeki süreçleri modellemek için, bir dizi ek yapı ile desteklenen IDEF0 ve IDEF3 standartları kullanıldı: kontrol operasyonları, geri dönüş geçişleri, diğer süreçlere bağlantılar, yardımcı süreçler, sürecin başlangıç ​​ve bitiş noktaları. TU süreçlerini tanımlamak için bilgi modeli oluşturulurken, Rusya Merkez Bankası'nın özellikleri ve standartların gereklilikleri ile aşağıdaki ilkeler dikkate alınmıştır:

· Sürüm oluşturma desteği, işlemlerin tanımındaki tüm değişikliklerin bir kronolojisini korumayı gerektirir (nesnelerdeki değişiklikler, tarihe göre sıralanmış sürümler olarak kaydedilir). Bu nedenle, herhangi bir tarih itibariyle TU faaliyetinin bir modelini elde etmek mümkündür;

· Modelleme değişiklikleri için destek, gerektiğinde onaylanabilen veya iptal edilebilen nesnelerin geçici sürümlerinin bakımıyla sağlanır;

· Süreç modellerinin özelleştirilebilirliği, süreç modellerinin öznitelik setini genişletmeyi, yeni nesneleri tanıtmayı ve mevcut nesnelerle bağlantı kurmayı içerir.

Çalışma sırasında belirtilen ilke ve özellikler dikkate alınarak, çevrelerinin süreçleri ve nesnelerinin bir bilgi modeli geliştirilmiştir (Şekil 5).

Pirinç. 5. Süreçlerin ortamının ana nesnelerinin karşılıklı ilişkisi.

Oluşturulan bilgi modeli temelinde, süreç tanımlama alt sistemi aşağıdaki ana görevlerin çözülmesine izin verir:

· TU etkinliğinin bütünsel bir resmi modelinin oluşturulması;

· faaliyetlerle ilgili bilgileri güncel tutmak;

· teknik şartnamelerin faaliyetlerinin belgelenmesine ilişkin raporların ve sertifikaların oluşturulması.

Süreçlerin yürütülmesini izlemek için alt sistem, resmi süreçlerin yürütülmesini, açıklamalara göre sanatçılar arasında görevlerin yönlendirilmesini, son teslim tarihlerine uygunluğun ve yürütme verimliliğinin izlenmesini, süreçlerin yürütülmesine ilişkin verilerin dış kaynaklardan tek bir birleşik formata dönüştürülmesini sağlar.

Çalışmanın sonucunda, süreçleri tanımlama gösterimi ile birlikte aşağıdaki görevlere çözüm sağlayan süreçlerin ve operasyonların yaşam döngüsü geliştirildi (Şekil 6):

· süreç yürütme organizasyonu;

· süreçlerin yürütülmesinin ilerlemesini izlemek ve yönetmek;

· kritik noktalarda süreçlerin yürütülmesi üzerinde kontrol organizasyonu;

· çeşitli teknik yönetim seviyelerindeki yöneticiler için analitik raporların oluşturulması (sektör başkanları, departmanlar, departmanlar, üst yönetim).

Pirinç. 6. Yaşam döngüsü süreç yürütme

Süreçlerin maliyetinin alt sistemi, süreçlerin maliyet özelliklerini ve çeşitli bölümlerde analizlerini hesaplamak için tasarlanmıştır, süreçlerin maliyet özelliklerinin ayrıntılı bir analizi, dengeleme, karşılaştırmalı analiz, yürütme için araçlar sağlar. farklı seçenekler hesaplama.

Faaliyet analizi alt sistemi, harici kaynaklardan ve diğer alt sistemlerden veri toplarken ve yapılandırırken, TU faaliyetlerinin çeşitli yönlerden - verimlilik, maliyetler, personel, süreçler vb. - analizi için destek uygular. Analitik alt sistem, Rusya Merkez Bankası'nın görevlerini dikkate alarak CPM metodolojisine dayanmaktadır ve aşağıdaki görevleri çözmek için bir dizi analitik uygulama ve araç sunmaktadır:

.Stratejik hedefler, hedefler ve göstergeler sisteminin yönetimi (Rusya Merkez Bankası tarafından federal düzeyde belirlenen hedefler dikkate alınarak);

.Personel yönetimi ve TU'nun organizasyon yapısı alanında karar verme desteği;

.Performans göstergelerinin izlenmesi ve analizi.

