Приложения систем поддержки принятия решений в экономике и социальной сфере

Федеральное государственное образовательное бюджетное учреждение

высшего образования



Финансовый университет при Правительстве Российской Федерации

(Финансовый университет)



Кафедра «Системный анализ в экономике»

 



 

РЕФЕРАТ
по дисциплине «Системный анализ в профессиональной деятельности»


на тему: 

 «Приложения систем поддержки принятия решений в экономике и социальной сфере»

                                                                                                                                                                                                                                                



                                                                                    

                                                                               Выполнил студент 1 курса:

                                                       группы Ю1-4,

                                                                                    Яковлева А.С.

                                                  Проверил:

                                                                                    к.э.н., доц. кафедры «САвЭ»

                                                   Звягин Л.С.













Москва – 2017

СОДЕРЖАНИЕ

Введение…………………………………………………………………………...…2

Сущность понятия СППР:

1.1. Различные трактовки понятия СППР..………………………...………………3

1.2. Характеристики и компоненты СППР……………………………………....3-4

Классификация СППР……………………….…………………………………….4-6

Структура DDS…………………………….………………………………………6-8

OLAP-технологии……………………………………………………………...…8-11

Технологии Data Mining………………………………………………………..11-12

Статистические пакеты…………………………………………………………….12

Нейронные сети и экспертные системы……………………………………….12-15

Применение СППР……………………………………………………………...15-16

Заключение………………………………………………………………………….17

Список использованной литературы…………………………………………...…18























Введение

В конце XX века, в 1980-е годы японские и американские компании положили начало развитию информационных систем, значительно отличавшихся от маркетинговых информационных систем (MIS). Новые системы способствовали началу процесса «интеллектуализации» информационных систем. Новые информационные системы являлись более интерактивными, меньшими. Их основная цель состояла в помощи пользователям осуществления успешной работы с различными типами данных, построения модели, проведения аналитических исследований, а также разыгрывания сценария для решения неструктурированных и слабоструктурированных проблем в новых проектах. Именно такие системы, которые предоставляют данные возможности, именуются системами поддержки принятия решений – СППР (Decision Support System – DSS).

Системы поддержки принятия решений стали использоваться в различных сферах деятельности крупных компаний, корпораций. В XXI веке СППС чаще всего является необходимой частью корпоративных информационных систем.























1. Сущность понятия СППР

1.1. Различные трактовки понятия СППР

С появлением первых проектов о создании систем поддержки принятия решений четкого и точного определения понятия СППР дано не было. В связи с этим существует большое количество трактовок СППР. Рассмотрим некоторые из них:

–совокупность процедур по обработке данных и суждений, которые помогают пользователю в принятии решений и основаны на использовании моделей, называется СППР;

–интерактивные автоматизированные системы, которые помогают лицу принять решения, использовать модели и данные для решения слабоструктурированных проблем, называются СППР;

–автоматизированная компьютерная система, предназначение которой состоит в помощи людям, которые принимают то или иное решение в сложных условиях для объективного и наиболее полного анализа предметной деятельности, называется СППР.

Общепринятого определения СППР до сих пор нет, так как устройство СППР значительно зависит от вида тех задач, на решение которых направлена ее разработка, а также от пользователей системы и доступных им данных. 

1.2. Характеристики и компоненты СППР 

Несмотря на различные трактовки понятия СППР, отдельные характеристики и элементы считаются общепризнанными частями СППР. 

Характеристики систем поддержки принятия решений:

–СППР обладают гибкостью использования и быстрой реакцией на какие-либо изменения и внешние действия;

–СППР допускают управление входом и выходом;

–ССПР гарантируют информационную поддержку для решений тех проблем, которые нельзя определить заранее;

–СППР используют сложный многофакторный и многомерный анализ, а также применяют инструментальные средства моделирования.

К основным компонентам систем поддержки принятия решений можно отнести: 

– информационные хранилища данных;

– методы и средства извлечения, обработки и загрузки данных (ETL);

– многомерная база данных и средства анализа OLAP;

– средства Data Mining.

2. Классификация СППР

Для систем поддержки принятия решений, кроме единого общепринятого определения, отсутствует и общепринятая исчерпывающая классификация. В настоящее время существует множество различных вариантов классификаций СППР, так как разные авторы рассматривают классификации СППР исходя из собственных обозначенных  критериев.

