Maison fonctionnalité l'information est une méthode qualitativement nouvelle d'organisation de l'interaction entre une personne et un ordinateur. Le développement d'une solution, qui est l'objectif principal de cette technologie, résulte d'un processus itératif (Fig. 1), qui implique :

· système d'aide à la décision dans le rôle de lien informatique et d'objet de contrôle ;

· une personne en tant que lien de contrôle qui définit les données d'entrée et évalue le résultat des calculs sur un ordinateur.

Riz. 1 Processus itératif d’information
technologies d'aide à la décision

La fin du processus d'itération se produit selon la volonté de l'homme. Dans ce cas, on peut parler de la capacité du système d'information, en collaboration avec l'utilisateur, à créer de nouvelles informations pour la prise de décision.

Outre cette particularité des technologies de l'information d'aide à la décision, un certain nombre de ses caractéristiques distinctives peuvent être indiquées :

· orientation vers la résolution de problèmes mal structurés ;

· combinaison de méthodes traditionnelles d'accès et de traitement des données informatiques avec les capacités des modèles mathématiques et des méthodes de résolution de problèmes basées sur ceux-ci ;

· ciblant l'utilisateur d'ordinateur non professionnel ;

· une grande adaptabilité, offrant la capacité de s'adapter aux fonctionnalités du matériel et des logiciels existants, ainsi qu'aux exigences des utilisateurs.

Les technologies de l’information d’aide à la décision peuvent être utilisées à n’importe quel niveau de gestion. De plus, les décisions prises à différents niveaux de gestion doivent souvent être coordonnées. Par conséquent, une fonction importante des systèmes et des technologies est la coordination des décideurs, à la fois à différents niveaux de gestion et au même niveau.

Système d'aide à la décision (DSS)(Anglais) Système d'aide à la décision, DSS) - un système informatique automatisé dont le but est d'aider les personnes à prendre des décisions dans des conditions difficiles pour une analyse complète et objective de l'activité du sujet. DSS est né de la fusion des systèmes d'information de gestion et des systèmes de gestion de bases de données.

DSS est un outil d'information et d'analyse système résoudre les problèmes d'information et d'accompagnement intellectuel du décideur (DM).

Les systèmes d'aide à la décision (DSS, DSS, Decision Support System) sont apparus au début des années 70 du 20e siècle grâce au développement des systèmes d'information de gestion et aux succès dans la création de systèmes d'intelligence artificielle. Le développement du DSS a été grandement influencé par les progrès dans le domaine des technologies de l'information, en particulier les réseaux de télécommunications, les ordinateurs personnels, les feuilles de calcul dynamiques et les systèmes experts. Les systèmes de cette classe sont basés sur des technologies d'intelligence artificielle et, en règle générale, ne font pas partie des systèmes de gestion d'entreprise intégrés, mais sont développés par des sociétés tierces.

Il n'existe toujours pas de définition uniforme du DSS ; on peut citer à titre d'exemple :

1. Il s'agit du représentant le plus puissant de la classe des systèmes analytiques axés sur :

¾ Analyse de grands ensembles de données,

¾ pour effectuer des requêtes plus complexes,

¾ modélisation des processus du domaine,

¾ prévision,

¾ trouver des dépendances entre les données

¾ pour l'analyse « et si »

2. Il s'agit d'un système d'application interactif qui offre aux décideurs des utilisateurs finaux un accès facile et pratique aux données et aux modèles dans le but de prendre des décisions dans des situations semi-structurées et non structurées dans divers domaines de l'activité humaine.

3. Il s'agit de systèmes basés sur l'utilisation de modèles et de procédures de traitement de données et de réflexions qui aident à prendre des décisions.

4. Il s'agit de systèmes automatisés interactifs qui aident les décideurs à utiliser des données et des modèles pour résoudre des problèmes non structurés et semi-structurés.

5. est un système d'information informatique utilisé pour prendre en charge diverses activités lors de la prise de décision dans des situations où il est impossible ou indésirable qu'un système automatique exécute complètement l'ensemble du processus de décision.

6. Il s'agit d'un système automatisé multifonctionnel à plusieurs niveaux pour le développement et la mise en œuvre de solutions, constitué sur la base de :

¾ synthèse des schémas fonctionnels et structurels des différentes parties de l'objet ;

¾ modèles et tâches de bout en bout par étapes du cycle de vie du produit et de l'objet lui-même ;

¾ combiner des sous-systèmes locaux disparates en un seul système de contrôle ;

¾ créer des boucles de contrôle interconnectées et renforcer le rôle de la direction opérationnelle (pour étudier les logiques et diagnostiquer leur déroulement) ;

¾ approfondir l'approche systémique et ciblée par programme de la planification et de l'analyse automatique du fonctionnement des installations ;

¾ élaboration de normes et standards transversaux uniformes ;

¾ créer un vaste espace de travail automatisé (comme des terminaux intelligents), assurant les interconnexions logicielles, coordonnant l'information et le dialogue.

Principaux composants du DSS.

DSS est un système informatique homme-machine axé sur l'analyse des données et fournissant les informations nécessaires à la prise de décisions de gestion. Cette variété de définitions reflète le large éventail de différents types de DSS. Mais presque tous les types de ces systèmes informatiques se caractérisent par une structure claire, qui contient trois composants principaux qui constituent la base de la structure classique du DSS, ce qui le distingue des autres types de SI :

1. une interface utilisateur qui permet à une personne ayant le droit de prendre des décisions de dialoguer avec le système en utilisant différents programmes d'entrée, formats et technologies de sortie ;

2. sous-système conçu pour stocker, gérer, sélectionner, afficher et analyser les données ;

3. sous-système, qui contient un ensemble de modèles pour fournir des réponses aux nombreuses demandes des utilisateurs pour des tâches analytiques.

Considérons la structure du système d'aide à la décision (Fig. 2), ainsi que les fonctions de ses blocs constitutifs, qui déterminent les principales opérations technologiques.

Riz. 2. Principales composantes de l'information
technologies d'aide à la décision

Un système d'aide à la décision comprend trois composants principaux : une base de données, une base de modèle et un sous-système logiciel, qui se compose d'un système de gestion de base de données (SGBD), d'un système de gestion de base de modèles (MBMS) et d'un système de gestion d'interface utilisateur-ordinateur.

Base de données joue un rôle important dans les technologies de l’information d’aide à la décision (DSTS). Les données peuvent être utilisées directement par l'utilisateur pour des calculs utilisant des modèles mathématiques. Examinons les sources de données et leurs fonctionnalités :

1. Certaines données proviennent du système d’information au niveau opérationnel. Pour être utilisées efficacement, ces données doivent être prétraitées.

Il y a deux possibilités pour cela :

– utiliser un système de gestion de bases de données, faisant partie du système d’aide à la décision, pour traiter les données sur les opérations de l’entreprise ;

– effectuer des traitements en dehors du système d'aide à la décision en créant une base de données spéciale à cet effet. Cette option est plus préférable pour les entreprises qui réalisent un grand nombre de transactions commerciales. Les données traitées sur les opérations de l'entreprise constituent des fichiers qui sont stockés en dehors du système d'aide à la décision pour améliorer la fiabilité et la rapidité d'accès.

2. Outre les données sur les opérations de l'entreprise, le fonctionnement du système d'aide à la décision nécessite également d'autres données internes, telles que les données sur les mouvements de personnel, les données d'ingénierie, etc., qui doivent être collectées, saisies et conservées en temps opportun.

3. Les données provenant de sources externes sont importantes, notamment pour étayer la prise de décision aux niveaux supérieurs de la direction. Les données externes requises doivent inclure des données sur les concurrents, les économies nationales et mondiales. Contrairement aux données internes, les données externes sont généralement achetées auprès d'organisations spécialisées dans leur collecte.

4. Actuellement, la question de l'inclusion d'une autre source de données dans la base de données est largement étudiée : des documents contenant des enregistrements, des lettres, des contrats, des commandes, etc. Si le contenu de ces documents est enregistré en mémoire puis traité selon certaines caractéristiques clés (fournisseurs, consommateurs, dates, types de services, etc.), le système recevra une nouvelle source d'informations puissante.

Système de gestion des données(SGBD) doit avoir les capacités suivantes :

compiler des combinaisons de données obtenues à partir de diverses sources grâce à l'utilisation de procédures d'agrégation et de filtrage ;

ajout ou exclusion rapide de l'une ou l'autre source de données ;

construire une structure de données logique en termes d'utilisateur ;

utiliser et manipuler des preuves anecdotiques pour tester expérimentalement les alternatives de travail de l'utilisateur ;

assurer une complète indépendance logique de cette base de données par rapport aux autres bases de données opérationnelles opérant au sein de l'entreprise.

Base de données modèle. Le but de la création de modèles est de décrire et d'optimiser un objet ou un processus. L'utilisation de modèles garantit l'analyse dans les systèmes d'aide à la décision. Des modèles, basés sur l'interprétation mathématique du problème, à l'aide de certains algorithmes, permettent de trouver des informations utiles pour prendre les bonnes décisions.

Par exemple, le modèle de programmation linéaire permet de déterminer le programme de production le plus rentable pour la production de plusieurs types de produits sous des contraintes de ressources données.

L'utilisation de modèles dans le cadre des systèmes d'information a commencé avec l'utilisation de méthodes statistiques et de méthodes d'analyse financière, mises en œuvre par des équipes de langages algorithmiques conventionnels. Plus tard, des langages spéciaux ont été créés qui ont permis de simuler des situations telles que « que se passera-t-il si ? ou "comment faire?" De tels langages, créés spécifiquement pour la création de modèles, permettent de créer des modèles d'un certain type qui fournissent des solutions lors de la modification flexible des variables.

Il existe de nombreux types des modèles et les moyens de les classer, par exemple, par objectif d'utilisation, domaine d'application possible, méthode d'évaluation des variables, etc.

Selon le but d'utiliser le modèle sont divisées en optimisation lié à la recherche des points minimum ou maximum de certains indicateurs (par exemple, les managers veulent souvent savoir quelles actions ils entreprennent conduisent à maximiser les profits ou à minimiser les coûts), et descriptif, décrivant le comportement d'un certain système et non destiné à des fins de gestion (optimisation).

Par méthode d'évaluation les modèles sont classés en déterministe, en utilisant une évaluation de nombre unique de variables pour des valeurs spécifiques des données initiales, et stochastique, qui évaluent les variables à l'aide de plusieurs paramètres, puisque les données initiales sont spécifiées par des caractéristiques probabilistes.

Déterministe les modèles sont plus populaires que les modèles stochastiques car ils sont moins coûteux et plus faciles à construire et à utiliser. De plus, ils fournissent souvent suffisamment d’informations pour prendre une décision.

Par domaine d'applications possibles les modèles sont divisés en spécialisé, destiné à être utilisé par un seul système, et universel– pour une utilisation par plusieurs systèmes.

Modèles spécialisés Plus coûteux, ils sont généralement utilisés pour décrire des systèmes uniques et ont une plus grande précision.

Dans les systèmes d'aide à la décision base de données de modèles comprend modèles stratégiques, tactiques et opérationnels, ainsi que des modèles mathématiques (Fig. 6.6) sous la forme d'un ensemble de blocs modèles, de modules et de procédures utilisés comme éléments pour leur construction.

Riz. 6.6. Types de modèles qui composent la base de modèles

Modèles stratégiques sont utilisés aux niveaux supérieurs de la direction pour établir les objectifs de l'organisation, la quantité de ressources nécessaires pour les atteindre, ainsi que les politiques d'acquisition et d'utilisation de ces ressources. Ils peuvent également être utiles pour choisir les options de localisation des entreprises, prédire les politiques des concurrents, etc. Les modèles stratégiques se caractérisent par une couverture étendue, de nombreuses variables et une présentation des données sous une forme agrégée compressée. Ces données sont souvent basées sur des sources externes et peuvent être subjectives. L’horizon de planification dans les modèles stratégiques se mesure généralement en années. Ces modèles sont généralement déterministes, descriptifs et spécialisés pour être utilisés dans une entreprise spécifique.

Modèles tactiques utilisé par les gestionnaires de niveau intermédiaire pour distribuer et contrôler l’utilisation des ressources disponibles. Les domaines possibles d'utilisation comprennent la planification financière, les exigences de planification pour les employés, la planification de l'augmentation des ventes et la construction de schémas d'aménagement d'entreprise. Ces modèles ne sont généralement applicables qu'à des parties individuelles de l'entreprise (par exemple, le système de production et de distribution) et peuvent également inclure des indicateurs globaux. L'horizon temporel couvert par les modèles tactiques varie d'un mois à deux ans. Des données provenant de sources externes peuvent également être requises ici, mais l'accent principal lors de la mise en œuvre de ces modèles doit être mis sur les données internes de l'entreprise. En règle générale, les modèles tactiques sont mis en œuvre comme déterministes, d'optimisation et universels.

Modèles opérationnels utilisé aux niveaux inférieurs de gestion pour soutenir la prise de décision opérationnelle avec un horizon mesuré en jours et en semaines. Les applications possibles de ces modèles incluent la comptabilité des comptes clients et des crédits, la planification de la production, la gestion des stocks, etc. Les modèles opérationnels utilisent généralement les données internes de l’entreprise pour les calculs. Ils sont généralement déterministes, optimisants et universels (c'est-à-dire qu'ils peuvent être utilisés dans diverses organisations).

Modèles mathématiques se composent d’un ensemble de blocs modèles, de modules et de procédures qui mettent en œuvre des méthodes mathématiques. Cela peut inclure des procédures de programmation linéaire, d'analyse statistique de séries chronologiques, d'analyse de régression, etc. – des procédures les plus simples aux PPP complexes. Les blocs, modules et procédures de modèle peuvent être utilisés individuellement ou en combinaison pour créer et gérer des modèles.

Système de gestion de base de données de modèles(SGBD) doit avoir les capacités suivantes : créer de nouveaux modèles ou modifier ceux existants, maintenir et mettre à jour les paramètres du modèle, manipuler les modèles.

Système de contrôle d'interface. L'efficacité et la flexibilité des technologies de l'information dépendent en grande partie des caractéristiques de l'interface du système d'aide à la décision. L'interface détermine : la langue de l'utilisateur ; langage de message informatique qui organise le dialogue sur l'écran d'affichage ; connaissance des utilisateurs.

Langue de l'utilisateur– ce sont les actions que l'utilisateur effectue en relation avec le système en utilisant les capacités du clavier ; crayons électroniques écrivant sur l'écran; manette; "souris"; commandes données par la voix, etc. La forme la plus simple de langage utilisateur consiste à créer des formes de documents d’entrée et de sortie. Après avoir reçu le formulaire de saisie (document), l'utilisateur le remplit avec les données nécessaires et le saisit dans l'ordinateur. Le système d'aide à la décision effectue l'analyse nécessaire et produit les résultats sous la forme d'un document de sortie de la forme établie.

La popularité a considérablement augmenté ces dernières années interface visuelle. A l'aide de la souris, l'utilisateur sélectionne les objets et les commandes qui lui sont présentés à l'écran sous forme d'images, mettant ainsi en œuvre ses actions.

Contrôler un ordinateur à l'aide d'un humain vote– la forme la plus simple et donc la plus souhaitable du langage de l’utilisateur. Il n’est pas encore suffisamment développé et n’est donc pas très populaire. Les développements existants nécessitent de sérieuses restrictions de la part de l'utilisateur : un certain ensemble de mots et d'expressions ; un module complémentaire spécial qui prend en compte les caractéristiques de la voix de l'utilisateur ; contrôle sous la forme de commandes discrètes, et non sous la forme d'une parole fluide ordinaire. La technologie de cette approche est en cours d'amélioration intensive et, dans un avenir proche, nous pouvons nous attendre à l'émergence de systèmes d'aide à la décision utilisant la saisie vocale d'informations.

Langue des messages- C'est ce que l'utilisateur voit sur l'écran d'affichage (symboles, graphiques, couleurs), les données reçues de l'imprimante, les signaux de sortie sonore, etc. Une mesure importante de l'efficacité de l'interface utilisée est la forme de dialogue choisie entre l'utilisateur et le système. Actuellement, les plus courants sont les suivants formes de dialogue: mode requête-réponse, mode commande, mode menu, mode remplissage de lacunes dans les expressions proposées par l'ordinateur.

Chaque formulaire, selon le type de tâche, les caractéristiques de l'utilisateur et la décision prise, peut présenter ses propres avantages et inconvénients.

