3.3.3.5. Система поддержки принятия решений (dss)
Система поддержки принятия решений (СППР) (Decision Support System, DSS) – компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. Такие системы позволяют лицам, принимающим решения, в режиме реального времени анализировать состояние тех или иных бизнес-процессов предприятия и выбирать оптимальное оперативное решение на основании имеющихся данных. Главной особенностью СППР является то, что эти средства ориентированы на использование не специалистом в области информационных технологий, а профессионалом в прикладной области управления – менеджером или директором, т.е. средства предназначены для общения аналитика с проблемой, а не с информационной системой.
Таким образом, системы поддержки принятия решений (DSS-модули) предназначены для:
обеспечения ответственных лиц средствами мониторинга оперативной деятельности предприятия (мониторинг может осуществляться в любых разрезах, причем одновременно: подразделений, ответственных лиц, проектов и т.д.);
повышения «информационной прозрачности» предприятия, исключение возможности искажения реальных данных;
снижения издержек получения информации для принятия оперативных и стратегических решений.
Эти системы решают следующие задачи:
мониторинга процессов,
анализа данных
моделирование и прогнозирование ситуаций.
Эффективность работы DSS-модуля напрямую зависит от глубины и масштабов автоматизации предприятия. Чем больше служб и подразделений подключено к единой информационной системе, тем точнее модуль поддержки принятия решений будет отражать реальное экономическое состояние предприятия. В качестве источников данных используются различные модули ERP-системы.
Данные для СППР обычно поступают не непосредственно из модулей ERP-системы (систем оперативной обработки). Специально для подготовки отчётов, анализа бизнес-процессов и поддержки принятия решений разрабатываются специальные предметно-ориентированные информационные корпоративные базы данных – хранилища данных (Data Warehouse – DWH). Данные из модулей ERP-системы копируются в хранилище данных таким образом, чтобы построение отчётов и анализ не использовал ресурсы собственно ERP и не нарушал её стабильность. Данные загружаются в хранилище с определённой периодичностью, поэтому актуальность данных несколько отстает от ERP-системы.
Хранилище данных функционирует по следующему сценарию (рис …). По заданному регламенту в него собираются данные из различных источников - баз данных систем оперативной обработки (они же OLTP – Online Transaction Processing). В хранилище поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, обобщаются (агрегируются).
Рисунок 40 Заполнение и использование хранилища данных
Для непосредственной обработки данных из хранилища используют два типа систем поддержки принятия решений:
Средства многомерного анализа — также известные как OLАР (On-Line Analytical Processing – оперативная аналитическая обработка данных) — программное обеспечение, которое дает пользователю возможность наблюдать данные в различных измерениях или сечениях.
Инструментальные средства интеллектуального анализа данных (Data Mining) — программное обеспечение, которое осуществляет автоматический поиск важных зависимостей в данных.
OLAP - это инструмент оперативного анализа данных, содержащихся в хранилище. Данные представляются в виде с многомерных структур данных (многомерных кубов), в которых числовые значения расположены на пересечении нескольких. Каждое числовое значение, содержащееся в кубе, имеет до нескольких десятков измерений (например, количество продаж определенным менеджером в определенном регионе на определенную дату и т.п.). Многомерный OLAP-куб и система соответствующих математических алгоритмов статистической обработки позволяет анализировать данные любой сложности на любых временных интервалах.
Средства многомерного анализа предоставляют гибкие средства навигации по многомерным структурам – так называемые OLAP-манипуляции. С их помощью аналитик может получать различные срезы данных, «крутить» данные. OLAP применим везде, где есть задача анализа многофакторных данных.
Рисунок 41
Имея в своем распоряжении гибкие механизмы манипулирования данными, аналитик сначала рассматривает с разных сторон данные, которые могут быть связаны с решаемой проблемой. Далее он сопоставляет различные показатели бизнеса между собой, стараясь выявить скрытые взаимосвязи; может рассмотреть данные более пристально, детализировав их, например, разложив на составляющие по времени, по регионам или по клиентам, или, наоборот, еще более обобщить представление информации, чтобы убрать отвлекающие подробности. На рис. … показан элементарный OLAP-куб, позволяющий производить оценки данных по трем измерениям.
Data Mining (он же интеллектуальный анализ данных, ИАД) – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей. То есть речь идет о выявлении скрытых закономерностей или взаимосвязей между переменными в больших массивах данных. Английский термин «Data Mining» не имеет однозначного перевода на русский язык (добыча данных, извлечение информации) поэтому в большинстве случаев используется в оригинале. Наиболее удачным непрямым переводом считается термин «интеллектуальный анализ данных» (ИАД).
Большинство методов, используемые в ИАД – это известные математические алгоритмы и методы. Новым в их применении является возможность их использования при решении тех или иных конкретных проблем, обусловленная появившимися возможностями технических и программных средств. Следует отметить, что большинство методов ИАД были разработаны в рамках теории искусственного интеллекта, прежде всего это методы и модели статистического анализа и машинного обучения.
В самом общем виде идею работы ИАД можно выразить так. Для того чтобы сделать прогноз на будущее или выбрать правильное решение, эти системы находят в прошлом близкие аналоги наличной ситуации и выбирают тот же ответ, который был для них правильным.
Можно выделить типичный ряд этапов решения задач методами ИАД:
Формирование гипотезы. Гипотезой в данном случае будем считать предположение о влиянии определенных факторов на исследуемую нами задачу.
Сбор данных.
Подготовка данных (фильтрация).
Выбор модели. (В общем случае описание модели выглядит следующим образом:
Y=f(x1,...,xn,z1,...,zr,w1,...,ws),
где x1,...,xn - независимые переменные, являющиеся внутренними свойствами изучаемого объекта; z1,...,zr - независимые переменные, являющиеся внешними факторами, влияющими на изучаемый объект; w1,...,ws - неучтенные свойства или факторы.
Y - зависимая или целевая переменная.
Подбор параметров модели и алгоритма обучения.
Обучение модели (автоматический поиск остальных параметров модели).
Анализ качества обучения, если неудовлетворительный переход на п. 5 или п. 4.
Анализ выявленных закономерностей, если результат неудовлетворительный переход на п. 1, 4 или 5.
Рисунок 42
Приведем основные задачи, где целесообразно использования Data Mining применительно к промышленному производству:
прогнозирование качества изделия в зависимости от некоторых параметров технологического процесса;
обнаружение скрытых тенденций и закономерностей развития производственных процессов;
прогнозирование закономерностей развития производственных процессов;
обнаружение скрытых факторов влияния;
обнаружение и идентификация ранее неизвестных взаимосвязей между производственными параметрами и факторами влияния;
анализ среды взаимодействия производственных процессов и прогнозирование изменения ее характеристик.