Stratejik hedefler, hedefler ve göstergeler sistemi, süreçler, departmanlar, çalışanlar vb. için ayarlanabilen dengeli göstergeler (BSC) ve temel performans göstergeleri sistemidir. Tüm hedefler, hedefler ve göstergeler kronolojiktir. Veri ambarı, BSC için veri kaynağıdır. Göstergelerin hedef değerleri birkaç senaryoda belirlenebilir; hedef ve hedeflere ulaşma derecesini değerlendirmek için göstergeler ağırlıklandırılabilir. Hedef ve gerçek değerlerin karşılaştırılmasına dayanarak, hedeflere ulaşılmasının izlenmesi ve analizi gerçekleştirilir.

Personel yönetiminde karar desteği, organizasyon yapısının analizi, personelin performans disiplini, etkinlik ve temel performans göstergeleri açısından analizi, fonksiyonel sorumlulukların dengelenmesi ve dağıtılması için analitik uygulamaları içerir.

Performans göstergelerinin izlenmesi ve analizi, farklı göstergeleri ve çeşitli analiz türlerini (dinamik, yapısal, karşılaştırmalı, küme, sıralama, vb.) karşılaştırma yeteneği sağlarken, bir havuza dayalı BI araçları kullanılarak gerçekleştirilir.

2.2.3 Metodolojik ve araçsal çözümleri uygulayan TU düzeyinde bir KDS'nin geliştirilmesi

KDS geliştirme sürecinde, sistemin inşası için gereksinimler analiz edildi, verilerin mantıksal ve fiziksel yapısı geliştirildi, sistemi kurmanın temel ilkeleri doğrulandı ve uygulama için bilgi teknolojilerini seçme sorunları sistemin sorunu çözüldü.

Sistemin yapısında, iş mantığını ve kullanıcı arayüzünü uygulayan fonksiyonel alt sistemler ve birleşik veri yönetimi mekanizmalarına ve merkezi meta verilere dayalı fonksiyonel alt sistemlerin çalışmasını sağlayan teknolojik alt sistemler tanımlanır.

Sistemi uygulamak için aşağıdaki bilgi teknolojileri seçilmiştir:

· bilgi depolamanın temeli olarak - Oracle ilişkisel veritabanı yönetim sistemi sürüm 9i;

· bir yazılım ve araç geliştirme ortamı olarak - ekonominin çeşitli alanlarında bilgi ve analitik sistemlerin ve karar destek sistemlerinin geliştirilmesine odaklanan analitik kompleks "Tahmin-5";

· web bileşenleri geliştirmek için - Microsoft Visual Studio 2005 entegre ortamı ve ASP.NET platformu.

Bir DSS oluşturma sürecinde, en optimal ve güvenilir çalışma için ortak mimari ilkelere dayalı bir dizi yazılım ve teknolojik çözüm geliştirilmektedir. İşlemsel ve analitik segmentler dahil olmak üzere karmaşık bir veritabanını yönetmek için prosedürler geliştirirken aşağıdaki çözümler geliştirildi ve uygulandı:

· Veritabanının işlemsel ve analitik bölümlerinin verilerinin tutarlılığının sağlanması, bunun için Oracle DBMS meta verilerinin kullanımına dayanan birleşik bir işlem işleme çekirdeğinin kullanımına odaklanan birbiriyle ilişkili sınıflardan oluşan bir sistem geliştirilmiştir. Tablolar düzeyinde, işlemin güvenilirliğini artırmak için DBMS aracılığıyla veri bütünlüğü kontrolü sağlanır (Şekil 7):

Pirinç. 7. DSS veri tutarlılığı yönetim şeması.

