Создание портфолио систем поддержки принятия решений в задаче выбора BI-системы

Таблица 17

SWOT-анализ для системы «Super Decisions»

Таким образом, в таблицах выше был проведен анализ положительных и отрицательных аспектов, рассмотренных в работе систем поддержки принятия решений и были выявлены кейсы практического применения данных систем в научных проектах.

Заключение

Сегодня уже никто не сомневается в необходимости работы с данными и важности этого процесса. Ценность, получаемая из данных - ресурс, без которого нельзя поддерживать конкурентоспособность на современном рынке, и который может помочь вырваться вперед. Системы бизнес-интеллекта или BI-системы - аналитические программные продукты, которые являются неотъемлемым звеном процесса извлечения ценности из данных. BI-системы отвечают за один из важнейших этапов этого процесса: именно с их помощью осуществляется финальный этап структуризации данных и извлечение ценности бизнес-пользователем.

Рынок систем бизнес-интеллекта насыщен продуктами от различных вендоров, поэтому проблема выбора BI-системы, отвечающей всем нуждам бизнеса на сегодняшний день чрезвычайно актуальна.

Задачи принятия решений с подобным уровнем ответственности и огромным количеством факторов, которые необходимо принять во внимание уже несколько десятилетий решаются с помощью систем поддержки принятия решений. Рынок данного типа систем начал развиваться пол столетия назад, и, конечно, также является высоко конкурентным.

В данной работе была решена задача выбора BI-системы в трех программных продуктах. При решении задачи в системах «MPRIORITY 1.0» использовался метод анализа иерархий, система «Super Decisions» была использована для решения задачи методом аналитических сетей, а в системе «ЭСППР» задача была решена девятью методами, опирающимися на принципы большинства, Парето, Байеса, оптимизма, пессимизма, Лапласа и Сэвиджа, а также Марковские процессы.

Возможности систем «MPRIORITY 1.0» и «Super Decisions» позволяют решать задачи принятия решений лишь в условиях неопределенности. В процессе решения задачи в системе «ЭСППР» были смоделированы проблемные ситуации и экспертным путем проставлены вероятности их возникновения, что, безусловно, позволило сымитировать наиболее реалистичную картину принятия решения.

Результаты решения задачи в каждой из систем были не одинаковы, но в каждом из рассмотренных методов принятия решений лидером среди альтернатив становился программный продукт «Microsoft Power BI». Кроме того, к каждой из использованных системы поддержки принятия решений был применен SWOT-анализ, позволивший структурировать положительные и отрицательные факторы, а также выявить кейсы применения данных систем.

Список литературы

1) William Yeoh, Andy Koronios. Critical Success Factors for Business Intelligence Systems. Journal of Computer Information Systems. Volume 50, 2010 - Issue 3. Pages 23-32

2) L. M. Daphne Yiu, Andy C. L. Yeung, T. C. Edwin Cheng. (2020) The impact of business intelligence systems on profitability and risks of firms. International Journal of Production Research 0:0, pages 1-24.

3) Boyer J. Business Intelligence Strategy. A Practical Guide for Achieving BI Excellence/MC Press Online, LLC Ketchum, IBM. [S. a.,] 2010.

4) Брускин С.Н. Системы поддержки принятия решений в корпоративном планировании с использованием информационной бизнес-аналитики: практика и перспективы// Современные информационные технологии и ИТ-образование. Т. 1 (№ 11), МГУ им. М.В. Ломоносова - М., 2015 г. с.593-598.

5) Кравченко Т.К., Исаев Д. В. Системы поддержки принятия решений. Учебник и практикум для академического бакалавриата. М.: Издательство Юрайт, 2017. 293 с.

6) Сухарев М.В. Опосредованный отбор идей в интегрированных системах поддержки принятия решений // Управление большими системами: сборник трудов. 2006. № 02. С. 14-19.

7) Карпов, А. В. Основные типы консенсуса в процессах принятия групповых решении? // Вестник ярославского государственного университета им. П. Г. Демидова. Серия гуманитарные науки. 2011. No3. с. 78-84.

8) Шагов, А. В. Исследование моделеи? принятия решении? в условиях чёткой? и нечёткой? информации: канд. физ-мат наук: 01.01.09. СПб, 2002.187 с.

9) Моргунов Е.П. Система поддержки принятия решений при исследовании эффективности сложных систем: принципы разработки, требования и архитектура// Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева. 2010. № 05. С. 59-63.

10) Энгель Е. А., Ковалев И. В. Методы и алгоритмы обработки информации нечеткими нейросетями в системах интеллектуальной поддержки принятия решений // Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева. 2014. № 10. С. 51-53

11) Лисянский К. А. Архитектуры систем поддержки принятия решений.

12) Devlin, B., "Data warehouse: from architecture to implementation". Addison Wesley Longman, Inc. (1997). ISBN 0-201-96425-2.

13) Спирли, Э., "Корпоративные хранилища данных. Планирование, разраотка и реализация. Т.1". Издательство: Вильямс (2001). ISBN 5-8459-0191-X.

14) Фишберн П.К. Теория полезности для принятия решения. М.: «Наука», 1978

15) Ногин, В.Д. Принятие решении? в многокритериальнои? среде: количественныи? подход. 2-е изд., испр. и доп. М.: ФИЗМАТЛИТ, 2004. 176 с.

