Лекция 9. Информационные технологии поддержки принятия решений

1. Информационные технологии поддержки принятия решений

ИНФОРМАЦИОННЫЕ
ТЕХНОЛОГИИ
ПОДДЕРЖКИ
ПРИНЯТИЯ РЕШЕНИЙ
Преподаватель к.пед.н., доцент
Шаховалов Николай Николаевич

2. Информационные технологии поддержки принятия решений

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Принятие решения — это процесс рационального или
иррационального выбора альтернатив, имеющий целью достижение
осознаваемого результата.
Рациональный выбор альтернатив состоит из следующих этапов:
Ситуационный анализ
Идентификация проблемы и постановка цели
Поиск необходимой информации
Формирование альтернатив
Формирование критериев для оценки альтернатив
Проведение оценки
Выбор наилучшей альтернативы
Внедрение (исполнение)
Разработка критериев (индикаторов) для мониторинга
Мониторинг исполнения
Оценка результата
Иррациональный выбор альтернатив включает все те же
составляющие, но в таком «сжатом» виде, что трассирование
причинно-следственных связей становится невозможным.
2

3. Определения СППР

СППР - совокупность процедур по обработке
данных и суждений, помогающих
руководителю в принятии решений,
основанная на использовании моделей.
СППР - это система, которая обеспечивает
пользователям доступ к данным и/или
моделям, так что они могут принимать лучшие
решения.
СППР - это интерактивные
автоматизированные системы, помогающие
лицу, принимающему решения, использовать
данные и модели для решения
слабоструктуризированных проблем
3

4. СППР обладает следующими четырьмя основными характеристиками:

СППР ОБЛАДАЕТ СЛЕДУЮЩИМИ
ЧЕТЫРЬМЯ ОСНОВНЫМИ
ХАРАКТЕРИСТИКАМИ:
СППР использует и данные и
модели;
СППР предназначены для помощи
менеджерам в принятии решений
для слабоструктурированных и
неструктурированных задач;
Они поддерживают, а не заменяют
выработку решений менеджерами;
Цель СППР – повышение
эффективности решений
4

5. список характеристик идеальной СППР

СПИСОК ХАРАКТЕРИСТИК ИДЕАЛЬНОЙ
СППР
оперирует со слабоструктурированными решениями;
предназначена для ЛПР различного уровня;
может быть адаптирована для группового и индивидуального
использования;
поддерживает как взаимозависимые, так и последовательные
решения;
поддерживает 3 фазы процесса решения: интеллектуальную часть,
проектирование и выбор;
поддерживает разнообразные стили и методы решения, что может
быть полезно при решении задачи группой ЛПР;
является гибкой и адаптируется к изменениям как организации,
так и ее окружения;
проста в использовании и модификации;
улучшает эффективность процесса принятия решений;
позволяет человеку управлять процессом принятия решений с
помощью компьютера, а не наоборот;
поддерживает эволюционное использование и легко адаптируется
к изменяющимся требованиям;
может быть легко построена, если может быть сформулирована
логика конструкции СППР;
поддерживает моделирование;
позволяет использовать знания.
5

6. Business Intelligence Tools (инструментальные средства бизнес-интеллекта)

BUSINESS INTELLIGENCE TOOLS
(ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА БИЗНЕСИНТЕЛЛЕКТА)
— программное обеспечение, которое дает
возможность пользователям наблюдать и
использовать большие объемы сложных
данных.
Термин BI является распространенным
«зонтичным» термином, предположительно
предложенным Говардом Дрезнером (Howard
Dresner) из компании Gartner Group в 1989
году. BI описывает совокупность понятий и
методов по совершенствованию принятия
бизнес-решений с использованием СППР,
основанных на фактах.
6

7. три типа инструментальных средств:

ТРИ ТИПА ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ:
Средства многомерного анализа — также
известные как OLАР (On-Line Analytical Processing)
— программное обеспечение, которое дает
пользователю возможность наблюдать данные в
различных измерениях, направлениях или
сечениях.
Инструментальные средства запросов (Query Tools)
— программное обеспечение, позволяющее
формировать запросы к данным по содержанию
или образцу.
Инструментальные средства поиска данных (Data
Mining Tools) — программное обеспечение, которое
осуществляет автоматический поиск важных
образцов (моделей), или зависимостей в данных.
7

8. Главной особенностью информационной технологии поддержки принятия решений

ГЛАВНОЙ ОСОБЕННОСТЬЮ
ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ
ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
качественно новый метод организации взаимодействия
человека и компьютера. Выработка решения, что является
основной целью этой технологии, происходит в результате
итерационного процесса (рис. 2.6), в котором участвуют:
система поддержки принятия решений в роли
вычислительного звена и объекта управления;
человек как управляющее звено, задающее входные данные и
оценивающее полученный результат вычислений на
компьютере.
8

9. Классификации СППР

На уровне пользователя
Пассивная СППР - система, которая помогает
процессу принятия решения, но не может
вынести предложение, какое решение принять.
Активная
СППР
может
сделать
предложение, какое решение следует выбрать.
Кооперативная
СППР позволяет ЛПР
изменять, пополнять или улучшать решения,
предлагаемые системой, посылая затем эти
изменения в систему для проверки.
9

