методы принятия управленческих решений. методы принятия УР. Содержание введение 5 1 Основы методологии теории принятия решений 7
![]()
|
7.2 Системы поддержки принятия решений7.2.1 Особенности систем поддержки принятия решенийОдним из наиболее перспективных способов повышения эффективности творческого труда, к которому относятся процедуры принятия, планирования и синтеза рациональных и новых решений, является создание автоматизированных систем поддержки принятия решений (СППР). В настоящее время наблюдается терминологическая путаница, возникшая в связи с изменением понимания термина «система поддержки принятия решений». Последние годы публикуется достаточно много статей, посвященных таким системам [15, 29, 49]. Английский эквивалент этого понятия — «Decision Support System (DSS)». Например, к системам этого типа относят системы, реализующие технологию OLAP (On-Line Analytical Processing). Эта категория программного обеспечения (ПО) предоставляет интерфейс доступа к многомерным, многосвязанным данным в больших (и сверхбольших) базах данных, которые выдаются в форме, определенной пользователем и удобной для анализа. Однако в период примерно с начала 70-х годов до начала 90-х в Советском Союзе публиковались оригинальные и переводные статьи, также посвященные системам поддержки принятия решений. Тогда чаще применялся другой английский эквивалент — «Decision-Making Support System (DMSS)»[29]. Несмотря на полную идентичность русского названия, речь идет по сути о различных сторонах систем одинаковой направленности. Коротко суть различия в следующем: раньше под поддержкой принятия решений понимался инструментарий выработки рекомендаций для лица, принимающего решение, сейчас то же понятие означает инструментарий подготовки данных для ЛПР. Рассмотрим указанные различия подробнее. Инструментарий выработки рекомендаций (прежняя трактовка DMSS). Этот инструментарий помогает решить следующие задачи. Критериальный вариант: сформировать множество альтернативных вариантов решения (далее — альтернатив), сформировать множество критериев оценки альтернатив, получить оценки альтернатив по критериям, выбрать лучшую альтернативу, которая и выдается системой в качестве рекомендации. Реализация такого варианта СППР требует решения некоторых нетривиальных проблем. Например: учет различной важности критериев, выбор способа построения обобщенного критерия (функции полезности), выбор метода оценки и отбора лучшей альтернативы (например, метода анализа иерархий). Есть критериальные методы, не учитывающие сравнительную важность критериев. Таков, например, классический метод выделения множества недоминируемых альтернатив (так называемого «множества Парето»). Вариант без использования критериев оценки альтернатив: сформировать множество альтернативных вариантов решения, получить результаты сравнения (например, попарного) альтернатив, выбрать лучшую альтернативу, которая и выдается системой в качестве рекомендации. Второй вариант всегда (а первый очень часто) требует умения собирать и обрабатывать экспертную информацию. Особое место в такого рода информации принадлежит предпочтениям ЛПР. Можно сказать, что одной из важнейших задач СППР является максимально полное и адекватное выявление предпочтений ЛПР. На первый взгляд, это может показаться несложным и даже ненужным делом. Кажется, что достаточно детально расспросить ЛПР о том, что же оно хочет получить, и зафиксировать ответы. Однако на практике быстро выясняется, что ЛПР чаще всего не может явно и точно сформулировать свои предпочтения. Таковы особенности мышления. Особые проблемы возникают при проведении коллективных экспертиз альтернатив. Одна из таких проблем: как корректно агрегировать различающиеся экспертные оценки? Дополнительно можно отметить, что вышерассмотренные системы часто выдают результат не только в виде одной лучшей альтернативы, а в виде рейтинга альтернатив или их порядка (рангов). Инструментарий подготовки данных (новая трактовка DSS). Этот инструментарий помогает решить следующие задачи: подготовить базы данных (часто объемные и содержащие сложные взаимосвязи), организовать гибкий и удобный доступ к базам данных через мощные средства формирования запросов, получить результаты запросов в форме, максимально удобной для последующего анализа, использовать мощные генераторы отчетов. На это накладываются проблемы работы в сетях разного уровня и назначения, защита данных от потерь и несанкционированного использования и т.