Σύστημα υποστήριξης λήψης αποφάσεων

Από τη Βικιπαίδεια, την ελεύθερη εγκυκλοπαίδεια
Μετάβαση σε: πλοήγηση, αναζήτηση
Παράδειγμα ενός Σύστηματος υποστήριξης λήψης αποφάσεων για το John Day Reservoir[1].

Τα συστήματα υποστήριξης αποφάσεων (decision support systems) αποτελούν μια κατηγορία πληροφοριακών συστημάτων βασισμένη στα υπολογιστικά συστήματα τα οποία συμπεριλαμβάνουν και τα συστήματα γνώσεων (knowledge-based systems) που υποστηρίζουν τις δραστηριότητες λήψης αποφάσεων.

Τα Σ.Υ.Λ.Α. εξυπηρετούν το Μάνατζμεντ του οργανισμού και βοηθούν στη λήψη αποφάσεων, οι οποίες μπορεί να είναι ραγδαία μεταβαλλόμενες και δύσκολες να προβλεφθούν εκ των προτέρων.

Επισκόπηση[Επεξεργασία | επεξεργασία κώδικα]

Ένα Σύστημα Υποστήριξης Αποφάσεων είναι μια κατηγορία πληροφοριακών συστημάτων(information systems) (συμπεριλαμβάνοντας, αλλά χωρίς να περιορίζεται, τα υπολογιστικά συστήματα(computerized systems)) οι οποία υποστηρίζει της δραστηριότητες που οδηγούν στη λήψη αποφάσεων μιας επιχείρησης ή ενός οργανισμού. Ένα κατάλληλα σχεδιασμένο Σ.Υ.Λ.Α. είναι ένα αλληλεπιδραστικό λογισμικό (software-based) σύστημα που σκοπεύει να βοηθήσει αυτούς που λαμβάνουν τις αποφάσεις, ώστε να συλλέξουν χρήσιμες πληροφορίες από ένα συνδυασμό ακατέργαστων δεδομένων, εγγράφων και προσωπικών γνώσεων ή επιχειρηματικών μοντέλων έτσι ώστε να αναγνωριστούν, να λυθούν προβλήματα και να παρθούν αποφάσεις.

Τυπικές πληροφορίες τις οποίες ένα σύστημα υποστήριξης αποφάσεων μπορεί να συλλέξει είναι:

  • πληροφορίες για τα αποθέματα από όλο το τρέχων ενεργητικό (συμπεριλαμβανομένων των legacy and relational data sources, cubes, δεδομένα αποθηκών και δεδομένα αγορών),
  • συγκριτικές εικόνες πωλήσεων μεταξύ μιας βδομάδας και τις επόμενης,
  • εκτιμώμενα έσοδα βασισμένα σε υποθέσεις για τις πωλήσεις ενός νέου προϊόντος.

Ιστορία[Επεξεργασία | επεξεργασία κώδικα]

Σύμφωνα με τον Keen (1978)[1], η ιδέα της υποστήριξης αποφάσεων αναπτύχθηκε από δύο κύριες περιοχές έρευνας: Τις θεωρητικές μελέτες που αφορούσαν τη διαδικασία δημιουργίας αποφάσεων μέσα σε ένα οργανισμό, οι οποίες διενεργήθηκαν κυρίως από το Ινστιτούτο τεχνολογίας του Carnegie στα τέλη του 1950s και τις αρχές του 1960s, και την τεχνική δουλεία πάνω στα αλληλεπιδραστικά υπολογιστικά συστήματα, οι οποίες διενεργήθηκαν κυρίως από το Ινστιτούτο τεχνολογίας της Μασαχουσέτης τη δεκαετία του 1960s.[1] Πρέπει να λάβουμε υπόψιν πως η γενική ιδέα των Σ.Υ.Λ.Α. έγινε ανεξάρτητη περιοχή έρευνας στα μέσα τις δεκαετίας του 1970s, πριν αποκτήσει ένταση κατά την διάρκεια της δεκαετίας του 1980. Στην μέση και στο τέλος του 1980s, τα Συστήματα Διοικητικού Επιπέδου (EIS), Πληροφοριακά Συστήματα Υποστήριξης Αποφάσεων Ομάδων (GDSS), και τα οργανωσιακά συστήματα υποστήριξης αποφάσεων (ODSS) εξελίχθηκαν από τα μονού χρήστη (single user) και model-oriented Σ.Υ.Λ.Α..

