Systémy pro podporu rozhodování

Systémy pro podporu rozhodování
Modelování a analýza
1
Připomenutí obsahu minulé přednášky
 Datové sklady, přístup, analýza a vizualizace
 Povaha a zdroje dat (data, informace, znalosti a interní, externí, personální)
 Sběr dat a související problémy
 Internet a komerční databázové služby
 Systémy pro řízení databází v DSS
 Organizace a struktura databází
 Datové sklady
2
Připomenutí obsahu minulé přednášky
 Architektury datových skladů
 Složky datových skladů
 Charakterizace datového skladování
 Vizualizace dat a multidimenzionalita
 OLAP: Přístup k datům, dolování, dotazování a analýza
 Data mining - dolování v datech
 Inteligentní databáze a dolování v datech
 Nástroje pro inteligentní dolování v datech
3
5. Modelování a analýza
5.1 Motivační příklad
5.2 Modelování v MSS
5.3 Statické a dynamické modely
5.4 Zpracování nejistoty a rizika
5.5 Influenční diagramy
5.6 Použití tabulkových procesorů
5.7 Rozhodovací tabulky a stromy
4
5.1 Motivační příklad
Siemens Solar Industries (SSI) uspořil miliony pomocí simulace:
 Problémy s kvalitou a plynulostí výroby
 Rozhodnutí zavést technologii zvlášť čistých prostor – poprvé v solárním
průmyslu, ale
žádné předběžné zkušenosti
 Použití simulace - nástroj ProModel (virtuální laboratoř, testování různých
konfigurací)
 Hlavní přínosy: získání znalostí a pochopení souvislostí, možnost
komplexního návrhu
 Zdokonalení výrobního procesu
SSI ušetřila více než 75 milionů dolarů ročně
5
5.2 Modelování v MSS
 Modelování šetří peníze, čas a další zdroje
 Na modelu lze snadno provádět změny
 Modelování je klíčovým prvkem ve většině DSS a je nutností v modelově
orientovaných DSS
 Simulace je oblíbený způsob modelování, ale existují i jiné přístupy:
6
Typy modelů
 Statistické modely (např. regresní analýza - relace mezi
proměnnými)
 Finanční modely (např. systémy pro finanční plánování)
 Optimalizační modely (např. lineární programování)
 DSS může být vystavěn na použití kombinace více modelů, standardních i vytvořených
na zakázku
 Vhodný poměr mezi jednoduchostí a reprezentativností modelu
7
Modely podle stupně abstrakce
 Ikonické (měřítkové) modely – nejméně abstraktní, fyzikální kopie systému, obvykle v
jiném měřítku (modely letadel, automobilů, fotografie, GUI)
 Analogické modely – nevypadají jako modelovaný systém, ale chovají se stejně; jsou
více abstraktní (organizační tabulky a grafy, mapy, schémata)
 Matematické (kvantitativní) modely – nejvíce abstraktní, nejčastější typ u DSS
8
Hlavní východiska a pojmy modelování
 Identifikace problému
 Analýza prostředí
 Identifikace proměnných
 Prognostika (předpovídání)
 Vícenásobné modely
 Kategorie modelů a jejich výběr
 Řízení báze modelů
 Znalostní modelování
9
Identifikace problému a analýza prostředí
 Identifikace cílů a požadavků a zjištění, jak jsou naplňovány
 Problém = rozdíl mezi požadovaným a skutečným stavem
 Stanovení, jaký problém existuje, jaké má symptomy a jak jsou tyto symptomy výrazné
 Symptomy mohou být považovány za problém
 Zjišťování existence problému u organizace se provádí monitorováním činnosti a
analýzou dat
10
Identifikace proměnných
 Identifikace proměnných v modelu a vzájemných vazeb mezi nimi je velmi důležitou fází
procesu modelování
 Užitečné mohou být např. influenční diagramy (viz dále)
11
Prognostika (předpovídání)
 Pro konstrukci a manipulaci s modelem nezbytná - výsledky rozhodování založené na
modelování se zpravidla týkají budoucnosti
12
Vícenásobné modely
 DSS mohou obsahovat řadu modelů (pro různé subproblémy rozhodovacího problému)