Так, например, на пользовательском уровне пользователь Haettenschwiler (1999) подразделяет СППР на активные, пассивные и кооперативные системы поддержки принятия решений. Система, помогающая принятию решения, но не имеющая способности вынести предложение по принятию конкретного решения, называется пассивной СППР. Активная СППР в свою очередь имеет способность сделать предложение по выбору принятия решения. А кооперативная СППР позволяет лицу, принимающему то или иное решение, изменять и улучшать решения, которые предлагает система, посылая в дальнейшем данные изменения для проверки в систему. Затем система изменяет, дополняет или улучшает данные решения и снова посылает их пользователю. Этот процесс продолжается до тех пор, пока не будет получено согласованное решение.

Что касается концептуального уровня, то Power (2003) отличает СППР, которые управляются сообщениями (Communication-Driven DSS), данными (Data-Driven DSS), документами (Document-Driven DSS), знаниями (Knowledge-Driven DSS) и моделями (Model-Driven DSS):

–системы поддержки принятия решений, которые управляются моделями, во многом соотносятся с математическими моделями (финансовыми, имитационными, статистическими, оптимизационными;

–системы поддержки принятия решений, которые управляются сообщениями, поддерживают группу пользователей, которые работают над решением общей задачи;

–системы поддержки принятия решений, которые управляются данными, в основном ориентируются на доступ и манипуляции с данными;

–системы поддержки принятия решений, которые управляются документами, осуществляют поиск и манипулируют неструктурированной информацией, которая может быть задана в разных форматах. 

–системы поддержки принятия решений, которые управляются знаниями, способствуют обеспечению решения задач в форме правил, фактов и процедур.

На техническом уровне Power (1997) отличает СППР всего предприятия от настольной СППР. Система поддержки принятия решений предприятия обслуживает большое количество менеджеров предприятия, так как она подключена к большим хранилищам информации. Настольная СППР – малая система, которая способна обслуживать только один компьютер пользователя. 

Системы поддержки принятия решений в зависимости от данных, с которыми работают СППР, условно делят на оперативные и стратегические. Так, оперативные СППР специализированны на немедленное реагирование в случае изменения текущей ситуации в управлении протекающими финансово-хозяйственными процессами компании. А стратегические СППР специализированны на анализ больших объемов различной информации, полученной из неоднородных источников. Главная задача таких СППР – это нахождение наиболее рациональных и эффективных вариантов развития компании, при условии учета влияния разных факторов (изменения рынков капиталов и финансовых рынков, конъюнктура целевых для компании рынков, изменения в законодательстве и т.п.).

Системы поддержки принятия решений можно разделить на два типа. Системы поддержки принятия решений первого типа называются Информационными Системами Руководства (Executive Information Systems, ИСР). Они являются конечными наборами отчетов, которые построены на основе данных из транзакционной информационной системы предприятия, которая отражает определенные аспекты финансовой и производственной деятельности в режиме реального времени.

Системы поддержки принятия решений второго типа предполагают глубокую проработку данных, которые для удобства в использовании специально преобразованы в процессе принятия решений. Необходимым компонентом СППР данного уровня считаются правила принятия решений. Они дают возможность менеджерам компании, основываясь на агрегированных данных, обосновывать свои решения, снижать риски и использовать факторы устойчивого роста бизнеса компании. Технологии второго типа СППР основываются на принципах многомерного представления и анализа данных (OLAP).

3. Структура DSS

DSS включает в себя три компонента: программное ядро, хранилище данных, аналитические средства анализа, обработки и представления информации, устройств телекоммуникации.

Хранилище данных – единая среда хранения всех корпоративных данных, которые организованы в структуры и оптимизированы для выполнения различных аналитических операций.

Пользователь, который не имеет специальных знаний в информационно-технологической области, осуществляет навигацию с помощью аналитических средств и представляет данные в терминах области предмета. Пользователи разной квалификации DSS имеют разные типы интерфейсов доступа к располагаемым сервисам (рис.1).



Рис.1. Главные компоненты СППР (DSS)

Аналитические системы дают возможность решения трех главных задач: анализ многомерной информации разного рода и разного уровня формализованности в настоящем времени, дальнейший интеллектуальный анализ данных, включая построение моделей развития деловой ситуации и ведение отчетности.

Отличие принятия делового решения (рис.2) от схожего процесса в социальной или научной сфере: рабочая гипотеза осложняется в своем преобразовании в решение двумя проблемами, которые объективно существуют.