Σύμφωνα με τον Sol (1987)[2] ο ορισμός, η σαφήνεια και ο σκοπός των Σ.Υ.Λ.Α. άλλαζε συνεχώς καθώς περνούσαν τα χρόνια. Στα 1970 ένα Σ.Υ.Λ.Α. χαρακτηρίζονταν ως "ένα σύστημα βασισμένο σε υπολογιστές, το οποίο βοηθάει στην λήψη αποφάσεων". Στα τέλη του 1970 το κίνημα των συστημάτων υποστήριξης αποφάσεων άρχισε να συγκεντρώνετε στα "αλληλεπιδραστικά, υπολογιστικά συστήματα τα οποία βοηθούν αυτούς που λαμβάνουν αποφάσεις(decision-makers) να χρησιμοποιήσουν βάσεις δεδομένων και μοντέλα, έτσι ώστε να λυθούν προβλήματα λόγω λάθους δομής". Το 1980 τα Σ.Υ.Λ.Α. ήταν σε θέση να παρέχουν συστήματα "χρησιμοποιώντας την κατάλληλη και διαθέσιμη τεχνολογία ώστε να βελτιωθεί η αποτελεσματικότητα των διαχειριστικών και επαγγελματικών δραστηριοτήτων", και στα τέλη του 1980 τα Σ.Υ.Λ.Α. αντιμετώπισαν μία καινούργια πρόκληση προς τον σχεδιασμό έξυπνων-νοήμων σταθμών εργασίας.[2]

Το 1987 η Texas Instruments ολοκλήρωσε την ανάπτυξη του Gate Assignment Display System (GADS) για την United Airlines. Αυτό το σύστημα υποστήριξης αποφάσεων είναι αιτία για τις σημαντικές μειώσεις των καθυστερήσεων των ταξιδιών βοηθώντας στη διαχείριση των επίγειων λειτουργιών στα διάφορα αεροδρόμια, αρχίζοντας με το Διεθνές Αεροδρόμιο του Ο'Hare στο Σικάγο και το Αεροδρόμιο του Στάπλετον στο Ντέβερ του Κολοράντο.[3][4]

Ξεκινώντας περίπου το 1990, οι Αποθήκες Δεδομένων και η Άμεση Αναλυτική Επεξεργασία (OLAP) άρχισαν ευρύνουν το βασίλειο των Σ.Υ.Λ.Α.. Καθώς η αλλαγή της χιλιετίας πλησίαζε, νέες διαδικτυακές αναλυτικές εφαρμογές παρουσιάστηκαν.

Η άφιξη ολοένα καλύτερων αναφορών (reporting technologies) των συστημάτων υποστήριξης αποφάσεων άρχισε να αναδύεται σαν κρίσιμος παράγοντας του management design. Παραδείγματα αυτού μπορούμε να δούμε στο μεγάλο όγκο συζητήσεων των Σ.Υ.Λ.Α. στο εκπαιδευτικό περιβάλλον.

Τα Σ.Υ.Λ.Α. έχουν επίσης μια μικρή συγγένεια με το παράδειγμα της διεπαφής του χρήστη του υπερκειμένου (hypertext). Τα συστήματα PROMIS του πανεπιστήμιου του Βέρμοντ (για ιατρικές λήψεις αποφάσεων) και το ZOG/KMS του Carnegie Mellon (για στρατιωτικές και επιχειρηματικές λήψεις αποφάσεων), ήταν συστήματα υποστήριξης αποφάσεων τα οποία ήταν μεγάλα επιτεύγματα στην έρευνα της διεπαφής των χρηστών. Επιπλέον, αν και οι ερευνητές του υπερκειμένου είχαν γενικότερα ανησυχήσει σχετικά με την υπερφόρτωση πληροφοριών, ορισμένοι ερευνητές, ιδιαίτερα ο Douglas Engelbart, συγκεντρώθηκαν ιδίως στους λήπτες των αποφάσεων.

Ταξινόμηση[Επεξεργασία | επεξεργασία κώδικα]

Όσο αφορά τον ορισμό,δεν υπάρχει μια διεθνώς αναγνωρισμένη Ταξινόμηση των Σ.Υ.Λ.Α.. Διαφορετικοί συγγραφείς προτείνουν διαφορετικές ταξινομήσεις. Χρησιμοποιώντας την σχέση με τον χρήστη σαν κριτήριο, ο Haettenschwiler[5] διακρίνει τα: παθητικό, ενεργό, και συνεργατικό Σ.Υ.Λ.Α.. Ένα παθητικό Σ.Υ.Λ.Α. είναι ένα σύστημα που βοηθάει την διαδικασία της λήψης μίας απόφασης,αλλά αυτό δεν μπορεί να βγάλει σαφές προτάσεις απόφασης ή λύσης. Ένα ενεργό Σ.Υ.Λ.Α. μπορεί να βγάλει τέτοιες προτάσεις ή λύσεις. Ένα συνεργατικό Σ.Υ.Λ.Α. επιτρέπει τον decision maker (ή τον σύμβουλό του) να τροποποιήσει, ολοκληρώσει, ή να εκκαθαρίσει τις προτάσεις αποφάσεις που παρέχονται από το σύστημα, πριν τις στείλει πίσω στο σύστημα για επιβεβαίωση. Το σύστημα ξανά βελτιώνει, ολοκληρώνει και εκκαθαρίζει τις προτάσεις που παρέχονται από τον decision maker και τα στέλνει μετά ξανά σε αυτόν για επιβεβαίωση. Η όλη διαδικασία μετά επαναλαμβάνετε ξανά, μέχρι να παραχθεί μια ενοποιημένη λύση.