· DBMS düzeyinde bütünlük kontrolünü sürdürürken nesnelerin sürüm oluşturma desteği. Bunu yapmak için her nesne iki tabloda depolanır: nesne tablosu ve nesne sürümü tablosu;

· Bütünlük kontrolü ile öznitelikler ve nesneler düzeyinde veritabanı ölçeklenebilirliği. Ek öznitelikler için bütünlük tetik düzeyinde denetlenir, tablolarda yeni nesneler oluşturulduğunda, birleşik bütünlük denetimi tetikleyicileri otomatik olarak oluşturulur;

· Büyük miktarda veri için veri tabanına alma ve yazma optimizasyonu. Fiziksel yapının oluşturulmasından sonra indekslenmesi gerçekleştirildi, veri ambarının tabloları için Oracle DBMS'nin Bölümlerini oluşturma araçları uygulandı.

DSS'nin ilk doldurulması ve müteakip güncelleme için veri kaynakları, TU'da çalıştırılan standart yazılım sistemlerinden gelen veriler olabilir: Çiftlik içi aktivite sistemleri (VCD), Doküman yönetim sistemleri, Otomasyon sistemleri, vb. DSS indirmenize izin verir. "Kağıt üzerinde" süreç modelleri taslakları olan bölgesel kurumlar için önemli olan MS Word ve Excel dosyalarından süreç açıklamaları.

Geliştirilen DSS, Başkurdistan Cumhuriyeti Ulusal Bankası'nda 300'den fazla yönetici ve uzman işyerinde süreçleri tanımlamak, süreçlerin yürütülmesini organize etmek ve izlemek, organizasyon yapısındaki değişiklikleri doğrulamak ve faaliyetleri analiz etmek için endüstriyel modda kullanılmaktadır. Sistem yaklaşık 980 prosesi açıklamaktadır, bunların yaklaşık 730'u onaylanmıştır, yaklaşık 200 proses düzenli olarak endüstriyel modda başlatılmaktadır.

2.3Bu KDS'nin uygulanmasının sonuçları ve sonuçları

Aşağıdaki ana sonuçlar ve sonuçlar elde edildi:

Elde edilen sonuçlara dayanarak, yazar tarafından geliştirilen yöntem ve algoritmaların oluşturulduğu BPMS, BI ve CPM yaklaşımlarının entegrasyonuna odaklanan teknik yönetim faaliyetlerinin yönetiminde entegre bir karar destek sistemi kavramı sunulmaktadır. tek bir bilgi ve araçsal ortam temelinde. Konsept, Rusya Merkez Bankası'nın özelliklerine uyarlanmış bir süreç yaklaşımına dayalı olarak teknik kurumların faaliyetlerini izlemek ve analiz etmek için hem yeni hem de önceden bilinen yöntemleri birleştirir.

Bölgesel bir kurumun faaliyetlerini bölgesel düzeyde yönetmek için bir karar destek sistemi oluşturulmuş ve Rusya Merkez Bankası'nın belirli teknik şartnamelerinde test edilmiştir. KDS'nin teknik şartnamelerde kullanılması, süreç yaklaşımına dayalı faaliyetlerin kontrol edilebilirliğini artırmaya, iç kontrol sistemini iyileştirmeye, mevcut organizasyon yapısını optimize etmeye ve performans göstergeleri için bir havuz oluşturmaya olanak tanır.

Sistemin uygulanması sonucunda aşağıdaki sonuçlara ulaşılmıştır (Rusya Merkez Bankası yönetimine verilen raporlardan aşağıdaki gibidir):

· faaliyetlerin iç kontrol sistemi iyileştirildi;

· emisyon ve nakit işlemlerini gerçekleştirmek için geliştirilmiş teknolojiler ve düşük işçilik maliyetleri (bazı işlemler için %10'a kadar);

· Takas ve Nakit Merkezleri tarafından yürütülen fonksiyonların merkezileştirilmesi (9 süreçte 13 fonksiyon);

· nakit dolaşım yönetimi iki bağımsız departmana dönüştürülmüş;

· pozisyonlar, güvenlik ve bilgi koruma departmanı içindeki departmanlar arasında yeniden dağıtıldı;

· ekonomik ve operasyonel yönetimde personel azaltımı gerçekleştirilmiştir; iş akışını optimize etmek için teklifler hazırlanmaktadır.

Çözüm

Bugüne kadar, DSS sistemleri oluşturmak için yazılım üretiminde tanınmış bir lider yoktur. Hiçbir şirket, müşterinin üretim sürecinde doğrudan kullanıma uygun, "kutudan çıkarılmış" olarak adlandırılan hazır bir çözüm üretmez. Bir KDS'nin oluşturulması her zaman müşterinin verilerini ve iş süreçlerini analiz etme, depolama yapılarını tasarlama, ihtiyaçlarını ve teknolojik süreçleri dikkate alma aşamalarını içerir.

