06决策支持系统.pdf

1第第 6 章章 决策支持系统决策支持系统 6.1 信息管理与商业智能信息管理与商业智能 信息技术的高速发展带来了企业利用信息技术提高本身竞争力的巨大空间。信息技术不但使企业获取需要的信息，而且促进企业对信息的再利用，以此营造企业的竞争优势。管理信息系统的普及应用，通常都会产生大量的数据，如订单、库存、交易帐目、通话记录、及客户资料等。如何利用这些数据增进对业务情况的了解，帮助我们在业务管理及发展上做出及时、正确的判断，也就是说，怎样从业务数据中提取有用的信息，然后根据这些信息来采用明智的行动这就是商业智能（Business Intelligence,BI）涉及的内容。简而言之，商业智能是能够帮助用户对自身业务经营做出正确明智决定的工具。商业智能为更好地制订战略和决策提供良好的环境，为特定的应用系统（如客户关系管理 CRM、供应链管理 SCM、企业资源计划 ERP）提供数据环境和决策分析支持。当面向特定应用的特定战略和决策问题，商业智能从数据准备做起，建立或虚拟一个集成的数据环境。在集成的数据环境之上，利用科学的决策分析工具，通过数据分析、知识发现等过程，为战略制订和决策提供支持。最终，是如何解释和执行分析和发现结果的问题。整个过程中，集成的数据环境和决策分析工具是十分重要和不要缺少的。在竞争激烈的市场经济中，目前商业智能的软件的应用主要集中在竞争激烈的数据密集型的生活消费品行业和零售业以及金融服务业，如银行、保险等。使用商业智能都可以立竿见影地带动销售，这一点在零售业表现最为明显，这就是商业智能中的销售管理，它通过系统存储的产品销售信息建立销售模型，分总体销售模型和区域、部门销售模型；对产生不同结果的销售模型分析其销售量和销售策略，进行销售影响的因素分析和评估；根据不同的销售环境对相应的产品销售方案进行改进和创新，及时落实产品上架和下架计划，提高企业营销额。但是国内的生活消费品行业和零售业利润薄，信息化程度低，资金实力不强，没有足够能力实施。反而是电信、金融、航空等行业被商业智能厂商们看好。因为在国内这些行业的信息化程度高，并且这些行业从某种意义上都是服务业，客户的需求在这些行业中扮演着重要角色，准确、科学地把握客户的需求是身处这些行业的企业决策者们孜孜以求的东西。所以利用商业智能建立客户关系管理尤为重要。建立以客户为中心的数据平台集成客户信息，能有效保证客户信息的集中、统一和规范并从中挖掘出有价值的信息，就能获得更多的利润，帮助企业在适当时间、通过适当渠道、为客户提供适当的产品和服务。同时，通过发展曲线企业及时发现市场和顾客异常情况，快速采取措施，降低企业风险提高企业收益。如信用卡分析；银行、保险等行业的欺诈监测等。中国光大银行的国际结算系统是商业智能应用的典型案例。光大银行建立面向国际结算部的数据分析系统，该系统利用光大银行国际结算系统积累的大量有价值的历史交易数据，国结统计分析系统真实地反映光大国际结算业务的经营状况，揭示其发展的规律和趋势，提供高质量的统计数据和报表，并且支持 OLAP验证式分析功能。光大银行国结统计分析系统基于数据仓库和 OLAP 技术，提 2供一个易用、灵活、快速的，集成了分析、统计、报表、数据挖掘的商业智能系统。国际结算统计分析系统：提供及时、方便的信息获取的方法，涵盖国结业务系统统计分析需要的全部数据，以及汇款柜台系统的部分数据，保证数据的质量和及时性，可以通过多个角度、多个层次进行信息查询；可以让业务人员方便地定义各种报表，随心所欲的在报表中嵌入分析结果，并且支持报表下钻功能，最大限度的降低开发和维护成本；支持快捷地绘制各种指标的走势曲线、对比柱图、占比图形，对数据进行内在关系和深度挖掘，为决策者做出正确的决定提供有力的依据。可以从机构、代理行和客户等角度分析国际结算业务的收益情况；能够及时地对异常的情况进行告警，使决策者随时掌控全局。分级的等级评估更是预警各种比较的有效方法。综观商业智能的发展，商业智能具有以下特点。功能上具有可配置性、灵活性、可变化性。BI 系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。同时，由于企业用户在职权、需求上的差异，BI 系统提供广泛的、具有针对性的功能。从简单的数据获取，到利用WEB 和局域网、广域网进行丰富的交互、决策信息和知识的分析和使用。解决方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面。