• شنبه تا چهارشنبه 8:30-17 پنجشنبه 8:30-12:30
  • info@imennet.net
مشاوره رایگان 02174391800
سیستمهای مدیریتی TPS – OAS – MIS – DSS – EIS

استفاده از سیستمهای اطلاعاتی در سازمان و مدیریت، مستلزم صرف هزینه‌هایی است که باید با برآورد منافع آنها، توجیه شوند. توجیه این سیستمها در ابتدا که تمرکز آنها بر داده‌ها و خودکارسازی عملیات دستی بود، به آسانی انجام می‌گرفت اما با محور شدن اطلاعات در آنها، کار توجیه سرمایه‌گذاری لازم نیز به پیچیدگی گرایید....

سیستمهای مدیریتی TPS-OAS- MIS- DSS- EIS

1.TPS (ZTransaction Processing System) یا سیستمهای پردازش رخداد:

به طور کلی در هر سازمانی یک سری رخداد وجود دارد که برای سازمان حیاتی است، لذا باید از این اطلاعات به نحو احسنت استفاده شود. از نظر تنوع، این نوع سیستم­ها بیشترین تنوع را دارند. TPSها
سیستم­های ساده‌‌­ای هستند و پیچیدگی خاصی ندارند و ترکیب بیشتر آنها در جمع­‌اوری اطلاعات می‌­باشد. سیستم­‌های پردازش رخداد معمولاً در سازمان‌ها برای انجام کارهای ساده و تکراری و اموری که بصورت روزانه انجام می‌­گیرند، مورد استفاده قرار می­‌گیرد. کار با این سیستم‌­ها ساده و روتین است و این سیستم­‎‎‌ها بیشتر، رخدادهایی را ثبت می­کنند که ارتباط سازمان با بیرون از سازمان مطرح می­‌باشد. TPSها
معمولاً سیستم­‌های کامپیوتری هستند. این سیستم‌­ها کاملاً ساخت‌­یافته بوده و اهداف و منابع آن‌ها از قبل تعیین شده می‌­باشد. از کار افتادن TPS، گاهی مساوی با ورشکستگی سیستم است. به طور کلی TPSبستری فراهم می­کند که سایر سیستم‌­ها بر آن بنا می­‌شوند.
عملیات روزانه سازمان‌­ها بوسیله­‌ی این سیستم‌­ها انجام می­‌پذیرد. از خصوصیات اصلی این سیستم­‌ها داشتن ماهیت روتین، داشتن داده و اطلاعات حجیم و دارای جزئیات و عدم نیاز به تصمیم­‌گیری‌­های مدیریتی در حین کار با سیستم می‌­باشد.

نمونه: سیستم دریافت و پرداخت بانک­ها

2. OAS (Office Automation System) یا سیستم­های اتوماسیون اداری:

کار اصلی این سیستم‌­ها مدیریت اسناد و ایجاد تسهیل در نامه نگاری و اطلاعات درون سازمان می­باشد. در این سیستم‌ها به کمک تکنولوژی ارتباطی و با استفاده از واژه­‌پردازها‏‏، فایل‌­های الکترونیکی، نامه‌­های الکترونیکی، کنفرانس الکترونیکی و ... در جهت اتوماسیون اداری استفاده می­‌گردد. از سیستم‌­های اتوماسیون اداری برای برقراری مکاتبات بدون کاغذ در سازمان استفاده می­‌گردد. سیستم اتوماسیون اداری وظیفه‌­ی برقراری ارتباطات داخلی سازمان و همچنین افراد سازمان با خارج از سازمان را عهده‌­دار است. این ارتباط به بهبود هماهنگی فعالیت­‌ها و کیفی کردن کار کمک می­کند. پردازشگر­های متن، پست الکترونیک، ارسال صدا، ارسال فکس، ویدئو کنفرانس و کنفرانس صوتی از ابزارهایی هستند که می­تواند در این مجموعه بکار رود.

3. MIS (Management Information System) یا سیستم­های اطلاعات مدیریت:

این سیستم­‌ها وظیفه­‌ی پشتیبانی از مدیریت میانی و بعضاً مدیریت عملیاتی را بوسیله­‌ی اطلاعاتی که به آن می‌­دهند، انجام می‌­دهند تا مدیر وظایفش را بهتر انجام دهد. توجه MIS به گذشته و حال است و به صورت مشخص به عملیات داخلی سازمان توجه دارد و به بیرون سازمان ارتباطی ندارد و عملیات وسیع سازمان را خلاصه می­‌کند. این سیستم‌­ها ساخت­‌یافته و نیمه ساخت‌­یافته می­‌باشند. با این حال MIS دارای
انعطاف­پذیری بالایی نیست و توان تحلیل و پردازش وسیع و پیچیده را ندارد. همچنین این سیستم در مقابل اطلاعاتی که به مدیر ارائه می­‌دهد بی­‌تفاوت است.
مدل­‌هایی که در MIS مورد استفاده هستند، مدل­‌های ساده‌­ای بوده و جهت گذارش­‌گیری استفاده می‌­شوند.
سیستم‌های اطلاعات مدیریت MIS در سازمان‌ها از طریق مکانیزه کردن کامپیوتری تحقق می‌یابد که ایجاد سیستم اطلاعات کامپیوتری دارای مراحل مختلفی به شرح زیر است (مدل مرحله ای نولان)

آشنا سازی: در این مرحله سازمان با دستگاهی به نام کامپیوتر آشنا می­‌شود. کاهش هزینه‌­ها و کاهش حجم اطلاعات روی کاغذ هدف استفاده از این دستگاه است.

سرایت: تعریف کاربردهای جدید برای کامپیوتر انجام می‌­شود و تقاضا برای استفاده از کامپیوتر افزایش می­‌یابد.

کنترل: در این مرحله مدیریت احساس می‌کند که هزینه‌های استفاده از کامپیوتر افزایش پیدا کرده است و سعی در کنترل آن می‌کند که شروع به استفاده از سیستمی با عنوان DSS (Decision Support System) می­کند.

سیستم پشتیبانی تصمیم [DSS]: موقعی عمل می‌­کند که مسئله بروز شده باشد. این نوع سیستم ادامه یا مکمل سیستم گزارش‌های مدیریت است که از مدل‌های تصمیم‌­گیری و پایگاه داده‌­هایی خاص در جهت پشتیبانی از تصمیمات نیمه ساخت­‌یافته یا ساخت­‌نیافته استفاده می‌کند.

جامعیت: سیستم‌هایی که در دومین مرحله به طور مجزا پیاده شده بودند با هم جمع شده به این نحو که داده‌­ها از یک محدوده به محدوده‌ی دیگر جریان می­‌یابند. سیستم‌های فرعی پردازش داده با هم جمع شده و بین سیستم‌های فرعی اطلاعات، ارتباط برقرار می­‌گردد.

اداره‌­ی داده: مدیریت داده از اهمیت پایگاه داده برای پردازش داده آگاه می­شود و نرم‌­افزاری با وظیفه‌­ی اداره­ی داده مطرح می­گردد.

بلوغ: تمام اجزای سیستم‌های اطلاعات مدیریت در جای خود قرار می­گیرند.

4. DSS (Decision Support System) یا سیستم پشتیبانی از تصمیم:

این سیستم­‌ها جهت اجرای مدل­‌های پیچیده­‌ی آماری و ریاضی، تحلیل داده­‌ها و پشتیبانی از تصمیم مورد استفاده قرار می­‌گیرند. ورودی این سیستم­‌ها حجم داده‌­های کم، پردازش همراه با تعامل با کاربر، خروجی تحلیل تصمیم و کاربران آن پرسنل حرفه‌­ای سازمان می­باشند. DSSها جهت تصمیم­‌گیری در مواقعی که سابقه وجود ندارد، استفاده می­شوند و نتایج بدست آمده از آن‌ها بهینه است که مدیران را در اخذ تصمیمات منحصر به فرد که غیر ساخت‌­یافته یا نیمه ساخت­‌یافته هستند، یاری می­دهد و هوشمندی مدیران یا کارکنان حرفه‌­ای را با قابلیت­‌های کامپیوتری ادغام کرده تا کیفیت تصمیمات را بهبود بخشد.

خصوصیات عمده­ی DSSها:

  • پیوند
  • داده‌­های اطلاعاتی و مدل­‌ها
  • یاری دادن مدیران که با مسائل غیر ساخت­‌یافته روبه­‌رو هستند
  • پشتیبانی قضاوت‌های مدیریتی به جای جایگزینی
  • هدف، بهبود اثربخشی تصمیمات بوده و ملاک کار این نیست
  • اطلاعات مورد نیاز حتی پس از شناسایی توسط مدیر باید از طریق منابع خاص تفکیک گردد
  • از ابتدا مشخص نیست که بهترین اقدام در خصوص بهترین تصمیم چیست
  • برخی از داده‌­های DSS از طریق TPSو برخی از طریق MIS تامین می­شود و بعضی EIS و خارج سازمان بدست می‌­آیند
  • از انعطاف پذیری بیشتری نسبت به MIS برخوردارند

برخی از منافع DSS ها:

  • توانایی
  • پشتیبانی و حل مسائل پیچیده
  • پاسخ صحیح به شرایط غیر منتظره
  • توانایی آزمایش استراتژی­‌های گوناگون تحت شرایط مختلف بصورت سریع و بی­طرفانه
  • درک جدید و یادگیری کاربر می­تواند به ترکیب مدل­‌ها تحلیل بهتر منجر شود
  • ایجاد ارتباط آسان
  • کنترل و عملکرد بهتر مدیریت
  • صرفه­‌جویی در منابع یا هزینه­ ها
  • تصمیمات بی­طرفانه
  • افزایش بهبود
  • حمایت و پشتیبانی از گروه­‌ها

5. EIS (Executive Information System) یا سیستم­های اطلاعاتی اجرایی:

سیستم EIS به مدیر ارشد سازمان کمک می­کند تا یک تصویر کلی از سازمان را در اختیار داشته باشد. از آنجایی که مدیر ارشد باید با استفاده از کمترین وسایل و اطلاعات، کاملترین و جامع­ترین برداشت را از وضع سازمان داشته باشد و از طرف دیگر مدیر ارشد باید معیارهایی برای ارزیابی داشته باشد و ریشه­‌یابی مسائل ممکن است برای مدیر ارشد با اهمیت باشد، این سیستم می­تواند بهترین کمک را به او برساند. توجه مدیر ارشد بیشتر به خارج سازمان می­باشد، از این رو باید بتواند فرصت‌ها و تهدیدها را شناسایی کند. سیستم‌­های EIS به منظور کمک به دستیابی مدیران به عوامل کلیدی موفقیت طراحی شده و با معرفی موقعیت‌­ها و فرصت­‌ها، امکان تحلیل آن را فراهم می‌­سازند.

تعیین ارزش اطلاعات در توجیه سیستم‌های پشتیبان تصمیم

چکیده
استفاده از سیستمهای اطلاعاتی در سازمان و مدیریت، مستلزم صرف هزینه‌هایی است که باید با برآورد منافع آنها، توجیه شوند. توجیه این سیستمها در ابتدا که تمرکز آنها بر داده‌ها و خودکارسازی عملیات دستی بود، به آسانی انجام می‌گرفت اما با محور شدن اطلاعات در آنها، کار توجیه سرمایه‌گذاری لازم نیز به پیچیدگی گرایید. به همین دلیل، تحلیل هزینه - منفعت به یکی از مراحل توسعه سیستمهای اطلاعاتی مبدل گردید. این تحلیل بویژه درباره سیستمهای پشتیبان تصمیم، با دشواریهای بیشتری روبه‌روست. پیچیدگی و تعامل منافع و ناممکن بودن کمّی کردن بسیاری از آنها به‌علاوه مشکل تعیین ارزش اقتصادی برای اطلاعات به عنوان خروجی اصلی این سیستمها، اصلی‌ترین این دشواریها به شمار می‌روند. در این مقاله، پس از بررسی سیر تحول سیستمهای اطلاعاتی و ماهیت متغیر منافع آنها، توصیف سیستمهای پشتیبان تصمیم و منافع آنها، مشکل تعیین ارزش اقتصادی برای اطلاعات مطرح و سپس با بررسی مفهوم ارزش در علم اقتصاد، مشکلات تعیین ارزش اطلاعات از دیدگاه اقتصاد اطلاعات بیان می‌شوند. در پایان نیز با ارائه مدل فضای اطلاعاتی، کاربرد آن در تعیین ارزش اطلاعات ارائه می‌گردد.

کلیدواژه‌ها: سیستمهای اطلاعات، سیستمهای پشتیبان تصمیم، ارزش اطلاعات، تحلیل هزینه‌ - منفعت، مدل فضای اطلاعات

مقدمه

تا پیش از دهه 1950، نه استادان دانشگاهی و نه مدیران اجرایی، هیچ‌یک به سازمان به عنوان تصمیم‎گیرنده یا پردازنده اطلاعات نمی‌نگریستند و این ایده
که سازمانها اطلاعات را پردازش می‌کنند، ایده‎ای نسبتاً جدید است. پیش از آن، نظریه‌های رهبری به بحث درباره مهارتهای تصمیم‎گیری یا مهارتهای ارتباطی نمی‎پرداختند و اقتصاددانان، بنگاهها را دارای اطلاعات کامل و قابلیتهای تحلیلی نامحدود می‎دانستند.
پس از این سالها بود که دیدگاه پردازش اطلاعات در سازمان مطرح شد و برخی از دانشمندان، مدیران را به عنوان تصمیم‎گیرندگانی با قابلیتهای محدود توصیف کردند. تعدادی از روانشناسان اجتماعی نیز به مطالعه حل مسئله از سوی گروههای کوچک پرداختند و
تلویحاً با گروهها به عنوان پردازشگران اطلاعات برخورد کردند. برخی از روانشناسان استفاده از برنامه‌های رایانه‌ای را به عنوان مدلهای حل مسئله انسانی، آغاز کردند. تعدادی از اقتصاددانان درباره محدودیتهای ممکن در نظریه‎های اقتصادی بحث کردند. در همین سالها بود که «مارچ» و «سایمون» سازمانها را به عنوان پردازشگران اطلاعات توصیف کردند (March and Simon 195 و اطلاعات به عنوان تولیدکننده کلیدی ثروت در جوامع پساصنعتی شناخته شد (Boisot and Canals 2004). در دهه 1970، بسیاری از مطالعات درباره سازمانها به عنوان سیستمهای تصمیم‎گیری و پردازش اطلاعات به انجام رسید. ناظران به مشاهده سازمانها به عنوان سیستمهایی با فعالیتهای قابل انعطاف و همچنین ساختارهای باثبات پرداختند و به ‌تدریج کانون تمرکز در سازمانها از فعالیتهای فیزیکی به سمت فعالیتهای ذهنی و فکری سوق یافت (Laudon and Starbuck 1996, 3923).
بدین ترتیب، مدیران به عنوان افرادی مطرح شدند که تصمیم‎گیری و حل مسئله بخش عمده فعالیت آنان را تشکیل می‌داد. «سایمون» و همکارانش، تواناییها و مهارتهایی را که کیفیت تصمیمها و راه‎حل مسائل را تعییین می‎کنند، نه تنها در مغز و اندیشه انسانها بلکه در ابزارها
و ماشینهایی نیز می‌دانند که امروزه به نام «رایانه» شناخته می‎شوند (Simon et al. 1987, 12). تلاشهای اولیه برای کاربرد رایانه‎ها در سازمانها، بر داده‎ها تمرکز داشتند. سپس این تمرکز به سمت اطلاعات و پشتیبانی تصمیم سوق یافت و امروزه بیشترین توجه به کاربردهای رایانه‎ها، در

ارتباطات و مشاوره معطوف است (McLeod 1995, 1.

استفاده از رایانه‎ها و توسعه سیستمهای اطلاعاتی مانند هر سرمایه‎گذاری دیگری در سازمان باید توجیه شده باشد (Alshawi, Irani, and Baldwin 2003). گزینش و پیگیری مؤثر سرمایه‌گذاریها در این زمینه به عاملی حیاتی در مانایی و کامروایی سازمانها بدل شده است (Gunasekaran, Ngai, McGaughey 2006). در دوره پردازش الکترونیکی داده‎ها[2]، هزینه‎های استفاده از رایانه‎ها بر اساس کاهش هزینه‎های نیروی انسانی توجیه می‎شدند. هر چند رایانه‎ها، آن‌طور
که برنامه‎ریزی شده بود، نتوانستند هزینه‎های نیروی انسانی را کاهش دهند، اما به میزان قابل‎توجهی باعث موفقیت در انجام بهتر کارها شدند که به دستیابی به کارایی بالاتر و سرمایه‎گذاری کمتر منجر می‎شد. اما توجیه کاربرد رایانه‎ها با پدید آمدن سیستمهای اطلاعات محور[3] به دشواری گرایید، زیرا سنجش و تعیین ارزش اطلاعات امری مشکل است. بنابراین، با وجود اینکه مدیران، توجیه اقتصادی اقدامهای خود را ترجیح می‎دهند، اما همیشه چنین امکانی وجود ندارد، زیرا هزینه‎ها را می‎توان با دقت نسبی برآورد کرد،
اما برآورد منافع به این صورت و با چنین دقتی امکان‎پذیر نیست. این مشکل درباره سیستمهایی که اطلاعات تولید می‎کنند، بزرگتر است زیرا با موضوع تعیین ارزش برای اطلاعات مواجه هستیم (McLeod 1995, 25-26, 736).
سیستمهای پشتیبان تصمیم یکی از انواع سیستمهای «اطلاعات محور» هستند که به مدیران
در حل مسائل و گرفتن تصمیمهای نیمه ساخت‌یافته یاری می‎رسانند. این سیستمها رایانه را به نحوی با فرایند تصمیم‎گیری ترکیب می‎کنند که جزئی از آن می‎شود و بدین‌ترتیب به مدیران اجازه می‎دهند به جای اینکه تنها دریافت‎کننده ساده «اطلاعات» باشند، از آنها «استفاده» کنند (Floyed, Charles, and Davis 1989, 482). هزینه توسعه چنین سیستمهایی، در صورتی که کوچک باشند نسبتاً ناچیز است و بنابراین توجیه آنها موضوع مهمی نیست. اما هزینه یک سیستم متوسط یا بزرگ می‎تواند بسیار بالا باشد. بنابراین، به این سیستمها باید به عنوان بدیلی در سرمایه‎گذاری نگاه کرد که نه تنها باید نتیجه‎ای مطلوب در بر داشته باشند، بلکه باید نسبت به گزینه‎های دیگر سرمایه‎گذاری نیز (شامل انجام ندادن هرگونه اقدامی) مزیت داشته باشند Turban and Aronson 1998, 774)). بنابراین، در توسعه سیستمهای پشتیبان تصمیم، باید برای سرمایه‌گذاری توجیه کافی وجود داشته باشد، زیرا از لحاظ عقلی می‎توان با افزایش اطلاعات، تصمیم بهتری گرفت. اما از دیدگاه مدیریتی،
پرسش بعدی این است که هزینه کسب اطلاعاتِ بیشتر چقدر است و نتایج بالقوه کسبِ آن چه هستند (Post and Anderson 2000, 135). با وجود این، توجیه این سیستمها پیش از توسعه و ارزیابی نتایج حاصل از توسعه و کاربرد آنها، از جنبه‎هایی با دشواری روبروست. از جمله این دشواریها می‎توان به کیفی بودن بیشتر منافع حاصل از سیستمهای پشتیبان تصمیم (Turabn, Leidner, McLean, and
Wetherbe 1996, 561-562; Alshawi, Irani, and Baldwin) 2003)) که اهمیت فزاینده‌ای نیز یافته‌اند (Ward, Taylor, and Bond 1996, 215) و مشکلات موجود در تعیین ارزش اقتصادی برای اطلاعات به عنوان خروجی اصلی این سیستمها
اشاره کرد که در ادامه به آنها پرداخته می‎شود.
تحول سیستمهای اطلاعاتی و ماهیت متغیر منافع آنها
اولین
رایانه‎ها برای محاسبه فرمولهای علمی و کاربردهای نظامی در طول جنگ دوم جهانی و بلافاصله پس از آن در دهه 1940 طراحی شدند، اما کاربرد تجاری آنها در اوایل دهه 1950 آغاز شد. کار آنها بر روی «داده‌ها» متمرکز بود و مخصوص عملیاتی پرحجم و تکراری بودند که توجیه آنها وجود داده‌های پرحجم و تکراری بود. چنین سیستمهایی با عنوان «سیستمهای پردازش داده‎ها یا عملیات» شناخته می‎شوند.
با کاهش هزینه‎های سیستمهای رایانه‎ای و افزایش قابلیتهای
آنها، استفاده از سیستمهای اطلاعاتی برای انجام کارهایی که حجم کمتری از عملیات تکراری داشتند نیز توجیه یافت. در دهه 1960، نوع جدیدی از سیستمهای اطلاعاتی به وجود آمد که اطلاعات مربوط به تصمیمها را در حوزه‎های علمیاتی سازمان، گردآوری، سازماندهی، خلاصه و ارائه می‎کنند. این سیستمها که تمرکزشان بر «اطلاعات» است، با نام «سیستمهای اطلاعات مدیریت» شناخته می‎شوند.
استفاده از رایانه‎ها در اواخر دهه 1960 و اوایل دهه 1970
افزایش یافت و ارتباطات الکترونیکی را نیز در برگرفت این ارتباطات، بخشی از سیستمهای اتوماسیون اداری به شمار می‌‎آمدند. در اوایل دهه 1970، با کاهش بیشتر هزینه‎ها و افزایش قابلیتها، کاربرد پشتیبانی رایانه‎ای برای تعداد روزافزونی از امور غیرمعمول توجیه یافت. در آن زمان، سیستمهای پشتیبان تصمیم متولد شدند که هدف اصلی آنها، ارائه پشتیبانی رایانه‎ای برای
تصمیمهای پیچیده، غیرمعمول و نیمه ساخت‎یافته است. تمرکز اصلی این سیستمها
بر پشتیبانی تصمیم است. استفاده گسترده از این سیستمها، در آغاز به دلیل هزینه‎های زیاد ایجاد آنها، مقدور نبود اما با انقلاب رایانه‌های شخصی که در حدود سال 1980 پدید آمد، این وضع تغییر یافت. در اواسط دهه 1980، در رشته رایانه حوزه جدیدی با عنوان «هوش مصنوعی» پدید آمد که پایه بسیاری از سیستمهای هوشمند سیستمهای مبتنی بر دانش است. تمرکز این سیستمها بر تشخیص مسئله، پیشنهاد راه حل و یادگیری کارکنان است.
تمامی سیستمهای یاد شده، بسیار مفید، اما نسبتاً منفعل هستند. حتی سیستمهای خبره به خودیِ خود،
قادر به یادگیری نیستند. در اوایل دهه 1990، نوع جدیدی از سیستمها پدید آمد که قابلیت یادگیری داشتند. سیستمهایی مانند «شبکه‎های عصبی مصنوعی» و «الگوریتم ژنتیک» از این جمله‎اند که قادر به یادگیری از گذشته هستند. چنین
قابلیتی، رایانه‎ها را قادر می‎سازد حتی اطلاعات ناقص و مبهم را نیز پردازش کنند (Turban, Rainer, and Potter 2005, 38-39; McLeod 1995, 18-19;
Watkins 1998, 58-60).
«توربان»، «گوناسکاران» و همکارانشان، بر اساس سیر تحول سیستمهای اطلاعاتی، ماهیت متغیر منافع آنها را توصیف کرده‎اند. از نظر آنان سیستمهای اطلاعاتی در ابتدای کاربرد فناوری اطلاعات،
بیشتر برای افزایش کارایی استفاده می‌شدند و سیستمهای دستی را به خودکار تبدیل می‌کردند که در نتیجه، هزینه‎ها کاهش می‎یافت. منافع ناشی از چنین کاهش هزینه‎ای محدود و مشخص بودند؛ به‌علاوه، اندازه‎گیری میزان این منافع بیشتر به صورت مستقیم انجام می‎پذیرفت.
در سالهای اخیر، منافع بالقوه فناوری اطلاعات، رو به افزایش مؤثری است. این منافع، هر روز ناملموس‌تر می‎شوند و تأثیر مستقیمی بر هزینه ها ندارند، یا تأثیر آنها بسیار ناچیز است. بدین‎ترتیب، نه تنها تشخیص منافع دشوارتر است، بلکه کمّی کردن آنها نیز مشکل است. افزون بر این، منافع این فرآیند نه فقط در قلمرو فناوری اطلاعات، بلکه در تمامی فرایند قابل مشاهده است. از این گذشته، منافع مربوط به اثربخشی، ماهیتی هم‎افزا دارند. بدین ترتیب ممکن است یک سود
عمده که از کاربرد فناوری اطلاعات در یک زمینه حاصل می‎شود، با منفعت بی‎اهمیت ناشی از یک مورد دیگر، ترکیب شود و منفعتی قابل‎توجه پدید آورد که
بسیار بیشتر از مجموع بخشهای کم اهمیت‎تر آن باشد. ویژگی دیگر منافع بسیاری از سیستمهای اطلاعاتی امروزی، این است که سازمانها را قادر می‎سازند
منافع دیگری را نیز از طریق آنها تحقق بخشند که این منافع ثانویه می‎توانند به تنهایی توجیه‎کننده استفاده از آنها باشند.
نتیجه چنین تحولی در ماهیت منافع فناوری اطلاعات، این است که سازمانها باید خلاقیت و زمان بیشتری را برای یافتن منافع ناپیدای آنها به خرج دهند و بویژه تأثیرات نامشهود آن را بر بهره‎وری کارکنان، نه تنها با دنبال کردن افزایش مشهود و بی‎واسطه بهره‌وری، بلکه با یافتن تأثیرات جانبی و با واسطه
آن بررسی نمایند و به منافع هم‎افزا و قدرت‎بخش آن توجه خاصی کنند (Turban, McLean, and Wetherbe 1996, 394-395, Gunasekaran at al. 2001). «زوبوف» این تحولات را در سه مرحله همراه با انواع منافع مربوط به آنها چنین خلاصه می‌کند: خودکارسازی (کارایی)، آگاه سازی (اثربخشی) و دگرگون سازی (کسب و کار جدید) (Zuboff 1988, 8-12). البته باید توجه داشت که کاربرد سیستم یا فناوری اطلاعات به خودی خود منفعتی ندارد، اما فرصتی را برای انتفاع فراهم می‌کند. برای بهره برداری از چنین فرصتهایی باید در روش کار سازمان و چگونگی استفاده از اطلاعات، تغییراتی ایجاد شود (Ward, Taylor, and Bond 1996, 215).

توجیه سیستمهای پشتیبان تصمیم

اگر تمام هزینه‌ها و منافع مربوط به سیستمهای پشتیبان تصمیم، قابل کمی کردن بودند، با مقایسه این هزینه‌ها و منافع، تحلیل هزینه و بهره برای توجیه آنها به سادگی امکان‌پذیر بود. در این صورت، چنانچه منافع بیشتر از هزینه‌ها باشند، سیستم توجیه خواهد داشت (Turbam, Mclean, and wetherbe 1996, 392; Laudon and Laudon 1988, 679). با وجود این، مشکل از آنجا ناشی می‌شود که بسیاری از منافع، ناملموس[4] هستند (Irani 2002; Oppenheim and Stenson 2003) و منافع ناملموس را به دشواری می‌توان تخمین زد (O'Brien 2000, 38. «پیترکین» با بررسی نتایج پژوهشهای موردی انجام شده، منافع سیستمهای پشتیبان تصمیم را به این شرح فهرست می‌کند. (از میان این منافع، تنها پنج مورد اول را می‌توان به آسانی اندازه گیری کرد) (Keen 1993, 63-66).

  1. امکان پاسخ سریع به وضعیتهای پیش‌بینی نشده را فراهم می‌کنند.
  2. توانایی انجام تحلیلهای بدون سابقه را ایجاد می‌کنند.
  3. درهزینه‌ها صرفه جویی می‌کنند.
  4. در زمان صرفه جویی می‌کنند.
  5. از منابع داده‌ها، استفاده بهتری می‌‌کنند.
  6. تعداد گزینه‌های آزمون شده را افزایش می‌دهند.
  7. درک بهتری از حوزه کسب‌وکار ایجاد می‌کنند.
  8. دیدگاهها و یادگیریهای جدیدی ایجاد می‌کنند.
  9. ارتباطات را توسعه و بهبود می‌دهند.
  10. امکان کنترل ایجاد می‌کنند.
  11. تصمیمها را بهتر می‌کنند.
  12. اثربخشی کارِ گروهی را افزایش می‌دهند.

