Реферат Поддержка принятия решений
Работа добавлена на сайт bukvasha.net: 2015-10-28Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
от 25%
Подписываем
договор
Поддержка принятия решений.
Принятие решений - каждодневная деятельность человека, часть его повседневной жизни. Простые, привычные решения человек принимает легко, часто автоматически, не очень задумываясь. В сложных и ответственных случаях он обращается к опытным и знающим людям за подтверждением своего решения, несогласием с ним или за советом: каким могло бы быть другое решение. Часто обращаются к книгам. Такие обращения - это процесс поддержки принятия решения.
Принятие решения в большинстве случаев заключается в генерации возможных альтернатив решений, их оценке и выборе лучшей альтернативы.
Принять "правильное" решение - значить выбрать такую альтернативу из числа возможных, в которой с учетом всех разнообразных факторов и противоречивых требований будет оптимизирована общая ценность, то есть она будет в максимальной степени способствовать достижению поставленной цели.
При выборе альтернатив приходится учитывать большое число противоречивых требований и, следовательно, оценивать варианты решений по многим критериям. Нильс Бор заметил: "Есть примитивные истины, противоречие которым явно ложно, но существуют также и высшие истины, такие, что противоречащие им постулаты также справедливы". Противоречивость требований, неоднозначность оценки ситуаций, ошибки в выборе приоритетов сильно осложняют принятие решений.
Неопределенности являются неотъемлемой частью процессов принятия решений. Эти неопределенности принято разделять на три класса:
• неопределенности, связанные с неполнотой наших знаний о проблеме, по которой принимается решение;
• неопределенность, связанная с невозможностью четкого учета реакции окружающей среды на наши действия;
• неопределенность, связанная с неточным пониманием своих целей лицом, принимающим решения.
Свести задачи с подобными неопределенностями к точно поставленным целям нельзя в принципе. Для этого надо "снять" неопределенности. Одним из таких способов снятия является субъективная оценка специалиста (эксперта, руководителя), определяющая его предпочтения.
Таким образом, эксперт или лицо, принимающее решение (ЛПР), вынуждены исходить из своих субъективных представлений об эффективности возможных альтернатив и важности различных критериев.
Большое количество задач, если не большинство, являются многокритериальными задачами, в которых приходится учитывать большое число факторов. В этих задачах человеку приходится оценивать множество сил, влияний, интересов и последствий, характеризующих варианты решений.
Многочисленные исследования показывают, что сами ЛПР без дополнительной аналитической поддержки используют упрощенные, а иногда и противоречивые решающие правила.
Поддержка принятия решений и заключается в помощи ЛПР в процессе принятия решений. Она включает:
• помощь ЛПР при анализе объективной составляющей, то есть в понимании и оценке сложившейся ситуации и ограничений, накладываемых внешней средой;
• выявление предпочтений ЛПР, то есть выявление и ранжирование приоритетов, учет неопределенности в оценках ЛПР и формирование его предпочтений;
• генерацию возможных решений, то есть формирование списка альтернатив;
• оценку возможных альтернатив, исходя из предпочтений ЛПР и ограничений, накладываемых внешней средой;
• анализ последствий принимаемых решений;
• выбор лучшего, с точки зрения ЛПР, варианта. Компьютерная поддержка процесса принятия решений, так или иначе, основана на формализации методов получения исходных и промежуточных оценок, даваемых ЛПР, и алгоритмизации самого процесса выработки решения.
Формализация методов генерации решений, их оценка и согласование является чрезвычайно сложной задачей. Эта задача стала интенсивно решаться с возникновением вычислительной техники. Решение этой задачи в различных приложениях сильно зависело и зависит от характеристик доступных аппаратных и программных средств, степени понимания проблем, по которым принимаются решения, и методов формализации.
Основная сложность, возникающая здесь, заключается в том, что ЛПР, как правило, не привык к количественным оценкам в процессе принятия решений, не привык оценивать свои решения на основе математических методов с помощью каких-либо функций, с трудом анализирует последствия принимаемых решений.
Системы поддержки принятия решений
Увеличение объема информации, поступающей непосредственно к руководителям, усложнение решаемых задач, необходимость учета большого числа взаимосвязанных факторов и быстро меняющейся обстановки настоятельно требуют использовать вычислительную технику в процессе принятия решений. В связи с этим появился новый класс экономических информационных систем - это системы поддержки принятия решений (СППР).
Термин "система поддержки принятия решений" появился в начале семидесятых годов. За это время дано много определений СППР.
Например, в литературе встречается следующее определение СППР: "Системы поддержки принятия решений являются человеко-машинными объектами, которые позволяют лицам, принимающим решения (ЛПР), использовать данные, знания, объективные и субъективные модели для анализа и решения слабоструктурированных и неструктурированных проблем". В этом определении подчеркивается предназначение СППР для решения слабоструктурированных и неструктурированных задач.
К слабоструктурированным задачам относятся задачи, которые содержат как количественные, так и качественные переменные, причем качественные аспекты проблемы имеют тенденцию доминировать. Неструктурированные проблемы имеют лишь качественное описание.
Существует и такое определение: "система поддержки принятия решений - это компьютерная система, позволяющая ЛПР сочетать собственные субъективные предпочтения с компьютерным анализом ситуации при выработке рекомендаций в процессе принятия решения".
Также СППР определяется "как компьютерная информационная система, используемая для различных видов деятельности при принятии решений в ситуациях, где невозможно или нежелательно иметь автоматическую систему, полностью выполняющую весь процесс решения".
Все три определения не противоречат, а дополняют друг друга и достаточно полно характеризуют СППР.
Человеко-машинная процедура принятия решений с помощью СППР представляет собой циклический процесс взаимодействия человека и компьютера. Цикл состоит из фазы анализа и постановки задачи для компьютера, выполняемой (ЛПР), и фазы оптимизации (поиска решения и выполнения его характеристик), реализуемой компьютером.
Таким образом, можно отметить, что СППР обеспечивают следующее:
1. Помогают произвести оценку обстановки (ситуаций), осуществить выбор критериев и оценить их относительную важность.
