Создание портфолио систем поддержки принятия решений в задаче выбора BI-системы

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет бизнеса и менеджмента

Выпускная квалификационная работа - МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

по направлению подготовки 38.04.05 «Бизнес-информатика»

СОЗДАНИЕ ПОРТФОЛИО СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЗАДАЧЕ ВЫБОРА BI-СИСТЕМЫ

Николаичева Анастасия Сергеевна

Научный руководитель

д.э.н., проф. Т.К. Кравченко

Москва 2020



Содержание

Введение

1. Теоретический обзор объекта исследования. Анализ рынка BI-систем

Понятие BI-системы и обзор рынка

Официальные исследования рынка

2. Теоретические предпосылки исследования методов и систем поддержки принятия решений

Терминология и основные этапы процесса принятия решений

Этапы процесса принятия решений

Классификация СППР

Архитектурные типы СППР

Метод анализа иерархий

Метод аналитических сетей

Методы принятия решений в динамической постановке, основанные на Марковских процессах

3. Практическая часть. Создание портфолио систем поддержки принятия решений при решении задачи выбора BI-системы

Описание практической задачи принятия решения

Решение задачи в системе «MPRIORITY 1.0»

Решение задачи в системе «Super Decisions»

Решение задачи в «ЭСППР»

Метод «PURr»[1]

Метод «PRTr»

Метод «PURrWALDPOR»

Метод «PURrOPTIMPOR»

Метод «PURrHURWPOR»

Метод «PURrLAPLPOR»

Метод «PURrSAVAGE»

Метод «PURrPRTr»

Метод MARKON

Подведение итогов полученных результатов

Заключение

Список литературы



Введение

решение метод динамический система

На сегодняшний день необходимость сбора и обработки данных не вызывает сомнений, данные процессы осуществляются в бизнесе любой величины и в любой индустрии. Системы класса Business Intelligence существуют для того, чтобы облегчить процесс извлечения ценности из данных для конечного пользователя. Сегодня практически каждый сотрудник достаточно развитой с точки зрения IT компании имеет доступ к подобной системе и отслеживает необходимую отчетность, а иногда и разрабатывает ее.

Именно благодаря такой популяризации инструментов Business Intelligence рынок насыщен и является высоко конкурентным, поэтому проблема выбора BI-системы, отвечающей всем нуждам бизнеса на сегодняшний день чрезвычайно актуальна.

Задачи принятия решений с подобным уровнем ответственности и огромным количеством факторов, которые необходимо принять во внимание уже несколько десятилетий решаются с помощью систем поддержки принятия решений. Рынок данного типа систем начал развиваться пол столетия назад, и, конечно, также является высоко конкурентным.

Ученый Южнокалифорнийского Университета Вард Эдвардс сказал: “Don't waste an executive's time on decision-making... when it comes to putting data together and making a decision, machines can do a better job than men” (Не тратьте время начальства на принятие решений… когда нужно структурировать данные и принять решение - машины справляются с этим гораздо лучше, чем люди [19]).

СППР может решать две стандартные задачи:

· выбор наилучшего решения из множества возможных (оптимизация),

· упорядочение возможных решений по предпочтительности (ранжирование).

В обеих задачах первым и наиболее принципиальным моментом является выбор совокупности критериев, на основе которых в дальнейшем будут оцениваться и сопоставляться возможные решения - альтернативы. Система СППР помогает пользователю сделать такой выбор.

Методологической основой данного исследования являются работы зарубежных и отечественных авторов в области методов поддержки принятия решений (Кравченко Т. К., Исаев Д. В. [5], Х. Майн, С. Осаки [22]), систем класса Business Intelligence ((Уильям Eo (William Yeoh), Энди Корониос (Andy Koronios)[1], Джон Бойер (Boyer John) [3]).

Объектом исследования является рынок систем класса Business Intelligence.

Предметом исследования задача выбора BI-системы в нефтетрейдинговой компании.

Целью исследования является выбор оптимальной системы класса Business Intelligence для нефтетрейдинговой компании и методов многокритериального анализа для принятия решений, реализованных в различных программных продуктах.

В соответствии с целью поставлены следующие задачи:

1. Проведение анализа рынка BI-систем;

2. Проведение исследования существующих методов поддержки принятия решений, а также систем, опирающихся на эти методы;

3. Решение задачи выбора BI-системы для нефтетрейдинговой компании методами, основанными на принципах большинства, оптимизма и пессимизма, Парето, Лапласа, Гурвица, Сэвиджа и Марковских процессах, а также классическими методами МАИ и МАС;

4. Сравнение и анализ полученных результатов.

Теоретическая новизна заключается в использовании такого набора методов и систем поддержки принятия решений для решения задачи выбора BI-системы.

Практическая значимость заключается в том, что разработанный подход выбора системы класса Business Intelligence с помощью различных методов и систем поддержки принятия решений может использоваться в бизнесе любой величины и в любой индустрии.

Структура и объем работы. Данная работа содержит введение, три главы, заключение, список литературы из 31 наименования и три приложения. Общий объем работы составляет 76 страниц, в тексте содержится 47 рисунков и 17 таблиц.

В первой главе описывается проведенный анализ рынка BI-систем, выявляются ключевые характеристики оценки систем данного класса с целью использования в практической части работы. Кроме того, рассмотрены официальные источники аналитики рынка.

Во второй главе рассматриваются теоретические предпосылки исследования методов и систем поддержки принятия решений. Рассмотрены используемые в практической части методы принятия решений, а также представлены различные классификации систем данного класса.

В третьей главе решается задача выбора BI-системы методами, основанными на принципах большинства, оптимизма и пессимизма, Парето, Лапласа, Гурвица, Сэвиджа и Марковских процессах, а также классическими методами МАИ и МАС. Проводится сравнение и анализ полученных результатов.

В заключении описываются результаты проведенной работы.