به دلیل دشواری کمّی کردن و برآورد این منافع، در اندکی از موارد، توسعه سیستمهای پشتیبان تصمیم براساس تحلیل رسمی هزینه منفعت انجام شده است. نتایج مطالعات موردی نشان می‌دهند که در بیشتر موارد، سیستم در پاسخ به مواردی مانند نیاز به افزایش مهارتهای مدیریت، تمرکز و سرعت در تحلیل، استفاده از فرصت بالقوه‌ای که یک منبع اطلاعات رایانه‌ای یا قابلیت مدل‌سازی ارائه می‌کنند، ساخته شده است. از آنجا که هزینه‌ها و منافع این سیستمها از پیش تشریح نشده‌اند، نتایج ایجاد (یا توسعه) آنها نیز خیلی کم ارزیابی شده است. برخی از سیستمهای پشتیبان تصمیم در دستیابی به هدفهای خود
ناکام مانده‌اند، اما در جایی که این سیستمها موفق بوده‌اند، به‌ندرت تحلیلی رسمی از نتایج آنها به عمل آمده و بسیاری از منافع آنها به اثبات نرسیده‌اند. به طورکلی، مدیران، این سیستمها را با عنوان «غیرقابل اجتناب» یا «گریزناپذیر» توصیف می‌کنند، بدون اینکه تلاش کنند برای آن ارزشی اقتصادی تعیین نمایند (Keen 1993, 66).

مشکل تعیین ارزش اقتصادی اطلاعات

هر چند رویکردهای گوناگونی در ارزیابی سیستمهای پشتیبان تصمیم انجام شده‌اند (Phillips-Wren, Jahn, and Forgionne 2004)، اما یکی از دشواریهای اساسی در
تحلیل هزینه ـ منفعت این سیستمها، تعیین ارزش اقتصادی برای اطلاعات به عنوان خروجی آنهاست. هرچند ارزش چنین اطلاعاتی به توانایی آن در بهبود تصمیمها و افزایش کارایی سازمانی است (Post and Anderson 2000, 134, Oppenheim and Stenson 2003) ، اما تعیین ارزش اطلاعات از این دیدگاه برای توجیه سیستمهای پشتیبان تصمیم چندان ساده نیست. با وجود این، خدمات اطلاعاتی باید بتوانند ارزش افزوده‌ای در قالب واحد پول ایجاد کنند (Fattahi and Afshar 2006).

«آهیتوو» و «نیومن» موضوع ارزش اطلاعات را از نظر تصمیم‌گیری به تفصیل بیان کرده‌اند. از نظر آنان، هر تلاشی برای سنجش ارزش اطلاعات باید با تصمیمی که با این اطلاعات پشتیبانی می‌شود، گره بخورد. به عبارت دیگر، از نظر آنان، اطلاعات دارای ارزشی جهانی و مطلق نیست و بستگی به این دارد که چه کسی، چه زمانی، و در چه موقعیتی از آن استفاده می‌کند. بدین ترتیب، اطلاعات ارزشی نسبی دارد که بر مقایسه نتایج حاصل از مجموعه‌های مختلف اطلاعات مبتنی است. بر این اساس، ارزش اطلاعات به
سه روش تعیین می‌شود (Ahituv and Neuman 1990, 44-52):

1. ارزش هنجاری اطلاعات[5]

فرض اساسی ارزش هنجاری اطلاعات ـ که اغلب به عنوان «نظریه هنجاری تصمیم انفرادی»[6] خوانده می‌شودـ ، این است که انسان همیشه مقداری دانش اولیه درباره وقایعی که به تصمیمهای او مرتبطند، دارد. بازتاب این دانش در احتمال پیش‌آمدی که به هر واقعه نسبت می‌دهیم، آشکار می‌شود. این احتمال ممکن است
عینی[7] (مانند پرتاب سکه) یا ذهنی[8] (مانند پیش‌گویی برنده یک مسابقه) باشد. اطلاعات اضافی (مانند همگن نبودن سکه) ممکن است دید ما را درباره احتمال وقوع تغییر دهد و بنابراین تصمیم و نتیجه مورد انتظارمان را تغییر دهد. بنابراین اطلاعات اضافه عبارت از تغییر در نتیجه مورد انتظاری است که حاصل تغییر در احتمال است.

امکان کاربرد این رویکرد، کم است زیرا برای استفاده از آن باید تمام عوامل به دقت اندازه گیری شوند که در دنیای واقعی، بویژه درباره احتمال وقایع، امکان‌پذیر نیست. افزون بر این، تمامی نتایج را نمی‌توان با واحد پول بیان کرد و در نتیجه امکان محاسبه ریاضی آنها وجود ندارد. در این رویکرد، تصمیم گیرنده بدون عیب و نقص و خطا فرض می‌شود در حالی که در عمل، تمییز بین سیستم بد و تصمیم بد دشوار است و تصمیم بد ممکن است ناشی از درک نادرست اطلاعاتی باشد که توسط سیستم ارائه می‌شود. گذشته از اینها، این مدل، فرد ـ محور است و این در حالی است که در سطح سازمان، افراد گوناگونی وجود دارند که ترجیح و تصمیمهای گوناگونی دارند، بنابراین سیستمی که برای یک فرد مناسب است، ممکن است به کار دیگری نیاید.

2. ارزش واقعی اطلاعات[9]

اطلاعات، تصمیمها را پشتیبانی می‌کند، تصمیمها اقدامها را موجب می‌شوند، و اقدامها بر موفقیت استفاده کننده از اطلاعات (فرد یا سازمان) تأثیر می‌گذارند، بنابراین با اندازه‌گیری تغییر میزان موفقیت، امکان قیاسی منطقی وجود خواهد داشت و می‌توان تأثیر اطلاعات را دنبال کرد، مشروط بر اینکه اندازه‌گیری به دقت انجام شود، روابط بین متغیرها خوب تعریف شود و تأثیرات احتمالی عوامل نامربوط خنثی شده باشد. واژه معمول برای موفقیت، «عملکرد»[10] است و به تفاوت اندازه گیری شده در عملکرد براساس عوامل اطلاعاتی، ارزش واقعی اطلاعات گفته می‌شود. در کاربرد این رویکرد، یک مانع اساسی وجود دارد. این مانع، ناشی از ماهیت «پس از عمل» بودن آن است. به عبارت دیگر، ارزش اطلاعات
در این رویکرد، پس از استقرار و استفاده از سیستم، قابل سنجش و ارزیابی است.

3. ارزش انتزاعی اطلاعات[11]

ارزش انتزاعی، تأثیر کلی
اطلاعات را بر افراد منعکس می‌کند. این ارزش بر اساس حدس و شهود انسان تعیین می‌شود. در این رویکرد، هر فردی بر اساس قضاوت ذهنی خود، ارزش اطلاعات را تعیین می‌کند. بدین ترتیب، تصمیم گیرنده هزینه‌ای را که حاضر است بابت اطلاعات خاصی بپردازد، براساس قضاوت شهودی درباره میزان تأثیر آن بر تصمیم تعیین می‌کند.
کاربرد این رویکرد نیز با دشواریهایی همراه است. اول اینکه ارزش انتزاعی به افراد بستگی دارد؛ بدین ترتیب نمی‌توان بدان اتکا داشت، زیرا با تغییر افراد، این ارزش نیز تغییر می‌کند. دیگر اینکه در بسیاری از موارد، ارزش انتزاعی، نوعی متغیر ترتیبی است که قضاوت براساس آن دشوار است. در نهایت، این رویکرد نیز ماهیتی «پس از عمل» دارد. براین اساس تنها وقتی امکان سنجش ارزش اطلاعات هست که اطلاعات در دسترس باشد.
برخی برای تعیین ارزش اطلاعات، متغیرهای بیشتری را دخیل کرده‌اند. «لی بووتیز» هشت تکنیک مطرح را ارائه کرده است که برای ارزش‌گذاری اطلاعات و دانش استفاده می‌شوند. بر اساس یکی از این تکنیکها، ارزش اطلاعات با استفاده از فرمول زیر محاسبه می‌شود (Liebowitaz 1999, 29-35):
Iv= (At-An) – (Lt-Ln) – (Ig+If+Ir+Id+It+Is+Iu)
در این فرمول داریم:
Iv: ارزش اطلاعات مورد نظر
At: داراییهای ناشی از اطلاعات در هنگام ورود
An: داراییها، در صورتی که اطلاعات وارد نشود
Lt: بدهیهای ناشی از اطلاعات در هنگام ورود
Ln: بدهیها، در صورتی که اطلاعات وارد نشود
Ig: هزینه تولید اطلاعات
If: هزینه پیکربندی اطلاعات
Ir: هزینه بازپیکربندی اطلاعات
Id: هزینه تکثیر اطلاعات
It: هزینه انتقال و توزیع اطلاعات
Is: هزینه ذخیره‌سازی اطلاعات
Iu: هزینه بازیابی و استفاده از اطلاعات.

از نظر «ون وگن» و «دی‌هوگ» (Van Wegen and De Hoog 1996) تعیین ارزش افزوده اطلاعات و سیستمهای اطلاعات، موضوع پیچیده‌ای است که نیازمند پاسخ به سه پرسش است: 1ـ چه چیزی باید ارزشگذاری شود 2ـ ارزش چگونه تعریف می‌شود و 3ـ چگونه می‌توان این ارزش را اندازه‌گیری کرد. آنان برای پاسخ به این پرسشها از رویکرد «کالای اطلاعاتی» بهره بردند. بر اساس این رویکرد، تعیین ارزش اطلاعات، مستقل از رسانه‌ای که آن را دربردارد و پردازش می‌کند، ممکن نیست.
به بیان دیگر، در تعیین ارزش افزوده اطلاعات، هم محتوای اطلاعات و هم رسانه‌ای که اطلاعات در قالب آن ریخته‌شده است، نقش دارند. هر چند این محتوای اطلاعات است که در تصمیم‌گیری نقش دارد، اما ارزش افزوده آن به چگونگی سازماندهی[12] اطلاعات نیز وابسته است. یک مثال ساده، اهمیت سازماندهی اطلاعات را روشن‌تر می‌کند. فرض کنید دو فرهنگ واژگان وجود داشته
باشندکه یکی از آنها قالب‌بندی شده و دارای نمایه باشد. روشن است که چنین فرهنگی دارای ارزش بالاتری برای کاربر است. از این رو، در ارزیابی اطلاعات،
دو جنبه سازماندهی محصول اطلاعاتی و ارزش اطلاعات در تصمیم‌گیری باید لحاظ
گردند.
«ارزش تقاضای»[13] یک سیستم اطلاعاتی در بازار، میانگین ارزشی است که از کاربرد آن در سازمان حاصل می‌شود. بنابراین، در سازمان به وجود معیاری برای اندازه‌گیری چنین ارزش افزوده‌ای، نیاز است. بدین ‌ترتیب،
ارزش تقاضای یک سیستم اطلاعاتی برای یک سازمان، ناشی از میزان سهم آن سیستم در دستیابی به اهداف آن سازمان است. با وجود این، هدفهای سازمانهای مختلف، بسیار متفاوت است. هدف یک سازمان تجاری، افزایش سقف سود است. از این
رو، برای چنین سازمانی، پیشینه ارزش تقاضا برای یک کالای اطلاعاتی، برابر با افزایش سود حاصل از کاربرد، یا زیان ناشی از عدم استفاده از آن است.
در
رویکرد کالای اطلاعاتی می‌توان میزان منافعی را که از عملکرد مؤثر یک سیستم اطلاعاتی حاصل می‌شود، تعیین کرد. منافعی از این دست که در تصمیم‌گیری مؤثرند، آنهایی هستند که هزینه‌های فرآیند را کاهش می‌دهند، یا در آینده به کاهش خروج نقدینگی از سازمان منجر می‌شوند. روش اندازه‌گیری ارزش در این رویکرد، بر فرایند تولید، تمرکز دارد و ارزش تقاضای کالای اطلاعاتی معادل کاهش هزینه تقریبی فرآیند تولید، بر اثر استفاده از سیستم است. در این روش، فرآیند تولید اولیه و اصلاح شده با یکدیگر مقایسه می‌شوند.
با وجود روشهایی که مطرح شد، تعیین ارزش اقتصادی اطلاعات به دلیل ماهیتی که دارد و تفاوتهای آن با کالاهای فیزیکی، همچنان یکی از دشواریها محسوب می‌شود که آن را در حوزه اقتصاد اطلاعات بهتر می‌توان درک کرد.
تحول مفهوم ارزش در علم اقتصاد
«بوئیسوت»[14]
تحول مفهوم ارزش را در اقتصاد، از نیمه دوم قرن نوزدهم تشریح کرده است. از آن زمان، نگاه به ارزش به عنوان یک ویژگی درونی و ذاتی انرژی ورودی فعالیتهای تولیدی، پایان یافت. پس از آن، ارزش به عنوان مقوله‌ای اقتضایی و
براساس رابطه عرضه و تقاضا بنا نهاده شد. اما کالا همچنان مفهومی فیزیکی و قابل لمس داشت. در این شرایط، دانش و اطلاعات، نقش مهمی در تبادلات اقتصادی ایفا می‌کردند، اما این نقش همچنان نقشی پشتیبانی بود. علاوه بر این، دانش و اطلاعات هرگز در تبادلات مرکز مورد توجه نبوده و بنابراین به خودی خود، موضوع تبادل هم نبوده است، در نتیجه چیزی به عنوان کالا یا محصول
اطلاعاتی وجود نداشته است.
روشن است که کالاهای اطلاعاتی با کالاهای فیزیکی تفاوت دارند. درباره کالاهای فیزیکی می‌توان اطلاعاتی را از قبل و بدون نیاز به کسب خود کالا به دست آورد. این اطلاعات می‌تواند موافق انتظارهای فرد از کالا، یا خلاف آن باشد. در مقابل، کالاهای اطلاعاتی را نمی‌توان پیش از خرید، بازرسی کرد؛ زیرا هر اقدامی در توصیف اطلاعات، بخشی از انتقال آن به شمار می‌آید و هر چه این توصیف کامل‌تر انجام شود، انتقال کامل‌تر شده است.
اطلاعات، بر خلاف کالاهای فیزیکی، چه با خرید وچه با هر روش دیگری به دست آید، علاوه بر اینکه در اختیار دریافت‌کننده قرار می‌گیرد، در دست عرضه‌کننده هم باقی خواهد ماند. در اینجا پرسش این است که اگر دو نفر یک قلم اطلاعات را در اختیار داشته باشند که پیش‌تر فقط از آنِ یک فرد بوده است، آیا استفاده از آن، دو برابر و در نتیجه ارزش اقتصادی آن نیز دو برابر خواهد شد؟ این موضوع درباره کالاهای فیزیکی صادق نیست، زیرا فقط یک نفر می‌تواند مالک آنها باشد و اگر مالکیت یک کالای فیزیکی بین دو نفر مشترک باشد، هر یک بخشی از آن و نه تمام آن را دارا خواهند بود، درباره اطلاعات، هر چند نفر که آن را دریافت کنند، می‌توانند به طور کامل از آن استفاده کنند.
در اقتصاد نئوکلاسیک، «مطلوبیت» و «کمیابی»، اجزا و عوامل اصلی تعریف ارزش به شمار می‌روند. نئوکلاسیکها دریافتند چیزهایی هستند مانند هوا که بدون کمیابی می‌توانند مفید باشند و در مقابل، چیزهایی هستند که در عین کمیابی الزاماً مفید نیستند مانند آب در کره مریخ.
براساس نظریه نئوکلاسیک ارزش، مطلوبیت، موضوعی شخصی است و آنچه را که یک عامل اقتصادی منفرد (فرد یا سازمان) از مصرف میزان مشخصی از یک کالای اقتصادی به
دست می‌آورد، می‌سنجد. چنین مطلوبیتی در میان عوامل اقتصادی مختلف قابل سنجش نیست، در حالی که چندین عامل، ممکن است مبلغ واحدی را برای یک کالا پرداخت کنند، مطلوبیتهای کسب شده آنان متفاوت خواهد بود. در مقابل، ارزش، تا حدی رابطه‌ای است و نه تنها مطلوبیت یک کالا را، بلکه کمیابی آن را نیز با در نظر گرفتن تقاضا و کالاهای جایگزین می‌سنجد. دیدگاه نئوکلاسیک درباره
ارزش، مبنای نظری بهتری از کلاسیکها درباره تفاوت بین کالاهای فیزیکی و اطلاعاتی ارائه می‌کند. براین اساس، کالاهای فیزیکی ذاتاً و براساس ویژگیهایی که دارند، کمیاب هستند، اما کالاهای اطلاعاتی تنها در برخی شرایط، کمیاب محسوب می‌شوند. به عنوان مثال، دستیابی به یک فرمول شیمیایی حیاتی و جدید، ممکن است به صرف سالها وقت و هزینه‌های سنگین نیاز داشته باشد، اما تولید مجدد آن می‌تواند بسیار کم هزینه باشد و تنها با صرف چند ثانیه با کمک یک دستگاه تکثیر صورت پذیرد. بنابراین، ارزش کالاهای اطلاعاتی

(Boisot 1998, 73-76).
را نمی‌توان با روشهای معمول درباره کالاهای فیزیکی تعیین کرد

مشکلات تعیین ارزش اطلاعات از دیدگاه اقتصاد اطلاعات

«برامان»
مشکلات تعیین ارزش اطلاعات را با برررسی ویژگیهای آنها از دیدگاه اقتصاد اطلاعات و کاربرد ابزار تحلیل نئوکلاسیک در خلق، پردازش، جریان، و استفاده از اطلاعات، دسته‌بندی می‌کند. «ماندویل» نیز پاره‌ای از این دشواریها را تشریح کرده است (Braman 1999, 111-117; Mandeville 1999, 164) که خلاصه‌ای از آنها عبارتند از:
1. مسئله خلق اطلاعات
اقتصاددانان، به طور تاریخی در فرایند تولید، نقشی برای مشتری قائل نبوده‌اند، اما در تولید محصولات و خدمات اطلاعاتی، مصرف کنندگان نقشهای متعددی ایفا می‌کنند.
این نقشها از تعامل در شکل دادن به محصول (مانند پایگاههای اطلاعات) تا نقش آنها به عنوان خود محصول (مانند بینندگان تلویزیون) در پرداخت معنا و بنابراین ارزش محصول نمود می‌یابند.
2. مسئله زمان
اقتصاد دانان نئوکلاسیک، اطلاعات را تنها زمانی به شمار می‌آورند که به بازار وارد شود و بر آن تأثیر گذارد. این دیدگاه مستلزم پذیرش شکاف زمانی بین تولید و مصرف است که قابل شناخت و ثابت است. از اینجا، به دلیل شناوری رابطه بین اطلاعات و زمان، دشواریهایی پدید می‌آید. نخست اینکه در ارتباطات نباید موضوع مکان را با زمان اشتباه کرد. تولید و مصرف بسیاری از محصولات و خدمات اطلاعاتی، همزمان هستند، به نحوی که زمانی برای پدید آمدن روابط بازار برای آنها وجود ندارد.

شبکه‌های الکترونیکی، فرایندهای تولید پیوسته و بدون وقفه را امکان‌پذیر می‌کنند؛ چنانکه «گروههای الکترونیکی»[15] با مشارکت یکدیگر، اطلاعات را خلق می‌کنند، به اتفاق بر متون یا سایر پروژه‌ها کار می‌کنند، یا در گفتگوهای همزمان شرکت می‌کنند. در چنین محیطی، مشکل است که محصولی[16] را در نقطه واحد، کالا[17] نامید، زیرا براساس تعریف، کالا در طول زمان و در مکانهای گوناگون، شکل ثابتی دارد. علاوه بر این، برای اطلاعات، مصرف نهایی قابل تصور نیست و تنها چیزی که برای آن وجود دارد، انباشت، اشاعه، یا انتقال است. تعیین محدوده برای زمان معامله[18] نیز امکان پذیر نیست. افراد به ایده‌هایی پاسخ می‌دهند که ممکن است هزاران سال پیش پدید آمده باشند و در مقابل، ممکن است به طور همزمان به تفکر درباره یک موضوع واحد بپردازند.

اغلب گفته می‌شود اطلاعات، نابود شدنی[19] است. به عنوان نمونه، ارزش اطلاعات مربوط به موجودی کالا در بازار، نزد سرمایه‌گذاران در دوره‌های کوتاه زمانی، به سرعت
کاهش می‌یابد. کانون و منشأ ارزش اطلاعات نیز می‌‌تواند از نوعی استفاده کننده (مانند سرمایه‌گذار یا واسطه) به نوعی دیگر (مانند تحلیلگر یا مورخ) متغیر باشد.
اقتصاد دانانی که درباره دیگر امکانات رفاهی مانند الکتریسته کار می‌کنند، می‌توانند آمار مربوط به عادتهای مصرف را واکاوی کنند و از نتایج آن برای مقاصد برنامه‌ریزی بهره برند. اما درباره خلق و جریان اطلاعات، تاکنون تعیین نقاط منظم برای اوج مصرف، امکان‌پذیر نبوده است. اطلاعاتی که در نقاط زمانی مختلف دریافت می‌شوند، از لحاظ ارزش، با یکدیگر متفاوت هستند، چرا که ارزش آنها از اطلاعاتی که قبلاً دریافت شده‌اند تأثیر می‌پذیرد، ارزش اطلاعات در طول زمان، انباشت‌پذیر[20] است و پذیرش هر قطعه از اطلاعات بر ارزش اطلاعاتی که به دنبال آن دریافت می‌شود، تأثیر می‌گذارد.
3. مسئله مکان
در دهه 1980 توجه به اهمیت مکان در علوم اجتماعی به عنوان یک مقوله تحلیلی در پاسخ به تجربه جهانی شدن، آغاز شد. این مقوله در اقتصاد اطلاعات نیز پدیدار شده است، زیرا زیرساختهای اطلاعاتی، امکان تولید غیرمتمرکز اطلاعات را فراهم می‌کنند و موضوع مکان را در بسیاری موارد منتفی می‌سازند و باعث می‌شوند که مصرف کننده یا مشتری، به طور کلی ناپدید و از نظر دور شود. با رشد تجارت خدمات و
سرمایه‌گذاری مستقیم خارجی،[21] بر مسئله تعیین محلی که در آن معاملات اطلاعاتی واقع می‌شوند، تأکید زیادی می‌شود. برای مثال، در پردازش داده‌ها،
ممکن است شرکتی که مدیریت آن در یک کشور واقع است، رایانه‌هایی در کشور دیگری داشته باشد که داده‌هایی را از کشور سوم برای پاسخ به تقاضاهایی از کشور چهارم، پردازش می‌کنند. در چنین وضعی، روشن نیست که معامله در کدام یک
از این کشورها (کشور محل مصرف، محل پردازش، منبع داده‌ها، یا کشوری که مدیریت شرکت در آن قرار دارد) واقع شده یا اصولاً در خود شبکه ارتباطاتِ راه دور انجام گردیده است.
4. مسئله عینیت
برجسته‌ترین ویژگی اطلاعات که در تحلیل اقتصادی به آن توجه می‌شود، ملموس و عینی نبودن آن است. از این دیدگاه می‌توان روابط متعددی را بین اطلاعات و مواد[22] قائل شد. یکی از دشواریهای اساسی در اقتصاد اطلاعات، مشکل تمییز بین ارزش اطلاعات و ارزش موادی است که اطلاعات به آنها مرتبط است، یا درون آنها قرار
دارد. بیشتر تحلیلهای اقتصادی درباره اطلاعات به بسته‌بندی قابل مشاهده و ملموس آن مربوط می‌شوند، نه به خود اطلاعات. عدم تفکیک ارزش اطلاعات از ماده‌ای که ظرف اطلاعات را می‌سازد، یکی از دشواریهای پیش‌روی اقتصاددانان است.
ارتباط بین اطلاعات و دنیای مواد، قابل انعطاف و بسیار نزدیک است. این ارتباط از سازمان دنیای مواد سرچشمه می‌گیرد. یک پدیده مادی، ممکن
است انواع گوناگونی از اطلاعات را پدید آورد و در مقابل، پدیده های مادی گوناگون، ممکن است اطلاعات یکسانی را به وجود آورند. بسیاری از انواع اطلاعات، هرگز در قالب یک شکل مادی در نمی‌آیند، بلکه در روابط، جای می‌گیرند. تلاش برای کمّی کردن این نوع اطلاعات، شامل توسعه سیستمهای حسابداری برای کار در زمینه سرمایه فرهنگی، اجتماعی، و فکری بوده است.
5. مسئله عدم تجانس[23]
در اقتصاد، عدم تجانس، مشکلی عام است. عدم تجانس شکل، ارزش، و کارکرد اطلاعات نیز مشکل‌زاست. تعریف واحدی برای همه انواع اطلاعات و صنایع موجود در بخش اطلاعات وجود ندارد. کالاهای واحد، ممکن است همزمان دارای تعریفهای چندگانه‌ای باشند که در علم اقتصاد (که به قابلیت تصریح، تعیین محل، و ثبات شکل کالاها در مکانها و در زمانهای مختلف نیاز دارد)، قابل پذیرش نیست.
هر فرایند یا کالای اطلاعاتی واحد، همزمان از سوی افراد گوناگون به گونه‌های متفاوتی ارزشگذاری می‌شود. این ویژگی آن با کالاهای مادی مشترک است، اما به نظر می‌رسد در سنجش ارزش اطلاعات، بسیار مهم باشد. در مورد اطلاعات، بیشتر ممکن است که ارزش استفاده آنها هیچ ربطی به ارزش مبادله‌شان نداشته باشد. برای یک فرد خاص، اطلاعات یکسان در شرایط گوناگون ممکن است ارزشهای متفاوتی داشته باشد. یک محصول اطلاعاتی خاص در یک زمان می‌تواند کارکردهای چندگانه‌ای در اقتصاد داشته باشد. به عنوان مثال، یک سیستم حسابداری، نه تنها یک محصول به شمار می‌آید، بلکه ابزاری ساخت‌یافته برای تولید دیگر محصولات با ایجاد هماهنگی، درون و بین سازمانها است.

6. مسئله تصرف‌ناپذیری[24]

مسئله تصرف‌ناپذیری اطلاعات، بسیار مهم است، زیرا بدون امکان تصرف و تصاحب، کالایی وجود نخواهد داشت. دوگانگی ناشی از ماهیت اطلاعات، هم به عنوان یک محصول خصوصی و هم عمومی[25]، دو مشکل ایجاد می‌کند. تضاد اساسی در برخورد اقتصادی با اطلاعات، ناشی از این است که ماده‌ای که اطلاعات در آن قرار گرفته، محصولی خصوصی است، در حالی که اطلاعات به خودی خود، یک محصول عمومی به شمار می‌آید. معنای مصطلح اصطلاح «کالای عمومی» این است که دسترسی به چنین کالاهایی باید حق همه مردم باشد (مانند آب). اما در اقتصاد، این اصطلاح به چیزی اطلاق می‌شود که استفاده از آن از سوی یک نفر، مانع استفاده
دیگران ازآن نشود. برای اقتصاددانان، اطلاعات دارای یک جنبه کالای عمومی است، از این نظر که اطلاع یک نفر از چیزی، مانع دیگران از داشتن همان اطلاع
نمی‌شود.
فروش کالاهای مادی مستلزم انتقال یک شیء از فروشنده به خریدار است، اما در مورد اطلاعات، فروشنده پس از فروش، همچنان اطلاعات را در اختیار دارد و می‌تواند از آن استفاده کند. بنابراین، هنگام انتقال اطلاعات، بسیار مشکل است که استفاده از آن را تنها منحصر به خریدار نمود. در این حالت، اطلاعات را «نشت کننده»[26] می‌دانند زیرا برای غیرخریداران نیز بسیار آسان است که از این اطلاعات استفاده کنند. این مشکل با کاهش هزینه‌های تکثیر، تولید مجدد و انتقال اطلاعات، افزایش می‌یابد.

