Информационный менеджмент. 4

Содержание

ВВЕДЕНИЕ

1 ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ МЕНЕДЖМЕНТА И СОВРЕМЕННОСТЬ

1 Современные  информационные системы

1.1 Системы поддержки  принятия решений

1.2 Исполнительные  информационные системы

1.3 Переработка  руды данных (Data Mining)

1.4 Искусственный  интеллект (Artificial Intelligence)

1.5 Экспертные системы (Expert Systems)

1.6 Нейронные  сети (Neural Networks)

1.7 Виртуальная  реальность (Virtual Reality)

1.8 Системы поддержки  работы группы

1.9 Географические  информационные системы

1.10 Новые информационные технологии в управленческой деятельности

2 ПРАКТИКА ИНФОРМАЦИОННОГО МЕНЕДЖМЕНТА В ИЗДАТЕЛЬСТВЕ «Коммерсант»

ЗАКЛЮЧЕНИЕ

СПИСОК  ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 
 
 
 
 
 
 
 
 
 

     1. НФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ МЕНЕДЖМЕНТА И СОВРЕМЕННОСТЬ. 
 

     1 Современные информационные системы 

     1.1 Системы поддержки принятия решений  (Decision Support System)

     Системы поддержки принятия решений (DSS) - это  компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений. DSS включают и данные, и модели, чтобы помочь принимающему решения решить проблемы, особенно те, которые плохо формализованы. Данные часто извлекаются из системы диалоговой обработки запросов или базы данных. Модель может быть простой типа "доходы и убытки", чтобы вычислить прибыль при некоторых предположениях, или комплексной типа оптимизационной модели для расчета загрузки для каждой машины в цехе. DSS и многие из систем, обсуждаемых в следующих разделах, не всегда оправдываются традиционным подходом стоимость - прибыль; для этих систем многие из выгод неосязаемы, типа более глубокого принятия решения и лучшего понимания данных [2].

     Рис. 3.1. показывает, что система поддержки  принятия решений требует трех первичных  компонентов; модели управления, управления данными для сбора и ручной обработки данных и управления диалогом для облегчения доступа пользователя к DSS [2]. Пользователь взаимодействует с DSS через пользовательский интерфейс, выбирая частную модель и набор данных, которые нужно использовать, а затем DSS представляют результаты пользователю через тот же самый пользовательский интерфейс. 

Рисунок 3.1.- Структура системы поддержки  принятия решений 

     управления  и управление данными в значительной степени действуют незаметно и варьируются от относительно простой типовой модели в электронной таблице до сложной комплексной модели планирования, основанной на математическом программировании. Чрезвычайно популярный тип DSS - в виде генератора финансового отчета. С помощью электронной таблицы типа Lotus 1-2-3 или Microsoft Excel создаются модели, чтобы прогнозировать различные элементы организации или финансового состояния. В качестве данных используются предыдущие финансовые отчеты организации. Начальная модель включает различные предположения относительно будущих трендов в категориях расхода и дохода. После рассмотрения результатов базовой модели менеджер проводит ряд исследований типа "что, если", изменяя одно или большее количество предположений, чтобы определить их влияние на исходное состояние. Например, менеджер мог бы зондировать влияние на рентабельность, если бы продажа нового изделия росла на 10% ежегодно, Или менеджер мог бы исследовать влияние большего, чем ожидаемое, увеличения цены сырья, например 7% вместо 4% ежегодно. Этот тип генератора финансового отчета- простые, но мощные DSS для руководства принятием финансовых решений. Пример DSS по приведению транзакций данных - система определения размеров ассигнований на полицейские выезды, используемая городами Калифорнии. Эта система позволяет офицеру полиции увидеть карту и выводит данные географической зоны, показывает полиции звонки вызовов, типы вызовов и время вызовов. Интерактивная способность графики системы разрешает офицеру манипулировать картой, зоной и данными, чтобы быстро и легко предположить вариации альтернатив полицейских выездов. Другой пример DSS - интерактивная система для планирования объема и производства в большой бумажной компании. Эта система использует детальные предыдущие данные, прогнозирующие и планирующие модели, чтобы проиграть на компьютере общие показатели компании при различных плановых предположениях. Большинство нефтяных компаний развивают DSS, чтобы поддержать принятие решения капиталовложений. Эта система включает различные финансовые условия и модели для создания будущих планов, которые могут быть представлены в табличной или графической форме[2].

