Economic subjects | Decision theory » Döntéstámogató rendszerek

BMF NIK SzTI Sántáné-Tóth Edit: Döntéstámogató rendszerek Oktatási segédlet, 2005/2006 tanév A hagyományos erıforrások (az anyag, az energia, a munkaerı és a tıke) mellett már több évtizede megjelent egy új erıforrás, az információ. Az informatika korszerő eszközei és módszerei biztosítják a tömeges adatgyőjtést, adattárolást, adatfeldolgozást és adat-továbbítást Azonban az információ, mint erıforrás hatékony kihasználásához meg kell oldani annak globális győjtését, feldolgozását, elérését, valamint (minden résztvevı számára) azonos értelmezését. Csak így lehet a tárolt adatok közötti kapcsolatokat feltárni és értelmezni, elemezni, azokból megfelelı trendeket kinyerni – és az így kapott információkat a gazdasági életben, a vállalatirányításban, általában a szervezetek vezetésében felmerülı döntési szituációkban felhasználni. A különbözıféle számítógépes döntéstámogató

rendszerek ebben adnak segítséget. A jelenlegi információrendszer-technológia lehetıvé teszi azt is, hogy a nemzetközi (internet) és szervezeti (intranet) hálózatok közvetítésével a döntéshozók földrajzi helyzetüktıl függetlenül, valós idıben érjék el a szükséges adatokat, információkat. A következıkben elıször a szükséges döntéselméleti alapfogalmakat fogaljuk össze. Forrásmunkák: [Barakonyi 2004], [Kindler 1991], [Mérı 1994, 1996, 1997], [Simon 2004], [Temesi 2002] és [Zoltayné 2005]. A döntéstámogató rendszerek történeti kialakulása után elemezzük a döntéshozatal folyamatát, foglalkozunk az egyéni és a szervezeti (ezen belül a csoportos) döntéshozatallal. Szó lesz a döntéshozatalt támogató rendszerek fejlesztésének kérdéseirıl, majd ismertetjük a fontosabb döntési technikákat és modelleket. Forrásmunkák: [Kindler 1991], [Kiss 1997], [Kı 1997], [Molnár 1997], [Sántáné-Tóth 2000], [Temesi 2002],

[Turban 2005 és korábbi kiadások]. A döntéshozatal támogatásában a mesterséges intelligencia (MI) kutatások során kidolgozott technikák, módszerek (szakértı rendszerek, neuronhálók, intelligens adatbányászat specifikus funkciói) egyre nagyobb mértékben járulnak hozzá – ld. a „Szakértı rendszerek” c oktatási segédletet 1. Döntéselméleti alapfogalmak A döntéselméletet több felsıoktatási intézményben oktatják; elég sok több ilyen témájú könyv, oktatási segédlet jelent meg már magyar nyelven. Ebben a fejezetben áttekintjük a döntéstámogató rendszerek tárgyalásához szükséges döntéselméleti alapfogalmakat (probléma, problémamegoldás, alternatívák, cél/célok; a legismertebb (Bartee-féle) problématér; optimális és kielégítı döntések, normatív és leíró modellek, a problémák kategorizálása). Végül jellemezzük a döntéshozás lehetıségét (és korlátait) adó gazdasági környezetet, illetve

magát a döntéshozó embert (akinek rövid- és hosszútávú memóriája, valamint két agyféltekéjének speciális funkciómegosztása befolyásolja döntéshozatali tevékenységét) Végül az emberi tudás és modellalkotás szintjeit tárgyaljuk 1.1 Probléma, problémamegoldás A probléma (a pszichológia meghatározása szerint): az a szituáció, amelyben bizonyos célt el akarunk érni, de a cél elérésének útja számunkra rejtve van. Más szavakkal: egy észlelt jelenlegi probléma-állapotot szereznénk egy kívánatosnak minısített célállapotba hozni. (Lehet, hogy a cél éppen a probléma-állapot megtartása!) A probléma szubjektív fogalom: a tényleges jelenlegi helyzet nem ugyanaz, mint az egyes egyén által észlelt jelenlegi helyzet. Az ugyanazon helyzetben lévı személyek a jelenlegi helyzetet, probléma-állapotot különbözıképpen észlelhetik, és igényeiknek, hangulatuknak megfelelıen lehetnek vele elégedetlenek vagy elégedettek Az

ilyen „megmagyarázott”, „nincs semmi probléma”-helyzetek gyakoriak az egyéni életben (pl. gyógyíthatatlan beteg önszuggesztiója) és a társadalmi életben (pl. politikai-ideológiai manipulációk) A problémamegoldás: az a tevékenység (-sorozat), amely a probléma-állapotnak célállapottá alakításával kapcsolatos. Ez nem a tényleges, hanem az észlelt jelenlegi helyzettıl függ! A problémamegoldás során különbözı döntési szituációk adódhatnak, amikor is döntenünk kell arról, hogy az ott elvégezhetı tevékenységek – mint kínálkozó cselekvési változatok, alternatívák – közül melyiket válasszunk.1 (Példa a „4-királynı probléma”, ahol is egy 4*4-es sakktáblán 4 királynıt úgy kell elhelyezni, hogy egyik se üsse a másikat. A gyakorlatban legtöbbször elıforduló problémák esetében eltérı költség tartozik az egyes alternatívákhoz, amikor is a költségek tekintetében optimális megoldás elérése a cél.

Példa erre az „utazóügynök probléma”: mennyi annak a legrövidebb körútnak a hossza, amellyel az ügynök minden elıírt várost pontosan egyszer meg tud látogatni) Alternatívák, cselekvési változatok: egy döntési szituáció megoldására szolgáló lehetıségek. Jellemzıik: - Számosság: számuk véges, megszámlálhatóan végtelen, megszámlálhatatlanul végtelen sok. - Számszerősíthetıség: megadhatók numerikusan (kvantitatív módon), vagy csak kvalitatív módon. - Kölcsönkapcsolatok: teljesen függetlenek egymástól, lazán kapcsolódnak vagy lényeges és bonyolult kapcsolatban vannak. - Bizonytalanság: véletlentıl függetlenek vagy attól függıek. 1 A problémamegoldást és a döntéshozatalt több szerzı (pl. [Turban 2005]) szinonimáknak tekinti Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 1 GMF NIK SzTI Célok (a célállapotot leíró kritériumok, értékelési tényezık): A célok

azokat az irányokat adják, amelyek a célállapot felé viszik a rendszert (nem mindig elérhetı, és nem is mindig számszerősíthetı kívánságok). A kritériumok az alternatívák kívánatosságának mértékét határozzák meg, vagy a célállapotokra elıírt követelmények, feltételek (utóbbiak a problémamegoldás során segítenek eldönteni, hogy célállapothoz jutottunk-e már). Egy értékelési tényezı számszerősíti az adott kritérium – bizonyos szempont szerinti – elérhetıségének mértékét. A kritériumok összessége akkor kezelhetı jól, ha (1) Teljes: nem marad ki egyetlen fontos tényezı sem; (2) Operacionalizálható: elemzésre alkalmasak a tényezık; (3) Felbontható: az értékelés során az alternatívákat adott tényezık szerint külön is lehet vizsgálni; (4) Redundancia-mentes: nincs ismétlıdı tényezı, halmozódó szempont; (5) Minimalitás: a leírásban minimális számú tényezı szerepel. Többcélú

problémamegoldás során ún. Pareto-optimális megoldás keresése2 a jellemzı: azokat a döntési változatokat részesítik elınyben, amelyek legalább egy szempont szerint jobbak a korábban vizsgált változatoknál, a többi szempont szerint pedig egyenértékőek. (A többcélú programozás bı irodalmából ld [Gáspár 1998]) 1.2 Problématér: probléma-típusok, megoldási mód, döntési folyamat A problémamegoldás Bartee-féle rendszerszemlélető elméletében a problématér három tengelye: a problématípusok, a problémamegoldás módja, a problémamegoldás folyamata (ld. [Zoltayné 2005] – ábrázolják!): 1. Alapvetı probléma-típusok: - Konceptuális probléma vagy elméleti probléma (pl. matematikai feladatok) - Empirikus probléma: kísérleti, gyakorlati adatok is kellenek megadásához. - Viselkedési probléma: egy vagy több személy tevékenységei a probléma részét alkotják (pl. kommunikációs hálózatok, vezetıi-hatalmi problémák,

szervezeti szabályozás) - Társadalmi probléma: az empirikus és a viselkedési elemeken kívül társadalmi normákat, szokásokat és kulturális tényezıket is figyelembe vesznek (pl. egy város légszennyezésének problémája) Legalaposabban a konceptuális problémákat tanulmányozták (pl. állapottér reprezentáció, ld késıbb) Az egyre bonyolultabb típusoknál jellemzıen megtalálhatók a korábbi típusok (problémahierarchia ez). 2. A problémamegoldás módja: - Egyéni megoldási mód (pl. hagyományos iskolai tanulás) - Csoportos megoldási mód: informális szervezeten belüli munka (pl. bizottsági munka) - Szervezeti megoldási mód: formális szervezetben formális szabályozással történı, intézményi szintő munka (pl. gazdaságos termékszerkezet meghatározása) - Társadalmi megoldási mód: több szervezet együtt, kulturális szempontok figyelembe vétele mellett dolgozik (pl. az országos bérproblémák megoldását célzó kormányzati

szintő munka) A bonyolultabb megoldási módoknál jelen vannak a korábbi, egyszerőbb módok is. A problémamegoldás kutatói elsısorban az egyéni konceptuális problémák megoldásait vizsgálták. 3. A problémamegoldás folyamata, a megoldáshoz vezetı döntési folyamat négy fı lépésbıl áll: A) Felismerés: a probléma létezésének tudatosítása („az észlelt állapot nem kívánatos”). Formái: - kényszerítı nyilvánvalóság (pl. árvíz esetén az árvízvédelem, sorozatos és súlyos minıségi reklamációk egy terméknél), - modellek alapján elırelátás (pl. számviteli modellel az önköltség növekedésének elırejelzése, DE: nem szabad teljesen ráhagyatkozni egy figyelmeztetı/elırejelzı rendszerre, mert az hibázhat!) - külsı forrásból származó felismerés (egy kívülálló jobban látja, hogy van-e probléma). - kutatás (mivel „semmi sem tökéletes”, érdemes intézményi problémakeresı csoportot mőködtetni). B)

Meghatározás (diagnózis): a felismert problémát pontosabban leírják, korlátozó feltételeit, fıbb öszszetevıit megadják. Ha lehet, a problémát formalizálják és kiválasztanak egy megoldási módszert C) Analízis/elemzés: a meghatározott probléma megoldására alternatívák kidolgozása, majd az alternatívák közötti választás (tehát itt döntünk a kiválasztott megoldási módszer keretei között!). D) Szintézis: a megoldás megvalósítása, értékelése és elemzése: a kiválasztott alternatíva alapján a megoldás kidolgozása (ennek során még hozhatunk megvalósítási döntéseket). Ide tartozik még a megoldás értékelése és elemzése („csakugyan kívánatos állapotba jutottunk?”). A fenti lépések problémamegoldási módonként különbözı típusú tevékenységeket jelentenek. A felismerésen sok múlik A „problémaérzékenység” részben adottság; a hagyományos felsıfokú oktatási rendszerben (ma még) nem oktatják

– speciális képzések szolgálnak elsajátítására (Az amerikai menedzserek körében pályakép felmérést végeztek; a korábbi eminens menedzser-hallgatók maximum középszintő menedzserek voltak, mivel „kész” problémák megoldását tanulták csak, probléma-felismerést nem. Pedig igaz a jól ismert közhely: a probléma megfogalmazása fél megoldás) 2 Pareto-optimális megoldásokkal foglalkozik pl. [Stahl 1991] 2 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI 1.3 Döntés – optimális és kielégítı döntés Egy döntés mindig a valós világról alkotott modellek felhasználásával, a modellben megmutatkozó cselekvési változatok, döntési alternatívák alapján történik. Minden ilyen modell az adott tárgyterület problémáinak olyan mértékő leegyszerősítése, amit a döntéshozó egyáltalán képes átlátni. Egy döntés a konkrét döntési feladatnak e modellen belüli megoldása

(pontosabban: a döntéshozó véleménye szerinti megoldása). Optimális egy döntés akkor, ha a döntéshozó teljesen informált, és céljait képes rangsorolni, vagyis ha 1. ismeri az összes lehetséges cselekvési változatot, 2. biztosan tudja, hogy az egyes cselekvési változatoknak (alternatíváknak) mi lesz az eredménye, végül 3. biztosan meg tudja adni az eredmények preferencia-sorrendjét Ebben az esetben az optimális döntés (vagyis a legjobb cselekvési változat kiválasztása) elvileg könnyő feladat (ilyen pl. a lineáris programozás) A valóságos döntések esetén azonban az elsı két alapfeltétel csak igen ritkán teljesül. Ezt Herbert Simon 1947ben és 1956-ban tudományosan be is igazolta Az ember általában képtelen egy döntési szituáció körülményeit objektív módon látni. (A figyelem, a megértés, a memória és a kommunikáció korlátozott volta jellemzi a döntéshozókat) Simon 1947-ben bevezette a korlátozott racionalitás

elvét („principle of bounded rationality”): „A komplex problémák megfogalmazásában és megoldásában a valóságos helyzetekben elıforduló problémák nagyságához viszonyítva az emberi elme kapacitása nagyon kicsi ahhoz, hogy az objektív racionalitás alapján oldhassuk meg ezeket a problémákat”. A korlátozott racionalitás elvére alapozva Simon kidolgozta a kielégítı döntések alapjait (1978-ban Nobel-díjat kapott e munkáiért). Kielégítı döntés esetén a döntéshozó egyszerősíti a döntési folyamatot úgy, hogy nem az optimális megoldásra törekszik, hanem megelégszik egy „elegendıen jó” vagy „kielégítı” megoldással (vagyis fellazítja az optimális döntés 3. feltételét) Egy kielégítı döntés tulajdonképpen egy olyan tanulási folyamat, amelynek során a döntéshozó addig vizsgálja a lehetséges cselekvési változatokat, amíg nem talál olyat, amely bizonyos (általa rögzített) minimális feltételeknek eleget

nem tesz. Ezt a változatot – kielégítı megoldásként – elfogadva a többi változatot már meg sem vizsgálja (nem érdekli, hogy esetleg van-e „optimálisabb” változat közöttük). A szakirodalomban az optimális, míg a gyakorlatban a kielégítı döntésekre való törekvés a jellemzı. 1.4 Modell – normatív és leíró modellek Valóságlátásunk módját modellnek nevezzük. Egy modell a valóság egyszerősített vagy általánosított reprezentációja Egyszerősített, mivel a világ túlságosan összetett, emiatt mindent úgysem tudnánk számba venni, míg a problémához nem kötıdı, lényegtelen részletek csak zavarnák a döntéshozatalt. Általánosított, emiatt tudunk a modellezés során a lényeges dolgokra koncentrálni. [Kindler 1991] szerint „Egy modell a megismerés objektumát reprodukáló vagy visszatükrözı, azzal objektív megfelelési viszonyban lévı és a kutatás folyamatában azt helyettesítı anyagi vagy eszmei rendszer,

amelynek tanulmányozása új információ szerzését teszi lehetıvé a megismerés eredeti objektumáról.” A modell keretei között kísérletezhetünk, kipróbálhatunk alternatívákat. A modellezés szorosan és lényegi kapcsolatban van a döntésekkel, bár alapvetı funkciója a problémamegoldás Döntések a problémamegoldás során az elemzés (analízis) és a megvalósítás (szintézis) lépéseihez kapcsolhatók. Egy döntés mindig a problémamegoldás szolgálatában áll, ilyen értelemben a problémamegoldás részrendszereként tekinthetı. Szemben a problémamegoldással, a döntések kutatása során sok ismeretanyag halmozódott fel; ezekkel a döntéselmélet foglalkozik. (Megjegyzés: még nincs egységesen elfogadott döntéselmélet!) A problémamegoldás során hozandó döntések számítógépes támogatását célozzák az ún döntéstámogató rendszerek Kétféle döntéselméleti szemléletmód (és modell) létezik: normatív („kell”) és

leíró („van”) modell. - Normatív modell: „hogyan kell dönteni” kérdésre ad választ. Feltételezi, hogy a döntéshozó egy elızetesen kidolgozott feltételrendszerhez vagy szabály-csoporthoz következetesen igazodik, és abban segít, hogy minél jobb döntést hozzon. A döntések struktúrájára teszi a hangsúlyt, nem a döntési folyamatra Egy normatív modell expliciten megfogalmazott feltételeknek (a racionális viselkedés axiómáinak) megfelelıen levezeti a következetes döntéshozói viselkedés szabályait. Egy normatív modellel optimális döntések hozhatók Normatív modellre példák: hozzárendelés (a legjobban illeszkedı megoldás keresése), dinamikus programozás, lineáris programozás, nemlineáris programozás, neuronhálós modell (pl. tevékenység-tervezésnél és ütemezésnél) stb. Normatív modellt alkalmaznak pl a maximális visszatérülést célzó befektetés-tervezés, a költségvetés-tervezés, az egyszerő leltározás, a

költség-minimalizáló szállítmányozás esetében. (Normatív pl. a már említett „4-királynı probléma” is) - Leíró (vagy deszkriptív) modell: „hogyan döntenek az emberek ténylegesen” kérdésre ad választ. A döntési folyamat van a központban Egy leíró modellel kielégítı döntések hozhatók Minden döntéshozó eldöntheti, hogy normatív modellje „racionális-e” vagy sem; ha a modell elıírásainak megsértése racionálisabbnak tőnik számára, akkor leíró szemléletben célszerő tovább dolgoznia. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 3 GMF NIK SzTI Leíró modellekre példák: információs folyamatábra, forgatókönyv elemzés, Markov-analízis, különbözı típusú szimulációk, sorbaállás-kezelés. Leíró modellt alkalmaznak pl a pénzügyi tervezés, valamint a bonyolult leltározás döntései során. A normatív modellek mindegyikére jellemzı a következı négy axióma

megléte: - Összehasonlíthatóság axiómája: két alternatíva összehasonlítható (a döntéshozó vagy egyiket preferálja a másikhoz képest, vagy fordítva, vagy mindkettı egyformán preferált). - Tranzitivitás axiómája: ha az A alternatíva preferált B-hez képest, B preferált C-hez képest, akkor A preferált C-hez képest is. (Ellenpélda: körmérkızésnél ha az A csapat legyızi B-t, a B a C-t, nem biztos, hogy az A legyızi a C-t!). - Dominancia axiómája: ha az A alternatíva választásának eredménye legalább annyira preferált, mint a B alternatíváé, de van legalább egy olyan helyzet, amikor A eredménye határozottan preferáltabb a B eredményénél, az A-t kell választani. (Ellenpélda: „fogolydilemma”3 vagy „láthatatlan kéz dilemmája”, amely adott esetben társadalmi dilemmához vezethet.) - Függetlenség axiómája: az egyes alternatívák eredménye hasznosságának és valószínőségének egymástól függetlennek kell lennie

– vagyis a racionális döntéshozónak ne legyen se pesszimista, se optimista). 1.5 Probléma-kategóriák A következıkben elıször bevezetjük az állapottér reprezentáció fogalmát, majd ennek felhasználásával megadjuk a problémák egy lehetséges kategorizálását. Az állapottér az egyik legáltalánosabban és legrégebben használt problémareprezentációs mód, amely egyszerő szerkezető feladatok esetén alkalmazható A problémamegoldás intuitív elképzelésén alapszik Az állapottér a probléma adatszerkezeteinek összes lehetséges értékeit tartalmazza − beleértve a kiindulási- és a célállapotokat (mely utóbbiak a megoldást reprezentálják) Maga a problémamegoldás, vagyis a kiindulási állapotból valamely célállapot elérése az állapottéren értelmezett mőveletek egymás után történı alkalmazásával történik. Formálisan: állapottér: < állapotok, mőveletek, kezdıállapot(ok), célállapot(ok) > négyes, ahol -

állapotok: a probléma adatszerkezeteinek összes lehetséges értékei (kezdı-, cél- és közbülsı állapotok), - mőveletek: állapotokon értelmezett mőveletek végrehajtási feltétellel, esetleg végrehajtási költséggel, - kezdıállapot(ok): a lehetséges kezdıállapotok halmaza, vagy egy konkrét kezdıállapot, - célállapot(ok): explicit módon felsorolt, vagy korlátozó feltételekkel leírt célállapot(ok). Az állapottérnek a megoldás keresése során bejárt részét megoldási térnek hívjuk. Az állapottér grafikus ábrázolása címkézett és irányított gráffal történik, amit reprezentációs gráfnak4 nevezünk (ld [Gregorics 1999]): - B közvetlenül elérhetı A-ból, ha van mővelet A-ból B-be (A: szülı, B: utód), - B elérhetı A-ból, ha van mőveletsorozat A-ból B-be (A: ıs, B: leszármazott); - gyökér: szülı nélküli csúcs, - levél: utód nélküli csúcs, - kör: az A állapot elérhetı saját magából (az A egyben saját

maga leszármazottja), - megoldás: olyan mőveletsorozat, amely a kezdıállapotból célállapotba vezet, - optimális megoldás: minimális költségő megoldás (vagy pl. azonos költség mellett a legrövidebb út), - fa: olyan speciális gráf, amelynek egy gyökere, az összes többi csúcsnak pedig csak egy ıse van. (A „4királynı probléma” teljes döntési tere ilyen fa volt) Probléma kategóriák – az állapottér reprezentáció alapján: 1. Jól-strukturált problémák (vagy programozható problémák): teljes mértékben ismertek mind a cél(ok), mind a mőveletek; dönteni csak a mőveletek alkalmazásának sorrendjérıl kell, mégpedig rutinszerően. E problémák jól algoritmizálhatók, jól gépesíthetık. Tipikus példák: (fıként a mőszaki életbıl) technológiai folyamatok irányítása, szimulációs feladatok. 2. Félig-strukturált problémák: a kitőzött cél(ok) teljesen, a mőveletek viszont csak részben ismertek – vagyis a megoldási

módszerek, eszközök és utak részben vagy teljesen ismeretlenek. Tipikus példák: (többnyire a szervezeti hierarchia felsıbb szintjeirıl) profit maximalizálása, üzleti döntési kockázat minimalizálása. 3 Fogolydilemma: ha mindkét fogoly vall, 5 év börtönbüntetést kapnak, ha egyikük sem, 1 évet. Amennyiben az egyik vall és a másik nem, akkor az egyik azonnal szabadul, míg a másik 10 évet kap. Konfliktus van tehát az egyén és a (két fogoly, mint) közösség számára racionális megoldások között. (A rövid-és hosszú távú érdekek között gyakorta van ellentmondás – „jobb ma egy veréb, mint holnap egy túzok”). Érdekes, hogy van olyan hierarchikus intézmény – mégpedig a maffia –, amely bizonyos értelemben optimális (pontosabban: Pareto- optimális) megoldást nyújt a fogolydilemmára ([Miller 2002]). 4 Reprezentációs gráfra szemléletes példa a mindenki által jól ismert gépkocsi diagnosztikai probléma állapottere.

