Тема 6 – Поддержка принятия управленческих решений

1. Системы поддержки принятия управленческих решений и средства повышения интеллектуальной функциональности корпоративных информационных систем.

2. Концепция баз знаний.

3. Технологии интерактивной аналитической обработки данных (OLAP), управления знаниями (КМ), распознавания важной информации (DataMining) и другие.

4. Экспертные системы в логистике. Задачи оптимизации в логистике и способы их решения.

1. Decision Support Systems (DSS) является классом компьютеризированных информационных систем, которые поддерживают деятельность по принятию решений. Дэниель Пауэр в 2002 году идентифицировал пять типов DSS-систем как систем, оперирующих связями, данными, документами, знаниями и моделями. DSS-система – это интерактивная компьютерная система, предназначенная для помощи лицу, принимающему решения, в использовании связей, данных, документов, знаний и моделей для идентификации и решения проблем и формирования решений. DSS-система помогает менеджеру или лицу, принимающему решение, использовать и манипулировать данными, использовать проверки и эвристики, а также строить и использовать математические модели. Существует связное понятие – Business Intelligence Tools (инструментальные средства бизнес-интеллекта) – программное обеспечение, которое дает возможность пользователям наблюдать и использовать большие объемы сложных данных. Выделяют три типа таких инструментальных средств:

— Средства многомерного анализа – также известные как OLАР – программное обеспечение, которое дает пользователю возможность наблюдать данные в различных измерениях, направлениях или сечениях.

— Инструментальные средства запросов – программное обеспечение, позволяющее формировать запросы к данным по содержанию или образцу.

— Инструментальные средства поиска данных – программное обеспечение, которое осуществляет автоматический поиск важных образцов (моделей), или зависимостей в данных.

В качестве предмета для систем класса DSS на основании анализа уже сложившейся практики можно назвать:

— финансовый анализ и прогнозирование;

— маркетинг реализации и закупок;

— анализ стереотипов клиентского поведения и выявление скрытых закономерностей;

— анализ рисков;

— управление активами.

К информационному обслуживанию бизнеса можно отнести:

— увязку стратегических задач бизнеса и ИТ;

— распределение и контроль прикладного программного обеспечения;

— оперативную поддержку пользователей; а также управление:

— проектами;

— производственными мощностями;

— изменениями;

— проблемами;

— издержками;

— непредвиденными ситуациями;

— вспомогательными службами;

— взаимоотношениями с клиентами;

— взаимоотношениями с поставщиками.

Более укрупнено можно говорить о том, что информационные технологии сосредоточены на обслуживании процессов, связанных с:

— людьми;

— процессами;

— стратегиями;

— технологиями.

Как можно видеть, в сферу приложения систем DSS попадает почти половина структурных задач, возлагаемых на ИТ-службы. Это находит подтверждение при анализе рынка прикладных информационных систем. Так, мировой рынок, например, ERP-систем оценивается в настоящее время оборотами порядка 25 млрд долларов. Рынок DSS-cистем, который возник только в середине 90-х годов, сейчас оценивается суммой порядка 10 млрд долларов и растет существенно большими темпами, чем рынок корпоративных систем управления. Его рост порядка 30 % в год против 10-15 % роста ERP-рынка, и можно предположить, что в течение ближайших пяти лет можно ожидать достижения паритета. С другой стороны, если рынок систем DSS в настоящее время в основном связан с финансовым сектором, крупноформатной торговлей и телекоммуникациями, то можно ожидать постепенной ассимиляции функциональных возможностей DSS-систем в существующие системы ERP-класса, что, по-видимому, приведет к оживлению процессов обновления версий ERP-систем в корпоративном секторе.

Анализируя тенденции развития функциональности ERP-систем, можно уверенно говорить о том, что этот процесс уже идет. Так, практически во всех ведущих ERP-системах уже имплементированы функциональные возможности прогнозирования с использованием разнообразных статистических методов. Представляется очень перспективным развитие подходов DSS-систем в управлении активами, в частности, в организации эксплуатации и ремонтов оборудования. Это связано с постепенной миграцией подходов, а именно, от управления ремонтами по состоянию, к управлению на основе прогнозирования будущего состояния производственных мощностей. В Украине в данной сфере еще превалируют календарные подходы и управление эксплуатацией на основе учета наработки. Эти подходы были присущи промышленности развитых стран мира в 80-е годы и являются избыточными по издержкам содержания производственных мощностей.

Рассматривая деятельность корпораций в конкурентном окружении, Майкл Портер, например, выделяет следующую шестифакторную модель, которая представлена на рисунке.