     Все приведенные примеры DSS названы специфическими DSS. Они - фактические приложения, которые помогают в процессе принятия решения. Напротив, генератор системы поддержки принятия решений - это система, которая обеспечивает набор возможностей быстро и легко строить специфические DSS. Генератор DSS - пакет программ, разработанный для выполнения на частично компьютерной основе. В нашем примере финансового отчета Microsoft Excel или Lotus 1-2-3 могут рассматриваться как генераторы DSS, в то время как модели для проектирования финансовых отчетов для частного отделения компании на базе Excel или Lotus 1-2-3 - это специфические DSS [2]. 

     1.2Исполнительные  информационные системы (Executive Support System)

     Исполнительные  информационные системы (Executive Support System - ESS) появились в 80-х годах. Ключевая концепция исполнительной информационной системы состоит в том, что такая система поставляет интерактивную совокупность текущей информации относительно конъюнктуры рынка, формирует легкий доступ для старших руководителей и других менеджеров без помощи посредников, ESS использует современную графику, связь и методы хранения данных, обеспечивая исполнителям легкий интерактивный доступ к текущей информации относительно состояния организации. Первоначально большинство ESS создавалось только для самих высших руководителей в фирме, но сейчас круг пользователей в большинстве компаний расширен, чтобы охватить все уровни управления. ESS использует данные, которые были отфильтрованы и обличены в итоге в форму, полезную для руководителей организации. Кроме того, много эффективных ESS включают качественные данные типа информации о конкурентоспособности, оценки и прогнозы. Например, Comshare's Commander Decision является клиент-сервером и программой на базе intranet (локальная сеть, взаимодействующая с Internet), способствует быстрому широкому применению ориентированных на покупателей приложений типа поддержки принятия решения, таких, как анализ выполнения, исполнительные информационные системы и управление сообщениями. Commander Decision допускает, чтобы деловые пользователи получали информацию в любом виде, включая карты, диаграммы, вставки, запросы, вычисления и даже персональные напоминания об условиях предусмотренных встреч. Этот универсальный инструмент может использоваться, чтобы строить традиционные ESS-приложения для исполнителей, как описано выше, или систем поддержки принятия решений для менеджеров на различных уровнях бизнеса. Commander Decision предоставляет для продажи большое количество легких в использовании и просто интерпретируемых изображений для предоставления ключевой информации менеджерам. Кроме того, он обеспечивает выборочный контроль, интеллектуальную углубленную способность распознавать необходимую детальную информацию, демонстрацию десяти лучших или худших показателей, внимание к важным предметам новостей и странное определение тенденций, отношений и новые версии данных [2].

     Возможно, самая ранняя ESS, описанная в печати, - управление информацией и поддержка принятия решения (MIDS) системы в Lockheed-Georgia Company. Спонсором для MIDS были президент Lockheed-Georgia и специальный штаб, сообщавший вице-президенту финансовое развитие системы, Для развития MIDS был использован эволюционный подход с ограниченным числом показов, разработанных первоначально для ограниченного числа руководителей. Например, дисплей мог показывать предполагаемым клиентам типы самолетов или графически описывать прогноз и фактическую продажу в течение прошлого года [2].

     Начальная версия MIDS в 1979 г. имела только 31 дисплей. К 1985 г. было поставлено 710 дисплеев, система использовалась 30 старшими исполнителями и 40 работающими менеджерами. Успех MIDS зависел от многих особенностей, но, возможно, наиболее важным было то, что система выдавала ту информацию (основанную на количественных и качественных данных), в которой нуждались старшие руководители и их компании, чтобы достичь успеха.