10. На концептуальном уровне

НА КОНЦЕПТУАЛЬНОМ УРОВНЕ
СППР, управляемые моделями, характеризуются в
основном доступом и манипуляциями с математическими
моделями (статистическими, финансовыми,
оптимизационными, имитационными). Отметим, что некоторые
OLAP-системы, позволяющие осуществлять сложный анализ
данных, могут быть отнесены к гибридным СППР, которые
обеспечивают моделирование, поиск и обработку данных.
Управляемая сообщениями (Communication-Driven DSS)
(ранее групповая СППР - GDSS) СППР поддерживает
группу пользователей, работающих над выполнением общей
задачи.
СППР, управляемые данными (Data-Driven DSS) или
СППР, ориентированные на работу с данными (Data-oriented
DSS) в основном ориентируются на доступ и манипуляции с
данными.
СППР, управляемые документами (Document-Driven DSS),
управляют, осуществляют поиск и манипулируют
неструктурированной информацией, заданной в различных
форматах.
Наконец, СППР, управляемые знаниями (Knowledge-Driven
10
DSS) обеспечивают решение задач в виде фактов, правил,
процедур.

11. Основные компоненты СППР

ОСНОВНЫЕ КОМПОНЕНТЫ СППР
система управления данными (the data
management system - DBMS),
система управления моделями (the model
management system – MBMS),
машина знаний (the knowledge engine (KE)),
интерфейс пользователя (the user interface) и
пользователи (the user(s)).
11

12. 4 необходимых компонента, присущих всем СППР, ориентированным на знания

4 НЕОБХОДИМЫХ КОМПОНЕНТА, ПРИСУЩИХ
ВСЕМ СППР, ОРИЕНТИРОВАННЫМ НА ЗНАНИЯ
Языковая система (Language System - LS) –
СППР может принимать все сообщения;
Система презентаций (Presentation System
(PS)) (СППР может выдавать свои сообщения);
Система знаний (Knowledge System - KS) – все
знания СППР сохраняет;
Система обработки задач (Problem-Processing
System (PPS)) – программный «механизм»,
который пытается распознать и решить задачу
во время работы СППР.
12

13. Структура СППР

СТРУКТУРА СППР
13

14. База данных

БАЗА ДАННЫХ
играет
в информационной технологии поддержки
принятия решений важную роль. Данные могут
использоваться непосредственно пользователем для
расчетов
при
помощи
математических
моделей.
Рассмотрим источники данных и их особенности.
1. Часть данных поступает от информационной системы
операционного
уровня.
Чтобы
использовать
их
эффективно, эти данные должны быть предварительно
обработаны.
2. Другие внутренние данные, например данные о
движении персонала, инженерные данные и т.п., которые
должны быть своевременно собраны, введены и
поддержаны
3. Данные из внешних источников. В числе необходимых
внешних данных следует указать данные о конкурентах,
национальной и мировой экономике.
Документы,
включающие в себя записи, письма,
контракты, приказы и т.п.
14

15. Система управления данными должна обладать следующими возможностями:

СИСТЕМА УПРАВЛЕНИЯ ДАННЫМИ ДОЛЖНА
ОБЛАДАТЬ СЛЕДУЮЩИМИ ВОЗМОЖНОСТЯМИ:
составление комбинаций данных, получаемых из
различных источников, посредством использования
процедур агрегирования и фильтрации;
быстрое прибавление или исключение того или иного
источника данных;
построение логической структуры данных в
терминах пользователя;
использование и манипулирование
неофициальными данными для экспериментальной
проверки рабочих альтернатив пользователя;
обеспечение полной логической независимости этой
базы данных от других операционных баз данных,
функционирующих в рамках фирмы.
15

16. База моделей

БАЗА МОДЕЛЕЙ
Целью создания моделей являются описание и
оптимизация некоторого объекта или процесса.
Использование моделей обеспечивает
проведение анализа в системах поддержки
принятия решений.
Модели, базируясь на математической
интерпретации проблемы, при помощи
определенных алгоритмов способствуют
нахождению информации, полезной для
принятия правильных решений.
16

17. Стратегические модели

СТРАТЕГИЧЕСКИЕ МОДЕЛИ
используются на высших уровнях управления
для установления целей организации, объемов
ресурсов, необходимых для их достижения, а
также политики приобретения и
использования этих ресурсов. Они могут быть
также полезны при выборе вариантов
размещения предприятий, прогнозировании
политики конкурентов и т.п.
Для стратегических моделей характерны
значительная широта охвата, множество
переменных, представление данных в сжатой
агрегированной форме.
17

18. Тактические модели

ТАКТИЧЕСКИЕ МОДЕЛИ
применяются
управляющими среднего уровня
для распределения и контроля использования
имеющихся ресурсов. Среди возможных сфер их
использования следует указать: финансовое
планирование, планирование требований к
работникам, планирование увеличения продаж,
построение схем компоновки предприятий. Эти
модели применимы обычно лишь к отдельным
частям
фирмы
(например,
к
системе
производства и сбыта) и могут также включать в
себя агрегированные показатели.
18

19. Система управления интерфейсом

СИСТЕМА УПРАВЛЕНИЯ ИНТЕРФЕЙСОМ
Эффективность и гибкость информационной
технологии во многом зависят от
характеристик интерфейса системы поддержки
принятия решений. Интерфейс определяет:
язык пользователя; язык сообщений
компьютера, организующий диалог на экране
дисплея; знания пользователя.
19

20. В основной функциональный набор DSS-систем входят:

