Развитие систем предметной области
Поможем в ✍️ написании учебной работы
Поможем с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой

Под системами предметной области здесь и далее понимаются ин­формационные системы, автоматизирующие отдельные операции основ­ных бизнес-процессов, использующие сложные математические модели, требующие больших вычислительных мощностей. В качестве примеров могут рассматриваться системы:

· автоматизированного проектирования, основанные на моделях инже­нерных расчетов;

· моделирования месторождений в добывающей промышленности, ос­нованные на математических моделях геологии;

· технического анализа и прогнозирования биржевых котировок ценных бумаг; о компьютерной графике; о биржевой торговле и др.

При всех своих различиях они имеют целый ряд общих свойств, отли­чающих их от информационных систем других видов. К числу таких осо­бенностей относятся:

· жесткие требования к аппаратным и программным средствам, кото­рые должны быть выполнены по принципу «все или ничего»;

· жесткие требования к инфраструктуре ИС — локальной сети, сред­ствам связи, системам резервного копирования и иным средствам по­вышения надежности хранения данных;

· высокая степень специализации аппаратного и программного обеспе­чения.

Вышеперечисленные системы обладают рядом характеристик, сбли­жающих методы их экономической оценки с оценкой АСУ ТП. Речь идет о:

· слабом влиянии на бизнес-процессы предприятия в целом;

· непосредственном создании стоимости в процессе эксплуатации ин­формационной системы;

· оценке доходности проектов на основании экономической оценки из­менения нефинансовых показателей эффективности (путем совмест­ного использования экспертных оценок, моделей ФСУ и КПР).

Процедура оценки проекта системы предметной области сходна с про­цедурой оценки проекта АСУ ТП. Некоторые отличия обусловлены:

· отсутствием рассредоточения по многочисленным производственным объектам. В результате отпадает проблема выбора объектов внедре­ния системы. Вместо выбора объектов проверяется достаточность об­щего объема операций для окупаемости проекта;

· компактным расположением вычислительной системы, ограничива­ющим требования к локальной сети общего пользования. Это не ис­ключает высоких требований к внутренним каналам передачи дан­ных и каналам связи. Примеры — каналы «сервер — сервер» или «сервер — дисковый массив» внутри кластера, каналы связи с бирже­выми серверами для торговой системы;

· сосредоточением высоких первоначальных затрат на одном произ­водственном объекте (лаборатории, исследовательском центре, ра­бочем месте). Следствие — высокие постоянные затраты.

В оценке систем предметной области также используются несколько иные показатели. Во-первых, они относятся уже не к производственно­му процессу в узком смысле слова, а к бизнес-процессу. Во-вторых, от­личен сам набор характеристик:

· вероятность успеха операции;

· длительность операции;

· доля вычислительных экспериментов в реализации операции;

· время реакции на изменения внешней среды.

Приведем примеры действия некоторых показателей.

Вероятность успеха операции. Качество прогнозирования — один из критических факторов успеха в современном бизнесе. Во многих от­раслях бизнеса прогноз требует сложных математических моделей. На­пример, для добывающей промышленности таков прогноз точек бурения скважин, для биржевой торговли — прогноз динамики цен и т.д. Со­гласно экспертным оценкам, в нефтедобыче специалист находит опти­мальное место бурения скважины с вероятностью 40%, а специалист, использующий математическую модель месторождения, — с вероятнос­тью 60%. Это и есть вероятность успеха операции. Финансовая оцен­ка данного показателя определяется затратами на ошибочно пробурен­ные скважины.

Длительность операции. В машиностроении всех видов время про­ектирования новой модели изделия составляет от нескольких месяцев до нескольких лет и является критическим параметром. Применение сис­тем автоматизированного проектирования и других автоматизированных технологий позволило сократить длительность проектирования новой модели автомобиля среднего класса с 72 до 37 месяцев. Финан­совая оценка такого сокращения определяется в данном случае вероят­ностью успеха при выводе новой модели на рынок. Предсказать спрос за 37 месяцев заведомо проще, чем за 72.

