4.3.2 Шққж-дағы мәліметтеді талдау мен сақтау технологиясы

Соңғы жылдары әлемде концепцияның, сақтау технологиясы мен мәліметтер талдаудың жаңа қатары пайда болды:

- Мәліметтер сақтау орны немесе Мәліметтер қоймасы (Data Warehouse);

- Жедел аналитикалық өңдеу (On-Line Analytical Processing, OLAP);

- Мәліметтердің интеллектуалды талдауы - МИТ (Data Mining).

OLAP технологиясы Data Warehouse құрылу технологиясымен және интеллектуалды өңдеу әдістерімен - Data Mining тығыз байланысты. Сондықтан ең жақсы нұсқасы оларды ендіруге кешендік амал болып табылады.

Мәліметтер сақтау орнының концепциясы (Data Warehouse)

Сақтау орны бар мәліметтер басқарылатын шешімдерді қабылдауға қабілетті болу үшін ақпарат аналитикке қажетті формада келтірілуі керек, яғни ол мәлімттер сақтау орынана және олардың өңделуіне дамушы әбзелдерге ие болуы керек.

Мәліметтердің Сақтау орны – заттық бағдарланған, интегрирленген, өзгермейтін, мәліметтер жинағының хронологиясын қолдайтын, басқару қолдауын мақсаты үшін ұйымдастырылған, жедел талдау мен шешім қабылдау үшін қажетті дұрыс ақпаратпен менеджерлер мен аналитиктерді қамтамасыз ететін “бірдей және шындықтың бірдей көзі” рөлін шығаруға арналған.

Мәліметтердің Сақтау орны концепциясы негізіне екі негізгі қойылатын ойлар жатады:

• Бірдей Мәліметтердің Сақтау орнындағы бұрын ажыратылған бөлшектенген мәліметтер (тарихи архивтер, дәстүрлі СОД мәліметтер, сыртқы көздерден мәліметтер) интеграциясы, олардың келісітуі мен агрегация мүмкін.

• Операционды өңдеу үшін және талдаудың тапсырмасын шешуүшін қолданылған мәліметтер жиынтығын бөлу.

Мета мәліметті бірдей анықтама дан басқа, шығару құралдары, мәліметтердің агрегациясы мен келісілуі, Мәліметтердің Сақтау орнының концепциясы бөлімделеді: интегрирлену, өзгерместік, хронология қолдауы мен мәліметтер келісімділігі. Егер екі бірінші қасиет (интегрирлену және өзгермеушілік) мәліметтер талдауының режисміне әсер етсе, онда соңғы екеуі (хронология қолдау мен келісімділігі) шешілетін аналитикалық тапсырмалардың тізімін біріктіреді.

Хронологияның қолдаусыз (тарихи мәліметтердің болуы) болжамдау және тенденция талдауының тапсырмаларын шешу туралы айтуға болмайды. Бірақ мәліметтер келісуімен байланысқан сұрақтар критикалық және ауыртпалы болады екен.

Аналитиктің негізгі талабы жауаптың шындылығы сияқты жеделділік соншалықты маңызды емес. Бірақ шынайылық соңғы себепте келісімдікпен анықталады. Түрлі көздерден мәлеттер мағынасының өзара келсілгені бойынша жұмыс орындалмайынша олардың шынайылығы туралы айту қиынға соғады.

Мәліметтердің Сақтау орнының қысқартылған нұсқасы Мәліметтер витринасы болып табылады (МВ).

Мәліметтер Витринасының концепциясы (Data Mart)

Мәліметтер Витринасы – ақпаратпен құрамдалатын ұйымдастыру қызметінің эжеке аспектілеріне қатысты көптеген тақырыптық БД.

Мәліметтер Витринасык концепциясы жетістіктер қатарына ие:

• Аналитиктер оларға қажетті мәліметтерді ғана көреді және жұмыс істейді;

• Мәліметтер Витринасының тұтас БД соңғы пайдаланушыға максималды жақындатылған;

• Мәліметтер Витринасы алдын ала біріктірілген мәліметтердің тақыбымен құрамдалады, оларды жобалау және реттеу оңай;

• Мәліметтер Витринасын жүзеге асыру үшін жоғары мықты есептік техника талап етілмейді.

