浙江工商大学决策支持系统论文.docx
- 文档编号:23599892
- 上传时间:2023-05-18
- 格式:DOCX
- 页数:39
- 大小:105.93KB
浙江工商大学决策支持系统论文.docx
《浙江工商大学决策支持系统论文.docx》由会员分享,可在线阅读,更多相关《浙江工商大学决策支持系统论文.docx(39页珍藏版)》请在冰豆网上搜索。
浙江工商大学决策支持系统论文
课程论文
课程名称
决策支持系统
班级
学号
学生姓名
成绩
目录
第1章决策支持系统概念1
1.1决策支持系统起源1
1.2决策支持系统的概念1
1.3决策支持系统在企业中应用现状2
1.4我对决策支持系统概念的理解3
第2章决策支持系统的系统结构4
2.1决策支持系统组成部件4
2.1.1数据管理子系统(数据库)4
2.1.2模型管理子系统(模型库)4
2.2决策成系统的系统结构5
2.3我对决策支持系统组成部件和结构的理解6
第3章决策支持系统的数据库及相关技术7
3.1决策支持系统中数据库的作用和发展趋势7
3.1.1决策支持系统的功能7
3.2新一代DSS的研究与发展7
3.2.1群决策支持系统(GDSS)7
3.2.2分布式决策支持系统(DDSS)8
3.2.3智能决策支持技术(IDSS)8
3.2.4决策支持中心(DSC)8
3.2.5战略决策支持系统(SDSS)8
3.2.6I3DSS8
3.3数据挖掘概念及其数据挖掘技术综述9
3.3.1数据挖掘的概念9
3.4数据挖掘各种分析方法的简介9
3.4.1分类(Classification)9
3.4.2估计(Estimation)10
3.4.3预测(Prediction)10
3.4.4相关性分组或关联规则(Affinitygroupingorassociationrules)10
3.4.5聚类(Clustering)10
3.4.6描述和可视化(DescriptionandVisualization)11
3.5数据挖掘的主要应用11
3.5.1市场营销11
3.5.2金融11
3.5.3工程与科学研究11
3.5.4产品制造业12
3.5.5司法12
3.6数据仓库概念、建模和数据仓库的应用12
3.6.1数据仓库概念12
3.6.2数据仓库的特性12
3.6.3数据仓库的建模13
3.6.4数据建模的十条戒律13
3.6.5数据仓库的应用13
3.7我对决策支持系中数据库及其相关技术的理解14
第4章决策支持系统的模型库及相关技术15
4.1模型、模型库和模型库管理系统的概念15
4.2模型库在决策支持系统中作用15
4.3模型库发展和应用的前景以及存在的问题15
4.4我对决策支持系中模型库及其相关技术的理解17
第5章决策支持系统的知识库及相关技术18
5.1知识和知识库的概念18
5.2知识的表达与推理18
5.3知识库发展和应用的前景以及存在的问题19
5.3.1优越性19
5.3.2功能19
5.3.3缺陷20
5.4我对决策支持系中知识库及其相关技术的理解20
第6章如何构建一个决策支持系统22
6.1构建决策支持系统的一般步骤22
6.1.1决策支持系统的框架设计23
6.1.2实现决策支持系统24
6.2决策支持系统关键问题25
6.3决策支持系统案例分析27
6.3.1系统描述27
第1章决策支持系统概念
1.1决策支持系统起源
(1)70年代中期,由美国麻省理工学院的米切尔S·斯科特(MichaelS·Scott)和彼德G·W·基恩(PeterG·W·Keen)首次提出了“决策支持系统”一词,标志着利用计算机与信息支持决策的研究与应用进人了一个新的阶段,并形成了决策支持系统新学科。
(2)在整个70年代,研究开发出了许多较有代表性的DSS。
例如:
