Taktik karar destek sistemleri. Karar destek sistemleri (DSS) genel KDS kavramı

Tanıtım

Modern karar destek sistemleri (DSS), günlük yönetim faaliyetlerinin sorunlarını çözmeye en çok uyarlanan sistemlerdir, karar vericilere (DM) yardımcı olmak için tasarlanmış bir araçtır. KDS yardımıyla, çok kriterli olanlar da dahil olmak üzere bazı yapılandırılmamış ve yarı yapılandırılmış problemlere çözümler seçilebilir.

DSS, kural olarak, veri tabanları teorileri, yapay zeka, etkileşimli bilgisayar sistemleri ve simülasyon yöntemleri dahil olmak üzere çok disiplinli bir çalışmanın sonucudur.

Haklı olarak belirtildiği gibi, "... DSS'nin yaratılmasıyla ilgili ilk gelişmelerden bu yana, DSS'nin net bir tanımı yapılmamıştır ...".

KDS'nin ilk tanımları (1970'lerin başında) aşağıdaki üç noktayı yansıtıyordu: (1) yöneylem araştırmasının uğraştığı problemlerin aksine, yapılandırılmamış veya yarı yapılandırılmış problemlerle başa çıkma yeteneği; (2) etkileşimli otomatik (yani bilgisayar tabanlı) sistemler; (3) veri ve modellerin ayrılması. KDS'nin tanımları şunlardır: KDS, modellerin kullanımına dayalı olarak yöneticinin karar vermesine yardımcı olan veri ve yargıları işlemeye yönelik bir dizi prosedürdür.

DSS'nin yaratılış tarihi

Geçen yüzyılın 60'lı yıllarının ortalarına kadar, büyük bilgi sistemlerinin (IS) oluşturulması son derece pahalıydı, bu nedenle ilk yönetim bilgi sistemleri (Yönetim Bilgi Sistemleri - MIS olarak adlandırılır) bu yıllarda yalnızca oldukça büyük şirketlerde oluşturuldu. . MIS, yöneticiler için periyodik olarak yapılandırılmış raporlar hazırlamayı amaçlamıştır.

• 60'ların sonunda yeni bir IS türü ortaya çıktı - model odaklı DSS (Model Odaklı Karar Destek Sistemleri - DSS) veya yönetim karar sistemleri (Yönetim Karar Sistemleri - MDS).

DSS Keen PGW'nin öncülerine göre, Scott Morton MS (1978), karar destek kavramı "karar verme alanında teorik araştırma ... ve etkileşimli bilgisayar sistemlerinin oluşturulmasına ilişkin teknik çalışma" temelinde geliştirildi. "

• 1971'de Scott Morton'un, matematiksel modellerin kullanımına dayalı DSS'nin tanıtılmasının sonuçlarının ilk kez açıklandığı kitabı yayınlandı.

• 1974 - çalışma, yönetim bilgi sistemini tanımlar - MIS (Yönetim Bilgi Sistemi): “MIS, bir organizasyondaki operasyon, yönetim ve karar verme işlevlerini destekleyen entegre bir insan-makine bilgi sistemidir. Sistemler, bilgisayar donanımı ve yazılımı, yönetim ve karar verme modelleri ile bir veri tabanı kullanır.

• 1975 - J.D.C. Little, yönetimde DSS için önerilen tasarım kriterleri.

• 1978 - KDS oluşturmanın özelliklerini ayrıntılı olarak açıklayan KDS üzerine bir ders kitabı yayınlandı: analiz, tasarım, uygulama, değerlendirme ve geliştirme.

• 1980 - S. Alter'in DSS sınıflandırmasının temelini oluşturduğu tezi yayınlandı.

• 1981 - Kitapta Bonczek, Holsapple ve Whinston, DSS tasarımı için teorik temelleri oluşturdu. Tüm DSS'lerde bulunan 4 gerekli bileşeni seçtiler: 1) Dil Sistemi (LS) - DSS tüm mesajları alabilir; 2) Sunum Sistemi (PS) (DSSS kendi mesajlarını yayınlayabilir); 3) Bilgi Sistemi (KS) - DSS'nin tüm bilgisi korunur; 4) Problem İşleme Sistemi (PPS) - DSS'nin çalışması sırasında bir problemi tanımaya ve çözmeye çalışan bir yazılım "mekanizması".

• 1981 - R.Sprague ve E.Carlson kitabında DSS'nin pratikte nasıl oluşturulabileceğini anlattı. Aynı zamanda, Yönetici Bilgi Sistemi (EIS) geliştirildi - yönetimsel karar vermeyi desteklemek için mevcut yeterli bilgiyi sağlamak üzere tasarlanmış bir bilgisayar sistemi.

• 1990'lardan beri, sözde Veri Ambarı geliştirildi - veri ambarları.

• Yeni bin yılın başında, Web tabanlı bir DSS oluşturuldu.

• 27 Ekim 2005'te Moskova'da "Sağlıkta Bilgi ve Teletıp Teknolojileri" Uluslararası Konferansında (ITTHC 2005), A. Pastukhov (Rusya) yeni bir sınıf DSS - PSTM (Üst Yöneticilerin Kişisel Bilgi Sistemleri) sundu. PSTM ve mevcut DSS arasındaki temel fark, otomatik modda bilgilerin ön mantıksal ve analitik işlenmesi ve bilgilerin tek bir ekranda görüntülenmesi ile belirli bir karar verici için bir sistemin inşasıdır.

DSS sınıflandırmaları

DSS için yalnızca genel kabul görmüş tek bir tanım değil, aynı zamanda kapsamlı bir sınıflandırma da vardır. Farklı yazarlar farklı sınıflandırmalar sunar.

Kullanıcı düzeyinde, Haettenschwiler (1999) KDS'yi pasif, aktif ve işbirlikçi KDS'ye ayırır. Pasif KDS, karar verme sürecine yardımcı olan ancak hangi kararın verileceği konusunda öneride bulunamayan bir sistemdir. Aktif bir KDS, hangi çözümün seçilmesi gerektiğine dair bir öneride bulunabilir. Kooperatif, karar vericinin sistem tarafından sunulan çözümleri değiştirmesine, tamamlamasına veya iyileştirmesine ve ardından bu değişiklikleri doğrulama için sisteme göndermesine izin verir. Sistem bu çözümleri değiştirir, tamamlar veya geliştirir ve bunları kullanıcıya geri gönderir. Süreç, üzerinde anlaşmaya varılan bir karara varılıncaya kadar devam eder.

Kavramsal düzeyde, Power (2003), mesajlar tarafından yönlendirilen DSS (İletişim Odaklı DSS), veriler tarafından yönlendirilen DSS (Veriye Yönelik DSS), belgeler tarafından yönlendirilen DSS (Belgeye Dayalı DSS), bilgi tarafından yönlendirilen KDS (Bilgiye Dayalı DSS) arasında ayrım yapar. Driven DSS). ) ve modeller tarafından yönlendirilen DSS (Model-Driven DSS). Model güdümlü KDS, temel olarak matematiksel modellere (istatistiksel, finansal, optimizasyon, simülasyon) erişim ve bunların manipülasyonu ile karakterize edilir. Karmaşık veri analizine izin veren bazı OLAP sistemlerinin modelleme, arama ve veri işleme sağlayan hibrit DSS olarak sınıflandırılabileceğini unutmayın.

Yönetilen mesajlar (İletişim Odaklı DSS) (önceki grup DSS - GDSS) DSS, ortak bir görev üzerinde çalışan bir grup kullanıcıyı destekler.

Veriye dayalı DSS veya Veriye yönelik DSS, temel olarak veri erişimi ve manipülasyonuna odaklanır. DSS, belgeye dayalı (Belgeye Dayalı DSS), çeşitli biçimlerde belirtilen yapılandırılmamış bilgileri yönetin, arayın ve değiştirin. Son olarak, bilgiye dayalı DSS (Bilgiye Dayalı KDS), gerçekler, kurallar, prosedürler biçiminde problem çözme sağlar.

Üzerinde teknik seviye Power (1997), kurumsal çapta DSS ile masaüstü DSS arasında ayrım yapar. Tüm işletmenin DSS'si büyük bilgi havuzlarına bağlıdır ve işletmenin birçok yöneticisine hizmet eder. Masaüstü DSS (şimdiki değeri) küçük sistem sadece bir kullanıcının bilgisayarına hizmet veriyor. Başka sınıflandırmalar da mevcuttur (Alter, Holsapple ve Whinston, Golden, Hevner ve Power). Sadece, tüm DSS'leri 7 sınıfa ayıran, zamanı için mükemmel olan Alter'a sınıflandırmasının artık biraz modası geçmiş olduğunu not ediyoruz.

Bu sistemlerin çalıştığı verilere bağlı olarak, DSS şartlı olarak operasyonel ve stratejik olarak ayrılabilir. Operasyonel KDS, şirketin finansal ve iş süreçlerinin yönetimindeki mevcut durumdaki değişikliklere anında yanıt vermek üzere tasarlanmıştır. Stratejik KDS, çeşitli kaynaklardan toplanan önemli miktarda heterojen bilginin analizine odaklanır. Bu KDS'lerin en önemli amacı, şirket için hedef pazarların konjonktürü, değişiklikler gibi çeşitli faktörlerin etkisini dikkate alarak şirketin işinin gelişimi için en rasyonel seçenekleri bulmaktır. finansal piyasalar ve sermaye piyasaları, mevzuat değişiklikleri vb. Birinci tip DSS'ye denir. Bilgi sistemi Yönergeler (Yönetici Bilgi Sistemleri, ISR). Aslında, işletmenin işlemsel bilgi sisteminden alınan verilere dayanarak oluşturulan ve ideal olarak üretim ve finansal faaliyetlerin ana yönlerini gerçek zamanlı olarak yeterince yansıtan nihai rapor setlerini temsil ederler. ISR aşağıdaki ana özelliklere sahiptir:

• raporlar, kural olarak, kuruluş için standart sorgulara dayanır; ikincisinin sayısı nispeten azdır;
• ISR, tablolar, iş grafikleri, multimedya yetenekleri vb. dahil olmak üzere raporları en uygun biçimde sunar;
• kural olarak, WRI'lar, örneğin finans, pazarlama, kaynak yönetimi gibi belirli bir dikey pazara odaklanır.

