Информационные технологии, использующие системы поддержки принятия решений или системы искусственного интеллекта

Это все, что нужно сделать для автоматизации  процесса извлечения данных. Все остальное  делает лицо, принимающее решение. Различные  методы просто дают разную информацию в разных видах: в простейшем случае это таблицы и диаграммы, в более сложном – модели и правила. Полностью исключить участие человека невозможно, поскольку выбранные данные не имеют никакого значения, пока не будут применены в конкретной предметной области.

Таким образом, методы решения задачи по принятию решения не зависят от инструментария. Поэтому в рамках двух вышеописанных парадигм может существовать сколь угодно широкий набор инструментов. Говорить о действительно полнофункциональном решении можно только в том случае, если был охвачен весь список задач.

По мнению руководителей крупнейших компаний, разрабатывающих специализированные информационно-аналитические системы  и системы поддержки принятия решений, это направление должно стать приоритетным при информатизации бизнеса. Основная задача, решаемая при переходе на использование таких систем, – помочь организациям наладить контроль и управление, способствующие повышению эффективности, рациональности и качества оказываемых услуг.

Мнение  экспертов о Data Mining

Приведем  несколько кратких цитат [4] наиболее влиятельных членов бизнес-сообществ, которые являются экспертами в этой относительно новой технологии.

Руководство по приобретению продуктов Data Mining (Enterprise Data Mining Buying Guide) компании Aberdeen Group: "Data Mining - технология добычи полезной информации из баз данных. Однако в связи с существенными различиями между инструментами, опытом и финансовым состоянием поставщиков продуктов, предприятиям необходимо тщательно оценивать предполагаемых разработчиков Data Mining и партнеров.

Чтобы максимально использовать мощность масштабируемых инструментов Data Mining коммерческого уровня, предприятию необходимо выбрать, очистить и преобразовать данные, иногда интегрировать информацию, добытую из внешних источников, и установить специальную среду для работы Data Mining алгоритмов.

Результаты  Data Mining в большой мере зависят от уровня подготовки данных, а не от "чудесных возможностей" некоего алгоритма или набора алгоритмов. Около 75% работы над Data Mining состоит в сборе данных, который совершается еще до того, как запускаются сами инструменты. Неграмотно применив некоторые инструменты, предприятие может бессмысленно растратить свой потенциал, а иногда и миллионы долларов".

Мнение  Херба Эдельштайна (Herb Edelstein), известного в мире эксперта в области Data Mining, Хранилищ данных и CRM: "Недавнее исследование компании Two Crows показало, что Data Mining находится все еще на ранней стадии развития. Многие организации интересуются этой технологией, но лишь некоторые активно внедряют такие проекты. Удалось выяснить еще один важный момент: процесс реализации Data Mining на практике оказывается более сложным, чем ожидается.

IT-команды увлеклись мифом о том, что средства Data Mining просты в использовании. Предполагается, что достаточно запустить такой инструмент на терабайтной базе данных, и моментально появится полезная информация. На самом деле, успешный Data Mining-проект требует понимания сути деятельности, знания данных и инструментов, а также процесса анализа данных".

Прежде чем использовать технологию Data Mining, необходимо тщательно проанализировать ее проблемы, ограничения и критические вопросы, с ней связанные, а также понять, чего эта технология не может.

Data Mining не может заменить аналитика

Технология  не может дать ответы на те вопросы, которые не были заданы. Она не может заменить аналитика, а всего лишь дает ему мощный инструмент для облегчения и улучшения его работы.

Поскольку данная технология является мультидисциплинарной областью, для разработки приложения, включающего Data Mining, необходимо задействовать специалистов из разных областей, а также обеспечить их качественное взаимодействие.

Квалификация  пользователя

Различные инструменты Data Mining имеют различную степень "дружелюбности" интерфейса и требуют определенной квалификации пользователя. Поэтому программное обеспечение должно соответствовать уровню подготовки пользователя. Использование Data Mining должно быть неразрывно связано с повышением квалификации пользователя. Однако специалистов по Data Mining, которые бы хорошо разбирались в бизнесе, пока еще мало.

