Системы поддержки принятия решений (Decision support systems)

Содержание
Введение 3
1. Краткая история развития «систем поддержки принятия решений» и схема процесса
принятия решений 4
1.1. Краткая история развития «систем поддержки принятия решений» 4
1.2. Схема процесса принятия решений 8
2. Принципы построения системы поддержки принятия решений 10
3. Обработка данных с помощью программных средств OLAP и технологии Data Mining
13
3.1. Программные средства OLAP 13
3.2. Технологии Data Mining 15
4. Обзор существующих систем поддержки принятия решений и методы системного
анализа в системах поддержки принятия решений 19
4.1. «DiSPY-Эксперт» 19
4.2. Система поддержки принятия решений для страхования 20
4.3. Analytica 22
4.4. Crystal Info ( Seagate Info ) 7.5 23
4.5. Методы системного анализа в системах поддержки принятия решений 25
Заключение 30
Список литературы 32

Введение

Развитие информационных систем и технологий обуславливает необходимость создания и применения различных программных систем поддержки принятия решения (СППР). СППР состоят из двух основных компонент: хранилища данных и аналитических средств. [5, с.45]
В качестве хранилища данных могут выступать модели предметных областей, различные документы и базы знаний. Аналитические средства СППР предназначены для оказания помощи в принятии решений на основе использования этих данных, в зависимости, от типа которых СППР можно разделить на оперативные и стратегические.
Оперативные СППР предназначены для немедленного реагирования на текущую ситуацию, а стратегические основаны на анализе информации из разных источников с привлечением сведений, содержащихся в системах, аккумулирующих опыт решения проблем.
Целью написания данного реферата является изучение теоретических аспектов системы поддержки принятия решений (Decision Support System, DSS).
Из выше указанной цели можно выделить следующие задачи:
краткая история развития «систем поддержки принятия решений» и схема процесса принятия решений;
принципы построения системы поддержки принятия решений;
обработка данных с помощью программных средств OLAP и технологий Data Mining;
обзор существующих систем поддержки принятия решений и методы системного анализа в системах поддержки принятия решений.
Краткая история развития «систем поддержки принятия решений» и схема процесса принятия решений
Краткая история развития «систем поддержки принятия решений»Система поддержки принятия решений (СППР) (англ. Decision Support System, DSS) — компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных. [4, с.24]
Для анализа и выработки предложений в СППР используются разные методы. Это могут быть: информационный поиск, интеллектуальный анализ данных, поиск знаний в базах данных, рассуждение на основе прецедентов, имитационное моделирование, генетические алгоритмы, нейронные сети и др. Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР, или ИСППР.
Близкие к СППР классы систем — это экспертные системы и автоматизированные системы управления.
Современные СППР представляют собой системы, максимально приспособленные к решению задач повседневной управленческой деятельности, являются инструментом, призванным оказать помощь лицам, принимающим решения (ЛПР).
С помощью СППР может производиться выбор решений некоторых неструктурированных и слабоструктурированных задач, в том числе и многокритериальных. СППР, как правило, являются результатом мульти дисциплинарного исследования, включающего теории баз данных, искусственного интеллекта, интерактивных компьютерных систем, методов имитационного моделирования.
С момента появления первых разработок по созданию СППР, не было дано четкого определения СППР.
Ранние определения СППР (в начале 70-х годов прошлого века) отражали следующие три момента:
возможность оперировать с неструктурированными или слабоструктурированными задачами, в отличие от задач, с которыми имеет дело исследование операций;
интерактивные автоматизированные (то есть реализованные на базе компьютера) системы;
разделение данных и моделей. Приведем определения СППР: СППР – совокупность процедур по обработке данных и суждений, помогающих руководителю в принятии решений, основанная на использовании моделей.
Далее уточнялось, что СППР – это интерактивные автоматизированные системы, помогающие лицу, принимающему решения, использовать данные и модели для решения слабоструктуризированных проблем, или … СППР – это система, которая обеспечивает пользователям доступ к данным и/или моделям, так что они могут принимать лучшие решения.
