Informačné systémy na podporu rozhodovania

29. 07. 2006 | 12/1998 | Comments [0]

Informačné systémy na podporu rozhodovania. Ako sa približujeme k ére informačnej spoločnosti, čoraz viac si uvedomujeme problém zahlcovania informáciami. Naša schopnosť zbierať dáta a vytvárať veľké bázy dát rastie veľmi rýchlo.

Informačné systémy na podporu rozhodovaniaAko sa približujeme k ére informačnej spoločnosti, čoraz viac si uvedomujeme problém zahlcovania informáciami. Naša schopnosť zbierať dáta a vytvárať veľké bázy dát rastie veľmi rýchlo. Pokroky v technológiách zberu údajov, rozšírenie čiarového kódu pre väčšinu komerčných produktov, informatizácia mnohých hospodárskych činností a existencia spoľahlivých a výkonných databázových systémov spôsobujú nahromadenie údajov.

ČO S ÚDAJMI. Veľmi veľké bázy dát sa stávajú doslova všadeprítomnými (zapamätané údaje z registračných pokladní obchodov, z autorizačných zariadení bankomatov, firemné databázy o zákazníkoch a im predaných výrobkoch, elektronicky zosnímané údaje o technologických procesoch, údaje o pozorovaniach kozmu a podobne). Tieto databázy obsahujú veľa užitočných poznatkov, ktoré sa týkajú procesov uskutočňovaných spoločnosťou alebo prebiehajúcich priamo v danej spoločnosti. Často ich však treba “vydolovať” z množstva na prvý pohľad nesúvisiacich údajov. Získané poznatky možno využiť na zlepšenie efektívnosti daných procesov a na určenie trendov ich ďalšieho vývoja, čo umožňuje pružnejšiu reakciu na problémy.

ZHODNOCOVANIE ,,DOLOVANÍM”. Prvotné údaje v databázach majú relatívne nízku informačnú hodnotu. K ich zhodnoteniu dochádza až analytickým spracovaním a redukciou na dáta s vysokým informačným obsahom, ktoré odhaľujú trendy alebo súvislosti medzi jednotlivými udalosťami a javmi, a tak uľahčujú rozhodovanie manažérov, politikov, vedcov a podobne. Takto získané poznatky sú teda odvodené, “vydolované” z prvotných údajov alebo znalostí. Systémy, ktoré uskutočňujú spracovanie údajov pre rozhodovanie na rôznych úrovniach riadenia, sa nazývajú systémy na podporu rozhodovania.

VÄZBY A SÚVISLOSTI. Schopnosť porozumieť obrovským množstvám dát, poznať ich väzby a súvislosti v súčasnosti výrazne zaostáva za schopnosťou ich zberu a uchovávania. Keď miera úsilia potrebného na manipuláciu s dátami a na dedukciu znalostí z nich prekročí ľudskú kapacitu, zväčša vznikne požiadavka mať informačné technológie, ktoré pomôžu automatizovať človekom už nezvládnuteľné procesy. Odborníci pociťujú intenzívny nedostatok nástrojov, ktoré dokážu ľahko, vhodne a automaticky pomáhať pri analýze dát a pri transformácii množstva údajov na hodnotné informácie, na základe ktorých by mohli odporučiť konkrétne rozhodnutie nielen analytici, ale aj manažéri bez špeciálnych analytických či štatistických vedomostí.

SPRÁVNE HYPOTÉZY. Doterajšie nástroje na podporu rozhodovania (predovšetkým ich analytická časť) boli schopné len overovať dopredu stanovené jednoznačné hypotézy. Rýchle stanovenie správnej hypotézy, t.j. nápad analytika prípadne manažéra, sa tak stal kľúčom k správnemu rozhodnutiu a úspechu na trhu. Sformulovanie vhodnej hypotézy je väčšinou intuitívna a často náhodnými faktormi ovplyvnená činnosť, preto sa začali hľadať podporné rozhodovacie systémy, ktoré sú schopné relatívne samostatne odkrývať neznáme vzťahy a súvislosti v obrovských databázach a odhaľovať trendy správania sa objektov len za pomoci veľmi vágnej hypotézy alebo dokonca bez nej.