Рисунок – Диаграмма сравнительной конкурентоспособности по Майклу Портеру

Можно быть уверенным, что в усилении данных конкурентных позиций и лежит основной предмет DSS-систем. Существенным фактором их развития является то, что к настоящему времени в транзакционных системах управления оперативной деятельностью компаний накоплен огромный объем данных, значение которых в настоящее время во многом не осознано и не используется. Крупноформатная торговля и компании электронной коммерции (B2C, B2B) явились первыми институциональными заказчиками на DSS-системы. Основными задачами, решаемыми в данном секторе, являются:

— анализ ассортимента (селективный маргинальный доход, оборачиваемость запасов, статистическое управление запасами, фондоотдача);

— распределение площадей, раскладка;

— анализ эффективности деятельности менеджеров и мотивация персонала;

— планирование и анализ эффективности рекламы, акций, распродаж и т.п.;

— управление ценообразованием.

В промышленности к сферам применения DSS-систем можно отнести:

— управление взаимоотношениями с клиентами;

— статистическое управление запасами;

— финансовое и бюджетное планирование и управление;

— анализ и управление рисками.

Особое значение в конкурентной борьбе при практически равной ситуации по возможности доступа к технологиям приобретает персонал и подходы к управлению. В развитых странах мира персонал, по крайней мере, ведущий в стратегическом планировании, переместился из категории «Затраты» (Cost) в категорию «Фонды» – первые надо неуклонно сокращать, а вторые надо развивать и инвестировать.

Обобщенный портрет DSS-систем можно составить на основе краткого анализа предложений компаний Cognos, SAS, Hyperion, Oracle. Так как данная статья носит вводный характер, автор не ставил перед собой целью сравнительный анализ продуктов – это тема других работ.

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 с преднастроенными библиотеками показателей (до 500);

— анализ взаимоотношений с клиентами и поставщиками;

— анализ рыночных тенденций;

— функционально-стоимостный анализ;

— функционально-стоимостное управление;

— система постоянных улучшений;

— многомерный анализ данных (OLAP);

— выявление скрытых закономерностей (Data Mining);

— выявление моделей (структур) данных;

— статистический анализ и прогнозирование временных рядов;

— событийное управление бизнесом;

— 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.

Отличительной особенностью рассматриваемых продуктов является значительная большая, чем в случае с ERP-системами, готовность к немедленной работе (значительно меньшие циклы внедрения при наличии наследуемых баз данных).

В качестве примера можно привести аптечный бизнес. Сегодня специалисты ЗАО "Аптеки 36,6" и компании TopS Business Integrator (TopS BI) завершили проект по созданию информационной системы поддержки принятия управленческих решений, в которую вошли системы автоматизации процессов бюджетного управления и формирования консолидированной финансовой и оперативной управленческой отчетности. Аптечная сеть 36,6 - национальный лидер в области розничной торговли товарами для красоты и здоровья. Компания управляет более чем 550 аптеками в 65 городах России; осуществляется активное расширение аптечной сети.

Интенсивный рост компании, быстрое региональное развитие, формирование географически распределенной организационной структуры потребовали совершенствования механизмов финансового управления, и руководство Аптечной сети 36,6 инициировало проект по автоматизации процессов бюджетного планирования и формирования консолидированной финансовой отчетности в соответствии со стандартами МСФО, а также внутренними практиками оперативной управленческой отчетности. По итогам открытого тендера исполнителем проекта была выбрана компания TopS BI. Технологической основой Системы поддержки принятия управленческих решений стали программные продукты Oracle (Oracle Financial Analyzer и Oracle Sales Analyzer, СУБД Oracle 10g Database Server, Oracle Express Server, Oracle Warehouse Builder, Oracle General Ledger).

Консультанты TopS BI в сотрудничестве со специалистами Аптечной сети 36,6 формализовали бюджетную модель компании, охватив все функциональные подразделения и аптеки. Была разработана финансовая структура Аптечной сети 36,6 и выделены центры финансовой ответственности (более пятисот). Определены состав и порядок формирования бюджетов, включая бюджеты центров затрат, действующих и новых центров продаж, бюджеты регионов. Выделены 24 аналитических разреза для формирования бюджетов и отчетности об их исполнении. Оптимизирован состав годового бюджета компании, предусмотрена возможность его корректировки по итогам полугодия.

Формализованная бюджетная модель была реализована в информационной системе поддержки процессов бюджетирования. В системе настроены более 90 бюджетных форм и более 60 отчетов. Система обеспечивает планирование инвестиций в разрезе проектов; планирование продаж в разрезе товарных категорий с учетом факторов сезонности, инфляции; планирование доходов и расходов по центрам продаж с учетом форматов аптек, формы собственности и способов их приобретения; формирование бюджетов верхнего уровня (Бюджетного баланса, Бюджета прибылей и убытков и Бюджета движения денежных средств). Командой проекта был также подготовлен набор нормативных документов, включая регламенты, альбом бюджетных и отчетных форм, методики формирования бюджетов. В процесс планирования вовлекаются директора всех аптек и руководители функциональных подразделений компании.