Нужно признать, что и в настоящее время нет общепринятого определения СППР, поскольку конструкция СППР существенно зависит от вида задач, для решения которых она разрабатывается, от доступных данных, информации и знаний, а также от пользователей системы.
Можно привести, тем не менее, некоторые элементы и характеристики, общепризнанные, как части СППР: СППР – в большинстве случаев – это интерактивная автоматизированная система, которая помогает пользователю (ЛПР) использовать данные и модели для идентификации и решения задач и принятия решений. Система должна обладать возможностью работать с интерактивными запросами с достаточно простым для изучения языком запросов.
Согласно Turban, СППР обладает следующими четырьмя основными характеристиками: [4, с.25]
СППР использует и данные, и модели;
СППР предназначены для помощи менеджерам в принятии решений для слабоструктурированных и неструктурированных задач;
Они поддерживают, а не заменяют, выработку решений менеджерами;
Цель СППР – улучшение эффективности решений.
Turban предложил список характеристик идеальной СППР:
оперирует со слабоструктурированными решениями;
предназначена для ЛПР различного уровня;
может быть адаптирована для группового и индивидуального использования;
поддерживает как взаимозависимые, так и последовательные решения;
поддерживает три фазы процесса решения: интеллектуальную часть, проектирование и выбор;
поддерживает разнообразные стили и методы решения, что может быть полезно при решении задачи группой ЛПР;
является гибкой и адаптируется к изменениям, как организации, так и ее окружения;
проста в использовании и модификации;
улучшает эффективность процесса принятия решений;
позволяет человеку управлять процессом принятия решений с помощью компьютера, а не наоборот;
поддерживает эволюционное использование и легко адаптируется к изменяющимся требованиям;
может быть легко построена, если может быть сформулирована логика конструкции СППР;
поддерживает моделирование;
позволяет использовать знания.
До середины 60-х годов прошлого века создание больших информационных систем (ИС) было чрезвычайно дорогостоящим, поэтому первые ИС менеджмента (так называемые Management Information Systems – MIS) были созданы в эти годы лишь в достаточно больших компаниях. MIS предназначались для подготовки периодических структурированных отчетов для менеджеров.
В конце 60-х годов появляется новый тип ИС — модель-ориентированные СППР (Model-oriented Decision Support Systems – DSS) или системы управленческих решений (Management Decision Systems – MDS). По мнению одних из первооткрывателей СППР Keen P. G. W., Scott Morton M. S., концепция поддержки решений была развита на основе «теоретических исследований в области принятия решений… и технических работ по созданию интерактивных компьютерных систем».
В 1971 г. – опубликована книга Scott Morton‘а, в которой, по-видимому, впервые были описаны результаты внедрения СППР, основанной на использовании математических моделей.
1974 г. – в работе дано определение ИС менеджмента – MIS (Management Information System): «MIS – это интегрированная человеко-машинная система обеспечения информацией, поддерживающая функции операций, менеджмента и принятия решений в организации. Системы используют компьютерную технику и программное обеспечение, модели управления и принятия решений, а также базу данных».
1975 г. – J. D. C. Little в работе предложил критерии проектирования СППР в менеджменте.
1978 г. – опубликован учебник по СППР, в котором исчерпывающе описаны аспекты создания СППР: анализ, проектирование, внедрение, оценка и разработка.
1980 г. – в даны основы классификации СППР.
1981 г. – Bonczek, Holsapple и Whinston в книге создали теоретические основы проектирования СППР. Они выделили четыре необходимых компонента, присущих всем СППР: [4, с.26]
Языковая система (Language System – LS) – СППР может принимать все сообщения;
Система презентаций (Presentation System (PS)) (СППР может выдавать свои сообщения);
Система знаний (Knowledge System –KS) – все знания СППР сохраняет;
Система обработки задач (Problem-Processing System (PPS)) – программный «механизм», который пытается распознать и решать задачу во время работы СППР.