Kezdıállapot (gyökér): "a kocsi nem indul”; célállapot (levél) „a kocsi indul” A hiba oka lehet az akkumulátor, a gyújtókábel, az indítómotor vagy a gyújtáskapcsoló meghibásodása; a kezdıállapotból közvetlenül ezek az állapotok érhetık el (mint kezdeti alternatívák). A gráf továbbépítése kézenfekvı A hiba lehetséges okának kiderítését reprezentáló gráfban a meghibásodott alkatrész javításának/pótlásának költségével címkézhetjük a megfelelı éleket. Részletesen ld [Sántáné-Tóth 2000] 4 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI Nem-strukturált problémák (vagy nem programozható problémák): sem a kitőzhetı állapot(ok), sem a mőveletek nem ismertek eléggé. E problémákat nagyon általánosan megfogalmazható elvárások jellemzik Tipikus példák: hatékony mőködés elérése, optimális piaci helyzet elérése. 4. Nem definiálható

problémák: a probléma nem formalizálható, mivel túl sok mindent ölel át – ezért egyáltalán nem is lehet állapottér-reprezentációt megadni Ezekkel a problémákkal jelenlegi módszereinkkel, eszközeinkkel nem tudunk mit kezdeni Tipikus példák: az emberi jólét biztosítása, a javak hatékony elosztása. A döntéselmélet hagyományosan (a Simon munkássága elıtti idıben) a problémamegoldás explicit, teljesen leírható feladatok racionális megoldásaival (vagyis jól-strukturált problémákkal) foglalkozott; ezek jellemzıi: - konzisztencia: két vagy több (megengedett) módszertan alkalmazása ugyanazt az eredményt adja, - folytonosság: ugyanazon módszertan alapján hozott hasonló döntések hasonló eredményt adnak, - univerzalitás: a módszertan általánosan alkalmazható az üzleti és nem-üzleti döntések széles körére (nem csak specifikusan a döntések egy osztályára), - egyértelmőség: csak egyértelmő és explicit

adatok/információk alapján kapunk eredményt, - nincs visszatartott adat, információ: nincs olyan adat vagy információ, amit induláskor (akár tudatosan) visszatartottak, késıbb mégis felhasználtak – amikor is a döntési javaslat lényegesen módosulhat. Jól látható ezeknek a kritériumoknak a szigorúsága; a gyakorlati életvezetési (nem csak vezetési-döntési) szituációk jó része nem ilyen. Erre a kihívásra adta válaszként Simon a korlátozott racionalitás elvét A döntéstámogató rendszerek tipikusan a nem jól-strukturált problémák megoldásában nyújtanak számítógépes támogatást 3. 1.6 A gazdaságtan alapelvei Mielıtt döntésekrıl, illetve a döntéstámogató rendszerekrıl szólnánk, érdemes megvizsgálni azt a környezetet, amelyben a döntések születnek, és az embert, aki a döntéseket hozza. Azokat a társadalmi jelenségeket, amelyekben döntenünk kell, a [Mérı 1997] dolgozatban szereplı axiómarendszerrel fogjuk

jellemezni Ez után megnézzük, hogy a döntéshozó ember hogyan ábrázolja elméjében a világot, hogyan fogja fel, hogyan kezeli a problémákat, és milyen jellegzetes tevékenységeket végez a problémamegoldás, a döntéshozatal során Hogyan jellemezhetjük azokat a társadalmi jelenségeket, amelyekben döntenünk kell? Erre a kérdésre a [Mérı 1997] dolgozat a gazdaságtan axiómáinak5, mint a gazdasági élet mőködését meghatározó alapvetı korlátozások megadásával válaszol, a gazdaságtan hét alapelvének, axiómájának megadásával. Nézzük most ezeket sorra 1. A szőkösség elve – vagyis: javaink közül mindegyik szőkös Akár termelık, akár fogyasztók vagyunk, erıforrásaink korlátozottak. Mára már a levegı is erıforrássá vált (holott korábban szabad javaink közé tartozott). Hamarosan a föld édesvíz-készlete is ide jut 2. A helyettesítés elve – avagy: javaink mindegyike helyettesíthetı valamivel Például a levegı

helyettesíthetı oxigénmaszkkal (ha az éppen rendelkezésre áll). Ahogy a vízdíj emelkedik, meggondoljuk, hogy autónkat milyen gyakran mossuk, és hogy növényeinket a felfogott esıvízzel locsoljuk. Gyakran a gazdaságtant a helyettesítések tudományának tekintik 3. A társadalmi jelenségek az emberek választásának eredményei Ez az elv – amely a politikusok, kormányzatok mőködésére egyaránt érvényes – a közgazdászok gondolkodásának kulcsa. Az például, hogy valaki szegény vagy munkanélküli, az is az emberek (esetleg más emberek) választásának eredménye 4. Csakis az emberek döntenek Ez az elv egyaránt vonatkozik a mikro- és a makroökönómiára. Vagyis érvényes mind az egyes gazdasági szereplıkre és tevékenységeikre (kereslet, kínálat, kockázat stb.), mind pedig a teljes gazdaság egészére (össznemzeti termék, infláció, pénzügyi politika stb.) Igényeik, céljaik csak az egyes embereknek vannak Emberek tagjai a

bizottságoknak, a városvezetı testületeknek stb. – ráadásul más-más preferenciával rendelkezı emberek 5. Minden társadalmi kölcsönhatás felfogható piaci folyamatként Piac alatt itt a kölcsönös gazdasági kapcsolatok teljes rendszerét, az egymással folyamatosan versengı keresleti és kínálati ajánlatok összességét értjük. Az egyének saját érdekeiket követik, kölcsönösen alkalmazkodnak egymás választásaihoz – többé-kevésbé betartva bizonyos társadalmi játékszabályokat 6. a) Az emberek rövid távú döntéseikben a költségek és a hasznok alapján választanak b) Az emberek hosszú távú döntéseikben a kockázatok és a hozamok kalkulációja alapján választanak. A rövid távú döntések az emberek folyamatos életvitelének fenntartásával függenek össze, míg a hosszú távú döntések a gazdaság folyamatos fenntartására vonatkoznak (nem idıbeli kihatásukban és nem is nagyságrendjükben különböznek egymástól!)

A rövid lejáratú döntéseket fogyasztói döntéseknek, míg a hosszú lejáratú döntéseket befektetıi döntéseknek nevezzük. Elıbbieknek költségük és hasznuk van, míg utóbbiak5 Axióma: valamely tudományág tapasztalatból leszőrt, vitathatatlannak látszó, bizonyításra nem szoruló alapállítása Egy tudományág axiómái sarkigazságok, amelyek ettıl még lehetnek tévesek. Arra használjuk ıket, hogy legyen mibıl kiindulni Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 5 GMF NIK SzTI nál nem költségrıl, hanem a befektetett eszközökrıl, tıkérıl beszélünk, amelynek nem annyira (reménybeli) hasznáról, hanem folyamatos jövıbeli hozadékáról, éves hozamáról szoktunk beszélni. Az elıbbiek a napi, rutinszerő döntések, míg utóbbiak kreatív, új utakat felvállaló, jellemzıen stratégiai jellegő döntések. 7. a) Az emberek rövid távú döntéseikben azt a lehetıséget választják,

amelyik mellett a hasznok és a költségek különbsége maximális számukra. b) Hosszú távú döntéseikben igyekeznek a kockázatot minimalizálni és/vagy a hozamot maximalizálni. Ez a két elv az elıbbi axiómapár által kimondott elvet konkretizálja – biztosítva egyben, hogy a gazdaságtan a racionális döntésekkel foglalkozó, erısen matematizált tudománnyá válhatott. Azonban a racionalitást megkérdıjelezi az ember információ-feldolgozó képességeinek korlátos volta („korlátozott racionalitás”), valamint a döntések ösztönös momentumai. Tehát a fenti alapelvek szerint meghatározott tartományon belül mozoghatunk, amikor döntéseket hozunk. Nézzük most meg, hogyan „mőködik” az ember, mint információ-feldolgozó és döntéshozó entitás 1.7 Az ember, mint információ-feldolgozó entitás Az embert megismerési folyamataiban mentális modelljei6 segítik, amely nem a formális logika szabályai szerint mőködik, hanem

analógiákra, típuspéldákra – ún. sémákra7 – támaszkodik Kognitív sémáink „ gondolkodásunkat önmagukban is értelmes, önálló jelentéssel bíró egységei Aktívan irányítják az észlelést és a gondolkodást, miközben maguk is folyamatosan módosulnakbonyolult belsı szerkezetük van, sokféle információ szervezıdik össze bennük különféle relációk szerintJóformán csak azt vagyunk képesek észlelni a környezetünkbıl, amire van kialakult sémánk. A séma kialakulásának pillanata gyakran a hirtelen megértés örömét nyújtja (. aha-élmény)A megértés: a gondolatok egybeszervezıdése,a séma összeállítása” ([Mérı 1994]) Sémáink nagy részét szavakkal nem, vagy csak nehezen tudjuk kifejezni Mőködésük során egymásnak is adnak át információt, és egymást is folyamatosan változtatják Akinek több sémája van és sémái bonyolultabbak (vagyis mentális modellje gazdagabb), az egy adott szituációban jobb

következtetéseket tud levonni Sok kísérlet támasztja alá azt a feltételezést, hogy az embert a külvilággal egy közvetlen tároló, ún. rövidtávú memória köti össze. Ez egy olyan puffer, amely összesen csak 7 ± 2 információ befogadására képes (Miller-féle bővös hetes szám). Ha ennek tartalmát nem tudjuk gyorsan feldolgozni, a külvilágból érkezı újabb információk „kitolják” azokat. Nem érdemes ezért hosszú mondatokat szerkesztenünk, nem jó egy üzenetbe 7 ± 2 –nél több információt belesőríteni – és nem célszerő egy idıben ennél több alternatívát felkínálni a döntéshozónak. Korábban kialakított sémáinkat az ún. hosszú távú memóriánkban tároljuk Nem tudjuk pontosan, hogyan történik a rövidtávú memóriában lévı információk megjegyzése hosszabb idıre, vagyis hogy hogyan jutnak el azok a hosszú távú memóriába. Egy biztos: a rövidtávú memória tartalmát csak akkor tudjuk feldolgozni

(megérteni, majd megjegyezni), ha azokat meglévı sémáinkhoz hozzá tudjuk kapcsolni! Sémáink kialakulásának és mőködésének alapjait valamiféle magaszintő heurisztikák8 alkothatják. Jó néhány ilyen heurisztikát sikerült kísérletileg kimutatni, igazolva azt is, hogy ezek akaratlanul is mőködnek bennünk. Magas szintő kognitív sémáink, heurisztikáink közül három ([Mérı 1994]): - Rögzítés és igazítás heurisztikája: amikor bizonytalan helyzetben hozunk döntést, gyakran a feladat megfogalmazásából vagy néhány kezdeti részletszámításból megragadunk valamilyen kiindulási értéket, és ehhez igazítjuk döntéseinket (horgonyhatás). Ezzel magyarázható pl a határidık rendszeres alulbecslése, és ennek tudatos alkalmazásával lehet jól elıvezetni a tárgyaló partner számára nem elınyös adat „beadását”. - Hozzáférhetıség heurisztikája: egy esemény, tény, következmény valószínőségét emlékeink,

tapasztalataink alapján becsüljük meg. Emlékezetünkbıl példákat/ellenpéldákat hozunk fel, és amelyek hamarabb eszünkbe jutnak, azok alapján hozzuk meg döntésünket (vagyis múltbeli döntéseink hosszan kísértenek minket). - Általános mintázatértékelés heurisztikája: hajlamosak vagyunk mintázatokat, szabályszerőségeket látni ott, is, ahol ilyen nincs (ez vezethet a babonák kialakulásához, de helyes észrevételekhez is). Lehet az is, hogy több ilyen heurisztika vezérel minket, esetleg párhuzamosan, egymást kiegészítve. E heurisztikákkal magyarázható döntési csapdák jellemzık a stratégiai döntésekre, amelyekre még visszatérünk. A tudatos, racionális gondolkodás, döntés székhelyét a kutatók mindmáig nem tudták az agyban lokalizálni. Egyáltalán: hogyan gondolkodunk, hogyan döntünk? A döntéstámogató rendszerek fejlesztıi számára ez igen fontos kérdés, hiszen igazán csak azt a tevékenységet tudjuk eredményesen

támogatni, amelyrıl tudjuk, hogyan zajlik le. A [Mérı 1996] dolgozat szerint a neurobiológusok sejtése: a racionális gondolkodás és a döntés képes6 Mentális: értelmi, észbeli 7 A szakirodalomban a séma fogalmára sok megnevezést használnak. Néhányat felsorolunk ezek közül: keret, vázlat, forga- tókönyv, szemantikus emlékezeti egység, információtömb, kognitív struktúra, gondolkodási stratégia, sablon, mintasablon, sztereotípia, prototípus, elemi jelenet, templát, pattern stb. A hétköznapi kifejezésekben elıforduló mesterfogás, trükk, fortély, poén, alapvicc is tulajdonképpen sémára utaló kifejezések ([Mérı 1994]) 8 Heurisztika: olyan problémamegoldó módszer, amely ismételt próbálkozásokból eredı (gyakorlati) tapasztalatokon alapszik, vagy találékonyságra, ill. korábban átélt szituációra támaszkodik (pl egyszerősítı feltevés, ökölszabály) 6 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási

segédlet, 2004/200 BMF NIK SzTI sége elválaszthatatlanul összefügg az emóciókkal, legalább is az úgynevezett másodlagos emóciókra való képességgel (amelyek egy elképzelt esemény hatására következnek be). Választásaink, döntéseink, illetve a hatásukra bekövetkezı jó vagy rossz események között bizonyos tanult kapcsolatok másodlagos emóciókat váltanak ki amelyeket (Domasio után) szomatikus markereknek, azaz testi jellemzıknek nevezzük. Ezek leszőkítik a vizsgálandó lehetıségek körét; gondolkodási folyamatainkba zsigeri érzetek keltésével szólnak bele, és ezzel inspirálnak az általunk „rossznak tartott” utak elkerülésére, illetve a „jónak tartott” utak (vakon történı) követésére Mennyi lehet sémáink száma? Minden szakmán belül négy szakmai fejlıdési szintet megkülönböztetnek meg: kezdı, haladó, mesterjelölt, nagymester. A sakk mesterjelöltjei néhány ezer séma birtokosai, mag a nagymesterek

tízszer több sémát ismernek, melyet minimum 10 év alatti, hosszú és intenzív gyakorlással sajátítanak el A nagymesteri szint eléréséhez több tízezer séma ismeretére van szükség: - sakknagymesterek sémáinak száma 50.000 -100000, - legkiválóbb irodalmárok szó/fordulat-száma több tízezer, - kínai írástudók által használt írásjelek száma 80.000, - a rovartan kiváló szakértıi által megkülönböztethetı rovarok száma 50.000 Egy nagymesteri szinten mőködı szakértı azáltal tud bonyolult problémákat hamar átlátni, hogy sok sémával dolgozik, ill. azok többszintő hierarchiája, komplex struktúrája fölött manipulál Azonban e sémák nagy részét nem képesek szavakkal kifejezni („csak” jól alkalmazni). Ez korlátot jelent a szakértıi döntések számítógépes támogatásánál: szinte lehetetlen a mesterjelölti szint elérése után szerzett ismeretanyagot a szakértıtıl megszerezni. Emiatt az ismeretszerzés szők

keresztmetszete a szakértı rendszerek építésének A döntéshozatalnál számolni kell az információ befogadásának kognitív korlátaival ([Zoltayné 2005]): - A figyelem problémája: a döntéshozót sok inger éri, ezért gyakran nem tudja jól kiválasztani a fontosat; ilyenkor beéri közelítı, leszőrt és leegyszerősített információkkal. - A memória problémái: egyéni és szervezeti szinten egyaránt jelentkeznek az eltárolt információk visszakeresésének problémái. - A felfogás problémái: a döntéshozó a megszerzett információt (mivel csak tárolt sémái állnak rendelkezésre) olykor helytelenül értelmezi. Érdemtelenül vet el fontos információkat, ráadásul egy frissen kapott információt (ha az sémáival konzisztens) elınyben részesít a korábbiakhoz képest - A kommunikációs problémák: nem mindenki képes az információk torzításmentes átadására. Különösen az eltérı kultúrát, szakmát, generációt képviselı

emberek közötti kommunikációnál jelent ez problémát. 1.8 Az emberi agy funkciómegosztása Az agy két féltekéje közötti funkciómegosztásra nézve már vannak kísérletekkel alátámasztott eredmények. Az emberi agy két féltekéjének speciális funkcióit az alábbi táblázat ábrázolja ([Zoltayné 2005] 4. fejezetébıl): - Bal félteke Beszéd (verbális funkciók) szavakban való gondolkodás verbális kommunikáció emlékezés a nevekre Idıérzékelés az idı pontos érzékelése jelen, múlt és jövı megkülönböztetése szekvenciális gondolkodás Racionalitás valószínőségek kezelése logikus, reális, szó szerinti értelmezés, kategorizálás, elkülönítés, definiálás egyértelmőség keresése, deduktivitás - Számolás számok, matematika kvantitatív elemzés Értékelés kritizálás, megítélés, prioritások megállapítása - Jobb félteke Látás (vizuális funkciók) képek kivetítése gesztusok, hangtónus, arcjáték

alkalmazása emlékezés az arcokra Térérzékelés, lényeglátás a szervezıdések térbeli érzékelése az egész lényegének felismerése, holisztikus szemléletmód Intuíció lehetıségek keresése képzelıerı a részek összekötése az egésszel, szintetizálás érzelmek ösztönös tudás Elemzés hasonlóság, valószerőség keresése a dolgok összekapcsolása Generálás kreativitás manıverezı képesség mindig többre vágyás 1.1 ábra: Az emberei agy két féltekéjének funkciómegosztása Az emberek egy részénél inkább az egyik, más részénél inkább a másik agyfélteke funkciói a dominánsok. Vannak vizuális alkatú egyének, mások meg nehezen jegyzik meg új ismerısei nevét. Az egyik ember munkastíSántáné-Tóth E: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 7 GMF NIK SzTI lusa racionális jellegő, a másiké intuitív – attól függıen, hogy melyik félteke funkciói a dominánsak. A döntéstámogató

csoportok összeállításánál éppúgy célszerő ezekre a jellegzetességekre odafigyelni, mint a döntéstámogató rendszerek esetében leghatékonyabban mőködtethetı szolgáltatás-változatok kiválasztásánál Az emberi agy fent tárgyalt funkciómegosztásából sok minden következik. A döntéshozatal szempontjából a ilyenek a személyiség-típusok9, megismerési stílusok és munkastílusok. Az „észlelt jelenlegi helyzet” feltárásánál meghatározó a döntéshozó megismerési stílusa, a döntéshozatalt pedig erısen befolyásolja a döntéshozó munkastílusa. Vizsgáljuk meg kicsit részletesebben ezeket a kérdéseket ([Turban 1998] alapján): A megismerés olyan tevékenységek együttese, amelyek révén egy ember feloldja a világról alkotott belsı modelljének és a világból érkezı adatok/információk eltéréseit – abból a célból, hogy ezeket az információkat érzékelni és megérteni tudja. (Ennek kutatásával az ismeretelmélet

foglalkozik) A megismerés stílusa lehet: - perceptív (észlelı, felfogó): általánosító, a kapcsolatok, összefüggések feltárását elıtérbe helyezı és - receptív (könnyen befogadó, fogékony): a részleteket vizsgáló, a specifikumokra figyelı. Erre mintegy merılegesen hat az ember munkastílusa, amely lehet - szisztematikus (rendszeres, tervszerően elrendezı) vagy - intuitív (ösztönös megérzésen alapuló, a dolgok mélyére látó). Az emberek információ-kiértékelésének módja és minısége e két egymásra merıleges koordináta által kifeszített térben történik. A lehetséges megismerés- és munkastílus kombinációk ismerete fontos a döntéstámogató rendszerek tervezésénél – amely kombinációkat a rutinos döntéshozók döntéshozataluk közben olykor ésszerően váltogatják is. Mindezek ismeretében kell kialakítani az ember-gép felületet, a rendszer által nyújtott modellek választékát, végül a bemenetek és a

kimenetek belsı reprezentációját és külsı megjelenítését. 1.9 Az emberi tudás és a modellalkotás szintjei Induljunk ki az reprezentáció szintjeibıl (tudás-, szimbolikus- és technikai szint): Tudás szint: a valós világnak, az abban létezı jelenségeknek, tényeknek, eseményeknek és a köztük fennálló kapcsolatoknak, összefüggéseknek tudati megjelenése, mely a következı három részbıl, rétegbıl áll: a) explicit tudás: közölt, szavakkal elmondott, leírt, verbalizált, kodifikált tudás (tudatosan használt tudás) b) implicit tudás: potenciálisan közölhetı, leírható, kodifikálható tudás c) hallgatólagos, rejtett, néma („tacit”) tudás: egyáltalán nem közölhetı tudás (ilyen pl. az intuíció)10 2. Szimbolikus szint: a tudás explicit (kodifikált) rétegének szimbólumok felhasználásával való leírása11 3. Technikai szint: számítógépes ábrázolás szintje, ahol a szimbolikus leírás számítógépes

ábrázolása található algoritmusok és adatstruktúrák formájában. A tudásszint a) – c) tudás-rétegei határozzák meg az emberi modellalkotás szintjeit, amelyek a valóság tudati képének mentális-, verbalizált- és formalizált modelljei: 1. VALÓSÁG Mentális modellek Verbalizált modellek Formalizált modellek. A valóság megismerése során egy adott szituációról elıször egy belsı, mentális modell alakul ki bennünk, amely tudásunk hallgatólagos (részben az implicit) rétegébıl építkezik. Amikor ez már olyan formát ölt, hogy tudunk róla beszélni, az így, szavakkal elmondott modellt verbalizált modellnek nevezzük. Ez a modell értelemszerően a tudás explicit rétegére épít Végül ahhoz, ha ezt a modellt valamilyen (kézi/gépi) módszerrel fel akarjuk dolgozni, formalizálnunk kell – így jutunk el a formalizált modellhez A verbalizált és a formalizált modell kidolgozása, finomítása közben visszacsatolhatunk a megelızı

szintekre. Jellemezzük ezeket a modell-szinteket: - Mentális modell: fogalmi sémáinkra támaszkodó, belsı modell, amely állandóan változik a modellezı alkalmazkodóképességének, megismerési sebességének és a környezethez való viszonyának (pl. hangulatának, konfliktushelyzeteinek) függvényében (ld 17 pont) - Verbalizált modell: kommunikáció során alakul ki. Ez már tartalmazhat tudományos szemlélető elemeket is, azonban nem teljesen egzakt, ugyanis nyelvi fogalmaink többsége nem pontosan definiált (elmosódott). Két lényegesen eltérı mentális modellel rendelkezı ember egyazon szónál két különbözı dologra asszociál. A döntéshozó ember és az ıt támogató rendszer esetében ez nagy problémákat okozhat. 9 A Myers-Briggs típus indikátorként ismert temperamentum típusok alapján egy ember a következı négy dimenzió egy pontjába helyezhetı el (az egyes dimenziók megadott két végpontja közötti részén belül): extravertált

(kifelé forduló) – introvertált (befelé forduló), érzékelı – intuitív, gondolkodó („agy”) – érzı („szív”), érzékelı – következtetı. (Ezek Carl Jung 1923-ban közzétett személyiség típusainak Myers és Briggs által az 1950-es években továbbfejlesztett változatai.) 10 Az irodalom e tekintetben nem egységes: sokan e két utolsó (b. és c) réteget, a nem tudatosan használt tudást nevezik néma vagy „tacit” tudásnak („az ember többet tud, mint amit elmondani képes” – [Polányi 1966]). Mi az implicit és a rejtett tudást azért különböztetjük meg, mert bizonyos kényszerítı vagy rásegítı körülmények hatására az implicit tudás szavakkal elmondhatóvá válhat (a szakértı rendszerek fejlesztésénél erre külön módszerek vannak, ld. 6 fejezet) 11 A szakértı rendszerek korábban említett ismeretbázisában az adott tárgyterület szakértıjének ismeretanyaga, pontosabban explicit tudása található,

szimbolikus leírás formájában. 8 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI Formális modell: a verbalizált modell elıbbi többértelmőségétıl mentes, vagyis objektív és pontos, a döntéshozók számára egyértelmően érthetı/értelmezhetı modell (legalább is annak kellene lennie). A továbbiakban modell alatt mindig formális modellt értünk. A döntéstámogató rendszerek alapvetı célja, hogy a valóság helyett azok modelljeivel dolgozzon. Egy modell a valóság egyszerősített és/vagy általánosított reprezentációja. Egyszerősített, mivel a világ túlságosan összetett, emiatt mindent úgysem tudnánk számba venni, míg a problémához nem kötıdı, lényegtelen részletek csak zavarnák a döntéshozatalt Általánosított, ezért tudunk a modellezés során a lényeges dolgokra koncentrálni. A modelleket sokféle szempont szerint osztályozzák. Az 14 pontban a döntéselméleti

szemléletmód szerint már megkülönböztettünk normatív és leíró modelleket. - Általánosítottságuk szerint a modellek három osztályba sorolhatók ([Turban 2005]): - Ikonos (méretarányos) modellek: a valóság (kicsinyített) másolatai; ezek a legkevésbé absztrakt modellek. Egy fénykép tulajdonképpen egy ikonos (kétdimenziós, kicsinyített) modellnek. (Ikonokkal ábrázoltuk a 4királynı problémánál az állapottér egyes állapotait) - Analóg modellek: csak viselkedésükben hasonlítanak a valós világhoz, megjelentésükben nem. Példák: egy felelısségi kapcsolatokat tartalmazó szervezeti ábra, egy térkép, egy ház alaprajza, egy hımérı. - Matematikai modellek: matematikai eszközökkel leírt, absztrakt modellek. A legtöbb döntéstámogató rendszer matematikai modellekkel dolgozik, így numerikus számításokat végez. (Nem ilyenek pl a szimbólum-manipuláción alapuló szakértı rendszerek és az analógiás, „folyamatos”

mőködéső neuronhálók) A számítógépek felhasználói felületén egyre gyakoribbak az ikonos és az analóg modellek – ezek a könnyő megértést, a gyors rendszerhasználatot segítik elı. A modell-használat fıbb elınyei: - idıkímélés: pl. évekig tartó mőveleteket másodpercek alatt lehet szimulálni; - könnyő kezelés: a modell kezelése (pl. egy döntési változó értékének megváltoztatása) sokkal könnyebb, mint a valós világban ugyanezt a hatást elérni; - költségkímélés: sokkal olcsóbb egy modell-kísérlet, mint egy valós világbeli kísérlet végrehajtása (pl. egy modellezett, „trial-and-error” úton szerzett tapasztalat költsége sokkal kisebb a valódi kísérletnél); - bizonytalanságkezelés: a modellezés során vizsgálhatjuk a valós világban meglévı bizonytalanságot, a döntések kockázatát stb.; - sok lehetıség elemzése: nagyszámú lehetséges megoldás számbavételére van mód – adott esetben a

döntéshozó (emberi korlátjai miatt) az összes lehetıséget nem is tudná mind számba venni, elemezni; - tanulás/betanítás: bizonyos modellek biztosítanak (ön)tanuló, valamint betanítási lehetıségeket. Csak egy megfelelıen kidolgozott (formális) modell alapján lehet jó döntéstámogató rendszert kiválasztani (illetve kidolgozni). Azonban ez esetben is lehet, hogy bizonyos kiindulási adatokat vagy eredményeket egyes döntéshozók másképpen értelmeznek. Mindenképpen meg kell oldani az adatok/információk jelentéstartalmának egyeztetését és rögzítését. Ezzel a témával a mesterséges intelligencia egyik új kutatási területe, az ontológia foglalkozik (ld. pl [Sántáné-Tóth 2004] és a szemantikus világhálókról szóló [Szeredi 2005] könyv) Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 9 GMF NIK SzTI 2. Döntés és döntéstámogatás 2.1 Döntések lehetséges osztályozásai Az irodalomban

