- •Тема 7. Информационные технологии поддержки принятия решений
- •Знания как основной ресурс менеджмента
- •Если раньше стоимость компаний составляли финансовый капитал, здания, оборудование и другие материальные ценности,
- •Управление знаниями предполагает широкое использование следующих информационных технологий:
- •Системы поддержки принятия решений
- •Современная компания с разветвленным бизнесом, как правило, имеет:
- •Задачи СППР
- •Основные компоненты системы поддержки принятия
- •Примеры социальных и экономических проблем, требующих анализа данных
- •1.Опросы населения
- •2.Общественная безопасность
- •3.Образование
- •4.Трудоустройство
- •5.Анализ прибыли
- •6.Здравоохранение
- •7.Стратегическое планирование
- •8. Контроль качества продукции
- •9.Бизнес
- •9.Бизнес (продолжение)
- •Современные методы добычи знаний:
- •Хранилища данных
- •Зачем строить хранилища данных - ведь они содержат заведомо избыточную информацию, которая и
- •Технология OLAP – это инструмент оперативного анализа данных, содержащихся в хранилище.
- •Обнаружение знаний в базах данных
- •Основные направления углубленного анализа данных (KDD)
- •Интеллектуальные системы компьютерного анализа данных могут основываться на двух подходах:
- •Экспертные системы
- •Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система
- •Более перспективен второй подход, который основан на анализе данных с помощью статистических пакетов
- •Поиск ассоциативных правил
- •Ассоциативным правилом называется правило «если X, то Y»
- •Транзакцией называется некоторая последовательность действий, представляющих единое целое, например покупка человеком товаров в
- •Задача нахождения ассоциативных правил разбивается на две подзадачи:
- •Классификация данных и извлечение правил из данных. «Дерево решений» как пример экспертной системы
- •У каждого клиента 6 параметров (переменных)
- •Эти данные – результат исследований, направленных на выяснение характеристик клиентов, позволяющих выяснить, какие
- •Пояснения после решения примера
- •Можно сохранить обученное дерево решений и применять сохранённый алгоритм для предсказания кредитного рейтинга
- •Дискриминантный анализ
- •Метод может применяться во всех случаях, когда на основании уже имеющейся информации, требуется
- •Графическая интерпретация
- •Далее вычисляются координаты центров этих множеств (координаты центроидов групп – по терминологии дискриминантного
- •Через центроиды проводится прямая (синяя), а через точку, находящуюся на равном расстоянии от
- •Таким образом, обучающая выборка позволяет построить новую систему координат (синяя и фиолетовая линии),
- •У каждого клиента 6 параметров (переменных)
- •Снова все данные разобьём на обучающую выборку (70%) и тестовую (30%) с помощью
- •Переменные, не включенные в анализ.
- •Пояснения после решения примера
- •SPSS и PASW
- •1.Манипуляция данными, импорт, экспорт файлов с сохранением в различных форматах.
- •Как представлять данные для анализа? (типы статистических шкал в PASW)
- •Номинативная (категориальная) шкала является самым «низким» уровнем измерения. В этом случае числовое значение
- •Ясно, что переменные, измеренные в этой шкале, нельзя подвергать никаким арифметическим, алгебраическим или
- •Порядковая шкала применяется, если переменная выражает степень проявления какого либо свойства, и ее
- •Интервальная шкала предполагает, что можно определить не только порядок значений, но и расстояние
- •Шкала отношений.
- •Кластерный анализ
- •Кластерный анализ ставит перед собой задачу классификации объектов.
- •Кластерный анализ рационально использовать на ранних стадиях исследования, когда о данных мало что
- •Виды кластерного анализа (реализованы в PASW)
- •Пусть, например, необходимо выделить К кластеров.
- •Начальные центры кластеров
- •Анализ результатов примера
- •Иерархический кластерный анализ.
- •Простой пример для иллюстрации алгоритма
- •На последнем шаге в кластер будет включен четвертый объект, имеющий наименьшее расстояние до
- •Алгоритм иерархического кластерного анализа, реализованный в PASW, очень похож на описанный выше. Шкала
- •Факторный анализ
- •Факторный анализ это процедура, с помощью которой большое число переменных, характеризующих имеющиеся наблюдения,
- •Алгоритм факторного анализа несложен, но описывается громоздкими математическими выражениями, поэтому ограничимся простейшим примером,
- •Видно, что есть определённая закономерность в расположении точек (между ценой автомобиля и ресурсом
- •Отыскание такой новой системы координат и нахождение взаимосвязи «новых» координат f1 f2 (называемых
- •Простой пример (не следует рассматривать всерьез в содержательном аспекте)
- •Вопрос: нельзя ли передать смысл ответов респондентов меньшим числом переменных?
- •Регрессионный анализ и прогнозирование
- •Задачей регрессионного анализа является построение математической модели взаимосвязи явлений на основе имеющихся данных
- •Регрессионные модели – это модели взаимосвязи, сформулированные в виде функциональной зависимости результативной (зависимой)
- •Рост, xi
- •Будем считать вес – результативной переменной, а рост – факторной
- •На первом шаге регрессионного анализа исследователь должен выбрать вид зависимости между факторным и
- •После выбора вида зависимости можно начать регрессионный анализ.
