Системы поддержки принятия решений

Введение[править | править код]

Современные системы поддержки принятия решения (СППР), возникшие как естественное развитие и продолжение управленческих информационных систем и систем управления базами данных, представляют собой системы, максимально приспособленные к решению задач повседневной управленческой деятельности, являются инструментом, призванным оказать помощь лицам, принимающим решения (ЛПР). С помощью СППР могут решаться неструктурированные и слабоструктурированные многокритериальные задачи.

СППР, как правило, являются результатом мультидисциплинарного исследования, включающего теории баз данных, искусственного интеллекта, интерактивных компьютерных систем, методов имитационного моделирования.

Как справедливо отмечено в , «… с момента появления первых разработок по созданию СППР, не было дано четкого определения СППР…».

Ранние определения СППР (в начале 70-х годов прошлого века) отражали следующие три момента: (1) возможность оперировать с неструктурированными или слабоструктурированными задачами, в отличие от задач, с которыми имеет дело исследование операций; (2) интерактивные автоматизированные (т.е. реализованные на базе компьютера) системы; (3) разделение данных и моделей. Приведем определения СППР:
СППР — совокупность процедур по обработке данных и суждений, помогающих руководителю в принятии решений, основанная на использовании моделей .

СППР — это интерактивные автоматизированные системы, помогающие лицу, принимающему решения, использовать данные и модели для решения слабоструктуризированных проблем .

СППР — это система, которая обеспечивает пользователям доступ к данным и/или моделям, так что они могут принимать лучшие решения .

Последнее определение не отражает участия компьютера в создании СППР, вопросы возможности включения нормативных моделей в состав СППР и др.

В настоящее время нет общепринятого определения СППР, поскольку конструкция СППР существенно зависит от вида задач, для решения которых она разрабатывается, от доступных данных, информации и знаний, а также от пользователей системы. Можно привести, тем не менее, некоторые элементы и характеристики, общепризнанные, как части СППР:

СППР — в большинстве случаев – это интерактивная автоматизированная система, которая помогает пользователю (ЛПР) использовать данные и модели для идентификации и решения задач и принятия решений. Система должна обладать возможностью работать с интерактивными запросами с достаточно простым для изучения языком запросов.

Согласно Turban , СППР обладает следующими четырьмя основными характеристиками:

1) СППР использует и данные, и модели;

2) СППР предназначены для помощи менеджерам в принятии решений для слабоструктурированных и неструктурированных задач;

3) Они поддерживают, а не заменяют, выработку решений менеджерами;

4) Цель СППР – улучшение эффективности решений.

Turban предложил список характеристик идеальной СППР (которая имеет мало общих элементов с определением, приведенным выше):

Идеальная СППР:

(1) оперирует со слабоструктурированными решениями;

(2) предназначена для ЛПР различного уровня;

(3) может быть адаптирована для группового и индивидуального использования;

(4) поддерживает как взаимозависимые, так и последовательные решения;

(5) поддерживает 3 фазы процесса решения: интеллектуальную часть, проектирование и выбор;

(6) поддерживает разнообразные стили и методы решения, что может быть полезно при решении задачи группой ЛПР;

(7) является гибкой и адаптируется к изменениям как организации, так и ее окружения;

(8) проста в использовании и модификации;

(9) улучшает эффективность процесса принятия решений;

(10) позволяет человеку управлять процессом принятия решений с помощью компьютера, а не наоборот;

(11) поддерживает эволюционное использование и легко адаптируется к изменяющимся требованиям;

(12) может быть легко построена, если может быть сформулирована логика конструкции СППР;

(13) поддерживает моделирование;

(14) позволяет использовать знания.

Рассмотрим кратко историю создания СППР.

Архитектура СППР

Функциональные СППР

Являются наиболее простыми с точки зрения архитектуры. Они распространены в организациях, не ставящих перед собой глобальных задач и имеющих невысокий уровень развития информационных технологий. Отличительной особенностью функциональных СППР является то, что анализу подвергаются данные, содержащиеся в файлах операционных систем. Преимуществами подобных СППР являются компактность из-за использования одной платформы и оперативность в связи с отсутствием необходимости перегружать данные в специализированную систему. Из недостатков можно отметить следующие: сужение круга вопросов, решаемых с помощью системы, снижение качества данных из-за отсутствия этапа их очистки, увеличение нагрузки на операционную систему с потенциальной возможностью прекращения ее работы.