1981 г. – в книге R. Sprague и E. Carlson описали, каким образом на практике можно построить СППР. Тогда же была разработана информационная система руководителя (Executive Information System (EIS)) – компьютерная система, предназначенная для обеспечения текущей адекватной информации для поддержки принятия управленческих решений менеджером. Начиная с 1990-х, разрабатывают так называемые Data Warehouses – хранилища данных.
В 1993 г Е. Коддом (E.F. Codd) для СППР специального вида был предложен термин OLAP (Online Analytical Processing) – оперативный анализ данных, онлайновая аналитическая обработка данных для поддержки принятия важных решений.
Исходные данные для анализа представлены в виде многомерного куба, по которому можно получать нужные разрезы — отчёты. Выполнение операций над данными осуществляется OLAP-машиной. По способу хранения данных различают MOLAP, ROLAP и HOLAP. По месту размещения OLAP-машины различаются OLAP-клиенты и OLAP-серверы. OLAP-клиент производит построение многомерного куба и вычисления на клиентском ПК, а OLAP-сервер получает запрос, вычисляет и хранит агрегатные данные на сервере, выдавая только результаты.
В начале нового тысячелетия была создана СППР на основе Web. [4, с.26]
27 октября 2005 года в Москве на Международной конференции «Информационные и телемедицинские технологии в охране здоровья» (ITTHC 2005), А. Пастухов (Россия) представил СППР нового класса — PSTM (Personal Information Systems of Top Managers).
Основным отличием PSTM от существующих СППР является построение системы для конкретного лица, принимающее решение, с предварительной логико-аналитической обработкой информации в автоматическом режиме и выводом информации на один экран.
Схема процесса принятия решенийОбщая схема процесса принятия решений включает следующие основные этапы:
Этап 1. Предварительный анализ проблемы. На этом этапе определяются: [2, с.13]
главные цели;
уровни рассмотрения, элементы и структура системы (процесса), типы связей;
подсистемы, используемые ими основные ресурсы и критерии качества функционирования подсистем;
основные противоречия, узкие места и ограничения. Этап 2. Постановка задачи. Постановка конкретной задачи принятия решений (ЗПР) включает:
формулирование задачи;
определение типа задачи;
определение множества альтернативных вариантов и основных критериев для выбора из них наилучших;
выбор метода решения ЗПР.
Этап 3. Получение исходных данных. На данном этапе устанавливаются способы измерения альтернатив. Это либо сбор количественных (статистических) данных, либо методы математического или имитационного моделирования, либо методы экспертной оценки. В последнем случае необходимо решить задачи формирования группы экспертов, проведения экспертных опросов, предварительного анализа экспертных оценок.
Этап 4. Решение ЗПР с привлечением математических методов и вычислительной техники, экспертов и лица, принимающего решение. На этом этапе производятся математическая обработка исходной информации, ее уточнение и модификация в случае необходимости.
Обработка информации может оказаться достаточно трудоемкой, при этом может возникнуть необходимость совершения нескольких итераций и желание применить различные методы для решения задачи. Поэтому именно на этом этапе возникает потребность в компьютерной поддержке процесса принятия решений, которая выполняется с помощью автоматизированных систем принятия решений.
Этап 5. Анализ и интерпретация полученных результатов. Полученные результаты могут оказаться неудовлетворительными и потребовать изменений в постановке ЗПР. В этом случае необходимо будет возвратиться на этап 2 или этап 1 и пройти заново весь путь. Решение ЗПР может занимать достаточно длительный промежуток времени, в течение которого окружение задачи может измениться и потребовать корректировок в постановке задачи, а также в исходных данных (например, могут появиться новые альтернативы, требующие введения новых критериев). [2, с.14]
Задачи принятия решений можно разделить на статические и динамические.
К первым относятся задачи, которые не требуют многократного решения через короткие интервалы времени.