a döntéseket sokféle szempont szerint osztályozzák. Így pl az 16 pontban a gazdasági élet jellemzésének 6. és 7 elve a döntések két osztályáról, a fogyasztói és a befektetıi döntésekrıl beszéltünk Az 12 pontban a Bartee-féle problématér három tengelye is további osztályozásait adja a döntéseknek (pontosabban a probléma-típus, a problémamegoldási mód és a problémamegoldás folyamat szerinti osztályozását). A döntéshozói rendszerek okán feltétlenül meg kell említenünk egy további, a szervezeti hierarchia szerinti osztályozást is (felsıvezetıi-, középszintő- és alsószintő döntések), amelynek felsıvezetıi szintjén jelennek meg a stratégiai döntések. Ezek meghozatala a szóban forgó intézmény, vállalat, azon belül az egyes alkalmazottak sorsát hosszabb távon meghatározhatják – olykor visszafordíthatatlan módon. E sorskérdéseket befolyásoló döntések tipikusan nem-strukturált problémákról szólnak,

megoldásuknál a döntéshozó erısen támaszkodik saját intuícióira. Míg a hibás egyéni fogyasztói döntések rövid idın belül korrigálhatók, addig stratégiai döntések rendszerint visszafordíthatatlan vagy nagyon nehezen és költségesen módosítható folyamatokat indíthatnak el. Már a döntések elıkészítése (a stratégiai tervezés) is idıigényes, még inkább az a kivitelezés fázisa. A stratégiai döntésekben igen sok az intuitív elem és alapvetı a döntéshozói heurisztikák felhasználása. Ezért gondolkodásunknak már említett heurisztikái, valamint az információ befogadásának kognitív korlátai jellemzı döntési csapda-helyzeteket tudnak teremteni a stratégiai döntések során (ld. [Barakonyi 2004]) A döntéstámogató rendszerek szempontjából igen tanulságos a [Temesi 2002] által adott osztályozás. Szerinte az egyéni fogyasztói, a közösségi vagy társadalmi és a szakértıi döntések eltérı karakterisztikájú

döntések. A dolgozatot alapul véve a következıkben megadjuk ezeknek a döntéseknek a jellemzését. − Az egyén fogyasztói döntései (consumer choices): kizárólag az egyén szemszögébıl, az egyén szubjektív szempontjainak figyelembevételével vizsgálhatók. Mindenkit saját ízlése, neveltetése, tapasztalatai, preferenciái stb. vezérelnek döntéshozatala során Itt a döntéshozónak nincs felelıssége – saját kárán tanul, nyer vagy veszít Nincs elvárt alternatívalista vagy kritériumlista és a módszer kiválasztása is az egyéntıl függ. A döntés jóságát kizárólag a döntéshozó megelégedettségének mértéke adja, és nincs igény arra, hogy a különbözı módszerek azonos eredményre vezessenek. Az ilyen, egyéni fogyasztói döntések támogatása tulajdonképpen azt célozza, hogy segítsünk a döntéshozónak „saját maga megtanulásában”, mégpedig kétféle módon. Egyrészt a döntéshozó által választható

módszer(ek) megtanításában (melyek e módszer(ek) fogalmai, feltételezései, hogyan értelmezzük a megoldást stb.), másrészt a döntéshozó saját preferenciáinak megtanításában, tisztázásában − Az egyénnek egy közösség vagy a társadalom részeként hozott döntései (social choices): formailag (de csakis formailag) hasonlítanak az egyéni fogyasztói döntésekre, de nem olyan végletesen szubjektív módon. Itt a döntéshozó (mint egy politikai testület tagja, mint esküd, mint lakóközösségi tag stb.) már bizonyos felelısséggel hozza meg döntéseit, amely már nem csak ıt, hanem másokat is érint A választható alternatívák nem kimondottan a döntéshozó szabad (és szubjektív) választásának eredményei; vannak a döntésnél elvárt, kötelezı kritériumok. Általában itt sincs a problémával adekvát módszer A döntés jóságának mértéke még mindig szubjektív jellegő, de nem öncélú, hanem a közösség/társadalmi

elvárások kielégítése a cél Megtalálhatók emellett a következı, ún szakértıi döntések egyes vonásai is: a döntéshozatal kapcsán bekérhetik külsı szakértık véleményét Ezek tipikusan csoportos döntések, amelyek feltételezik a csoporttagok közös érdekeltségét, és amelyek ideális esetben konszenzus alapján születnek. Ehhez biztosítani kell a csoporttagok közötti nyílt kommunikációt A csoportos döntéshozatal jellemzését és (a rutin jellegő, a kreatív és a tárgyaláson alapuló) csoportos döntéshozatali stratégiák leírása megtalálható a [Zoltayné 2005] 7. fejezetében Az ilyen, közösségi vagy társadalmi döntések támogatásánál foglalkozni kell a módszerek elsajátításával, az egyéni és a közösségi/társadalmi preferenciák felderítésével, adott esetben még a csoportos döntéstámogatás jellegzetes funkcióit is. Mindezek mellett támogatni kell a döntéshozóktól független (objektív) külsı

szakértık ismereteinek megszerzését és mőködtetését („ismeretbázis”). − A szakértık döntései (expert choices): jól leszőkített szakterületen belül kell dönteni, pontosabban: megoldási alternatívákat generálni és azok közül választani. Az egyes szakterületeken belül vannak kötelezıen figyelembe veendı szempontok, és vannak bevehetı, illetve elhagyható szempontok is (utóbbiaknál beszélhetünk a döntéshozónak szabadságáról). Jellemzıen van a problémához között, ahhoz adekvát módszer. A döntés jóságát nem a döntéshozó, hanem a szakma ítélete (konszenzus) határozza meg. Ezzel függ össze az az elvárás, hogy a különbözı módszerek – és a szakma különbözı döntéshozói – ugyanazt a döntést, ugyanazt az eredményt kell adják (pl egy berendezés diagnózisa ne függjön se a diagnosztizáló módszertıl, se a diagnózist végzı szakembertıl). 10 Sántáné-Tóth E.: Döntéstámogató rendszerek –

oktatási segédlet, 2004/200 BMF NIK SzTI Az elıbbiekben leírt igényeknek eleget tevı rendszereket (ha még bizonyos rendszerszervezési követelményeket is kielégítenek, pl. ismeretbázissal és következtetı alrendszerrel rendelkeznek), szakértı rendszereknek nevezzük A tanulás szerepe itt az adott szakterület szakértıjétıl való ismeretszerzés, illetve az ennek megfelelı ismeretbázis megépítése. (Az adott szakterületen jártas döntéshozó-felhasználó is tanul a rendszertıl a felhasználás, az ún konzultáció során) Mint látható, az elıbbiekben tárgyalt egyéni és a szakértıi döntések az általuk kifeszített szubjektivitási skála két végpontját adják; a közösségi vagy társadalmi döntések e két végpont között helyezkednek el. Most nézzük meg, hogy hogyan alakultak ki, és milyen jellegő támogatást nyújtanak a döntéstámogató rendszerek. 2.2 Egy szervezet vezetésének információs igényei Minden termelési,

üzleti és döntéshozatali folyamat teljes és pontos információkat követel. Az egyes döntési helyzetek igényei azonban eltérıek – attól függıen, hogy milyenek a megvalósítandó feladatok, a meghozandó döntések és a vezetıi hierarchia szintjei. - A felsıszintő vezetés feladata a vállalati stratégia (stratégia menedzsment) meghatározása. E hosszú távú döntések eseti, egyedi természetőek – mind a szükséges vállalati és külsı környezeti adatok, mind a felhasznált eljárások tekintetében. A feladatok nem rutin jellegőek, teljesen nem is gépesíthetık - A középszintő vezetés feladata a szervezés (organizáció), vagyis az erıforrások és hatáskörük kijelölése. E problémák idıszakosak, de rendszeresen ismétlıdnek. Az ismétlıdés miatt figyelembe lehet venni a korábbi döntések tapasztalatait, ami miatt rendszeresen győjtik, strukturálják és elemzik az adatokat. Tipikus igény pl. a döntések jövıbeli

következményeinek felmérése szimulációval, trendszámítással - Az alsóbb vezetıi szintek feladata az operatív irányítás, ellenırzés (controlling), amely erıforrás hasznosítási problémákkal foglalkozik, így biztosítva a szervezet céljainak elérését. Rendszeres információk alapján, azokat a tervekkel összevetve, idıben kell dönteni az esetlegesen szükségessé vált beavatkozásokról. A szükséges adatok és információk köre jól definiált és jól strukturált. Olykor automatikus döntési rendszereket (pl termelés irányítást, folyamatirányítást) is alkalmaznak E különbözı döntési helyzetek adat- és információ-igényei eltérıek; tipikus igények: - pontos, teljes körő, (az igényekhez képest) friss adatok biztosítása, - csak a döntéshez szükséges adathalmaz szolgáltatása (nem kell felesleges adattömeg), - a döntéshozók hozzáférésének biztosítása a számukra szükséges összes (belsı/külsı) adathoz, -

könnyen kezelhetı, egységes felhasználói felület biztosítása, - jól áttekinthetı, gyorsan értelmezhetı eredmény-megjelenítés, - az adatok több oldatról való értelmezhetısége, hogy így azokból tendenciákat lehessen számolni, - igény szerint a bemutatott információk mélységének változtathatósága (lefúrás, „drill down”), - a kritikus sikertényezık, fıbb teljesítménymutatók grafikus, színkódolásos megjelenítése, - komplex lekérdezés megvalósítása akár adott idıközönként automatikusan, akár ad hoc jelleggel, - külsı (pl. irodai) alkalmazások dinamikus hívásának biztosítása stb A következı táblázat a vezetıi döntéshozatalt befolyásoló tényezık értékelését tartalmazza [Turban 2005] (ezek sorra veszik azokat a körülményeket, amelyek a jelen helyzetben nehezítik a döntéshozatalt): Tényezı Számítógépes technológia Információ mennyisége Szervezeti bonyolultság Verseny Nemzetközi piac Politikai

stabilitás Fogyasztók igényének figyelembe vétele Kormányzati beavatkozás mértéke Változások, ingadozások (fluktuáció) Trend nı nı nı nı nı csökken nı nı nı Eredmény Több alternatívából lehet választani A vétett hibák száma nı A jövıvel kapcsolatos bizonytalanság nı Gyors döntésekre van szükség 2.3 A döntéstámogató rendszerek kialakulása és jellemzése Az egyes számítógépes döntéstámogató rendszerek különbözı módon segítik az egyes vezetıi szintek munkáját. A 2.1 táblázat e rendszerek kialakulásának történetét foglalja össze, külön feltüntetve az adott rendszertípus jellemzı funkcióit és technológiai alapjait: Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 11 GMF NIK SzTI Idı Rendszer 1960- TPS (Transaction Processing Systems) TFR: Tranzakciófeldolgozó rendszerek MIS (Managemet Information Systems) VIR: Vezetıi információrendszerek 1970- Tipikus

funkciók 1970- OAS (Office Automatization Systems) IAR: Irodaautomatizáló rendszerek; majd: Integrált (intelligens) irodai rendsz. 1980- DSS (Decision Support Systems) DTR: Döntéstámogató rendszerek 1980- KBS (Knowledge-Based Systems) Ismeretalapú rendszerek ES (Expert Systems) SZR: Szakértı rendszerek NN ((Artificial) Neuron Networks) (mesterséges) neuronhálók 1990- EIS (Executive Information Systems) FVIR: Felsıvezetıi információrendszer KMS (Knowledge Management Systems) TMR: Tudásmenedzsment rendszerek Technológia Tranzakciók feldolgozása: idıszakosan/folytonosan Adatbázis-kezelı rendszerek (DBMS) Jelentésgenerálás - on-line ellenırzés - valósidejő lekérdezések Irodai tevékenységek teljes körő integrálása (berendezések, hálózatok, kommunikációs szolgáltatások) Szimulációs modellezés - on-line valósidejő tervezés - a strukturált döntéshozatal automatizálása SZR: - a testület gyakorlatának explicit modellezése -

komplex döntéseknél tanácsadás Felhasználói felület: - menük, - parancsok Lekérdezı rendszerek A felhasználók a felsıszintő vezetık: könnyő kezelhetıség, felhasználóbarát megjelenítés Modellbázis MMS (Model Management Syst.) OLTP (On-Line Transact. Proc) Ismeretbázis + következtetı gép + magyarázatadás/indoklás + természetes nyelvi felület  Adattárház (Data Warehouse) OLAP (On-Line Analytical Proc) Sokdimenziós adatbázis stb. A mőveletek szervezeti szintő áttekintése – teljes körő integrálással. Adatbányászat 2.1 táblázat: A döntéstámogató rendszerek kialakulásának története A fenti rendszerek új elméleti és módszertani elemekkel jellemezhetık, azonban többé-kevésbé integrálták a korábbi rendszerek alkalmas tulajdonságait (ezért ezek jellemzıen hibrid rendszerek). Késıbb még lesz róluk szó. Összefoglaló nevük: Vezetéstámogató rendszer (MSS: Management Support

Systems) Az alábbiakban definíciószerően megadjuk e rendszerek rövid meghatározását – a sort az adatbányászattal fejezve be. − TPS (Transaction Processing Systems) – TFR (tranzakció-feldolgozó rendszerek): egy adott szervezet rutinszerően őzött, ismétlıdı, alapvetı tranzakcióit dolgozzák fel (alkalmazás pl. rendelés, számlázás) − MIS (Managemet Information Systems) – VIR (Vezetıi információrendszerek): olyan üzleti információrendszerek, amelyek egy szervezet számára információt képesek nyújtani annak tervezı, szervezı és kontrolling tevékenységeinek múltbeli, jelenlegi és jövıbeli helyzetérıl. − OAS (Office Automatization Systems) – IAR (irodaautomatizáló rendszerek) az irodai tevékenységek teljes körő ellátását (berendezések, hálózatok, kommunikációs szolgáltatások) nyújtó, integrált rendszerek. A késıbbiekben ezeket felváltották az ún. integrált (intelligens) irodai rendszerek − DSS

(Decision Support Systems) – DTR (Döntéstámogató rendszerek): nincs egységesen elfogadott meghatározásuk. A DTR-eket elıször Scott Morton határozta meg az 1970-es években: „A döntéstámogató rendszerek olyan interaktív számítógépes rendszerek, amelyek a nem jól strukturált problémák megoldásánál segítik a döntéshozók munkáját – adatok és modellek felhasználásával.” Más kutatók szerint a DTR-ek „nem jól strukturált problémák megoldásánál javítják a döntés minıségét”. Sok esetben, ahol felsıvezetıi információrendszert (FVIR) használnak, a többi területen (tehát marketing-, pénzügyi-, könyvelıi stb. munkában) használt rendszereket hívják döntéstámogató rendszernek A DTR megnevezést szőkebb és bıvebb értelemben egyaránt használják – mind a mai napig. Egy DTR milyen támogatást nyújt a döntéshozóknak és milyen kérdésekre ad választ? ([Turban 1998]) - Adatok, állapot-jelentések

szolgáltatása What is ? (Mi a ?) - Általános elemzı lehetıségek What is/Why ? (Mi a/Miért ?) - Reprezentációs modellek (pl. pénzügyi helyzet) What will be ? (Mi lesz?) - Oksági modellek (elırejelzés, diagnózis) Why ? (Miért?) - Megoldási javaslatok, kiértékelések What if ? (Mi van akkor, ha .?) - Megoldások közötti választás What is best ? (Mi a legjobb ?) What is good enough ? (Mi elég jó ?) − GDSS (Group Decision Support Systems) vagy GSS (Group Support Systems) – csoportos döntéstámogató rendszerek: a DTR-ek speciális változatai, amelyek a döntéshozók együtt dolgozó csoportját támo- 12 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI gatják. A csoportos döntéshozatal támogatására az informatikán belül további megnevezések használatosak: groupware, electronis meeting system, collaborative system. Specifikus igények: az információk összes formájának továbbítása a

csoporttagok között; szavazatok, vélemények modell-eredmények numerikus és grafikus összegzése; ötletek anonim győjtése és szelektálása; konszenzust igénylı akciók lebonyolítása stb. − KBS (Knowledge-Based System) – ismeretalapú rendszer: olyan mesterségesintelligencia-program, amelyben a tárgyterületi ismeretek explicit formában, a program egyéb komponenseitıl elkülönített ismeretbázisban van jelen; az ebben lévı ismeretdarabkák (pl. szabályok) feladatmegoldásra történı aktivizálását egy ún. következtetı gép végzi (A részleteket ld a „szakértı rendszerek” c oktatási segédletben) − ES (Expert System) – SZR (szakértı rendszer): olyan ismeretalapú rendszer, amely a tárgyköri szakértı ismereteinek felhasználásával magas szintő teljesítményt nyújt egy szők problémakör kezelésében – a döntéshozónak konzultációs segítséget nyújtva. Olyan tudás-intenzív problémák esetében alkalmazzák,

amelyeket általában nem lehet pontos matematikai formalizmussal leírni, és amelyeknél a szakismereteket egy ember többéves tanulással és gyakorlással tudja csak elsajátítani − NN ((Artificial) Neuron Networks) – (mesterséges) neuronhálók: az emberi agy (illetve az idegsejtek) mőködését modellezı, egyszerő processzorokból (mint mesterséges neuronokból) felépülı, párhuzamos mőködéső architektúrák. Egyszerő átmeneti függvénnyel jellemezhetı processzorokból épülnek fel úgy, hogy ezek (a közös feladaton dolgozó) processzorok változtatható súlytényezıkkel ellátott összeköttetések hálózatán keresztül kommunikálhatnak egymással. A tárgyterületi ismereteket a felügyelt vagy a nemfelügyelt tanulás útján szerzik be − EIS (Executive Information System) – FVIR (felsıvezetıi információrendszerek): a felsıszintő és egyéb vezetık számára a szervezet mőködésének áttekintésében adnak segítséget – akár

ad hoc igények kielégítésével. Az eredmények megjelenítésével támogatják a többszempontú elemzést Kívánságra bele lehet tekinteni a részletekbe („lefúrás”). Felhasználóbarát felhasználói felülettel rendelkeznek − KMS (Knowledge Management Systems), – TMR (tudásmenedzsment rendszerek): a tudásmenedzsmentet támogató olyan rendszerek, amelyek a szervezeten belül az emberek közti tudás-áramlás folyamatát segítik; ennek során a szervezet intézményi tudása folyamatosan fejlıdik, gyarapszik (ld. 7fejezet) − (Intelligent) datamining – (intelligens) adatbányászat: alkalmazásával nagy adatbázisokban, adattárházakban rejlı rejtett/sejtett szerkezeti minták és összefüggések tárhatók fel (ld. [Adriaans 2002], [Halász 2001] és [Fajszi 2004]). Az elvárás az, hogy ezek az így kinyert minták és összefüggések értelmezhetık és haszonnal alkalmazhatók legyenek. Adatbányászat „nyers” adatokból információkat, ill

ismereteket állít elı (pl. korábban nem ismert kapcsolatokat, szabályokat, eseteket, ok-okozati összefüggéseket) Az adatbányászati eszközök a döntéstámogató módszerek teljes skáláját integrálják magukba: - a hagyományos adatbányász-módszerek (statisztikai módszerek, regressziós algoritmusok stb.) mellett - az MI kutatások során kidolgozott (intelligens) technikákat (induktív technikák, fuzzy-modellek és genetikus algoritmusok, neuronhálós modellek), miközben - a felhasználó munkáját magas szintő vizualizációval támogatják. A döntéstámogató rendszerek használatának elınyei: hatékonyabb döntéshozatal, költségcsökkentés, a döntéshozók közötti jobb kommunikáció, a vezetık (a döntéshozók) gyorsabb betanulása. A 22 táblázat ([Turban 2001]) példákat ad probléma-kategóriánként és vezetıi szintenként a döntéstámogató rendszerek felhasználására. Probl. kategória Jól-strukturált Félig-strukturált

Nem-strukturált Technológiai támogatás kell Operatív irányítás Számlakészítés, Megrendelés-készítés Termelésütemezés, Leltár-ellenırzés Kiadvány-fedılap kiválasztás, Szoftver-vásárlás, Kölcsön-jóváhagyás VIR, vezetéstudomány Szervezés Költségvetés-elemzés, Rövidtávú elırejelzések, Alkalmazottakról kimutatás-készítés, Gyártás-vagy-vásárlás? Hitel-becslés, Költségvetés-készítés, Üzemépület tervezés, Projekt-ütemezés, Jutalmazás rendsz. terve vezetéstudomány, DTR, SZR, FVIR Stratégiai tervezés Pénzügyi irányítás (pl. beruházás), Raktár helyének kijelölése, Elosztott rendszerek Új üzemépület építése, Fúziók és felvásárlások, Új termék tervezése Kompenzáció-tervezés, Minıségbiztosítás tervezés Kutatás-fejlesztés tervezés, Új technológia fejlesztés, Társadalmi felelısség tervezés FVIR, SZR, TMR, neuronhálózatok Techn. támogatás VIR, operációkutatási modellek,

TFR DTR, TMR DTR, SZR, FVIR, neuronhálók 2.2 táblázat: Probléma-kategóriánként és vezetıi szintenként a technológiai támogatás igénye Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 13 GMF NIK SzTI A 2.3 táblázat az egyes rendszerek jellemzését tartalmazza, míg a 24 táblázat képet ad a döntéstámogató rendszerek felhasználásáról – az idı elırehaladtával ([Turban 2001] alapján) Dimenzió Alkalmazási terület Figyelem középpontja Adatbázis Döntési képesség Manipuláció jellege TFR VIR SZR Hosszú távú strat. tervezés, Komplex integrált probléma-területek Diagnózis, Strat. tervezés, Belsı irányítás tervezése, Stratégia Döntések rugalmassága, Felhasználóbarát rendszerhasználat DBMS, Interaktív hozzáférés, Tény-ismeretek Következtetés, Szaktudás terjesztés Fizetési jegyzék, Termelési és piaci információk Adatmegırzés Termelésirányítás, Piaci

elırejelzés, Felügyelet Adattranzakciók Információ Minden alkalmazáshoz külön szervezve, Batchaktualizálás Nem tud dönteni Interaktív programozói hozzáférés Jól strukturált rutin-jellegő problémáknál hagyományos menedzsment Nem jól strukt. problémáknál integrált menedzsment, Tudományos módszerek és döntések keveréke Nem jól strukt. problémáknál komplex döntések, gyakorlati ismeretek, heurisztikák (szabályok) felhasználása Numerikus Numerikus Numerikus Szimbolikus Specifikus döntések támogatásához információk Javaslat adása magyarázattal, indoklással ellátva Elemzık és menedzserek Hatékonyságnövelés Összegzı jelentések, Üzemelési információk Ütemezési- és forrásigényjelentések, Struktúradiagram, Kivételjelentés Középszintő Támoga- Alsószintő vezetés (helyet- vezetés tott legmagasabb tesek is) szervezeti szint Hasznos, célEredményesség Hatás, növelés lendítıerı szerő segítség

Eredmények típusa DTR Ismeretbázis (adatbáziseléréssel megtámogatva) Neuronhálók Felsıvezetıi Bonyolult, döntések támoga- ismétlıdı tása, döntések, Környezeti hatá- Diagnózis, sok vizsgálata Beruházások felügyelete Mőködés nyoMintailleszmon-követése, tés, analógiás Irányítás, tanulás „Lefúrás” FVIR TMR Bonyolult döntéshozatal változó környezetben A legjobb gyakorlati ismeretek újrahasznosítása Szervezeti tudás-tár Belsı (online) és szervezeti adatbázisok, Teljes körő hozzáférés minden adathoz Dönteni nem tud, csak ha összekapcsoljuk egy DTR rendszerrel! Történeti esetek, Tanulás lehetısége Fıleg a történeti adatokon alapuló elırejelzések Komplex, beleértve a szervezeti (enterprise) szintet Többnyire numerikus, részben szimbolikus Helyzet-jelentés, Kivétel-jelentés, Kulcs-mutatók Analógiás (numerikus elıfeldolg.) Elırejelzés, Minták osztályozása Numerikus, kvalitatív, szimbolikus