Pendant longtemps, la seule implémentation du langage de message était un rapport ou un message imprimé ou affiché. Il existe désormais une nouvelle option pour présenter les données de sortie : l'infographie. Il permet de créer des images graphiques couleur sous forme tridimensionnelle sur écran et papier. L'utilisation de l'infographie améliore considérablement la visibilité et l'interprétabilité des données de sortie et devient de plus en plus populaire dans les technologies de l'information d'aide à la décision.

Au cours des dernières années, une nouvelle direction est apparue dans le développement de l'infographie : l'animation. L'animation est particulièrement efficace pour interpréter les résultats des systèmes d'aide à la décision associés à la modélisation de systèmes et d'objets physiques.

Par exemple, un système d'aide à la décision conçu pour servir les clients d'une banque, à l'aide de modèles de dessins animés, peut effectivement visualiser diverses options d'organisation du service en fonction du flux de visiteurs, de la longueur de file d'attente autorisée, du nombre de points de service, etc.

Dans les années à venir, nous pouvons nous attendre à voir l’utilisation de la voix humaine comme langage de communication. Désormais, ce formulaire est utilisé dans un système d'aide à la décision dans le secteur financier, où, lors du processus de génération de rapports d'urgence, les raisons de l'exclusivité d'un poste particulier sont expliquées vocalement.

Connaissance des utilisateurs– c'est ce que l'utilisateur doit savoir lorsqu'il travaille avec le système. Ceux-ci incluent non seulement le plan d’action dans la tête de l’utilisateur, mais également les manuels, instructions et données de référence émis par l’ordinateur.

Amélioration interface Le système d’aide à la décision est déterminé par le succès dans le développement de chacun des trois composants spécifiés. L'interface doit avoir les capacités suivantes :

– manipuler diverses formes de dialogue, en les modifiant au cours du processus de prise de décision basée sur le choix de l’utilisateur ;

–transmettre les données au système de différentes manières ;

– recevoir des données de divers appareils du système dans différents formats ;

– soutenir de manière flexible les connaissances de l’utilisateur (fournir une assistance sur demande, donner des conseils).

Établissement d'enseignement budgétaire de l'État fédéral d'enseignement professionnel supérieur

"ACADÉMIE RUSSE DE L'ÉCONOMIE NATIONALE

ET LA FONCTION PUBLIQUE

sous le PRÉSIDENT DE LA FÉDÉRATION DE RUSSIE"

Institut de gestion du Nord-Ouest

Faculté: Administration d'État et municipale

Département : Direction générale et logistique

Travaux de cours

"Systèmes d'aide à la décision"

étudiant en 3ème année

Éducation à plein temps

Fetiskin Ivan Yurievitch

Chef de travaux

Professeur agrégé, candidat en sciences philologiques

Mysine Nikolaï Vassilievitch

Saint-Pétersbourg 2015

Introduction

Chapitre 1. Aspects théoriques et concepts des systèmes d'aide à la décision

1 Définition d'un système d'aide à la décision, ses fonctions

2 Structure des systèmes d'aide à la décision

3 Stockage des données

4 technologies OLAP

5 Exploration de données

6 Classifications des systèmes d'aide à la décision

7 candidatures

8 Marché DSS

9 Évaluation du système d'aide à la décision (DSS)

Chapitre 2 Pratique de mise en œuvre du DSS à l'aide de l'exemple des institutions territoriales de la Banque de Russie

1 Formulation des buts et objectifs de l'étude, caractéristiques de l'objet étudié

2 Aperçu général et description des travaux

2.1 Développement du DSS dans la gestion des activités des institutions territoriales de la Banque de Russie

2.2 Description des sous-systèmes fonctionnels

2.3 Développement d'un DSS au niveau des spécifications techniques, mettant en œuvre des solutions méthodologiques et instrumentales

3 Conclusions et résultats de l'application de ce DSS

Conclusion

Bibliographie

Introduction

Le développement des relations de marché, la décentralisation de la gestion et l'obsolescence rapide de l'information créent des exigences élevées pour le leader moderne. La connaissance et l'utilisation habile des dispositions de gestion facilitent considérablement le travail d'un manager, l'aident à déterminer les priorités et à systématiser le travail. La base sur laquelle toutes les activités de gestion sont construites sont les structures organisationnelles.

Les organisations créent des structures pour assurer la coordination et le contrôle des activités de leurs départements et employés. Les structures organisationnelles diffèrent les unes des autres par leur complexité (c'est-à-dire le degré avec lequel les activités sont divisées en diverses fonctions), leur formalisation (c'est-à-dire le degré d'utilisation de règles et de procédures préétablies), le rapport entre centralisation et décentralisation (c'est-à-dire les niveaux aux quelles solutions de gestion).

Les relations structurelles au sein des organisations sont au centre de l’attention de nombreux chercheurs et gestionnaires. Afin d'atteindre efficacement les objectifs, il est nécessaire de comprendre la structure du travail, les départements et les unités fonctionnelles. L'organisation du travail et des personnes influence grandement le comportement des travailleurs. Les relations structurelles et comportementales, à leur tour, aident à établir des objectifs organisationnels et influencent les attitudes et le comportement des employés. L'approche structurelle est utilisée dans les organisations pour fournir les éléments de base de l'activité et les relations entre eux. Cela implique le recours à la division du travail, à l'étendue du contrôle, à la décentralisation et à la départementalisation.

Dans les conditions du dynamisme de la production et de la structure sociale modernes, la gestion doit être dans un état de développement continu, qui ne peut aujourd'hui être assuré sans explorer les voies et les possibilités de ce développement, sans choisir des directions alternatives. La recherche en gestion s'effectue dans les activités quotidiennes des gestionnaires et du personnel et dans le travail de groupes d'analyse, de laboratoires et de départements spécialisés. Le besoin de recherche sur les systèmes de gestion est dicté par un éventail assez large de problèmes auxquels de nombreuses organisations sont confrontées. Le succès de ces organisations dépend de la bonne solution à ces problèmes.

La structure organisationnelle de la gestion est l'un des concepts clés de la gestion, étroitement lié aux objectifs, aux fonctions, au processus de gestion, au travail des managers et à la répartition des pouvoirs entre eux. Dans le cadre de cette structure se déroule l'ensemble du processus de gestion (le mouvement des flux d'informations et les décisions de gestion), auquel participent les managers de tous niveaux, catégories et spécialisations professionnelles. La structure peut être comparée à la charpente d'un bâtiment de système de gestion, construite pour garantir que tous les processus qui s'y déroulent sont exécutés dans les délais et avec une haute qualité.

Les différences dans la structure d'une organisation et les particularités de son fonctionnement laissent une empreinte très significative sur les activités de gestion et ont dans certains cas une influence décisive sur elle. De plus, l'activité d'un leader et ses caractéristiques psychologiques dépendent non seulement du type de structure organisationnelle, mais aussi de sa place hiérarchique dans cette structure, ce qui, en fait, fait du sujet de ce cours le plus pertinent.

La formation scientifiquement fondée de structures de gestion organisationnelle est une tâche urgente de l'étape moderne d'adaptation des entités commerciales à une économie de marché. Dans les conditions modernes, il est nécessaire d'utiliser largement les principes et méthodes de conception d'une organisation de gestion basée sur une approche systémique.

LE BUT DE CE TRAVAIL DE COURS est d'étudier le principe de hiérarchie dans la structure de gestion d'une organisation.

Pour atteindre cet objectif, les tâches suivantes sont définies dans le travail :

étude de l'essence et des principes de la construction des structures organisationnelles, de leur classification et des étapes de développement historique ;

recherche sur l'essence et les principes de la construction de structures organisationnelles ;

construire une stratégie de changement organisationnel.

MÉTHODES DE RECHERCHE : analytique, graphique.

Pour rédiger cet ouvrage, nous avons utilisé des travaux scientifiques et des développements d'auteurs nationaux et étrangers consacrés aux questions de gestion des processus et à la création de systèmes d'aide à la décision de gestion. Le travail a utilisé des matériaux publiés dans la presse russe et étrangère, ainsi que présentés sur des sites Internet professionnels spécialisés.

Chapitre 1. Aspects théoriques et concepts des systèmes d'aide à la décision

1 Définition d'un système d'aide à la décision, ses fonctions

Il est évident que les décisions prises concernant la stratégie et les tactiques de développement urbain doivent être soigneusement réfléchies et justifiées. Ceci est particulièrement important dans les systèmes socio-économiques, puisque les décisions prises concernent les personnes vivantes, leur condition matérielle et spirituelle. Cependant, aujourd’hui, la prise de décision du maire, de l’administration municipale et des comités repose sur l’expérience et l’intuition des dirigeants. Mais les systèmes socio-économiques sont complexes et leur comportement est difficile à prévoir en raison de la présence d’un grand nombre de connexions directes et inverses, souvent peu évidentes à première vue. Le cerveau humain est incapable de faire face à une tâche de cette ampleur, il est donc nécessaire de fournir des informations et un support analytique pour la prise de décision. Ces dernières années, une nouvelle direction dans le domaine de l'automatisation du travail de gestion s'est formée et est activement utilisée : les systèmes d'aide à la décision. Ils sont utilisés avec succès dans divers secteurs : télécommunications, finance, commerce, industrie, médecine et bien d'autres.

Le concept de systèmes d'aide à la décision (DSS) comprend un certain nombre d'outils unis par un objectif commun : faciliter l'adoption de décisions de gestion rationnelles et efficaces.

Le système d'aide à la décision (DSS) est un système informatique automatisé dont le but est d'aider les personnes à prendre des décisions dans des conditions difficiles pour une analyse complète et objective de l'activité du sujet. Il s'agit d'un système conversationnel utilisant des règles de décision et des modèles de bases de données associés, ainsi qu'un processus de simulation informatique interactif.

DSS est né de la fusion des systèmes d'information de gestion et des systèmes de gestion de bases de données. Les DSS sont des systèmes homme-machine qui permettent aux décideurs d'utiliser des données, des connaissances, des modèles objectifs et subjectifs pour analyser et résoudre des problèmes non structurés et mal formalisés.

Le processus de prise de décision consiste à obtenir et à sélectionner l'alternative la plus optimale, en tenant compte du calcul de toutes les conséquences. Lors du choix des alternatives, vous devez choisir celle qui répond le mieux à l'objectif, mais vous devez en même temps prendre en compte un grand nombre d'exigences contradictoires et, par conséquent, évaluer la solution sélectionnée selon de nombreux critères.

Le système d'aide à la décision est conçu pour prendre en charge des décisions multicritères dans un environnement d'information complexe. Dans le même temps, le multicritère fait référence au fait que les résultats des décisions prises sont évalués non pas par un, mais par une combinaison de plusieurs indicateurs (critères) considérés simultanément. La complexité de l'information est déterminée par la nécessité de prendre en compte un grand volume de données, dont le traitement est pratiquement impossible sans l'aide de la technologie informatique moderne. Dans ces conditions, le nombre de solutions possibles est, en règle générale, très important, et choisir la meilleure « à l'œil nu », sans analyse complète, peut conduire à de grossières erreurs.

DSS permet également de faciliter le travail des dirigeants d'entreprise et d'augmenter son efficacité. Ils accélèrent considérablement la résolution des problèmes commerciaux. Les DSS contribuent à établir des contacts interpersonnels. Sur leur base, il est possible d'effectuer des formations et des formations. Ces systèmes d'information vous permettent d'accroître le contrôle sur les activités de l'organisation. La présence d’un DSS clairement opérationnel offre de grands avantages par rapport aux structures concurrentes. Grâce aux propositions avancées par DSS, de nouvelles approches pour résoudre les problèmes quotidiens et atypiques s'ouvrent.

Le DSS se caractérise par les particularités suivantes :

· se concentrer sur la résolution de problèmes mal structurés (formalisés), caractéristiques principalement des niveaux élevés de gestion ;

· la capacité de combiner les méthodes traditionnelles d'accès et de traitement des données informatiques avec les capacités de modèles mathématiques et de méthodes pour résoudre des problèmes basés sur ceux-ci ;

· cibler l'utilisateur final non professionnel d'un ordinateur grâce à l'utilisation d'un mode de fonctionnement interactif ;

· une grande adaptabilité, offrant la possibilité de s'adapter aux fonctionnalités du matériel et des logiciels existants, ainsi qu'aux exigences des utilisateurs.

Le système d’aide à la décision résout deux problèmes principaux :

.choisir la meilleure solution parmi plusieurs possibles (optimisation) ;

2.classer les solutions possibles par préférence (classement).

Diverses méthodes sont utilisées pour analyser et élaborer des propositions dans le DSS. Ça peut être:

· recherche d'information,

· l'exploration de données,

· rechercher des connaissances dans des bases de données,

· raisonnement basé sur des précédents,

· modélisation de simulation,

· calculs évolutifs et algorithmes génétiques,

· les réseaux de neurones,

· analyse de la situation,

· modélisation cognitive, etc.

Certaines de ces méthodes ont été développées dans le cadre de l’intelligence artificielle. Si le fonctionnement d’un DSS repose sur des méthodes d’intelligence artificielle, on parle alors de DSS intelligent ou ISSPR.

Les classes de systèmes proches du DSS sont les systèmes experts et les systèmes de contrôle automatisés.

Le système vous permet de résoudre des problèmes de gestion opérationnelle et stratégique sur la base des données comptables sur les activités de l'entreprise.

Un système d'aide à la décision est un ensemble d'outils logiciels pour l'analyse des données, la modélisation, la prévision et la prise de décision de gestion, constitués des propres développements de l'entreprise et des produits logiciels achetés (Oracle, IBM, Cognos).

Des recherches théoriques sur le développement des premiers systèmes d'aide à la décision ont été menées au Carnegie Institute of Technology à la fin des années 50 et au début des années 60 du 20e siècle. Des spécialistes du Massachusetts Institute of Technology ont réussi à combiner théorie et pratique dans les années 60. Au milieu et à la fin des années 80 du 20e siècle, des systèmes tels que EIS, GDSS, ODSS ont commencé à apparaître. En 1987, Texas Instruments a développé le système d'affichage d'affectation de porte pour United Airlines. Cela a permis de réduire considérablement les pertes de vols et de réguler la gestion des différents aéroports, à commencer par l'aéroport international O. Hare à Chicago et se terminant à Stapleton à Denver, Colorado. Dans les années 90, la portée des capacités DSS s'est élargie grâce à l'introduction d'entrepôts de données et d'outils OLAP. L'émergence de nouvelles technologies de reporting a rendu le DSS indispensable en gestion.

1.2 Structure du DSS

Si nous parlons de la structure du DSS, il y a quatre éléments principaux :

· Entrepôts de données d’informations. Un entrepôt de données est une banque de données d'une structure définie contenant des informations sur le processus de production d'une entreprise dans un contexte historique. L'objectif principal du référentiel est d'assurer une exécution rapide de requêtes analytiques arbitraires. (Plus de détails sur les entrepôts de données sont abordés au paragraphe 1.3 du chapitre 1.)

· Base de données multidimensionnelle et outils d'analyse OLAP (On-Line Analitycal Processing) - le service est un outil permettant d'analyser de gros volumes de données en temps réel. (détails au paragraphe 1.4 du chapitre 1)

· Outils d'exploration de données. À l’aide d’outils d’exploration de données, vous pouvez effectuer une exploration approfondie des données. (Plus de détails au paragraphe 1.5 du chapitre 1.)

La base du DSS est un complexe de modèles interconnectés avec un support d'information approprié pour la recherche, des systèmes experts et intelligents, y compris une expérience dans la résolution de problèmes de gestion et garantissant la participation d'une équipe d'experts dans le processus d'élaboration de décisions rationnelles.

Ci-dessous, sur la figure 1, se trouve un schéma architectural et technologique d'information et d'aide analytique pour la prise de décision :

Fig. 1 Schéma architectural et technologique du DSS

Les systèmes analytiques DSS vous permettent de résoudre trois problèmes principaux :

.rapports,

.analyse d'informations en temps réel (OLAP),

.exploration de données.

3 Stockage des données

Il est clair que la prise de décision doit être basée sur des données réelles concernant l'objet de contrôle. Ces informations sont généralement stockées dans les bases de données opérationnelles des systèmes OLTP. Mais ces données opérationnelles ne sont pas adaptées à des fins d’analyse, puisque l’analyse et la prise de décision stratégique nécessitent principalement des informations agrégées. De plus, à des fins d'analyse, il est nécessaire de pouvoir manipuler rapidement l'information, la présenter sous divers aspects et y faire diverses requêtes ad hoc, ce qui est difficile à mettre en œuvre sur des données opérationnelles pour des raisons de performances et de complexité technologique.