К динамическим относятся ЗПР, которые возникают достаточно часто. Следовательно, итерационный характер процесса принятия решений можно считать закономерным, что подтверждает необходимость создания и использования эффективных систем компьютерной поддержки. ЗПР, требующие одного цикла, можно скорее считать исключением, чем правилом.
Принципы построения системы поддержки принятия решенийПо типу применяемого функционала согласно книги Даниэля Пауэра «Системы поддержки принятия решений»: управляемые моделями, управляемые данными, управляемые сообщениями, управляемые документами. [3, с.477]
Управляемые моделями (Model-Driven DSS). В основе лежат классические модели (линейные модели, модели управления запасами, транспортные, финансовые и т. п.) Среди СППР исторически первыми были именно такие, что неудивительно – они строились примерно на тех же кибернетических подходах, которые применялись в создании технических систем управления с начала 60-х годов.
Управляемые данными (Data-Driven DSS). В их основе лежат исторических данных Системы этого типа обеспечивают обработку большими базами с данных, чаще всего упорядоченных ПО. По сути, представляют собой хранилище данных с некоторыми функциями агрегирования, позволяющие составлять запросы и выборки нужных сведений.
Управляемые сообщениями (Communication-Driven DSS), или групповые (Group DSS). Созданы для группового принятия решений экспертами (системы фасилитации обмена мнениями и подсчета средних экспертных значений)
Управляемые документами (Document-Driven DSS). Системы этого типа обеспечивают поиск, выделение, классификацию в неструктурированных тестовых документах. Они основываются на комплексе самых разнообразных поисковых технологий, включая техники работы с гипертекстовыми документами, аудио- и видеофайлами.
Управляемые знаниями (Knowledge-Driven DSS). Подобные системы еще называют Suggestion DSS («рекомендательные») или Management Expert System, поскольку они могут давать менеджеру определенные указания или делать предположения, основываясь на правилах бизнеса и базе знаний. Они обеспечивают просмотр больших объемов данных и выделение контекста.
Принципы построения и структура СППР. Как правило, разработчики придерживаются следующих принципов:
система должна производить расчеты и прогнозирование, а человек принимать решение;
система должна быть такой, чтобы с ней мог работать даже неподготовленный пользователь;
уменьшение объема информации, который предоставляется лицу, принимающему решения;
принцип динамической структуры;
принцип интеграции и полноты информационного пространства.
децентрализация хранения информации.
Типовая структура состоит из следующих компонентов: моделирование, интерфейс, база данных и/или база знаний. Поэтому при построении подобной СППР следует придерживаться следующих шагов: анализ области применения, сбор данных, анализ данных, выбор моделей, экспертный анализ\интерпретация моделей, внедрение моделей, оценка СППР, внедрение системы, сбор обратной связи (на любом этапе). Более подробно алгоритм представлен на рис.1. [3, с.478]
Рис. 1. Алгоритм построения СППР
Подобные алгоритмы используются IBM в своей СППР Tivoli, которая позволяет определять состояние своих супер-компьютеров (Watson): на основе определенных сводок данных (логов), выводится информация по состоянию Watson, прогнозируется доступность ресурсов, необходимость обслуживания и т.п.
Компания ABB предлагает клиентам DSS800 для анализа работы электродвигателей, собственного производства. Финская компания Vaisala использует ИСППР для предсказания того, в какие периоды необходимо применять антиобледенитель воизбежании аварий на дорогах.
В аэропорту города Дубай в грузовом терминале работает СППР, которая определяет подозрительность груза. В ее основе лежат алгоритмы, оценивающие информацию из сопроводительных документов и вводимых сотрудниками таможни.
О применении машинного обучения, нейронных сетей и теории игр. Отличие между СППР и ИСППР состоит в заложенных в них математически методах. В зависимости от области применения используют как простые линейные модели, так и сложные математические, эвристические и/или статистические методы. [3, с.478]
С одной стороны, есть задачи по прогнозированию и управлению цепями поставок, производства, многокритериальная оптимизация и пр., применения к которым теории игр, нейронных сетей, эвристических методов (генетических алгоритмов, метода роения частиц и т. д.). Могут привнести дополнительную информацию (нахождения новых закономерностей). Примером может служить методология проведения анализа и выявления наиболее критических шагов производственных процессов Failure Mode and Effects Analysis.
