Какви DSS системи съществуват. Системи за подпомагане на вземане на решения за бизнеса Системи за подпомагане на вземане на решения с високо натоварване

Системата за подпомагане на вземането на решения (DSS) е компютърна интерактивна система, предназначена да помогне на мениджър (или изпълнителен директор) да взема решения. DSS включва както данни, така и модели, за да помогне на лицето, вземащо решения, да разреши проблеми, особено тези, които са лошо формализирани.

Системите са насочени към главните изпълнителни и средни мениджъри, към промяната, гъвкавостта и бързата реакция. Акцентът е върху модели, предположения и показване на графики. Основата е професионален анализ и техники за проектиране. Тези системи са итеративни, не са твърди и никога не са завършени. Това се налага от същността на неструктурираните задачи, които са оригинални и необичайни, за които няма алгоритми за решаване и всяка има свой отговор.

Следователно DSS са проектирани да поддържат полуструктуриран и неструктуриран анализ на приложения, за да помогнат при проектирането, оценката на алтернативите и наблюдението на изпълнението. Най-често срещаният тип DSS е под формата на генератор на финансови отчети.

Предимството на компютъра е неговата огромна скорост и памет, което го прави необходим в почти всички сфери на човешката дейност.

При вземането на решения най-важните области, в които компютърът става най-близкият помощник на човека, са:

· бърз достъп до информация, натрупана в компютъра на вземащия решение или в компютърна мрежа;

· извършване на оптимизация или интерактивна симулация на базата на математически или евристични модели;

· намиране в базите данни на вече взети решения в ситуации, подобни на изследваните, за използване от вземащите решения в подходящ момент;

· използване на знанията на най-добрите специалисти в своята област, включени в базите знания на експертните системи;

· представяне на резултатите в най-подходящия за вземащия решение вид.

· Но традиционното използване на компютри не е най-ефективното. Мениджърът, в допълнение към информацията от базата данни, в допълнение към някои икономически или технологични изчисления, в своята дейност се сблъсква с голям брой задачи за управление на системата, които не могат да бъдат решени в рамките на традиционните информационни технологии.

· Поради необходимостта от решаване на проблеми от този вид бяха разработени нов тип компютърни системи - системи за подпомагане на вземането на решения (DSS).

· DSS са системи за обработка на информация с цел интерактивно подпомагане дейността на мениджъра в процеса на вземане на решения.

· Има две основни области на такава подкрепа:

· улесняване на взаимодействието между данните, процедурите за анализиране и обработка на данни и моделите за вземане на решения, от една страна, и лицето, вземащо решения, като потребител на тези системи, от друга;

· предоставяне на поддържаща информация, особено за решаване на неструктурирани или полуструктурирани проблеми, за които е трудно да се определят предварително данните и процедурите за съответните решения.

· С други думи, DSS са компютъризирани помощници, които подпомагат мениджъра при преобразуването на информацията в действия, които са ефективни за управляваната система. Тези системи трябва да имат качества, които ги правят не само полезни, но и незаменими за вземащите решения. Като всяка информационна система, те трябва да осигурят специфичните информационни нужди на процеса на вземане на решения. Освен това, и това, очевидно, е основното - DSS трябва да се адаптира към неговия стил на работа, да отразява стила му на мислене и да подпомага всички (в идеалния случай) или повечето от важните аспекти на дейността на вземащия решения. DSS трябва да може да се адаптира към промените в изчислителните модели, да комуникира с потребителя на език, специфичен за домейна, който се контролира (в идеалния случай на естествен език), и да представя резултатите във форма, която би улеснила по-задълбочено разбиране на резултатите.

· В същото време, естествено, ролята на DSS не е да замества мениджъра, а да повишава неговата ефективност. Целта на DSS не е да автоматизира процеса на вземане на решения, а да реализира сътрудничество и взаимодействие между системата и човек в процеса на вземане на решения. DSS трябва да поддържа интуицията, да може да разпознава двусмислието и непълната информация и да разполага със средствата да ги преодолее. Те трябва да бъдат приятелски настроени към вземащите решения, да им помагат при концептуалното дефиниране на задачите, като предлагат познати презентации на резултатите.

· Всеки мениджър има уникални знания, талант, опит и стил на работа. Една от целите на DSS е да помогне на човек да подобри тези качества. В допълнение към познатите изисквания към информационните системи (мощна СУБД, която осигурява ефективен достъп до данните, тяхната цялост и защита; разработени аналитични и изчислителни процедури, които осигуряват обработка и анализ на данни; транспортируемост, надеждност, гъвкавост, възможност за включване на нови технологични процедури) ), DSS трябва да има специфични характеристики:

Способността да се разработват варианти на решения в специални ситуации, които са неочаквани за вземащия решение;

Способността на моделите, използвани в системите, да се адаптират към конкретна, специфична реалност в резултат на диалог с потребителя;

Възможност за интерактивна система за генериране на модели.

Поради факта, че вземащият решение не винаги има добре дефинирана цел във всяка ситуация, решението е изследователски процес, а DSS е средство за по-задълбочено познаване на системата и подобряване на стила на работа като мениджър. По правило DSS имат модулна структура, която ви позволява да включвате нови процедури и да надграждате вече включените в системата в съответствие с новите изисквания.

Вземането на решение включва последователно изпълнение на следните стъпки: разбиране на проблема, диагностика, концептуално или математическо моделиране, разработване на алтернативи и избор на тези, които най-добре отговарят на целите, както и наблюдение на изпълнението на решението.

DSS са предназначени да помагат на вземащите решения на всяка от изброените стъпки и следователно напредъкът в развитието и разширяването на обхвата на тяхното приложение зависи както от концепцията на тяхното изграждане, така и от перфектното отразяване на всяка от функциите, които поддържат. .

Напредъкът през последните години се отразява в интегрирането на системи, базирани на знания, в DSS, което позволява получаване на съвети и обяснения на предложеното решение.

Еволюцията на DSS се характеризира и с нивото на помощ, предоставена от вземащия решение - от пасивна подкрепа до разширена, активна подкрепа. Пасивната поддръжка предоставя удобен инструмент, без да претендира за промяна на съществуващите методи на действие на вземащите решения. Качеството на тези DSS зависи от удобството и достъпността на софтуерния продукт, или по-точно от неговия интерфейс. Всъщност това са интерактивни информационни системи, които предоставят на мениджъра само онези услуги, които той изисква, и то само в отговор на негова заявка. Пасивният подход включва традиционните DSS, които отговарят на въпроса „какво, ако?“ (какво ако?). Лицето, вземащо решение, избира алтернативи и ги оценява, притежавайки способността да анализира прости алтернативи, обобщавайки, повишава ефективността на процеса на вземане на решения.

Понастоящем са създадени предпоставки за преход към разширена поддръжка на решения, която използва нови, нетрадиционни области, използва аналитични методи и по-специално многокритериален анализ. Този подход използва по-добре нормативния аспект за получаване на ефективно решение в сравнение с конвенционалните DSS. В същото време има процедури за анализиране и обяснение на полученото решение и оценка както на ползите, така и на възможните загуби.

Така вземащият решение може да оцени предложената от DSS опция и да вземе решение, като има по-широк поглед върху самото решение и последиците от него, благодарение на консултациите, предоставени от системата.

По правило DSS използва информация от бази данни и знания и (или) предоставена от лицето, вземащо решение. Известно е, че мениджърите използват и информация от текстови документи, доклади, специални прегледи, статии и др. Възможно е и по-широко използване на неструктурирана информация в DSS.

В момента има три класа DSS в зависимост от сложността на решаваните проблеми и областите на приложение.

Първокласният DSS, който има най-голяма функционалност, е предназначен за използване в държавни органи от по-високо ниво (например министерства) и управителни органи на големи компании при планиране на големи комплексни целеви програми за обосноваване на решения относно включването в програмата на различни политически, социални или икономически дейности и разпределение на ресурсите между тях въз основа на оценка на въздействието им върху постигането на основната цел на програмата. DSS от този клас са системи за колективно ползване, чиито бази от знания се формират от много експерти - специалисти в различни области на знанието.

DSS от втори клас са системи за индивидуална употреба, чиито бази от знания се формират от самия потребител. Предназначени са за използване от държавни служители от среден ранг, както и от мениджъри на малки и средни фирми за решаване на проблеми с оперативното управление.

Трети клас DSS са системи за индивидуална употреба, които се адаптират към опита на потребителя. Те са предназначени за решаване на често срещани приложни проблеми на системния анализ и управление (например избор на кредитор, избор на изпълнител на работа, назначаване на длъжност и др.). Такива системи предоставят решение на текущ проблем въз основа на информация за резултатите от практическото използване на решения на същия проблем, приети в миналото.

Конкурентното производство трябва да се основава на най-новите постижения и следователно е доста лесно да се преориентира към по-напреднали технологии. Следователно мениджър от всякакъв ранг трябва да осигури необходимата помощ при разработването и обосноваването на решения, които са адекватни на променящите се условия, в които функционира системата, която управлява, и на влиянията на околната среда. DSS са мощен инструмент за разработване на алтернативни начини на действие, анализиране на последствията от тяхното използване и подобряване на уменията на мениджъра в такава важна област от неговата дейност като вземането на решения.