Άλλη μία ταξινόμηση για τα Σ.Υ.Λ.Α. δημιουργήθηκε από τον Daniel Power. Χρησιμοποιώντας τον τρόπο της βοήθειας σαν κριτήριο, διακρίνει 5 κατηγορίες: Οδηγούμενα από επικοινωνίες (Communication-driven), Οδηγούμενα από δεδομένα (Data-driven), Οδηγούμενα από έγγραφα (Document-driven) DSS, Οδηγούμενα από γνώση (Knowledge-driven), και Οδηγούμενα από Υποδείγματα (Model-driven).[6]

  • Ένα οδηγούμενο από Επικοινωνίες Σ.Υ.Λ.Α. υποστηρίζει την εργασία 2+ ατόμων στην ίδια μοιρασμένη εργασία – παραδείγματα συμπεριλαμβάνουν ολοκληρωμένα εργαλεία όπως το Microsoft's NetMeeting ή το Groove[7]
  • Ένα οδηγούμενο από Δεδομένα Σ.Υ.Λ.Α. ή data-oriented Σ.Υ.Λ.Α. τονίζει την πρόσβαση και τον επιδέξιο χειρισμό μιας χρονοσειράς (time series) από εσωτερικά δεδομένα της επιχείρησης και, μερικές φορές, εξωτερικά δεδομένα.
  • Το οδηγούμενο από Έγγραφα Σ.Υ.Λ.Α. διαχειρίζεται, ανακτεί, και χειρίζεται την μη δομημένη πληροφορία σε ένα πλήθος από ηλεκτρονικές μορφές.
  • Τα οδηγούμενο από Γνώση Σ.Υ.Λ.Α. παρέχουν ειδικευμένη πραγματογνωμοσύνη Επίλυσης Προβλημάτων (problem-solving) αποθηκευμένη σαν γεγονότα, κανόνες, διαδικασίες, ή σε παρόμοιες δομές. [6]
  • Τέλος ένα οδηγούμενα από Υποδείγματα Σ.Υ.Λ.Α. δίνει έμφαση στην πρόσβαση και στον επίσης επιδέξιο χειρισμό ενός στατιστικού, οικονομικού, βελτιστοποίησης η μοντέλου προσομοίωσης. Το οδηγούμενα από υποδείγματα Σ.Υ.Λ.Α. χρησιμοποιεί δεδομένα και παραμέτρους που παρέχονται από τους χρήστες ώστε να βοηθήσει τους decision makers να αναλύσουν μια κατάσταση. Δεν είναι απαραιτήτως κυριαρχούμενες από δεδομένα(data-intensive). Το Dicodess είναι ένα παράδειγμα ενός ανοικτού κώδικα οδηγούμενου από υποδείγματα Σ.Υ.Λ.Α. γεννήτορα[8].

Χρησιμοποιώντας τον σκοπό σαν κριτήριο,ο Power[9] διακρίνει τα Σ.Υ.Λ.Α. για όλη την επιχείρηση και τα desktop Σ.Υ.Λ.Α.. Ένα Σ.Υ.Λ.Α. για όλη την επιχείρηση συνδέεται με μεγάλες αποθήκες δεδομένων και εξυπηρετεί πολλούς Μάνατζερ ταυτόχρονα μέσα σε μια εταιρεία. Ένα desktop, single-user Σ.Υ.Λ.Α. είναι ένα μικρό σύστημα που μπορεί να τρέχει στο ατομικό PC ενός manager.

Αρχιτεκτονική[Επεξεργασία | επεξεργασία κώδικα]

Σχεδιασμός ενός Συστήματος Υποστήριξης Αποφάσεων μείωσης της Ξηρασίας.

