Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Systemy informatyczne zarządzania W. Bartkiewicz Wykład 8. Systemy Wspomagania Decyzji.

Podobne prezentacje


Prezentacja na temat: "Systemy informatyczne zarządzania W. Bartkiewicz Wykład 8. Systemy Wspomagania Decyzji."— Zapis prezentacji:

1 Systemy informatyczne zarządzania W. Bartkiewicz Wykład 8. Systemy Wspomagania Decyzji

2 Omawiane w wcześniej kategorie systemów informatycznych koncentrują się przede wszystkim na zaspokajaniu potrzeb informacyjnych decydentów, usprawniając prace związane z ewidencją i przetwarzaniem danych transakcyjnych przedsiębiorstwa. Kolejny krok na drodze informatycznego wspomagania procesu zarządzania związany jest ze wspomaganiem samego procesu podejmowania decyzji, z wykorzystaniem Systemów Wspomagania Decyzji (DSS – Decision Support Systems). Systemy Wspomagania Decyzji są zorganizowanym zbiorem ludzi, procedur, baz danych i urządzeń wykorzystywanych w celu wspomagania podejmowania decyzji na wszystkich etapach tego procesu, poczynając od rozpoznania czyli zdefiniowania problemu i zaklasyfikowania go do określonej grupy standardowej, następnie poprzez wybór odpowiednich danych stworzenie i analizę modelu informacyjnego opisującego rzeczywistość, dalej pomagając w generowaniu wariantów dopuszczalnych rozwiązań oraz w wyborze najlepszego rozwiązania. Pojęcie systemu DSS

3 DSS stosowane są w sytuacji gdy podjęcie decyzji jest zadaniem skomplikowanym, gdy mamy do czynienia z problemami słabo ustrukturalizowanymi. Systemy te skupiają więc uwagę na wspomaganiu, a nie automatyzacji decyzji. Tym samym ich celem jest podnoszenie skuteczności a nie sprawności zarządzania. W szczególności DSS pozwalają na realizację następujących zadań: –wyszukiwanie danych jednostkowych, czyli wyodrębnionych ze zbiorów danych, –swobodny dostęp do danych oraz ich analizę przyczynowo-skutkową, –dostarczanie danych zbiorczych wcześniej zdefiniowanych, –przygotowywanie projektów możliwych decyzji, –przedstawienie konsekwencji (ocenę) proponowanych decyzji przy wykorzystaniu modeli obliczeniowych i symulacyjnych: "co - jeżeli?", –określanie danych problemu niezbędnych do realizacji określonego celu: wykonywanie analiz sterowanych celami –wybranie wariantu decyzji na podstawie zadanych kryteriów. Pojęcie systemu DSS

4 Analizując zadania DSS, możemy powiedzieć, że są to systemy informatyczne, które wspomagają decydentów w słabo ustrukturalizowanym środowisku decyzyjnym przy wykorzystaniu analitycznych modeli decyzyjnych z dostępem do baz danych. Biorąc pod uwagę powyższe cele Systemów Wspomagania Decyzji, możemy sformułować kilka cech tej klasy systemów: –Zakres zastosowań. DSS koncentrują się wspomaganiu rozwiązywania rzeczywiście powstających problemów decyzyjnych. Są wyspecjalizowane w kierunku i tylko w kierunku podejmowania ściśle określonych decyzji. –DSS koncentruje się więc na konkretnym problemie, w przeciwieństwie np. do systemów MIS, dostarczających informacji wspomagających kompleksowo proces zarządzania daną dziedziną. –W konsekwencji DSS wspiera przede wszystkim pojedynczych decydentów i niewielkie grupy, a dopiero w dalszej kolejności całą organizację. Cechy DSS

5 –Konieczność wykonywania skomplikowanych, wyrafinowanych analiz i porównań, przy wykorzystaniu zaawansowanych pakietów oprogramowania. Zadania stawiane DSS wymagają zwykle zastosowania znacznie bardziej skomplikowanych algorytmów działania niż w przypadku tradycyjnie rozumianego przetwarzania danych. –W związku z tym tworzone są one często w specjalistycznych środowiskach programistycznych dostarczających odpowiednich procedur obliczeniowych (takich jak np. SAS, Matlab, czy nawet w prostszych przypadkach MS Excel). –DSS może również stanowić platformę integrującą dla samodzielnych zewnętrznych programów analitycznych. Cechy DSS

6 –Możliwość przetwarzania dużych ilości danych. DSS nie jest systemem przetwarzania danych masowych w tradycyjnym tego słowa znaczeniu. –Wiele z nich jednak wyposażonych jest w możliwości przeszukiwania obszernych baz danych, co pozwala na integrację tradycyjnego przetwarzania danych z metodami badań operacyjnych, ułatwiając kadrze menedżerskiej stosowanie ilościowych technik zarządzania. –Należy ponadto zwrócić uwagę, że możliwości gromadzenia obszernych zbiorów danych oferowane przez współczesną technologię informatyczną nie do końca idą w parze z możliwościami ich interpretacji i wykorzystania. Fakt ten uznawany jest obecnie za jedno z najistotniejszych wąskich gardeł w procesie rozwoju cywilizacyjnego. –DSS wyspecjalizowane w analizie dużych zbiorów danych, określane jako systemy eksploracji danych (data mining) stanowią jedną z najbujniej rozwijających się dziedzin informatyki. Cechy DSS

7 –Pobieranie i przetwarzanie danych z różnych źródeł. Niektóre dane mogą rezydować w bazach danych na komputerach osobistych, kolejne mogą być ulokowane w innych systemach operacyjnych lub sieciowych. –Dane mogą być przechowywane również w arkuszach kalkulacyjnych, lub innych specyficznych formatach, związanych z np. oprogramowaniem analitycznym. –DSS powinien mieć możliwości, pozwalające na integrację danych z jak największej liczby źródeł. Cechy DSS

8 –Tworzenie raportów i elastyczność prezentacyjna. Jedną z przyczyn powstania DSS był fakt, że systemy transakcyjne i systemy informatyczne zarządzania nie były dostatecznie elastyczne do zaspokojenia wszystkich potrzeb informacyjnych i problemów decydentów. Wyjściami z tego typu systemów są zwykle drukowane raporty o ustalonej strukturze i formacie. –W przypadku Systemów Wspomagania Decyzji menedżerowie mogą otrzymać informację, jakiej potrzebują, w formacie dostosowanym do ich indywidualnych wymagań. –DSS opierają się przede wszystkim na interakcyjnych raportach na ekranie komputera, pozwalających na nawiązanie dialogu z użytkownika z systemem i współprace z nim w trybie on-line. –W zależności od preferencji osoby rozwiązującej problem wyjście może być prezentowane oczywiście również w formie drukowanej, ale zasadniczo DSS są zorientowane ekranowo. Cechy DSS