针对不同企业的独特的需求，BI 系统在提供核心技术的同时，使系统又具个性化，即在原有方案基础上加入自己的代码和解决方案，增强客户化的接口和扩展特性；可为企业提供基于商业智能平台的定制的工具，使系统具有更大的灵活性和使用范围。从单独的商业智能向嵌入式商业智能发展。这是目前商业智能应用的一大趋势，即在企业现有的应用系统中，如财务、人力、销售等系统中嵌入商业智能组件，使普遍意义上的事务处理系统具有商业智能的特性。考虑 BI 系统的某个组件而不是整个 BI 系统并非一件简单的事，比如将在线分析处理技术应用到某一个应用系统，一个相对完整的商业智能开发过程，如企业问题分析、方案设计、原型系统开发、系统应用等过程是不可缺少的。从传统功能向增强型功能转变。增强型的商业智能功能是相对于早期的用SQL 工具实现查询的商业智能功能。目前应用中的 BI 系统除实现传统的 BI 系统功能之外，大多数已实现了数据分析的功能。而数据挖掘、企业建模是 BI 系统应该加强的应用，以更好地提高系统性能。商业智能作为一种新兴的决策支持体系，与传统的 DSS、EIS 相比有明显的区别。使用对象范围上，商业智能的使用对象不再像 DSS、EIS 仅仅局限于企业的领导与决策、分析人员，而是扩展到企业组织内外的各类人员，为他们提供决策支持服务，既有企业经理一类的企业领导和高层决策者，又有企业内部各部门的职能人员，还包括客户、供应商、合作伙伴等企业外部用户。系统功能上，商业智能具有传统 DSS、EIS 所不具有的强大的数据管理、数据分析与知识发现能力。但商业智能也存在不足。商业智能的目标与 DSS 一样，是为了提高企业决策的效率和准确性。但 BI 是通过数据分析、知识发现工具提供有价值的、辅助决策的信息和知识，用户必须根据这些信息和知识，运用现有的企业知识和经验进行判断，做出决定，极少数具备智能决策的能力。不像专门的决策支持系统那样提供方案生成、方案协调、方案评估等功能，更不具备群体决策的能力。3 商业智能的技术体系主要有数据仓库（Data Warehouse,DW）、在线分析处理（On Line Analytical Processing,OLAP）以及数据挖掘（Data Mining,DM）三部分组成。数据仓库 数据仓库是商业智能的基础，许多基本报表可以由此生成，但它更大的用处是作为进一步分析的数据源。数据仓库是从各个操作库和管理库中提取出特定的现实数据和历史数据集中存储以便决策分析之用。这些数据经过专门的集成和标准化处理，并定期更新，具有统一的用户界面，方便管理人员和企业内部的专家调用。所谓数据仓库（DW）就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。数据仓库是企业在激烈竞争中提高资源利用率和决策效率的产物，是企业信息管理环境的重要组成部分。数据仓库是面向主题的，面向主题的数据组织方式是数据仓库的基本特征，从逻辑意义上说，主题就是企业某一宏观分析领域所涉及的分析对象。数据仓库是集成数据的统一体，数据仓库的数据来源于操作型事务数据，最终用户大量事务处理积累的数据，它们与传统 OLTP 数据库系统共同构成了数据仓库的基础，事务数据经过处理后，在数据仓库中形成整合的、结构化的、易于导航的数据，能对决策分析进行快速、正确地响应。数据仓库在一定周期内保持稳定性，数据仓库包含的大量历史数据是对不同时期数据资料综合、重组、统计导出的数据集合，数据仓库重在查询和分析，仅在必要时才对数据予以更新，因此数据仓库需在一个较长的周期内保持其稳定性。数据仓库系统并非一个简单由各种数据合并而成的超大型数据库，而是一种专为联机分析应用和决策支持系统 DSS 提供数据源与决策工具的结构化数据环境。它涉及数据的抽取、转换、装载、数据存取、元数据管理、查询、报表、分析工具，及相应的开发方法学。在线分析处理 在线分析处理（OLAP）技术则帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真正为用户所理解的、并真实反映数据维特性的信息，进行快速、一致、交互地访问，从而获得对数据的更深入了解的一类软件技术。图图 6.1 OLAP 体系结构体系结构 OLAP 的特点可以归纳为:FASMI 本(Fast Analysis of Shared Multidimensional Information)：Fast 指系统应快速响应用户的分析请求；Analysis 指系统应能利用己有的综合路径及统计公式，对与用户及应用相关 4的任何业务逻辑进行统计分析，而不用编程；Shared 指多个用户存取数据时，系统应保证安全；。