5 Классификация сппр

Для СППР отсутствует не только единое общепринятое определение, но и исчерпывающая классификация. Разные авторы предлагают разные классификации. Рассматриваются следующие виды СППР:

- пассивной СППР называется система, которая помогает процессу принятия решения, но не предлагает, какое решение принять;

- активная СППР может дать предложение, какое решение следует выбрать; 

- кооперативная СППР позволяет ЛПР изменять, пополнять или улучшать решения, предлагаемые системой, посылая затем эти изменения в систему для проверки. Система изменяет, пополняет или улучшает эти решения и посылает их опять пользователю. Процесс продолжается до получения согласованного решения.

На концептуальном уровне различают СППР: 

- управляемые сообщениями (поддерживает группу пользователей, работающих над выполнением общей задачи);

- управляемые данными (поддерживает группу пользователей, работающих над выполнением общей задачи) ;

- управляемые документами (поиск и манипулируют неструктурированной информацией, заданной в различных форматах) ;

- управляемые знаниями (решение задач в виде фактов, правил, процедур);

- управляемые моделями (статистическими, финансовыми, оптимизационными, имитационными модели) [5].

6 Основные функции сппр

В общем случае процесс принятия решения – это циклическая процедура, направленная на разрешение проблем организации и заключающаяся в анализе ситуации, генерации альтернатив, принятии решения и организации его выполнения [6].

При использовании компьютерных систем поддержки принятия решений пользователи получают следующие возможности :

- работать со всеми существующими в организации данными и их временными рядами;

- отбирать только достоверные и имеющие смысл данные;

- трансформировать существующие данные в новые, более тесно связанные по смыслу с целями дела;

- совершать самую разную статистическую обработку больших массивов данных. Это традиционная обработка баз данных. Она подразумевает изначальное знание пользователем структуры базы и конкретных отношений ее таблиц между собой, представляет собой "ручной" подход к анализу данных (иначе — "от пользователя", "сверху вниз"). Такой подход непрактичен в случае большого количества данных или их большой сложности. Например, если имеется таблица со 100 атрибутами и заранее непонятно, какие из них существенны, то даже для несложной задачи надо рассмотреть 100x99 комбинаций атрибутов (если выделены три независимых класса, то уже надо просмотреть 100x99x98 комбинаций и т. д.);

- совершать аналитическую обработку в режиме реального времени. Инструментарий позволяет проводить многомерный анализ данных, основан на очень сложных таблицах многомерных баз данных . Осуществляет одно действие — агрегирует (суммирует) данные по разным категориям (например, время, продукты, представительства, менеджеры и т. п.). Результаты агрегаций хранятся в MDDB (система управления многомерными базами) и их можно просматривать на разных уровнях детализации;

- совершать поиск и обнаружение новой информации. Это обработка данных, когда с ними взаимодействует только алгоритм. Такой способ представляет собой самоорганизующийся подход к анализу (иначе — "от данных", "снизу вверх"). Подход позволяет в автоматизированном режиме проверять большое количество гипотез и вариантов сегментирования баз данных и, как результат, обнаруживать в наборах данных новые отношения, новые структуры и области взаимного влияния. Данные методы берут свое начало от трех направлений науки об искусственном интеллекте: нейронные сети, машинное обучение и генетические алгоритмы;

- составлять самые разные отчеты;

- получать графическую интерпретацию результатов;

- передавать результаты выбранным лицам, используя Интернет [2].