Javaslat, Tudás vagy ismeret, hozzáértés (know-how) Menedzserek és specialisták Felsıszintő vezetés (csak!) Specialisták, menedzserek Menedzserek, specialisták Hatékonysághasznosság Alkalomszerő, idıszerő segítség Hasznosság, célszerőség Hatékonyság, hasznosság 2.3 táblázat: Az egyes döntéstámogató rendszerek jellemzése Szakasz Korai Leírás Nyers adatok feldolgozása, összegzése, szervezése Középsı A döntéshez szükséges információk megkeresése, szerzése és megjelenítése Döntés-centrikus számítások és információk Eredmények megszervezése és megjelenítése Kérdés-alapú, felhasználóbarát kezelı felület WHAT-IF („Mi-van-akkor-ha”) elemzések A döntéshozatalnál felhasznált (szakértıi) ismeretek megszerzése a döntéshozóktól Komplex és homályos döntési szituációk Az együttes döntéshozatal és a gépi tanulás módszereinek továbbfejlesztése, kibıvítése Web, elektronikus

kereskedelem (ebben már csalódtak) Távlatok: szemantikus Web Jelenlegi Jövıbeli Eszközökre, modellekre példák Kézi számítógépek, számítógépes programok, statisztikai modellek, egyszerő vezetéstudományi modellek Adatbáziskezelı rendszerek, VIR, menedzsment rendszer modellek Pénzügyi modellek Számolótáblák Elırejelzés-kidolgozó módszerek Operációkutatás CAD (Comp. Aided Design – szgéppel segített tervezés), SZR, DTR, FVIR, OLAP stb. 2 generációs SZR Csoportos döntéshozatal, Tudásmenedzsment Neuronhálós számítások, Fuzzy logika, Adatbányászat Intelligens ágensek SAP szoftverek stb. 2.4 táblázat: A döntéstámogató rendszerek, módszerek felhasználása az egyes idıszakokban 14 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI 2.4 Az emberi és a számítógépes döntéshozatal A döntéshozatal olyan folyamat, amelynek során különbözı cselekvési alternatívák

közül választunk bizonyos cél vagy célok elérése érdekében. A döntéshozatalt nem csak egymást követı lépések sorozataként tekinthetjük, hanem olyan tanulási folyamatnak, amely akár hosszú idı alatt, elnyújtva szolgáltatja azokat a momentumokat, amelyek egy-egy megoldás elfogadásához vezetnek. Tipikus, a döntéshozatal során gyakran megválaszolandó kérdések: Mit kell tenni? Mikor? Hogyan? Hol? Ki tegye meg? Elıször bemutatjuk egy döntéshozó (ember/rendszer) jellegzetes komponenseit és környezetének tipikus elemeit ([Turban 1998]): 1. Bemenetek (adatok12 formájában): különbözı forrásokból származó nyers adatok, pl a termelı berendezések érzékelıitıl jövı adatok, költségek stb 2. Feldolgozó egység: eljárások, programok, eszközök, tevékenységek, döntések együttese, amelyek a bemenetek kimenetekké történı transzformálásához szükségesek 3. Kimenetek (információk formájában): a feladatnak megfelelıen a

termelı berendezések mőködtetését befolyásoló információk, következtetések, elırejelzések stb. (pl kórháznál a gyógyult betegek) 4. Döntéshozó: a bemenetekre és a feldolgozásra (1 - 2) döntéseivel hatni tudó, a kimenet-oldalról (3) visszacsatolást fogadó és feldolgozó komponens. 5. Környezet: a bemenetekkel (1) és kimenetekkel (3) kapcsolatban álló komponens, amely a döntéshozó munka határait – és egyben kényszerfeltételeit – jelenti. A környezet jellegzetes összetevıi lehetnek: vásárlók, idıjárási feltételek, (viszont)eladók, részvényesek, pénzintézetek, versenytársak, kormányzat A környezet elemeit a döntéshozó közvetlenül nem képes befolyásolni – csak a kimenetek révén. A környezet a döntéshozatalt behatárolhatja fizikailag (pl. a döntéshozatal épülete) és nem-fizikailag (pl idıbeli korlátok) A döntési munkához szükséges tudnunk a környezettel való kapcsolat szorosságát: − zárt világ

feltételezéssel (closed world assumption) kell élnünk, ha semmi kapcsolat nincs a környezettel – csupán annyi, hogy a bemenetek onnan származnak, és a kimeneteket oda küldjük. (Gondoljuk meg: egy adatbázis zárt rendszer.) A környezet számára a döntéshozó egy fekete doboz: a döntéshozatal részleteibe nem lát bele, annak további munkáját már nem befolyásolhatja. − nyitott világ feltételezéssel (open world assumpotion) akkor élhetünk, ha a problémamegoldás során is tudunk kapcsolatba lépni a környezettel, számba tudjuk venni döntéseink várható környezeti hatását stb. A 2.4 táblázat összeveti a zárt és a nyitott rendszereket – [Turban 1998]: Tényezık Igény, kereslet Egységnyi költségek Jelentkezési idı Eladók és felhasználók Idıjárás és egyéb környezeti hatások Zárt rendszerek Változatlan, konstans Változatlan, konstans Változatlan, mindig ugyanaz Az elemzésbıl kizárandók Figyelmen kívül hagyandók

Nyitott rendszerek Változó, sok tényezı által befolyásolt Akár naponta változhat Változó, nehéz megjósolni Az elemzés során figyelembe vehetık Az igényre/keresletre, valamint a jelentkezési idıre hatással lehetnek 2.4 táblázat: A zárt és a nyitott rendszerek összehasonlítása Igen fontos, hogy egy probléma meghatározása, beazonosítása során eldöntsük, hogy az mennyire zárt/nyitott jellegő – ugyanis ez meghatározza az alkalmazható modell-választékot. Egy döntéshozó rendszer esetében fel kell tételeznünk, hogy a világ legalább részben nyitott, vagyis a döntéshozatal során figyelembe vehetjük a környezetre várhatóan gyakorolt hatásokat (különben nincs döntési szabadságunk!). Egy problémamegoldó rendszer esetében fontos a hatékonyság és a hatásosság/eredményesség kérdése: − Hatékonyság (effectiveness): a megoldás, cél elérésének fokmérıje („doing the right thing” – számítástechnikai szempontból

mennyire hatékonyan mőködik a rendszer a megoldás kidolgozása során); − Eredményesség/hatásosság (efficiency): a megoldás eléréséhez a bemenetek felhasználásának mértéke („doing the thing right” – mennyire jól használja fel a rendszer a bemenetekben rejlı lehetıségeket). Egy döntéshozó rendszer esetében elsısorban az eredményesség érdekes (a számítógépek gyorsasága jórészt kompenzálja a hatékonysági problémákat). Vannak azonban olyan helyzetek – ilyenek pl az olyan „emberi” szolgáltatások, mint az oktatás, egészségmegırzés – , ahol a hatékonyság fontos kérdés lehet. 12 Egy számítógépes döntési folyamatban játszott szerepét tekintve az adat, információ és tudás meghatározása: - Adat: észlelt, de nem értelmezett szimbólum, jel, mintázat; nyers, jelentés nélküli, szintaktikai fogalom. Adat pl: szám („68”), karaktersorozat („SOS”), egy térbeli alakzat, egyéb mintázat (pattern) -

Információ: értelmezett adat, amelynek tehát jelentése is van – amelynek tehát szemantikája is van. Egy döntési folyamat adatértelmezéssel indul, kimenetén pedig információ jelenik meg Információ pl: „a vállalat alkalmazottainak száma 68” vagy „SOS” – a segélykiáltásként értelmezve („Save Our Souls”) - Tudás vagy ismeret: egy döntési folyamat során felhasznált információ. A tudás nem más, mint megtanult és hasznosított, aktivizált információ A feladatmegoldó ember vagy rendszer a tudását a döntéshozatal során mozgósítja – miközben állandóan tanul, ill korábbi tudását finomítja, továbbfejleszti Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 15 GMF NIK SzTI 2.5 A döntési folyamat fázisai A döntési folyamatot 1977-ben három fázisra osztotta Herbert Simon [Simon 1977]: intelligencia (tájékozódás), tervezés és választás. E fázisokhoz késıbb még hozzátettek

egy lezáró, a megvalósítással foglakozó fázist Egy döntési folyamat fázisai ([Turban 1998] szerint): (1) feladat-meghatározás és adatgyőjtés feladat-meghatározás (2) tervezés alternatívák (3) választás megoldás (4) megvalósítás implementált megoldás A jól strukturált problémák megoldásánál a tervezést ennél konkrétabban is lehet meghatározni: a) a lehetséges kimenetek teljes (vagy minél teljesebb) halmazának megkeresése b) minden lehetséges kimenethez egy „kívánatossági fok” hozzárendelése. Ennek megfelelıen a (3) fázisban a legkívánatosabb kimenetek kiválasztásával foglalkoznak, míg az utolsó, (4) fázisban a választás igazolását, megvalósítását és ellenırzését végzik. A kezdeti (1) fázis adatokat kap a környezettıl, a többi információkat nyújt a következı fázisok, valamint a környezet felé Fontos megjegyezni, hogy minden fázis visszacsatolhat a megelızı fázisok bármelyikére. A

következıkben sorra vesszük e fázisokat 2.51 A feladat-meghatározás és az adatgyőjtés fázisa A probléma, ill. a konkrét feladat meghatározása a következıket jelenti: − A probléma észlelése: annak tudatosítása, hogy a meglévı és a kívánt állapot között eltérés van. − A probléma azonosítása: az eltérések valódi okainak feltárása. − A problémával kapcsolatos adatok begyőjtése, a kezdeti állapotot leíró nyers adatok menedzselése: adathozzáférés, adatgyőjtés és adatbevitel, szőrés, validálás (érvényesség-vizsgálat), elı-feldolgozás, tárolás. Eredmény: a tervezési fázis számára elıkészített, megbízható, teljes körő adatok, adattáblák, a problémához való tartozás (relevancia) biztosításával. − A probléma kategorizálása: jól/rosszul strukturált, rosszul definiált, nem definiálható. − A probléma tulajdonosának meghatározása (ez igen fontos kérdés!). − A probléma konkretizálása: a

konkrét feladat meghatározása, bonyolult esetben annak (egyszerőbb) részfeladatokra bontása, dekomponálása. Az adatgyőjtés nagy körültekintés igénylı feladat. A probléma meghatározása után, a konkrét feladatra koncentrálva kell meghatározni azokat az adatokat, amelyeket a probléma pontos meghatározásához, majd megoldásához felhasználhatunk Itt a következı munkát kell elvégezni: − adatok beazonosítása, adathozzáférés és -begyőjtés, − hiányzó adatok pótlása (adatbevitellel, nem meglévı adatok esetén azok becslésével), − adatok szőrése és validálása fıleg több, egymástól független forrásokból származó adatok esetén – a matematikai statisztika alapvetı módszereinek alkalmazásával (min. max, átlagok, szórás stb), − adatok elıfeldolgozása13 (mértékegységek egységesítése, szabványosítás, rangszámok/sorrendek meghatározása, mérési skálák transzformációja, adatok lineáris vagy nemlineáris

transzformációja, statisztikai módszerek, idısorok elemzése és regresszió, matematikai programozás stb.), végül − az elızıek szerint elıkészített adatok tárolása. Ezt a munkát nagyban segítik a vizualizációs technikák (két- és háromdimenziós grafikonok, tudományos és üzleti diagramok, speciális ábrázolások, térképek, térinformatikai eszközök stb.), valamint további speciális célmódszerek (erıforrás- és projektmenedzsment módszerek, minıségbiztosítási eljárások, folyamatábrák stb.) Az adatok beazonosításánál, hozzáférésénél és begyőjtésénél figyelembe kell venni, hogy a szervezetnél feldolgozott adatok érkezhetnek folyamatosan, adott idıközönként, eseti jelleggel – és természetesen különbözı forrásokból. Lehetséges adatforrások: (1) saját, belsı adatbázisok, (2) saját, valós idejő adatgyőjtı rendszerek (3) papír alapú adathordozók, bizonylatok; (4) külsı adatszolgáltatók; (5) külsı

adatbázisok; (6) médiák; (7) egyéb források (pl. személyes beszélgetések) (Közvetítık lehetnek pl (1)-(3): intranet, (4)-(6): internet) 2.52 A tervezés fázisa A tervezés fı feladata a lehetséges cselekvési alternatívák megtalálása, generálás/kifejlesztése, a kimenetek értékelése, valamint forgatókönyvek kidolgozása – a feladat mélyebb megértése, a megoldásváltozatok kidolgozása és elemzése révén. Ehhez ki kell dolgozni a feladat modelljét, majd azt tesztelni és validálni is kell A modellezés legfontosabb feladatai: − elméleti alapok meghatározása, − a feladat komponenseinek és szerkezetének megadása, 13 Részletesebben ld. pl [Kindler 1997] 16 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI − alternatívák generálása, − a következı, választási fázishoz kritériumrendszer megadása, − elırejelzések megadása esetleg, − különbözı mérések végzése (pl.

jól strukturált esetben a „kívánatosság” mértékének meghatározása), − a megoldás forgatókönyvének elkészítés. Az emberek gazdasági célja az elérhetı eredményekbıl származó haszon optimalizálása. Egy adott döntési helyzetben, amikor a lehetséges alternatívákat következményeikkel együtt ismerjük, a döntéshozó világos preferenciákkal kell rendelkezzen ezen alternatívák és következményeik hasznosságát jelentı rangsorolást illetıen. E preferenciákat igazolni is kell, valamint az esetleges elhanyagolásukkal járó bizonytalanságot is fel kell mérni. Bonyolult feladat esetén – a bonyolultság kezelhetısége céljából – gyakran alkalmazzuk a feladat részekre bontását, dekomponálását. Ennek természetesen vannak veszélyei is, ugyanis az egész mindig több, mint részeinek összegzése Emiatt az egyes részfeladatok optimalizálása révén egyáltalán nem biztos, hogy az eredeti feladat optimális megoldását kapjuk

meg Egy modell – mint már említettük a döntéselméleti alapok tárgyalásánál – lehet normatív vagy leíró: A normatív vagy optimalizáló modellekrıl az 1.4 pontban már volt szó Ezek célja az optimális (a bizonyíthatóan legjobb) megoldás keresése, amelynek módozatai: 1. a leghatékonyabb változat keresése – adott, rögzített költségek, ráfordítások mellett, 2. a legalacsonyabb költségő változat keresése, megadott hatékonyság mellett és 3. a legmagasabb produktivitás keresése – ahol tehát a célok elérésének hatékonysága és a ráfordítások aránya optimális A leíró modellek a maguk valójában, ill. ahogyan mi elképzeljük, úgy ábrázolják a valóságot E modellek azért hasznosak, mert a bemenetek különbözı konfigurációja mellett tudjuk vizsgálni a cselekvési alternatívákat, az azokhoz tartozó kimeneteket. A leíró modellekkel azonban általában nem vizsgálható az összes alternatíva, hanem csak annak egy

részhalmaza. Az így kapott optimális megoldás tehát általában lokális – vagyis nem (globálisan) optimális az egész feladatra, az összes lehetséges alternatívára nézve A cselekvési alternatívák generálása keresést és nagyfokú kreativitást igénylı, hosszadalmas folyamat, amelyet gyakran ötletgenerálással (ötletbörze, brainstorming) segítenek. A keresés a DTR-eknél manuálisan történik, a SZR-eknél automatikusan (a következtetı gép révén). A generált alternatívák elemzése, a hozzájuk tartozó, várható kimenetek értékelése minden esetben függ a választott modelltıl és a bemenı adatoktól. Az egyes alternatívák várható kimenetei (a feladatról szóló ismereteink bizonyosságának megfelelıen) lehetnek biztosak, kockázatosak és bizonytalanok. A kockázat elemés („risk analysis”) segít a kockázat mértékének meghatározásában, a jövıben várhatóan legkevésbé kockázatos alternatíva kiválasztásában, míg az

információhiány miatt fellépı bizonytalanságnál a bizonytalanságkezelés különbözı módszerei használhatók. (SZR-ek esetében erre fogunk látni elméletileg megalapozott és ad-hoc módszereket is.) A kimenetek értékelése függ az alkalmazott modelltıl és a bemeneti adatoktól. Ha a bemenetek adatai biztosak és teljes körőek, a kimenet csak akkor lehet determinisztikus A kimenetek értékelése általában az elért cél értékelését jelenti. Pl ha a cél a maximális profit elérése, az értékelés mértékegysége forint Ha a cél a vevık megelégedettségének biztosítása, az értékelhetı a reklamációk (minél kevesebb) számával, a termék élettartamával vagy annak egy ellenırzés során kapott minısítésével. Forgatókönyvek, szcenáriók készítése igen fontos része a tervezésnek. Egy forgatókönyv egy adott idıpontban egy adott (rész)rendszer mőködési környezetérıl szóló feltételezések megfogalmazása Más szóval:

elbeszélı jellegő leírása annak a helyzetnek, amelyben a döntési helyzetet elemezzük; ez a döntésen kívül tartalmazhat befolyásolhatatlan külsı adatokat, paramétereket, valamint specifikus modellezési szituációkat. (A forgatókönyv elnevezés színpadi eredető; a háborús játékok és a nagymérető szimulációk esetén alkalmazták elıször.) A DTR-eszközök általában rendelkeznek forgatókönyv-tervezı és –elemzı szolgáltatásokkal, amelyek fıleg a szimulációnál és a „mi van akkor, ha” („what-if”) elemzésnél hasznosak. A forgatókönyvek alkalmazásának elınyei: - segítenek a problématerületek és a lehetıségek azonosításában, - biztosítják a tervezés flexibilitását, - segítenek meghatározni a változások hatásának fı irányát (amire majd a menedzsment figyelni fog), - segítik a modellben alkalmazott fontosabb feltételek érvényesítését, - segítik a javasolt megoldások érzékenység-elemzését (a

forgatókönyv-változtatások hatás-vizsgálatát). Forgatókönyvek készülhetnek a legrosszabb, a legjobb és a legvalószínőbb megoldásokra; minden esetben meg kell határozni a végrehajtandó elemzések környezetét is. 2.53 A választás fázisa A választás fázisa az (alternatívák közüli) keresésbıl, kiértékelésbıl és a megoldás kiválasztásából áll. E fázist olykor nem lehet élesen elválasztani a tervezéstıl: mindkét fázis gyakran átcsúszik egymásba (pl. új alternatívát generálunk, miközben a meglévıt elemezzük). Fontos megjegyzés: a modell megoldása nem megoldása a (vaSántáné-Tóth E: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 17 GMF NIK SzTI lós) problémának; az csak a probléma egy lehetséges, javasolt megoldása! Azonban, ha a modell megoldását sikeresen meg tudjuk megvalósítani, akkor az már az eredeti probléma megoldása is egyben! A modell megoldásának keresésére több lehetıség

közül választhatunk. Megkülönböztetünk elemzı vagy optimalizáló- , vak- és heurisztikus keresési technikákat. A két utóbbit komplex problémák esetén alkalmazzák 1. Az elemzı vagy optimalizáló keresési technikák matematikai formalizmust használnak, és optimális megoldást szolgáltatnak Jól strukturált, ezen belül taktikai vagy üzemeltetési problémák esetén alkalmazhatók leginkább (pl. forrás-lekötés vagy leltár-karbantartás esetén) E technikák a keresés hatékonyságának növelésére algoritmusokat használnak, amelyek lépésrıl-lépésre elıírják a megoldás felé vezetı keresés menetét, lehetıséget biztosítva a megoldás javítására/továbbfejlesztésére (improvement) is. 2. A vak keresési technikák nem-irányított, véletlenre alapozó technikák Két változatuk van: − a teljes felsorolás, amely minden alternatívát szisztematikusan felkeres, míg megoldást nem talál, és − a nem-teljes, parciális keresés,

amely véletlenszerően keres, amíg megoldást nem talál (ha létezik). Nagymérető problémák esetén ezek nem praktikus technikák: több megoldás kidolgozása után jutnak csak el az optimális megoldáshoz (ha van optimális megoldás, és ha egyáltalán eljutunk oda). 3. A heurisztikus keresés technikái a tárgyterület specifikumait figyelembe vevı szabályok alkalmazásával vezérlik a keresést, jelentısen növelve hatékonyságot – csökkentve a felhasznált számítógépes idıt. Az eredmények, alternatívák kiértékelésére különbözı értékelı technikákat dolgoztak ki. Tudnunk kell itt azt, hogy mit kell mérnünk, milyen mértékegységben, miért és hogyan optimalizálunk. Legismertebb értékelı technikák: többcélú megoldási technikák, érzékenység-elemzés, „mi van akkor, ha” elemzés, célértékkeresés: 1. A többcélú megoldási technikákat akkor alkalmazzuk, ha nem egy, hanem több optimalizálandó célunk van A gyakorlati

életben általában ez a helyzet: szimultán célok optimalizálása gyakrabban fordul elı, mint egyetlen cél optimalizálása. E célok egymás ellen is hathatnak, ami bonyolítja a helyzetet (pl a jövedelmezıség fokozására termékfejlesztést, az alkalmazottak továbbképzését, munkájuk biztonságosságának emelését stb irányozzuk elı) A többszörös célú problémák megoldása mindig kompromisszumos megoldás keresését jelenti Néhány ilyen módszer: hasznosságelmélet, lineáris programozás (a célokkal, mint feltételekkel), pontozási rendszerek – ezek azonban csak bizonyos esetekben alkalmazhatók A többcélú problémák esetében felmerülı nehézségek: - nehéz explicit módon megfogalmazni a szervezet céljait, - a döntéshozónak menet közben változhat a véleménye egyes specifikus célok fontosságát illetıen, - a szervezet különbözı szintjei és részlegei eltérı módon vélekedhetnek egyes célokról, részcélokról, - maguk a

célok is változhatnak a szervezeten belüli és azon kívüli változások következményeként, - az alternatívák kapcsolatát és a célokra gyakorolt hatását nehéz számszerősíteni, - a bonyolult problémákkal tipikusan nem egy döntéshozó, hanem döntéshozók csoportja foglalkozik, - az egyes döntéshozók megítélése bizonyos célok fontossága, prioritása tekintetében eltérhet. A jól-strukturált problémák esetén alkalmazható többcélú programozási technikák ([Temesi 2002]): - súlyozásos módszer (a célfüggvények súlyozott összege által adott célfüggvényt oldjuk meg), - lexikografikus eljárás (ha a legfontosabbnak ítélt cél szerint egy megoldás van, azt választjuk. Ha több van, a következı legfontosabb cél szerint értékeljük a megoldásokat és így tovább), - korlátok módszere (egy kivételével az össze többi célt valamely korlát segítségével beépítjük a feltételek közé, majd a megmaradó célfüggvényt

megoldjuk), - kompromisszumprogramozás elve (olyan „ideális”, nem létezı megoldást állítunk elı, amely minden cél szerint a legjobb értéket tartalmazza, majd az ehhez „legközelebb esı” megoldást választjuk). Azonban a súlyok, a célprioritások, a korlátok, ill. a távolságfüggvények megadása problematikus lehet 2. Az érzékenység-elemzés során azt vizsgáljuk, hogy a bemenı adatok vagy paraméterek megváltoztatása mennyiben változtatja meg a megoldást. Ez igen fontos vizsgálat, mivel - a különbözı döntési szituációkban segít a változó feltételekhez és követelményekhez való adaptációnál – flexibilissé téve így a döntéshozatalt, - segít a modell és a döntési szituáció alaposabb megértésében, - biztosítja, hogy (saját adataival mőködtetve) a döntéshozónak egyre nıjön a modellbe vetett bizalma. Az érzékenység-elemzés segítségével a következı kapcsolatokat lehet vizsgálni: - a külsı,

ellenırizhetetlen adatok és paraméterek hatása a kimenetekre, - a döntéshozatal belsı változóinak hatása a kimenetekre, - a külsı változók becsült bizonytalanságának hatása a kimenetekre, - különbözı változók egymásra gyakorolt hatása, - a feltételek változtatásának hatása a döntésekre (azok robusztusságára). Az érzékenység-elemzés a következı helyzetekben alkalmazható: - a modell felülvizsgálata abból a célból, hogy a nagymértékő érzékenységeket kiküszöböljük, - a forgatókönyvek finomítása az „érzékeny” változókról szóló részletek bıvítésével, - az érzékeny külsı változókra jobb becslés adása, 18 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI - a valós világ megváltoztatása (ha az lehetséges) az aktuális érzékenység redukálása céljából, - az érzékeny (ezért sebezhetı) valós világban az aktuális eredmények folyamatos/ pontos

figyelése. Az érzékenység-elemzés típusai: a) automatikus módszerek: kvantitatív modellek, pl. lineáris programozás alkalmazásával Egyszerre csak egy bemenı változó/paraméter értékének megváltoztatásának hatását lehet vizsgálni, gyors eredménnyel; b) próba-hiba módszer (trial and error): valamely bemenı adat értékét kissé megváltoztatva figyeljük az eredmény megváltozását. Ezt újra és újra megismételve jobb és jobb megoldást érhetünk el Számítógépes támogatás esetén ez a módszer könnyen alkalmazható E módszernek két változata van: - „mi van akkor, ha” elemzés („what-if analysis”): mi történik a megoldással, ha egy bemenı változó vagy paraméter értékét megváltoztatjuk. Pl: „Mi lesz a piaci részesedéssel, ha a hirdetések költségvetését 5 százalékkal megemeljük?” Megfelelı felhasználói felület segítheti a menedzsert, hogy 6, 7 stb. százalékra változtatva az emelést összevesse a kapott

eredményeket - célértékkeresés („goal-seeking analysis”): az elérni kívánt célból kiindulva (visszafelé haladva!) meghatározzuk azokat a bemeneteket, amelyekbıl a célt el lehet érni. Pl: „Hány nıvér alkalmazásával lehet a betegek váróteremben eltöltött idejét legalább 10 perccel csökkenteni?” (Ezt biztosítja bizonyos számítógépes eszközök célkeresı „break even point” funkciója.) 2.54 A megvalósítás fázisa Mit jelent egy megvalósítás? Machiavelli (400 évvel ezelıtti) véleménye szerint nincs bonyolultabb, bizonytalanabb és veszélyesebb annál, mint amikor elkezdjük a dolgok újrarendezését. Egy probléma javasolt megoldásának megvalósítása valójában a dolgok újrarendezését jelenti azáltal, hogy változtatásokat vezetünk be Egyszerőbb meghatározással: mőködésre bírjuk a javasolt megoldást Ennek ellene hathatnak az igényelt változtatást ellenzı hatások: a menedzsment támogatásának alacsony