İkinci tip KDS, karar verme sürecinde rahatlıkla kullanılabilecekleri şekilde özel olarak dönüştürülmüş, verilerin yeterince derin bir şekilde incelenmesini içerir. KDS'nin bu düzeydeki ayrılmaz bir bileşeni, toplu verilere dayalı olarak şirket yöneticilerinin kararlarını gerekçelendirmelerini, faktörleri kullanmalarını sağlayan karar kurallarıdır. sürdürülebilir büyüme iş ve riskleri azaltmak. İkinci tip DSS, son zamanlarda aktif olarak geliştirilmiştir. Bu tür teknolojiler, çok boyutlu temsil ve veri analizi ilkelerine dayanmaktadır (

DSS mimarisi farklı yazarlar tarafından farklı şekillerde temsil edilir. Bir örnek alalım. Marakas (1999), 5 farklı bölümden oluşan genel bir mimari önermiştir: (a) veri yönetim sistemi (DBMS), (b) model yönetim sistemi (MBMS), (c) bilgi makinesi ( bilgi motoru (KE)), (d) kullanıcı arayüzü ve (e) kullanıcı(lar).

notlar

Ayrıca bakınız

• karar teorisi

Bağlantılar

Edebiyat

1. Larichev OI, Petrovsky AV Karar destek sistemleri. Mevcut durum ve gelişimleri için beklentiler. // Bilim ve teknolojinin sonuçları. Sör. Teknik sibernetik. - T.21. M.: VINITI, 1987, s. 131-164, http://www.raai.org/library/papers/Larichev/Larichev_Petrovsky_1987.pdf
2. Saraev A. D., Shcherbina O. A. Sistem analizi ve modern Bilgi Teknolojisi// Kırım Bilimler Akademisi Bildirileri. - Simferopol: SONAT, 2006. - S. 47-59, http://matmodelling.pbnet.ru/Statya_Saraev_Shcherbina.pdf
3. Alter S. L. Karar destek sistemleri: mevcut uygulama ve devam eden zorluklar. Reading, Mass.: Addison-Wesley Pub., 1980.
4. Bonczek R.H., Holsapple C., Whinston A.B. Karar Destek Sistemlerinin Temelleri. New York: Academic Press, 1981.
5. Davis G. Yönetim Bilişim Sistemleri: Kavramsal Temeller, Yapı ve Gelişim. - New York: McGraw-Hill, 1974.
6. Druzzel M.J., Flynn R.R. Karar Destek Sistemleri. Kütüphane ve Bilgi Bilimi Ansiklopedisi. - A. Kent, Marcel Dekker, Inc., 1999.
7. Edwards J.S. Yönetim ve İdarede Uzman Sistemler - Karar Destek Sistemlerinden gerçekten farklılar mı? // Avrupa Yöneylem Araştırmaları Dergisi, 1992. - Cilt. 61.-s. 114-121.
8. Eom H., Lee S. Karar Destek Sistemleri Uygulamaları Araştırması: Bir Bibliyografya (1971-1988) // European Journal of Operational Research, 1990. - N 46. - s. 333-342.
9. Finlay P. N. Karar destek sistemlerinin tanıtılması. - Oxford, Birleşik Krallık Cambridge, Mass., NCC Blackwell: Blackwell Publishers, 1994.
10. Ginzberg M.I., Stohr E.A. Karar Destek Sistemleri: Sorunlar ve Perspektifler // Karar Destek için Süreçler ve Araçlar / ed. tarafından H.G. Sol.. - Amsterdam: Kuzey Hollanda Pub.Co, 1983.
11. Altın B., Hevner A., ​​​​Güç D.J. Karar İçgörü Sistemleri: Eleştirel Bir Değerlendirme // Bilgisayarlar ve Yöneylem Araştırması, 1986. - v. 13. - N2/3. - P. 287-300.
12. Haettenschwiler P. Neues anwenderfreundliches Konzept der Entscheidungs-untersstutzung. Gutes Entscheiden, Wirtschaft, Politik und Gesellschaft'ta. Zürih: Hochschulverlag AG, 1999. - S. 189-208.
13. Holsapple C.W., Whinston A.B. Karar Destek Sistemleri: Bilgiye Dayalı Bir Yaklaşım. - Minneapolis: West Publishing Co., 1996.
14. Keskin P.G.W. Karar destek sistemleri: bir araştırma perspektifi. Karar destek sistemleri: sorunlar ve zorluklar. G. Fick ve R.H. Sprague. Oxford; New York: Bergama Yayınları, 1980.
15. Keskin P.G.W. Karar Destek Sistemleri: Önümüzdeki on yıllar // Karar Destek Sistemleri, 1987. - v. 3.-s. 253-265.
16. Keen P.G.W., Scott Morton M.S. Karar destek sistemleri: örgütsel bir bakış açısı. Okuma, Mass.: Addison-Wesley Pub. Co., 1978.
17. Küçük I.D.C. Modeller ve Yöneticiler: Karar Hesabı Kavramı // Yönetim Bilimi, 1970. - v. 16. - N 8.
18. Marakas G. M. Yirmi birinci yüzyılda karar destek sistemleri. Upper Saddle River, NJ: Prentice Hall, 1999.
19. Power D. J. "DSS nedir?" // The On-Line Executive Journal for Data-Intensive Decision Support, 1997. - v. 1. - N3.
20. Power D.J. Web tabanlı ve modele dayalı karar destek sistemleri: kavramlar ve sorunlar. Amerika Bilgi Sistemleri Konferansı, Long Beach, California, 2000.
21. güç DJ Karar Destek Sistemlerinin Kısa Tarihi. DSSResources.COM, World Wide Web, sürüm 2.8, 31 Mayıs 2003.
22. Scott Morton M. S. Yönetim Karar Sistemleri: Karar Verme için Bilgisayar Tabanlı Destek. - Boston: Harvard Üniversitesi, 1971.
23. Sprague R.H., Carlson E. D. Etkili Karar Destek Sistemleri Kurmak. - Englewood Cliffs, NJ: Prentice-Hall, 1982.
24. Sprague R.H. Karar Destek Sistemlerinin Geliştirilmesi İçin Bir Çerçeve // ​​MIS Quarterly, 1980. - v. 4.-s. 1-26.
25. Thierauf R.J. Etkin Planlama ve Kontrol için Karar Destek Sistemleri. -Englewood Cliffs, N.J: Prentice Hall, Inc., 1982. - 536 s.

Wikimedia Vakfı. 2010 .

Diğer sözlüklerde "DSS" nin ne olduğunu görün:

KDS- Yangınla mücadele işleri için uzman kuruluş CJSC http://www.sppr.ru/​ Moskova, organizasyon DSS karar destek sistemi yönetimi DSS prizmatik cıva sarkıt lamba ... Kısaltmalar ve kısaltmalar sözlüğü

DSS RK- Komi Cumhuriyeti kuruluşu Komi Cumhuriyeti Sanayicileri, Girişimcileri ve İşverenleri Sendikası

Karar Destek Sistemleri(DSS), bir yöneticiye (veya süpervizöre) karar vermede yardımcı olmak için tasarlanmış, neredeyse her zaman etkileşimli bilgisayar sistemleridir. KDS'ler, 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 bir veritabanından alınır. Model, bazı varsayımlar altında karı hesaplamak için basit bir "kazanç ve kayıp" tipi 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. Şekil 1.4, bir karar destek sisteminin üç ana bileşen gerektirdiğini göstermektedir: bir yönetim modeli, verileri toplamak ve manuel olarak işlemek için bir veri yönetimi ve KDS'ye kullanıcı erişimini kolaylaştırmak için bir diyalog yönetimi. Kullanıcı, kullanılacak belirli modeli ve veri kümesini seçerek bir kullanıcı arabirimi aracılığıyla DSS ile etkileşime girer ve ardından DSS, sonuçları aynı kullanıcı arabirimi aracılığıyla kullanıcıya sunar. Yönetim modeli ve veri yönetimi, büyük ölçüde perde arkasında çalışır ve bir elektronik tablodaki nispeten basit bir genel modelden matematiksel programlamaya dayalı karmaşık, karmaşık bir planlama modeline kadar uzanır.

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, harcama ve gelir kategorilerindeki gelecekteki eğilimler hakkında çeşitli varsayımlar içerir. Temel modelin sonuçlarını değerlendirdikten sonra, yönetici bir veya daha fazla varsayımı değiştirerek bir veya daha fazla varsayımı değiştirerek bir dizi "eğer" çalışması yürütür. Örneğin, bir yönetici, yeni ürün satışlarının yıllık %10 artması durumunda kârlılık üzerindeki etkisini araştırabilir. Veya bir yönetici, hammadde fiyatlarında yıllık %4 yerine %7 gibi beklenenden daha büyük bir artışın etkisini araştırabilir. Bu tür bir finansal tablo oluşturucu, finansal karar verme sürecini yönlendirmek için basit ama güçlü bir KDS'dir.

Veri işlemlerini yürürlüğe koymak için bir DSS örneği, Kaliforniya'daki şehirler tarafından kullanılan polis sosyal yardım bütçeleme sistemidir. Bu sistem polis memurunun haritayı görmesini sağlar ve coğrafi alan verilerini görüntüler, polis çağrı seslerini, çağrı türlerini ve çağrı sürelerini gösterir. Sistemin etkileşimli grafik yeteneği, polis çıkış alternatiflerinin çeşitlerini hızlı ve kolay bir şekilde önermek için memurun haritayı, bölgeyi ve verileri manipüle etmesine olanak tanır.

DSS'nin başka bir örneği, büyük bir kağıt şirketinde hacim planlaması ve üretimi için etkileşimli bir sistemdir. Bu sistem, şirketin genel performansını çeşitli planlama varsayımları altında bir bilgisayarda oynamak için ayrıntılı geçmiş verileri, tahmin ve planlama modellerini kullanır. Çoğunluk petrol şirketleri yatırım karar verme sürecini desteklemek için KDS geliştirin. 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 sürecinde 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. DSS Jeneratör, kısmen bilgisayar bazında çalışmak üzere tasarlanmış bir yazılım paketidir. Mali tablo örneğimizde, Microsoft Excel veya Lotus 1-2-3, DSS oluşturucuları olarak kabul edilebilirken, bir şirketin özel bir şubesi için mali tabloların tasarlanması için Excel veya Lotus 1-2-3 modelleri belirli KDS'lerdir.

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

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 incelenmesi. Karar destek sistemini dikkate alarak, gaz beton üretiminin teknolojik sürecinin durumunu teşhis etme sürecinin "nasıl olacağını" modelleyin. DSS arayüzünün prototiplenmesi.

tez, eklendi 06/17/2017


Proje Uzmanının çözdüğü amaç ve ana görevlerin incelenmesi - yeni veya mevcut bir işletme için bir finansal model 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 sınıf sistemlerinin pazar analizi ve özellikleri. KDS'de kullanılan karar verme yöntemlerinin sınıflandırılması. İş zekası platformu seçimi, karşılaştırma kriterleri.

tez, eklendi 09/27/2016


Karar destek sistemlerinin sınıflandırılması. Perakende kredi risklerini değerlendirme yöntemlerinin karşılaştırmalı analizi. Karar destek sisteminin yapısı, ilk bilgi tabanının oluşumu. Bir bilgi sistemi veritabanı tasarlama.

tez, eklendi 07/10/2017


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

kontrol çalışması, eklendi 09/08/2011


Yeni ürünlerin piyasaya sürülmesiyle ilgili karar destek sorununu çözmek için algoritmik ve yazılım geliştirme. Ana girdi ve çıktı verileri olan yeni ürünlerin piyasaya sürülmesiyle ilgili karar desteği sorununun matematiksel desteği.

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

Bu makalenin yazılmasının amacı, Akıllı Karar Destek Sistemleri (Akıllı Karar Destek Sistemleri) oluşturma ilkelerine kısa bir genel bakış yapmaktı. IDSS), 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 teorisini derinlemesine incelemektir.

Tanıtım

Birkaç tanım var IDSS, genel olarak aynı işlevsellik etrafında döner. V Genel görünüm, IDSS, veri madenciliği, modelleme ve görselleştirme araçlarını kullanarak karar vericilerin (Karar Vericilerin) bu kararları vermelerine yardımcı olan, samimi (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. Çok iş parçacıklı girdi ihtiyacı (karar vermek için verilere, uzman görüşlerine, bilinen sınırlamalara vb. dayalı sonuçlara ihtiyacınız var)

İlk DSS (o zamanlar hala I olmadan) 60'ların ortalarında - 70'lerin başında TPS'den (İşlem İşleme Sistemleri) doğdu. O zaman bu sistemlerin herhangi bir etkileşimi yoktu, aslında bazı (hiç de büyük olmayan) sayısal modelleme işlevselliği ile RDBMS üzerindeki eklentileri temsil ediyordu. 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 ana bilgisayarları piyasaya girdikten sonra savunma sanayiinde, özel hizmetlerde ve araştırma enstitülerinde kullanılan koşullu ticari sistemler ortaya çıkmaya başladı.

1980'lerin başından beri, zaten oluşum hakkında konuşabiliriz. 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 hiyerarşi seviyelerindeki verilerle çalışabilen çerçevelerdi. (bireyselden kurumsala) ve içeride her türlü mantığı tanıtmak mümkündü. Bir örnek, Texas Instruments tarafından United Airlines için geliştirilen ve Saha Operasyonlarında karar vermeyi destekleyen GADS (Kapı Atama Görüntüleme Sistemi) sistemidir - kapıları atama, en uygun park etme süresini belirleme vb.