7. مسئله خود انعکاسی[27]

برای خریدار، ارزش اطلاعات تا هنگامی که اطلاعات را نداشته باشد، ناشناخته است.
کالاهای اطلاعاتی، به خودیِ خود، اطلاعات بیشتری تولید می‌کنند. بنابراین، کالاهای اطلاعاتی دارای نقش ماده یا حتی عامل[28] در فرایند تولید هستند، مسئله‌ای که درباره بیشتر کالاهای مادی یا دیگر عوامل تولید صادق نیست.
مدل فضای اطلاعاتی
«بوئیسوت»
با توجه به دشواریهای تعیین ارزش اطلاعات، مدلی با عنوان «فضای اطلاعاتی»[29] برای تسهیل تحلیل ارزش اطلاعات و دانش ارائه می‌کند (Boisot 1998, 42-55). این مدل که در اصل در سال 1995 ارائه شده و بلافاصله نیز مورداستقبال قرار گرفته بود (Ashford 1997) از سه بعد «کدبودن»[30] ، «انتزاعی بودن»[31] و «انتشار»[32] تشکیل شده است (شکل 1).
«کدبودن»
اطلاعات، به میزانی که اطلاعات می‌تواند شکل و فرم بگیرد، بستگی دارد. هر چه اطلاعات را بتوان به اشکال و دسته‌های محدودتری طبقه‌بندی کرد، میزان «کدبودن» آن بیشتر می‌شود و در مقابل، با تنوع شکل و طبقات، اطلاعات به سمت «کد نشده» پیش می‌رود. بدین ترتیب هر چه کاری کمتر رمزگذاری شده باشد، برای تخصیص هر مورد به طبقه‌ای خاص، در آن کار، زمان بیشتری لازم است و در نتیجه میزان داده‌هایی که برای انجام کار باید پردازش شوند نیز بیشتر خواهد
بود. بنابراین بین میزان کدبودن و پیچیدگی، ارتباط وجود دارد. براین، اساس می‌توان اطلاعات یا دانش مورد نیاز برای انجام هر کار را روی محور «کدبودن» و بر مبنای میزان پردازش داده‌هایی که باید انجام شود، نشان داد. در انتهای «کد نشده» این محور، کارهایی قرار دارند که برای انجام آنها به پردازش حجم بسیار زیادی از داده‌ها نیاز است. چنین کارهایی را نمی‌توان به صورت واضح بیان کرد. به عبارت دیگر، نمی‌توان اطمینان داشت که آنچه بیان شده، در حقیقت همان کار واقعی است. در انتهای دیگر محور، یعنی «کد شده»، کارهای ساده‌ای وجود دارند که تنها نیاز به اندکی داده برای انجام آنها هست. مقیاس «کد بودن» اطلاعات، تعریف ویژه‌ای از پیچیدگی است که به حجم اطلاعاتی اطلاق می‌شود که برای پردازش داده‌های معیّن لازم است.
شکل 1. مدل فضای اطلاعاتی (Boisot 198
«انتزاعی بودن» به میزان سازماندهی اطلاعات که بر اساس مقاصد ما صورت می‌گیرد، بستگی دارد. هرچه اطلاعات انتزاعی‌تر باشد، کاربرد آن عمومی‌تر و کمتر محدود به مکان، زمان و حوزه‌ای خاص است. در مقابل، هر چه اطلاعات، عینی‌تر باشد، کاربرد آن خاص و به زمان و مکان، محدودتر خواهد بود. در حقیقت، «انتزاعی بودن» شکلی از گرایش به ساده‌سازی و تقلیل[33] است که با ارائه «اندک» برای توصیف «زیاد» عمل می‌کند. بدین ترتیب، علاوه بر «کد بودن» می‌توان اطلاعات را روی محور «انتزاعی بودن» نیز نشان داد.

در یک سوی این محور، تجارب بسیار عینی وجود دارند که اطلاعات و دانش مربوط به آنها بیشتر، ادراکی و وابسته به زمان و مکان است. در سوی دیگر محور، اندیشه انتزاعی وجود دارد که اطلاعات و دانش مربوط به آن، بیشتر مفهومی و غیر وابسته به زمان و مکان است. دانش و اطلاعات ادراکی و عینی، روشن و عمیق هستند، اما بیرون از شرایط خاص مربوط، چندان به کار نمی‌آیند. از طرف دیگر، دانش و اطلاعات مفهومی و انتزاعی کاربردی عمومی دارند، اما ممکن است خسته‌کننده و بی‌جان باشند.
«انتشار» اطلاعات به میزان دسترسی به داده‌ها و اطلاعات برای کسانی که خواهان استفاده از آنها هستند، مربوط می‌شود. البته «انتشار» به معنای استفاده نیست. به عبارت دیگر، ممکن است اطلاعات به میزان
زیادی منتشر شده اما همچنان بلااستفاده باقی مانده باشد. «انتشار» سومین بعد مدل فضای اطلاعاتی است.

مفهوم ارزش اطلاعات در مدل فضای اطلاعاتی

«بوئیسوت»
پس از معرفی مدل فضای اطلاعاتی، از آن برای تعیین ارزش اطلاعات استفاده می‌کند (Boisot 1988, 77-81). این مدل سه بعدی می‌تواند نقشه‌ای برای تحلیل
ارزش اطلاعات ارائه کند. این نقشه با توجه به این نکته ارائه می‌شود که کمیابی یک کالای اطلاعاتی، تابعی از جایگاه آن در طول بُعد «انتشار» است. هر چه این جایگاه به سمت چپ فضای اطلاعاتی نزدیک‌تر باشد، اطلاعات کمتری در اختیار دیگر افراد جمعیت هدف خواهد بود و بنابراین کمیاب‌تر است و در عوض هر چه به سمت راست حرکت کنیم، اطلاعات از لحاظ کمیابی به ویژگیهای کالای عمومی نزدیک‌تر می‌شود. می‌توان دید به همان میزان که انتشار یک کالای اطلاعاتی به درجه «کد بودن» و «انتزاعی بودن» آن بستگی دارد، کمیابی، حاصل طبیعی این متغیر است. اطلاعاتی که تبیین و ساخت دادن به آن دشوار باشد، چندان قابل انتشار نیست. از طرف دیگر، اطلاعاتی که بتوان آن را در قالب چند نماد محدود فشرده ساخت، در بستر شبکه ارتباطی مناسب، در عرض چند دقیقه یا حتی چند ثانیه قابل انتشار و اشاعه است.
در این میان، مطلوبیت کالاهای اطلاعاتی دارای دو بعد است. اول اینکه کالا به چه میزانی برای کاربردی خاص مفید است و دوم اینکه چند کاربرد بالقوه متفاوت برای آن وجود دارد. بدین ترتیب، یک کالای اطلاعاتی هر چه به سمت «انتزاعی بودن» بیشتر برود، مطلوبیت آن افزایش خواهد یافت. چرا که کیفیتی عام کسب می‌کند بر تعداد کسانی که کالا برایشان مطلوب است، می‌افزاید.
بدین ترتیب از طریق سه متغیر «کد بودن»، «انتزاعی بودن»، و «انتشار»، هم کمیابی و هم مطلوبیت یک کالای اطلاعاتی در فضای اطلاعاتی، قابل توصیف است. واضح است که بیشترین ارزش اطلاعات در فضای اطلاعاتی، هنگامی حاصل می‌شود که «انتشار» در کمترین میزان، اما «کدبودن» و «انتزاعی بودن» آن در بیشترین میزان خود باشند. در مقابل، کمترین ارزش چنین کالایی، هنگامی حاصل می‌شود که «انتشار» در بیشترین میزان و «کدبودن» و «انتزاعی بودن» در کمترین میزان خود باشند.
در شکل 2، فضایی اطلاعاتی‌ به عنوان نقشه ارزش، ارائه شده که درآن، نقاط حداکثر ارزش (حداکثر کمیابی و مطلوبیت) و حداقل ارزش (حداقل کمیابی و مطلوبیت) نشان داده شده اند.
شکل2. بیشترین و کمترین ارزش در فضای اطلاعاتی (Boisot 198
منحنی های موجود در شکل، نقاطی را نشان می‌دهند که در آنها با ترکیبهای متفاوتی از سه بعد، ارزش یکسانی

پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
نقش سیستمهای پشتیبان تصمیم برای دستیابی به حسابرسی مستمر

ارسال شده توسط احمد محمدی | 3 01, 2014 | بازدید‌ها (1426)