1. Теоретический обзор объекта исследования. Анализ рынка BI-систем

Понятие BI-системы и обзор рынка

Системы класса Business Intelligence, BI-системы или системы бизнес- интеллекта сегодня являются неотъемлемой частью платформы управления данными. Системы данного класса представляют собой платформу визуализации заранее структурированных и подготовленных данных и главная цель BI-систем - максимально наглядно представить эти данные конечным пользователям - лицам, принимающим решения. Нередко системы данного класса включают в себя функционал планирования, прогнозирования и аппарат функций, работающих на алгоритмах машинного обучения и искусственного интеллекта, которые делают процесс извлечения ценности из данных еще более быстрым и простым. BI-системы сегодня необходимы в каждой организации, и по этой причине рынок систем данного класса насыщен и является высоко конкурентным, поэтому проблема выбора BI-системы, отвечающей всем нуждам бизнеса на сегодняшний день чрезвычайно актуальна

Объем мирового рынка программного обеспечения для BI-систем был оценен в 24,9 млрд долларов США в 2019 году, и ожидается, что в период с 2020 по 2025 год показатель CAGR - совокупный среднегодовой темп роста- составит 10,1%. Крупные компании приняли подход «Больших данных» для организации внутренних и внешних объемов данных. Благодаря технологическому распространению и растущему использованию IoT, машинного обучения и аналитики, компании теперь могут отслеживать и компилировать поведенческие данные и извлекать из них определенную ценность, которая ранее была им недоступна.



Рисунок 1 Тенденции роста на рынке BI-систем

Рисунок 7 выше иллюстрирует стремительные темпы роста рынка данного класса систем. Данный график построен для рынка США, но глобальная ситуация идентична. Особенно заметен рост доли рынка облачных BI-систем. Остальные сегменты увеличиваются пропорционально.[1]

Программное обеспечение для бизнес-аналитики позволяет компаниям принимать обоснованные решения на основе анализа собственных результатов, логических фактов, касающихся рыночных тенденций и, например, покупательской модели клиента. В крупной организации данные всегда приходят из нескольких источников, как минимум существуют инсталляции CRM и ERP. Следовательно, первым шагом для использования BI является подготовка данных, сведение их в единые витрины, на основе которых будет возможно получать кросс-функциональные аналитические отчеты. Некоторые BI-системы имеют возможность объединения данных из различных источников, но этот функционал редко бывает достаточно развитым для продуктивного использования по причине низкой надобности.

Традиционный и практически оправданный подход к организации «Data Platform» - платформы данных - неизменно включает в себя структуру корпоративного хранилища данных (далее - КХД). КХД может представлять собой как единый программный продукт, так и сложную архитектуру для управления данными.

По этой причине способы и возможности интеграции источников данных, КХД или транзакционной системы, с BI-продуктом имеют большое значение. Этим обусловлено наличие критерия “Connection” в задаче выбора BI-системы в практической части работы.

Стремительный рост объемов рынка главным образом обусловлен широким использованием электронной коммерции и ростом внедрения ориентированных на данные бизнес-моделей в малых, средних и крупных организациях. Популярные сети ресторанов, развлекательных центров и других организаций из сферы услуг в значительной степени используют программное обеспечение BI для улучшения взаимоотношений с клиентами. Подход BI позволяет компаниям реализовывать стратегические решения таким образом, чтобы обеспечить положительную трансформацию, обеспечивающую высокое качество обслуживания клиентов. Более того, растущие объемы использования программного обеспечения для обработки данных и бизнес-аналитики, поддерживаемые постоянными инвестициями, обеспечивают высокий рост доходов.

Но есть и другая сторона медали. Значительные затраты уходят на покупку и продление лицензий, а также на внедрение систем данного класса. Лицензионные цены на BI-системы не в полной мере основаны на затратах на разработку программного обеспечения, а в значительной степени зависят от рыночных условий на момент покупки. Более того, организации уже пользуются преимуществами традиционных инструментов BI и скептически относятся к внедрению передового программного обеспечения. Несмотря на то, что преимуществ внедрения программного обеспечения BI достаточно, первоначальные инвестиции в покупку подходящей платформы или программного обеспечения BI, внедрение ее в организации и обучение сотрудников использованию этого программного обеспечения высоки. Для окупаемости проекта становится критически необходимым качественно произвести выбор системы. Именно на изучение способов принятия таких решений направлена данная работа. [2]

Технологические аспекты

С точки зрения технологии реализации, рынок программного обеспечения BI может быть сегментирован на:

· облачный бизнес-анализ,

· мобильный бизнес-анализ,

· социальный бизнес-анализ

· традиционный бизнес-анализ.

Сегмент облачной бизнес-аналитики занял значительную долю рынка, поскольку облачные решения предлагают профилактическое обслуживание для клиентов, которое покрывает расходы на аппаратные и программные проблемы. Кроме того, программное обеспечение облачной бизнес-аналитики легко внедряется в существующие бизнес-операции и позволяет предприятиям сосредоточиться на своей основной деятельности. Такое программное обеспечение позволяет пользователю получать доступ к данным с мобильных устройств, планшетов, ноутбуков, настольных компьютеров и других устройств, подключенных к сети. Ожидается, что эти факторы приведут к росту спроса на программное обеспечение облачной бизнес-аналитики в течение прогнозируемого периода. [3]

Социальная бизнес-аналитика является важным аспектом отрасли бизнес-аналитики, в которой растущее число людей в домене производит огромное количество информации для будущего доступа. Например, в сфере здравоохранения социальная бизнес-аналитика может предоставить ключевые сведения, которые могут улучшить результаты лечения пациента, анализ планов лечения и минимизацию расходов на госпитализацию. Ожидается, что рост использования сайтов социальных сетей, таких как Twitter, Facebook, LinkedIn, YouTube и Instagram, также будет стимулировать спрос на сегмент социальной бизнес-аналитики для управления быстро растущими пользовательскими данными.