支持投资者对顾客证券管理日常决策的ProfolioManagement;用于产品推销、定价和广告决策的Brandaid;用以支持企业短期规划的Projector及适用于大型卡车生产企业生产计划决策的CapacityInformationSystem等等。
(3)到70年代末,DSS大都由模型库、数据库及人机交互系统等三个部件组成,它被称为初阶决策支持系统。
(4)80年代初,DSS增加了知识库与方法库,构成了三库系统或四库系统。
知识库系统:
是有关规则、因果关系及经验等知识的获取、解释、表示、推理及管理与维护的系统。
知识库系统知识的获取是一大难题,但几乎与DSS同时发展起来的专家系统在此方面有所进展。
方法库系统:
是以程序方式管理和维护各种决策常用的方法和算法的系统。
1.2决策支持系统的概念
对于决策支持系统(DecisionSupportSystem,以下简称DSS),目前还没有被普遍接受的严格定义。
一个较为经典的定义由ScootMorton提出并经过Keen和ScootMorton修正后,定义如下:
“决策支持系统是将个人的智力资源和计算机的能力结合起来改进决策的质量,它是于计算机的支持系统。
帮助管理决策制定者处理半结构化问题。
”这个定义经过后人的不断完善后,概括为:
“决策支持系统DSS是以管理科学、运筹学、控制论和行为科学为基础,以计算机技术、模拟技术和信息技术为手段,面对半结构化的决策问题,支持决策活动的具有智能作用的人一机计算机系统。
能为决策者提供决策所需要的数据、信息和背景资料,帮助明确决策目标和进行问题的识别,建立或修改决策模型,提供各种被选方案,并对各种方案进行评价和优选,通过人一机对话进行分析、比较和判断,为正确决策提供有益的帮助。
”
在此定义中,DSS的主要任务是:
(1)分析和识别问题;
(2)描述和表达决策问题及决策知识;
(3)形成决策方案;
(4)构造决策问题的求解模型;
(5)建立评价决策问题的各种准则。
1.3决策支持系统在企业中应用现状
由于DSS在实践中对解决决策问题,特别是对于复杂系统和问题的求解,具有重要作用和意义,所以受到各国政府和各管理层的重视。
经过30多年的发展,在理论探讨、系统开发和实际应用诸方面取得了令人瞩目的进步。
在我国,该领域的研究也特别活跃,形成了我国决策支持系统应用开发和研究的许多重要成果。
企业根据自己的情况可以实施不同的DSS应用。
最主要的应用有:
(1)销售支持:
每日按地区、部门、销售员和产品生成销售情况的汇总,给高级经理提供支持。
这些报告标识了丢失的业务、挽回的业务和新的业务。
根据需要还可以定制额外的周期报表,这些特殊的报表给经理提供了比较和趋势分析,有助于确定问题和机会。
DSS应用能够分析和评价以往产品的销售,以确定产品成功或失败的因素。
借助DSS,可以利用全公司的数据来推测一个决策所隐含的利润和收入。
(2)客户分析和市场研究:
DSS应用可以利用统计工具来分析每天收集的交易数据,以确定各种类型客户的消费模式,然后采取相应的营销措施,从而实现最大的利润。
对于重点客户要提供更好的服务和更优惠的价格策略。
对于潜在客户要进行促销以争取。
对于易流失的客户要分析原因以挽回。
市场研究包括:
利用预测模型分析得出每种产品的增长模式,以便做出终止或者扩张某种产品的适当决定;企业品牌和形象的决策支持系统在企业管理中的应用研究研究,以便提高企业和品牌的知名度和美誉度;分析客户满意度:
市场规模和潜在规模的研究等。
(3)财务分析:
按年、月、日或其它自定义周期来进行实际费用和花费的比较;审查过去现金流的趋势,并预测未来的现金需求量;复杂项目的预算计划和成本分摊:
整合各分支机构的财务数据,形成正确、一致的财务报表。
(4)运筹和战略计划:
基于资源和时间的限制,来确定最优的项目时间表;制定工厂每日的生产计划;确定大型连锁机构中分支网点的设立,如连锁店、加油站、通讯中继站等等;协助制定大规模资本投资计划,并计算投资风险。
(5)企业分析:
为了达到组织的目标所必须考虑的因素被称为关键成功因子(CriticalSuccessFactor,CSF)。
CSF是企业级分析的焦点。
这样的因子可以是战略性的或者操作性的,主要从三个来源导出:
组织性因素、行业因素和环境因素。
关键性能指标(KeyPerformanceIndex,KPO提供了CSF在公司层次上的度量。
1.4我对决策支持系统概念的理解
决策支持系统(DecisionSupportSystems)作为一种新兴的信息技术,能够为企业提供各种决策信息以及许多商业问题的解决方案,从而减轻了管理者从事低层次信息处理和分析的负担,使得他们专注于最需要决策智慧和经验的工作,因此提高了决策的质量和效率。
目前在国内,DSS在企业中的开发与应用尚处于初级阶段。
由于决策是一项复杂的管理活动,对从管理决策层面上如何开展DSS的设计和实现,研究还不够深入。
所以应当加强研究。
参考文献:
[1]决策支持系统及其发展概述徐世星
[2]决策支持系统在企业管理中的作用刘从新
[3]决策支持系统(DSS)的研究与发展李珊
[4]智能决策支持系统与现代企业管理刘建军
[5]决策支持系统研究现状分析刘博元,范文慧,肖田元
[6]决策支持系统发展现状与趋势分析吴新年陈永平
[7]浅析决策支持系统的产生和发展陈维娜
第2章决策支持系统的系统结构
2.1决策支持系统组成部件
从计算机软件系统的角度来看,一个DSS中主要的成分是可以互相通信的、有机联系着的三个子系统(DSS的两库系统):
数据管理子系统、模型管理子系统和会话管理子系统。
2.1.1数据管理子系统(数据库)
主要成分包括数据库、数据字典和数据库管理系统,存储着与决策问题有关的数据,数据库中的数据通常可分为:
(1)事务数据
是组织或企业日常生产和管理中发生的数据。
根据数据的来源又可分为(是DSS的基础数据):
内部数据:
内部数据的大部分都是事务数据(库存数据,生产数据,销售数据等);
外部数据:
指来源于企业外部经营环境的数据,如企业所在行业的统计数据,市场调研的结果,税务状况,政府的政策规定等(对决策产生重大影响)。
(2)个人数据
指特定的决策者所收集和使用的数据,对这类数据,DSS中应有严格的保密措施以保证其安全性(个人的用户分析资料数据,是决策者决策行为的重要依据——同一问题,不同的决策)。
2.1.2模型管理子系统(模型库)
模型管理子系统包括模型库、模型库管理系统、该子系统与其他子系统的接口等。
模型库中一般应包含在特定领域中常用的数学模型,这些模型决定了系统可提供的分析能力(是DSS功能强大与否的重要指标)。
模型库管理系统(ModelBaseManagementSystem,MBMS)是该子系统的核心部分,所有模型库中的模型都受MBMS的控制,用户也是通过MBMS来操作模型。
通常将MBMS提供的功能统称为模型操作功能(ModelManipulation),主要的模型操作功能包括(以产品定价模型的演算为例):
(1)模型创建功能:
帮助用户迅速方便地创建决策模型(如盈亏平衡模型)。
(2)模型库维护功能:
MBMS提供专门的模型维护工具,用于模型的登记、分类、删除、复制等(根据具体情况对模型参数进行修正——市场容量,占有率等)。
(3)模型集成功能:
充分发挥现有模型的作用,并能对模型执行情况进行跟踪,以便发现某种问题所在(多种模型的综合应用——市场因素,政策因素)。
(4)结果分析功能:
用来对模型执行结果进行分析和评价,发现决策模型中的问题(各种价格下产品的利润分析——利润最大化)。
2.2决策成系统的系统结构
DSS是由三个基本子系统所构成的,这些基本系统并非相互独立,而是在整个工作过程中相互会话、紧密相关的。
同时,它们还必须与DSS用户有机地连接在一起,才能够发挥各自的作用。
DSS=四库系统+对话系统(人机界面)
四库系统包括数据库系统、模型库系统、方法库系统、知识库系统。