نقش سیستمهای پشتیبان تصمیم برای دستیابی به حسابرسی مستمر

پدیدآورنده: ایمان حطیطه
مقدمه
سیستمهای پشتیبان تصمیم1 نوع خاصی از سیستمهای اطلاعاتی هستند که اطلاعات به‌دست‌آمده از منابع مختلف را با یکدیگر ترکیب، بین آنها ارتباط برقرار کرده و از این طریق به اتخاذ تصمیم مناسب به‌خصوص در مورد مسائل پیچیده، کمک می‌کنند. این سیستمها دارای قابلیتهای تحلیلی پیشرفته‌ای
هستند که به کاربران اجازه می‌دهند تا از مدلهای تصمیم‌گیری مختلفی برای تحلیل اطلاعات استفاده کنند. همچنین، این سیستمها می‌توانند اطلاعات را از سیستمهای پردازش اطلاعات گرفته و در قالب مجموعه‌ای از گزارشها به کاربر بدهند (فیضی و مقدس، 1384). امروزه استفاده از سیستمهای پشتیبان تصمیم در حرفه حسابرسی به‌طور گسترده‌ای رواج پیدا کرده است؛ به‌گونه‌ای که سبب بهبود کیفیت حسابرسی، تسریع در فرایند تصمیم‌گیری، کاهش تلاش مورد نیاز برای عملکرد موثر و تعلیم افراد مبتدی برای قضاوت به شکل حرفه‌ای و ماهرانه شده‌اند.
موسسه‌های حسابرسی به‌طور معمول سیستمهای پشتیبان تصمیم را برای تعیین ریسک، راهبردهای حسابرسی، برنامه‌ریزی حسابرسی، ارزیابی کنترلها، ارزیابی علامتهای خطر، تعیین آزمونهای کنترلی و ذاتی و ارزیابی نتایج این آزمونها به‌کار می‌برند. حسابرسان نیز از این سیستمها برای وظایف متعدد خود مانند تعیین اندازه نمونه، اجرای رویه‌های تحلیلی، ارزیابی داده‌ها برای شواهد تقلب مالی و آموزش استفاده می‌کنند.
سیستمهای پشتیبان تصمیم از دیدگاه نظری، مزایایی را برای حسابرسان به همراه دارد؛ زیرا دقیقتر، بدون سویه‌تر و عینی‌تر بوده و در یکی کردن حجم بسیار زیادی از اطلاعات برای رسیدن به یک قضاوت خلاصه، نسبت به انسانها موثرترند. پس موسسه‌های حسابرسی می‌توانند از این سیستمها برای کنترل، تسهیل و حمایت از کار حسابرسی استفاده ‌کنند؛ اگر چه تحقیقهای پیشین نشان داده‌اند که حسابرسان حرفه‌ای و باتجربه بیشتر اوقات ترجیح می‌دهند تا از اطلاعات و پیشنهادهای سیستمهای پشتیبان تصمیم استفاده نکنند؛ فرصتهای سیستمهای پشتیبان تصمیم آینده برای حسابرسان با توجه به پیشرفت فناوری، توسعه نظریه‌هایی از دانش کامپیوتر و روانشناسی و تغییر رویه‌های حسابرسی در نظر گرفته شده است و اینکه چگونه فناوریهای سیستمهای پشتیبانی از تصمیم جدید ممکن است بر رویه‌های حسابرسی آینده اثر بگذارد.
چالشهای حسابرسی آینده پیش‌بینی‌های زیادی در رابطه با آینده حرفه حسابرسی وجود دارد.
جهانی شدن و توسعه ابزار مالی پیچیده، ریسکهای اقتصادی پیچیده و همینطور موضوعهای ارزشیابی، شرایطی را به‌وجود آورده که ممکن است توانایی حسابرسان برای ارزیابی این حوزه‌ها با استفاده از مهارت و فناوریهای جاری، کافی نباشد. از سویی، هیئت نظارت بر حسابداری شرکتهای سهامی2 نیز دو هدف را برای حسابرسان در نظر گرفته است؛ آنها در مقابل جلوگیری و کشف تقلبهای مالی مسئولیت دارند، در حالی که تغییر شرایط اقتصادی، افزایش تحریف در ابزار مالی، توسعه بازارهای جهانی و تغییر رویه‌های حسابرسی، فشار بسیار زیادی را بر حسابرسان برای ارزیابی مستمر ریسکهای موجود در سطح واحد تجاری از جنبه‌های بیشمار به‌وجود آورده است. افزایش تقاضا برای بررسی بیشتر فعل و انفعالهای ریسک، مستلزم ارزیابی حجم بیشتری از داده‌ها از منابع بسیار زیاد
در آینده است. بدین ترتیب، استفاده از سیستمهای پشتیبان تصمیم بیشتر مورد انتظار است.
سیستمهای پشتیبان تصمیم در حسابرسی
در مقاله با چنین طبقه‌بندی مطلب را پی خواهیم گرفت؛ سیستمهایی برای حسابرسی مشتریان، سیستمهایی برای مدیریت حسابرسی و سیستمهایی برای آموزش حسابرسی (شکل 1). شروع کار با قسمت پایین هرم است؛ جایی که سیستمهای پشتیبان تصمیم در برخی حوزه‌ها همچنان وجود دارد. سپس به سمت بالای هرم حرکت ادامه دارد. در آنجا درباره احتمالات جدید برای استفاده از این سیستم در حرفه حسابرسی به‌تفصیل بحث خواهد شد. آنگاه درباره اینکه چگونه حسابرسان به استفاده از سیستمهای پشتیبان تشویق شوند و اینکه چگونه از آن برای تعلیم ایشان استفاده شود، مقاله به پایان می‌رسد. در تحلیل نهایی، به این نتیجه‌گیری خواهیم پرداخت که با استفاده از سیستمهای پشتیبان تصمیم به‌وسیله داده‌کاوی3 در سراسر حسابرسی یکپارچه و با تهیه نقشه راه، ‌نشان داده خواهد شد که چگونه حسابرسی مستمر می‌تواند از مفهوم به‌سمت واقعیت حرکت کند.
سیستمهایی برای مشتریان حسابرسی
تمرکز حسابرسان داخلی بر کنترلهای داخلی و اهمیت رویه‌های کنترلی شرکتها به این می‌انجامد که آنها افزون بر ارزیابی کنترلهای داخلی، درباره ارزیابی مدیریت ریسکهای تقلب واحد تجاری در آینده هم مسئولیت داشته باشند. در نتیجه، حسابرسان با استفاده از حجم بسیار زیادی از داده‌ها از منابع چندگانه به روشهایی برای تجزیه‌وتحلیل فعل و انفعالهای پیچیده اقتصاد، سیاست، فرهنگ، صنعت و ریسکهای سطح شرکت نیاز دارند. این تغییرها نشان می‌دهند که حسابرسی مستمر درگیر مجموعه‌ای از داده‌های متراکم و پیچیده خواهد شد. مبحث را با توصیف راههایی برای جمع کردن اطلاعات مهم و مربوط از پایگاههای داده بزرگ از طریق داده‌کاوی، متن‌کاوی4 و نظارت مستمر5 آغاز می‌کنیم.
سیستمهای پشتیبان تصمیم برای داده‌کاوی و نظارت
داده‌کاوی
نیاز به داده‌کاوی در حسابرسی به‌طرز درخور‌توجهی افزایش یافته است. از آنجا که سیستمهای برخط مانند اینترنت و ابزار مرتبط با فناوری معاملات حسابداری را پیچیده‌تر و در عین حال دستکاری در آنها را آسانتر کرده‌اند، و با توجه به اینکه نیاز به ارزیابی دقیق مجموعه داده‌های بزرگ و
پیچیده نسبت به کنترلها و حسابهای شخصی در حرفه برجسته‌تر می‌شود، سیستمهای پشتیبان تصمیم از فعالیتهای داده‌کاوی که فرایندهای حسابرسی را تسریع می‌کند، حمایت می‌‌کند (Wang & Yang, 2009). داده‌کاوی شامل روشهای متفاوتی (مانند شبکه‌های عصبی، الگوریتم ژنتیک، شبکه‌های اعتقادی بیز6) برای کشف الگوهایی در مجموعه‌های بزرگِ داده است. شرکتها از داده‌کاوی طی سالیان متمادی برای انجام وظایفی چون تجزیه‌وتحلیل الگوی خرید
مشتری در راه رسیدن به هدفهای بازاریابی و مدیریت کالا استفاده می‌کردند. حسابرسان مستقل بیشتر اوقات از روشهای تجزیه‌وتحلیل رقمی که زیرمجموعه‌ای از داده‌کاوی در نرم‌افزارهایی چون ای‌سی‌ال
(ACL) است، استفاده می‌کنند. این تجزیه‌وتحلیل شامل بررسی الگوهایی در شمارش رقم و مبتنی بر توزیع مورد انتظار ارقام حاصل از قانون بن‌فورد7 است که معتقد بود مجموعه‌ای از ارقام مشخص نسبت به سایر ارقام در شروع شمارش بیشتر اتفاق خواهند افتاد. برای مثال، 1 به‌عنوان رقم اول شماره‌های چند‌رقمی در حدود 31 درصد مواقع رخ می‌دهد؛ در حالی که 9 در حدود 5 درصد مواقع به‌عنوان رقم اول است. مطالعه‌ها نشان داده‌اند که قانون بن‌فورد با بعضی داده‌های مالی مانند حسابهای دریافتی و پرداختی مطابقت دارد. زمانی که
اشخاص معاملات نادرست ایجاد کنند یا ثبتهای نادرست بزنند، اعداد حاصل ممکن است از انتظارهای قانون بن‌فورد انحراف داشته باشند.
تجزیه‌وتحلیل رقمی از بی‌قاعدگی در الگوهای رقمی جلوگیری خواهد کرد. این کار تولید آزمونهای حسابرسی هدف را آسانتر کرده و باعث به‌کارگیری کاراتر منابع کمیاب حسابرسی می‌شود. دولت ایالات‌متحد به‌تازگی اتکای خود بر تجزیه‌وتحلیلهای رقمی را برای کشف تقلبهای مالی شرکتی و فرارهای مالیاتی افزایش داده است؛ زیرا این روشها به ایشان اجازه می‌دهند تا تلاش خود را بر موضوعها و معامله‌هایی متمرکز کنند که احتمال کسب درامد از آن بیشتر است.
در حالی که تجزیه‌وتحلیل رقمی منافعی را به همراه دارد و استفاده از آن در حال افزایش است، اما این روش عیبهایی نیز دارد. بسیاری از شکلهای معاملات با توزیع توصیف‌شده مطابق نیستند تا بتوان از آنها برای کشف بی‌قاعدگی‌ها استفاده کرد. به‌طور کلی باید از تجزیه‌وتحلیل رقمی در معاملات بیشتری استفاده شود تا بتوانیم تعیین کنیم که آیا بیشتر داده‌های حسابرسی از توزیع رقمی پیش‌بینی‌پذیر و انتظارپذیر پیروی می‌کنند یا نه؟ حتی اگر توزیع زیادی مشخص شود، بازهم تجزیه‌وتحلیل رقمی ممکن نیست جامع باشد؛ زیرا شرکتهای حسابرسی باید داده‌های متن بسیار زیادی را نیز ارزیابی کنند. شاید بیشترین احتمال برای رویکرد نوین داده‌کاوی در رویه‌های حسابرسی شامل تجزیه‌وتحلیل متن باشد.
متن‌کاوی
متن‌کاوی شکل ویژه‌ای از داده‌کاوی است که الگوهایی را از متن به جای ارقام استخراج می‌کند. روشهای متن‌کاوی در ایمیل، روزنامه‌ها و مجله‌ها و به‌طور کلی اینترنت کاربرد دارد. متن‌کاوی همچنین به تولید داده‌کاوی اکتشافی در کاربردهای تجاری کمک می‌کند.
داده‌کاوی اکتشافی تقریباً کاربرد بدیعی از داده‌کاوی است که به‌وسیله سیستمهای جمع‌آوری خبر به‌کار گرفته می‌شود. با استفاده از این سیستمها ممکن است در حالی‌که هیچ فرضیه مشخص قبلی برای آزمون وجود ندارد، از داده‌ها مدلهایی درست کرد. سیستمهای تجربی شامل آتنز (ATHENS) نشان دادند که به‌آسانی و با کشف کلمات کلیدی می‌توان اطلاعات جدیدی از فضای وب کشف کرد. سیستمهای دیگر با تجزیه‌وتحلیل رئوس مطالب اخبار برخطِ منتشرشده و در دسترس، می‌توانند روابط مالی مربوط میان آنها را کشف کنند.
در تحقیقی بسیار جالب کیلا و اسکیلیکورن
(Keila & Skillicorn, 2005)، متن‌کاوی را در ایمیلهای شرکت انرون به‌کار بردند. آنها به این نتیجه رسیدند که تغییرهای کلمات مورد استفاده به‌وسیله مدیریت ممکن است پیش‌بینی‌کننده تغییرهای سازمانی مهم مانند کاهش وفاداری کارمندان به شرکت، تغییر نقش مدیران و واکنشهای سازمانی به تهدیدها باشد. دیگر تحقیقها همچنین نشان دادند که الگوریتمهای متن‌کاوی ممکن است از تقلب و نیرنگ جلوگیری کنند. به‌طور مشابه، حسابرسان با استفاده از روشهای متن‌کاوی و جلسه‌های گروهی می‌توانند به بررسی ویژگیهای رفتاری مدیریت، قواعد رفتاری و اخلاقی شرکت بپردازند.
به‌طور کلی، سیستمهای متن‌کاوی مزایای مهمی به همراه دارند. ایمیل منبع اصلی ارتباطهای مدیریتی است و روشهای متن‌کاوی می‌توانند تمام ایمیلها را به‌سرعت، به ارزانی و به‌طور موثر مورد بررسی قرار دهند. سیستمهای پشتیبان تصمیم متن‌کاوی جدید اجازه تجزیه‌وتحلیل ریسکهای شرکت را که نقطه ضعف اصلی امروز می‌باشد، می‌دهند. البته پرسشهایی نیز به‌وجود می‌آید. به‌طور مثال، آیا توانایی حسابرسان برای دستیابی به ایمیلها و ارتباطات شرکتِ مورد حسابرسی به‌طور قانونی محدود نشده است؟ شبکه‌های اجتماعی در صورتی که یکی از اعضای شبکه بفهمد که ارتباطشان مورد تجزیه‌وتحلیل قرار می‌گیرد، چگونه تحت تاثیر قرار خواهد گرفت؟ آیا محدودیت اخلاقی در متن‌کاوی وجود ندارد؟
سیستمهای پشتیبان تصمیم داده‌کاوی و متن‌کاوی برای حسابرسان به‌رغم دشواری در استفاده، سودمند است و باید به‌طور مستمر به‌کار گرفته شود. همچنین پیشنهاد می‌شود که سیستمهای پشتیبان تصمیم به‌صورتی طراحی شود تا بر پایگاههای داده بی‌شمار و به‌صورت مستمر نظارت کند. این بحث در ادامه بیشتر توضیح داده خواهد شد.
زیرسیستمهای نرم‌افزاری تعبیه‌شده و نظارت مستمر
بسیاری از شرکتهای حسابرسی و محققان، به‌طور تاریخی مفهوم حسابرسی مستمر را استفاده از زیرسیستمهای نرم‌افزاری تعبیه‌شده8 که برای تجزیه‌وتحلیل معاملات مشتری و نظارت بر کنترلهای عملیاتی و گزارش هر یک از معاملات و فعالیتهایی که غیرمعمول یا غیرقانونی طراحی شده است، می‌دانند. زیرسیستمهای نرم‌افزاری تعبیه‌شده نوعی از سیستمهای پشتیبان تصمیم هستند که
باید به سیستم صاحبکار ضمیمه شوند.
حسابرسی مستمر حسابداران (اعم از داخلی و خارجی) را قادر می‌سازد تا اطمینان‌بخشی مکتوب خود را در مورد موضوعی با استفاده از مجموعه
گزارشهای حسابرسی که همزمان یا با فاصله زمانی کمی پس از وقوع رویدادی منتشر می‌شوند، تهیه کند. حسابرسی مستمر به‌جای حسابرسی یک عکس حسابداری، به حسابرسی یک فیلم حسابداری می‌پردازد (قنبریان، 1390). همچنین، حسابرسی مستمر از طریق کاهش زمان و هزینه، افزایش انعطاف‌پذیری، کاهش اشتباهها، افزایش تمرکز بر کنترلهای داخلی و کاهش هزینه سرمایه افزایش اثربخشی حسابرسی می‌انجامد (Majdalawieh et al., 2012). نظارت مستمر به‌طورکلی شامل جمع‌آوری خودکار شواهد حسابرسی است که از عملکرد سیستمها و کنترلها با روش طراحی‌شده و پردازش مناسب معاملات اطمینان حاصل می‌کند (عرب‌مازار و مداحی، 138. استفاده از زیرسیستمهای نرم‌افزاری در کاربردهای نظارت مستمر، گویای حرکت به‌سمت حسابرسی مستمر است.
در تحقیقهای مختلف مشخص شده است که حدود50 درصد از مدیران حسابرسی مطالعه‌شده، سیستمها را در قسمت (بخش) حسابرسی داخلی که به‌طور مستمر بر معیارهای عملکرد و ریسکهای تقلب نظارت می‌کنند، به‌کار می‌برند؛ اما حسابرسی مستمر همچنان به‌وسیله حسابرسان مستقل بعد از کارکرد حسابرسی داخلی حرکت می‌کند و تاخیر دارد. مانع اصلی فناوری زیرسیستمهای نرم‌افزاری این است که فناوری مزبور فقط می‌تواند هر چه در آن برنامه‌ریزی و تعبیه شده
را جستجو کند. در نتیجه این سیستمها فقط خلاف قاعده‌هایی را کشف می‌کنند که حسابرس پیش‌بینی می‌کند و نظارت بر بی‌قاعدگیهای گسترده‌تر، احتیاج به تعداد زیادی زیرسیستم دارد. بدینسان نوع جدیدی از نظارت برای صرفه‌جویی در موضوعها مورد نیاز است. برای این هدف، بعضی از شرکتها شروع به ترکیب هوش مصنوعی با زیرسیستمهای تعبیه‌شده برای توسعه ظرفیت نظارتهای برنامه‌ریزی‌شده، کاهش تعداد زیرسیستمهای مورد نیاز و اجازه به جستجو بی‌نظمی‌ها در سطح گسترده‌تر کرده‌اند.
تحقیقهای کمی هم که در زمینه کاربرد عملی زیرسیستمهای نرم‌افزاری انجام‌شده، نشان می‌دهد که این مدل در جلوگیری از خلاف قاعده‌ها
موثر بوده است؛ اما حجم بسیار زیادی از داده‌های استثنا و گزارش خطای مثبت
وجود دارد. این مشکل ممکن است با به‌کار گیری داده‌کاوی و متن‌کاوی در نظارت مستمر داده‌ها به‌سرعت تعدیل شود. در این شرایط، استفاده از سیستمهای
پشتیبان تصمیم نسبت به تصمیم‌گیری انسانی بسیار کاراتر و موثرتر خواهد بود.
سیستمهای پشتیبان تصمیم برای یکپارچه کردن اطلاعات
سیستمهای پشتیبان تصمیم یکپارچه، اطلاعات داخلی حاصل از زیرسیستمهای نرم‌افزاری چندگانه، داده‌های داخلی استخراج‌شده و داده‌های خارجی استخراج‌شده حاصل از سایر پایگاههای داده مورد نظارت مستمر را جمع‌آوری و آنها را در شکلی بامعنی، به‌منظور ارزیابی ریسک حسابرسی، یکپارچه می‌کند. در حالی که حسابرسان ممکن است بتوانند شرایط به نسبت ساده را خودشان ارزیابی و مورد سنجش قرار دهند، اما زمانیکه تعداد پایگاههای داده زیاد شده و حجم اطلاعات جمع‌آوری‌شده گسترش پیدا کند، برای اداره آنها
ذهن مشکل خواهد داشت. پس سیستمهای پشتیبان تصمیم یکپارچه ممکن است در عمل در حسابرسی مستمر پیشرو باشد.
هرچه نظارت مداوم، ماهرانه و در سطح بالا انجام شود، ماهیت حسابرسی می‌تواند به هدفش برای ارائه اطلاعات بموقع، زودتر نایل شود. تحقیقها نشان داده‌اند که سرمایه‌گذاران، حسابداران داخلی و حسابرسان مستقل، همگی اعتقاد دارند که گزارشگری مستمر به‌همراه اطمینان‌بخشی، احتمال
دارد کیفیت سود را افزایش، نوسانهای قیمت سهام را کمتر و استفاده مدیریت از تعهدهای اختیاری برای مدیریت سود را کاهش دهد. البته اطمینان‌بخشی در هر
سطحی، ریسک دعوای قضایی به همراه دارد. بنابراین، سازمانها و حسابرسان باید به‌صورت سنجیده و محتاطانه در این حوزه وارد شوند. در این زمینه تحقیقها برای تعیین اینکه آیا سرمایه‌گذاران ارزشی برای این اطمینان‌بخشی قائل هستند یا نه، لازم و ضروری است.
بیان این نکته نیز ضروری است که شکل رسمی اطمینان‌بخشی برای بعضی اطلاعات مانند شرکتهایی که اطلاعات اتکاناپذیر خود را گزارش می‌کنند،
ضروری نیست؛ در این صورت بازار با کاهش قیمت سهام و سایر سازوکارهای بازار، این شرکتها را تنبیه می‌کند. اگر سرمایه‌گذاران بتوانند قابلیت اتکای خروجیهای سیستمهای پشتیبان تصمیم را بدون اطمینان‌بخشی طرف سوم تشخیص
دهند، در این صورت ممکن است به‌عنوان علامتی از تکامل اطمینان‌بخشی باشد.
سیستمهایی برای مدیریت حسابرسی
سیستمهای پشتیبان تصمیم برای حسابرسی پویا
سیستمهای پشتیبان تصمیم در خارج از حرفه حسابرسی هم کاربرد دارد؛ برای مثال در صنعت هواپیمایی محققان به‌تازگی در هوش مصنوعی9 ترکیبی از فناوری برنامه‌ریزی هوشمند10 و کنترل رفتار واکنشی11 را برای تطبیق سریع
هواپیما با محیط استفاده کرده‌اند. ترکیب این دو فناوری، به هواپیما اجازه تعدیل خودکار نسبت به حوادث غیرمنتظره را می‌دهد.
حسابرسان و محققان سیستمهای اطلاعاتی ممکن است این فناوریها را به محیط حسابرسی منتقل کنند. نتیجه این کار ممکن است سیستمهای پردازش حسابرسی تطبیقی و پویایی را به‌وجود آورد که شامل رویه‌های از قبل برنامه‌ریزی‌شده، تعدیل در برنامه‌ریزی حسابرسی با توجه به اطلاعات جدید تولیدشده به‌وسیله سیستمهای داده‌کاوی و زیرسیستمها، و یا قابلیت اجرای آزمونهای رویه‌های حسابرسی نو برای حوادث غیرمنتظره باشد. در حسابرسی آینده، ابزار نظارت مستمر شامل زیرسیستمهای نرم‌افزاری، سیستمهای داده‌کاوی
و سیستمهای متن‌کاوی ممکن است به‌طور مستمر اطلاعات را به این سیستمهای پردازش حسابرسی پویا منتقل کنند.
تصور بر این است که سیستمهای پشتیبان تصمیم مراحل حسابرسی را از برنامه‌ریزی اولیه تا انتها مدیریت می‌کند و تغییرهای ریسکهای واحد تجاری را در زمان واقعی خود مورد نظارت قرار می‌دهد. این سیستم، نظارت مستمر را در نتیجه چرخه حسابرسی مستمر که متناسب با محیط ریسک است، به‌وجود می‌آورد. به‌طور کلی، سیستمهای حسابرسی پویا نیز بیانگر حرکت رویه‌های حسابرسی به سمت سیستمهای منعطف و تطبیق‌پذیر می‌باشد.
در قسمت بالای هرم حسابرسی مستمر، حسابرسی یکپارچه قرار دارد که در قسمت بعد درباره آن بحث می‌شود.
سیستمهای پشتیبان تصمیم برای حسابرسی یکپارچه
تمرکز حسابرسی مالی سنتی بر این است که آیا صورتهای مالی وضعیت
مالی مشتری را به‌طور منصفانه نشان می‌دهد یا نه. حسابرسی یکپارچه علاوه بر این شامل عقاید حسابرس درباره سیستم کنترل داخلی شرکت در سراسر گزارشگری
مالی نیز می‌باشد. به محض اینکه شرکت از سیستمهای پردازش پویای حسابرسی استفاده ‌کند، سیستمهای پشتیبان تصمیم سطح بالا با هدف پشتیبانی از حسابرسی
ایجاد خواهند شد. این سیستمها به‌طور مستمر سیستمهای پشتیبان تصمیم زیربنایی را که در هرم وجود دارد بررسی، کنترلهای داخلی و معاملات مرتبط با
ادعاهای صورتهای مالی را صورت‌بندی، سطح منصفانه بودن انعکاس صورتهای مالی
واحد تجاری هدف را اندازه‌گیری، و دقت و قابلیت اتکای اطلاعات غیرمالی واحد تجاری را ارزیابی می‌کنند و در نتیجه، اساس حسابرسی مستمر شکل می‌گیرد.
سیستمهای پشتیبان تصمیم و حسابرسان
استفاده از تشویق
در حالیکه بسیاری از سیستمهای توصیف‌شده در بالا ظرفیت دگرگون کردن فرایند حسابرسی، تهیه اطمینان‌بخشی مستمر و توسعه توانایی حسابرسان در
ارزیابی ریسکهای پیچیده را دارند، سیستمهای طراحی‌شده باید در عمل به‌وسیله حسابرسان مورد استفاده قرار بگیرند. همانطور که در مقدمه اشاره شد، تحقیقها نشان داده‌اند حسابرسان به‌طور معمول از نتایج اتکاپذیر و باارزش سیستمهای پشتیبان تصمیم چشم‌پوشی می‌کنند و یا در مقایسه با تخصص شخصی، از استفاده از این سیستمها خودداری می‌کنند.
همچنین تحقیقها حاکی از آن هستند که سیستمهای جدید باید ویژگیهای مهم متعددی داشته باشند تا استفاده از آنها توسعه پیدا کند.
اول، سیستمهایی که فعل و انفعالی هستند احتمال دارد بیشتر مورد
استفاده قرار ‌گیرند؛ اما مشکلی که وجود دارد این است که چه مقدار فعل و انفعال سودمند می‌باشد.
دوم، تا آنجا که ممکن است در سیستمهای پشتیبان تصمیم جدید نمودارهای گرافیکی به‌کار گرفته شود؛ از این‌رو که استفاده‌کنندگان به نمودارهای گرافیکی نسبت به داده‌های متنی اعتماد بیشتری داشته و این نمودارها برای بیان نتایج تجزیه‌وتحلیلها، موثرتر و کاراترند. اما مسئله‌ای
که وجود دارد، چگونگی طراحی این نمودارها است. در نهایت، آموزش حسابرسان درباره چگونگی کارکرد این سیستمها، بسیار مهم است.
توسعه تخصص حسابرسی
تعلیم به استفاده‌کنندگان فرایند سیستمهای پشتیبان تصمیم بسیار
مهمتر از توسعه استفاده از این سیستمها است. افراد حرفه‌ای‌ حسابرسی بیشتر
برآموخته‌های تجربی خود برای توسعه تخصص تکیه می‌کنند. هرچقدر سیستمهای پشتیبان تصمیمِ قدرتمندتری از سوی شرکتهای حسابرسی به‌کار گرفته شود، استفاده از آن می‌تواند گویای بخش مهمی از تجربه حرفه‌ای و یکی از منابع کلیدی کسب تخصص به‌شمار آید. یک روش برای پیشرفت در زمینه آموزش سیستمهای پشتیبان تصمیم، بهره‌گیری از سیستمهای شبیه‌سازی‌شده است. این سیستمها به حسابرسان اجازه می‌دهند تا نتایج سیستمهای پشتیبان تصمیم جدید را قبل از عمل، در محیطی شبیه‌سازی‌شده مشاهده کنند. رویکرد مبتنی بر شبیه‌سازی در حرفه حسابرسی به علت اینکه قضاوت در آن بسیار پیچیده است بسیار باارزش است.
سیستمهای شبیه‌سازی به افزایش دانش و تخصص از طریق تجربه غیرمستقیم کمک می‌کنند.
نتیجه‌گیری
در این مقاله، دیدگاه موجود درباره اینکه چگونه سیستمهای پشتیبان تصمیم موجود به تغییر و تحول در حسابرسی آینده می‌انجامند، بیان شد. حسابرسان احتمال دارد از جمع‌آوری دستی داده‌های زیاد به‌سوی مدیریت پیچیده سیستمهای پشتیبان تصمیم حرکت کنند. هدف نهایی سیستمهای پشتیبان تصمیم، حمایت از مفهوم حسابرسی مستمر است.
الآن کجا قرار داریم؟ به‌طور کلی در پایین هرم قرار داریم. شرکتهای حسابرسی از زیرسیستمهای تعبیه‌شده استفاده محدودی کرده و بعضی از نسخه‌های داده‌کاوی برای تجزیه‌وتحلیل الگوهای غیرمعمول در پایگاه داده معاملات مشتریان استفاده می‌شود و کاربرد آنها به داده رقمی و همینطور توزیع داده شناخته‌شده محدود شده است. به تحقیقهای بیشتری در این زمینه مانند تحقیقهای بیشتر در زمینه متن‌کاوی، مورد نیاز است.
با اینکه بعضی از وظایف حسابرسی داخلی در حال ادغام با سیستمهای نظارتی مستمر در سیستمهای رایانه‌ای است، اما استفاده از این سیستمها همچنان محدود است. بدین ترتیب، سیستمهای پشتیبان تصمیم چندگانه به‌جای داشتن سیستم پشتیبان تصمیم واحد و یکپارچه برای این هدف، مثل حسگرها
پیشنهاد می‌شود که در زمینه‌های مختلف شرکت یکپارچه شده (مانند تولید، فروش، حسابداری و غیره) و به‌طور مستمر مراقب تخطی از کنترلها، الگوهای غیرمعمول و معاملات غیرعادی است. خروجی این سیستمهای پشتیبان تصمیم، احتمال
دارد راهی یک یا چند سیستم پشتیبان تصمیم به‌هم پیوسته دیگر ‌شود، جایی که
به تجزیه‌وتحلیل نتایج سیستمهای پشتیبان تصمیم پیشین می‌پردازند و تعیین می‌کنند که چه علامتهایی با ارزش‌تر هستند تا بیشتر مورد بررسی قرار گیرند و
ارزیابی خلاصه‌ای را به استفاده‌کنندگان (حسابرسان) گزارش کنند و در نهایت
خروجی آنها به‌سمت سیستمهای پشتیبان تصمیم حسابرسی پویا روانه خواهند شد.
در سطوح بالای سیستمهای پشتیبان تصمیم در هرم قرار دارد که هدفش ادغام تمام خروجیها از پایین هرم و حمایت از حسابرسی یکپارچه است. این
نوع سیستمهای پشتیبان تصمیم می‌تواند اطلاعات مالی و غیرمالی، کنترلی و ریسکی را در تصویری جامع از مشتری یکپارچه کرده و به نمایش بگذارد. از طرفی، شکلهای جدیدی از ارائه تصویری برای نمایش مختصر این اطلاعات خلاصه که
حسابرسان هم بتوانند آن را بفهمند و درک کنند، مورد نیاز است. وقتی این هرم کامل شود، مفهوم حسابرسی مستمر هم محقق می‌شود.
در نهایت، حسابرسان باید استفاده از سیستمهای پشتیبان تصمیم و اعتماد به این سیستم را که به‌طور حتم زمانبر خواهد بود، قبول کنند. البته که سیستم پشتیبان تصمیم به‌تنهایی نمی‌تواند منجر به تغییرهای شدیدی در فرایندهای حسابرسی شود؛ اما ممکن است در اضافه کردن مهارت و تخصص به افراد تازه‌کار با استفاده از تمرینهای شبیه‌سازی و نقشه‌برداری ادراکی الگوهای مختلف تصمیم، کمک کند.
در آینده و با ظاهر شدن فناوریهای جدید، پیچیده‌تر شدن روابط جهانی، پدید آمدن شکلهای جدید مالکیت خصوصی و عمومی، تقاضای سرمایه‌گذاران برای اطلاعات بموقعتر و تشدید فشارهای قانونگذاران، رویه‌های حسابرسی دستخوش دگرگونیهای فراوانی خواهد شد. سیستمهای پشتیبان تصمیم می‌توانند در افزایش کارایی و اثربخشی به حسابرسی کمک کند. حرکت حرفه حسابرسی به سمت قرن
بیست‌ویکم نیازمند اتحاد و یکدلی میان محققان، شرکت‌کنندگان، سرمایه‌گذاران و قانونگذاران است.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
انباره داده‌ها‌، هوش تجاری و سیستم‌های پشتیبان تصمیم‌گیری
ارسال شده توسط احمد محمدی | 3 01, 2014 | بازدید‌ها (1852)
انباره داده‌ها‌، هوش تجاری و سیستم‌های پشتیبان تصمیم‌گیری
مجید گلپایگانی
عضو گروه تخصصی ERP انجمن انفورماتیک ایران
چکیده
در این مقاله با نگاهی سیستمی و از کلان به خرد، ابتدا موضوع از منظر راهبردی، اهداف سازمانی و جایگاه نیاز آن، بررسی و تأکید شده است که برنامه‌ریزی کلان و کاهش شکاف عملکرد، نیاز به گزارش‌های تحلیلی دارد. سپس اهمیت تصمیم‌گیری، انواع آن، ویژگی‌ها و عوامل مؤثر بر تصمیم‌گیری بیان شده است و نقش مدیریت اطلاعات و انباره داده‌ها در ایجاد پایگاه دانش به‌عنوان زمینه‌ساز سیستم‌های پشتیبان تصمیم‌گیری و بستر مناسب تصمیم‌گیری در سازمان تشریح شده است. در انتها، فرایند انباره داده‌ها و شرکت‌های فعال در ارایه این‌گونه محصولات مورد بحث قرار گرفته است.
واژه‌های کلیدی: انباره داده‌ها، هوش تجاری، سیستم‌های پشتیبان تصمیم‌گیری، داشبورد اطلاعات، داده کاوی، داشبورد مدیریت عملکرد
مقدمه
داده‌ها همواره در یک سازمان وجود دارد، اما جمع‌آوری، سازماندهی، گزارش‌گیری و تحلیل کارآمد آن یا به عبارتی «معنا بخشیدن به داد‌ه‌ها» موضوع متفاوتی است. هیچ اطلاعات کارگشایی از داده‌های بدون مفهوم و معنای واقعی، حاصل نمی‌شود. این‌ اطلاعات انباشته، موجب می‌شود تا در هر سازمان، هر شخص بنا به شرایط، موقعیت و سمت سازمانی برداشت متفاوتی از اطلاعات در دست خود داشته‌‌باشد. امروزه تنوع و کثرت اطلاعات سبب شده تا بسیاری از مدیران سازمان‌های بزرگ از اتفاقات صورت گرفته در سازمان خود اطلاع دقیقی نداشته باشند. محدودیت‌های زمانی و فیزیکی موجب شده‌است تا این اطلاعات بیشتر به‌صورت نادقیق و کلی در اختیار مدیران قرارگیرد.
اینک با رشد صنعت فناوری اطلاعات و کسب تجربیات گوناگون در حوزه جمع‌آوری و ذخیره‌سازی و بازیابی اطلاعات، موضوع «معنا بخشیدن به داده‌ها» و آسان کردن فرآیند تصمیم‌سازی، هم‌زمان در مرکز توجه کارشناسان فناوری اطلاعات و متخصصان علم مدیریت و کسب و کار قرار گرفته‌است. «راه‌حل انباره داده‌ها و هوش تجاری» فناوری جدیدی است که پس از جمع‌آوری، ذخیره، پاکسازی، تجمیع، تحلیل و بازیابی اطلاعات، فرآیند تصمیم‌گیری را برای مدیران آسان می سازد.
شکاف عملکرد راهبردی
در یک نگاه کل به جزء و از منظر راهبردی، شکاف عملکرد در تعریف اهداف سازمان و راه‌های رسیدن به این اهداف معنا می‌شود. برخی از عوامل تأثیر‌گذار بر این شکاف، عوامل درونی و برخی دیگر، برون از سازمان هستند. به‌طور عمده، عوامل درونی به بحث اختصاص منابع سازمانی مانند منابع مالی، انسانی و اطلاعاتی برای رسیدن به اهداف و انتظارات آینده سازمان دلالت دارند. تحلیل شکاف و کاهش آن در جهت نیل به چشم انداز و انتظارات آینده سازمان با استفاده از ابزارهای موجود، از کلیدی‌ترین وظایف مدیران ارشد می باشد که در شکل 1 نشان داده شده است. تحلیل شکاف بیانگر آن است که آیا در جهت کاهش «شکاف عملکرد» گام برمی‌داریم یا خیر؟
حذف شکاف یا کاهش عملی آن، هدف سازمان است و این فرایند چرخه‌ای است که با استفاده از بازخورد صورت می گیرد و تا مرز صفر شدن این شکاف ادامه می یابد. با توجه به تغییرات بسیار زیاد محیطی و پیچیدگی نمایش وضع سازمان در یک تصویر کلان، نیاز مبرمی به تحلیل‌های شرط و جزا است. از طرفی تحلیل به وجود اطلاعات نیاز دارد و اطلاعات از اجزای کوچکتری به‌نام داده تشکیل می‌شوند. داده‌های مجرد و بی‌معنا به کمک انباره داده‌ها به اطلاعات تبدیل می‌شود تا بتواند در مرحله بعد با استفاده از قدرت تصمیم‌گیری انسانی و دانش ضمنی افراد، تبدیل به قضاوت یا عمل شود. این امر را «هوش تجاری» می‌نامند.[2]
همانگونه که عنوان شد، عواملی که موجب این شکاف می‌شوند بعضی بیرونی و برخی درونی هستند. به منظور کاهش این شکاف و تحقق اهداف سازمانی، دسترسی به اطلاعات و به‌ویژه اطلاعات مربوط به عوامل بیرونی سازمان بسیار اهمیت دارد. این گروه از اطلاعات معمولا در حوزه‌های سیاسی، اقتصادی، اجتماعی، و فناوری است که در برنامه‌ریزی راهبردی و تجزیه و تحلیل‌های محیطی کاربرد مهمی دارد. این اطلاعات، در بررسی‌ها و مطالعات انجام شده 80% به‌صورت غیر ساخت یافته و 20% ساخت یافته است. بدین معنی که 20% اطلاعات از درون بانک‌های اطلاعاتی و سیستم‌های اطلاعاتی سازمانی استخراج خواهد شد و 80% از منابع اطلاعاتی دیگر(کاغذی، الکترونیکی، صوتی، تصویری و ذهن افراد) در داخل و از خارج سازمان به‌دست می‌آید.[6]
تصمیم‌گیری
تصمیم‌گیری، فصل مشترک کلیه عملیات سازمان است و در یک زنجیره وابسته و فرایند منسجم منجر به تحقق چشم‌انداز، مأموریت و اهداف سازمان می‌شود. فلسفه تصمیم‌گیری برمبنای دانایی استوار است، یعنی تصمیم باید براساس آگاهی بر تمامی جوانب امور و عملیات انجام گیرد. سیستم‌های پشتیبان تصمیم‌گیری به مدیر کمک می‌کند تا این فرایند را به‌خوبی عملیاتی کند. این کار با استفاده از کیفیت اطلاعات، انجام می‌شود و تصمیم‌گیری مؤثر بر مبنای اطلاعات صحیح، جامع، به موقع و تحلیل شده صورت می‌گیرد.
مدل‌های زیادی در زمینه مراحل مختلفی که باید در فرایند تصمیم‌گیری طی شود مطرح شده اند که از اصول خاصی پیروی می کنند، ولی پایه و اساس همه آن‌ها یکی است. هربرت سایمون یک الگوی تصمیم‌گیری ارایه کرده است که مشتمل بر چهار مرحله است و عبارتند از: هوشمندی، طراحی، انتخاب و اجرا.
مرحله هوشمندی، در واقع بهره‌مندی از نظام اطلاعاتی، ارتباط با کاربران دارای این اطلاعات و استفاده از سیستم‌های اطلاعاتی است که هر روز منتظر مشاهده علایم و نشانه‌های جدیدی برای حل مسأله و فرصت‌های به‌وجود آمده هستند. در این مرحله نیاز مبرمی به تحلیل محیط خارج سازمان است. سیستم‌های اطلاعاتی و نظام‌های گزارش‌های مدیریتی شرایطی را مهیا می‌کنند که به هوشیاری مدیران و حل مسأله یاری می‌رساند. مرحله طراحی، همان فرایند خلاقیت و ایجاد راهکارهای مختلف حل مسأله است و بسیار به ابتکارات انسانی بستگی دارد. انتخاب این مرحله، با مخاطره و عدم قطعیت همراه است. سیستم‌های پشتیبان تصمیم‌گیری در این مرحله نیز با ارایه روند اطلاعاتی و تاریخچه‌ای از تصمیمات قبلی به مدیر در انتخاب راهکاری که رضایت بیشتری در بر داشته باشد، کمک کند.
تصمیم‌های سازمانی بر اساس رده بندی تصمیم گیران به تصمیم‌های راهبردی، تاکتیکی و عملیاتی تفکیک می‌شوند. همچنین از نظر طبقه‌بندی، انواع تصمیم‌ها به تصمیم‌های ساخت یافته، نیمه ساخت یافته و ساخت نیافته تقسیم بندی می‌شود.. تصمیم‌های ساخت یافته، تکراری و قابل برنامه‌ریزی هستند و می‌توان آن‌ها را به‌سادگی به پردازش کامپیوتری واگذار کرد. تصمیم‌های ساخت نیافته به قضاوت‌های انسانی نیاز دارد و از منابع اطلاعاتی و گزارش‌های مختلف استفاده می‌کند. تصمیم‌های نیمه ساخت یافته به ادراک انسانی و روش‌های ریاضی نیاز دارد. شکل 2 ماتریس تصمیم‌گیری سازمانی را نشان می‌دهد.
ویژگی تصمیم‌های سازمانی شامل همسویی با اهداف سازمان، دامنه کاربرد در سازمان، افق زمانی تصمیم و رده سازمانی تصمیم‌گیران است. از جمله مهمترین عوامل مؤثر بر تصمیم‌گیری، دانش تصمیم گیران، منابع اطلاعاتی، ریسک تصمیم و زمان صرف شده برای اتخاذ تصمیم است که با استفاده از روش‌های مدل سازی و بهبود فرایند تصمیم‌گیری در سازمان‌ها، می‌توان قابلیت تأثیر آن‌ها را افزایش یا کاهش داد.[1]
صرف نظر از نوع تصمیم‌گیری، همه آن‌ها به اطلاعات صحیح، دقیق و به موقع نیاز دارند و نقش سیستم‌های اطلاعاتی پشتیبان تصمیم‌گیری فراهم سازی، دسته‌بندی، تحلیل و ارایه این اطلاعات به گونه‌ای کارآمد است.
مدیریت اطلاعات و دانش
در بخش‌های قبلی بر بینش مدیران ارشد، راهبرد‌ها و اهداف و نیز اهمیت تصمیم‌گیری و الزامات آن در عصر حاضر پرداخته شد. در ابتدای این بخش به بیان تعاریف پایه در این حوزه اشاره می‌شود. شکل 3 نشان دهنده هرم سلسله مراتبی ایجاد ارزش افزوده از پایین به بالا در فرایند تبدیل داده تا تصمیم و بصیرت است. در اولین مرحله داده‌ها جمع‌آوری می‌شوند، در مراحل بعد سازماندهی و تحلیل را داریم و در آخرین مرحله تصمیم‌گیری و اقدام صورت می‌گیرد.
داده: واقعیتی است که در کامپیوتر ذخیره، نگهداری و پردازش می‌شود. داده‌های خام اهمیت چندانی برای انسان
ندارند.
اطلاعات: توانایی درک و استنباط انسان از واقعیت است. سیستم‌های اطلاعاتی و کامپیوترها داده‌های سازماندهی
شده را به شکل قابل فهم در اختیار انسان می‌گذارند.
دانش: سازمان را قادر به تصمیم‌گیری می‌کند.
شکل 3: هرم ارزش افزوده داده تا بصیرت
دانش، ورودی اصلی برای تصمیم‌گیری سازمانی است و در این راستا اطلاعات پردازش شده به همراه اطلاعات و داده‌های مرتبط به‌ هم، قابلیت اثر‌گذاری بر دانش را داراست. مدیریت دانش شامل فرایند ترکیب بهینه دانش و اطلاعات در سازمان و ایجاد محیطی مناسب به‌منظور تولید، اشتراک و به‌کارگیری دانش وتربیت نیروهای انسانی خلاق و نوآور است تا سرانجام از طریق شکل‌گیری یک سازمان یادگیرنده و با برقراری جریان روان میان مخزن اطلاعات ایجاد شده با بخش‌های مختلف عملیات سازمان، این بخش‌ها با یکدیگر ارتباط بهتری داشته باشند. مدیریت دانش چارچوبی است که در آن کلیه فرایندهای سازمانی بر پایه جریان و تبادلات دانشی تعریف و برقرار می‌شود. بنابراین، چنین نگاهی تمام فرایندهای کسب و کار را با مسأله خلاقیت، نوآوری و کاربرد دانش درگیر کرده، در نتیجه بقا و پویایی آن‌ها تضمین می‌شوند.[2]
انباره داده‌ها فضایی برای تبدیل داده به اطلاعات و دانش است. انباره داده‌ها به‌عنوان یکی از ارکان اصلی سیستم‌های پشتیبان تصمیم‌گیری و مدیریت دانش، پوشش دامنه زمانی وسیع‌تری نسبت به پایگاه‌داده عملیاتی دارد. مشخصات انباره داده‌ها عبارتند از:
موضوع گرا: داده‌هایی که اطلاعاتی درباره یک موضوع خاص ایجاد می‌کنند نه این‌که عملیات یک سیستم خاص را نمایش دهند.
یکپارچه : داده‌هایی که از منابع مختلف در مخزن داده‌ها جمع‌آوری و براساس یک رشته روابط با یکدیگر ادغام شده‌اند.
زماندار: تمامی داده‌ها در مخزن داده‌ها در یک دوره زمانی مشخص می‌شوند.
ماندگار: داده‌ها در مخزن داده‌ها ماندگار هستند. داده‌ها اضافه می‌شوند ولی هیچ داده‌ای حذف نمی‌شود.
از نظر گستره زمانی، داده‌ها و اطلاعات موجود در محیط‌های عملیاتی در یک بازه زمانی 60-90 روزه و در انباره داده‌ها حدود 5-10 سال است. این موضوع بیانگر ویژگی‌های تحلیل روند و آینده نگری یا پیش‌بینی است. در واقع انواع داده‌های ذخیره شده در انباره داده‌ها عبارتند از: داده فعلی، داده قدیمی، داده خلاصه شده و فراداده‌ها.[3]
هوش تجاری مجموعه‌ای از فناوری‌ها، نرم‌افزارها و روش‌ها جهت تجزیه و تحلیل اطلاعات ذخیره شده در مخزن داده‌ها و افزایش بصیرت و توانمندی جمع‌بندی آن‌ها است. در همین راستا مفاهیم داده‌کاوی و پردازش اطلاعات مطرح می‌شود. داده‌کاوی، فرایند جستجو و یافتن اجزا و ارتباطات جزیی‌تر داده‌ها و اطلاعات است. پردازش اطلاعات، شناسایی الگوها و ترکیب‌های مهم داده‌هایی است که با قرار گرفتن در کنار یکدیگر پرس و جو‌ها و تحلیل‌های شرط و جزا را پاسخ می‌دهد.[7]
گزارش‌های تحلیلی به شکل‌های مختلفی در اختیار مدیران تصمیم‌گیر قرار می‌گیرد. داشبورد اطلاعات یا داشبورد مدیریت عملکرد از ابزارهای معروف در این زمینه است که با استفاده از نمودارهای متنوع رنگی و گرافیک‌های زیبا سعی می‌شود محیط کاربری ساده و جذابی ایجاد شود. مدیران می‌توانند در صورت نیاز به جزییات بیشتر، بر روی اطلاعات کلی که در داشبورد به نمایش در می‌آید کلیک کنند و با استفاده از تکنیک داده‌کاوی به جزییات بیشتر دست پیدا کنند. سپس به کمک آن‌ها از هر نقطه‌ای و در هر زمانی قادر خواهند بود وضعیت شاخص‌های کلیدی و عملکرد سازمان را تحت نظارت و کنترل داشته باشند.[4]
فرایند انباره داده‌ها
در شکل 4 فرایند انباره داده‌ها نشان داده شده است. همان‌گونه که در شکل آمده است، ابتدا داده‌ها از منابع مختلف، اعم از الکترونیکی و یا کاغذی جمع آوری و پس از استخراج، تبدیل و بارگیری به مرحله بعدی که پاکسازی و تجمیع است ارسال می‌شود معمولاً به این دو مرحله «ناحیه نمایش» گفته می‌شود. یکی از کلیدی ترین بخش‌های این مرحله پاکسازی داده‌ها به‌منظور دسترسی به «یک منبع قابل اتکا برای داده‌ها» است.
پس از آن «انبارش داده‌ها» برای ذخیره و طبقه‌بندی داده‌ها صورت می‌گیرد. این «طبقه‌بندی داده‌ها» بر اساس موضوعات مدیریتی است و جزو ویژگی‌های بارز این مرحله می باشد. در مرحله بعدی که به «منطقه سیستم‌های پشتیبان تصمیم‌گیری» معروف است، پرس و جوها، گزارش‌ها و پردازش‌های تحلیلی برخط، «تحلیل‌های آماری و موضوعی» قرار می‌گیرند. در آخرین لایه نیز، «نمایش و ارایه» اطلاعات را در قالب داشبورد اطلاعات و مدیریت عملکرد داریم. [6]
شکل 4: فرایند انباره داده‌ها
وضعیت بازار و محصول
موضوع استفاده از انباره داده‌ها و هوش تجاری به ابتدای سال‌های 1990 میلادی باز می‌گردد ولی موج عظیم آن بعد از سال 2000 و در هزاره سوم شدت یافت. شرکت‌های پیشتاز در این زمینه که محصولات آن‌ها بازارهای جهانی‌ را پوشش می‌دهد، کوگنوس، بیزینس آبجکتز، اس آ اس، هایپریون، مایکرو استراتژی، اوراکل، مایکروسافت، اس اِی پی و اینفورماتیکا می‌باشند. حجم فروش این‌گونه سیستم‌ها و نرم‌افزارها طبق پیش‌بینی‌های شرکت گارتنر تا سال 2012 به بیش از 16 میلیارد دلار خواهد رسید. هزینه‌های پیاده‌سازی و استقرار این‌گونه سیستم‌ها مانند نرم‌افزارهای برنامه‌ریزی منابع سازمان ERP بسیار متنوع و گران خواهد بود. لذا در خصوص انتخاب محصول منتخب و شرکت پیمانکار اجرایی و پیاده‌سازی، ملاحظات فنی، مدیریتی، آموزشی و هزینه‌ای بایستی مدنظر قرار گیرند. [7]
نتیجه گیری
با توجه به توضیحات فوق، لزوم اهمیت تولید دانش و تصمیم‌گیری بر مبنای اطلاعات در سازمان‌ها بیش از پیش مشخص می‌شود. در این‌خصوص چرخه تبدیل داده به اطلاعات و تولید دانش برای تصمیم‌سازی و تصمیم‌گیری سطوح مختلف مدیران سازمان‌ها، نقشی حیاتی دارد. با استفاده از فناوری اطلاعات، این امر به شکلی بسیار سریع، دقیق و مطمئن قابل حصول و راه‌حل اجرایی آن پیاده‌سازی و استقرار انباره داده‌ها و مدیریت اطلاعات و دانش سازمانی است. با استقرار چنین سیستم‌هایی تغییر تفکرات و ذهنیات مدیران سازمان را شاهد خواهیم بود و روش‌های تصمیم‌گیری سنتی و متکی به فرد جای خود را به روش‌های سیستمی و متکی بر اطلاعات خواهد داد.
منابع
[1] گزارش پروژه«تجزیه وتحلیل فرایند تصمیم‌گیری»، مدیریت توسعه سیستم‌ها و فناوری اطلاعات، سازمان گسترش و نوسازی صنایع ایران، 1384
[2] گزارش پروژه«طراحی پایگاه داده تحلیلی و هوش تجاری»، مدیریت توسعه سیستم‌ها و فناوری اطلاعات، سازمان گسترش و نوسازی صنایع ایران، 1384
[3] Adel man Sid, Moss Larrisa, Abai Majid,"Data Strategy", 2005
[4] Echerson Wayne W. ,"Performance Dashboards", 2005
[5] Few Stephen," Information Dashboard Design", 2006
[6] Inmon William H. ,"Building the data warehouse", 4th Edition, 2005
[7] Moss Larrisa, Shaku Atre,"Business Intelligence Roadmap", 2003
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم پشتیبانی حمل و نقل عمومی

| بازدید‌ها (1436) ارسال شده توسط احمد محمدی | 2 01, 2014

سیستم پشتیبانی حمل و نقل عمومی یک تصمیم سیستم پشتیبانی برای بخش حمل و نقل عمومی ( SIGGESC project)

