Системы УИС и СППР

Одни из самых ранних приложений для поддержки принятие управленческих решений — управленческие информационные системы {УИС), рассмотренные в гл. 2.

Обычно система УИС предоставляет информацию о показателях деятельности фирмы, помогающую менеджерам в мониторинге и управлении бизнесом. Они генерируют фиксированные, запланированные регулярные сообщения, основан­ные на данных, извлеченных и полученных в итоге из основных систем обработ­ки транзакций (СОТ) (transaction processing systems, TPS) организации. Формат этих сообщений часто определяется заранее. Типичное сообщение УИС может включать итоговую сводку ежемесячного товарооборота каждой из основных тер­риторий сбыта компании. Иногда сообщения УИС являются уведомлениями об исключительных ситуациях, выдвигая на первый план только особые условия, например если квоты продаж для определенной территории упали ниже ожидае­мого уровня или некоторые служащие превысили свой предел расходов по про­грамме страховой медицины. Традиционные УИС порождают в основном бумаж­ные сообщения. В настоящее время эти сообщения доступны в интерактивном режиме через интранет-сеть, а большинство сообщений УИС сгенерировано по требованию. В табл. 13.1 приведены некоторые примеры приложений УИС.

Системы СППР предоставляют ряд новых возможностей для необычных ре­шений и пользовательского контроля. Системы УИС снабжают менеджеров со­общениями, основанными на обычных потоках данных, и помогают в контроле над всей организацией, а СППР придает особое значение изменениям, гибкости и быстрому отклику. В СППР заложено меньше средств для обеспечения связи пользователей со структурированными потоками информации и соответственно сделан больший акцент на моделях, предположениях, специально созданных за­просах и иллюстративных графиках.

В гл. 3 показано различие между структурированными, слабоструктурирован­ными и неструктурированными решениями. Структурированные проблемы име­ют повторяющийся и однообразный характер, а также известные алгоритмы по­лучения решения. Неструктурированные проблемы новы и нестандартны, для них не существует каких-либо алгоритмов решения. Можно обдумывать, решать и размышлять о неструктурированных проблемах, но они не решаются с помощью

Таблица 13.1 Примеры УИС-приложений

Организация УИС-приложение

California Приложение Inventory Express «помнит» образцы заказов каждого

Pizza Kitchen ресторана и сравнивает количество ингредиентов, используемых в блюдах из меню, с установленными администрацией размерами порций. Система идентифицирует рестораны с неправильными порциями и уведомляет их администрацию о том, что нужно откорректировать

PharMark Экстрасеть УИС идентифицирует пациентов по наборам используемых

ими препаратов, ассоциируя их с рисками неблагоприятных последствий

Black & Veatch Интранет-сеть УИС отслеживает затраты на строительство различных проектов в США

Taco Bell Система ТАСО (Total Automation of Company Operations) предоставляет

информацию о стоимости питания, затратах на рабочую силу и попериод-ных (ежедневных, еженедельных, ежемесячных и т. д.) затратах для каждого ресторана

формул. Слабоструктурированные проблемы — это что-то среднее между струк­турированными и неструктурированными проблемами. В то время как УИС на­целены на решение структурированных проблем, СППР поддерживают анализ слабоструктурированных и неструктурированных проблем. В гл. 3 также дано описание принятия решения по Саймону, состоящее из четырех этапов: осмыс­ление, планирование, выбор и исполнение. СППР предназначены помогать гене­рировать и оценивать альтернативы и отслеживать процессы внедрения и при­менения.

Типы систем поддержки принятия решений

В начале СППР использовались для работы с небольшими наборами корпора­тивных данных и сильно зависели от модели. Недавний прогресс в технологиях компьютерной обработки и баз данных расширил определение СППР, включив системы, позволяющие поддерживать принятие решений на основе анализа об­ширных объемов данных, извлеченных в масштабе всей фирмы из различных си­стем предприятия и web-транзакций.

В настоящее время существуют два основных типа СППР: управляемые моде­лями и управляемые данными (Dhar и Stein, 1997). Модель-ориентированные СППР — это обычно автономные системы, изолированные от основных органи­зационных информационных систем, использующие некоторый тип модели вы­полнения «что-если», а также выполняющие другие типы анализа. Подобные си­стемы часто развивались подразделениями или группами конечных пользователей не под управлением какой-либо определенной ИС. Их возможности анализа ба­зировались на сильной теории или модели в сочетании с хорошим пользователь­ским интерфейсом, делавшим модель удобной. Описанная в этой главе система COPS фирмы IBM, а также рассмотренная в гл. 2 СППР оценки путешествий — это примеры модель-ориентированных СППР.