80'lerin sonlarında vardı PSSPR(Gelişmiş - Gelişmiş), "what-if" analizine izin verdi ve daha gelişmiş modelleme araçları kullandı.

Nihayet, 90'ların ortasından beri görünmeye başladı ve IDSS istatistik ve makine öğrenimi, oyun teorisi ve diğer karmaşık modelleme araçlarına dayanan .

DSS'nin Çeşitliliği

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

Uygulama alanına göre

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

Veri\model oranına göre(Stephen Alter yöntemi)

• FDS (Dosya Çekmece Sistemleri - gerekli verilere erişim sağlayan sistemler)
• DAS (Veri Analiz Sistemleri - hızlı veri işleme sistemleri)
• AIS (Analiz Bilgi Sistemleri - gerekli çözüm tipine 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 alet tipine göre

• Modele Dayalı - klasik modellere dayalı (doğrusal modeller, envanter yönetimi modelleri, nakliye, finans, vb.)
• Veri odaklı - geçmiş verilere dayalı
• İletişime Dayalı - uzmanlar tarafından grup kararı vermeye dayalı sistemler (görüş alışverişini kolaylaştıran ve ortalama uzman değerlerini hesaplayan sistemler)
• Belgeye Dayalı - esasen dizine alınmış (genellikle çok boyutlu) bir belge deposu
• Bilgi odaklı - aniden, bilgiye dayalı. Hem uzman hem de makine kaynaklı bilgi ne anlama geliyor?

Şikayet kitabı istiyorum! 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 yer aldığını göstereceğiz:

Ayrı olarak, ölçeklenebilirlik (mevcut çevik yaklaşımda onsuz yapamazsınız), kötü verileri işleme yeteneği, kullanılabilirlik ve kullanıcı dostu arayüz ve iddiasız kaynaklar gibi önemli özellikleri not ediyoruz.

IDSS'nin mimarisi ve tasarımı

Bir DSS'nin mimari olarak nasıl temsil edileceğine dair birkaç yaklaşım vardır. Yaklaşımlar arasındaki farkın belki de en iyi açıklaması "kim neyle ilgileniyor"dur. 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 her türlü aracı sıkıştırabilirsiniz.

Aşağıdaki şemada, işlevsellik ve araç örneklerinin bir açıklaması ile mimari vizyonumu sunuyorum:

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

Prensip olarak, burada roket bilimi yoktur. Bir IDSS oluştururken aşağıdaki adımlar izlenmelidir:

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

Diyagramda şöyle görünüyor:

IDSS'yi değerlendirmenin iki yolu vardır. İlk olarak, yukarıda sunulan öznitelik matrisi ile. İkincisi, 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 kendinize uygun bir kontrol listesi yapabileceğinizi vurguluyorum.

Makine öğrenimi ve oyun teorisi nerede?

Evet, neredeyse her yerde! En azından modelleme katmanında.

Bir yanda tedarik zinciri yönetimi, üretim, stoklar vb. klasik alanlar var, bunlara "ağır" diyelim. Ağır alanlarda, favori algoritmalarımız yerleşik klasik modellere ek içgörüler getirebilir. Örnek: ekipman arızaları için tahmine dayalı analitik (makine öğrenimi), bir tür FMEA analizi (klasik) ile harika çalışacaktır.

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

Klasik makine öğrenimi algoritmaları

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

Çok basit bir şekilde yapalım:

Adım 0. Hedef değişkeni belirleyin (örneğin, bitmiş üründeki titanyum oksit içeriği)
Adım 1. Verilere karar verin (SAP, Access ve genel olarak ulaşabildiğimiz her yerden yükleyin)
Adım 2. Özellikleri toplama\yenilerini oluşturma
Adım 3. Veri akışı sürecini çizin ve üretime alın
Adım 4. Modeli seçin ve eğitin, sunucuda çalıştırın
Adım 5. Tanımlayın özellik önemleri
Adım 6. Yeni veri girişine karar verin. Yöneticimizin örneğin elle girmesine izin verin.
Adım 7. Yöneticinin tutamaçlarla önemli özelliklerin değerlerini girdiği, bir model ile bir sunucu üzerinde döndüğü ve öngörülen ürün kalitesinin tükürüldüğü diz üzerine basit bir web tabanlı arayüz yazıyoruz. aynı arayüz

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 ihtiyaçları vb. tahmin edilir.

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

Fince Vaisala Finlandiya Ulaştırma Bakanlığı için bir sensör üreticisi olan , kazaları önlemek için yollarda buz çözme işleminin ne zaman uygulanması gerektiğini tahmin etmek için IDSS'yi kullanıyor.

Yine Fince. ön veri Adayın pozisyona uygunluğu konusunda daha özgeçmiş seçme aşamasında karar verilmesine yardımcı olan IDSS for HR sunmaktadır.

Dubai Havalimanı'nda kargo terminalinde, kargonun şüpheli niteliğini belirleyen bir DSS çalışır. Kaputun altında, eşlik eden belgelere ve gümrük memurları tarafından girilen verilere dayanan algoritmalar, şüpheli kargoları vurgular: özellikler menşe ülke, ambalaj bilgileri, beyan alanlarındaki özel bilgiler vb.

Binlercesi!

Geleneksel Sinir Ağları

Basit ML'ye ek olarak Derin Öğrenme, DSS'ye mükemmel şekilde uyar.

Bazı örnekler askeri-sanayi kompleksinde, örneğin Amerikan TACDSS'de (Taktik Hava Muharebe Karar Destek Sistemi) bulunabilir. Orada, nöronlar ve evrimsel algoritmalar içeride dönüyor, dost veya düşmanın belirlenmesine, belirli bir anda bir salvo vurma olasılığının değerlendirilmesine ve diğer görevlere yardımcı oluyor.

Biraz daha gerçek bir dünyada, şu örneği düşünün: B2B segmentinde, bir belge paketine dayalı olarak bir kuruluşa kredi verilip verilmeyeceğini belirlemeniz gerekir. B2C'de operatörün sizi telefonda sorularla eziyet etmesi, sistemindeki özelliklerin değerlerini yazması ve algoritmanın kararını duyurması B2B'de biraz daha karmaşıktır.

IDSS orada şu şekilde oluşturulabilir: potansiyel bir borçlu ofise önceden kararlaştırılan bir belge paketi getirir (beklendiği gibi, ya da taramaları e-postayla, imzalar ve mühürlerle gönderir), belgeler OCR'ye beslenir, daha sonra ofise aktarılır. Kelimeleri özelliklere bölen ve bunları NN'ye besleyen NLP algoritması. Müşteriden kahve içmesi istenir (en iyi ihtimalle), ya da kartın orada verildiği ve öğle yemeğinden sonra geldiği yer burasıdır, bu süre zarfında her şey hesaplanacak ve operatör kızın ekranında yeşil veya kırmızı bir gülen yüz gösterilecektir. Peki ya da sarı, tamam görünüyorsa, ama bilgi tanrısının daha fazla bilgiye ihtiyacı var.

Benzer algoritmalar Dışişleri Bakanlığı'nda da kullanılmaktadır: vize başvuru formu + diğer sertifikalar doğrudan elçilikte / konsoloslukta analiz edilir, ardından çalışan için ekranda 3 ifadeden biri görüntülenir: yeşil (vize verme), sarı (sorularınız var), kırmızı (durdurma listesindeki başvuru sahibi). ABD'ye daha önce vize aldıysanız, konsolosluk görevlisinin size verdiği karar, sizin hakkınızdaki kişisel öznel görüşü değil, tam olarak kurallarla birlikte algoritmanın sonucudur :)

Ağır alanlarda, üretim hatlarında tampon birikiminin yerlerini belirleyen nöronlara dayalı 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 Tüketici Kümelenmesi için Min-Maks Genel Bulanık Sinir Ağları (GFMMNN) ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Kaçak tespiti için sinir ağları ve grafik teorisine dayalı su dağıtım sistemleri için karar destek sistemi. Uzman Sistem Uygulaması 39(18):13214–13224) diğer.

Genel olarak, NN'lerin belirsizlik altında karar vermek için en uygun olduğunu belirtmekte fayda var, yani. gerçek işin yaşadığı koşullar. Kümeleme algoritmaları da iyi uyum sağlar.

Bayes ağları

Bazen verilerimizin oluşum türleri açısından heterojen olduğu görülür. Tıptan bir örnek verelim. Bize bir hasta geldi. Anketten (cinsiyet, yaş, kilo, boy vb.) ve anamnezden (örneğin geçmiş kalp krizleri) 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 diyoruz. İyi bir KDS'nin tüm bu verileri hesaba katabilmesi ve bilgilerin tamlığına dayalı olarak önerilerde bulunabilmesi gerektiği açıktır.

Dinamik veriler zamanla güncellenir, sırasıyla modelin kalıbı aşağıdaki gibi olacaktır: öğrenme-çözüm-öğrenme, genel olarak bir doktorun çalışmasına benzer: kabaca tanıyı belirleyin, 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.

Böyle durumlarda Kalman filtrelerine ve Hidden Markov Modellerine dayalı modellerin genelleştirilmesi olan Dinamik Bayes Ağları (DBN) bize çok yardımcı olacaktır.

Hasta üzerindeki verileri statik ve dinamik olarak ikiye 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 buz değil. Hastanın durumu değişiyor, zaman azalıyor, ona nasıl davranılacağına karar vermek gerekiyor.

DBS bunun için var.

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

Buna göre, toplu model aşağıdaki formu alacaktır:

Böylece sonucu aşağıdaki formüle göre hesaplıyoruz:

Neresi T- kümülatif hastanede kalış süresi, n- DBS adımlarının her birinde değişken sayısı.

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

Oyun Teorisi

Oyun teorisi ise stratejik karar verme için oluşturulan IDSS için çok daha uygundur. Bir örnek alalım.

Diyelim ki piyasada bir oligopol var (az sayıda rakip), belli bir lider var ve bu (ne yazık ki) bizim şirketimiz değil. Yönetimin ürünlerimizin hacimleri hakkında karar vermesine yardımcı olmamız gerekiyor: Hacimli ürünler üretiyorsak ve rakibimiz - kırmızıya gidecek miyiz? Basitleştirmek için, özel bir oligopol durumunu ele alalım - bir duopol (2 oyuncu). RandomForest burada veya CatBoost diye düşünürken klasik - Stackelberg dengesini kullanmanızı önereceğim. Bu modelde, firmaların davranışı, eksiksiz mükemmel bilgiye sahip dinamik bir oyunla tanımlanırken, oyunun özelliği, ilk önce malların çıktı hacmini belirleyen lider bir firmanın varlığıdır ve firmaların geri kalanı, hesaplamalarında ona rehberlik eder.
Sorunumuzu çözmek için, aşağıdaki formun optimizasyon problemini çözecek olan böyle hesaplamamız gerekiyor:

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

Aynı zamanda, böyle bir model için, sadece pazardaki teklifi ve rakibimizden ürün başına maliyeti bilmemiz, ardından bir model oluşturmamız ve ortaya çıkan sonucu karşılaştırmamız gerekir. Q yönetimimizin piyasaya sürmek istediği ile. Katılıyorum, NN'yi kesmekten biraz daha kolay ve hızlı.

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

ML ile ToG arasındaki savaşta bir kazanan aramak anlamsızdır. Artıları ve eksileri ile sorunu çözmek için çok farklı yaklaşımlar.

Sıradaki ne?