п. Сравнение инструментариев DMSS и DSS Прежде всего, можно сказать, что оба инструментария призваны обеспечить процесс принятия решений. Первый сосредоточен на сравнении альтернатив с целью выбора лучшей, второй — на подготовке данных для последующего анализа. Фактически, второй инструментарий не предполагает выдачу рекомендаций. Он выдает только данные, а процесс формирования альтернатив, их сравнения и выбора лучшей остается «за скобками». Первый инструментарий предполагает, что, во-первых, вся информация, необходимая для выдачи рекомендации, должна быть собрана и, во-вторых, она должна быть оформлена в виде модели выбора: «альтернативы + критерии + оценки». Поэтому можно сказать, что второй инструментарий по сути есть подготовительный этап к первому, поскольку он только готовит данные, но не преобразует их в форму указанной модели выбора. Стало быть, для второго инструментария больше подошло бы название «система подготовки данных для принятия решения». СППР «DSS» состоят из двух компонент: хранилища данных и аналитических средств. 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. Для пользователей различной квалификации СППР располагают различными типами интерфейсов доступа к своим сервисам. 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 (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. Перечислим главные преимущества хранилищ данных. Единый источник информации. Компания получает выверенную единую информационную среду, на которой будут строиться все справочно-аналитические приложения в той предметной области, по которой построено хранилище. Эта среда будет обладать единым интерфейсом, унифицированными структурами хранения, общими справочниками и другими корпоративными стандартами, что облегчает создание и поддержку аналитических систем. Также при проектировании информационного хранилища данных особое внимание уделяют достоверности информации, которая попадает в хранилище. Производительность. Физические структуры хранилища данных специальным образом оптимизированы для выполнения абсолютно произвольных выборок, что позволяет строить действительно быстрые системы запросов. Быстрота разработки. Специфическая логическая организация хранилища и существующее специализированное ПО позволяют создавать аналитические системы с минимальными затратами на программирование. Интегрированность. Интеграция данных из разных источников уже сделана, поэтому не надо каждый раз производить соединение данных для запросов, требующих информацию из нескольких источников. Под интеграцией понимается не только совместное физическое хранение данных, но и их предметное согласованное объединение; очистка и выверка при их формировании; соблюдение технологических особенностей и т.д. Историчность и стабильность. OLTP-системы оперируют с актуальными данными, срок применения и хранения которых обычно не превышает величины текущего бизнес-периода (полгода-год), в то время как информационное хранилище данных нацелено на долговременное хранение информации в течение 10–15 лет. Стабильность означает, что фактическая информация в хранилище данных не обновляется и не удаляется, а только специальным образом адаптируется к изменениям бизнес-атрибутов. Таким образом, появляется возможность осуществлять исторический анализ информации. Независимость. Выделенность информационного хранилища существенно снижает нагрузку на OLTP-системы со стороны аналитических приложений, тем самым производительность существующих систем не ухудшается, а на практике происходит уменьшение времени отклика и улучшение доступности систем. Наряду с большими корпоративными хранилищами данных широкое применение находят также витрины данных (Data Mart). Под витриной данных понимается небольшое специализированное хранилище для некоторой узкой предметной области, ориентированное на хранение данных, связанных одной бизнес-тематикой. Проект по созданию витрины данных требует меньших вложений и выполняется в очень короткие сроки. Таких витрин данных может быть несколько, скажем, витрина данных по доходам для бухгалтерии компании и витрина данных по клиентам для маркетингового отдела компании. Аналитические системы Аналитические системы СППР «DSS» позволяют решать три основные задачи: ведение отчётности, анализ информации в реальном времени (OLAP) и интеллектуальный анализ данных. Отчётность Сервис отчётности СППР помогает организации справиться с созданием всевозможных информационных отчетов, справок, документов, сводных ведомостей и пр., особенно когда число выпускаемых отчетов велико и формы отчётов часто меняются. Средства СППР, автоматизируя выпуск отчётов, позволяют перевести их хранение в электронный вид и распространять по корпоративной сети между служащими компании. OLAP OLAP (On-Line Analitycal Processing) — сервис представляет собой инструмент для анализа больших объемов данных в режиме реального времени. 