 Některé jsou standardní, vestavěné ve vývojových nástrojích
 Některé jsou standardní, samostatný sw
 Nestandardní je třeba vytvořit
13
Kategorie modelů
 Optimalizace problému s několika alternativami:
 Cíl: najít nejlepší řešení z malého počtu alternativ
 Příklad metody: rozhodovací tabulky, rozhodovací stromy
 Optimalizace pomocí algoritmu:
 Cíl: najít nejlepší řešení z velkého až nekonečného počtu alternativ
použitím procesu postupného zlepšování
 Příklad metody: modely matematického programování (lineární,
apod.), síťové modely
14
Kategorie modelů
 Optimalizace pomocí analytické formule:
 Cíl: najít nejlepší řešení v jediném kroku, použitím formule
 Příklad metody: některé modely zásob
 Simulace:
 Cíl: najít dostatečně dobré řešení, nebo nejlepší řešení mezi
testovanými alternativami použitím experimentů
 Příklad metody: různé typy simulace
 Heuristiky:
 Cíl: najít dostatečně dobré řešení použitím pravidel
 Příklad metody: heuristické programování, expertní systémy
15
Kategorie modelů
 Prediktivní modely:
 Cíl: předpověď budoucího vývoje daného scénáře
 Příklad metody: Markovova analýza
 Jiné modely:
 Cíl: analýza what-if použitím formule
 Příklad metody: finanční modelování
16
Řízení báze modelů
 Pro udržení integrity a využitelnosti
 Sw pro řízení báze modelů (viz dále)
17
Znalostní modelování
 DSS zpravidla používají kvantitativní modely
 Expertní systémy používají kvalitativní, znalostní modely
 Pro konstrukci použitelných modelů jsou zapotřebí určité znalosti
18
5.3 Statické a dynamické modely
 Statická analýza
 Na základě statického průřezu analyzovanou situací
 Např. rozhodnutí zda vyrobit či koupit nějaký produkt
 Dynamická analýza
 Dynamické modely
 Vyhodnocení scénářů závislých na čase
 Ukazují trendy a časové průběhy událostí
 Statické modely lze mnohdy rozšířit na dynamické
19
5.4 Zpracování nejistoty a rizika
 Modelování za jistoty
 Nejistota (neurčitost)
 Riziko
20
Modelování za jistoty
 Máme ho rádi
 Lehce se s ním pracuje a dává optimální výsledky
 Mnoho finančních modelů je konstruováno za předpokladů jistoty
 Speciální zájem si zasluhují problémy, které mají nekonečný (nebo mimořádně
vysoký) počet možných řešení
21
Modelování za nejistoty
 Manažeři se snaží maximálně eliminovat nejistotu
 Snaží se získat co nejvíce dodatečných informací, aby bylo možné problém
řešit buďto za jistoty, nebo s kalkulovaným rizikem
 Nelze-li získat více informací, s problémem je nutno zacházet jako s
neurčitým
22
Modelování za rizika
 Většina manažerských rozhodnutí je za předpokladu jistého rizika
 Pro analýzu rizika je k dispozici několik technik, např.:
 rozhodovací tabulky
 rozhodovací stromy
 simulace
 faktory neurčitosti
 fuzzy logika
23
5.5 Influenční diagramy
 Grafická reprezentace modelu, která pomáhá při návrhu modelu, při jeho
dalším zpracování a jeho pochopení
 Poskytuje prostředek vizuální komunikace pro řešitelský tým
 Slouží také jako rámec pro vyjádření vztahů v modelu
INFLUENCE = vyjádření závislosti mezi proměnnými v modelu
24
Konvence
 Grafické znázornění
 Bloky (rozhodovací, neřízené a výsledné proměnné)
 Spojky (směr a typ působení)
 Tvary bloků a spojek
 Libovolná úroveň podrobností
25
Příklad - model „Zisk“
(Smith, 1995)
Profit = Income – Expenses
Income = Units sold x Unit price
Units sold = 0,5 x Amount used in advertisement
Expenses = Unit cost x Unit sold + Fixed costs
26
Influenční diagram modelu „Zisk“
Fixed
cost
Expenses
Unit
cost
~
Amount used in
advertisement
Profit
Units
sold
Income
Unit
price
Softwarové řešení
 Analytica
 DPL
 DS Lab
 INDIA
 NETICA
 Precision Tree
 ...