9 –Orientacja tekstowa i graficzna. Sposób prezentacji informacji wyjściowych w DSS mogą zwykle jest bardzo elastyczny. Obejmuje on zarówno w format tekstowy, jak i graficzny (a coraz częściej również multimedialny). Współczesne DSS mogą tworzyć informacje tekstowe, tabelaryczne, wykresy liniowe, kołowe, linie trendu, itd. –Stosowanie elastycznej techniki prezentacyjnej pozwala decydentom na lepsze zrozumienie sytuacji i łatwiejszą interpretację wyników działania systemu. –Elastyczność i adaptacyjność. Systemy Wspomagania Decyzji dostosowują się do zmian, jakie zachodzą w otoczeniu decydenta, umożliwiając indywidualne podejście do problemu decyzyjnego. –Użytkownik często ma możliwość ingerencji w strukturę wewnętrzną DSS i konfigurowania jej w zależności od swoich indywidualnych potrzeb i uwarunkowań sytuacji decyzyjnej. Cechy DSS

10 Oczywiście nie wszystkie Systemy Wspomagania Decyzji odpowiadają wszystkim wyżej wymienionym charakterystykom. Ponieważ tworzone są one na potrzeby konkretnych problemów decyzyjnych, stopień ich zaawansowania zależy w dużym stopniu od samego problemu jak i potrzeb decydenta. W wielu przypadkach Systemy Wspomagania Decyzji mają mniejszy zakres, posiadając jedynie wybrane z wymienionych właściwości. Przy budowie lub wyborze gotowego DSS zyski z jego właściwości powinny być w równowadze z kosztami systemu, jego złożonością i stopniem kontroli nad nim. Wyrafinowany DSS może być bardzo skomplikowany, podczas gdy inny, zaimplementowany np. w postaci modelu w arkuszu kalkulacyjnym może być bardzo prosty. Cechy DSS

11 Systemy Wspomagania Decyzji tworzone są z myślą o rozwiązywaniu konkretnych indywidualnych problemów. W związku z tym trudno jest mówić o jakimś uniwersalnym jednolitym wzorcu ich budowy. DSS mają silnie zróżnicowaną strukturę wewnętrzną, w zależności od problemu dla którego zostały one stworzone, oraz preferencji użytkownika odnośnie działania systemu. Tym niemniej możemy wyróżnić pewien ramowy schemat ich budowy, obejmujący zwykle kilka standardowych podsystemów: – Baza danych zawiera aktualne dane dotyczące działalności organizacji i jej otoczenia. Z tego powodu możemy czasami mówić o bazie danych wewnętrznych i zewnętrznych organizacji. Dane wewnętrzne pochodzą przede wszystkim z baz danych transakcyjnych oraz innych systemów informatycznych. Dane zewnętrzne pochodzą zwykle od otoczenia gospodarczo-politycznego organizacji. Działanie DSS w sposób kluczowy zależy od jakości danych, tak więc powinny być one uważnie kontrolowane. Struktura DSS

12 –Baza modeli składa się z wielu modułów, z których każdy zawiera opis odpowiednich zachowań związanych z daną sytuacją decyzyjną. Modele te wspierają podejmowanie decyzji na różnych poziomach zarządzania w zakresie różnych funkcji kierowniczych i w różnych dziedzinach działalności obiektu. Z tego powodu ważne jest zapewnienie szczególnie dla tego elementu DSS możliwości ciągłej modyfikacji i rozbudowy. Ta część systemu decyduje bowiem o rzeczywistych możliwościach całego systemu. –Podsystem symulacyjno-decyzyjny na podstawie żądań użytkownika oraz istniejących danych dokonuje wyboru kombinacji modeli niezbędnych do rozwiązania zadania, wyboru danych wejściowych dla tych modeli, oraz wykonuje z ich pomocą niezbędne obliczenia. Zauważmy że przepływy informacyjne tego podsystemu z bazą danych mają charakter dwukierunkowy. Może on nie tylko pobierać dane wejściowe, ale również zapisywać w bazie danych informacje będące wynikiem działania DSS. Podobnie w przypadku bazy modeli podsystem symulacyjno-decyzyjny może również modyfikować modele pod katem konkretnego problemu oraz istniejących danych (np. poprzez reestymację ich parametrów) zapisując zmiany w bazie modeli. Struktura DSS

13 –Interfejs użytkownika (menedżer dialogu) ma zapewnić wysoki komfort obsługi. Pozwala decydentowi na łatwy dostęp i manipulowanie DSS. Steruje pracą modułu symulacyjno-decyzyjnego, oraz przekazuje użytkownikowi otrzymane od niego wyniki obliczeń. Użytkownik musi otrzymywać to czego zażąda w możliwie różnorodnej formie, a system musi być przygotowany na żądania niestandardowe. Nowoczesne interfejsy mają za zadanie jak największe uproszczenie sposobu komunikacji z systemem, poprzez komunikację graficzną, multimedialną, z wykorzystaniem powszechnie stosowanej terminologii biznesowej, a nawet przy użyciu języka naturalnego. Struktura DSS

14 Podsystem symulacyjno- -decyzyjny Interfejs użytkownika Baza danych Baza modeli

15 Jak mogliśmy to zaobserwować w poprzednim punkcie jądrem Systemu Wspomagania Decyzji, decydującym o jego możliwościach są modele przechowywane w bazie modeli. Scharakteryzujemy więc teraz ten element DSS nieco dokładniej. Modelem nazywamy abstrakcję (czyli świadome i celowe uproszczone odwzorowanie) określonego fragmentu rzeczywistości. Przydatność modelu warunkowana jest przez następujące warunki: –Konstrukcji modelu musi towarzyszyć świadomość celu w jakim został on stworzony. –Model powinien odzwierciedlać wszystkie istotne z punktu widzenia celu elementy rzeczywistości, ich własności oraz relacje między nimi i ich własnościami. –Model powinien być wewnętrznie zgodny i zgodny z informacjami, które były podstawą jego konstrukcji. –Model powinien uwzględniać relacje między realnym fragmentem rzeczywistości, a jego otoczeniem. Modele

16 Biorąc pod uwagę wybraną formę reprezentacji rzeczywistości możemy mówić o modelach: –fizycznych (w skład których zaliczymy przede wszystkim różnego rodzaju prototypy urządzeń mechanicznych, elektronicznych itp.), –graficznych (reprezentujących modelowane aspekty problemu z wykorzystaniem różnego rodzaju diagramów i innych form obrazkowych), –matematycznych. Z punktu widzenia możliwości wykorzystania modelu przez systemy informatyczne, największe nasze zainteresowanie budzi oczywiście ta ostatnia grupa. Istnieje przy tym cały szereg metod reprezentacji świata rzeczywistego przez programy komputerowe, wśród których wyróżnić można dwa podstawowe podejścia: –numeryczne – wykorzystujące do opisu stanu modelowanego wycinka rzeczywistości równania i formuły matematyczne, –symboliczne (logiczne) – opisujące rzeczywistość w postaci zestawów umownych symboli oraz zależności logicznych między nimi. Modele