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

Aynı Bayes ağlarının yaratıcısı olan Judah Pearl, yakın tarihli bir röportajda ilginç bir noktaya değindi. Hafifçe yeniden ifade etmek için,

“Şu anda tüm makine öğrenimi uzmanlarının yaptığı, verilere bir eğri uydurmak. Uydurma önemsiz, karmaşık ve kasvetli değil, yine de uygun. ”

(okuman)

Büyük olasılıkla, wangyu, 10 yıl içinde sabit kodlama modellerini durduracağız ve bunun yerine oluşturulan simüle edilmiş ortamlarda her yerde bilgisayarları öğretmeye başlayacağız. Muhtemelen, IDSS'nin uygulanması bu yolda ilerleyecektir - AI ve diğer skynet'lerin ve WAPR'lerin yolu boyunca.

Daha yakından bakarsak, IDSS'nin geleceği kararların esnekliğinde yatmaktadır. 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, Hoffenheim 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

Yüksek Mesleki Eğitim Federal Devlet Bütçe Eğitim Kurumu

"ULUSAL EKONOMİ RUSYA 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, Filolojik Bilimler 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 depoları

4 OLAP teknolojileri

5 Veri madenciliği

6 Karar destek sistemlerinin sınıflandırılması

7 Uygulama

8 DSS pazarı

9 Karar Destek Sistemi Değerlendirmesi (KDS)

Bölüm 2 Rusya Merkez Bankası'nın bölgesel şubeleri örneğinde DSS'nin uygulanması uygulaması

1 Çalışmanın amaç ve hedeflerinin formülasyonu, incelenen nesnenin özellikleri

2 Genel bakış ve iş tanımı

2.1 Rusya Merkez Bankası'nın bölgesel şubelerinin faaliyetlerinin yönetiminde bir DSS'nin geliştirilmesi

2.2 İşlevsel alt sistemlerin tanımı

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

3 Bu KDS'nin uygulanmasının sonuçları ve sonuçları

Çözüm

bibliyografya

Tanıtım

Gelişen piyasa ilişkileri, yönetimin ademi merkeziyetçiliği, bilginin hızla eskimesi, modern lider üzerindeki yüksek talepleri belirler. Yönetim hükümlerinin bilgi ve becerikli kullanımı, başın işini büyük ölçüde kolaylaştırır, işi önceliklendirmesine ve sistematik hale getirmesine yardımcı olur. Organizasyon yapıları, tüm yönetim faaliyetlerinin üzerine inşa edildiği temel olarak hizmet eder.

Kuruluşlar, birimlerinin ve çalışanlarının faaliyetlerinin koordinasyonunu ve kontrolünü sağlamak için yapılar oluşturur. Örgütlerin yapıları karmaşıklık (yani faaliyetlerin çeşitli işlevlere bölünme derecesi), resmileşme (yani önceden belirlenmiş kuralların ve prosedürlerin kullanılma derecesi), merkezileşme ve ademi merkeziyetçilik oranı (yani, , yönetimsel çözümlerin hangi seviyelerde olduğu).

Örgütlerdeki yapısal ilişkiler, birçok araştırmacı ve yöneticinin odak noktasıdır. Hedeflere etkin bir şekilde ulaşmak için işin yapısını, departmanları ve fonksiyonel birimleri anlamak gerekir. İşin ve insanların organizasyonu, büyük ölçüde işçilerin davranışlarını etkiler. Yapısal ve davranışsal ilişkiler, organizasyonun amaçlarını belirlemeye yardımcı olur, çalışanların tutum ve davranışlarını etkiler. Yapısal yaklaşım, faaliyetlerin temel öğelerini ve bunlar arasındaki ilişkileri sağlamak için organizasyonlarda uygulanır. İş bölümü, kontrol kapsamı, ademi merkeziyetçilik ve bölümlendirmenin kullanımını içerir.

Modern üretimin ve toplumsal yapının dinamizmi bağlamında yönetim, Sürekli gelişim bugün bu gelişmenin yollarını ve olanaklarını keşfetmeden, alternatif yönler seçmeden elde edilemez. Yönetim araştırması, yöneticilerin ve personelin günlük faaliyetlerinde ve uzmanlaşmış analitik grupların, laboratuvarların, bölümlerin çalışmalarında gerçekleştirilir. Yönetim sistemleri araştırmasına duyulan ihtiyaç, birçok organizasyonun yüzleşmek zorunda olduğu oldukça geniş bir problem yelpazesi tarafından belirlenir. İtibaren doğru karar bu sorunlar bu kuruluşların başarısına bağlıdır.

Yönetimin örgütsel yapısı, hedefler, işlevler, yönetim süreci, yöneticilerin çalışmaları ve aralarındaki yetki dağılımı ile yakından ilişkili, yönetimin anahtar kavramlarından biridir. Bu yapı içerisinde tüm Yönetim süreci(bilgi akışlarının hareketi ve yönetimsel kararların benimsenmesi), tüm düzeylerdeki, kategorilerdeki ve profesyonel uzmanlıklardaki yöneticileri içerir. Yapı, içinde meydana gelen tüm süreçlerin zamanında ve yüksek kalitede yürütülmesini sağlamak için inşa edilen yönetim sistemi binasının çerçevesine benzetilebilir.

Kuruluşun yapısındaki, işleyiş özelliklerindeki farklılıklar, yönetim faaliyetleri üzerinde çok önemli bir iz bırakır ve bazı durumlarda bunun üzerinde belirleyici bir etkiye sahiptir. Ek olarak, liderin faaliyetleri, psikolojik özellikleri sadece organizasyon yapısının türüne değil, aynı zamanda bu yapıdaki hiyerarşik yerine de bağlıdır, ki bu aslında bu konunun konusunu oluşturmaktadır. dönem ödevi en günceli.

Örgütsel yönetim yapılarının bilimsel olarak doğrulanmış oluşumu, ekonomik varlıkların modern uyum aşamasının acil bir görevidir. Pazar ekonomisi. Modern koşullarda, sistematik bir yaklaşıma dayalı bir yönetim organizasyonu tasarlamanın ilke ve yöntemlerini yaygın olarak kullanmak gerekir.

BU DERSİN AMACI ÇALIŞMA, organizasyonun yönetim yapısındaki hiyerarşi ilkesini incelemektir.

Bu hedefe ulaşmak için, çalışmada aşağıdaki görevler tanımlanmıştır:

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, yönetim karar destek sistemlerinin oluşturulması konularına yönelik yerli ve yabancı yazarların bilimsel çalışmaları ve gelişmelerinden yararlanılmıştır. Makale, Rus ve yabancı basında yayınlanan materyallerin yanı sıra uzmanlaşmış profesyonel İnternet sitelerinde sunulan materyalleri kullanıyor.

Bölüm 1. Karar destek sistemlerinin teorik yönleri ve kavramları

1 Karar destek sisteminin tanımı, işlevleri

Kentin gelişiminin strateji ve taktikleri hakkında alınan kararların dikkatlice düşünülmesi ve gerekçelendirilmesi gerektiği açıktır. Bu özellikle sosyo-ekonomik sistemlerde önemlidir, çünkü alınan kararlar yaşayan insanları, onların maddi ve manevi durumlarını ilgilendirmektedir. Ancak bugüne kadar belediye başkanının, şehir yönetiminin, komitelerin kararları liderlerin deneyim ve sezgilerine dayanmaktadır. Ancak sosyo-ekonomik sistemler karmaşıktır ve genellikle ilk bakışta belirgin olmayan çok sayıda doğrudan ve geri bildirim ilişkisinin 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. V son yıllar yönetimsel işlerin otomasyonu alanında yeni bir yön oluşturulmuş ve aktif olarak kullanılmaktadır - karar destek sistemleri. Çeşitli endüstrilerde başarıyla kullanılmaktadırlar: telekomünikasyon, finans, ticaret, endüstri, tıp ve diğerleri.

Karar destek sistemleri (DSS) kavramı şunları içerir: bütün çizgi ortak bir amaç tarafından birleştirilen fonlar - rasyonel ve etkili yönetim kararlarının benimsenmesini teşvik etmek.

Bir karar destek sistemi (DSS), amacı, konu faaliyetinin eksiksiz ve objektif bir analizi için zor koşullarda karar veren kişilere yardımcı olmak olan bir bilgisayar otomatik sistemidir. Veritabanları ile karar kurallarını ve karşılık gelen modelleri kullanan etkileşimli bir sistem ve etkileşimli bir bilgisayar simülasyon sürecidir.

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, amaca en uygun olanı seçmeli, ancak aynı zamanda çok sayıda çelişkili gereksinimi dikkate almalı ve bu nedenle seçilen çözümü birçok kritere göre değerlendirmelidir.

Karar destek sistemi, karmaşık bir bilgi ortamında çok kriterli kararları desteklemek için tasarlanmıştır. Aynı zamanda çok kriter, alınan kararların sonuçlarının tek bir kişi tarafından değil, aynı anda ele alınan birçok göstergenin (kriter) toplamı 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, sayı Muhtemel çözümler, kural olarak, çok büyüktür ve kapsamlı bir analiz yapılmadan en iyisinin "gözle" seçimi, büyük hatalara yol açabilir.

DSS ayrıca iş liderlerinin işini kolaylaştırmayı ve verimliliğini artırmayı mümkün kılar. İş hayatındaki sorunların çözümünü önemli ölçüde hızlandırırlar. KDS kişilerarası temasın kurulmasına katkıda bulunur. Bunların temelinde, personelin eğitimi ve eğitimi gerçekleştirilebilir. Bu bilgi sistemleri, kuruluşun faaliyetleri üzerindeki kontrolü artırmanıza izin verir. İyi işleyen bir DSS'nin varlığı, rakip yapılara göre büyük avantajlar sağlar. DSS tarafından öne sürülen öneriler sayesinde, günlük ve standart olmayan görevleri çözmeye yönelik yeni yaklaşımlar açılıyor.

DSS, aşağıdaki ayırt edici özelliklerle karakterize edilir:

· kötü yapılandırılmış (resmileştirilmiş) görevleri çözmeye yönelme, özellikle yüksek düzeyde yönetim için tipiktir;

· birleştirme 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 odaklanmak;

· mevcut donanım ve yazılımın özelliklerine ve ayrıca kullanıcı gereksinimlerine uyum sağlama yeteneği sağlayan yüksek uyarlanabilirlik.

Karar destek sistemi iki ana görevi çözer:

.olası çözümlerden en iyisinin seçilmesi (optimizasyon);

2.olası çözümleri tercihe göre sıralama (sıralama).

KDS'deki önerilerin analizi ve geliştirilmesi için farklı yöntemler kullanılmaktadır. Olabilir:

· bilgi arama,

· veri madenciliği,

· bilgi aramak veritabanları,

· vakaya dayalı akıl yürütme

· simülasyon Modelleme,

· evrimsel hesaplama ve genetik algoritmalar,

· nöral ağlar,

· durum analizi,

· bilişsel modelleme vb.

Bu yöntemlerden bazıları yapay zeka çerçevesinde geliştirilmiştir. DSS'nin çalışması yapay zeka yöntemlerine dayanıyorsa, entelektüel bir DSS veya IDSS'den bahsediyorlar.

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

Sistem, şirketin faaliyetlerine ilişkin muhasebe verilerine dayanarak operasyonel ve stratejik yönetim sorunlarını çözmenize olanak tanır.

Karar destek sistemi, şirketin kendi geliştirmelerinden ve satın alınan yazılım ürünlerinden (Oracle, IBM, Cognos) oluşan veri analizi, modelleme, tahmin ve yönetim karar verme 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. 60'larda Massachusetts Institute of Technology'den uzmanlar tarafından teori ile pratiği birleştirmek mümkün oldu. 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 büyük ölçüde azalttı ve O Uluslararası Havaalanı'na kadar çeşitli havaalanlarının yönetimini ayarladı. Chicago'da Hare ve Denver, Colorado'da Stapleton ile bitiyor. 90'lı yıllarda, veri ambarlarının ve OLAP araçlarının tanıtılması nedeniyle DSS yeteneklerinin kapsamı genişledi. Yeni raporlama teknolojilerinin ortaya çıkması, yönetimde KDS'yi vazgeçilmez hale getirmiştir.