چکیده:
SIGGESC یک سیستم اطلاعات جغرافیایی GIS است که به بخش حمل و نقل عمومی معطوف شده است
SIGGESC امکان هماهنگی و برنامه ریزی را برای خطوط اتوبوس فراهم می آورد وبه فرآیندهای صدور مجوز کمک می کند .
این پروژه نه تنها ارزش افزوده بر IMTT را سبب شده است بلکه برای شرکت های پرتغالی حمل و نقل مسافر با ایجاد یک سیستم اطلاعاتی یکپارچه این امکان را فراهم می آورد که فرآیندهای کاری خودکار و روزمره شوند. بهره وری بیشتر در
بازرسی و فرآیندهای صدور مجوز ایجاد شود و مرجع اطلاعاتی در سیستم حمل و نقل جاده ای مسافران سازماندهی شود . این پایگاه داده مجموعه ای از منابع و شاخص ها و پارامتر ها را برای فرآیند نظارتی فراهم می آورد.
(GIS )-کاربردهای وب جی آی اس (web GIS ) – حمل و نقل عمومی- برنامه ریزی حمل و نقل
کلمات کلیدی : سیستم های پشتیبانی تصمیمات مکانی-سیستم اطلاعات جغرافیایی

معرفی :
نهادهای مسئول برنامه ریزی و مدیریت حمل و نقل در سطح ملی به خصوص با توجه به مقررات وسایل حمل و نقل موجود در حال مبارزه با مشکلات مرتبط با اطلاعات موجود از لحاظ کمیت و کیفیت هستند.
داده های جغرافیایی دیجیتالی (عددی ) در حال افزایش اهمیت می باشند به عنوان نتیجه پیشرفت تکنولوژی اطلاعات که ابزار حمایتی جدید را برای تصمیم گیری و فرآِند مساله در حوزه مکانی فراهم می آورد.
به گفته بالتر در سال 2008 سیستم اطلاعات جغرافیایی برای حمل ونقل GIS-T اتصال دهنده میان سخت افزار و نرم افزار و اطلاعات و مردم وسازمان ها و موسسات برای جمع آوری و ذخیره سازی و آنالیز و ارتباط نوع خاصی از اطلاعات
درباره زمین است . نوع خاصی از اطلاعات سیستم حمل و نقل و ناحیه جغرافیایی
هستند که این سیستم ها را تحت تاثیر قرار می دهند یا تحت تاثیر آن قرار می
گیرند.
در واقع GIS_T نشان دهنده یکی از مهم ترین کاربردهای GIS است. و همانطور که میلر در سال 2001 اظهار داشت کاربردهای GIS_T دامنه گسترده ای از حمل ونقل را در بر می گیرد.
تحلیلگران حمل و نقل و تصمیم گیران از ابزارهای GIS برای برنامه ریزی زیر ساختارها طراحی ومدیریت و برنامه ریزی حمل و نقل عمومی و عملیات و تجزیه وتحلیل و کنترل ترافیک و تجزیه و تحلیل ایمنی حمل و نقل و ارزیابی اثرات زیست محیطی و خطرات کاهش و پیکربندی و مدیریت سیستم های تدارکات پیچیده استفاده می کنند . موارد نامبرده فوق تنها بخشی از کاربردها در این حوزه می
باشد.
سیستم های حمل و نقل هوشمند از جمله سیستم بزرگراه وسیله نقلیه هوشمند و سیستم خودکار موقعیت خودرو به خصوص بخش بلند پروازانه ای ازGIS و تکنولوژی های مرتبط سیستم های بسیار متنوع حمل و نقل می باشد.
با این محتوا و با همکاری میان IMTT و ISEGI-UNL سیستم GIS که معطوف بر بخش حمل و نقل عمومی بود گسترش داده شد.
SIGGESC اولین پایگاه داده اطلاعات عددی شامل خطوط اتوبوسرانی برای اقلیم پرتغال بود.
همه اسناد موجود برای مسیرهای اتوبوس چاپ شده بودند یا نقشه هایی بودند که با دست رسم شده بودند . سرانجام با توجه به پروژه SIGGESC هم اکنون یک پایگاه داده یکپارچه و قابل اعتماد که سازماندهی , نظارت , همکاری و برنامه
ریزی را با توجه به مسائل حمل و نقل عمومی پشتیبانی می کند موجود است .همچنین به فرایندهای صدور مجوز کمک می کند . علاوه بر این SIGGESC به ساخت و ساز از یک پایگاه داده ساخت یافته , سازمان یافته با پایگاه داده به روز شده با اطلاعات مربوط به حمل و نقل عمومی کمک می کند که منجر به تقویت روابط و به اشتراک گذاری اطلاعات میان شرکت های اتوبوس و IMTT می شود.
سابقه:
سیستم پشتیبان تصمیم مکانی (SDSS ) از سیستم پشتیبان تصمیم(DSS ) تکامل یافته است که شامل محتویات مکا ن- زمینی می شود. این سیستم برای کاربران یک
محیط تصمیم گیری که قادر به تجزیه و تحلیل اطلاعات جغرافیایی است فراهم می
آورد.
فن آوری های متعددی وجود دارد که می تواند تصمیم گیری های مکانی را حمایت نماید مثل سیستم اطلاعات جغرافیایی GIS ,سیتم خبره ES ,سنجش از راه دور RS و
DSS
این نوع از چارچوب عبارتند از :1- قابلیت مدلسازی تحلیلی 2-سیستم مدیریت پایگاه داده 3- صفحه نمایش گرافیکی 4- ابزارهای گزارش دهی 5- دانش تصمیم گیرندگان
یکی از معمول ترین کاربردهای SDSS در GIS_T در زمینه مدل سازی حمل و نقل یا
مشکلات مسیریابی حمل و نقل می باشد . خواننده علاقمند به یک بررسی کامل و گسترده از کاربردهای SDSS می تواند به کتاب منتشر شده Sugumaran
(2010) رجوع نماید.
پروژه SIGGESC از نیاز به یک پایگاه داده مکانی استاندارد شامل تمام خطوط
اتوبوس در پرتغال از 133 شرکت حمل و نقل و 5000 خط اتوبوسرانی آغاز شد .
این پروژه شامل توسعه سیستم پشتیبانی مکانی براساس یک رابط GIS است که به منظور کمک به نظم دهی , نظارت , هماهنگی و برنامه ریزی خطوط اتوبوس موسسه پرتغالی برای جابه جایی و حمل و نقل زمینی یا همان موسسه IMTT
به کار می رود .
استفاده از سیستم اطلاعات جغرافیایی برای مدیریت خطوط اتوبوس شرکت های اتوبوسرانی با انتشار بخش نامه N32/2009 از سوی وزارت کارهای عمومی و حمل و
نقل و ارتباطات MOPTC اجباری شد.
شرکت های اتوبوس با استفاده از الحاقات SIGGESC (برنامه های دسکتاپ و وب جی
آی اس ) خطوط اتوبوس را به وسیله وارد کردن اطلاعات مکانی در برنامه ها ایجاد نمودند . به این صورت که نقاط معرف ایستگاه های اتوبوس
و خطوط نشان دهنده مسیرهای اتوبوس می باشند. آنها همچنین اطلاعات الفبای عددی مثل صفات داده های مکانی
و برنامه زمانی متناظر با خطوط اتوبوس را وارد نمودند .
علاوه بر آن عملکردها کاربر می تواند از SIGGESC برای جستجو میان داده های معرفی شده , ایجاد گزارش و مدیریت خطوط اتوبوس و شبکه های خود استفاده کنند
.
اولین نسخه از نرم افزار دسکتاپ SICO3 در سال 2002 توسعه داده شد . این نسخه تنها مجاز به معرفی و بارگیری از خطوط اتوبوس توسط شرکت ها بود .
قبل از آنکه برنامه میان همه شرکت های اتوبوس منتشر شود آزمون های آزمایشی با دو شرکت Vimeca و Scotturb که از شهرداری های Oeirs وCascais بودند انجام شد.
این برنامه از آن سال تکامل یافت و تا سال 2008 تشکیل شده از مجموعه ای از زیر سیستم ها یا برنامه های کاربردی مدولار شامل موارد زیر بود :
SICO توسعه یافته در سال 2002
SICO توسعه یافته در سال 2003و 2004و 2005و 2006
سرانجام در سال 2008 پنج مدل فوق به یک برنامه واحد SICO v5.0. تبدیل شدند
. در سال 2009 تیم SIGGESC با هدف افزایش بهره وری در اعمال نظارت و همچنین در فرآیندهای صدور مجوز کاربرد web و web GIS را توسعه داد.
هم اکنون SIGGESC شامل دو مدل برنامه است:
نرم افزار دسکتاپ SIC_GIS
پرتال SIGGESC - نرم افزار web و web GIS
معماری SIGGESC
با مهاجرت و تکامل SIGGESC به جدید ترین فن آوری ها و راه حل های مرتبط با وب , نسخه فعلی نرم افزار ارتباطات میان شرکت های اتوبوس و IMTT را از طریق افزایش و بهبود تعامل میان آنها پشتیبانی می کند . به عنوان مثال با به اشتراک گذاشتن داده های مکانی توسط آپلود نمودن آنها به پرتال SIGGESC.
همانطور که گفته شد برنامه های کاربردی SIGGESC کنونی از یک نرم افزار GIS desktop(SICO) و نرم افزارweb و web GIS تشکیل شده است.
SICO به کاربران اجازه می دهد تا داده های مکانی والفبایی را برای خط اتوبوس و ایستگاه اتوبوس و مسیر و برنامه زمان بندی خلق و ویرایش نمایند. این نرم افزار همچنین کاربران را قادر می سازد تا به طور خودکار و به صورت پویا گزارش را خلق نمایند و خطوط اتوبوس را به پرتال SIGGESC آپلود نمایند .
از سوی دیگر نرم افزار وب سایت و web GIS رابط ارجح برای تعامل میان شرکت های اتوبوسرانی و IMTT است.
در واقع کاربران SICO ( شرکت های اتوبوس ) خطوط اتوبوس را در این دسکتاپ GIS ثبت می کنند و این همچنین کاربران را قادر می سازد تا اطلاعات وارد شده
را جستجو کنند و سپس آنها را از طریق آپلود کردن خطوط اتوبوس
به پرتال SIGGESC ,به IMTT بفرستند.
کاربران SIGGESC همیشه از کمک و راهنمایی یک مرکز تخصصی برخوردارند تا بتوانند هر مساله ای که ممکن است در حین استفاده از برنامه رخ دهد را حل نمایند . پس از آپلود نمودن , کاربر به پرتال SIGGESC دسترسی پیدا می کند تا درخواست صدور مجوز رسمی شود . به عنوان مثال برای درخواست یک خط اتوبوس جدید ارسال اسناد و مدارک عددی (دیجیتال) برای تکمیل فرآیند صدور مجوز لازم
است.
همچنین در پرتال SIGGESC کاربران می توانند اطلاعات مکانی و الفبایی را به وسیله گزارش های اتوماتیک ایجاد و جستجو نمایند . در نهایت کادر فنی IMTT برای بازرسی و نظارت بر روند صدور مجوز خطوط اتوبوس می توانند درخواست اپراتور را بپذیرند یا رد نمایند .
هدف دو بخش زیر بررسی ویژگی های موجود در هر دو برنامه کاربردی SIGGESC است.
دسکتاپ برنامه SICO
نرم افزار دسکتاپ GIS ایجاد شده برای پروژه SIGGESC (SICO شکل 4) در سال 2002 با Map Object 2.1 c ایجاد شد که از آن زمان تا به حال در حال تحول
است . نسخه فعلی SICO علاوه بر تجزیه تحلیل مکانی که در اغلب کاربردهای معمول GIS حضور دارند همچنین شامل ابزارهای سفارشی ساخته شده هستند که منحصرا مربوط به خدمات عمومی حمل و نقل جاده ای مسافر است.
کاربران باید هر دو اطلاعات مکانی و الفبایی را با توجه به خطوط اتوبوس خودشان ایجاد و ویرایش نمایند . برای انجام این کار آنها باید ایستگاه های اتوبوس و مسیرها را با ویژگی های مربوطه به آنها وارد نمایند (شکل 5)
در SICO این امکان وجود دارد که داده های الفبایی متنوع را با توجه به ایستگاه های اتوبوس معرفی نمائیم همانند خصوصیات فیزیکی مثلا اگر یک محافظ در ایستگاه اتوبوس وجود دارد و یا اگر آن یک ایستگاه اصلی در میان سایر خصوصیا ت است .
نقطه ها نشان دهنده استگاه های اتوبوس و خط ها بیانگر مسیر اتوبوس می باشند
همچنین در SICO این امکان وجود دارد که برنامه زمانی را وارد نمایند.
داده های الفبایی در SICO در یک پایگاه داده MS Access ذخیره می شوند در حالی که یک shapfile داده های مکنی را ثبت می کند (نقطه ها برای ایستگاه و خط ها برای مسیر ) تا قابلیت همکاری و سازگاری با سایر سیستم های اطلاعات جغرافیایی و برنامه های کاربردی فراهم گردد.
استفاده از SICO یک مزیت برای شرکت های اتوبوس است که با آن می توانند شبکه
اتوبوس را برنامه ریزی و مدیریت نمایند . چون این امکان برای آنها فراهم می آید که بتوانند خروجی و گزارش خودکار و پویا را خلق نمایند ( این گزارشات در بخش 4.1 نشان داده خواهد شد .
آن SICO) ) همچنین به کاربران اجازه می دهد که بتوانند اطلاعات خطوط اتوبوس
را مستقیما به پرتال SIGGESC آپلود نمایند تا توسط IMT آنالیز و اعتبارسنجی شود .
کاربرد های وب – پرتال SIGGESC
جدیدترین نرم افزار توسعه یافته برای پروژه SIGGESC , پرتال SIGGESC است که مهم ترین برنامه برای تعامل میان شرکت های اتوبوس و IMTT است.
در این نرم افزار Web و Web GIS این امکان برای کاربران وجود دارد که گزارشات پویا را در فرمت های مختلف همانند xls,pdf,html خلق نمایند و بتوانند اطلاعات مکانی و جغرافیایی را جستجو نمایند و اطلاعات مربوط به پروژه خود را ( همانند آموزش و برنامه های کاربردی) دانلود نمایند .
پرتال همچنین دارای ویژگی های خاص برای کاربران شرکت های اتوبوس است . همانند امکان رسمی نمودن یک درخواست مجوز به IMTT . که در آن به منظور اتمام فرآیند درخواست مجوز می توان مدارک لازم را آپلود نمود . از طرف دیگر
کادر فنی IMTT می توانند اطلاعات آپلود شده را تجزیه و تحلیل نمایند .
در پرتال SIGGESC یک برنامه Web GIS وجود دارد که شامل تمام اطلاعات خطوط اتوبوس با اطلاعات مکانی و الفبایی کامل آنهاست .
علاوه بر ابزارهای تجزیه تحلیل مکانی مثل Zoom و Pan و Search ابزارهای پیشرفته تجزیه تحلیل (همانند امکان انتخاب خطوط اتوبوس موجود در یک بافر) هم وجود دارد
RDBMS به علت قابلیت اطمینان و مقیاس پذیری و انعطاف پذیری و ویژگی های مربوط به آن انتخابی برای بسیاری از سناریو ها است .
برای مدیریت داده های مکانی و تعامل بین آنها از سرور نرم افزار Arc GIS استفاده شده است .
این نرم افزار در ردیف استفاده از GIS نصب شده است و مسئول ایجاد خدمات مکانی تحت وب است که با برنامه های مختلف GIS در تعامل می باشد .
در اجزای پایگاه داده Arc SED را خواهیم یافت . این نرم افزار Arc SED را به کار می گیرد تا بتواند اطلاعات مکانی را در میان انبوهی از موتورهای پایگاه داده ذخیره نماید .
در مورد سرور مایکروسافت SQL (200 که هم اکنون از داده های مکانی پشتیبانی می کند , امکان دارد که از داده های بومی استفاده نماید اما Arc SED هنوز نیازمند ایجاد اتصال به دسکتاپ و اجزای سرور است .
شکل 10 معماری پرتال سیستم SIGGESC است که یک نمونه معماری 3 لایه می باشد .
در لایه های داده مایکروسافت SQL 2008 ذخیره داده را فراهم می آورد و Esri Arc SDE داده های مکانی را مدیریت می کند . در لایه چارچوب شبکه را خواهیم داشت و سرور Arc GIS خدمات تحت وب را برای داده های مکانی و الفبایی فراهم می کند .
این سرویس وب می تواند تعامل ایجاد کند (در مورد داده های الفبایی با استفاده از ویژگی های شبکه NET و در مورد داده های مکانی با استفاده از قابلیت های سرور Arc GIS .
نتایج
استفاده از SIGGESC توسط بسیاری از شرکت های اتوبوسرانی پرتغالی طی چند جلسه آموزشی تثبیت و منتشر شد .
تاکنون تیم دخیل در این پروژه حدود 40 جلسه آموزشی برنامه SIGGESC را سازماندهی و بسط داده اند .
در نتیجه حدود 90 شرکت آموزش دیده در 123 شرکت . که این به این معنی است که
تقریبا 73 درصد از آن ها قادرند با برنامه SIGGESC کار کنند .
از آنجا که در بسیاری از شرکت ها بیش از یک تکنیسین مشغول به کار در SIGGESC وجود دارد , بنابراین در حال حاضر حدود 200 کاربر SIGGESC وجود دارد .
علاوه بر توسعه برنامه های کاربردی و آموزش , تیم مسئول پروژه SIGGESC تحکیم ونگهداری از SIGGESC را تضمین می نماید و با ایجاد مرکز تخصصی دائمی به کاربران کمک می نماید تا هر گونه شک و سوال مرتبط با برنامه کاربردی و پروژه برطرف گردد.
این تیم تضمین می دهد که به هر مساله ای در حداکثر 8 ساعت پاسخ دهد و در عرض 24 ساعت آن را حل و فصل نماید و هدف از آن تضمین استفاده کاربران از SIGGESC به طور پیوسته می باشد .
در طول مدت 2 سال شرکت های اتوبوس اطلاعاتشان را به پرتال وارد نمودند . در
مناطق Lisbon و Oporto ( منطقه هدف اولویت برای این پروژه ) 85 درصد از خطوط اتوبوس در SIGGESC ثبت شدند که شامل 1473 خط اتوبوس و8.3663 کیلومتر از مسیرهای اتوبوس و 34.148 ایستگاه اتوبوس می شود .
در بخش های زیر چند نمونه از خروجی های مستقیم نشان داده خواهد شد که می تواند به طور مستقیم از برنامه های کاربردی SIGGESC تولید شود و چند خروجی که در پایگاه داده SIGGESC تولید شده اند .
گزارش ها
همانطور که قبلا گفته شد
هر دو برنامه کاربردی GIS تحت وب و دسکتاپ توانایی تولید گزارشات خودکار و
پویا را دارا می باشند که ارزش زیادی برای شرکت های اتوبوس دارد . به خصوص
برای آنهایی که به مهارت فنی لازم یا نرم افزار و سخت افزار ضروری برای پیگیری و محاسبه برخی گزارش ها نیاز ندارند.
بسیاری از گزارش ها که با برنامه های کاربردی تولید می شوند اسناد ضروری هستند که باید به منظور تکمیل فرایند صدور مجوز به IMTT ارسال شوند همانند
نقشه خط اتوبوس , برنامه زمانی و جدول کرایه (طبق شکل 11 و 12 و13 ) . این
گزارشات در فرمت های pdf و xls و html صادر می شوند
علاوه بر گزارشات ضروری که شرکت های اتوبوس باید آن را به IMTT ارسال نمایند گزارشات خودکار دیگری هم وجود دارد که به شرکت ها کمک می کند که وظایف روزانه خودشان را برنامه ریزی و مدیریت نمایند مثل نمودار ایستگاه اتوبوس و گزارش خصوصیات ایستگاه اتوبوس (شکل 14 و 15)
خروجی های ایجاد شده با پایگاه داده SIGGESC
یکی از مزایای استفاده از پایگاه داده SIGGESC سازگاری و قابلیت همکاری آن با بسیاری از برنامه های معمول GIS
است که امکان پشتیبانی و توسعه مطالعات و تجزیه و تحلیل و برنامه ریزی و ارزیابی گزینه های سرمایه گذاری را فراهم می آورد . برای مثال با مربوط ساختن اطلاعات مکانی و الفبایی خطوط اتوبوس با میزان تراکم مناطق , فعالیت ,اطلاعات سرشماری و غیره
نقشه های زیر نمونه ای از آن چیزی است که توسط پایگاه داده SIGGESC قابل تولید می باشد (شکل 16 )
در حال حاضر SIGGESC تصمیم سیستم پشتیبانی پرتغالی برای بخش حمل و نقل عمومی جاده ای مسافران می باشد و تقریبا هر شرکت اتوبوسرانی در پرتغال که در حوزه IMTT کار می کند برنامه های کاربردی را دارد و از آن استفاده می کند .
این سیستم پشتیبانی تصمیم گیری از فرآیند صدور مجوز در IMTT حمایت می کند تا برنامه ریزی و نظارت بر خطوط اتوبوس شفاف تر و کارآمد تر شود . دیگر مزیت آن این است که سرانجام یک پایگاه داده جامع و یکپارچه با ثبت همه خطوط اتوبوس وجود دارد و دسترسی به این اطلاعات در اختیار مردم قرار دارد (از طریق پرتال SIGGESC )
برای انتشار این پایگاه داده و ارائه آن به عموم مردم در آینده می توان ویژگی های خطوط اتوبوس را به نقشه های گوگل وارد نمود تا کاربران بتوانند برای یک سفر با استفاده از حمل و نفل عمومی برنامه ریزی نمایند.
برنامه های کاربردی می توانند با اضافه شدن ویژگی های جدید بر پایه آخرین روند فن آوری مثل وب 2 و مشارکت عمومی نمو یابند
نتایج
برای انتشار این پایگاه داده و ارائه آن به عموم مردم به طور کلی, در آینده می توان خصوصیات هر خط اتوبوس (ایستگاه اتوبوس , مسیر حرکت و برنامه
زمانی ) موجود در پایگاه داده SIGGESC مربوط به هر شرکت اتوبوسرانی را به نقشه های حمل و نقل گوگل اضافه نمود تا کاربران بتوانند یک سفر با حمل و نقل عمومی را برنامه ریزی نمایند.همچنین برنامه های کاربردی می توانند با آخرین روند فن آوری تکامل یابند همانند وب 2 و مشارکت عمومی . به عنوان مثال با ایجاد امکان ورود اطلاعات عددی و الفبایی توسط کاربران به SIGGESC Web GIS و گرفتن بازخور ها در مورد برخی از ایستگاه های اتوبوس , مسیر یا برنامه , مثلا اطلاع یافتن از اینکه ایستگاه اتوبوس دیگر وجود ندارد و یا اطلاع از اینکه یک خط اتوبوس از مسیر متفاوتی می رود . پایگاه داده SIGGESC همچنین می تواند مطابق با دستورالعمل INSPIRE برای دسترسی به نهادهای مختلف عمومی از طریق services Web map(Wms) منتشر شوند . به گفته
باتلر (200 GIS-T میتواند نقش محوری در فضای جدید برای کاربری عمومی زمین و تصمیم گیری برای حمل و نقل ایفا کند .
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم پشتیبانی حمل و نقل عمومی یک تصمیم سیستم پشتیبانی برای بخش حمل و نقل عمومی ( SIGGESC project)
ارسال شده توسط احمد محمدی | 1 01, 2014 | بازدید‌ها (1035)
سیستم پشتیبانی حمل و نقل عمومی

یک تصمیم سیستم پشتیبانی برای بخش حمل و نقل عمومی
( SIGGESC project)
چکیده:
SIGGESC یک سیستم اطلاعات جغرافیایی GIS است که به بخش حمل و نقل عمومی معطوف شده است
SIGGESC امکان هماهنگی و برنامه ریزی را برای خطوط اتوبوس فراهم می آورد وبه فرآیندهای صدور مجوز کمک می کند .
این پروژه نه تنها ارزش افزوده بر IMTT را سبب شده است بلکه برای شرکت های پرتغالی حمل و نقل مسافر با ایجاد یک سیستم اطلاعاتی یکپارچه این امکان را فراهم می آورد که فرآیندهای کاری خودکار و روزمره شوند. بهره وری بیشتر در
بازرسی و فرآیندهای صدور مجوز ایجاد شود و مرجع اطلاعاتی در سیستم حمل و نقل جاده ای مسافران سازماندهی شود . این پایگاه داده مجموعه ای از منابع و
شاخص ها و پارامتر ها را برای فرآیند نظارتی فراهم می آورد.