- 2 Диаграма на процеса на вземане на решение

Общата схема на процеса на вземане на решение включва следните основни етапи:

Етап 1. Предварителен анализ на проблема.

На този етап се определят:

Основни цели;

Нива на разглеждане, елементи и структура на системата (процеса), видове връзки;

Подсистеми, основните ресурси, които използват и критерии за качество на функционирането на подсистемите;

Основни противоречия, тесни места и ограничения.

- Етап 2. Постановка на проблема.

Задаването на конкретен проблем за вземане на решение (DPR) включва:

Формулиране на проблема;

Определяне вида на задачата;

Идентифициране на множество алтернативни варианти и основни критерии за избор на най-добрите;

Избор на метод за решаване на проблема.

- Етап 3. Получаване на първоначални данни.

На този етап се установяват начини за измерване на алтернативите. Това е или събиране на количествени (статистически) данни, или методи на математическо или симулационно моделиране, или методи на експертна оценка. В последния случай е необходимо да се решат проблемите с формирането на група от експерти, провеждането на експертни проучвания и предварителния анализ на експертните оценки.

- Етап 4. Решаване на ZPR с участието на математически методи и компютърни технологии, експерти и лицето, вземащо решения.

На този етап се извършва математическа обработка на първоначалната информация, нейното уточняване и модификация при необходимост. Обработката на информация може да бъде доста трудоемка и може да има нужда от няколко повторения и желание да се използват различни методи за решаване на проблема. Ето защо именно на този етап възниква необходимостта от компютърна поддръжка на процеса на вземане на решения, която се извършва с помощта на автоматизирани системи за вземане на решения.

- Етап 5. Анализ и интерпретация на получените резултати.

Получените резултати може да са незадоволителни и да изискват промени във формулировката на ZPR. В този случай ще трябва да се върнете към етап 2 или етап 1 и да преминете през целия път отново. Решаването на проблема може да отнеме доста дълъг период от време, през който средата на проблема може да се промени и да изисква корекции във формулирането на проблема, както и в първоначалните данни (например могат да се появят нови алтернативи, които изискват въвеждане нови критерии).

Проблемите с вземането на решения могат да бъдат разделени на статични и динамични. Първите са проблеми, които не изискват повтарящи се решения на кратки интервали. Динамичните включват ZPR, които се срещат доста често. Следователно итеративният характер на процеса на вземане на решения може да се счита за естествен, което потвърждава необходимостта от създаване и използване на ефективни системи за компютърна поддръжка. ZPR, изискващ един цикъл, може да се счита по-скоро за изключение, отколкото за правило.

- 3 компонента на система за подпомагане на вземането на решения

Системата за подпомагане на вземането на решения изисква три основни компонента:

Модел на управление;

Модел за управление на данни за събиране и ръчна обработка на данни;

Модел за управление на диалог за улесняване на потребителския достъп до DSS.

Потребителят взаимодейства с DSS чрез потребителски интерфейс, като избира конкретен модел и набор от данни за използване, а след това DSS представя резултатите на потребителя чрез същия потребителски интерфейс. Моделите за управление и управление на данни работят до голяма степен независимо и варират от сравнително прост общ модел на електронна таблица до сложен, сложен модел на планиране, базиран на математическо програмиране.

С помощта на електронна таблица като Microsoft Excel се създават модели за прогнозиране на различни елементи на организация или финансово състояние. Използваните данни са предишни финансови отчети на организацията. Първоначалният модел включва различни предложения за бъдещи тенденции в категориите разходи и доходи. След преглед на резултатите от базовия модел, мениджърът провежда поредица от проучвания „какво ако“, променяйки едно или повече допускания, за да определи тяхното въздействие върху базовото ниво. Например, мениджър може да изследва въздействието върху рентабилността, ако продажбите на нов продукт нарастват с 10% годишно. Или мениджърът може да проучи въздействието на по-голямо от очакваното увеличение на цената на суровините, като например 7% вместо 4% годишно. Този тип генератор на финансови отчети е прост, но мощен DSS за управление при вземане на решения, включително финансови.

Генераторът на система за подпомагане на вземането на решения е система, която предоставя набор от възможности за бързо и лесно изграждане на специфични DSS. DSS генераторът е софтуерен пакет, предназначен за решаване на полуструктурирани или неформализирани проблеми само частично с помощта на компютър.

- 4 Използване на системи за подпомагане на вземането на решения

Системите за подпомагане на вземането на решения помагат да се намерят отговори не само на директния въпрос „ами ако?“, Но и на подобни. Типични въпроси относно системите за подпомагане на вземането на решения (DSS):

1. Анализ на казуси – оценка на стойностите на изходните величини за даден набор от изходни променливи.

2. Параметричен (анализ на казуси) анализ – оценка на поведението на изходните величини при промяна на стойностите на оригиналните променливи.

3. Анализ на чувствителността - изследване на поведението на резултантните променливи в зависимост от промените в стойността на една или повече входни променливи.

4. Анализ на възможностите – намиране на стойностите на входната променлива, които осигуряват желания краен резултат (известен също като „търсене на целеви решения“, „анализ на целеви стойности“, „управление по цели“).

5. Анализ на въздействието - идентифициране за избрана резултантна променлива на всички входни променливи, които влияят на нейната стойност, и оценка на големината на промяната в резултантната променлива за дадена промяна на входната променлива, да кажем с 1%.

6. Анализ на данни – директно въвеждане на предварително известни данни в модела и манипулиране по време на прогнозиране.

7. Сравнение и агрегиране - сравняване на резултатите от две или повече прогнози, направени при различни входни допускания, или сравняване на прогнозирани резултати с действителни резултати, или комбиниране на резултати, получени от различни прогнози или за различни модели.

8. Командни последователности – възможност за използване и запазване за по-късна употреба на редовно изпълнявани серии от команди и съобщения.

9. Анализ на риска – оценка на ефективността на изходните променливи със случайни промени във входните стойности.

10. Оптимизацията е търсене на стойности на контролирани входни променливи, които осигуряват най-добрата стойност за една или повече резултатни променливи.

11. Примери за проблеми, решени с помощта на DSS: избор на методи за завладяване на пазара на домакински уреди; оценка на перспективите на алтернативните горива за автомобили.

12. Напоследък DSS започнаха да се използват в интерес на малкия и среден бизнес (например избор на вариант за локализиране на търговски обекти, избор на кандидат за заемане на свободна позиция, избор на вариант за информатизация и др.). Като цяло те са в състояние да поддържат индивидуалния стил и да отговорят на личните нужди на мениджъра.

13. Има системи, предназначени за решаване на сложни проблеми в големи търговски и държавни организации:

14. Въздушна система.Индустрията на въздушния транспорт използва система за подпомагане на вземането на решения - система за управление на аналитична информация. Тя е създадена Американски авиолинии,но се използва и от други компании, производители на самолети, авиационни анализатори, консултанти и асоциации. Тази система поддържа много решения в тази индустрия чрез анализиране на данни, събрани по време на рециклиране на превозни средства, оценка на товарния поток и статистически анализ на графика. Например, той ви позволява да правите прогнози за авиационния пазар по отношение на дяловете на компанията, приходите и рентабилността. По този начин тази система позволява на ръководството на авиокомпанията да взема решения относно цените на билетите, заявките за транспорт и др.

15. Географска система.Географската информационна система е специална категория поддържащи системи, която позволява интегрирането на компютърна графика с географски бази данни и други функции на системи за подпомагане на вземането на решения. Например, IBMs GeoManager –е система, която позволява изграждането и показването на карти и други визуални обекти за подпомагане при вземането на решения относно географското разпределение на хора и ресурси. Например, той ви позволява да създадете географска карта на престъпността и помага за правилното преразпределение на полицейските сили. Използва се и за изследване на степента на урбанизация, в горското стопанство, железопътния бизнес и др.

Въведение

Защо се нуждаем от DSS?:

1. Трудност при вземането на решения
2. Необходимост от точна оценка на различните алтернативи
3. Необходимостта от предсказваща функционалност
4. Необходимостта от многопоточно въвеждане (за да вземете решение се нуждаете от заключения въз основа на данни, експертни оценки, известни ограничения и т.н.)

От началото на 80-те години вече можем да говорим за формирането DSS подкласовекато MIS (Информационна система за управление), EIS (Изпълнителна информационна система), GDSS (Системи за подпомагане на групови решения), ODSS (Системи за подпомагане на организационни решения) и т.н. По същество тези системи бяха рамки, способни да работят с данни на различни нива на йерархията (от индивидуална до цялата организация) и всяка логика може да бъде внедрена вътре. Пример е системата GADS (Gate Assignment Display System), разработена от Texas Instruments за United Airlines, която подпомагаше вземането на решения в Field Operations – назначаване на врати, определяне на оптималното време за паркиране и т.н.

В края на 80-те се появяват PSPPR(Advanced), което позволява анализ „какво ако“ и използва по-усъвършенствани инструменти за моделиране.

накрая от средата на 90-тезапочнаха да се появяват и ISPR, който започна да се основава на инструментите за статистика и машинно обучение, теория на игрите и друго сложно моделиране.