     В Великобритании фирма "Transco" использовала Commander Decision для создания ESS для 150 человек, от директора компании до финансовых аналитиков и менеджеров первого уровня. ESS включали информацию о расходах, данные о системах поставок и кредиторах. Пользователи имели свободный доступ к информации и могли углубляться вплоть до уровня детализации, в которой они нуждались; они могли также рассматривать многократные перспективы и ставить вопросы типа "что, если", "как изменится себестоимость, если наша критическая рабочая нагрузка повысится на 5 %?". "Commander Decision помогает нам принимать лучшие решения", - говорит Colin Jonson, менеджер District Operation, Transco.

     Фирма "Welch Allyn" - ведущий поставщик медицинских диагностических инструментов на международном рынке (термометров, офтальмоскопов, приборов кровяного давления и аудиометров). В связи с интенсивным продвижением на международный рынок фирма решила, что требуется "всемирная исполнительная система поддержки принятия решений, которая обеспечит быстрый доступ к значимой информации". Используя программные изделия Comshare, Welch Allyn построила систему финансовой отчетности, которая обращается с ежемесячным накоплением и обменом валюты. Это также обеспечивает возможности полного анализа для менеджеров, аналитиков и исполнителей. Система анализа взаимных продаж допускает менеджеров к передаче информации о всемирных продажах по линиям, областям и клиентам. "Наш процесс обработки настолько быстр, что мы можем теперь осуществлять продажу во всем мире и объединить данные таким образом, как мы никогда не мечтали", - говорит вице-президент и казначей этой фирмы Kevin Cahill [2]. 

     1.3 Переработка руды данных (Data Mining)

     Ранее идея "складирования" данных - идея выбора данных компании из операционных систем и помещения их в отдельной базе данных представлялась так, чтобы пользователи могли иметь доступ к ним и анализировать данные без опасности для операционных систем. Аргументом было то, что создание и обслуживание базы данных является операционной системой, поэтому база данных поддерживает всю организацию, создавая данные, доступные каждому, в то время как анализ данных выполняется для отдельного менеджера или маленькой группы менеджеров, и, следовательно, это система поддержки управления. Сейчас анализ данных производится в базе, потому что системы поддержки принятия решений, описанные в предыдущем разделе, часто извлекают данные, в которых они нуждаются, непосредственно из баз данных организаций.

     "Добыча  данных" (Data Mining) использует ряд технологий (типа деревьев решений и нейронных сетей), чтобы искать или "добывать" маленькие "самородки" информации из крупных объемов данных, запасенных в базе данных организации. Добыча данных, которая иногда рассматривается как вспомогательный аппарат систем поддержки принятия решений, является особенно полезной, когда организация имеет большие объемы данных в базе. Понятие "добыча данных" не ново, хотя название стало популярным только в конце 1990 г. По крайней мере в течение двух десятилетий много больших организаций использовали внутренних или внешних аналитиков, часто называемых специалистами управления, пробуя распознавать тренды или создавать модели в больших массивах данных, используя методы статистики, математики и искусственного интеллекта. С развитием крупномасштабных баз данных и недорогих мощных процессоров возобновился интерес к тому, что названо в последние годы "добычей данных".

     Наряду  с возобновлением интереса появился ряд высокопроизводительных и относительно легких в использовании пакетов  программ, добывающих коммерческие данные.

     Какие методы решения или подходы используются при "добыче данных"? Фирма "KnowledgeSeeker" использует только одну технологию - дерево решений. Это структура в виде дерева, полученная из данных, чтобы представить наборы решений, приводящих к различным результатам. Когда создан новый набор решений в виде информации относительно частного покупателя, дерево решений предсказывает результат. Нейронные сети, область искусственного интеллекта, которые будут обсуждаться позже в курсовой работе, включены в пакеты программ Marksman, Intelligent Miner и Darwin (последние два также используют дерево решений). Другие популярные технологии включают правила предположений, извлечение из правил "если, то", основанные на статистическом значении; сортировку записей, основанных на наиболее близких им в базе данных; генетические алгоритмы, т.е. методы оптимизации, основанные на концепциях генетической комбинации, мутации и естественного выбора.