Функциональные аспекты

В зависимости от функции применения систем рынок сегментируется на:

· управление,

· финансы,

· информацию и развертывание,

· продажи и маркетинг.

Финансовый функциональный сегмент доминировал на рынке с точки зрения выручки в 2018 году и был оценен в 7,6 млрд долларов США. Ожидается, что широкое использование финансового инструмента будет способствовать активному использованию финансовых инструментов для сбора, обработки и анализа финансовых данных в режиме реального времени, которые помогают принимать более эффективные бизнес-решения. Инструменты BI позволяют финансовому отделу организации иметь представление о будущих тенденциях, что позволяет компании рассчитывать риски.

Ожидается, что в течение прогнозируемого периода исполнительное руководство будет ответственным за большую долю рынка BI-систем. Ожидается, что рост использования программного обеспечения BI для принятия стратегических решений организациями будет стимулировать спрос в сегменте исполнительного руководства. Необходимость бизнес-аналитики для организаций обусловлена ??системами поддержки принятия решений, которые менеджеры используют для проверки своих решений с помощью математических алгоритмов. [4]

Развертывание

С точки зрения развертывания рынок программного обеспечения для бизнес-аналитики (BI) сегментируется на облачный и локальный (on premise). Локальное развертывание легко настраивается и легко интегрируется с существующими ИТ и операционными системами. Именно поэтому, несмотря на очевидные преимущества облачных решений, локальное развертывание будет существовать и пользоваться спросом.

Хотя облачный хостинг является предпочтительной стратегией, многие поставщики выбирают локальную BI-стратегию. Основные преимущества локальной реализации - информационная безопасность и большое количество возможностей кастомизации и, как следствие, снижение затрат при наличии дополнительных ресурсов.

Облачное развертывание позволяет быстро масштабировать бизнес-приложения, легко интегрировать их со сторонними приложениями и обеспечивает безопасность на всех уровнях ИТ-архитектуры предприятия, что позволяет осуществлять удаленный мониторинг этих приложений. Кроме того, развертывание облачного программного обеспечения BI позволяет компаниям сосредоточиться на своей основной деятельности, а не на управлении своей ИТ-средой. Малые и средние предприятия все чаще внедряют облачные BI-системы из-за его экономической эффективности.

Размер предприятия

Исходя из размера предприятия, рынок сегментируется на:

· крупные предприятия

· малые и средние предприятия.

Как крупные, так и малые и средние предприятия все чаще внедряют программное обеспечение BI для усиления внутренних и внешних бизнес-процессов. Использование инструментов компиляции данных в реальном времени и передовых аналитических механизмов стимулирует спрос на программное обеспечение BI на крупных предприятиях. Ожидается, что высокий акцент на распределение ресурсов и принятие стратегических решений будет стимулировать рост сегмента крупных предприятий.

Программное обеспечение BI позволяет малым и средним предприятиям анализировать свои корпоративные данные и принимать решения для повышения прибыльности и роста рынка. Программное обеспечение BI также собирает данные о клиентах из различных онлайн-каналов и позволяет малым и средним предприятиям выявлять покупателей и выводить их продукты и услуги на целевой рынок. Ожидается, что эти факторы будут способствовать дальнейшему росту спроса на программное обеспечение BI в сегменте малых и средних предприятий.

Аспекты сферы применения

С точки зрения сфер применения рынок сегментируется на:

· банки,

· правительство,

· здравоохранение,

· информационные технологии и телекоммуникации,

· производство,

· средства массовой информации

· развлечения и другие.

Рисунок 2 Сегментация рынка BI-систем с точки зрения сферы применения

Банки и финансовые учреждения являются лидирующим сегментом применения BI-систем с высокой долей выручки. Это доминирование может объясняться расширением развертывания программного обеспечения BI для обеспечения постоянного доступа к клиентской базе данных, безопасных транзакций и улучшенного взаимодействия с клиентом.

BI-системы позволяет финансовым учреждениям анализировать большие объемы данных о клиентах, чтобы получить представление о своих клиентах, которые можно использовать для улучшения продуктов и услуг.

Производство также является ведущим сегментом, в котором в последние годы произошли значительные изменения в связи с ростом глобальной конкуренции, что приводит к искоренению традиционного подхода и созданию структуры, ориентированной на данные.

Поскольку производственные издержки быстро растут после снижения уровня прибыли, государственное регулирование также сужается для производственного сектора по всему миру. На этом фоне обрабатывающая промышленность подвержена спросу на бизнес-модель, основанную на данных. Растущее внедрение Интернета вещей (IoT) в производственный процесс и инициатива Industry 4.0 приводят к тому, что внедрение BI-систем становится необходимым.

Ключевыми игроками на рынке являются:

· Cloud9 Analytics;

· Google, Inc.;

· Корпорация IBM;

· Informatica;

· Корпорация Microsoft;

· Корпорация Oracle;

· SAP SE;

· SAS Institute, Inc.;

· Tableau.

Участники рынка все чаще предпринимают инициативы, такие как запуск новых продуктов и их обновление, чтобы оставаться конкурентоспособными на рынке. Компании также вкладывают значительные средства в исследования для разработки передовых BI-систем. Например, в 2018 году корпорация Microsoft инвестировала 14,7 млрд долларов США в исследования для разработки передовых продуктов и услуг, которые помогли компании сохранить конкурентное преимущество.



Официальные исследования рынка

Очевидно, рынок BI-систем сегодня является чрезвычайно быстрорастущим и высоко конкурентным. Вендоры вынуждены постоянно инвестировать в разработку нового функционала, опираясь на пожелания клиентов. Более того, существуют исследовательские и консалтинговые компании, специализирующиеся на рынках информационных технологий.

Самый высокий рейтинг популярности среди таких компаний имеет Gartner. «Магический квадрант» Gartner - цель многих вендоров, то есть компаний, выпускающих программные продукты, уже в течение десятков лет.

