Информационные технологии в управлении Информационная система —

Информационные технологии в управлении

Информационная система - взаимосвязанная совокупность средств, методов и персонала, используемых для хранения, обработки и выдачи информации в интересах достижения поставленной цели.

n ИС предназначены для сбора, хранения и обработки информации, поэтому в основе любой из них лежит среда хранения и доступа к данным. n ИС ориентированы на конечного пользователя, не обладающего высокой квалификацией в области ИТ. n ИС обеспечивают хранение информации и доступность ее для всех составляющих системы управления.

Управленческая пирамида предприятия Каждый уровень управления характеризуется собственным набором функций, уровнем компетентности и ответственности и нуждается в соответствующей информационной поддержке

Управленческая пирамида и информационные системы

Современные стандарты управления (MRPII, ERP, CSRP, ISO 9000 ) У предприятий существует специфики не более чем на 10%, остальные 90% деятельности — стандартны.

Эволюция стандартов планирования n MRP (Material Requirement Planning) — планирование потребности в материалах, на основании данных о запасах на складе и состава изделий (60 -70 г. ) n MRP II (Manufacturing Resource Planning) — планирование производственных ресурсов (70 -80 г. ); n ERP (Enterprise Resource Planning) — планирование ресурсов предприятия (90 -е г. ); n CSRP (Customer Synchronized Resource Planning) — планирование ресурсов в зависимости от потребностей клиента.

n. Аналитические приложения n. Системы бизнес-интеллекта n. Операционные (Транзакционные) системы

Транзакционные системы (ТС) ТС предназначены для обработки отдельных операций (транзакций). Виды ТС: n системы планирования материальных потребностей предприятия (MRP) n системы управления ресурсами предприятий (ERP-системы) n автоматизированные банковские системы n биллинговые системы n учетные приложения n. . . Представляют собой источники первичной информации, используемой для последующей аналитической обработки

Методология планирования материальных потребностей предприятия (MRP) Методология MRP является реализацией двух известных принципов: "Вовремя заказать" (Order In Time) и "Вовремя произвести" (Kanban), объединенных в методологию "Вовремя выполнить" (Just In Time - JIT) Главной задачей MRP-систем является обеспечение наличия на складе и в производственных помещениях необходимого количества требуемых материалов (комплектующих) в любой момент времени в рамках срока планирования. Основные недостатки MRP-систем: n при расчете потребности в материалах не учитываются: производственные мощности, их загрузка; стоимость рабочей силы и т. д. n значительный объем вводимых данных и их предварительной обработки; n нечувствительность к кратковременным изменениям спроса;

Стандарт MRP II (Manufactory Resource Planning – MRP II) Основная суть MRP II - концепции состоит в том, что прогнозирование, планирование и контроль производства осуществляется по всему жизненному циклу продукции, начиная от закупки сырья и заканчивая отгрузкой продукции потребителю. В результате применения MRP II-стандарта реализуются: n оперативное получение информации о текущих результатах деятельности предприятия, как в целом, так и с полной детализацией по отдельным заказам, видам ресурсов, выполнению планов; n долгосрочное, оперативное и детальное планирование деятельности предприятия с возможностью корректировки плановых данных на основе оперативной информации; n оптимизация производственных и материальных потоков со значительным сокращением непроизводственных затрат и реальным сокращением материальных ресурсов на складах

Требования к системам класса MRPII — должно выполнять определенный объем этих основных функций n Планирование продаж и производства (SOP - Sales and Operation Planning). n Управление спросом (DM - Demand Management). n Составление плана производства (MPS - Master Production Scheduling). n Планирование потребностей в материалах (MRP - Material Requirement Planning). n Спецификация продуктов (BOM - Bill of Materials). n Управление складом (ITS - Inventory Transaction Subsystem). n Плановые поставки (SRS - Scheduled Receipts Subsystem). n Управление на уровне производственного цеха (SFC - Shop Flow Control). n Планирование производственных мощностей (CRP - Capacity Requirement Planning). n Контроль входа/выхода (IOC - Input/Output Control). n Материально-техническое снабжение (Purchasing). n Планирование распределения ресурсов (DRP - Distribution Resourse Planning). n Планирование и контроль производственных операций (TPC - Tooling Planning and Control). n Финансовое планирование (FP - Financial Planning). n Моделирование (Simulation). n Оценка результатов деятельности (PM - Performance Measurement).

Недостатки систем класса MRP II n ориентация только на заказ, n слабая интеграция конструирования и проектирования, n слабая интеграция системы технологических процессов, n слабая интеграция планирования кадров и управления финансами.