Бірақ Мәліметтер Витринасы концепциясы күрделі кемшіліктерге ие. Мұнда аз бақыланатын артықшылықпен таратылған ақпараттық жүйе аумақ бойынша жүзеге асырылуы мүмкін, бірақ тұтастылықты және онда мәліметтер сақталған қайшылық қалай қамтамасыз ету тәсілдері ұсынылмайды.

Сонымен қатар алдыңғы екі концепцияны біріктіруге негізделген және Мәліметтер Витринасы үшін мәліметтердің бірдей интегрирленген көздері ретінде Мәліметтер Сақтау орнында қолданылатын концепция бар.

Нәтижесінде көп деңгейлі шешім алынады:

• Бірінші деңгей — нормаланған немесе әлсіз нормаланағн сұлбамен (бөлшектенген мәлімет) релятационды СУБД негізіндегі жалпы корпоративті БД;

• Екінші деңгей — көп өлшемді СУБД негізінде (біріктірілген мәлімет) жүзеге асырылған бөлімшілер деңгейі (немесе соңғы пайдаланушының) БД;

• Үшінші деңгей — аналитикалық әбзел қойылған соңғы пайдаланушылардың жұмыс орны;

• Толық орындап және әрбір амалдың жетістігін қолдана отырып біртіндеп де-факто стандарты болады:

• Бөлшектелген мәліметтер мен реляционды СУБД қамтамасыз етілетін өте үлкен БД қолдауын кешендік сақтау;

• Көп өлшемді СУБД қамтамасыз етілетін біріктірілген мәліметтермен жұмысы кезінде дыбыс беру уақыты мен реттеуінің қарапайымдылығы.

Орталық жалпы корпоративті БД қолданылған мәліметтердің келтірілудің реляционды формасы мәліметтерді сақтаудың шағын тәсілін қамтамасыз етеді. Ал қазіргі заманғы реляционды тіпті терабайтты базалармен жұмыс істей алады. Мұндай орталықты жүйе әдетте инденсакция мен мәліметтер сақтаудың жаңа тәсілдерін ұолдану кезінде аналитикалық сұраныстарын өңдеудің жедел режимін қамтамасыз ете алмайды, сонымен қатар кестелердің денормалануын, аладын ала регламенттелген сұраныстардың өңделу уақыты (осы ретінде көп өлшемді БД-ға мәліметтердің шығарылуының регламенттелген процедурасын қарастыруға болады) орынды болып табылады. Сөйтіп берілген торапта жиі сұранылатын мәліметтер ғана тұрақты негізде сақталуына мүмкіндігі бар.

Басқалар үшін тек құрылысының сиапты және орталық БД-дан оларды шығару бағдарламасы сақталады. Мұндай виртуалды мәліметтерге біріншілік үндеу кезінде дыбыс беру уақыты жеткілікті ұзақ болуы мүмкін, мұндай шешім жоғары икемділікті қамтамасыз етеді және аса арзан аппаратты құралдарды талап етеді.

Мәліметтердің жедел аналитикалық өңделуі (OLAP)

Шешімді қабылдау үрдісінде пайдаланушы кейбір гипотезаларды генерирлейді. Гипотезелардың тексерілуі талданатын заттық аймақ туралы ақпарат негізінде жүзеге асырылады. Ереже бойынша мұндай ақпараттың келтірілуінің ыңғайлы тәсілі кейбір параметрлер арасындағы тәуеділік болып табылады.

OLAP-жүйесінің негізгі арналуы – аналитикалық қызметтің, пайдаланушы-аналитиктердің өндіруші сұраныстарын қолдау. OLAP-талдаудың мақсаты – пайда болатын ипотезалардың тексерілуі.

OLAP (On-Line Analytical Processing) концепциясы негізінде мәліметтердің көп өлшемді берудің принципі жатады. OLAP – шешім қабылдау үрдістерінің қолдау мақсатында көп өлшемді мәліметтерді талдау, сақтау және жинау үшін құралдар және пайдалынылатын әдістер мәліметтердің жедел аналитикалық өңдеу технологиясы.

Көп өлшемді концептуалды келтіру (multi-dimensional conceptual view) бірнеше тәуелсіз өлшеулерден тұратын мәліметтердің нақтыланған жиынтығы талданған көптеген жетістіктерге ие. Бірнеше өлшем бойынша бір уақытты талдау көп өлшемді талдау сияқты анықталады. Әрбір өлшеу жалпының кезекті деңгейінен тұратын мәліметтер консолидация бағытын қосады, әрбір тұрған деңгей сәйкес өлшеулер бойынша мәліметтер біріктірілуінің дәрежесімен сәйкес.