Второй тип СППР — ориентированная на данные СППР анализируют боль­шие массивы данных, поиск которых осуществляется в основных корпоративных системах. Они поддерживают принятие решений, позволяя пользователям извле­кать полезную информацию, ранее «затерянную» в больших объемах данных. Часто для этой цели данные из систем обработки транзакций собираются в хра­нилищах данных. Затем для анализа данных может использоваться аналитиче­ская обработка в реальном времени OLAP (on-line analytical processing) и про­ходка данных. Компании начали строить управляемые данными СППР для извлечения данных о клиентах, собранных на их web-сайтах, а также данных, по­ступающих от корпоративных систем.._ _ _ _ _ „„_„„__, „ „..„„..„_.„..„.., _j

Model-driven DSS (модель-ориентированная СППР)

Обычно автономная система, использующая некоторые типы моделей для 1 выполнения анализа «что-если» (what-if) и других разновидностей анализа.

1 Data-driven DSS (ориентированная на данные СППР)

Система, поддерживающая принятие решений, позволяя пользователям из­влекать и анализировать полезную информацию, ранее хранившуюся в боль­ших базах данных. «

Традиционные запросы к базам данных отвечают на такие вопросы, как «сколь­ко единиц продукции 403 отправлено в ноябре 2000 г.?» Система OLAP (или мно­гомерный анализ) поддерживает намного более сложные запросы о такой инфор­мации, как «сравнить продажи продукции 403 с квартальным планом по регионам сбыта за прошедшие два года». Системы OLAP и многомерный анализ данных рассматриваются в гл. 7. На примере OLAP и ориентированного на запросы ана­лиза данных пользователи должны получить представление об искомой инфор­мации.

Извлечение данных, рассмотренное в гл. 7, дает понимание корпоративных дан­ных, которые нельзя получить с помощью OLAP, обеспечивает поиск скрытых образцов и отношений в больших базах данных, а также выводит из них правила для предсказания будущего поведения. Затем образцы и правила можно исполь­зовать для управления принятием решений и предсказания результата этих ре­шений. Типы информации, которую можно получить с помощью проходки дан­ных, включают ассоциацию, последовательность, классификацию, кластеризацию и прогнозирование.

Ассоциации — это экземпляры, связанные с отдельным событием. Например, изучение образцов закупки в универсаме может показать, что при покупке куку­рузных чипсов в 65% случаев покупается напиток кола, а при наличии бонусов этот напиток покупается в 85% случаев. Благодаря этой информации менеджеры могут принимать лучшие решения, поскольку известна прибыльность от внедре­ния бонусов.

В последовательностях события связаны по времени. Например, выяснено, что при покупке дома новый холодильник приобретается в течение двух недель в 65% случаев, а духовка — в течение одного месяца в 45% случаев.

Классификация распознает признаки, описывающие группу, которой принад­лежит элемент, исследует имеющиеся в наличии классифицированные элементы и выводит набор правил. Например, такие виды коммерческих фирм, как держа­тели кредитных карточек или телефонные компании, беспокоятся о потере по­стоянных клиентов. Классификация помогает обнаружить характеристики кли­ентов, которых можно потерять, и предоставляет менеджерам модель предсказания, кто эти клиенты, и разработки специальной кампании для сохранения таких кли­ентов.

Кластеризация работает аналогично классификации, когда группы еще не опре­делены. Инструменты проходки данных позволяют выявлять такие различные группировки данных, как обнаруженные группы родственных товаров по банков­ским кредитным карточкам или разбиение базы данных на группы клиентов по демографическим показателям и типам персональных покупок.

Хотя в эти приложения вовлечены предсказания, при прогнозировании они используются в разной степени. Для прогнозирования некоторых значений ис­пользуется ряд существующих величин. Например, прогнозирование позволяет определить образцы данных, помогающие менеджерам оценить будущий размер таких непрерывных переменных, как данные о продаже.

В процессе извлечения данных используются инструменты статистического анализа, а также нейронные сети, нечеткая логика, генетические алгоритмы или

алгоритмы, основанные на правилах, а также другие интеллектуальные методы (гл. 12).

Как отмечено в гл. 3, безосновательно полагать, что только отдельные лица принимают решения в крупных организациях. Фактически большинство реше­ний принимается коллегиально. Зачастую решения до их принятия проходят со­гласование в нескольких группах. В крупных организациях принятие решений -это коллективный процесс, поэтому при разработке системы СППР учитывается проблема облегчения принятия коллективных решений. Этот вопрос рассмотрен в разделе 13.2.

