Systemy wspomagania

decyzji

Wykład 2

Adam Deptuła Dr inż.

Oczywiście nie wszystkie Systemy Wspomagania Decyzji

odpowiadają wszystkim wyżej wymienionym charakterystykom.

Ponieważ tworzone są one na potrzeby konkretnych problemów

decyzyjnych, stopień ich zaawansowania zależy w dużym stopniu

od samego problemu jak i potrzeb decydenta.

W wielu przypadkach Systemy Wspomagania Decyzji mają

mniejszy zakres, posiadając jedynie wybrane z wymienionych

właściwości. Przy budowie lub wyborze gotowego DSS zyski z

jego właściwości powinny być w równowadze z kosztami

systemu, jego złożonością i stopniem kontroli nad nim.

Wyrafinowany DSS może być bardzo skomplikowany, podczas

gdy inny, zaimplementowany np. w postaci modelu w arkuszu

kalkulacyjnym może być bardzo prosty.

Cechy DSS

Systemy Wspomagania Decyzji tworzone są z myślą o rozwiązywaniu konkretnych indywidualnych problemów. W związku z tym trudno jest mówić o jakimś uniwersalnym jednolitym wzorcu ich budowy. DSS mają silnie zróżnicowaną strukturę wewnętrzną, w zależności od problemu dla którego zostały one stworzone, oraz preferencji użytkownika odnośnie działania systemu.

Tym niemniej możemy wyróżnić pewien ramowy schemat ich budowy, obejmujący zwykle kilka standardowych podsystemów:

Baza danych zawiera aktualne dane dotyczące działalności organizacji i jej otoczenia. Z tego powodu możemy czasami mówić o bazie danych wewnętrznych i zewnętrznych organizacji. Dane wewnętrzne pochodzą przede wszystkim z baz danych transakcyjnych oraz innych systemów informatycznych. Dane zewnętrzne pochodzą zwykle od otoczenia gospodarczo-politycznego organizacji. Działanie DSS w sposób kluczowy zależy od jakości danych, tak więc powinny być one uważnie kontrolowane.

Struktura DSS

Baza modeli składa się z wielu modułów, z których każdy zawiera opis odpowiednich zachowań związanych z daną sytuacją decyzyjną. Modele te wspierają podejmowanie decyzji na różnych poziomach zarządzania w zakresie różnych funkcji kierowniczych i w różnych dziedzinach działalności obiektu. Z tego powodu ważne jest zapewnienie szczególnie dla tego elementu DSS możliwości ciągłej modyfikacji i rozbudowy. Ta część systemu decyduje bowiem o rzeczywistych możliwościach całego systemu.

Podsystem symulacyjno-decyzyjny na podstawie żądań użytkownika oraz istniejących danych dokonuje wyboru kombinacji modeli niezbędnych do rozwiązania zadania, wyboru danych wejściowych dla tych modeli, oraz wykonuje z ich pomocą niezbędne obliczenia. Zauważmy że przepływy informacyjne tego podsystemu z bazą danych mają charakter dwukierunkowy. Może on nie tylko pobierać dane wejściowe, ale również zapisywać w bazie danych informacje będące wynikiem działania DSS. Podobnie w przypadku bazy modeli podsystem symulacyjno-decyzyjny może również modyfikować modele pod katem konkretnego problemu oraz istniejących danych (np. poprzez reestymację ich parametrów) zapisując zmiany w bazie modeli.

Struktura DSS

Interfejs użytkownika (menedżer dialogu) ma zapewnić wysoki

komfort obsługi. Pozwala decydentowi na łatwy dostęp i

manipulowanie DSS. Steruje pracą modułu symulacyjno-

decyzyjnego, oraz przekazuje użytkownikowi otrzymane od niego

wyniki obliczeń. Użytkownik musi otrzymywać to czego zażąda w

możliwie różnorodnej formie, a system musi być przygotowany na

żądania niestandardowe. Nowoczesne interfejsy mają za zadanie jak

największe uproszczenie sposobu komunikacji z systemem, poprzez

komunikację graficzną, multimedialną, z wykorzystaniem

powszechnie stosowanej terminologii biznesowej, a nawet przy

użyciu języka naturalnego.

Struktura DSS

Struktura DSS

Podsystem symulacyjno-

-decyzyjny

Interfejs użytkownika

Baza

danych

Baza

modeli

Jak mogliśmy to zaobserwować w poprzednim punkcie jądrem Systemu Wspomagania Decyzji, decydującym o jego możliwościach są modele przechowywane w bazie modeli. Scharakteryzujemy więc teraz ten element DSS nieco dokładniej.

