Организация УИС-приложение

California Приложение Inventory Express «помнит» образцы заказов каждого

Pizza Kitchen ресторана и сравнивает количество ингредиентов, используемых в блюдах из меню, с установленными администрацией размерами порций. Система идентифицирует рестораны с неправильными порциями и уведомляет их администрацию о том, что нужно откорректировать

PharMark Экстрасеть УИС идентифицирует пациентов по наборам используемых

ими препаратов, ассоциируя их с рисками неблагоприятных последствий

Black & Veatch Интранет-сеть УИС отслеживает затраты на строительство различных проектов в США

Taco Bell Система ТАСО (Total Automation of Company Operations) предоставляет

информацию о стоимости питания, затратах на рабочую силу и попериод-ных (ежедневных, еженедельных, ежемесячных и т. д.) затратах для каждого ресторана

формул. Слабоструктурированные проблемы — это что-то среднее между струк­турированными и неструктурированными проблемами. В то время как УИС на­целены на решение структурированных проблем, СППР поддерживают анализ слабоструктурированных и неструктурированных проблем. В гл. 3 также дано описание принятия решения по Саймону, состоящее из четырех этапов: осмыс­ление, планирование, выбор и исполнение. СППР предназначены помогать гене­рировать и оценивать альтернативы и отслеживать процессы внедрения и при­менения.

Типы систем поддержки принятия решений

В начале СППР использовались для работы с небольшими наборами корпора­тивных данных и сильно зависели от модели. Недавний прогресс в технологиях компьютерной обработки и баз данных расширил определение СППР, включив системы, позволяющие поддерживать принятие решений на основе анализа об­ширных объемов данных, извлеченных в масштабе всей фирмы из различных си­стем предприятия и web-транзакций.

В настоящее время существуют два основных типа СППР: управляемые моде­лями и управляемые данными (Dhar и Stein, 1997). Модель-ориентированные СППР — это обычно автономные системы, изолированные от основных органи­зационных информационных систем, использующие некоторый тип модели вы­полнения «что-если», а также выполняющие другие типы анализа. Подобные си­стемы часто развивались подразделениями или группами конечных пользователей не под управлением какой-либо определенной ИС. Их возможности анализа ба­зировались на сильной теории или модели в сочетании с хорошим пользователь­ским интерфейсом, делавшим модель удобной. Описанная в этой главе система COPS фирмы IBM, а также рассмотренная в гл. 2 СППР оценки путешествий — это примеры модель-ориентированных СППР.

Второй тип СППР — ориентированная на данные СППР анализируют боль­шие массивы данных, поиск которых осуществляется в основных корпоративных системах. Они поддерживают принятие решений, позволяя пользователям извле­кать полезную информацию, ранее «затерянную» в больших объемах данных. Часто для этой цели данные из систем обработки транзакций собираются в хра­нилищах данных. Затем для анализа данных может использоваться аналитиче­ская обработка в реальном времени OLAP (on-line analytical processing) и про­ходка данных. Компании начали строить управляемые данными СППР для извлечения данных о клиентах, собранных на их web-сайтах, а также данных, по­ступающих от корпоративных систем.._ _ _ _ _ „„_„„__, „ „..„„..„_.„..„.., _j

Model-driven DSS (модель-ориентированная СППР)

Обычно автономная система, использующая некоторые типы моделей для 1 выполнения анализа «что-если» (what-if) и других разновидностей анализа.

1 Data-driven DSS (ориентированная на данные СППР)

Система, поддерживающая принятие решений, позволяя пользователям из­влекать и анализировать полезную информацию, ранее хранившуюся в боль­ших базах данных. «

Традиционные запросы к базам данных отвечают на такие вопросы, как «сколь­ко единиц продукции 403 отправлено в ноябре 2000 г.?» Система OLAP (или мно­гомерный анализ) поддерживает намного более сложные запросы о такой инфор­мации, как «сравнить продажи продукции 403 с квартальным планом по регионам сбыта за прошедшие два года». Системы OLAP и многомерный анализ данных рассматриваются в гл. 7. На примере OLAP и ориентированного на запросы ана­лиза данных пользователи должны получить представление об искомой инфор­мации.