Извлечение  полезных сведений невозможно без хорошего понимания  сути данных

Необходим тщательный выбор модели и интерпретация  зависимостей или шаблонов, которые  обнаружены. Поэтому работа с такими средствами требует тесного сотрудничества между экспертом в предметной области и специалистом по инструментам Data Mining. Построенные модели должны быть грамотно интегрированы в бизнес-процессы для возможности оценки и обновления моделей. В последнее время системы Data Mining поставляются как часть технологии хранилищ данных.

Сложность подготовки данных

Успешный  анализ требует качественной предобработки  данных. По утверждению аналитиков и пользователей баз данных, процесс  предобработки может занять до 80% процентов всего Data Mining-процесса.

Таким образом, чтобы технология работала на себя, потребуется много усилий и времени, которые уходят на предварительный  анализ данных, выбор модели и ее корректировку.

Большой процент ложных, недостоверных  или бессмысленных результатов

С помощью  Data Mining можно отыскивать действительно очень ценную информацию, которая вскоре даст большие дивиденды в виде финансовой и конкурентной выгоды.

Однако  Data Mining достаточно часто делает множество ложных и не имеющих смысла открытий. Многие специалисты утверждают, что Data Mining-средства могут выдавать огромное количество статистически недостоверных результатов. Чтобы этого избежать, необходима проверка адекватности полученных моделей на тестовых данных.

Высокая стоимость

Качественная Data Mining-программа может стоить достаточно дорого для компании. Вариантом служит приобретение уже готового решения с предварительной проверкой его использования, например на демо-версии с небольшой выборкой данных.

Наличие достаточного количества репрезентативных данных

Средства  Data Mining, в отличие от статистических, теоретически не требуют наличия строго определенного количества ретроспективных данных. Эта особенность может стать причиной обнаружения недостоверных, ложных моделей и, как результат, принятия на их основе неверных решений. Необходимо осуществлять контроль статистической значимости обнаруженных знаний.

Характеристика  систем поддержки  принятия решений

Системы поддержки принятия решений:

• предполагают гибкость пользователей, адаптируемость и быструю реакцию;
• допускают, чтобы пользователи управляли входом и выходом;
• оперируют с небольшой помощью профессиональных программистов или без нее;
• обеспечивают поддержку для решений и проблем, которые не могут быть определены заранее;
• используют сложный анализ и инструментальные средства моделирования.

СППР  имеют большую аналитическую  мощность, чем другие системы: они  построены с рядом моделей, чтобы  анализировать данные. Системы СППР интерактивны; пользователь может изменять предположения и включать новые данные.

Процесс принятия решений человеком, как  блоком принятия решений в СППР, включает четыре стадии:

• распознавание или осмысление- состоит из идентификации и понимания проблем, встречающихся в организации: почему проблемы возникают, где и с каким результатом. Традиционные управляющие информационные системы (УИС), которые поставляют широкое многообразие детальной информации, могут помогать опознавать проблемы, особенно если системы сообщают об исключениях;
• проект или продумывание - в течение принятия решений лицо, принимающее решение, продумывает возможные варианты решения проблем. Малые системы СППР идеальны в этой стадии принятия решений, потому что они оперируют на простых моделях, могут быть быстро развиты и работать с ограниченными данными;
• выбор - заключается в подборе решений среди альтернатив. Здесь изготовитель решений мог бы нуждаться в большой системе СППР, чтобы использовать более обширные данные относительно ряда альтернатив и комплексные аналитические модели, чтобы объяснить все затраты, следствия и возможности;
• реализация - в течение выполнения решения менеджеры могут использовать систему сообщения, которая поставляет обычные доклады относительно прогресса определенного решения. Системы поддержки выполнения могут быть от полномасштабной управляющей информационной системы до меньших систем, таких, как программное обеспечение планирования проекта, использующего микрокомпьютеры.

Стадии  принятия решений могут следовать  и в другой последовательности.