Τα τρία κύρια μέρη μιας αρχιτεκτονικής ενός Σ.Υ.Λ.Α. είναι:[5][6][10][11][12]

  1. Η βάση δεδομένωνΓνωσιακή Βάση): Για να λειτουργήσει ενα DSS, χρειάζεται απαραίτητα δεδομένα. Τα δεδομένα αυτά μπορεί να προέρχονται από διάφορες πηγές συμπεριλαμβανομένου και του Ίντερνετ. Σύμφωνα με τον Methlie (1987), η εισαγωγή, η αποθήκευση, η πρόσβαση, η ενημέρωση και γενικότερα η διαχείριση των δεδομένων γίνεται μέσω του λογισμικού διάχειρισης της βάσης δεδομένων (Data Base Management System).
  2. Το μοντέλο (π.χ., το γενικό πλαίσιο της απόφασης και τα κριτήρια του χρήστη): Όλα τα δεδομένα,που συγκεντρώνονται στην βάση δεδομένων, διαχειρίζονται από διάφορα μοντέλα. Τα μοντέλα αυτά μπορεί να είναι τυπικά (standard) ή προσαρμοσμένα (customized) ανάλογα με τις προτιμήσεις του χρήστη. Η βάση μοντέλων αποτελεί τη συλλογή όλων των μεθόδων, τεχνικων και μοντέλων ανάλυσης ενός προβλήματος, μέσω των οποίων παέχεται η υποστήριξη στον αποφασίζοντα. Στην ουσία πρόκειται για ένα λογισμικό πακέτο το οποίο περιλαμβάνει οικονομικά, στατιστικά στοιχεία και γνώσεις management ή ποσοτικά μοντέλα, που προσδίδουν στο σύστημα ικανότητες για την επίλυση προβλημάτων. Το λογισμικό αυτό,αντίστοιχα με το λογισμικό διαχείρισης της βάσης δεδομένων,ονομάζεται λογισμικό διαχείρισης της βάσης μοντέλων (Model Base Management System) και μέσω αυτού είναι δυνατή η ανάπτυξη νέων μοντέλων,η ενημέρωση ή ο επανακαθορισμός αυτών που ήδη υπάρχουν.
  3. Η διεπαφή του χρήστη: Επίσης σημαντικό στοιχείο της δομής ενός συστήματος λήψης απόφασης είναι ο χρήστης. Ο χρήστης επικοινωνεί και αλληλεπιδρά με το σύστημα και θεωρείται κομμάτι αυτού. Πολλοί ερευνητές τονίζουν ότι σημαντικά αποτελέσματα των DSS οφείλονται στην έντονη αλληλεπίδραση χρήστη και συστήματος. Η αλληλεπίδραση αυτή επηρεάζει σε σημαντικό βαθμό την απόδοση, την ευελιξία και την ευχρηστία του συστήματος.
  4. Οι τελικοί χρήστες από μόνοι τους είναι επίσης πολύ σημαντικά μέρη της αρχιτεκτονικής.[5][12]

Πλαίσιο Ανάπτυξης[Επεξεργασία | επεξεργασία κώδικα]

Τα Σ.Υ.Λ.Α. δεν είναι εντελώς διαφορετικά από τα υπόλοιπα συστήματα και απαιτούν μία δομημένη προσέγγιση. Ένα τέτοιο πλαίσιο συμπεριλαμβάνει ανθρώπους, τεχνολογία και μια προσέγγιση ανάπτυξης.[10]

Τα τεχνολογικά επίπεδα ενός Σ.Υ.Λ.Α. (τόσο του υλικού όσο του λογισμικού) μπορεί να συμπεριλαμβάνουν:

  1. Την εφαρμογή η οποία θα χρησιμοποιηθεί από τον χρήστη. Αυτό είναι το κομμάτι της εφαρμογής που επιτρέπει στον λήπτη των αποφάσεων να πάρει αποφάσεις σε μία συγκεκριμένη προβληματική περιοχή. Ο χρήστης μετά μπορεί να πάρει δράση πάνω στο συγκεκριμένο πρόβλημα.
  2. Τον γεννήτορα(Generator), οποίος περιέχει το περιβάλλον του Hardware/software, ο οποίος επιτρέπει στον κόσμο την εύκολη ανάπτυξη συγκεκριμένων Σ.Υ.Λ.Α. εφαρμογών. Αυτό το επίπεδο κάνει χρήση των case tools(εργαλεία περιπτώσεων) ή συστημάτων όπως το Crystal, AIMMS, και iThink.
  3. Εργαλεία τα οποία συμπεριλαμβάνουν χαμηλότερου επιπέδου hardware/software. Οι γεννήτορες Σ.Υ.Λ.Α. συμπεριλαμβάνουν ειδικές γλώσσες, βιβλιοθήκες λειτουργιών και σύνδεση ενοτήτων.