szintje, a felhasználók ellenérdekeltsége, betanításuk nehézségei stb. E kérdéseket késıbb bıvebben fogjuk tárgyalni 2.6 Az egyes döntési folyamatok támogatása A döntési folyamat fenti fázisait számítógépes döntéstámogató rendszerek széles választéka támogatja. A 21 ábrán látható, hogy mindegyik fázisban igénybe vehetık a DTR és SZR technológiák: A döntési folyamat fázisai Feladat-meghatározás és adatgyőjtés neuronhálók VIR adatbányászat OLAP FVIR Tervezés csoportos DTR vezetéstudomány neuronhálók DTR SZR Választás Megvalósítás csoportos DTR 2.1ábra: A döntési folyamat fázisainak támogatása DTR és SZR rendszerekkel Feladat-meghatározás és adatgyőjtés: Neuronhálók segítségével lehet „jó” mintákat kiválasztani az adattáblákból. VIR, FVIR, adatbányászat, OLAP: a külsı és belsı információk folyamatos figyelése, a hatást okozó változások korai észlelése. SZR: a problémák

természetét, osztályozását, súlyosságát stb illetıen tanácsadás; a probléma megoldására (bizonytalanság melletti) tanácsadás. Diagnosztizáló stb problémák megoldása Tervezés: DTR, SZR: alternatív akciók generálása, azok megváltoztatásának és relatív fontosságának elemzése, várható következmények elırejelzése. Kvantitatív (DTR-rel) és kvalitatív (SZR-rel) elırejelzések Csoportos DTR: ötletgenerálások, konszenzusra törı egyeztetések. Választás: DTR: az eléggé jó és rossz alternatívák gyors kiválasztása, „mi van akkor, ha” és célkeresı elemzése, különbözı forgatókönyvek elemzése a végsı (optimális) megoldás kiválasztása érdekében. SZR: bizonyos megoldások kívánatosságának kimutatása, megfelelı megoldásra javaslattétel. Csoportos DTR: csoportos, konszenzuson alapuló döntések meghozatala Megvalósítás: DTR, csoportos DTR: a tapasztalatok szerint ezek elızı fázisbeli felhasználási

lehetıségeivel az utolsó fázisban is szoktak élni – fıleg a magyarázatok és indoklások kidolgozásával kapcsolatban. SZR: a megvalósításnál felmerülı problémákra javaslatkészítés – magyarázatadással és indoklással. Az új megoldások betanításánál is felhasználhatók feladat-megoldási segédletként. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 19 GMF NIK SzTI 3. Döntéstámogató rendszerek – DTR A döntéstámogató rendszereknek többféle meghatározása van – mint ahogyan szemléletmód is többféle van Little (1970) meghatározása: egy döntéstámogató rendszer egy olyan „modell-alapú adatfeldolgozó és döntéshozó eljárások együttese, amely segíti a vezetık döntéshozási tevékenységét”. Egy DTR akkor sikeres, ha − szerkezete egyszerő, − robusztus (nagymennyiségő adatot képes kezelni), − könnyen ellenırizhetı, − adaptálható (hozzáilleszthetı,

hozzáigazítható a konkrét döntéshozatali szituációhoz), − a fontos kérdésekben teljes körő és − egyszerően használható. Alter (1980) a döntéstámogató rendszereket táblázatosan hasonlítja össze a hagyományos TFR rendszerekkel: Dimenzió DTR Tranzakciófeldolg. rendszerek használat aktív passzív felhasználó vezetık beosztottak, irodai dolgozók cél eredményesség („efficiency” hatékonyság („effectiveness”) idıtáv jelen és jövı múlt fı szempont rugalmasság konzisztencia Moore és Chang (1980) a döntési probléma strukturált voltát nem tartja meghatározónak (szemben a korai definíciókkal, amelyek erre fektetik a hangsúlyt); szerintük fontos jellemzı a bıvíthetıség, az ad hoc értékelések és a modellezés képessége, a jövıorientáltság és a váratlan szituációkban való alkalmazhatóság. Bonczek (1980) a DTR rendszerek – mint számítógépes rendszerek – szerkezetét tartja meghatározónak;

kollégáival együtt a következı 3 részrendszer jelenlétét tartja meghatározónak: − kommunikációs részrendszer (amely a felhasználóval és a többi alrendszerrel tartja a kapcsolatot) − ismeretalapú részr. (a tárgyterületi ismereteket eljárások, adatok stb formájában tartalmazó tárház) − problémamegoldó részrendszer (a döntéshozatal problémamanipulációs lehetıségeinek tárháza). Mi állapodjunk meg a következı definícióban [Kı 1997]: A döntéstámogató rendszerek azok a döntéshozatal során használható számítógépes rendszerek, amelyek a nem jól strukturált feladatok megoldásához adnak segítséget, beépített döntési szabályok és modellek felhasználásával; utóbbiakat a felhasználó is módosíthatja vagy bıvítheti. Egy DTR tehát komplex döntési szituációk megoldásában segít, növelve a döntések eredményességét (efficiency) 3.1 A döntéstámogató rendszerek jellemzése A döntéstámogató rendszerek

jellemzı 14 tulajdonsága (melyeket [Turban 2001] csillag-ábrával szemléltet): 1. Jól- és rosszul strukturált problémáknál az emberi döntéshozatalnak a számítógépes információkkal való, egyedi módon történı összehozása. 2. Különbözı vezetıi szintek munkájának támogatása 3. Egyéni és csoportos döntési folyamatok támogatása 4. Kölcsönösen egymástól függı vagy egymás után hozandó döntési folyamatok támogatása 5. Minden döntési fázis (probléma-meghatározás és adatgyőjtés, tervezés, választás, megvalósítás) támogatása Érzékenységelemzések támogatása 6. Különbözı döntési folyamatok és (az 18-ban látott) megismerési- és munka-stílusok támogatása 7. Idıbeli adaptivitás (változó feltételekhez való alkalmazkodás) és nagyfokú flexibilitás biztosítása (pl alapvetı építıelemek felhasználó általi hozzáadása, törlése, kombinálása, cseréje, átrendezése). 8. Barátságos felhasználói

felület biztosítása (pl grafikus funkciók, természetes nyelvhez közeli ember-gép párbeszéd). 9. A döntési folyamat eredményességének vagy hatásosságának (pontosság, idıszerőség, minıség) emelése, akár a hatékonyság (pl a döntéshozatal költsége) rovására 10. Teljes körő felhasználói ellenırzés a döntéshozatal minden lépésében A cél a döntéshozó segítése, nem helyettesítése! 11. A felhasználó képes legyen egyszerő rendszereket saját maga is létrehozni (a nagyobb rendszerek megépítése speciális információtechnológusi feladat) 12. A döntéshozatal folyamatának elemzésére modellek biztosítása (hogy kísérletezni lehessen különbözı konfigurációkban különbözı stratégiák bevetésével). 13. Különbözı adatforrások, adatformátumok és adattípusok – vagyis inhomogén adatforrások – kezelésének biztosítása (a geometriai információrendszerektıl az objektumorientált adatbázisokig) 14. A paletta

az önállóan mőködı DTR rendszerektıl az elosztott adat- és modellbázisú, az egymással és egyéb szoftverekkel integrált, az intra- és interneten (WEB) elérhetı rendszer-szolgáltatásokig terjed. 20 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI 3.2 A döntéstámogató rendszerek komponensei A döntéstámogató rendszerek jellemzı komponenseit a 2.2 ábra mutatja Külsı és belsı adatok Egyéb számítógépes rendszerek Adatkezelı alrendsz. Modellkezelı alrendsz. Internet, intranetek, extranetek Külsı modellek Ismeretalapú alrendszerek Felhasználói felület Szervezeti tudásbázis Menedzser (felhasználó) 2.2 ábra: A döntéstámogató rendszerek komponensei Vegyük most sorra a döntéstámogató rendszerek ábrán látható komponenseit. Az adatkezelı alrendszer biztosítja − a külsı és belsı adatbázisokhoz való hozzáférésen kívül a DTR saját adatainak tárolását, − az

adatok kezelését, feldolgozását (adatbáziskezelı rendszerek), − az adatok egységes és konzisztens adatszótárba rendezését, végül − az adatok lekérdezésének véghezvitelét. A DTR adatbázisai külsı és belsı adatok szokásos tárolását oldják meg, amelyek esetleg az Internet vagy az intranet csatornáin érhetık el. Belsı adatok lehetnek pénzügyi-, gyártási-, munkaügyi-, marketing stb témájú adatbázisok, adattárházak stb. A külsı adatok lehetnek pl: iparági- , piackutatási- , regionális foglalkoztatási-, államigazgatási szabályozó-, adókulcsokat tartalmazó- vagy országos közgazdasági adatok. Mindezek kezelését, feldolgozását az adatbázisok által igényelt szervezéső adatkezelı alrendszer(ek) végzi(k). A belsı és külsı adatok egységes kezelését egy adatszótár támogatja, amely maga is speciális adatbázisként tárolódik. Ez az adatkezelı rendszer által elérhetı összes adatbázisról, ill adatról szóló

katalógus, amely a tárolt és elért adatok forrásáról, állapotáról, kapcsolatairól stb. tartalmaz adatokat Az adatkezelı rendszer lekérdezési funkciói függenek az aktuális adatbázis-kezelı rendszerektıl és adatbázis modellektıl, végül a DTR felhasználói felületétıl (pl. hogy ott milyen kérdéseket lehet megfogalmazni) A modellkezelı alrendszer tipikus elemei: − modellbázis, − modellbázis-kezelı rendszer, − modellezı nyelv, − modellszótár, − modellvégrehajtó-, integráló- és parancsvégrehajtó rendszer. A modellbázis tartalmazza a döntéstámogatásnál igényelt elemzéseket biztosító rutinokat és speciális statisztikai, pénzügyi, elırejelzı, vezetéstudományi és egyéb kvalitatív modelleket. Fontos tulajdonság, hogy e modelleket a behívásukon és futtásukon kívül lehet változtatni, kombinálni és ellenırizni is Modell-kategóriák: − Stratégiai modellek: a felsıvezetık stratégiai tervezésénél

használatosak; inkább leíró, mint optimalizáló jellegőek. Hasonló részfeladatokat látnak el, mint a felsıvezetıi információrendszerek (FVIR) modelljei E modellek jellemzı alkalmazásai: szervezeti szintő célok kidolgozása, fúziók és felvásárlások tervezése, nem-rutinjellegő fıkönyvi költségvetés (ld. még: wwwprenhallcom/turban 3 fejezet) − Taktikai modellek: a középszintő vezetık igényeit kielégítı erıforrás allokálást és kontrollt támogatják. Általában a szervezetek funkcionális részeihez kapcsolódnak. Jellemzı alkalmazások: munkahelyi követelmény tervezése, vásárlás-támogatás tervezése, berendezések elrendezésének tervezése és rutinjellegő fıkönyvi költségvetés. − Mőködtetési modellek: az alsóbb szintő vezetık napi-havi döntési tevékenységét támogatják, a szervezet mindennapi tevékenységeinek megszervezését segítik. Tipikus alkalmazások: személyi bank-kölcsönök Sántáné-Tóth E.:

Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 21 GMF NIK SzTI jóváhagyása, leltár-ellenırzés, napi munkafolyamatok tervezése és ütemezése, minıség-ellenırzés. E modellek jellemzıen belsı adatokkal dolgoznak. − Elemzı modellek: bizonyos adatelemzéseket biztosítanak. Ezek statisztikai, vezetéstudományi, adatbányászati, pénzügyi stb modellek, algoritmusok, amelyeket gyakran integrálnak egyéb modellekkel A modellbázis elemeinek száma néhány száz is lehet. Az elsı három modellcsoporthoz modell-építı blokkok, rutinok tartoznak, amelyek rendeltetése a modellek átalakításának, módosításának támogatása. Ilyenek pl a regressziós analízis, klaszteranalízis blokkok, vagy a véletlenszám-generátor, jelenérték-számító szubrutin stb. Ezek önállóan is felhasználhatók bizonyos elemzésekre, de nagyobb modellekbe is beépíthetık. Megvalósításuk: C++, Java, táblázatkezelı (többnyire Excel). A

modellbázis-kezelı rendszer funkciókat biztosít modellek (meglévı blokkokból és rutinokból történı) kidolgozásához, modellbázisbeli elemek aktualizálásához és módosításához, modell-adatok manipulációjához és új modellek felvételéhez. Ugyancsak támogatja a meglévı rutinkészlet elemeinek megváltoztatását és bıvítését A modellszótár funkciója hasonlít az adatszótáréhoz: katalogizálja a modelleket, tartalmazza a modelldefiníciókat, tájékoztatja a felhasználókat az egyes modellek felhasználásának részleteirıl és lehetıségeirıl. A modell-végrehajtó-, integráló- és parancsvégrehajtó rendszer feladata a megnevezésnek megfelelı. Egy modell parancs processzor közvetíti a modell-kezelı rendszer felé a felhasználó igényeit. Ismeretbázis-kezelı alrendszer Annak ismerete, hogy mely esetekben milyen modellek felhasználása a célravezetı, a gyakorlat során alakul ki. Szakértı rendszerek bevonásával (azok

tanácsadó/javaslattevı szolgáltatásaival) biztonságosabbá tehetı az adott szituációban alkalmazható modell-, ill. rutin-kiválasztás, valamint lerövidíthetı a „betanulási idı” A matematikai modellek, valamint az ismeretalapú és szakértı rendszerek integrálásának tipikus esetei: − ismeretalapú döntéshozói segédlet: a döntési folyamat egyes lépéseinél segít (nem a modellezésnél), − intelligens döntésmodellezı rendszer: a modellkönyvtár elemeinek megépítésében, alkalmazásában és kezelésében segít, − döntéselemzı szakértı rendszer: (esetleg bizonytalanságkezelést is nyújtó) szakértı rendszer segít a döntéselemzésben. Terminológia: intelligens DTR, DTR/SZR, aktív DTR, szakértı támogató rendszer, ismeretalapú DTR. A korszerő adatbányászati eszközök mind rendelkeznek ilyen jellegő szolgáltatásokkal. Felhasználói felület vagy kommunikációs alrendszer „Ez az alrendszer biztosítja a felhasználó

és a rendszer kapcsolatát, vezérli az interakciókat, felelıs a használat kényelmességéért és hatékonyságáért. Ennek minısége meghatározója lehet egy DTR elterjedésének vagy háttérbe szorulásának függetlenül a többi komponens minıségétıl.” – [Kı 1997] Ez az alrendszer tartalmaz egy ember/gép párbeszédet kezelı rendszert (User Interface Management System, UIMS), valamint mind a bemenı, mind a kimenı adatok/információk felhasználóbarát megjelenítésére szolgáló természetes nyelvi rendszert. A párbeszédkezelı rendszer fıbb jellemzıi (a felhasználó nem képzett informatikai szakember!): − grafikus felhasználói felület biztosítása – gyakran WEB böngészı stílusban, − a felhasználó segítése a sokféle bemenı eszköz könnyő kezelésében, − az adatok sokféle megjelenítésének biztosítása – a képernyın és a lehetséges kimenı eszközökön, − súgó (help) funkciók, a felhasználói begépelést

könnyítı funkciók, valamint diagnosztizáló és javaslattevı rutinok, egyéb támogatások biztosítása, − az adat- és a modellkezelı alrendszerrel való kapcsolat biztosítása (beleértve a külsı modellek elérését) − a bemenı és a kimenı adatok/információk tárolása, − színes grafikák, háromdimenziós grafikák megjelenítése, rajzgépek kezelése, − többfunkciós képernyıkezelés (a képernyın egyszerre több ablak megjelenítése, − a DTR felhasználói, valamint a felhasználók és a fejlesztık közötti (konzultatív) párbeszéd támogatása, − demók segítségével a rendszerkezelés begyakoroltatásának és a modellezési folyamat megértésének támogatása, − a rendszernek különbözı problémákhoz és technológiákhoz való flexibilis alkalmazhatóságának támogatásához speciális funkciók biztosítása, − többszörös és különbözı stílusú párbeszédek közötti kölcsönhatás biztosítsa, − a

párbeszédek lefolytatásának nyomkövetésének elemzésével a párbeszédkezelı rendszer továbbfejlesztés; a felhasználó által elıírt nyomkövetés biztosítása. A felhasználó – a menedzser és a specialista A felhasználók két nagy csoportja a menedzserek és a szervezet specialistái (utóbbiak közé tartozik pl. a pénzügyi elemzı, a termelés tervezı, a piackutató). A menedzserek (ma még) kevésbé jártasak a számítógépek felhasználásában, mint a szervezet specialistái, tehát a barátságos felhasználói felületet erısebben igényelik. 22 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI A specialisták vagy szakértık gyakran közvetítı szerepet töltenek be a DTR és a menedzserek között. A különbözı közvetítı szerepkörök [Turban 2001] szerint: 1. DTR-asszisztens: a menedzser stábjának a döntéstámogató rendszerekkel való kapcsolattartásra specializálódott tagja

(aki tehát a döntéstámogató problémák, valamint a DTR körében egyaránt jártas) 2. Specialista: valamely üzleti szakterület szakértıje, aki jártas egy vagy több specializált döntéstámogató rendszer használatában. 3. Üzleti (rendszer-)elemzı: olyan személy, aki a szóban forgó tárgyterületrıl átfogó (általános) ismeretekkel, a formális üzleti adminisztráció rejtélyeiben jártas, emellett jelentıs tapasztalata van DTR-ek építésében (ismer jelentıs számú DTR-építı eszközt) 4. Csoportos döntéstámogatásban jártas szakember: olyan személy, akinek gyakorlata van számítógéppel támogatott csoportos döntéstámogatás irányításában és koordinálásában. Az egyes csoportok tagjai eltérnek iskolázottságukban, különbözı területeken szerzett gyakorlati tapasztalataikban. Egy jó vezetı tudja, hogy saját maga és szervezete számára milyen szerepkörökre kell embert találnia A 2.5 táblázat a vezetıi információs

rendszerek (VIR), a vezetéstudomány és operációkutatás, valamint a döntéstámogató rendszerek (DTR) fıbb eltéréseire világít rá ([Turban 2001] alapján): Szempont Problémakategória Elıny, eredmény Döntéshozatalhoz való tartozás, relevancia Alkalmazások jellege VIR Vezetés tudomány jól-strukturált feladatok, amelyekhez szabványos eljárások, információ-diagramok megbízható módon elıre specifikálhatók, megadhatók hatékonyság növelés (költségmegtakarítás stb.), irodai dolgozók helyettesítése és/vagy munkájuk produktivitásának emelése jól-strukturált problémák, (nem egyes feladatok!), amelyek adataikkal és korlátozásaikkal objektív módon elıre specifikálhatók, megadhatók a hagyományos megoldáshoz képest jobb megoldás kidolgozása a fenti problémák (pl. leltározás) esetére közvetett vagy indirekt: csak jelentéskészítés, adathozzáférés stb. közvetlen vagy direkt: részletezett javaslatok és komplex

problémák megoldásához új módszerek rutinszerő, rendszeresen ismét- nem-rutinszerő, igény szerinti lıdı vagy periodikus DTR olyan nem jól-trukturált problémák, amelyek számítógépes elemzı eszközökkel kezelhetık, és megoldásukhoz menedzseri döntéshozatal kell a menedzseri döntési folyamat hatáskörének, lehetıségeinek, valamint eredményességének, hatásosságának növelése a döntéshozó a döntéstámogató eszközt saját kezőleg hozza létre, saját döntéshozatali tevékenysége támogatása céljából nem-rutinszerő, igény szerinti, gyakran ad-hoc 2.5 táblázat: A vezetıi információs rendszerek, a vezetéstudomány és a DTR-ek fıbb eltérései 3.3 A döntéstámogató rendszerek osztályozása Sokféleképpen lehet osztályozni a döntéstámogató rendszereket. Alter osztályozása ([Alter 1980]) még ma is elfogadott; ez annak alapján, hogy a rendszer kimenete mennyire közvetlenül támogatja a döntéshozatalt,

megkülönböztet adatorientált, adat- vagy modell-orientált és tisztán modell-orientált DTR-eket. A modell-orientált rendszereket a következıképpen kategorizálja: − könyvelı DTR-ek: szabványos számítások elvégzésével könyvelıi becsléseket adnak meg, − reprezentációs DTR-ek: részleges mőveletek következményeit becsülik meg, − optimalizáló DTR-ek: kombinatorikus problémák optimális megoldását számítják ki, − tanácsadó/javaslatkészítı DTR-ek: javasolható döntéseket generálnak. Egy másik osztályozás a [Holsapple 1996] dolgozatban a következı hét DTR-változattal számol: 1. Szöveg-alapú DTR: szövegesen tárolt információk feldolgozásával támogatja a döntéshozatalt Felhasznált technológiák: Web-alapú dokumentáció-feldolgozás, hipertext, intelligens ágensek. 2. Adatbázis-alapú DTR: erıs jelentésgeneráló és lekérdezı funkciókkal rendelkeznek 3. Döntésitábla-alapú DTR: a végfelhasználó által

generált DTR-ek nagy része döntési táblákon alapul (ezek többsége a Microsoft Excelre épül) Az Excel tartalmaz számos statisztikai, lineáris programozási szolgáltatáscsomagot, és több pénzügyi és vezetéstudományi modellt Többségük adatbázis-alapú szolgáltatást is nyújt Számos rendszer rendelkezik „mi van akkor, ha” („what-if”) és célkeresı elemzı („goal-seeking analysis”) szolgáltatásokkal 4. Megoldás-alapú DTR (solver-oriented DSS): speciális problémamegoldó algoritmusokat, eljárásokat tartalmazó rendszerek Problémamegoldó eljárások pl: mennyiségek (gazdasági szempontból) optimális rendezése, trend-kidolgozó lineáris regresszió Az Excel számos megoldó eljárást tartalmaz; ezeket függvényként kezeli. Egy DTR építıje több megoldó eljárást is beépíthet a rendSántáné-Tóth E: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 23 GMF NIK SzTI 5. 6. 7. szerbe. Sok ilyen

(beépíthetı) megoldó algoritmus kereskedelmi termék (pl optimalizálásra alkalmazható lineáris programozás) Szabály-alapú DTR: az ismeretalapú komponens tartalmaz tanácsadó szakértı rendszert, amelynek szabályai lehetnek kvantitatív vagy kvalitatív jellegőek. Összetett vagy hibrid DTR: az elızı döntéstámogató rendszerekbıl 2–5 fajta összeépítve alkot egy hibrid DTR-t. Pl pénzügyi jelentéskészítı, döntéstámogató és felsıvezetıi elırejelzı rendszer Intelligens vagy ismeretalapú DTR: ezekrıl, ill. a szakértı rendszerek döntéstámogató szerepérıl az MI tárgy elıadásain lesz szó. Az elızı osztályozásokon kívül számos további osztályozás ismeretes. Beszélhetünk pl személyes-, csoportos- és szervezeti támogatást nyújtó DTR-ekrıl Ugyancsak megkülönböztetjük az egyéni döntéshozatalt, valamint a csoportos döntéshozatalt támogató rendszereket (DTR – csoportos DTR) A felhasználó által generált

rendszerek mellett vannak a kereskedelemben készen kapható, adott célú, feladatorientált DTR-ek is. A Web-technológia az utóbbi években behatolt a döntéstámogató rendszerek világába is. Egyrészt a DTRfejlesztık gyakran a Web-en keresztül fejlesztenek együtt, gyakran a Web-rıl letölthetı komponensek felhasználásával Másrészt a Web-en elérhetık és onnan futtathatók kész DTR-alkalmazások, amelyek használatát online súgó (help) támogatja. A kereskedelemben kapható DTR eszköz és DTR alkalmazásgenerátor körében egyre inkább dominálnak a hibrid eszközök, amelyek egy szervezet számos (vagy akár minden) döntési helyzetében tudnak támogatást nyújtani. Speciális szakértelmet kíván annak eldöntése, hogy adott problémakör döntési helyzeteinek támogatásra melyiket célszerő beszerezni (általában gazdaságosabb megépíteni egy saját, a problémakörre jól illı, specifikus döntéstámogató rendszert, majd azt a változó

körülményekhez hozzáigazítani). Mind a rendszépítés, mind a rendszerhasználat természetesen speciális elméleti és gyakorlati ismereteket kíván; ezek megszerzésében a rendszergyártók (pl. ORACLE, SAS) ilyen célú tanfolyamok megtartásával nyújtanak támogatást 3.4 A döntéstámogató rendszerek fejlesztése Az információrendszerek fejlesztésének módszertana14 közvetlenül nem alkalmazható DTR-ek kifejlesztésére. Ennek oka fıképpen a prototípus technika elınyös alkalmazásában keresendı, amelyre jellemzı a tervezés és az implementáció párhuzamos elvégzése. Egy DTR fejlesztésének folyamata, a fejlesztés öt lépése: 1. Igényfelmérés, feladatspecifikálás: a DTR céljainak meghatározása, szükségletek felmérése és kielégítésük lehetıségeinek felmérése – megvalósíthatósági tanulmány készítése (technikai, költségelemzı, projektvezetési kérdések stb vizsgálatával) 2. Elemzés: koncepcionális tervezés,

normatív definíciók meghatározása a rendszerre vonatkozóan (ha vannak) Jellemzı kérdések, amelyeket itt meg kell válaszolni: KIK lesznek a felhasználók? MI CÉLBÓL, valamint HOL, MIKOR és MIÉRT fogják használni a rendszert (az emberek konzervatívak)? 3. Tervezés (vagy rendszerspecifikálás): annak meghatározása, hogy a rendszer HOGYAN fog dolgozni – minden részletre kiterjedıen (hardver, szoftver, hálózat, felhasznált adatbázisok, bemenetek és kimenetek, felhasználói felület stb.) Itt döntenek arról is, hogy milyen szintő technológia felhasználásával építik meg a rendszert (egyedi fejlesztés, keretrendszer vagy generátor, egyéb fejlesztést támogató eszközkészlet használata), és hogy milyen közelítéssel történik a fejlesztés (prototipizálással, lépcsızetesen vagy módszeresen, ld. alább) 4. Implementálás: a rendszer megépítése (kifejlesztése/összeépítése/legenerálása), majd tesztelése, verifikálása és

validálása15, valamint kiértékelése Az eredmény egy futtatható és (talán) hibamentes rendszer 5. Karbantartás, adaptálás: a rendszer iránti igények és/vagy a külsı környezet esetleges megváltozásának figyelemmel kísérése, és az igényelt változtatások, módosítások átvezetése (ha az „még” lehetséges). Egy-egy rendszer fejlesztése részben iteratív jellegő: amennyiben szükséges, a korábbi fázisokban elvégzendı módosítások elvégzésére a 3. – 5 fázisok visszacsatolhatnak a 2 – 4 fázisokra 14 A hagyományos szoftverek életciklus modelljeként ismeretes vízesés-modell a következı lépésekbıl áll: igényfelmérés és feladatspecifikáció, elemzés, tervezés, implementálás, használat és karbantartás. 15 Verifikálás: azt vizsgálja, hogy a kifejlesztett rendszer eleget tesz-e a feladatspecifikációnak, továbbá azt ellenırzi, hogy az implementálás során a fejlesztı nem épített-e bele hibákat a rendszerbe.