СППР, использующие независимые витрины данных

Применяются в крупных организациях, имеющих несколько подразделений, в том числе отделы информационных технологий. Каждая конкретная витрина данных создается для решения определенных задач и ориентирована на отдельный круг пользователей. Это значительно повышает производительность системы. Внедрение подобных структур достаточно просто. Из отрицательных моментов можно отметить то, что данные многократно вводятся в различные витрины, поэтому могут дублироваться. Это повышает затраты на хранение информации и усложняет процедуру унификации. Наполнение витрин данных достаточно сложно в связи с тем, что приходится использовать многочисленные источники. Отсутствует единая картина бизнеса организации, вследствие того что нет окончательной консолидации данных.

СППР на основе двухуровневого хранилища данных

Используется в крупных компаниях, данные которых консолидированы в единую систему. Определения и способы обработки информации в данном случае унифицированы. На обеспечение нормальной работы подобной СППР требуется выделить специализированную команду, которая будет ее обслуживать. Такая архитектура СППР лишена недостатков предыдущей, но в ней нет возможности структурировать данные для отдельных групп пользователей, а также ограничивать доступ к информации. Могут возникнуть трудности с производительностью системы.

СППР на основе трехуровневого хранилища данных

Такие СППР применяют хранилище данных, из которого формируются
витрины данных, используемые группами пользователей, решающих сходные задачи. Таким образом, обеспечивается доступ, как к конкретным структурированным данным, так и к единой консолидированной информации. Наполнение витрин данных упрощается ввиду использования проверенных и очищенных данных, находящихся в едином источнике. Имеется корпоративная модель данных. Такие СППР отличает гарантированная производительность. Но существует избыточность данных, которая ведет к росту требований на их хранение. Кроме того, необходимо согласовать подобную архитектуру с множеством областей, имеющих потенциально различные запросы.

Функциональная СППР

Функциональная СППР (Рисунок 1) является наиболее простой с архитектурной точки зрения. Такие системы часто встречаются на практике, в особенности в организациях с невысоким уровнем аналитической культуры и недостаточно развитой информационной инфраструктурой.

Рисунок 1. Функциональная СППР

Характерной чертой функциональной СППР является то, что анализ осуществляется с использованием данных из оперативных систем.

Преимущества:

• Быстрое внедрение за счет отсутствия этапа перегрузки данных в специализированную систему
• Минимальные затраты за счет использования одной платформы

Недостатки:

• Единственный источник данных, потенциально сужающий круг вопросов, на которые может ответить система
• Оперативные системы характеризуются очень низким качеством данных с точки зрения их роли в поддержке принятия стратегических решений. В силу отсутствия этапа очистки данных, данные функциональной СППР, как правило, обладают невысоким качеством
• Большая нагрузка на оперативную систему. Сложные запросы могут привести к остановке работы оперативной системы, что весьма нежелательно

Использование системы поддержки принятия решений

DSS может использоваться отделами управления операциями и другими отделами планирования в организации для сбора информации и данных и их объединения в действенные аналитические данные. Фактически, эти системы в основном используются руководством среднего и высшего звена.

Например, DSS можно использовать для прогнозирования доходов компании на ближайшие шесть месяцев на основе новых предположений о продажах продукции. Из-за большого количества факторов, связанных с прогнозируемыми показателями выручки, это непростой расчет, который можно выполнить вручную. Однако DSS может интегрировать все множественные переменные и генерировать результат и альтернативные результаты, основанные на прошлых данных о продажах продукции компании и текущих переменных.

Краткая справка

DSS может быть адаптирован для любой отрасли, профессии или области, включая медицину, государственные учреждения, сельскохозяйственные предприятия и корпоративные операции.

Архитектура и дизайн ИСППР

1. Интерфейс
2. Моделирование
3. Data Mining
4. Data collection

1. Анализ домена (собственно, где мы будем нашу ИСППР использовать)
2. Сбор данных
3. Анализ данных
4. Выбор моделей
5. Экспертный анализ\интерпретация моделей
6. Внедрение моделей
7. Оценка ИСППР
8. Внедрение ИСППР
9. Сбор обратной свзяи (на любом этапе, на самом деле)

А где тут машинное обучение и теория игр?

