В 1980-е годы американские и японские компании начали развивать информационные системы, которые разительно отличались от MIS. Эти системы положили начало процессу «интеллектуализации» И С. Новые системы были меньшими, интерактивными, и их целью было помочь ко­нечным пользователям работать со всеми типами данных, проводить ана­литические исследования, строить модели и разыгрывать сценарии для решения слабоструктурированных и вообще неструктурированных про­блем в инновационных проектах. Системы, предоставляющие такие воз­можности, называются системами поддержки принятия решений — СППР (Decision Support System — DSS).

Эта концепция включает ряд средств, объединенных общей целью — способствовать принятию рациональных и эффективных управленче­ских решений.

Система поддержки принятия решений — это диалоговая автома­тизированная система, использующая правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.

Основу СППР составляет комплекс взаимосвязанных моделей с соответствующей информационной поддержкой исследования, экс­пертные и интеллектуальные системы, включающие опыт решения задач управления и обеспечивающие участие коллектива экспертов в процессе выработки рациональных решений.

На рисунке приведена архитектурно-технологическая схема информационно-аналитической поддержки принятия решений.

Рисунок Архитектурно-технологическая схема СППР хранилища данных

Ясно, что принятие решений должно основываться на реальных данных об объекте управления. Такая информация обычно хранится в оперативных базах данных OLTP-систем. Но эти оперативные дан­ные не подходят для целей анализа, так как для анализа и принятия стратегических решений в основном нужна агрегированная информа­ция. Кроме того, для целей анализа необходимо иметь возможность быстро манипулировать информацией, представлять ее в различных аспектах, производить различные нерегламентированные запросы к ней, что затруднительно реализовать на оперативных данных по соображе­ниям производительности и технологической сложности.

Решением данной проблемы является создание отдельного хра­нилища данных (ХД), содержащего агрегированную информацию в удобном виде. Целью построения хранилища данных является интег­рация, актуализация и согласование оперативных данных из разнород­ных источников для формирования единого непротиворечивого взгляда на объект управления в целом.

Концепция хранилищ данных предполагает не просто единый логический взгляд на данные предприятия, а действительную реализа­цию единого интегрированного источника данных.

Хранилище данных функционирует по следующему сценарию. По заданному регламенту в него собираются данные из различных источников — БД систем оперативной обработки. В хранилище под­держивается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и в ряде случаев агрегируются до минимально требуемого уровня обобщения.

На основе хранилища данных возможно составление отчетности для руководства, анализ данных с помощью OLAP-технологий и интел­лектуальный анализ данных (Data Mining).

OLAP-технологии. В основе концепции оперативной аналитиче­ской обработки (OLAP) лежит многомерное представление данных. Термин «OLAP» ввел Е.Ф. Кодд в 1993 г. Он рассмотрел недостатки реляционной модели, в первую очередь невозможность «объединять, просматривать и анализировать данные с точки зрения множествен­ности измерений, то есть самым понятным для корпоративных анали­тиков способом», и определил общие требования к системам OLAP, расширяющим функциональность реляционных СУБД и включающим многомерный анализ как одну из своих характеристик.

По Кодду, многомерное концептуальное представление (multir dimensional conceptual view) является наиболее естественным взглядом управляющего персонала на объект управления. Оно представляет собой множественную перспективу, состоящую из нескольких незави­симых измерений, вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по несколь­ким измерениям данных определяется как многомерный анализ. Каж­дое измерение включает направления консолидации данных, состоя­щие из серии последовательных уровней обобщения, где каждый вышестоящий уровень соответствует большей степени агрегации дан­ных по соответствующему измерению. Так, измерение «Исполнитель» может определяться направлением консолидации, состоящим из уров­ней обобщения «предприятие—подразделение — отдел—служащий». Измерение «Время» может даже включать два направления консоли­дации: «год — квартал — месяц — день» и «неделя — день», посколь­ку счет времени по месяцам и по неделям несовместим. В этом случае становится возможным произвольный выбор желаемого уровня дета­лизации информации по каждому из измерений. Операция спуска (drilling down) соответствует движению от высших ступеней консоли­дации к низшим; напротив, операция подъема (rolling up) означает дви­жение от низших уровней к высшим.

Интеллектуальный анализ данных. Наибольший интерес в СППР представляет интеллектуальный анализ данных (Data mining), так как он позволяет провести наиболее полный и глубокий анализ проблемы, дает возможность обнаружить скрытые взаимосвязи, при­нять наиболее обоснованное решение.

Современный уровень развития аппаратных и программных средств с некоторых пор сделал возможным повсеместное ведение баз данных оперативной информации на разных уровнях управления. В процессе деятельности промышленные предприятия, корпорации, ведомственные структуры, органы государственной власти и местного самоуправления накопили большие объемы данных, и существуют боль­шие потенциальные возможности по извлечению полезной аналити­ческой информации, на основе которой можно выявлять скрытые тен­денции, строить стратегию развития, находить новые решения.

Интеллектуальный анализ данных (ИАД)—это процесс поддерж­ки принятия решений, основанный на поиске в данных скрытых законо­мерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарак­теризована как знания.

В общем случае процесс ИАД состоит из трех стадий:

1) выявление закономерностей;

2) использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование);

3) анализ исключений, предназначенный для выявления и толко­вания аномалий в найденных закономерностях.

В середине 1980-х такие системы стали использоваться в текущей де­ятельности крупных компаний и корпораций. В настоящее время DSS яв­ляется обязательной частью корпоративных ИС (КИС) (рис. 7.5.1)

Приведем основные характеристики систем поддержки принятия решения:

предлагают гибкость использования, адаптируемость и быструю реакцию;

допускают управление входом и выходом;

работают практически без участия профессиональных программи­стов;

обеспечивают информационную поддержку для решений проблем, которые не могут быть определены заранее;

применяют сложный многомерный и многофакторный анализ и инструментальные средства моделирования.

Данные, приведенные в таблице 7.5.1, показывают различия между системами MIS и DSS.

Хорошо разработанные DSS применяются на многих уровнях пред­приятия. Руководители компании и ведущие менеджеры могут пользо­ваться финансовыми модулями DSS, чтобы предсказать эффективность использования активов компании при изменении деловой активности или экономической ситуации в стране. Менеджерам среднего звена та же система может быть полезной для оценки перспективности краткосроч­ных инвестиций по выполняемым проектам. Для руководителей проек­тов — это инструмент для финансового планирования и распределения средств по планируемым закупкам.

Экспертные системы

Экспертные системы это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания экспертов.

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями.

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений.

Экспертная система имеет разветвленную сеть, позволяющую делать запросы и глубокий поиск в базах данных и хранилищах знаний.

Экспертные системы широко применяются в бизнесе, часто работа­ют независимо и не включаются в корпоративные информационные се­ти. Как правило, они являются узко специализированными: транспортные, медицинские, банковские, торговые, юридические и т. д.