17 Podział ten nie ma oczywiście charakteru ostrego. W zasadzie można powiedzieć, że każdy program komputerowy stanowi model rzeczywistości, wykorzystujący do jej opisu zarówno aparat matematyczny, jak i logiczny. W zależności od przewagi udziału każdego z nich możemy zakwalifikować go do którejś z grup. Jako przykłady krańcowych przypadków możemy z jednej strony wymienić tu z jednej skomplikowane modele matematyczne wymagające zastosowania złożonych algorytmów numerycznych, zaś z drugiej strony systemy oparte na inżynierii wiedzy. Mówiąc o reprezentacji rzeczywistości w postaci systemu informatycznego należy wskazać tu na dwa podstawowe elementy modelowane w komputerze: stan rzeczywistości reprezentowany z wykorzystaniem danych, oraz dynamikę zmian stanu (zachowanie) rzeczywistości reprezentowaną w postaci algorytmu. Modele

18 Ze względu na stopień naszej wiedzy o reprezentowanym fragmencie rzeczywistości, możemy mówić o następujących rodzajach modeli: –modele algorytmiczne. Są to tzw. silne modele, z silnymi założeniami i bez parametrów wolnych (szacowanych na podstawie danych). –Wymagają one dogłębnego zrozumienia natury problemu i istnienia wiedzy o sposobie jego rozwiązania, pozwalającej na wyspecyfikowanie równań lub algorytmów opisujących zachowanie modelowanego systemu. –Stanowią one niewątpliwie najefektywniejszą metodologię rozwiązania problemu. –Zwykle jednak stosowane mogą być jedynie w przypadku systemów stosunkowo prostych, dla których możliwe jest precyzyjne zrozumienie i opisanie modelowanych fenomenów. Modele

19 –modele dedukcyjne. Stosowane są w przypadku problemów, dla których nie jesteśmy w stanie zbudować precyzyjnej specyfikacji matematycznej lub algorytmicznej (logicznej). –Możemy tym niemniej na podstawie bezpośredniej obserwacji systemu wykryć pewne stałe wzorce jego zachowania. Pozwala to na określenie przez modelującego pewnych ogólnych zasad opisujących dynamikę systemu. –Typowymi przykładami zastosowania rozumowania dedukcyjnego są systemy ekspertowe oraz wnioskowanie statystyczne. –W pierwszym przypadku modelujący wraz z ekspertem tworzy bazę wiedzy opisującą zachowanie systemu w postaci szeregu reguł logicznych o niewielkiej liczbie parametrów wolnych. –Systemy wnioskowania statystycznego dla odmiany, takie jak regresja liniowa, czynią silne założenia odnośnie natury związku między zmiennymi, pozwalając oszacowanie parametrów wolnych na podstawie zaobserwowanych danych. Modele

20 –modele indukcyjne. W miarę jak wzrasta złożoność systemu, możliwość bezpośredniego, precyzyjnego określenia pewnych stałych wzorców jego zachowania zwykle maleje. –Powiązania między zmiennymi stają się niejawne, nie można poczynić niemal żadnych założeń odnośnie ich natury. –Problemy tego typu rozwiązywane mogą być przy wykorzystaniu nieparametrycznych metod, takich jak sieci neuronowe, nieparametryczna regresja, adaptacyjne systemy rozmyte czy też algorytmy genetyczne. –Metody te w procesie analizy danych pozwalają na określenie nie tylko wartości parametrów, ale również kształtu odwzorowania między zmiennymi. Modele

21 –modele indukcyjne. W miarę jak wzrasta złożoność systemu, możliwość bezpośredniego, precyzyjnego określenia pewnych stałych wzorców jego zachowania zwykle maleje. –Powiązania między zmiennymi stają się niejawne, nie można poczynić niemal żadnych założeń odnośnie ich natury. –Problemy tego typu rozwiązywane mogą być przy wykorzystaniu nieparametrycznych metod, takich jak sieci neuronowe, nieparametryczna regresja, adaptacyjne systemy rozmyte czy też algorytmy genetyczne. –Metody te w procesie analizy danych pozwalają na określenie nie tylko wartości parametrów, ale również kształtu odwzorowania między zmiennymi. Jak więc widzimy, w miarę wzrostu złożoności modelowanego problemu nasz stopień jego poznania a priori zwykle maleje i ciężar przesuwa się w kierunku analizy wzorców jego zachowania na podstawie obserwacji. Modele

22 Systemy Wspomagania Decyzji obejmują zwykle wobec tego nie tylko modele wspomagające sam proces decyzyjny, ale również modele analityczne identyfikujące pewne istotne zmienne i fakty występujące w badanym problemie oraz porządkujące zebrana wiedzę o zależnościach między nimi. Tak więc z tego punktu widzenia modele wykorzystywane przez DSS ogólnie podzielić możemy na następujące kategorie: –Modele objaśniające – w których odwzorowujemy związki i logiczne powiązania między własnościami modelowanych obiektów i na ich podstawie przedstawiamy wynikające z nich wnioski. –Ich celem jest zdobycie wiedzy o samych obiektach, czyli zmiennych, faktach czy procesach mających wpływ na podejmowaną decyzję. –Typowymi przykładami tej klasy modeli mogą być różnego rodzaju modele finansowe, kalkulacji kosztów, prognostyczne, identyfikacji systemów, itd. Modele

23 –Modele weryfikujące – w których, nie ingerując we własności modelowanych obiektów, dokonujemy uporządkowania informacji o badanej rzeczywistości. –Modele te związane są zwykle z różnorodnymi technikami analitycznymi i diagnostycznymi, takimi jak między innymi analiza zależności między zmiennymi (korelacji), analiza skupień, klasyfikacja, itp. –Na przykład analiza skupień w danych dotyczących sprzedaży, pozwala na stworzenie modelu rynku, opartego na rozłącznych (lub nie) segmentach. Diagnostyka natomiast polega na analizie wnętrza modelu, w celu wykrycia przyczyn występowania takich, a nie innych zjawisk. –Modele decyzyjne – na podstawie których chcemy wyznaczyć w modelu nowe obiekty, lub wskazać zamiany w obiektach istniejących, tak, aby spełniały one cel zawarty w naszym problemie. Modele

24 Modele finansowe dostarczają narzędzi do analiz finansowych takich wielkości jak strumienie pieniądza, stopy zwrotu i innych elementów analiz finansowo-ekonomicznych. Ogólnie modele tego typu podzielić można na dwie podstawowe grupy: –Modele bilansowe sensu stricto, czyli modele bilansu, rachunku wyników, rachunku inwestycyjnego i analiz finansowo-ekonomicznych, a także proste modele arytmetyczne wykorzystywane przy planowaniu, kontroli i ocenie uzyskiwanych wyników. Wykorzystują one przede wszystkim metody matematyczne algebraiczne, a bardzo rzadko również rachunku różniczkowego i całkowego. –Modele przepływów międzyoperacyjnych, międzywyrobowych, międzyzakładowych, międzybranżowych i międzygałęziowych wykorzystywane w planowaniu. Wykorzystują one przede wszystkim statyczną analizę input-output oraz metody algebraiczne. Modele bilansowe wykorzystywane są przede wszystkim w jednoetapowych dobrze ustrukturalizowanych problemach decyzyjnych deterministycznych (decyzji podejmowanych w warunkach pewności), oraz do wyznaczania wartości istotnych zmiennych w modelach innych klas. Modele finansowe