2. Генерируют возможные решения (сценарии действий).
3 . Осуществляют оценку сценариев (действий, решений) и выбирают лучший .
4. Обеспечивают постоянный обмен информацией об обстановке принимаемых решений и помогают согласовать групповые решения.
5. Моделируют принимаемые решения (в тех случаях, когда это возможно).
6. Осуществляют динамический компьютерный анализ возможных последствий принимаемых решений.
7. Производят сбор данных о результатах реализации принятых решений и осуществляют оценку результатов.
Типы СППР.
Системы поддержки принятия решений могут быть сосредоточенные и распределенные.
Сосредоточенные СППР.
Сосредоточенные СППР представляют собой систему поддержки решений, установленную на одной вычислительной машине.
Они проще, чем распределенные системы, так как в них отсутствует проблема обмена информацией.
Возможны следующие типы сосредоточенных СППР:
1. Решение в автоматическом режиме принимает система принятия решений, состоящая из одного узла. Такая система включает в себя ЭВМ, систему автоматического и/или ручного ввода информации и средства представления решения (возможно стандартное устройство вывода). Примером такой системы может быть система тушения пожара на каком-нибудь особо опасном объекте.
2. Решение принимает специалист, имеющий в своем распоряжении СППР. Система может включать в себя экспертные системы, моделирующие программы, средства оценки принятых решений и т. д.
Распределенные СППР.
Распределенные СППР могут быть распределены пространственно и/или функционально. Пространственно и функционально распределенные СППР состоят из локальных СППР, расположенных в связанных между собой узлах вычислительной сети, каждый из которых может независимо решать свои частные задачи, но для решений общей проблемы ни одна из них не обладает достаточными знаниями, информацией и ресурсами (или некоторых из этих составляющих). Общую проблему они могут решать только сообща, объединяя свои локальные возможности и согласовывая принятые частные решения. Функционально распределенные системы состоят из нескольких экспертных систем (или СППР), связанных между собой информационно или установленных на одной вычислительной машине (пространственно они сосредоточены).
Необходимо особо отметить очень распространенный класс систем - иерархические системы поддержки принятия решении (ИСППР).
Иерархические вычислительные системы поддержки принятия решений состоят из экспертных систем или систем поддержки принятия решений, распложенных в узлах, связанных между собой вычислительной сетью. С точки зрения принятия решений узлы неравноправны. Самый простой пример такой системы - это система, состоящая из подсистем Wi , W 2,..., Wn и одной подсистемы Wo второго (более высокого) уровня.
Цель подсистемы Wo - влиять на низшие подсистемы таким образом, чтобы достигалась общая цель, заданная для всей системы. Такая система может служить в качестве элементарного блока при построении более сложных систем.
Объективно существуют интересы системы в целом. Их выразителем выступает подсистема Wo . Существуют и интересы подсистем Wi , W 2,..., Wn , причем их интересы, как правило, не совпадают или совпадают не полностью как с интересами подсистемы Wo , так и друг с другом.
Степень централизации системы определяется мерой разделения полномочий между уровнями системы. В тех случаях, когда система Wo не может приказывать подсистемам низшего уровня, подсистемы низшего уровня не могут функционировать без координирующих действий (например, при выработке новой стратегии действий или распределении ресурсов), необходима разработка согласованных решений.
Распределенные системы получают в настоящее время все более широкое распространение по следующим причинам:
- бурное развитие технологии производства вычислительной техники позволяет объединить большое число достаточно мощных и относительно недорогих вычислительных машин в единую сеть, способную выполнять асинхронные параллельные вычисления и эффективно обмениваться информацией.
- многие предметные области, в которых используются системы поддержки принятия решений, распределены по своей природе. Некоторые из них распределены функционально (как, например, многие системы медицинской диагностики), другие распределены как пространственно, так и функционально (как, например, системы автоматизации проектирования сложных технических объектов). Распределение системы поддержки принятия решений получили очень широкое распространение. Они реализованы управления воздушным движением, управления группами роботов, в задачах дистанционного управления подвижными объектами, управления производством, системах поддержки принятия решений в экстремальных ситуациях и т. д.
- пространственно и функционально распределенные системы облегчают обмен информацией и принятие согласованных решений группами специалистов, совместно работающих над решением одной задачи, и/или группами экспертных систем, управляющих сложным техническим объектом.
- принцип модульного построения и использования систем также хорошо реализуется в распределенных системах поддержки принятия решений. Возможность создавать системы для решения сложных проблем из относительно простых и автономных программно- аппаратных модулей позволяет их легче создавать, отлаживать и эксплуатировать. Таким образом, распределенный подход поддержки принятия решений целесообразно использовать, когда ЛПР пространственно распределены, либо когда процесс принятия решений связан с высокой степенью функциональной специализации и, конечно, когда имеют место оба эти случая. Обе эти ситуации могут быть связаны с различными прикладными областями принятия решений.
Несмотря на различный характер приложений, методы построения распределенных систем принятия решений в них очень близки.
Существенно новые возможности появляются у специалистов, принимающих решения, которые находятся на значительном расстоянии друг от друга. Развитие региональных и глобальных вычислительных сетей, компьютер которым могут быть подключены локальные сети специалистов, принимающих решения, обеспечивают легкость общения и получения всей необходимой информации, в том числе и графической, в очень сжатые сроки.
Распределенные СППР могут иметь следующие модификации:
1. Решение предлагают несколько экспертных систем, находящиеся в одном узле, но оценивающие, ситуацию с разных "точек зрения". Они могут предложить различные решения, которые должен откорректировать и согласовать специалист, сидящий за дисплеем узла.
2. Решение предлагают несколько экспертных систем, находящихся в различных узлах вычислительной сети. В силу того, что они тоже могут подходить компьютер решению с разных "точек зрения", могут быть предложены различные решения, которые теперь уже должны будут согласовывать специалисты, находящиеся, возможно, в различных узлах сети. Если один из узлов передал не одно, а несколько решений, то ситуация принципиально не меняется.