Системы управления ресурсами предприятия (Enterprise Resource Planning - ERP) ERP-система — это набор интегрированных приложений, позволяющих создать интегрированное информационное пространство для автоматизации планирования, учета, контроля и анализа всех основных бизнес-операций предприятия.

В основе лежит принцип создания единого хранилища данных, содержащего всю корпоративную бизнес-информацию: n n n плановую и финансовую информацию производственные данные по персоналу и др. Устраняет необходимость в передаче данных от одной системы к другой (от производственной системы к финансовой или к кадровой) Обеспечивает одновременную доступность информации для любого числа сотрудников предприятия, обладающих соответствующими полномочиями.

Основные функции ERP-систем n функции управления запасами и производством n функции учета и управления финансами n функции управления персоналом

Ограниченность ERP-систем n ERP-система имеет дело со всеми видами ресурсов, но она не обеспечивает все виды управления (стратегическое управление, долгосрочное и среднесрочное корпоративное планирование, а также многие аналитические задачи) n ERP-системы сложны и ориентированы на обработку большого количества отдельных бизнес-операций (трансакций) – ресурсоемкие системы

Преимущества n данные, хранившиеся ранее на различных неоднородных системах, интегрированы в единую систему n обеспечивают процессы текущего планирования оперативного управления деятельностью предприятий и n представляют собой основной источник фактической информации для системы информационной поддержки корпоративного управления и стратегического менеджмента

Планирование ресурсов, синхронизированное с потребителем (customer synchronized resource planning - CSRP ) n Основная суть концепции CSRP в том, чтобы интегрировать Заказчика (Клиента, Покупателя и пр. ) в систему управления предприятием. n CSRP перемещает фокус внимания с планирования производства на планирование заказов покупателей. Информация о клиентах и услуги внедряются в основу деятельности организации. n Определяет деятельность предприятия по созданию конкретного продукта, нужного "здесь и сейчас" конкретному потребителю.

Для внедрения CSRP-технологии необходимо: n оптимизировать производственную деятельность (операции), построив эффективную производственную инфраструктуру на основе ERP; n интегрировать покупателя и сфокусированные на покупателе подразделения организации с основными планирующими и производственными подразделениями; n внедрить открытые технологии, чтобы создать технологическую инфраструктуру, которая может поддерживать интеграцию покупателей, поставщиков и приложений управления производством

Информационная инфраструктура организации n. Аналитические приложения n. Системы бизнесинтеллекта n. Транзакционн ые системы

Системы бизнес-интеллекта (Business Intelligence, BI) BI объединяют различные средства анализа и обработки данных масштаба предприятия Составляющие систем BI: n Хранилища данных n инструменты оперативной аналитической обработки (OLAP-системы) n средства обнаружения знаний (data mining) n средства формирования запросов и построения отчетов.

Хранилища данных (data warehouse, DW) "предметно-ориентированные, интегрированные, стабильные, поддерживающие хронологию наборы данных, используемые для поддержки принятия управленческих решений» У. Инмон ХД обеспечивают сбор, упорядочение и хранение больших объемов информации, полученной из разных источников.

Концепция хранилищ данных n Извлечение данных из операционных систем n Необходимость интегрирования данных из нескольких систем n Данные в хранилище данных хранятся значительно более длительное время, чем в OLTP-системах n Модель хранилища данных подстраивается под структуру бизнеса n Физическое преобразование данных приложений n Агрегация и суммирование конкретных данных

Многомерный анализ данных (On-Line Analytical Processing - OLAP) n OLAP - это Online Analytical Processing, т. е. оперативный анализ данных в режиме реального времени

Тест FASMI Fast (Быстрый) - анализ должен производиться одинаково быстро по всем аспектам информации. Приемлемое время отклика - 5 с или менее. Analysis (Анализ) - должна быть возможность осуществлять основные типы числового и статистического анализа, предопределенного разработчиком приложения или произвольно определяемого пользователем. Shared (Разделяемой) - множество пользователей должно иметь доступ к данным, при этом необходимо контролировать доступ к конфиденциальной информации. Multidimensional (Многомерной) - это основная, наиболее существенная характеристика OLAP. Information (Информации) - приложение должно иметь возможность обращаться к любой нужной информации, независимо от ее объема и места хранения.

Основные особенности технологии OLAP (Basic) n многомерное концептуальное представление данных; n интуитивное манипулирование данными; n доступность и детализация данных; n пакетное извлечение данных против интерпретации; n модели анализа OLAP; n прозрачность (прозрачный доступ к внешним данным); n многопользовательская поддержка.