С другой стороны, в задачах принятия решения в условиях полной определенности (система оценки кредитоспособности), подойдут простые линейные модели и классические методы системного анализа и оптимизации.
Вывод. СППР возникли во второй половине 20-го века, и благодаря развитию технологий совершили огромный скачок до интеллектуальных систем, движущихся в область задач искусственного интеллекта.
При использовании ряда подходов и методов (аппарат нечеткой логики, нейронные сети, теорию игр, байесовские сети, генетические алгоритмы) можно добиться повышения эффективности процессов принятия решения, но ни один из них не является универсальным из-за разнородности задач. Важно подчеркнуть, что системы являются автоматизированными, а не автоматическими.
Перечисленные методы помогут найти новые закономерности в данных, решить оптимизационные задачи, обосновать выбор лучшей альтернативы, но не могут предложить качественно новый вариант решения, как человек.
Обработка данных с помощью программных средств OLAP и технологии Data MiningПрограммные средства OLAPПрограммные средства OLAP — это инструмент оперативного анализа данных, содержащихся в хранилище. Главной особенностью является то, что эти средства ориентированы на использование не специалистом в области информационных технологий, не экспертом-статистиком, а профессионалом в прикладной области управления — менеджером отдела, департамента, управления, и, наконец, директором.
Средства предназначены для общения аналитика с проблемой, а не с компьютером. На рис. 2 показан элементарный OLAP-куб, позволяющий производить оценки данных по трём измерениям. [7]
Рис. 2. Элементарный OLAP-куб
OLAP-сервис представляет собой инструмент для анализа больших объемов данных в режиме реального времени.
Многомерный OLAP-куб и система соответствующих математических алгоритмов статистической обработки позволяет анализировать данные любой сложности на любых временных интервалах. Вся работа с OLAP-системой происходит в терминах предметной области и позволяет строить статистически обоснованные модели деловой ситуации.
Взаимодействуя с OLAP-системой, менеджер может осуществлять быстрый просмотр интересующей его информации, получать произвольные срезы данных и выполнять аналитические операции: детализации, свертки, сквозного распределения, сравнения во времени одновременно по многим параметрам.
Рис. 3. Аналитическая ИС извлечения, обработки данных и представления информации
Имея в своем распоряжении гибкие механизмы манипулирования данными и визуального отображения (рис. 3, 4), менеджер сначала рассматривает с разных сторон данные, которые могут быть (а могут и не быть) связаны с решаемой проблемой. [7]
Рис. 4. Механизмы манипулирования данными и визуального отображения результатов
Далее он сопоставляет различные показатели бизнеса между собой, стараясь выявить скрытые взаимосвязи. Может рассмотреть данные более пристально, детализировав их, например, разложив на составляющие по времени, по регионам или по клиентам, или наоборот еще более обобщить представление информации, чтобы убрать отвлекающие подробности. После этого с помощью модуля статистического оценивания и имитационного моделирования строится несколько вариантов развития событий, и из них выбирается наиболее приемлемый вариант.
Технологии Data MiningВ настоящее время элементы искусственного интеллекта активно внедряются в практическую деятельность менеджера.
В отличие от традиционных систем искусственного интеллекта, технология интеллектуального поиска и анализа данных или «добыча данных» (Data Mining — DM), не пытается моделировать естественный интеллект, а усиливает его возможности мощностью современных вычислительных серверов, поисковых систем и хранилищ данных. Нередко рядом со словами Data Mining встречаются слова «обнаружение знаний в базах данных» (Knowledge Discovery in Databases).