Modelem nazywamy abstrakcję (czyli świadome i celowe uproszczone odwzorowanie) określonego fragmentu rzeczywistości. Przydatność modelu warunkowana jest przez następujące warunki:

Konstrukcji modelu musi towarzyszyć świadomość celu w jakim został on stworzony.

Model powinien odzwierciedlać wszystkie istotne z punktu widzenia celu elementy rzeczywistości, ich własności oraz relacje między nimi i ich własnościami.

Model powinien być wewnętrznie zgodny i zgodny z informacjami, które były podstawą jego konstrukcji.

Model powinien uwzględniać relacje między realnym fragmentem rzeczywistości, a jego otoczeniem.

Modele

Biorąc pod uwagę wybraną formę reprezentacji rzeczywistości możemy mówić o modelach:

fizycznych (w skład których zaliczymy przede wszystkim różnego rodzaju prototypy urządzeń mechanicznych, elektronicznych itp.),

graficznych (reprezentujących modelowane aspekty problemu z wykorzystaniem różnego rodzaju diagramów i innych form obrazkowych),

matematycznych.

Z punktu widzenia możliwości wykorzystania modelu przez systemy informatyczne, największe nasze zainteresowanie budzi oczywiście ta ostatnia grupa. Istnieje przy tym cały szereg metod reprezentacji świata rzeczywistego przez programy komputerowe, wśród których wyróżnić można dwa podstawowe podejścia:

numeryczne – wykorzystujące do opisu stanu modelowanego wycinka rzeczywistości równania i formuły matematyczne,

symboliczne (logiczne) – opisujące rzeczywistość w postaci zestawów umownych symboli oraz zależności logicznych między nimi.

Modele

Podział ten nie ma oczywiście charakteru ostrego. W zasadzie można powiedzieć, że każdy program komputerowy stanowi model rzeczywistości, wykorzystujący do jej opisu zarówno aparat matematyczny, jak i logiczny. W zależności od przewagi udziału każdego z nich możemy zakwalifikować go do którejś z grup.

Jako przykłady krańcowych przypadków możemy z jednej strony wymienić tu z jednej skomplikowane modele matematyczne wymagające zastosowania złożonych algorytmów numerycznych, zaś z drugiej strony systemy oparte na inżynierii wiedzy.

Mówiąc o reprezentacji rzeczywistości w postaci systemu informatycznego należy wskazać tu na dwa podstawowe elementy modelowane w komputerze: stan rzeczywistości reprezentowany z wykorzystaniem danych, oraz dynamikę zmian stanu (zachowanie) rzeczywistości reprezentowaną w postaci algorytmu.

Modele

Ze względu na stopień naszej wiedzy o reprezentowanym fragmencie rzeczywistości, możemy mówić o następujących rodzajach modeli:

modele algorytmiczne. Są to tzw. „silne” modele, z silnymi założeniami i bez parametrów wolnych (szacowanych na podstawie danych).

Wymagają one dogłębnego zrozumienia natury problemu i istnienia wiedzy o sposobie jego rozwiązania, pozwalającej na wyspecyfikowanie równań lub algorytmów opisujących zachowanie modelowanego systemu.

Stanowią one niewątpliwie najefektywniejszą metodologię rozwiązania problemu.

Zwykle jednak stosowane mogą być jedynie w przypadku systemów stosunkowo prostych, dla których możliwe jest precyzyjne zrozumienie i opisanie modelowanych fenomenów.

Modele

modele dedukcyjne. Stosowane są w przypadku problemów, dla których nie jesteśmy w stanie zbudować precyzyjnej specyfikacji matematycznej lub algorytmicznej (logicznej).

Możemy tym niemniej na podstawie bezpośredniej obserwacji systemu wykryć pewne stałe wzorce jego zachowania. Pozwala to na określenie przez modelującego pewnych ogólnych zasad opisujących dynamikę systemu.

Typowymi przykładami zastosowania rozumowania dedukcyjnego są systemy ekspertowe oraz wnioskowanie statystyczne.

W pierwszym przypadku modelujący wraz z „ekspertem” tworzy bazę wiedzy opisującą zachowanie systemu w postaci szeregu reguł logicznych o niewielkiej liczbie parametrów wolnych.