İlgili finansal ve diğer kaynakların boyutu, DSS sistemlerinin karmaşıklığı ve çok aşamalı tasarımı göz önüne alındığında, tasarım hatalarının yüksek maliyeti açıktır. Yazılım seçimindeki hatalar, proje süresindeki artıştan bahsetmeden, finansal maliyetler gerektirebilir. Veri yapısı tasarım hataları hem kabul edilemez performans özelliklerine yol açabilir hem de bazen birkaç güne ulaşan verileri yeniden yüklemek için harcanan zamana değer olabilir. Bu nedenle, veri ambarlarının mimarisine ilişkin derinlemesine bir anlayışla, proje yürütme süresinde önemli bir azalma ve KDS uygulamasından en iyi şekilde yararlanma yeteneği gerektiren herhangi bir hatadan kaçınmak gerekir.

Ayrıca karar verme sorunlarının, yani KDS'nin ülkemizde az gelişmiş olduğunu ve pratikte çok az uygulandığını belirtmek gerekir. Burada anlatılana benzer programların kullanımı sadece çok basit değil, aynı zamanda oldukça etkilidir ve özel bilgi ve yatırım gerektirmez.

Birkaç düzine farklı firma, DSS sistemleri tasarlama ve çalıştırma sürecinde ortaya çıkan belirli sorunları çözebilecek ürünler üretmektedir. Buna bir DBMS, veri yükleme/dönüştürme/yükleme araçları, OLAP analiz araçları ve çok daha fazlası dahildir.

Piyasanın bağımsız bir analizi, bu araçlardan en az birkaçının incelenmesi kolay ve zaman alıcı bir iş değildir.

Böylece bu çalışmada karar destek sistemleri ile tanıştık.

Giriş bölümünde, bu konunun uygunluğu kanıtlanmakta, çalışmanın amaç ve hedeflerine yer verilmekte, çalışmanın genel bir tanımı verilmekte ve çalışmanın konusu belirlenmektedir.

İlk bölüm, karar destek sistemlerinin teorik yönlerini ve kavramlarını sağlar, KDS türlerinin ayrıntılı bir sınıflandırmasını sağlar ve başlangıçta işlevlerini açıklar. Ayrıca bu bölümde, DSS'nin yapısını ve ana unsurlarını daha ayrıntılı olarak inceledik, destek sistemlerinin yaratılmasının tarihi ile tanıştık. Karar destek sistemlerinin ayırt edici özellikleri, uygulanabilecekleri alanlar ve alanlar verilmiştir.

Karar verme desteği metodolojisi belirlendi ve bu, uygulamasının aşağıdakileri mümkün kıldığını özetlememize izin veriyor:

· mevcut verilere dayalı olarak bir çözüm bulma sürecini resmileştirmek (çözüm seçenekleri üretme süreci);

· Kriterleri sıralayın ve çözülmekte olan problemi etkileyen fiziksel parametrelerin kriter değerlendirmelerini verin (çözüm seçeneklerini değerlendirme yeteneği);

· toplu kararlar alırken resmi onay prosedürlerini kullanın;

· alınan kararların sonuçlarını tahmin etmek için resmi prosedürleri kullanmak;

· probleme en uygun çözüme götüren seçeneği seçin.

Bundan, karar destek sistemleriyle ilgili temel şeyler ve teorik kısım hakkında bilgi sahibi olduk.

İkinci bölüm, süreç yaklaşımına dayalı olarak kuruluşun faaliyetlerini yönetme alanında DSS'nin pratik uygulamasını açıklar (Rusya Merkez Bankası'nın bölge ofisleri örneğini kullanarak). Bir DSS oluşturma konsepti "Rusya Merkez Bankası'nın bölgesel ofislerinin faaliyetlerinin yönetimi" önerilmiştir. KDS'nin kavramsal modeli, işlevsel yapı ve ana bileşenler için gereksinimler geliştirilmiş ve doğrulanmıştır. Rusya Merkez Bankası'nın özelliklerini dikkate alarak teknik şartnamelerin yönetiminde karar vermeyi desteklemek için bir dizi yöntem ve araç önerilmiştir. Sistemin bilgi ve analitik desteği için gereksinimler, Rusya Merkez Bankası'nın bölgesel ofislerinin yönetilmesinin acil görevleri dikkate alınarak geliştirilmiş ve doğrulanmıştır. Bu sistemin uygulanmasının sonuçları, Rusya Merkez Bankası yönetimine sunulan raporlara dayanarak sunulmaktadır.