- •Математически критерий «максимальной близости» прямой к наблюдаемым значениям yi , - это минимальность
- •Основные результаты регрессионного анализа рассмотренного примера:
- •Расчеты статистической значимости в регрессионном анализе базируются на обычных статистических процедурах «проверки гипотез».
- •Добавим в рассматриваемый пример еще одну переменную предиктор – возраст. Это соответствует предположению,
- •Можно сделать вывод о том, что по наблюдаемым данным вес не зависит от
- •Логистическая регрессия
- •Рассмотрим наиболее простой случай – случай бинарной
- •Выявление взаимосвязи явлений Корреляционный анализ
- •В задачах корреляционного анализа требуется установить наличие взаимосвязи между изучаемыми явлениями (вычислить коэффициент
- •Пример вычисления коэффициента корреляции по Пирсону
- •Таблицы сопряжённости и критерий 2
- •Число респондентов выбравших вариант ответа
- •В «переводе» на язык статистики задача выглядит так: есть две переменные:
- •Критерии хи-квадрат
- •Построение экспертных систем на основе нейронных сетей
- •Задачи анализа данных, решаемые с помощью
- •Нейронные сети как средство анализа данных
- •Элементарным преобразователем данных в нейронных сетях является нейрон, названный так по аналогии с
- •Схема «биологического» нейрона
- •Схема формального нейрона
- •Если на входе сигналы: x1, x2… xn, то
- •Классификация нейронных сетей
- •Слои в нейронных сетях
- •«Обучение» нейронной сети.
- •В классическом алгоритме подстройка весов синапсов происходит после предъявления нейронной сети каждого примера
- •Для того чтобы сеть могла анализировать данные, она должна иметь достаточный уровень сложности.
- •Такое приближенное определение числа нейронов еще не гарантирует хорошие прогностические качества нейронной сети.
- •Пример задачи прогнозирования
- •Обучение без учителя
Тема 7. Информационные технологии поддержки принятия решений
2012
1
Знания как основной ресурс менеджмента
Управление знаниями (Knowledge Management, KM) – новая и быстро развивающаяся область практической деятельности, целью которой является систематизация работы с интеллектуальными ресурсами (активами) и накопленным опытом.
В силу своей нематериальности интеллектуальные ресурсы (имя компании - имидж, торговые марки - бренды, клиентская база, корпоративная культура, интеллектуальный капитал - знания и т.д.) могут показаться невесомыми, однако именно они являются реальными рычагами, обеспечивающими конкурентные преимущества предприятия перед другими.
2
Если раньше стоимость компаний составляли финансовый капитал, здания, оборудование и другие материальные ценности, то в новой, постиндустриальной эпохе главным источником богатства становится интеллектуальный капитал (систематизированные и уникальные знания).
Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.
3
Управление знаниями предполагает широкое использование следующих информационных технологий:
баз данных и хранилищ данных (Data Warehousing – DW);
систем управления документооборотом (Document Management);
средств для организации совместной работы – сети Intranet,
систем бизнес аналитики, специализированных программ обработки данных и поиска скрытых закономерностей (Data Mining – DM);
экспертных систем и баз знаний.
Весь этот комплекс информационных технологий можно назвать
системой поддержки принятия решений
4
Системы поддержки принятия решений
В 1980-е годы американские и японские компании начали развивать новые информационные системы. Целью их было помочь конечным пользователям работать со всеми типами данных, проводить аналитические исследования, строить модели и разыгрывать сценарии для решения слабоструктурированных и вообще неструктурированных проблем в инновационных проектах.
Системы, предоставляющие такие возможности, и были названы системами поддержки принятия решений - СППР (Decision Support System - DSS).
5
Современная компания с разветвленным бизнесом, как правило, имеет:
1.системы поддержки деятельности руководителя (Executive Support Systems - ESS) на стратегическом уровне;
2.управляющие информационные системы (Management Information Systems - MIS) и системы поддержки принятия решений (Decision Support Systems - DSS) на среднем управленческом уровне;
3.рабочие системы знания (Knowledge Work System - KWS) и системы автоматизации делопроизводства (Office Automation Systems - OAS) на уровне знаний;
4.системы диалоговой обработки транзакций (Transaction Processing Systems - TPS) на эксплуатационном уровне.
6
Задачи СППР
1.Анализ обстановки (ситуаций).
2.Генерация возможных управленческих решений (сценарий действия).
3.Оценка сгенерированных сценариев (действий, решений) и выбор лучшего.
4.Обеспечение постоянного обмена информацией об обстановке и принимаемых решениях. Согласование групповых решений.
5.Моделирование принимаемых решения (в тех случаях, когда это возможно).
6.Компьютерный анализ возможных последствий принимаемых решений.
7.Сбор данных о результатах реализации принятых решений и оценка результатов.
7
Основные компоненты системы поддержки принятия
решения
8
Примеры социальных и экономических проблем, требующих анализа данных
9
1.Опросы населения
Мониторинг общественного мнения и анализ социально- экономической ситуации. Анализ данных нужен для выяснения ситуации в регионе и определения проблемных сфер.
Анализ реакции населения на внедрение различных федеральных и региональных программ. Возможность корректировки программ для повышения их эффективности.
Анализ экономического положения и уровня жизни населения.
10