Рис.2. Принятие решения. Итерационный процесс

Первой проблемой является отставание накопления личного опыта в процессе повседневной деятельности у предпринимателя от изменения экономической ситуации. Эта проблема характерна, в частности, и для современной России. 

Второй проблемой является отсутствие возможности проведения целенаправленных экспериментов в предпринимательской деятельности. Такие эксперименты могли бы обеспечить проверку правильности гипотезы в практической реализации.

Значит, в предпринимательской деятельности процесс принятия решения разрывается в двух точках как минимум: при выдвижении гипотез и при экспериментальной верификации моделей. Данные разрывы призвано ликвидировать направление информационных технологий – технология многомерного анализа данных (On-Line Analytical Processing - OLAP).

4. OLAP-технологии

Эту технологию часто характеризуют данными словами: Быстрый Анализ Разделяемой Многомерной Информации (Fast Analysis of Shared Multidimensional Information - FASMI).

Важность технологии многомерного анализа данных для предпринимательства – извлечение из начальных структурированных данных информации и знаний, которые используются в принятии решений, а также позволяют создавать в компании дополнительную стоимость по сравнению со стоимостью, которая создается в том случае, если такая информация отсутствует.

В 1990-х годах Эдгар Кодд – родоначальник реляционного подхода к построению баз данных – и его партнеры опубликовали статью под названием «Обеспечение OLAP (оперативной аналитической обработки) для пользователей-аналитиков». В ней выделены 12 особенностей OLAP-технологии, дополненные впоследствии еще шестью. 

Главные особенности OLAP-технологии (Basic):

–существование интуитивного манипулирования данными;

–детализация и доступность данных;

–многомерное концептуальное представление данных;

–пакетное извлечение данных против интерпретации;

–наличие архитектуры «клиент-сервер» (OLAP доступен с рабочего стола);

–наличие моделей анализа OLAP;

–существование многопользовательской поддержки;

–прозрачность (наличие прозрачного доступа к внешним данным).

Специальные особенности (Special):

–возможность сохранения результатов OLAP. Они хранятся отдельно от исходных данных;

–возможность обработки неформализованных данных; 

–исключение значений, которые отсутствуют;

–обработка значений, которые отсутствуют.

Некоторые особенности представления отчетов (Report):

–наличие стандартной производительности отчетов;

–наличие гибкости формирования отчетов;

–существование автоматической настройки физического уровня извлечения данных.

Особенности управления измерениями (Dimension):

–существование неограниченного числа измерений и уровней агрегации;

–наличие универсальности измерений;

–существование неограниченного числа операций между размерностями.

В настоящее время определение OLAP представляет еще и многомерный взгляд на данные в базе данных, а не только многомерный взгляд, как это было раньше, на данные со стороны конечного пользователя. Появление самостоятельных терминов Реляционный OLAP (ROLAP) и Многомерный OLAP (MOLAP) связано именно с этим.

OLAP-сервис – инструмент, служащий в режиме настоящего времени для анализа массивных объемов данных. При взаимодействии с OLAP- системой пользователь имеет возможность гибкого просмотра информации, выполнения аналитических операций детализации, сквозного распределения, свертки, временного сравнения по большинству параметров одновременно и получения произвольных срезов данных. Работа с OLAP-системой дает возможность построения статистически обоснованных моделей деловой ситуации.

Инструмент оперативного анализа данных, которые содержатся в хранилище, называется программными средствами OLAP. Средства специализированы на использование профессионалом в сфере управления (менеджером отдела, управления, директором) – главная особенность программных средств OLAP. На рис.3 изображен элементарный OLAP-куб, который дает возможность производства по трем измерениям оценки данных.



Рис.3. Элементарный OLAP-куб

Данный OLAP-куб  дает возможность анализа данных любого уровня сложности на любых временных промежутках.

Менеджер рассматривает данные с разных сторон, имея в наличии гибкие механизмы манипулирования данными и визуального отображения. Эти данные могут быть частично или непосредственно связаны с решаемой проблемой, но могут и не быть связаны с ней вообще.

Затем менеджер сравнивает разные показатели между собой, при этом он старается определить неявные взаимосвязи. После этого посредством использования модуля статистического оценивания и имитационного моделирования происходит построение нескольких вариантов развития дальнейших событий. Из всех возможных вариантов выбирается наиболее удовлетворяющий, приемлемый вариант.