Validálás: a szoftverfejlesztés utolsó, minıségellenırzı lépése Itt azt vizsgálják, hogy a rendszer (közbülsı és) végsı következtetései elfogadhatók-e, és hogy a rendszer eleget tesz-e a felhasználó elvárásainak. 24 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI A DTR technológiai szintjei: − Önálló DTR-ek: speciális célra kifejlesztett alkalmazói rendszerek – általában nagy hardver- szoftver- és fejlesztésikapacitás-igénnyel. − DTR-keretrendszerek: többféle (adat- és modell-)kezelı rendszert, modellt és ismeretalapú technikát tartalmazó, valamint fejlesztési szolgáltatásokat tartalmazó olyan eszközkészletek, amelyek felhasználásával könnyen ki lehet fejleszteni az igényelt döntéstámogató rendszert. − DTR-generátorok: olyan eszközök, amelyekkel megfelelı paraméterek megadásával (a keretrendszerek alkalmazásához képest rövidebb idı alatt)

generálhatók döntéstámogató rendszerek. − DTR-eszközök: egyszerőbb, gyakran egycélú programok, amelyeket egyedileg is és összekapcsolva, ill. más rendszerekbe beintegrálva jól fel lehet használni a döntéshozatal során. A DTR-keretrendszereket és –generátorokat professzionális fejlesztı csoportok hozzák létre, kényelmes felhasználói felülettel ellátva azokat; sok DTR-eszköz kapható a kereskedelemben, ill. tölthetı le az internetrıl A szerint, hogy egy DTR-alkalmazás kifejlesztésénél melyik technológiát alkalmazzuk a fent felsoroltak közül, módosulhat a fejlesztés folyamata (bizonyos lépések egyszerősödhetnek – de nem maradhatnak ki!). A DTR fejlesztés megközelítései: − Prototipizáló fejlesztés: iteratív jellegő fejlesztés, amelyet akkor alkalmazzuk, amikor az igények és a megvalósítási lehetıséges találkoznak, ill. amikor sürgıs szükséghelyzet van (részletek ld alább) − Lépcsızetes fejlesztés: alapos

felmérés után, számolva a késıbbi esetleges adaptációs igényekkel, továbbfejleszthetı rendszer kifejlesztése. (Tehát amikor nem lehetséges és/vagy nincs igény a gyors fejlesztési megközelítésre) − Módszeres DTR-fejlesztés: nagy volumenő, önálló DTR-alkalmazás vagy -keretrendszer, -generátor fejlesztése, hosszú távú megoldások és kiérlelt fejlesztési módszertan alkalmazásával. A végfelhasználói fejlesztés leggyakrabban prototipizáló közelítéső, míg a professzionális fejlesztıi csoportok inkább a módszeres DTR-fejlesztést szokták alkalmazni. Prototipizálás16, mint szoftver-készítést támogató technika: segít abban, hogy felhasználói szemmel, esetleg technológiai szempontból kísérletet végezzünk a rendszer egy csökkentett funkcionalitású, egyszerősített változatán. A prototípusok felfoghatók az emberek közötti olyan kommunikációs csatornáknak, amelyek nagyszámú és sokféle döntést közvetítenek a

másik fél (a vezetı, a tervezı, a rendszerfejlesztı, a felhasználó stb.) felé A prototípus technika alkalmazása a szoftver-fejlesztésnél általában: − a rendszerrel szemben támasztott követelmények meghatározásánál, − egy lehetséges megoldás megtervezésénél, − a felhasználónak a fejlesztésbe való aktív bevonására, − a fejlesztés résztvevıi együttmőködési készségének eldöntésére, − a felhasználói és egyéb felületek, szolgáltatások kikísérletezésére, − a rendszernek az alkalmazói környezetre való hatásának vizsgálatára, − a külsı környezeti változások környezetre való hatásának vizsgálatára, − segédeszközként a felhasználók betanítására, − marketing célú demonstrációk tartására. A prototipizáló fejlesztés elınyei a DTR-ek fejlesztésénél: − lerövidíti a fejlesztési idıt, − lerövidíti a felhasználó válaszreakciójának idejét (gyors visszacsatolások érkezhetnek a

felhasználótól), − segíti, hogy a felhasználó jól megértse a rendszer mőködését, adat-igényeit és a rendszer lehetıségeit, − kifejlesztési költsége alacsony. A prototipizáló fejlesztés hátrányai a DTR-ek fejlesztésénél: − ha „összemos” néhány fejlesztési lépést, a fejlesztés átgondoltsága sérülhet, − az elızı hátrányból következıen a kifejlesztett rendszer élettartama és eredményessége csökkenhet. 16 Prototípusokat régóta készítenek az emberek; ipari környezetben sokszor kötelezı termék-elıállítási lépés. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 25 GMF NIK SzTI 4. Döntési modellek és technikák A következıkben a modellkezelı alrendszer által kezelt modellbázis elemeirıl, az azokban alkalmazott technikákról lesz szó. A [Turban 2001] könyv bevezetésképpen a következı modell-kategóriákat sorolja fel: 1. Kevésszámú alternatívával

rendelkezı problémák optimalizálása: a legjobb megoldás keresése kevésszámú alternatívák terében Technikák: döntési táblák, döntési fák 2. Algoritmusokkal történı optimalizálás: nagy- vagy végtelen számú alternatívák terében lépésenként finomító eljárással a legjobb megoldás keresése. Technikák: lineáris vagy nemlineáris modellek, hálós modellek. 3. Analitikus formulával történı optimalizálás: formula felhasználásával, egy lépésben történı optimalizálás Technikák: néhány leltár-modell 4. Szimulációs modellek: egy elég jó vagy a legjobb megoldás keresése gyakorlati eszközökkel ellenırzött alternatívák között Technikák: többféle szimulációs technika 5. Heurisztikus modellek: (heurisztikákat megtestesítı) szabályok alkalmazásával egy elég jó megoldás keresése. Technikák: heurisztikus programozás, szakértı rendszerek 6. Egyéb modellek: „mi van akkor, ha” (what-if”) eset megoldása

formula segítségével Technikák: pénzügyi modellezés, várakozási sorok. 7. Elırejelzı modellek: egy adott forgatókönyv jövıjének megjósolása Technikák: elırejelzı modellezés, Markov-analízis. Mindenek elıtt különbséget kell tenni a statikus és a dinamikus modellek között. 1. Statikus modell: egy szituáció egyszeri pillanatfelvételét nyújtja; minden egy szők intervallumon belül történik. Példák: megvegyek/ne-vegyek-meg egy terméket; negyedéves/éves bevételek kimutatása; befektetési döntés meghozatala A legtöbb statikus döntéshozatal feltehetıen azonos feltételek mellett többször megismétlıdik, amelynek során a releváns adatok stabilan megmaradnak. 2. Dinamikus modell: egy idıben változó forgatókönyvet ábrázol Példa: 5-éves haszon és veszteség kivetítése, amelynek során a bemenı adatok (költségek, árak, mennyiségek stb) évrıl-évre változnak A dinamikus modellek idı-függıek; itt idıbeli elırejelzésre

van igény E modellek idıbeli mintákkal, trendekkel dolgoznak, átlagokat számolnak, összehasonlító elemzéseket végeznek A statikus modellekhez képest e modellek sokkal bonyolultabbak; megoldásuk olykor nem lehetséges. A döntéshozási tevékenység második fázisában történik a modell kidolgozása. Minden esetben (a matematikai modelleknél kötelezı módon) meghatározzuk a probléma reprezentálásához szükséges − döntési változókat, − csupán a külsı körülményektıl függı, ezért ellenırizhetetlen változókat vagy paramétereket (ilyenek pl. az inflációs ráta, a nyersanyagár) − eredményváltozókat, valamint − az egyes változókra, változó-párokra stb. vonatkozó korlátozásokat Ennek során már kirajzolódik, hogy milyen modellel lehet jól visszaadni a probléma külsı/belsı szerkezetét. Bizonyosság, bizonytalanság és kockázat kezelés igen fontos kérdései a döntéshozatalnak, így a modellalkotásnak is. Vannak teljes

bizonyossággal kezelhetı döntési szituációk; a pénzügyi modellek ilyen alapon dolgoznak (jóllehet a piacon semmi sem 100 százalékos) Vannak bizonytalan, vagy „nem teljesen bizonyos” szituációk; ilyen pl egy diagnosztizáló probléma (a szabályalapú szakértı rendszerek képesek az ilyen helyzeteket kezelni) A legtöbb üzleti döntés olyan, hogy ismerjük a jövıbeli események aktuális valószínőségét; ekkor alkalmazhatók a kockázatelemzés technikái (A bizonytalan jövıbeli szituációkat figyelembevevı döntéseknél csak becsülni tudjuk a kockázatot!) A döntési modellekben használt fontosabb technikák, eszközök [Turban 2001]: hatásdiagramok, számolótáblák, döntési táblák, döntési fák, lineáris programozás, heurisztikus programozás, szimuláció, többdimenziós modellezés, vizuális interaktív modellezés, kvantitatív szoftver csomagok és modell-alapú menedzsment. A következıkben sorra vesszük ezeket (a közölt

Internet-címek az adott idıben még érvényesek voltak): 4.1 Hatásdiagramok (influence diagrams) A modell egymással kapcsolatban lévı változói a kapcsolat jellegére utaló formájú, irányított élekkel vannak összekötve (bizonytalan, véletlenszerő, preferált stb. kapcsolat) A fa-szerő struktúrába rendezett hatásdiagram részletezettségének mértékét a modellalkotók igényük szerint határozzák meg A kereskedelemben sok hatásdiagramot kezelı, grafikus rendszer kapható; ilyenek pl. ([Turban 2001]): − Analitica (www.luminacom), − DecisionPro (www.vanguardswcom – demó verzióval), − DATA Decision Analysis Software (www.treeagecom – demóval), − Definite Scenario (www.definitivesoftwarecom – demóval), − Precision Tree (www.palisadecom – demóval) 26 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI 4.2 Számolótáblák (spreadsheets) Flexibilis, könnyen kezelhetı modellezést

tesznek lehetıvé. Ezek a legnépszerőbb végfelhasználó-modellezı eszközök. Beépített modellezési lehetıségeik: pénzügyi, statisztikai, matematikai (pl lineáris programozás, regresszió analízis) és egyéb modellek köre. A leginkább használatos, széles körben ismert számolótáblák: − Microsoft Excel, − Lotus 1-2-3. 4.3 Döntési táblák (decision tables) A legegyszerőbb, legalapvetıbb – és legközismertebb – módja az információ szisztematikus szervezésének. Egy döntési tábla az adott döntési szituációt leíró állapotfeltételek, valamint az ezek megléte esetén szükséges tevékenységek tetszıleges kombinációinak ábrázolására szolgáló táblázat. Egy döntési tábla egy-egy oszlopa egyegy döntési, ellenırizhetetlen vagy eredményváltozó számára van fenntartva, míg egy-egy sorában az adott változók összetartozó értékei kapnak helyet Egy döntési tábla alkalmazása elıtt elemezni kell a tábla

teljességét, ellentmondás-mentességét és redundancia-mentességét. A döntésnél figyelembe szokták venni azt, hogy az oszlopokban található értékek mennyire valószínőek (teljes bizonyosság esetén a legjobb megoldás választható), mennyire bizonytalanok vagy mennyire kockázatosak. A probléma itt az, hogy nem tudjuk a táblázat alapján ránézésre eldönteni, hogy pl. mely attribútumok hagyhatók el anélkül, hogy a döntés eredménye ne változzon (Példa: egy befektetési döntés, [Temesi 2002].) – A számolótáblák döntésitábla-reprezentációra épülı eszközök 4.4 Döntési fák (decision trees) A döntési táblák grafikus, alternatív és kompakt reprezentálási változata, amely – az oszd meg és uralkodj (devide-and-concuer) megközelítéssel – konzisztens módon írja le a problémát. A fa csúcsai egy-egy (döntési vagy ellenırizhetetlen) változóértéket tartalmaznak, levelei eredményváltozó-értéket. A fa gyökerétıl

a levelekig vezetı utakról leolvashatjuk az egyes döntési szabályokat. Ugyanakkor már nem túl nagy vizsgált attribútum halmazra is nehezen értelmezhetı, hatalmas mérető és két dimenzióban nehezen ábrázolható fához juthatunk a különbözı attribútum értékek vizsgálatakor. (Döntési fákkal a szakértı rendszereknél még fogunk találkozni a példák alapján tanuló, induktív technikáknál.) Ismertebb döntési fákat kezelı döntéstámogató eszközök pl: − DATA (www.treeagecom), − Precision Tree (www.palisadecom) 4.5 Lineáris programozás (linear programming) A lineáris programozás a matematikai programozás speciális esete. A matematikai programozás olyan menedzseri problémák megoldásával foglalkozik, amelyek esetén arról kell dönteni, hogy szőkös forrásokból hogyan jutassunk az egymással versengı fogyasztóknak úgy, hogy egy elıre kitőzött, mérhetı célt optimalizáljunk. A lineáris programozás egy lineáris egyenlet-

vagy egyenlıtlenségrendszer fölött próbálja egy lineáris célfüggvény értékét optimalizálni. Egy lineáris programozási feladat részei: − x1, x2, xn döntési változók, amelyek értékét keressük (pl. egyes termékfajtákból elıállított mennyiségek), − f = c1x1+c2x2++cnxn (lineáris) célfüggvény, amely a döntési változók optimalizálandó függvénye; itt az xi döntési változó ci együtthatója a termék egységnyi mennyiségnek „hozzájárulása” az optimalizálandó célfüggvény-értékhez (ha ez az egyes termékekhez tartozó fajlagos nyereség, a célfüggvény a teljes termeléshez tartozó összes nyereség), − a11x1+a12x2++a1nxn = b1 a21x1+a22x2++a2nxn = b2 . am1x1+am2x2++amnxn = bm xi ≥ 0 (i=1,2,,n), korlátozások, amelyek lineáris egyenlıségek vagy egyenlıtlenségek formájában fogalmazzák meg az egyes termékek egységnyi mennyiségének a j. (j=1,2,,m) forrásból igényelt mennyiségét (Ha a bj konstansok

kapacitásadatok, akkor az aij együtthatók az i termék egységének elıállításához a j kapacitásból igénybe vett mennyiségek.) A lineáris programozási feladatok megoldására leggyakrabban eddig a szimplex módszert használták, amely véges sok lépésben vezet megoldáshoz. A matematikai programozásra, különösen pedig a lineáris programozásra szabványos eljárások, programok állnak rendelkezésre Ilyen alapú optimalizáló függvények igen sok DTR rendszerben (pl. az Excel-ben) használhatók Legismertebb lineáris programozási modellek ([Turban 2001]): − Lindo – lineáris- és egész programozást támogató rendszer − Lingo – a Lindo nemlineáris programozási lehetıségekkel bıvített változata (www.lindocom, demo letölthetı) – [Schrage 1997] Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 27 GMF NIK SzTI 4.6 Heurisztikus programozás (heuristic programming) Ezek gyakorlati tapasztalatokat

megfogalmazó heurisztikák alkalmazásával elfogadható vagy „elég jó” megoldást szolgáltató programok, amelyeket általában bonyolult vagy zárt formulákkal nem leírható problémák megoldására használnak. Heurisztikákkal leírhatunk kvantitatív, ill kvalitatív összefüggéseket is – melyek fontos szerepet játszanak a DTR, ill. SZR rendszerekben Ismertebb heurisztikus módszerek a tabu keresés és a genetikus algoritmusok (ezekkel már foglalkoztunk az MI keresési stratégiái témakörön belül) Jóllehet a heurisztikákat nem-jól definiált feladatok megoldásában használják, a jól-strukturált feladatok esetén az optimalizáló módszereknél gyorsabban és olcsóbban vezetnek kielégítı megoldáshoz (fıleg a sok-alternatívás feladatoknál, ahol is az optimalizáló megoldás kombinatorikus robbanáshoz vezethet). A heurisztikák, mint az emberek gyakorlati tapasztalatai során keletkezett ismeretek, igen fontos szerepet játszanak a

döntéshozatal során. Mint az 1 fejezetben már említettük: egy heurisztika alatt olyan problémamegoldó módszert értünk, amely ismételt próbálkozásokból eredı (gyakorlati) tapasztalatokon alapszik, vagy találékonyságra, ill. korábban átélt szituációra támaszkodik (pl egyszerősítı feltevés, ökölszabály) Vigyázni kell azonban a heurisztikák alkalmazásával, mert közülük igen sok hely- és idıfüggı (ld. alább)! Szabályok és heurisztikák; a heurisztikák hely- és idıfüggı természete: A heurisztikák kézenfekvı kifejezési formái a feltételes mondatok. Pl „A húsokhoz, a borjúhús kivételével, leginkább a vörös színő borok mennek.” Ezt az [M1,1986]-hez tartozó oktató lemez egyszerő szabályalapú szakértı rendszer17 ismeretbázisában a következı szabályként tartalmazza (fájlnév: Bor-szrdoc): if fı-étel = hús and van-borjúhús = nincs then legjobb-szín = vörös cf 90. Ez a szabály azt mondja, hogy „90

százalék bizonyossággal” áll fenn a szabályban megfogalmazott állítás (cf: certainty factor, az M1 szabályalapú keretrendszer bizonytalansági tényezıje, ε [0,100]). A szabályalapú rendszerek esetében mindent szabályokkal (esetleg szabályokból hívott eljárásokkal, vagy a szabályok kiválasztását és alkalmazását vezérlı ún. metaszabályokkal) írunk le A feladat leírását megfogalmazó szabályok kétféle típusát különböztetik meg (ld pl [Sántáné-Tóth 2000]): Definíciós szabály, amely kifejezések közötti kapcsolatot állapít meg, azok közötti relációt valósít meg. Példa részosztály-osztály relációra: if lakóhelye = Budapest then hazája = Magyarország. Heurisztikus szabály, amely nem teljes bizonyossággal állít kifejezések közötti kapcsolatot, pl.: if lakóhelye = Budapest and neme = nı then cipımérete < 42 cf=90. Ez utóbbi szabály heurisztikus jellegő összefüggést állapít meg, és

érvényességének bizonytalan voltát explicit módon ki is fejezi a 90 értékő bizonyossági tényezıvel. (Teljesen bizonyos esetben ez az érték 100 lenne, míg így csak „majdnem biztos”.) Ráadásul ez a bizonyossági tényezı erısen függ a helytıl és az idıtıl. Berlin esetében ez pl 70 lenne, mivel a német nık közismerten „nagyobb lábon élnek”, mint a budapestiek. Ha pedig maradunk Budapesten, de visszamegyünk 200 évvel, értéke már 99 lenne, ugyanis eleink lábmérete igen kicsi volt Látható tehát e heurisztikus szabály hely- és idıfüggı természete A fenti heurisztikus szabály explicit módon jelzi, hogy bizonytalan a benne megfogalmazott állítás. Azonban egy gyakorlati szintő ismeretanyagából származó heurisztikát megtestesítı szabály értelemszerően bizonytalan jellegő, akár jelzi ezt bizonyossági tényezı, akár nem! Mikor használjunk heurisztikákat? Akkor, ha − a bemenı adatok nem pontosak, vagy pedig

korlátozottak, − a tényleges feladat olyan bonyolult, hogy az optimalizáló modellek közül egy se alkalmazható, − megbízható, egzakt megoldó algoritmus nem áll rendelkezésre, − a feladat olyan értelemben bonyolult, hogy nincs hatékonyan futó optimalizáló modell, vagy elfogadható idın belül lefutó szimulációs modell, − egy optimalizáló modell hatékonyságát lehet javítani (pl. „jobb” megoldásokból kiindulva), − inkább szimbolikus, mint numerikus jellegő a feladat (mint SZR-ek esetén), 17 Az ún. szabályalapú rendszerek olyan ismeretalapú rendszerek, amelyek ismeretbázisukban akkor-ha vagy ha-akkor (then-if vagy if-then) szabályokat tartalmaznak, és következtetı gépük a feladatmegoldás során szükséges következtetési lépéseket e szabályok közül egynek a kiválasztásával, majd annak végrehajtásával végzik. 28 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI

gyors döntésekre van szükség, amelyek számítógépre nem vihetık (vannak számítógépes megoldást nem igénylı heurisztikák). A heurisztikák használatának fıbb elınyei: − egyszerőek, így könnyen megérthetık és könnyen megvalósíthatók és magyarázhatók, − segítenek az emberek kreativitásának gyakoroltatásában – és más feladatoknál alkalmazható heurisztikák kidolgozásában, − az ismeretek formalizálására fordított idıt meg lehet spórolni, − nem kell beprogramozni azokat (csak deklaratív módon szabályokkal leírni), és nem kell a tárigénykövetelményeket számba venni, − csökkenthetı a számítógépes futási idı – így a döntéshez szükséges idı is; sok feladat olyan bonyolult, hogy heurisztikák alkalmazása nélkül meg sem oldhatók, − gyakran szolgáltatnak több elfogadható megoldást, − rendszerint meg lehet állapítani a megoldás minıségének elméleti vagy gyakorlati mértékét (pl. hogy milyen

„közel van” a kapott megoldás a – nem ismert – optimális megoldáshoz), − biztosíthatja a keresés intelligens vezérlését (pl. a tabu keresésnél), − gyakran inkább lehet heurisztikus módszerrel dolgozni, mint matematikai programozási módszerekkel (olykor elınyben részesítik a heurisztikus módszereket, míg máskor matematikai programozási módszerek kiinduló megoldásainak elıállítására használják azokat). A heurisztikák használatának fıbb hátrányai: − nem garantálnak optimális megoldást; gyakran attól igen „távoli” megoldást adnak, − a szabályokhoz gyakran túl sok kivétel tartozik, − az egyes szabálycsoportok elemei – mint alternatív lehetıségek – közötti döntés késıi hatása meghiúsíthatja a szekvenciális döntés-sorozatok megvalósítását, − egy szabálycsoport elemeinek kölcsönösen egymástól való függıségei gyakran az egész rendszerre mély hatással lehetnek. − 4.7 Szimuláció