«Магическим квадрантом» принято называть один из их популярных видов отчетов, представленных по изучению того или иного рынка ИТ-решений. Этот отчет необходим для оценки и выбора наиболее подходящей для своей ИТ-инфраструктуры системы. Как правило, предназначен для руководителей в компании, принимающих решение о закупке и внедрении.

Важный момент состоит в том, что в данном «соревновании» принимают участие не конкретные продукты, а вендоры.

Рисунок 3 Расшифровка «Магического квадранта»

На Рисунке 9 выше представлено руководство к прочтению «магического квадранта». Оси «икс» и «игрек» означают потенциал развития систем в будущем и применимость систем к сегодняшним реалиям соответственно. Все вендоры, представленные в момент выхода отчета на конкретном рынке, распределяются по координатной плоскости в соответствии с этими двумя факторами. Лидеры рынка, очевидно, находятся ближе к верхнему правому углу, а аутсайдеры - к нижнему левому.

Подробнее о значении каждого квадранта:

· Лидеры -- это основные игроки на данном рынке. Решения, попавшие в этот квадрант, имеют хорошую репутацию на рынке, отвечают нуждам клиентов и имеют четкий план развития, ориентированный на тенденции своей сферы применения.

· Нишевые игроки - решения с низким уровнем популярности и распространения, которые, чаще всего, приспособлены для узких и конкретных задач.

· Претенденты - решения с высоким уровнем распространенности на рынке и популярности у клиентов, но не имеющие четкой стратегии развития. В сфере ИТ особенно важным фактором является готовность приспосабливаться к постоянным и быстрым изменениям, но несмотря на это, вендоры попавшие в данный квадрат не дают информации о гарантиях применимости решений в ближайшем будущем.

· Провидцы имеют достаточно низкий уровень распространения и популярности, являясь чаще всего новыми игроками рынка, но имеют четкую и многообещающую стратегию развития, которая, что немаловажно, претворятся в жизнь.

Немаловажно отметить, что попадания вендора в данный «магический квадрант» Gartner уже является знаком качества представляемого решения, но при этом не может приниматься за истину в последней инстанции. Рейтинг, составленный Gartner, предпочтительно учитывать в задаче выбора ИТ-продуктов, но существуют факторы, которые также необходимо учитывать: цена, достаточность развития (функционала) продукта, необходимость возможных изменений в будущем и другие индивидуальные факторы, описанные в главе 1.1 данной работы.

Рисунок 4 «Магический квадрант» Gartner для рынка Business Intelligence 2020

На Рисунке 10 можно наблюдать, как выглядит отчет Gartner на 2020 год. Исходя из возможности оценить различные аспекты этих программных продуктов и возможностей систем поддержки принятия решений, которые будут использоваться для задачи выбора BI-системы, для практической части работы были выбраны следующие программные продукты:

· Oracle BI

· Microsoft Power BI

· QlickView

· Tableau

Таким образом, данная глава содержит обзор рынка и функциональности предмета исследования данной работы - BI-систем. Приведенное выше исследование обосновывает выбор критериев и альтернатив, используемых для решения задачи выбора в практической части работы.



2. Теоретические предпосылки исследования методов и систем поддержки принятия решений

Терминология и основные этапы процесса принятия решений

Процесс принятия решений - определенная последовательность этапов, ведущая от подбора альтернативных вариантов решения до выбора лишь одного из них. Для описания этого процесса используется следующая терминология [4]:

Цель - желаемое состояние объекта принятия решения, к которому в теории должен прийти объект при выборе верного варианта. Целей может быть несколько, в этом случае каждой из них присваиваются веса относительной важности, заданные в количественной или порядковой шкалах.

Альтернатива - непосредственно возможный вариант решения. Все варианты являются взаимоисключающими, отсюда и происходит название «альтернатива». Множество альтернатив может быть конечным, континуальным или счетным.

ЛПР (лицо, принимающее решение) - один человек или группа лиц, ответственные за принятие решения (индивидуальное или групповое ЛПР).

Предпочтение - оценка полезности или качеств альтернативы. Может быть задано интегрально, основываясь не только на объективных факторах (расчетах, имеющемся опыте или результатах экспериментов), но и на субъективном восприятии лица, принимающего решения.

Функция предпочтений может быть задана в количественной шкале, тогда результатом будет количественная оценка полезности каждой альтернативы. Если же функция предпочтений задана в порядковой шкале, результатом будут являться альтернативы, упорядоченные по качеству или полезности. Также возможен случай, когда альтернативы не могут быть оценены никаким метриками, тогда единственным способом является попарная сравнительная оценка альтернатив.

Критерий - правило, позволяющее выбрать наиболее предпочтительную альтернативу в рамках конкретного признака. Критерии могут быть сравнимыми, несравнимыми или частично сравнимыми.

Сравнимыми критерии называются в случае, если оценки вариантов решения по разным признакам можно складывать для получения единой оценки. В противном случае критерии называются несравнимыми, например, абсолютно бессмысленным было бы складывать критерии по признакам «Стоимость аренды» и «Количество этажей в здании» при выборе помещения для аренды офиса.

Также критерии могут быть частично сравнимыми, когда всю совокупность критериев можно разделить на группы, где внутри групп критерии будут считаться сравнимыми, но критерии из разных групп - несравнимыми.

Принципы согласования - принципы, в соответствии с которыми агрегируются все оценки альтернатив по различным критериям, выставленные всеми ЛПР. Самыми популярными среди принципов согласования являются Парето, принцип большинства и принцип последовательного рассмотрения критериев.

Принцип большинства заключается в выборе той альтернативы, которая оказывается лучшей с позиции большинства критериев.

Принцип Парето говорит о том, что альтернативу №1 можно считать предпочтительнее альтернативы №2, если с позиции всех критериев альтернатива №1 не хуже альтернативы №2, и с позиции хотя бы одного критерия альтернатива №1 превосходит альтернативу №2.

