Организация информационных систем

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Информационные системы, имеющие некоторое число функциональных подсистем, которые разнесены территориально по подразделениям и филиалам компании, имеют собственную архитектуру и конфигурацию, программно-аппаратные средства, систему управления и персонал, называются распределенными информационными системами (Distributed Information Systems - DIS).

Типы данных в организации вся информация

Формализованная

частично формализованная

неформализованная

В зависимости от степени формализации определяются и типы решений - структурированные, частично структурированные и неструктурированные.

От переработки данных к анализу

Естественно, что не все нужные данные присутствуют в ИС в «чистом» виде. Полезную информацию приходится вылавливать из большого количества дополнительных данных, и этот процесс называется извлечением данных (Data Mining - DM).

Современные информационные технологии, при поиске ответов на поставленные вопросы позволяет аналитику формировать и решать задачи аналитические извлечение.

Аналитические - вычисление заданных показателей и статистических характеристик бизнес-деятельности на основе ретроспективной информации из баз данных.

Визуализация данных - наглядное графическое и табличное представление имеющейся информации.

Извлечение (добыча) знаний (Data Mining) - определение взаимосвязей и взаимозависимостей бизнес-процессов на основе существующей информации. К данному классу можно отнести задачи проверки статистических гипотез, кластеризации, нахождения ассоциаций и временных шаблонов. Например, путем анализа экономических и финансовых показателей деятельности компаний, которые затем обанкротились, банк может выявить некоторые стереотипы, которые можно будет учесть при оценке степени риска кредитования.

Имитационные - проведение на ЭВМ экспериментов с формализованными (математическими) моделями, описывающими поведение сложных систем в течение заданного или формируемого интервала времени. Задачи этого класса применяются для анализа возможных последствий принятия того или иного управленческого решения (анализ «что, если?…»).

Синтез управления - используется для определения допустимых управляющих воздействий, обеспечивающих достижение заданной цели. Задачи этого типа применяются для оценки достижимости намеченных целей, определения множества возможных управляющих воздействий, приводящих к нужному результату.

Оптимизационные - основаны на интеграции имитационных, управленческих, оптимизационных и статистических методов моделирования и прогнозирования. Вместе с постановкой задачи синтеза управления позволяют выбрать на множестве возможных управлений те из них, которые обеспечивают наиболее эффективное (с точки зрения определенного критерия) продвижение к поставленной цели.

Современная компания с разветвленным бизнесом, как правило, имеет:

· системы поддержки деятельности руководителя (Executive Support Systems - ESS) на стратегическом уровне;

· управляющие информационные системы (Management Information Systems - MIS) и системы поддержки принятия решений (Decision Support Systems - DSS) на среднем управленческом уровне;

· рабочие системы знания (Knowledge Work System - KWS) и системы автоматизации делопроизводства (Office Automation Systems - OAS) на уровне знаний;

· системы диалоговой обработки транзакций (Transaction Processing Systems - TPS) на эксплуатационном уровне.

Система диалоговой обработки транзакций.

Системы диалоговой обработки транзакций (TPS) - базовые системы, обслуживающие исполнительский (эксплуатационный) уровень организации.

На этом уровне цели, задачи, ресурсы точно определены, их выполнение связано с минимальным риском, данные, как правило, формализованы.

Рабочие системы знания и системы автоматизации делопроизводства

Рабочие системы знания (KWS) и автоматизации делопроизводства (OAS) обслуживают информационные потребности на тактическом и функционально - оперативном уровнях управления организацией.

Ключевые вопросы управления знаниями:

· Как формировать и актуализировать знания?

· Как сделать знания используемыми?

· Как измерить знания?

· Как оценить людей, владеющих знаниями?

· Как мотивировать владельцев знаний?

· Как заставить сотрудников делиться знаниями?

· Как выявить скрытые знания и поставить их на службу бизнесу?

