文章目录
1. DSS的概念
1.1 DSS系统的发展
- 20世纪70年代中期:提出了决策支持系统 (Decision Support System,DSS)
- 20世纪70年代末期: 组成部件:模型库、数据库、人机交互系统
- 20世纪80年代初: 增加了知识库、方法库,构成了三库系统或四库系统。
- 80年代后期:人工智能技术与 DSS 相结合,形成智能决策支持系统。提高了 DSS支持非结构化决策问题的能力。
- 近年来
- 群体决策支持系统:与计算机网络技术结合,供异地决策者共同参与决策。
- 分布式决策支持系统:使用分布式数据库
1. 2 决策支持系统的定义
DSS 的定义始终没有统一观点
1.2.1 定义一
- 概念:DSS 是一个由语言系统、知识系统和问题处理系统3个互相关联的部分组成的,基于计算机的系统。
- 特征:
- 数据和模型是DSS 的主要资源
- DSS 用来支援用户作决策(而不是代替用户作决策)
- DSS主要用于解决半结构化及非结构化问题
- DSS 的作用在于提高决策的有效性(而不是提高决策的效率)。
1.2.2 定义二
- 概念:DSS应当是一个交互式的、灵活的、适应性强的基于计算机的信息系统,能够为解决非结构化管理问题提供支持,以改善决策的质量。
- 特征是
- 主要针对上层管理人员经常面临的结构化程度不高、说明不够充分的问题
- 界面友好,容易被非计算机人员所接受
- 将模型、分析技术与传统的数据存取与检索技术结合起来
- 具有对环境及决策方法改变的灵活性与适应性
- 支持但不是代替高层决策者进行决策
- 充分利用先进信息技术快速传递和处理信息
1.2.3 教材归纳
- DSS是在一种网络环境下,提供对数据、模型和方法进行管理功能的,并具有良好的人-机界面的完整的软件系统。
它拥有能对决策起辅助作用的丰富的数据、成熟的模型、有效的方法
1.3 DSS的基本模式
- 概念:反映了DSS 的形式,及它与“真实系统”、人、外部环境的关系
- 使用:管理者处于核心地位,运用自己的知识和经验,结合决策支持系统提供的支持,对其管理的“真实系统”进行决策
1.4 DSS的结构
- DSS的两种基本结构形式
- 两库结构:
- 由数据库子系统、模型库子系统和对话子系统形成三角形分布的结构
- 由数据库子系统、模型库子系统和对话子系统形成三角形分布的结构
- 基于知识的结构
- 两库结构:
2. DSS的功能
-
整理和提供本系统与决策问题有关的各种数据
如生产数据、库存数据、财务数据、设备运行数据等。
-
尽可能地收集、存储和及时提供与决策有关的外部信息
外部信息是保证正确决策的重要依据,如市场需求、商品价格、原材料供应、竞争对手的经营状况等。
-
及时收集和提供有关各项活动的反馈信息
系统内和与系统相关的信息,如计划完成情况、产品销售情况、用户反映信息等。
-
对各种与决策有关的模型具有存储和管理的能力
如库存控制模型、生产调度模型、投入产出模型等
-
提供对常用的数学方法、统计方法和运筹方法的存储和管理
如统计检验方法、回归分析方法、线性规划方法等
-
对各种数据、模型、方法进行有效管理
为用户提供查找、变更、增加、删除等操作功能,以使用户可以对系统所提供的数据、模型和方法进行有效而灵活的运用
-
运用所提供的模型和方法对数据进行加工,并得出有效支持决策的信息,
如对数据进行汇总、分析、预测等
-
统具有人-机对话接口和图形加工、输出功能
不仅用户可以对所需要的数据进行查询,而且可以输出相应的图形,如回答 “What…if.…” 等类型的问题和输出各种统
计、分析图表。 -
支持分布使用方式
提供有效的传输功能,以保证分散在不同地点的用户能共享系统所提供的模型、方法和可共享的数据,如系统在局域网的环境中运行,并提供了可共享的数据、模型和方法
3. DSS的特点
-
面向决策者
-
支持对半结构化问题的决策
决策支持系统则可以辅助决策者对决策信息过程和方案进行较系统且全面的分析。
-
作用是辅助决策者、支持决策者
在整个决策过程中系统不可能也不应该提供答案,也不应该强加给决策者预先规定的决策顺序。
-
体现决策过程的动态性
-
提倡交互式处理
将人们主观的、经验的判断与客观的信息反映相结合,最后确定决策方案。
4. DSS的组成
4.1 数据的重组和确认
- 问题:从事务处理系统收集的数据必须经过重组和确认才能对决策支持有效
- 解决:通过数据仓库的概念解决
4.2 数据仓库的建立
- 概念:数据仓库是一个与作业层系统分离的数据库,向管理者提供所需要的数据和用来分析这些数据的工具。
- 通过对数据仓库的存取,管理者可以做出以事实为根据的决策来解决许多业务问题
- 生成数据仓库的过程
- 数据获得:识别数据、数据混合、数据提炼
- 载入关系表:保证与逻辑数据模型一致
4.3 数据挖掘和智能体
- 概念
- 数据挖掘:管理者们运用工具在数据仓库进行数据存取和查询
- 智能体:管理者用来在关系数据库中搜寻相应数据的软件,用来做趋势分析、异常情况识别和结果跟踪。
- 数据挖掘的结果类型:
- 联合
- 把各个事件联系在一起的过程
- 例如:将学生们经常同时选修的两门课程联系起来,以便这两门课程不被安排在同一时间。
- 定序:
- 识别模式的过程
- 例如:识别学生们多个学期课程的次序
- 分类
- 根据模式组织数据的过程
- 例如:以学生完成学业的时间为标准分成几个小组。
- 聚类
- 推导特定小组与其他小组相区分的判断规则的过程
- 例如,通过兴趣、年龄、工作经验来划分学生。
- 联合
4.4 模型建立
-
模型管理的目的:帮助决策者理解与选择有关的现象。
例如,在一场广告竞争中,能够知道一种产品对年轻未婚的职业人员或年轻已婚的蓝领工人是否具有吸引力是有益的。
-
不同模型都有不同的应用范围,如:
- 统计模型:包括回归分析、方差和指数平滑
- 会计模型:包括折旧、纳税计划和成本分析
- 人事管理模型:包括环境模拟、角色练习
- 市场营销模型:包括广告策略分析、消费者选择倾向及消费者行为转变分析。
-
建立模型的方法
-
穷举法
- 如:神经网络
以下内容了解即可:
- 一个神经网络包括许多简单的处理单元,它们结合成网络,每个处理单元基于输入的特性及权重产生一个输出。
- 神经网络可以帮助解决复杂模式匹配、不完全信息和大规模数据的问题。
- 不同于规则推理,训练后神经网络得出的决策标准可能与传统或常规规则相矛盾,但是决策结果是有效的。
-
算法或算法模型
是一组可以循环执行以获得结果的过程。算法支持许多类型的业务决策,包括如何投资,何时对商品进行广告宣传,如何把员工分派到项目中去。
-
启发式
启发式方法是一种经验法则,特别适用于分析结构化程度较低的问题。启发式模型在专家系统设计中占据重要地位,因为这些模型允许用户通过应用规则来模拟专家在解决非结构化问题时的技巧和策略。
-
模拟
模拟的目标是仿真。如模拟工厂的运作、业务的操作或一个国家的政治气候。通过这些,用户能在每个环境中进行策略改变分析。
-