Принцип последовательного рассмотрения критериев применим в случае, если относительная значимость рассматриваемых критериев неодинакова. Каждому критерию присваиваются веса в количественной или порядковой шкале, отражающие относительную значимость, чаще всего определяемую экспертным путем. Множество альтернатив сначала оценивается с позиции первого самого значимого критерия, что позволяет исключить наихудшие с позиции данного критерия альтернативы из множества. Далее уже суженное множество альтернатив оценивается с позиций следующих по значимости критериев с дальнейшим последовательным отбрасыванием альтернатив.

Также принципы согласования используются при реализации работы группового ЛПР. В соответствии с принципом большинства вся группа следует той линии поведения, которой следует большая часть данной группы. Принцип Парето рекомендует делать выбор в пользу линии поведения №1, если все члены группы считают, что линия поведения №1 не хуже линии поведения №2, но хотя бы один член группы высказывается в пользу первого варианта.

Эксперты - специалисты в области объекта принятия решения, привлекаемые ЛПР для содействия процессу принятия решения. Как правило, приглашается несколько экспертов, что влечет за собой проблему согласования их мнений. Для решения данной проблемы необходимо задавать оценки компетентности экспертов.

Безусловно, в реальности на процесс принятия решений влияет множество внешних факторов. Современные СППР учитывают их в своей работе следующим образом: ЛПР создает список возможных условий, теоретически имеющих влияние на принятие решения, затем из всех возможных комбинаций выполнения и невыполнения этих условий генерируется список проблемных ситуаций. Далее встает вопрос о вероятности возникновения каждой из сгенерированных проблемных ситуаций. Если ЛПР затрудняется дать количественные оценки данных вероятностей, предпринимается попытка упорядочить этот список от более вероятных к менее вероятным ситуациям, и тогда система предлагает рассчитанные на этих оценках качественные значения вероятности.

Информированность ЛПР о вероятностях возникновения внешних факторов влияния может быть весьма различной. В зависимости от этой информированности варьируются также и принципы согласования вариантов поведения ЛПР в рассматриваемых ситуациях.

В случае, если удается качественно оценить вероятности появления имеющихся проблемных ситуаций, используются принципы большинства и Байеса.

Согласно принципу большинства, одна альтернатива предпочитается другой, если ЛПР выказывает такое предпочтение в большинстве из рассмотренных проблемных ситуаций.

Согласно принципу Байеса, выбирается альтернатива, дающая максимальный (минимальный) взвешенный средний выигрыш (проигрыш).

В большинстве случаев количественные оценки значения вероятностей возникновения проблемных ситуаций предсказать не удается, поэтому наиболее популярными принципами согласования являются все нижеперечисленные:

Принцип Парето рекомендует предпочитать первую альтернативу второй в случае, если она не менее предпочтительна, чем вторая, во всех имеющихся проблемных ситуациях, и более предпочтительна хотя бы в одной из них.

Также существуют принципы пессимизма и оптимизма, когда ЛПР ориентируется на самую неблагоприятную или же самую благоприятную из имеющихся проблемных ситуаций.

Принцип Гурвица (пессимизма-оптимизма) рекомендует к выбору альтернативу, дающую средний между полученными с помощью принципов пессимизма и оптимизма выигрыш. Усреднение происходит с помощью коэффициента пессимизма-оптимизма, задаваемого ЛПР.

Принцип антагонистического игрока предполагает, что проблемными ситуациями управляет некий антагонистический игрок, то есть самую высокую вероятность появления имеют самые неблагоприятные для ЛПР ситуации.

Принцип Сэвиджа предлагает сделать переход от матрицы выигрышей к матрице сожалений, иллюстрирующей недополучение выигрыша в связи с наличием неопределенностей в процессе принятия решения.

Принцип Лапласа предлагает предположить, что все имеющиеся проблемные ситуации равновероятны. Тогда наилучшей альтернативой считается та, что приносит наибольший выигрыш.

Последствия различных вариантов решения - также чрезвычайно важный фактор, учитываемые в процессе принятия решений, что чаще всего повышает степень неопределенности, ведь последствия выбора альтернативы предсказать еще сложнее, чем поведение внешних факторов.

Этапы процесса принятия решений

1) Осознание ЛПР необходимости принятия решения.

На принятие решений всегда влияет множество условий, создаваемых внешним миром, совокупность выполнения или невыполнения всех этих условий носит название проблемной ситуации. Проблемная ситуация может быть всего одна, тогда считается, что задача решается в условиях определенности, так как вероятность возникновения единственной имеющейся проблемной ситуации известна и равна 1. Наличие условий определенности способствует более оперативному принятию решений и снижению затрат. Если же проблемных ситуаций несколько, и вероятности возникновения каждой из них не известны, считается, что задача решается в условиях неопределенности.

2) Получение информации

Безусловно, для рационального процесса принятия решений необходимо множество информации об объекте данного процесса. Современные технологии помогают своевременно получать нужное количество информации, а в дальнейшем хранить и управлять ей.

3) Анализ информации

Целью данного этапа является структуризация зачастую поступающих из множества разных источников данных и извлечение только действительно нужной информации, которая впоследствии повлияет на принятие решения. ЛПР почти всегда прибегают к использованию неформальных источников, информация из которых в большинстве случаев и является решающей, несмотря на множество проблем, связанных с достоверностью и качеством подобных данных.

Сегодня анализ данных - конкурентная среда, где соревнуются в компетентности и функциональности как специалисты, так и программные продукты. Для анализа данных как в науке, так и в бизнесе, на сегодняшний день очень популярен язык программирования Python ввиду своей простоты и большого разнообразия доступных библиотек. Также существует множество статистических пакетов, таких как, например, IBM SPSS Statistics.

4) Формирование целей

Результатом проведения процедуры анализа является формирование ЛПР одной или нескольких целей. Всегда присутствует общая глобальная цель, но выражена она чаще всего в качественном виде, из-за чего необходима ее детализация, реализованная, например, с помощью дерева целей, описывающего иерархию и всевозможные связи.