Разнообразие от DSS

По област на приложение

• Бизнес и управление (цени, труд, продукти, стратегия и др.)
• Инженеринг (дизайн на продукта, контрол на качеството...)
• Финанси (даване и вземане на заеми)
• Медицина (лекарства, лечение, диагностика)
• Заобикаляща среда

Според връзката данни/модел(Метод на Стивън Алтер)

• FDS (File Drawer Systems - системи за осигуряване на достъп до необходимите данни)
• DAS (Data Analysis Systems - системи за бърза обработка на данни)
• AIS (Информационни системи за анализ - системи за достъп до данни по вид изисквано решение)
• AFM(s) (Счетоводни и финансови модели (системи) - системи за изчисляване на финансовите последици)
• RM(s) (Модели за представяне (системи) - симулационни системи, AnyLogic като пример)
• OM(s) (Оптимизационни модели (системи) - системи, които решават оптимизационни проблеми)
• SM(s) (Модели (системи) на предложения - системи за конструиране на логически заключения въз основа на правила)

По вид на използваните инструменти

• Управляван от модел - базиран на класически модели (линейни модели, модели за управление на инвентара, транспортни, финансови и др.)
• Data Driven - базирано на исторически данни
• Комуникационно управлявани - системи, базирани на групово вземане на решения от експерти (системи за улесняване на обмена на мнения и изчисляване на средни експертни стойности)
• Управление на документи - по същество индексирано (често многоизмерно) хранилище на документи
• Knowledge Driven - внезапно, базирано на знания. Какво общо има знанието както с експертното, така и с полученото от машината знание?

Искам книга за оплаквания! нормален DSS

1. качество
2. Организация
3. Ограничения
4. Модел

Нека отделно да отбележим такива важни атрибути като мащабируемост (в настоящия гъвкав подход няма никъде без това), способността за обработка на лоши данни, използваемост и удобен за потребителя интерфейс и ниски изисквания за ресурси.

Архитектура и дизайн на ISPR

Всъщност DSS може да бъде разделен на 4 големи слоя:

1. Интерфейс
2. Моделиране
3. Извличане на данни
4. Събиране на данни

В диаграмата по-долу представям моето виждане за архитектурата, с описание на функционалността и примерни инструменти:

Архитектурата е повече или по-малко ясна, нека да преминем към дизайна и действителната конструкция на DSS.

По принцип тук няма ракетна наука. Когато изграждате IDSPR, трябва да се придържате към следните стъпки:

1. Анализ на домейн (всъщност, където ще използваме нашия IDSS)
2. Събиране на данни
3. Анализ на данни
4. Избор на модел
5. Експертен анализ\интерпретация на модели
6. Внедряване на модели
7. ISPR оценка
8. Внедряване на ISDS
9. Събиране на обратна връзка ( на всеки етап, Всъщност)

Има два начина за оценка на ISPR. Първо, според матрицата на атрибутите, представена по-горе. Второ, според списък с критерии, който може да бъде всякакъв и зависи от вашата конкретна задача. Като пример за такъв контролен списък бих дал следното:

Бих искал да подчертая, че това е само IMHO и можете да направите удобен контролен списък за себе си.

Къде са машинното обучение и теорията на игрите?

От една страна, има класически домейни, нека ги наречем „тежки“, като управление на веригата за доставки, производство, запаси и т.н. В трудни области любимите ни алгоритми могат да донесат допълнителна представа за доказани класически модели. Пример: прогнозни анализи за повреди на оборудване (машинно обучение) ще работят перфектно с някои FMEA анализи (класически).

От друга страна, в „меки“ области, като анализи на клиенти, прогнозиране на отлив, изплащане на заеми, алгоритмите за машинно обучение ще поемат водеща роля. И при точкуването, например, можете да комбинирате класиката с НЛП, когато решаваме дали да издадем заем въз основа на пакет от документи (точно като DSS, управляван от документи).

Класически алгоритми за машинно обучение

Нека го направим много просто:

Стъпка 0. Определете целевата променлива (добре, например, съдържанието на титанов оксид в крайния продукт)
Стъпка 1. Вземете решение за данните (изтегляне от SAP, Access и като цяло от всяко място, до което можем да достигнем)
Стъпка 2. Събиране на функции\генериране на нови
Стъпка 3. Начертайте процеса на поток от данни и го стартирайте в производство
Стъпка 4. Изберете и обучете модела, стартирайте го да се върти на сървъра
Стъпка 5. Дефинирайте важност на характеристиките
Стъпка 6. Вземете решение за въвеждане на нови данни. Нека нашият мениджър ги въведе например на ръка.
Стъпка 7. Пишем прост уеб базиран интерфейс на колене, където мениджърът въвежда стойностите на важни характеристики на ръка, това работи на сървър с модел и прогнозираното качество на продукта се изплюва в същия интерфейс

Ето, IDSPR на ниво детска градина е готов, можете да го използвате.

Използват се и подобни „прости“ алгоритми IBMв неговия DSS Tivoli, който ви позволява да определите състоянието на вашите суперкомпютри (Watson на първо място): въз основа на регистрационни файлове се показва информация за производителността на Watson, наличността на ресурсите, баланса между разходите и печалбата, изискванията за поддръжка и т.н. предвидено.

Компания ABBпредлага на своите клиенти DSS800 за анализиране на работата на електрически двигатели на същата ABB на линия за производство на хартия.

финландски Вайсала, производител на сензори за Министерството на транспорта на Финландия, използва IDS, за да предвиди кога трябва да се приложи размразител по пътищата, за да се избегнат инциденти.

Отново финландски Foredataпредлага IDS за HR, който помага при вземането на решения относно пригодността на даден кандидат за позиция на етапа на подбор на автобиография.

На летище Дубай в карго терминала има DSS, който определя подозрителността на товара. Под капака, алгоритми, базирани на подкрепящи документи и данни, въведени от митническите служители, идентифицират подозрителен товар: характеристиките включват страната на произход, информация върху опаковката, специфична информация в полетата на декларацията и др.

Хиляди от тях!

Конвенционални невронни мрежи

Някои примери могат да бъдат намерени във военно-промишления комплекс, например в американската TACDSS (Tactical Air Combat Decision Support System). Вътре се въртят неврони и еволюционни алгоритми, които помагат при определяне на приятел или враг, оценка на вероятността за попадение по време на залп в даден конкретен момент и други задачи.

В малко по-реален свят можем да разгледаме следния пример: в B2B сегмента е необходимо да се определи дали да се издаде заем на организация въз основа на пакет от документи. В B2C операторът ще ви измъчва с въпроси по телефона, ще въведе стойностите на функциите в своята система и ще обяви решението на алгоритъма, в B2B е малко по-сложно.

ISPP може да бъде структуриран по следния начин: потенциален кредитополучател носи предварително договорен пакет документи в офиса (или изпраща сканирания по имейл, с подписи и печати, както се очаква), документите се подават в OCR, след което се прехвърлят в NLP алгоритъм, който след това разделя думите на характеристики и ги подава към NN. Клиентът е помолен да пие кафе (в най-добрия случай) или там където е издадена картата и да се върне след обяд, през което време всичко ще бъде изчислено и на екрана на момичето-оператор ще се покаже зелена или червена усмивка. Е, или жълто, ако изглежда добре, но богът на информацията се нуждае от повече информация.

Подобни алгоритми се използват и в Министерството на външните работи: формулярът за виза + други удостоверения се анализират директно в посолството/консулството, след което на екрана на служителя се показва един от 3 емотикони: зелен (издаване на виза), жълт ( имате въпроси), червено (кандидат в стоп списъка) ). Ако някога сте получавали виза за САЩ, тогава решението, което служителят на консулството ви изказва, е точно резултат от работата на алгоритъма във връзка с правилата, а не от неговото лично субективно мнение за вас :)

В тежките домейни също е известен DSS, базиран на неврони, които определят къде се натрупва буферът на производствените линии (вижте, например, Tsadiras AK, Papadopoulos CT, O’Kelly MEJ (2013) Система за подпомагане на решения, базирана на изкуствена невронна мрежа за решаване на проблема с разпределението на буфера в надеждни производствени линии. Comput Ind Eng 66(4):1150–1162), общи размити минимално-максимални невронни мрежи (GFMMNN) за групиране на потребители на вода ( Arsene CTC, Gabrys B, Al-Dabass D (2012) Система за подпомагане на вземането на решения за системи за разпределение на вода, базирана на невронни мрежи и теория на графиките за откриване на течове. Expert Syst Appl 39(18):13214–13224) и други.

Като цяло, заслужава да се отбележи, че NN са идеално подходящи за вземане на решения в условия на несигурност, т.е. условия, в които живее истинският бизнес. Алгоритмите за групиране също пасват добре.

Бейсови мрежи

Динамичните данни се актуализират с течение на времето, така че моделът на работа на модела ще бъде както следва: обучение-решение-обучение, което като цяло е подобно на работата на лекар: грубо определяне на диагнозата, прилагане на лекарство, наблюдение на реакцията. Така ние постоянно сме в състояние на несигурност дали лечението ще работи или не. И състоянието на пациента се променя динамично. Тези. ние трябва да изградим динамичен DSS, а също и управляван от знания.

