Информационное обеспечение менеджмента

 

Рисунок 3.1.- Структура системы  поддержки принятия решений

 

управления и управление данными в значительной степени  действуют незаметно и варьируются  от относительно простой типовой  модели в электронной таблице  до сложной комплексной модели планирования, основанной на математическом программировании. Чрезвычайно популярный тип DSS - в  виде генератора финансового отчета. С помощью электронной таблицы  типа Lotus 1-2-3 или Microsoft Excel создаются  модели, чтобы прогнозировать различные  элементы организации или финансового  состояния. В качестве данных используются предыдущие финансовые отчеты организации. Начальная модель включает различные  предположения относительно будущих  трендов в категориях расхода  и дохода. После рассмотрения результатов  базовой модели менеджер проводит ряд  исследований типа "что, если", изменяя  одно или большее количество предположений, чтобы определить их влияние на исходное состояние. Например, менеджер мог бы зондировать влияние на рентабельность, если бы продажа нового изделия росла  на 10% ежегодно, Или менеджер мог  бы исследовать влияние большего, чем ожидаемое, увеличения цены сырья, например 7% вместо 4% ежегодно. Этот тип  генератора финансового отчета- простые, но мощные DSS для руководства принятием  финансовых решений. Пример DSS по приведению транзакций данных - система определения  размеров ассигнований на полицейские  выезды, используемая городами Калифорнии. Эта система позволяет офицеру  полиции увидеть карту и выводит  данные географической зоны, показывает полиции звонки вызовов, типы вызовов  и время вызовов. Интерактивная  способность графики системы  разрешает офицеру манипулировать картой, зоной и данными, чтобы  быстро и легко предположить вариации альтернатив полицейских выездов. Другой пример DSS - интерактивная система  для планирования объема и производства в большой бумажной компании. Эта  система использует детальные предыдущие данные, прогнозирующие и планирующие  модели, чтобы проиграть на компьютере общие показатели компании при различных  плановых предположениях. Большинство  нефтяных компаний развивают DSS, чтобы  поддержать принятие решения капиталовложений. Эта система включает различные  финансовые условия и модели для  создания будущих планов, которые  могут быть представлены в табличной  или графической форме[2].

 

Все приведенные примеры DSS названы специфическими DSS. Они - фактические  приложения, которые помогают в процессе принятия решения. Напротив, генератор  системы поддержки принятия решений - это система, которая обеспечивает набор возможностей быстро и легко  строить специфические DSS. Генератор DSS - пакет программ, разработанный  для выполнения на частично компьютерной основе. В нашем примере финансового  отчета Microsoft Excel или Lotus 1-2-3 могут рассматриваться  как генераторы DSS, в то время как  модели для проектирования финансовых отчетов для частного отделения  компании на базе Excel или Lotus 1-2-3 - это  специфические DSS [2].

 

3.1.2Исполнительные информационные  системы (Executive Support System)

 

Исполнительные информационные системы (Executive Support System - ESS) появились  в 80-х годах. Ключевая концепция исполнительной информационной системы состоит  в том, что такая система поставляет интерактивную совокупность текущей  информации относительно конъюнктуры  рынка, формирует легкий доступ для  старших руководителей и других менеджеров без помощи посредников, ESS использует современную графику, связь и методы хранения данных, обеспечивая исполнителям легкий интерактивный доступ к текущей информации относительно состояния организации. Первоначально большинство ESS создавалось только для самих высших руководителей в фирме, но сейчас круг пользователей в большинстве компаний расширен, чтобы охватить все уровни управления. ESS использует данные, которые были отфильтрованы и обличены в итоге в форму, полезную для руководителей организации. Кроме того, много эффективных ESS включают качественные данные типа информации о конкурентоспособности, оценки и прогнозы. Например, Comshare's Commander Decision является клиент-сервером и программой на базе intranet (локальная сеть, взаимодействующая с Internet), способствует быстрому широкому применению ориентированных на покупателей приложений типа поддержки принятия решения, таких, как анализ выполнения, исполнительные информационные системы и управление сообщениями. Commander Decision допускает, чтобы деловые пользователи получали информацию в любом виде, включая карты, диаграммы, вставки, запросы, вычисления и даже персональные напоминания об условиях предусмотренных встреч. Этот универсальный инструмент может использоваться, чтобы строить традиционные ESS-приложения для исполнителей, как описано выше, или систем поддержки принятия решений для менеджеров на различных уровнях бизнеса. Commander Decision предоставляет для продажи большое количество легких в использовании и просто интерпретируемых изображений для предоставления ключевой информации менеджерам. Кроме того, он обеспечивает выборочный контроль, интеллектуальную углубленную способность распознавать необходимую детальную информацию, демонстрацию десяти лучших или худших показателей, внимание к важным предметам новостей и странное определение тенденций, отношений и новые версии данных [2].