کلمات کلیدی : سیستم های پشتیبانی تصمیمات مکانی-سیستم اطلاعات جغرافیایی (GIS )-کاربردهای وب جی آی اس (web GIS ) – حمل و نقل عمومی- برنامه ریزی حمل و نقل

معرفی :

نهادهای مسئول برنامه ریزی و مدیریت حمل و نقل در سطح ملی به خصوص با توجه به مقررات وسایل حمل و نقل موجود در حال مبارزه با مشکلات مرتبط با اطلاعات موجود از لحاظ کمیت و کیفیت هستند.
داده های جغرافیایی دیجیتالی (عددی ) در حال افزایش اهمیت می باشند به عنوان نتیجه پیشرفت تکنولوژی اطلاعات که ابزار حمایتی جدید را برای تصمیم گیری و فرآِند مساله در حوزه مکانی فراهم می آورد.
به گفته بالتر در سال 2008 سیستم اطلاعات جغرافیایی برای حمل ونقل GIS-T اتصال دهنده میان سخت افزار و نرم افزار و اطلاعات و مردم وسازمان ها و موسسات برای جمع آوری و ذخیره سازی و آنالیز و ارتباط نوع خاصی از اطلاعات
درباره زمین است . نوع خاصی از اطلاعات سیستم حمل و نقل و ناحیه جغرافیایی
هستند که این سیستم ها را تحت تاثیر قرار می دهند یا تحت تاثیر آن قرار می گیرند.
در واقع GIS_T نشان دهنده یکی از مهم ترین کاربردهای GIS است. و همانطور که میلر در سال 2001 اظهار داشت کاربردهای GIS_T دامنه گسترده ای از حمل ونقل را در بر می گیرد.
تحلیلگران حمل و نقل و تصمیم گیران از ابزارهای GIS برای برنامه ریزی زیر ساختارها طراحی ومدیریت و برنامه ریزی حمل و نقل عمومی و عملیات و تجزیه وتحلیل و کنترل ترافیک و تجزیه و تحلیل ایمنی حمل و نقل و ارزیابی اثرات زیست محیطی و خطرات کاهش و پیکربندی و مدیریت سیستم های تدارکات پیچیده استفاده می کنند . موارد نامبرده فوق تنها بخشی از کاربردها در این حوزه می باشد.
سیستم های حمل و نقل هوشمند از جمله سیستم بزرگراه وسیله نقلیه هوشمند و سیستم خودکار موقعیت خودرو به خصوص بخش بلند پروازانه ای ازGIS و تکنولوژی های مرتبط سیستم های بسیار متنوع حمل و نقل می باشد.
با این محتوا و با همکاری میان IMTT و ISEGI-UNL سیستم GIS که معطوف بر بخش حمل و نقل عمومی بود گسترش داده شد.
SIGGESC اولین پایگاه داده اطلاعات عددی شامل خطوط اتوبوسرانی برای اقلیم پرتغال بود.
همه اسناد موجود برای مسیرهای اتوبوس چاپ شده بودند یا نقشه هایی بودند که با دست رسم شده بودند . سرانجام با توجه به پروژه SIGGESC هم اکنون یک پایگاه داده یکپارچه و قابل اعتماد که سازماندهی , نظارت , همکاری و برنامه
ریزی را با توجه به مسائل حمل و نقل عمومی پشتیبانی می کند موجود است .همچنین به فرایندهای صدور مجوز کمک می کند . علاوه بر این SIGGESC به ساخت و ساز از یک پایگاه داده ساخت یافته , سازمان یافته با پایگاه داده به روز شده با اطلاعات مربوط به حمل و نقل عمومی کمک می کند که منجر به تقویت روابط و به اشتراک گذاری اطلاعات میان شرکت های اتوبوس و IMTT می شود. سابقه:
سیستم پشتیبان تصمیم مکانی (SDSS ) از سیستم پشتیبان تصمیم(DSS ) تکامل یافته است که شامل محتویات مکا ن- زمینی می شود. این سیستم برای کاربران یک
محیط تصمیم گیری که قادر به تجزیه و تحلیل اطلاعات جغرافیایی است فراهم می آورد.
فن آوری های متعددی وجود دارد که می تواند تصمیم گیری های مکانی را حمایت نماید مثل سیستم اطلاعات جغرافیایی GIS ,سیتم خبره ES ,سنجش از راه دور RS و
DSS

این نوع از چارچوب عبارتند از:
:1 - قابلیت مدلسازی تحلیلی
2 -سیستم مدیریت پایگاه داده
3- صفحه نمایش گرافیکی
4- ابزارهای گزارش دهی
5- دانش تصمیم گیرندگان

یکی از معمول ترین کاربردهای SDSS در GIS_T در زمینه مدل سازی حمل و نقل یا مشکلات مسیریابی حمل و نقل می باشد . خواننده علاقمند به یک بررسی کامل و گسترده از کاربردهای SDSS می تواند به کتاب منتشر شده Sugumaran
(2010) رجوع نماید.
پروژه SIGGESC از نیاز به یک پایگاه داده مکانی استاندارد شامل تمام خطوط
اتوبوس در پرتغال از 133 شرکت حمل و نقل و 5000 خط اتوبوسرانی آغاز شد .
این پروژه شامل توسعه سیستم پشتیبانی مکانی براساس یک رابط GIS است که به منظور کمک به نظم دهی , نظارت , هماهنگی و برنامه ریزی خطوط اتوبوس موسسه پرتغالی برای جابه جایی و حمل و نقل زمینی یا همان موسسه IMTT
به کار می رود .
استفاده از سیستم اطلاعات جغرافیایی برای مدیریت خطوط اتوبوس شرکت های اتوبوسرانی با انتشار بخش نامه N32/2009 از سوی وزارت کارهای عمومی و حمل و
نقل و ارتباطات MOPTC اجباری شد.
شرکت های اتوبوس با استفاده از الحاقات SIGGESC (برنامه های دسکتاپ و وب جی
آی اس ) خطوط اتوبوس را به وسیله وارد کردن اطلاعات مکانی در برنامه ها ایجاد نمودند . به این صورت که نقاط معرف ایستگاه های اتوبوس
و خطوط نشان دهنده مسیرهای اتوبوس می باشند. آنها همچنین اطلاعات الفبای عددی مثل صفات داده های مکانی
و برنامه زمانی متناظر با خطوط اتوبوس را وارد نمودند .
علاوه بر آن عملکردها کاربر می تواند از SIGGESC برای جستجو میان داده های معرفی شده , ایجاد گزارش و مدیریت خطوط اتوبوس و شبکه های خود استفاده کنند
.
اولین نسخه از نرم افزار دسکتاپ SICO3 در سال 2002 توسعه داده شد . این نسخه تنها مجاز به معرفی و بارگیری از خطوط اتوبوس توسط شرکت ها بود .
قبل از آنکه برنامه میان همه شرکت های اتوبوس منتشر شود آزمون های آزمایشی با دو شرکت Vimeca و Scotturb که از شهرداری های Oeirs وCascais بودند انجام شد.
این برنامه از آن سال تکامل یافت و تا سال 2008 تشکیل شده از مجموعه ای از زیر سیستم ها یا برنامه های کاربردی مدولار شامل موارد زیر بود :
SICO توسعه یافته در سال 2002
SICO توسعه یافته در سال 2003و 2004و 2005و 2006
سرانجام در سال 2008 پنج مدل فوق به یک برنامه واحد SICO v5.0. تبدیل شدند
. در سال 2009 تیم SIGGESC با هدف افزایش بهره وری در اعمال نظارت و همچنین در فرآیندهای صدور مجوز کاربرد web و web GIS را توسعه داد.
هم اکنون SIGGESC شامل دو مدل برنامه است:
نرم افزار دسکتاپ SIC_GIS
پرتال SIGGESC - نرم افزار web و web GIS
معماری SIGGESC
با مهاجرت و تکامل SIGGESC به جدید ترین فن آوری ها و راه حل های مرتبط با وب , نسخه فعلی نرم افزار ارتباطات میان شرکت های اتوبوس و IMTT را از طریق افزایش و بهبود تعامل میان آنها پشتیبانی می کند . به عنوان مثال با به اشتراک گذاشتن داده های مکانی توسط آپلود نمودن آنها به پرتال SIGGESC.
همانطور که گفته شد برنامه های کاربردی SIGGESC کنونی از یک نرم افزار GIS desktop(SICO) و نرم افزارweb و web GIS تشکیل شده است.
SICO به کاربران اجازه می دهد تا داده های مکانی والفبایی را برای خط اتوبوس و ایستگاه اتوبوس و مسیر و برنامه زمان بندی خلق و ویرایش نمایند. این نرم افزار همچنین کاربران را قادر می سازد تا به طور خودکار و به صورت پویا گزارش را خلق نمایند و خطوط اتوبوس را به پرتال SIGGESC آپلود نمایند .
از سوی دیگر نرم افزار وب سایت و web GIS رابط ارجح برای تعامل میان شرکت های اتوبوسرانی و IMTT است.
در واقع کاربران SICO ( شرکت های اتوبوس ) خطوط اتوبوس را در این دسکتاپ GIS ثبت می کنند و این همچنین کاربران را قادر می سازد تا اطلاعات وارد شده
را جستجو کنند و سپس آنها را از طریق آپلود کردن خطوط اتوبوس
به پرتال SIGGESC ,به IMTT بفرستند.
کاربران SIGGESC همیشه از کمک و راهنمایی یک مرکز تخصصی برخوردارند تا بتوانند هر مساله ای که ممکن است در حین استفاده از برنامه رخ دهد را حل نمایند . پس از آپلود نمودن , کاربر به پرتال SIGGESC دسترسی پیدا می کند تا درخواست صدور مجوز رسمی شود . به عنوان مثال برای درخواست یک خط اتوبوس جدید ارسال اسناد و مدارک عددی (دیجیتال) برای تکمیل فرآیند صدور مجوز لازم
است.
همچنین در پرتال SIGGESC کاربران می توانند اطلاعات مکانی و الفبایی را به وسیله گزارش های اتوماتیک ایجاد و جستجو نمایند . در نهایت کادر فنی IMTT برای بازرسی و نظارت بر روند صدور مجوز خطوط اتوبوس می توانند درخواست اپراتور را بپذیرند یا رد نمایند .
هدف دو بخش زیر بررسی ویژگی های موجود در هر دو برنامه کاربردی SIGGESC است.
دسکتاپ برنامه SICO
نرم افزار دسکتاپ GIS ایجاد شده برای پروژه SIGGESC (SICO شکل 4) در سال 2002 با Map Object 2.1 c ایجاد شد که از آن زمان تا به حال در حال تحول
است . نسخه فعلی SICO علاوه بر تجزیه تحلیل مکانی که در اغلب کاربردهای معمول GIS حضور دارند همچنین شامل ابزارهای سفارشی ساخته شده هستند که منحصرا مربوط به خدمات عمومی حمل و نقل جاده ای مسافر است.
کاربران باید هر دو اطلاعات مکانی و الفبایی را با توجه به خطوط اتوبوس خودشان ایجاد و ویرایش نمایند . برای انجام این کار آنها باید ایستگاه های اتوبوس و مسیرها را با ویژگی های مربوطه به آنها وارد نمایند (شکل 5)
در SICO این امکان وجود دارد که داده های الفبایی متنوع را با توجه به ایستگاه های اتوبوس معرفی نمائیم همانند خصوصیات فیزیکی مثلا اگر یک محافظ در ایستگاه اتوبوس وجود دارد و یا اگر آن یک ایستگاه اصلی در میان سایر خصوصیا ت است .
نقطه ها نشان دهنده استگاه های اتوبوس و خط ها بیانگر مسیر اتوبوس می باشند
همچنین در SICO این امکان وجود دارد که برنامه زمانی را وارد نمایند.
داده های الفبایی در SICO در یک پایگاه داده MS Access ذخیره می شوند در حالی که یک shapfile داده های مکنی را ثبت می کند (نقطه ها برای ایستگاه و خط ها برای مسیر ) تا قابلیت همکاری و سازگاری با سایر سیستم های اطلاعات جغرافیایی و برنامه های کاربردی فراهم گردد.
استفاده از SICO یک مزیت برای شرکت های اتوبوس است که با آن می توانند شبکه
اتوبوس را برنامه ریزی و مدیریت نمایند . چون این امکان برای آنها فراهم می آید که بتوانند خروجی و گزارش خودکار و پویا را خلق نمایند ( این گزارشات در بخش 4.1 نشان داده خواهد شد .
آن SICO) ) همچنین به کاربران اجازه می دهد که بتوانند اطلاعات خطوط اتوبوس
را مستقیما به پرتال SIGGESC آپلود نمایند تا توسط IMTT آنالیز و اعتبارسنجی شود .
کاربرد های وب – پرتال SIGGESC
جدیدترین نرم افزار توسعه یافته برای پروژه SIGGESC , پرتال SIGGESC است که مهم ترین برنامه برای تعامل میان شرکت های اتوبوس و IMTT است.
در این نرم افزار Web و Web GIS این امکان برای کاربران وجود دارد که گزارشات پویا را در فرمت های مختلف همانند xls,pdf,html خلق نمایند و بتوانند اطلاعات مکانی و جغرافیایی را جستجو نمایند و اطلاعات مربوط به پروژه خود را ( همانند آموزش و برنامه های کاربردی) دانلود نمایند .
پرتال همچنین دارای ویژگی های خاص برای کاربران شرکت های اتوبوس است . همانند امکان رسمی نمودن یک درخواست مجوز به IMTT . که در آن به منظور اتمام فرآیند درخواست مجوز می توان مدارک لازم را آپلود نمود . از طرف دیگر
کادر فنی IMTT می توانند اطلاعات آپلود شده را تجزیه و تحلیل نمایند .
در پرتال SIGGESC یک برنامه Web GIS وجود دارد که شامل تمام اطلاعات خطوط اتوبوس با اطلاعات مکانی و الفبایی کامل آنهاست .
علاوه بر ابزارهای تجزیه تحلیل مکانی مثل Zoom و Pan و Search ابزارهای پیشرفته تجزیه تحلیل (همانند امکان انتخاب خطوط اتوبوس موجود در یک بافر) هم وجود دارد
RDBMS به علت قابلیت اطمینان و مقیاس پذیری و انعطاف پذیری و ویژگی های مربوط به آن انتخابی برای بسیاری از سناریو ها است .
برای مدیریت داده های مکانی و تعامل بین آنها از سرور نرم افزار Arc GIS استفاده شده است .
این نرم افزار در ردیف استفاده از GIS نصب شده است و مسئول ایجاد خدمات مکانی تحت وب است که با برنامه های مختلف GIS در تعامل می باشد .
در اجزای پایگاه داده Arc SED را خواهیم یافت . این نرم افزار Arc SED را به کار می گیرد تا بتواند اطلاعات مکانی را در میان انبوهی از موتورهای پایگاه داده ذخیره نماید .
در مورد سرور مایکروسافت SQL (200 که هم اکنون از داده های مکانی پشتیبانی می کند , امکان دارد که از داده های بومی استفاده نماید اما Arc SED هنوز نیازمند ایجاد اتصال به دسکتاپ و اجزای سرور است .
شکل 10 معماری پرتال سیستم SIGGESC است که یک نمونه معماری 3 لایه می باشد .
در لایه های داده مایکروسافت SQL 2008 ذخیره داده را فراهم می آورد و Esri Arc SDE داده های مکانی را مدیریت می کند . در لایه چارچوب شبکه را خواهیم داشت و سرور Arc GIS خدمات تحت وب را برای داده های مکانی و الفبایی فراهم می کند .
این سرویس وب می تواند تعامل ایجاد کند (در مورد داده های الفبایی با استفاده از ویژگی های شبکه NET و در مورد داده های مکانی با استفاده از قابلیت های سرور Arc GIS .
نتایج
استفاده از SIGGESC توسط بسیاری از شرکت های اتوبوسرانی پرتغالی طی چند جلسه آموزشی تثبیت و منتشر شد .
تاکنون تیم دخیل در این پروژه حدود 40 جلسه آموزشی برنامه SIGGESC را سازماندهی و بسط داده اند .
در نتیجه حدود 90 شرکت آموزش دیده در 123 شرکت . که این به این معنی است که
تقریبا 73 درصد از آن ها قادرند با برنامه SIGGESC کار کنند .
از آنجا که در بسیاری از شرکت ها بیش از یک تکنیسین مشغول به کار در SIGGESC وجود دارد , بنابراین در حال حاضر حدود 200 کاربر SIGGESC وجود دارد .
علاوه بر توسعه برنامه های کاربردی و آموزش , تیم مسئول پروژه SIGGESC تحکیم ونگهداری از SIGGESC را تضمین می نماید و با ایجاد مرکز تخصصی دائمی به کاربران کمک می نماید تا هر گونه شک و سوال مرتبط با برنامه کاربردی و پروژه برطرف گردد.
این تیم تضمین می دهد که به هر مساله ای در حداکثر 8 ساعت پاسخ دهد و در عرض 24 ساعت آن را حل و فصل نماید و هدف از آن تضمین استفاده کاربران از SIGGESC به طور پیوسته می باشد .
در طول مدت 2 سال شرکت های اتوبوس اطلاعاتشان را به پرتال وارد نمودند . در
مناطق Lisbon و Oporto ( منطقه هدف اولویت برای این پروژه ) 85 درصد از خطوط اتوبوس در SIGGESC ثبت شدند که شامل 1473 خط اتوبوس و8.3663 کیلومتر از مسیرهای اتوبوس و 34.148 ایستگاه اتوبوس می شود .
در بخش های زیر چند نمونه از خروجی های مستقیم نشان داده خواهد شد که می تواند به طور مستقیم از برنامه های کاربردی SIGGESC تولید شود و چند خروجی که در پایگاه داده SIGGESC تولید شده اند .
گزارش ها
همانطور که قبلا گفته شد
هر دو برنامه کاربردی GIS تحت وب و دسکتاپ توانایی تولید گزارشات خودکار و
پویا را دارا می باشند که ارزش زیادی برای شرکت های اتوبوس دارد . به خصوص
برای آنهایی که به مهارت فنی لازم یا نرم افزار و سخت افزار ضروری برای پیگیری و محاسبه برخی گزارش ها نیاز ندارند.
بسیاری از گزارش ها که با برنامه های کاربردی تولید می شوند اسناد ضروری هستند که باید به منظور تکمیل فرایند صدور مجوز به IMTT ارسال شوند همانند
نقشه خط اتوبوس , برنامه زمانی و جدول کرایه (طبق شکل 11 و 12 و13 ) . این
گزارشات در فرمت های pdf و xls و html صادر می شوند
علاوه بر گزارشات ضروری که شرکت های اتوبوس باید آن را به IMTT ارسال نمایند گزارشات خودکار دیگری هم وجود دارد که به شرکت ها کمک می کند که وظایف روزانه خودشان را برنامه ریزی و مدیریت نمایند مثل نمودار ایستگاه اتوبوس و گزارش خصوصیات ایستگاه اتوبوس (شکل 14 و 15)
خروجی های ایجاد شده با پایگاه داده SIGGESC
یکی از مزایای استفاده از پایگاه داده SIGGESC سازگاری و قابلیت همکاری آن با بسیاری از برنامه های معمول GIS
است که امکان پشتیبانی و توسعه مطالعات و تجزیه و تحلیل و برنامه ریزی و ارزیابی گزینه های سرمایه گذاری را فراهم می آورد . برای مثال با مربوط ساختن اطلاعات مکانی و الفبایی خطوط اتوبوس با میزان تراکم مناطق , فعالیت ,اطلاعات سرشماری و غیره
نقشه های زیر نمونه ای از آن چیزی است که توسط پایگاه داده SIGGESC قابل تولید می باشد (شکل 16 )
در حال حاضر SIGGESC تصمیم سیستم پشتیبانی پرتغالی برای بخش حمل و نقل عمومی جاده ای مسافران می باشد و تقریبا هر شرکت اتوبوسرانی در پرتغال که در حوزه IMTT کار می کند برنامه های کاربردی را دارد و از آن استفاده می کند .
این سیستم پشتیبانی تصمیم گیری از فرآیند صدور مجوز در IMTT حمایت می کند تا برنامه ریزی و نظارت بر خطوط اتوبوس شفاف تر و کارآمد تر شود . دیگر مزیت آن این است که سرانجام یک پایگاه داده جامع و یکپارچه با ثبت همه خطوط اتوبوس وجود دارد و دسترسی به این اطلاعات در اختیار مردم قرار دارد (از طریق پرتال SIGGESC )
برای انتشار این پایگاه داده و ارائه آن به عموم مردم در آینده می توان ویژگی های خطوط اتوبوس را به نقشه های گوگل وارد نمود تا کاربران بتوانند برای یک سفر با استفاده از حمل و نفل عمومی برنامه ریزی نمایند.
برنامه های کاربردی می توانند با اضافه شدن ویژگی های جدید بر پایه آخرین روند فن آوری مثل وب 2 و مشارکت عمومی نمو یابند
نتایج
برای انتشار این پایگاه داده و ارائه آن به عموم مردم به طور کلی, در آینده می توان خصوصیات هر خط اتوبوس (ایستگاه اتوبوس , مسیر حرکت و برنامه
زمانی ) موجود در پایگاه داده SIGGESC مربوط به هر شرکت اتوبوسرانی را به نقشه های حمل و نقل گوگل اضافه نمود تا کاربران بتوانند یک سفر با حمل و نقل عمومی را برنامه ریزی نمایند.همچنین برنامه های کاربردی می توانند با آخرین روند فن آوری تکامل یابند همانند وب 2 و مشارکت عمومی . به عنوان مثال با ایجاد امکان ورود اطلاعات عددی و الفبایی توسط کاربران به SIGGESC Web GIS و گرفتن بازخور ها در مورد برخی از ایستگاه های اتوبوس , مسیر یا برنامه , مثلا اطلاع یافتن از اینکه ایستگاه اتوبوس دیگر وجود ندارد و یا اطلاع از اینکه یک خط اتوبوس از مسیر متفاوتی می رود . پایگاه داده SIGGESC همچنین می تواند مطابق با دستورالعمل INSPIRE برای دسترسی به نهادهای مختلف عمومی از طریق services Web map(Wms) منتشر شوند . به گفته
باتلر (200 GIS-T میتواند نقش محوری در فضای جدید برای کاربری عمومی زمین و تصمیم گیری برای حمل و نقل ایفا کند .
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم پشتیبان تصمیم گیری در جذب فناوری اطلاعات
ارسال شده توسط احمد محمدی | 1 01, 2014 | بازدید‌ها (1595)

سیستم پشتیبان تصمیم گیری در جذب فناوری اطلاعات

تهیه و تنظیم: پایگاه مقالات علمی مدیریت www.SYSTEM.PARSIBLOG.com

چکیده :
سازمانها پویا و متحولی که در زمینه تکنولوژی رایانه پیشرفت کرده اند، مجموعه بالقوه ای از برنامه های کاربردی DSS را ایجاد کرده اند.برای برنامه ریزی استراتژیک سازمان یا نقشه راه ، درک درستی از برنامه های کاربردیDSS حائز اهمیت است.این تحقیق می کوشد تا تعریفی از DSS، جذب فناوری اطلاعات و پویایی جذب DSS ارائه کند.آنچه که به عنوان ابزارهای DSS جذب برنامه های کاربردی سازمان میشود شامل آنهایی است که به عنوان برنامه های کاربردی یک بارهDSS (غیر تکراری) در سطح برنامه ریزی استراتژیک وارد سازمان میگردد.انتقال فناوری تا جاگیری ابزارها در برنامه های کاربردی پشتیبان تصمیم ساختار یافته (SDS) یا سیستم های فرایند تبادل (TPS) ادمه دارد.بنابراین مدیران باید آنها را به عنوان یک سیستم SDS/TPS ببینند نه به عنوان یک سیستم DSS. شناسایی نقشه راه جذب فناوری اطلاعات، به انتقال فناوری کمک می کند و آن را به رسمیت می شناسد. این به معنای قابل قبول بودن ایجاد این انتقال است.

>

 واژه های کلیدی: DSS، سیستم پشتیبان تصمیم گیری ،جذب فناوری اطلاعات ، توسعه نرم افزاری.

مقدمه
چه موقع یک سیستم پشتیبان تصمیم گیری واقعا یک DSSنیست؟ غالبا یک برنامه کاربردی که شامل تصمیم گیری به هر روشی است به عنوان DSS طبقه بندی می شود.پیشرفتهای پویای در زمینه تکنولوژی رایانه در برنامه های کاربردی مثل DSS موثر می باشد.در نتیجه این پیشرفتها بوده که این برنامه های کاربردی همواره در حال تغییر می باشند.این موضوع سبب شده است که تقریبا متوقف کردن چنین تغییراتی برای برنامه های کاربردی DSS غیر ممکن باشد.بدیهی است که ماهیت تغییرات DSS به موازات پیشرفت توسعه تکنولوژی رایانه در جریان می باشد.کدون[9] گزارش می دهد که قانون مور ( دو برابر شدن قدرت رایانه در هر هیجده ماه )دست کم برای 5 سال دیگر سر می رسداین امر نشان دهنده این است که سیستم های اطلاعاتی پیشرفت خود را در دستورالعمل های جدید و متنوع ادامه خواهد داد.
در حالی که برخی از برنامه های کاربردی DSS به طور گسترده ای مورد قبول واقع شده اند ،
برخی دیگرانیز احتمالا در جریان تغییرات تکنولوژیکی منسوخ شده اند.این ماهیت پویای فناوری سیستم های اطلاعاتی عموما، و برنامه های کاربردی DSS خصوصا، باعث می گردد که مدیران عالی اطلاعاتی و دیگران مدیران در مواجه با یک تعریف واضح و روشن از مجموعه برنامه های ثابت و کاربردی DSS به مشکل بر
بخورند.با این حال شناسایی برنامه های کاربردی DS در برنامه ریزی استراتژی های سازمانی برای استقرار فناوری اطلاعات مهم است.تجزیه وتحلیل این تحقیق یک چهارچوب را ژیش روی فناوری اطلاعات قرار می دهد که شانل تکامل مستمر و استفاده از ابزارهای DSS است.هدف بررسی یک چشم انداز برنامه ریزی برای استقرار آینده ابزارهای DSS و برنامه های کاربردی آن است که تکامل فناوری اطلاعات را امکان پذیر می سازد.یک چهارچوب برنامه ریزی برای سیستم های اطلاعاتی حرفه ای مستلزم شناسایی نقشه راه جذب فناوری از طریق ایفای نقش DSS می باشد.این تحقیق شامل بررسی تعریف DSS ، مراحل و پویایی جذب فناوری اطلاعات و در آخر خلاصه و نقشه راه جذب فناوری می باشد.