16) Подиновскии?, В.В. Введение в теорию важности критериев в многокритериальных задачах принятия решении?. М.: ФИЗМАТЛИТ, 2007. 64 с.

17) Saati T.L. Prinyatie reshenij pri zavisimostyah i obratnyh svyazyah. Analiticheskie seti. M.: LKI, 2008.

18) Saati T.L. Prinyatie reshenij. Metod analiza ierarhij. M.: Radio i svyaz', 1989.

19) Adams W.J., Saaty T.L. Super decisions software guide // Princeton university press. 2003.

20) Artamonov V.S., Labinskij A.Yu., Utkin O.V. Modifikaciya nechetkogo metoda analiza ierarhij na primere ocenki kandidatov v ad"yunkturu // Nauch.-analit. zhurn. «Vestnik S.-Peterb. un-ta GPS MCHS Rossii». 2016. No 4.

21) Saaty, T.L., 1980. “The Analytic Hierarchy Process.” McGraw-Hill, New York.

22) Х. Майн, С. Осаки. Марковские процессы принятия решений

23) Джарратано Д., Раи?ли Г. Экспертные системы: принципы разработки и программирования / пер. с англ. М.: Издательскии? дом «Вильямс», 2007. 1152с.

24) Трахтенгерц Э.А. Компьютерная поддержка принятия решений: научно-практическое издание. Серия «Информатизация России на пороге XXI века». М: СИНТЕГ, 1998.

25) Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Известия РАН. Теория и системы управления. 2001. №6.

26) Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях / А.Е. Алтунин, М.В. Семухин. Тюмень: Изд-во Тюменьского государственного университета, 2000. 352 с.

27) Андрейчиков, А.В. Анализ, синтез и планирование решений в экономике /А.В. Андрейчиков, О.Н.Андрейчикова. 2-изд., доп. и перераб. М.: Финансы и статистика, 2004. 464 с.

28) Гаскаров, Д.В. Интеллектуальные информационные системы: Учебник для вузов/ Д.В. Гаскаров. М.: Высш. шк., 2003.431 с.

29) Белов И. В. Использование программной? системы MPRIORITY для принятия оптимального решения // Молодой ученый. 2014. № 08. С. 67-71.

30) Budashko V. Decision support systems concept for design of combined propulsion complexes // Eastern-European Journal of Enterprise Technologies. 2016. Vol. 1. No. 81. P. 10-21.

31) Burstein F. Clyde W. Handbook on Decision Support Systems 1. Springer. 2008. ISBN 978-3-540-48712-8. 77-84.

Приложение 1 Решение задачи методом анализа иерархий

Рисунок 49 Попарное сравнение альтернатив факторов относительно критерия “Access” в системе Super Decisions (МАИ)

Рисунок 50 Попарное сравнение альтернатив факторов относительно критерия “Additional vizualization” в системе Super Decisions (МАИ)

Рисунок 51 Попарное сравнение альтернатив факторов относительно критерия “Connection” в системе Super Decisions (МАИ)

Рисунок 52 Попарное сравнение альтернатив факторов относительно критерия “Content” в системе Super Decisions (МАИ)

Рисунок 53 Попарное сравнение альтернатив факторов относительно критерия “Design” в системе Super Decisions (МАИ)

Рисунок 54 Попарное сравнение альтернатив факторов относительно критерия “Documentation” в системе Super Decisions (МАИ)

Рисунок 55 Попарное сравнение альтернатив факторов относительно критерия “Formatting” в системе Super Decisions (МАИ)

Рисунок 56 Попарное сравнение альтернатив факторов относительно критерия “Functionality” в системе Super Decisions (МАИ)

Рисунок 57 Попарное сравнение альтернатив факторов относительно критерия “ML and AI” в системе Super Decisions (МАИ)

Рисунок 58 Попарное сравнение альтернатив факторов относительно критерия “Monitoring” в системе Super Decisions (МАИ)

Рисунок 56 Попарное сравнение альтернатив факторов относительно критерия “Price” в системе Super Decisions (МАИ)

Рисунок 57 Попарное сравнение критериев внутри кластера “Business factors” в системе Super Decisions (МАИ)

Рисунок 58 Попарное сравнение кластеров в системе Super Decisions (МАИ)

Рисунок 59 Попарное сравнение внутри кластера “Design factors” в системе Super Decisions (МАИ)

Рисунок 60 Попарное сравнение кластеров в системе Super Decisions (МАИ)

Рисунок 61 Попарное сравнение критериев внутри кластера “Technical factors” в системе Super Decisions (МАИ)

Рисунок 62 Попарное сравнение кластеров в системе Super Decisions (МАИ)

Рисунок 63 Попарное сравнение кластеров относительно цели задачи в системе Super Decisions (МАИ)

Рисунок 64 Результаты решения задачи в системе Super Decisions (МАИ)

Рисунок 65 Фрагмент невзвешенной суперматрицы в системе Super Decisions (МАИ)

Рисунок 66 Фрагмент взвешенной суперматрицы в системе Super Decisions (МАИ)

Размещено на Allbest.ru