В ОСНОВНОЙ ФУНКЦИОНАЛЬНЫЙ
НАБОР DSS-СИСТЕМ ВХОДЯТ:
финансовое планирование и бюджетирование;
формирование консолидированной отчетности (до 200 преднастроенных отчетов);
создание информационной системы стратегического управления на основе
ключевых показателей деятельности (Balance Scorecards) с преднастроенными
библиотеками показателей (до 500);
анализ взаимоотношений с клиентами и поставщиками;
анализ рыночных тенденций;
функционально-стоимостный анализ (ABC-Costing);
функционально-стоимостное управление (Activity Based Management, ABM);
система постоянных улучшений (Kiezen Costing);
многомерный анализ данных (OLAP);
выявление скрытых закономерностей (Data Mining);
выявление моделей (структур) данных;
статистический анализ и прогнозирование временных рядов;
событийное управление бизнесом (Event-driven BI);
анализ рисков;
формирование преднастроенных запросов (до 500-600);
интеллектуальный поиск (по неполным данным и неформальным запросам);
бизнес-моделирование и анализ эффективности выполнения бизнес-процессов;
20
референтные отраслевые модели.

21. OLTP-системы (On-Line Transaction Processing)

OLTP-СИСТЕМЫ (ON-LINE TRANSACTION
PROCESSING)
Задачи OLTP-системы – это быстрый сбор и
наиболее оптимальное размещение
информации в базе данных, а также
обеспечение ее полноты, актуальности и
согласованности. Однако такие системы не
предназначены для максимально
эффективного, быстрого и многоаспектного
анализа.
21

22. OLAP (Аббрев. от: On-Line Analytical Processing)

OLAP (АББРЕВ. ОТ: ON-LINE
ANALYTICAL PROCESSING)
Технологии интерактивной аналитической
обработки данных в системах баз данных,
предназначенные для поддержки принятия
решений и ориентированные главным образом
на нерегламентированные интерактивные
запросы.
OLAP-технологии и предназначены именно
для того, чтобы бизнес-аналитики имели
возможность оперировать с накопленными
данными, непосредственно участвовать в их
анализе. Подобные аналитические системы
противоположны OLTP-системам в том плане,
что они устраняют информационную
избыточность ("сворачивают" информацию).
22

23. Задачи, решаемые OLAP и OLTP-системам

ЗАДАЧИ, РЕШАЕМЫЕ OLAP И OLTP-СИСТЕМАМ
Аналитические задачи: вычисление заданных показателей и
статистических характеристик бизнес-процессов на основе
ретроспективной информации, находящейся в хранилищах
данных.
Визуализацию данных: представление всей имеющейся
информации в удобном для пользователя графическом и
табличном виде.
Получение новых знаний: определение взаимосвязи и
взаимозависимости бизнес-процессов на основе существующей
информации (проверка статистических гипотез, кластеризация,
нахождение ассоциаций и временных шаблонов).
Имитационные задачи: математическое моделирование
поведения сложных систем в течение произвольного периода
времени. Иными словами, это задачи, связанные с
необходимостью ответить на вопрос: "Что будет, если ...?"
Синтез управления: определение допустимых управляющих
воздействий, обеспечивающих достижение заданной цели.
Оптимизационные задачи: интеграция имитационных,
управленческих, оптимизационных и статистических методов
23
моделирования и прогнозирования.

24. Хранилища данных

ХРАНИЛИЩА ДАННЫХ
Хранилище
данных и OLAP-технология, как
правило, упоминаются вместе, хотя на самом деле
это две разные технологии. Хранилище данных
(ХД) обеспечивает сбор, хранение и быстрый доступ
к ключевой информации, создаваемой в учетных
системах (OLTP), а OLAP — построение
высокоинтерактивных отчетов, анализ данных.
Вместе
с тем, как правило, в комплексных
решениях обе технологии применяются как
неразрывное целое, поэтому их совместное
рассмотрение вполне оправдано.
Пользователями
этих
продуктов
являются
менеджеры и ведущие специалисты, люди, от
которых зависят принятие ключевых решений,
оперативное и стратегическое планирование и
управление.
24

25. Хранилище данных (Data Warehouse)

ХРАНИЛИЩЕ ДАННЫХ (DATA
WAREHOUSE)
— это система, предназначенная для
информационного обеспечения управления
организацией, интегрирующая в себе данные,
необходимые для управления, из учетных
автоматизированных систем, консолидирующая
данные филиалов. Хранилище собирает, очищает,
загружает, агрегирует, хранит данные и
предоставляет к ним быстрый доступ.
Хранилище данных – система, содержащая
непротиворечивую интегрированную предметноориентированную совокупность исторических
данных крупной корпорации или иной
организации с целью поддержки принятия
стратегических решений.
25

26. Хранилище данных (Билл Инмон )

ХРАНИЛИЩЕ ДАННЫХ (БИЛЛ ИНМОН )
Хранилища данных используют технологии баз
данных, OLAP, глубинного анализа данных,
визуализации данных. Термин Data Warehouse
был введен Б. Инмоном (Bill Inmon) в 1990 г.
Билл Инмон определяет хранилища данных
как "предметно ориентированные,
интегрированные, неизменчивые,
поддерживающие хронологию наборы данных,
организованные с целью поддержки управления"
и призванные выступать в роли "единого и
единственного источника истины", который
обеспечивает менеджеров и аналитиков
достоверной информацией, необходимой для
оперативного анализа и принятия решений.
26

27.