Μία επαναληπτική προσέγγιση ανάπτυξης επιτρέπει στα Σ.Υ.Λ.Α. να αλλάζουν και να επανασχεδιάζονται σε διάφορα διαστήματα. Άπαξ και το σύστημα σχεδιαστεί, θα χρειαστεί να δοκιμαστεί και να αναθεωρηθεί για να έχουμε το επιθυμητό αποτέλεσμα.

Ταξινόμηση των Σ.Υ.Λ.Α.[Επεξεργασία | επεξεργασία κώδικα]

Υπάρχουν διάφοροι τρόποι να ταξινομήσουμε τις εφαρμογές των συστημάτων υποστήριξης. Δεν ταιριάζουν όλα τα Σ.Υ.Λ.Α. σε μία και μόνο κατηγορία, αλλά ένα μείγμα δύο η και περισσότερων αρχιτεκτονικών σε μία.

Οι Holsapple και Whinston[13] ταξινόμησαν τα Σ.Υ.Λ.Α. στα ακόλουθα 6 πλαίσια: τα κειμενοστρεφής(text-oriented) Σ.Υ.Λ.Α., τα δεδομενοστρεφής(Database-oriented) Σ.Υ.Λ.Α., τα Spreadsheet-oriented Σ.Υ.Λ.Α., τα Solver-oriented Σ.Υ.Λ.Α., τα προσανατολισμένα στους κανόνες(Rule-oriented) Σ.Υ.Λ.Α., και τα σύνθετα(Compound) Σ.Υ.Λ.Α..

Ένα compound(σύνθετο) Σ.Υ.Λ.Α. είναι η πιο δημοφιλής ταξινόμηση. Είναι ένα υβριδικό σύστημα το οποίο συμπεριλαμβάνει 2 ή περισσότερες από το 5 βασικές δομές που περιγράφηκαν από τους Holsapple και Whinston[13].

Η υποστήριξη που δίνετε από ένα Σ.Υ.Λ.Α. μπορεί να διαχωριστεί σε τρεις ευδιάκριτες συγγενικές κατηγορίες[14]: Την προσωπική υποστήριξη, την υποστήριξη μιας ομάδας, και την οργανωσιακή υποστήριξη.

Τα μέρη ενός DSS μπορούν να ταξινομηθούν ως:

  1. Είσοδος: Παράγοντες, αριθμοί, και χαρακτηριστικά προς ανάλυση
  2. Γνώσεις χρηστών και πραγματογνώμων: Είσοδοι που χρειάζονται χειρωνακτική ανάλυση από τον χρήστη
  3. Έξοδοι: Μετασχηματισμένα δεδομένα από τις οποίες οι "αποφάσεις" ενός Σ.Υ.Λ.Α. δημιουργούνται
  4. Αποφάσεις: Αποτελέσματα που δημιουργούνται από το Σ.Υ.Λ.Α. βασισμένο στα κριτήρια του χρήστη

Τα Σ.Υ.Λ.Α. τα οποία εκτελούν επιλεγμένες γνωσιακές λειτουργίες λήψης αποφάσεων και βασίζονται στην τεχνητή νοημοσύνη ή σε intelligent agents τεχνολογίες οι οποίες καλούνται Intelligent Decision Support Systems (IDSS)[15].

Το εκκολαπτόμενο πεδίο της μηχανικής αποφάσεων αντιμετωπίζει την απόφαση αυτούσια σαν ένα engineered object, και εφαρμόζει αξιώματα μηχανικής όπως Σχεδιαστική και ποιοτική ασφάλεια σε μια σαφή αναπαράσταση των στοιχείων που οδηγούν στην λήψη μιας απόφασης.

Εφαρμογές[Επεξεργασία | επεξεργασία κώδικα]

Όπως αναφέρθηκε ποιο πάνω, υπάρχουν θεωρητικές δυνατότητες της δημιουργίας τέτοιον συστημάτων σε οποιοδήποτε γνωστικό πεδίο.

Ένα παράδειγμα είναι το σύστημα υποστήριξης αποφάσεων κλινικών για ιατρικές διαγνώσεις. Άλλα παραδείγματα συμπεριλαμβάνουν έναν υπάλληλο υπεύθυνο για τα δάνεια μιας τράπεζας που επικυρώνει την πίστωση ενός δανείου σε έναν αιτών ή εταιρία μηχανικών ο οποίος έχει θέση μία προσφορά σε ορισμένα projects και επιθυμεί να μάθει εάν μπορεί να είναι ανταγωνιστική με το κοστολόγιο τους.

Τα Σ.Υ.Λ.Α. χρησιμοποιούνται ευρέος στις επιχειρήσεις και στο μάνατζμεντ. Το εκτελεστικό ταμπλό και άλλα software επιχειρησιακής απόδοσης επιτρέπουν την γρηγορότερη λήψη της απόφασης, αναγνώριση των αρνητικών τάσεων, και καλύτερη κατανομή των επιχειρησιακών πόρων.