Systemy wnioskowania statystycznego dla odmiany, takie jak regresja liniowa, czynią silne założenia odnośnie natury związku między zmiennymi, pozwalając oszacowanie parametrów wolnych na podstawie zaobserwowanych danych.

Modele

modele indukcyjne. W miarę jak wzrasta złożoność systemu, możliwość bezpośredniego, precyzyjnego określenia pewnych stałych wzorców jego zachowania zwykle maleje.

Powiązania między zmiennymi stają się niejawne, nie można poczynić niemal żadnych założeń odnośnie ich natury.

Problemy tego typu rozwiązywane mogą być przy wykorzystaniu nieparametrycznych metod, takich jak sieci neuronowe, nieparametryczna regresja, adaptacyjne systemy rozmyte czy też algorytmy genetyczne.

Metody te w procesie analizy danych pozwalają na określenie nie tylko wartości parametrów, ale również kształtu odwzorowania między zmiennymi.

Modele

modele indukcyjne. W miarę jak wzrasta złożoność systemu, możliwość bezpośredniego, precyzyjnego określenia pewnych stałych wzorców jego zachowania zwykle maleje.

Powiązania między zmiennymi stają się niejawne, nie można poczynić niemal żadnych założeń odnośnie ich natury.

Problemy tego typu rozwiązywane mogą być przy wykorzystaniu nieparametrycznych metod, takich jak sieci neuronowe, nieparametryczna regresja, adaptacyjne systemy rozmyte czy też algorytmy genetyczne.

Metody te w procesie analizy danych pozwalają na określenie nie tylko wartości parametrów, ale również kształtu odwzorowania między zmiennymi.

Jak więc widzimy, w miarę wzrostu złożoności modelowanego problemu nasz stopień jego poznania a priori zwykle maleje i ciężar przesuwa się w kierunku analizy wzorców jego zachowania na podstawie obserwacji.

Modele

Systemy Wspomagania Decyzji obejmują zwykle wobec tego nie tylko modele wspomagające sam proces decyzyjny, ale również modele analityczne identyfikujące pewne istotne zmienne i fakty występujące w badanym problemie oraz porządkujące zebrana wiedzę o zależnościach między nimi.

Tak więc z tego punktu widzenia modele wykorzystywane przez DSS ogólnie podzielić możemy na następujące kategorie:

Modele objaśniające – w których odwzorowujemy związki i logiczne powiązania między własnościami modelowanych obiektów i na ich podstawie przedstawiamy wynikające z nich wnioski.

Ich celem jest zdobycie wiedzy o samych obiektach, czyli zmiennych, faktach czy procesach mających wpływ na podejmowaną decyzję.

Typowymi przykładami tej klasy modeli mogą być różnego rodzaju modele finansowe, kalkulacji kosztów, prognostyczne, identyfikacji systemów, itd.

Modele

Modele weryfikujące – w których, nie ingerując we własności modelowanych obiektów, dokonujemy uporządkowania informacji o badanej rzeczywistości.

Modele te związane są zwykle z różnorodnymi technikami analitycznymi i diagnostycznymi, takimi jak między innymi analiza zależności między zmiennymi (korelacji), analiza skupień, klasyfikacja, itp.

Na przykład analiza skupień w danych dotyczących sprzedaży, pozwala na stworzenie modelu rynku, opartego na rozłącznych (lub nie) segmentach. Diagnostyka natomiast polega na analizie wnętrza modelu, w celu wykrycia przyczyn występowania takich, a nie innych zjawisk.

Modele decyzyjne – na podstawie których chcemy wyznaczyć w modelu nowe obiekty, lub wskazać zamiany w obiektach istniejących, tak, aby spełniały one cel zawarty w naszym problemie.

Modele

Modele finansowe dostarczają narzędzi do analiz finansowych takich wielkości jak strumienie pieniądza, stopy zwrotu i innych elementów analiz finansowo-ekonomicznych.

Ogólnie modele tego typu podzielić można na dwie podstawowe grupy: Modele bilansowe sensu stricto, czyli modele bilansu, rachunku

wyników, rachunku inwestycyjnego i analiz finansowo-ekonomicznych, a także proste modele arytmetyczne wykorzystywane przy planowaniu, kontroli i ocenie uzyskiwanych wyników. Wykorzystują one przede wszystkim metody matematyczne algebraiczne, a bardzo rzadko również rachunku różniczkowego i całkowego.