(simulation) A szimulációs technika (sokféle) technika valamely fizikai rendszer viselkedésének utánzására. Tehát szigorú értelemben véve a szimuláció nem módszer, mivel (csak!) utánozza a valóságot. Más meghatározás: a szimuláció a tapasztalatok irányításának technikája. A szimuláció magába foglalja a valós világnak megfelelı modell kidolgozását, annak tesztelését és érvényesség-vizsgálatát, a futtatások megtervezését, a modell ismételt és irányított futtatását és a futási eredmények kiértékelését. Mint döntéstámogató technika, a döntés specifikus értékeinek vagy a modell ellenırizhetetlen változói értékeinek tesztelésére, valamint ezen értékeknek a kimenı változók értékére gyakorolt hatásának figyelésére alkalmas. Inkább leíró, mint normatív jellegő – optimális megoldást nem tud adni, bár számítógéppel támogatott változatai képesek arra, hogy számos megoldás közül kiválasszák

a legjobbat. Használata akkor célszerő, a probléma bonyolultsága miatt az optimalizáló technikák nem alkalmazhatók Megkülönböztetünk kvantitatív és kvalitatív szimulációt: − a kvantitatív szimuláció fizikai rendszerek vagy eszközök egzakt viselkedését utánozzák, azok minden jellemzı paraméterét teljes körően és meghatározott módon leírva, − a kvalitatív szimuláció a viselkedést nem egzakt módon utánozza: azt határozza meg, hogy bizonyos általános korlátozások mellett a fizikai rendszer vagy eszköz milyen lehetséges (általános jellemzıkkel megadható) állapotokba juthat. 4.8 További döntési technikák További döntési technikákat késıbb, a felsıvezetıi döntéstámogató rendszerek (FVIR), ill. az adatbányászat tárgyalásánál még fogunk említeni, pl.: − többdimenziós modellezés: itt 3 vagy annál több dimenziós megjelenítésrıl van szó (a számolótáblák tipikus kétdimenziós modellek), −

vizualizációs technikák (vizuális interaktív modellezés, vizuális interaktív szimuláció): számítógépes grafikai megjelenítéssel segítik a felhasználót, szimuláció esetén mintegy szemünk elıtt változik a modell viselkedése (a vizualizáció elımozdítja a döntéshozó intuícióinak mőködését). Pl ([Turban 2001]): Orca Visual Simulation Environment (www.orcacomputercom – demóval) animált vizuális interaktív szimulációk reprezentatív litája: www.prenhallcom/turban − kvalitatív szoftver csomagok: statisztikai, pénzügyi, könyvelési és vezetéstudományi témájú „készregyártott” szoftver csomagok (pl. OLAP-nál nyernek tág alkalmazást, ld késıbb), − modell-alapú vezetıi rendszerek: a modellszervezés strukturális és algoritmikus részleteit megszervezik és a kapcsolódó adatbázis-feldolgozásokat átláthatóvá teszik a felhasználó elıtt, továbbá támogatják a modellek integrálását. Sántáné-Tóth E.:

Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 29 GMF NIK SzTI 5. Csoportos döntéstámogató rendszerek A döntéseket legtöbbször nem egy ember, hanem döntéshozók csoportja hozza meg – tárgyalás, alkudozás, megegyezés stb. sorozatával Nézzük meg elıször a csoportmunka fıbb jellemzıit: − a csoport egy feladaton dolgozik – a feladat gyakran döntéshozói jellegő, de nem kötelezıen az, − a csoporttagok lehetnek különbözı helyen, − a csoporttagok dolgozhatnak különbözı (nem azonos) idıben, − a csoporttagok idıszakonként tartozhatnak a csoporthoz, vagy tartozhatnak különbözı szervezetekhez, − a csoport lehet állandó vagy idıszakos, − a csoport lehet vezetıi szintő vagy ettıl függetlenül szervezve, − a csoportmunkában megjelenhet szinergia (együttmőködés) és/vagy konfliktusok, − a csoportmunka produktivitása lehet hasznos és/vagy veszteséges, − a közös feladatot lehet, hogy együtt nagyon

gyorsan megoldják (gyorsabban, mint egy ember), − nem lehet – vagy nagyon költséges – az összes csoporttagot egy helyre összevonni, − a munkához szükséges adatok, információk vagy tudás forrása lehet többféle, lehet belsı/külsı, − a csoportmunka gyakran igényli csoporton kívüli résztvevık szakismeretét. Fontos megjegyzés: egy közös döntéshozatalra szervezıdött csoport minıségileg más, mint tagjainak együttese. A csoport-tagok egyéni preferenciáiból pl nem lehet semmiféle aggregációs számítással elıállítani a csoport preferenciáit – ezt mondja ki az Arrow-féle lehetetlenségi tétel (ld pl [Temesi 2002]) A csoportmunka részvevıinek, amennyiben különbözı helyen és idıben dolgoznak, szükségük van arra, hogy kommunikáljanak, hogy együttmőködjenek, és hogy többféle formában elérhessék a szükséges információforrásokat. A hatékony együttmőködéshez megfelelı kommunikációs módszerek és technológiák

szükségesek – Internet, e-mail stb. Megjegyezzük, hogy az emberek közötti közvetlen kommunikációnak kb 50%-a érzelmek által vezérelt, nem-verbális. Ilyenek a beszédet kísérı arckifejezés, a testbeszéd, a hangsúly, az elıadásmód, az érintés, a partnerek közti távolság és annak változtatása stb. A számítógéppel támogatott kommunikációnál ezek jó része elvész, míg a kreativitás szintjének emelése és az ötletgenerálás új módozatai kerülnek elıtérbe. A csoportos vagy szervezeti18 döntéshozatal olyan csoportmunka, amely elosztott jellegő, és konszenzusra törı tevékenység. A [Kı 1997] a következı meghatározást adja: Egy csoportos döntéstámogató rendszer (Group Decision Support System, GDSS) olyan számítógépes információrendszer, amely képes nem jól-strukturált problémák megoldásához segítséget nyújtani döntéshozók együtt dolgozó csoportjának. Egy csoportos DTR-t hardver, szoftver, az alkalmazott

döntéstámogató módszerek és az emberi résztvevık jellemezik A hardver és a szoftver felé az igény az, hogy támogassa a döntéshozó csoport tagjainak kommunikációját, véleménycseréjét, ill. egymás eredményeinek megismerését Ezen igények pontosabban: − a csoporttagok szavazatainak, véleményének, modelleredményeinek numerikus és grafikus összegzése (fontos lehet az átlag mellett az eloszlás is!), − az egyes döntési alternatívák közös értékelése, az ötletek anonim győjtése és szelektálása, csoportvezetı választás és más konszenzust igénylı akciók lebonyolítása, − az információk és ismeretek összes formájának továbbítása a csoporttagok között, ill. információcsere a csoportos DTR adatbázisával, információ- és ismeret-forrásaival. Az alkalmazott módszerek magukba foglalják a csoport tagjainak interakciójára, eljárásrendjére vonatkozó szabályokat is. Fontos szerepe van a csoport moderátorának, aki

a rendszer zökkenımentes, hatékony felhasználásáért felelıs Minden csoportos DTR a DTR szokásos szolgáltatásait nyújtja, kiegészítve azokat a fent felsorolt kommunikációs, szavazási, értékelési, konszenzust támogató, valamint egyéb kiegészítı szolgáltatásokkal. A csoportos döntéstámogatás költsége magasabb, mint ez egyedi DTR-eké. Ezért korábban csak kormányzati és nagyvállalati körben volt lehetséges érdemi csoportos DTR-ek kialakítása és használata. Ilyen szoftverekre példák a [Turban 2001]-bıl: Microsoft NetMeeting, Novell GroupWise, GroupSystems. A Meta-Group által készített felmérés szerint a vállalati portált („kaput”) építı cégek 70 százaléka tervezi, hogy csoportmunkatámogatást alakít ki a portálon – ez csökkenti az üzleti folyamatok támogatásával járó koordinációs költséget is A 4.1 ábrán példaként bemutatjuk a GroupSystems for Windows csoportos döntéstámogató rendszer felépítését A

jobboldal felsı dobozában található eszközök: − Elektronikus ötletbörze: összegyőjti az ötleteket, és azokat nem-strukturált formában tárolja. A részvevık egymástól függetlenül (párhuzamosan) és névtelenül adhatják meg ötleteiket − Téma-kommentáló: a listába szedett ötletekre, témákra adott résztvevıi megjegyzéseket összegyőjti. 18 Itt szervezetnek nevezzük egyének olyan, normatív vezetési renddel irányított csoportját, amely változó környezetben viszonylag folyamatosan és stabilan áll fenn, és amely információs rendszert felhasználva tevékenykedik bizonyos szervezeti célok érdekében. 30 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI Csoport-vázlatoló: a témák többszintő listájának fa- vagy egyéb struktúrában való megjelenítését, valamint megjegyzésekkel való ellátását biztosítja. − Osztályozó: az ötletek (és a hozzájuk főzött

megjegyzések) listájának generálása után az ötletek osztályozását támogatja. − Szavaztató: A csoport kiértékelési folyamatában a konszenzust támogatja – több szavazási módszerrel. Az eredmény grafikusan ábrázolható és/vagy statisztikus adatai megjeleníthetık. − Alternatívák elemzése: a csoportos döntéshozatalra jellemzı többszempontú elemzést támogatva biztosítja, hogy az alternatívák listáját a részvevık összevessék a megadott kritérium-listával. Végre lehet hajtani „mi-van akkor, ha” („what-if”) elemzéseket – a kritériumok súlyának mérlegelése mellett − Szemle: lehetıvé teszi egy on-line kérdıív kidolgozását, adminisztrálását és elemzését. − Tevékenység-modellezés: felhasználóbarát módon támogatja a szimultán üzleti folyamatok újratervezésének modellezését. Csoport-források: − Emberek: a részt vevı emberek, háttér- információikkal/ismereteikkel együtt. − Fehérasztal: a

csoport rendelkezésére álló rajzoló és jegyzetelı szolgáltatás. − Kéziratok: a csoport tagjai által nézhetı anyagok. − Vélemény-mérlegelı: felmérı jellegő vélemények esetére gyors, egyszerő szavazási lehetıség. Egyedi források: − Aktatáska: általánosan használt alkalmazások (szövegszerkesztı, számológép, e-mail stb.) − Személyes megjegyzések: személyes megjegyzések kezelése. − Esemény-monitor: a résztvevıket tájékoztatja az új eseményekrıl és információkról. − Tevékenységek Ötletgenerálás Eszközök Elektronikus ötletbörze Téma-kommentáló Csoport-vázlatoló Fehérasztal Ötlet-szervezés Osztályozó Fehérasztal Prioritások meghatározása Szavaztató Alternatívák elemzése Szemle Vélemény-mérlegelı Az ülés moderáatora Értekezletmenedzser Cél-kidolgozás Ismeret-összegyőjtés és reprezentálás Szervezeti memória Tevékenység-modellezés Alternatívák elemzése Emberek Kéziratok

Aktatáska Személyes megjegyzések Esemény monitor 4.1 ábra: A „GroupSystems for Windows” csoportos döntéstámogató rendszer felépítése A csoportos döntéstámogató rendszerek jellemzı változatai – csoportos DSS-technikák: − Döntési terem: a hagyományos tárgyalóterem elektronikus megfelelıje, ahol minden résztvevınek rendelkezésére áll egy számítógép, amellyel elképzeléseit modellezheti és eredményeit a csoport nyilvánossága elé bocsáthatja. Elıször ez csakugyan egy teremben installált számítógépes rendszer volt, majd kidolgozták pl mozgó (autóbuszos) változatait is − Döntési hálózat: helyi és/vagy távoli hálózat segítségével valósul meg a csoport tagjai és a csoportos DTR közötti kommunikáció. Ehhez nem kell nehezen egyeztetett idıpontban közös tárgyalóteremben ülni. Hátrány: itt nem tud érvényesülni a személyes együttlét eredménynövelı hatása − Távkonferencia: két vagy több

döntési terem összekapcsolása telekommunikációs és informatikai csatornákon. Ezt nagy földrajzi távolságok esetében audió-, ill videó-kommunikációval támogatják − Távoli döntéshozatal: a döntéshozók egyes csoportjainak munkahelye, irodája van felszerelve döntési terem technológiával, és így az egymástól távol lévı vezetık pusztán az idıkorlátokra ügyelve tudnak egymással ad-hoc vagy rendszeres kommunikációt folytatni. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 31 GMF NIK SzTI 6. Felsıvezetıi információrendszerek és OLAP Az 1960-as évek vezetıi információrendszerei (VIR) és az 1970-es évek döntéstámogató rendszerei (DTR) többet ígértek, mint amit teljesíteni tudtak. A VIR-re elıször összefoglaló jelentések kiterjesztett változataként tekintettek, késıbb kezdték jól-strukturált, algoritmizált feladatok megoldásának támogatására használni A DTReket

kezdettıl fogva csak az alacsonyabb szintő vezetık és alkalmazottaik használták A (számítógéptıl általában idegenkedı) felsıszintő vezetık e rendszerektıl távol tartották magukat Ennek oka egyrészt az, hogy nem kaptak számítógépes képzést (idejükbe nem is fért volna be egy hosszabb tanfolyam elvégzése), így hiányoztak tapasztalataik, másrészt úgy gondolták, hogy a számítógép-használat nem tartozik munkakörükbe (az alacsonyabb szintő munkatársak feladata). További szempont a rendszer használatának egyszerősége és rugalmassága közötti átváltás (trade-off): egy egyszerő rendszer nem rugalmas – rugalmas csak egy bonyolultabb rendszer tud lenni, amelynek bonyolultabb a kezelése is. Egy DTR pedig, mivel a kevésbé strukturált feladatok megoldására használják, az utóbbi csoportba tartozik: kezelése csak az avatott szakember számára egyszerő. Nehezítette a problémát az, hogy a rendszerek tervezıi nem nagyon tudták

magukat beleélni a vezetıi gondolkodásba, ami érzıdött is e rendszerek felhasználói felületének kidolgozásán. A felsıvezetıi információrendszerek (FVIR) az elıbb vázolt problémák megoldásaként jöttek létre, majd megjelentek az on-line elemzı-feldolgozó rendszerek (OLAP). Mind az FVIR, mind az OLAP végül is felsıvezetıi információrendszerek; célkitőzésük ugyanaz, azonban az OLAP alapú rendszerek a technológiai fejlıdés magasabb szintjét képviselik. A korábbi, statisztikai számításokat nyújtó korai adatbányász rendszerek a mesterséges intelligencia kutatások eredményeként született, induktív jellegő technikákkal bıvítve már rejtett ismeretek, „tudás” kibányászására is alkalmasnak bizonyultak. Ezután megjelentek az egyes intézményekben meglévı információk, (emberi) tudás tıkeként való kezelését célba vevı tudásmenedzsment rendszerek. Az elıbb felsorolt rendszereket 1989-tıl együttesen üzleti

intelligencia rendszereknek („business intelligence systems” nevezünk (H Dresner, Gartner Group) Ezek alkalmazásával a menedzserek számára széles lehetıségek nyíltak meg 6.1 Felsıvezetıi információrendszerek (FVIR) A felsıvezetıi információrendszerek (FVIR – EIS: Executive Information Systems) jellemzıi: − közvetlenül a felsıvezetık használják, − a felsıvezetık igényeihez vannak szabva (funkcióikban is és felhasználói felületük kiképzésében is), − igény szerint nyomon követik, megszőrik és sőrítik a rendelkezésre álló adatokat, − könnyő hozzáférést biztosítanak mind a belsı, mind a külsı adatokhoz, információkhoz, − grafikusan (grafikonokkal, táblázatokkal) és szövegesen ábrázolják az eredményeket, − nagyon könnyen használhatók: a felhasználóbarát felhasználói felület kezelése könnyen elsajátítható (és nem igényel programozási ismereteket), − a bemenı adatok, információk megszőrve

és összesítve állnak rendelkezésre (a stratégiai döntésekhez szükséges, az egész vállalatra vonatkozó adatok csak így láthatók át jól), emellett − lehetıség van az eredeti adatok megtekintésére is („lefúrás”). A felsıvezetıi információrendszerek – funkcióik és technológiai megvalósításaik szempontjából – egy olyan piramis csúcsaként ábrázolhatók, amelynek legalsó rétegét a tranzakció-feldolgozó rendszerek (TFR), a felette levı réteget a vezetıi információrendszerek (VIR), még eggyel feljebb a döntéstámogató rendszerek (DTR) képezik, amely fölött található a FVIR réteg. Ezt mutatja az 51 ábra bal oldala, ahol a vízszintes vonalakkal határolt rétegek határai (az idı elırehaladtával) egyre jobban elmosódtak: az egymás fölött elhelyezkedı rendszerek jellemzı módon felhasználják az alattuk lévı, egyszerőbb rendszerek eredményeit. A felsıvezetıi információrendszerek (FVIR) felépítése,

használata E rendszerek felépítésére, ill. fejlesztésére számos modell, ill módszer készült A Rockart-Treacy-féle FVIR-modell a legismertebb – és az FVIR rendszerek tipikus jellemzıi itt mind megtalálhatók: 1. Központi cél: Nagymennyiségő, részletes (és összegzett, aggregált) adattömeg biztosítása 2. Közös adatbázis (common core of data): Minden korszerő FVIR szerves eleme egy adatkocka („data cube”). Ez egy sokdimenziós adatbázis, amely fontos üzleti változókra vonatkozó adatokat tartalmaz az idı és a különféle üzleti egységek dimenzióiban Egy adatkocka az adatok kapcsolatainak átláthatóságának és részletezettségük mélységének tekintetében különbözik a szokásos adatbázistábláktól. Sok esetben az adatkockát kiegészítik a versenytársakra, kulcsvásárlókra és a vállalat számára fontos iparágakra vonatkozó adatkockákkal. (Ilyen adatbázisokat külsı forrásból is be lehet már szerezni) 3. Az FVIR

használatnak módszerei: Kétféle alkalmazási mód: (1) a vállalat jelenlegi és jövıbeli helyzetére vonatkozó információk lehívása, (2) a rendelkezésre álló adatok egyéni igényeknek megfelelı elemzése. 4. Szervezeti támogatás: biztosítani kell a felhasználók kezdeti képzését, valamint a használat során a folyamatos konzultációs lehetıséget Nagyobb vállalatnál erre külön szakértıi csoportokat szoktak létrehozni, amelynek további feladata az adatbázis aktualizálása, a rendszer tervezése és továbbfejlesztése 32 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI E IS DSS M IS TPS OLAP T r a n z a k c ió o r ie n t á lt in te g r á lt in fo r m á c ió r e n d sz . 5.1 ábra: A korszerő OLAP rendszerek és a tranzakció-orientált feldolgozás kapcsolata 6.2 Az on-line elemzı-feldolgozó rendszerek (OLAP) Az on-line elemzı feldolgozás (OLAP: On-Line Analytical Processing)

rendszerek – Codd kezdeményezésére – az 1990-es években jelentek meg. A felhasználói igények növekedése és a technológia fejlıdése ugyanis felgyorsította az 51 ábra baloldali piramisának rétegei közötti integrációt A továbbfejlıdés a piramist az ábra jobboldalán látható kétrétegővé formálta: egy modern OLAP rendszer az alatta lévı (egyetlen), „tranzakcióorientált, integrált információrendszerek” réteg fölött helyezkedik el, és annak eredményeit felhasználva dolgozik. E két réteg nem egyszerően a korábbi rétegek összeolvadásával keletkezett: egyrészt nem vettek át minden korábbi elemet, másrészt az új rétegek új funkciókkal is bıvültek (ilyen pl. a magasabb szintő elemzı képesség, az erısen felhasználóbarát megjelentés, az integrált adatbázis használata). Az OLAP rendszerek legfontosabb kiegészítı tulajdonságai (a korai FVIR-megvalósításokhoz képest): 1. Sokdimenziós adatbázis használata

(bár ez a fejlettebb FVIR rendszerekben is megjelent): a hagyományos, kétdimenziós adatbázistábla nem tudja jól megjeleníteni a világot; egy stratégiai döntéshez olykor négy stb. dimenziós ábrázolásra van szükség Ugyanis egy felsıszintő vezetı nem arra kíváncsi, hogy „mennyi árucikket, pl. sampont adtak el tegnap”, hanem olyan kérdéseket tesz fel, hogy „a vállalat adott egységei mennyi normál hajra való sampont adtak el az elmúlt hónapban nagy- és kiskereskedıkön, valamint egyéb eladási csatornákon keresztül”. 2. Kibıvült felhasználói eszközkészlet: DTR- és SZR-elemeket, vagyis a szükséges döntéstámogató- és szakértırendszer-funkciókat az OLAP rendszerek mind beépítve tartalmazzák. Így egy rendszert használva lehet adatokat „kibányászni”, megvalósítási alternatívákat kidolgozni, és azokat elemezni 3. Lefúrás („drill-down”): A felsıvezetınek a stratégiai döntésekhez átfogó adatokra van

szüksége, így összegzett adatokból dolgozik. Adott esetben azonban látni szeretné az alapadatokat is A sokdimenziós adatbázis kidolgozása olyan, hogy biztosítja a lefúrást (a belsı vagy a külsı adatbázis elérésével). 4. A lefúrás grafikus követése: az emberek többsége vizuális típusú, így nagy segítség az, hogy az összegzett adatokból az alapadatokhoz vezetı út grafikus megjelenítésével a vezetı látja az eddig megtett utat A korszerő OLAP rendszerek alapelvei, Codd 12 szabálya Az alábbi, Codd-féle szabályok amellett, hogy az OLAP rendszerek 12 jellemzıjét fogalmazzák meg, egyben sarokpontokat adnak e rendszerek felépítéséhez és fejlesztéséhez. Nézzük ezeket sorra: 1. Sokdimenziós koncepcionális nézet (Multi-dimensional Conceptual View) A vezetık vállalatukat több szempont szerint szemlélik; ezt támogatja a korábban már említett sokdimenziós megoldás (az adatkockákkal) a különbözı dimenziók szerinti

szeleteléssel, válogatással. 2. Átláthatóság (Transparency) A felhasználó tisztában legyen a rendszer mőködésével, képességeivel; csak így tudja hatékonyan felhasználni azt. 3. Hozzáférhetıség (Accessibility) A logikai és fizikai adatmodell együttes kezelésével a felhasználó által kívánt bármilyen adatot, bármilyen erıforrásból elérhetıvé kell tenni (a felhasználónak nem is kell tudnia annak fizikai helyérıl). 4. Egyenletes lekérdezési teljesítmény (Consistent Reporting Performance) A dimenziószám, ill. az adatbázis-méret növelése ne rontsa le a lekérdezési, megjelenítési teljesítményt 5. Kliens-szerver architektúra (Client-server Architecture) A rendszer magja egy intelligens OLAP szerver legyen, amelyhez a kliensek könnyen kapcsolódhatnak. 6. Többdimenziós felépítés (Generic Dimensionality) Az adatbázis minden dimenziója legyen egyenértékő mind struktúrájában, mind mőködési képességében. 7. Dinamikus

ritkamátrix-kezelés (DynamicSparce Matrix Handling) Egy sokdimenziós adatbázis nem tömör: lyukacsos, hiányos mátrixba van strukturálva, ami gyorsítja az adathozzáférést, az adatok több dimenzió alapján történı konszolidálását és elemzését. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 33 GMF NIK SzTI 8. Többfelhasználós támogatás (Multi-User Support) Egyidejőleg több felhasználó is jelen lehet a rendszerben, akik egyszerre használhatják ugyanazt az elemzı eszközt és/vagy vállalati adatokat. A rendszernek a felhasználók igényeit párhuzamosan kell kielégítenie – az integritás és a biztonság fenntartása mellett 9. Korlátlan többdimenziós mőveletek (Unrestricted Cross-Dimensional Operations) Az elemzı eszközök számos olyan képletet, formulát tartalmaznak, amelyek tényezıi a sokdimenziós adatbázis különbözı dimenzióinak elemei. Ezen elemek között különféle (1:1, 1:M,

N:M) kapcsolatok lehetnek. Sem a dimenziók száma, sem az adatok számossága nincs korlátozva A felhasználó a technikai részletekkel ne foglalkozzon – csak ha saját maga akar készíteni pl új képletet, formulát 10. Intuitív adatkezelés (Intuitive Data Manipulating) Az adatok elérését, szelektálását és elemzését a felhasználó számára egyszerővé, természetessé kell tenni. A billentyőzet használatát, ahol csak lehet, kerülni kell (egér használat elınyben) 11. Rugalmas megjelenítés (Flexible Reporting) Az eredmények megjelenítése lehet szöveges, grafikus vagy táblázatos – ezen belül szabványos vagy egyénileg elıírt formátumú. A rendszer legyen képes az összes dimenziót megjeleníteni, továbbá a végeredmény mellett jelenítse meg az ahhoz vezetı utat is 12. Korlátlan számú dimenzió és összegzési szint (Unlimited Dimensions and Aggregation Levels) Felmérések szerint a vállalatok általában 19 dimenziót igényelnek;

egy OLAP eszköz legalább 15, jobb esetben 20 dimenziót kell, hogy kezeljen. Javasolt még az is, hogy minden egyes dimenzióban a felhasználó által definiált összegzési szintek száma korlátlan legyen 6.3 Az OLAP technológiára épített FVIR-ek elınyei, hátrányai és jövıje A felsıvezetıi információrendszerek elınyei (viszonyítva a korábbi helyzethez): − a vezetık munkastílusához igazodnak és nem a vezetıknek kell hozzájuk igazodni; − az információk megszerzése kevesebb idıt és erıfeszítést igényel; − a külsı és belsı források releváns adatait megszőrve (és összegezve) nyújtja; − segít folyamatosan nyomon követni a vállalat tevékenységét, mőködésének hatékonyságát; − elızıek alapján könnyen lehet trendszámításokat végezni; − javul a szervezeten belüli és a környezettel folytatott kommunikáció; − a személyek információcseréje leegyszerősödik és felgyorsul, a földrajzi távolságoktól

függetlenül; − csökkenthetık a vállalati költségek: munkaerı felszabadítás, optimalizált beszerzés, termelés, értékesítés; − a vállalat stratégiai elınyhöz juthat, javulhat a vállalati eredmény és a piaci pozíció. A felsıvezetıi információrendszerek hátrányai (viszonyítva a korábbi helyzethez): − viszonylag új a technológia, így a sikeres fejlesztésre nincs jól következı módszer; − az elızı hátrány miatt a felsıvezetı kockázata nagy egy ilyen fejlesztésnél; − a szükséges adatok nem mindig érhetık el, gyakran rosszul strukturáltak; − akadhatnak olyan speciális problémák, amelyek kezelésére a rendszer nem képes. A felsıvezetıi információrendszerek emberekre gyakorolt hatása: − a vezetık, dolgozók idegenkedése a rendszertıl (a ténytıl, hogy van ilyen rendszer) olykor akadály; − a számítástechnika fejlıdésével változik a felsıvezetık kultúrája, bizalmuk nı az információtechnológiában;