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. OLAP-системы являются частью более общего понятия Business Intelligence, которое включает в себя помимо традиционного OLAP-сервиса средства организации совместного использования документов, возникающих в процессе работы пользователей хранилища. Технология Business Intelligence обеспечивает электронный обмен отчетными документами, разграничение прав пользователей, доступ к аналитической информации из Интернет и Интранет. Интеллектуальный анализ данных или «добыча данных» (Data Mining) При помощи средств добычи данных можно проводить глубокие исследования данных. Эти исследования включают в себя: поиск зависимостей между данными (например, «Верно ли, что рост продаж продукта А обусловлен ростом продаж продукта В?»); выявление устойчивых бизнес-групп (например, «Какие группы клиентов, близких по поведенческим и другим характеристикам, можно выделить?», «Какие характеристики клиентов при этом оказывают наибольшее влияние на классификацию?»); прогнозирование поведения бизнес-показателей (например, «Какой объем перевозок ожидается в следующем месяце?»); оценку влияния решений на бизнес компании (например, «Как изменится спрос на товар А среди группы потребителей Б, если снизить цену на товар С?»); поиск аномалий (например, «С какими сегментами клиентской базы связаны наиболее высокие риски?»). 7.2.2 Классификация систем поддержки принятия решенийПриведем классификацию СППР по основным классификационным признакам [49]. По характеру поддержки решений можно выделить два класса систем: 1) системы специального назначения, ориентированные на решение определенного класса задач; 2) универсальные системы, обеспечивающие возможность быстрой настройки на конкретную задачу принятия решений. По характеру взаимодействия пользователя и системы можно выделить три класса: 1) системы, инициатором диалога в которых является ЭВМ, а пользователь выступает в роли пассивного исполнителя; 2) системы, в которых пользователь активен и является инициатором диалога; 3) системы, характеризующиеся последовательной передачей управления от пользователя к системе и наоборот. Безусловно, системы второго класса представляют наибольший интерес, поскольку они дают пользователю полную свободу выбора действий. Однако реализация подобного способа взаимодействия в системах, предназначенных для пользователей-непрофессионалов, должна основываться на естественном языке общения. Достаточный синтаксический и семантический анализ запроса требует очень большого объема оперативной памяти, а также составления универсального тезауруса. Такой способ взаимодействия может быть реализован лишь на современных ЭВМ, функционирующих на принципах искусственного интеллекта. Большинство разрабатываемых диалоговых систем относится к третьему классу. Принцип последовательной передачи управления позволяет пользователю взять управление на определенном этапе в свои руки и тем самым как бы вмешаться в процесс решения задачи, изменив его в нужном направлении путем задания параметров, выбора метода и т.п. По наличию и характеру базы данных в системе различают: 1) системы, не предусматривающие каких-либо способов накопления и хранения информации; 2) системы, имеющие базу данных или совокупность файлов для сбора, накопления и выдачи информации; 3) системы, имеющие развитые системы управления базами данных. Все указанные системы могут быть использованы для накопления как объективной статистической, так и экспертной информации. При этом накопление объективной информации осуществляется, как правило, на один шаг быстрее, чем экспертной. По наличию интеллектуального компонента в системе различают: 1) системы, не предусматривающие каких-либо способов накопления и обработки плохо формализуемых знаний; 2) системы, имеющие базы знаний, механизмы вывода и объяснения полученных решений. Появление технологии обработки знаний сделало возможным использование в рамках автоматизированных процедур богатого методического задела из области искусственного интеллекта. В области экономики и управления существует много задач, содержащих как хорошо формализуемые процедуры, на которых применяются традиционные математические методы, так и плохо формализуемые процедуры, характеризующие творческие аспекты исследуемого процесса. Поэтому модель для решения подобных задач должна представлять собой симбиоз методов обработки знаний и традиционных математических методов. При этом процедуры обработки знаний выступают в качестве среды, не отрицающей или заменяющей уже разработанные