Multidimensional 是 OLAP 应用的实质，OLAP 系统应提供数据的多维概念视图；Information 指提供应用所需的数据及其导出数据信息。数据挖掘数据挖掘 数据挖掘（DM）是从大量的数据中提取人们感兴趣知识的高级处理过程，这些知识是隐含的、事先未知的，并且是可信的、新颖的、潜在有用的、能被人们理解的模式。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。用于进行数据挖掘源数据经过清洗和转换等成为适合于挖掘的数据集，数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。数据挖掘的基本过程和步骤如下：第一步：确定研究对象。明确提出要解决什么问题以及数据挖掘的主要目的，避免盲目性；第二步：收集数据。主要包含三个环节：筛选数据、数据预处理、数据转换；第三步：数据挖掘。寻找适合的算法，根据算法建模，得出结果；第四步：分析评估结果。第五步：结果应用。将分析所得结果应用到确定的对象中去 数据挖掘的基本过程和主要步骤如图 6.2 所示。图图 6.2 数据挖掘的基本过程和主要步骤数据挖掘的基本过程和主要步骤 数据挖掘技术的主要任务体现在以下几个方面：通过对已有的大量数据做自动预测，根据预测的结果来推断以后的发展趋势；对选择的数据进行预处理，找出数据之间的关联；将数据划分成一系列有意义的子集，专业术语称之为聚类，它是以传统的模式识别方法和数学分类作为划分的依据；概念描述，就是对某类对象的内涵进行描述并概括出对象的属性和特征，包括共性描述和区别性描述两种；偏差分析，分析真实值与用数据挖掘技术推导出的结果的偏差范围，偏差越 5小说明数据分析得越准确。数据挖掘技术从一开始就是面向应用的，它的使用领域和范围几乎没有限制，在商业领域的应用尤其引人注目。数据挖掘技术在市场营销中应用非常普遍，它是以市场营销学的市场细分原理为基础，以“消费者过去的消费行为是其今后消费倾向”为假定前提条件，通过收集、加工和处理涉及消费者消费行为的大量信息，确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，进而推断出相应消费群体或个体下一步的消费行为，然后以此为基础对所识别出来的消费群体进行特定内容的定向营销。这与传统的不区分消费者对象特征的大规模营销手段相比。大大节省了营销成本，提高了营销效果，从而为企业带来更多的利润。美国的超市有这样的系统：当你采购了一车商品结账时，售货员小姐扫描完了你的产品后，计算机上会显示出一些信息，然后售货员会友好地问你：我们有一种一次性纸杯正在促销，位于 F6 货架上，您要购买吗?这句话决不是一般的促销。因为计算机系统早就算好了，如果你的购物车中有餐巾纸、大瓶可乐和沙拉，则 86%的可能性你要买一次性纸杯。结果是：“啊，谢谢你，我刚才一直没找到纸杯。”这不是什么神奇的科学算命，而是利用数据挖掘中的关联规则算法实现的系统。每天，新的销售数据会进入挖掘模型，与过去 N 天的历史数据一起，被挖掘模型处理，得到当前最有价值的关联规则。同样的算法，分析网上书店的销售业绩，计算机可以发现产品之间的关联以及关联的强弱。数据挖掘、在线数据分析与数据仓库等概念之间既有密切的联系又有本质的区别。共同之处在于研究的主体都是数据，不同之处在于，数据挖掘是在没有明确假设的前提下去挖掘信息（发现知识），数据挖掘所得到的结果应具有预先未知、有效和实用三个特征，而且涉及到的基础数据是非常庞大的，而数据分析所涉及的是很小的数据集合。数据仓库用来对大量的数据按一定的结构进行组织（存储），联机分析处理则可进行灵活丰富的多维分析与查询，可以从不同的角度去分析企业的运作情况，并对未来进行预测)，数据挖掘则是对现有数据进行深层次的研究分析，从中找出对经营管理有用的结论。案例：西门子(中国)A&D 集团商业智能建设 资料来源：http:/ 年 2 月 2006 年 3 月底，为西门子(中国)A&D(自动化与驱动)集团各部门的管理人员提供决策支持的 BI(商业智能)系统A&D 市场分析系统，正式通过验收。西门子(中国)A&D(自动化与驱动)集团实施 BI，旨在整合原有 CRM 系统，并深度挖掘市场销售数据和其它多种信息数据源。