В такива случаи от голяма полза ще ни бъдат динамичните байесови мрежи (DBNs) - обобщение на модели, базирани на филтри на Калман и скрития модел на Марков.

Нека разделим данните за пациента на статични и динамични.

Ако изграждаме статична байесова мрежа, нашата задача ще бъде да изчислим следната вероятност:

Къде се намира възел от нашата мрежа (всъщност върхът на графиката), т.е. стойността на всяка променлива (пол, възраст....), а C е прогнозираният клас (заболяване).

Статичната мрежа изглежда така:

Но това не е лед. Състоянието на пациента се променя, времето минава и трябва да решим как да го лекуваме.

Ето защо използваме DBS.

Първо, в деня на приемане на пациента изграждаме статична мрежа (както на снимката по-горе). След това всеки ден азНие изграждаме мрежа въз основа на динамично променящи се данни:

Съответно агрегатният модел ще приеме следната форма:

Така изчисляваме резултата по следната формула:

Където T- кумулативно време за хоспитализация, н- броя на променливите на всяка от стъпките на DBS.

Необходимо е да внедрим този модел в DSS малко по-различно - по-скоро тук трябва да тръгнем от обратното, първо да коригираме този модел и след това изградете интерфейс около. Тоест по същество направихме твърд модел, вътре в който има динамични елементи.

Теория на играта

Да кажем, че има олигопол на пазара (малък брой конкуренти), има определен лидер и това (уви) не е нашата компания. Трябва да помогнем на ръководството да вземе решение относно обема на продуктите, които произвеждаме: ако ние произвеждаме продукти в обем, а нашият конкурент произвежда в обем, ще отидем ли на червено или не? За да опростим, нека вземем специален случай на олигопол - дуопол (2 играча). Докато мислите за RandomForest или CatBoost, ще ви предложа да използвате класическото - Stackelberg equilibrium. В този модел поведението на фирмите се описва чрез динамична игра с пълна перфектна информация, като характеристика на играта е наличието на водеща фирма, която първа определя обема на производството на стоки, а останалите фирми се ръководят в изчисленията си от него.
За да разрешим нашия проблем, просто трябва да изчислим така, че проблемът за оптимизация на следната форма да бъде решен:

За да го решите (изненада, изненада!), просто трябва да приравните първата производна по отношение на нула.

Освен това за такъв модел трябва само да знаем предлагането на пазара и цената на стоките от нашия конкурент, след това да изградим модел и да сравним полученото рс тази, която нашето ръководство иска да пусне на пазара. Съгласете се, това е малко по-лесно и по-бързо от рязане на NN.

Excel също е подходящ за такива модели и DSS базирани на тях. Разбира се, ако трябва да се изчислят входните данни, тогава е необходимо нещо по-сложно, но не много. Същият Power BI ще се справи с това.

Няма смисъл да търсите победител в битката ML срещу ToG. Твърде различни подходи за решаване на проблема, със своите плюсове и минуси.

Какво следва?

В скорошно интервю Джуда Пърл, създателят на същите байесови мрежи, изрази интересно мнение. Да перифразирам тогава

„Всичко, което експертите по машинно обучение правят сега, е да напаснат крива към данните. Напасването е нетривиално, сложно и досадно, но все пак е напасване.“

Най-вероятно след около 10 години ще спрем моделите с твърд код и вместо това ще започнем да обучаваме компютри навсякъде в създадени симулирани среди. Вероятно внедряването на ISPR ще следва този път - по пътя на AI и други Skynets и WAPR.

Ако погледнем от по-близка перспектива, тогава бъдещето на DSSS е в гъвкавостта на решенията. Нито един от предложените методи (класически модели, машинно обучение, DL, теория на игрите) не е универсален по отношение на ефективността за всички задачи. Един добър DSS трябва да комбинира всички тези инструменти + RPA, докато различни модули трябва да се използват за различни задачи и да имат различни изходни интерфейси за различните потребители. Нещо като коктейл, смесен, но в никакъв случай не разклатен.

Литература

1. Меркерт, Мюлер, Хюбл, Проучване на приложението на машинното обучение в системите за подпомагане на вземането на решения, Университет Хофенхайм 2015 г.
2. Тарик, Рафи,Интелигентни системи за подпомагане на вземането на решения – рамка, Индия, 2011 г
3. Санжес и Маре, Жибер, Еволюция на системите за подпомагане на вземането на решения, Университет на Каталуния, 2012 г
4. Лтифи, Трабелси, Айед, Алими, Система за подпомагане на динамично вземане на решения, базирана на байесови мрежи, Университет на Сфакс, Национално инженерно училище (ENIS), 2012 г.

Секция „Информационни и икономически системи”

UDC 658.5.011

СИСТЕМА ЗА ПОДКРЕПА ВЗЕМАНЕ НА РЕШЕНИЯ

А. А. Стародубцев Научен ръководител - Д. В. Тихоненко

Сибирски държавен аерокосмически университет на името на академик М. Ф. Решетнев

Руска федерация, 660037, Красноярск, пр. тях. газ. "Красноярски работник", 31

Електронна поща: [имейл защитен]

Описано е защо са необходими системи за подпомагане на вземането на решения, как могат да бъдат полезни и тяхната класификация.

Ключови думи: DSS, вземане на решения, поддържаща система.

СИСТЕМА ЗА ПОДКРЕПА ВЗЕМАНЕ НА РЕШЕНИЯ

А. А. Стародубцев Научен ръководител - Д. В. Тхоненко

Решетнев Сибирски държавен аерокосмически университет 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [имейл защитен]

Статията обяснява защо е необходима система за подпомагане на вземането на решения, отколкото те могат да бъдат полезни и тяхната класификация.

Ключови думи: DSS, вземане на решения, поддържаща система.

Системата за подпомагане на вземането на решения (DSS) е компютърна автоматизирана система, чиято цел е да помогне на хората да вземат решения в трудни условия за пълен и обективен анализ на предметната дейност.

DSS възниква от сливането на информационни системи за управление и системи за управление на бази данни.

Системата за подпомагане на вземането на решения е предназначена да поддържа многокритериални решения в сложна информационна среда. В същото време многокритериалността се отнася до факта, че резултатите от взетите решения се оценяват не по един, а по комбинация от много показатели (критерии), разглеждани едновременно. Информационната сложност се определя от необходимостта да се отчете голям обем от данни, чиято обработка е практически невъзможна без помощта на съвременната компютърна техника. При тези условия броят на възможните решения като правило е много голям и изборът на най-доброто „на око“, без цялостен анализ, може да доведе до груби грешки.

Системата за подпомагане на вземането на решения DSS решава два основни проблема. Първо, избор на най-доброто решение от много възможни (оптимизация). Второ, подреждане на възможните решения по предпочитание (класиране).

И в двата проблема първият и най-важен момент е изборът на набор от критерии, въз основа на които впоследствие ще се оценяват и сравняват възможните решения (ще ги наричаме още алтернативи). Системата DSS помага на потребителя да направи такъв избор.

Използват се различни методи за анализиране и разработване на предложения в DSS. Не може да бъде:

Търсене на информация;

Извличане на данни;

Търсене на знания в бази данни;

Разсъждение въз основа на прецеденти;

Симулационно моделиране;

Актуални проблеми на авиацията и космонавтиката - 2016 г. Том 2

Еволюционни изчисления и генетични алгоритми;

Невронни мрежи;

Ситуационен анализ;

Когнитивно моделиране и др.

Някои от тези методи са разработени в рамките на изкуствения интелект. Ако работата на DSS се основава на методи на изкуствен интелект, тогава се говори за интелигентен DSS или ISSPR.

Системата ви позволява да решавате проблеми на оперативното и стратегическо управление въз основа на счетоводни данни за дейността на компанията.

Системата за подпомагане на вземането на решения е набор от софтуерни инструменти за анализ на данни, моделиране, прогнозиране и вземане на управленски решения, състоящ се от собствени разработки на корпорацията и закупени софтуерни продукти (Oracle, IBM, Cognos).

Теоретичните изследвания в разработването на първите системи за подпомагане на вземането на решения са проведени в Технологичния институт Карнеги в края на 50-те и началото на 60-те години на 20 век. Специалисти от Масачузетския технологичен институт успяха да съчетаят теорията с практиката през 60-те години. В средата и края на 80-те години на 20 век започват да се появяват системи като EIS, GDSS, ODSS. През 1987 г. Texas Instruments разработи Gate Assignment Display System за United Airlines. Това направи възможно значително намаляване на загубите от полети и регулиране на управлението на различни летища, от международното летище O"Hare в Чикаго до Стейпълтън в Денвър, Колорадо. През 90-те години обхватът на възможностите на DSS се разшири с въвеждането на хранилища за данни и OLAP инструменти Появата на нови технологии за отчитане направи DSS незаменим в управлението.

Има няколко големи групи DSS.

Въз основа на взаимодействието с потребителя има три типа DSS:

Пасивите помагат в процеса на вземане на решения, но не могат да представят конкретно предложение;

Активните участват пряко в разработването на правилното решение;

Кооперативните включват взаимодействието на DSS с потребителя. Потребителят може да прецизира, подобри предложението, представено от системата, и след това да го изпрати обратно на системата за проверка. След това предложението отново се представя на потребителя и така докато той одобри решението.