Обычные нейронные сети

вот где карту оформляли туда и идитеTsadiras AK, Papadopoulos CT, O’Kelly MEJ (2013) An artificial neural network based decision support system for solving the buffer allocation problem in reliable production lines. Comput Ind Eng 66(4):1150–1162Arsene CTC, Gabrys B, Al-Dabass D (2012) Decision support system for water distribution systems based on neural networks and graphs theory for leakage detection. Expert Syst Appl 39(18):13214–13224

обучение-решение-обучение

i

TNстроить интерфейс вокруг

Теория игр

q

1. Merkert, Mueller, Hubl, A Survey of the Application of Machine Learning in Decision Support Systems, University of Hoffenhaim 2015
2. Tariq, Rafi,Intelligent Decision Support Systems- A Framework, India, 2011
3. Sanzhez i Marre, Gibert, Evolution of Decision Support Systems, University of Catalunya, 2012
4. Ltifi, Trabelsi, Ayed, Alimi, Dynamic Decision Support System Based on Bayesian Networks, University of Sfax, National School of Engineers (ENIS), 2012

Приложения

Теоретически DSS можно построить в любой предметной области. Одним из примеров является система поддержки принятия клинических решений для медицинской диагностики . В эволюции системы поддержки принятия клинических решений (CDSS) можно выделить четыре этапа: примитивная версия является автономной и не поддерживает интеграцию; второе поколение поддерживает интеграцию с другими медицинскими системами; третий основан на стандарте, а четвертый основан на сервисной модели.

DSS широко используется в бизнесе и управлении. Инструментальная панель управления и другое программное обеспечение для повышения эффективности бизнеса позволяют быстрее принимать решения, выявлять негативные тенденции и лучше распределять бизнес-ресурсы. Благодаря DSS вся информация от любой организации представляется в виде диаграмм, графиков, т.е. в обобщенном виде, что помогает руководству принимать стратегические решения. Например, одним из приложений DSS является управление и разработка сложных антитеррористических систем. Другие примеры включают в себя кредитного офицера банка, проверяющего кредитоспособность заявителя, или инженерной фирмы, которая подала заявки на несколько проектов и хочет знать, могут ли они быть конкурентоспособными с их затратами.

Растущая область применения, концепций, принципов и методов DSS находится в сельскохозяйственном производстве , маркетинге для устойчивого развития . Сельскохозяйственные DSS начали разрабатываться и продвигаться в 1990-х годах. Например, пакет DSSAT4 , Система поддержки принятия решений для передачи агротехнологий , разработанный при финансовой поддержке USAID в 80-х и 90-х годах, позволил провести быструю оценку нескольких систем сельскохозяйственного производства по всему миру. мир для облегчения принятия решений на уровне фермерских хозяйств и политики. Точное земледелиестремится адаптировать решения к конкретным частям сельскохозяйственных полей. Однако есть много препятствий для успешного внедрения DSS в сельском хозяйстве.

DSS также широко используется в управлении лесным хозяйством, где длительный горизонт планирования и пространственное измерение проблем планирования требуют особых требований. Все аспекты управления лесным хозяйством, от транспортировки бревен, планирования сбора урожая до устойчивости и защиты экосистем, были учтены в современных DSS. В этом контексте рассмотрение одной или нескольких целей управления, связанных с предоставлением товаров и услуг, которые являются коммерческими или неторговыми и часто связаны с ограничениями ресурсов и проблемами принятия решений. Сообщество специалистов по системам поддержки принятия решений в области управления лесным хозяйством предоставляет обширный репозиторий знаний о построении и использовании систем поддержки принятия решений в лесном хозяйстве.

Конкретный пример касается канадской национальной железнодорожной системы, которая регулярно тестирует свое оборудование с помощью системы поддержки принятия решений. Проблема, с которой сталкивается любая железная дорога , — это изношенные или дефектные рельсы, что может привести к сотням сходов с рельсов в год. В рамках DSS Канадской национальной железнодорожной системе удалось снизить количество сходов с рельсов, в то время как другие компании столкнулись с их ростом.