Рабочие системы знания используют разнородные, многопрофильные данные различной степени формализации. Их цель - аккумулировать знания и опыт, сформировать «рабочее» знание для сопровождения основной деятельности и для получения дополнительных оригинальных знаний, необходимых для выполнения, например, перепроектированных бизнес-процессов или для формирования подхода при оценке нестандартной ситуации, а также находить новые области применения для уже использованных данных. Они способствуют систематизации данных и созданию новых знаний. Задача руководителя подразделения KWS - гарантировать, чтобы новые знания и технический опыт были востребованы и должным образом интегрированы в бизнес. Рабочие места KWS выполняются в виде научных или инженерных АРМов (Workbench, Workstation) и являются частью КИС. Работники знания - высококвалифицированные специалисты с широким научным и техническим кругозором и хорошей профессиональной подготовкой.

Управляющая информационная система MIS

Такие ИС обслуживают управленческий уровень, обеспечивая менеджеров среднего и высшего звеньев текущей информацией о выполнении основных бизнес-процессов в компании и о некоторых изменениях во внешней среде. Они обеспечивают интерактивный доступ к показателям текущей деятельности фирмы, архиву отчетов и решений, приказам, распоряжениям, протоколам совещаний, отчетным формам.

Автоматизированная информационная система управления деятельностью предприятия - это взаимосвязанная совокупность данных, процедур, процессов, стандартов, программно-аппаратных и телекоммуникационных средств, предназначенная для сбора, обработки, систематизации, распределения, хранения, доставки в автоматизированном режиме информации конечному пользователю в соответствии с требованиями, вытекающими из целей деятельности.

В рамках функциональной части происходит трансформация целей и задач управления в функции, функций - в алгоритмы, алгоритмов - в конкретные управляющие воздействия на управляемый объект. Эти действия выполняются в подсистемах MIS, выделенных на каждом уровне управления в соответствии с предназначенной функцией.

Интегрированность СППР

Обеспечивает совместимость составных систем относительно управления данными и средствами общения с пользователями в процессе поддержки принятия решений

Мощность СППР

Означает способность системы отвечать на самые важные вопросы

Доступность СППР

Это способность обеспечивать выдачу ответов на запросы пользователя в нужной форме и в необходимое время

Гибкость СППР

Характеризует возможность системы адаптироваться к изменениям потребностей и ситуаций

Надежность СППР

Означает способность системы выполнять нужные функции на протяжении заданного периода времени

Робастность (robustness) СППР

Это степень способности системы восстанавливаться в случае возникновения ошибочных ситуаций как внешнего, так и внутреннего происхождения. Например, в робастной системе допускаются ошибки в входной информации или неисправности аппаратных средств. Хотя между надежностью и робастностью может существовать определенную связь, эти две характеристики системы разные: система, которая никогда не будет возобновляться в случае наступления ошибочных ситуаций, может быть надежной, не будучи робастной, а система с высоким уровнем робастности, которая может восстанавливаться и продолжать работу в многих ошибочных ситуациях, может быть вместе с тем отнесенная к ненадежных, поскольку она не способна заранее, выполнить необходимые служебные процедуры при повреждениях

Управляемость СППР

Означает, что пользователь может контролировать действия системы, вмешиваясь в ход решения задачи.

В 1993 году основоположник реляционного подхода к построению баз данных Эдгар Кодд с партнерами (Edgar Codd, математик и стипендиат IBM), опубликовали статью, инициированную компанией «Arbor Software» (сегодня это известнейшая компания «Hyperion Solutions»), озаглавленную «Обеспечение OLAP (оперативной аналитической обработки) для пользователей-аналитиков», в которой сформулированы 12 особенностей технологии OLAP, которые впоследствии были дополнены еще шестью. Эти положения стали основным содержанием новой и очень перспективной технологии.

OLAP-сервис представляет собой инструмент для анализа больших объемов данных в режиме реального времени. Взаимодействуя сOLAP - системой, пользователь сможет осуществлять гибкий просмотр информации, получать произвольные срезы данных и выполнять аналитические операции детализации, свертки, сквозного распределения, сравнения во времени одновременно по многим параметрам. Вся работа с OLAP-системой происходит в терминах предметной области и позволяет строить статистически обоснованные модели деловой ситуации.