Според начина на поддържане те разграничават:

Моделно ориентирани DSS използват в работата си достъп до статистически, финансови или други модели;

Базираният на комуникация DSS поддържа работата на двама или повече потребители, ангажирани с обща задача;

DSS, ориентирани към данни, имат достъп до времевите редове на организацията. В работата си използват не само вътрешни, но и външни данни;

Ориентираните към документи DSS манипулират неструктурирана информация, съдържаща се в различни електронни формати;

DSS, ориентирани към знанието, предоставят специализирани решения на проблеми, базирани на доказателства.

По област на използване има:

В цялата система

Настолен DSS.

Общосистемните работят с големи системи за съхранение на данни (DSS) и се използват от много потребители. Настолните системи са малки и са подходящи за управление от персонален компютър на един потребител.

Структурата на DSS включва четири основни компонента:

Информационни хранилища за данни;

Средства и методи за извличане, обработка и зареждане на данни (ETL);

Инструменти за многомерна база данни и OLAP анализ;

Инструменти за извличане на данни.

Секция „Информационни и икономически системи”

DSS позволява да се улесни работата на мениджърите на предприятията и да се повиши нейната ефективност. Те значително ускоряват разрешаването на бизнес проблеми. DSS допринасят за установяване на междуличностни контакти. На тяхна база е възможно да се провежда обучение и обучение. Тези информационни системи ви позволяват да увеличите контрола върху дейността на организацията. Наличието на ясно функциониращ DSS осигурява големи предимства пред конкурентните структури. Благодарение на предложенията на DSS се откриват нови подходи за решаване на ежедневни и нестандартни проблеми.

Използването на системата ви позволява да намерите отговори на много въпроси, които възникват както за генералния директор, така и за ръководителя на всеки отдел.

Процесът на създаване на управленска отчетност, анализ на данни и система за подпомагане на вземането на решения се състои от следните етапи:

Анализ на съществуващите информационни потоци и процедури за управление на предприятието в предприятието;

Идентифициране на показатели, които влияят върху финансовото и икономическото състояние на предприятието и отразяват ефективността на правене на бизнес (въз основа на данни от вече използвани системи);

Разработване на процедури, които да гарантират, че управленският персонал получава необходимата информация в точното време, на точното място и в правилната форма;

Настройване на софтуер за многоизмерен анализ;

Обучение на персонала на клиента за работа със софтуер за многомерен анализ.

Резултатът е обмислени решения, базирани на информационна основа, адекватни действия, квалифицирано изпълнение и като резултат успех на цялото предприятие.

1. Системи за подпомагане на вземането на решения, предназначение и задачи за решаване [Електронен ресурс]. URL: http://referatz.ru/works/296331/ (дата на достъп: 10.03.2016 г.).

Има три вида такива инструменти:

1. Инструменти за многоизмерен анализ - известни още като OLAP (он-лайн аналитична обработка) - софтуер, който позволява на потребителя да наблюдава данни в различни измерения, посоки или секции.

2. Инструменти за заявки - софтуер, който ви позволява да създавате заявки за данни въз основа на съдържание или модел.

3. Data Mining Tools – софтуер, който автоматично търси важни модели (модели) или зависимости в данните.

Наличието в системата за обучение, изградена на базата на класическата DSS (Decision support system), на разработени средства за моделиране и инструменти за консултиране, качествено променя натоварването на лицата, вземащи решения, в посока на интелектуализиране на тяхната дейност. Това се постига чрез увеличаване на информационните потоци, преминаващи през системата за обучение, която е неразделна част от MRIS. Това увеличение е свързано с развитието на информационните технологии, които в момента предоставят все повече възможности за обработка на лошо формализирана информация. Развитието в математиката и компютърните науки на области като размити множества, многозначна логика и др., Подобряването на средствата за програмиране и техническите средства прави възможно извършването на такава обработка.

Внедряването на системи, изградени на базата на DSS подхода, в практиката се характеризира с много проблеми, включително лоша интеграция на софтуерни инструменти, които предоставят характерните възможности на DSS. Това може да се обясни със сравнително малък опит в създаването и използването на наистина развити DSS системи и високата цена на тяхното разработване. Последният фактор е свързан с необходимостта да се гарантира адекватността на DSS модела за пълно управление, както и с прекомерната сложност на системата и

В същото време е необходимо да се развие удобство на системата, което съвпада с възможностите за развитие на компютърните технологии.

Желаните качества на гъвкавост и адаптивност на учебната система изискват тя да бъде дълбоко параметризирана, което я прави изключително сложна. Следователно са необходими решения, които биха позволили, като имат основен алгоритъм за обучение, да осигурят неговия индивидуален характер. За да направите това, можете да използвате подхода на веригата на Марков. Във всеки един момент количеството невежество не зависи от предишния процес на обучение. След това, за да се премахне невежеството, няма нужда да се връщате стъпка назад, но обучаемият трябва да разполага с удобни инструменти и необходимата информация, за да се справи сам с невежеството. Това решение е най-подходящо за подхода EPSS (Electronic performance support system) – използването на електронни системи за подкрепа на представянето, което осигурява придобиването на основни знания и осигурява подкрепа при вземане на решения за развитие на умения и способности.

За EPSS характерните тенденции в сравнение с DSS са:

 увеличаване на слабо формализирания информационен поток, преминаващ през EIS;

 по-удобен интерфейс;

 по-пълно отчитане на изискванията на потребителя, неговите психологически характеристики, манталитет;

 по-гъвкава система от технологични настройки;

 по-гъвкава и по-пълна система за обучение на потребителя на нова функционална информационна технология.

EPSS задълбочава DSS, като го прави по-удобен за обучаемия чрез подобряване на инструментите и предоставя на потребителя възможност за постоянно подобряване на знанията. EPSS се характеризира с комбинация от функционални информационни технологии и технологии, които ще наречем образователни. Всяка функционална информационна технология в EPSS е немислима без добавка, каквато в нашия случай е образователната технология. Синтезът на функционални информационни и образователни технологии формира образователна информационна технология, която е в основата на системата за обучение MRIS.

Особено важна отличителна черта на EPSS е системното интегриране на технологии за установяване, моделиране, обучение и консултиране в една система.

Вътре в системата за обучение трябва да има вграден EPSS блок, който да оцени фундаменталната възможност на взетото от ученика решение и неговата ефективност, както и да разпознае направените грешки и да определи за системата като цяло начини за отстраняване на техните източници, т.е. методология и форма на предаване на знания, която е най-успешна за обучаемия (виж фиг. 2.10).

Подробностите трябва да се извършват с известен акцент върху областта на невежеството на ученика. По този начин стратегията за обучение може постоянно да се променя, като е функция на психологическите характеристики на ученика (въображение, логическо мислене) и количеството знания за обекта на познание, което ученикът притежава.

Следователно EPSS трябва да съдържа:

1. Установяване на софтуер, т.е. съответните данни. Например учебен материал, примери, казуси и др.

2. Симулационен софтуер, който подготвя отговор на въпроса: – „Какво ще се случи, ако...?“

3. Съветващ софтуер, който може да отговори на въпроса „Как да направя...?“.

Обикновено една качествена система за преподаване ще промени стратегията си за преподаване в зависимост от контекста на въпросите от теста. В този случай ученикът следва определен алгоритъм на обучение, който съдържа редица цели на траекторията, за изпълнението на които, винаги едни и същи, системата трябва да премахне всички ученици и, след като разпознае невежеството, да се опита да го локализира и елиминира чрез изпомпване натрупване на необходимите знания и тяхното затвърждаване. Ако това не може да стане, системата се издига до по-висока концепция и действа по същия алгоритъм. Локализацията на невежеството се свежда до неговото детайлизиране. Посоката на детайлите обаче може да бъде различна и тази разлика зависи преди всичко от характеристиките на класификацията на понятията, които поставяме в системата. Опростено, тренировъчната верига се състои от два блока. Първият блок, използвайки произволна стратегия, осигурява дозирано представяне на знанията на обучаемия. Това представяне може да се случи в линеен или мрежов модел. Докато се движи през обучителната графика, системата периодично превключва към контролен блок, който може да бъде конструиран по различни начини.

Стратегията на обучение не се променя в зависимост от отговорите, въпреки че се проверява правилността на отговорите. В традиционните системи за обучение се използва точно тази схема и за всеки въпрос се предлагат алтернативни отговори, един или повече. Недостатъкът на това решение е, че е необходимо въпросите и отговорите да се формулират много ясно, без двусмислие. Трудно е да се идентифицира значението на неразбирането от алтернативните отговори, въпреки че по принцип този недостатък може да бъде преодолян чрез увеличаване на броя на контролните въпроси.

Ако стратегията на обучение се промени, тогава можем да говорим за управление на учебния процес, което не се различава по функция от управлението на всеки друг обект: счетоводство - отговаряне на тестови въпроси; анализ - разпознаване на съдържанието на отговорите; планиране на системни действия за адаптиране на стратегията за обучение; регулиране – представяне на следващото знание, необходимото ниво и значение.