Мәліметтердің интеллектуалды талдауы (Data Mining)

OLAP-жүйелер мәліметтерді талдау кезінде ипотезаларды тексеру құралын аналитикке береді, яғни аналитиктің негізгі тапсырмасы өз білімі мен тәжірибесіне негізделіп оны ол шешетін гипотеза генерациясы болып табылады.

«Жасырын» білімді ашу үшін автоматикалық талдаудың арнайы әдісі қолданылады – Мәліметтер табысы (Data Mining) (МТ).

Data Mining мақсаты мәліметтер жиынында заңдылықтар мен жасырын ережелерді шығарудан тұрады. Адамның санасы өзінен өзі әр түрлі ақпараттың үлкен массивтерін қабылдауға жетпейді. Адам сонымен қатар тіпті үлкен іріктемеде де екі-үш жоғары өзара байланыстарды қабылдауға қабілетті емес. Мәліметтер талдауның негізгі әбзелдері рөлінде ұзақ уақыт бойы болған дәстүрлі математикалық статистика күрделі өмірден тапсырмаларды шешу кезінде беріледі. Ол жалған шамалар (аурахана бойынша пациенттердің орташа температурасы, көшедегі үйлердің орташа биіктігі сияқты) болып табылатын іріктемелердің орташаланған сипаттамаларымен оталанады. Сондықтан математикалық статистиканың әдістері алдын ала формаланған гипотезаларды (verification-driven data mining) тексеру үшін басты шолумен пайдалы болады.

МТ базалы әдістеріне алдымен асып кетуде негізделген алгоритмдер мен статистика теорисын қолданатын амалдарды жатқызу керек.

Мәліметтерде жасырын білімдерді табу үшін МТ әдістерін қолдану жеткіліксіз, бірақ бұл кезең интеллектуалды талдау үрдісінде негізгі болып табылады.

МТ барлық үрдісі бірнеше кезеңдерден тұрады:

а) талдау тапсырмасының түсінілуі және формулировкасы. Бұл кезеңде МТ әдістерімен жетілген мақсаттарды анықтау және қойылған тапсырманы ұғыну болады. Мәнді дәрежеде әдістерге жету үшін таңдалған және дұрыс формаланған мақсаттар барлық үрдістің тиімділігін анықтайды;

б) автоматталған талдау үшін мәліметтер дайындығы, яғни МТ нақты таңдалған әдістерін қолдану үшін жарамды формаға мәліметтерді келтіру;

в) МТ әдістерін қолдану мен үлгілерді құру. Қолдану сценарийі түрліше болуы мүмкін және түрлі әдістердің күрделі комбинациясын қосады, әсіресе егер қолданылатын әдістер түрлі көзқарастармен мәліметтерді талдауға болады;

г) құрылған үлгілерді тексеру; құрылған үлгінің адекваттылығы туралы айтуға болады;

д) шешім қабылдау, алынған ережелерді қосу үшін оларды қолдану мақсатымен адаммен үлгілердің интерпретациясы.

Мәліметтердің интеллектуалды талдауының жүйесі

Барлық белгілі статистикалық пакеттердің соңғы нұсқалары дәстүрлі статискалық әдістерімен Data Mining элементтері сияқты негізгі көңіл классикалық әдістерге — корреляционды, регрессионды, факторлы талдау мен басқаларға қосады. Бұл кластың жүйенің кемшілігі пайдаланушының арнайы дайындығына талаптар болып табылады. Сонымен қатар мықты қазіргі заманғы статистикалық пакеттер массалы қолдану үшін «ауыр салмақты» болып табылады.

Data Mining олардың қолданылуын шектейтін статистикалық пакеттің тағы күрделі принципиалды кемшілігі бар. Пакеттер құрамына кіретін әдістердің көпшілігі статистикалық парадигмаға сүйенеді. Ал осы сипаттамалар күрделі өмірлік феномендерді зерттеу кезінде жалғңан шамалар болып табылады.