25

26 W przypadku modeli optymalizacyjnych, zakładamy, że celem budowy modelu jest znalezienie rozwiązania, optymalnego pod względem pewnego zadanego kryterium (lub kryteriów). Warunki definiujące tego typu cel nazywamy warunkami kierunkowymi. Warunki kierunkowe w modelach optymalizacyjnych nazywamy kryteriami, lub funkcjami celu. Typowym przypadkiem warunku kierunkowego w systemach informacyjnych zarządzania jest minimalizacja kosztów lub maksymalizacja zysku. Jako funkcje celu wykorzystywane mogą być również pochodne tych wielkości, przede wszystkim różnego rodzaju wskaźniki (takie jak np. wewnętrzna stopa zwrotu). W rzeczywistych warunkach dopuszczalne są jedynie pewne rozwiązania, spełniające określone warunki. Warunki te nazywamy ograniczeniami. Typowymi przykładami ograniczeń przy podejmowaniu decyzji z zakresu zarządzania, są wielkości zasobów z których może korzystać organizacja przy realizacji celu. Modele optymalizacyjne

27 W przypadku modeli optymalizacyjnych, zakładamy, że celem budowy modelu jest znalezienie rozwiązania, optymalnego pod względem pewnego zadanego kryterium (lub kryteriów). Warunki definiujące tego typu cel nazywamy warunkami kierunkowymi. Warunki kierunkowe w modelach optymalizacyjnych nazywamy kryteriami, lub funkcjami celu. Typowym przypadkiem warunku kierunkowego w systemach informacyjnych zarządzania jest minimalizacja kosztów lub maksymalizacja zysku. Jako funkcje celu wykorzystywane mogą być również pochodne tych wielkości, przede wszystkim różnego rodzaju wskaźniki (takie jak np. wewnętrzna stopa zwrotu). W rzeczywistych warunkach dopuszczalne są jedynie pewne rozwiązania, spełniające określone warunki. Warunki te nazywamy ograniczeniami. Typowymi przykładami ograniczeń przy podejmowaniu decyzji z zakresu zarządzania, są wielkości zasobów z których może korzystać organizacja przy realizacji celu. Modele optymalizacyjne

28 W modelach jednokryterialnych wyróżniany jest tylko jeden warunek kierunkowy. Tak więc mają one tylko jedną określoną funkcję celu, dla której należy wyznaczyć maksimum lub minimum. W ogólnym przypadku mają one strukturę: gdzie są funkcjami wielu zmiennych definiującymi odpowiednio funkcję celu oraz ograniczenia. Optymalizacja jednokryterialna

29 Tak więc kryterium, np. zysk może być funkcją wielu zmiennych, powiedzmy różnego rodzaju nakładów: produkcyjnych, reklamowych. itp. Interesuje nas znalezienie takiej kombinacji nakładów, dla których zysk jest jak największy. Musi być on przy tym zrealizowany przy pewnych ograniczeniach, dla przykładu łączna wartość wszystkich nakładów nie powinna przekraczać pewnej określonej z góry kwoty. Optymalizacja jednokryterialna

30 W praktyce ekonomicznej często zdarza się, że wszystkie funkcje, tzn. C 1,..., C M zarówno funkcja celu i funkcje ograniczeń, mają charakter liniowy. W takim przypadku znalezienie maksymalnej wartości funkcji celu wiąże się z rozwiązaniem tzw. zadania programowania liniowego. Jest to jedna z najważniejszych klas modeli optymalizacyjnych, dla której ponadto istnieje algorytm pozwalający efektywnie wyznaczyć dokładny punkt ekstremum funkcji celu w skończonej liczbie kroków. Algorytm ten nazywany jest algorytmem simpleks. W przypadku jeśli rozwiązanie zadania programowania liniowego musi być znalezione w dziedzinie liczb całkowitych, mówimy o programowaniu całkowitoliczbowym. Optymalizacja jednokryterialna

31 W przypadku nieliniowych funkcji celu i funkcji definiujących ograniczenia nie ma już takich prostych algorytmów rozwiązania jak algorytm simpleks (lub algorytmy od niego pochodne). Szukanie ekstremum funkcji staje się wówczas procesem iteracyjnym, wymagającym często wielu kroków i pozwalającym na znalezienie jedynie wyniku przybliżonego. Skomplikowana powierzchnia funkcji celu może mieć ponadto charakter wielomodalny, tzn. może istnieć wiele jej lokalnych ekstremów. Do najważniejszych ogólnych klas metod znajdowania ekstremum funkcji celu należą: Optymalizacja jednokryterialna

32 Metody enumeratywne. –Związane są one z sytuacją gdy zbiór wszystkich rozwiązań problemu spełniających ograniczenia jest skończony (i ponadto niezbyt duży). –Jeśli potrafimy dla każdej alternatywy decyzyjnej obliczyć wartość funkcji celu, to wybierając rozwiązanie o wartości maksymalnej rozwiązujemy zadanie. –Rozważmy następujący przykład: Celem naszym jest wybór wariantu inwestowania o maksymalnej stopie zwrotu. Po analizie ofert inwestycyjnych, okazało się, że nasze ograniczenia (dotyczące np. wielkości zaangażowanego kapitału, zabezpieczeń, strategii inwestowania, itp.) spełniają trzy z nich. Po obliczeniu stopy zwrotu, okazało się, że mają one odpowiednio wartości: 13.5%, 12.9%, 14.1%. Decyzją optymalną będzie oczywiście wybór wariantu trzeciego. Optymalizacja jednokryterialna

33 Metody losowe. –Możliwość zastosowania metod enumeratywnych jest oczywiście na ogół ograniczona. –Inne metody rozwiązywania zadań optymalizacyjnych mają charakter iteracyjny. –Rozpoczyna się od pewnego rozwiązania początkowego, poprawiając je w każdym kroku algorytmu poprzez wybór rozwiązania lepszego pod względem wartości kryterium. –W metodach losowych wybór kolejnego rozwiązania odbywa się na chybił trafił w określonym sąsiedztwie rozwiązania poprzedniego lub poprzez określone analizy probabilistyczne (metody pseudolosowe). –Przykładem algorytmu tego typu może być wyżarzanie wykładnicze. Optymalizacja jednokryterialna