Компоненты СППР

На рис. 13.1 показаны компоненты СППР. Они включают базу данных, исполь­зуемых для запросов и анализа, программную систему содержащую модели, про­ходку данных и другие аналитические инструменты, а также пользовательский интерфейс.

База данных СППР — это совокупность текущих или исторических данных из множества приложений или групп. Это может быть маленькая база данных, хранящаяся на ПК и содержащая поднабор корпоративных данных, загруженный и, возможно, объединенный с внешними данными. С другой стороны, базой дан­ных СППР может быть крупное хранилище данных, постоянно обновляемое главной организационной СОТ (включая системы предприятий и данные, гене­рируемые web-транзакциями). Данные в базах СППР — это, как правило, выбор­ки или копии производственных баз данных, поэтому использование СППР не влияет на функционирование критических производственных систем.

Программная система СППР включает инструментарий, используемый для анализа данных. Она может содержать различные OLAP-инструменты, проходку данных или набор математических и аналитических моделей, легкодоступных для пользователя СППР. Модель — это абстрактное представление, иллюстри­рующее компоненты или отношения некоторого явления. Модель может быть физической (например, модель самолета), математической (например, уравне­ние) или вербальной (например, описание процедуры регистрации заказа). Каж-

DSS database (база данных СППР)

Совокупность текущих или исторических данных из множества приложений или групп. Может быть как небольшой базой данных, размещенной на ПК, так и большим хранилищем данных.

DSS software system (программная система СППР)

Совокупность такого используемого для анализа данных инструментария, как OLAP-инструменты, инструменты проходки данных или коллекции математи­ческих и аналитических моделей.

Model (модель)

Абстрактное представление, иллюстрирующее компоненты или отношения для некоторого явления..

дая система СППР строится для определенного набора целей и в зависимости от них обеспечивает доступ к разным совокупностям моделей.

Возможно, наиболее общие модели — это библиотеки статистических моде­лей. Подобные библиотеки обычно содержат полный диапазон возможных стати­стических функций, включая функции вычисления средних, медиан, отклонений и графиков рассеяния. Программные средства могут проектировать будущие ре­зультаты, анализируя ряд данных. Программные средства статистического моде­лирования применяются для определения таких взаимосвязей, как связь продаж изделия с различиями в возрасте, доходе или другими факторами в отношении групп лиц. Модели оптимизации, часто использующие линейное программиро­вание, определяют оптимальное распределение ресурса для максимизации или минимизации таких заданных переменных, как стоимость или время. Классиче­ское использование моделей оптимизации позволяет определить подходящую номенклатуру продукции в пределах конкретного рынка, что обеспечивает мак­симизацию прибыли.

Модели долгосрочного прогнозирования часто используются для предсказа­ния объемов продаж. Пользователь этого типа моделей должен предоставить со­вокупность исторических данных для планирования будущих условий и полу­ченных в результате этих условий объемо% продаж.

Sensitivity analysis (анализ чувствительности)

Модели, многократно задающие вопросы «что-если» для определения влия­ния на результаты изменений одного или более факторов.

Лицо, принимающее решение — ЛПР, — может изменить условия (путем вво­да, например, повышенных затрат на сырье или появление на рынке нового кон­курента с более низкими ценами) для определения того, каким образом новые условия могут повлиять на продажи. Компании часто используют такие про­граммные средства для выполнения специальных функций, реализуемых моде­лями финансового анализа и анализа степени риска.

Наиболее широко используются модели анализа чувствительности, в рамках которых неоднократно задается вопрос «что-если», и определяющих влияние изменений одного или более факторов на конечные результаты. Анализ «что-если» (основанный на известных или предполагаемых условиях) позволяет пользователю, изменяя некоторые значения, проверить результаты, чтобы луч­ше предсказать последствия, если произойдет изменение этих значений. Что произойдет, если поднять цену на 5% или увеличить рекламный бюджет на $100 тыс.? Что произойдет, если сохранить те же цену и рекламный бюджет? Для этой цели часто используются электронные таблицы, как, например, Microsoft Excel или Lotus 1-2-3 (рис. 13.2). Программными средствами для обратного анализа чувствительности пользуются с целью определения ответов на следующие воп­росы: «Если я хочу в следующем году продать 1 млн ед. продукции, то насколько следует уменьшить цену изделия?»