La solution à ce problème consiste à créer un entrepôt de données (DW) distinct contenant des informations agrégées sous une forme pratique. Le but de la création d'un entrepôt de données est d'intégrer, de mettre à jour et d'harmoniser les données opérationnelles provenant de diverses sources pour former une vue unique et cohérente de l'objet de gestion dans son ensemble. Dans le même temps, le concept d'entrepôts de données repose sur la reconnaissance de la nécessité de séparer les ensembles de données utilisés pour le traitement transactionnel et les ensembles de données utilisés dans les systèmes d'aide à la décision. Une telle séparation est possible grâce à l'intégration de données détaillées séparées dans divers systèmes informatiques (DPS) et sources externes dans un référentiel unique, leur coordination et, éventuellement, leur agrégation.

Les principaux avantages des entrepôts de données DSS sont à noter :

· Source d'information unique : l'entreprise reçoit un environnement d'information unifié vérifié sur lequel seront construites toutes les applications de référence et analytiques dans le domaine pour lequel le référentiel est construit. Cet environnement aura une interface unique, des structures de stockage unifiées, des ouvrages de référence communs et d'autres normes d'entreprise, ce qui facilitera la création et la prise en charge de systèmes analytiques.

· De plus, lors de la conception d'un entrepôt de données d'informations, une attention particulière est accordée à la fiabilité des informations qui entrent dans l'entrepôt.

· Performances : Les structures physiques de l'entrepôt de données sont spécialement optimisées pour effectuer des récupérations complètement aléatoires, ce qui vous permet de créer des systèmes de requêtes vraiment rapides.

· Rapidité de développement : l'organisation logique spécifique du référentiel et les logiciels spécialisés existants permettent de créer des systèmes analytiques avec des coûts de programmation minimes.

· Intégration : l'intégration des données provenant de différentes sources a déjà été réalisée, il n'est donc pas nécessaire de connecter les données à chaque fois pour les requêtes nécessitant des informations provenant de plusieurs sources. L'intégration signifie non seulement le stockage physique commun des données, mais également leur intégration substantielle et coordonnée ; nettoyage et alignement lors de leur formation ; respect des caractéristiques technologiques, etc.

· Historicité et stabilité : les systèmes OLTP fonctionnent avec des données actuelles, dont la durée d'utilisation et de stockage ne dépasse généralement pas la valeur de la période commerciale en cours (six mois à un an), tandis que l'entrepôt de données d'informations est destiné au stockage à long terme. d'information pendant 10 à 15 ans. La stabilité signifie que les informations réelles dans l'entrepôt de données ne sont ni mises à jour ni supprimées, mais s'adaptent uniquement de manière particulière aux changements dans les attributs de l'entreprise. Ainsi, il devient possible de réaliser une analyse historique de l'information.

· Indépendance : le stockage d'informations dédié réduit considérablement la charge sur les systèmes OLTP provenant des applications analytiques, de sorte que les performances des systèmes existants ne se détériorent pas et, en pratique, il y a une réduction du temps de réponse et une disponibilité améliorée du système.

Ainsi, l'entrepôt de données fonctionne selon le scénario suivant. Conformément à la réglementation en vigueur, il collecte des données provenant de diverses sources - bases de données des systèmes de traitement en ligne. Le stockage prend en charge la chronologie : à côté des données actuelles, des données historiques sont stockées, indiquant l'heure à laquelle elles se rapportent. En conséquence, les données disponibles nécessaires sur l'objet de contrôle sont collectées en un seul endroit, rassemblées dans un format unique, coordonnées et, dans certains cas, agrégées au niveau de généralisation minimum requis.

Et sur la base de l'entrepôt de données, il est déjà possible de compiler des rapports pour la gestion, d'analyser les données à l'aide des technologies OLAP et du data mining (Data Mining).

Le service de reporting DSS aide une organisation à faire face à la création de toutes sortes de rapports d'information, certificats, documents, relevés récapitulatifs, etc., en particulier lorsque le nombre de rapports produits est important et que les formulaires de rapport changent fréquemment. Les outils DSS, automatisant la diffusion des rapports, permettent de convertir leur stockage sous forme électronique et de le diffuser sur le réseau d'entreprise auprès des salariés de l'entreprise.

En plus des grands entrepôts de données d'entreprise, les data marts (Data Marts) sont également largement utilisés. Un datamart est compris comme un petit référentiel spécialisé pour un certain domaine restreint, axé sur le stockage de données liées à un sujet commercial. Le projet de création d'un data mart nécessite moins d'investissement et est réalisé dans un délai très court. Il peut exister plusieurs data marts de ce type, par exemple un data mart sur les revenus pour le service comptable de l’entreprise et un data mart client pour le service marketing de l’entreprise.

1.4 Technologies OLAP

En interagissant avec le système OLAP, l'utilisateur pourra visualiser les informations de manière flexible, obtenir des tranches de données arbitraires et effectuer des opérations analytiques de détail, de convolution, de distribution de bout en bout et de comparaison dans le temps. Tout travail avec le système OLAP se fait en termes de domaine. Le concept de traitement analytique en ligne (OLAP) repose sur une représentation multidimensionnelle des données.

Le terme OLAP a été introduit par E. F. Codd en 1993. Dans son article, il examine les lacunes du modèle relationnel, principalement l'incapacité de « combiner, visualiser et analyser les données du point de vue de plusieurs dimensions, c'est-à-dire de la manière la plus compréhensible pour les analystes d'entreprise », et définit les principes généraux. exigences pour les systèmes OLAP qui étendent les fonctionnalités des SGBD relationnels et incluent l'analyse multivariée comme l'une de ses caractéristiques.

Selon Codd, la vision conceptuelle multidimensionnelle est la vision la plus naturelle du personnel de direction sur l'objet de la gestion. Il représente une perspective multiple composée de plusieurs dimensions indépendantes selon lesquelles des ensembles spécifiques de données peuvent être analysés. L'analyse simultanée selon plusieurs dimensions de données est définie comme une analyse multivariée. Chaque dimension comprend des zones de consolidation des données, constituées d'une série de niveaux successifs de généralisation, où chaque niveau supérieur correspond à un plus grand degré d'agrégation des données pour la dimension correspondante. Ainsi, la dimension Performer peut être déterminée par le sens de consolidation, constitué de niveaux de généralisation « entreprise - division - service - salarié ». La dimension Temps peut même inclure deux sens de consolidation - « année - trimestre - mois - jour » et « semaine - jour », puisque le décompte du temps par mois et par semaine est incompatible. Dans ce cas, il devient possible de sélectionner arbitrairement le niveau de détail d'information souhaité pour chacune des dimensions. L'opération de forage correspond au passage des étages supérieurs vers les étages inférieurs de consolidation ; au contraire, l'opération d'enroulement signifie un mouvement des niveaux inférieurs vers les niveaux supérieurs.

1.5 Exploration de données

L'exploration de données présente le plus grand intérêt dans DSS, car elle permet l'analyse la plus complète et la plus approfondie du problème, permet de détecter les relations cachées et de prendre la décision la plus éclairée. Le niveau actuel de développement du matériel et des logiciels permet depuis un certain temps de maintenir de vastes bases de données d'informations opérationnelles à différents niveaux de gestion. Au cours de leurs activités, les entreprises industrielles, les corporations, les structures départementales, les autorités étatiques et les collectivités territoriales ont accumulé d'importantes quantités de données. Ils contiennent un grand potentiel pour extraire des informations analytiques utiles, sur la base desquelles il est possible d'identifier des tendances cachées, d'élaborer une stratégie de développement et de trouver de nouvelles solutions.

Analyse intelligente des données, IDA (Data Mining) est un processus d'aide à la décision basé sur la recherche de modèles cachés (modèles d'information) dans les données. Dans ce cas, les informations accumulées sont automatiquement généralisées en informations pouvant être qualifiées de connaissances.

En général, le processus IAD comprend trois étapes :

.identifier des modèles ;

.utiliser des modèles identifiés pour prédire des valeurs inconnues (modélisation prédictive) ;

.analyse des exceptions, conçue pour identifier et interpréter les anomalies dans les modèles trouvés.

Les nouvelles technologies informatiques qui forment l'IAD sont les systèmes experts et intelligents, les méthodes d'intelligence artificielle, les bases de connaissances, les bases de données, la modélisation informatique, les réseaux de neurones, les systèmes flous. Les technologies IAM modernes permettent de créer de nouvelles connaissances en identifiant des modèles cachés et en prédisant l'état futur des systèmes. La principale méthode de modélisation du développement socio-économique d'une ville est la méthode de simulation, qui permet d'étudier le système urbain par une approche expérimentale. Cela permet de mettre en œuvre différentes stratégies de développement sur le modèle, de comparer des alternatives et de prendre en compte l'influence de nombreux facteurs, dont des éléments d'incertitude.

Le modèle construit dans ce travail appartient précisément à cette classe de systèmes. Sur cette base, les gouvernements locaux aux niveaux stratégique et tactique ont la possibilité d'analyser la dynamique de développement d'un système urbain socio-économique complexe, d'identifier des relations qui ne sont pas évidentes à première vue, de comparer diverses alternatives, d'analyser les anomalies et de tirer le meilleur parti décision éclairée.

Il est prometteur d'utiliser des méthodes décisionnelles combinées en DSS en combinaison avec des méthodes d'intelligence artificielle et de modélisation informatique, diverses procédures de simulation et d'optimisation, une prise de décision en combinaison avec des procédures expertes.

1.6 Classements DSS

En fonction de l'interaction de l'utilisateur, il existe trois types de DSS :

· les passifs aident au processus de prise de décision, mais ne peuvent pas avancer de proposition concrète ;

· les actifs sont directement impliqués dans le développement de la bonne solution ;

· les systèmes coopératifs impliquent une interaction du DSS avec l'utilisateur. L'utilisateur peut affiner, améliorer la proposition avancée par le système, puis la renvoyer au système pour vérification. Après cela, la proposition est à nouveau présentée à l'utilisateur, et ainsi de suite jusqu'à ce qu'il approuve la solution.

Selon le mode de prise en charge on distingue :

· DSS orientés modèles, utilisent dans leur travail l'accès à des modèles statistiques, financiers ou autres ;

· Le DSS basé sur la communication prend en charge le travail de deux utilisateurs ou plus engagés dans une tâche commune ;

· Les DSS centrés sur les données ont accès aux séries chronologiques d'une organisation. Ils utilisent non seulement des données internes, mais également externes dans leur travail ;

· Les DSS orientés documents manipulent des informations non structurées contenues dans divers formats électroniques ;

· Les DSS axés sur la connaissance fournissent des solutions spécialisées et fondées sur des preuves aux problèmes.

Par domaine d'utilisation, il y a :

· À l’échelle du système : fonctionne avec de grands systèmes de stockage et est utilisé par de nombreux utilisateurs.

Selon l'architecture et le principe de fonctionnement, on les distingue :

· DSS fonctionnel.

Ce sont les plus simples d'un point de vue architectural. Ils sont courants dans les organisations qui ne se fixent pas d'objectifs mondiaux et ont un faible niveau de développement des technologies de l'information. Une caractéristique distinctive du DSS fonctionnel est que les données contenues dans les fichiers du système d'exploitation sont analysées. Les avantages d'un tel DSS sont la compacité due à l'utilisation d'une seule plate-forme et l'efficacité due à l'absence de besoin de charger des données dans un système spécialisé. Parmi les inconvénients, on peut noter : un rétrécissement de l'éventail des problèmes pouvant être résolus à l'aide du système, une diminution de la qualité des données en raison de l'absence d'étape de nettoyage des données, une augmentation de la charge sur le système d'exploitation système avec la possibilité de sa terminaison.

· DSS utilisant des datamarts indépendants.

Ils sont utilisés dans les grandes organisations comportant plusieurs divisions, y compris les services informatiques. Chaque data mart spécifique est créé pour résoudre des problèmes spécifiques et s'adresse à un cercle spécifique d'utilisateurs. Cela améliore considérablement les performances du système. La mise en œuvre de telles structures est assez simple. Parmi les aspects négatifs, on peut noter que les données sont saisies à plusieurs reprises dans différentes vitrines et peuvent donc être dupliquées. Cela augmente le coût de stockage des informations et complique la procédure d'unification. Remplir les datamarts est assez difficile car il faut utiliser de nombreuses sources. Il n’existe pas d’image unique de l’activité de l’organisation, car il n’y a pas de consolidation finale des données.

· DSS basé sur un entrepôt de données à deux niveaux.

Utilisé dans les grandes entreprises dont les données sont consolidées dans un système unique. Les définitions et les méthodes de traitement de l'information dans ce cas sont unifiées. Pour assurer le fonctionnement normal d'un tel DSS, il est nécessaire de désigner une équipe spécialisée qui en assurera l'entretien. Cette architecture DSS ne présente pas les inconvénients de la précédente, mais elle n'a pas la capacité de structurer les données pour des groupes d'utilisateurs individuels, ni de limiter l'accès aux informations. Des problèmes de performances du système peuvent survenir.

· DSS basé sur un entrepôt de données à trois niveaux.

De tels DSS utilisent un entrepôt de données, à partir duquel sont constitués des datamarts, utilisés par des groupes d'utilisateurs résolvant des problèmes similaires. Ainsi, l'accès est donné à la fois à des données structurées spécifiques et à une information unique consolidée. Le remplissage des datamarts est simplifié grâce à l’utilisation de données vérifiées et nettoyées situées dans une source unique.

Il existe un modèle de données d'entreprise. Ces DSS se caractérisent par des performances garanties. Mais il existe une redondance des données, ce qui entraîne des besoins de stockage accrus. De plus, une telle architecture doit être conciliée avec de multiples domaines ayant des besoins potentiellement différents.

Selon le contenu fonctionnel de l'interface système, il existe deux principaux types de DSS : EIS et DSS (Execution Information System) - systèmes d'information de gestion d'entreprise. Ces systèmes s'adressent à des utilisateurs non formés, disposent d'une interface simplifiée, d'un ensemble de fonctionnalités de base proposées et de formes fixes de présentation des informations. Les systèmes EIS dressent un tableau visuel général de l’état actuel des indicateurs commerciaux de l’entreprise et des tendances de leur développement, avec la possibilité d’approfondir les informations considérées au niveau des installations des grandes entreprises. Les systèmes EIS sont le véritable retour que la direction de l'entreprise voit de la mise en œuvre des technologies DSS (Desicion Support System)7 - des systèmes complets d'analyse de données et de recherche, conçus pour des utilisateurs formés connaissant à la fois le domaine de la recherche et l'informatique. l'alphabétisation. Généralement, pour mettre en œuvre des systèmes DSS (si les données sont disponibles), il suffit d'installer et de configurer des logiciels spécialisés auprès de fournisseurs de solutions pour les systèmes OLAP et le Data Mining.

Cette division des systèmes en deux types ne signifie pas que la construction d'un DSS implique toujours la mise en œuvre d'un seul de ces types. EIS et DSS peuvent fonctionner en parallèle, partageant des données et/ou des services communs, fournissant ainsi leurs fonctionnalités à la fois à la haute direction et aux spécialistes des services analytiques de l'entreprise.

1.7 Demandes

Télécommunications

Les entreprises de télécommunications utilisent DSS pour préparer et prendre un ensemble de décisions visant à fidéliser leurs clients et à minimiser leurs sorties vers d'autres entreprises. Les DSS permettent aux entreprises de mener à bien leurs programmes de marketing plus efficacement et de proposer des tarifs plus attractifs pour leurs services.

L'analyse des enregistrements avec les caractéristiques des appels vous permet d'identifier des catégories de clients ayant des comportements similaires afin de différencier l'approche pour attirer les clients d'une catégorie particulière.

Il existe des catégories de clients qui changent constamment de fournisseur en réponse à certaines campagnes publicitaires. Les DSS permettent d'identifier les caractéristiques les plus caractéristiques des clients « stables », c'est-à-dire : des clients qui restent longtemps fidèles à une entreprise, ce qui permet d'orienter votre politique marketing sur la fidélisation de cette catégorie particulière de clients.

Bancaire

Les DSS sont utilisés pour mieux surveiller divers aspects des activités bancaires, tels que le service des cartes de crédit, les prêts, les investissements, etc., ce qui peut améliorer considérablement l'efficacité opérationnelle.