西门子(中国)A&D 集团在中国业务的快速发展开始于上世纪 90 年代，目前涉足的领域包括钢铁、机械、冶金、食品、饮料、包装、汽车、石化等行业。“为中国工艺和制造行业提供全集成自动化(TIA)和全集成能源管理(TIP)解决方案”是其业务重心。在 2003 财年里，A&D 集团巩固了其在中国快速发展的钢铁和造纸工业中的领导地位，稳居 PLC(可编程控制器)、CNC(数据控制)和大型驱动市场中的头把交椅。曾有 A&D 集团高层人士预测，在中国市场 2003 年的销售额能达到 4 亿欧元。对于这一数据，当记者向 A&D 集团求证时，未获肯定回答。中国工业自动化市场上，绝非只有 A&D 集团一家“独舞”。在全球其他国家工业自动 6化市场发展缓慢、投资停滞的情况下，正在进入重工业化的中国制造业对自动化的需求却在持续上升。专家分析，2004 到 2005 年将是中国工控自动化领域发展的黄金时期，行业内平均新购置设备总金额将突破 12 亿美元。越来越多的“玩家”参与到这个“竞争游戏”中来，罗克韦尔、三菱、OMRON、GE、松下电工、法国施耐德等，近期都加大了对中国市场的开拓力度，在加强大企业市场营销的情况下，它们还将目光盯上了中小企业。A&D 集团感觉到了竞争的压力。在激烈的竞争中，谁最了解市场变化和用户需求，谁就能获胜。“工欲善其事，必先利其器”，在 A&D 集团的打算里，新实施的 BI 系统就是帮助 A&D 集团迅速、全面而又详尽地把握市场脉动的“利器”。原 原 CRM 系统力不从心系统力不从心 “A&D 集团感觉需要实施新的管理信息化解决方案是在 2003 年 10 月。”一位参与项目的人士介绍。A&D 集团原来应用的是 maximizer CRM(客户关系管理，maximizer 为软件供应商)系统，三年的业务拓展，maximizer CRM系统中记载了近6000多家客户行为业务数据，但maximizer CRM 系统却无法提供 A&D 集团对客户行为趋势深入分析的新的功能需求。而且 maximizer CRM 的报表制作周期也显得过长，难以适应越来越强调效率的业务节奏，而且有的报表各级管理人员无法独立制作，需要 IT 人员的协助。“对于一个要随时关注市场变化的企业来说，这几乎是致命性的弱点。”这位人士指出。与此同时，出于对经营环境的关注，A&D 集团也针对不同地区、不同行业收集了大量的宏观经济数据，再加上其它通过各种系统产生的内部商务数据，A&D 集团拥有了庞大的数据库群。管理人员、市场人员、业务人员、业务支撑服务人员都有从数据库中获得相关支持数据信息的需求，但是，基于这些数据的分析应用工具却极为缺乏。于是，A&D 集团考虑实施新的管理信息化项目。本身就是解决方案供应商的 A&D 集团，自然也十分明白自己需要什么样的解决方案。2004 年 1 月 8 日，西门子公司在对投标企业的方案反复论证的基础上，与和勤软件进行合作，签约A&D 市场分析系统项目。据说这一供应商的中标，与其曾经为美国花旗银行和北京市商业银行实施过 BI 系统的经历不无关系。新 新 BI 系统的能力系统的能力 A&D 市场分析系统的数据来源包括 CRM 系统数据、各种宏观经济数据、内部商务数据等，通过 ETL(转换、清洗、校验、加载)过程，将各个数据源加载到数据仓库中。数据仓库模型根据设计过程中确定的分析主题，将所有的数据以相同的指标排列，以便进行各种查询以及业务分析。据介绍，A&D 市场分析系统的业务分析功能大致分为五个方面：宏观经济数据分析：对各种固定资产投资、实际利用外资、GDP 等宏观经济指标分行业、分地区进行分析；内部商务数据分析：利用各事业部门集中上来的数据，按地区、行业、部门、生产线等对公司的人数变化、订单量、市场份额等进行分析。市场分析：综合对比内部商务数据、宏观经济数据以及 CRM 系统数据，进行销售资源利用率分析、竞争对手分析、SWOT 分析等；CRM 系统数据分析：对 CRM 系统中记录的客户信息、沟通记录、机会、策略等进行分析；CRM 系统使用情况分析：通过销售人员使用 CRM 的情况，考核他们的业绩。“事实上，这正是 A&D 集团维持领先地位所急需的一套可以从宏观经济环境到微观市场行为，从公司整体经营到个人营销(生产)业绩，从竞争对手到合作伙伴等等，进行高效全方位市场分析的工具。”这位人士评价，“应用 BI 系统的分析客户行为趋势功能，可使 7原来的 CRM 应用部门由成本中心，转化为利润中心。”以销售人员的管理为例。