Μία αυξανόμενη περιοχή εφαρμογής ενός Σ.Υ.Λ.Α., σχεδίων, αξιών, και τεχνικών είναι στην αγροτική παραγωγή, και στο marketing έτσι ώστε να επιτευχθεί μία Αειφόρος ανάπτυξη. Για παράδειγμα, το πακέτο DSSAT4[16][17], που αναπτύχθηκε μέσω οικονομική βοήθειας του USAID κατά την διάρκεια του 80's και του 90's, επέτρεψε την γρήγορη εκτίμηση διαφόρων συστημάτων αγροτικής παραγωγής γύρω από τον πλανήτη για να διευκολύνει τη λήψη αποφάσεων στα αγροκτήματα και στα επίπεδα της πολιτικής. Υπάρχουν, ωστόσο, πολύ περιορισμοί για την επιτυχημένη υιοθέτηση ενός Σ.Υ.Λ.Α. στην γεωργία[18].

Τα Σ.Υ.Λ.Α. έχουν επίσης επικρατήσει στη διαχείριση των δασών όπου ο μακροχρόνιος σχεδιασμός απαιτεί συγκεκριμένες απαιτήσεις. Όλοι οι τομείς της διαχείριση των δασών, από την καταγραφή της μεταφοράς, μέχρι την χρονοδρομολόγιση του θερισμού για την διατήρηση και την προστασία του οικοσυστηματος έχουν δρομολογιθεί από τα σύνχρονα Σ.Υ.Λ.Α.. Μια περιεκτική λίστα και συζητήσεις για όλα τα διαθέσιμα συστήματα στο forest management συλλέγετε υπό την αιγίδα της δράσης του COST Forsys

Ένα αντίστοιχο παράδειγμα αφορά το σύστημα του Καναδικού Εθνικού Οργανισμού Σιδηροδρόμων, το οποίο δοκιμάζει τον εξοπλισμό του σε τακτική βάση χρησιμοποιώντας ένα σύστημα υποστήριξης αποφάσεων. Π.χ. ένα πρόβλημα που αντιμετωπίζουν όλοι οι σιδηρόδρομοι είναι οι φθορά ή οι ελαττωματικές σιδηροτροχιές, το οποίο θα μπορούσε να οδηγήσει σε εκατοντάδες εκτροχιασμούς τον χρόνο. Κάτω από ένα Σ.Υ.Λ.Α. ο Καναδικός Ε.Ο.Σ. κατάφερε να ελαττώσει τα περιστατικά των εκτροχιασμών την ίδια στιγμή όπου άλλες εταιρίες βιώνουν μια αύξηση.

Τα Σ.Υ.Λ.Α. έχουν πολλές εφαρμογές για τις οποίες έχουμε ήδη μιλήσει. Ωστόσο, μπορεί να χρησιμοποιηθούν σε κάθε πεδίο όπου η οργάνωση είναι απαραίτητη. Επιπρόσθετα, ένα Σ.Υ.Λ.Α. μπορεί να σχεδιαστεί ώστε να βοηθήσει στη λήψη αποφάσεων στη χρηματιστηριακή αγορά, ή στη λήψη απόφασης για το ποια περιοχή ή τμήμα της αγοράς είναι το πλέον κατάλληλο για ένα νέο προϊόν.