Извлечение данных, рассмотренное в гл. 7, дает понимание корпоративных дан­ных, которые нельзя получить с помощью OLAP, обеспечивает поиск скрытых образцов и отношений в больших базах данных, а также выводит из них правила для предсказания будущего поведения. Затем образцы и правила можно исполь­зовать для управления принятием решений и предсказания результата этих ре­шений. Типы информации, которую можно получить с помощью проходки дан­ных, включают ассоциацию, последовательность, классификацию, кластеризацию и прогнозирование.

Ассоциации — это экземпляры, связанные с отдельным событием. Например, изучение образцов закупки в универсаме может показать, что при покупке куку­рузных чипсов в 65% случаев покупается напиток кола, а при наличии бонусов этот напиток покупается в 85% случаев. Благодаря этой информации менеджеры могут принимать лучшие решения, поскольку известна прибыльность от внедре­ния бонусов.

В последовательностях события связаны по времени. Например, выяснено, что при покупке дома новый холодильник приобретается в течение двух недель в 65% случаев, а духовка — в течение одного месяца в 45% случаев.

Классификация распознает признаки, описывающие группу, которой принад­лежит элемент, исследует имеющиеся в наличии классифицированные элементы и выводит набор правил. Например, такие виды коммерческих фирм, как держа­тели кредитных карточек или телефонные компании, беспокоятся о потере по­стоянных клиентов. Классификация помогает обнаружить характеристики кли­ентов, которых можно потерять, и предоставляет менеджерам модель предсказания, кто эти клиенты, и разработки специальной кампании для сохранения таких кли­ентов.

Кластеризация работает аналогично классификации, когда группы еще не опре­делены. Инструменты проходки данных позволяют выявлять такие различные группировки данных, как обнаруженные группы родственных товаров по банков­ским кредитным карточкам или разбиение базы данных на группы клиентов по демографическим показателям и типам персональных покупок.

Хотя в эти приложения вовлечены предсказания, при прогнозировании они используются в разной степени. Для прогнозирования некоторых значений ис­пользуется ряд существующих величин. Например, прогнозирование позволяет определить образцы данных, помогающие менеджерам оценить будущий размер таких непрерывных переменных, как данные о продаже.

В процессе извлечения данных используются инструменты статистического анализа, а также нейронные сети, нечеткая логика, генетические алгоритмы или

алгоритмы, основанные на правилах, а также другие интеллектуальные методы (гл. 12).

Как отмечено в гл. 3, безосновательно полагать, что только отдельные лица принимают решения в крупных организациях. Фактически большинство реше­ний принимается коллегиально. Зачастую решения до их принятия проходят со­гласование в нескольких группах. В крупных организациях принятие решений -это коллективный процесс, поэтому при разработке системы СППР учитывается проблема облегчения принятия коллективных решений. Этот вопрос рассмотрен в разделе 13.2.

Компоненты СППР

На рис. 13.1 показаны компоненты СППР. Они включают базу данных, исполь­зуемых для запросов и анализа, программную систему содержащую модели, про­ходку данных и другие аналитические инструменты, а также пользовательский интерфейс.

База данных СППР — это совокупность текущих или исторических данных из множества приложений или групп. Это может быть маленькая база данных, хранящаяся на ПК и содержащая поднабор корпоративных данных, загруженный и, возможно, объединенный с внешними данными. С другой стороны, базой дан­ных СППР может быть крупное хранилище данных, постоянно обновляемое главной организационной СОТ (включая системы предприятий и данные, гене­рируемые web-транзакциями). Данные в базах СППР — это, как правило, выбор­ки или копии производственных баз данных, поэтому использование СППР не влияет на функционирование критических производственных систем.

Программная система СППР включает инструментарий, используемый для анализа данных. Она может содержать различные OLAP-инструменты, проходку данных или набор математических и аналитических моделей, легкодоступных для пользователя СППР. Модель — это абстрактное представление, иллюстри­рующее компоненты или отношения некоторого явления. Модель может быть физической (например, модель самолета), математической (например, уравне­ние) или вербальной (например, описание процедуры регистрации заказа). Каж-