Identifier les cas de fraude, évaluer le risque de crédit, prévoir l'évolution de la clientèle - domaines d'application des méthodes DSS et data mining. Classer les clients et identifier des groupes de clients ayant des besoins similaires permet une politique marketing ciblée, offrant des ensembles de services plus attractifs pour une catégorie particulière de clients.

Assurance

L'ensemble des applications du DSS dans le secteur de l'assurance peut être qualifié de classique : identification des cas potentiels de fraude, analyse des risques et classification des clients.

La détection de certaines tendances dans les réclamations d'assurance, dans le cas de montants importants, peut réduire le nombre de futurs cas de fraude.

En analysant les caractéristiques des dossiers de sinistres, les compagnies d’assurance peuvent réduire leurs pertes. Les données obtenues conduiront, par exemple, à une révision du système de remise pour les clients répondant aux critères identifiés.

La classification des clients permet d'identifier les catégories de clients les plus rentables afin de cibler plus précisément l'ensemble de services existant et d'introduire de nouveaux services.

Vente au détail

Les sociétés commerciales utilisent les technologies DSS pour résoudre des problèmes tels que la planification des achats et du stockage, l'analyse des achats conjoints et la recherche de modèles de comportement au fil du temps.

L'analyse des données sur le nombre d'achats et la disponibilité des marchandises dans les entrepôts sur une certaine période de temps permet de planifier l'achat de marchandises, par exemple en réponse aux fluctuations saisonnières de la demande de marchandises.

Souvent, lors de l’achat d’un produit, l’acheteur achète également un autre produit en même temps. L'identification de groupes de tels produits permet, par exemple, de les placer sur des étagères adjacentes afin d'augmenter la probabilité de leur achat en commun.

La recherche de modèles de comportement au fil du temps permet de répondre à la question « Si un acheteur achetait un produit aujourd'hui, combien de temps lui faudra-t-il avant d'acheter un autre produit ? » Par exemple, lors de l'achat d'un appareil photo, l'acheteur commencera probablement dans un avenir proche à acheter des films, à utiliser des services de développement et d'impression.

Médecine

Il existe de nombreux systèmes experts permettant d'établir des diagnostics médicaux. Ils sont construits principalement sur la base de règles décrivant des combinaisons de divers symptômes de diverses maladies. À l'aide de telles règles, ils apprennent non seulement de quoi le patient souffre, mais également comment le traiter. Les règles aident à sélectionner les médicaments, à déterminer les indications et les contre-indications, à naviguer dans les procédures de traitement, à créer les conditions d'un traitement le plus efficace, à prédire le résultat d'un traitement prescrit, etc. Les technologies de Data Mining permettent de détecter des modèles dans les données médicales qui forment le base de ces règles.

Génétique moléculaire et génie génétique

La tâche la plus aiguë et en même temps la plus claire consistant à découvrir des modèles dans les données expérimentales concerne peut-être la génétique moléculaire et le génie génétique. Ici, il est formulé comme une définition de ce que l'on appelle les marqueurs, qui sont compris comme des codes génétiques qui contrôlent certaines caractéristiques phénotypiques d'un organisme vivant. Ces codes peuvent contenir des centaines, des milliers, voire plus, d'éléments associés.

Des fonds importants sont alloués au développement de la recherche génétique. Récemment, il y a eu un intérêt particulier dans le domaine pour l’application des méthodes de Data Mining. Il existe plusieurs grandes entreprises spécialisées dans l’utilisation de ces méthodes pour déchiffrer le génome humain et végétal.

Chimie appliquée

Les méthodes de Data Mining sont largement utilisées en chimie appliquée (organique et inorganique). Ici se pose souvent la question de clarifier les caractéristiques de la structure chimique de certains composés qui déterminent leurs propriétés. Cette tâche est particulièrement pertinente lors de l'analyse de composés chimiques complexes, dont la description comprend des centaines et des milliers d'éléments structurels et leurs connexions.

1.8 Marché des DSS

Sur le marché du DSS, les entreprises proposent les types de services suivants pour créer des systèmes d'aide à la décision :

· Mise en œuvre de projets pilotes sur les systèmes DSS afin de démontrer à la direction du Client le potentiel de haute qualité des applications analytiques.

· Création, en collaboration avec le Client, de systèmes DSS entièrement fonctionnels, comprenant un entrepôt de données et des outils de Business Intelligence.

· Concevoir l'architecture de l'entrepôt de données, y compris les structures de stockage et les processus de gestion.

· Création de « data marts » pour le domaine sélectionné.

· Installation et configuration des outils OLAP et Business Intelligence; leur adaptation aux exigences du Client.

· Analyse des outils d'analyse statistique et de « data mining » pour sélectionner les produits logiciels adaptés à l'architecture et aux besoins du Client.

· Intégration des systèmes DSS dans les réseaux intranet d'entreprise du Client, automatisation de l'échange électronique de documents analytiques entre utilisateurs du stockage.

· Développement de systèmes d'information exécutifs (EIS) pour les fonctionnalités requises.

· Services d'intégration de bases de données dans un environnement de stockage d'informations unique

· Formation des spécialistes du Client dans les technologies de stockage de données et de systèmes analytiques, ainsi que travail avec les produits logiciels nécessaires.

· Fournir des services de conseil au Client à toutes les étapes de conception et d'exploitation d'entrepôts de données et de systèmes analytiques.

· Projets complexes de création/modernisation d'infrastructures informatiques qui assurent le fonctionnement du DSS : solutions à toute échelle, des systèmes locaux aux systèmes à l'échelle de l'entreprise/du secteur/de l'industrie.

1.9 Évaluation d'un système d'aide à la décision (DSS)

Critères d'évaluation du DSS. Le système doit gérer efficacement les revenus et les risques dans toutes les conditions de marché, en générant des signaux efficaces d’entrée et de sortie du marché. Dans le même temps, la fréquence des opérations doit être modérée, compte tenu des coûts de transaction, des commissions, des pertes sur spreads, etc. La complexité de la structure ne doit pas intimider. La plupart des gens qui rejettent les méthodes numériques au profit de leur « intuition » obtiennent des résultats inférieurs à la moyenne.

Naturellement, une caractéristique importante dans l’évaluation d’un système est le bénéfice total (final). Lorsque les coûts d'exploitation sont élevés, une caractéristique telle que le bénéfice par opération devient importante. La précision des décisions (pourcentage), calculée comme le rapport entre le nombre de transactions rentables et le nombre total de transactions, est une statistique populaire pour de nombreux traders, même si son importance est surestimée. Le fait est que de nombreux systèmes efficaces prennent plus souvent de mauvaises décisions que de bonnes, tandis que de nombreux systèmes sans profit (ou presque) prennent plus souvent de bonnes décisions.

La perte maximale de fonds propres est une caractéristique importante pour mesurer le risque des stratégies utilisées par le système. Les systèmes soumis à des pertes périodiques importantes ne peuvent pas être considérés comme utilisables, même s’ils génèrent finalement un bénéfice net suffisant. De plus, par pertes maximales, nous entendons non seulement le montant le plus élevé des pertes résultant d'une séquence de transactions non rentables, mais aussi la réduction maximale du capital au cours de la période considérée. Au cours d'un tel déclin, la séquence de transactions non rentables peut être interrompue par des transactions rentables individuelles qui ne sont pas en mesure de modifier le caractère globalement non rentable de la période d'inefficacité du système. La principale caractéristique de l'efficacité du système est calculée comme le rapport entre le bénéfice final et le montant de la réduction du capital pendant la période d'inefficacité maximale du système et est généralement appelée rapport revenu/risque. Il existe également de nombreuses autres évaluations de l'efficacité du système, parfois assez complexes, nécessitant un grand nombre de calculs statistiques, mais dans la plupart des cas, les simples caractéristiques données suffisent. Il convient de noter que lors de l'évaluation d'un système, vous pouvez utiliser les critères recommandés par la théorie classique de la gestion de portefeuille.

L'optimisation du système consiste à trouver la meilleure formule pour l'indicateur - la meilleure dans le sens d'obtenir le profit maximum et/ou le plus durable des données collectées sur une longue période. Cette optimisation est intérieurement contradictoire. Ses détracteurs ne manqueront pas de souligner que les prix futurs pourraient se comporter différemment de ceux du passé. Les partisans d'une telle optimisation doivent être convaincus de l'existence de certains modèles, d'une stabilité du comportement des prix qui ne change pas ou change légèrement au fil du temps.

Pour tester l'efficacité du fait que les règles utilisées dans l'analyse technique fournissent des bénéfices durables dans le futur, étant elles-mêmes calculées à partir de données passées, la méthode de test simple suivante est utilisée (ce qu'on appelle la modélisation aveugle). Tout d’abord, la règle de décision est optimisée sur les données passées, puis testée sur des données ultérieures (récentes). De cette manière, vous pouvez déterminer dans quelle mesure l’avenir peut être prédit à partir de données passées à l’aide d’une règle donnée. Si un indicateur doté de paramètres optimaux fonctionne bien sur des données ultérieures, on peut espérer qu’il fonctionnera bien à l’avenir.

Lors de la réévaluation des paramètres du système, vous ne devez passer à un nouveau système que si « l’amélioration » qui en résulte est statistiquement significative.

Robert Pelletier recommande de limiter le nombre de paramètres lors de la construction des règles de décision, car leur augmentation augmente le nombre de degrés de liberté du système. De plus, il peut y avoir des liens entre eux, c'est-à-dire qu'ils peuvent s'avérer statistiquement dépendants, ce qui ressort généralement de leur coefficient de corrélation mutuelle. Pelletier estime qu'un bon système ne devrait pas contenir plus de 2 à 5 paramètres.

L'échantillon destiné à tester l'indicateur doit être suffisamment grand pour qu'il y ait au moins 30 signaux pour la période sélectionnée. Dans ce cas, la période doit comprendre un nombre entier de cycles longs complets (basse fréquence) pour limiter l'influence des biais dans le sens des ventes ou des achats. Ainsi, par exemple, pour un cycle boursier bien connu de 4 ans, l’analyse doit être réalisée sur des données d’au moins 8 ans.

données intelligentes de la banque organisationnelle

Chapitre 2. Pratique de mise en œuvre du DSS à l'aide de l'exemple des institutions territoriales de la Banque de Russie

1 Formulation des buts et objectifs de l'étude, caractéristiques de l'objet étudié

Actuellement, la Banque centrale de la Fédération de Russie (ci-après dénommée Banque de Russie) est le principal régulateur du système bancaire russe et, à bien des égards, le garant de sa stabilité et de sa durabilité économique. Le système de la Banque de Russie a une structure organisationnelle complexe - le bureau central (ci-après CA), les institutions territoriales (ci-après TU) et compte plus de 80 000 employés. À leur tour, les institutions territoriales sont subordonnées à un réseau de centres de règlement en espèces et d'autres divisions qui soutiennent les activités département technique... La présence d'une structure organisationnelle complexe détermine la complexité du système de gestion de la Banque de Russie, qui couvre deux niveaux - technique centre et bureau central. Actuellement, les tâches principales suivantes sont pertinentes pour la Banque de Russie : réduction générale des coûts, normalisation des activités des institutions territoriales, amélioration du système de gestion des institutions territoriales.

L'approche processus de la gestion est considérée comme le principal outil pour accomplir ces tâches, dont l'expérience de mise en œuvre à la Banque de Russie a commencé en 2002. L'approche processus est l'approche dominante pour construire un système de gestion flexible et efficace, qui s'est répandue dans la pratique mondiale au cours des 10 à 15 dernières années. L'approche processus présuppose une formulation claire des objectifs et de la stratégie de l'activité, une description de l'activité sous la forme d'un ensemble de processus interconnectés qui ont des résultats spécifiques en sortie et une répartition claire des responsabilités entre tous les participants aux processus. .

Comme le montre la pratique mondiale, l'application efficace de l'approche processus est largement déterminée par la présence d'un système d'information et informatique qui génère et fournit les informations nécessaires à la prise de décision. En utilisant un tel système au niveau des spécifications techniques de la Banque de Russie, il serait possible de décrire et de contrôler l'exécution des processus, d'estimer leurs coûts, de calculer la charge réelle, de procéder à une évaluation raisonnable de l'efficacité des processus, des employés, des départements, etc. Au niveau de la Banque centrale de la Banque de Russie, le système permettrait la comparaison des spécifications techniques selon divers indicateurs accumulés au cours des travaux, la typification des spécifications techniques, la description des normes de processus, leur réplication dans les spécifications techniques et la solution d'un certain nombre d'autres tâches.

Tout ce qui précède détermine la pertinence du sujet de ce chapitre, consacré au développement d'approches méthodologiques, mathématiques et logicielles pour créer un système d'aide à la décision dans le domaine de la gestion des activités des institutions territoriales de la Banque de Russie, basé sur l’approche processus (ci-après dénommé le Système, DSS « Process Management »).

Le but de ce travail est de développer un système complet d'aide à la décision méthodologique, mathématique, informationnelle et logicielle pour l'aide à la décision dans les tâches de gestion des activités des institutions territoriales de la Banque de Russie, y compris le niveau des spécifications techniques et du bureau central. .

2 Aperçu général et description des travaux

2.1 Développement d'un nouveau concept de DSS dans la gestion des activités des institutions territoriales de la Banque de Russie

Les spécificités de la Banque de Russie ont été analysées, qui consistent en la présence d'une structure organisationnelle complexe, d'un système de gestion vertical à deux niveaux pour les institutions territoriales, d'une régulation claire des activités basée sur un cadre réglementaire à grande échelle, de la complexité du flux de documents. , caractéristiques de la gestion financière, exigences en matière d'informatisation et de sécurité de l'information. En conséquence, il a été constaté que les produits existants ne sont pas entièrement adaptés pour résoudre les problèmes de gestion des institutions territoriales de la Banque de Russie.

L'étude des spécificités de la Banque de Russie et l'analyse des principales tâches de gestion des activités des institutions techniques nous ont permis de formuler les principes conceptuels suivants pour la construction d'un DSS :

) Structure à deux niveaux. Le DSS développé devrait fonctionner à deux niveaux : TU (régional) et CA (fédéral). Au niveau régional, la DSS accompagne la gestion des activités des unités techniques selon une approche processus ; au niveau fédéral, la collecte des informations sur les activités de toutes les unités techniques, le stockage et l'analyse centralisés de ces informations, la classification des unités techniques, et la formation de normes sont assurées ;

) Cycle complet de gestion basé sur une approche processus. Pour une amélioration efficace et continue des activités, une caractéristique importante du DSS est la fourniture d'un cycle de gestion complet basé sur une approche processus, qui implique la mise en œuvre itérative de procédures de description des processus, de suivi et de contrôle de l'exécution, d'analyse des processus et de réingénierie.

Compte tenu de la structure à deux niveaux du système, le cycle de contrôle est présenté comme suit (Fig. 2) :

Riz. 2. Cycle d’appui à la gestion au DSS

)Intégration des approches et des technologies. Afin de résoudre le plus efficacement possible les problèmes d'amélioration des activités d'ingénierie technique dans le DSS créé, il est nécessaire d'intégrer les approches et technologies de gestion des processus métier (BPMS), de gestion des performances (CPM) et de business intelligence (BI). Ces approches doivent être mises en œuvre selon des principes architecturaux unifiés et fonctionner dans le cadre d'une infrastructure informatique et logicielle unifiée ;

)Le soutien aux normes est nécessaire pour résoudre les problèmes de normalisation des activités d'ingénierie technique. Au niveau fédéral - développement, débogage, analyse des normes de processus, etc. ; au niveau régional - « imposer » des normes aux processus existants ;

)Intégration des processus dans un entrepôt de données. Les systèmes de classes BPMS sont transactionnels et ne nécessitent pas d'entrepôt de données. La Banque de Russie doit non seulement organiser la gestion des processus, mais également assurer leur analyse complète - dynamique, comparative, structurelle, etc. Par conséquent, les informations sur les activités doivent être accumulées dans les entrepôts de données de chaque spécification technique, qui font partie du les données seront transférées au niveau fédéral (vers un stockage centralisé) ;

)Développement d'une base méthodologique d'analyse. Pour une solution plus complète et efficace aux problèmes d'analyse des informations sur les activités des installations techniques, il est nécessaire de développer une base méthodologique et instrumentale dans les domaines suivants : calcul du coût des processus, estimation de la durée des processus, analyse de l'organisation structure, gestion des performances;

)Interaction avec TPK. Les DSS doivent interagir avec les systèmes logiciels standards (TPS) opérant dans les institutions territoriales. L'interaction est organisée dans le but : d'obtenir des données initiales (par exemple, des données sur les spécifications techniques des dépenses) ; obtenir des informations réglementaires et de référence à jour ; obtenir des données sur l'exécution des processus. Compte tenu de ces principes, un modèle conceptuel du système a été développé, couvrant les niveaux de gouvernement fédéral et régional (Fig. 3) :

Riz. 3. Modèle conceptuel du DSS dans la gestion des activités des institutions territoriales de la Banque de Russie

Le modèle conceptuel présenté répond le mieux aux objectifs de gestion de la Banque de Russie et comprend les éléments suivants :

· Systèmes au niveau régional (dans chaque institution territoriale). Le DSS au niveau régional est reproductible et fournit des fonctionnalités communes pour toutes les spécifications. Les informations sur les activités des entités techniques sont accumulées dans un entrepôt de données, sur lequel fonctionnent des outils de BI analytique.