DSS的三库结构和四库结构:
2.3我对决策支持系统组成部件和结构的理解
在阅读了大量的论文和介绍后,我觉得决策支持系统首先需要一个具体而完善的数据库、知识库等,蕴藏有大量和企业生产经营销售客户等有关的信息,然后根据人的需求模型的建立,在已有的知识信息储备下进行不断的完善和修改,对比和删除,最后达成人的需要,得到最优的参考决策。
我认为一个好的系统不仅需要硬件设施还需要软件配合。
并且随着经济全球化等的加深,决策支持系统更加需要引入数据挖掘,数据仓库等新技术,不断开进和完善,从而使得决策更加有效。
参考文献
[8]马哓青.冲击动力学[M].北京:
北京理工大学出版社,1992
[9]成大先1机械设计手册[M]1第3版1北京:
化学工业出版社
[10]陈文伟.决策支持系统及其开发.北京:
清华大学出版社,2004.
[11]赵宇浅谈人工智能在决策支持系统的应用与发展物流工程与管理工程2009
[12]新一代决策支持系统体系结构研究马君
[13]智能决策支持系统产生与结构王宏昕
[14]陈晓红管理信息系统北京高等教育出版社2008.03
[15]黄梯云管理信息系统北京高等教育出版社2005.03
第3章决策支持系统的数据库及相关技术
3.1决策支持系统中数据库的作用和发展趋势
3.1.1决策支持系统的功能
(1)管理并随时提供与决策问题有关的组织内部信息。
如:
订单要求、库存状况、生产能力与财务报表等。
(2)收集、管理并提供与决策问题有关的组织外部信息。
如:
政策法规、经济统计、市场行情、同行动态与科技进展等。
(3)收集、管理并提供各项决策方案执行情况的反馈信息。
如:
订单或合同执行进程、物料供应计划落实情况、生产计划完成情况等。
(4)能以一定的方式存储和管理与决策问题有关的各种数学模型。
如:
定价模型、库存控制模型与生产调度模型等。
(5)能够存储并提供常用的数学方法及算法。
如:
回归分析方法、线性规划、最短路径算法等。
(6)上述数据、模型与方法能容易地修改和添加。
如:
数据模式的变更、模型的连接或修改、各种方法的修改等。
(7)能灵活地运用模型与方法对数据进行加工、汇总、分析、预测,得出所需的综合信息与预测信息。
(8)具有方便的人机对话和图像输出功能,能满足随机的数据查询要求,回答“如果……则……”之类的问题。
(9)提供良好的数据通信功能,以保证及时收集所需数据并将加工结果传送给使用者。
(10)具有使用者能忍受的加工速度与响应时间,不影响使用者的情绪。
3.2新一代DSS的研究与发展
3.2.1群决策支持系统(GDSS)
支持多人或集体共同决策:
利用通信技术(网络、电话会议、电子信息交换)、计算机技术(多用户系统、4GL、数据库、数据分析OLAP、数据存储、数据仓库、数据挖掘)和决策支持技术(议程设置、AI与推理技术、决策模型方法——如决策树、风险分析、预测方法等,结构化群决策方法——如德尔菲法等)相结合。
3.2.2分布式决策支持系统(DDSS)
研究DSS在分布式环境中、与分布式技术相结合相关的技术问题。
3.2.3智能决策支持技术(IDSS)
AI与DSS技术相结合,形成了高级别的、具有知识处理能力的DSS。
组成:
四库系统+接口。
知识库、数据库、模型库、方法库及人机接口,还有问题求解模块。
3.2.4决策支持中心(DSC)
1985年欧文提出来的。
功能包括提供办公决策支持,具有定性定量相结合的综合集成功能。
组成包括以决策支持小组为核心,为决策的全过程提供技术支持。
3.2.5战略决策支持系统(SDSS)
支持战略级或高层管理者的决策过程。
组成包括数据库系统、模型库系统、方法库系统、知识库系统、案例分析系统、输入输出系统、控制与通信系统等。
3.2.6I3DSS
智能的、交互式的、集成化的(Intelligent,InteractiveandIntegratedDSS)DSS。