DSS использовался для оценки рисков для интерпретации данных мониторинга крупных инженерных сооружений, таких как плотины, башни, соборы или каменные здания. Например, Mistral — экспертная система контроля безопасности плотин, разработанная в 1990-х годах компанией Ismes (Италия). Он получает данные от системы автоматического мониторинга и проводит диагностику состояния плотины. Его первый экземпляр, установленный в 1992 году на плотине Ридраколи (Италия), до сих пор работает в режиме 24/7/365. Он был установлен на нескольких плотинах в Италии и за рубежом (например, плотина Итайпу в Бразилии), и на памятниках под названием Калейдос. Mistral является зарегистрированной торговой маркой CESI . ГИСуспешно используется с 90-х годов в сочетании с DSS для отображения на карте оценок риска в реальном времени на основе данных мониторинга, собранных в районе катастрофы Валь Пола (Италия).

Экспертные системы

Определение 1

Экспертная система – это программный продукт, использующий элементы искусственного интеллекта. В программах такого рода заключены знания специалистов в определенных предметных областях и выработаны рекомендации по запросу необходимой информации, что дает возможность менеджеру проконсультироваться с экспертами по любым проблемам из сферы, в которой эти системы накопили знания.

Причина создания экспертных систем – необходимость в любой момент времени получить экспертную рекомендацию относительно определенной проблемы. На практике экспертные системы применяют при возникновении у специалиста или менеджера сомнений в выборе правильного решения, так как эти системы основываются на более глубоких и полных знаниях по сравнению со знаниями пользователя.

Наиболее простая экспертная система включает решателя, базу данных, базу знаний, компоненты приобретения знаний, объяснительный и диалоговый компоненты.

База данных нужна, чтобы хранить исходные и промежуточные сведения, которые используются в решении задач.

Решатель, используя исходные данные из базы данных и знания из базы знаний, осуществляет решение задач в каждой конкретной ситуации.

Иными словами, использование информационных технологий поддержки принятия управленческих решений позволяет осуществить выбор наиболее эффективных и актуальных решений, причем такие технологии могут быть использованы на любом уровне управления. В связи с тем, что принимаемые на разных уровнях решения должны быть скоординированы, важная функция таких систем состоит в координации действий лиц, которые и принимают эти решения.

В условиях современного уровня развития неопределенности, использование экспертных систем дает возможность значительного сокращения риска от последствий принять управленческие решения и оказывает помощь молодым менеджерам и специалистам.

СППР на основе трёхуровневого хранилища данных

Рисунок 4. Трёхуровневое хранилище данных

Хранилище данных представляет собой единый централизованный источник корпоративной информации. Витрины данных представляют подмножества данных из хранилища, организованные для решения задач отдельных подразделений компании. Конечные пользователи имеют возможность доступа к детальным данным хранилища, в случае если данных в витрине недостаточно, а также для получения более полной картины состояния бизнеса.

Преимущества:

• Создание и наполнение витрин данных упрощено, поскольку наполнение происходит из единого стандартизованного надежного источника очищенных нормализованных данных
• Витрины данных синхронизированы и совместимы с корпоративным представлением. Имеется корпоративная модель данных. Существует возможность сравнительно лёгкого расширения хранилища и добавления новых витрин данных
• Гарантированная производительность

Недостатки:

• Существует избыточность данных, ведущая к росту требований на хранение данных
• Требуется согласованность с принятой архитектурой многих областей с потенциально различными требованиями (например, скорость внедрения иногда конкурирует с требованиями следовать архитектурному подходу)

Мы рассмотрели основные варианты архитектур систем
поддержки принятия решений. Выбор конкретного варианта зависит от
условий, в которые поставлена проектная группа. Нужен ли быстрый
возврат от инвестиций, или можно потратить больше времени и построить
надежную инфраструктуру? Является ли проектная группа профессиональной
или состоит из новичков? Существует ли формализованная методология
или механизмы работы еще не отлажены? Ответы на эти и ряд других
вопросов могут повлиять на ваш выбор.

Подробное описание преимуществ и недостатков каждого варианта архитектуры
можно найти в литературе.