Доля вычислительных экспериментов в реализации операции. В автомобилестроении безопасность вновь разработанных моделей автомобилей проверяется краш-тестами — искусственными авариями по специальной методике. В настоящее время до 90% краш-тестов при разработке автомобиля моделируется путем вычислительного экспери­мента. Финансовая оценка данного показателя складывается из сниже­ния себестоимости эксперимента (машины и манекены с датчиками не разбиваются) и сокращения времени разработки. Времени на вычисли­тельный эксперимент требуется значительно меньше, чем на реальный краш-тест.

Время реакции на изменение внешней среды. В современных сис­темах биржевых торгов предусмотрены автоматические реакции клиент­ских терминалов на изменения цен. Тем самым портфель ценных бумаг оптимизируется 24 часа в сутки с учетом разницы в часовых поясах на различных финансовых рынках. Финансовые последствия этого резуль­тата оцениваются разницей стоимости портфеля бумаг при полностью ручном управлении портфелем и автоматическими реакциями.

Отметим, что оценка систем предметной области про­водится по следующей схеме:

1. Производится предварительная оценка затрат на проект.

2. Оценивается достаточность объема операций данного класса для окупаемости системы предметной области.

3. Оценивается изменение показателей бизнес-процесса в результате проекта (аналогично вышеприведенным примерам).

4. Производится финансовая оценка изменений показателей бизнес-процесса на основе модели КПР.

Вследствие вышеперечисленных отличий системы предметной об­ласти предъявляют требования не столько к разветвленности локаль­ной сети предприятия, сколько к средствам администрирования данных и внешним каналам связи. При этом специализированный характер обо­рудования и ПО данных систем (в отличие от достаточно универсальной кабельной сети, серверов и сетевого оборудования при использовании АСУ ТП) весьма затрудняет совместную эксплуатацию данной инфра­структуры специализированными системами и системами общего назна­чения (кабельная сеть, серверы и сетевое оборудование, используемое АСУ ТП, достаточно универсальны).

Таким образом, информационные системы предметной области пред­ставляют собой сравнительно замкнутые образования в составе инфор­мационной сети предприятия, потребляющие главным образом серви­сы администрирования данных и (при условии соблюдения системных требований к этим сервисам) слабо влияющие на инфраструктуру ИТ предприятия в целом. Такая система значительно ближе, нежели АСУ ТП, к «черному ящику» с жестко заданными входами и выходами. Как след­ствие, финансовый результат проектов развития подобных систем прак­тически полностью определяется финансовым результатом проекта раз­вития базового бизнес-процесса, обеспечиваемого данными системами. По этой причине крайне редко требуется интеграция системы учета за­трат ИС и соответствующего бизнес-подразделения, а совместное пла­нирование проектов, как правило, ограничивается обеспечением тех­нических условий функционирования системы предметной области со стороны ИС.

В результате схема принятия решений гораздо проще, чем в АСУ ТП. Поскольку речь идет о заданных технических требованиях к инфраструк­туре ИТ, при согласовании в ИС проект рассматривается службами управления пропускной способностью и доступностью. При недостаточ­ной пропускной способности или недостаточной технической надежности существующей инфраструктуры ИТ формируется спецификация на за­купку необходимого оборудования и ПО. Соответствующая специфика­ция поступает на исполнение в службу закупок ИТ или предприятия в це­лом как обыкновенный заказ, в рамках общего плана проекта развития системы предметной области.

Рис. 9. 2 Схема принятия решения по системам предметной области.

 

Уже отмеченная простота расчета в данной ситуации позволяет пой­ти по еще более простому пути экспертных оценок. Если сбор данных требует больших усилий и затрат, грубый результат может быть полу­чен гораздо дешевле посредством сопоставления с другими предприяти­ями и экстраполяции полученных данных. При большей величине ожи­даемого экономического эффекта точность таких оценок не скажется на качественном результате. В противном же случае необходимо провести полный цикл расчетов либо принять на себя ответственность за заведо­мо рискованное решение.

 

Дата: 2019-03-05, просмотров: 276.