В основу современной технологии Data Mining (Discovery-driven Data Mining) положена концепция шаблонов (Pattern), отражающих фрагменты много аспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные выборкам данных, которые могут быть компактно выражены в понятной человеку форме. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборке и виде распределений значений анализируемых показателей. На рис. 5 показана схема преобразования данных с использованием технологии Data Mining. [7]
Рис. 5. Схема преобразования данных с использованием технологии DM
Важное положение Data Mining — нетривиальность разыскиваемых шаблонов. Это означает, что найденные шаблоны должны отражать неочевидные, неожиданные (Unexpected) регулярности в данных, составляющие, так называемые, скрытые знания (Hidden Knowledge). К деловым людям пришло понимание, что «сырые» данные (Raw Data) содержат глубинный пласт знаний, при грамотной раскопке которого могут быть обнаружены настоящие самородки, которые можно использовать в конкуренции.
Data Mining — это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Data Mining представляют большую ценность для руководителей и аналитиков в их повседневной деятельности. Деловые люди осознали, что с помощью методов Data Mining они могут получить ощутимые преимущества в конкурентной борьбе.
В первую очередь методы Data Mining заинтересовали коммерческие предприятия, развертывающие проекты на основе информационных хранилищ данных (Data Warehousing). Опыт многих таких предприятий показывает, что отдача от использования Data Mining может достигать 1000 %. Известны сообщения об экономическом эффекте, в 10—70 раз превысившем первоначальные затраты от 350 до 750 тыс. долларов. Есть сведения о проекте в 20 млн. долларов, который окупился всего за 4 месяца. Другой пример — годовая экономия 700 тыс. долларов за счет внедрения Data Mining в одной из сетей универсамов в Великобритании.
Компания Microsoft официально объявила об усилении своей активности в области Data Mining. Специальная исследовательская группа Microsoft, возглавляемая Усамой Файядом, и пять приглашенных партнеров (компании Angoss, Datasage, Epiphany, SAS, Silicon Graphics, SPSS) готовят совместный проект по разработке стандарта обмена данными и средств для интеграции инструментов Data Mining с базами и хранилищами данных.
Сфера применения Data Mining ничем не ограничена — технологию можно применять всюду, где имеются огромные количества какие-либо «сырых» данные!
Data Mining является мультидисциплинарной областью, возникшей и развивающейся на базе достижений прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. (рис. 6). Отсюда обилие методов и алгоритмов, реализованных в различных действующих системах Data Mining. Многие из таких систем интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждой системе имеется какая-то ключевая компонента, на которую делается главная ставка.
Рис. 6. Области применения технологии Data Mining
Можно назвать пять стандартных типов закономерностей, выявляемых с помощью методов Data Mining: ассоциация, последовательность, классификация, кластеризация и прогнозирование.
Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Например, исследование, проведенное в компьютерном супермаркете, может показать, что 55 % купивших компьютер берут также и принтер или сканер, а при наличии скидки за такой комплект принтер приобретают в 80 % случаев. Располагая сведениями о подобной ассоциации, менеджерам легко оценить, насколько действенна предоставляемая скидка.
Если существует цепочка связанных во времени событий, то говорят о последовательности. Так, например, после покупки дома в 45 % случаев в течение месяца приобретается и новая кухонная плита, а в пределах двух недель 60 % новоселов обзаводятся холодильником. [7]
С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объект. Это делается посредством анализа уже классифицированных объектов и формулирования некоторого набора правил.
Кластеризация отличается от классификации тем, что сами группы заранее не заданы. С помощью кластеризации средства Data Mining самостоятельно выделяют различные однородные группы данных.
Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных рядов. Если удается построить найти шаблоны, адекватно отражающие динамику поведения целевых показателей, есть вероятность, что с их помощью можно предсказать и поведение системы в будущем. На рисунке 7 показан полный цикл применения технологии Data Mining.
