Поддержка принятия решений в динамически изменяемых системах

Рис. 1.7 Операция среза (slice)

Запросы вида drill-down (детализация) и roll-up (обобщение) — взаимообратные операции, которые используют иерархию измерений и меры для агрегирования. Направление детализации/обобщения может быть задано как по иерархии отдельных измерений, так и согласно прочим отношениям, установленным в рамках измерений или между измерениями.

Запросы вида drill-across комбинируют кубы, которые имеют одно или несколько общих измерений. С точки зрения реляционной алгебры такая операция выполняет слияние (join).

Запросы вида ranking возвращают только те ячейки, которые появляются в верхней или нижней части упорядоченного определенным образом списка.

Поворот (rotating) куба дает пользователям возможность увидеть данные, сгруппированные по другим измерениям (рис. 1.8). Например, операция вращения может заключаться в перестановке местами строк и столбцов таблицы или перемещении интересующих измерений в столбцы или строки создаваемого отчета, что позволяет придавать ему желаемый вид.

Рис. 1.8 Операция вращения (rotating)

Основным достоинством многомерной модели данных является удобство и эффективность аналитической обработки больших объемов данных, связанных со временем. При организации обработки аналогичных данных на основе реляционной модели происходит нелинейный рост трудоемкости операций в зависимости от размерности БД и существенное увеличение затрат оперативной памяти на индексацию.

Недостатком многомерной модели данных является ее громоздкость для простейших задач обычной оперативной обработки информации.

 

 

1.2.4 Применение многомерного анализа данных в СППР

Многомерный анализ данных – это извлечение полезной информации из многомерной структуры данных посредством оперативного анализа (OLAP).

Многомерный анализ позволяет лицу, принимающему решение (ЛПР), делать срезы многомерных данных, высчитывать суммарные значения по любым измерениям, тем самым обеспечивая ЛПР любой интересующей информацией. Другими словами, многомерный анализ данных позволяет формировать любой отчёт без участия программистов и без знания языков запросов к базам данных.

Большим преимуществом многомерного анализа данных по сравнению с другими способами анализа является автоматический подсчёт агрегатных (суммарных, средних и др.) значений. Таким образом,  ЛПР может посмотреть любой интересующую его статистическую информацию за определённый промежуток времени.

Многомерный анализ данных применяется только в СППР, ориентированных на работу с данными (Data-drivenDSS) и имеющих большую базу исходных данных, накопленных за значительный период времени.

 

1.3 Особенности СППР в динамических системах

Современные СППР для принятия обоснованных решений в динамических системах учитывают очень большое количество факторов, например, риски предприятий. Под рисками предприятий понимается вероятность успешного выполнения предприятием определённого задания и ожидаемый ущерб, нанесённый заказчику при срыве задания.

Часть из всех факторов, рассматриваемых СППР, такие как риски, оценки, вероятности и др. могут изменяться с течением времени и, следовательно, СППР должна учитывать это. В теории менеджмента существует специальный подход к выбору оптимального решения в обстановке изменяемых во времени факторов – ситуационный подход. Ситуация, в данном случае, – это состояние значений всех динамически изменяемых факторов в текущий момент времени. Ситуационный подход предполагает создание различных вариантов решений, каждое из которых пригодно в той или иной ситуации. Самым эффективным решением в конкретной ситуации является решение, которое более всего соответствует данной ситуации.

Факторы, изменяемые в течение времени, накладывают ограничения на структуру хранилища данных СППР. Это связано с тем, что история изменения значений факторов не сохраняется в хранилище данных, т.к. предыдущее значение фактора становится неактуальным для СППР сразу же после изменения и не используется ею в дальнейшем. С другой стороны значения данных факторов могут изменяться очень часто (несколько раз в день), что приводит к пересчёту большого количества параметров, зависящих от данного фактора. Это приводит к тому, что часть хранилища данных нормализована и оптимизирована для обновления данных, а не для хранения.

Недостатки существующих подходов к построению подсистем многомерного анализа данных в СППР в динамических системах

Основным недостатком существующих подходов к построению подсистем многомерного анализа данных в СППР, учитывающих изменяемые с течением времени факторы, в частности риски предприятий, является их неэффективность использования, т.к. часть хранилища данных, используемая СППР и подсистемой многомерного анализа, обязательно нормализована и оптимизирована для быстрого обновления данных.

 

 

1.4 Выводы

Системы поддержки принятия решений используют технологию оперативного многомерного анализа данных для принятия эффективных обоснованных решений. Был рассмотрен класс СППР, учитывающих при выборе решений значения факторов, изменяемых с течением времени. Также были рассмотрены особенности и недостатки существующих классических подходов построения подсистем многомерного анализа данных для СППР этого класса.

 

Глава 2. Описание предложенного подхода

2.1 Характеристика подхода

Принимая во внимание недостатки классических подходов к построению подсистем многомерного анализа данных для СППР, учитывающих изменяемые во времени факторы, автором был предложен улучшенный подход, устраняющий эти недостатки.

Суть подхода заключается в добавлении нового хранилища данных (OLAP-хранилище), которое будет использоваться подсистемой многомерного анализа и будет полностью оптимизировано для анализа. Подход основывается на трёхзвенной архитектуре построения OLAP-систем (рис 2.1).

Рис. 2.1 Предлагаемый подход к построению OLAP-системы

При добавлении нового хранилища возникает проблема актуальности содержащихся в нём данных. Проблема решается путём вызова принудительного обновления данных в OLAP-хранилище в момент начала работы с подсистемой многомерного анализа.