34 Metody gradientowe. –Wiadomym jest, że w punkcie ekstremum pochodna funkcji celu (dla funkcji wielu zmiennych nazywana gradientem) musi być równa 0. Jeśli wobec tego da się rozwiązać równanie (bądź raczej układ równań) wyznaczające miejsce zerowe pochodnej, będzie oznaczać to znalezienie rozwiązania optymalnego. –Niestety zastosowanie tego typu metod jest ograniczone do pewnych niewielkich klas problemów (np. znajdowanie minimum kwadratowej funkcji błędu w zagadnieniu regresji liniowej może być dokonane przez rozwiązanie układu równań normalnych, wyznaczającego miejsce zerowe pochodnej funkcji błędu). –Pojawia się tu również problem z ograniczeniami. Optymalizacja jednokryterialna

35 Metody gradientowe c.d. –Znana jest również zależność, ze znak pochodnej wskazuje na to czy funkcja maleje czy rośnie. –W przypadku wielowymiarowym oznacza to, że poruszanie się w kierunku przeciwnym do gradientu funkcji celu oznacza zbliżanie się do jej minimum. –Większość metod gradientowych ma więc charakter iteracyjny. Kolejne przybliżenia rozwiązania wyznaczane są w kierunku przeciwnym do gradientu funkcji celu, pod warunkiem, że spełnia ono ograniczenia. –Do tej kategorii należą np. takie podstawowe algorytmy minimalizacji funkcji jak metoda najszybszego spadku, czy też sprzężonych gradientów. Metody heurystyczne. –Są to metody iteracyjne, wyznaczające kolejne przybliżenia rozwiązania, poprzez heurystyczne przekształcenia rozwiązań poprzednich. Np. algorytmy genetyczne wykorzystują heurystykę, że połączenie dwu dobrych rozwiązań może zaowocować czymś jeszcze lepszym. Optymalizacja jednokryterialna

36 Nieco innymi przykładami zadań optymalizacyjnych są zadania optymalizacji kombinatorycznej, łączą one problematykę znajdowania ekstremum funkcji celu z teorią grafów. Wymienić tu możemy przykładowo zagadnienia harmonogramowania, czy też optymalizacji sieciowej, takie jak optymalizacja sieci dystrybucji, tras przejazdów, analiza przedsięwzięcia, itp. Modele optymalizacyjne stosowane są najczęściej w jednoetapowych problemach decyzyjnych, w warunkach pewności. Łączone są one często z modelami finansowymi pozwalającymi na wyznaczenie istotnych parametrów optymalizacji. Niektóre metody wykorzystywane są jednak również w decyzjach wieloetapowych, np. programowanie dynamiczne, czy też metody analizy sieciowej (PERT, CPM). Dla niektórych modeli optymalizacyjnych istnieją również wersje stochastyczne, stosowane w warunkach ryzyka. Optymalizacja jednokryterialna

37 W praktyce zarządzania często możemy spotkać decyzje, które nie mają jednego kryterium celu. Jeśli rozważamy dla przykładu decyzje inwestycyjne, to bez wątpienia jednym z celów menedżera jest maksymalizacja zysku, ale również należy wziąć pod uwagę inne kryteria, np. minimalizacja ryzyka. Modele decyzyjne w których bierzemy pod uwagę wiele celów nazywamy wielokryterialnymi. W ogólnym przypadku mają one strukturę: Optymalizacja wielokryterialna

38 Gdzie C 1,..., C K : R n R są funkcjami definiującymi K funkcji celu podlegających optymalizacji, C K+1,..., C M : R n R są funkcjami ograniczeń. Optymalizacja wielokryterialna

39 Rozwiązania dopuszczalne optymalne pod względem wszystkich kryteriów, nazywamy idealnymi. Należy jednak powiedzieć, że zadanie decyzyjne optymalizacji wielokryterialnej rzadko posiada rozwiązanie idealne. Kryteria mogą być ze sobą w dużej mierze sprzeczne (np. jak najniższa cena i jak najwyższa jakość wybieranego towaru), ponadto zwykle rozwiązanie idealne znajduje się poza obszarem dopuszczalnym wyznaczanym przez ograniczenia. W większości wypadków w modelach wielokryterialnych musimy więc zadowolić się wyznaczeniem rozwiązania niezdominowanego, tzn. takiego, dla którego nie ma rozwiązań dopuszczalnych o wartościach wszystkich kryteriów bardziej zbliżonych do rozwiązania idealnego, czyli jest ono w obszarze dopuszczalnym optymalne pod kątem choćby jednego kryterium. Optymalizacja wielokryterialna

40 Rozwiązań niezdominowanych może jednak istnieć wiele. Powstaje więc pytanie, które z niech powinniśmy wybrać? Problem jest w zasadzie nierozstrzygalny, jeśli przyjmiemy, ze wszystkie kryteria są równie ważne dla decydenta. Jedynym rozwiązaniem jest wyartykułowanie przez niego pewnych preferencji (np. w formie wag) odnoszących się do istotności poszczególnych kryteriów. Pozwala to na scalenie wartości kryteriów w jedną funkcję, nazywaną zwykle użytecznością rozwiązania. Problem optymalizacyjny może być już wtedy rozwiązany metodami wykorzystywanymi w optymalizacji jednokryterialnej, poprzez maksymalizację użyteczności. Optymalizacja wielokryterialna

41 Problem modelowania preferencji decydenta nie jest oczywiście zadaniem prostym. Istnieje cały szereg modeli wielokryterialnych, związanych z wyznaczaniem wag poszczególnych kryteriów w ogólnej użyteczności (agregacja liniowa), jak również innymi sposobami agregacji kryteriów. Przykładem może być tu nieliniowe modelowanie funkcji użyteczności z wykorzystaniem sieci neuronowych. Preferencje decydenta modelowane są zazwyczaj na bazie tzw. macierzy preferencji, w której zbiera się wyniki porównania parami istotności poszczególnych kryteriów. Na podstawie analizy macierzy preferencji wyznaczane są wagi kryteriów. Wagi zazwyczaj dobierane są metodą najmniejszych kwadratów, lub z użyciem metody AHP (Adaptive Hierarchical Process) Saatyego. Optymalizacja wielokryterialna

42 Omawiane w poprzednim punkcie modele optymalizacyjne zakładają możliwość wyspecyfikowania jasno określonej funkcji celu (bądź wielu funkcji celów) pod kątem których menedżer ocenia różne opcje decyzyjne prowadzące do rozwiązania problemu. Jednak już w przypadku modeli wielokryterialnych napotkaliśmy na poważne problemy z tego rodzaju założeniem. Nietrudno więc wyobrazić sobie sytuację, w której funkcja celu jest niemożliwym do jawnego sprecyzowania zagmatwanym zlepkiem różnych kryteriów. Ponadto decyzja niekoniecznie musi być związana z optymalizacją celów. Często wystarczy nam osiągnięcie pewnego satysfakcjonującego stanu. Klasyfikacja