3. Решение предлагают несколько специалистов, сидящих за дисплеями различных узлов вычислительной сети. Они все должны будут согласовывать принятие окончательного решения.
Возможен вариант, когда предлагаются различные решения и экспертными системами (системой), и экспертами (экспертом).
Надо отметить, что, хотя конкретные реализации СППР очень сильно зависят от области применения, методы генерации решений, их оценка и согласование основываются на одних и тех же базовых теоретических предпосылках и методах.
Архитектура СППР.
СППР состоят из двух основных компонент: хранилища данных и аналитических средств. Хранилище данных предоставляет единую среду хранения корпоративных данных, организованных в структурах, оптимизированных для выполнения аналитических операций. Аналитические средства позволяют конечному пользователю, не имеющему специальных знаний в области информационных технологий, осуществлять навигацию и представление данных в терминах предметной области. Для пользователей различной квалификации, СППР располагают различными типами интерфейсов доступа к своим сервисам.
OLAP ( On - Line Analitycal Processing ) - сервис представляет собой инструмент для анализа больших объемов данных в режиме реального времени. Взаимодействуя с OLAP -системой, пользователь сможет осуществлять гибкий просмотр информации, получать произвольные срезы данных, и выполнять аналитические операции детализации, свертки, сквозного распределения, сравнения во времени. Вся работа с OLAP -системой происходит в терминах предметной области.
OLAP - системы являются частью более общего понятия Business Intelligence , которое включает в себя помимо традиционного OLAP -сервиса средства организации совместного использования документов, возникающих в процессе работы пользователей хранилища. Технология Business Intelligence обеспечивает электронный обмен отчетными документами, разграничение прав пользователей, доступ к аналитической информации из Интернет и Интранет .
Интеллектуальный анализ данных или добыча данных ( Data Mining ) - при помощи средств добычи данных можно проводить глубокие исследования данных. Эти исследования включают в себя: поиск зависимостей между данными (напр., “Верно ли, что рост продаж продукта А обусловлен ростом продаж продукта В? ” ); выявление устойчивых бизнес-групп (напр. “Какие группы клиентов, близких по поведенческим и другим характеристикам, можно выделить? Какие характеристики клиентов при этом оказывают наибольшее влияние на классификацию?“); прогнозирование поведения бизнес-показателей (напр. “Какой объем перевозок ожидается в следущем месяце?“) ; оценка влияния решений на бизнес компании (напр. “Как изменится спрос на товар А среди группы потребителей Б, если снизить цену на товар С ?“ ); поиск аномалий (напр. “С какими сегментами клиентской базы связаны наиболее высокие риски?“).
Хранилище данных представляет собой банк данных определенной структуры, содержащий информацию о производственном процессе компании в историческом контексте. Главное назначение хранилища - обеспечивать быстрое выполнение произвольных аналитических запросов.
В зависимости от функционального наполнения интерфейса системы выделяют два основных типа СППР: EIS и DSS .
EIS ( Execution Information System ) – информационные системы руководства предприятия. Эти системы ориентированы на неподготовленных пользователей, имеют упрощенный интерфейс, базовый набор предлагаемых возможностей, фиксированные формы представления информации. EIS -системы рисуют общую наглядную картину текущего состояния бизнес-показателей работы компании и тенденции их развития, с возможностью углубления рассматриваемой информации до уровня крупных объектов компании. EIS –системы – та реальная отдача, которую видит руководство компании от внедрения технологий СППР.
DSS ( Desicion Support System ) – полнофункциональные системы анализа и исследования данных, рассчитанные на подготовленных пользователей, имеющих знания как в части предметной области исследования, так и в части компьютерной грамотности. Обычно для реализации DSS -систем (при наличии данных) достаточно установки и настройки специализированного ПО поставщиков решений по OLAP -системам и Data Mining .
Такое деление систем на два типа не означает, что построение СППР всегда предполагает реализацию только одного из этих типов. EIS и DSS могут функционировать параллельно, разделяя общие данные и/или сервисы, предоставляя свою функциональность как высшему руководству, так и специалистам аналитических отделов компаний.
Математическая поддержка подготовки принятия решений.
Признание практически во всех отраслях современной науки принес методу моделирования ХХ в . Однако, методология моделирования долгое время развивалась независимо отдельными науками. Отсутствовала единая система понятий, единая терминология. Лишь постепенно стала осознаваться роль моделирования как универсального метода научного познания.
Под моделированием понимается процесс построения, изучения и применения моделей. Главная особенность моделирования в том, что это метод опосредованного познания с помощью объектов-заместителей. Модель выступает как своеобразный инструмент познания, который исследователь ставит между собой и объектом и с помощью которого изучает интересующий его объект. Необходимость использования метода моделирования определяется тем, что многие объекты (или проблемы, относящиеся к этим объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств.
Процесс моделирования включает следующие элементы: субъект (исследователь), объект исследования, и модель, опосредствующую отношения познающего субъекта и познаваемого объекта.
Большинство объектов, изучаемых экономической наукой, может быть охарактеризовано кибернетическим понятием сложная система. Наиболее распространено понимание системы как совокупности элементов, находящихся во взаимодействии и образующих некоторую целостность, единство. Важным качеством любой системы является эмерджентность - наличие таких свойств, которые не присущи ни одному из элементов, входящих в систему. Поэтому при изучении систем недостаточно пользоваться методом их расчленения на элементы с последующим изучением этих элементов в отдельности. Одна из трудностей экономических исследований – в том, что почти не существует экономических объектов, которые можно было бы рассматривать как отдельные (внесистемные) элементы.
Сложность системы определяется количеством входящих в нее элементов, связями между этими элементами, а также взаимоотношениями между системой и средой. Экономика страны обладает всеми признаками очень сложной системы. Она объединяет огромное число элементов, отличается многообразием внутренних связей и связей с другими системами (здесь можно наблюдать взаимодействие природных, технологических, социальных процессов, объективных и субъективных факторов).