Η CACI έχει ξεκινήσει την ενσωμάτωση της προσομοίωσης και των συστημάτων υποστήριξης αποφάσεων. Η CACI ορίζει τρεία επίπεδα για την προσομοίωση της ωριμότητας του μοντέλου. Τα μοντέλα του “Επίπεδου 1” είναι παραδοσιακά desktop simulation τα οποία εκτελούνται εντός του φυσικού πακέτου λογισμικού. Αυτά συχνά απαιτούν έναν ειδικό προσομοίωσης ώστε να εφαρμοστούν οι τροποποιήσεις, να τρέξουν τα σενάρια, και να αναλυθούν τα αποτελέσματα . Τα “Επίπεδου 2” μοντέλα ενσωματώνουν την μηχανή μοντελοποίησης σε μία διαδικτυακή εφαρμογή που επιτρέπει στον decision maker να πραγματοποίηση αλλαγές στις διαδικασίες και στις παραμέτρους χωρίς την βοήθεια κάποιου αναλυτή. Τα “Επιπέδου 3” μοντέλα είναι επίσης ενσωματωμένα σε μια διαδικτυακή εφαρμογή με την διαφορά ότι συνδέονται με πραγματικού χρόνου επιχειρησιακά δεδομένα. Η εκτέλεση των “Επιπεδων 3” μοντέλων μπορεί να πυροδοτηθεί αυτόματα βασισμένα στα πραγματικού χρόνου δεδομένα και στα αντίστοιχα αποτελέσματα τα οποία μπορούν να εμφανιστούν στην επιφάνεια εργασίας του μάνατζερ παρουσιάζοντας της κυρίαρχες τάσεις και προγνωστικές αναλύσεις, δεδομένου των τρέχουσων διαδικασιών και την κατάσταση του συστήματος. Το πλεονέκτημα αυτής της προσέγγισης είναι ότι τα “Επιπέδου 1” μοντέλα που αναπτύχθηκαν για τα έργα FDA μπορούν να μεταναστεύσουν σε “Επιπέδου 2 και 3” μοντέλα για υποστήριξη της στήριξης αποφάσεων, του μάνατζμεντ της παραγωγής και των λειτουργιών, του μάνατζμεντ των διεργασιών και της ροής εργασίας, καθώς και προγνωστικές αναλύσεις. Αυτή η προσέγγιση περιλαμβάνει την ανάπτυξη και την συντήρηση επαναχρησιμοποιήσιμων μοντέλων που επιτρέπει στους decision makers να καθορίσουν με ευκολία και να εξάγουν πληροφορίες επιχειρησιακού επιπέδου (π.χ., process metrics). Τα “Επιπέδου 1” μοντέλα αναλύονται στα αντικείμενα των επιχειρήσεων και αποθηκεύονται σε μία βάση δεδομένων. Όλη η επεξεργασμένη πληροφορία αποθηκεύετε στην βάση δεδομένων, συμπεριλαμβανομένης και της δραστηριότητας, των πόρων, και των δεδομένων κοστολόγησης. Η βάση δεδομένων γίνετε μία πρότυπη βιβλιοθήκη όπου οι χρήστες μπορούν να έχουν πρόσβαση έτσι ώστε να δημιουργήσουν, να αλλάξουν, και να τροποποιήσουν τις δικές τους μοναδικές ροές διαδικασιών και μετά να χρησιμοποιήσουν προσομοιώσεις για να μελετήσουν τις αποδόσεις κατ' επανάληψη.

Οφέλη από το DSS[Επεξεργασία | επεξεργασία κώδικα]

  1. Βελτίωση της προσωπικής αποδοτικότητας
  2. Επίσπευση της λύσης του προβλήματος (επιτάχυνση της προόδου της λύσης του προβλήματος μέσα σε ένα οργανισμό)
  3. Διευκόλυνση της επικοινωνίας μεταξύ του προσωπικού
  4. Προάγει την μάθηση ή την εκπαίδευση
  5. Αύξηση του επιχειρησιακού ελέγχου
  6. Δημιουργία καινούργιων αποδείξεων για την στήριξη μιας απόφασης
  7. Δημιουργεί ανταγωνιστικό πλεονέκτημα έναντι των ανταγωνιστών
  8. Ενθαρρύνει την εξερεύνηση και την ανακάλυψη από μέρους του λήπτη των αποφάσεων
  9. Αποκαλύπτει νέες προσεγγίσεις σκέψης σχετικά με το πρόβλημα και το κενό που δημιουργεί
  10. Βοηθάει στην αυτοματοποίηση των διαχειριστικών διαδικασιών

Βιβλιογραφία[Επεξεργασία | επεξεργασία κώδικα]