Böylece, bu karar destek sistemlerinin pratikte - bizim durumumuzda bankacılık sektöründe - nasıl uygulandığını öğrendik.

KDS'nin kullanımı, yalnızca şirketin politikasına dayalı olarak herhangi bir yönetim kararının öznel olması, kuruluşun ana hedeflerini yansıtması ve en önemlisi mutlaka doğru olmaması durumunda umut vericidir. Bütün bunlar, karar verme sürecini resmileştirme ve yanlış karar verme riskini azaltmak için yardımcı araçları çekme ihtiyacına yol açar. İkincisi, işlenecek bilgi birikimi ile artar. Bunun nedeni, bir kişinin kendi başına bir karar vermek için gerekli tüm bilgileri işleyememesi veya görev hala acil olduğunda zamanında yapamamasıdır.

bibliyografya

1.Vesnin, V.R. Yönetim: Ders Kitabı - 4. baskı, Gözden geçirilmiş. ve ek - M .: TK Welby, 2009 .-- 342 s.

2.Gerchikova, I.N. Yönetim kararları alma ve uygulama süreci / I.N. Gerchikova // Rusya ve yurtdışında yönetim, 2013. No. 12. - 130 s.

.Goncharov, V.I. Yönetim: öğretici/ V.I. Goncharov. - Minsk: Modern okul, 2010. - 255 s.

.Drobyshev, A.V. Karar verme yöntemleri. Delphi ve ELECTRA yöntemleri. - Metodik talimatlarİle laboratuvar işi"Karar destek sistemleri" kursunda. - MGIEM. Derleyen: I.E.Safonova, K.Yu.Mishin, S.V. Tsyganov: M., MGIEM, 2008 .-- 26 s.

.Evlanov, A.G. Karar verme teorisi ve pratiği. - E.: Ekonomi, 2010 .-- 212 s.

.Korotkov, E.M. Yönetim: bekarlar için bir ders kitabı / E.M. Korotkov. Moskova: Yurayt, 2012.- 85 s.

.Krivko, O.B. Bilgi Teknolojisi. M.: SOMINTEK. 2011 .-- 179 s.

.Lafta, J.K. Organizasyon yönetiminin etkinliği. - M.: Rus iş literatürü, 2009 .-- 320 s.

.Lafta, J.K. Organizasyon yönetiminin etkinliği. - M.: Rus iş literatürü, 2011 .-- 320 s.

.Makarov, S.F. Yönetici iş başında. - E.: FINPRESS, 2009 .-- 155 s.

.Mescon, M. Yönetimin Temelleri: Ders Kitabı / M. Mescon, M. Albert, F. Hedouri; M., 2012 .-- 387 s.

.Pankrukhina, A.P. Kontrol teorisi: ders kitabı / [Yu. P. Alekseev ve diğerleri]; A.L. Gaponenko, A.P. Pankrukhin tarafından düzenlendi. - Moskova: RAGS Yayınevi, 2010.- 213 s.

.Pirozhkov, V.A. Bir karar destek sistemi şeklinde yönetime süreç yaklaşımının uygulanması hakkında "Kuruluşun faaliyetlerinin yönetimi" [Metin] / V.A. Pirozhkov // Tambov Üniversitesi Bülteni. Ser.: Beşeri Bilimler. - 2008. - Sayı. 11.- 489 s.

.Polushkin, O.A. Stratejik yönetim: ders notları. - E.: EKSMO, 2007 .-- 138 s.

bölgesel yetkililer // Rusya'daki reformlar ve sorunlar

.Romashchenko, V.N. Karar verme: durumlar ve tavsiyeler. - Kiev, 2012 .-- 154 s.