Сложность экономики иногда рассматривалась как обоснование невозможности ее моделирования, изучения средствами математики. Но как раз сложные объекты представляют наибольший интерес для моделирования; именно здесь моделирование может дать результаты, которые нельзя получить другими способами исследования.
Следует отметить, что точность и полнота первичной информации, реальные возможности ее сбора и обработки во многом определяют выбор типов прикладных моделей. С другой стороны, исследования по моделированию экономики выдвигают новые требования к системе информации.
В зависимости от моделируемых объектов и назначения моделей используемая в них исходная информация имеет существенно различный характер и происхождение. Она может быть разделена на две категории: о прошлом развитии и современном состоянии объектов (экономические наблюдения и их обработка) и о будущем развитии объектов, включающую данные об ожидаемых изменениях их внутренних параметров и внешних условий (прогнозы). Вторая категория информации является результатом самостоятельных исследований, которые также могут выполняться посредством моделирования.
Математические модели, используемые для описания экономических процессов и явлений называют экономико-математическими моделями. Для классификации этих моделей используются разные основания.
По целевому назначению экономико-математические модели делятся на теоретико-аналитические, используемые в исследованиях общих свойств и закономерностей экономических процессов , и прикладные, применяемые в решении конкретных экономических задач (модели экономического анализа, прогнозирования, управления).
При классификации моделей по исследуемым экономическим процессам и содержательной проблематике можно выделить модели экономики в целом и ее подсистем - отраслей, регионов и т.д., комплексы моделей производства, потребления, формирования и распределения доходов, трудовых ресурсов, ценообразования, финансовых связей и т.д.
С точки зрения общей классификацией математических моделей они подразделяются на функциональные и структурные, а также включают промежуточные формы (структурно-функциональные). Типичными структурными моделями являются модели межотраслевых связей. Функциональные модели широко применяются в экономическом регулировании, когда на поведение объекта ("выход") воздействуют путем изменения "входа".
Существует классификация моделей на дескриптивные и нормативные. Дескриптивные модели отвечают на вопрос: как это происходит? или как это вероятнее всего может дальше развиваться? То есть они только объясняют наблюдаемые факты или дают вероятный прогноз. Применение дескриптивного подхода в моделировании экономики объясняется необходимостью эмпирического выявления различных зависимостей в экономике, установления статистических закономерностей экономического поведения социальных групп, изучения вероятных путей развития каких-либо процессов при не изменяющихся условиях или протекающих без внешних воздействий. Примерами дескриптивных моделей являются производственные функции и функции покупательского спроса, построенные на основе обработки статистических данных.
Нормативные модели отвечают на вопрос: как это должно быть? То есть предполагают целенаправленную деятельность. Примером нормативных моделей являются модели оптимального планирования, формализующие тем или иным способом цели экономического развития, возможности и средства их достижения.
Является ли экономико-математическая модель дескриптивной или нормативной, зависит не только от ее математической структуры, но от характера использования этой модели. Многие экономико-математические модели сочетают признаки дескриптивных и нормативных моделей. Типична ситуация, когда нормативная модель сложной структуры объединяет отдельные блоки, которые являются частными дескриптивными моделями. Например, межотраслевая модель может включать функции покупательского спроса, описывающие поведение потребителей при изменении доходов. Подобные примеры характеризуют тенденцию эффективного сочетания дескриптивного и нормативного подходов к моделированию экономических процессов. Дескриптивный подход широко применяется в имитационном моделировании.
По характеру отражения причинно-следственных связей различают модели жестко детерминистские и модели, учитывающие случайность и неопределенность. Необходимо различать неопределенность, описываемую вероятностными законами, и неопределенность, для описания которой законы теории вероятностей неприменимы. Второй тип неопределенности гораздо более сложен для моделирования.
По способам отражения фактора времени экономико-математические модели делятся на статические и динамические. В статических моделях все зависимости относятся к одному моменту или периоду времени. Динамические модели характеризуют изменения экономических процессов во времени. Само время в экономико-математических моделях может изменяться либо непрерывно, либо дискретно.
Модели экономических процессов разнообразны по форме математических зависимостей. Особенно важно выделить класс линейных моделей, наиболее удобных для анализа и вычислений и получивших вследствие этого большое распространение. Различия между линейными и нелинейными моделями существенны не только с математической точки зрения, но и в теоретико-экономическом отношении, поскольку многие зависимости в экономике носят принципиально нелинейный характер: эффективность использования ресурсов при увеличении производства, изменение спроса и потребления населения при росте доходов и т.п.
По соотношению экзогенных и эндогенных переменных, включаемых в модель, модели могут разделяться на открытые и закрытые. Полностью открытых моделей не существует; модель должна содержать хотя бы одну эндогенную переменную. Полностью закрытые экономико-математические модели, т.е. не включающие экзогенных переменных, исключительно редки; их построение требует полного абстрагирования от "среды" (несмотря на то, что реальные экономические системы, всегда имеют внешние связи). Подавляющее большинство экономико-математических моделей занимает
промежуточное положение и различаются по степени открытости (закрытости).
Существует также деление моделей на агрегированные и детализированные.
В зависимости от того, включают ли модели пространственные факторы и условия или не включают, различают модели пространственные и точечные.
Таким образом, общая классификация экономико-математических моделей включает более десяти основных признаков. С развитием экономико-математических исследований проблема классификации применяемых моделей усложняется. Наряду с появлением новых типов моделей (особенно смешанных типов) и новых признаков их классификации осуществляется процесс интеграции моделей разных типов в более сложные модельные конструкции.
Можно выделить следующие аспекты применения математических методов в решении практических проблем.
1. Совершенствование системы экономической информации. Математические методы позволяют упорядочить систему экономической информации, выявлять недостатки в имеющейся информации и вырабатывать требования для подготовки новой информации или ее корректировки. Разработка и применение экономико-математических моделей указывают пути совершенствования экономической информации, ориентированной на решение определенной системы задач планирования и управления. Прогресс в информационном обеспечении планирования и управления опирается на бурно развивающиеся технические и программные средства информатики.