A&D 集团目前有 500 多名销售人员，上万家客户。通常营销人员的业绩考核是以他联系的客户数和客户的购买金额来衡量，购买金额可以量化，但联系客户的业绩就难以精确考核。而 BI 系统则可以准确记录营销人员联系客户所获得的每一个有用信息，分析他们与客户沟通深入程度，从而实现对这一过程的考核。A&D 集团实行的是矩阵式管理模式，按部门分为 8 个 BU(事业部)：AS(自动化系统)、CD(低压控制产品与系统)、ET(电气安装技术)、LD(大型传动)、MC(运动控制系统)、PI(过程仪表及分析仪表)、PT4(特殊产品和培训)、SD(标准传动).而按地区则分为 5 个地区：东北区、北方区、华东区、华南区、西南区。通过 BI 系统不仅可以方便地对矩阵中的任一员工计算考核业绩，而且也可以方便地计算部门、地区等的动态业绩，以及根据行业或地区市场的变化情况决定销售资源的投放。同时，通过 BI 的管理机制，可以按不同的权限为矩阵中的任一员工设定其有权使用的分析方法和可以看到的分析报表，而新报表的获得，几乎是即时性的。目前 A&D 集团共在国内设立了 24 个分公司及办事处，7 个合资及独资公司，员工超过了 2100 人。而此次 BI 系统的实施，就是为了更有效地协调其日益庞大的管理、生产、销售队伍，让每一个员工，无论是高层管理人员还是普通员工，都能最充分地获得他应当掌握的信息，以求获得领先对手的优势.6.2 决策支持系统决策支持系统 6.2.1 决策支持系统的概念决策支持系统的概念 一、决策支持系统的产生与发展 组织的管理思想、方法与工具总是随着组织环境的变迁而发生变化，管理思想、方法与工具的改进使组织的管理效率与效益有了显著的提高。组织管理的发展过程既是不断引入新技术新方法的过程，也是不断发现问题提出更高要求的过程。20 世纪 60 年代末 70 年代初出现的 M1S 使企业系统地开发与利用信息，将企业的管理水平提到了一个新的层次。然而当时的 MIS 还不能利用信息来满足组织中一些半结构化和非结构化问题的决策支持要求。在此背景下，人们寻求着能较有效地解决这些问题的新方法。而 70 年代起推出的用以支持决策的各种系统正呼应着这种需求。70 年代中期 Keen 和 Scott Morton 首次提出了“决策支持系统”(Decision 表Support Systems，简称 DSS)一词，标志着利用计算机与信息支持决策的研究与应用进入了一个新的阶段，井形成了决策支持系统新学科。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 Portfolio Management System；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簟的 Capacity Information System 等等。到 70 年代末，DSS 一词已非常流行，一般认为 DSS 是结合与利用计算机强大的信息处理能力和人的灵活判断能力，以交互方式支持决策者解决半结构化和非结构化决策问题的系统。当时的 DSS 大都由模型库、数据库及人机交互系统 8等三个部件组成，它被称为初阶决策支持系统。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；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。知识库系统中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。80 年代后期，人工神经元网络及机器学习等等技术的研究与应用为知识的学习与获取开辟了新的途径。专家系统与 DSS 相结合，充分利用专家系统定性分析与 DSS 定量分析的优点，形成了智能决策支持系统IDSS，提高了 DSS 支持非结构化决策问题的能力。近年来，DSS 与计算机网络技术结合构成了新型的能供异地决策者共同参与进行决策的群体决策支持系统 GDSS。GDSS 利用便捷的网络通信技术在多位决策者之间沟通信息，提供良好的协商与综合决策环境，以支持需要集体作出决定的重要决策。在 GDSS 的基础上，为了支持范围更广的群体，包括个人与组织共同参与的大规模复杂决策，人们又将分布式的数据库、模型库与知识库等决策资源有机地集成，构建分布式决策支持系统 DDSS。DDSS 研究内容广泛，难度很大，目前尚不成熟。DSS 产生以来，研究与应用一直很活跃，新概念新系统层出不穷。