     Конечно, менеджеру более важно то, что  может быть выполнено с "добычей  данных", чем использованные в  технологии решения. Ниже даны типичные приложения обработки данных. Для  бизнеса любого вида эти приложения хороши, если смогут увеличить прибыль  организации. Большинство этих приложений сосредоточивается на извлечении ценной информации для клиентов. Таблица 3.1. показывает возможное использование добычи данных [2].

     Популярная  пресса рассказывает о примерах успешной добычи данных. 

     Таблица 3.1.-Использование добычи данных

     "Firster Bank", холдинговая компания с оборотом 20 млрд. долл., основанная в Милуоки (США), использовала добычу данных для прямой отправки по почте набора заказов, чтобы увеличить быстродействие. Firster применила пакет обработки данных Marksman, сгруппировав карточки заказов клиентов на основе банка данных, который они уже использовали (типа карт расходов, акций домашних займов, сберегательных счетов и выполнения инвестиций), и затем предсказала, какие изделия будут предложены каждому клиенту и в какое время.

     Bank of America, основанный в Сан-Франциско, был завален запросами клиентов. Банк был заинтересован в новых способах текущего контроля за счетами клиентов при наборе новых клиентов. Сначала банковские маркетологи хотели выяснить, кто из клиентов имел тенденцию использовать конкретные изделия и какое сочетание услуг лучше соответствует потребностям различных групп клиентов. Через обширный процесс добычи данных, использующий различные программные изделия, Bank of America сгруппировал клиентов в небольшие группы, которые имели близкие интересы и потребности. "Некоторые клиенты неправильно использовали платежи, так что мы приступаем к их преобразованию", - говорит вице-президент по маркетингу Bank of America. - "Мы вошли в контакт с ними по почте или по телефону и нашли, что реакция была обычно очень благоприятная. Иногда это означало несколько долларов в месяц дополнительно, но зато мы чувствовали, что клиенты будут испытывать большее доверие к банку, который смотрел за их деньгами".

     Добыча  данных требует разработанной и  хорошо построенной базы (склада) данных с сохраняемыми в ней данными. Прежде чем любая организация подумает относительно добычи данных, нужно сначала убедиться, что необходимые данные имеются и что они являются полными и точными. Например, отделение заказов по почте фармацевтического гиганта Merck-Medco, основанного в Нью-Джерси, потратило 4 года на работу над громоздкой базой данных пациентов и обращений прежде, чем сделать банки данных готовыми к добыче данных. В Merek-Medco главными задачами реинжиниринга стали очистка данных и объединение их в значимую структуру [2]. 

          1.4 Искусственный интеллект (Artificial Intelligence)

     Идея  искусственного интеллекта (AI), т.е. изучение того, как компьютеры могут "думать", имеет приблизительно 30-летний возраст, но только недавно появились достаточно мощные компьютеры, чтобы делать коммерчески привлекательными AI-приложения. А1-исследования развились в пять отдельных, но связанных областей: естественные языки, робототехника, системы ощущения (системы зрения и слуха), экспертные системы и нейронные сети. Чтобы работать с естественными языками, необходимо создание систем, которые переводят обычные человеческие инструкции в язык, который компьютеры могут понимать и выполнять. Робототехника в большей степени относится к промышленности. Исследование систем ощущения направлено на создание машин, обладающих визуальными и слуховыми способностями, которые воздействуют на их физическое поведение. Другими словами, это исследование нацелено на создание роботов, которые могут "'видеть" или "слышать" и реагировать соответственно тому, что они видят или слышат [2].