Предметная ориентация хранилища данных
означает, что данные объединены в категории и
сохраняются соответственно областям, которые они
описывают, а не применениям, их использующим.
Интегрированность означает, что данные
удовлетворяют требованиям всего предприятия, а не
одной функции бизнеса. Этим хранилище данных
гарантирует, что одинаковые отчеты, сгенерированные
для разных аналитиков, будут содержать одинаковые
результаты.
Привязка ко времени означает, что хранилище
можно рассматривать как совокупность "исторических"
данных: возможно восстановление данных на любой
момент времени. Атрибут времени явно присутствует в
структурах хранилища данных.
Неизменность означает, что, попав один раз в
хранилище, данные там сохраняются и не
изменяются. Данные в хранилище могут лишь
добавляться.
27

28. Хранилище данных специализированное (Data Mart)

ХРАНИЛИЩЕ ДАННЫХ
СПЕЦИАЛИЗИРОВАННОЕ (DATA MART)
– хранилище данных, связанных с какими-либо
конкретными аспектами деятельности
организации. Используется для поддержки
принятия решений в интересах какого-либо
подразделения организации или обеспечения
какой-либо сферы ее деятельности. Источником
данных для специализированного хранилища
данных может быть общее хранилище данных
организации, или оно создается и функционирует
независимо.
Объем данных в специализированном хранилище
данных и его потребности в вычислительных ресурсах обычно существенно ограничены по сравнению
с общим хранилищем данных.
В отечественной компьютерной периодике термин
Data Mart часто переводят как "витрина данных".
28

29. Преимущества использования хранилищ данных

ПРЕИМУЩЕСТВА ИСПОЛЬЗОВАНИЯ
ХРАНИЛИЩ ДАННЫХ
содержит информацию за весь требуемый
временной интервал - вплоть до нескольких
десятилетий - в едином информационном
пространстве
несоответствия в данных устраняются на этапе
сбора информации и погружения ее в единую
базу данных. При этом организуются единые
справочники, все показатели в которых
приводятся к одинаковым единицам
измерения.
На этапе помещения в хранилище данных
информация предварительно обрабатывается.
29

30. Преимущества использования хранилищ данных

ПРЕИМУЩЕСТВА ИСПОЛЬЗОВАНИЯ
ХРАНИЛИЩ ДАННЫХ
Универсализация доступа к данным.
Хранилище данных предоставляет
уникальную возможность получать любые
отчеты о деятельности предприятия на основе
одного источника информации.
Ускорение получения аналитических отчетов.
Построение произвольных запросов.
30

31. Хранилище данных состоит из нескольких функциональных блоков

ХРАНИЛИЩЕ ДАННЫХ СОСТОИТ ИЗ
НЕСКОЛЬКИХ ФУНКЦИОНАЛЬНЫХ БЛОКОВ
База данных.
Инструменты настройки базы данных и
управления метаданными.
Инструменты сбора, очистки и загрузки
данных.
31

32. Для сбора данных из внешних источников и удаленных подразделений применяются два принципиально разных подхода

ДЛЯ СБОРА ДАННЫХ ИЗ ВНЕШНИХ ИСТОЧНИКОВ
И УДАЛЕННЫХ ПОДРАЗДЕЛЕНИЙ ПРИМЕНЯЮТСЯ
ДВА ПРИНЦИПИАЛЬНО РАЗНЫХ ПОДХОДА
ETL-системы. Первый способ сбора данных -
применение средств ETL (Extract, Transformation,
Loading – извлечение, трансформация, загрузка) –
специальных систем для извлечения данных из
других баз данных, трансформации по описанным в
этой системе правилам и загрузке в ХД.
Корпоративный стандарт формата обмена
данными. Второй подход — применение
стандартного формата для сбора данных и
разработка процедур выгрузки данных на стороне
источника. Это позволяет, во-первых, собирать
однородные данные из разнородных систем,
децентрализовать разработку процедур выгрузки
данных, предоставляя решение этой задачи
специалистам, обладающим знанием об исходной
32
системе.

33. Архитектура Хранилища данных

АРХИТЕКТУРА ХРАНИЛИЩА ДАННЫХ
33

34. Аппарат выполнения расчетов.

АППАРАТ ВЫПОЛНЕНИЯ РАСЧЕТОВ.
Специальный аппарат выполнения расчетов
обеспечивает:
агрегацию данных — расчет обобщенных
показателей (например, вычисление
месячного, квартального и годового
баланса);
консолидацию данных — суммирование
данных по организационной иерархии
(например, вычисление сводного баланса
банка);
расчет производных показателей (таких, как
фактическое исполнение бюджета,
ликвидность, маржа и др.).
34

35. Механизмы выполнения произвольных запросов

МЕХАНИЗМЫ ВЫПОЛНЕНИЯ
ПРОИЗВОЛЬНЫХ ЗАПРОСОВ
Чем шире номенклатура данных, собираемых в
ХД, тем сложнее их связи и многообразнее
запросы, которые пользователи хотят
выполнять к базе данных. Это делает
практически невозможными разработку и
оптимизацию запросов, включающую создание
необходимых индексов, на этапе создания
системы. Поэтому неотъемлемой частью ХД
являются средства генерации запросов. В
продвинутых системах одновременно с
запросом могут генерироваться и недостающие
индексы для повышения скорости его
выполнения.
35

36. Пользовательские интерфейсы и отчеты.