1985 年Owen 等人提出了由专业人员组成的、支持决策者使用 DSS 解决决策问题的决策支持中心(DSC)的概念。DSC 既容易实现，也能明显改进决策环境。在新型框架方面、近年还椎出了智能型、交互型与集成化的决策支持系统 I3DSS，它以面向决策者、面向决策过程、综合各种方法与工具为特色，适用面更广泛。DSS 的发展还体现在组成部件韵扩展与部件组成的结构变化上，部件及结构的演变反映了 DSS 从专用到通用、从简单到复杂的发展过程。DSS 的发展与信息技术、管理科学、人工智能及运筹学等科学技术的发屑密切相关。随着 DSS研究与应用范围的扩大与层次的提高，新技术新方法的不断推出与引入，DSS的形式与功能会逐步走向成熟，实用性与有效性会进一步提高。DSS 的概念是 80 年代末引入我国的，但在此之前有关辅助决箫的研究早就有所开展，目前我国在 DSS 领域的研究已有不少成果，但总体上发展较慢，在应用上与期望有较大的差距，这主要反映在软件制作周期长，生产率低，质量难以保证，开发与应用联系不紧密等方面。二、决策支持系统的功能与定义 决策是人们在改造客观世界中为实现主观目的而进行策略或方案选择的一种行为，它必然带有决策者的大量主观因素。方案代价与后果能定量计算或方案的优劣有明确的分析比较规则的结构化决策可较容易地借助计算机来实现，但这种情况毕竟是少数。现实世界中更多的决策问题，例如维系企业生存与发展的战略规划的制定、投资方向的选择等是无法用明确表达的规则来解决的。这些半结构化或非结构化决策问题的解决主要依赖于决策者经验的分析与判断。因此所选的方案往往因人而异，难免不反映个人的风格和意志。DSS 的目标就是要在人的分析与判断能力的基础上借助计算机与科学方法支持决策者对半结构化和非结构化问题进行有序的决策，以获得尽可能令人满意的客观的解或方案。DSS 目标要通过所提供的功能来实现，系统的功能由系统结构所决定，不同结构的 DSS 功能不尽相同。在总体上，DSS 的功能可归纳为：?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、9生产能力与财务报表等。?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。?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。?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。?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。?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。?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。?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”(WhatIf)之类的问题。?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。?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。DSS 发展至今已有 30 多年了，有关它的定义始终存在着不同的观点，一种观点认为对一个迅速发展尚未完全成熟的领域过早地追求一个完善的定义并非明智之举，因此只要把握住这个领域的基本特征和基本构成就可以了，这样做的好处是能给该领域的扩充和改变方向提供足够的灵活性；另一种观点认为事物都处于不断发展变化之中，定义，尤其是描述性的定义也同样是可以不断修改完善啦，为使从事 DSS 研究与开发人员的工作有一个大致的方向与范围，为使要了解 DSS 的人能简捷清晰地明确 DSS 到底是什么，应给出 DSS 的定义。实际上上述两种观点也有共同之处，那就是定义必须建立在对象基本特征与结构特征之上。DSS 的基本特征一般可归纳为五个方面：?对准上层管理人员经常面临的结构化程度不高、说明不够充分的问题；?把模型或分析技术与传统的数据存取技术及检索技术结合起来；?易于为非计算机专业人员以交互会话的方式使用；?强调对环境及用户决策方法改变的灵活性及适应性；?支持但不是代替高层决策者制定决策。DSS 的结构特征应包括以下五个方面：?