2. Интенсификация и повышение точности экономических расчетов. Формализация экономических задач и применение ЭВМ многократно ускоряют типовые, массовые расчеты, повышают точность и сокращают трудоемкость, позволяют проводить многовариантные экономические обоснования сложных мероприятий, недоступные при преобладании "ручной" технологии.
3. Углубление количественного анализа экономических проблем. Благодаря применению метода моделирования значительно усиливаются возможности конкретного количественного анализа; изучение многих факторов, оказывающих влияние на экономические процессы, количественная оценка последствий изменения условий развития экономических объектов и т.п.
4. Решение принципиально новых экономических задач. Посредством математического моделирования удается решать такие экономические задачи, которые иными средствами решить практически невозможно, например: нахождение оптимального варианта бизнес- плана, автоматизация контроля за функционированием сложных экономических объектов.
Рассмотрим основные этапы процесса моделирования и проанализируем последовательность и содержание этапов одного цикла экономико-математического моделирования.
1 этап. Постановка экономической проблемы и ее качественный анализ. Главное здесь - четко сформулировать сущность проблемы, принимаемые допущения и те вопросы, на которые требуется получить ответы. Этот этап включает выделение важнейших черт и свойств моделируемого объекта и абстрагирование от второстепенных; изучение структуры объекта и основных зависимостей, связывающих его элементы; формулирование гипотез (хотя бы предварительных), объясняющих поведение и развитие объекта.
2 этап. Построение математической модели. Это - этап формализации экономической проблемы, выражения ее в виде конкретных математических зависимостей и отношений (функций, уравнений, неравенств и т.д.). Обычно сначала определяется основная конструкция (тип) математической модели, а затем уточняются детали этой конструкции (конкретный перечень переменных и параметров, форма связей). Таким образом, построение модели подразделяется в свою очередь на несколько стадий.
Следует отметить, что не верно полагать, что чем больше фактов учитывает модель, тем она лучше "работает" и дает лучшие результаты. То же можно сказать о таких характеристиках сложности модели, как используемые формы математических зависимостей (линейные и нелинейные), учет факторов случайности и неопределенности и т.д. Излишняя сложность и громоздкость модели затрудняют процесс исследования. Нужно учитывать не только реальные возможности информационного и математического обеспечения, но и сопоставлять затраты на моделирование с получаемым эффектом (при возрастании сложности модели прирост затрат может превысить прирост эффекта).
Одна из важных особенностей математических моделей -п отенциальная возможность их использования для решения разнокачественных проблем. Поэтому, даже сталкиваясь с новой экономической задачей, вначале необходимо попытаться применить для решения этой задачи уже известные модели, а не стремиться "изобретать" модель.
Необходимо стремиться к тому, чтобы получить модель, принадлежащую хорошо изученному классу математических задач. Часто это удается сделать путем некоторого упрощения исходных предпосылок модели, не искажающих существенных черт моделируемого объекта. Однако возможна и такая ситуация, когда формализация экономической проблемы приводит к неизвестной ранее математической структуре.
3 этап. Математический анализ модели. Целью этого этапа является выяснение общих свойств модели. Здесь применяются чисто математические приемы исследования. Наиболее важный момент - доказательство существования решений в сформулированной модели (теорема существования). Если удастся доказать, что математическая задача не имеет решения, то необходимость в последующей работе по первоначальному варианту модели отпадает; следует скорректировать либо постановку экономической задачи, либо способы ее математической формализации. При аналитическом исследовании модели выясняются такие вопросы, как, например, единственно ли решение, какие переменные (неизвестные) могут входить в решение, каковы будут соотношения между ними, в каких пределах и в зависимости от каких исходных условий они изменяются, каковы тенденции их изменения и т.д. Исследование модели по сравнению с эмпирическим (численным) имеет то преимущество, что получаемые выводы сохраняют свою силу при различных конкретных значениях внешних и внутренних параметров модели.
Модели сложных экономических объектов с большим трудом поддаются аналитическому исследованию. В тех случаях, когда аналитическими методами не удается выяснить общих свойств модели, а упрощения модели приводят к недопустимым результатам, переходят к численным методам исследования.
4 этап. Подготовка исходной информации. Моделирование предъявляет жесткие требования к системе информации. В то же время реальные возможности получения информации ограничивают выбор моделей, предназначаемых для практического использования. При этом принимается во внимание не только принципиальная возможность подготовки информации (за определенные сроки), но и затраты на подготовку соответствующих информационных массивов. Эти затраты не должны превышать эффект от использования дополнительной информации.
В процессе подготовки информации широко используются методы теории вероятностей, теоретической и математической статистики. При системном экономико-математическом моделировании исходная информация, используемая в одних моделях, является результатом функционирования других моделей.
5 этап. Численное решение. Этот этап включает разработку алгоритмов для численного решения задачи, составления компьютерных программ и непосредственное проведение расчетов. Трудности этого этапа обусловлены прежде всего большой размерностью экономических задач, необходимостью обработки значительных массивов информации. Обычно расчеты по экономико-математической модели носят многовариантный характер. Благодаря высокому быстродействию современных ЭВМ удается проводить многочисленные "модельные" эксперименты, изучая "поведение" модели при различных изменениях некоторых условий. Исследование, проводимое численными методами, может существенно дополнить результаты аналитического исследования, а для многих моделей оно является единственно осуществимым. Класс экономических задач, которые можно решать численными методами, значительно шире, чем класс задач, доступных аналитическому исследованию.
6 этап. Анализ численных результатов и их применение. На этом заключительном этапе цикла встает вопрос о правильности и полноте результатов моделирования, о степени практической применимости последних.
Математические методы проверки могут выявлять некорректные построения модели и тем самым сужать класс потенциально правильных моделей. Неформальный анализ теоретических выводов и численных результатов, получаемых посредством модели, сопоставление их с имеющимися знаниями и фактами действительности также позволяют обнаруживать недостатки постановки экономической задачи, сконструированной математической модели, ее информационного и математического обеспечения.
Следует также отметить, что в процессе исследования обнаруживаются недостатки предшествующих этапов моделирования в связи с чем возникают взаимосвязи между этапами одного цикла экономико-математического моделирования, появляются возвратные связи этапов.