特点是面向问题,有机集成。
综合采用系统分析、运筹学方法、计算机技术、知识工程、专家系统等技术,使之有机结合,而不是单一的以信息为基础的系统,或单一的以数学模型为基础的系统,或单一的以知识为基础的系统。
在面向问题的前提下,充分发挥各自的优势,特别是发挥它们在联合运用时的优势,即集成化(Integrated)。
当DSS进入到高层次的决策活动领域时,由于处理的问题多半是半结构化或非结构化的,为了帮助决策者进一步明确问题、认定目标和环境约束,产生决策方案和对决策方案进行综合评价,系统应具有更强的人机交互能力,称为交互式(Interactive)系统。
在处理难以定量分析的问题时,需要使用知识工程、专家系统方法与工具,已经涉及到人工智能领域。
而重要的问题在于如何使用知识工程的思想方法,组织各个有关模块,实现决策支持过程的集成化。
这种应用方式就是决策支持系统的智能化(Intelligent)。
I3DSS的提出和实际应用,是DSS进入一个新的历史阶段。
3.3数据挖掘概念及其数据挖掘技术综述
3.3.1数据挖掘的概念
数据挖掘(DataMining)是通过分析每个数据,从大量数据中寻找其规律的技术,主要有数据准备、规律寻找和规律表示3个步骤。
数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。
数据挖掘,在人工智能领域,习惯上又称为数据库中的知识发现(KnowledgeDiscoveryinDatabase,KDD),也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。
知识发现过程由以下三个阶段组成:
(1)数据准备,
(2)数据挖掘,(3)结果表达和解释。
数据挖掘可以与用户或知识库交互。
数据挖掘是通过分析每个数据,从大量数据中寻找其规律的技术,主要有数据准备、规律寻找和规律表示3个步骤。
数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集;规律寻找是用某种方法将数据集所含的规律找出来;规律表示是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。
数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析,等等。
并非所有的信息发现任务都被视为数据挖掘。
例如,使用数据库管理系统查找个别的记录,或通过因特网的搜索引擎查找特定的Web页面,则是信息检索(informationretrieval)领域的任务。
虽然这些任务是重要的,可能涉及使用复杂的算法和数据结构,但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构,从而有效地组织和检索信息。
尽管如此,数据挖掘技术也已用来增强信息检索系统的能力。
3.4数据挖掘各种分析方法的简介
3.4.1分类(Classification)
首先从数据中选出已经分好类的训练集,在该训练集上运用数据挖掘分类的技术,建立分类模型,对于没有分类的数据进行分类。
例子:
a.信用卡申请者,分类为低、中、高风险;
b.故障诊断:
中国宝钢集团与上海天律信息技术有限公司合作,采用数据挖掘技术对钢材生产的全流程进行质量监控和分析,构建故障地图,实时分析产品出现瑕疵的原因,有效提高了产品的优良率。
3.4.2估计(Estimation)
估计与分类类似,不同之处在于,分类描述的是离散型变量的输出,而估值处理连续值的输出;分类的类别是确定数目的,估值的量是不确定的。
例子:
a.根据购买模式,估计一个家庭的孩子个数;
b.根据购买模式,估计一个家庭的收入;
c.估计realestate的价值。
一般来说,估值可以作为分类的前一步工作。