5) Построение модели объекта принятия решения

Под моделью в данном случае понимается определенная совокупность характеристик системы объекта принятия решения. Система же, в свою очередь, включает в себя лицо, принимающее решения, непосредственно сам объект и цели, которые ЛПР желает достичь.

Существует два типа моделей по степени соответствия системе:

· функциональная модель работает по принципу черного ящика, освещая лишь входы и выходы системы, но не принцип ее работы

· имитационная модель обладает более высокой степенью соответствия системе, освещая не только входы и выходы, но и происходящие внутри процессы

6) Формирование альтернатив

Данный этап носит творческий характер, так как трудно себе представить математическую модель, описывающую, например, абсолютно все параметры реальной бизнес-проблемы. Но даже для творческого процесса существуют вспомогательные методы и инструменты, например, как самый популярный выделяют метод морфологического анализа. Данный метод заключается в выделении у всех возможных вариантов решений определенного количества признаков, затем выделении всех возможных значений этих признаков у различных вариантов решений и, наконец, создании всех возможных комбинаций значений разных признаков. Некоторые из полученных комбинаций и являются будущими альтернативами.

7) Прогнозирование возможных вариантов решения и их последствий

Целью данного этапа является оценка последствий всех возможных альтернатив. Зачастую последствия вариантов решения являются признаками, имеющими большой вес в оценке их применимости к имеющейся проблеме.

8) Формирование предпочтений и критериев

Формируются предпочтения ЛПР, позволяющие в дальнейшем выбрать наилучшую альтернативу путем агрегации этих предпочтений, высказанных с позиции различных критериев. Агрегация происходит с помощью вышеперечисленных принципов согласования. На практике процесс принятия решений осложняется тем, что ЛПР склонны придерживаться разных линий поведения в разных ситуациях, что снова решается с помощью принципов согласования.

9) Постановка задачи принятия решения

Целью данного этапа является четкая формулировка решаемой задачи в следующем виде: индивидуальной или групповое ЛПР в условиях данных проблемных ситуаций, исходя из поставленных целей, выбирает на основе конкретных предпочтений, критериев и принципов согласования наиболее эффективную альтернативу из конкретного множества, при этом каждая из данных альтернатив приводит к данным последствиям.

10) Поиск процедур решения задачи

Существует множество методов принятия оптимальных решений, такие как теория игр, линейное программирование, системный анализ, а также другие экономико-математические методы. Проблемы возникают при попытках решения реальных практических задач, которые сложно или практически невозможно привести к классической постановке. Тогда возникает необходимость в специальных методах теории принятия решений, представляющих собой симбиоз теории принятия оптимальных решений и экспертных оценок специалистов.

11) Выбор

Данный этап можно назвать ключевым во всем процессе принятия решений. Его сложность заключается в том, что на практике решения никогда не принимаются молниеносно после того, как система предложила альтернативу в качестве самой эффективной. Чаще всего процесс принятия решения является итеративным, так как в расчеты включена такая ненадежная субъективная информация как экспертные оценки. После тестирования различных методов и принципов согласования формируется пул наиболее предпочтительных альтернатив, из которых в последствии и происходит окончательный выбор.

12) Возможная корректировка задачи

Присвоение порядкового номера данному этапу весьма условно, так как корректировка может проводиться в течение всего процесса принятия решение после каждого из его этапов. Но именно на заключительной стадии корректировка имеет особо большое значение, так как ЛПР очень часто не устраивают результаты, полученные с помощью того или иного математического метода, и тогда появляется необходимость полностью перестраивать линию решения.

13) Содержательная интерпретация решения

Целью данного этапа является сведение полученных результатов в едином аналитическом отчете и представление его ЛПР.

Классификация СППР

История систем поддержки принятия решений начинается в ранних 1960-х. С развитием технологий развивался и этот класс систем. Исторически системы поддержки принятия решений можно разделить на пять категорий [19]:

· Коммуникационные - используют сетевые и коммуникационные технологии для содействия принятию решений, касающихся сотрудничества и коммуникации. В целом, системы групповой работы, аудио- и видеоконференции являются основными технологиями коммуникационных систем поддержки принятия решений. В последние десятилетия передача голоса и видео с использованием Интернет-протокола значительно расширила возможности данной категории СППР.

· Основанные на документации - манипулируют неструктурированной информацией, заключенной в различных электронных форматах, а также используют компьютерные технологии хранения и обработки для обеспечения поиска и анализа документов. Большие базы данных документов могут включать отсканированные документы, гипертекстовые документы, изображения, звуки и видео. Примерами документов, к которым может обращаться подобная СППР, являются политики и процедуры, спецификации продуктов, каталоги и корпоративные исторические документы, включая протоколы собраний и переписку. Поисковая система - это основной инструмент принятия решений таких систем, также называемых тексто-ориентированными.

· Управляемые данными СППР обеспечивают доступ к внутренним историческим данным компании, а иногда и к внешним данным в реальном времени, и манипулирование ими. Простые файловые системы, к которым обращаются инструменты запросов и поиска, обеспечивают элементарный уровень функциональности. Системы хранилищ данных, которые позволяющие производить манипуляции с данными с помощью компьютеризированных инструментов, приспособленных к конкретной задаче и настройке, или с помощью более общих инструментов и операторов, предоставляют дополнительные функциональные возможности. СППР, управляемые данными, с интерактивной аналитической обработкой обеспечивают высочайший уровень функциональности и поддержки принятия решений, связанный с анализом больших коллекций исторических данных.

· Основанные на знаниях - могут предлагать или рекомендовать действия менеджерам. Такие СППР представляют собой персональные компьютерные системы со специализированным опытом решения проблем. Экспертиза базируется на знаниях о конкретной области, понимании проблемы в этой области и умении решать некоторые из этих проблем. В последние годы подключение технологий экспертных систем к реляционным базам данных с веб-интерфейсами расширило развертывание и использование систем поддержки принятия решений основанных на знаниях.