Уже на этапе построения модели может выясниться, что постановка задачи противоречива или приводит к слишком сложной математической модели. В соответствии с этим исходная постановка задачи корректируется. Далее математический анализ модели (этап 3) может показать, что небольшая модификация постановки задачи или ее формализации дает интересный аналитический результат.
Наиболее часто необходимость возврата к предшествующим этапам моделирования возникает при подготовке исходной информации (этап 4). Может обнаружиться, что необходимая информация отсутствует или же затраты на ее подготовку слишком велики. Тогда приходится возвращаться к постановке задачи и ее формализации, изменяя их так, чтобы использовать имеющуюся информацию.
Поскольку экономико-математические задачи могут быть сложны по своей структуре, иметь большую размерность, то часто случается, что известные алгоритмы и программы для ЭВМ не позволяют решить задачу в первоначальном виде. Если невозможно в короткий срок разработать новые алгоритмы и программы, исходную постановку задачи и модель упрощают: снимают и объединяют условия, уменьшают число факторов, нелинейные соотношения заменяют линейными, усиливают детерминизм модели и т.д.
Недостатки, которые не удается исправить на промежуточных этапах моделирования, устраняются в последующих циклах. Но результаты каждого цикла имеют и вполне самостоятельное значение. Начав исследование с построения простой модели, можно быстро получить полезные результаты, а затем перейти к созданию более совершенной модели, дополняемой новыми условиями, включающей уточненные математические зависимости.
Не следует забывать, что сфера практического применения метода моделирования ограничивается возможностями и эффективностью формализации экономических проблем и ситуаций, а также состоянием информационного, математического, технического обеспечения используемых моделей. Стремление во что бы то ни стало применить математическую модель может не дать хороших результатов из-за отсутствия хотя бы некоторых необходимых условий. Академик В.С. Немчинов писал, что математические модели не могут воспроизвести реальную действительность в точности и во всем ее многообразии. Отображая объективную действительность, модель ее упрощает, отбрасывая все второстепенное и побочное. Однако это упрощение не может быть произвольным и грубым. Адекватность реальной действительности - главное требование, предъявляемое к модели. Условия сходства и различия между моделью и реальной действительностью должны быть ясно сформулированы и точно определены.
В таблице 11 приведен обзор моделей, указаны их возможности и разновидности решений для которых описываемые модели предназначены.
Обзор СППР.
C ППР "Эксперт"
С истема поддержки принятия решений "Эксперт" - это инструмент для формализации и решения слабоструктурированных и неструктурированных задач планирования, прогнозирования и управления.
Особенности системы:
1. Система базируется на современных методах поддержки принятия решений, применявшихся в США, Мексике, Канаде и других странах для решения задач аналитического планирования.
2. Поддержка как числовых значений, так и субъективных вербальных предпочтений пользователя.
3. Возможность анализа данных на предмет согласованности и достоверности, исправление несогласованности.
4. Удобный графический интерфейс, инструменты для формализации проблемы, анализа результатов.
5. Возможность обработки любых внешних данных.
6. Обработка совместных суждений, достижение консенсуса
7. Подробные печатные отчеты.
8. Наличие библиотеки решений типовых задач в области финансов, экономики, управлении персоналом, предприятием и т.п.
9. Низкие системные требования.
Наличие библиотеки типовых иерархий и заданных парных сравнений для решения задач управления, прогнозирования и управления из различных сфер деятельности.
Crystal Info ( Seagate Info ) 7.5
Crystal Info 7.5 - система поддержки принятия решений, основанная на гибкой технологии доступа к данным и их обработки. Crystal Info (ранее: Seagate Info ) обеспечивает стандартизацию документооборота и отчетности в масштабе предприятия. Поддерживается технология OLAP , что позволяет получать ответы на важные для бизнеса вопросы "на лету".
В Crystal Info имеются средства для просмотра отчетов и данных, представленных в виде многомерных массивов, через Web -браузеры. Это делает Crystal Info практически независимой от используемых серверных платформ. Для представления результатов анализа используются средства, заимствованные из Crystal Reports , что дает возможность получать легкие для восприятия и просто красивые отчеты, которые могут содержать диаграммы и графики, подотчеты и т. п. Кроме того, Crystal Info имеет обширный арсенал средств дл я автоматизированного распространения отчетов, в том числе и по Internet . Отчеты могут выводиться на Web -сервер или рассылаться по электронной почте тем, для кого они предназначены. Составление и рассылка отчетов может производиться по заранее составленному расписанию или инициироваться теми или иными внешними событиями. Это позволяет отказаться от "бюрократических" методов работы, когда одним из звеньев в цепи передачи важной для принятия решений информации соответствующим должностным лицам является человек. Crystal Info поддерживает все основные источники данных PC и SQL -серверов; ODBC -совместимые; многомерные данные ( OLAP ); может работать со специфичными для программных продуктов Microsoft данными, такими, как Exchange или Outlook .
Большинство крупных компаний в своих КИС используют разнородные источники информации (например, ERP -системы SAP , Peoplesoft , iRenaissance , MFG / Pro , Baan ). Прозрачный доступ к данным, который обеспечивает Crystal Info , позволяет интегрировать все существующие технологии в целях решения задачи анализа. Новая технология Open OLAP дает возможность интегрировать многомерные OLAP -данные из разнородных источников: Crystal Info , Crystal Holos , Hyperion Essbase , OLE DB for OLAP providers ( Microsoft SQL Server OLAP Services and Applix TM 1), IBM DB 2 OLAP Services и Informix MetaCube . Все OLAP -источники могут быть представлены в рамках единого интерфейса. Эффективное выполнение отчетов возможно и на платформах UNIX ( Sun Solaris 2.5.1, HP - UX 10.20, IBM AIX 4.2.1).
Crystal Info интегрирован с программой архивации и резервного копирования Crystal Backup Exec , что обеспечивает высокую сохранность данных и возможность их быстрого восстановления при потере. Пользователи могут устанавливать опции резервного копирования как глобально для всей системы, так и для отдельных объектов.