Нейронды желілер — нейрондардан жүйкелі тканьді құруды имитирлеуге архитектура жүйесінің үлкен класы. Ең көп таралған архитектураның бірі көп қабатты перцептронда қайтпалы таралған қателермен иерархиялық желі құрамында нейрондар жұмысы эмулирлейді, ең жоғары деңгейдің әрбір нейроны төмен жатқан қабаттың кіру шығу нейрондарымен байланысқан. Ең төмені қабаттың нейронына кіруші параметр мәндері беріледі, қандай да шешім қабылдайтын негізінде. Бұл мәндер нейрон арасынжа жазылған сандық мәндерге (салмаққа) байланысты күшейетін немесе әлсізденетін жоғары жатқан қабатта берілетін сигналдар ретінде қарастырылады. Ең жоғары қабаттан нейронның шығуы нәтижесінде кіруші параметрлердің мәндері енгізілген барлық желіге реакция жауап ретінде қарастырылатын кейбір мәндер жасалады. Желіні ары қарай қолдану үшін оны ең алдымен кіруші параметр мәндері мен оларға дұрыс жауаптарының белгілі болған алынған бұрын мәліметтерді «жаттықтыру» керек. Бұл жаттықтыру (оқу) белгілі дұрыс жауаптарға желілер жауаптарының жағындығын қамтамасыз ететін нейрондар арасындағы байланыстар салмағын таңдаудан тұрады.

Аналогтық жағдайдың негізінде ойлау жүйелерінің (case based reasoning — CBR) идеясы (case based reasoning — CBR) алғашқы көзқараста қарапайым. Болашақ болжам немесе дұрыс шешім таңдау үшін бұл жүйелер өткенде жеке жағдайдың жақын аналогын табадыжәне оларға дұрыс болған жауапты таңдайды. Сондықтан бұл әдісті «жақын көрші» әдісі (nearest neighbour) деп те атайды".

CBR жүйелері әр түрлі тапсырмаларда өте жақсы нәтижелерді көрсетеді. Олардың басты минусы деп олар алдыңғы тәжірибені жалпыылайтын ереже немесе кез келген үлгілерді құра алмайтынын есептейді, - шешу кезінде олар жеткілікті тарихи мәліметтердің барлық массивінде қамтылады, сондықтан CBR жүйелер қандай факторлар негізінде өзінің жауаптарын құратынын айту мүмкін емес. Басқа кемшілігі CBR жүйелері «жақын» шарасын таңдау кезінде жіберетін озбырлық болып табылады. Осы шарадан ең шешуші шолумен қанағаттандырарлық классификация мен болжамға жету үшін есте сақтауға қажетті көптеген прецеденттер көлеміне байланысты.

Шешім ағашы (decision trees) Data Mining тапсырмаларын шешуге атақты амалдарды бірі болып табылады. Олар ағаш түрінде болатын (бұл ботаниктер немесе зоолог түрлерінен анықтаушыға ұқсас) "ЕГЕР... ОНДА..." типті класталатын ережелердің иерархиялық құрылысын құрайды. Кейбір объект немесе жағадайды қандай класқа жатқызуға болатынын шешу үшін осы ағаштың түйінінде тұрған тамырынан бастап отыра сұрақтарға жауап беру керек. Сұрақтар "A параметрінің мәні x-тан үлкен бе?" деген түрінде болады. Егер жауап оңтайлы болса, онда келесі деңгейдің оң түйініне өтуі жүзеге асырылады, егер кері — онда сол түйінге; кейін қайтадан сәйкесінше түйінмен байланысқан сұрақ келтіріледі.

Data Mining —генетикалық алгоритмдерді қолдану аймағы негізделмейді. Оларды түрлі комбинаторлық тапсырмалар мен оңтайландыру тапсырмаларын шешудің мықты құралы ретінде қарастырған жөн. Генетикалық алгоритмдер қазір Data Mining тәсілдердің стандартты жабдығына өтті, сондықтан олар берілген шолуға қосылған.

Генетикалық алгоритмдер кемшіліктер қатарына ие. Хромосома таңдау критерийі және процедураның өзі эвристикалық болып табылады және «жақсы» шешімді табуға кепілдік бермейді. Өмірде де эволюцияны кез келген өнімдік тармақта «сыналану» болуы мүмкін. Керісінше, мысал келтіруге болады, эволюциядан генетикалық алгоритммен шығарылатын екі келешексіз ата-ана жоғары тиімді ұрпақты әкелуге қабілетті болып шығады. Бұл әсіресе күрделі ішкі байланыстармен жоғары өлшемді тапсырмаларды шешу кезінде белгілі болады.