По този начин EPSS е мощен инструмент за подобряване на ефективността на MRIS чрез предоставяне на персонализирано обучение, подобряване на управлението на системата чрез укрепване на поддържащите функции и подобряване на адаптивните свойства на системата към изискванията на конкретен потребител. Развитието на обществото и бизнеса изисква адекватни инструменти за управление. Познаването на тенденциите и основните насоки в развитието на компютърните науки ни позволява да разработваме научно обосновани стратегии за целенасочено управление на процеса на нейното развитие. Глобалната информатизация на обществото е една от причините за неговото развитие, поради което най-голямо внимание трябва да се обърне на въпросите за взаимно адаптиране и трансформиране на естествени структури и изкуствено създадени информационни системи.

33. Какви са характеристиките, положителните и отрицателните страни

внедряване на DSS системи?

В малка инфраструктура не всеки процес трябва да се описва подробно с помощта на третото ниво, а само най-важните, чийто ред на изпълнение е критичен от гледна точка на сигурността или външни изисквания, например стандарта PCI DSS , съдържат пряко условие за детайлното им детайлизиране. Във всички останали случаи нивото на разграждане трябва да се определя от здравия разум.

34. Какво е потребителски IP?

Персонализирани или уникални системи обикновено означават системи, създадени за конкретно предприятие, които нямат аналози и не подлежат на по-нататъшно копиране. Такива системи се използват или за автоматизиране на дейността на предприятия с уникални характеристики, или за решаване на изключително ограничен набор от специални задачи. По принцип такива системи се използват в държавни агенции, образование, здравеопазване и военни организации. Системите по поръчка, като правило, или изобщо нямат прототипи, или използването на прототип изисква значителни промени от качествен характер. В тази връзка, разработването на персонализирана система отпо същество е R&D. Като всяка R&D, характеризира се с повишен риск по отношение на получаване на необходимите резултати. За да се намалят рисковете и разходите за разработка, е препоръчително да се използва изпитана от практиката методология. Желателно е методологията да включва следните елементи:

· модел на технологичния процес (последователност от технологични операции, изисквания за входна и изходна информация и резултати);

· модел на процеса на управление на самия технологичен процес (етапи, процеси на управление на качеството, резултати, изисквания към квалификацията на специалистите);

· инструменти, използвани при разработката.

Един пример за такава техника е интегрираното използване на подхода CDMПредимство на метода за управление на проекти PJM и инструмента Designer/2000 CASE като корпоративен инструмент Оракул.

35. Какво е уникален IP?

36. Какво е репликируем IP?

Репликираната система не изисква модификация от разработчика и потребителят трябва да я приеме като такава. Например репликирана информационна система (въпреки че не се възприема като такава) е Microsoft BackOffice. Тази система съществува сама по себе си и може да реши някои корпоративни проблеми, но опитайте да принудите Microsoft да промени нещо в нея! Корпоративните репликируеми системи също включват 1C:Torgovlya и в по-малка степен Ekipazh. Колкото по-високо се издигаме, толкова повече гъвкавост виждаме - системата се превръща в полуперсонализирана. Вече няма да наричам „Галактика“ репликируема. Това изисква стъпки за настройка и внедряване.

По принцип репликируемите системи са предназначени за малки предприятия. Но има някакъв критичен мащаб на предприятието, като се започне от който е по-евтино, по-правилно и по-бързо да се изразходват разходите, свързани с актуализирането на софтуера, отколкото разходите, причинени от необходимостта от реорганизация на дейностите. Малките фирми са в състояние да „приспособят” своите бизнес процеси към изискванията на репликираните системи – техните бизнес процеси също са кратки. По-големите не могат да направят това.

- Какво тогава е мярката за вас - какво значи "голямо предприятие"?

Голямо предприятие означава стотици документи на месец и повече от пет души във веригите на бизнес процеси.

Обикновено те наричат ​​и броя на работните места в системата, но това е глупост, а не критерий. Защото, ако при мен работят четирима икономисти, тогава условията за създаване на корпоративна система са много по-трудни, отколкото ако има стотици касиери.

37. Какво е система за проектиране?

От технологична (архитектурна) гледна точка системата за проектиранее софтуерен продукт, който: включва ядро, в което е дефиниран фундаменталният модел на предметната област, както и основен набор от класове (възможно най-абстрактни) и основни методи за работа с тях; включва конфигурация, която е реализация на информационна система, изградена от класове и методи на ядрото; включва инструменти, които позволяват на потребителя да изгради своя собствена опция за конфигурация

Управленските задачи във всяка организация несъмнено са уникални, но като правило типичните задачи могат да бъдат идентифицирани за всеки конкретен вид дейност. Подробен списък с типични и специфични задачи и техните взаимоотношения може да се превърне в прототип на техническите спецификации на системата.

Когато се анализира функционалността на системата за проектиране, препоръчително е всички необходими функции да се разделят на няколко категории: а) функции, които вече са внедрени в стандартни конфигурации на системата за проектиране; б) функции, които не са реализирани в стандартни конфигурации, но които могат да бъдат реализирани с помощта на инструменти за конфигуриране; в) функции, които не могат да бъдат реализирани (сами) без радикална преработка на системата.

IS – трансформатор, реализира базова функционалност за управление на данни, внедряване на бизнес логика и предоставяне на графичен потребителски интерфейс, но няма внедрен бизнес модел за стартиране на дейност в рамките на нито една предметна област.

38. Какво е IP адаптация?

39. Какво е адаптивен IS?

Адаптивни системи

Проблемът с адаптирането на софтуера на автоматизираната система за управление, т.е. адаптирането му към условията на работа в конкретно предприятие, беше разпознат от самото начало работя върхуконтролна автоматизация.

Съдържанието и методите за адаптиране се развиват заедно с методологията за създаване и внедряване на системи. Същността на проблема е, че в крайна сметка всяка автоматизирана система за управление е уникална, но в същото време има и общи, типични свойства. Всяка софтуерна подсистема показва и двете страни на автоматизираната система за управление. В технологичен смисъл адаптациясофтуерът за автоматизирана система за управление е преход от основна система, която показва типичните свойства на системата към окончателно решение, адаптирано за работа в дадена автоматизирана система за управление.

Изискванията за адаптиране и сложността на тяхното изпълнение значително зависят от проблемната област, мащаба на системата и степента на корелация между формализираните и неформализираните при решаване на управленски проблеми.

Дори първите програми, които решават индивидуални проблеми с управлението, са създадени, като се вземе предвид необходимостта от персонализирането им отпараметри. Тъй като на ранен етап имаше остър проблем с осигуряването на изчислителна мощност, основното внимание беше отделено на настройката на нуждите от RAM, методите за спиране при решаване на проблеми с оптимизацията и управлението на програмата за заобикаляне на софтуерни модули, които не се използват в конкретно изчисление .

С появата на стандартни решения под формата на приложни софтуерни пакети ( ПЧП) имаше нужда от специални процедури за предварително генериране. Процедурите обхващаха параметри, определящи режима на работа на софтуера, изисквания за информационно осигуряване, условия за свързване и използване на външни програми. Приложение ПЧПкато базови системи доведе до увеличаване на формализирания компонент в системата за управление на предприятието. Стана по-сложно адаптациясистеми към условията на предприятието. Появи се дивизииработа на софтуер, занимаващи се, наред с други неща, с проблеми на адаптиране на софтуерни системи. Стана очевидно, че адаптацияв автоматизираните системи за управление е не само софтуерен и хардуерен проблем, но и организационен проблем.

Интерактивните системи, които направиха мениджърите на всички нива директни потребители на компютърни системи, също доведоха до ново разбиране на проблема с адаптацията. Основните причини бяха същите – изместване на отношението между формализираното и неформалното към формализиране на процеса на управление. Основната трудност беше, че формализацията засегна не само стандартната, но и уникалната функционалност в системата за управление на предприятието.

От всичко комплектиТрудностите, възникнали на този етап от развитието на автоматизираните системи за управление, трябва да се съсредоточат върху две. Първият е организирането на приятелски интерфейс между потребителя и компютърната среда. По време на разработването на системи за управление е включен арсенал от инструменти за организация на интерфейса менюразлични видове, електронни платки и панели, диаграми като диаграми на Черноф и Ишикава, графични изкустваи още много. Втората трудност беше системна. Досегашният подход - настройка на системата от консултанти без практически никакво участие на мениджъри - стана невъзможен. Оказа се, че в много случаи организацията на внедряване се оказва неефективна, при която бъдещите потребители първо формулират изискванията към системата, отчитайки във всички подробности спецификата на предприятието, а след това консултантите конфигурират системата за условията на употреба. Има редица причини за тази неефективност. Първо, като правило, практикуващите мениджъри не владеят методологиите за системен анализ. второ, сила на звукаинформацията относно детайлите на организацията на управлението в дадено предприятие се оказва твърде голяма. Трето, това не винаги е така информацияОказва се полезен и за консултанти поради „еднократния“ си характер. Четвърто, при такава организация е трудно да се приложи принципът на новите задачи; това ще изисква допълнителни итерации по време на процеса на изпълнение.

Ето защо бяха предложени методи за разработване и внедряване на софтуер, базирани на нови принципи:

· включване на потребителите в разработката на системата, включително разработката на софтуер;

· прототипиране на софтуер;

· съчетаване на процеса на обучение на потребителите за работа с базовата система за създаване на софтуерен прототип.

