Системы поддержки принятия решений

Содержание:

Введение

Определение системы поддержки принятия решений, ее функции Очевидно, что принимаемые решения о стратегии и тактике развития города должны быть тщательно продуманы и обоснованы. Это особенно важно именно в социально-экономических системах, так как принимаемые решения касаются живых людей, их материального и духовного состояния. Тем не менее, на сегодняшний день принятие решений мэром, городской администрацией, комитетами основано на опыте и интуиции руководителей. Но социально-экономические системы сложны и их поведение трудно предсказать из-за наличия огромного количества прямых и обратных связей, часто неочевидных с первого взгляда. Человеческий мозг неспособен справиться с задачей такой размерности, поэтому необходимо обеспечить информационно-аналитическую поддержку принятия решений. В последние годы сформировалось и активно используется новое направление в области автоматизации управленческого труда - системы поддержки принятия решений. Они с успехом применяются в самых разных отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других. Концепция систем поддержки принятия решений (СППР) включает целый ряд средств, объединенных общей целью - способствовать принятию рациональных и эффективных управленческих решений.

Теоретические аспекты и понятия систем поддержки принятия решений

Система поддержки принятия решений (СППР) - компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. Это диалоговая система, использующая правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.

СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных. СППР являются человеко-машинными системами, которые позволяют лицам, принимающим решения, использовать данные, знания, объективные и субъективные модели для анализа и решения неструктурированных и слабо формализуемых задач.

Процесс принятия решения - это получение и выбор наиболее оптимальной альтернативы с учетом просчета всех последствий. При выборе альтернатив- надо выбирать ту, которая наиболее полно отвечает поставленной цели, но при этом приходится учитывать большое количество противоречивых требований и, следовательно, оценивать выбранный вариант решения по многим критериям.

Система поддержки решений СППР решает две основные задачи:

· выбор наилучшего решения из множества возможных (оптимизация),

· упорядочение возможных решений по предпочтительности (ранжирование).

Основная функциональность СППР следует из её определения. Главной функцией является вывод рекомендаций на основании изучения исторического и текущего состояния объекта исследования и сравнения их с информацией, хранящейся в базе знаний системы.

1.Хранилище данных предоставляет единую среду хранения корпоративных данных, организованных в структурах, оптимизированных для выполнения аналитических операций. Аналитические средства позволяют конечному пользователю, не имеющему специальных знаний в области информационных технологий, осуществлять навигацию и представление данных в терминах предметной области.

Специфика работы аналитических систем делает практически невозможным их прямое использование на оперативных данных. Это объясняется различными причинами, в том числе разрозненностью данных, хранением их в форматах различных СУБД и в разных "уголках" корпоративной сети, но, что наиболее важно, неприменимостью структур данных оперативных систем для выполнения задач анализа. Для этих целей создается специализированная среда хранения данных, называемая хранилищем данных (Data Warehouse).

Хранилище данных представляет собой банк данных определенной структуры, содержащий информацию о производственном процессе компании в историческом контексте. Главное назначение хранилища - обеспечивать быстрое выполнение произвольных аналитических запросов.

2. Для того чтобы существующие хранилища данных способствовали принятию управленческих решений, информация должна быть представлена аналитику в нужной форме, то есть он должен иметь развитые инструменты доступа к данным хранилища и их обработки.

По критерию режима анализа данных информационно-аналитические системы подразделяются на две категории [11, 15]:

• статические (включающие предопределенный набор сценариев обработки данных и составления отчетов); в эту категорию входят так называемые информационные системы руководителя (ИСР);
• динамические (поддерживающие построение и выполнение нерегламентированных запросов и формирование отчетов произвольной формы).

Но динамические СППР могут действовать не только в области оперативной аналитической обработки (OLAP); поддержка принятия управленческих решений на основе накопленных данных может выполняться в трех базовых сферах [55].

1. Сфера детализированных данных. Это сфера действия большинства систем, нацеленных на поиск информации. В большинстве случаев реляционные СУБД отлично справляются с возникающими здесь задачами. Общепризнанным стандартом языка манипулирования реляционными данными является SQL. Информационно-поисковые системы, обеспечивающие интерфейс конечного пользователя в задачах поиска детализированной информации, могут использоваться в качестве надстроек как над отдельными системами обработки данных (СОД), так и над хранилищем данных в целом.
2. Сфера агрегированных показателей. Комплексный взгляд на собранную в хранилище данных информацию, ее обобщение и агрегация, гиперкубическое представление и многомерный анализ являются задачами систем оперативной аналитической обработки данных (OLAP) . Здесь можно или ориентироваться на специальные многомерные СУБД , или (что, как правило, предпочтительнее) оставаться в рамках реляционных технологий. Во втором случае заранее агрегированные данные могут собираться в БД звездообразного вида либо агрегация информации может производиться на лету в процессе сканирования детализированных таблиц реляционной БД.
3. Сфера закономерностей. Интеллектуальная обработка производится методами интеллектуального анализа данных (ИАД, Data Mining, главными задачами которых являются поиск функциональных и логических закономерностей в накопленной информации, построение моделей и правил, которые объясняют найденные аномалии и/или (с определенной вероятностью) прогнозируют развитие некоторых процессов.