     Заключительные  две ветви AI наиболее пригодны для  поддержки управления. Экспертные системы - это системы, которые используют логику принятия решения человеческого эксперта. Самая новая отрасль AI - нейронные сети, которые устроены по аналогии с тем, как работает человеческая нервная система, но фактически используют статистический анализ, чтобы распознать модели из большого количества информации посредством адаптивного изучения. 

     1.5 Экспертные системы (Expert Systems)

     Как применяет логику эксперта компьютерная система? Чтобы спроектировать экспертную систему, специалист, называемый инженером знания (специально подготовленный системный аналитик), очень тесно работает с одним или большим количеством экспертов в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Если строится экспертная система для планирования оборудования, то инженер знания работает с опытными планировщиками оборудования, чтобы видеть, как они работают. Знание, полученное инженером знания, затем загружается в компьютерную систему, в специализированном формате, в блоке, названном базой знаний (рис. 3.3). 

     Эта база знаний содержит правила и заключения, которые используются в принятии решений, - параметры, или факты, необходимые для решения.

     Другие  главные фрагменты экспертной системы - создатель заключения и интерфейс пользователя. Создатель заключения - логический каркас, который автоматически проводит линию рассуждения и который беспечен правилами заключения и параметрами, вовлеченными в решение. Таким образом, один и тот же создатель заключения может использоваться для многих различных экспертных систем с различной базой знаний. Интерфейс пользователя - блок, используемый конечным пользователем, например неопытным планировщиком оборудования идеальный интерфейс - очень дружественный. Другие блоки включают подсистему объяснения, чтобы разъяснять доводы, что система движется в направлении решения, подсистему накопления знания, чтобы помочь инженеру знания в регистрации правил заключения и параметров в базе знаний, рабочую область, чтобы использовать компьютер, поскольку решение сделано [2].

     Примеры экспертных систем

     Классический  пример экспертной системы - MYCIN, она  была создана в "Stanford University" в середине 70-х годов, чтобы диагностировать обращения по болезням крови и менингита. "General Electric" развивала экспертную систему CATS-1, чтобы диагностировать механические проблемы в дизельных локомотивах, фирма AT&T разработала АСЕ для обнаружения повреждений в телефонных кабелях. Международная нефтяная компания "Schlumberger" развивала экспертную систему, названную Dipmeter, применяемую для подачи сигналов, когда сверло заклинивает и когда сверление идет нормально. Эти примеры относятся к проблемам диагностики ситуаций и предписывают соответствующие действия, потому что эксперты не всегда присутствуют, когда возникают проблемы на производстве.

     Некоторые экспертные системы специализируются в просеивании массивов наборов  правил или других предписаний, иногда называемых основанными на случаях  аргументации. "Human Service Agency" из Merced County (Калифорния) использует экспертную систему по имени Magic, которая включает 6000 правительственных постановлений в отношении благосостояния, продовольственных талонов, медицины, поощрения забот и т.д. Magic определяет, соответствует ли претендент пользе, и затем вычисляет тип и количество выгод. Полный процесс от заявления до заключительного решения теперь составляет примерно три дня, в то время как до этого он составлял три месяца. Кроме того, клерки, которые обрабатывают приложения, не требуют глубокого обучения, которое прежде требовалось. Все, что они должны уметь делать, это проводить претендента шаг за шагом через ряд вопросов, задаваемых компьютером.

     Организация Объединенных Наций развила подобную экспертную систему, названную Entitlements System, для объяснения комплексных норм жалованья для всех служащих Секретариата ООН во всем мире. Плата служащих ООН определяется на основе жалованья плюс прибавки, а прибавки включают выгоды, формируемые на месте работы, плюс другие договорные соглашения. Правила и нормы для прибавок занимают три издания по несколько сотен страниц каждый. Используя PowerModel - программное обеспечение из IntelliCorp, ООН построила экспертную систему, которая определяет и применяет прибавки автоматически при использовании интерактивной базы знаний, содержащей правила прибавок. Экспертная система облагает налогом прибавки всякий раз, когда происходят изменения в статусе служащего.