Пример е подходът, предложен от компанията компютърСътрудници в началото на 90-те за проекти като MRPII/ ERPна базата на CA система CAS.

Прототип ОТСистемата за автоматично управление може да се използва в бъдеще в следните работи:

· при обучение на по-широк кръг кадри;

· по време на пробна експлоатация;

· когато се модифицира с цел получаване на крайната версия на софтуера.

Този подход направи възможно до известна степен да се реши проблемът с адаптирането на системата за управление в динамика, тъй като служителите на предприятието, по време на създаването на прототипа, придобиха умения за работа със средствата за проектиране и модифициране на системата.

По-нататъшното развитие на методите и средствата за адаптиране на основните системи е насочено към постигане на следните цели:

· повишаване нивото на автоматизация на проектирането и внедряването на системата;

· осигуряване на непрекъснато управление на конфигурацията и параметрите на системата на всички етапи от нейния жизнен цикъл;

· намаляване на времето за извършване на промени в конфигурацията и параметрите на системата при модернизиране на производствения процес и управление;

· комбинация от стандартни решения, доказани в практиката, с решения в зависимост от конкретните условия на предприятието.

Пример за едно от многото средства за адаптиране на основни системи е методологията Orgware, използвана от BAAN.

Разработването на автоматизирани системи за управление в предприятието може да се извърши както „от нулата“, така и въз основа на референтен модел ( Референтен модел).

Референтният модел е описание на външния вид на системата, функциите, организационните структури и процесите, които са типични в някакъв смисъл (отрасъл, тип производство и т.н.). Той отразява характерните черти, присъщи на определен клас предприятия. Редица компании, произвеждащи адаптивни автоматизирани системи за управление, заедно с големи консултантски фирми, разработват референтни модели за различни индустрии в продължение на няколко години. Има подобни модели за предприятия в автомобилната, авиационната и други индустрии. Всеки модел е стандартно дизайнерско решение, въз основа на които могат да се изграждат конкретни проекти.

Трябва да се отбележи, че адаптациите и референтните модели са включени в много MRPII/клас системи. ERP, което може значително да намали времето, необходимо за внедряването им в предприятието.

Ако предприятието не разполага с референтен модел, тогава в процеса на проектиране трябва да се създаде модел на неговото ниво като първоначален. Въз основа на първоначалния модел, дизайн, усъвършенстване и детайлизиранесистеми за управление. Референтен модел в началото работя върхуавтоматизацията на управлението на предприятието може да бъде описание на съществуващата система и по този начин да служи като отправна точка, от която започва работата отподобряване на системата за управление.

Процесът на проектиране на системата може да включва няколко фази.

Резултати от първата фаза: границите на бъдещата система и концептуалните бизнес модел, който отразява в разширен вид функционалната структура на системата за управление и комбинацията от функции за управление на различни видове поръчки, преминаващи през системата.

По време на втората фаза се създава референтен документ и се документира в хранилището бизнес модел. Обикновено референтният модел включва следните компоненти:

· йерархия на бизнес функциите, която представлява низходяща йерархична структура, която описва в разширен вид функционалната структура на бъдещата система. В същото време е възможно да се уточнят няколко варианта за изпълнение на долните елементи на конструкцията;

· модели на бизнес процеси. Това са по-дълбоки модели, които показват как трябва да се изпълняват функциите. Външно те приличат на традиционни блок-схеми и описват последователност от елементарни действия, които могат да бъдат извършени от системата, други приложения, ръчни действия и бизнес процеси на по-дълбоко ниво;

· модел на организационна структура, който описва структурата на организацията, взаимоотношенията между отделите и хората и ролите, възложени на мениджърите.

В следващата фаза се създава проектен модел на предприятието ( Модел на проекта), което е разработване и изясняване на функционалната структура за конкретно предприятие. Той може да бъде създаден, заобикаляйки референтния модел, но този подход не е ефективен за сложни проекти.

Последната фаза е свързване на модела на проекта с ролите, определени от детайлния модел на организационната структура, със системните функции и технически средства. В резултат на това изчерпателна конфигурацияпрограмна и организационна поддръжка, технически средства.

40. Какви са различните начини за придобиване на IP?

закупуване на готов IP;

закупуване и модификация на IP;

IP аутсорсинг.

41. Какви са предимствата и недостатъците на закупуването на IP?

Методът за придобиване на IP е последователност от действия от идентифициране и формализиране на нуждите от информационна система до внедряването на IP в предприятието.

Класификация на методите за придобиване на IP:

закупуване на готов IP;

IP развитие (самостоятелно или по поръчка);

закупуване и модификация на IP;

IP аутсорсинг.

Предимствата на закупуването на готов IP са: време за разработка равно на нула; системата е репликирана (наличие на документация)

Недостатъците на закупуването на готов IP са: системата е репликирана (Въпроси на информационната сигурност); необходимо е адаптиране към изискванията.

Недостатъци на разработването на IP от специализирана фирмаса: дълго време за разработка

Недостатъците на самостоятелното разработване на ИС са: дълго време за разработка; липса на необходимата квалификация на разработчиците; необходимостта от създаване на ИТ отдел.

Предимствата на самостоятелното разработване на ИС са: системата е уникална; добра адаптация към изискванията

Предимствата на разработването на IP от специализирана фирма са:системата е уникална; добра адаптация към изискванията; Наличие на подходяща квалификация на разработчиците.

Аутсорсингът на ИС е: поръчване на информационна система от потребителска компания от производител на ИС; отдаване под наем на IP от производствената компания на компанията потребител на IP; извършване от трета страна на обработка на информация за потребителска компания.

: способността да се фокусира вниманието на компанията върху основния й бизнес; способност за гъвкаво реагиране на промените на пазара и в компанията; няма нужда от разширяване на персонала на компанията; намаляване на оперативните разходи.

Недостатъци на IP аутсорсингаса: възможността за загуба на доставчик (надеждност)

42. Какви са предимствата и недостатъците на разработването на IP от компания-

IS разработчик?

Предимства:

Проектът се изпълнява от висококвалифициран екип от професионалисти;

Пълна документация по проекта;

Те са разработени, като се вземат предвид спецификите на конкретно предприятие, изискванията и желанията на специалистите на предприятието, които ще използват тази ИС;

Могат да бъдат внедрени нестандартни, екзотични функции, които никога няма да се появят в кутийни системи;

Случва се предприятието да има друг IP адрес, който клиентът не иска да променя (или дори няколко). В този случай могат да бъдат поръчани средства за интегриране на тези системи в една, за да се запазят бизнес процесите и натрупаните данни;

Няма ненужна функционалност. Интерфейсът не е претоварен и работата с такава система обикновено е по-лесна;

Персонализираните системи са по-производителни от универсалните и поставят по-ниски изисквания към оборудването;

Персонализирана система може да бъде разработена от разработчика в желаната от клиента посока;

Разработката, конфигурацията и поддръжката са в ръцете на професионалисти, което повишава стабилността на системата;

недостатъци:

Често най-високата цена;

Често отнема най-дълго време;

Наличието на самия период на развитие;

Няма възможност да се запознаете със системата предварително, да я „пипнете с ръце“;

43. Какви са предимствата и недостатъците на IP разработката

сам?

Предимства:

Добра адаптация към изискванията;

Продуктът не е репликируем (индивидуален);

Възможност за бърза промяна на функционалността

недостатъци:

Развитието никога няма да свърши;

Лоша адаптивност;

Необходимо е да се създаде екип или да се отстранят настоящите служители на ИТ отдела от работа;

Желанията на ръководството често се вземат предвид за сметка на качеството на разработката;

Проектът може да се задуши:

– поради липса на квалификация на вътрешните специалисти;

– поради напускане на водещи специалисти;

– поради липса на вътрешни ресурси;

Често системата е лошо документирана;

44. Какви са предимствата и недостатъците на закупуването и модифицирането

Закупуване на IP:

При закупуване на IP трябва:

Оценете самия софтуерен продукт (функционалност и други свойства);

Оценете позволяващата технология и платформа;

Оценете качеството на услугата (Гореща линия, линейка, нови версии, обучение и др.);

Оценете фирмата доставчик;

Предимства:

Времето за разработка е нула;

Системата е репликирана;

Често има избор от няколко готови системи;

Освен IP купувате и бизнес процеси;

недостатъци:

Необходима е адаптация към организационната структура, функционалните изисквания и др.;

Системата е репликируема: въпросите за защита, новост и т.н. пораждат определени опасения;

Висок риск;

Потребностите на служителите от функционалността на системата най-вероятно няма да бъдат напълно задоволени;

Закупуване и промяна на IP:

В този случай се закупува ядрото на системата (например в счетоводството това са осчетоводявания), а останалото се довършва.

Предимства:

Закупеното ядро ​​е дебъгван и завършен компонент;

Възможна промяна на точно необходимата функционалност;

Няма нужда да плащате за това, от което компанията няма нужда;

недостатъци:

Необходим е отдел по информационни технологии;

Схемата е ефективна, ако количеството довършителни работи е сравнително малко;

Често е възможно да се развива само в рамките на информационния модел на ядрото;

45. Какви са предимствата и недостатъците на поръчкови, уникални и

репликирани информационни системи?