  1. 1,0 1,1 Keen, P. G. W. (1978). Decision support systems: an organizational perspective. Reading, Mass., Addison-Wesley Pub. Co. ISBN 0-201-03667-3
  2. 2,0 2,1 Henk G. Sol et al. (1987). Expert systems and artificial intelligence in decision support systems: proceedings of the Second Mini Euroconference, Lunteren, The Netherlands, 17-20 November, 1985. Springer, 1987. ISBN 90-277-2437-7. p.1-2.
  3. Efraim Turban, Jay E. Aronson, Ting-Peng Liang (2008). Decision Support Systems and Intelligent Systems. σελ. 574. 
  4. "Gate Delays at Airports Are Minimised for United by Texas Instruments' Explorer". Computer Business Review. 1987-11-26. http://www.cbronline.com/news/gate_delays_at_airports_are_minimised_for_united_by_texas_instruments_explorer. 
  5. 5,0 5,1 5,2 Haettenschwiler, P. (1999). Neues anwenderfreundliches Konzept der Entscheidungsunterstützung. Gutes Entscheiden in Wirtschaft, Politik und Gesellschaft. Zurich, vdf Hochschulverlag AG: 189-208.
  6. 6,0 6,1 6,2 Power, D. J. (2002). Decision support systems: concepts and resources for managers. Westport, Conn., Quorum Books.
  7. Stanhope, P. (2002). Get in the Groove: building tools and peer-to-peer solutions with the Groove platform. New York, Hungry Minds
  8. Gachet, A. (2004). Building Model-Driven Decision Support Systems with Dicodess. Zurich, VDF.
  9. Power, D. J. (1997). What is a DSS? The On-Line Executive Journal for Data-Intensive Decision Support 1(3).
  10. 10,0 10,1 Sprague, R. H. and E. D. Carlson (1982). Building effective decision support systems. Englewood Cliffs, N.J., Prentice-Hall. ISBN 0-13-086215-0
  11. Haag, Cummings, McCubbrey, Pinsonneault, Donovan (2000). Management Information Systems: For The Information Age. McGraw-Hill Ryerson Limited: 136-140. ISBN 0-07-281947-2
  12. 12,0 12,1 Marakas, G. M. (1999). Decision support systems in the twenty-first century. Upper Saddle River, N.J., Prentice Hall.
  13. 13,0 13,1 Holsapple, C.W., and A. B. Whinston. (1996). Decision Support Systems: A Knowledge-Based Approach. St. Paul: West Publishing. ISBN 0-324-03578-0
  14. Hackathorn, R. D., and P. G. W. Keen. (1981, September). "Organizational Strategies for Personal Computing in Decision Support Systems." MIS Quarterly, Vol. 5, No. 3.
  15. Gadomski A.M. et al. (1998). Integrated Parallel Bottom-up and Top-down Approach to the Development of Agent-based Intelligent DSSs for Emergency Management,TIEMS98, Washington, CiteSeerx - alfa:
  16. DSSAT4 (pdf)
  17. The Decision Support System for Agrotechnology Transfer
  18. Stephens, W. and Middleton, T. (2002). Why has the uptake of Decision Support Systems been so poor? In: Crop-soil simulation models in developing countries. 129-148 (Eds R.B. Matthews and William Stephens). Wallingford:CABI.

Περαιτέρω ανάγνωση[Επεξεργασία | επεξεργασία κώδικα]

  • Delic, K.A., Douillet,L. and Dayal, U. (2001) "Towards an architecture for real-time decision support systems:challenges and solutions.
  • Diasio, S., Agell, N. (2009) "The evolution of expertise in decision support technologies: A challenge for organizations," cscwd, pp.692-697, 13th International Conference on Computer Supported Cooperative Work in Design, 2009. http://www.computer.org/portal/web/csdl/doi/10.1109/CSCWD.2009.4968139
  • Gadomski, A.M. et al.(2001) "An Approach to the Intelligent Decision Advisor (IDA) for Emergency Managers.Int. J. Risk Assessment and Management, Vol. 2, Nos. 3/4.
  • Gomes da Silva, Carlos; Clímaco, João; Figueira, José. European Journal of Operational Research.
  • Ender, Gabriela; E-Book (2005-2008) about the OpenSpace-Online Real-Time Methodology: Knowledge-sharing, problem solving, results-oriented group dialogs about topics that matter with extensive conference documentation in real-time. Download http://www.openspace-online.com/OpenSpace-Online_eBook_en.pdf
  • Jiménez, Antonio; Ríos-Insua, Sixto; Mateos, Alfonso. Computers & Operations Research.
  • Jintrawet, Attachai (1995). A Decision Support System for Rapid Assessment of Lowland Rice-based Cropping Alternatives in Thailand. Agricultural Systems 47: 245-258.
  • Matsatsinis, N.F. and Y. Siskos (2002), Intelligent support systems for marketing decisions, Kluwer Academic Publishers.
  • Power, D. J. (2000). Web-based and model-driven decision support systems: concepts and issues. in proceedings of the Americas Conference on Information Systems, Long Beach, California.
  • Reich, Yoram; Kapeliuk, Adi. Decision Support Systems., Nov2005, Vol. 41 Issue 1, p1-19, 19p.
  • Sauter, V. L. (1997). Decision support systems: an applied managerial approach. New York, John Wiley.
  • Silver, M. (1991). Systems that support decision makers: description and analysis. Chichester ; New York, Wiley.
  • Sprague, R. H. and H. J. Watson (1993). Decision support systems: putting theory into practice. Englewood Clifts, N.J., Prentice Hall.
  • Ματσατσίνης, Ν. (2010), Συστήματα Υποστήριξης Αποφάσεων, Νέες Τεχνολογίες, Αθήνα.
  • Άπο Διπλωματική Εργασία κας Γεωργίας Σπυράκη <web link>:http://invenio.lib.auth.gr/record/125869/files/GRI-2011-6276.pdf?version=1
Commons logo
Τα Wikimedia Commons έχουν πολυμέσα σχετικά με το θέμα