 Standardní grafické a CASE (Computer-aided software engineering)
programové balíky
28
5.6 Použití tabulkových procesorů
 Tabulkové procesory: nejpopulárnější nástroj modelování určený pro koncové





29
uživatele
Obsahuje mocné funkce finanční, statistické, matematické, logické, pro práci s
časem, pro zpracování řetězců, apod.
Možnost použití externích přídavných (add-in) funkcí a tzv. řešitelů pro
optimalizaci
Důležité pro analýzu, plánování, modelování
Jsou programovatelné (využití maker)
Jednoduché prvky pro řízení databází
5.7 Rozhodovací tabulky a stromy
 Analýza problému pro rozhodování při malém počtu alternativ
 Očekávané příspěvky alternativ a jejich pravděpodobnost vzhledem k cíli
 Řešení situací s jediným cílem
 Rozhodovací tabulky
 Rozhodovací stromy
30
Rozhodovací tabulky
 Příklad investic
 Jediný cíl: Maximalizovat výnos po jednom roce = vybrat nejlepší investiční
alternativu
 Výnos závisí na stavu ekonomiky:
 Růst
 Stagnace
 Inflace
31
Rozhodovací tabulky
1.
2.
3.
32
Je-li ekonomický růst, obligace se zhodnotí o 12%; akcie o 15% a
termínované vklady o 6,5%
Převládá-li ekonomická stagnace, obligace se zhodnocují o 6%, akcie o 3% a
termínované vklady opět o 6,5%
Převládá-li inflace, obligace vzrostou o 3%, akcie přinesou ztrátu 2% a
termínované vklady dají znovu 6,5% výnos
Rozhodovací tabulky
 ~ hra dvou hráčů: investor × příroda
 Rozhodovací tabulka - tabulka výplat (viz snímek 34)
 Rozhodovací proměnné (alternativy)
 Neřízené proměnné (stav ekonomiky)
 Výslední proměnná (předpokládaný výnos)
33
Rozhodovací tabulka pro problém investic
Stav ekonomiky
Alternativy
Obligace
Akcie
Termínovaný
vklad
Růst
Stagnace
Inflace
12,0%
6,0%
3,0%
15,0%
3,0%
-2,0%
6,5%
6,5%
6,5%
Práce s neurčitostí
 Optimistický přístup
 Uvažujeme nejlepší možný výsledek nejlepší
alternativy (= akcie)
 Pesimistický přístup
 Uvažujeme nejlepší z nejhorších výsledků
jednotlivých alternativ (= termínované vklady)
35
Zvládnutí rizika
 Použití známých (odhadovaných) pravděpodobností (Snímek 37)
 Analýza rizika: Výpočet očekávaných hodnot a výběr alternativy s nejlepším
výsledkem
 Může být nebezpečné - i mizivá pravděpodobnost katastrofické ztráty může mít
podstatný vliv na očekávanou hodnotu
36
Řešení rozhodování za rizika
Alternativy
Obligace
Akcie
Termínovaný
vklad
Růst
Stagnace
Inflace
0,5
0,3
0,2
12,%
6,0%
3,0%
8,4%
15,0%
3,0%
-2,0%
8,0%
6,5%
6,5%
6,5%
6,5%
Očekávaná
hodnota
 Rozhodovací stromy
 Jiné metody analýzy rizika
 Simulace
 Faktory jistoty
 Fuzzy logika
 Vícenásobné cíle
 Snímek 39: Výnos, jistota, likvidita
 Uvažování nejistoty a rizika
 AHP (Analytic Hierarchy Process)
38
Výnos vs. jistota vs. likvidita
Výnos
Jistota
Likvidita
Obligace
8,4%
Vysoká
Vysoká
Akcie
8,0%
Nízká
Vysoká (?)
Termínovaný
vklad
6,5%
Velmi vysoká
Vysoká
Alternativy
konec
40