OLAP-технологии

Взаимодействуя с OLAP-системой, пользователь сможет осуществлять гибкий просмотр информации, получать произвольные срезы данных, и выполнять аналитические операции детализации, свертки, сквозного распределения, сравнения во времени. Вся работа с OLAP-системой происходит в терминах предметной области. В основе концепции оперативной аналитической обработки (OLAP) лежит многомерное представление данных. Термин OLAP ввел E. F. Codd в 1993 году. В своей статье он рассмотрел недостатки реляционной модели, в первую очередь невозможность «объединять, просматривать и анализировать данные с точки зрения множественности измерений, то есть самым понятным для корпоративных аналитиков способом», и определил общие требования к системам OLAP, расширяющим функциональность реляционных СУБД и включающим многомерный анализ как одну из своих характеристик. По Кодду, многомерное концептуальное представление (multi-dimensional conceptual view) является наиболее естественным взглядом управляющего персонала на объект управления. Оно представляет собой множественную перспективу, состоящую из нескольких независимых измерений, вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по нескольким измерениям данных определяется как многомерный анализ. Каждое измерение включает направления консолидации данных, состоящие из серии последовательных уровней обобщения, где каждый вышестоящий уровень соответствует большей степени агрегации данных по соответствующему измерению. Так, измерение Исполнитель может определяться направлением консолидации, состоящим из уровней обобщения «предприятие - подразделение - отдел - служащий». Измерение «Время» может даже включать два направления консолидации - «год - квартал - месяц - день» и «неделя - день», поскольку счет времени по месяцам и по неделям несовместим. В этом случае становится возможным произвольный выбор желаемого уровня детализации информации по каждому из измерений. Операция спуска (drilling down) соответствует движению от высших ступеней консолидации к низшим; напротив, операция подъема (rolling up) означает движение от низших уровней к высшим.

Интеллектуальный анализ данных

Наибольший интерес в СППР представляет интеллектуальный анализ данных, так как он позволяет провести наиболее полный и глубокий анализ проблемы, дает возможность обнаружить скрытые взаимосвязи, принять наиболее обоснованное решение. Современный уровень развития аппаратных и программных средств с некоторых пор сделал возможным повсеместное ведение баз данных оперативной информации на разных уровнях управления. В процессе своей деятельности промышленные предприятия, корпорации, ведомственные структуры, органы государственной власти и местного самоуправления накопили большие объемы данных. Они хранят в себе большие потенциальные возможности по извлечению полезной аналитической информации, на основе которой можно выявлять скрытые тенденции, строить стратегию развития, находить новые решения. Интеллектуальный анализ данных, ИАД (Data Mining) - это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания. В общем случае процесс ИАД состоит из трёх стадий: .выявление закономерностей; .использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование); .анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях. Новыми компьютерными технологиями, образующими ИАД являются экспертные и интеллектуальные системы, методы искусственного интеллекта, базы знаний, базы данных, компьютерное моделирование, нейронные сети, нечеткие системы. Современные технологии ИАД позволяют создавать новое знание, выявляя скрытые закономерности, прогнозируя будущее состояние систем. Основным методом моделирования социально-экономического развития города является метод имитационного моделирования, который позволяет исследовать городскую систему с помощью экспериментального подхода. Это дает возможность на модели проиграть различные стратегии развития, сравнить альтернативы, учесть влияние многих факторов, в том числе с элементами неопределенности. Построенная в данной работе модель относится именно к такому классу систем. На ее основе органы местного самоуправления стратегического и тактического уровней получают возможность проанализировать динамику развития сложной социально-экономической городской системы, выявить неочевидные на первый взгляд взаимосвязи, сравнить различные альтернативы, проанализировать аномалии и принять наиболее обоснованное решение. Перспективно применение в СППР комбинированных методов принятия решений в сочетании с методами искусственного интеллекта и компьютерным моделированием, различные имитационно-оптимизационные процедуры, принятие решений в сочетании с экспертными процедурами.
 