     Компания "Credit Clearing House" (CCH) развила экспертную систему, чтобы ответить на запросы абонентов, разыскивающих информацию относительно предпринимателей в швейной промышленности. Экспертная система ССН включает приблизительно 800 правил, и ее развитие стоит один млн. долл. Когда абонент вызывает запрос информации относительно кредита бизнеса, система анализирует историю оплаты, финансовый отчет, эффективность бизнеса, оценивает кредитоспособность и рекомендации и устанавливает рекомендуемый лимит кредитования в долларах.

     Планирование - другая важная область для экспертных систем. Экспертные системы, используемые в настоящее время, включают отправку грузовиков и систему планирования, которая определяет последовательность остановок на маршруте, чтобы обеспечить лучшее обслуживание и промышленную систему проектирования, которая организовывает машины и операторов, чтобы обеспечить эффективный поток материалов через фабрику и использование ресурсов. "American Airlines" использует экспертную систему МОСА (Maintenance Operation Center Advisor), которая установлена на компьютере Macintosh, для планирования текущего технического обслуживания для всех 622 самолетов флота American. МОСА включает 5000 правил, которые были получены от 30 самолетных техников. Самолет должен проходить текущее техническое обслуживание через каждые 60 ч полета, и система МОСА должна выдать график, который заполняет это правило, охватывает маршруты всей Америки и сокращает пустые полеты самолетов к региональным центрам обслуживания. По американским оценкам, МОСА сохранила компании половину миллиона долларов в год по сравнению с планировщиками-людьми.

     Другой  пример планирования: фирма General Motors создала Expert Scheduling System, или ESS, для формирования жизнеспособных графиков производства. Чтобы построить систему, GM использовала структуру экспертной системы IntelliCorp's Knowledge Engineering Enviroment и язык программирования Lisp. ESS включает эвристику, которая была заложена опытным фабричным планировщиком в системе и связывает в GM управляемое компьютером производство и окружающую среду так, чтобы оперативная информация завода использовалась для формирования графика работы завода [2]. 

     1.6 Нейронные сети (Neural Networks)

     В то время как экспертные системы  пробуют ввести опыт людей в компьютерную программу, нейронные сети пытаются создать значимые модели из большого количества данных. Нейронные сети могут распознавать модели, слишком  не ясные для людей, и адаптировать их при получении новой информации.

     Ключевая  характеристика нейронных сетей  в том, что они обучаются. Программе  нейронных сетей сначала дается набор данных, состоящих из многих переменных, связанных с большим количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает набор переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными результатами. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или даже заменяя их. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова делать предсказания для будущих случаев.

     Как только станет доступным новое большое  количество случаев, эти данные также вводятся в нейронную сеть, и модель еще раз корректируется. Нейронная сеть обучается в основном относительно причинно-следственных моделей из этих дополнительных данных, и прогнозирующая способность улучшается.

     Коммерческие  программы нейронных сетей (фактически это конструкции) доступны за приемлемую цену, но наиболее трудная часть создания и применения нейронных сетей - частый сбор данных и трудности обеспечения данных. Однако возрастает число развертывающихся приложений. Bank of America использует нейронную сеть, чтобы оценить коммерческие заявки на получение ссуды. "American Express" использует нейронную систему, чтобы читать почерк на кредитной карте; штат Вайоминг - чтобы читать заполненные от руки налоговые формы. "Oil giant Arco" и "Texaco" используют нейронные сети, чтобы помочь обнаружить места газовых и нефтяных месторождений под поверхностью земли. "Mellon Bank" работает над нейронной системой, которая ускорит распознавание мошеннических подделок кредитных карточек, контролируя такие показатели, как частота использования кредитной карточки и размеры расходов относительно предельного размера кредита. Журнал "Spiegel", который создает каталоги для продажи по почте, использует нейронную сеть как способ сокращения списка рассылки, чтобы устранить тех, кто, маловероятно, закажет журнал снова.