· Système de niveau fédéral (au bureau central). Le DSS au niveau fédéral est une composante d'intégration qui implique le stockage et le traitement centralisés des informations sur les activités de toutes les installations techniques et les fonctionnalités qui diffèrent du système au niveau régional. Dans le système fédéral, des données sont générées (normes de processus, réglementations, etc.) qui sont répliquées dans le DSS au niveau régional.

· Les sources d'information externes fournissent principalement des données DSS au niveau régional, il s'agit notamment de divers systèmes logiciels fonctionnant dans les institutions territoriales. Les sources externes peuvent être considérées comme des composants externes du DSS.

Étant donné que le système au niveau fédéral repose en grande partie sur les données transmises par les systèmes au niveau régional, il est tout d'abord nécessaire de développer un support informationnel, mathématique et instrumental pour le système au niveau régional comme base d'un DSS intégré de la Banque de Russie. Il convient de noter que les méthodes et outils développés seront également utilisés lors de la construction d'un système au niveau fédéral. Au cours de l'étude, la structure du DSS au niveau régional a été développée (Fig. 4), en tenant compte de l'échelle des spécifications techniques, de la variété des fonctions et des processus exécutés, des facteurs des pratiques de gestion existantes et des caractéristiques de l'automatisation actuelle.

Riz. 4. Structure du DSS au niveau régional de la Banque de Russie

2.2.2 Description des sous-systèmes fonctionnels

Le système comprend des sous-systèmes fonctionnels qui fournissent des interfaces utilisateur et mettent en œuvre des fonctions commerciales, ainsi que des sous-systèmes technologiques qui assurent le fonctionnement des sous-systèmes fonctionnels basés sur des mécanismes de gestion de données unifiés et des métadonnées centralisées. Le fonctionnement de tous les sous-systèmes est effectué sous le contrôle du sous-système d'administration et de sécurité de l'information, qui garantit le niveau approprié de protection des données contre tout accès non autorisé conformément aux exigences de la Banque de Russie. Au cours de l'étude, en tenant compte des spécificités de la Banque de Russie, des exigences en matière d'information et de support instrumental des sous-systèmes fonctionnels ont été élaborées et justifiées.

Le sous-système de description des processus est destiné à une description formalisée des activités sous la forme d'un ensemble de processus interdépendants, prenant en compte les caractéristiques de la Banque de Russie. Pour modéliser les processus dans le système, les normes IDEF0 et IDEF3 ont été utilisées, complétées par un certain nombre de structures supplémentaires : opérations de contrôle, transitions de retour, liens vers d'autres processus, processus auxiliaires, points de début et de fin de processus. Lors de l'élaboration d'un modèle d'information pour décrire les processus de spécifications techniques, les spécificités de la Banque de Russie et les exigences des normes ont été prises en compte, ainsi que les principes suivants :

· La prise en charge du versioning implique de maintenir une chronologie de toutes les modifications dans la description des processus (les modifications des objets sont enregistrées sous forme de versions, classées par date). De ce fait, il est possible d'obtenir un modèle d'activité des TU à n'importe quelle date ;

· La prise en charge de la modélisation des modifications est assurée par la maintenance de versions temporaires des objets qui peuvent être approuvées ou rejetées selon les besoins ;

· La personnalisation des modèles de processus implique d'élargir l'ensemble des attributs des modèles de processus, d'introduire de nouveaux objets et de les relier aux objets existants.

En tenant compte des principes et caractéristiques énoncés, au cours de l'étude, un modèle d'information des processus et des objets dans leur environnement a été développé (Fig. 5).

Riz. 5. Interrelation des principaux objets de l'environnement de processus.

Sur la base du modèle d'information généré, le sous-système de description de processus permet de résoudre les tâches principales suivantes :

· formation d'un modèle formalisé intégral des activités syndicales ;

· tenir à jour les informations sur les activités ;

· génération de rapports et de certificats documentant les activités des institutions techniques.

Le sous-système de contrôle de l'exécution des processus assure l'exécution des processus formalisés, acheminant les tâches entre les exécutants conformément à la description, surveillant le respect des délais et l'efficacité de l'exécution, transformant les données sur l'exécution des processus provenant de sources externes dans un format unifié unique.0

À la suite de la recherche, un cycle de vie de processus et d'opérations a été développé (Fig. 6), qui, avec la notation pour décrire les processus, fournit une solution aux tâches suivantes :

· organisation de l'exécution des processus ;

· suivi et gestion de l'exécution des processus ;

· organiser le contrôle de l'exécution des processus aux points critiques ;

· génération de rapports analytiques destinés aux managers des différents niveaux des organisations techniques (chefs de secteurs, départements, départements, haute direction).

Riz. 6. Cycle de vie d'exécution du processus

Le sous-système de coût de processus est conçu pour calculer les caractéristiques de coût des processus et les analyser sous divers aspects ; il fournit des outils pour une analyse détaillée des caractéristiques de coût des processus, l'équilibrage, l'analyse comparative et la réalisation de diverses options de calcul.

Le sous-système d'analyse d'activité fournit un support pour analyser les activités des installations techniques sous divers aspects - efficacité, coûts, personnel, processus, etc., tout en collectant et en structurant les données provenant de sources externes et d'autres sous-systèmes. Le sous-système analytique est construit sur la base de la méthodologie CPM, en tenant compte des tâches de la Banque de Russie et fournit un ensemble d'applications et d'outils analytiques pour résoudre les problèmes suivants :

.Gestion d'un système de buts, d'objectifs et d'indicateurs stratégiques (prenant en compte les objectifs déterminés au niveau fédéral par la Banque de Russie) ;

.Aide à la prise de décision dans le domaine de la gestion du personnel et de la structure organisationnelle des TU ;

.Suivi et analyse des indicateurs de performance.

Le système de buts, d'objectifs et d'indicateurs stratégiques est un système de tableaux de bord équilibrés (BSC) et d'indicateurs de performance clés qui peuvent être définis pour les processus, les départements, les employés, etc. Tous les buts, objectifs et indicateurs sont chronologiques. La source de données du BSC est l'entrepôt de données. Les valeurs cibles des indicateurs peuvent être définies par plusieurs scénarios ; pour évaluer le degré de réalisation des buts et des objectifs, des pondérations peuvent être attribuées aux indicateurs. Sur la base d'une comparaison des valeurs cibles et réelles, un suivi et une analyse de la réalisation des objectifs sont effectués.

L'aide à la décision dans la gestion du personnel comprend des applications analytiques pour analyser la structure organisationnelle, l'analyse du personnel du point de vue de la discipline de performance, de l'efficacité et des indicateurs clés de l'exécution des processus, de l'équilibrage et de la répartition des responsabilités fonctionnelles.

Le suivi et l'analyse des indicateurs de performance sont réalisés à l'aide d'outils BI basés sur le stockage, qui permettent de comparer des indicateurs hétérogènes et différents types d'analyses (dynamiques, structurelles, comparatives, cluster, classement, etc.).

2.2.3 Développement d'un DSS au niveau des spécifications techniques, mettant en œuvre des solutions méthodologiques et instrumentales

Au cours du développement du DSS, les exigences de construction du système ont été analysées, la structure logique et physique des données a été développée, les principes de base de la construction du système ont été justifiés et les problèmes de choix des technologies de l'information pour la mise en œuvre du système ont été résolu.

La structure du système comprend des sous-systèmes fonctionnels qui mettent en œuvre la logique métier et l'interface utilisateur, ainsi que des sous-systèmes technologiques qui assurent le fonctionnement des sous-systèmes fonctionnels basés sur des mécanismes de gestion de données unifiés et des métadonnées centralisées.

Les technologies de l'information suivantes ont été sélectionnées pour mettre en œuvre le système :

· comme base de stockage des informations - Système de gestion de base de données relationnelle Oracle version 9i ;

· en tant qu'environnement de développement de logiciels et d'outils - le complexe analytique "Forecast-5", axé sur le développement de systèmes d'information et d'analyse et de systèmes d'aide à la décision dans divers domaines de l'économie ;

· pour le développement de composants Web - l'environnement intégré Microsoft Visual Studio 2005 et la plateforme ASP.NET.

Lors de la création d'un DSS, un ensemble de solutions logicielles et technologiques est développé sur la base de principes architecturaux communs en vue d'un fonctionnement le plus optimal et le plus fiable. Lors du développement de procédures de gestion d'une base de données complexe, comprenant des segments transactionnels et analytiques, les solutions suivantes ont été développées et appliquées :

· Assurer la cohérence des données dans les segments transactionnels et analytiques de la base de données ; à cet effet, un système de classes interdépendantes a été développé, axé sur l'utilisation d'un noyau de traitement transactionnel unifié, basé sur l'utilisation des métadonnées du SGBD Oracle. Au niveau des tables, le contrôle de l'intégrité des données est assuré par des outils SGBD pour améliorer la fiabilité opérationnelle (Fig. 7) :

Riz. 7. Schéma de gestion de la cohérence des données DSS.

· Prise en charge du contrôle de version des objets tout en maintenant le contrôle d'intégrité au niveau du SGBD. Pour ce faire, chaque objet est stocké dans deux tables : la table des objets et la table des versions de l'objet ;

· Évolutivité de la base de données au niveau des attributs et des objets avec contrôle d'intégrité. Pour les attributs supplémentaires, l'intégrité est contrôlée au niveau du déclencheur : lors de la création de nouveaux objets dans les tables, des déclencheurs de contrôle d'intégrité unifiés sont automatiquement créés ;

· Optimisation de la récupération et de l'écriture dans la base de données pour de gros volumes de données. Après avoir créé la structure physique, celle-ci a été indexée et les outils de génération de partitions du SGBD Oracle ont été utilisés pour les tables de l'entrepôt de données.

Les sources de données pour le premier remplissage du DSS et la mise à jour ultérieure peuvent être des données provenant des systèmes logiciels standards utilisés dans les spécifications techniques : Systèmes d'activité à la ferme (IAS), Systèmes de gestion documentaire, Systèmes d'automatisation, etc. Le DSS permet de télécharger les descriptions de processus à partir de fichiers MS Word et Excel, ce qui est important pour les institutions territoriales qui disposent de projets de modèles de processus « sur papier ».

Le DSS développé est utilisé en mode industriel à la Banque nationale de la République du Bachkortostan sur plus de 300 postes de travail de gestionnaires et de spécialistes pour décrire les processus, organiser et surveiller l'exécution des processus, justifier les changements dans la structure organisationnelle et analyser les activités. Le système décrit environ 980 procédés, environ 730 d'entre eux sont agréés, environ 200 procédés sont régulièrement lancés en mode industriel.

2.3Conclusions et résultats de l'application de ce DSS

Les principaux résultats et conclusions suivants ont été obtenus :

Sur la base des résultats obtenus, le concept d'un système intégré d'aide à la décision dans la gestion des activités des institutions techniques est présenté, axé sur l'intégration des approches BPMS, BI et CPM, dans lequel les méthodes et algorithmes développés par l'auteur sont construits sur le base d’un environnement informationnel et instrumental unifié. Le concept combine des méthodes nouvelles et connues pour surveiller et analyser les activités des institutions techniques sur la base d'une approche processus adaptée aux spécificités de la Banque de Russie.

Un système d'aide à la décision dans le domaine de la gestion des activités d'une institution territoriale au niveau régional a été créé et testé dans les spécifications techniques spécifiques de la Banque de Russie. L'utilisation du DSS dans les spécifications techniques permet d'augmenter la contrôlabilité des activités selon une approche processus, d'améliorer le système de contrôle interne, d'optimiser la structure organisationnelle existante et de créer un référentiel d'indicateurs de performance.

Sur la base des résultats de la mise en œuvre du système, les résultats suivants ont été obtenus (comme il ressort des rapports adressés à la direction de la Banque de Russie) :

· le système de contrôle interne des activités a été amélioré ;

· les technologies permettant d'effectuer des transactions d'émission et en espèces ont été améliorées et les coûts de main-d'œuvre ont été réduits (jusqu'à 10 % pour certaines opérations) ;

· la centralisation des fonctions exercées par les Centres de Règlement en Espèces a été réalisée (13 fonctions réparties en 9 processus) ;

· le service de la circulation monétaire a été transformé en deux services indépendants ;

· les postes ont été redistribués entre les départements du département de sécurité et de protection de l'information ;

· Des réductions d'effectifs ont été réalisées dans le service économique et opérationnel ; des propositions sont en cours d'élaboration pour optimiser le flux des documents.

Conclusion

Aujourd'hui, il n'existe aucun leader reconnu dans le domaine de la production de logiciels pour la création de systèmes DSS. Aucune des entreprises ne propose une solution toute faite, pour ainsi dire, « prête à l’emploi », pouvant être utilisée directement dans le processus de production du client. La création d’un DSS comprend toujours les étapes d’analyse des données et des processus métiers du client, de conception des structures de stockage en tenant compte de ses besoins et de ses processus technologiques.

Compte tenu de l’importance des ressources financières et autres impliquées, de la complexité et de la nature en plusieurs étapes des projets de construction de systèmes DSS, le coût élevé des erreurs de conception est évident. Des erreurs dans le choix d’un logiciel peuvent entraîner des coûts financiers, sans parler de l’augmentation du temps de réalisation du projet. Les erreurs de conception de la structure des données peuvent entraîner à la fois des caractéristiques de performances inacceptables et un coût du temps consacré au rechargement des données, qui atteint parfois plusieurs jours. Par conséquent, en comprenant profondément l'architecture des entrepôts de données, il est nécessaire d'éviter toute erreur, ce qui entraîne une réduction significative du temps de réalisation du projet et la possibilité de tirer le meilleur parti de la mise en œuvre du DSS.

Il convient de noter séparément que les problèmes de prise de décision, à savoir le DSS, sont peu développés dans notre pays et peu utilisés dans la pratique. L’utilisation de programmes comme celui décrit ici est non seulement très simple, mais aussi très efficace et ne nécessite ni connaissances ni investissements particuliers.

Plusieurs dizaines d'entreprises différentes fabriquent des produits capables de résoudre certains problèmes qui surviennent lors du processus de conception et d'exploitation des systèmes DSS. Cela comprend un SGBD, des outils de déchargement/transformation/chargement de données, des outils d'analyse OLAP et bien plus encore.

L'analyse indépendante du marché et l'étude d'au moins quelques-uns de ces outils ne sont pas une tâche facile et longue.

Ainsi, dans ce travail, nous nous sommes familiarisés avec les systèmes d'aide à la décision.

L'introduction justifie la pertinence de ce sujet, présente le but et les objectifs de l'étude, donne une description générale du travail et identifie le sujet de l'étude.

Le premier chapitre présente les aspects théoriques et les concepts des systèmes d'aide à la décision, fournit une classification détaillée des types de DSS et révèle initialement leurs fonctions. Également dans ce chapitre, nous nous sommes familiarisés avec l'histoire de la création des systèmes de soutien, avons examiné plus en détail la structure du DSS et ses principaux éléments. Les caractéristiques distinctives des systèmes d'aide à la décision sont données, ainsi que les domaines et domaines dans lesquels ils peuvent être appliqués.

Une méthodologie d'aide à la décision a été identifiée, ce qui permet de résumer que son utilisation permet de :

· formaliser le processus de recherche d'une solution sur la base des données disponibles (le processus de génération d'options de solution) ;

· classer les critères et donner des évaluations critérielles des paramètres physiques qui affectent le problème à résoudre (la capacité d'évaluer les options de solution) ;

· utiliser des procédures d'approbation formalisées lors de la prise de décisions collectives ;

· utiliser des procédures formelles pour prédire les conséquences des décisions prises ;

· choisissez l'option qui mène à la solution optimale au problème.