模型库及其管理系统；?数据库及其管理系统；?方法库及其管理系统；?交互式计算机硬件及软件?对用户友好的建摸语言。根据 DSS 应具备的功能及特征，有关的专家学者先后为 DSS 给出了多种定义，这些定义可综合为：“DSS 是一种以计算机为工具，应用决策科学及有关学科的理论与方法，以人机交互方式辅助决策者解决半结构化和非结构化决策问题的信息系统”。从以上关于 DSS 功能及特征的描述及定义中，我们能较全面地认识到，DSS就是要组织与管理好所有能供决策使用的数据或信息、计算模型、分析方法与判 10断规则，在决策者与机器的交互过程中针对不同的问题通过各种数据、模型与方法的组合作用来引导决策者完成一系列的判断而获得问题的解。以下的例子简单地说明了 DSS 的运作过程。有一制造厂为决定它的生产规模和合适的库存量，建立一个决策支持系统，它的模型库由生产计划、库存模拟模型(如预测、库存控制模型)等组成。在数据库中存有历年销售量、资金流动情况、成本等原始数据。决策者通过计算机终端屏幕，根据 DSS 提供最佳订货量和重新订货时间，以及相应的生产成本、库存成本等信息，进行“如果将会怎样，”的询问，对所提方案进行灵敏度分析，或者以新的参数进行模拟而得到一个新的方案。决策支持系统并不强调寻找最优解，也不意味着提供最后结果，而是为决策者作出自己的判断提供支持，由决策者在一系列选择中，综合其他不适宜进人模型的因素，得出最后的合理的决策方案。三、决策支持系统与管理信息系统的关系 DSS与MIS的关系一直是学术界颇为关注的讨论热点，几乎每一本有关DSS的及后阶段出版的有关 MIS 的著作或教材都要或多或少地谈到此间题，然而两者关系究竟如何却始终未能有一个较一致的观点。然而主要的观点有以下四种：?MIS 是一个总概念，DSS 是 MIS 发展的高级阶段或高层子系统。?DSS 是鉴于 MIS 的不足而推出的目标不同于 MIS 的新型系统。?MIS 是 DSS 的基础部分，也即 DSS 包括提供决策信息的 MIS，MIS 是 DSS的一个子系统。?有广义与狭义之分，就狭义而言，MIS 与 DSS 是不同的系统，就广义而言，DSS 是 MIS 的分系统。显然这些观点有较大的分歧，要求得统一几乎是不可能的。那么为什么对同一问题会有如此不同的看法呢？在讨论 DSS 与 MIS 的关系前须对其原因做一分析。首先可以肯定的是，上述不同观点是从不同的角度来观测问题的，在分析两者关系时，如果对 DSS 相对于 MIS 或对 MIS 相对于 DSS 有较深刻透彻的了解，就易有一种先人为主的看法；其次是停留在事物发展的某点上或者说以静止的观点观察问题，那么由于定点的不同而会造成结论的差异。就系统论而言，DSS 与 MIS 关系的讨论实质上是关于系统与系统的关系，还是系统与子系统的关系的讨论。以下我们拟从两者形成的时间、名称、定义或描述、实际内容等几个方面予以分析。从 DSS 与 MIS 形成的时间上看，MIS 要早于 DSS，且 DSS 的出现处于 MIS尚不成熟的阶段，这也是 DSS 强调 MIS 不足而高于 MIS 的原因之一。尽管 MIS 的发展不如人意，但 MIS 形成的起因要明显地比 DSS 宽阔。从两者的名称看，MIS 表达的含义也要比 DSS 广泛，因为决策是管理的职能之一，而“管理就是决策”的说法只是强调决策在管理中极其重要的一种突出化表达方式。从两者的定义或特征描述来看，两者都认为是一种人机系统，强调入在系统中的重要作用，也明确应具有决策支持或辅助功能，但关于人的作用方式有所区别，决策问题类型的看法有所出入。DSS 突出地强调人机交互作用及人的定性分析与机器的定量计算相结合确是一个明显的特色；而决策问题的类型或决策问题的结构化程度，MIS 并未做出限制，这无论从 Cardon B.Davis 的定义或中国企业管理百科全书的定义都可看出。11 从两者的实际内容看，MIS 确实较多地是关于结构化的决策支持。但以动态的眼光看，决策支持功能的实现要有一个由低到高的发展过程，如果将 DSS 所要追求的目标与 MIS 发展过程中的某一点比较，就会显得两者不同。显然这种观察分析方式与 DSS 本身也有一个发展过程的事实不相符合。综上所述，我们认为，DSS 与 MIS 目标一致起点不同，DSS 的目标是 MIS本来就要追求的目标之一，只是这个目标的具体实现是在 DSS 的名义之下而已。从发展的观点看，可以将 DSS 看作是 MIS 的高级阶段或高层分系统。