ПОЛЬЗОВАТЕЛЬСКИЕ ИНТЕРФЕЙСЫ И
ОТЧЕТЫ.
Хранилище данных, накапливая ценную
информацию, должно обеспечивать ее
максимальное использование сотрудниками.
Для этого оно имеет специальные
пользовательские интерфейсы, разработанные
для быстрого получения данных, и развитую
технологию создания и выпуска отчетов.
Интерфейсы для внешних систем. Хранилище
данных предоставляет информацию внешним
аналитическим системам и генераторам
отчетов, для чего применяются промышленные
стандарты доступа к данным.
36

37. Data Mining

DATA MINING
(mining по-английски означает «добыча полезных
ископаемых», а поиск закономерностей в огромном
наборе фактических данных действительно сродни
этому). Термин Data Mining обозначает не столько
конкретную технологию, сколько сам процесс поиска
корреляций, тенденций, взаимосвязей и
закономерностей посредством различных
математических и статистических алгоритмов:
кластеризации, создания субвыборок, регрессионного
и корреляционного анализа.
Цель этого поиска — представить данные в виде,
четко отражающем бизнес-процессы, а также
построить модель, при помощи которой можно
прогнозировать процессы, критичные для
планирования бизнеса (например, динамику спроса
на те или иные товары или услуги либо зависимость
их приобретения от каких-то характеристик
потребителя).
37

38. Data Mining

DATA MINING
– это процесс обнаружения в сырых данных
ранее неизвестных, нетривиальных,
практически полезных и доступных
интерпретации знаний, необходимых для
принятия решений в различных сферах
человеческой деятельности.
Суть и цель технологии Data Mining можно
охарактеризовать так: это технология, которая
предназначена для поиска в больших объемах
данных неочевидных, объективных и полезных
на практике закономерностей.
38

39.

Неочевидных – это значит, что найденные
закономерности не обнаруживаются
стандартными методами обработки
информации или экспертным путем.
Объективных – это значит, что обнаруженные
закономерности будут полностью
соответствовать действительности, в отличие от
экспертного мнения, которое всегда является
субъективным.
Практически полезных – это значит, что
выводы имеют конкретное значение, которому
можно найти практическое применение.
Знания – совокупность сведений, которая
образует целостное описание, соответствующее
некоторому уровню осведомленности об
описываемом вопросе, предмете, проблеме и
т.д.
39

40.

Data
Mining – это процесс выделения из данных
неявной и неструктурированной информации и
представления ее в виде, пригодном для использования.
Data Mining – это процесс выделения, исследования и
моделирования
больших
объемов
данных
для
обнаружения неизвестных до этого структур (patterns) с
целью достижения преимуществ в бизнесе (определение
SAS Institute).
Data Mining – это процесс, цель которого - обнаружить
новые значимые корреляции, образцы и тенденции в
результате просеивания большого объема хранимых
данных с использованием методик распознавания
образцов
плюс
применение
статистических
и
математических методов (определение Gartner Group).
В
основу технологии Data Mining положена
концепция шаблонов (patterns), которые представляют
собой закономерности, свойственные подвыборкам
данных, которые могут быть выражены в форме,
понятной человеку.
40

41. Типы закономерностей, выявляемых методами Data Mining

ТИПЫ ЗАКОНОМЕРНОСТЕЙ, ВЫЯВЛЯЕМЫХ
МЕТОДАМИ DATA MINING
ассоциация — высокая вероятность связи событий друг с
другом (например, один товар часто приобретается вместе с
другим);
последовательность — высокая вероятность цепочки
связанных во времени событий (например, в течение
определенного срока после приобретения одного товара
будет с высокой степенью вероятности приобретен другой);
классификация — имеются признаки, характеризующие
группу, к которой принадлежит то или иное событие или
объект (обычно при этом на основании анализа уже
классифицированных событий формулируются некие
правила);
кластеризация — закономерность, сходная с
классификацией и отличающаяся от нее тем, что сами
группы при этом не заданы — они выявляются
автоматически в процессе обработки данных;
временные закономерности — наличие шаблонов в
динамике поведения тех или иных данных (типичный
пример — сезонные колебания спроса на те или иные
товары либо услуги), используемых для прогнозирования.
41

42. Методы исследования данных в Data Mining

МЕТОДЫ ИССЛЕДОВАНИЯ ДАННЫХ В
DATA MINING
регрессионный, дисперсионный и корреляционный
анализ
методы анализа в конкретной предметной области,
базирующиеся на эмпирических моделях
нейросетевые алгоритмы
алгоритмы — выбор близкого аналога исходных
данных из уже имеющихся исторических данных.
деревья решений
кластерные модели
алгоритмы ограниченного перебора
эволюционное программирование
42

43. Бизнес-интеллект (Business Intelligence)

БИЗНЕС-ИНТЕЛЛЕКТ (BUSINESS
INTELLIGENCE)
программные
средства, функционирующие в
рамках предприятия и обеспечивающие
функции доступа и анализа информации,
которая находится в хранилище данных, а
также обеспечивающие принятие правильных
и обоснованных управленческих решений.
BI-системы также известны под названием
Систем
Поддержки
Принятия
Решений
(СППР, DSS, Decision Support System). Эти
системы превращают данные в информацию,
на основе которой можно принимать решения,
т.е. поддерживающую принятие решений.
43

44. Business Intelligence - набор программных продуктов следующих классов:

BUSINESS INTELLIGENCE - НАБОР
ПРОГРАММНЫХ ПРОДУКТОВ СЛЕДУЮЩИХ
КЛАССОВ:
средства построения хранилищ данных (data
warehousing, ХД);
системы оперативной аналитической обработки
(OLAP);
информационно-аналитические системы
(Enterprise Information Systems, EIS);
средства интеллектуального анализа данных
(data mining);
инструменты для выполнения запросов и
построения отчетов (query and reporting tools).
44