Шектелген асып кетудің алгоритмдері мәліметтерде логикалық заңдылықтарды іздеу үшін ұсынылды. Содан бері олар түрлі салалардан көптеген тапсырмаларды шешу кезінде өзінің тиімділігін көрсеткен.

Бұл алгоритмдер мәліметтер топтарныда қарапайым логикалық оқиғалардың комбинация жиілігін есептейді. Қарапайым логикалық оқиғалардың мысалдары: X = a; X < a; X > a; a < X < b және басқалар, мұндағы X — кез келген параметр, a және b — константалар. Шектеулер қарапайым логикалық оқиғалардың комбинация ұзындығы атқарады. Есептелген жиіліктерді талдау негізінде мәліметтерде ассоциация қойылуы, классификация және болжамдалу үшін сол және басқа комбинацияның пайдалылығы туралы қорытынды жасалады .

Бұл жолдың өте жарық қазiргi өкiлi WizSoft кәсiпорынының WizWhy жүйесi болып табылады. Абрахам Мейдан жүйенiң авторы WizWhyнiң жұмысының негiзгі тиiстi алгоритмды ерекшелiгін ашпайтындығымен ,жүйенiң мұқият тестілеудiң нәтижелерi бойынша бұл жерде шектелген (нәтижелер, талданатын параметрлердiң санынан олардың алуын уақыттың тәуелдiлiктерi зерттелдi тағы басқалар) асып кету бар болуы туралы тұжырымдалды. WizWhy авторы оның жүйесi барлық логикалық ережелер IF.... ашатынын айтады THEN мәлiметтерде. Екiбастан, дәл осылай емес бұл негiзiнен. Бiрiншiден, IF.... THEN ережедегi комбинацияның максимал ұзындығы WizWhy жүйесiнде 6 тең, және, екiншiден басталған жұмыс алгоритмдарымен барлық ары қарай талдауды іске асыратын логикалық оқиғалардың бос тұруларының эвристикалық iздестiру өндiрiп алады. WizWhyнiң бұл ерекшелiгi түсiнгеннен кеиін, ең оңай тест есебiн ұсынды, оны жүйе тiптi шеше алмады. Басқа момент – жүйе тек қана мәлiметтердiң кiшi-гiрiм өлшемi үшiн( 20 аспайтын) ойдағыдай уақытта шешiм бередi. Әйтсе де, WizWhy жүйесі бүгiнгi күнге Data Mining өнiмдерiнің жетекшiлернiң бiрі болып табылады. . Бұл негiзден айырылмаған. Жүйе жаттығу есептерiнiң шешуде барлық өңзе алгоритмға қарағанда үнемi биiгiрек көрсеткiштер көрсетедi.

Сонымен, мәлiметтердiң зияткерлiк талдауының жаңа компъютерлік технологиялары болып сарапшылық және зияткерлiк жүйелер, жасанды ақыл, бiлiм базасының әдiстерi, деректер қоры, нейрон желiлерi, айқын емес жүйелер болып табылады. МЗТ-нің қазiргi технологиялары бүркеме заңдылықтар айқындай, жүйелердiң келешек күйiн болжау арқылы жаңа бiлiмдердi құруға мүмкiндiк бередi. Әлеуметтiк-экономикалық дамытуды тиiмдi моделдеу әдiстерi эксперименталдi жол көмегiмен жүйенi зерттеуге мүмкiндiк беретін имитациялық пiшiндеу әдiсі болып табылады. Бұл үлгiлерде дамытудың әр түрлi стратегиялары қарастырылып, екiнiң бiрi салыстырылып, көп факторлардың ықпалын ескеруге мүмкiндiк бередi, соның iшiнде екiұштылықтың элементтерiмен қоса.

ШҚҚЖ құрастыруда қосатын нұсқаушы, нормативтiк, жоспарлы, есептiк - есеп беру, әлеуметтiк және басқада мәлiмет көздерiн есепке алу керек.