43 Zastanówmy się dla przykładu nad decyzjami kredytowymi w bankach. –Oczywiście mamy w ich przypadku do wyboru dwie podstawowe alternatywy: przyjąć wniosek lub go odrzucić. –Czasami mogą w grę wchodzić również dodatkowe opcje, takie jak konsultacja z przełożonym, dokładniejsze przebadanie sytuacji wnioskodawcy, itp. ale dla uproszczenia pominiemy je w dalszych rozważaniach. –Celem decyzji o przyznaniu kredytu jest oczywiście osiągnięcie określonych zysków przy jak najmniejszym ryzyku. –Analizując wniosek kredytowy nie korzystamy jednak w sposób jawny z funkcji celu wyliczając ją dla każdej z alternatyw i znajdując jej ekstremum. –Po prostu na podstawie parametrów wniosku, takich jak kwota kredytu, dochody wnioskodawcy, zabezpieczenia, itp. wybieramy jedną ze wspomnianych wyżej decyzji. Klasyfikacja

44 W przypadku decyzji kredytowej możemy więc mówić o klasyfikowaniu wniosków kredytowych na podstawie wartości pewnych istotnych zmiennych (atrybutów) do jednej z dwu (lub ogólnie pewnej skończonej liczby) grup odpowiadających poszczególnym alternatywom decyzyjnym. Podobnych sytuacji decyzyjnych możemy wymienić tu bardzo wiele: –w grze giełdowej na podstawie cen, indeksów i wskaźników giełdowych podejmowane są decyzje transakcyjne typu sprzedaj, kup, wstrzymaj się; –na podstawie informacji o kliencie i jego historii zakupów podejmowane są decyzje o podjęciu w stosunku do niego akcji marketingowej lub nie; –rozpoznając stan przedsiębiorstwa na podstawie jego wskaźników ekonomicznych podejmujemy decyzję o tym czy jest ono zagrożone bankructwem lub nie, czy ma szanse rozwoju czy grozi mu stagnacja, itp. Klasyfikacja

45 Ogólnie mówiąc zadanie klasyfikacji polega więc na znalezieniu odwzorowania (tzw. klasyfikatora): Gdzie C = {C 1,..., C n } jest skończonym zbiorem klas odpowiadających poszczególnym alternatywom decyzyjnym, zaś zbiór X R p przestrze- nią atrybutów których wartości decydują o wyniku klasyfikacji. Odwzorowanie klasyfikujące f c dzieli więc przestrzeń X na n obszarów decyzyjnych grupujących wzorce atrybutów należące do jednej kategorii. Klasyfikacja

46 W przypadku zagadnień klasyfikacji liczba i same alternatywy decyzyjne muszą być znane i określone z góry. Aby zbudować model niezbędne jest jednak zbudowanie odwzorowania klasyfikującego f c, które wybierze dla danego zestawu atrybutów wejściowych odpowiadającą mu alternatywę decyzyjną czyli klasę do której należy dany wzorzec wejściowy. Często klasyfikator f c dla danego wzorca wejściowego określa rozkład prawdopodobieństwa jego przynależności do poszczególnych klas. Znając rozkład prawdopodobieństwa, łatwo można wybrać konkretną klasę, kierując się choćby regułą maksymalnego prawdopodobieństwa. Klasyfikacja

47 Klasyfikatory budowane są zazwyczaj na podstawie zgromadzonych danych. W tym celu należy mieć zdefiniowanych reprezentantów każdej klasy w postaci: –jednego wzorca idealnego tzw. centroidu, lub –zestawu danych o których wiemy, że należą do tej klasy. Przykładowo jeśli zgromadziliśmy dwa zestawy danych dotyczących wniosków kredytowych: tych które zakończyły się pomyślną spłatą kredytu, oraz tych w przypadku których należności okazały się nieściągalne, możemy wykorzystując metody statystycznej analizy danych zbudować klasyfikator, który dla nowych wniosków określi decyzję jaką należy w stosunku do nich podjąć. Klasyfikacja

48 Istnieje cały szereg rozmaitych podejść do budowy klasyfikatorów, wykorzystujących różne formalizmy matematyczne i opierających się często na zupełnie odmiennych koncepcjach budowy. Do najważniejszych metodologii wykorzystywanych w tego typu zadaniach należą: analiza dyskryminacyjna, korzystająca z klasycznych modeli statystycznych regresji liniowej, klasyfikacja Bayesowska (tzw. naiwny Bayes lub metoda k-najbliższych sąsiadów), czy też sieci neuronowe. Inne podejścia stosowane do budowy klasyfikatora polegają na określeniu symbolicznych reguł klasyfikujących, które w sposób jawny definiują wartości (lub przedziały wartości) atrybutów dla których należy wybrać określoną alternatywę decyzyjną. Reguły te mogą być zapisane w formie klasycznych reguł wnioskowania lub w postaci tzw. drzewa decyzyjnego. Klasyfikacja

49

50 JEŻELI Lokalizacja=zła I Wartość = średnia TO Nieruchomość = średnia

51 Reguły klasyfikacyjne mogą być opracowywane na podstawie wiedzy eksperta lub doświadczonego operatora zajmującego się danym problemem, ale również często generowane są na podstawie danych. Do najważniejszych metod określania reguł klasyfikacyjnych na podstawie danych należą: –indukcyjne metody uczenia maszynowego (algorytmy CART, C4.5), –algorytmy genetyczne (tzw. genetyczne systemy klasyfikujące), –metody generowania reguł z wykorzystaniem sieci neuronowych. Klasyfikacja

52 Modele klasyfikujące stosowane mogą być nie tylko w przypadku decyzji podejmowanych w warunkach pewności ale dają często możliwość określenia niepewności (ryzyka) klasyfikacji. Klasyfikator zamiast wybierać konkretną klasę ze zbioru może wspomagać decydenta poprzez określenie rozkładu prawdopodobieństwa wyboru każdej z nich. –Tak więc np. dla konkretnego nowego wniosku kredytowego, zamiast kategorycznie stwierdzać czy przyznać kredyt czy też odmówić jego udzielenia, klasyfikator może określić rozkład prawdopodobieństwa: przyznać z prawdopodobieństwem 0.8, odrzucić z prawdopodobieństwem 0,2. Klasyfikatory, zwłaszcza oparte na regułach klasyfikujących, mogą mieć również charakter rozmyty. O metodach rozmytych dokładniej będziemy mówili w dalszej części wykładu. Klasyfikacja

53 Modele klasyfikujące wymagają znajomości z góry opisów kategorii (alternatyw decyzyjnych) w postaci ich centroidów lub zbiorów przykładów (danych należących do klasy). Zdarza się jednak, że założenia te nie są spełnione. Na podstawie analizy zależności występujących w danych zebranych o badanym zagadnieniu klasy muszą zostać określone bez wcześniejszej znajomości ich opisów. Proces ten nazywamy analizą skupień (grupowaniem). Celem analizy skupień jest więc wykrycie w danych jednorodnych podgrup, do których należą wzorce podobne do siebie. Wzorce wyraźnie różniące się między sobą powinny natomiast zostać zaliczone do różnych podgrup. Analiza skupień (grupowanie)