1.2 KDS'nin Yapısı

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

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

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

· Veri madenciliği araçları. Veri madenciliği araçları yardımıyla derin veri madenciliği yapabilirsiniz. (Daha fazla ayrıntı Bölüm 1, paragraf 1.5'te)

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 model kompleksine dayanmaktadır.

Aşağıdaki Şekil 1, mimari ve teknolojik bilgi şemasını ve analitik karar desteğini göstermektedir:

Şekil.1 KDS'nin mimari ve teknolojik şeması

Analitik DSS sistemleri, üç ana görevin çözülmesine izin verir:

.raporlama,

.gerçek zamanlı bilgi analizi (OLAP),

.veri madenciliği.

3 Veri depoları

Karar vermenin, kontrol nesnesi hakkındaki gerçek verilere dayanması gerektiği açıktır. Bu tür bilgiler genellikle OLTP sistemlerinin operasyonel veri tabanlarında saklanır. Ancak bu operasyonel veriler 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, toplu bilgileri uygun bir biçimde içeren ayrı bir veri ambarının (DW) oluşturulmasıdır. Bir veri ambarı oluşturmanın amacı, bir bütün olarak kontrol nesnesinin tek ve tutarlı bir görünümünü oluşturmak için heterojen kaynaklardan gelen operasyonel verileri entegre etmek, güncellemek ve uyumlu hale getirmektir. Aynı zamanda, veri ambarları kavramı, işlemsel işleme için kullanılan veri kümeleri ile karar destek sistemlerinde kullanılan veri kümelerini ayırma ihtiyacının tanınmasına dayanmaktadır. Böyle bir ayırma, çeşitli veri işleme sistemlerinde (DPS) ve dış kaynaklarda ayrılmış ayrıntılı verilerin tek bir havuzda, bunların koordinasyonu ve muhtemelen bir araya getirilmesiyle bütünleştirilmesiyle mümkündür.

DSS veri ambarlarının ana avantajlarına dikkat edilmelidir:

· Tek bir 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 desteklenmesini kolaylaştıracak tek bir arayüze, birleşik depolama yapılarına, ortak dizinlere ve diğer kurumsal standartlara sahip olacaktır.

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

· Performans: Veri ambarının fiziksel yapıları, gerçekten hızlı sorgulama sistemleri oluşturmanıza olanak tanıyan tamamen rastgele seçimler gerçekleştirmek için özel olarak optimize edilmiştir.

· 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 yapılır, bu nedenle birkaç kaynaktan bilgi gerektiren sorgular için her seferinde bir veri bağlantısı yapılması gerekli değildir. Entegrasyon, yalnızca verilerin ortak fiziksel olarak depolanmasını değil, aynı zamanda bunların asli, koordineli birlikteliğini de ifade eder; oluşumları sırasında temizlik ve hizalama; teknolojik özelliklere uygunluk vb.

· Tarihsellik ve kararlılık: OLTP sistemleri, uygulama ve saklama süresi genellikle mevcut iş döneminin değerini (altı aydan bir yıla kadar) aşmayan güncel verilerle çalışır, bilgi veri ambarı ise hedeflenir. 10-15 yıl boyunca bilgilerin uzun süreli depolanması. Kararlılık, veri ambarındaki gerçek bilgilerin güncellenmemesi veya silinmemesi, yalnızca iş özelliklerindeki değişikliklere özel bir şekilde uyarlanması anlamına gelir. Böylece bilginin tarihsel bir analizini yapmak mümkün hale gelir.

· Bağımsızlık: bilgi depolama tahsisi, analitik uygulamalardan OLTP sistemleri üzerindeki yükü önemli ölçüde azaltır, bu nedenle mevcut sistemlerin performansı bozulmaz, ancak pratikte yanıt süresinde bir azalma ve sistem kullanılabilirliği artar.

Böylece veri ambarı aşağıdaki senaryoya göre çalışır. Belirli bir düzenlemeye göre, çeşitli kaynaklardan - çevrimiçi işleme sistemlerinin veritabanlarından - veri toplar. Depolama, kronolojiyi destekler: mevcut verilerle birlikte, geçmiş veriler, atıfta bulundukları zamanın bir göstergesiyle 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 ambarı temelinde, yönetim için raporlar hazırlamak, OLAP teknolojilerini kullanarak verileri analiz etmek ve veri madenciliği (Veri Madenciliği) zaten mümkündür.

DSS raporlama hizmeti, özellikle düzenlenen raporların sayısı çok olduğunda ve raporların biçimleri sıklıkla değiştiğinde, kuruluşun her türlü bilgi raporunun, sertifikanın, belgenin, özet beyanın vb. oluşturulmasıyla başa çıkmasına yardımcı olur. DSS araçları, raporların yayınlanmasını otomatik hale getirerek, bunların depolanmasını elektronik forma dönüştürmeyi ve dağıtmalarını mümkün kılar. Şirket ağışirket çalışanları arasında.

Büyük kurumsal veri ambarlarının yanı sıra Data Mart'lar da yaygın olarak kullanılmaktadır. Bir data mart, belirli bir dar konu alanı için, bir iş konusuyla ilgili verileri depolamaya odaklanan küçük, özel bir depolamadır. Bir data mart projesi daha az yatırım gerektirir ve çok kısa sürede tamamlanır. Bir şirketin muhasebe departmanı için bir gelir veri marketi ve bir şirketin pazarlama departmanı için bir müşteri data marketi gibi birkaç veri marketi olabilir.

1.4 OLAP teknolojileri

OLAP sistemiyle etkileşime giren kullanıcı, bilgilerin esnek bir şekilde görüntülenmesini 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 temsiline dayanır.

OLAP terimi, 1993 yılında E. F. Codd tarafından tanıtıldı. Yazısında, ilişkisel modelin eksikliklerini, öncelikle "verileri çok boyutlu olarak, yani kurumsal analistler için en anlaşılır şekilde birleştirememe, görüntüleyememe ve analiz edememe" olarak ele almış ve tanımlamıştır. Genel Gereksinimler ilişkisel VTYS'nin işlevselliğini genişleten ve özelliklerinden biri olarak çok boyutlu analizi içeren OLAP sistemlerine.

Codd'a göre, çok boyutlu bir kavramsal görüş, yönetim personelinin yönetim nesnesine ilişkin en doğal görüşüdür. Belirli veri setlerinin analiz edilebildiği birkaç bağımsız boyuttan oluşan çoklu bir bakış açısıdır. Verilerin çoklu boyutları üzerinde eş zamanlı analiz, çok değişkenli analiz olarak tanımlanır. Her boyut, bir dizi ardışık genelleme düzeyinden oluşan veri birleştirme yönlerini içerir; burada her bir üst düzey, ilgili boyut için daha büyük bir veri toplama derecesine karşılık gelir. Böylece Yüklenici boyutu, "işletme - alt bölüm - departman - çalışan" genelleme düzeylerinden oluşan konsolidasyon yönü ile belirlenebilir. "Zaman" boyutu, konsolidasyonun iki yönünü de 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. İniş işlemi (delme), daha yüksek konsolidasyon seviyelerinden alt seviyelere doğru harekete tekabül eder; aksine kaldırma (yuvarlama) işlemi, daha düşük seviyelerden daha yüksek seviyelere hareket etmek anlamına gelir.

1.5 Veri madenciliği

DSS'ye en büyük ilgi, sorunun en eksiksiz ve derinlemesine analizine izin verdiği, gizli ilişkileri tespit etmeyi ve en makul kararı vermeyi mümkün kıldığı için veri madenciliğidir. Donanım ve yazılımın mevcut geliştirme düzeyi, bir süredir çeşitli yönetim seviyelerinde operasyonel bilgi veritabanlarının korunmasını mümkün kılmıştır. Faaliyetleri sırasında endüstriyel işletmeler, şirketler, bölüm yapıları, organlar Devlet gücü ve yerel yönetimler büyük miktarda veri biriktirdi. Gizli eğilimleri belirleyebileceğiniz, bir geliştirme stratejisi oluşturabileceğiniz ve yeni çözümler bulabileceğiniz faydalı analitik bilgileri çıkarmak için büyük bir potansiyel içerirler.

Veri madenciliği, IAD (Veri Madenciliği), verilerdeki gizli kalıpların (bilgi kalıplarının) aranmasına dayanan bir karar destek sürecidir. Aynı zamanda, 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 belirlemek ve yorumlamak için tasarlanmış istisna 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. Kentin sosyo-ekonomik gelişimini modellemenin ana yöntemi, şehir sistemini deneysel bir yaklaşımla 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, bu sistem sınıfına aittir. Temelde, stratejik ve taktik düzeylerdeki yerel yönetimler, karmaşık bir sosyo-ekonomik kentsel sistemin gelişiminin dinamiklerini analiz etme, ilk bakışta açık olmayan ilişkileri belirleme, çeşitli alternatifleri karşılaştırma, anomalileri analiz etme ve en iyisini yapma fırsatı buluyor. makul karar.

KDS'de birleşik karar verme yöntemlerinin yapay zeka yöntemleri ve bilgisayar modellemesi, çeşitli simülasyon ve optimizasyon prosedürleri, karar verme ile uzman prosedürler ile birlikte kullanılması umut vericidir.

1.6 DSS sınıflandırmaları

Kullanıcıyla etkileşime dayalı olarak 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. Sistem tarafından öne sürülen teklife son şekli verilebilir, geliştirilebilir ve daha sonra doğrulama için sisteme geri gönderilebilir. Bundan sonra, teklif tekrar kullanıcıya sunulur ve bu, kararı onaylayana kadar devam eder.

Destek yöntemine göre:

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

· İletişime dayalı DSS, ortak bir görevde yer alan iki veya daha fazla kullanıcının çalışmasını destekler;

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

· Belge yönelimli KDS, çeşitli elektronik formatlarda bulunan yapılandırılmamış bilgileri manipüle eder;

· Bilgiye dayalı KDS, sorunlara özel, gerçeklere dayalı çözümler sunar.

Kullanım alanına göre şunlar vardır:

· Sistem genelinde - büyük depolama sistemleriyle çalışır ve birçok kullanıcı tarafından kullanılır.

Mimari ve çalışma prensibine göre:

· İşlevsel DSS.

Mimari açıdan en basitleridir. 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'nin avantajları, tek bir platformun kullanılmasından kaynaklanan kompaktlık ve verileri özel bir sisteme yeniden yükleme ihtiyacının olmaması nedeniyle verimliliktir. Eksiklikler arasında şunlar belirtilebilir: sistem kullanılarak çözülen sorunların aralığının daralması, temizlik için bir aşama olmaması nedeniyle veri kalitesinde bir azalma, yükte bir artış işletim sistemi sonlandırma potansiyeli ile.

· Bağımsız veri marketlerini kullanan DSS.

Bilgi teknolojisi departmanları da dahil olmak üzere çeşitli departmanları olan büyük kuruluşlarda kullanılırlar. Her özel data mart, belirli sorunları çözmek için oluşturulur ve belirli bir kullanıcı yelpazesine odaklanır. Bu, sistem performansını büyük ölçüde artırır. Bu tür yapıların uygulanması oldukça basittir. Olumsuz noktalardan, verilerin tekrar tekrar farklı vitrinlere girildiği, dolayısıyla çoğaltılabileceği belirtilebilir. Bu, bilgi depolama maliyetini artırır ve birleştirme prosedürünü karmaşıklaştırır. Birden fazla kaynak kullanmanız gerektiğinden veri marketlerini doldurmak oldukça zordur. Nihai bir veri konsolidasyonu olmaması nedeniyle, kuruluşun işine dair tek bir resim yoktur.

· İki seviyeli bir veri ambarına dayalı DSS.