Рис. 7. Полный цикл применения технологии Data Mining
Обзор существующих систем поддержки принятия решений и методы системного анализа в системах поддержки принятия решенийСистема поддержки принятия решений (СППР) – это интерактивная компьютерная система, предназначенная для помощи лицу, принимающему решения, в использовании данных, связей, документов, знаний и моделей с целью идентификации проблем, формирования решений. [1, с.402]
В промышленности к сферам применения СППР можно отнести:
управление взаимоотношениями с клиентами;
статистическое управление запасами;
финансовое и бюджетное планирование и управление;
анализ и управление рисками.
Рассмотрим СППР, используемые в различных сферах деятельности общества.
«DiSPY-Эксперт»«DiSPY-Эксперт» – это СППР с функциями определения утечек (СОУ) для трубопроводов. Данная система позволяет осуществить построение линий фактического гидроуклона на основании полученных оперативных данных по силе давления и линии расчетного гидроуклона на основании расчетных значений силы давления.
Система «DiSPY-Эксперт» имеет следующие функции:
произведение автоматической диагностики причин неправильности линий расчетного и фактического гидроуклонов при наличии отклонений;
точный расчет движения диагностируемых средств, герметизирующих устройств по трубопроводу и прогнозирование времени прибытия диагностируемых средств в камеры приема;
конструирование линии фактического гидроуклона на основании полученных оперативных данных по силе давления и линий расчетного гидроуклона на основании расчетных значений силы давления;
расчет оптимального количества времени для заполнения / опорожнения резервуаров. В зависимости от изменения режима перекачки прогнозируемое время корректируется автоматически;
вычисление размещения давления и фактического расхода в трубопроводе за счет установленной гидродинамической математической модели;
расчет движения по трубопроводу партий продуктов с реологическими свойствами;
создание и постоянное обновление архива для дальнейшего использования полученных данных;
автоматическое ведение журналов по контролю состояний трубопровода и создание соответствующих архивов;
распознание и автоматизированный контроль напорных характеристик насосных агрегатов;
систематическая диагностика исправности измерительной аппаратуры и точности информации о технологическом процессе;
автоматический контроль идентичности планируемых и фактических давлений (напоров) в режиме онлайн при постоянных и переходных процессах;
контроль стабильности режима перекачки;
распознавание и автоматический контроль эффективных диаметров.
Система поддержки принятия решений для страхованияВ настоящее время в Российской Федерации набирает высокий темп роста такой сектор экономики, как страхование. Данный сектор является неотъемлемой частью рыночной экономики. В связи с этим растет число объектов страхования, а также количество видов страхования. Следовательно, появляется такая первостепенная задача, как повышение качества и эффективности управления информационными ресурсами, которыми обладают страховые компании. [1, с.402]
Внедрение СППР в страховые компании позволяет специалистам быстрее, без больших временных затрат получать ответы на поставленные профессиональные информационные запросы. Данная система позволяет оперативно найти ответы на, например, такие вопросы.
1. В каких регионах РФ наиболее продуктивно наращивать потенциал компании?
2. Какова динамика развития компании в этом году и возможные действия по ее совершенствованию?
3. Каков размер скоплений застрахованных объектов?
4. Как планировать денежные средства на следующие три года?
На данный момент ответы на такие вопросы в страховых компаниях являются слишком затратными по времени, что влечет за собой большие финансовые издержки, а также полученная информация не всегда достаточно обоснована. Например, банковский кредитный специалист, чтобы узнать платежеспособность клиента, который хочет взять кредит, должен самостоятельно оценить риски данной операции и провести прогностические расчеты.
Данная процедура займет большое количество времени, а также будет являться субъективной по своей природе. Соответственно каждый кредитный специалист дает свою оценку риска для объекта, и она может быть вариативна.
Компания «ДАТА+» для компании «Москва Ре» совместно разработала СПРР на базе геоинформационных продуктов ESRI. Ведущие зарубежные страховые компании, такие как MunichRe, PartnerRe, SwissRe, используют эту технологию при разработке аналогичных систем.
СППР также применяется в области создания рекомендаций по минимизации потерь и увеличению прибыли компании.