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.

После настройки OLAP-системы на данные пользователь получит возможность быстро получать ответы на ключевые вопросы путем простых манипуляций мышью над OLAP-таблицей и соответствующими меню. При этом будут доступны некоторые стандартные методы анализа, логически следующие из природы OLAP-технологии.

Факторный (структурный) анализ. Анализ структуры продаж для выявления важнейших составляющих в интересующем разрезе. Для этого удобно использовать, например, диаграмму типа «Пирог» в сложных случаях, когда исследуется сразу 3 измерения - «Столбцы». Например, в магазине «Компьютерная техника» за квартал продажи компьютеров составили $100000, фототехники -$10000, расходных материалов - $4500. Вывод: оборот магазина зависит в большой степени от продажи компьютеров (на самом деле, быть может, расходные материалы необходимы для продажи компьютеров, но это уже анализ внутренних зависимостей).

Анализ динамики (регрессионный анализ - выявление трендов). Выявление тенденций, сезонных колебаний. Наглядно динамику отображает график типа «Линия». Например, объемы продаж продуктов компании Intel в течение года падали, а объемы продаж Microsoft росли. Возможно, улучшилось благосостояние среднего покупателя, или изменился имидж магазина, а с ним и состав покупателей. Требуется провести корректировку ассортимента. Другой пример: в течение 3 лет зимой снижается объем продаж видеокамер.

Анализ зависимостей (корреляционный анализ). Сравнение объемов продаж разных товаров во времени для выявления необходимого ассортимента - «корзины». Для этого также удобно использовать график типа «Линия». Например, при удалении из ассортимента принтеров в течение первых двух месяцев обнаружилось падение продаж картриджей с порошком.

Сопоставление (сравнительный анализ). Сравнение результатов продаж во времени, или за заданный период, или для заданной группы товаров. В зависимости от количества анализируемых факторов (от 1 до 3-х) используется диаграмма типа «Пирог» или «Столбцы». Пример: сравнение результатов продаж однотипных магазинов для оценки качества работы менеджеров.

Дисперсионный анализ. Исследование распределения вероятностей и доверительных интервалов рассматриваемых показателей. Применяется для прогнозирования и оценки рисков.

OLAP-системы являются частью более общего понятия «интеллектуальные ресурсы предприятия» или «средства интеллектуального бизнес-анализа» (Business Intelligence - BI), которое включает в себя помимо традиционного OLAP-сервиса средства организации совместного использования данных и информации, возникающих в процессе работы пользователей хранилища. Технология BusinessIntelligence обеспечивает электронный обмен отчетными документами, разграничение прав пользователей, доступ к аналитической информации из Internet и Intranet.

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 Miningпредставляют 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 основу современной технологии Data Mining (Discovery-driven Data Mining) положена концепция шаблонов (Patterns), отражающих фрагменты многоаспектных 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 выборки и виде распределений значений анализируемых показателей.

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 (HiddenKnowledge). К деловым людям пришло понимание, что «сырые» данные (Raw Data) содержат глубинный пласт знаний, и при грамотной его раскопке могут быть обнаружены настоящие самородки, которые можно использовать в конкурентной борьбе.

Области применения технологии Data Mining

Нейронные сети и экспертные системы

Экспертная система имеет разветвленную сеть, позволяющую делать запросы и глубокий поиск в базах данных и хранилищах знаний. Если нейронные сети работают на принципе передачи информации от одних слоев нейронов к другим, причем изменения информации, происходящие во время передачи, обусловлены заранее не оговоренными эвристическими правилами, то в экспертных системах существует жесткий логический каркас - создатель заключения, который автоматически проводит линию рассуждения по заложенным в алгоритм правилам и использует параметры, вовлеченные в решение.

информационный формализация транзакция

Размещено на Allbest.ru