 

2.2 Архитектура  подхода

Архитектура предлагаемого подхода представлена ниже (рис. 2.2). В левой части рисунка представлена архитектура подсистемы многомерного анализа данных, а в правой – типичная архитектура СППР.

Рис. 2.2 Архитектура подхода

Архитектура состоит из четырёх основных модулей и сетью передачи данных между ними:

• OLAP-хранилище данных
• Модуль преобразования и загрузки данных
• OLAP-сервер
• OLAP-клиент

OLAP-хранилище содержит исходные данные для анализа. Структура данных многомерна и оптимизирована специально для OLAP-анализа. Данные, находящиеся в хранилище, всегда актуальны для аналитика, работающего с подсистемой.

Основная функция модуля преобразования и загрузки данных – это поддержка данных в хранилище в актуальном состоянии. Другая не менее важная функция – это преобразование данных. Структура данных хранилища СППР может кардинальным образом отличаться от многомерной структуры. Задача модуля – преобразовать данные из структуры СППР в многомерную структуру данных и загрузить их в OLAP-хранилище. Необходимо учесть, что данная операция выполняется каждый раз при начале работы пользователя с подсистемой, поэтому должна выполняться за приемлемое время.

OLAP-сервер выполняется все операции по запросу многомерных данных, а также подсчитывает и хранит в оперативной памяти агрегатные (суммарные, средние и др.) значения. Необходимо отметить, что исходные данные для анализа – специфичны (риски, оценки, вероятности и др.), поэтому OLAP-сервер должен поддерживать возможность использования пользовательских функций для вычисления различных значений мер (в частности, пользовательские агрегирующие функции для подсчёта вероятностей).

OLAP-клиент отображает полученные от OLAP-сервера данные в удобном для пользователя виде. Как OLAP-клиент, так и OLAP-сервер должны обмениваться информацией по единому унифицированному протоколу. При начале работы пользователя с системой OLAP-клиент уведомляет об этом модуль загрузки и преобразования данных.

OLAP-клиент может быть исполнен в виде настольного (desktop) приложения, либо в виде веб-приложения. Во втором случае в роли OLAP-клиента выступают веб-браузер и веб-сервер.

В зависимости от производительности серверов, на которых будет реализован подход, и видаOLAP-клиента, модули могут располагаться как на одном физическом сервере (в случае, когда в качестве OLAP-клиента выступает веб-приложение), так и на разных серверах.

Все модули исполнены в виде функционально завершённых элементов, поэтому архитектура инвариантна к структуре исходных данных хранилища СППР и количеству создаваемых многомерных кубов для анализа.

Достоинства предлагаемого подхода:

• ориентирован на уменьшение времени обработки запросов;
• анализируемые данные всегда актуальны;
• расширяемость OLAP-хранилища –  возможность добавления новых кубов данных без модификации других модулей подсистемы.

2.3 Выводы

В данной главе был предложен модифицированный подход к созданию подсистем многомерного анализа данных для СППР в динамически изменяемых системах, основанный на классической трехзвенной архитектуре построения OLAP-систем. В подходе были учтены все недостатки классических подходов к построению OLAP-подсистем в СППР в динамически изменяемых системах. Была предложена архитектура подхода, состоящая из четырёх модулей и сетью передачи данных между ними. Также были перечислены достоинства предлагаемого подхода.

 

Заключение

В данной работе были проанализированы пути построения и архитектурные особенности систем поддержки принятия решения. Были проанализированы архитектуры подсистемы оперативного анализа данных (OLAP). Был выбран подход построения подсистем многомерного анализа данных для СППР, учитывающих особенности динамически изменяемых систем. Предложена архитектура подсистемы многомерного анализа, основанная на трёхзвенной архитектуре построения OLAP-систем.

 

Список литературы

1. Ларичев О.И., Мошкович  Е.М. Качественные методы принятия  решений. – М.: Наука Физматлит, 1996. 208 с.

2. Е. Л. Румянцева, В.В. Слюсарь. Информационные технологии. – М.: Форум, Инфра-М, 2007. — 256 с.

3. Шестаков К.М., Теория принятия решений и распознавание образов: курс лекций / К.М. Шестаков. – Мн. : БГУ, 2005. – 184 с.

4. Трахтенгерц Е.А. Возможности  и реализация компьютерных систем  поддержки принятия решений / Э.А. Трахтенгерц // Известия РАН. Теория  и способы управления. – 2001. –  № 3. – С. 86-113.

5. Трахтенгерц, Э.А. Компьютерные  системы поддержки принятия управленческих  решений / Э.А. Трахтенгерц // Проблемы  управления. – 2003. - № 1. – С.13-28.

6. Ларичев О. И. Теория  и методы принятия решений: Учебник. М.: Логос, 2000. – 296 с.

7. Методы и модели анализа данных: OLAP и DataMining. / А. Барсегян [и др.]; под общ. ред. А. Барсегяна. – СПб.: БХВ-Петербург, 2004. – 495 с.

8. Блюмин С.Л., Шуйкова  И.А. Модели и методы принятия  решений в условиях неопределенности. - Липецк: ЛЭГИ, 2001. – 138 с.

9. Мулен Э. Кооперативное  принятие решений: Аксиомы и модели. М.: Мир, 1991. – 464 с.

Интернет ресурсы

1. http://www.fpm.com/refer/codd.html- статья Е.Ф. Кодда, С.Б. Кодда и С.Т. Солли "OLAP для пользователей-аналитиков: информационно- технологический мандат".

2. http://www.mista.ru/gorod/index.htm - научная работа на тему 
"Компьютерное моделирование бюджетного процесса и динамики жилого фонда города"