Il s'ensuit que nous nous sommes familiarisés avec les bases et la partie théorique des systèmes d'aide à la décision.

Le deuxième chapitre présente la mise en œuvre pratique du DSS dans le domaine de la gestion des activités d'une organisation basée sur une approche processus (en utilisant l'exemple des institutions territoriales de la Banque de Russie). Un concept pour la construction d'un DSS « Gestion des activités des institutions territoriales de la Banque de Russie » est proposé. Un modèle conceptuel du DSS, une structure fonctionnelle et des exigences pour les principaux composants ont été développés et justifiés. Un ensemble de méthodes et d'outils est proposé pour aider à la prise de décision en matière de gestion technique, en tenant compte des spécificités de la Banque de Russie. Les exigences en matière d'information et de support analytique du système ont été développées et justifiées, en tenant compte des tâches actuelles de gestion des institutions territoriales de la Banque de Russie. Les résultats de la mise en œuvre de ce système sont présentés sur la base de rapports adressés à la direction de la Banque de Russie.

Ainsi, nous avons découvert comment ces systèmes d'aide à la décision sont utilisés dans la pratique - dans notre cas, dans le secteur bancaire.

L'utilisation du DSS est prometteuse, ne serait-ce que parce que toute décision de gestion est subjective, basée sur la politique de l'entreprise, reflète les principaux objectifs de l'organisation et, surtout, n'est pas nécessairement correcte. Tout cela conduit à la nécessité de formaliser le processus décisionnel et d'attirer des outils auxiliaires pour réduire le risque de prendre une mauvaise décision. Cette dernière augmente avec l’accumulation d’informations à traiter. Cela se produit parce qu'une personne n'est pas en mesure de traiter toutes les informations nécessaires pour prendre une décision par elle-même, ou n'est pas en mesure de le faire dans un laps de temps où la tâche est encore pertinente.

Bibliographie

1.Vesnine, V.R. Gestion : Manuel - 4e éd., révisé. et complémentaire - M. : TK Welby, 2009. - 342 p.

2.Gerchikova, I.N. Le processus de prise et de mise en œuvre des décisions de gestion/ I.N. Gerchikova // Management en Russie et à l'étranger, 2013. N° 12. - 130 p.

.Gontcharov, V. I. Gestion : manuel / V. I. Goncharov. - Minsk : École moderne, 2010.- 255 p.

.Drobychev, A.V. Méthodes de prise de décision. Méthodes Delphi et ELECTRA. - Lignes directrices pour les travaux de laboratoire du cours « Systèmes d'aide à la décision ». -MGIEM. Compilé par : I.E.Safonova, K.Yu.Mishin, S.V.Tsyganov : M., MGIEM, 2008. - 26 p.

.Evlanov, A. G. Théorie et pratique de la prise de décision. - M. : Economie, 2010. - 212 p.

.Korotkov, E. M. Management : manuel pour bacheliers / E. M. Korotkov. Moscou : Yurayt, 2012.- 85 p.

.Krivko, O.B. Informatique. M. : SOMINTEK. 2011. - 179 p.

.Lafta, J.K. Efficacité de la gestion organisationnelle. - M. : Littérature commerciale russe, 2009. - 320 p.

.Lafta, J.K. Efficacité de la gestion organisationnelle. - M. : Littérature commerciale russe, 2011. - 320 p.

.Makarov, S.F. Gestionnaire au travail. - M. : FINPRESS, 2009. - 155 p.

.Meskon, M. Fondamentaux du Management : Manuel / M. Meskon, M. Albert, F. Khedouri ; M., 2012. - 387 p.

.Pankrukhina, A.P. Théorie du contrôle : manuel / [Yu. P. Alekseev et autres] ; sous la direction générale : A. L. Gaponenko, A. P. Pankrukhina. - Moscou : Maison d'édition RAGS, 2010.- 213 p.

.Pirojkov, V.A. Sur la mise en œuvre d'une approche processus du management sous la forme d'un système d'aide à la décision « Gérer les activités d'une organisation » [Texte] / V.A. Pirozhkov // Bulletin de l'Université de Tambov. Sér. : Sciences humaines. - 2008. - Numéro. 11. - 489 p.

.Polushkin, O.A. Management stratégique : notes de cours. - M. : EKSMO, 2007. - 138 p.

autorités régionales // Réformes en Russie et problèmes

.Romashchenko, V.N. Prise de décision : situations et conseils. - Kiev, 2012. - 154 p.

16.Rumiantseva Z.P. Gestion des organisations : manuel. - M. : INFRA-M, 2005. - 432 p.

.Saraev, A. D., Shcherbina O. A. Analyse du système et technologies de l'information modernes // Actes de l'Académie des sciences de Crimée. - Simféropol : SONAT, 2009. - 136 p.

.Safonova, c'est-à-dire Méthodes de prise de décision. Modification de la méthode Delphi et de la méthode d'analyse hiérarchique. - Lignes directrices pour les travaux de laboratoire du cours « Systèmes d'aide à la décision ». -MGIEM. Comp.:. 18.I.E. Safonova, A.V.Drobyshev, K.Yu.Mishin, S.V.Tsyganov : M., MGIEM, 2007. - 20 p.

.Safonova, c'est-à-dire Méthodes de prise de décision. Méthode de distance minimale et méthodes MaxiMin et MaxiMax. - Lignes directrices pour les travaux de laboratoire du cours « Systèmes d'aide à la décision ». -MGIEM. Comp.:, 18. I.E. Safonova A.V.Drobyshev, K.Yu.Mishin, S.V.Tsyganov : M., 2007. - 19 p.

.Terelyansky, P.V. Systèmes d'aide à la décision. Expérience de conception : monographie / P.V. Terelyansky ; VolgSTU- Volgograd, 2009. -127 p.

.Chernyakhovskaya L.R. Aide à la prise de décision dans la gestion stratégique d'entreprise basée sur l'ingénierie des connaissances / L. R. Chernyakhovskaya et autres Ufa : Académie des sciences de la République de Biélorussie, Gilem, 2010. - 128 p.

Pour que le SI fonctionne, il est nécessaire d’assurer à la fois la disponibilité des outils de génération de données et des moyens de leur analyse. Les moyens de construction de requêtes et les différents mécanismes de recherche disponibles dans le SI, bien qu'ils facilitent l'extraction de l'information nécessaire, ne sont toujours pas capables d'en fournir une évaluation suffisamment intelligente, c'est-à-dire de généraliser, regrouper, supprimer les données redondantes et d'en accroître la fiabilité en éliminer les erreurs et traiter plusieurs sources d'informations indépendantes (non seulement les bases de données d'entreprise, mais aussi les bases de données externes). Ce problème devient extrêmement important en raison de l'augmentation en avalanche du volume d'informations et de l'augmentation des exigences de productivité des systèmes d'information - aujourd'hui, le succès de la gestion d'entreprise est largement déterminé par l'efficacité de la prise de décision, dont les données sont fournies par le système d’information.

Ces dernières années, le concept de « prise de décision » et les systèmes, méthodes et outils d’aide à la décision associés à ce concept sont devenus de plus en plus utilisés. La prise de décision est un acte d'influence délibérée sur un objet, basé sur une analyse de la situation, la définition d'un objectif et l'élaboration d'un programme pour atteindre cet objectif.

Les systèmes d'aide à la décision (DSS, DSS, Decision Support System) sont apparus au début des années 70 du 20e siècle grâce au développement des systèmes d'information de gestion et aux succès dans la création de systèmes d'intelligence artificielle. Le développement du DSS a été grandement influencé par les progrès dans le domaine des technologies de l'information, en particulier les réseaux de télécommunications, les ordinateurs personnels, les feuilles de calcul dynamiques et les systèmes experts. Les systèmes de cette classe sont basés sur des technologies d'intelligence artificielle et, en règle générale, ne font pas partie des systèmes de gestion d'entreprise intégrés, mais sont développés par des sociétés tierces.

Ce sont des systèmes conçus pour soutenir les processus décisionnels dans des situations complexes et non structurées liées à l'élaboration et à l'adoption de décisions. La principale caractéristique des technologies de l'information d'aide à la décision est une méthode qualitativement nouvelle d'organisation de l'interaction homme-machine. Le développement d'une solution, qui constitue l'objectif principal de cette technologie, résulte du processus itératif illustré dans la figure, qui implique :

Système d'aide à la décision en tant que lien informatique et objet de contrôle ;

Personne en tant que lien de contrôle qui définit les données d'entrée et évalue le résultat des calculs sur un ordinateur.

La fin du processus d'itération se produit selon la volonté de l'homme. Dans ce cas, on peut parler de la capacité du système d'information, en collaboration avec l'utilisateur, à créer de nouvelles informations pour la prise de décision.

DSS peut inclure des centres situationnels, des outils d'analyse de données multidimensionnelles et d'autres outils analytiques qui vous permettent de modéliser des règles et des stratégies métier et d'avoir un accès intelligent aux informations non structurées. Des méthodes mathématiques spéciales utilisées à ce niveau permettent de prédire la dynamique de divers indicateurs, d'analyser les coûts de différents types d'activités, de comprendre leur structure détaillée et de créer des budgets détaillés selon différents schémas.

Il n'existe toujours pas de définition uniforme du DSS ; on peut citer à titre d'exemple :

Il s'agit du représentant le plus puissant de la classe des systèmes analytiques axés sur : l'analyse de grands ensembles de données ; pour effectuer des requêtes plus complexes ; modélisation des processus de domaine ; prévision; trouver des dépendances entre les données ; effectuer une analyse « et si » ;

Il s'agit d'un système d'application interactif qui offre aux décideurs utilisateurs finaux un accès facile et pratique aux données et aux modèles dans le but de prendre des décisions dans des situations semi-structurées et non structurées dans divers domaines de l'activité humaine ;

Il s'agit de systèmes qui s'appuient sur l'utilisation de modèles et de procédures de traitement de données et de réflexions pour aider à la prise de décision ;

Il s'agit de systèmes automatisés interactifs qui aident les décideurs à utiliser des données et des modèles pour résoudre des problèmes non structurés et semi-structurés ;

Il s'agit d'un système d'information informatique utilisé pour prendre en charge diverses activités lors de la prise de décision dans des situations où il n'est pas possible ou souhaitable qu'un système automatique exécute complètement l'ensemble du processus de décision ;

Il s'agit d'un système automatisé multifonctionnel à plusieurs niveaux pour le développement et la mise en œuvre de solutions, qui est constitué sur la base de : synthèse de schémas fonctionnels et structurels de parties individuelles de l'objet ; modèles et tâches de bout en bout par étapes du cycle de vie du produit et de l'objet lui-même ; combiner des sous-systèmes locaux disparates en un seul système de contrôle ; créer des boucles de contrôle interconnectées et renforcer le rôle de la direction opérationnelle (pour étudier la logique et diagnostiquer leur déroulement) ; approfondir l'approche systémique et ciblée par programme de la planification et de l'analyse automatique du fonctionnement des installations ; l’élaboration de normes et standards transversaux uniformes ; créer un vaste lieu de travail automatisé (comme des terminaux intelligents), fournissant des interconnexions logicielles, coordonnant l'information et le dialogue.

DSS est un système informatique homme-machine axé sur l'analyse des données et fournissant les informations nécessaires à la prise de décisions de gestion.

Cette variété de définitions reflète le large éventail de différents types de DSS. Mais presque tous les types de ces systèmes informatiques se caractérisent par une structure claire, qui contient trois composants principaux qui constituent la base de la structure classique du DSS, ce qui le distingue des autres types de SI :

Une interface utilisateur qui permet à une personne ayant le droit de prendre des décisions de dialoguer avec le système en utilisant différents programmes d'entrée, formats et technologies de sortie ;

Un sous-système conçu pour stocker, gérer, sélectionner, afficher et analyser des données ;

Un sous-système qui contient un ensemble de modèles pour fournir des réponses à diverses demandes des utilisateurs concernant des tâches analytiques.

Pour comprendre le travail d'un DSS, il est nécessaire de comprendre l'essence des problèmes qu'il résout, ainsi que les processus organisationnels dans lesquels il s'intègre. Par exemple, lors de la détermination de la possibilité de mettre en œuvre un DSS, les éléments suivants doivent être pris en compte :

La structure des tâches de gestion à résoudre ;

Le niveau de la hiérarchie dirigeante de l'entreprise auquel la décision doit être prise ;

Le problème à résoudre appartient à l'un ou l'autre domaine fonctionnel de l'entreprise ;

Type de technologie de l'information utilisée.

Les systèmes d’aide à la décision sont largement utilisés dans les économies des principaux pays du monde et leur nombre ne cesse d’augmenter. Au niveau de la gestion stratégique, un certain nombre de DSS sont utilisés, notamment à long, moyen et court terme, ainsi que pour la planification financière, y compris un système de répartition des investissements en capital. Les DSS orientés gestion opérationnelle sont utilisés dans les domaines du marketing (prévisions et analyses des ventes, études de marché et de prix), de la recherche et du développement et de la gestion des ressources humaines. Les opérations et applications d'information sont liées à la production, à l'acquisition et à la comptabilisation des stocks, à leur répartition physique et à leur comptabilité.

DSS(Systèmes d'aide à la décision) - système d'aide à la décision ou DSS est un système informatique qui, en collectant et en analysant une grande quantité d'informations, peut influencer le processus décisionnel organisationnel dans les affaires et l'entrepreneuriat.

Les systèmes interactifs permettent aux gestionnaires d'obtenir des informations utiles à partir de sources primaires, de les analyser et d'identifier les modèles commerciaux existants pour résoudre des problèmes spécifiques. Grâce à DSS, vous pouvez suivre tous les actifs informationnels disponibles, obtenir des valeurs comparatives des volumes de ventes, prédire les revenus de l'organisation avec l'introduction hypothétique d'une nouvelle technologie et également envisager toutes les solutions alternatives possibles.

En fonction de l'interaction de l'utilisateur, il existe trois types de DSS :

• les passifs aident au processus de prise de décision, mais ne peuvent pas avancer de proposition concrète ;
• les actifs sont directement impliqués dans le développement de la bonne solution ;
• les systèmes coopératifs impliquent une interaction du DSS avec l'utilisateur. L'utilisateur peut affiner, améliorer la proposition avancée par le système, puis la renvoyer au système pour vérification. Après cela, la proposition est à nouveau présentée à l'utilisateur, et ainsi de suite jusqu'à ce qu'il approuve la solution.

Selon le mode de prise en charge on distingue :

• DSS orientés modèles, utilisent dans leur travail l'accès à des modèles statistiques, financiers ou autres ;
• Le DSS basé sur la communication prend en charge le travail de deux utilisateurs ou plus engagés dans une tâche commune ;
• Les DSS centrés sur les données ont accès aux séries chronologiques d'une organisation. Ils utilisent non seulement des données internes, mais également externes dans leur travail ;
• Les DSS orientés documents manipulent des informations non structurées contenues dans divers formats électroniques ;
• Les DSS axés sur la connaissance fournissent des solutions spécialisées et fondées sur des preuves aux problèmes.

Il y a quatre composants principaux :

• entrepôts de données d'informations;
• outils et méthodes d'extraction, de traitement et de chargement de données ;
• base de données multidimensionnelle et outils d'analyse OLAP;
• Outils d'exploration de données.

DSS permet de faciliter le travail des dirigeants d'entreprise et d'augmenter son efficacité. Ils accélèrent considérablement la résolution des problèmes commerciaux. Les DSS contribuent à établir des contacts interpersonnels. Sur leur base, il est possible d'effectuer des formations et des formations. Ces systèmes d'information vous permettent d'accroître le contrôle sur les activités de l'organisation. La présence d’un DSS clairement opérationnel offre de grands avantages par rapport aux structures concurrentes. Grâce aux propositions avancées par DSS, de nouvelles approches pour résoudre les problèmes quotidiens et atypiques s'ouvrent.

Laisse ton commentaire!

Sergueï KORNEEV (PMCG, Directeur)

Qu’est-ce qui détermine de plus en plus l’activité humaine, tant dans la vie quotidienne que dans la production ? Bien sûr, c'est de la normalisation. On peut parler de standardisation de la parole, de standardisation vestimentaire, etc. Mais l'auteur, du fait de son affiliation professionnelle, propose d'envisager le développement d'une normalisation dans le domaine des systèmes d'aide à la décision (Decision Support Systems - DSS).