Классификации СППР

По взаимодействию с пользователем выделяют три вида СППР: ·пассивные помогают в процессе принятия решений, но не могут выдвинуть конкретного предложения; ·активные непосредственно участвуют в разработке правильного решения; ·кооперативные предполагают взаимодействие СППР с пользователем. Выдвинутое системой предложение пользователь может доработать, усовершенствовать, а затем отправить обратно в систему для проверки. После этого предложение вновь представляется пользователю, и так до тех пор, пока он не одобрит решение. По способу поддержки различают: ·модельно-ориентированные СППР, используют в работе доступ к статистическим, финансовым или иным моделям; ·СППР, основанные на коммуникациях, поддерживают работу двух и более пользователей, занимающихся общей задачей; ·СППР, ориентированные на данные, имеют доступ к временным рядам организации. Они используют в работе не только внутренние, но и внешние данные; ·СППР, ориентированные на документы, манипулируют неструктурированной информацией, заключенной в различных электронных форматах; ·СППР, ориентированные на знания, предоставляют специализированные решения проблем, основанные на фактах. По сфере использования выделяют: ·Общесистемные - работают с большими СХД и применяются многими пользователями. По архитектуре и принципу работы различают: ·Функциональные СППР. Являются наиболее простыми с точки зрения архитектуры. Они распространены в организациях, не ставящих перед собой глобальных задач и имеющих невысокий уровень развития информационных технологий. Отличительной особенностью функциональных СППР является то, что анализу подвергаются данные, содержащиеся в файлах операционных систем. Преимуществами подобных СППР являются компактность из-за использования одной платформы и оперативность в связи с отсутствием необходимости перегружать данные в специализированную систему. Из недостатков можно отметить следующие: сужение круга вопросов, решаемых с помощью системы, снижение качества данных из-за отсутствия этапа их очистки, увеличение нагрузки на операционную систему с потенциальной возможностью прекращения ее работы. ·СППР, использующие независимые витрины данных. Применяются в крупных организациях, имеющих несколько подразделений, в том числе отделы информационных технологий. Каждая конкретная витрина данных создается для решения определенных задач и ориентирована на отдельный круг пользователей. Это значительно повышает производительность системы. Внедрение подобных структур достаточно просто. Из отрицательных моментов можно отметить то, что данные многократно вводятся в различные витрины, поэтому могут дублироваться. Это повышает затраты на хранение информации и усложняет процедуру унификации. Наполнение витрин данных достаточно сложно в связи с тем, что приходится использовать многочисленные источники. Отсутствует единая картина бизнеса организации, вследствие того что нет окончательной консолидации данных. ·СППР на основе двухуровневого хранилища данных. Используется в крупных компаниях, данные которых консолидированы в единую систему. Определения и способы обработки информации в данном случае унифицированы. На обеспечение нормальной работы подобной СППР требуется выделить специализированную команду, которая будет ее обслуживать. Такая архитектура СППР лишена недостатков предыдущей, но в ней нет возможности структурировать данные для отдельных групп пользователей, а также ограничивать доступ к информации. Могут возникнуть трудности с производительностью системы. ·СППР на основе трехуровневого хранилища данных. Такие СППР применяют хранилище данных, из которого формируются витрины данных, используемые группами пользователей, решающих сходные задачи. Таким образом, обеспечивается доступ, как к конкретным структурированным данным, так и к единой консолидированной информации. Наполнение витрин данных упрощается ввиду использования проверенных и очищенных данных, находящихся в едином источнике. Имеется корпоративная модель данных. Такие СППР отличает гарантированная производительность. Но существует избыточность данных, которая ведет к росту требований на их хранение. Кроме того, необходимо согласовать подобную архитектуру с множеством областей, имеющих потенциально различные запросы. В зависимости от функционального наполнения интерфейса системы выделяют два основных типа СППР: EIS и DSS.(Execution Information System) - информационные системы руководства предприятия. Эти системы ориентированы на неподготовленных пользователей, имеют упрощенный интерфейс, базовый набор предлагаемых возможностей, фиксированные формы представления информации. EIS-системы рисуют общую наглядную картину текущего состояния бизнес-показателей работы компании и тенденции их развития, с возможностью углубления рассматриваемой информации до уровня крупных объектов компании. EIS-системы - та реальная отдача, которую видит руководство компании от внедрения технологий СППР.(Desicion Support System)7 - полнофункциональные системы анализа и исследования данных, рассчитанные на подготовленных пользователей, имеющих знания как в части предметной области исследования, так и в части компьютерной грамотности. Обычно для реализации DSS-систем (при наличии данных) достаточно установки и настройки специализированного ПО поставщиков решений по OLAP-системам и Data Mining. Такое деление систем на два типа не означает, что построение СППР всегда предполагает реализацию только одного из этих типов. EIS и DSS могут функционировать параллельно, разделяя общие данные и/или сервисы, предоставляя свою функциональность как высшему руководству, так и специалистам аналитических отделов компаний.