54

55 Typowe zastosowania analizy skupień to: –Segmentacja rynku – wykrywanie w zbiorze klientów jednorodnych podgrup (segmentów rynkowych), do których kierowane będą różne działania marketingowe. –Podział przedsiębiorstw opisanych przez wskaźniki gospodarcze na jednorodne podgrupy, odpowiadające różnym poziomom bezpieczeństwa przedsiębiorstwa. –Wykrycie w danych giełdowych jednorodnych wzorców zachowania inwestorów, prowadzących do identyfikacji zachowania całego rynku lub konkretnego waloru. –Redukcja wymiarowości danych, poprzez zgrupowanie danych podobnych pod względem wybranych cech, które będą mogły zostać pominięte w dalszej analizie. –Wizualizacja danych wielowymiarowych w postaci map podobieństwa w przestrzeni dwu- lub trójwymiarowej. Analiza skupień (grupowanie)

56 Większość algorytmów grupowania danych opiera się na jednym z dwu najważniejszych podejść : –Grupowanie hierarchiczne (hierarchical clustering). –Grupowanie podziałowe (partitional clustering). Grupowanie hierarchiczne organizuje dane w drzewiastą strukturę coraz bardziej zagnieżdżonych skupień, poprzez rekurencyjne rozdzielanie (metody rozdziałowe) lub łączenie (metody aglomeracyjne) skupień. –Metody grupowania aglomeracyjnego (agglomerative clustering) rozpoczynają od niewielkich skupień (często jednoelementowych). W kolejnych krokach skupienia najbliższe łączone są w nowe, większe grupy, redukując w ten sposób liczbę skupień. Algorytm kończy się z chwilą osiągnięcia jednego skupienia, obejmującego cały zbiór danych. –Metody grupowania rozdziałowego (divisive clustering) rozpoczynają od jednego wielkiego skupienia. W każdym kroku najbardziej niepodobne wzorce danych przenoszone są do nowych skupień, aż do chwili rozdzielenia danych na drobne, jednoelementowe grupy. –Metody aglomeracyjne wykorzystywane są znacznie częściej. Analiza skupień (grupowanie)

57

58 W grupowaniu podziałowym próbujemy uzyskać podział zbioru danych na grupy, który minimalizuje ich zróżnicowanie wewnętrzne, lub maksymalizuje zróżnicowanie między skupieniami. Metody te nie mają charakteru hierarchicznego, ponieważ ich wynikiem są grupy danych na tym samym poziomie podziału. Do najważniejszych podejść do grupowania podziałowego należą algorytm c-środków, algorytm Kohonena. Analiza skupień (grupowanie)

59 Analiza powinowactwa polega na badaniu atrybutów lub cech, które współwystępują razem. Metody analizy powinowactwa, nazywane również analizą koszyków rynkowych poszukują powiązań (asocjacji) między tymi atrybutami, tj. reguł opisujących związek między dwoma lub więcej atrybutami. Reguły asocjacyjne przyjmują formę Jeżeli poprzednik to konkluzja wraz z miarami tzw. wsparcia i ufności reguły. –Jeśli dla przykładu w pewnym supermarkecie stwierdzono, że na 1000 klientów w czwartkową noc 200 kupiło serwetki, a spośród nich 50 kupiło również piwo, to reguła asocjacyjna miałaby postać: Jeżeli kupowane są serwetki to kupowane jest piwo ze wsparciem 50/1000 = 5% i ufnością 50/200 = 25%. Reguły asocjacyjne

60 Przykładami zastosowań analizy asocjacji mogą być: –Badanie proporcji abonentów sieci telefonii komórkowej, którzy pozytywnie odpowiedzieli na różne oferty promocyjne. –Badanie proporcji dzieci, którym rodzice często czytali na głos do dzieci dobrze czytających. –Określanie, które towary sprzedawane są razem, a które prawie nigdy nie są sprzedawane razem. –Analiza które strony webowe odwiedzane są przez tych samych użytkowników. –Określanie jakie dokumenty powinna zaproponować wyszukiwarka użytkownikowi, który wykazał zainteresowanie określonym ich zestawem. Reguły asocjacyjne

61 Zadanie określenia reguł asocjacyjnych na podstawie zbioru danych, odbywa się zwykle w dwu następujących fazach: –Wykrywanie zbiorów często współwystępujących elementów (frequent itemsets), tj. zbiorów atrybutów, które występują z częstością (wsparciem) większym od pewnego założonego progu. –Generowanie na podstawie tych zbiorów reguł asocjacyjnych, które mają ufność powyżej pewnego założonego progu. Najważniejszym algorytmem służącym do tworzenia reguł asocjacyjnych jest tzw. algorytm A priori. Reguły asocjacyjne

62 Modele analizy decyzyjnej możemy uznać za połączenie modeli klasyfikacyjnych i optymalizacyjnych. Wymagają one analizy kolejnych alternatyw decyzyjnych oraz wpływających na nie czynników z wykorzystaniem drzewa decyzyjnego. Poszczególne alternatywy określają zyski/straty jakie są z nimi związane, analiza wpływu czynników zewnętrznych dostarcza prawdopodobieństw realizacji poszczególnych opcji. Wyboru alternatywy decyzyjnej, dokonuje się korzystając z reguły maksymalnej wartości oczekiwanej zysku. Przykład: Przedsiębiorstwo sadownicze rozważa problem ubezpieczenia sadu przed skutkami wymrożenia. Koszt ubezpieczenia wynosi 5000 zł. Koszt ewentualnej szkody powstałej wskutek wymrożenia sadu oszacowany został na zł. Na podstawie prognoz długoterminowych i opinii górali prawdopodobieństwo łagodnej zimy, która nie spowoduje szkód ocenia się na 0,8. Analiza decyzyjna

63

64 Modele prognostyczne pełnią istotną rolę w procesie podejmowania decyzji, pozwalając na uzyskanie oszacowań wartości (lub rozkładów prawdopodobieństw) istotnych zmiennych wpływających na wybór alternatywy decyzyjnej. Tworząc prognozę staramy się zwykle przy użyciu różnych metod zbudować model badanego zjawiska, który pozwoli nam określić wartości zmiennej wyjściowej na podstawie znanych nam faktów z teraźniejszości lub przeszłości. O prognozach mówimy w przypadku gdy naszym celem jest świadome i naukowe przewidywanie przyszłości. W sytuacji gdy zbliżone metody stosowane są do określenia nie znanych bezpośrednio zjawisk w teraźniejszości mówimy o identyfikacji systemów. Modele prognostyczne i identyfikacji systemów