45. Информационная технология экспертных систем

ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ
ЭКСПЕРТНЫХ СИСТЕМ
Экспертная система (ЭС, expert system) –
программный продукт, использующий знания
экспертов для высокоэффективного решения
задач в интересующей пользователя
предметной области.
Экспертная система — компьютерная
программа, способная заменить специалистаэксперта в решении проблемной ситуации.
Экспертная система – программа, которая
использует знания специалистов (экспертов) о
некоторой конкретной узко
специализированной предметной области и в
пределах этой области способна принимать
решения на уровне эксперта-профессионала.
45

46. Преимущества экспертных систем перед человеком-экспертом

ПРЕИМУЩЕСТВА ЭКСПЕРТНЫХ СИСТЕМ
ПЕРЕД ЧЕЛОВЕКОМ-ЭКСПЕРТОМ
у них нет предубеждений и они устойчивы к
различным помехам;
они не делают поспешных выводов;
эти системы выдают не первое нашедшееся, а
оптимальное (по определенным критериям)
решение;
база знаний может быть очень и очень
большой. Введенные в машину один раз,
знания сохраняются навсегда. Человек же
имеет ограниченную базу знаний, и если
данные долгое время не используются, то они
забываются и навсегда теряются.
46

47. обобщенная структура экспертной системы

ОБОБЩЕННАЯ СТРУКТУРА ЭКСПЕРТНОЙ
СИСТЕМЫ
47

48.

База знаний (БЗ) предназначена для хранения
экспертных знаний о предметной области,
используемых при решении задач экспертной
системой.
База данных предназначена для временного
хранения фактов или гипотез, являющихся
промежуточными решениями или результатом
общения системы с внешней средой, в качестве
которой обычно выступает человек, ведущий
диалог с экспертной системой.
Машина логического вывода - механизм
рассуждений, оперирующий знаниями и данными с
целью получения новых данных из знаний и
других данных, имеющихся в рабочей памяти. Для
этого обычно используется программно
реализованный механизм дедуктивного
логического вывода (какая-либо его разновидность)
или механизм поиска решения в сети фреймов или
семантической сети.
48

49.

50. Подсистема общения (интерфейс пользователя)

ПОДСИСТЕМА ОБЩЕНИЯ (ИНТЕРФЕЙС
ПОЛЬЗОВАТЕЛЯ)
служит для ведения диалога с пользователем,
в ходе которого ЭС запрашивает у
пользователя необходимые факты для
процесса рассуждения, а также для
предоставления возможности пользователю в
какой-то степени контролировать и
корректировать ход рассуждений экспертной
системы.
50

51. Подсистема объяснений

ПОДСИСТЕМА ОБЪЯСНЕНИЙ
объясняет,
как система получила решение
задачи (или почему она не получила решение) и
какие знания она при этом использовала, что
облегчает эксперту тестирование системы и
повышает доверие пользователя к полученному
результату. Она необходима для того, чтобы
дать возможность пользователю контролировать
ход рассуждений и, может быть, учиться у
экспертной системы. Если нет этой подсистемы,
экспертная система выглядит для пользователя
как "вещь в себе", решениям которой можно
либо
верить
либо
нет.
Нормальный
пользователь выбирает последнее, и такая ЭС
не имеет перспектив для использования.
51

52. Подсистема приобретения знаний

ПОДСИСТЕМА ПРИОБРЕТЕНИЯ ЗНАНИЙ
служит для корректировки и пополнения базы
знаний. В простейшем случае это интеллектуальный редактор базы знаний, в
более сложных экспертных системах - средства
для извлечения знаний из баз данных,
неструктурированного текста, графической
информации и т.д.
52

53. Основные характеристики ЭС

ОСНОВНЫЕ ХАРАКТЕРИСТИКИ ЭС
В ЭС знания отделены от данных, и мощность
экспертной системы обусловлена в первую очередь
мощностью базы знаний и только во вторую очередь
используемыми методами решения задач.
Решаемые ЭС задачи являются
неформализованными или слабоформализованными
и используют эвристические, экспериментальные,
субъективные знания экспертов в определенной
предметной области.
В основном используются символьный (а не
числовой) способ представления, символьный вывод
и эвристический поиск решения (а не исполнение
известного алгоритма).
Решения экспертных систем обладают
"прозрачностью", т.е. могут быть объяснены
пользователю на качественном уровне. Это качество
экспертных систем обеспечивается их способностью
рассуждать о своих знаниях и умозаключениях.
Экспертные системы способны пополнять свои
знания в ходе взаимодействия с экспертом.
53

54. основные классы задач, решаемых экспертными системами:

ОСНОВНЫЕ КЛАССЫ ЗАДАЧ, РЕШАЕМЫХ
ЭКСПЕРТНЫМИ СИСТЕМАМИ:
диагностика,
прогнозирование,
идентификация,
управление,
проектирование,
мониторинг,
планирование,
обучение,
поддержка принятия решений и др.
54

55. области деятельности, где используются экспертные системы

ОБЛАСТИ ДЕЯТЕЛЬНОСТИ, ГДЕ
ИСПОЛЬЗУЮТСЯ ЭКСПЕРТНЫЕ СИСТЕМЫ
медицина,
вычислительная техника,
военное дело,
микроэлектроника,
радиоэлектроника,
юриспруденция,
экономика,
экология,
геология (поиск полезных ископаемых),
математика.
55