Отличительные черты Crystal Info Управление выполнением запросов:
- управление запросами пользователей;
- управление выводом результатов;
- контроль за разделением информации;
- вывод отчетов, инициируемый событиями (обновлениями БД, например).
Возможности работы в Internet / intranet :
- вывод отчетов в формате HTML с возможностью просмотра в броузере ;
- обновление выводимых на Web -сайт отчетов по расписанию;
- вывод отчетов по статистике обращения к Web -сайту;
- Crystal Info WebAccess : доступ ко всем возможностям анализа данных и просмотра отчетов в безопасной среде Web через любой броузер , поддерживающий фреймы и JavaScript .
Возможности администрирования
ERP ( Enterprise Resource Planning )- системы традиционно используются крупными организациями для управления потоками данных и хранения данных.
- функции секретности;
- импорт списков пользователей Windows NT ;
- отчеты по спискам секретности;
- административные отчеты;
- возможность установки на рабочие станции по сети;
- управление секретностью на уровне представлений ( Viewing - level security );
- возможности назначения пользователям прав доступа;
- поддержка кластерных технологий.
ERP - системы являются интегрированной частью развития электронного бизнеса компаний. Эксплуатация ERP -систем позволяет наиболее эффективно реализовывать возможности компании.
Ориентированная на Web технология управления анализом и генерацией отчетности Crystal eBusiness Solution дополняет возможности ERP -систем за счет анализа информации, а также генерации и распространения критически важных отчетов между организациями.
Решения для SAP
Любой, кто оценил или поработал с SAP , понимает, как SAP может помочь управлять бизнес-процессами. Вы знаете, что информация - жизненная основа вашей организации и SAP R /3 делает исключительно важную работу по управлению данными. Однако существуют проблемы с генерацией отчетов в SAP R /3, вследствие сложности этой системы. Вы нуждаетесь в инструментальных средствах для доступа, анализа, генерации и распространения отчетов на основе ваших данных и использования этой ценной информации для принятия решений. Seagate Software предлагает уникальные возможности для пользователей SAP HR .
Система R /3 предоставляет большое количество стандартных отчетов и набор инструментов для доступа к информации и анализа информации. Однако сложная структура R /3 создает проблемы объединения данных в отчетах в масштабах организации:
- Интеграция данных из разных моделей;
- Интеграция данных из других источников с данными R /3 в едином отчете;
- Необходимость просмотра детальной информации из суммирующего отчета;
- Необходимость в более эффективном стоимостном анализе;
- Необходимость в отчетах презентационного качества;
- Необходимость в аналитических отчетах, у которых шаблон отчета может изменяться пользователем.
Как и любая другая транзакционная система, SAP R /3 не предназначена для поддержки аналитических отчетов или интерактивного анализа. Выполнение таких отчетов может привести к снижению производительности, поскольку каждый запрос пользователя направлется непосредственно к операционной базе данных SAP R /3.
Программирование ABAP - один способов, позволяющий организациям создавать собственные отчеты для конечных пользователей. Однако программирование в ABAP может быть дорогостоящим и трудоемким. ABAP не всегда отвечает требованиям конечного пользователя по прямому доступу к информации в форме специальных запросов или способности генерировать отчеты презентационного качества.
Решения Seagate Software для SAP R /3 расширяют возможности R /3 без программирования на ABAP . Вы можете также быстро и легко создавать отчеты презентационного качества и распространять их в масштабах вашего предприятия. В то время как стандартные отчеты SAP R /3 являются функциональными, отчеты, созданные с инструментальными средствами Seagate Software , просты для понимания и чтения и позволяют сортировать данные, создавать графики и выделять важную информацию. Решения Seagate Software для SAP R /3 включают современную визуализацию, навигацию, многомерный анализ и специальный анализ.
Решения по генерации отчетов от Seagate Software для R /3 и BW включают:
- Ряд драйверов для доступа к данным R /3 и BW
- Всемирно известные системы генерации отчетов, анализа и распространения информации Seagate Info и Seagate Crystal Reports , которые позволяют анализировать данные, содержащиеся в R /3 и BW .
- В частности, Seagate Software предлагает пять путей генерации отчетов для SAP на основе драйверов и интеграции с SAP :
- Генерация отчетов через прикладной уровень R /3
- Генерация отчетов на основе существующих запросов ABAP
- Генерация отчетов на основе хранилища данных Business Information Warehouse ( BW )
- Простая генерация аналитических отчетов на основе данных SAP HR .
- Генерация отчетов на основе функциональных областей HR .
Seagate Software предоставляет единый интерфейс для разработки и выполнения отчетов. Фактическая основная технология доступа к данным ограждена от конечного пользователя и разработчика отчетов. Такая технология позволяет предоставить более эффективный доступ к данным для конечного пользователя и уменьшить расходы на обучение персонала. Seagate Software предоставляет доступ к таблицам R /3 через драйвер Open SQL Driver , к запросам ABAP Queries через ABAP Query Driver и к Business Information Warehouse Info Cubes через интерфейс OLE DB for OLAP .
Генерация отчетов на основе SAP s Business Information Warehouse ( BW )
Обеспечивая доступ через единый интерфйс для Seagate Analysis , Seagate Info и Seagate Crystal Reports , пользователи получают мощный инструмент для анализа информации, хранимой в BW . SAP предоставляет 3-х уровневый интерфейс к Business Information Warehouse через стандартный драйвер, называемый OLE DB for OLAP ( ODBO ). Этот стандарт идеален для доступа к многомерным данным, таким как BW . С помощью этого интерфейса Вы можете обращатся к кубам ( Info Cubes ), хранящимся в SAP BW .
Используя Seagate Analysis , пользователи могут анализировать кубы BW и решать такие задачи, как анализ тренда. Информация, полученная в результате анализа, может быть сохранена и экспортирована в Crystal Report для создания отчета презентационного качества, а затем распространена с помощью Seagate Info.