16.Rumyantseva Z.P. Organizasyon yönetimi: bir eğitim. - E.: INFRA-M, 2005 .-- 432 s.

.Saraev, A. D., Shcherbina O. A. Sistem analizi ve modern bilgi teknolojileri // Kırım Bilimler Akademisi Bildiriler Kitabı. - Simferopol: SONAT, 2009 .-- 136 s.

.Safonova, I.E. Karar verme yöntemleri. Delphi yönteminin modifikasyonu ve hiyerarşilerin analiz yöntemi. - "Karar destek sistemleri" kursunda laboratuvar çalışması için metodik talimatlar. - MGIEM. Comp.:. 18.I.E.Safonova, A.V. Drobyshev, K.Yu. Mishin, S.V. Tsyganov: M., MGIEM, 2007 .-- 20 s.

.Safonova, I.E. Karar verme yöntemleri. Minimum mesafe yöntemi ve MaxiMin ve MaxiMax yöntemleri. - "Karar destek sistemleri" kursunda laboratuvar çalışması için metodik talimatlar. - MGIEM. Komp.:, 18. I.E.Safonova A.V. Drobyshev, K.Yu. Mishin, S.V. Tsyganov: M., 2007 .-- 19 s.

.Terelyansky, P.V. Karar Destek Sistemleri. Tasarım deneyimi: monograf / P.V. Terelyanski; VolgGTU - Volgograd, 2009. -127 s.

.Chernyakhovskaya L.R. Bilgi mühendisliğine dayalı stratejik işletme yönetiminde karar desteği / LR Chernyakhovskaya ve diğerleri Ufa: Başkurdistan Cumhuriyeti Bilimler Akademisi, Gilem, 2010. - 128 s.

İyi çalışmalarınızı bilgi tabanına gönderin basittir. Aşağıdaki formu kullanın

Öğrenciler, yüksek lisans öğrencileri, bilgi tabanını çalışmalarında ve çalışmalarında kullanan genç bilim adamları size çok minnettar olacaktır.

benzer belgeler

Gaz beton üretimi için teknolojik sürecin araştırılması. Karar destek sistemini dikkate alarak, gaz beton üretiminin teknolojik sürecinin durumunu teşhis etme sürecinin "nasıl olacağını" modelleyin. DSS arayüzü prototipleme.

tez, eklendi 06/17/2017


Proje Uzmanının çözdüğü amacı ve ana görevleri incelemek - yeni veya mevcut bir işletmenin finansal modelini tasarlayan yöneticiler için tasarlanmış bir karar destek sistemi (DSS). Yazılım uygulamaları, işin aşamaları.

özet, 19/05/2010 eklendi


Bir işletmenin faaliyetlerini yönetmek için bilgi sistemlerinin sınıflandırılması. İş Zekası sistemlerinin pazar analizi ve özellikleri. KDS'de kullanılan karar verme yöntemlerinin sınıflandırılması. İş zekası platform seçimi, karşılaştırma kriterleri.

tez, eklendi 09/27/2016


Karar destek sistemlerinin sınıflandırılması. Karşılaştırmalı analiz perakende kredi risklerini değerlendirmek için metodolojiler. Karar destek sisteminin yapısı, ilk bilgi tabanının oluşumu. Bir bilgi sistemi veritabanı tasarlamak.

tez, eklendi 07/10/2017


Karar destek sistemleri kavramı. Analytica 2.0 uygulama aralığı. Kantitatif modelleme yazılımı. Model geliştirme için grafik arayüz. Temel modelleme yöntemleri. Etki diyagramı ve karar ağacı.

deneme, 09/08/2011 eklendi


Yeni ürünlerin piyasaya sürülmesinde karar vermeyi destekleme sorununu çözmek için algoritmik ve yazılım geliştirme. Ana girdi ve çıktı verileri olan yeni ürünlerin piyasaya sürülmesi konusunda karar vermeyi destekleme sorununa matematiksel destek.

tez, eklendi 03/08/2011


İdari bilgi sistemleri türleri: raporlama sistemleri, karar destek sistemleri, stratejik karar destek sistemleri. Microsoft Excel'de listeleri sıralama ve filtreleme. Microsoft Access'te veritabanlarıyla çalışma.

test, 19/11/2009 eklendi