СППР  предназначены, чтобы помогать проектировать, оценивать альтернативы и контролировать процесс реализации.

СППР  помогают находить ответы на следующие  типичные вопросы:

1. Анализ примеров (case analysis) - оценка значений выходных величин для заданного набора значений входных переменных.
2. Параметрический анализ {«Что, если... ?»)- оценка поведения выходных величин при изменении значений входных переменных.
3. Анализ чувствительности - исследование поведения результирующих переменных в зависимости от изменения значений одной или нескольких входных переменных.
4. Анализ возможностей - нахождение значений входной переменной, которые обеспечивают желаемый результат (известен также под названием «поиск целевых решений», «анализ значений целей», «управление по целям»).
5. Анализ влияния - выявление для выбранной результирующей переменной всех входных переменных, влияющих на ее значение, и оценка величины изменения результирующей переменной при заданном изменении входной переменной, скажем, на 1 %.
6. Анализ данных - прямой ввод в модель ранее имевшихся данных и манипулирование ими при прогнозировании.
7. Сравнение и агрегирование - сравнение результатов двух или более прогнозов, сделанных при различных входных предположениях, или сравнение предсказанных результатов с действительными, или объединение результатов, полученных при различных прогнозах или для разных моделей.
8. Командные последовательности (sequences) - возможность записывать, исполнять, сохранять для последующего использования регулярно выполняемые серии команд и сообщений.
9. Анализ риска - оценка изменения выходных переменных при случайных изменениях входных величин.
10. Оптимизация - поиск значений управляемых входных переменных, обеспечивающих наилучшее значение одной или нескольких результирующих переменных.

Функциональность  DSS-систем

Общий портрет  DSS-систем можно составить на основе краткого анализа предложений таких мегавендеров как SAP, SAS, Oracle, IBM и Microsoft. Автор не ставил перед собой целью сравнительный анализ продуктов — это тема других работ. Но хочется отметить, что выход Microsoft на позицию лидера (раньше компания была в секторе «Претенденты») приведет к дальнейшей трансформации DSS-систем из дорогих средств стратегического значения в широко распространенные, зрелые технологии.  
В основной функциональный набор DSS -систем входят:  
• финансовое планирование и бюджетирование;  
• формирование консолидированной отчетности (до 200 преднастроенных отчетов);  
• создание информационной системы стратегического управления на основе ключевых показателей деятельности (Balance Scorecards) с преднастроенными библиотеками показателей (до 500);  
• анализ взаимоотношений с клиентами и поставщиками;  
• анализ рыночных тенденций;  
• функционально-стоимостный анализ (ABC-Costing);  
• функционально-стоимостное управление (Activity Based Management, ABM);  
• система постоянных улучшений (Kiezen Costing);  
• многомерный анализ данных (OLAP);  
• выявление скрытых закономерностей (Data Mining);  
• выявление моделей (структур) данных;  
• статистический анализ и прогнозирование временных рядов;  
• событийное управление бизнесом (Event-driven BI);  
• анализ рисков;  
• формирование преднастроенных запросов (до 500-600);  
• интеллектуальный поиск (по неполным данным и неформальным запросам);  
• бизнес-моделирование и анализ эффективности выполнения бизнес-процессов;  
• референтные отраслевые модели.  
Количество преднастроенных областей анализа достигает 30-40.

Основные  компоненты

Рассмотрим  структуру системы поддержки  принятия решений (рис.1.), а также функции составляющих ее блоков, которые определяют основные технологические операции.

Рис. 1. Основные компоненты информационной технологии поддержки принятия решений

В состав системы поддержки принятия решений  входят три главных компонента: база данных, база моделей и программная  подсистема, которая состоит из системы управления базой данных (СУБД), системы управления базой моделей (СУБМ) и системы управления интерфейсом между пользователем и компьютером.

Система управления интерфейсом

Эффективность и гибкость информационной технологии во многом зависят от характеристик интерфейса системы поддержки принятия решений. Интерфейс определяет: язык пользователя; язык сообщений компьютера, организующий диалог на экране дисплея; знания пользователя.