NAJNOVŠÍ POKROK . Najnovší pokrok v spracovaní veľkého množstva údajov na informácie vhodné pre rozhodovanie predstavujú: * nová organizácia dát na podporu rozhodovacích a analytických procesov, tzv. sklady dát (data warehouses), dátové samoobsluhy (data marts) a informačné náleziská (data mines) a nová analytická metóda, ktorá relatívne automatizovane vyhľadáva neznáme vzťahy a súvislosti medzi údajmi vo veľkých databázach a poskytuje výhľadové informácie o správaní sa objektov, tzv. dolovanie znalostí z dát (data mining).

PODPORA ROZHODOVANIA . Systém na podporu rozhodovania (Decision Support System, DSS) je informačný a plánovací systém na podporu rozhodovania, ktorý poskytuje možnosť ad hoc analýzy informácií a predikciu dopadov rozhodnutí skôr, než sa vykonajú. Centrom DSS býva väčšinou sklad dát alebo dátová samoobsluha. Nad údajmi pracujú nástroje DSS, a to softvér na analýzu dát, generátory zostáv (reporting software) optimalizované na rýchle rozhodovanie v čase a vizualizačné nástroje. DSS môže získavať aj výrobné údaje z externých zdrojov, ktoré možno porovnávať a využiť na historické a štatistické ciele. DSS vyžadujú relatívne vysoký stupeň zvládnutia komplexných nástrojov.

ROZDELENIE DSS. Podľa funkcií a komfortu, ktorý jednotlivé DSS poskytujú v oblasti analýzy dát, možno systémy na podporu rozhodovania zoradiť nasledovne: * Dotazovacie nástroje (Query Tools) a generátory zostáv (reporting tools), ktoré sú pomocou moderných používateľských rozhraní zjednodušené na dialóg v skoro prirodzenom jazyku. Náhodné dotazy (ad hoc queries) sa využívajú na verifikáciu veľmi jednoduchých, človekom generovaných hypotéz ako: “Koľko zákazníkov odpovedalo na náborovú kampaň počas daného intervalu?” Náhodné dotazy predstavujú spôsob ako verifikovať znalosť, nie ako znalosť objaviť.

  • Štatistické analytické balíky poskytujú možnosť skúmať vzťahy medzi niekoľkými dobre definovanými premennými a určiť štatistickú významnosť odvodeného vzťahu. Vhodné sú predovšetkým na regresnú analýzu. Sú veľmi neefektívne, ak v úlohe vystupuje veľa premenných a/alebo vzťahy sú nelineárne.
  • Priame analytické spracovanie (OnLine Analytical Processing, OLAP) sa používa na verifikáciu komplexnejších, človekom vytváraných hypotéz o vzťahoch, ktoré zahrňujú viaceré “dimenzie” (napr. územné členenie, obdobie [mesiac, rok], plat, plánovaná hodnota platu). Je možné napríklad skúmať “Aký bol vzťah platov a ich plánovaných hodnôt za každý mesiac a región za posledné tri roky?” Výsledok OLAPu je sumárna informácia v tabuľkovej alebo grafickej forme.
  • Tabuľkové kalkulátory (Spreadsheety) sú ďalšou skupinou nástrojov na podporu rozhodovania. Používajú sa hlavne na zostavovanie vecného a finančného rozpočtu. Pracovnú plochu tabuľkového kalkulátora tvorí tabuľka. Jednotlivé bunky v tabuľke môžu obsahovať číslice alebo textové reťazce a možno na ne aplikovať vzorce, ktoré používajú hodnoty aj z iných buniek.
  • Systémy na poskytovanie informácií pre exekutívu (Executive Information Systems, EIS a Management Information Systems, MIS) sú systémy určené špeciálne pre vrcholový manažment, ktorému poskytujú sumárny pohľad na dianie v organizácii. Svojim záberom však neuspokojujú všetky zložky rozhodovacieho procesu. Tieto systémy tvoria akúsi zjednodušenú nadstavbu nad vybranými nástrojmi DSS, a preto nedosahujú analytickú schopnosť DSS.
  • Dolovanie znalostí z dát poskytuje komplexný pohľad a možno ho stručne definovať ako súhrn pokrokových metód pre vyhľadávanie a modelovanie neznámych väzieb a súvislostí v rozsiahlych dátových súboroch a na predpovedanie správania sa objektov. Dolovanie znalostí je určené jednak pre špecialistov analytikov, ale hlavne pre manažérov, ktorí nie sú špecialistami v analytike ani v štatistike.