Существует программное обеспечение «Система слежения в режиме реального времени за сейсмоопасными районами Земного шара, прогноза, оценки ущерба и надежного определения в сейсмоопасных районах временных интервалов и зон отсутствия сильных землетрясений (СЕЙСМОС)», которая была создана на основе докторской диссертации Шахраманяна М.А. (1994 г.) о методах оценки сейсмического риска и ущерба и метода Акопяна С.Ц. (1995-1998 гг.) о прогнозе сейсмической опасности.
Данная программа позволяет в режиме реального времени формировать рекомендации по страхованию или отказу от него, оценки сейсмического риска на территории различных стран Земли на основе динамических карт сейсмической опасности, расчета предполагаемого ущерба и допустимости возникновения страхового случая.
Например, сравнивая статистические карты сейсмического районирования и СЕИСМОС, можно наиболее точно определить степень сейсмического риска в той или иной местности, а также в режиме онлайн можно увидеть временное распределение сейсмической опасности. Также данная методика позволяет вычислить потенциальный ущерб от землетрясения и определить зоны Земного шара, в которых на ближайший год не предвидится сейсмической активности с вероятностью 99,9%. Данная информация позволяет страховщику брать на себя ответственность по сейсмическим рискам на той территории, на которой он осуществляет свою деятельность, что в свою очередь является максимизацией прибыли.
Примером успешной работы методики СЕЙСМОС является сообщение компании «Москва Ре», которое было передано в официальном письме посольства Индонезии от 2 июня 2006 г. В этом письме говорилось, что близко к южному побережью о. Ява возможна сейсмическая активность в период с июня 2006 г. по февраль 2007 г., в результате чего может произойти цунами. Это прогноз подтвердился 17 июля 2006 г.
Данная методика позволяет точно определить локализацию зон и временных интервалов сейсмической опасности, что в свою очередь приводит к принципу минимизации потерь.
AnalyticaСППР Analytica является наследницей системы поддержки принятия решений Demos. Она спроектирована на основе исследований, продолжавшихся более 10 лет. Инструментальные средства моделирования, анализа неопределенности и пользовательского интерфейса изучались в университете Carnegie-mellon и специалистами компании «Decision Lumina Systems». [1, с.403]
Эту СППР можно определить как систему количественного моделирования, или как инструментарий с графическим интерфейсом для разработки модели. Ее возможности содержат анализ сценариев, диаграммы влияния, многомерное моделирование (dimensional modeling) и анализ риска. Система дает прозрачность и мощность бизнес-моделированию.
Она существенно превышает возможности, которые дают пользователям обычные электронные таблицы, фактически это графически-ориентированное инструментальное средство для создания, объединения количественных бизнес-моделей и их анализа.
Эта программа дает более простые и оперативные возможности за счет:
управления рисками и неопределенностью за счет качественного моделирования по методу Монте-Карло о случайных величинах для вычисления характеристик их распределения;
экспорта и импорта данных с использованием механизма OLE (или ODBC в версии, предназначенной для корпораций, – Enterprise Analytica);
применения удобного графического интерфейса на базе диаграмм влияния для объединения моделей в общей структуре;
средств масштабирования модели, для решения многомерности проблем реального мира, используют модели бизнес-информации;
создания моделей в Интернете при помощи вспомогательной программы Analytica Decision Engine®, а также быстрое развертывание.
Благодаря тому, что Analytica применяет графический интерфейс и небольшое количество стандартных диаграммных знаков, она легка в изучении и применении. Руководители высшего звена или группа менеджеров среднего звена могут выявить концепцию проблемы, а ее качественные аспекты могут отображаться без написания формул.
Модели системы Analytica просты и благодаря этому они быстро и легко модернизируются, поддерживаются и расширяются. Модели Analytica легко проверять и контролировать из-за ее самодокументирующихся диаграмм. При этом не нужна внешняя дополнительная документация, чтобы использовать эти модели вместе с другими.
СППР Analytica достаточно обширно применяется создания и исследования моделей во многих отраслях, таких, например, как консалтинг, здравоохранение, бизнес и финансы, медицина,