Типы OLAP - серверов n MOLAP (Multidimensional OLAP) - и детальные данные, и агрегаты хранятся в многомерной БД n ROLAP (Relational OLAP) - детальные данные храняться в реляционной БД; агрегаты хранятся в той же БД в специально созданных служебных таблицах. n HOLAP (Hybrid OLAP) - детальные данные хранятся в реляционной БД, а агрегаты хранятся в многомерной БД.

Многомерный OLAP-куб и система соответствующих математических алгоритмов статистической обработки позволяет анализировать данные любой сложности на любых временных интервалах

Многомерный OLAP-куб

Пример Ключевые вопросы: «Сколько продано? » «На какую сумму продано? » расширяются по мере усложнения бизнеса и накопления исторических данных до некоторого множества факторов, или разрезов: «. . в Санкт-Петербурге, в Москве, на Урале, в Сибири…» «. . в прошлом квартале, по сравнению с нынешним» «. . от поставщика А по сравнению с поставщиком Б…» и т. д.

Преимущества OLAP n OLAP позволяет аналитикам организовывать каждое измерение в виде иерархии, состоящей из групп и подгрупп и итоговых значений, отражающих показатель по всей организации n OLAP позволяет проводить различные виды анализа и понимать их взаимосвязи их результатов: n n Анализ отклонений – анализ выполнения плана, который дополняется факторным анализом причин отклонений путем детализации показателей. Анализ зависимостей - позволяет выявлять различные зависимости между различными изменениями, Сопоставление (сравнительный анализ) - сравнение результатов изменения показателя во времени, для заданной группы товаров, в различных регионах и др. Анализ динамики позволяет выявить определенные тенденции изменения показателей во времени. n В основу OLAP положены законы психологии: возможность обработки информационных запросов в «реальном времени» - в темпе процесса аналитического осмысления данных пользователем n OLAP предоставляет развитые средства графического представления данных конечному пользователю. Человеческий мозг способен воспринимать и анализировать информацию, которая представлена в виде геометрических образов, в объеме на несколько порядков большем, чем информацию, представленную в алфавитно-

Главной особенностью OLAP-технологий является то, что они ориентированы на использование не специалистом в области информационных технологий, не экспертом-статистиком, а профессионалом в прикладной области - менеджером кредитного отдела, менеджером бюджетного отдела, директором. OLAP-технологии предназначены для общения аналитика с проблемой, а не с компьютером

Интеллектуальный анализ данных (Data Mining, добыча данных) Data. Mining - исследование и обнаружение "машиной" (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации Г. Пятецкий-Шапиро

Мотивы для создания технологии DM n Эволюция индустрии баз данных – от накопления информации и управления данными (включая хранение, извлечение и выполнение транзакций), а также анализа данных (включая разработку хранилищ данных). n Избыток данных и недостаток хороших методов их анализа приводил к ситуации богатства данными, но бедности информацией.

Суть и цель технологии Data Mining - технология, которая предназначена для поиска в больших объемах данных: n Неочевидных - это значит, что найденные закономерности не обнаруживаются стандартными методами обработки информации или экспертным путем. n Объективных - это значит, что обнаруженные закономерности будут полностью соответствовать действительности, в отличие от экспертного мнения, которое всегда является субъективным. n Практически полезных - это значит, что выводы имеют конкретное значение, которому можно найти практическое применение.

Этапы в процессе интеллектуального анализа данных n постановка задачи; n подготовка данных; n изучение данных; n построение моделей; n исследование и проверка моделей; n развертывание и обновление моделей.

Компоненты систем интеллектуального анализа данных n База данных, хранилище данных или другой репозиторий информации, электронные таблицы и т. д. n База знаний (знания о предметной области, которые указывают как проводить анализ и оценивать полезность полученных знаний). n Служба добычи данных (содержит набор модулей для таких задач, как поиск ассоциаций, классификация, кластерный анализ и т. д. ) n Графический пользовательский интерфейс.

Основные задачи интеллектуального анализа данных Задача классификации заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит. Для решения задачи необходимо, чтобы множество классов было известно заранее и было бы конечным и счетным. Пример: n Оценка кредитоспособности: по анкете заемщика принять решение о выдаче / отказе кредита (назначаемые классы здесь могут быть "кредитоспособен" и "некредитоспособен ");

Основные задачи интеллектуального анализа данных Задача регрессии во многом схожа с задачей классификации, но в ходе ее решения производится поиск шаблонов для определения числового значения. Пример: n Оценка допустимого кредитного лимита n Оценка стоимости недвижимости: по характеристике района, экологической обстановке, транспортной связности оценить стоимость жилья