фрагменты, а органично интегрирующей их. Использование в системах принятия управленческих решений теории искусственного интеллекта представляется особенно актуальным и перспективным. При интеллектуализации информационных систем должны быть обеспечены: возможность использования всех способов представления знаний (процедурного, продукционного, семантического); реализация хранения и доступа к знаниям в рамках банка знаний; многокритериальный анализ альтернатив; построение заключений на основе количественного вывода о возможности сочетания реализаций составных частей системы, о значениях характеристик реализаций в нетиповых условиях функционирования и др.; обработка не полностью определенной информации в ходе принятия, планирования и синтеза экономико-управленчес-ких решений; взаимодействие перечисленных процедур обоснования решений. СППР с успехом применяются в самых разных отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других. На рынке СППР компании предлагают следующие виды услуг по созданию систем поддержки принятия решений. Реализация пилот-проектов по СППР-системам с целью демонстрации руководству Заказчика качественного потенциала аналитических приложений. Создание совместно с Заказчиком полнофункциональных СППР-систем, включая хранилище данных и средства Business Intelligence. Проектирование архитектуры хранилища данных, включая структуры хранения и процессы управления. Создание «витрин данных» для выделенной предметной области. Установка и настройка средств OLAP и Business Intelligence; их адаптация к требованиям Заказчика. Анализ инструментов статистического анализа и «добычи данных» для выбора программных продуктов под архитектуру и потребности Заказчика. Интеграция систем СППР в корпоративные интранет-сети Заказчика, автоматизация электронного обмена аналитическими документами между пользователями хранилища. Разработка Информационных Систем Руководителя (EIS) под требуемую функциональность. Услуги по интеграции баз данных в единую среду хранения информации. Обучение специалистов Заказчика технологиям хранилищ данных и аналитических систем, а также работе с необходимыми программными продуктами. Оказание консалтинговых услуг Заказчику на всех стадиях проектирования и эксплуатации хранилищ данных и аналитических систем. Комплексные проекты создания/модернизации вычислительной инфраструктуры, обеспечивающей функционирование СППР: решения любого масштаба, от локальных систем до систем масштаба предприятия/концерна/отрасли. На сегодняшний день не существует признанного лидера в области производства программного обеспечения для построения систем СППР. Ни одна из компаний не производит готового решения, что называется «из коробки», пригодного к непосредственному использованию в производственном процессе заказчика. Создание СППР всегда включает в себя стадии анализа данных и бизнес-процессов заказчика, проектирования структур хранилища с учетом его потребностей и технологических процессов. Несколько десятков различных фирм выпускают продукты, способные решать те или иные задачи, возникающие в процессе проектирования и эксплуатации систем СППР. Сюда входят СУБД, средства выгрузки/трансформации/загрузки данных, инструменты для OLAP-анализа и многое другое. Самостоятельный анализ рынка, изучение хотя бы нескольких таких средств — непростая и длительная задача. Учитывая размер вовлекаемых финансовых и других ресурсов, сложность и многоэтапность проектов построения систем СППР, очевидна высокая стоимость ошибок проектирования. Ошибки выбора программного обеспечения могут повлечь за собой финансовые расходы, не говоря уже об увеличении времени выполнения проекта. Ошибки проектирования структуры данных могут как вести к неприемлемым производственным характеристикам, так и стоить времени, потраченного на перезагрузку данных, которое порой достигает нескольких суток. Поэтому, глубоко понимая архитектуру хранилищ данных, необходимо избегать всяких ошибок, что влечет за собой значительное сокращение времени выполнения проекта и возможность получить максимальную отдачу от внедрения СППР. Контрольные вопросы Назовите основные принципы группового выбора решений. Какие парадоксы могут иметь место при голосовании? В чем парадокс многоступенчатого голосования при наличии коалиции? В чем заключается парадокс Эрроу? Дайте классификацию систем поддержки принятия решений. В чем основное отличие систем Decision Support System (DSS) и Decision-Making Support System (DMSS)? Из каких компонентов состоит СППР «DSS»? Назовите главные преимущества хранилища данных? Какие основные задачи позволяют решать аналитические системы СППР «DSS»? |