Второй составляющей системы поддержки принятия решений стала система формирования консолидированной финансовой отчетности по МСФО и оперативной управленческой отчетности. Командой проекта разработан единый для всех юридических лиц план счетов управленческого учета, формализованы и реализованы в информационной системе алгоритмы формирования консолидированной отчетности по МСФО с учетом юридической структуры компании и внутренних хозяйственных операций (более 20 отчетных форм и форм для трансформации). В настоящее время система передана в финансовые службы Аптечной сети 36,6. Система обеспечит поддержку процессов финансового планирования, контроля и анализа деятельности, предоставит руководству компании объективную и своевременную информацию для принятия управленческих решений, а также повысит прозрачность компании для ее инвесторов.

3. Рассмотрим технологии интерактивной аналитической обработки данных (OLAP), управления знаниями (КМ), распознавания важной информации (DataMining) и другие. Понятие «управление знаниями» (КМ) появилось в середине 90-ых годов в крупных корпорациях, где проблемы обработки информация приобрели особую остроту и стали критическими. При этом стало очевидным, что основным узким местом является обработка знаний, накопленных специалистами компании, так как именно знания обеспечивают преимущество перед конкурентами. Часто информации в компаниях накоплено даже больше, чем она способна оперативно обработать. Различные организации пытаются решать этот вопрос по-своему, но при этом каждая компания стремится увеличить эффективность обработки знаний. Управление знаниями – это совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний внутри предприятия.

Ресурсы знаний различаются в зависимости от отраслей индустрии и приложений, но, как правило, включают руководства, письма, новости, информацию о заказчиках, сведения о конкурентах и технологии, накопившиеся в процессе разработки. Сами эти ресурсы могут находиться в различных местах: в базах данных, базах знаний, в картотечных блоках, у специалистов и могут быть рассредоточены по всему предприятию. При этом часто одна часть предприятия дублирует работу другой просто потому, что невозможно найти и использовать знания, находящиеся в соседних подразделениях. В число основных технологий, поддерживающих КМ, входят:

— добыча данных и текстов (Data mining, Text Mining) – распознавание образов, выделение значимых закономерностей из данных, находящихся в хранилищах или входных или выходных потоках. Эти методы основываются на статистическом моделировании, нейронных сетях, генетических алгоритмах и др.;

— системы управления документооборотом– хранение, архивирование, индексирование, разметка и публикация документов;

— средства для организации совместной работы – сети intranet, технологии группой работы, синхронные и асинхронные конференции;

— корпоративные порталы знаний;

— средства, поддерживающие принятие решений – экспертные системы, системы, поддерживающие дискуссионные группы и т.д.

Традиционно проектировщики систем КМ ориентировались лишь на отдельные группы потребителей – главным образом менеджеров. Более современные КМ-системы спроектированы уже в расчете на целую организацию. Хранилища данных, которые работают по принципу центрального склада, были одним из первых инструментариев КМ. Как правило, хранилища содержат многолетние версии обычной БД, физически размещаемые в той же самой базе. Когда все данные содержатся в едином хранилище, изучение и анализ связей между отдельными элементами может быть более плодотворным. В дальнейшем идея хранилища была развита в понятие корпоративной памяти.

При разработке систем КМ можно выделить следующие этапы:

— Накопление. Стихийное и бессистемное накопление информации в организации.

— Извлечение. Процесс обнаружения источников знаний, их “добыча” и описание. Это один из наиболее сложных и трудоемких этапов. От его успешности зависит дальнейшая жизнеспособность системы.

— Структурирование. На этом этапе должна быть выделены основные понятия, выработана структура представления информации, обладающая максимальной наглядностью, простотой изменения и дополнения.

— Формализация и программная реализация. Представление структурированной информации в форматах машинной обработки – то есть на языках описания данных и знаний и организация автоматизированной обработки и поиска информации по запросу.

— Обслуживание. Корректировка формализованных данных и знаний (добавление, обновление): «чистка», то есть удаление устаревшей информации; фильтрация данных и знаний для поиска информации, необходимой пользователям.