OLAP можно применить в задаче анализа многофакторных данных. OLAP-инструмент является эффективным средством анализа и генерации отчетов при наличии какой-либо таблицы с данными (при условии, что есть хотя бы одна колонка с цифрами и одна описательная колонка).

5. Технологии Data Mining

Технология интеллектуального поиска и анализа данных, так называемая «добыча данных» (Data Mining - DM), в отличие от обычной системы искусственного интеллекта, не делает попытки моделирования естественного интеллекта: Data Mining усиливает возможности естественного интеллекта. 

Процесс нахождения в «сырых» данных ранее неизвестных, практически доступных и полезных знаний, которые необходимы для принятия решений в разных сферах деятельности человека, называется Data Mining.

Информация, которая хранится в базе данных в виде временных рядов, является основой для различных систем прогнозирования. На рис.4 изображен полный цикл использования технологии Data Mining.



Рис.4. Технология Data Mining. Этапы применения

Найденные шаблоны, необходимые для реализации технологии Data Mining, должны отражать неожиданные, неочевидные регулярности в данных, которые составляют скрытые знания (Hidden Knowledge). Со временем пришло понимание, что «сырые» данные (Raw Data) содержат в себе глубинный пласт знаний, который можно использовать в конкурентной борьбе при грамотной его реализации.

Методы Data Mining заинтересовали в первую очередь коммерческие предприятия, которые развернули проекты, основанные на информационных хранилищ данных (Data Warehousing). Так, известны некоторые сообщения об экономическом эффекте, который в 10-70 раз превышает первоначальные затраты от 350 до 750 тыс. долларов. Еще одним примером может послужить годовая экономия 700 тыс. долларов благодаря внедрению Data Mining в одну из сетей универсамов в Англии.

6. Статистические пакеты

Главное внимание в статистических пакетах уделяется классическим методам: корреляционному, факторному, регрессионному анализу. Но последние версии многих статистических пакетов содержат также компоненты Data Mining.

Пользователь должен иметь специальную подготовку, чтобы работать с системами этого класса. Но наиболее серьезным недостатком статистических пакетов, который ограничивает применение в Data Mining, является следующий: входящие в состав пакетов методы опираются на статистическую парадигму, где главными фигурантами являются усредненные характеристики выборки. Данные характеристики часто являются фиктивными величинами при исследовании сложных жизненных феноменов. 

Примерами наиболее распространенных и мощных статистических пакетов являются: SAS (компания SAS Institute), STATGRAPHICS (компания Manugistics), SPSS (компания SPSS), STATISTICA для WINDOWS. Такие пакеты могут успешно применяться в  небольших предприятиях. Что касается больших компаний, то они могут интегрировать эти пакеты в общую сеть корпорации.

7. Нейронные сети и экспертные системы

Архитектура этого класса систем имеет похожее построение с нервной тканью, состоящей из нейронов. В многослойном персептроне с обратным распространением ошибки происходит имитация работы нейронов в структуре иерархической сети, в которой каждый нейрон высокого уровня соединяется с выходами нейронов нижнего слоя посредством своих входов.

На нейроны самого нижележащего слоя попадают значения тех входных параметров, которые будут основой для принятия каких-либо решений и прогнозирования развития конкретной ситуации. Такие значения рассматриваются в качестве сигналов, которые передаются в следующий слой, предварительно усиливаясь или ослабляясь в зависимости от определенных числовых значений, которые приписываются межнейронным связям. Итог выхода нейрона самого верхнего слоя – вырабатывается определенное значение, рассматривающееся как реакция на введенные значения входных параметров всей данной сети.

Чтобы сеть можно было эффективно применять в дальнейшем, необходимо сначала «натренировать» ее на ранее полученных данных, при этом должны быть известны значения входных параметров и правильные ответы на них (рис.5). Такая тренировка заключается в подборе числовых значений (весов) межнейронных связей, которые обеспечивают наибольшую близость ответов сети к уже известным ранее правильным ответам.



Рис.5. Схема самообучающейся информационной системы

Главный недостаток нейросетевой парадигмы – необходимость в очень большом объеме обучающей выборки, несмотря на то, что некоторые современные хранилища знаний довольно просто и легко позволяют это делать. Еще один недостаток: даже в натренированной нейронной сети знания, которые зафиксированы как веса межнейронных связей, абсолютно не поддаются точному анализу и интерпретации человеком.