ÚLOHA DOLOVANIA. V najužšom zmysle je úlohou dolovania znalostí odkrývať napríklad závislosť udalostí v čase, vzťah niektorých udalostí v čase, novú klasifikáciu skúmaných údajov, vyjasnenie neviditeľných skupín faktov, odhady budúcich hodnôt skúmaných údajov. Podstatné je, že pre používateľa sú vzťahy a súvislosti medzi udalosťami alebo javmi neznáme (keby ich tušil, mohol by ich verifikovať). Dolovanie znalostí z dát je teda nástroj na získavanie nových poznatkov.

Je potrebné pripomenúť, že dolovanie znalostí je len podporný prostriedok pre rozhodovanie a vlastné rozhodnutie zostáva naďalej na manažérovi. On určuje aj rámcové informácie pre dolovanie znalostí ako sú vízie, podnikateľské hypotézy, kvantifikovateľné ciele a na základe výsledkov dolovania znalostí rozhoduje a určuje spôsoby využitia nových poznatkov.

ORGANIZÁCIA DÁT. Doterajšie problémy relačných databáz ako používateľského prostredia pre podporu rozhodovania v podstate vyriešili nové spôsoby organizácie obrovského objemu dát, ktoré maximálne podporujú analýzu dát a rozhodovacie procesy nad nimi ako:

  • sklad dát (data warehouse) možno prirovnať k dátovému veľkoobchodu, veľkoskladu,
  • dátová samoobsluha (data mart), ktorú možno prirovnať k dátovému maloobchodu,
  • informačné nálezisko (data mine).

Sklad dát a dátová samoobsluha sa ako nové organizácie dát stali kľúčom k vzniku sofistikovaných systémov na podporu rozhodovania. Samotné vytváranie skladu dát, dátovej samoobsluhy vyžaduje značnú analýzu dát a preto sa niekedy intuitívne chápe ako prvý krok dolovania znalostí.

SKLAD DÁT. Sklad dát je súbor údajov o všetkých témach relevantných v organizácii, pre takmer všetky skupiny používateľov. Údaje sú integrované, majú časový rozmer a sú nemeniteľné. Sú zozbierané a organizované tak, aby sa dali ľahko analyzovať, vyberať, syntetizovať za účelom ich hlbšieho porozumenia. Údaje uchovávané v sklade dát sú určené na podporu rozhodovania pre manažérov a nie na okamžité obchodné (hospodárske) ciele ako napr. objednávkové a platobné transakcie, hoci aj tieto údaje sa stávajú súčasťou skladu dát. V jednej (aj rozčlenenej) organizácii existuje len jeden sklad dát, určený rádove pre stovky používateľov zvnútra, ale aj zvonku organizácie. Musí sa vysporiadať aj s protirečivými požiadavkami naň v rámci organizácie.

Väčšina skladov dát obsahuje viac než 10 GB údajov, niektoré však prekračujú hranicu 100 GB. Podľa výskumov 19 perc. respondentov malo sklad dát väčší než 50 GB a 59 perc. respondentov očakávalo tento stav do konca roku 1996. Sklad dát môže narásť do takej veľkosti, že pre používateľa je veľmi náročné sa v ňom orientovať a získavať z neho údaje. Vtedy sa používateľ radšej obracia na úzkoúčelové dátové samoobsluhy.

DÁTOVÁ SAMOOBSLUHA. Dátová samoobsluha je špeciálny jednoúčelový (highly focused) alebo na jedno oddelenie (podniku, organizácie) zameraný dátový sklad. Tento sklad sleduje obvykle jeden určitý strategický cieľ alebo prevádzkový problém. Často je distribuovaný a poskytuje zákazníkom veľmi dobre vypracované aplikácie, ktorých cieľom je poskytovať pragmatické, rýchlo aplikovateľné riešenia na podporu rozhodovania, aby sa získali okamžité konkurenčné výhody. Zdrojom údajov pre dátovú samoobsluhu je zvyčajne dátový sklad a niekoľko málo transakčných databáz (prevádzkových zdrojov). Dátová samoobsluha obsahuje predovšetkým veľa náhodne zosumarizovaných údajov, veľa dôkladne vybraných detailných údajov, ale málo predpripravených sumarizácii údajov a málo ad hoc vybraných detailných údajov. Dátová samoobsluha býva spravidla výrazne menšia než dátový sklad. Stáva sa však, že hospodárske analýzy na úrovni podnikových jednotiek vyžadujú dáta za dlhší časový úsek (napr. 2 roky) než analýzy na úrovni celopodnikovej (napr. 6 mesiacov). Údaje v dátovej samoobsluhe majú význam na úrovni oddelenia alebo podnikovej jednotky, kým údaje v dátovom sklade majú celopodnikový význam. To však neznamená, že ak existujú dátové samoobsluhy, musí existovať aj celopodnikový dátový sklad.