Pourquoi une telle attention à la normalisation ? Oui, tout d'abord, parce que nous nous intéressons à l'utilisation commerciale des systèmes d'application, et que les affaires à grande échelle dans ce domaine, comme dans tout autre, se situent dans le domaine de la normalisation. Aspirateur, voiture, etc. ne sont devenus des biens de masse qu'après que leurs exigences ont été unifiées, même en tenant compte de certains groupes fonctionnels au sein d'un même type de produit, par exemple : voiture familiale, voiture de sport, SUV, etc. Lorsque nous voyons ou entendons ces mots, nous avons des associations très spécifiques et nous sommes rarement trompés dans nos attentes.

Termes et définitions

Lorsqu'un spécialiste moderne, non seulement dans le domaine des technologies de l'information, mais aussi simplement un ouvrier de production érudit, entend l'abréviation ERP, alors dans la plupart des cas, on peut s'attendre à une idée tout à fait adéquate de ce dont nous parlons. Même si ce n’était pas le cas il y a dix ans. Ce n’est toujours pas le cas des systèmes d’aide à la décision.

D'une part, les ERP, les SIG et de nombreux autres logiciels d'application peuvent être classés selon leur objectif fonctionnel comme systèmes d'aide à la décision - au moins 50 % d'entre eux ont été créés à cet effet. Cependant, lorsqu’il s’agit de programmation d’applications, nous sommes obligés de suivre des normes établies qui attribuent une certaine signification à tout concept dans ce domaine. Certaines dérogations sont bien entendu possibles, mais uniquement autour de certaines spécifications de base.

De plus, qu'est-ce qu'un système DSS ?

On peut trouver la définition suivante :

Les systèmes d'aide à la décision (DSS) sont une classe de systèmes d'information informatisés qui soutiennent les activités de prise de décision.

Cette définition, selon l'auteur, clarifie peu et ne permet absolument pas de s'identifier dans un large éventail de classes de systèmes d'information. Parfois, ce type de définition contient des expressions : « le système doit faciliter la prise de décision », « … analyser les données et les présenter sous une forme pratique pour la prise de décision », etc.

Daniel Power a identifié en 2002 cinq types de systèmes DSS comme systèmes fonctionnant sur des relations, des données, des documents, des connaissances et des modèles.

Voici sa définition :

Un système DSS est un système informatique interactif conçu pour aider un décideur à utiliser des relations, des données, des documents, des connaissances et des modèles pour identifier et résoudre des problèmes et formuler des solutions.

C’est déjà, pour le moins, constructif, même si de nombreuses classes de systèmes relèvent encore une fois de cette définition : ERP, SIG, DocFlow, Business Modeller, SCADA/DCE, Gestion de projet, etc.

Voici une autre définition (Bonczek, Holsapple & Whinston, 1981) :

Le système DSS devrait aider le décideur à résoudre des problèmes non programmables, non structurés (ou semi-structurés) ; Le système DSS doit offrir la possibilité de générer des requêtes interactives dans un langage naturel proche de la langue disciplinaire et facile à apprendre.

Cette définition restreint certainement la portée de l’identification.

Et enfin, encore une chose :

Un système DSS aide un gestionnaire ou un décideur à utiliser et manipuler des données, à utiliser des tests et des heuristiques, ainsi qu'à créer et utiliser des modèles mathématiques.

Certaines définitions mentionnent la possibilité de : inclusion de fonctionnalités d’intelligence artificielle dans le système DSS.

Eh bien, il vaut probablement mieux ne pas s'impliquer tout de suite dans l'intelligence artificielle - du moins, il n'y a pas de langage intuitif proche du naturel dans la plupart des tâches.

Également mentionné si nécessaire Possibilité de présentation graphique des données.

Cela n'aide pas beaucoup en termes de même identification.

Il existe un concept connexe - Les outils de Business Intelligence sont des logiciels qui permettent aux utilisateurs d'observer et d'utiliser de grands volumes de données complexes.

Il existe trois types de tels outils :

1. Outils d'analyse multidimensionnelle - également connus sous le nom d'OLAP (On-Line Analytical Processing) - logiciels qui permettent à l'utilisateur d'observer les données dans différentes dimensions, directions ou sections.

2. Outils de requête - logiciel qui vous permet de créer des requêtes sur des données basées sur un contenu ou un modèle.

3. Outils d'exploration de données - logiciel qui recherche automatiquement des modèles (modèles) ou des dépendances importants dans les données.

Cela correspond à la définition de Power et est probablement lié au sujet à l’étude. Mais ignorons pour l’instant la linguistique appliquée. Nous y reviendrons plus tard - après avoir examiné les objectifs, le but et les mises en œuvre spécifiques, ce qui devrait clarifier la question.

Objectifs, but, pratique

• analyse et prévisions financières;
• marketing des ventes et des achats ;
• analyse des stéréotypes du comportement des clients et identification des modèles cachés ;
• analyse de risque;
• la gestion d'actifs.
• Quel est le lien entre ces tâches et la mission globale des services d’information aux entreprises ? Les services d’informations commerciales comprennent :
• relier les objectifs commerciaux stratégiques et les objectifs informatiques ;
• distribution et contrôle de logiciels d'application;
• support opérationnel aux utilisateurs ;
• ainsi que la gestion :
• projets;
• capacité de production;
• changements;
• problèmes;
• frais;
• situations imprévues;
• services de soutien;
• relations avec les clients;
• relations avec les fournisseurs.

De manière plus générale, nous pouvons dire que les technologies de l'information se concentrent sur les processus de maintenance liés à :

• personnes;
• processus ;
• stratégies;
• les technologies.

Comme vous pouvez le constater, près de la moitié des tâches structurelles confiées aux services informatiques entrent dans le champ d'application des systèmes DSS. Ceci est confirmé par l'analyse du marché des systèmes d'information appliqués. Ainsi, le marché mondial, par exemple, des systèmes ERP est actuellement estimé à environ 25 milliards de dollars. Le marché des systèmes DSS, apparu seulement au milieu des années 90, est aujourd'hui estimé à environ 10 milliards de dollars et connaît une croissance nettement plus rapide que le marché des systèmes de gestion d'entreprise. Sa croissance est d'environ 30 % par an, contre 10 à 15 % de croissance sur le marché des ERP, et nous pouvons supposer que la parité devrait être atteinte dans les cinq prochaines années. D'autre part, si le marché des systèmes DSS est actuellement principalement associé au secteur financier, à la vente au détail grand format et aux télécommunications, on peut alors s'attendre à une assimilation progressive des fonctionnalités des systèmes DSS dans les systèmes de classe ERP existants, qui, apparemment, entraînera une revitalisation des processus de mise à jour des versions des systèmes ERP dans le secteur des entreprises.

En analysant les tendances dans le développement des fonctionnalités des systèmes ERP, nous pouvons affirmer avec certitude que ce processus est déjà en cours. Ainsi, presque tous les principaux systèmes ERP ont déjà implémenté des fonctionnalités de prévision en utilisant diverses méthodes statistiques. Il semble très prometteur de développer des approches de systèmes DSS dans la gestion des actifs, en particulier dans l'organisation de l'exploitation et de la réparation des équipements. Cela est dû à la migration progressive des approches, à savoir de la gestion de la réparation basée sur l'état vers une gestion basée sur la prévision de l'état futur des installations de production. En Ukraine, les approches calendaires et la gestion des opérations basées sur la comptabilité des heures de fonctionnement prévalent toujours dans ce domaine. Ces approches étaient inhérentes à l'industrie des pays développés dans les années 80 et sont excessives au regard des coûts d'entretien des installations de production.

Considérant les activités des entreprises dans un environnement concurrentiel, Michael Porter, par exemple, identifie le modèle suivant à six facteurs (Fig.).

Vous pouvez être sûr que le renforcement de ces positions concurrentielles est l'objectif principal des systèmes DSS. Un facteur important dans leur développement est qu'à ce jour, une énorme quantité de données a été accumulée dans les systèmes transactionnels de gestion des activités opérationnelles des entreprises, dont l'importance n'est actuellement ni réalisée ni utilisée.

Diagramme compétitivité comparée selon Michael Porter

Commerce grand format

Les entreprises de commerce grand format et de commerce électronique (B2C, B2B) ont été les premiers clients institutionnels des systèmes DSS. Les principales tâches résolues dans ce secteur sont :

• analyse d'assortiment (revenu marginal sélectif, rotation des stocks, gestion statistique des stocks, productivité du capital) ;
• répartition des surfaces, aménagement ;
• analyse de l'efficacité des managers et de la motivation du personnel ;
• planification et analyse de l'efficacité de la publicité, des promotions, des ventes, etc. ;
• gestion des prix.

En termes de gestion de l'agencement, nous pouvons donner un exemple bien connu de corrélation entre les achats de bière et de couches. Ou ce qu'on appelle le « piège de caisse » : il s'agit de petites marchandises disposées directement dans la zone de caisse. La superficie de cette zone est limitée. Que dois-je y mettre ? Encore une fois, « il n'y a rien de plus pratique qu'une bonne théorie » : nous avons besoin d'une analyse des préférences des consommateurs, qui fournit notamment une analyse statistique multidimensionnelle des recettes. Dans le petit commerce de gros, la situation est plus simple, car... là, le consommateur est identifié et enregistré dans la base de données de la société commerciale, ce qui permet une analyse directe du comportement du client. Dans le commerce de détail, l'acheteur est anonyme, même si de nombreuses entreprises l'excluent initialement, par exemple METRO Cash & Carry. En général, la principale tendance dans le développement des systèmes d'information appliqués au cours des cinq dernières années est l'assimilation des systèmes de gestion de la relation client. , qui ont émergé en tant que systèmes indépendants, dans le circuit ERP, et tous deux en profitent.

Banques et sociétés financières

Le marché des systèmes DSS dans les institutions financières est désormais le plus vaste. Le champ d'application des systèmes DSS dans les banques concerne principalement :

• banque de détail (paiement par cartes plastiques et chèques) ;
• analyse de risque;
• prévenir la fraude (principalement avec les cartes plastiques) ;
• analyse du comportement des consommateurs et conception de nouveaux services financiers.

Cette dernière repose principalement sur l’analyse et la constitution de groupes de consommateurs caractérisés par des comportements similaires. Le résultat de ce travail sont des projets, par exemple des prêts au logement pour les jeunes, des conditions de découvert, des programmes de service client VIP. En parallèle, il faut répondre aux questions : qu'est-ce que la « jeunesse » ?, Qui est un client VIP ? etc. La prévention de la fraude est un domaine prometteur pour l'utilisation des méthodes d'intelligence artificielle, qui ne sera jamais épuisé, tout comme l'imagination des fraudeurs ne sera jamais épuisée. Dans les compagnies d'assurance, les systèmes DSS ne sont pas encore aussi répandus, mais cela ne fait que souligner les perspectives potentielles de ce marché.

Télécommunications

Dans les entreprises de télécommunications, principalement de communications mobiles, le rôle des systèmes DSS est associé à la conception de nouveaux services, qui repose sur l'identification de groupes de clients stables et d'un comportement client prédominant. Ce marché peut être considéré comme inépuisable en termes de durée de vie.

Industrie

Dans l'industrie, les domaines d'application des systèmes DSS comprennent :

• gestion de la relation client;
• gestion statistique des stocks;
• planification et gestion financières et budgétaires;
• analyse et gestion des risques.

Quels changements se sont produits dans le paradigme de la gestion industrielle au cours des 50 dernières années ? Jusque dans les années 60, la production industrielle s'est développée principalement grâce au développement de la technologie, exprimé par la thèse : « produire et vendre ». Bien entendu, au cours de cette période, l’offre a clairement façonné la demande. Dans le même temps, les principaux actifs de production étaient majoritairement matériels : bâtiments, structures, équipements, derrière lesquels se trouvaient des technologies brevetées. À la fin du XXe siècle, le paradigme « percevoir et réagir » est devenu une thèse reconnue exprimant un comportement rationnel du marché. Le rythme d'émergence de nouvelles technologies révolutionnaires s'est ralenti, les technologies sont pour la plupart au stade d'évolution. Et le front de la concurrence s'est déplacé vers le domaine de la conception de nouveaux produits et services. Dans le même temps, les intentions et les souhaits des clients, qu’ils soient exprimés explicitement ou implicitement, sont devenus prédominants. Citons par exemple le passage presque complet à la configuration personnalisée dans l'industrie automobile, l'offre de services toujours croissante dans le secteur des télécommunications avec le même équipement, etc. Les informations et les méthodes pour les utiliser deviennent de plus en plus importantes. Cela est d'autant plus pertinent dans les pays développés du monde, dans le contexte de la tendance continue à transférer la production directe de matières vers les pays en développement où les coûts de la main-d'œuvre, de l'énergie et des matières premières sont faibles. Le concept de systèmes DSS correspond directement à la tâche de support d'information de ce paradigme.

Quelles sont les principales tendances industrielles aujourd’hui ? Ce:

• la mondialisation;
• élargissement;
• spécialisation (pour les entreprises de taille moyenne);
• intégration dans les réseaux d'approvisionnement;
• se concentrer sur le développement de nouveaux produits et services ;
• la nécessité de rivaliser simultanément sur la qualité et le prix.
• L’industrie se concentre aujourd’hui sur :
• développement de nouveaux produits;
• commercialisation;
• tirer parti de la consolidation et de l'intégration dans les réseaux d'approvisionnement ;
• gestion des ressources humaines.

Analysant les raisons du retard des États-Unis en matière de développement industriel, la Commission du Département américain du commerce extérieur estime que pour accroître la compétitivité, en particulier, il est nécessaire (l'auteur ne fournit que les points de recommandations pertinents au sujet de considération, la liste initiale elle-même est un peu plus large) :

accorder plus d'attention à la planification stratégique et investir davantage dans la recherche et le développement ;

étudier la stratégie des concurrents étrangers et améliorer la vôtre ;

• accorder plus d'attention à la fonction de production et investir davantage dans l'équipement et le personnel ;
• éliminer les barrières de communication au sein de l’organisation ;
• reconnaître l’intérêt de développer des liens d’information avec les fournisseurs et les consommateurs.

Le support informationnel pour la mise en œuvre des recommandations ci-dessus des systèmes DSS peut ressembler à ceci :

• « prêter... attention à la planification stratégique... » - analyser les données historiques sur la structure des coûts, la dynamique des prix ;
• « étudier la stratégie des concurrents étrangers » - analyser la dynamique du marché ;
• « prêter plus d'attention à la fonction de production » - analyser les coûts de gestion des actifs, la dynamique tarifaire, l'efficacité de l'utilisation des équipements et la productivité du capital ;
• « supprimer les barrières de communication » - analyser les données historiques sur les paramètres de mise en œuvre des processus commerciaux internes et l'efficacité des résultats ;
• « reconnaître la valeur du développement de relations informationnelles » - analyser les données historiques sur les relations avec les clients et les fournisseurs.

Résoudre efficacement ces problèmes nécessite une analyse approfondie à la fois de l'environnement du marché et de la dynamique d'utilisation de toutes les ressources internes.

Le personnel et les approches de gestion revêtent une importance particulière dans la lutte concurrentielle avec une situation presque égale en termes d'accès à la technologie. Dans les pays développés du monde, le personnel, du moins celui qui dirige la planification stratégique, est passé de la catégorie « Coûts » à la catégorie « Fonds » - la première doit être progressivement réduite et la seconde doit être développée et investie.

Il convient également de noter qu'il existe actuellement une tendance mondiale générale au développement préférentiel du marché des services par rapport à la sphère de production elle-même. L’économie devient de plus en plus informationnelle plutôt que matérielle.

Considérant le marché des entreprises, il est très révélateur d’analyser ce que les systèmes existants peuvent et ne peuvent pas faire, principalement les types ERP et gestion de projet.

La défense

Dans le domaine de la défense, les systèmes analytiques de la classe DSS se développent pour résoudre des problèmes :

planification et gestion des opérations ;

gestion de la planification et des opérations.

Ainsi, selon les résultats de la première guerre en Irak, l’impact économique de l’utilisation des systèmes d’intelligence artificielle était estimé à environ 100 millions de dollars. Cela a conduit à une multiplication par trois environ des allocations destinées au développement des données informatiques dans l'intérêt du département américain de la Défense. Aujourd'hui, les crédits dans ce domaine sont déjà estimés à des milliards de dollars.