Примерами используемых нейросетевых систем являются следующие: BrainMaker (CSS), OWL (HyperLogic), NeuroShell (Ward Systems Group).

В отличие от нейронных сетей, в которых прогноз происходит без непосредственного участия людей, экспертные системы включают высококвалифицированных специалистов в качестве одного из элементов (рис.6).

Экспертная система содержит разветвленную сеть, которая позволяет осуществлять поиск в хранилищах знаний и в базах данных, а также делать различные запросы. 



Рис.6. Схема экспертной информационной подсистемы

Ответ системы может стать известен уже заранее по итогам отзывов экспертов. Такой ответ сравнивается с ответом самой системы, затем параметры изменяются, и проводится повторный процесс. В итоге выдается экспертное решение с вероятностной оценкой надежности этого решения.

Экспертные системы получили широкое применение в бизнесе. Они также могут работать независимо, не включаться в информационные корпоративные сети. Экспертные системы, как правило, узко специализированы. Это могу быть транспортные, банковские, медицинские, юридические, торговые и иные экспертные системы.

8. Применение СППР

Предпринимателям крупных компаний необходимо получение достоверной информации о разных аспектах своего бизнеса для поддержки принятия решений, ведь от этого зависит эффективность и качество управления компанией, возможность планирования деятельности бизнеса. Важным является возможность анализа текущих и прошлых данных, скорость получения тез или иных видов отчетности.

Системы поддержки принятия решений успешно применяются в различных отраслях: финансовой сфере, телекоммуникациях, торговле, промышленности и иных отраслях. 

СППР используются в банковской деятельности: с помощью них происходит обслуживание кредитных карт, инвестиций, займов. Обнаружение случаев мошенничества, прогнозирование изменений клиентуры, оценка риска кредитования – области применения DSS. 

В страховом бизнесе СППР способствует выявлению возможных случаев мошенничества, классификации клиентов, анализу риска.

СППР в телекоммуникационных компаниях используются для подготовки и принятия комплекса тех решений, которые ориентированы на минимизацию оттока своих клиентов в другие компании. СППР дают возможность наиболее эффективного проведения своих маркетинговых программ и наиболее привлекательной тарификации услуг.

В торговых компаниях СППР используется для планирования закупок и нахождения временных шаблонов поведения. 

В промышленности СППР успешно используются для статистического управления запасами, бюджетного и финансового управления и планирования, анализа рисков.

В обороне государства также используются определенные DSS. Они осуществляют решение таких задач как: планирование и управление операциями, управление и планирование эксплуатации оборудования.

DSS активно применяются в крупной компании. Предприниматели и ведущие менеджеры пользуются финансовыми модулями DSS для предсказания эффективности использования активов компании в случае изменения деловой активности или экономической ситуации в государстве. СППР для менеджеров среднего звена требуется для оценки перспективности краткосрочных инвестиций по тем или иным проектам.

























Заключение

В настоящее время нет признанного лидера по производству программного обеспечения для построения систем поддержки принятия решений. Создание систем поддержки принятия решений (СППР) всегда включает в свою структуру этапы анализа данных и процессов бизнеса заказчика, а также проектирования структур хранилища при учете его технологических процессов и различных возникающих потребностей.

СППР облегчает работу предпринимателям, повышает ее эффективность. На основе системы поддержки принятия решений можно проводить подготовку кадров. СППР дают возможность повышения контроля над деятельностью компании. Благодаря многим  предложениям, которые выдвигаются современными системами поддержки принятия решений, открываются новые пути решения нестандартных и повседневных задач. 

Следовательно, рассмотрение СППР в качестве интегрированной автоматизированной системы, которая специализирована на нахождение решений слабоструктурированных и неструктурированных задач, является актуальным в современном мире.




















Список использованной литературы

1. Сараев А.Д. Системный анализ и современные информационные технологии // Труды Крымской Академии наук / Сараев А.Д., Щербина О.А.  – Симферополь: СОНАТ, 2005.

2. [Электронный ресурс].- Режим доступа: https://ru.wikipedia.org/wiki/Система_поддержки_принятия_решений, ? свободный. 

3. [Электронный ресурс].- Режим доступа: https://www.intuit.ru/studies/courses/1055/271/lecture/6876?page=5, ? свободный.











0.......................