OBLASTI APLIKÁCIE. Dolovanie znalostí už úspešne aplikovalo široké spektrum organizácii. V súčasnosti sa využíva v organizáciach z dátovo intenzívnych oblastí ako sú finančníctvo, priamy marketing a analýza vedeckých údajov, v ktorých existovali veľké transakčné databázy. V iných oblastiach sa dolovanie znalostí začalo aplikovať o niečo neskôr. Na úspešnú aplikáciu dolovania znalostí sú dôležité dva faktory, a to veľký, dobre integrovaný sklad dát a dokonalé porozumenie (dobrá definícia) procesov, v rámci ktorých sa má dolovania znalostí aplikovať.

V správe telekomunikačných sietí dolovanie znalostí umožňuje ovplyvňovať správanie sa zákazníkov pri využívaní telekomunikácií napríklad tým, že im poskytne hĺbkovú analýzu, z ktorej vyplýva jednoznačná úspora nákladov zákazníka, ak bude využívať služby danej spoločnosti. Na základe vyhodnotenia správania sa zákazníkov, im možno ponúknuť nové služby, čo vedie k zvýšeniu zisku.

Vo výrobe a produkcii sa dolovanie znalostí využíva na riadenie a plánovanie technickej výroby a na detekciu tých kombinácii výrobných faktorov, ktoré ovplyvňujú kvalitu koncového výrobku a spôsobujú jeho chybovosť. Taktiež možno odhadovať počty uplatňovateľov záručnej reklamácie, populárnosť istých vlastností výrobkov, prípadne prognózovať vývoj firmy. Vyhodnocovanie údajov o priebehu technologických procesov môže viesť k ich zefektívneniu, a teda aj k zlacneniu výroby.

V maloobchode nachádza dolovanie znalostí uplatnenie napríklad v prognózovaní dopytu po jednotlivých výrobkoch a prognózovaní sezónnych výkyvov. Umožňuje identifikovať vhodnú cenu na maximalizáciu zisku z predaja produktu, pričom berie do úvahy premenlivosť dopytu po produkte počas určitého časového obdobia. Pomáha tiež určovať, ako ovplyvní meniaca sa cena tovaru jeho predaj. Dolovanie znalostí v podstate umožňuje maloobchodu prispôsobovanie sa individuálnym potrebám zákazníka, čo je očakávaný trend vývoja obchodu. V USA už viac ako 50 perc. maloobchodníkov používa alebo plánuje používať cielený marketing.

V oblasti cieleného marketingu (database marketingu, direct marketingu alebo mailshot response) sa dolovanie znalostí využíva na analýzu ziskovosti, pomocou ktorej sa určuje význam jednotlivých zákazníkov (ohodnocujú sa z hľadiska možného zisku pre firmu). To ovplyvňuje rozhodnutia, kto má byť cieľovou skupinou budúceho marketingového úsilia. Využíva sa aj na identifikáciu špecifických skupín zákazníkov a predpovedanie, ako budú jednotlivci alebo skupiny reagovať na určitú marketingovú kampaň, čo umožňuje selektívnu kampaň, ktorá maximalizuje odozvu zo strany zákazníkov. Cielená kampaň je podľa niektorých odhadov o 5 perc. lacnejšia. Analýzou demografických, dopravných a geografických dát možno tiež určiť vhodnú lokalitu pre nové predajné miesta, prípadne vhodné lokality pre poskytovanie vlastných služieb.

Prísľuby dolovania znalostí sú atraktívne pre pracovníkov exekutívy a profesionálov z oblasti informačných systémov, ktorí sa pokúšajú dať zmysel veľkým objemom dát. Aj keď prísľub, že programy dolovania znalostí dokážu analyzovať celý sklad dát (data warehouse) a identifikovať všetky kľúčové vzťahy relevantné pre príslušnú aplikačnú oblasť sa niekedy prezentuje ako všeliek na všetky “strasti” analýzy dát, zatiaľ je však táto predstava od reality ešte vzdialená. Ale aj tak tieto novodobé nástroje predstavujú významný pokrok pre prípravu rozhodnutí, bez ktorých sa dnes modernmý manažment nezaobíde.

RNDr. MÁRIA BAXOVÁ,

Ing. ALENA NIŽNANSKÁ, Infostat

Image gallery


Write review