· Модельно-ориентированные используют в работе доступ к статистическим, финансовым, оптимизационным или имитационным моделям и манипулирование ими. Простые количественные модели обеспечивают элементарный уровень функциональности. Модель СППР использует ограниченные данные и параметры, предоставляемые лицами, принимающими решения, чтобы помочь лицам, принимающим решения, анализировать ситуацию, но в целом большие базы данных не нужны для модели DSS, управляемой моделями.



Архитектурные типы СППР

Функциональные СППР

Самые простые с точки зрения архитектуры, поэтому применимы для организаций с невысоким уровнем ИТ-инфраструктуры. [11] Особенность данного типа СППР заключается в анализе данных, содержащихся в файлах операционных систем. Главными достоинствами функциональных СППР принято считать их легковесность благодаря использованию одной платформы и высокую скорость работы, возникающую в связи с отсутствием необходимости перегружать данные в специализированную систему. Среди недостатков перечисляют: ограничение сложности проблем, решаемых при помощи системы, снижение качества данных из-за отсутствия этапа их очистки а также высокий уровень нагрузки на операционную систему с потенциальной возможностью прекращения ее работы.

Рисунок 5 Иллюстрация схемы функциональных СППР

СППР, использующие независимые витрины данных

Данный тип СППР применим в крупных компаниях со сложной организационный структурой. Высокая производительность таких систем возможна за счет создания отдельной витрины данных для каждой задачи со строго определенным кругом пользователей, имеющих к ней доступ. Главным минусом СППР, использующих независимые витрины данных, являются высокие затраты на хранение данных и нарушение процедуры унификации за счет возможного дублирования данных при их многократном вводе в различные витрины. Кроме того, сам процесс наполнения витрин запрашивает больших трудозатрат из-за одновременного использования множества источников.

Рисунок 6 Иллюстрация схемы СППР, использующее независимые витрины данных

СППР на основе двухуровневого хранилища данных

Подобные системы используются в крупных организациях, где данные консолидированы в единой системе. То есть СППР на основе двухуровневого хранилища данных не имеют недостатков систем, использующих независимые витрины данных, но в то же время лишены возможности ограничивать доступ к информации для определенных групп сотрудников. Могут возникнуть трудности с производительностью такой системы и, кроме того, необходима специализированная команда, которая будет ее обслуживать.



Рисунок 7 Иллюстрация схемы СППР на основе двухуровневого хранилища данных

СППР на основе трехуровневого хранилища данных

Подобные системы решают проблемы двух вышеперечисленных архитектурных типов СППР: они применяют хранилище данных, из которого формируются витрины данных. Так становится возможной настройка ограниченного доступа для определенных групп пользователей со сходными задачами. Проблема формирования витрин также решается в данном типе архитектуры за счет использования проверенных и очищенных данных, находящихся в едином источнике. Основными недостатками таких СППР являются избыточность данных и необходимость согласования данной архитектуры со всем многообразием областей применения системы.



Рисунок 8 Иллюстрация схемы СППР на основе трехуровневого хранилища данных

Помимо приведенной выше классификации, основным признаком, с точки зрения которого было бы целесообразно классифицировать СППР, являются используемые методы принятия решений. Самыми популярными среди СППР методами являются метод анализа иерархий и метод аналитический сетей (далее - МАИ и МАС). Эти и другие методы поддержки принятия решений будут описаны далее в работе.

Метод анализа иерархий

МАИ - метод анализа иерархий - был разФработан американским математиком Томасом Саати, который посвятил методам поддержки принятия решений десятки лет исследований. На основе логики метода анализа иерархий построены множество программных продуктов - систем поддержки принятия решений. [18]

Процесс принятия решения в МАИ начинается с постановки цели, выбора критериев ее достижения, а также альтернатив и других факторов выбора.

МАИ рассматривает набор критериев оценки и набор альтернативных вариантов, среди которых решение должна быть выбрана одна наилучшая альтернатива. Важно отметить, что, поскольку некоторые из критериев оценки альтернатив могут быть противоположны друг другу, наилучшим вариантом является не та альтернатива, которая выше всех оценена по всем критериям, а та которая гарантирует самое компромиссное решение среди всех критериев оценки.

МАИ генерирует вес для каждого критерия оценки в соответствии с парными сравнениями критериев. Чем выше вес, тем важнее соответствующий критерий. Затем для фиксированного критерия МАИ присваивает оценку каждой альтернативе в соответствии с парными сравнениями альтернатив, основанными на этом критерии. Чем выше оценка, тем выше производительность варианта по рассматриваемому критерию.

Наконец, МАИ объединяет веса критериев и оценки альтернатив, таким образом определяя общую оценку для каждой альтернативы и последующее ранжирование. Глобальный балл для каждой альтернативы является взвешенной суммой баллов, полученных по всем критериям.

Особенности МАИ

МАИ - очень гибкий и мощный инструмент, потому что результаты и, следовательно, итоговый рейтинг получены на основе попарных относительных оценок как критериев, так и вариантов предоставленных пользователем. МАИ можно рассматривать как инструмент, способный перевести оценки (как качественные, так и количественные), сделанные ЛПР, в многокритериальный рейтинг. Кроме того, МАИ прост, потому что нет необходимости создавать сложные экспертные системы со встроенными в нее знаниями ЛПР. [20]

С другой стороны, МАИ может потребовать от пользователя большого количества оценок, особенно для решения задач с большим количеством критериев и альтернатив. Хотя каждая оценка очень проста, так как от ЛПР требуется только выразить, как два варианта или критерия сравниваются друг с другом, количество парных сравнений может стать необоснованно большим. На самом деле, количество парных сравнений растет квадратично с количеством критериев и вариантов. Например, при сравнении 10 альтернатив по 4 критериям, 4 · 3/2 = 6 сравнений запрашиваются для построения вектора веса, и 4 · (10 · 9/2) = 180 парных сравнений, необходимых для построения матрицы оценок.