Области применения.

Телекоммуникации Телекоммуникационные компании используют СППР для подготовки и принятия комплекса решений, направленных на сохранение своих клиентов и минимизацию их оттока в другие компании. СППР позволяют компаниям более результативно проводить свои маркетинговые программы, вести более привлекательную тарификацию своих услуг. Анализ записей с характеристиками вызовов позволяет выявлять категории клиентов с похожими стереотипами поведения, с тем чтобы дифференцировано подходить к привлечению клиентов той или иной категории. Есть категории клиентов, которые постоянно меняют провайдеров, реагируя на те или иные рекламные компании. СППР позволяют выявить наиболее характерные признаки «стабильных» клиентов, т.е. клиентов, длительное время остающихся верными одной компании, давая возможность ориентировать свою маркетинговую политику на удержание именно этой категории клиентов. . Банковское дело СППР используются для более качественного мониторинга различных аспектов банковской деятельности, таких как обслуживание кредитных карт, займов, инвестиций и так далее, что позволяет значительно повысить эффективность работы. Выявление случаев мошенничества, оценка риска кредитования, прогнозирование изменений клиентуры - области применения СППР и методов добычи данных. Классификация клиентов, выделение групп клиентов со сходными потребностями позволяет проводить целенаправленную маркетинговую политику, предоставляя более привлекательные наборы услуг той или иной категории клиентов. . Страхование Набор применений СППР в страховом бизнесе можно назвать классическим - это выявление потенциальных случаев мошенничества, анализ риска, классификация клиентов. Обнаружение определенных стереотипов в заявлениях о выплате страхового возмещения, в случае больших сумм, позволяет сократить число случаев мошенничества в будущем. Анализируя характерные признаки случаев выплат по страховым обязательствам, страховые компании могут уменьшить свои потери. Полученные данные приведут, например, к пересмотру системы скидок для клиентов, подпадающих под выявленные признаки. Классификация клиентов дает возможность выявить наиболее выгодные категории клиентов, чтобы точнее ориентировать существующий набор услуг и вводить новые услуги. . Розничная торговля Торговые компании используют технологии СППР для решения таких задач, как планирование закупок и хранения, анализ совместных покупок, поиск шаблонов поведения во времени. Анализ данных о количестве покупок и наличии товара на складе в течение некоторого периода времени позволяет планировать закупку товаров, например, в ответ на сезонные колебания спроса на товар. Часто, покупая какой либо товар покупатель приобретает вместе с ним и другой товар. Выявление групп таких товаров позволяет, например, помещать их на соседних полках, с тем, чтобы повысить вероятность их совместной покупки. Поиск шаблонов поведения во времени дает ответ на вопрос «Если сегодня покупатель приобрел один товар, то через какое время он купит другой товар?». Например, приобретая фотоаппарат, покупатель, вероятно, в ближайшем будущем станет приобретать пленку, пользоваться услугами по проявке и печати. . Медицина Известно много экспертных систем для постановки медицинских диагнозов. Они построены главным образом на основе правил, описывающих сочетания различных симптомов различных заболеваний. С помощью таких правил узнают не только, чем болен пациент, но и как нужно его лечить. Правила помогают выбирать средства медикаментозного воздействия, определять показания - противопоказания, ориентироваться в лечебных процедурах, создавать условия наиболее эффективного лечения, предсказывать исходы назначенного курса лечения и т. п. Технологии Data Mining позволяют обнаруживать в медицинских данных шаблоны, составляющие основу указанных правил. . Молекулярная генетика и генная инженерия Пожалуй, наиболее остро и вместе с тем четко задача обнаружения закономерностей в экспериментальных данных стоит в молекулярной генетике и генной инженерии. Здесь она формулируется как определение так называемых маркеров, под которыми понимают генетические коды, контролирующие те или иные фенотипические признаки живого организма. Такие коды могут содержать сотни, тысячи и более связанных элементов.

Заключение

На развитие генетических исследований выделяются большие средства. В последнее время в данной области возник особый интерес к применению методов Data Mining. Известно несколько крупных фирм, специализирующихся на применении этих методов для расшифровки генома человека и растений. . Прикладная химия Методы Data Mining находят широкое применение в прикладной химии (органической и неорганической). Здесь нередко возникает вопрос о выяснении особенностей химического строения тех или иных соединений, определяющих их свойства. Особенно актуальна такая задача при анализе сложных химических соединений, описание которых включает сотни и тысячи структурных элементов и их связей.