ШҚҚЖ-ның табысты жұмыс жасауының негiзі болып сенiмдi мәлiметтiң барынша кең және толық спектрлі, тарихи және талдау есептерi үшiн iрiктеудi ықшамдауға мүмкiндiк беретiн агрегатталған мәлiметтердi қоса сақтауды қамтамасыз ететін интеграцияланған деректер қорының бар болуы болып табылады.

Қатыстырылатын қаржы тағы басқа қорларын өлшемін есепке ала, ШҚҚЖ жүйелерін құрастыру жобаларының күрделiлiгі және көп сатылылығы жобалау қателiктерiнiң құнының биiк екенін көрсетеді. Программалық қамтамасыз етудi таңдаудың қателіктерi қаржы шығындарымен қоса жобаның орындау уақытының үлкеюне алып келеді. Мәлiметтер құрылымының жобалау қателiктерi қолайсыз өндiрiстiк мiнездемелерге, бiрнеше тәуліктерге кейде жететiн мәлiметтердiң қайта тиеуiне кететін уақыт шығынына алып келуі мүмкін. Мәлiметтер қоймаларының архитектурасын терең түсiне отырып ШҚҚЖ-ның енгiзуiнен максималды серпуiн, жобаның орындау уақытының түбегейлi қысқаруы және алу мүмкiндiгiне әкелiп соғатын әр түрлi қателерден бой жасыру кер Мамандандырылған ШҚҚЖ-ның жасалынуы ғарыш саласының стратегиялық жоспарлау және басқару мақсаттарын шешу жолында көмегі орасан мол .

ШҚҚЖ негiзгi мақсаты ақпараттық қоймаларды жасау, индикаторлар және көрсеткiштік жүйенi дамыту, олардың әдiстемелерiн өңдеу арқылы ғарыштық қызметтiң жеке бағыттарын басқару бойынша стратегиялық шешiмдердiң қабылдануы үшiн көкейкестi және мағыналы мәлiметтiң беруiн тағайындау болып табылады.

ШҚҚЖ аналитиктерге мәлiметтерге терең талдауды орындауы үшiн аспап тағайындайды. Жүйе дұрыс шешiмдердi қабылдауды орындамайды, тек қана зерттеу және талдау үшiн тиiстi түрдегi мәлiметтерді аналитикке ұсынады, тап сондықтан мұндай жүйелер шешiм қабылдауды қолдау функцияларының қызметін атқарады.

Толық функционалды автоматты ШҚҚЖ-ны жасау күрделi және ұзақ процесс болып табылады. ШҚҚЖ тұжырымдамасы құрылған жүйенiң функционалдық және өнiмдiлiгiнiң анықтайтын фактор болып табылады.

Сондықтан тұжырымдама қазiргi заманғы әдiстерге негiзделіп , әлемнің жетекші серiктестiктерiнiң алдынғы шешiмдерiне бағытталуы керек. ШҚҚЖ жасау келесi кезеңдерден тұрады:

• талдау ;

- глобалдi жобалау (жүйенiң архитектурасының жобалауы )

• толыққанды жобалау және iске асыру (программалау)

Жұмыстың маңыздылығы ғарыш саласының автоматты ШҚҚЖ қағидасын жасау, басқарушылық шешiмдердi қабылдануды қолдайтын қазiргi қуатты ,ыңғайлы болатын ақпараттық жүйенiң жасалуына алғашқы қадам болып табылғандығында.

ШҚҚЖ-ның табысты жұмыс жасауының негiзі болып сенiмдi мәлiметтiң барынша кең және толық спектрлі, тарихи және талдау есептерi үшiн iрiктеудi ықшамдауға мүмкiндiк беретiн агрегатталған мәлiметтердi қоса сақтауды қамтамасыз ететін интеграцияланған деректер қорының бар болуы болып табылады.

ШҚҚЖ жүйелерін құрастыру үшiн программалық қамтамасыз ету өндiрiсінде танылған жетекшi бүгiнгi күнге табылмай тұр. Серiктестiктердiң ешқайсысы дайын шешiм шығарып бере алмайды, тапсырма берушiнiң өндiрiстiк процессiне жарамды ,тiкелей қолдануға болатын.