Однако, чтобы уменьшить рабочую нагрузку лица, принимающего решения, МАИ может быть полностью или частично автоматизирован путем указания подходящих порогов для автоматического выбора парных сравнений.

Реализация МАИ

МАИ может быть реализован в три простых последовательных этапа:

1) Вычисление вектора весов критериев.

2) Вычисление матриц оценок альтернатив.

3) Ранжирование альтернатив.

Каждый шаг будет подробно описан ниже. Предполагается, что рассматривается m критериев оценки, и n альтернатив должны быть ранжированы.

Вычисление вектора весов критериев

Чтобы вычислить весовые коэффициенты для различных критериев, МАИ начинает создавать матрицы попарного сравнения A. Матрица A представляет собой вещественную матрицу m Ч m, где m - номер оценки.

Каждая запись ajk матрицы A представляет собой оценку значимости j-го критерия относительно k-го критерия. Если ajk> 1, то критерий j является более важным, чем критерий k, в то время как если ajk <1, то j-й критерий менее важен, чем k-й критерий. Если два критерия равны по значимости, то запись ajk равна 1. Записи ajk и akj удовлетворяют следующему ограничению:

Очевидно, ajj = 1 для всех j. Относительная важность между двумя критериями измеряется в соответствии с числовыми оценками от 1 до 9, как показано в таблице ниже, где предполагается, что j-й критерий одинаково или более важный, чем критерий k.

Таблица 1

Интерпретация относительных оценок

Как только матрица A построена, можно вывести из A нормализованную матрицу парного сравнения Anorm, сделав равным 1 сумму записей в каждом столбце, то есть каждой записи ajk.

Матрица Anorm рассчитывается как:

Наконец, весовой вектор критериев w (то есть вектор m-мерного столбца) строится путем усреднения записей в каждой строке Anorm, то есть:

Матрица оценок вариантов представляет собой вещественную матрицу S. размером n Ч m. Каждая запись sij из S представляет оценку i-го варианта в отношении j-го критерия. Чтобы получить такие оценки, сначала строится матрица парного сравнения для каждого из m критериев, j = 1,..., m. Матрица представляет собой реальную матрицу n Ч n, где n - количество оцененных параметров. Каждая запись матрицы представляет оценку i-го варианта по сравнению с h-м вариантом в отношении j-го критерия. Тогда i-й вариант лучше, чем h-й, а если i-я альтернатива хуже, чем h-я. Если два варианта оцениваются как эквивалентные по j-му критерию, то запись равна 1.

Записи и удовлетворяют следующему ограничению:

Шкала оценки, аналогичная шкале, представленной в таблице выше, может использоваться для перевода попарных оценок ЛПР в числа.

Во-вторых, МАИ применяет к каждой матрице одну и ту же двухэтапную процедуру, описанную для матрицы парного сравнения A, т.е. она делит каждую запись на сумму записей в одном столбце, а затем усредняет записи в каждой строке, получая таким образом векторы оценок, j = 1,..., m.

Вектор содержит оценки оцененных вариантов по j-му критерию. Наконец, матрица баллов S выглядит следующим образом:

В рассматриваемой структуре СППР оценки парных опций выполняются путем сравнения значений показателей эффективности, соответствующих критериям решения. Следовательно, этот шаг МАИ можно рассматривать как преобразование матрицы I индикатора в матрицу S баллов.

Ранжирование вариантов

После того, как весовой вектор w и матрица оценок S были вычислены, МАИ получает вектор v глобальных оценок путем умножения S и w, то есть:

I-я запись vi вектора v представляет глобальную оценку, назначенную МАИ для i-й опции. На последнем этапе ранжирование альтернатив осуществляется путем упорядочения глобальных оценок в порядке убывания.

Метод аналитических сетей

Метод аналитических сетеи? (МАС) является обобщением известного метода анализа иерархии? (МАИ). Это обобщение стало необходимым для того, чтобы любая задача могла быть описана и решена этим методом, ведь далеко не каждая бизнес-проблема настолько проста, что может быть описана в виде иерархии. Появляются горизонтальные связи на одном уровне иерархии, которые также необходимо описывать.

Процесс решения задачи методом аналитических сетей подобен решению задачи методом анализа иерархий: сначала проблема структурируется в виде аналитической сети, потом также, как и в МАИ, производятся парные сравнения, позволяющие определить веса компонентов каждого кластера. Следующим шагом процесса является составление суперматриц, где каждый сегмент матрицы представляет отношение между двумя кластерами в системе, далее благодаря определенному математическому аппарату, вложенному в программное обеспечение, происходит ранжирование альтернатив и выявляется результат.

Рисунок 9 Графическое представление сетевой структуры для MAC (a) и для МАИ (б)

На Рисунке 5 выше представлено схематичное изображение принципиальной разницы сетевых структур МАС и МАИ. В отличие от иерархии, кластеры или узлы сети могут быть связаны с любым числом кластеров в любом порядке. Также могут существовать отношения между элементами в одном кластере, иллюстрируемые зацикленной дугой.

После построения сети происходят попарные сравнения: сравниваются как элементы внутри каждого кластера с позиции конкретного критерия, так и элементы вне кластеров. Кроме того, определяются взаимозависимости между критериями кластера. С точки зрения пользователей системы поддержки принятия решений, в основе которой лежит МАС, попарные сравнения происходят точно так же, как в системах, где в основе лежит МАИ.

В МАС шкала отношений векторов приоритетов, полученных из матриц попарных сравнений, синтезируется нелинейно. Кроме того, МАС подразумевает условие о том, что каждый элемент кластера оказывает влияние на элемент в другом кластере, и тогда вклад этих элементов принимает нулевое значение. Учитывая эти факторы, было необходимо создать дополнительные инструменты вычисления для данного метода. Таким инструментом стали суперматрицы.

...