تعریف سیستم پشتیبان تصمیم گیری(DSS ):یک

تعریف عملیاتی از یک سیستم DSS برای شناسایی و طبقه بندی ابزارهای DSS و برنامه های کاربردی و به تبع آن بررسی نقشه هرا جذب فناوری حائز اهمیت می باشد.
DSS با بکار گیری رایانه برای موارد زیر تعریف می شود:
1 – کمک به مدیران برای فرایند تصمیم گیری در وظایف نیمه ساختار یافته
2 – برای پشتیبانی و بهتر از آن جایگزینی قضاوتهای مدیریتی. و
3 – به منظور بهبود اثربخش تصمیم گیری به جای کارایی آن( کین و اسکات مورتون،8ص1)
همچنین دیگران(10، 12 و 13 )تعاریفی را برای DSS ارائه کرده اند.اگرچه برخی تفاوتهای جزیی در تعاریف آنان وجود دارد،اما یک بررسی از این تعاریف نشان می دهد که به طور کلی آنها تعریف کین و مورتون را حمایت می کنند.با این حال تعریف کین و اسکات مورتون به عنوان تعریف عملیاتی برای این تجزیه و تحلیل مورد استفاده قرار گرفت آنها توضیح اضافی DSS را به شرح زیر ارائه نمودند:سوال کلیدی برای کسی که در مورد DSS کار می کند این است : "چه نوع تصمیم خاصی یا چه فرایند تصمیم گیری وجود دارد که برای پشتیبانی از آن باید
تلاش کرد؟" تصمیم ممکن است تکراری و همیشگی و یا لحظه ای و یک باره باشد .تمرکز پشتیبان تصمیم گیری بر این فرض استوار است که مشکلی که مدیران با آن
مواجهند بی اهمیت نیست و نمی تواند بصورت خودکار بروز کند. این دیدگاه نیازمند توسعه ابزارهای روش شنلاسی برالی تصمیم گیریهای کلیدی میران و تعریف اطلاعاتی است که میتواند یا باید در دسترس مدیران باشد البته در طول زمان سطح درک ما افزایش می یابد و شاید بسیاری ازمشکلاتی که ما امروزه به طور مرحله ای و سیستمی با آن مواجهیم به یک کاربر یا راینه واگذار گردد.
نمونه بارز این روند ، سود سپرده است .بیشتر بانک ها و شرکتهای وام دهنده روشهای ساده ای دارند که بر اساس داده های آماری و گزارشهای اعتباری پشتیبانی شده استوار می باشد که جایگزین قضاوتهای اولیه مدیران ارشد وام دهنده می گردد.مادامی که مشکل صرفا ساختار یافته بوده و مدیران در درک و سطح نیازمندیهایشان به بلوغ رسیده به به عنوان یک سیستمDSS باید همواره به عنوان کاربر سازگار و یاد گیرنده رشد و تکامل داشته باشد.این ماهیت خود است که بر ساخت نوعی از نرم افزار دلالت دارد که بتواند در سازمان به اجرا درآمده و باقی بماند.(ص58-59)
گوری و اسکات مورتون (7) چهارچوبی را برای ویژگی های نیمه ساختار یافته این تعریف سیستم پشتیبان تصمیم گیری ارائه نمودند.انها کار سیمون و نویل را با با جهارجوبی از فرایند تصمیم گیری ساختار یافته و غیر ساختار یافته ارتباط دادند.یک مشکل کاملا ساختار یافته موردی است که تمام سه مرحله فرایند تصمیم گیری (هوش ، طراحی و انتخاب ) برای آن ساختار یافته است. برای یک مشکل کاملا ساختار نیافته مراحل تصمیم گیری کاملا ساختار نیافته می باشد. برای یک مشکل نیمه ساختار یافته یک یا دو مورد (نه همه آنها ) از مراحل تصمیم گیری ساختار نیافته می باشد. آنها سیستم های اطلاعاتی را به عنوان سیستم های ساختار یافته تصمیم گیری((SDS که قویا ساختار یافته می باشند تعریف می کنند، در حالی که سیستم های نیمه ساختار یافته و ساختار نیافته را به عنوان DSS معرفی می کنندمبادله اطلاعات از این طبقه بندی ساختار یافته و ساختار نیافته حذف گردید.فعالیت مبادله اطلاعات در یک سازمان یعنی اینکه در آن سازمان رایانه مورد نظر به امر مبادله داده های سر راست (البته نه از طریق تصمیم خارجی )اختصاص داده می شود.مثل فرایند حقوق و دستمزد.هر دو فرایند SDS و مبادله اطلاعات قویا ، محصول پردازش اطلاعات یا فعالیتهای سیستم فرایند تبادل(TPS) می باشد.این دیدگاه بیان میدارد که هر سیستم اطلاعاتی که به عنوان SDS/TPS نباشد ، بیشتر به عنوان DSSشناخته می شود (پاور 12،ص19).بنابراین تعریف یک DSS دارای شرایط 1 طبقات استفاده و 2 – حرکت در
طول زنجیره ساختار یافته / ساختار نیافته می باشد.به علاوه DSS به معنای واقعی به دو دسته تقسیم می گردد : DSS نهادی (سازمانی) که با تصمیم های با ماهیت دوره ای و تکراری در تعامل می باشد و DSS موقت که با تصمیمات خاص که معمولا قابل پیش بینی نبوده و دوره ای نیستند( لحظه ای هستند) در تعامل
می باشد(5و8 ص5." تغییر مشکلات به سمت ساختاریافتگی از زمان شروع دانش مدیریت در حال پیشرفت بوده است "(8ص92).ظهور DSS این حرکت را بیشتر از گذشته تسهیل می کند . تکامل و حرکت DSS به سمت قابلیت های جداسازی شده SDS/TPS شاخص بزرگی از تغییرات به سمت ساختار یافتگی در این طیف است.
مطابق این تجزیه و تحلیل ، برنامه کاربردی DSSS از ابزارDSS متمایز می باشد.ابزار DSS همچنین به عنوان ژنراتور DSS شناخته می شود .که شامل نرم افزارهای رایانه ای است که از آن در ایجاد برنامه کاربردی مخصوص DSS استفاده می گردد.ابزار یک فناوری توانمند است. برنامه کاربردی سیستمی است که واقعا کار را انجام می دهد و اطلاعات مورد نیاز تصمیم گیرنده را ذخیره می کند .ناحیه DSS تغییرات ساختاری خیلی عمیقی مثل ابزارهای فناوری را دارا
می باشد(6).سیستم های پشتیبانی تصمیم گیری امروزی ، از انواع کامپیوتر هایی استفاده می کنند که بر اساس ابزارها ، ایجاد بر نامه های کاربردی پیشرفته DSS را ممکن می سازد.(11)ابزار سیستم اطلاعاتی که در یک زمان توسط تمرکز اولیه برای ساختن DSS مورد استفاده قرار می گیرد، در زمان بعد ممکن است در درجه اول به عنوان استفاده اش از SDS/TPS برای یافت گردد.از انجا که
در ابتدا ابزار برای استفاده در ساختمان یک DSS ساخته شده است ، گمان نمی
رود که تمام سیستم های اطلاعاتی متعاقبا با استفاده از ابزارهای DSS ساخته شده باشند.در واقع تعریف اساسی از DSS بایستی در تبیین آن به کار رود
نه در کاربرد آن.

مراحل جذب فناوری اطلاعات:

مدیران سیستم های اطلاعاتی باید انتظار داشته باشند که تکنولوژی جدید ایجاد شده یا تکامل یافته کامپیوتری اغلب به راه های مختلف جذب سازمان خواهد شد.اپل گیت ، مک فارلن و مکنزی (1، ص 226) فرایند جذب تکنولوژی های اطلاعات در حال ظهور در سازمان را به طور خلاصه بیان می کنند..این مثال شامل یک سری مراحل است که طی آن فناوری جدید شناسایی شده ، جذب شده و نهادینه می گردد.آنها چهار مرحله را شرح دادند: 1 - شناسایی تکنولوژی 2 – آموزش تکنولوژی و سازگاری 3 –
کنترل سازگاری با اصول عقلانی مدیریت 4 – انتقال تکنولوژی بلوغ/ توسعه. مرحله شناسایی تکنولوژی ، ابزارهای سیستم های اطلاعاتی جدید را بررسی کرده ،
آن ابزارها را مورد آزمایش قرار داده و منجر به مطلوبیت دستیابی به تکنولوژی می گردد.
مرحله آموزش فنآوری و سازگاری یا انطباق ، شامل کسب دانش چگونگی گسترش تکنولوژی در فرصت های بالاتر از سیستم های اطلاعاتی پروژه های ارزیابی شده اولیه می باشد. مرحله سوم ،شامل ادامه تکامل برنامه
های کاربردی تکنولوژی و توسعه کنترل ها به منظور راهنمایی طرح ها و اجرای سیستم هایی است که این تکنولوژی را بکار میگیرند. مرحله چهارم (انتقال تکنولوژی بلوغ/ توسعه ) وقتی رخ می دهد که تکنولوژی سراسر سازمان را در بر بگیرد. در خلال مرحله اول ( شناسایی تکنولوژی ) پروژه های آزمایشی معمولا در سطح بر نامه ریزی استراتژیک سازمان اجرا می گردد.خصوصا جایی که یک پروژه
واحد به عنوان ضامن کلیدی اجرایی به انجام برسد.هنگامی که مرحله انتقال تکنولوژی بلوغ / توسعه رخ داده است تکنولوژی عموما در همه سازمان و خصوصا در سطح کنترل عملیاتی توسط بسیاری از کاربران در سازمان مورد استفاده قرار می گیرد.
مشابه آنچه که برای توسعه ابزارهای دیگر سیستم های اطلاعاتی وجود دارد ، این مراحل جذب نیز نقش اصلی را به عنوان ابزار کار در توسعه و کاربرد DSS در سازمانها ایفا می کند.
جذب ابزارهای فناوری اطلاعات، زمانی که برای اولین بار وارد یک سازمان در مراحل 1 و 2 شود می تواند در درجه اول به عنوان یک ابزار DSS مطرح باشد تا پس از آن به طرف مرحله SDS/TPS و سپس مرحله چهارم گسترش یابد. با این نوع جذب حیطه SDS/TPS گسترش یافته ، شاخص های اصلی فناوری های DSS به مرحله 4 رسیده و به عنوان یک TPS استقرار یافته که شامل تعدادی از کاربران و چگونگی نحوه پشتیبانی سیستم می باشد.این گسترش از زمان اولین نرم افزار پردازش داده ها در سال 1950 شروع شده است .
افزایش قدرت محاسباتی و کاهش هزینه برای قابلیت پردازش آن ، یک کلید محرکه سوق دهنده تکنولوژی و ابزارهای اولیه کاربرد DSS به سوی برنامه های کاربردی SDS/TPS می باشد.این تکامل احتمالا به عنوان فصول قانون مور (9) رخ داده و در ادامه شرح تکامل فناوری رایانه می باشد.برای مثال جذب نرم افزار صفحه گسترده را به عنوان یک ابزار پر طرفدار در نظر بگیرید. در اولین روزهای استفاده از نرم افزار VISI CALC تعداد کمی کامپیوتر شخصی در سازمان وجود داشت. VISI CALCابتدا برای پشتیبانی از مدیران اجرایی در سطح برنامه ریزی استراتژیک بکار گرفته شد(مرحله 1).از آنجایی که این تکنولوژی با استفاده سازمان از آن تکامل می یابد ، برنامه صفحه گسترده اکسل مایکرو سافت (یا نظیر آن ) هم اکنون صرف نظر از سطح هر یک از کاربران سازمان ، بر روی دسکتاب کامپیوتر آنان قرار دارد(مرحله 4). بنابراین یک ابزار صفحه گسترده که زمانی فقط برای استفاده مدیریت ارشد سازمان بوده است ، امروزه یک ابزار روزمره برای تمام کاربران رایانه ها می باشد.وقتی فناوری اطلاعات در مرحله 1 به عنوان یک ابزار کاربردی DSS معرفی گردید ، بر اساس الگوی استفاده سازمان به مرحله 4 رسیده
سپس می بایست سیستم برای آنچه که برای ان در نظر گرفته شده است به رسمیت شناخته شود.به این معنا که برنامه SDS/TPS جایگزین خوبی برای نرم افزار DSS می باشد. پویایی جذب فناوری اطلاعات
پس از این که تکنولوژی توسعه یافت و از طریق مراحل جذب ارتقاء پیدا کرد ، این تکنولوژی از مرحله معرفی اولیه تا استفاده گسترده و فراگیر نهادی و سازمانی تکامل می یابد. بخشی از تکنولوژی که با DSS معرفی می شود احتمالا به استقرار SDS/TPS می انجامد.
یک سیستم اطلاعاتی تکنولوژیکی ( TEIS ) یک سیستم SDS/TPS می باشد که شامل ابزارهای استقرار یافته و تکنیک هایی است که از مرحله 1 تا 4 فرایند توسعه
DSS تکامل یافته است. با توجه به ایده پا ور (12) ، " DSS در بسیاری از
سیستم های عامل تعاملی TP)) به صورت متفاوت وجود دارد.برای مثال یک سیستم پر طرفدار که گسترش یافته است برنامه ریزی منابع سازمانی (ERP) است .برنامه
ریزی منابع سازمانی (ERP) حتی اگر نشان دهنده اصلاح تصمیم گیری و برنامه ریزی باشد نمی تواند به عنوان DSS مطرح باشد . به طور کلی برنامه ریزی منابع سازمانی (ERP) ، یک سیستم TPS ادغام شده می باشد که جریان اطلاعات را بین قسمت های وظیفه ای یک کسب و کار تسهیل می کند "(. به عبارت دیگر ، بسیاری از سیستم هایی که در رده DSS قرار می گیرند به عنوان سیستم پیشرفته فناوری اطلاعات (TEIS) مطرح هستند که نشان دهنده استقرار تصمیم گیری در سیستم اطلاعات می باشد.این یک پیشرفت طبیعی ابزارهای DSS به سوی ابزارهای SDS/TPS میباشد.آنچه که به عنوان لبه برش DSS شناخته می شود فقط به عنوان یک SDS/TPS روزمره است.بهتر است مدیران امروزه برای داشتن یک مجموعه مشخص از ابزارها برنامه ریزی کنند و در 5 سال آینده نیز برای یک مجموعه کاملا متفاوت از ابزارها برنامه ریزی نمایند (3) .هیچ دلیلی برای انتظار این پیشرفت سیستم های فرایندی SDS/TPS که به زودی فرا میرسد وجود ندارد.
برنامه های کاربردی سیستم اطلاعات را می توان یک زنجیره از SDS/TPS تا DSS در نظر گرفت .شکل 1 نشان می دهد که انتقال تکنولوژی DSS تک منظوره وسیله ای برای تسهیل فعالیتهای جذب را از مرحله 1 تا 2 فراهم میکند و محیطی را که در آن یک پروژه به عنوان کلید پشتیبان اجرایی مطرح است
آماده می کند.سپس ابزار DSS در سطوح پایین تر در درون سازمان مورد استفاده قرار می گیرد ابزارهای DSS موقتی و یک باره نهادی و سازمانی شکل 1 – جذب تکنولوژی ابزار های DSS این
تا حد زیادی پایه کاربردی را که در مقیاس بزرگ با DSS در ارتباط است توسعه می دهد.در حال حاضر DSS به سوی SDS/TPS توسعه یافته است و در سازمان
مستقر شده و تکامل آن حفظ شده است . توان تکنولوژی به مرحله چهارم از فرایند انتقال بلوغ /توسعه رسیده و برنامه کاربردی توسعه یافته و مستقر شده
است و از قدرت تکنولوژی برای ابزار اولیه DSS استفاده می کند.که این توانایی شامل ETIS است که نمایانگر مشخصات یک سیستم SDS/TPS می باشد.
تمایز
بین DSS و SDS/TPS بسیار حائز اهمیت است چرا که کلیدهای متعدد و متفاوتی بین توسعه و بقای یک سیستم DSS در مقایسه با دیگر سیستم های SDS/TPS به شرح زیر وجود دارد(8، ص 9 :
1 – افراد مشغول در ساخت DSS نیازمند مهارتها و نگرش های مختلف نسبت به ساخت SDS/TPS می باشند.
2 – تکنولوژی که از DSS پشتیبانی می کند در خصوص نگهداری و بهره برداری موثر سیستم با SDS/TPS متفاوت است.
3
– مدل هایی که در تصمیم گیری در سیستم DSS به مدیران کمک می کنند ممکن است
با الگو های بهینه سازی سیستم SDS/TPS به طور قابل ملاحظه ای متفاوت باشد.
4 – فرایندهایی که به وسیله سیستم DSS به دنبال روشهای تکمیلی توسعه یافته است ، نسبت به تحویل نهایی محصول سیستم SDS/TPS (که ناشی از استفاده های مکرر از آن است متفاوت می باشد.
اگر چه تکنولوژی پیشرفت کرده است اما ویژگی هایش معتبر باقی مانده است.یک رده از DSS مشخص را به عنوان سیستم اطلاعات اجرایی (EIS ) ، در نظر بگیرید که دارای قابلیت های خود جداسازی شده در نرم افزار SAP R/3 یک شرکت یاشد (2 ، ص319 و 320 ).نرم افزار ERP سازمان نرم افزاری است که ابتدا سازمان را با مجموع ه ای از قابلیتهای TPS مواجه می کند.این شاخصی از استقرار تکنولوژی DSS در سیستم TPS و نشان دهنده پویایی جذب تکنولوژی است.در اینجا ERP یک TEIS است که شامل ظرفیت EIS بوده و در ابتدا به عنوان یک نوع از DSS مطرح بوده و
توسعه یافته است اما سیستم نرم افزار SAP R/3 یک DSS نیست.( نکته: نرم افزار SAP R/3 نرم افزار نسخه سوم SAP است که برنامه ریزی منابع سازمان را انجام می دهد).
یکی دیگر از نمونه های TEIS ،برنامه اکسپرس آمریکا (American Express application)از تکنولوژی سیستم خبره می باشد(4).ابزارهای
سیستم خبره ابزارهای اولیه برای ساختن یک سیستم DSS خاص است .این مثال نشان دهنده توسعه و بکارگیری و پشتیبانی از TEIS است.هنگامی که ابزارهای DSS در این شیوه در ابعاد بزرگ به کار گرفته شوند، آنها قادر هستند از طریق فرایند های اجرا و نگهداری ، استفاده از SDS/TPS را تنظیم کنند. پشتیبانی مداوم و نگهداری از یک سیستم DSS به یک سیستم TPS قابل تغییر است در نتیجه این مثال یک سیستم DSS نیست.
ولز و هس (14) 0DSS ذخیره داده ها را تشریح کردند که در سازمانهای ارائه دهنده خدمات مالی کاربرد دارد.آنها این مورد را به عنوان یک DSS ذخیره داده ها در مقیاس بزرگ توصیف
می کنند که در دسته DSS های سازمانی (نهادی ) تقسیم بندی می گردد.این برنامه کاربردی DSS توسط 1500 نفر از مشاوران مالی مورد استفاده قرار می گیرد .این برنامه هر هفته برای 60 نفرا زمشتریان متقاضی، خدمات ارائه می کند.این برنامه به عنوان نرم افزار CRM (مدیریت ارتباط با مشتری ) شناخته می شود. این نرم افزار اطلاعات مورد نیاز برای پشتیبانی مشاوران اراده نمی کند و اگر مشاوران احساس کنند که محصول تولید شده مناسب نیست ، آنگاه از دیگر سیستم های خروجی و منابع برای شکل دادن به توصیه های مختلف استفاده می
کنند. بر اساس تعریف سیستم باید اطلاعاتی را ارائه کند که تصمیم گیری را پشتیبانی نماید .این گزارش DSS ذخیره داده ها ، نتایجی را که بر اساس یک سیستم SDS ساخته شده و تعبیه شده است ارائه می کند. ابزار ذخیره داده ها (DW) در توسعه سیستم به کار گرفته میشود و این ابزار غالبا در سیستم DSS استفاده می گردد . به هر حال این استفاده از ابزار نتایج را در SDS بهتر از DSS نشان می دهد.این کار نشان می دهد که TEIS یک سیستم SDS است و DSS نیست.
جذب ابزارهای DSS به سمت SDS/TPS موجب تغییر اهداف برخی از
ویژگی های DSS می گردد.این خوب است یا بد؟اگر اطلاعات بهتر که منجر به پشتیبانی فعالیتهای مدیران یک سازمان میشود ارائه شده باشد ، این وجه خوب قضیه است .به هر حال این حالت وضوح و شفافیت تشخیص این موضوع را که نقطه پایان SDS/TPS و آغاز DSS کجاست بیشتر با مشکل مواجه می کند . حد وسط مرحله ای که در این خصوص وجود دارد این است که جابجایی تکنولوژی به طور مداوم ، به برنامه های کاربردی هردو سیستم DSS و SDS/ TPS اجازه گسترش و

توسعه می دهد.
خلاصه بحث

DSS فناوری اطلاعاتی است که در یک سازمان به شیوه مشابه سایر تکنولوژی های اطلاعات جذب می گردد. با این حال هنگامی که در ابتدا یک تکنولوژی به عنوان فناوری DSS معرفی می گردد به مرحله بلوغ یا انتقال تکنولوژی توسعه یافته می رسد، این استقرار اولیه به عنوان ابزارهای DSS احتمالا مهاجرت به سمت تکنولوژی SDS/TPS را تکمیل کرده است.مدیران سیستم های اطلاعاتی باید انتظار ایجاد و توسعه تکنولوژی جدید رایانه ای را داشته باشند.این تکنولوژی اغلب در سازمان به عنوان ابزارهای DSS مستقر شده که باعث ورود سازمان به سطح برنامه ریزی استراتژیک می گردد. پس از آنکه موفقیت این مرحله به اثبات رسید ، احتمالا استفاده از برنامه های DSS در سطوح پایین تر سلسله مراتب سازمان امکان پذیر است یعنی جایی که این برنامه ها در مقیاس بزرگ DSS نهادی یا سازمانی بویا همه ویژ گیهای SDS/TPS مورد استفاده قرار گیرد. ابزار DSS به عنوان بخشی جدایی ناپذیر از SDS/TPS مطرح می گردد و در نتیجه به طور خلاصه نرم افزار به عنوان DSS نهادی شناخته می گردد. این ادغام در مقیاس بزرگ به کار گرفته میشود سپس به گسترش یکپارچه سیستم نیاز دارد و بقا و نگهداری آن مستلزم وجود سایر برنامه های کاربردی در مقیاس بزرگ است .رابطه بین سازندگان سیستم و کاربران آن هم اکنون مانند SDS/TPS است، و چنین جذب و یکپارچه سازی قابل قبول است . در نتیجه مجموعه ابزارهای DSS و برنامه های نرم افزاری پویا بوده و می بایست قابلیت سازگاری را با تغییرات پیشرفت تکنولوژی اطلاعات که به منظور استفاده از ساختمان و استقرار DSS رخ می دهد داشته باشد. به رسمیت شناختن این فرایند جذب فناوری اطلاعات ، یک راهنمایی و نقشه راه را برای تغییرات به منظور نگهداری و حمایت از یک سیستم TEIS ارائه می کند که این TEIS از مرحله DSS به مرحله SDS/TPS توسعه یافته است.سپس این
برنامه های کاربردی برای تمرکز بر روی فعالیتهای تصمیم گیری ساختار نیافته و نیمه ساختار یافته ، به تعریف اصلی خود بر می گردند.بدیهی است که هر برنامه کاربردی که از ابزار سیستم های اطلاعاتی جدید نوظهور استفاده
نماید ، نبایستی بلا فاصله به عنوان یک سیستم DSS از ؟آن نام برد.
منابع
1. Applegate, L. M., McFarlan, F. W., and McKenney, J.L. (1999). Corporate information
systems management: Text and cases. Boston: Irwin/McGraw-Hill.
2. ASAP World Consultancy (1996). Special Edition Using SAP R/3, Indianapolis, IN: Que
Corporation.
3. Darling, C.B. (1996, April 15). Build an app dev framework for DSS, Datamation, 82-87.
4. Ditlea, S. (1992, December 1). How AMEX leverages technology assets, Datamation, 95-96.
5. Donovan, J. & Madnick, S. (1977). Institutional and ad hoc DSS and their effective use,
Database, 8(3), 79-88.
6. Eom S. B. (1999). Decision support systems research: current state and trends, Industrial
Management & Data Systems, 99(5), 213-220.
7. Gorry, G. A., & Scott Morton, M. S. (1989). A framework for management information
systems. Sloan Management Review, 31(3), 49-61.
8. Keen, P. G. W., & Scott Morton, M. S. (197. Decision support systems: An organizational
perspective. Reading, MA: Addison-Wesley.
9. Kren, Lawrence (2002). Upholding Moore’s Law. Machine Design, 74(2), s30.
10. Marakas, G. M. (2003). Decision support systems in the 21st century (2nd ed.) Upper Saddle
River, NJ: Prentice-Hall.
11. Nemhauser, G. L. (1993, May). The age of optimization: solving large-scale real world
problems, TIMS/ORSA Joint National Meeting, Chicago, IL (May 7).
12. Power, D. J. (2002). Decision support systems: Concepts and resources for managers.
Westport, CN: Quorum Books.
13. Sprague, R. H., & Carlson, E. D. (1982). Building Effective Decision Support Systems,
Englewood Cliffs, NJ: Prentice Hall.
14. Wells, J. D. & Hess, T. J. (2002). Understanding decision-making in data warehousing and
related decision support systems: an explanatory study of customer relationship
management application, Information Resources Management Journal, 15(4), 16-32
مولفین:
راجر ال .هین ، دانشگاه مرکزی میشیگان
مونیکا سی. هولمز ، دانشگاه مرکزی میشیگان
جیمز پی . اسکات ، دانشگاه مرکزی میشیگان

آیا فناوری اطلاعات می تواند منجر به کاهش خطاهای پزشکی شود؟

ارسال شده توسط احمد محمدی | 31 12, 2013 | بازدید‌ها (1059)
آیا فناوری اطلاعات می تواند منجر به کاهش خطاهای پزشکی شود؟
نویسنده : احمد رجب زاده
خطاهای پزشکی جزئی از نتایج اجتناب ناپذیر عملکرد انسانی است ، تنها با بررسی خطاها به عنوان منبع اطلاعات می توان تجربیات مناسبی را برای بهبود سلامت بیمار کسب کرد.خطاهای پزشکی پیامدهای بالینی و اقتصادی چشمگیری دارند. استفاده از انواع مختلف فناوری های اطلاعاتی می تواندبا پیشگیری از خطاها و اشتباهات پزشکی، ارزیابی خطاها و نظام مراقبت ، موجب کاهش قابل توجه میزان خطاهای پزشکی و ارتقاء کیفیت خدمات ارائه شده به بیماران گردد.
افزایش مناسب در استفاده از فناوری اطلاعات در بهداشت و درمانو معرفی سیستم های پشتیبانی از تصمیم گیری بالینی و ارتباط بهتر بین این سیستم ها، منجر به ساده سازی فرایندها شده که موجب بهبودی قابل توجهی در ایمنی بیمار می گردد(1).

مجموعه مقالات و پژوهش ها دو فناوری مهم را برای کاهش و جلوگیری از خطاهای پزشکی بویژه خطاهای دارویی معرفی کرده اند
الف) CPOE(Computerized

physician/Provider Order Entry)ثبت کامپیوتری دستورات
پزشکان و ارائه دهندگان خدمات سلامت
ب)CDSS
(Clinical decision support
system)سیستم پشتیبان تصمیم گیری بالینی
سیستم CPOE همراه باسیستم CDSS می تواند یادآوری هایی را در زمانی که پزشک
دستورات را وارد می کند تولید کند یادآوری ها می تواند در موقعیت های ذیل کمک کند
.

1)تداخلات بین داروهایهمزمان که ممکن است توسط چندین پزشک دستور داده شده باشد.

2)تداخلات بالقوه بین تست های آزمایشگاهی و داروهای خاص

3)دستور داروهایی که باید بر اساس نتایج تست های آزمایشگاهی تغییر کند
4)آلرژی ها
5)شرایط بالقوه سمی نیازمند توجه ( مثال سطوح بالای دارویی در نتایج آزمایشگاه – دستور یک دز بالا)
این سیستمها نیز می تواند بر اساس دادههای بالینی موجود در داخل سیستمبه
صورت خودکار دستور درمانی مشخصی را برای بررسی پزشک قبل از اجرای آنپیشنهاد دهد(2).
اگرچه شناخت ماهیت فن آوری و قابلیت
های آن لازم و ضروری است اما باید ملاحظاتی را نیز بر آن اعمال کرد تا موثر تر
واقع شدهو در نهایت مورد قبول سیاست
گذاران و دست اندرکاران مراقبت سلامت قرار گیرد.این ملاحظات می تواند شامل موارد زیر
باشد.
-آموزش ارائه دهندگان مراقبت سلامت برای افزایش سلامت با افزون بر دانش آنان
درباره خطاهای پزشکی و پیامد های جامانده از اثرات مضر دارو.
- استاندارد نمودن زبان نسخه نویسی با استفاده از نام کامل داروها و مسیر ورود
دارو به بدن.
- آموزش بیماران و خانواده آنان درباره رژیم های دارویی.
- تهیه فهرست مزایا و نقش پر اهمیت فناوری های موجود .

- بومی سازی نرم افزارهای مربوط (3).

