Принятие управленческих решений в маркетинге с помощью компьютерных средств, страница 14

В своем развитии DSS разделились на два типа в зависимости от данных, с которыми они работают [27].

○  Информационные системы руководства[14], предназначенные для немедленного реагирования на текущую ситуацию. По своей сути они приближаются к MIS (с элементами искусственного интеллекта), что следует даже из их названия. Этому направлению посвящено большое количество работ [58, 67, 75].

○  DSS с глубокой проработкой данных, специально преобразованных для использования в процессе принятия решений. Их неотъемлемой частью являются и правила принятия решений, то есть черты искусственного интеллекта. Создание таких систем возможно только тогда, когда структура бизнеса достаточно определена.

Для систем второго типа разработаны Хранилища данных – средства предварительной подготовки и хранения данных для DSS на основе информации из системы управления предприятием и из сторонних источников [27]. Хранилища данных строятся в основном на реляционных системах управления базами данных.

Поскольку реализация Хранилища данных для всей фирмы часто вызывает большие трудности (она должна основываться на бизнес-анализе всех процессов и данных предприятия), была предложена идея витрины данных [27][15], содержащей данные только для отдельного подразделения.

При использовании подхода к автоматизации бизнеса, основанного на Хранилищах данных, обязательно наличие в системе метаданных, хранимых в Репозитариях. Как отмечается в [32], проблемы разработки современных базовых мета-моделей все больше перекликаются с отечественными разработками начала 70-х годов по теории классификации.

Для анализа данных из Хранилища разработан новый подход к поиску и выборке данных – OLAP (On-Line Analytical Processing). OLAP строится на следующих базовых принципах [32]:

○  все данные, необходимые для принятия решений, предварительно агрегированы на всех уровнях и организованы для быстрейшего доступа к ним;

○  язык манипулирования данными основан на использовании бизнес-понятий;

○  увеличено число исследуемых измерений данных (учитывается нескольких параметров);

○  усложнено содержимое ячеек данных (каждая ячейка может иметь несколько значений);

○  введена иерархия в пределах одного измерения (год состоит из кварталов, квартал – из месяцев и т.д.).

Наибольший эффект от использования Хранилищ данных можно получить с помощью Data Mining (интеллектуального анализа данных)[16]. Традиционно пользователь сам выдвигал содержательные гипотезы относительно зависимостей между данными, а автоматизированная система анализа оценивала их достоверность по имеющимся данным. Теперь предлагается искать эти зависимости автоматически. Data Mining автоматизирует следующие процессы:

○  поиск зависимостей[17];

○  прогнозирование[18];

○  анализ аномалий[19].

При этом используется практически весь арсенал методов статистического анализа и искусственного интеллекта.

Во многих статьях, например, в [10], указывается, что технология OLAP направлена в первую очередь на поддержку принятия управленческих решений, но применение этой технологии представляет собой сложный многоступенчатый процесс, требующий от пользователей хорошего понимания деловой области, самих данных и общего характера используемых аналитических методов. Таким образом, технология OLAP остается пока достаточно «тяжелой», и ее внедрение целесообразно производить комплексно, в больших фирмах.

Большие надежды возлагаются на объектный подход к моделированию бизнеса. Для того разрабатываются специальные приложения и языковые средства, например, CORBA[20] для описания данных о бизнес-объектах и работы с ними [32]. Из обзора [4] следует, что высокая гибкость и универсальность данной технологии определяется широким использованием виртуальных понятий. Для работы требуется освоить такие понятия, как сервант, скелетон, инкарнация, эфемеризация. Как говорится в [4], при посылке запроса «на деревню дедушке» будет создан не только виртуальный «дедушка», но и сама виртуальная деревня. По мнению авторов, для работы с такими системами потребуется высочайшая квалификация обслуживающего персонала. Освоение конечным пользователем виртуальных понятий происходит достаточно трудно, как показывает даже работа с простыми SQL-запросами[21]. Можно ожидать, что конечные пользователи будут зависеть от специалистов по информационным технологиям даже в большей степени, чем при создании экспертных систем.