Modele przepływów międzyoperacyjnych, międzywyrobowych, międzyzakładowych, międzybranżowych i międzygałęziowych wykorzystywane w planowaniu. Wykorzystują one przede wszystkim statyczną analizę input-output oraz metody algebraiczne.

Modele bilansowe wykorzystywane są przede wszystkim w jednoetapowych dobrze ustrukturalizowanych problemach decyzyjnych deterministycznych (decyzji podejmowanych w warunkach pewności), oraz do wyznaczania wartości istotnych zmiennych w modelach innych klas.

Modele finansowe

Modele finansowe Charakterystyka Jednostka WX Supermon 2Konstrix A12

Koszt nabycia zł 30 000,00 zł 62 000,00 zł

Okres użytkowania rok 6 6

Wartość likwidacyjna zł - zł 8 000,00 zł

Zdolność produkcyjna szt./rok 8000 10000

Pensje obsługi zł/rok 5 000,00 zł 5 000,00 zł

Wynagrodzenia zł/rok 25 000,00 zł 11 000,00 zł

Inne koszty stałe zł/rok 5 000,00 zł 6 000,00 zł

Materiały zł/rok 40 000,00 zł 48 000,00 zł

Inne koszty zmienne zł/rok 3 000,00 zł 3 000,00 zł

Kalkulacyjna stopa procentowa % 10% 10%

Koszty zmienne 68 000,00 zł 62 000,00 zł

Koszty zmienne znormalizowane 68 000,00 zł 49 600,00 zł

Koszty stałe Amortyzacja 5000 9000

Odsetki 1 500,00 zł 3 500,00 zł

Koszty zmienne znormalizowane 68 000,00 zł 49 600,00 zł

Koszty stałe razem 16 500,00 zł 23 500,00 zł

Łączne koszty 84 500,00 zł 73 100,00 zł

(Analiza kosztów)

W przypadku modeli optymalizacyjnych, zakładamy, że celem budowy modelu jest znalezienie rozwiązania, optymalnego pod względem pewnego zadanego kryterium (lub kryteriów). Warunki definiujące tego typu cel nazywamy warunkami kierunkowymi.

Warunki kierunkowe w modelach optymalizacyjnych nazywamy kryteriami, lub funkcjami celu. Typowym przypadkiem warunku kierunkowego w systemach informacyjnych zarządzania jest minimalizacja kosztów lub maksymalizacja zysku.

Jako funkcje celu wykorzystywane mogą być również pochodne tych wielkości, przede wszystkim różnego rodzaju wskaźniki (takie jak np. wewnętrzna stopa zwrotu).

W rzeczywistych warunkach dopuszczalne są jedynie pewne rozwiązania, spełniające określone warunki. Warunki te nazywamy ograniczeniami. Typowymi przykładami ograniczeń przy podejmowaniu decyzji z zakresu zarządzania, są wielkości zasobów z których może korzystać organizacja przy realizacji celu.

Modele optymalizacyjne

W przypadku modeli optymalizacyjnych, zakładamy, że celem budowy modelu jest znalezienie rozwiązania, optymalnego pod względem pewnego zadanego kryterium (lub kryteriów). Warunki definiujące tego typu cel nazywamy warunkami kierunkowymi.

Warunki kierunkowe w modelach optymalizacyjnych nazywamy kryteriami, lub funkcjami celu. Typowym przypadkiem warunku kierunkowego w systemach informacyjnych zarządzania jest minimalizacja kosztów lub maksymalizacja zysku.

Jako funkcje celu wykorzystywane mogą być również pochodne tych wielkości, przede wszystkim różnego rodzaju wskaźniki (takie jak np. wewnętrzna stopa zwrotu).

W rzeczywistych warunkach dopuszczalne są jedynie pewne rozwiązania, spełniające określone warunki. Warunki te nazywamy ograniczeniami. Typowymi przykładami ograniczeń przy podejmowaniu decyzji z zakresu zarządzania, są wielkości zasobów z których może korzystać organizacja przy realizacji celu.

Modele optymalizacyjne

W modelach jednokryterialnych wyróżniany jest tylko jeden

warunek kierunkowy. Tak więc mają one tylko jedną określoną

funkcję celu, dla której należy wyznaczyć maksimum lub

minimum. W ogólnym przypadku mają one strukturę:

gdzie są funkcjami wielu zmiennych

definiującymi odpowiednio funkcję celu oraz ograniczenia.

Optymalizacja jednokryterialna

MMC

C

C

)(

...

)(

max)(

22

1

x

x

x

RRCC n

M :,...,1