56. Примеры ЭС

ПРИМЕРЫ ЭС
DENDRAL – ЭС, разработанная в Стэнфордском
университете в середине 60-х годов для
распознавания структуры сложных органических
молекул по результатам их спектрального анализа
XCON - ЭС для конфигурирования
(проектирования) вычислительных комплексов
VAX-11 в корпорации DEC в соответствии с заказом
покупателя;
MACSYMA - ЭС для символьных преобразований
алгебраических выражений;
YES/MVS - ЭС для управления многозадачной
операционной системой MVS больших ЭВМ
корпорации IBM;
DART - ЭС для диагностики больших НМД
корпорации IBM;
56

57. Двойственность понятия «управление знаниями»

ДВОЙСТВЕННОСТЬ ПОНЯТИЯ
«УПРАВЛЕНИЕ ЗНАНИЯМИ»
57

58. ИНФОРМАЦИОННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ

Современные Корпоративные Информационные
Системы прошли сложный путь развития от систем
60-х гг. – MRP – до систем, определяющих
конкурентный облик предприятия XXI века –
ERPII.
Первым предком современных ERP-систем был
стандарт MRP (Material Requirements Planning).
Он появился в конце 60-х годов. Он включал в себя
только планирование потребностей в материалах
по замкнутому циклу (Closed Loop Material
Requirment Planning).
MRP-системы давали возможность создавать
производственные программы и контролировать их
исполнение на уровне производства. Подобный
системный продукт получил широкое
распространение на предприятиях с производством
дискретного типа.
58

59.

59

60. Основные принципы и философия MRP

ОСНОВНЫЕ ПРИНЦИПЫ И ФИЛОСОФИЯ
MRP
В начале 60-х годов, в связи с ростом
популярности вычислительных систем,
возникла идея использовать их возможности
для планирования деятельности предприятия,
в том числе для планирования
производственных процессов.
MRP-методология представляет собой
алгоритм оптимального управления заказами
на готовую продукцию, производством и
запасами сырья и материалов, реализуемый с
помощью компьютерной системы.
60

61. Входные элементы и результаты работы MRP-программы

ВХОДНЫЕ ЭЛЕМЕНТЫ И РЕЗУЛЬТАТЫ
РАБОТЫ MRP-ПРОГРАММЫ
61

62. Основные результаты функционирования MRP-системы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ
ФУНКЦИОНИРОВАНИЯ MRP-СИСТЕМЫ
План Заказов (Planned Order Schedule)
определяет, какое количество каждого материала
должно быть заказано в каждый рассматриваемый
период времени в течение срока планирования.
План заказов является руководством для
дальнейшей работы с поставщиками и, в частности,
определяет производственную программу для
внутреннего производства комплектующих, при
наличии такового.
Изменения к плану заказов (Changes in
planned orders) являются модификациями к
ранее спланированным заказам. Заказы могут
быть отменены, изменены или задержаны, а также
перенесены на другой период.
62

63. Отчет об "узких местах" планирования (Exception report)

ОТЧЕТ ОБ "УЗКИХ МЕСТАХ"
ПЛАНИРОВАНИЯ (EXCEPTION REPORT)
предназначен для того, чтобы заблаговременно
проинформировать пользователя о
промежутках времени в течение срока
планирования, которые требуют особого
внимания, и в которые может возникнуть
необходимость внешнего управленческого
вмешательства. Типичными примерами
ситуаций, которые должны быть отражены в
этом отчете, могут быть непредвиденно
запоздавшие заказы на комплектующие,
избытки комплектующих на складах и т.п.
63

64. Отчет о прогнозах (Planning Report)

ОТЧЕТ О ПРОГНОЗАХ (PLANNING
REPORT)
представляет собой информацию,
используемую для составления прогнозов о
возможном будущем изменении объемов и
характеристик выпускаемой продукции,
полученную в результате анализа текущего
хода производственного процесса и отчетах о
продажах. Также отчет о прогнозах может
использоваться для долгосрочного
планирования потребностей в материалах.

65. MRPII

65
MRPII
Для расширения функционала системы
разработчики создали новый стандарт - MRPII.
Система MRPII, расширив существенно
возможности MRP, стала привлекательной для
многих предприятий. Теперь появилась
возможность обрабатывать намного больший объем
данных на основе одного программного
обеспечения и координировать деятельность
большего количества отделений предприятия –
склады, снабжение, продажи, производство, учет,
финансы. При этом стало возможным некоторое
моделирование бизнес-процесса с постановкой
вопроса типа «Что будет, если…».
Системы MRPII до сих пор востребованы
некоторыми предприятиями.

66. в MRPII-системе должны быть реализованы следующие 16 групп функций (модулей)

66
В MRPII-СИСТЕМЕ ДОЛЖНЫ БЫТЬ РЕАЛИЗОВАНЫ
СЛЕДУЮЩИЕ 16 ГРУПП ФУНКЦИЙ (МОДУЛЕЙ)
Планирование продаж и производства (Sales and Operation Planning);
Управление спросом (Demand Management);
Составление основного производственного плана (Master Production
Scheduling);
Планирование потребностей в материалах (Material Requirements
Planning);
Спецификации изделий (Bill of Materials);
Управление складскими операциями (Inventory Transaction Subsystem);
Планирование поставок (Scheduled Receipts Subsystem);
Управление на уровне производственного цеха (Shop Flow Control);
Планирование производственных мощностей (Capacity Requirement
Planning);
Контроль входа/выхода (Input/Output Control);
Закупки (Purchasing);
Планирование ресурсов распределения (Distribution Resourse Planning);
Планирование и контроль производственных операций (Tooling Planning
and Control);
Финансовое планирование (Financial Planning);
Моделирование (Simulation);
Оценка результатов деятельности (Performance Measurement).