 

Возможно, самая ранняя ESS, описанная в печати, - управление информацией и поддержка принятия решения (MIDS) системы в Lockheed-Georgia Company. Спонсором для MIDS были президент Lockheed-Georgia и специальный штаб, сообщавший вице-президенту финансовое развитие системы, Для развития MIDS был использован эволюционный подход с ограниченным числом показов, разработанных первоначально для  ограниченного числа руководителей. Например, дисплей мог показывать предполагаемым клиентам типы самолетов  или графически описывать прогноз  и фактическую продажу в течение  прошлого года [2].

 

Начальная версия MIDS в 1979 г. имела  только 31 дисплей. К 1985 г. было поставлено 710 дисплеев, система использовалась 30 старшими исполнителями и 40 работающими  менеджерами. Успех MIDS зависел от многих особенностей, но, возможно, наиболее важным было то, что система выдавала ту информацию (основанную на количественных и качественных данных), в которой  нуждались старшие руководители и их компании, чтобы достичь успеха.

 

В Великобритании фирма "Transco" использовала Commander Decision для создания ESS для 150 человек, от директора компании до финансовых аналитиков и менеджеров первого уровня. ESS включали информацию о расходах, данные о системах поставок и кредиторах. Пользователи имели  свободный доступ к информации и  могли углубляться вплоть до уровня детализации, в которой они нуждались; они могли также рассматривать  многократные перспективы и ставить  вопросы типа "что, если", "как  изменится себестоимость, если наша критическая рабочая нагрузка повысится на 5 %?". "Commander Decision помогает нам принимать лучшие решения", - говорит Colin Jonson, менеджер District Operation, Transco.

 

Фирма "Welch Allyn" - ведущий  поставщик медицинских диагностических  инструментов на международном рынке (термометров, офтальмоскопов, приборов кровяного давления и аудиометров). В связи с интенсивным продвижением на международный рынок фирма  решила, что требуется "всемирная  исполнительная система поддержки  принятия решений, которая обеспечит  быстрый доступ к значимой информации". Используя программные изделия Comshare, Welch Allyn построила систему финансовой отчетности, которая обращается с  ежемесячным накоплением и обменом  валюты. Это также обеспечивает возможности  полного анализа для менеджеров, аналитиков и исполнителей. Система  анализа взаимных продаж допускает  менеджеров к передаче информации о  всемирных продажах по линиям, областям и клиентам. "Наш процесс обработки  настолько быстр, что мы можем  теперь осуществлять продажу во всем мире и объединить данные таким образом, как мы никогда не мечтали", - говорит  вице-президент и казначей этой фирмы Kevin Cahill [2].

 

3.1.3 Переработка руды данных (Data Mining)

 

Ранее идея "складирования" данных - идея выбора данных компании из операционных систем и помещения  их в отдельной базе данных представлялась так, чтобы пользователи могли иметь  доступ к ним и анализировать  данные без опасности для операционных систем. Аргументом было то, что создание и обслуживание базы данных является операционной системой, поэтому база данных поддерживает всю организацию, создавая данные, доступные каждому, в то время как анализ данных выполняется  для отдельного менеджера или  маленькой группы менеджеров, и, следовательно, это система поддержки управления. Сейчас анализ данных производится в  базе, потому что системы поддержки  принятия решений, описанные в предыдущем разделе, часто извлекают данные, в которых они нуждаются, непосредственно  из баз данных организаций.

 

"Добыча данных" (Data Mining) использует ряд технологий (типа  деревьев решений и нейронных  сетей), чтобы искать или "добывать" маленькие "самородки" информации  из крупных объемов данных, запасенных  в базе данных организации.  Добыча данных, которая иногда  рассматривается как вспомогательный  аппарат систем поддержки принятия  решений, является особенно полезной, когда организация имеет большие  объемы данных в базе. Понятие  "добыча данных" не ново, хотя  название стало популярным только  в конце 1990 г. По крайней  мере в течение двух десятилетий  много больших организаций использовали  внутренних или внешних аналитиков, часто называемых специалистами  управления, пробуя распознавать  тренды или создавать модели  в больших массивах данных, используя  методы статистики, математики и  искусственного интеллекта. С развитием  крупномасштабных баз данных  и недорогих мощных процессоров  возобновился интерес к тому, что названо в последние годы "добычей данных".