Пользовательский интерфейс СППР обеспечивает удобное взаимодействие между пользователями системы и инструментарием СППР. Удобный в работе и гибкий графический пользовательский интерфейс поддерживает диалог между

пользователем и СППР. Пользователями СППР могут быть менеджеры или слу­жащие, не желающие изучать сложный инструмент, поэтому интерфейс должен быть интуитивно понятным. В настоящее время большинство систем СППР стро­ится на основе web-интерфейса и использует его простоту, комплексность дей­ствия и возможности персонализации и настройки. Для успешного построения системы СППР требуется высокий уровень пользовательского участия, а также прототипирование для проверки соответствия требованиям.

Приложения СППР и киберкорпорация

Системы СППР могут различным образом применяться для поддержки приня­тия решений. В табл. 13.2 приведены примеры систем СППР, применяющиеся в известных организациях. Дата- и модель-ориентированные системы СППР ста­ли достаточно мощными и сложными, предоставляют многокомпонентную ин­формацию для принятия решений, позволяющую фирме точнее координировать как внутренние, так и внешние бизнес-процессы. Некоторые из этих СППР по­могают компаниям улучшить управление цепочкой поставок или спланировать сценарии для изменения бизнес-условий. Они могут также использоваться для точного регулирования отношений с клиентами. Некоторые системы пользуются данными всей компании, предоставленными системами предприятий. В настоя­щее время СППР также могут использовать интерактивные возможности Web для предоставления инструментов поддержки принятия решений как служащим, так и клиентам.

Для иллюстрации диапазона возможностей СППР отметим некоторые успеш­ные приложения СППР. Описанные далее в этой главе системы управления це­почкой поставок: фирм San Miguel и IBM, уже упоминавшаяся система планиро­вания производственной мощности CAPS фирмы IBM, система моделирования бизнеса Pioneer Natural Resources — это примеры модель-ориентированных си­стем СППР. Описанные далее в этой главе система сегментации клиентов Royal

Принятие решений по капиталовложениям

Ваша фирма Wilmington Tool and Die Corporation обсуждает покупку четырех новых рабочих станций САПР на общую сумму $250 тыс. для повышения про­изводительности путем эффективного превращения чертежей новых штам­пов в готовую продукцию с меньшим числом дефектов. Вы полагаете, что эти инвестиции увеличат чистый доход фирмы на $60 тыс. в год за пятилетний период, сократив издержки производства. По истечении пяти лет ваша фирма планирует продать рабочие станции за $50 тыс. Сумма, возвращаемая фир­мой после продажи использованного оборудования, называется его ликвид­ной стоимостью.

Вы хотите оценить эти расходы для принятия решения об удачности этих инвестиций. Капиталовложение считается удачным, если оно по крайней мере дает ту же норму прибыли от вложенных денег, что и инвестиции, сделанные во что-либо другое, например в банк, по определенной процентной ставке, заданной фирмой.

Повторите приведенное в гл. 11 обсуждение методов составления смет ка­питальных вложений и их окупаемости для инвестиций в информационные си­стемы. В следующей таблице показаны результаты использования метода приведения к чистой текущей стоимости для инвестиций фирмы Wilmington в новое САПР-оборудование. Общий поток наличности — это сумма произве­денной инвестициями дополнительной прибыли и ликвидационной стоимо­сти оборудования.

Чтобы рассчитать возврат от инвестиций в сегодняшних ценах, нужно сна- | чала вычислить текущую стоимость общего потока наличности от нового обо­рудования, обесцененного по существующей процентной ставке ссуды. Тогда начальная покупная цена оборудования в сегодняшних ценах вычитается из текущей стоимости общего потока наличности от инвестиций для получения чистой приведенной стоимости инвестиций. Если она положительна, то инве­стиции дают отдачу, а если отрицательна — следует отказаться от них.

В таблице показаны результаты вычислений в предположении, что процент­ные ставки равны 8%, а инвестиции ежегодно дают фирме $60 тыс. дополни­тельной прибыли. Поскольку инвестиции весьма чувствительны к изменениям в процентных ставках и экономическим условиям, в расчеты добавлен анализ чувствительности для определения, является ли станок хорошей инвестици­ей для широкого диапазона ситуаций. В таблице показано влияние на чистую

Bank of Canada и система анализа клиентов Della.com — это примеры ориентиро­ванных на данные СППР. Также будут изучены некоторые приложения геоин­формационных систем (ГИС), относящихся к специальной категории СППР для визуализации географических данных.

Дата добавления: 2015-04-29