État

Dans le domaine de la construction de l’État, le rôle des systèmes DSS est encore limité. Potentiellement, leur domaine d'utilisation est lié à l'évaluation de l'efficacité des programmes étatiques et municipaux. Cela est dû avant tout au fait que les programmes étatiques et municipaux ne se limitent pas à l'effet économique en tant que tel. Le développement des systèmes d'information dans ce domaine dépend en grande partie de la compréhension philosophique du rôle et de la place de l'État dans le monde futur, c'est-à-dire un rôle fondamental dans ce processus est l’élaboration de critères et d’approches pour leur évaluation.

Des offres

Un portrait généralisé des systèmes DSS peut être dressé sur la base d'une brève analyse des propositions de Cognos, SAS, Hyperion et Oracle. Cet article ayant un caractère introductif, l'auteur ne s'est pas fixé pour objectif une analyse comparative des produits - c'est le sujet d'autres ouvrages.

Tout d'abord, vous devez faire attention au fait que la liste des acteurs clés du marché des systèmes DSS ne coïncide pas avec la liste des principaux fabricants de systèmes ERP. La présence d'Oracle dans cette liste reflète l'intention clairement exprimée par Oracle de développer ce domaine, la présence d'une boîte à outils véritablement développée pour mener à bien de tels projets et les récentes acquisitions de l'entreprise dans ce domaine. De ce point de vue, IBM et Microsoft pourraient être ajoutés à la liste analysée, mais ces fabricants appartiennent encore plus au domaine des outils et des plates-formes qu'à celui des applications.

Le principal ensemble fonctionnel des systèmes DSS comprend :

• planification financière et budgétisation;
• génération de reporting consolidé (jusqu'à 200 rapports préconfigurés) ;
• création d'un système d'information de gestion stratégique basé sur des indicateurs clés de performance (Balance Score Cards) avec des bibliothèques d'indicateurs préconfigurées (jusqu'à 500) ;
• analyse des relations avec les clients et les fournisseurs ;
• analyse des tendances du marché;
• analyse des coûts fonctionnels (ABC-Costing) ;
• gestion des coûts fonctionnels (Activity Based Management, ABM) ;
• système d'amélioration continue (Kiezen Costing) ;
• analyse de données multidimensionnelles (OLAP);
• identifier des modèles cachés (Data Mining) ;
• identifier des modèles de données (structures);
• analyse statistique et prévision de séries chronologiques;
• gestion d'entreprise événementielle (Event-driven BI);
• analyse de risque;
• génération de requêtes préconfigurées (jusqu'à 500-600) ;
• recherche intelligente (basée sur des données incomplètes et des requêtes informelles) ;
• modélisation commerciale et analyse de l'efficacité des processus commerciaux;
• modèles industriels de référence.
• Le nombre de zones d'analyse préconfigurées atteint 30 à 40.
• La gestion d'entreprise événementielle est associée à la détection d'événements préconfigurés de la forme :
• notifications concernant une certaine condition ;
• exécution;
• événements opérationnels.
• La plateforme d'information est Data Warehouse.
• Environnement d'outils - systèmes d'intégration basés sur des standards ouverts. Ces systèmes répondent aux exigences :
• sécurité de l'information;
• évolutivité ;
• ouverture;
• présentation de données multidimensionnelles et multivariées ;
• interface intelligente ;
• intégrabilité avec les principales plateformes et applications métiers, intégration de données provenant de diverses sources, intégration de réseaux (principalement web) ;
• fournir un service de « nettoyage » des données lors de leur chargement dans le stockage.
• Le support technique concerne :
• traitement de l'information;
• stockage fiable des données et assurance de l’intégrité ;
• archivage et récupération de données ;
• support de réseau et de télécommunications;
• support cryptographique ;
• gestion des accès des utilisateurs ;
• chargement de données, notamment à l'aide d'outils d'interface intelligents (reconnaissance de formes : texte, parole, images).

Une caractéristique distinctive des produits considérés est leur disponibilité opérationnelle immédiate nettement plus grande que dans le cas des systèmes ERP (cycles de mise en œuvre nettement plus courts en présence de bases de données héritées).

Résultats cibles

Les résultats des projets visent à offrir l'opportunité d'obtenir des réponses aux questions :

• L'entreprise est-elle saine ?
• qui est mon meilleur client ?
• Quel est mon meilleur produit ou service ?
• Quel fournisseur dois-je choisir et pourquoi ?
• Où manquons-nous généralement les délais et pourquoi ?
• Quelle est la performance de notre personnel ?
• Quelle filiale a le plus (le moins) contribué au résultat ?
• Que montre l’analyse de la productivité du capital d’équipement ?
• quel scénario et quelle approche choisir lors d’une fusion (restructuration) d’entreprises ?
• et ainsi de suite.

Classification des problèmes d'analyse typiques et méthodes statistiques pour les résoudre

Cette section fournira une classification possible des problèmes analytiques survenant dans le domaine des affaires, de la finance et de la gestion et résolus par des méthodes statistiques. La classification des méthodes statistiques présentées dans les systèmes DSS des sociétés énumérées ci-dessus et leur applicabilité pour résoudre diverses classes de problèmes analytiques seront également prises en compte.

Soulignons les classes suivantes de problèmes analytiques dans le domaine de la finance, des affaires et de la gestion qui nécessitent l'utilisation de diverses méthodes statistiques pour leur solution :

• analyse horizontale (temporelle);
• analyse verticale (structurelle);
• analyse et prévision des tendances ;
• analyse d'indicateurs relatifs;
• analyse comparative (spatiale);
• analyse factorielle.

Toutes les tâches analytiques énumérées ci-dessus n'ont pas actuellement la même importance pour chaque entreprise spécifique. Dans leurs activités quotidiennes, il y a encore une grande part d’opérations comptables de routine et de nombreuses choses qui ne nécessitent encore aucune analyse. Cependant, même les très petites entreprises commencent à ressentir le besoin de renforcer le rôle de l’approche analytique.

Considérons maintenant la classification des méthodes d'analyse statistique. Toutes ces méthodes peuvent être divisées dans les classes suivantes :

• statistiques descriptives;
• tester des hypothèses statistiques;
• analyse de régression;
• analyse de variance;
• analyse de données catégorielles ;
• analyse multivariée ;
• Analyse discriminante;
• l'analyse par grappes;
• analyse de survie ;
• analyse et prévision de séries chronologiques ;
• conception statistique d'expériences et contrôle statistique de la qualité.

Nous laisserons également une analyse détaillée des méthodes mathématiques ci-dessus en dehors du cadre de notre revue.

Méthodes analytiques dans les outils d'exploration de données

Les méthodes analytiques donnent à l'utilisateur final la possibilité d'effectuer l'intégralité du cycle de travail avec des données sources comportant de gros volumes et une structure statistique peu claire. Ce cycle s'appelle Data Mining et se compose de plusieurs étapes : échantillonnage, recherche, modification, modélisation, évaluation des résultats (Sample, Explore, Modify, Model, Assess).

Les outils de Data Mining permettent de poser et de résoudre des problèmes d'analyse traditionnels et non traditionnels. Par exemple, l'énoncé traditionnel du problème est le suivant : "Déterminer s'il existe une relation statistique entre des indicateurs tels que le volume de production d'un produit et le volume de ses ventes (ventes)".

L'énoncé suivant du problème serait non traditionnel : « Il existe plusieurs dizaines (voire centaines) d'indicateurs de l'activité d'une entreprise, et il faut déterminer entre lesquels d'entre eux des liens statistiques doivent être recherchés en général, quel type de il faut rechercher des connexions (les indicateurs doivent-ils être considérés comme égaux, ou devons-nous considérer uniquement les indicateurs indépendants, et d'autres variables dépendantes), sur quels objets ces connexions se manifestent.

Lors du fonctionnement de l'application, au stade de l'échantillonnage, un sous-ensemble d'observations est constitué à partir des données originales (sélection par critères ou sélection aléatoire). Aux étapes de recherche et de modification, les opérations suivantes peuvent être effectuées : filtrage des données, suppression des données présentant de grandes valeurs aberrantes, transformation des variables d'origine. Au stade de la modélisation, des régressions sont construites et un sous-ensemble de variables est optimisé, des décisions sont prises sur la base de techniques de réseaux neuronaux qui mettent en œuvre divers algorithmes d'apprentissage de classification d'objets, des arbres de classification sont construits pour sélectionner l'ensemble optimal de variables et la partition optimale d'un ensemble. d'objets, clustering et regroupement optimal d'objets. Enfin, au stade de l'examen et de l'évaluation des résultats, l'utilisateur a la possibilité de comparer divers résultats de modélisation, de sélectionner la classe et les paramètres optimaux des modèles et de présenter les résultats de l'analyse sous une forme pratique.

Au stade de la préparation des données, l'accès à toutes les bases de données relationnelles, textes et fichiers SAS est fourni. Des outils supplémentaires de transformation et de nettoyage des données vous permettent de modifier la vue de présentation, de normaliser les valeurs et d'identifier les valeurs non définies ou manquantes. Sur la base des données préparées, des procédures spéciales construisent automatiquement divers modèles pour des prévisions plus approfondies, la classification de nouvelles situations et l'identification d'analogies. Ces applications prennent en charge la construction de cinq types différents de modèles : réseaux de neurones, arbres de décision de classification et de régression, k-quartiers les plus proches, apprentissage bayésien et clustering.

Analyse de logiciels pour les systèmes d'aide à la décision existants

Examinons de plus près les outils de data mining (DAM) utilisés dans les systèmes d'aide à la décision.

La première direction dans le développement des outils IAD devrait être les méthodes de traitement des données statistiques, qui peuvent être divisées en quatre sections interdépendantes :

• analyse préliminaire de la nature des données statistiques (test d'hypothèses de stationnarité, de normalité, d'indépendance, d'homogénéité, évaluation du type de fonction de distribution et de ses paramètres) ;
• identification de connexions et de modèles (analyse de régression linéaire et non linéaire, analyse de corrélation) ;
• analyse statistique multivariée (analyse discriminante linéaire et non linéaire, analyse groupée, analyse composantes, analyse factorielle) ;
• modèles dynamiques et prévisions basées sur des séries chronologiques.

Parmi les outils d'analyse statistique les plus connus et les plus populaires figurent les packages Statistica, SPSS, Systat, Statgraphics, SAS, BMDP, TimeLab, DataDesk, SPlus, Scenario (BI) et Mesosaur.

Une direction particulière dans le spectre des outils analytiques de l'IAD consiste en des méthodes basées sur des ensembles flous. Leur utilisation permet de classer les données selon le degré de proximité avec les résultats souhaités, pour réaliser la recherche dite floue dans les bases de données. Cependant, le prix d'une polyvalence accrue est une diminution du niveau de fiabilité et de précision des résultats obtenus. Par conséquent, le nombre d’applications spécialisées de cette méthode est encore faible, malgré le fait qu’au cours des 35 dernières années, les mathématiciens appliqués y ont manifesté un intérêt croissant.

La deuxième grande direction de développement consiste en des méthodes d'optimisation cybernétique basées sur les principes des systèmes auto-développés - méthodes de réseaux de neurones, programmation évolutive et génétique.

Mais de nouveaux avantages engendrent également de nouveaux problèmes. En particulier, les solutions obtenues par des méthodes cybernétiques ne permettent souvent pas une interprétation visuelle, ce qui complique dans une certaine mesure la vie des experts en la matière.

Les produits logiciels qui utilisent les méthodes cybernétiques d'IAD incluent les systèmes PolyAnalyst, Neur-oShell, GeneHunter, BrainMaker, OWL et 4Thought (BI).

Les méthodes synergiques sont directement adjacentes aux méthodes cybernétiques de l'IAD. Leur utilisation permet d'évaluer de manière réaliste l'horizon de prévision à long terme. Les études liées aux tentatives de construction de systèmes de contrôle efficaces dans des modes de fonctionnement instables sont particulièrement intéressantes.

La troisième grande section de l'IAD devrait inclure un ensemble de méthodes traditionnelles pour résoudre les problèmes d'optimisation - méthodes variationnelles, méthodes de recherche opérationnelle, y compris divers types de programmation mathématique (linéaire, non linéaire, discrète, entière), programmation dynamique, principe du maximum de Pontryagin, méthodes de la théorie des systèmes de files d'attente. Les implémentations logicielles de la plupart de ces méthodes sont incluses dans les packages d'applications standard, tels que Math CAD et MatLab.

La quatrième section des outils IAD comprend des outils que nous appellerons conditionnellement experts, c’est-à-dire associés à l’utilisation directe de l’expérience d’un expert. Il s'agit notamment de la méthode du « voisin le plus proche », qui constitue la base de produits logiciels tels que les outils Pattern Recognition Workbench ou KATE.

Une autre approche pour choisir une solution est associée à la construction d'une conclusion logique séquentielle - un arbre de décision, dans chaque nœud duquel l'expert fait un choix logique simple (« oui » - « non »). Selon le choix effectué, la recherche d'une solution se déplace le long de la branche droite ou gauche de l'arbre et arrive finalement à la branche terminale correspondant à une solution finale déterminée. Ici, le processus d'apprentissage statistique est pris en dehors du programme et concentré sous la forme d'une expérience a priori contenue dans un ensemble de branches de décision.

L'une des variantes de la méthode de l'arbre de décision est l'algorithme d'arbre de classification et de régression, qui propose un ensemble de règles pour la classification dichotomique d'un ensemble de données sources. Cette méthode est généralement utilisée pour prédire quelles séquences d’événements auront un résultat donné. Sur la base d'arbres de décision, des produits logiciels tels que IDIS, C5.0 et SIPINA ont été développés.

Les méthodes expertes devraient également inclure des systèmes d'analyse de situations et de prévision orientés sujet, basés sur des modèles mathématiques fixes qui correspondent à l'un ou l'autre concept théorique. Le rôle de l'expert est de sélectionner le système le plus adéquat et d'interpréter l'algorithme qui en résulte. Les avantages et les inconvénients de tels systèmes sont évidents : l'extrême simplicité et accessibilité d'utilisation et le prix de la fiabilité et de la précision de cette simplicité. Des exemples de produits logiciels qui répondent à des systèmes spécifiques à un domaine dans le domaine de la finance sont Wall Street Money, MetaStock, SuperCharts, Candlestick Forecaster.

A la fin de l'examen des méthodes expertes de l'IAD, il convient de mentionner les méthodes de visualisation des données et des résultats de leur analyse, qui permettent d'afficher visuellement les résultats pour créer une image unifiée de la situation pour les experts en la matière et/ ou chefs de projet. Les produits logiciels qui vous permettent de générer des rapports préliminaires et de visualiser les résultats incluent les systèmes Mineset et Impromptu (BI). En particulier, le système Mineset contient des outils tels qu'un visualiseur de paysage, des visualiseurs de variances, des arbres, des règles et des preuves.

Une nouvelle orientation pour la visualisation des résultats, basée sur les idées des mathématiques fractales, permet la formation d'affichages non linéaires complexes à l'aide de graphiques couleur.

Au début du voyage

Si nous parlons de la mise en œuvre des systèmes et technologies de l’information en Ukraine, nous en sommes à leurs balbutiements. L'objectif principal de cet article était d'attirer l'attention, en premier lieu, des responsables fonctionnels des services concernés, sur les opportunités disponibles, la pratique mondiale d'utilisation des systèmes et les principales tendances de leur développement.

L'expérience de l'auteur dans la réalisation des travaux préparatoires à la mise en œuvre des produits en question a montré que, d'une part, les données historiques sont sous-estimées dans les entreprises ukrainiennes et que les bases de données disponibles sont souvent très « pauvres » pour en extraire des informations significatives, parce que ont été développés pour résoudre des problèmes de comptabilité et non de gestion. D’un autre côté, en Ukraine, la capacité d’extraire des connaissances à partir de données est très limitée en raison de la rapidité des changements dans le cadre législatif, ce qui fausse considérablement les statistiques temporelles. Cela conduit à la nécessité d'utiliser, par exemple, des méthodes non linéaires, au développement desquelles, en collaboration avec des scientifiques ukrainiens, la société dirigée par l'auteur participe activement.

Les domaines scientifiques liés à la question à l'étude sont pratiquement restés en dehors du champ de cet article, à la fois en raison de leur format limité et parce qu'ils concernent principalement un autre domaine de la connaissance - les mathématiques fondamentales elles-mêmes.

En plus de cet article, vous pouvez consulter les sujets de la section actuelle :
dans la rubrique "Encyclopédie"
2 articles dans la rubrique "Articles".
1 articles dans la rubrique "Historique".
__________________