Әр түрлi он шақты фирмалардың өнiмдерi, ШҚҚЖ жобалау және жүйелердi пайдалану барысында пайда болатын қиыншылықтарды шешуге қабiлеттi . Мұнда кiредi- ДҚБЖ, мәлiметтердiң түсіріліс/ауысу /жүктелу құралы, OLAP талдау үшiн аспаптар және де басқа. Нарықты дербес талдау немесе мұндай құралдардың ең болмаса бiрнешесін зерттеу – күрделі және ұзақ тірлік.

Қатыстырылатын қаржы тағы басқа қорларын өлшемін есепке ала, ШҚҚЖ жүйелерін құрастыру жобаларының күрделiлiгі және көп сатылылығы жобалау қателiктерiнiң құнының биiк екенін көрсетеді. Программалық қамтамасыз етудi таңдаудың қателіктерi қаржы шығындарымен қоса жобаның орындау уақытының үлкеюне алып келеді. Мәлiметтер құрылымының жобалау қателiктерi қолайсыз өндiрiстiк мiнездемелерге, бiрнеше тәуліктерге кейде жететiн мәлiметтердiң қайта тиеуiне кететін уақыт шығынына алып келуі мүмкін. Мәлiметтер құрылымының жобалау қателiктерi қолайсыз өндiрiстiк мiнездемелерге, бiрнеше тәуліктерге кейде жететiн мәлiметтердiң қайта тиеуiне кететін уақыт шығынына алып келуі мүмкін.

Мәлiметтер қоймаларының архитектурасын терең түсiне отырып ШҚҚЖ-ның енгiзуiнен максималды серпуiн, жобаның орындау уақытының түбегейлi қысқаруы және алу мүмкiндiгiне әкелiп соғатын әр түрлi қателерден бой жасыру керек .

Қолданылған әдебиеттер

1. Корнеев И.К., Машурцев В.А. Информационные технологии в управлении. – М.: ИНФРА-М, 2001. – 158 с.

2. Хрусталев Е.Ю. Проблемы организации и управления в наукоемких отраслях экономики России // Менеджмент в России и за рубежом, №1, 2001.

3. Балдин К.В. Управленческие решения: теория и технология принятия. Учебник / К.В. Балдин, С.Н. Воробьев. - М.: Проект, 2004. - 496 с.

4. Ларичев О.И. Теория и методы принятия решений: учебник / О.И. Ларичев. - М.: Логос, 2002. – 392 c.

5. Little I.D.C. Models and Managers: The Concept of a Decision Calculus // Management Science, 1970. - v. 16. – N 8.

6. Power D. J. Web-based and model-driven decision support systems: concepts and issues. Americas Conference on Information Systems, Long Beach, California, 2000.

7. Edwards J.S. Expert Systems in Management and Administration - Are they really different from Decision Support Systems? // European Journal of Operational Research, 1992. - Vol. 61. - pp. 114-121.

8. Ginzberg M.I., Stohr E.A. Decision Support Systems: Issues and Perspectives // Processes and Tools for Decision Support / ed. by H.G. Sol, Amsterdam, North-Holland Pub I.Co, 1983.

9. Keen P.G.W. Decision Support Systems: The next decades // Decision Support Systems, 1987. – v. 3. - pp. 253-265.

10. Klein M.R. Progress and challenges in the application of Decision Support Systems to management. //Proceedings of the IFIP 13 th World Computer Congress, Hamburg, Germany, v.3 North - Holland, 1994

11. Баранов В.В. Процессы принятия управляющих решений, мотивированных интересами / В.В. Баранов. – М.: ФИЗМАТЛИТ, 2005. – 296 с.

12. Литвак Б.Г. Экспертные технологии в управлении / Б.Г. Л итвак. - М.: Дело, 2004. - 398 с.

13. Панов А.В. Разработка управленческих решений: информационные технологии / А.В. Панов. - М.: Горячая линия – Телеком , 2004. – 258 с.

14. Рапопорт Б.М. Оптимизация управленческих решений / Б.М . Рапопорт. – М.: ТЕИС, 2001. - 264 с.

15. Саати Т . Принятие решений. Метод анализа иерархий / Т . Саати. - М.: Радио и связь, 1993. – 356 с.

16. Спицнадель В.Н. Теория и практика принятия оптимальных решений / В.Н. Спицнадель. - СПб.: Бизнес – пресса, 2000. – 258 с.

17. Логинов Г.В., Попов Е.В. Матричные методы стратегического планирования деятельности компании// Маркетинг в России и за рубежом, №2, 2004