Типы решений

Существует множество подходов к классификации решений. Вот один из них. Решения бывают трёх видов:

• Структурированные (Structured) — рутинные решения, в том смысле, что контекст полностью понятен и сфера действия известна. Во многих случаях имеются стандарты, глобальные или корпоративные, в которых описаны методы принятия решения. Такие решения обычно уже принимались в прошлом.
• Слабоструктурированные (Semistructured) — похожие решения могли приниматься ранее, но новые обстоятельства отличаются от прежних настолько, что успешность прошлого решения не гарантирует правильность выбора. Обычно из них можно заимствовать если не сами методы, то хотя бы направление размышлений. К этой группе относятся многие системно-инженерные решения.
• Неструктурированные (Unstructured) — сложные проблемы, уникальные и не имеющие аналогов. Например, решения о новых технологиях.

Области управления

По областям управления решения можно разделить на три группы:

• Решения по функционированию (operational) — принимаются практическими специалистами (инженерами, аналитиками, архитекторами, испытателями и т.д.), как правило, структурированные и слабоструктурированные. Все процедуры и алгоритмы обычно детально описаны в методических указаниях.
• Административно-управленческие решения (managerial) — основной уровень, на котором принимаются решения, связанные с системной инженерией (уровень главного инженера, руководителя программы, системного инженера). Как правило, имеются политики, эвристики и логические взаимосвязи, указывающие системному инженеру направление поиска решения.
• Решения в области стратегического планирования (strategic planning) — уровень дирекции или всего предприятия. Для слабоструктурированных решений обычно используются идеи каузальности (установления причинно-следственных связей). На этом уровне обычно принимают решения об инвестировании и решения в условиях неопределенности.

Методы принятия решений

Для анализа и выработок предложений в СППР используются разные методы. Это могут быть:

• информационный поиск,
• интеллектуальный анализ данных,
• поиск знаний в базах данных,
• рассуждение на основе прецедентов,
• имитационное моделирование,
• эволюционные вычисления и генетические алгоритмы,
• нейронные сети,
• ситуационный анализ,
• когнитивное моделирование
• и др.

Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР или ИСППР. Близкие к СППР классы систем — это экспертные системы и автоматизированные системы управления.

Многообразие СППР

классификации

По области применения

• Бизнес и менеджмент (прайсинг, рабочая сила, продукты, стратегия и т.п.)
• Инжиниринг (дизайн продукта, контроль качества…)
• Финансы (кредитование и займы)
• Медицина (лекарства, виды лечения, диагностика)
• Окружающая среда

По соотношению данные\модели (методика Стивена Альтера)

• FDS (File Drawer Systems — системы предоставления доступа к нужным данным)
• DAS (Data Analysis Systems — системы для быстрого манипулирования данными)
• AIS (Analysis Information Systems — системы доступа к данным по типу необходимого решения)
• AFM(s) (Accounting & Financial models (systems) — системы рассчета финансовых последствий)
• RM(s) (Representation models (systems) — системы симуляции, AnyLogic как пример)
• OM(s) (Optimization models (systems) — системы, решающие задачи оптимизации)
• SM(s) (Suggestion models (systems) — системы построения логических выводов на основе правил)

По типу использумого инструментария

• Model Driven — в основе лежат классические модели (линейные модели, модели управления запасами, транспортные, финансовые и т.п.)
• Data Driven — на основе исторических данных
• Communication Driven — системы на оснвое группового принятия решений экспертами (системы фасилитации обмена мнениями и подсчета средних экспертных значений)
• Document Driven — по сути проиндексированное (часто — многомерное) хранилище документов
• Knowledge Driven — внезапно, на основе знаний. При чем знаний как экспертных, так и выводимых машинно

Характеристики системы поддержки принятия решений

Основная цель использования DSS – представить информацию клиенту в простой для понимания форме. Система DSS выгодна тем, что ее можно запрограммировать на создание многих типов отчетов, все на основе пользовательских спецификаций. Например, DSS может генерировать информацию и выводить ее в графическом виде, например в виде гистограммы, представляющей прогнозируемый доход, или в виде письменного отчета.

По мере развития технологий анализ данных больше не ограничивается большими, громоздкими мэйнфреймами. Поскольку DSS по сути является приложением, его можно загрузить в большинство компьютерных систем, будь то настольные компьютеры или ноутбуки. Некоторые приложения DSS также доступны через мобильные устройства.

Гибкость DSS чрезвычайно полезна для пользователей, которые часто путешествуют. Это дает им возможность всегда быть хорошо информированными, позволяя принимать оптимальные решения для своей компании и клиентов на ходу или даже на месте.