Бысрое создание отчетов с помощью Seagate Crystal Reports в модуле SAP HR . Инструментарий SAP HR Ad - Hoc Query tool предоставляет пользователям HR создавать запросы для решения индивидуальных задач. В версии SAP HR 4.6 b при использовании драйвера Seagate Software HR Query driver пользователи могут экспортировать результаты запросов в Seagate Crystal Reports . Пользователи могут воспользоваться функциональностью Crystal Reports для форматирования и анализа данных с целью получения документа презентационного качества.
Использование SAP HR Functional Areas в среде Seagate Crystal Reports.
Функциональные области ( SAP R /3 Functional Areas ) являются абстрактными представлениями данных R /3. Создание запросов на основе функциональных областей упрощено, поскольку они содержат поля БД, относящиеся к определенным предметным областям. Это упрощает поиск информации для тех пользователей R /3, которые не очень хорошо знают структуру данных.
Новый драйвер Seagate Software s Functional Area driver для SAP HR (4.6 b ) позволяет создавать отчеты с помощью инструментов Seagate Software ( within Seagate Crystal Reports или Seagate Info ) непосредственно из данных функциональных областей SAP R /3.
Драйверы Seagate Software Functional Area driver и Seagate Software HR Query driver будут доступны в первой половине 2000 года.
Доступ к внешним данным. Многим компаниям тербуется доступ к внешним источникам данных, а не только к данным R /3. Инструментальные средства Seagate Software обеспечивают как доступ к самым разнообразным БД, так и создание отчетов на основе множественных источников данных, включая такие как R /3 и BW .
Baan
С помощью генератора отчетов Seagate Crystal Reports пользователи Baan могут создавать аналитические отчеты, обращаясь непосредственно к данным Baan через Baan native driver фирмы Seagate . С помощью того же драйвера, отчеты, созданные на основе данных Baan , могут быть эффективно распространены в масштабе корпорации с помощью Seagate Info . Seagate Info позволит также эффективно проанализировать информацию с помощью технологии многомерного анализа данных OLAP .
PeopleSoft
PeopleSoft и Seagate Software тесно интегрированы посредством PSQuery из состава PeopleTools . ( PeopleTools – инструментальный набор для пользователей и PeopleSoft ). PSQuery предоставляет доступ к данным, не требуя знания структуры таблиц PeopleSoft .
Интеграция Seagate Software и PeopleSoft обеспечивает безопасность данных и предоставляет полную функциональность, такую как доступ к метаданным PSQuery и внесение параметров. После недавней сертификации Seagate Info 7 для PeopleSoft 7.5, эта интеграция распространяется как на Crystal Reports так и на Seagate Info .
J.D. Edwards
Использование Seagate Crystal Reports с J.D. Edwards OneWorld . Последняя версия драйвера J . D . Edwards Open Data Access ( ODA ) Driver позволяет пользователям J . D . Edwards при помощи Crystal Reports создавать отчеты презентационного качества на основе данных off OneWorld data , что значительно повышает возможности OneWorld по обеспечению безопасности и поддержке бизнес-логики .
В ближайшее время будет опубликован материал об интеграции продуктов Seagate Software с системой iRenaissance .
Использование СППР в отраслях.
Телекоммуникации
Телекоммуникационные компании используют СППР для подготовки и принятия комплекса решений, направленных на сохранение своих клиентов и минимизацию их оттока в другие компании. СППР позволяют компаниям более результативно проводить свои маркетинговые программы, вести более привлекательную тарификацию своих услуг.
Анализ записей с характеристиками вызовов позволяет выявлять категории клиентов с похожими стереотипами поведения, с тем чтобы дифференцировано подходить к привлечению клиентов той или иной категории.
Есть категории клиентов, которые постоянно меняют провайдеров, реагируя на те или иные рекламные компании. СППР позволяют выявить наиболее характерные признаки стабильных клиентов, т.е. клиентов, длительное время остающихся верными одной компании, давая возможность ориентировать свою маркетинговую политику на удержание именно этой категории клиентов.
Банковское дело
СППР используются для более качественного мониторинга различных аспектов банковской деятельности, таких как обслуживание кредитных карт, займов, инвестиций и так далее, что позволяет значительно повысить эффективность работы.
Выявление случаев мошенничества, оценка риска кредитования, прогнозирование изменений клиентуры – области применения СППР и методов добычи данных. Классификация клиентов, выделение групп клиентов со сходными потребностями позволяет проводить целенаправленную маркетинговую политику, предоставляя более привлекательные наборы услуг той или иной категории клиентов.
Страхование
Набор применений СППР в страховом бизнесе можно назвать классическим - это выявление потенциальных случаев мошенничества, анализ риска, классификация клиентов.
Обнаружение определенных стереотипов в заявлениях о выплате страхового возмещения, в случае больших сумм, позволяет сократить число случаев мошенничества в будущем.
Анализируя характерные признаки случаев выплат по страховым обязательствам, страховые компании могут уменьшить свои потери. Полученные данные приведут, например, к пересмотру системы скидок для клиентов, подпадающих под выявленные признаки.
Классификация клиентов дает возможность выявить наиболее выгодные категории клиентов, чтобы точнее ориентировать существующий набор услуг и вводить новые услуги.
Розничная торговля
Торговые компании используют технологии СППР для решения таких задач, как планирование закупок и хранения, анализ совместных покупок, поиск шаблонов поведения во времени.
Анализ данных о количестве покупок и наличии товара на складе в течение некоторого периода времени позволяет планировать закупку товаров, например, в ответ на сезонные колебания спроса на товар.
Часто, покупая какой либо товар покупатель приобретает вместе с ним и другой товар. Выявление групп таких товаров позволяет, например, помещать их на соседних полках, с тем, чтобы повысить вероятность их совместной покупки.
Поиск шаблонов поведения во времени дает ответ на вопрос Если сегодня покупатель приобрел один товар, то через какое время он купит другой товар?. Например, приобретая фотоаппарат, покупатель, вероятно, в ближайшем будущем станет приобретать пленку, пользоваться услугами по проявке и печати.