Kullanılan büyük şirketler verileri tek bir sistemde birleştirilir. 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. Böyle bir DSS mimarisi, öncekinin eksikliklerinden yoksundur, ancak bireysel kullanıcı grupları için verileri yapılandırma ve ayrıca bilgiye erişimi kısıtlama yeteneğine sahip değildir. Sistem performansı sorunları yaşayabilirsiniz.

· Üç seviyeli 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 bir veri modeli var. Bu tür DSS, garantili performans ile ayırt edilir. Ancak, depolama gereksinimlerinde bir artışa yol açan veri fazlalığı vardır. Ek olarak, böyle bir mimariyi, potansiyel olarak farklı gereksinimlere sahip çeşitli alanlarla koordine etmek gerekir.

Sistem arayüzünün işlevsel içeriğine bağlı olarak, iki ana DSS türü vardır: EIS ve DSS (Yürütme Bilgi Sistemi) - kurumsal yönetim için bilgi sistemleri. Bu sistemler hazırlıksız kullanıcılara yöneliktir, basitleştirilmiş bir arayüze, sunulan temel bir dizi özelliğe ve sabit bilgi sunum biçimlerine sahiptir. EIS sistemleri, söz konusu bilgiyi büyük şirket tesisleri düzeyine kadar derinleştirme olasılığı ile, şirketin iş performans göstergelerinin ve bunların gelişim eğilimlerinin mevcut durumunun genel bir görsel resmini çizer. EIS-systems - şirket yönetiminin DSS teknolojilerinin ortaya çıkışından gördüğü gerçek geri dönüş (Karar Destek Sistemi) 7 - Her iki konu alanında da bilgi sahibi olan eğitimli kullanıcılar için tasarlanmış, verileri analiz etmek ve araştırmak için tam özellikli sistemler araştırma ve bilgisayar okuryazarlığı açısından. Genellikle, DSS sistemlerini uygulamak için (veri mevcutsa), OLAP sistemleri ve Veri Madenciliği için çözüm sağlayıcılardan özel yazılımları kurmak ve yapılandırmak yeterlidir.

Sistemlerin iki türe bu şekilde bölünmesi, bir DSS'nin inşasının her zaman bu türlerden yalnızca birinin uygulanmasını içerdiği anlamına gelmez. EIS ve DSS paralel olarak çalışabilir, ortak veri ve/veya hizmetleri paylaşarak, işlevselliğini şirketlerin hem üst yönetimine hem de analitik departmanlarına sağlar.

1.7 Uygulamalar

Telekomünikasyon

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

Çağrı özelliklerine sahip kayıtların analizi, belirli bir kategorideki müşterileri çekme yaklaşımınızı farklılaştırmak için benzer davranış kalıplarına sahip müşteri kategorilerini belirlemenize olanak tanır.

Belirli reklam kampanyalarına yanıt olarak sağlayıcıları sürekli değiştiren müşteri kategorileri vardır. DSS, "istikrarlı" müşterilerin en karakteristik özelliklerini tanımlamanıza olanak tanır, yani. bir şirkete uzun süre sadık kalan müşteriler, pazarlama politikalarını bu belirli müşteri kategorisini elde tutmaya odaklamayı mümkün kılar.

Bankacılık

DSS, iş verimliliğini önemli ölçüde artırabilen kredi kartları, krediler, yatırımlar vb. gibi bankacılığın çeşitli yönlerini daha iyi izlemek için kullanılır.

Dolandırıcılık vakalarının belirlenmesi, kredi vermenin risk değerlendirmesi, müşterideki değişikliklerin tahmin edilmesi - DSS'nin kapsamı ve veri madenciliği yöntemleri. Müşterilerin sınıflandırılması, benzer ihtiyaçları olan müşteri gruplarının seçimi, belirli bir müşteri kategorisine daha çekici hizmet grupları sağlayarak, hedeflenen bir pazarlama politikasına izin verir.

Sigorta

Bir dizi DSS uygulaması sigorta işi klasik olarak adlandırılabilir - potansiyel dolandırıcılık vakalarının belirlenmesi, risk analizi, müşteri sınıflandırmasıdır.

Büyük miktarlar söz konusu olduğunda, sigorta tazminat taleplerinde belirli kalıp yargıların tespiti, gelecekte dolandırıcılık vakalarının sayısını azaltabilir.

Sigorta yükümlülükleri kapsamındaki ödeme durumlarının karakteristik özelliklerini analiz etmek, Sigorta şirketleri kayıplarını azaltabilir. Elde edilen veriler, örneğin, belirlenen kriterlere giren müşteriler için indirim sisteminin revize edilmesine 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, tedarik ve depolama planlaması, ortak satın almaların analizi ve zaman içindeki davranış kalıplarını araştırma gibi sorunları çözmek için DSS teknolojilerini kullanır.

Satın alma sayısı ve belirli bir süre boyunca stokta bulunan 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 tanımlanması, örneğin, ortak satın alma olasılığını artırmak için bunları bitişik raflara yerleştirmeye izin verir.

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

İlaç

Tıbbi teşhis yapmak için birçok uzman sistem vardır. Esas olarak, çeşitli hastalıkların çeşitli semptomlarının kombinasyonlarını tanımlayan kurallar temelinde inşa edilirler. Bu tür kuralların yardımıyla, sadece hastanın neyle hasta olduğunu değil, aynı zamanda ona nasıl davranılacağını da öğrenirler. Kurallar, ilaç araçlarını seçmeye, endikasyonları - kontrendikasyonları belirlemeye, tedavi prosedürlerinde gezinmeye, en etkili tedavi için koşullar yaratmaya, öngörülen tedavi sürecinin sonuçlarını tahmin etmeye vb. yardımcı olur. Veri Madenciliği teknolojileri, kalıpları tespit etmeyi mümkün kılar. bu kuralların temelini oluşturan tıbbi verilerde.

Moleküler genetik ve genetik mühendisliği

Deneysel verilerdeki düzenlilikleri keşfetmenin belki de en keskin 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. Birkaç büyük firmanın, insan ve bitki genomlarını deşifre etmek için bu yöntemlerin uygulanmasında uzmanlaştığı bilinmektedir.

Uygulamalı Kimya

Veri madenciliği yöntemleri uygulamalı kimyada (organik ve inorganik) yaygın olarak kullanılmaktadır. Burada, genellikle, özelliklerini belirleyen belirli bileşiklerin kimyasal yapılarının özelliklerinin açıklığa kavuşturulması sorusu ortaya çıkar. Bu görev, açıklaması yüzlerce ve binlerce yapısal element ve bunların bağlarını içeren karmaşık kimyasal bileşiklerin analiziyle özellikle ilgilidir.

1.8 DSS pazarı

KDS pazarında şirketler, karar destek sistemlerinin oluşturulması için aşağıdaki hizmet türlerini sunmaktadır:

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

· Veri ambarı ve İş Zekası araçları dahil olmak üzere tamamen işlevsel DSS sistemlerinin Müşteri ile birlikte oluşturulması.

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

· Seçilen konu alanı için "data marts" oluşturulması.

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

· Takım Analizi istatistiksel analiz ve Müşterinin mimarisine ve ihtiyaçlarına yönelik yazılım ürünlerini seçmek için "veri madenciliği".

· Entegrasyon DSS sistemleri Müşterinin kurumsal intranetlerine, veri havuzunun kullanıcıları arasında analitik belgelerin elektronik alışverişinin otomasyonu.

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

· Veritabanlarının tek bir bilgi depolama ortamına entegrasyonuna yönelik hizmetler

· Müşteri uzmanlarının veri ambarı ve analitik sistem teknolojileri ile gerekli yazılım ürünleriyle çalışma konusunda eğitimi.

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

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

1.9 Karar Destek Sistemi Değerlendirmesi (DMSS)

KDS'yi değerlendirme kriterleri. Sistem, herhangi bir piyasa koşulunda gelir ve riski etkin bir şekilde yöneterek etkin piyasaya giriş ve çıkış sinyalleri üretmelidir. Aynı zamanda, işlem maliyetleri, komisyonlar, yayılmadaki kayıplar vb. dikkate alınarak işlem sıklığı ılımlı olmalıdır. İnşaatın karmaşıklığı göz korkutucu olmamalıdır. Sayısal yöntemleri "sezgileri" lehine reddedenlerin çoğu, ortalamanın altında sonuçlarla sonuçlanır.

Sistemin değerlendirilmesinde doğal olarak önemli olan özellik, toplam (nihai) kârdır. Yüksek işletme maliyetleri ile operasyon başına kar gibi bir özellik önem kazanmaktadır. Karlı operasyonların sayısının toplam operasyon sayısına oranı olarak hesaplanan kararların doğruluğu (yüzde), önemi fazla tahmin edilmesine rağmen birçok tüccar için popüler bir özelliktir. Gerçek şu ki, birçok verimli sistem, doğru olanlardan daha sık yanlış kararlar verirken, kârsız (veya neredeyse kârsız) birçok sistem daha sık doğru kararlar verir.

Maksimum kayıplar kendi fonları sistem tarafından kullanılan stratejilerin riskini ölçmek için önemli bir özelliktir. Periyodik büyük kayıplara maruz kalan sistemler, sonunda yeterli net kar sağlasalar bile kullanılabilir olarak kabul edilemezler. Aynı zamanda, maksimum zarar, yalnızca bir dizi kârsız operasyondan kaynaklanan en büyük kayıp miktarı değil, aynı zamanda incelenen dönem boyunca sermayede maksimum azalma anlamına gelir. Böyle bir düşüş sırasında, kaybedilen işlemlerin sırası, sistemin verimsizlik döneminin genel kârsız doğasını değiştiremeyen bireysel karlı işlemler tarafından kesintiye uğrayabilir. Sistemin etkinliğinin temel özelliği, sistemin maksimum verimsizliği döneminde toplam kârın sermaye kaybı miktarına oranı olarak hesaplanır ve genellikle getiri/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 yukarıdaki basit özellikler yeterlidir. Unutulmamalıdır ki sistem değerlendirilirken klasik portföy yönetimi teorisinin önerdiği kriterler kullanılabilir.

Sistem optimizasyonu, gösterge için en iyi formülü bulmaktan oluşur - uzun bir süre boyunca toplanan verilerden maksimum ve/veya en istikrarlı karı elde etme açısından en iyisi. Bu optimizasyon kendi içinde çelişkilidir. Eleştirmenleri, gelecekteki fiyatların geçmişte olduğundan farklı davranabileceğini hemen belirteceklerdir. Bu tür bir optimizasyonun savunucuları, belirli kalıpların varlığına, fiyat davranışında zaman içinde biraz değişmeyen veya değişmeyen istikrar olduğuna ikna edilmelidir.

Teknik analizde kullanılan kuralların, geçmişteki verilerden hesaplanarak gelecekte istikrarlı bir kazanç sağladığı gerçeğinin etkinliğini test etmek için, aşağıdaki basit test yöntemi (sözde kör modelleme) kullanılır. İlk olarak, karar kuralı geçmiş veriler üzerinde optimize edilir ve daha sonra daha sonraki (son) veriler üzerinde 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 yeni veriler üzerinde iyi performans gösteriyorsa, gelecekte iyi performans göstereceği umulabilir.

Bir sistemin parametreleri yeniden değerlendirilirken, yalnızca elde edilen "iyileştirme" istatistiksel olarak anlamlıysa yeni bir sisteme geçilmelidir.