给定一些输入数据,通过估值,得到未知的连续变量的值,然后,根据预先设定的阈值,进行分类。
例如:
银行对家庭贷款业务,运用估值,给各个客户记分(Score0~1)。
然后,根据阈值,将贷款级别分类。
3.4.3预测(Prediction)
通常,预测是通过分类或估值起作用的,也就是说,通过分类或估值得出模型,该模型用于对未知变量的预言。
从这种意义上说,预言其实没有必要分为一个单独的类。
预言其目的是对未来未知变量的预测,这种预测是需要时间来验证的,即必须经过一定时间后,才知道预言准确性是多少。
3.4.4相关性分组或关联规则(Affinitygroupingorassociationrules)
决定哪些事情将一起发生。
例子:
a.超市中客户在购买A的同时,经常会购买B,即A=>B(关联规则);
b.客户在购买A后,隔一段时间,会购买B(序列分析)。
3.4.5聚类(Clustering)
聚类是对记录分组,把相似的记录在一个聚集里。
聚类和分类的区别是聚集不依赖于预先定义好的类,不需要训练集。
例子:
a.一些特定症状的聚集可能预示了一个特定的疾病;
b.租VCD类型不相似的客户聚集,可能暗示成员属于不同的亚文化群;
聚集通常作为数据挖掘的第一步。
例如,哪一种类的促销对客户响应最好?
对于这一类问题,首先对整个客户做聚集,将客户分组在各自的聚集里,然后对每个不同的聚集,回答问题,可能效果更好。
3.4.6描述和可视化(DescriptionandVisualization)
是对数据挖掘结果的表示方式。
3.5数据挖掘的主要应用
3.5.1市场营销
数据挖掘技术在企业市场营销中得到了比较普遍的应用,它是以市场营销学的市场细分原理为基础,其基本假定是“消费者过去的行为是其今后消费倾向的最好说明。
市场营销应用是利用数据挖掘技术进行市场定位和消费者分析,辅助制定市场策略。
DM在营销中应用分为两类:
数据库营销(databasemarketing)和货篮分析(basketanalysis)。
由于管理信息系统(POS系统)在商业的广泛普及,特别是条形码技术的使用,人们很容易得到顾客购买情况的数据。
利用数据挖掘技术,通过对顾客历史数据的分析,可以得到关于顾客购买趋向和兴趣的信息,从而为商业决策提供依据。
3.5.2金融
数据挖掘在金融领域应用广泛,主要有:
金融市场的分析和预测、帐户分类、银行担保和信用评估等。
这些金融业务都需要收集和处理大量的数据,很难通过人工或使用一两个小型软件进行分析预测。
而数据挖掘可以通过对已有数据的处理,找到数据对象的特征和对象之间的关系,然后利用学习到的模式进行合理的分析和预测。
3.5.3工程与科学研究
数据挖掘技术可应用于工程与科学数据分析。
随着先进的科学数据收集技术的使用,如观测卫星、遥感器、DNA分子技术等,面对庞大的数据,传统的数据分析工具无能为力。
数据挖掘技术以其强大的智能性和自动性,在工程与科学研究中得到广泛应用。
数据挖掘技术在天文学和生物学中都有成功的案例,如在天文学中,JetProulsion实验室利用决策树方法对上百万个天体进行分类(效果比人工快而准确),结果帮助人们发现了10个新的类星体。
3.5.4产品制造业
制造业应用数据挖掘技术进行零部件故障诊断、资源优化、生产过程分析等。
如HP公司的工程技术人员使用Angosssoftware的Knowledge seeker来进行HPⅡc彩色扫描仪的生产过程分析。
他们基于约200个参数建立了一个自动数据收集系统,产生了人工难以处理的大量数据。
3.5.5司法
数据挖掘技术可以用于案件调查、诈骗监测、洗钱认证、犯罪组织分析等,可以给司法工作带来巨大收获。
如美国财政部使用NetMap开发了Fal
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 浙江 工商大学 决策 支持系统 论文