67. В результате применения MRPII-систем должны быть реализованы:

67
оперативное получение информации о текущих
результатах деятельности предприятия как в
целом, так и с полной детализацией по отдельным
заказам, видам ресурсов, выполнению планов;
долгосрочное, оперативное и детальное
планирование деятельности предприятия с
возможностью корректировки плановых данных на
основе оперативной информации;
оптимизация производственных и материальных
потоков со значительным сокращением
непроизводственных затрат и реальным
сокращением материальных ресурсов на складах;
отражение финансовой деятельности предприятия
в целом.

68. системы нового поколения – ERP

68
СИСТЕМЫ НОВОГО ПОКОЛЕНИЯ – ERP
С 90-х гг. начинается бурное развитие
корпоративных информационных систем нового
поколения – ERP. Переняв логику и основную
функциональную базу MRPII, ERP-системы внесли
много нового в автоматизацию бизнес-процессов
предприятия. ERP-системы были призваны решить
сложную методологическую задачу – построить
единую информационную систему, одинаково
применимую как в бухгалтерии, так и на
производстве, и в службе сбыта, и на складах, и в
отделе маркетинга. В наше время обычно каждое из
подразделений предприятия имеет свою собственную
систему. ERP–система объединяет их работу в
единую интегрированную систему с общей базой
данных. После такой интеграции взаимодействие и
работа всех подразделений компании становится
быстрой, слаженной и оперативной.

69.

69
ERP-система – информационная система для
идентификации и планирования всех ресурсов
предприятия, которые необходимы для
осуществления продаж, производства, закупок и
учета в процессе выполнения клиентских заказов.
– это методология эффективного планирования и
управления всеми ресурсами предприятия, которые
необходимы для осуществления продаж,
производства, закупок и учета при исполнении
заказов клиентов в сферах производства,
дистрибьюции и оказания услуг.

70.

70
ERP - это система планирования ресурсов
промышленного предприятия по всем основным
направлениям его деятельности.
ERP не является стандартом. Соответственно,
отсутствует общепринятый набор критериев,
которым должна соответствовать система этого
класса. Понятие "ERP-система" становится
тождественным любой "интегрированной системе
управления". При этом широта охватываемых
бизнес-процессов и глубина их проработки отходят
на второй план. Как следствие, при сравнении в
один ряд ставятся решения, кардинально
отличающиеся по уровню возможностей, цене и
сложности внедрения.

71. Отличия ERP от MRP II можно выразить следующей формулой:

ОТЛИЧИЯ ERP ОТ MRP II МОЖНО
ВЫРАЗИТЬ СЛЕДУЮЩЕЙ ФОРМУЛОЙ:
ERP = MRPII + (1) поддержка различных
типов производств + (2) поддержка
планирования ресурсов по различным
направлениям деятельности предприятия (не
только производство продукции) +
(3) поддержка планирования ресурсов и
управления сложным многопрофильным
предприятием, корпорацией (многозвенное
планирование)
71

72. Главная цель концепции ERP

ГЛАВНАЯ ЦЕЛЬ КОНЦЕПЦИИ ERP
- распространить принципы MRPII
(Manufactory Resource Planning, планирование
производственных ресурсов) на управление
современными корпорациями. Концепция ERP
представляет собой надстройку над
методологией MRPII. Не внося никаких
изменений в механизм планирования
производственных ресурсов, она позволяет
решить ряд дополнительных задач, связанных
с усложнением структуры компании.
72

73. Системы класса ERP отличает набор следующих свойств

СИСТЕМЫ КЛАССА ERP ОТЛИЧАЕТ
НАБОР СЛЕДУЮЩИХ СВОЙСТВ
универсальность с точки зрения типов
производств;
поддержка многозвенного производственного
планирования;
более широкая (по сравнению с MRPII) сфера
интегрированного планирования ресурсов;
включение в систему мощного блока
планирования и учета корпоративных
финансов;
внедрение в систему средств поддержки
принятия решений.
73

74. ERP II

(Enterprise Resource and Relationship
Processing - управление внутренними
ресурсами и внешними связями предприятия).
74

75.

CRM (Customer Relationship Management)
– управление отношениями с клиентами бизнес-стратегия, предназначенная для
оптимизации доходов, прибыльности и
удовлетворенности клиентов.
CSRP (Customer Synchronized Resource
Planning) – планирование ресурсов,
синхронизированное с покупателем.
Суть CSRP – интеграция покупателя в
систему управления предприятием.
75

76. ERP II (Enterprise Resource and Relationship Processing -

ERP II (ENTERPRISE RESOURCE AND
RELATIONSHIP PROCESSING Управление ресурсами и внешними
отношениями предприятия)
ERP II представляет собой результат развития
ERP в направлении более тесного
взаимодействия предприятия с клиентами и
контрагентами.
При этом управленческая информация
компании используется не только для
внутренних целей, но также служит для
развития отношений сотрудничества с другими
организациями.
76

77. Главные отличия ERPII от ERP:

ГЛАВНЫЕ ОТЛИЧИЯ ERPII ОТ ERP:
ERPII использует концепцию совместного
предпринимательства (интеграция с
контрагентами) и
Системы ERPII используют открытую
компонентную web-ориентированную
архитектуру (что среди прочего дает
возможность интегрировать лучшие модули
разных производителей, а не покупать
монолитное решение у одного производителя).
77