65 Modele analizy i prognozowania szeregów czasowych, zwane również modelami ekstrapolacji prostej. –Opierają się na analizie chronologicznej sekwencji obserwacji prognozowanej zmiennej (lub prognozowanych zmiennych). –Ich celem jest wykrycie zależności i korelacji między jej pomiarami w różnych momentach czasowych. –Zidentyfikowane wzorce zachowania prognozowanej zmiennej są następnie wykorzystywane w teraźniejszości lub ekstrapolowane w przyszłość. –Tak więc zakładają one, że jedynymi czynnikami wpływającymi na prognozowaną zmienną są jej przeszłe wartości, oraz czas. –Prognoza może być sporządzana na następny okres, bezpośrednio po chwili dla której mamy ostatnią obserwację, lub na kilka okresów do przodu (najczęściej metodą krokową, poprzez iteracyjne działanie modelu). –Do najważniejszych modeli szeregów czasowych należą: metody średniej ruchomej i wygładzania wykładniczego, analityczne i adaptacyjne modele tendencji rozwojowej, modele składowej periodycznej, modele Boxa- Jenkinsa (ARMA, ARIMA i różnego rodzaju warianty) oraz łańcuchy Markowa. Modele prognostyczne i identyfikacji systemów

66 Modele przyczynowe. –Zakładają one, że zachowania prognozowanej zmiennej (nazywanej również zmienną zależną, objaśnianą) może być objaśnione przez zachowanie zbioru innych zmiennych (zmiennych niezależnych, objaśniających). –Celem modelu przyczynowego jest więc identyfikacja zależności między zmiennymi i wykorzystanie jej do celów prognostycznych. –U podstaw modeli przyczynowych leży analiza statystyczna, ale często w powiązaniu z teorią modelowanych zjawisk. Ta ostatnia zwykle stosowana jest do doboru postaci analitycznej modelu i zmiennych objaśniających (identyfikacja strukturalna modelu). Poprzez analizę danych statystycznych z przeszłości szacowane natomiast zwykle są parametry modelu (identyfikacja parametryczna). –Niekiedy spotkać można sytuację, kiedy teoria nie daje podstaw do budowy modelu przyczynowego, natomiast badania empiryczne wykazują związek między rozpatrywanymi zmiennymi, co umożliwia zbudowanie prognozy wyłącznie w oparciu o analizę danych historycznych. Tego typu modele nazywamy symptomatycznymi. Modele prognostyczne i identyfikacji systemów

67 Modele przyczynowe. –Do najważniejszych i najczęściej stosowanych prognostycznych modeli przyczynowych należą liniowe modele statystyczne (regresji liniowej i krzywoliniowej), oraz modele nieliniowe, takie jak regresja nieliniowa, sieci neuronowe, lub systemy z logika rozmytą. –W przypadku prognoz jakościowych, wymienić możemy modele klasyfikacyjne (klasyfikatory), sieci neuronowe i systemy ekspertowe. Modele prognostyczne i identyfikacji systemów

68 Metody prognozy przez analogię. –Służą one do przewidywania przyszłości określonej zmiennej na podstawie danych o zmiennych podobnych, co do których istnieją zbyt słabe podstawy, aby przypuszczać, że są one przyczynowo powiązane ze zmienną prognozowaną. –Istota zmiennych uwzględnianych w badaniu może być bądź taka sama (np. liczba klientów w supermarketach w kinach w Warszawie i w Łodzi) bądź różna (np. wydatki reklamowe przedsiębiorstwa i liczba kooperantów). Metody heurystyczne. –Polegają one na wykorzystaniu opinii ekspertów, opartej na ich intuicji i doświadczeniu. –Istotną cechą tych metod jest położenie nacisku na połączenie w procesie prognozowania myślenia świadomego (systematycznego) i intuicyjnego (nieświadomego kojarzenia i porządkowania informacji). Modele prognostyczne i identyfikacji systemów

69 Metody heurystyczne. –Ekspert buduje model myślowy prognozowanego wycinka rzeczywistości, starając się uwzględnić fakty zarówno już znane, jak i przeczuwane, ilościowe i jakościowe. Dokonuje eksperymentów na modelu, starając się odgadnąć czynniki, które mogą wpłynąć na zmianę prognozowanego zjawiska. –W procesie prognozowania występuje zazwyczaj wielu ekspertów. Ich opinie analizowane są przez organizatora badania, który w celu uzyskania prognozy stosuje zwykle regułę najwyższego prawdopodobieństwa (tzn. prognozą jest opinia najczęstsza) lub jej zmodyfikowane wersje (np. prognozą może być opinia najczęstsza, po odrzuceniu opinii skrajnych). –Metody heurystyczne wykorzystywane są do prognozowania nowych zdarzeń np. nowych odkryć naukowych, technologii, czy potrzeb ludzi, a także do przewidywania zmian dotychczasowych zależności i prawidłowości. –Do grupy tej zaliczyć możemy takie metody jak burza mózgów, metoda delficka, analiza wpływów krzyżowych, czy znacznie bardziej sformalizowane systemy ekspertowe. Modele prognostyczne i identyfikacji systemów

70 Teoria gier stosowana jest do wspomagania decyzji w sytuacjach konfliktowych i niepewnych. Stosowana może być do analizy wielu decyzji mikro i makroekonomicznych. Możemy mówić o różnych rodzajach gier: –Gry z naturą – w których gracz gra przeciwko pewnym obiektywnym sytuacjom losowym, wykorzystując informacje probabilistyczną o pewnych stanach natury. –Gry dwuosobowe – w których uczestniczy dwu graczy. Możemy mówić o następujących rodzajach gier dwuosobowych: Gry o sumie zero, w których zysk jednego z graczy równy jest stracie drugiego. W związku z tym gra ma charakter konkurencyjny, nie ma możliwości współpracy między graczami. Gry o sumie dowolnej, w których warunek równości zysków i strat obu graczy nie zachodzi. Ich interesy nie są całkiem przeciwne - możliwe jest, że dzięki współpracy mogą obaj zyskać. Oczywiście porozumienie obu graczy może być niedozwolone (gry niekooperacyjne) lub dopuszczalne (gry kooperacyjne). –Gry wieloosobowe – kooperacyjne i niekooperacyjne. Teoria gier

71 W punktach poprzednich koncentrowaliśmy się przede wszystkim na modelach matematycznych. Obok nich istotną funkcję w Systemach Wspomagania Decyzji pełnią modele o charakterze graficznym. Pakiety tego rodzaju umożliwiają wyświetlanie, ale również interakcyjne tworzenie różnego rodzaju diagramów i wykresów prezentujących dane i informacje. Modele graficzne mają często kluczowy charakter, ponieważ wizualizacja ułatwia decydentom postrzeganie danych zbiorczych oraz zależności miedzy danymi. Modele graficzne


Pobierz ppt "Systemy informatyczne zarządzania W. Bartkiewicz Wykład 8. Systemy Wspomagania Decyzji."

Podobne prezentacje


Reklamy Google