Основные задачи интеллектуального анализа данных Задача кластеризации - заключается в делении множества объектов на группы (кластеры) схожих по параметрам. При этом, в отличие от классификации, число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров. Кластеры объектов формируются, так, что объекты одного класса похожи друг с другом, а объекты разных кластеров непохожи. Пример: Интернет-магазин: анализ базы клиентов, для того, чтобы потом сформировать специальные предложения для выделенных групп, учитывая их особенности

Основные задачи интеллектуального анализа данных Анализ ассоциаций - это обнаружение ассоциативных правил, которые представляют из себя условия на значения атрибутов, которые для данной выборки объектов часто выполняются вместе. Пример: Анализ потребительской корзины, который позволяет определить наборы товаров, чаще всего встречающиеся в одном заказе. Эта информация может потом использоваться при размещении товаров в торговом зале или при формировании специальных предложений для группы связанных товаров.

Основные задачи интеллектуального анализа данных Анализ последовательностей заключается в обнаружение закономерностей в последовательностях событий. Пример: n Подобная информация позволяет, например, предупредить сбой в работе информационной системы, получив сигнал о наступлении события, часто предшествующего сбою подобного типа. n анализ последовательности переходов по страницам пользователей web-сайтов.

Основные задачи интеллектуального анализа данных Анализ отклонений позволяет отыскать среди множества событий те, которые существенно отличаются от нормы. Отклонение может сигнализировать о каком-то необычном событии (неожиданный результат эксперимента, мошенническая операция по банковской карте …) или, например, об ошибке ввода данных оператором.

Отличия Data Mining от других методов анализа данных n Традиционные методы анализа данных (статистические методы) и OLAP в основном ориентированы на проверку заранее сформулированных гипотез и на "грубый" разведочный анализ, составляющий основу оперативной аналитической обработки данных, в то время как одно из основных положений Data Mining - поиск неочевидных закономерностей. n Большинство статистических методов для выявления взаимосвязей в данных используют концепцию усреднения по выборке, приводящую к операциям над несуществующими величинами, тогда как Data Mining оперирует реальными значениями.

n. Аналитические приложения n. Системы бизнесинтеллекта n. Транзакционн ые системы

Аналитические приложения (АП) - ориентированы не на обработку отдельных операций, а на анализ агрегированной информации. Требования к АП: n оно должно позволять структурировать и автоматизировать процессы, способствующие повышению качества управленческой информации; n оно должно поддерживать аналитические функции, т. е. операции по анализу данных, полученных из самых разных источников - внутренних или внешних, финансовых или операционных; n это должен быть самостоятельный программный продукт, функционирующий независимо от транзакционных систем, но в то же время способный взаимодействовать с ними "в обе стороны" - как в части получения исходных транзакционных данных, так и в части обратной передачи результатов их обработки.

Виды АП n системы поддержки принятия решений n системы имитационного моделирования n Системы искусственного интеллекта n экспертные системы n …

Системы поддержки принятия решений СППР (Decision Support Systems - DSS) - информационные системы, которые помогают лицу, принимающему решение (ЛПР), использовать информацию и модели для решения слабо структурированных или трудно формализуемых задач Особенности СППР: n позволяют ликвидировать разрыв между аналитиками и ЛПР, т. к. пользователями являются именно специалисты, принимающие решения, а не технические специалисты; n отображают информацию в формате и терминологии, которые привычны ЛПР; n поддерживают, а не заменяют, выработку решений ЛПР; Цель СППР — улучшение эффективности решений

По взаимодействию с пользователем выделяют три вида СППР: n пассивные помогают в процессе принятия решений, но не могут выдвинуть конкретного предложения; n активные непосредственно участвуют в разработке правильного решения, может сделать предложение, какое решение следует выбрать; n кооперативные предполагают взаимодействие СППР с пользователем. Выдвинутое системой предложение пользователь может доработать, усовершенствовать, а затем отправить обратно в систему для проверки. Система изменяет, пополняет или улучшает эти решения и посылает их опять пользователю. Процесс продолжается до получения согласованного решения.

СППР помогают находить ответы на следующие типичные вопросы: n Анализ примеров (case analysis) - оценка значений выходных n n величин для заданного набора значений входных переменных. Параметрический анализ { «Что, если. . . ? » )- оценка поведения выходных величин при изменении значений входных переменных. Анализ чувствительности - исследование поведения результирующих переменных в зависимости от изменения значений одной или нескольких входных переменных. Анализ возможностей - нахождение значений входной переменной, которые обеспечивают желаемый результат (известен также под названием «поиск целевых решений» , «управление по целям» ). 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

n 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. n Анализ риска - оценка изменения выходных переменных при случайных изменениях входных величин. n Оптимизация - поиск значений управляемых входных переменных, обеспечивающих наилучшее значение одной или нескольких результирующих переменных.