IP системите се делят на индивидуални и репликируеми системи, както и на независими и персонализирани разработки.

Основните аргументи за и против тези варианти са дадени в
маса.

Саморазвитие

"+" Пълно съответствие с текущите изисквания на организацията

Наличие на предишни разработки

"-" Високи разходи за разработка (особено в сравнение с цената на „опаковани“ продукти)

Проблеми, възникващи поради модификация на системата

Готова (репликирана) система (адаптирана)

"+" Поддръжка и актуализиране на версии

Съответствие с руските и международните стандарти

"-" Висока цена на готови системи (среден и особено висок клас)

Зависимост от фирмата разработчик

Недостатъци на чужд IP

46. ​​​​Какви са предимствата и недостатъците на домашните и

чужди информационни системи?

Вътрешна или чуждестранна репликируема система.

Има две полярни мнения:

1) колкото и да струва местната система, тя е за предпочитане пред вносната, чието внедряване е несравнимо по-скъпо. В допълнение, домашните системи са по-добре адаптирани към условията на руския бизнес;

2) единствените системи, които ви позволяват напълно да автоматизирате всички аспекти на управлението на предприятието, са чужди системи като ERP. Следователно, въпреки по-високата им цена, предприятията трябва да избират ERP системи, чиято жизнеспособност е потвърдена от международния опит.

Предимствата на чуждия IP са: високо качество; голяма функционалност; висока надеждност

Предимствата на вътрешния IP са: адаптивност към руските условия.

Недостатъци на чужд IPса: необходимостта от адаптиране към руските условия

Недостатъци на домашния IPса: недостатъчно високо качество; недостатъчна функционалност; недостатъчно висока надеждност

47. Какви са предимствата и недостатъците на аутсорсинга?

IP аутсорсинг- Това:

поръчка на информационна система от потребителска фирма от производител на IP;

отдаване под наем на IP от производствената компания на компанията потребител на IP;

извършване от трета страна на обработка на информация за потребителска компания.

Цели на аутсорсинга

Намаляване на разходите (това обаче е по-уместно за чужди страни, където почасовата ставка е много по-висока, отколкото в Русия);

Ако е необходимо рязко намаляване на периода на работа (с голямо натоварване на ИТ специалисти);

В случай, че е невъзможно изпълнението на задачата с помощта на наши служители;

Функции и задачи на аутсорсинга

Разработване и внедряване на големи информационни системи;

Консултантски услуги (провеждане на търгове, търсене на партньори, експертни оценки, съдействие при стратегия за развитие, подготовка на наредби, ИТ одит и др.);

Поддръжка и ремонт на компютърна и сървърна техника;

Телекомуникационни услуги;

Поддръжка на локална мрежа;

Поддръжка на телефонна и офис техника;

Развитие на информационната сигурност;

Поддръжка на скъпи бизнес процеси от ИТ гледна точка (обработка, издаване на пластмасови карти);

Ползите от IP аутсорсинга са:

способността да се фокусира вниманието на компанията върху основната й дейност;

способност за гъвкаво реагиране на промените на пазара и в компанията;

няма нужда от разширяване на персонала на компанията;

намаляване на оперативните разходи.

Недостатъци на IP аутсорсингаса:

възможност за загуба на доставчик (надеждност)

48. Какви компоненти включва цената за придобиване на IP?

Цена за придобиване на информационна системавключва стойността на софтуерния продукт, цената на СУБД, цената на операционната система

цена на услугите: оценка на цената на свързаните професионални услуги и след това връзката между цената на лицензите и цената на тези услуги.

Стойността на монтажа зависи от степента, в която решението е персонализирано в съответствие с индивидуалните изисквания на клиента; кой го провежда и как се оценява.

Хардуерни разходи: необходими допълнителни устройства и оборудване (сървъри, устройства за съхранение, мрежово оборудване и др.).

Разходи за актуализиране на версии и техническа поддръжка: какъв процент от цената на лиценза е цената на актуализиране и техническа поддръжка през годината; възможни отстъпки

Има следните видове (сектори) софтуер:

Универсален - създаден за масова продажба на много потребители;

Специализирани – предназначени за определена група потребители;

Уникален - разработен по поръчка за решаване на конкретен проблем.

Видът на софтуера определя съотношението на материални и интелектуални компоненти и явни и неявни разходи в TCO.

Разходи за IP и хардуер при покупка - модерни лицензионни политики. Софтуерът е защитен срещу неоторизирано копиране от законите за авторското право. Законите за авторското право предвиждат авторът (издателят) на софтуера да запази няколко изключителни права, най-важното от които е правото да се правят копия на софтуера.

Закупуването на софтуерен продукт означава придобиване на лиценз (право) за използването му. Софтуерът на компютъра е „в употреба“, когато се съхранява в постоянна памет (обикновено на твърд диск, но вероятно на CD-ROM или друго устройство за съхранение) или е зареден в памет с произволен достъп (RAM).

Цената на придобиване никога не изчерпва всички разходи, свързани с използването на информационни ресурси, а в някои случаи дори може да се окаже незначителна позиция.

49. Кои са компонентите на общата цена на притежаването на IP?

Обща цена на притежание(TCO - Total Cost of Ownership) на една информационна система е: сумата от преките и косвените разходи, поети от собственика на IP по време на неговия жизнен цикъл

Системи за подпомагане на вземането на решения(DSS) са компютърни системи, почти винаги интерактивни, предназначени да подпомагат мениджър (или изпълнителен директор) при вземането на решения. DSS включват както данни, така и модели, за да помогнат на лицето, вземащо решения, да разреши проблеми, особено тези, които са лошо формализирани. Данните често се извличат от разговорна система за заявки или база данни. Моделът може да бъде прост тип печалба и загуба за изчисляване на печалба при определени допускания или сложен оптимизационен модел за изчисляване на натоварването за всяка машина в цеха. DSS и много от системите, обсъдени в следващите раздели, не винаги са оправдани от традиционния подход разходи-ползи; за тези системи много от ползите са нематериални, като по-задълбочено вземане на решения и по-добро разбиране на данните.

Ориз. 1.4 показва, че една система за подпомагане на вземането на решения изисква три основни компонента: модел на управление, управление на данни за събиране и ръчна обработка на данни и управление на разговори за улесняване на потребителския достъп до DSS. Потребителят взаимодейства с DSS чрез потребителски интерфейс, като избира конкретен модел и набор от данни за използване, а DSS след това представя резултатите на потребителя чрез същия потребителски интерфейс. Контролният модел и управлението на данни работят до голяма степен зад кулисите и варират от сравнително прост общ модел на електронна таблица до сложен, комплексен модел на планиране, базиран на математическо програмиране.

Ориз. 1.4.Компоненти на система за подпомагане на вземането на решения

Изключително популярен тип DSS е под формата на генератор на финансови отчети. С помощта на електронна таблица като Lotus 1-2-3 или Microsoft Excel се създават модели за прогнозиране на различни елементи на организация или финансово състояние. Използваните данни са предишни финансови отчети на организацията. Първоначалният модел включва различни предположения за бъдещите тенденции в категориите разходи и приходи. След преглед на резултатите от базовия модел, мениджърът провежда поредица от проучвания „какво ако“, променяйки едно или повече допускания, за да определи тяхното въздействие върху базовото ниво. Например, мениджър може да изследва въздействието върху рентабилността, ако продажбите на нов продукт нарастват с 10% годишно. Или мениджърът може да проучи въздействието на по-голямо от очакваното увеличение на цената на суровините, като например 7% вместо 4% годишно. Този тип генератор на финансови отчети е прост, но мощен DSS за насочване при вземането на финансови решения.

Пример за DSS за изчисляване на транзакции с данни е системата, използвана за определяне на размера на бюджетните кредити за полицейски обиколки, използвани от градовете в Калифорния. Тази система позволява на полицейския служител да види карта и показва данни за географска област, показвайки обема на повикванията на полицията, видовете повиквания и времето на повикване. Възможностите за интерактивна графика на системата позволяват на служителя да манипулира картата, района и данните, за да предложи бързо и лесно варианти в алтернативите за полицейско обаждане.

Друг пример за DSS е интерактивна система за планиране на обема и производството в голяма компания за хартия. Тази система използва подробни исторически данни, модели за прогнозиране и планиране, за да управлява цялостната производителност на компанията на компютъра при различни допускания за планиране. Повечето петролни компании разработват DSS в подкрепа на решенията за капиталови инвестиции. Тази система включва различни финансови условия и модели за създаване на бъдещи планове, които могат да бъдат представени в таблична или графична форма.

Всички дадени примери за DSS се наричат ​​специфични DSS. Те са действителни приложения, които помагат в процеса на вземане на решения. За разлика от това, генераторът на система за подпомагане на вземането на решения е система, която предоставя набор от възможности за бързо и лесно изграждане на специфични DSS. DSS Generator е софтуерен пакет, предназначен да се изпълнява отчасти на компютърна основа. В нашия пример за финансов отчет Microsoft Excel или Lotus 1-2-3 могат да се разглеждат като DSS генератори, докато моделите за проектиране на финансови отчети за частен клон на компания, базирани на Excel или Lotus 1-2-3, са специфични DSS .

DSS са разгледани по-подробно в Раздел. 2.2.