 

Наряду с возобновлением интереса появился ряд высокопроизводительных и относительно легких в использовании  пакетов программ, добывающих коммерческие данные.

 

Какие методы решения или  подходы используются при "добыче данных"? Фирма "KnowledgeSeeker" использует только одну технологию - дерево решений. Это структура в виде дерева, полученная из данных, чтобы представить наборы решений, приводящих к различным  результатам. Когда создан новый  набор решений в виде информации относительно частного покупателя, дерево решений предсказывает результат. Нейронные сети, область искусственного интеллекта, которые будут обсуждаться  позже в курсовой работе, включены в пакеты программ Marksman, Intelligent Miner и Darwin (последние два также используют дерево решений). Другие популярные технологии включают правила предположений, извлечение из правил "если, то", основанные на статистическом значении; сортировку записей, основанных на наиболее близких  им в базе данных; генетические алгоритмы, т.е. методы оптимизации, основанные на концепциях генетической комбинации, мутации и естественного выбора.

 

Конечно, менеджеру более  важно то, что может быть выполнено  с "добычей данных", чем использованные в технологии решения. Ниже даны типичные приложения обработки данных. Для  бизнеса любого вида эти приложения хороши, если смогут увеличить прибыль  организации. Большинство этих приложений сосредоточивается на извлечении ценной информации для клиентов. Таблица 3.1. показывает возможное использование  добычи данных [2].

 

Популярная пресса рассказывает о примерах успешной добычи данных.

 

Таблица 3.1.-Использование  добычи данных

 

Применение 

Описание 

 

Рыночная сегментация 

Идентифицирует общие  характеристики клиентов, которые покупают одинаковые изделия у вашей компании. 

 

Характеристики клиентов 

Предсказывает, какие клиенты, вероятно, могут оставить вашу компанию и уйти к конкуренту. 

 

Обнаружение мошенничества 

Идентифицирует тех, чьи  действия, наиболее вероятно, будут  мошенническими. 

 

Прямой маркетинг 

Идентифицирует, какие проспекты  должны быть включены в список рассылки, чтобы получить. самую высокую  эффективность 

 

Интерактивный маркетинг 

Показывает индивидуумов, обрающихся к Website, как наиболее интересных для наблюдения. 

 

Анализ потребительской  корзины 

Предполагает, какие изделия  или услуги обычно приобретаются  вместе (например, пиво и пеленки). 

 

Анализ тренда 

Показывает отличия между  типичным клиентом в текущем месяце и в предыдущем месяце. 

 

 

 

"Firster Bank", холдинговая  компания с оборотом 20 млрд. долл., основанная в Милуоки (США), использовала  добычу данных для прямой отправки  по почте набора заказов, чтобы  увеличить быстродействие. Firster применила  пакет обработки данных Marksman, сгруппировав  карточки заказов клиентов на  основе банка данных, который  они уже использовали (типа карт  расходов, акций домашних займов, сберегательных счетов и выполнения  инвестиций), и затем предсказала,  какие изделия будут предложены  каждому клиенту и в какое  время.

 

Bank of America, основанный в  Сан-Франциско, был завален запросами  клиентов. Банк был заинтересован  в новых способах текущего  контроля за счетами клиентов  при наборе новых клиентов. Сначала  банковские маркетологи хотели  выяснить, кто из клиентов имел  тенденцию использовать конкретные  изделия и какое сочетание  услуг лучше соответствует потребностям  различных групп клиентов. Через  обширный процесс добычи данных, использующий различные программные  изделия, Bank of America сгруппировал клиентов  в небольшие группы, которые имели  близкие интересы и потребности. "Некоторые клиенты неправильно  использовали платежи, так что  мы приступаем к их преобразованию", - говорит вице-президент по маркетингу Bank of America. - "Мы вошли в контакт  с ними по почте или по  телефону и нашли, что реакция  была обычно очень благоприятная. Иногда это означало несколько долларов в месяц дополнительно, но зато мы чувствовали, что клиенты будут испытывать большее доверие к банку, который смотрел за их деньгами".