Robert Pelletier, karar kuralları oluşturulurken parametre sayısının sınırlandırılmasını önerir, çünkü bunların artması sistemin serbestlik derecesi sayısını artırır. Ek olarak, aralarında bağlantılar olabilir, yani genellikle çapraz korelasyon katsayılarından 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, satışlar veya satın almalar yönünde önyargıların etkisini sınırlamak için dönem, tam sayıda tam uzun (düşük frekanslı) döngü içermelidir. Yani, örneğin, iyi bilinen 4 için yaz döngüsü En az 8 yıllık veriler üzerinden borsa analizi yapılmalıdır.

kurumsal banka entelektüel verileri

Bölüm 2

1 Çalışmanın amaç ve hedeflerinin formülasyonu, incelenen nesnenin özellikleri

Şu anda Merkez Bankası Rusya Federasyonu'nun (bundan böyle Rusya Bankası olarak anılacaktır) ana düzenleyicisidir. banka sistemi Rusya ve birçok yönden istikrarının ve ekonominin sürdürülebilirliğinin garantörüdür. Rusya Merkez Bankası'nın sistemi karmaşık bir yapıya sahiptir. örgütsel yapı- merkez ofis (bundan sonra TA olarak anılacaktır), bölge ofisleri (bundan sonra TU olarak anılacaktır) ve 80 binden fazla çalışanı vardır. Buna karşılık, bölgesel kurumlar, TC'nin faaliyetlerini sağlayan bir nakit ödeme merkezleri ve diğer birimler ağına sahiptir.Karmaşık bir organizasyon yapısının varlığı, iki seviyeyi kapsayan Rusya Bankası'nın yönetim sisteminin karmaşıklığını belirler. - TC ve CA. Şu anda, aşağıdaki ana görevler Rusya Merkez Bankası ile ilgilidir: maliyetlerde genel bir azalma, bölgesel kurumların faaliyetlerinin standartlaştırılması ve bölgesel kurumların yönetim sisteminin iyileştirilmesi.

Yönetime süreç yaklaşımı, uygulaması 2002 yılında Rusya Merkez Bankası'nda başlatılan bu görevlerin yerine getirilmesi için ana araç olarak kabul edilmektedir. Süreç yaklaşımı, son 10-15 yılda dünyada yaygınlaşan esnek ve verimli bir yönetim sistemi oluşturmaya yönelik hakim yaklaşımdır. Süreç yaklaşımı, faaliyetin amaçlarının ve stratejisinin açık bir formülasyonunu, çıktıda belirli sonuçları olan birbiriyle ilişkili bir dizi süreç şeklinde faaliyetin 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-bilgisayar sisteminin mevcudiyeti ile belirlenir. Böyle bir sistemin yardımıyla, Rusya Merkez Bankası'nın teknik özellikleri düzeyinde, süreçlerin yürütülmesini tanımlamak ve kontrol etmek, maliyetlerini değerlendirmek, gerçek yükü hesaplamak, etkinliğin makul bir değerlendirmesini yapmak mümkün olacaktır. süreçlerin, çalışanların, departmanların vb. Rusya Merkez Bankası'nın CA düzeyinde, sistem, çalışma sırasında biriken çeşitli göstergeler için teknik özellikleri karşılaştırmayı, teknik özellikleri standartlaştırmayı, süreç standartlarını tanımlamayı, teknik özelliklerde çoğaltmayı ve bir dizi sorunu çözmeyi mümkün kılacaktır. diğer görevlerden.

Yukarıdakilerin tümü, Rusya Merkez Bankası'nın bölgesel kurumlarının faaliyetlerini yönetme alanında bir karar destek sistemi oluşturmaya yönelik metodolojik, matematiksel ve yazılım-enstrümantal yaklaşımların geliştirilmesine ayrılmış bu bölümün konusunun alaka düzeyini belirler. süreç yaklaşımı hakkında (bundan böyle Sistem, DSS "Süreç Yönetimi" olarak anılacaktır).

Bu çalışmanın amacı, Rusya Merkez Bankası'nın bölgesel kurumlarının faaliyetlerini yönetme görevlerinde bir karar destek sistemi için teknik şartnameler ve teknik özellikler düzeyi de dahil olmak üzere kapsamlı bir metodolojik, matematiksel, bilgilendirici, yazılım ve araçsal destek geliştirmektir. Merkez Ofis.

2 Genel bakış ve iş tanımı

2.1 Geliştirme yeni konsept Rusya Merkez Bankası'nın bölgesel şubelerinin faaliyetlerini yönetmede DSS

Rusya Merkez Bankası'nın özgüllüğü, karmaşık bir organizasyon yapısının, bölgesel kurumları yönetmek için dikey iki seviyeli bir sistemin, büyük ölçekli bir düzenleyici çerçeveye dayalı faaliyetlerin net bir düzenlemesinin, belgenin karmaşıklığının varlığından oluşan analiz edildi. akış, özellikler finansal Yönetim, bilgi ve güvenlik gereksinimleri bilgi Güvenliği. Sonuç olarak, mevcut ürünlerin Rusya Merkez Bankası'nın bölgesel şubelerini yönetme sorunlarını çözmek için tam olarak uygun olmadığı tespit edildi.

Rusya Merkez Bankası'nın özelliklerinin incelenmesi ve teknik kurumların faaliyetlerinin yönetimindeki ana görevlerin analizi, bir DSS oluşturmak için aşağıdaki kavramsal ilkeleri formüle etmeyi mümkün kılmıştır:

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

) Süreç yaklaşımına dayalı tam döngü yönetimi. Verimli ve sürekli gelişme KDS'nin önemli bir özelliği, süreçleri tanımlama, yürütmeyi izleme ve kontrol etme, süreçleri analiz etme ve yeniden yapılanma için prosedürlerin yinelemeli uygulamasını içeren süreç yaklaşımına dayalı tam bir yönetim döngüsü sağlamaktır.

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

Pirinç. 2. KDS'de yönetim destek döngüsü

)Yaklaşımların ve teknolojilerin entegrasyonu. Oluşturulan KDS'deki teknik şartnamelerin faaliyetlerini iyileştirme sorunlarını en etkin şekilde çözmek için, iş süreçleri yönetimi (BPMS), performans yönetimi (CPM) ve iş zekası (BI) yaklaşımlarını ve teknolojilerini entegre etmek gerekir. Bu yaklaşımlar, birleşik bir bilgi, yazılım ve teknolojik altyapı çerçevesinde birleştirilmiş mimari ilkeler ve işlev temelinde uygulanmalı;

)TU faaliyetlerinin standardizasyon problemlerini çözmek için standartların desteklenmesi gereklidir. Federal düzeyde - geliştirme, hata ayıklama, süreç standartlarının analizi vb.; bölgesel düzeyde - standartların mevcut süreçlere "uygulanması";

)Veri ambarındaki süreçlerin entegrasyonu. BPMS sınıf sistemleri işlemseldir ve bir veri ambarı gerektirmez. Rusya Merkez Bankası'nda, sadece süreç yönetimini organize etmek değil, aynı zamanda kapsamlı analizlerini sağlamak - dinamik, karşılaştırmalı, yapısal vb. veriler federal düzeye aktarılacaktır (merkezi bir depoya);

)Analiz için metodolojik temelin geliştirilmesi. Teknik şartnamelerin faaliyetleri hakkındaki bilgilerin analiz edilmesi problemlerinin daha eksiksiz ve etkili bir şekilde çözülmesi için, aşağıdaki alanlarda metodolojik ve araçsal bir temel geliştirmek gerekir: proses maliyetlerinin hesaplanması, proses süresinin değerlendirilmesi, analiz organizasyon yapısı, performans yönetimi;

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

Pirinç. 3. Rusya Merkez Bankası'nın bölgesel şubelerinin faaliyetlerini yönetmede DSS'nin kavramsal modeli

Sunulan kavramsal model, Rusya Merkez Bankası'nın yönetim görevlerinin çözümüne en iyi şekilde karşılık gelir ve aşağıdaki bileşenleri içerir:

· Bölgesel düzeydeki sistemler (her bölgesel kurumda). Bölgesel düzeyde DSS tekrarlanabilir ve herkes için ortak teknik özellikler sağlar. işlevsellik. TS'nin faaliyetleriyle ilgili bilgiler, üzerinde analitik BI araçlarının çalıştığı bir veri ambarında toplanır.

· Federal seviye sistemi (merkez ofiste). Federal düzeydeki DSS, bölgesel düzeydeki sistemden farklı olan tüm teknik özelliklerin faaliyetleri ve işlevsellik hakkındaki bilgilerin merkezi olarak depolanmasını ve işlenmesini içeren entegre bir bileşendir. Federal düzeydeki sistem, bölgesel düzeyde DSS'de çoğaltılan verileri (süreç standartları, yönetmelikler, vb.) üretir.

· Dış bilgi kaynakları, esas olarak bölgesel düzeyde DSS verileri sağlar, bölgesel kurumlarda faaliyet gösteren çeşitli yazılım sistemlerini içerir. Dış kaynaklar, KDS'nin dış bileşenleri olarak kabul edilebilir.

Federal düzeydeki sistem büyük ölçüde bölgesel düzeydeki sistemlerden iletilen verilere dayandığından, Rusya Merkez Bankası'nın entegre bir DSS'sinin temeli olarak bölgesel düzey sistem için bilgi, matematiksel ve araçsal desteğin geliştirilmesi gerekir. Aynı zamanda, geliştirilen yöntem ve araçların federal düzeydeki sistemin inşasında kullanılacağı belirtilmelidir. Çalışma sırasında, teknik özelliklerin ölçeği, gerçekleştirilen işlev ve süreçlerin çeşitliliği, yerleşik yönetim uygulamasının faktörleri ve dikkate alınarak KDS'nin bölgesel düzeyde 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 arayüzleri sağlayan ve iş fonksiyonlarını uygulayan fonksiyonel alt sistemleri ve birleşik veri yönetimi mekanizmalarına ve merkezi meta verilere dayalı fonksiyonel alt sistemlerin çalışmasını sağlayan teknolojik alt sistemleri içerir. Tüm alt sistemler, Rusya Merkez Bankası'nın gereksinimlerine uygun olarak yetkisiz erişime karşı uygun düzeyde veri koruması sağlayan yönetim ve bilgi güvenliği alt sisteminin kontrolü altında çalışır. Çalışma sırasında, Rusya Merkez Bankası'nın özellikleri dikkate alınarak, işlevsel alt sistemlerin bilgi ve araçsal desteği için gereksinimler geliştirildi ve gerekçelendirildi.

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, süreç başlangıç ​​ve bitiş noktaları. TS süreçlerini tanımlamak için bir bilgi modeli oluştururken, Rusya Merkez Bankası'nın özellikleri ve standartların gereklilikleri ile aşağıdaki ilkeler dikkate alınmıştır:

· Sürüm oluşturma desteği, süreç açıklamasındaki tüm değişikliklerin bir kronolojisini tutma anlamına gelir (nesnelerdeki değişiklikler, tarihe göre sıralanmış sürümler olarak kaydedilir). Bu nedenle, herhangi bir tarih itibariyle teknik şartname faaliyetinin bir modelini elde etmek mümkündür;

· Değişiklik modellemesi için destek, gerektiğinde onaylanabilen veya iptal edilebilen nesnelerin geçici sürümlerinin bakımıyla sağlanır;

· Süreç modellerinin özelleştirilebilirliği, süreç modeli öznitelikleri kümesinin genişletilmesini, yeni nesnelerin tanıtılmasını ve mevcut nesnelerle bağlantılandırılmasını içerir.

Belirtilen ilke ve özellikler dikkate alınarak, çalışma sırasında çevrelerindeki süreçlerin ve nesnelerin bir bilgi modeli geliştirilmiştir (Şekil 5).

Pirinç. 5. Süreç ortamının ana nesnelerinin karşılıklı ilişkisi.

Oluşturulan bilgi modeline dayalı olarak, süreç tanımı alt sistemi aşağıdaki ana görevlerin çözülmesine izin verir:

· TU'nun faaliyetinin bütünsel bir resmi modelinin oluşturulması;

· faaliyetlerle ilgili bilgilerin güncel tutulması;

· TU'nun faaliyetlerinin belgelenmesine ilişkin raporların ve sertifikaların oluşturulması.