− elgépiesedhetnek és formálissá válhatnak az emberi kapcsolatok (számítógép legyen csak munkaeszköz!). A felsıvezetıi információrendszerek piacáról - [Turban 2001]: − az elsı FVIR-fejlesztést támogató szoftver eszközök az 1980-as évek közepén jelentek meg: Command Center (Pilot Executive Software), Commander EIS (Comshare, Inc.) − az 1990-es évek végén 30-nál több OLAP-terméket árusító cég volt a piacon (pl. ORACLE, Microsoft) Egy gyakorlati tanács: 6-8 milliárd dollár feletti éves árbevétellel rendelkezı szervezet nem élhet meg döntéstámogató rendszer – ezen belül felsıvezetıi információrendszer – nélkül! Nem beszélve az üzleti információrendszerek további két komponensérıl, a korszerő adatbányász rendszerekrıl és a tudásmenedzsment rendszerekrıl. 34 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI 7. Tudásmenedzsment – TM Egy szervezeten belül az

emberi tudásnak mind a három rétege (explicit, implicit és hallgatólagos, ld. korábban) többféle formában is jelen van, és ezzel a jó vezetı tudatosan gazdálkodik. Ebben az értelemben a tudásmenedzsment – a TM – nem új dolog Az új benne az, hogy a tudásban intellektuális tıkét lát, ami így az emberek között cserélıdhet, és növekedhet. Felfogása szerint a tudás egyfajta vagyon („tudásvagyon”), amelynek eredményes kiaknázásához feltétlenül szükséges, hogy az tudatosan létrehozható és birtokolható legyen, és hogy az emberek között szétosztható, újra felhasználható és gyarapítható legyen. Ennek feltétele a tudás összegyőjtése, finomítása, strukturálása, kategorizálása – és állandó gyarapítása A tudásmenedzsment a tudást megpróbálja explicitté tenni (formálisan leírni), hogy az így könnyebben megırizhetı, megosztható és újrafelhasználható legyen. Ezeket a (jellemzıen nem jól-strukturált)

információkat és tudást együttesen szervezeti memóriának nevezzük. Felhasználásukkal hatékony és eredményes problémamegoldás, dinamikus tanulás („szervezeti tanulás”), stratégiai tervezés és döntéshozatal valósítható meg Hogy erre egy szervezet mennyire alkalmas, az függ korábban kialakított kultúrájától (az ún. „szervezeti kultúrától”19), valamint a szervezeti tanulás formáitól és eredményétıl. Minden szervezet számára a legfıbb hosszú távú befektetési forma a tudásmenedzsment. A tudásmenedzsmentbe 1999-ben világszerte 18 trillió dollárt fektettek be; egyes elırejelzések szerint ez 2003-ra 8 trillió dollárra megy fel Továbbiak a [Turban 2001] könyv 9 fejezetében, ill a [Zoltainé 2002] dolgozatban találhatók 7.1 A tudásmenedzsment céljai és folyamata A tudásmenedzsment célja: egy adott szervezetet képessé tenni arra, hogy eredményesebben mőködjön. Ezt a célt szolgálják a szervezeti tanulás

különbözı formái, valamint a szervezeti memória (utóbbihoz ki kell dolgozni és karban kell tartani egy „tudás-tárat”). Mindezekhez megfelelı számítástechnikai támogatás szükséges A szervezeti memóriának két része van. A külsı tudás fıként a versenytársakról szóló, elemzendı és értelmezendı tudás A belsı tudás az alkalmazottak tudása, a kutatási jelentések, marketing anyagok stb mellett a megbeszélések jegyzıkönyvei, help-desk szótárak, információ- és adatbázisok. A szervezeti memória forrásai: 1. egyedi források: a szervezet embereirıl szóló információk, beleértve az egyedi fájlokat és jelentéseket, 2. információs: a szervezeten belül található formális információk, adatbázisok, 3. kulturális: a szervezet tagjainak explicit és implicit tudásszintjeinek tartalma (ld 11pont), 4. transzformációs: a gyakran elıforduló üzleti folyamatok, 5. strukturális: a szervezeti struktúráról szóló formális és

informális információ, 6. környezeti (ökológiai): a szervezet fizikai struktúrája A tudásmenedzsment rendszerek céljai: − A szervezeti kultúra kialakítása. Ennek sokféle módja van: innováció, tanulás, kísérletezés, környezeti hatásokra történı gyors reagálás stb. − A tudás megszerzése, a szervezeti tudás kialakítása. (A szervezeti tudás magja: az alkalmazottak egyedi tudása, üzleti folyamatok, irányelvek-eljárások, paraméterek, specifikációk és/vagy kapcsolatok). − A szervezeti tudás generálása. Ennek az a módja, hogy a döntéshozatalba bevonjuk az érdemi szerepet játszható embereket, és megfelelı eszközökkel inspiráljuk ıket a döntéshozatal során új elképzelések, elméletek kidolgozására. (Az emberek általában szívesebben hoznak egyedi, izolált döntéseket!) − A szervezeti tudás kifejtése, magyarázata – és számítógépre vitele. Nehéz az emberek implicit tudásához hozzájutni; ez szavakkal

elmondható tudás lenne, amit az emberek „maguktól nem mondanak el” (vagy azért, mert természetesnek gondolják, vagy azért, mert nem tudatosan használják). Nehéz ezt a tudásréteget kinyerni az emberekbıl; ha különbözı rávezetı módszerek alkalmazásával sikerül velük kimondatni, az már explicit tudás, ami formalizálható, így számítógépre is vihetı. − A szervezeti tudás szétosztása és újrafelhasználása. Ez kulcsfontosságú szempontja a tudásmenedzsmentnek A megszerzett, generált stb, számítógépre vitt szervezeti tudást hasznosítani kell Fontos, hogy az mindenki által érthetı nyelven legyen leírva, és hogy egy megfelelıen kialakított tudás-tárból elérhetı legyen (vö. szoftver elemek újrafelhasználása) Esetek sokasága tanúsítja ennek hasznát − A szervezeti tudás megújítása. A tudás jellegzetes sajátossága az, hogy mőködtethetı és dinamikus (egy élı szervezethez hasonlóan). A döntéshozóknak a

szervezeti tudást folyamatosan kell a változó környezethez hozzáigazítaniuk – vagyis azt állandóan meg kell újítaniuk 19 Kultúra alatt általában az adott egyedre vagy közösségre jellemzı alapfeltevések mintáit értjük. A szervezeti kultúra a szervezet helyzetét, beállítottságát jelenti – az alkalmazottak közös kultúráját, a mőködtetett technológiát, számítógépeket, szoftvereket stb. Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 35 GMF NIK SzTI Mindezek összegzéseként mondhatjuk, hogy a tudásmenedzsment egy olyan folyamat, amely egy adott szervezetet segíti a mőködéshez szükséges információk és tudás (tanulás stb. útján történı) létrehozásában, azonosításában, kiválasztásában, finomításában, megszervezésében, elterjesztésében és transzformálásában. Mindezek a tudásmenedzsment 6.1 ábrán látható (állandóan körbeforgó) ciklusának egyes lépései során

valósulnak meg Ezt a folyamatot alkalmas tudásmenedzsment rendszerek felhasználásával támogatják 2. Tudás megszerzés 1. Tudás generálás 3. Tudás finomítása 6. Tudás elterjesztés 4. Tudás tárolás 5. Tudás kezelés 6.1 ábra: A tudásmenedzsment ciklusa A TM ciklusa sohasem ér véget. A 61 ábrán látott lépések újra és újra megismétlıdnek a környezethez való alkalmazkodás során. Vegyük sorra e lépéseket: 1. Tudás generálás: új módszerek kidolgozása, szakértelem-bıvítés a technikai tudás fejlıdése során 2. Tudás megszerzés: a (generált) új tudás azonosítása, értékelése és ésszerő reprezentálása 3. Tudás finomítás: a (megszerzett) tudás mőködtetésének biztosítása megfelelı kontextusba helyezéssel 4. Tudás tárolás: a hasznosnak ítélt, mőködtethetı tudás beépítése a szervezeti memóriába 5. Tudás kezelés: a tárolt tudás állandó aktualizálása 6. Tudás elterjesztés: a tárolt tudást a

szervezeten belül mindenki számára elérhetıvé tenni 7.2 Tudásmenedzsment stratégia, tudásmenedzsment rendszer létrehozása Mielıtt egy új módszertant, technológiát bevezetnének egy szervezeten belül, stratégiát kell kidolgozni annak bevezetésére és mőködtetésére. Ez után egy megfelelı módszertan kidolgozása következik, és csak ez után lehet sikeresen implementálni és üzemeltetni a technológiát támogató rendszert. Így van ez a TM esetében is A tudásmenedzsment stratégia kidolgozásának lépései: 1. a jelenlegi és a jövıbeli verseny környezetéhez részletes forgatókönyv (scenario) kidolgozása, 2. a jövıbeli forgatókönyvnek ideálisan megfelelı, jövıbeli szervezet leírása – a leendı elınyök kimerítı elemzése után a sikeresnek látszó szervezeti változtatások megjelölésével, 3. a (leendı) sikeres szervezeti tevékenységhez szükséges tudás azonosítása, 4. a beazonosított tudással rendelkezı egyének

kiválasztása – a szervezeten belül és azon kívül, 5. a szükséges külsı tudásforrások felmérése, 6. a belsı és külsı tudásforrásokat felhasználó szervezet munkájának modellezése a jövıbeli környezetben Amint megvan a TM stratégia, kezdıdhet a tudásmenedzsment módszertan kidolgozása, amelynek lépései: 1. A probléma azonosítása A szervezeti tudás tipikusan elkülönült rendszerekbıl és/vagy egyéb forrásokból érhetı el; be kell azonosítani ezeket a forrás-helyeket. 2. A leendı változtatások kidolgozása A szervezet leendı üzleti mőködésére (annak hogyan-jára) vonatkozó változtatások kidolgozása. 3. A csapat (team) kialakítása Létre kell hozni egy szervezeti szintő tudásmenedzsment csoportot, amelynek feladata a (kísérleti) TM rendszer kidolgozása, implementálása és mőködtetése. 4. A tudásforrások feltérképezése Fel kell térképezni a tudásforrásokat: mik azok, hol vannak, ki birtokolja azokat, és kiknek

van azokra szüksége. E térkép elkészítése után pontosan definiálni kell azokat, prioritásokat kell rendelni hozzájuk, majd meg kell adni azok mőködtetésének alkalmas technológiáját 5. Visszacsatolási mechanizmus kidolgozása Meg kell tervezni, hogy a menedzsment hogyan fogja a TM rendszert használni, és hogyan fog a problémákról visszajelzést adni a rendszer felé. 6. A TM rendszer komponenseinek meghatározása Egy tipikus TM rendszer egy tudás-tárból, egy tudásrészesedést és –győjtést biztosító, egy tudás-visszanyerı komponensbıl, valamint egy tudás-szótárból és egy tartalomkezelı részrendszerbıl áll. Meg kell határozni a konkrét TM rendszer komponenseket 7. A meglévı információrendszerbe való integrálás Ez a lépés nem szorul magyarázatra 36 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI A fenti módszertani lépések elvégzése után hozzá lehet már fogni a

szervezet által igényelt TM rendszer kialakításához. Egy sikeres tudásmenedzsment rendszer implementálásának stratégiái: 1. Megfelelı TM módszertan kidolgozása Példa: az IBM által 1994-ben kidolgozott ICM (Intellectual Capital Methodology) módszertan, amelynek fókuszában a tudás elosztásának és újrafelhasználásának értéke van. 2. A vezetı tudásszervezı (chief knowledge officer) kiválasztása (Fıbb feladatai alább részletezve) 3. A tudás-szakértık (knowledge workers) megfelelı jogosítványokkal való ellátása Minden szervezetben a szakértıktıl származik a tudás, ezért ık a TM rendszer kulcs-komponensei kell, hogy legyenek. 4. Ügyfél-centrikus tudáskezelés Az ügyfelek kielégítésének hangsúlyozása mellett fontos, hogy megtanuljuk szokásaikat, továbbá, hogy tanuljunk szokásaikból 5. A lényeges kompetenciák kezelése Szervezetenként ez eltérı lehet, pl egyedi ügyfeleknek nyújtott elınyök, hatékonyan kombinálva az

emberi tıkével (intellektuális és eszmei vagyonnal), az üzleti folyamatokkal és a szervezeten belüli technológiával 6. Az együttmőködés és innováció támogatása Fontos a csoportmunka, a tanulás, a tudásmegosztás, a bizalom és a rugalmasság – az innováció, emberek közti kreatív kapcsolatok stb 7. Tanulni a legjobb szakértıktıl, szakemberektıl A legjobb szakértık megtalálása és a tılük való tanulás a TM munka hatékonyságát nagyban befolyásolja (formák: szimpózium, konferencia, szeminárium). 8. A tudásforrás-kezelés (knowledge sourcing) megoldása Tudásforrás-kezelés alatt az érték-hozzáadó tudás sikeres elérését és elosztását értjük Itt nagy szerepe van az Internetnek, az intra- és extranetnek 9. A szakértık egymásközti kommunikációjának megszervezése Fontos a belsı és a külsı szakértık kapcsolatainak kiépítése, a szakértık tudásának „jó felhasználása” A belsı szakértık a

problémamegoldásban segítenek, mag a külsı szakértık specifikus kérdésekben tanácsot adhatnak. 10. A tudásvagyon értékelése, errıl beszámoló készítése Fontos, hogy egy szervezet tudja annak mértékét, hogy a TM munka mennyiben járult hozzá az üzleti élet sikerességéhez, bár ennek mérése igen nehéz (ld. pl [Huang 1999]) A vezetı tudásszervezınek (chief knowledge officer) meghatározó szerepe van a TM folyamatának számítógépes támogatásában. Fıbb feladatai: - meghatározza a TM stratégia prioritásait, - létrehozza az adott szervezeten belül a legjobban mőködtethetı tudás-tárat, - egyezteti a vezetıkkel az oktatási környezet támogatásának módját (szervezeti tanulás), - megtanítja az érdekelteket a legjobb és leghatékonyabb információkeresési módokra, - kidolgozza a tudásvagyon kezelésének folyamatát, - közel valós-idıben biztosítja az érdekeltek információ igényét, - közben állandóan szem elıtt tartja

a TM lehetıségeinek egységesülését (globalizációját). 7.3 Tudásmenedzsment technológiák és eszközök A századfordulóban TM célra felhasznált fontosabb technológiák, eszközök (knowware) skálája igen széles. A tudásmenedzsment rendszerekben felhasznált fontosabb technológiák a századfordulón – [Dyer 2000] szerint: - E-mail vagy más üzenetközvetítık 64% (fontossági százalék) - dokumentum-kezelık 53% - keresı motorok 51% - szervezeti szintő információs portál 41% - adattárház 41% - csoportmunkát támogató technológiák 39% - workflow-menedzsment 37% - Web-alapú oktatás 37%. A [Turban 2001] könyv 21 technológiát sorol fel, melyeket a TM rendszerekben elıszeretettel használnak fel (az elızı listán nem szereplık közül ilyenek pl. a kommunikációs hálózatok (Internet, intranet, extranet), az együttmőködést biztosító eszközök (pl Lotus Notes, GroupSystems), a desktop videó-konferenciák, a help-desk alkalmazások, az

adatbányászat és az intelligens ágensek Vannak emellett természetesen kimondottan TM-céllal létrehozott szoftverek is. Ilyen például a DecisionSuite, DataWare, KnowledgeX, KnowledgeShare, SolutionBuilder (néhányat a [Turban 2001] könyv röviden be is mutat). Egy 1999-es jelentés ([Alavi 1999]) szerint a század végi TM rendszerek költsége 25 ezer dollártól 50 millió dollárig terjedt. Egy 2000-es jelentés már 1 és másfélmillió közötti összegrıl beszél (fejlettebb infrastrukturális környezetben kidolgozott, fejlettebb TM rendszerekrıl) Mivel igen sok múlik a megfelelı TM stratégia és módszertan kidolgozásán, meg kell említenünk a sikeres tanácsadó cégeket. Ilyenek a „nagy ötök” (Big Five): Arthur Andersen, Deloitte&Touche, Ernst&Young, KPMG és PricewaterhouseCoopers. A sok további sikeres cég közül kettı: Andersen Consulting és IBM Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 37

GMF NIK SzTI 8. Irodalomjegyzék [Adriaans 2002]: Adriaans, P., Zantinge, D, „Adatbányászat”, Panem Könyvkiadó, Budapest, 2002 (A mő eredeti címe és kiadója: „Data Mining”, Addision Wesley Longman, 1996.) [Barakonyi 2004]: Barakonyi K., „Stratégiai döntések – Második kiadás”, Strategy-XL BT, Pécs, 2004 [Fajszi 2004]: Fajszi B., Cser L, „Üzleti tudás az adatok mélyén – Adatbányászat alkalmazói szemmel”, BMGE GTK Információ- és Tudásmenedzsment Tanszék, Budapest, 2004. [Ferenczi 1999]: Ferenczi Z., Jámbor A, Nagy Z és Raffai M (szerk: Raffai M), „Döntéselıkészítés – Esettanulmányok, példatár”, Novadat kiadó, Gyır, 1999 [Futó 1999]: Futó I. (szerk), „Mesterséges Intelligencia”, AULA Kiadó, Budapest, 1999 [Gábor 1997]: Gábor A. (szerk), „Információ- menedzsment”, Aula Kiadó, 1997 [Gáspár 1998]: Gáspár J., Temesi J, „Matematikai programozási gyakorlatok”, Nemzeti Tankönyvkiadó, 1998 [Gregorics

1999]: Gregorics T., „1 Keresı rendszerek a mesterséges intelligenciában”, ill „2 Keresési stratégiák”, In: [Futó 1999], 1-21 old, ill 47-82 old [Halász 2001]: Halász B. és tsai, „Adatbányászat, automatikus ismeretfeltárás”, In: Sántáné-Tóth E (szerk), „Tallózás a tudásalapú technológia világában – Hallgatói esszék”, ELTE Informatikai Kar, 1997-2004. (http://people.infeltehu/saci/MI/esszek/) [Kindler 1991]: Kindler J., Fejezetek a döntéselméletbıl, Aula Kiadó, 1991 [Kiss 1997]: Kiss F., „Menedzsment információ rendszer, MIS” Kézirat, 1997 [Kı 1997]: Kı A. és Lovrics L, „Döntéstámogató rendszerek”, In: [Gábor 1997], 423-523 old [Mérı 1994]: Mérı L., „Észjárások – A racionális gondolkodás korlátai és a mesterséges intelligencia”, TypoTEX Kiadó, Budapest, 1994 [Mérı 1996]: Mérı L., „Mindenki másképp egyforma – A játékelméleti és a racionalitás pszichológiája”, Tericum Kiadó,

Budapest, 1996. [Mérı 1997]: Mérı L., „A közgazdaságtan pszichológiai vonatkozásai”, In: Hunyady Gy és Székely M (szerk), „Gazdaságpszichológia”, Osiris Kiadó, Budapest, 2003, 37-110. old [Molnár 1997]: Molnár, B., „Bevezetés a rendszerelemzésbe”, In: [Gábor 1997], 107-239 old [Sántáné-Tóth 2000]: Sántáné-Tóth E., „Tudásalapú technológia, szakértı rendszerek – Javított és bıvített kiadás”, Dunaújvárosi Fıiskola Kiadó Hivatala, Dunaújváros, 2000 [Simon 2004]: Simon, H., „Az ésszerőség szerepe az emberi életben”, Gondolat Kiadó, Budapest, 2004 (Az eredeti mő: „Reason in Human Affairs”, Stanford University Press, 1983.) [Szeredi 2005]: Szeredi P., Lukácsy G és Benkı T, „A szematikus világháló elmélete és gyakorlata”, Typotex, Budapest, 2005. [Temesi 2002]: Temesi J., A döntéselmélet alapjai, Aula Kiadó, 2002 [Turban 2005]: Turban, E., and Aronson, and J E and Tin-Peng Liang, „Decision Support

Systems and Intelligent Systems – Seventh Edition”, Pearson Prentice-Hall, Upper Saddle River, New Jersey, 2005, pp. 936 (Az elsı két szerzıtıl származó korábbi kiadások: 2001, 1998, 1995, 1993) [Zoltayné 2005]: Zoltayné Paprika Z. (szerk), „Döntéselmélet – Második kiadás”, Alinea Kiadó, Budapest, 2005. További irodalmi hivatkozások [Alavi 1999]: Alavi, M. and Leider, D, „Knowledge Management Systems: Issues, Challanges and Benefits”, Communications of the Association for Information Systems”, 1(7), 1999. [Gáspár 1998]: Gáspár J., Temesi J, „Matematikai programozási gyakorlatok”, Nemzeti tankönyvkiadó, 1998 [Holsapple 1996]: Holsapple, C. W and Whinston, A B, „Decision Support Systems: A Knowledge-Based Approach”, St. Paul, MN: West Publishing, 1996 [Huang 1999]: Huang, K. T, Lee, Y W and Wang, R Y, „Quality Information and Knowledge”, Upper Saddle River, NJ: Prentice Hall, 1999. [Kindler 1997]: Kindler J. és Papp O, „Komplex

rendszerek vizsgálata”, Mőszaki Könyvkiadó, Budapest, 1997 [Miller 2002]: Miller, G.J, „Menedzser-dilemmák – A hierarchia politikai gazdaságtana”, Aula Kiadó, Budapest, 2002 [Polányi 1966]: Polányi, M., „The Tacit Dinemsion”, London: Routledge & Kegal Paul, 1966 [Sántáné-Tóth 2004]: Sántáné-Tóth E., „Ontológia – oktatási segédlet”, ELTE Informatikai Kar, Budapest, 2004. (http://peopleinfeltehu/santa/oktatasi-anyagok/segedletek-pdf/segedlet5pdf) [Schrage 1997]: Schrage, L., „Optimization Modeling with LINDO”, 5th ed Pacific Grove, CA: Duxbury Press, 1997. [Simon 1977], Simon, H., „The New Science of Management Decisions, Rev Edition”, Englewood Cliffs, NJ: Prentice Hall, 1977. [Zoltainé 2002]: Zoltainé Paprika Z., „A tudásmenedzsment szerepe a döntéshozatalban”, Vezetéstudomány, XXXII. Évf 2002 3 szám, 12-18 old 38 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2004/200 BMF NIK SzTI

Tartalomjegyzék 1. Döntéselméleti alapfogalmak. 1 1.1 Probléma, problémamegoldás 1 1.2 Problématér: probléma-típusok, megoldási mód, döntési folyamat 2 1.3 Döntés – optimális és kielégítı döntés 3 1.4 Modell – normatív és leíró modellek 3 1.5 Probléma-kategóriák 4 1.6 A gazdaságtan alapelvei 5 1.7 Az ember, mint információ-feldolgozó entitás 6 1.8 Az emberi agy funkciómegosztása 7 1.9 Az emberi tudás és a modellalkotás szintjei 8 2. Döntés és döntéstámogatás 10 2.1 Döntések lehetséges osztályozásai 10 2.2 Egy szervezet vezetésének információs igényei 11 2.3 A döntéstámogató rendszerek kialakulása és jellemzése 11 2.4 Az emberi és a számítógépes döntéshozatal 15 2.5 A döntési folyamat fázisai 16 2.6 A döntési folyamat támogatása, a döntési stílusok 19 3. Döntéstámogató rendszerek – DTR 20 3.1 A döntéstámogató rendszerek jellemzése 20 3.2 A döntéstámogató rendszerek komponensei

21 3.3 A döntéstámogató rendszerek osztályozása 23 3.4 A döntéstámogató rendszerek fejlesztése 24 4. Döntési modellek és technikák 26 4.1 Hatásdiagramok (influence diagrams) 26 4.2 Számolótáblák (spreadsheets) 27 4.3 Döntési táblák (decision tables) 27 4.4 Döntési fák (decision trees) 27 4.5 Lineáris programozás (linear programming) 27 4.6 Heurisztikus programozás (heuristic programming) 28 4.7 Szimuláció (simulation) 29 4.8 További döntési technikák 29 5. Csoportos döntéstámogató rendszerek 30 6. Felsıvezetıi információrendszerek és OLAP 32 6.1 Felsıvezetıi információrendszerek (FVIR) 32 6.2 Az on-line elemzı-feldolgozó rendszerek (OLAP) 33 6.3 Az OLAP technológiára épített FVIR-ek elınyei, hátrányai és jövıje 34 7. Tudásmenedzsment – TM 35 7.1 A tudásmenedzsment céljai és folyamata 35 7.2 Tudásmenedzsment stratégia, tudásmenedzsment rendszer létrehozása 36 7.3 Tudásmenedzsment technológiák és

eszközök 37 8. Irodalomjegyzék 38 Sántáné-Tóth E.: Döntéstámogató rendszerek – oktatási segédlet, 2005/2006 39