Экспертные системы (ЭС) – это программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта -профессионала Достоинство экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний Экспертные системы могут ошибаться. Причина ошибок лежит в том, что знания специалистов, как и знания, заложенные в экспертные системы, не точны.

Характерными чертами экспертной системы являются: n четкая ограниченность предметной области; n способность принимать решения в условиях неопределенности; n способность объяснять ход и результат решения понятным для пользователя способом; n результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов; n алгоритм решения не описывается заранее, а строится самой экспертной системой; n отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Преимущества экспертных систем n Постоянство. ЭС ничего не забывают в отличие от человека-эксперта n Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств. n Документация. Экспертная документировать процесс решения. система может n Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь один человек.

Недостатки экспертных систем n Здравый смысл. В дополнение к широкому техническому знанию, человек-эксперт имеет здравый смысл. Еще не известно, как заложить здравый смысл в экспертные системы. n Творческий потенциал. Человек-эксперт может реагировать творчески на необычные ситуации, экспертные системы не могут. n Обучение. Человек-эксперт автоматически адаптируются к изменению среды; экспертные системы нужно явно модифицировать.

Обобщенная схема ЭС

n Механизм логического вывода предназначен для получения новых n n фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи База знаний предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы

n Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. n Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как: n повышается доверие пользователей к полученным результатам; n облегчается отладка системы; n создаются условия для пользователей по вскрытию новых закономерностей предметной области;

Отличия экспертных систем от других программ n Экспертная система моделирует не столько физическую природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. n Экспертная система, помимо выполнения вычислительных операций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает.

Примеры экспертных систем в военном деле n ASTA. Экспертная система помогает аналитику определить тип радара, пославшего перехваченный сигнал. Система анализирует этот сигнал в свете имеющихся у нее общих знаний о физике радаров и специальных знаний о конкретных типах радарных систем. n ЭС DENDRAL разработана в Стэнфордском университете в середине 60 -х годов для определения топологических структур органических молекул. Система выводит молекулярную структуру химических веществ по данным масс-спектрометрии и ядерного магнитного резонанса. n ЭС PROSPECTOR разработана в Стэнфордском университете в 1974 --1983 годах для оценки геологами потенциальной рудоносности района. Программа сравнивает наблюдения геологов с моделями разного рода залежей руд. В 1984 году она точно предсказала существование молибденового месторождения, оцененного в многомиллионную сумму.

Процесс создания экспертной системы (получение знаний от эксперта-человека или из других источников и последующее представление знаний в экспертной системе) называется инженерией знаний и осуществляется инженером по знаниям.

Приемы извлечения знаний Наблюдение - инженер наблюдает, не вмешиваясь, за тем, как эксперт решает реальную задачу Обсуждение задачи - инженер на представительном множестве задач неформально обсуждает с экспертом данные, знания и процедуры решения Описание задачи - эксперт описывает решение задач для типичных запросов Анализ решения - эксперт комментирует получаемые результаты решения задачи, детализируя ход рассуждений Проверка системы - эксперт предлагает инженеру перечень задач для решения (от простых до сложных), которые решаются разработанной системой Исследование системы - эксперт исследует и критикует структуру базы знаний и работу механизма вывода Оценка системы - инженер предлагает новым экспертам оценить решения разработанной системы

Процесс разработки экспертной системы

Трудности при разработке ЭС n n n Проблема извлечения знаний экспертов. Ни один специалист никогда просто так не раскроет секреты своего профессионального мастерства, свои сокровенные знания в профессиональной области. Проблема формализации знаний экспертов. Эксперты -специалисты в определенной области, как правило, не в состоянии формализовать свои знания. Часто они принимают правильные решения на интуитивном уровне и не могут аргументировано объяснить, почему принято то или иное решение. Проблема нехватки времени у эксперта. Выбранный для разработки эксперт не может найти достаточно времени для выполнения проекта. Правила, формализованные экспертом, не дают необходимой точности. Проблему можно избежать, если решать вместе с экспертом реальные задачи. Не надо придумывать "игрушечных" ситуаций или задач. В условиях задач нужно использовать реальные данные. Недостаток ресурсов. Неадекватность инструментальных средств решаемой задаче. Часто определенные типы знаний не могут быть достаточно эффективно реализованы на одном. Необходим тщательный анализ решаемых задач, чтобы определить пригодность предлагаемых инструментальных средств и сделать правильный выбор.

Спасибо за внимание!