Süreç yürütme kontrol alt sistemi, resmi süreçlerin yürütülmesini, görevlerin açıklamaya göre sanatçılar arasında yönlendirilmesini, son teslim tarihlerine uygunluğun ve performans verimliliğinin izlenmesini, dış kaynaklardan süreçlerin yürütülmesine ilişkin verilerin tek bir birleşik formata dönüştürülmesini sağlar.0

Çalışmanın sonucunda, süreçlerin tanımının notasyonu ile birlikte aşağıdaki görevlerin çözümünü sağlayan süreçlerin ve operasyonların yaşam döngüsü geliştirilmiştir (Şekil 6):

· süreç yürütme organizasyonu;

· süreçlerin yürütülmesinin izlenmesi ve yönetilmesi;

· kritik noktalarda süreçlerin yürütülmesi üzerinde kontrol organizasyonu;

· yöneticiler için analitik raporların oluşturulması farklı seviyeler TU (sektör başkanları, departmanlar, departmanlar, üst yönetim).

Pirinç. 6. Süreç yürütmenin yaşam döngüsü

Süreç maliyet alt sistemi, süreçlerin maliyet özelliklerini hesaplamak ve bunları çeşitli bölümlerde analiz etmek için tasarlanmıştır, süreçlerin maliyet özelliklerinin ayrıntılı bir analizi için araçlar sağlar, dengeleme, Karşılaştırmalı analiz, çeşitli hesaplama seçenekleri yürütüyor.

Faaliyet analizi alt sistemi, dış kaynaklardan ve diğer alt sistemlerden veri toplarken ve yapılandırırken, TU'nun faaliyetlerinin çeşitli yönlerden - verimlilik, maliyetler, personel, süreçler, vb. - analizi için destek uygular. Analitik alt sistem, Rusya Merkez Bankası'nın görevleri dikkate alınarak CPM metodolojisi temelinde oluşturulmuştur ve aşağıdaki görevleri çözmek için bir dizi analitik uygulama ve araç sağlar:

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

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

.Performans göstergelerinin izlenmesi ve analizi.

Stratejik hedefler, hedefler ve göstergeler sistemi, süreçler, departmanlar, çalışanlar vb. için ayarlanabilen dengeli puan kartları (BSC) ve temel performans göstergelerinden oluşan bir sistemdir. Tüm hedefler, hedefler ve göstergeler doğası gereği kronolojiktir. BSC için veri kaynağı veri ambarıdır. Göstergelerin hedef değerleri, hedef ve hedeflere ulaşma derecesini değerlendirmek için çeşitli senaryolarla belirlenebilir, göstergelere ağırlıklandırma faktörleri atanabilir. Hedef ve gerçek değerlerin karşılaştırılmasına dayanarak, hedeflere ulaşılmasının izlenmesi ve analizi gerçekleştirilir.

Personel yönetiminde karar desteği, organizasyon yapısının analizi için analitik uygulamaları, performans disiplini açısından personel analizini, süreçlerin performans ve temel performans göstergelerini, fonksiyonel sorumlulukların dengelenmesini ve dağıtılmasını içerir.

Performans göstergelerinin izlenmesi ve analizi, depoya dayalı BI araçları kullanılarak yapılırken, heterojen göstergeleri ve çeşitli analiz türlerini (dinamik, yapısal, karşılaştırmalı, küme, sıralama, vb.) karşılaştırma yeteneği sağlar.

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

DSS'nin geliştirilmesi sırasında, sistemin kurulması için gereksinimlerin analizi yapıldı, mantıksal ve fiziksel veri yapısı geliştirildi, sistemi kurmanın temel ilkeleri doğrulandı ve uygulanması için bilgi teknolojilerini seçme görevleri. sistem çözüldü.

Sistemin yapısı, iş mantığını ve kullanıcı arabirimini uygulayan işlevsel alt sistemleri ve birleşik veri yönetimi mekanizmalarına ve merkezi meta verilere dayalı işlevsel alt sistemlerin çalışmasını sağlayan teknolojik alt sistemleri içerir.

Sistemi uygulamak için aşağıdaki bilgi teknolojileri seçilmiştir:

· bilgi depolamak için bir temel 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 "Prognoz-5";

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

DSS'nin oluşturulması sırasında, en optimum ve güvenilir çalışma için birleşik mimari ilkelere dayalı bir dizi yazılım ve teknolojik çözüm geliştirilmiştir. İşlemsel ve analitik segmentler dahil olmak üzere karmaşık bir veritabanını yönetmek için prosedürler geliştirirken aşağıdaki çözümler geliştirildi ve uygulandı:

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

Pirinç. 7. KDS verilerinin tutarlılığını yönetme planı.

· DBMS düzeyinde bütünlük kontrolünü sürdürürken nesne sürümü oluşturma desteği. Bunu yapmak için, her nesne iki tabloda depolanır: bir nesneler tablosu ve bir nesne sürümleri tablosu;

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

· Büyük miktarda veri ile veri tabanına çıkarma ve yazma optimizasyonu. Fiziksel yapının oluşturulmasından sonra indekslenmesi yapıldı, veri ambarının tabloları için Oracle DBMS'nin Bölümlerini oluşturmaya yönelik araçlar kullanıldı.

DSS'nin ilk doldurulması ve müteakip güncelleme için veri kaynakları, TU'da çalıştırılan standart yazılım sistemlerinden gelen veriler olabilir: Çiftlik İçi Faaliyet Sistemleri (IEA), Doküman Yönetim Sistemleri, Otomasyon Sistemleri, vb. DSS, süreç açıklamalarını indirmenize izin verir. "kağıt üzerinde" taslak süreç modellerine sahip bölgesel kurumlar için önemli olan MS Word ve Excel dosyalarından.

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. Sistemde yaklaşık 980 süreç tanımlanmıştır, bunların yaklaşık 730'u onaylanmıştır, yaklaşık 200 süreç endüstriyel modda düzenli olarak başlatılmaktadır.

2.3Bu KDS'nin uygulanmasının sonuçları ve sonuçları

Aşağıdaki ana sonuçlar ve sonuçlar elde edilmiştir:

Bulgulara dayanarak, BPMS, BI ve CPM yaklaşımlarının entegrasyonuna odaklanan, yazar tarafından geliştirilen yöntem ve algoritmaların temel alındığı TS faaliyetlerinin yönetiminde entegre bir karar destek sistemi kavramı sunulmaktadır. tek bir bilgi ve araçsal çevre 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 yönetme alanında Rusya Merkez Bankası'nın belirli teknik şartnamelerinde bir karar destek sistemi oluşturuldu ve test edildi. KDS'nin teknik şartnamelerde kullanılması, süreç yaklaşımına dayalı faaliyetlerin yönetilebilirliğini artırmayı, iç kontrol sistemini iyileştirmeyi, mevcut organizasyon yapısını optimize etmeyi ve performans göstergelerine dayalı bir havuz oluşturmayı mümkün kılmaktadır.

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

· faaliyetlerin iç kontrol sisteminin iyileştirilmesi;

· düzenleme ve nakit işlemleri için teknolojiler iyileştirildi ve işçilik maliyetleri düşürüldü (bazı işlemler için %10'a kadar);

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

· nakit yönetimi para dolaşımı iki bağımsız departmana dönüştürülmüş;

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

· ekonomik ve operasyonel departmandaki personelin azaltılması gerçekleştirildi; 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, ihtiyaçlarını ve teknolojik süreçleri dikkate alarak depolama yapılarını tasarlama aşamalarını içerir.

İlgili finansal ve diğer kaynakların miktarı, KDS sistemleri inşa etmek için projelerin karmaşıklığı ve çok aşamalı doğası göz önüne alındığında, tasarım hatalarının yüksek maliyeti açıktır. Yazılım seçimi hataları şunlara neden olabilir: finansal giderler, proje yürütme süresindeki artıştan bahsetmiyorum bile. Veri yapısı tasarım hataları, hem kabul edilemez performansa hem de bazen birkaç güne ulaşan verilerin yeniden yüklenmesi için harcanan zamanın maliyetine yol açabilir. Bu nedenle, veri ambarlarının mimarisini derinlemesine anlamak, proje yürütme süresinde önemli bir azalma ve DSS uygulamasından en iyi şekilde yararlanma becerisini gerektiren herhangi bir hatadan kaçınmak gerekir.

Ayrıca karar verme sorunlarının, yani KDS'nin ülkemizde çok az geliştirildiğini ve pratikte çok az kullanıldığını belirtmek gerekir. Burada açıklanan gibi 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 DBMS, veri boşaltma / dönüştürme / yükleme araçları, OLAP analizi için araçlar ve çok daha fazlası dahildir.

Piyasanın kendi kendini 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 analiz eden destek sistemlerinin oluşturulmasının tarihi ile tanıştık. Karar destek sistemlerinin ayırt edici özellikleri, uygulanabilecekleri alanlar ve alanlar verilmiştir.

Bir karar destek metodolojisi belirlendi ve bu, uygulamasının aşağıdakileri mümkün kıldığı sonucuna varmamızı sağlıyor:

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

· Kriterleri sıralayın ve çözülmekte olan problemi etkileyen fiziksel parametrelerin kritere dayalı değerlendirmelerini verin (çözümleri değerlendirme yeteneği);

· yaparken resmi onay prosedürlerini kullanın. toplu kararlar;

· alınan kararların sonuçlarını tahmin etmek için resmi prosedürleri kullanmak;

· probleme en uygun çözüme götüren seçeneği seçin.

Bundan, karar destek sistemleriyle ilgili temel şeylere ve teorik kısma aşina olduğumuz sonucu çıkar.

İkinci bölüm, süreç yaklaşımına dayalı olarak kuruluşun faaliyetlerini yönetme alanında DSS'nin pratik uygulamasını sunar (Rusya Merkez Bankası'nın bölge ofisleri örneğinde). Bir DSS oluşturma konsepti "Rusya Merkez Bankası'nın bölgesel kurumlarının faaliyetlerinin yönetimi" önerilmiştir. DSS'nin kavramsal bir modeli, işlevsel yapı ve ana bileşenler için gereksinimler geliştirilmiş ve doğrulanmıştır. Rusya Merkez Bankası'nın özelliklerini dikkate alarak, TS yönetiminde karar vermeyi desteklemek için bir dizi yöntem ve araç önerilmiştir. Sistemin bilgi ve analitik desteği için gereksinimler, Rusya Merkez Bankası'nın bölgesel şubelerini yönetmenin acil görevleri dikkate alınarak geliştirildi ve doğrulandı. Rusya Merkez Bankası yönetimine sunulan raporlara dayalı olarak bu sistemin uygulamaya konulmasının sonuçları verilmiştir.

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 destekleyici 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 görevin hala geçerli olduğu bir zaman diliminde bunu yapamamasıdır.

bibliyografya

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

2.Gerchikova, I.N. Yönetimsel kararlar 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. - "Karar Destek Sistemleri" dersinde laboratuvar çalışması için yönergeler. - MGIEM. Comp.: 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: Yurait, 2012.- 85 s.

.Krivko, O.B. Bilgi Teknolojisi. Moskova: 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.

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

.Pankrukhina, A.P. Kontrol teorisi: ders kitabı / [Yu. P. Alekseev ve diğerleri]; genel editörlüğü altında: A. L. Gaponenko, A. P. Pankrukhina. - 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. Organizasyonun yönetimi: bir ders kitabı. - 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" dersinde laboratuvar çalışması için yönergeler. - 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 yöntemleri MaxiMin ve MaxiMax. - "Karar Destek Sistemleri" dersinde laboratuvar çalışması için yönergeler. - 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 / L. R. Chernyakhovskaya ve diğerleri Ufa: Belarus Cumhuriyeti Bilimler Akademisi, Gilem, 2010. - 128 s.