В основу современной технологии Data Mining положена концепция шаблонов, отражающих закономерности, свойственные подвыборкам данных. Поиск шаблонов производится методами, не использующими никаких априорных предположений об этих подвыборках. Если при статистическом анализе или при применении OLAP обычно формулируются вопросы типа «Каково среднее число неоплаченных счетов заказчиками данной услуги?», то применение Data Mining, как правило, то подразумевает ответы на вопросы типа «Существует ли типичная категория клиентов, не оплачивающих счета?». При этом именно ответ на второй вопрос нередко обеспечивает более нетривиальный подход к маркетинговой политике и к организации работы с клиентами. Важной особенностью Data Mining является нестандартность и неочевидность разыскиваемых шаблонов. Иными словами, средства Data Mining отличаются от инструментов статистической обработки данных и средств OLAP тем, что вместо проверки заранее предполагаемых пользователями взаимозависимостей они на основании имеющихся данных способны находить такие взаимозависимости самостоятельно и строить гипотезы об их характере.

Следует отметить, что применение средств Data Mining не исключает использования статистических инструментов и OLAP-средств, поскольку результаты обработки данных с помощью последних, как правило, способствуют лучшему пониманию характера закономерностей, которые следует искать. Применение Data Mining оправданно при наличии достаточно большого количества данных, в идеале – содержащихся в корректно спроектированном хранилище данных (собственно, сами хранилища данных обычно создаются для решения задач анализа и прогнозирования, связанных с поддержкой принятия решений). Cегодня существует довольно большое количество разнообразных методов исследования данных, среди них можно выделить:

— регрессионный, дисперсионный и корреляционный анализ (реализован в большинстве современных статистических пакетов, в частности в продуктах компаний SAS Institute, StatSoft и др.);

— методы анализа в конкретной предметной области, базирующиеся на эмпирических моделях (часто применяются, например, в недорогих средствах финансового анализа);

— нейросетевые алгоритмы, идея которых основана на аналогии с функционированием нервной ткани и заключается в том, что исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися связями между «нейронами», а в качестве ответа, являющегося результатом анализа, рассматривается отклик всей сети на исходные данные. Связи в этом случае создаются с помощью так называемого обучения сети посредством выборки большого объема, содержащей как исходные данные, так и правильные ответы;

— алгоритмы – выбор близкого аналога исходных данных из уже имеющихся исторических данных. Называются также методом «ближайшего соседа»;

— деревья решений – иерархическая структура, базирующаяся на наборе вопросов, подразумевающих ответ «Да» или «Нет»; несмотря на то, что данный способ обработки данных далеко не всегда идеально находит существующие закономерности, он довольно часто используется в системах прогнозирования в силу наглядности получаемого ответа;

— кластерные модели (иногда также называемые моделями сегментации) применяются для объединения сходных событий в группы на основании сходных значений нескольких полей в наборе данных; также весьма популярны при создании систем прогнозирования;

— алгоритмы ограниченного перебора, вычисляющие частоты комбинаций простых логических событий в подгруппах данных;

— эволюционное программирование – поиск и генерация алгоритма, выражающего взаимозависимость данных, на основании изначально заданного алгоритма, модифицируемого в процессе поиска; иногда поиск взаимозависимостей осуществляется среди каких-либо определенных видов функций (например, полиномов).

Средства Data Mining, как и большинство средств Business Intelligence, традиционно относятся к дорогостоящим программным инструментам – цена некоторых из них доходит до нескольких десятков тысяч долларов. Поэтому до недавнего времени основными потребителями этой технологии были банки, финансовые и страховые компании, крупные торговые предприятия, а основными задачами, требующими применения Data Mining, считались оценка кредитных и страховых рисков и выработка маркетинговой политики, тарифных планов и иных принципов работы с клиентами. В последние годы ситуация претерпела определенные изменения: на рынке программного обеспечения появились относительно недорогие инструменты Data Mining от нескольких производителей, что сделало доступной эту технологию для предприятий малого и среднего бизнеса.

К современным средствам Business Intelligence относятся генераторы отчетов, средства аналитической обработки данных, средства разработки BI-решений (BI Platforms) и так называемые Enterprise BI Suites – средства анализа и обработки данных масштаба предприятия, которые позволяют осуществлять комплекс действий, связанных с анализом данных и с созданием отчетов, и нередко включают интегрированный набор BI-инструментов и средства разработки BI-приложений. Последние, как правило, содержат в своем составе и средства построения отчетов, и OLAP-средства, а нередко – и Data Mining-средства. По данным аналитиков Gartner Group, лидерами на рынке средств анализа и обработки данных масштаба предприятия являются компании Business Objects, Cognos, Information Builders, а претендуют на лидерство также Microsoft и Oracle, что представлено на рисунке.

Рисунок – Еnterprise BI Suites Magic Quadrant

Что касается средств разработки BI-решений, то основными претендентами на лидерство в этой области являются компании Microsoft и SAS Institute, что отображено на рисунке.