但为了有利于作深入的专门研究，为了满足组织管理决策现代化与科学化的迫切需要，针对性地作 DSS 的专门开发与应用也是可行的。DSS 与 MIS 的关系的认识对两者的发展都有一定的影响，这种影响对 MIS 明显甚于 DSS。因此通过探讨使影响朝有利的方向发展是必要的。6.2.2 决策支持系统的组成决策支持系统的组成 一、决策支持系统的概念模式 DSS 由若干部件按一定的结构组成，部件不同或结构不同会构成功能差异的DSS。但各种 DSS 的结构都必须建立在某种概念模式之上。DSS 的概念模式反映 DSS 的形式及其与“真实系统”、人和外部环境的关系。DSS 概念模式的建立是开发中最初阶段的工作，它通过对决策问题与决策过程的系统分析来描述。基本的概念模式如图 6.3 所示。图图 6.3 DSS 的基本模式的基本模式 由图可见，决策者运用自己的知识，把他和 DSS 的响应输出结合起来对他所管理的“真实系统”进行决策。对“真实系统”而言，提出的问题和操作的数据是输出信息流，而人们的决策则是输入信息流。图的下部表示了与 DSS 有关的基础数据，它包括来自真实系统并经过处理的内部信息、环境信息，与人的行为有关的信息等。图的右边是最基本的 DSS，由模型库系统、数据库系统和人机真真 实实 系系 统统 环境环境 外部信息外部信息内部信息内部信息与人的行为与人的行为 有关的信息有关的信息 问题问题决策决策 决策者决策者 操作操作响应响应对话系统对话系统 数据库系统数据库系统模型库系统模型库系统 12对话系统等组成。决策者运用自己的知识和经验，结合 DSS 响应的输出，对他所管理的“真实系统”进行决策。决策者在决策过程中处于中心地位，因此在基本模式中同样地占据着核心位置。由于 DSS 使用者面临的决策的规则与步骤不完全确定，决策过程难以明晰表达，决策者的素质、解决问题的风格、所采用的方法都有较大差异，使得 DSS的模式在专用与通用、自动化程度的高低这两对矛盾中进行折衷。一般情况下，我们应倾向于采用在求解过程、用户环境、适应性等方面具有较高柔性的更多地强调决策者主观能动性的通用模式。由于 DSS 所要解决的问题的特殊性，DSS 的系统分析方法与 MIS 采用的方法有所不同，目前常用的典型方法是 ROMC(Representations 表述、Operations 操作、Memory Aids 记忆辅助、Control Mechanisms 控制机制)分析方法。该方法首先识别决策过程中的基本活动，然后分别对这些基本活动作 ROMC 分析。其中表述是采用表格、图表、数据、文本或模型等概念化的形式来描述各个活动的规范和内容，而不必描述决策过程整体；所谓操作分析是将概念化的描述转化为相应决策活动中的具体操作，这些操作无需确定前后顺序；对决策者采用的决策方法与决策数据的记忆手段加以辨识可确定 DSS 应具有的各种记忆辅助功能；ROMC 中的控制是关于如何引导决策者使用表述、操作、记忆辅助，以便根据他们个人的风格、技能和知识综合进行决策的机制，如菜单、人机交互标准约定、学习与帮助等。ROMC 方法尚缺乏完整的规则和有力的工具，同时对表述与记忆辅助之间的关系不进行描述，只给出了一个思路，使系统分析员难以驾驭。二、决策支持系统的系统结构 DSS 部件之间的关系构成了 DSS 的系统结构，系统的功能主要由系统结构决定，具有不同功能特色的 DSS，其系统结构也不同。系统结构是 DSS 最主要的研究内容之一，在这方面已有大量的文章与讨论。目前 DSS 的系统结构大致有两大类：一类是以数据库、模型库、方法库、知识库及对话管理等子系统为基本部件构成的多库系统结构；另一类是以自然语言、问题处理、知识库等子系统为基本部件构成的系统结构。本节介绍多库系统的结构，主要有三角式结构和其他结构。三角式结构是由数据库、模型库等子系统与对话子系统成三角形分布的结构，也是 DSS 最基本的结构，如图 6.4 所示。对话管理子系统是 DSS 人机接口界面，决策者作为 DSS 的用户通过该子系统提出信息查询的请求或决策支持的请求。对话管理子系统对接受到的请求作检验，形成命令，为信息查询的请求进行数据库操作，提取信息，所得信息传送给用户；对决策支持的请求将识别问题与构建模型，从方法库中选择算法，从数据库读取数据，运行模型库中的模型，运行结果通过对话子系统传送给用户或暂存数据库待用。应用 DSS 作决策的过程是一个人机交互的启发式过程，因此问题的解决过程往往要分解成若干阶段，一个阶段完成后用户获得阶段