لذا سیستم های اطلاعاتی بکار گرفته شده در صنعتسلامت در صورتی که از سیستم پشتیبان تصمیم گیری
بالینی استفاده کنند و همگام با اجرای چنین سیستم هایی مزایا استفاده از آن برای
ارائه دهندگان مراقبت بویژه پزشکان جهت کاهش مقاومت آنها شرح داده شود نقش موثری
در کاهش خطاهای پزشکی خواهد داشت.
منابع :
1.Bates D, Cohen
M, Leape L, Overhage JM, Shabot MM, Sheridan T. Reducing the frequency of
errors in medicine using information technology. Journal of the American
Medical Informatics Association. 2001;8(4):299-308.
2.Sittig DF, Ash J. Clinical
information systems: overcoming adverse consequences: Jones & Bartlett
Learning; 2009.
3.Rezaeehachesoo P, Habibi S,
Fozonkhah S. Information technology, an effective tool in reducing and
preventing medical errors: suggestions for improvement. Health Information
Management. 2008;4(1):89~ 98.
Normal
0 false
false
false EN-US
X-NONE
AR-SA

پرونده های الکترونیکی و نقش متخصصان اطلاعات بهداشتی درمانی (HIM)

ارسال شده توسط احمد محمدی | 31 12, 2013 | بازدید‌ها (2130)
پرونده های الکترونیکی و نقش متخصصان اطلاعات بهداشتی درمانی(HIM) بدنبال فشار روز افزون جهت کاهش هزینه و ارتقاء سطح کیفیت و اثر بخشی خدمات، نیاز به داده های مراقبت بهداشتی بیش از هر زمان دیگری احساس می شود. به گونه ای که دیگر پرونده های کاغذی و سیستمهای دستی جهت برآوردن نیازهای پزشکی مدرن امروز کافی نیستند. دنیای مراقبت بهداشتی امروز با شکل گیری صنعت تجاری جدیدی با عنوان تکنولوژی اطلاعات بهداشتی که از نرم افزارهای حمایت از تصمیم گیری تا پرونده های الکترونیکی را در بر می گیرد درحال تجربه کردن تغییرات چشمگیری است . در این میان پرونده های الکترونیکی به عنوان ابزاری هستند که مراکز مراقبتی برای رویارویی با چالش های موجود برگزیده اند. با ایجاد نسخه های قابل خواند کامپیوتری پرونده های دستی یا همان EHR (پرونده های الکترونیک سلامت), تحول جدیدی در نظام مراقبتی ایجاد شده است. اما شواهد
نشان می دهد که حرکت به سمت این سیستمها با تاخیر همراه بوده است که در این زمینه متخصصان عواملی مانند فراهم بودن استانداردهای انفورماتیکی، سیستمهای نامگذاری، فهرست واژگان و سیستمهای کدگذاری مورد نیاز HER، حمایت از محرمانگی و امنیت اطلاعات، فرهنگ سازی در بین سازمانها و متخصصان مراقبت بهداشتی و لزومات سازمانهای اعتبار سنجی را ازجمله آیتمهای تاثیرگذار در ایجاد پرونده الکترونیک سلامت میدانند. در این راستا نقش متخصصان مدیریت اطلاعات جزء لایتجزای تمام این عوامل خواهد بود. اگرچه در آینده کامپیوتر و سیستمهای مکانیزه اعمال کدگذاری و طبقه بندی را انجام خواهند داد، اما در این میان نقش متخصصان HIM در زمینه تفسیر، تحلیل مجموعه داده ها، فهرست واژگان بالینی و سیستمهای طبقه بندی بیش از هر زمان دیگری بروز می کند. از سوی دیگر متخصصان HIM (مدارک پزشکی) با آشنایی با استاندارد های سازمان اعتبار سنجی، چگونگی مدیریت اطلاعات در سازمانها را مد نظر قرار میدهند. در حالیکه به دلیل اشنایی با اصول محرمانگی و رازداری اطلاعات بهداشتی علاوه بر حفظ امنیت فیزیکی اطلاعات، می توانند با استفاده از تکنولوژیهای امنیتی مانند پیگیری دسترسی و سایر ابزار پایش دسترسی به پرونده
ها، نقش موثری در حفظ امنیت و محرمانگی اطلاعات ایفا کنند. اما در نهایت اینکه،
ایجاد و راه اندازی سیستمهای EHR به نحو چشمگیری با نقش کاربران انها در هم تنیده شده است. در این میان نیز متخصصان HIMو کامپیوتر و شرکتهای نرم افزاری می باید از طریق برنامه های آموزشی و توجیهی در وقت، افزایش رضایت مراجعین بستر مناسب جهت بکارگیری این سیستمها را فراهم آورند.
پس ازآنجا که بتدریج متخصصان سیستمهای مدیریت اطلاعات پست مدیران سیستمهای EHR را در بخش تکنولوژی اطلاعات به خود اختصاص خواهند داد. لذا می بایست دانش و تخصص خود را در زمینه تعریف، ضبط، مدیریت استفاده و تحلیل و تفسیر داده ها و از همه مهمتر استراتژیهای اطلاعات بهداشتی افزایش دهند که تحقق این امر در گرو تغییر شرح شغل متخصصان HIM و ارائه خدمات آموزشی جهت ارتقاء دانش، تخصص و مهارت آنان خواهد بود.

هر موسسه درمانی در درمان موفق خود نیاز به مدارک پزشکی دارد. مدارکی می تواند جوابگوی موسسات درمانی باشد که مستند، ‌درست ، کامل، و علاوه بر این چند رسانه ای بوده و نیاز روافزون جامعه پزشکی،‌ پزشکی قانونی،‌و
امور آموزشی و پژوهشی را بر آورده سازد،‌ در تولید، ‌سازماندهی،‌ حفاظت و اشاعه آن بر اساس اساسنامه ها و مقررات مربوطه با تکنولوژی نوین نیز هماهنگی داشته باشد.
نقش مدیر اطلاعات بهداشتی نقش حیاتی در مراکز مراقبت بهداشتی است،‌ زیرا اطلاعات به دست آمده دارای یک اهمیت کاملا منحصر به فرد است،‌ علاوه بر این فقدان یا کاهش اطلاعات بهداشتی ممکن است مراقبت بهداشتی بیمار را به مخاطره بیندازد.
در نظام پزشکی، مدیریت اطلاعات بهداشتی و مدارک بهداشتی تبادل داده های بالینی و تفکیک و تحلیل این داده ها به منظور ارائه اثر بخش و کارا مستلزم داده های کامل بوده و در این راستا رعایت استانداردهای کامل اطلاع رسانی از اهمیت خاصی برخوردار می باشد.
مدیر مدارک پزشکی نه تنها به عنوان مدیر مدارک انجام وظیفه می نماید، بلکه اطلاعات بهداشتی را برای تامین بسیاری از نیاز های بیماران، پزشکان، ‌و نمایندگی های معتبر و قانونی و بیمه شخص ثالث تهیه می کند.

معرفی رشته فناوری اطلاعات سلامت( HIT)

کارشناسی پیوسته رشته فناوری اطلاعت سلامت (Health ( B.ScInformation Technology فارغ التحصیلان این مقطع قادر خواهند بود تصدی و مدیریت بخش فناوری اطلاعات سلامت را در کلیه موسسات ارائه خدمات بهداشتی و درمانی به عهده گرفته و در زمینه ایجاد و اداره سیستم های اطلاعات سلامت با استفاده از فن آوری اطلاعات ایفای نقش نمایند.

۲- رسالت رشتهMission)

رسالت این رشته عبارت است از:
- تربیت افراد کارآزموده ای که بتوانند تصدی و مدیریت بخش فناوری اطلاعات سلامت مشتمل بر جمع آوری و پردازش داده ها ( سازماندهی، طبقه بندی و محاسبات آماری) و ذخیره سازی و بازیابی اطلاعات بر عهده گیرند
- تحلیل شاخص های بهداشتی
- مشارکت در کارشناسی، طراحی و پیاده سازی نظام Health /Hospital
Information System را به عهده بگیرند.

۳ – ارزشهای حاکم بر رشته: (Values)

با توجه به مبانی الهی و دینی در جامعه ما، ارزشهای اخلاقی و اعتقادی جزء لاینفک آموزش می باشد.
در همین راستا فارغ التحصیلان این رشته، صرفنظر از سن، جنس، رنگ، نژاد، فرهنگ و مذهب بیماران در راستای ارتقای سطح کمی و کیفی خدمات بهداشتی درمانی گام برداشته و جهت ارتقا کیفیت درمان و دفاع از حقوق بیماران با تاکید بر محرمانگی، اطلاعات مراقبت بهداشتی ایشان را به نحو مطلوب سازماندهی و مدیریت می نمایند.

۴- چشم انداز: (Vision)

در ده سال آینده دانش آموختگان این رشته، نیروی مورد نیاز غالب مراکز بهداشتی درمانی و حوزه های ستادی آن را در کشور تامین و از نظر استانداردهای مدیریت اطلاعات در مقایسه با کشورهای منطقه بالاترین رتبه را کسب نمایند.

۵- اهداف کلی: (Aims)

هدف کلی این برنامه عبارت است از تربیت افراد کارآمدی که بتوانند در زمینه های زیر فعالیت داشته باشند.
۱- مدیریت بخش فناوری اطلاعات سلامت مشتمل بر جمع آوری و پردازش داده ها ( سازماندهی، طبقه بندی و محاسبات آماری) و ذخیره سازی و بازیابی اطلاعات
۲- تامین اطلاعات مورد نیاز جهت دفاع از حقوق بیمار/ مراجعه کننده، موسسات و کارکنان بهداشتی درمانی از طریق حفظ مستندات اطلاعات مراقبت بهداشتی
۳- تامین اطلاعات مورد نیاز به منظور بهره برداریهای آموزشی، پژوهشی، خدماتی و آماری مرتبط به رشته های مختلف پزشکی
۴- بکارگیری فن آوری اطلاعات در حوزه مدیریت اطلاعات سلامت
۶- نقش های دانش آموختگان در نظام بهداشتی (Role definition):
دانش آموختگان این دوره دارای نقش های خدماتی، آموزشی، مدیریتی و پژوهشی می باشند.
۷- وظایف حرفه ای دانش آموختگان (TaskAnalysis):
1- وظایف آموزشی
الف- آموزش کارکنان مرتبط با بخش فناوری اطلاعات سلامت
ب- آموزش کارکنان جدید در زمینه روند گردش امور در بخش فناوری اطلاعات سلامت
۲- وظایف خدماتی
الف- تحلیل و سازماندهی اطلاعات و کدگذاری اطلاعات پزشکی بیماران در مراکز بهداشتی درمانی دولتی و خصوصی و مطب ها
ب- کدگذاری مالی اطلاعات پزشکی ( تعرفه خدمات تشخیصی و درمانی) و تعیین مغایرت ها
ج- تحلیل شاخص های آمار بیمارستانی ( مرگ و میر، بیماری، مالی و &hellip و ارائه به مدیران مربوط و کاربران مجاز
د- ارائه اطلاعات پزشکی به کاربران مجاز با رعایت موازین قانونی
ه- اجرای مصوبات مربوط به اطلاعات پزشکی بیماران
و- مشارکت در امور مربوط به خدمات ماشینی اطلاعات سلامت
ی- مشارکت در طراحی فرم های اطلاعات سلامت
۳- وظایف مدیریتی
الف- مدیریت بخش فناوری اطلاعات سلامت
۴- وظایف پژوهشی
الف- انجام پژوهشهای کاربردی در حوزه سیستمهای اطلاعاتی بهداشت و درمان
ب- مشارکت در طراحی و جمع آوری اطلاعات پژوهشی در حوزه بهداشت و درمان
سیستم اطلاعات
بیمارستانی (HIS)
تا رسیدن به یک EHR کامل یا پرونده الکترونیکی سلامت برای هر بیمار و کمکبه تصحیح و ارتقاء سیستم ارجاع الکترونیکی
بیمار در سطح بهداشتی درمانی کشورمانفاصله زیادی داریم. این راه ، همت همه افراد مرتبط با این کار را می طلبد. HIS هموارترین راه بسوی EHRمی باشد. کارشناسان و متخصصین علوم پزشکی ، علوم کامپیوتر و مدیریت در انجام این رسالت شاخص ترین نیروها به حساب می آیند.
برای نوشتن یک HIS ،تیمی متشکل از تحلیلگر سیستم ، مهندس نرم افزار ، کارشناس مدارک پزشکی ، کارشناسارشد مدیریت بهداشتی درمانی ، کارشناس امور مالی و پزشک عمومی پیشنهاد میشود.

HIS چیست ؟

سیستم اطلاعاتبیمارستانی. در معنای گسترده تر HIS را سیستم اطلاعاتی بهداشتی هم می گویند. واقعیتآن است که امروزه یک بیمارستان نمی تواند همچنان بصورت سنتی کار پروسه پرونده بسترییا سرپائی بیمار را انجام دهد. پائین آوردن زمان پذیرش ، زمان ترخیص ، زمان انتقال بیمار ، زمان ORDER نویسی و درخواستهای پاراکلینیکی ، زمان اخذ جوابها ، زمانمراجعه به اطلاعات قبلی پرونده ، بالا بردن میزان دقت در درج اطلاعات و درخواستهاکه در حالت دستی ناخوانا و ... هست ، تسریع ارتباطات بین بخشی و در نهایت بالابردنمیزان رضایت بیمار ، ارائه خدمات بهتر ، دریافت آمار و گزارشات روزانه و زمانی ،اطلاع از وضعیت درآمد و هزینه بیمارستان ، تعدیل نیروها و غیره مسائلی هستند کهنیاز بیمارستان به HIS را دو چندان می کنند. برای افزایش دقت و تسریع در ارائهخدمات به بیمار ، تسریع در تشکیل و گردش پرونده در بیمارستان، بازیابی سریع پروندهبرای اهداف گوناگون همچون تحقیقات و مطالعه دانشجویان ذیربط و امکان استفاده آساناز مدارک پزشکی و ... وجود HIS در هر بیمارستانی ضروری است. HIS تمامی این مسائل رابرای بیمارستان حل می کند و بیمارستان را از یک سازمان سنتی به یک مرکز مدرن درمانیتبدیل می کند.

اما HIS باید بر اساس استانداردهای معتبرجهانی باشد. یک HIS اگر بدون توجه به استانداردهای فناوری و علوم پزشکی جهانی نوشته شده باشد و فقط LOCAL کار کند جوابگوی آینده بیمارستان نخواهد بود. استانداردهای HL7 (پروتوکل استانداردبین المللی تبادل اطلاعات بهداشتی ودرمانی) و DICOM (استاندارد انتقال تصاویر پزشکی ) از جمله استانداردهای لازم برای یک HIS می باشد. همچنین از جمله خصوصیات لازم براییک HIS ، به WEB BASE بودن آن می توان اشاره کرد. یک HIS باید دارای بانک اطلاعاتی غنی بر اساس آخرین متد مانند SQL و دارای قابلیت نصب روی آخرین سیستم عامل مثل WIN XP و VISTA باشد. برای تهیه و راه اندازی HIS در یک بیمارستان از کجا باید شروع کرد؟

برای راه اندازی سیستم HIS سه گزینه مهمباید مد نظر قرار گیرد:

  1. بستر سخت افزاری و شبکه
  2. نرم افزار ( HIS )
  3. کاربران

قبل از پرداختن به سه مورد مذکور، بیمارستان باید یک تیمبرای پیگیری این کار تشکیل دهد. مدیر بیمارستان در راس این تیم خواهد بود. در اینتیم رئیس امور مالی، مترون بیمارستان یا یک پرستار ، مدیر دفتر کیفیت، یک کارشناسکامپیوتر و یک کارشناس مدارک پزشکی حداقل افراد خواهند بود. کارشناس ارشد یاکارشناس مدارک پزشکی بعنوان مدیر سیستم HIS انتخاب می شود. ( بسته به توانائی نیرویموجود در بیمارستان ، مدیر سیستم انتخاب می شود.

تیم مذکورکار تحقیقاتی خود رابر اساس یک برنامه ریزی منسجم با برقراری جلسات منظم ، شروع می کند. اولین کار ،پیدا کردن یک مشاور باتجربه برای پیشبرد اهداف تیم می باشد. دستور کار این تیم ،مطالعه وضعیت و شرایط فیزیکی و میزان پذیرش HIS از طرف پرسنل بیمارستان و نیز مطالعه و بررسی تغییر سیستم دستی موجود در بیمارستان به سیستم الکترونیکی HIS ویافتن یک HIS استاندارد می باشد. در جریان گذاشتن مسئولین کلیه واحدها و ایجاد زمینه برای تغییر سیستم در آینده، بستر نگرش فرهنگ سازمانی به سیستم جدید را ایجادخواهد کرد. در کنار کار فرهنگ سازی و آماده نمودن پرسنل برای تغییر سیستم و حتی مشارکت دادن پرسنل که کاربران آینده سیستم جدید خواهند بود ، از طریق درخواست پیشنهاد و غیره ، می توان کار تحقیق روی سخت افزار را نیز آغازکرد.

1.بستر سخت افزاری و شبکه

قرارداد با یک شرکت معتبر برای راه اندازییک شبکه در بیمارستان ، مطابق با آخرین تکنولوژی موجود در کشور اولین گام در جنبه سخت افزاری سیستم هست در این شبکه آینده نگری های خاص و امکان UPGRADE نمودن آن درآینده نیز باید مد نظر قرار گیرد. برای داشتن یک شبکه استاندارد و BACKBONE مناسب، از نظرات مشاور و امکانات شرکت طرف قرارداد باید نهایت بهره را برد. تهیه توپوگرافی شبکه براساس نقشه ساختمانی بیمارستان لازم هست. در این کار باید تعداد NODE های لازم و نیز تعداد NODE های فعال برآورد شود. با توجه به سیال بودن برخی واحدها در بیمارستان و احتمال تغییر مکانهای متعدد لازم است تقریبا کلیه اتاقهای بیمارستان با صلاحدید مشاور و تیم ، دارای NODE شبکه حتی بصورت غیر فعال باشند.

شاید در این مرحله که مقدمه تغییر سیستم می باشد ، لازم باشد در چند مکان تغییرکاربری داده شود. بهتر است یک واحد جدید به نام "مدیریت سیستم HIS " یا " مرکز فناوری اطلاعات بیمارستان" به چارت سازمانی بیمارستان اضافه شود. این واحد محل قرار گرفتن SERVER ، ADMINISTRATOR ، RACK مرکزی و حتی UPS های مرکزی خواهد بود.
کار بعدی در این مرحله برآورد تعداد NODE های فعال و خریداری کامپیوتر به همین تعداد و نیز لوازم جانبی کامپیوتر می باشد. البته خریداری سخت افزار بویژه SERVER ، می تواندبعد از انتخاب نرم افزار و بر اساس سازگاری با نرم افزار نیز باشد.

2.نرم افزار ( HIS )

با توجه به عدم آشنائی مسئولین دانشگاههای علوم پزشکی وبیمارستانهای کشور از HIS ، که ناشی از عدم برنامه ریزی استراتژیک شفاف از طرف واحدزیربط در وزارت محترم بهداشت و درمان ( لااقل تا این لحظه ) می باشد ،
همچنین نبودواحد فناوری اطلاعات در بیمارستانهای کشور ، این مرحله مهمترین مرحله بحساب می آید. از نظر اینجانب دو روش برای تهیه نرم افزار پیشنهاد می شود که هیئت رئیسه و بویژهمدیر بیمارستان باید با کمک تیم HIS بیمارستان تصمیم بگیرد که کدام روش با سیاستهایمدیریتی بیمارستان سازگار است.

1.خرید یک نرم افزار( HIS ) آماده

برای این کار تیم فوق الذکر باید تحقیق کند و اطلاعات کافی از سیستم های موجود داخل کشورکسب کند. تعداد نرم افزارهای ( HIS ) موجود داخلی از تعداد انگشتان دو دست فراترنرفته. بنابر این ارتباط با شرکتهای تولید کننده ( ASP ها) ، HIS زیاد دشوارنیست.

برای این کار می توان یک فراخوان خرید HIS داد تا شرکتها خود به سراغ شما بیایند و یا به تک تک شرکتها مراجعه نمود. در هر حال نباید صرفا به DEMO نرم افزاراز طرف شرکت اکتفا نمود چرا که دموی برنامه ایده آل هست و با برنامه در عمل فاصله دارد. بهترین حالت این است که از شرکت بخواهیم خود ، موفق ترین سایت یا بیمارستانتحت پوشش خود را معرفی نماید. تیم HIS بیمارستان به سایت مذکور مراجعه می کند و به دقت یک سایت تجربه شده را مورد بازدید و بررسی قرار می دهد. مشاهده سیستم از نزدیک، مصاحبه با کاربران و مدیران عملیاتی و تشکیل جلسه و بحث و گفتگو با مدیران میانیو ارشد بیمارستان و حتی دانشگاهی که سیستم
را راه اندازی کرده اند و استفاده از تجارب و نظریات آنها بسیار به نتیجه گیری و تصمیم گیری در مورد آن HIS کمک خواهد کرد. برای چند نرم افزار منتخب می توان این مرحله را انجام داد و پس از مقایسه فنی، استانداردها ، USERFRIENDSHIP بودن ، نوع قرارداد پشتیبانی ، اعتبار شرکت ارائه دهنده و نیز بودجه صرف شده می توان بهترین برنامه را انتخاب و با شرکت
مربوط قرارداد بست.

2.داشتن یک HIS در انحصار دانشگاه و بیمارستان

در این روش دانشگاه بجای تحقیق روی برنامه های آماده روی شرکتهای نرم افزاری بومی تحقیق کرده و معتبرترین و با تجربه ترین شرکت محلی را انتخاب می کند و یک قرارداد استراتژیک فی مابین منعقد می شود. بیمارستان شما پایلوت قرارمی گیرد و شرکت یک دفتر در بیمارستان برای چند سال ایجاد می کند و برنامه نویسان شرکت در بیمارستان مقیم بوده و در ارتباط با تیم HIS بیمارستان شروع به تحلیل سیستم و برنامه نویسی می کنند. بعد از آماده بودن اولین فاز از برنامه ، تست برنامه با همکاری تیم، آغاز می شود و این کار فاز به فاز انجام می شود و بر اساس خواست بیمارستان تغییرات لازم در برنامه داده می شود تا به فاز نهائی برسد. تنها عیب این روش در کنار مزایای زیاد آن، زمانبر بودن آن می باشد.

با اتمام برنامه نویسی و تست نهائی ، برنامه بطور واقعیراه اندازی می شود. موفقیت برنامه در این روش کمک بزرگی به دانشگاه می کند چراکهصاحب یک HIS می شود که می تواند آن را در بیمارستانهای تابعه خود نیز نصب و راهاندازی کند و مهمتر از آن ، می تواند در صدد LINK بیمارستانهای خود برآید. ازمزایای این روش این است که دانشگاه از یک سیستم یکپارچه در بیمارستانهای خود استفاده می کند و جابجائی نیروها در سطح دانشگاه و بین بیمارستانها مشکلی ایجاد نمیکند. از طرفی سیستم ارجاع بیمار در سطح بیمارستانهای دانشگاه و حتی در سطح استانالکترونیکی و سهل الوصول می شود.

3. کاربران کاربران صاحبان و نگهدارنده های واقعی نرم افزار محسوب می شوند و بازیگران واقعی سیستم می باشند. بدون همکاریکاربران ، هیچ سیستمی جواب نخواهد داد. مهمترین مسئله در این خصوص ،
مقاومت کاربران می باشد. آنچه مسلم است این است که هر تغییری مقاومتی در پی دارد و تغییر سیستمدستی به سیستم الکترونیکی مانند HIS ، با مقاومت شدیدتری توام است که ناشی ازدلایلی ذیل است :

1. عادت کاربران به سیستم دستی
2. ترس از اینکه با سیستمالکترونیکی نتوانند کار کنند
3. ترس از از دست دادن موقعیت فعلی با رسیدن سیستم جدید
4. ترس از از دست دادن گروه مورد علاقه فعلی
5. عدم اطمینان از مقاصدمسئولین در تغییر سیستم .
6. و ...

بنابراین برای غلبه بر مقاومت کارکنانباید تدابیر ویژه ای از قبل از راه اندازی سیستم باید اتخاذ نمود.کاربران قبل ازراه اندازی سیستم آگاهی از تغییر سیستم داشته باشند تا در مرحله راه اندازی مقاومتشان به حداقل برسد. می توان قبل از راه اندازی سیستم کلاسهای آشنائی باسیستمهای کامپیوتری برای کارکنان دایر کرد. برگزاری کلاسهای ICDL برای کارکنانموثرترین گزینه می باشد.

بعد از راه اندازی سیستم ، آموزش کامل نرم افزار به کاربران باید توسط مدیر سیستم و همکاران وی در واحد HIS و با همکاری شرکت ارائه دهنده نرم افزار داده شود. یک برنامه مدون آموزشی نیز باید از طرف مدیر سیستم تهیه و به واحدها و بخشها ارائه شود تا آموزش مستمر در طول سال نیز داشته باشد. هرچه آگاهی کاربران نسبت به برنامه و کار با آن و پیامهای برنامه ، همچنین آگاهی کاربراننسبت به کامپیوتر ، بیشتر باشد سیستم موفق تر خواهد بود. یکی از مهمترین مسائل درمورد کاربران ایجاد و حفظ انگیزه در کاربران برای ادامه کار با سیستم ، تا زمانوابستگی کامل آنها به سیستم می باشد. این کار باید از طرف مدیریت بیمارستان صورت گیرد. بویژه در زمانهای آزمایشی برنامه و موازی کاری دستی – الکترونیکی سیستم ، کهکار کاربران زیادتر از زمان قبلی است ، حمایتهای تشویقی زیادی را می طلبد.
مسائل پزشکی ،اخلاقی و قانونی: غفلت «غفلت»

یعنی ناتوانی در ارائه همان مراقبتی که شخص دیگری با سطح آموزش یکسان ارائه میدهد. برای جلوگیری از غفلت باید طبق استانداردها عمل کنید .رعایت نکردن استاندارد مراقبت ممکن است منجر به آسیب بیشتر به بیمار شود .برای تشخیص غفلت باید چهار عامل زیر را در نظر داشته باشید :

1- وظیفه . این وظیفه تکنسین پایه است که عاقلانه و با توجه به استانداردهای آموزشیعمل کند .

2- نقض وظیفه . نقض وظیفه موقعی بوجود می آید که تکنسین پایه طبق استاندارد مراقبت مربوطه و طوری که از او انتظار می رود عمل نکند .

3- زیان ها . زیان زمانی به وجود می آید که بیمار از نظر فیزیکی یا روحی به طور قابل ملاحظه ای آسیب ببیند .

4- علت. باید علت و معلول مناسبی برای اتهام غفلت وجود داشته باشد . بعنوان مثال ،‌ هنگامی که سعی می کنید بیمار را بلند کنید او را می اندازید که منجر به شکستگی پای بیمار می شود . اگر شخصی وظیفه ای داشته باشد و آنرا درست انجام ندهد و باعث آسیب به شخص دیگری شود ، ممکن است بر علیه تکنسین پایه ،‌ اورژانس و یا مدیریت پزشکی بخاطر این غفلت اقامه‌ دعوا شود .

همه این چهار عامل وجود مدرک قانونی غفلت را محرز می کنند .
انصراف
«انصراف»
به معنی پایان یک طرفه مراقبت از سوی تکنسین پایه ،‌ بدون رضایت بیمار و بدون هیچ آینده نگری برای واگذاری‌ مراقبت او به شخص دیگری با مهارتهای پزشکی یکسان و یا بالاتر می باشد .همینکه تکنسین پایه ،‌ مراقبت را شروع می کند ، وظیفه ای را بر عهده می گیرد که نبایدتا زمانی که یک شخص با همان مهارتها این مسئولیت را بعهده بگیرد متوقف شود .
عملی انجام ندهید که بیمار در خطر آسیب قرار بگیرد و در نتیجه شما متهم به غفلت شوید .
ترک یا انصراف از مراقبت ، ‌موضوعی جدی است که از نظر اخلاقی و قانونی می تواند منجر به اتهامات جنایی ومدنی علیه تکنسین شود.
برای مثال فرض کنید که به صحنه تصادف اتومبیلی رسیده اید و شروع به مراقبت دو بیمار می کنید. در همین هنگام رهگذری به شما می گوید که تصادف اتومبیل دیگری در پایین جاده اتفاق افتاده و5 نفر مجروح شده اند . شما مراقبت از دو نفر مجروح حادثه اول را به رهگذر می سپارید وبه سوی سانحه دیگر می روید . در اینجا انصراف روی داده زیرا شما مراقبت از بیماران را به شخصی با مهارتی در سطح خود یا بالاتر از خود نسپرده اید . پرسشهای کلی زیر را هنگامی که با تصمیم گیری در چنین مواردی مواجه می شوید در نظر بگیرید :
·
عملکرد شما چه مشکلاتی را ممکن است به بار آورد ؟
·
آیا این تصمیم منجر به قصور شما نسبت به وظیفه تان می شود ؟
·
آیا در صورت ترک صحنه ممکن است متهم به انصراف از مراقبت بیمار شوید ؟
·
آیا استاندارد مراقبت را نقض می کنید ؟
·
آیا محتاطانه عمل می کنید ؟
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (1) | بازتاب (0)
معماری زیرساختها واستانداردهای پرونده الکترونیک سلامت
ارسال شده توسط احمد محمدی | 31 12, 2013 | بازدید‌ها (3104)
معماری زیرساختهاواستانداردهای
پرونده الکترونیک سلامت
زهرا زندش
Zahra 1359 @ yahoo.com
مقدمه:
صنعت مراقبت
بهداشتی یکی از مهم ترین صنایع جهان است یکی از مهم ترین فعالیتهای صنعت مراقبت بهداشتی مدیریت اطلاعات است . امروزه ارتباط سنتی منحصر به پزشک – بیمار با ارتباط دیگری جایگزین شده است که در آن یک تیم مراقبت بهداشتی در رشته های مختلف و موسسات مراقبت درمانی مسئول سلامت بیمار هستند .این زمینه جدید مستلزم سطح بالای قابلیت عملیات بین بخشی و تسهیم داده ها در میان متخصصین است.
به این دلیل فناوری اطلاعات یک ابزار فوق العاده مفید برای صنعت مراقبت بهداشتی است . اما قبل از اینکه راه خلهای فناوری اطلاعات بتواند به صورت موفقیت آمیزی در محیط مراقبت بهداشتی گسترش یابد مباحث زیادی وجود دارد که باید بر آنها چیره شداین مباحث به موضوعات متنوع و وسیعی مربوط می شود . یکی از این موضوعات توانایی مبادله اطلاعات بهداشتی درمانی در سراسر سیستم مراقبت بهداشتی درمانی به صورت یکپارچه است که با توسعه معماری استاندارد پرونده الکترونیکی می تواند تحقق یابد .

هزینه معمول مراقبت بهداشتی در کشورهای عضو سازمان توسعه همکاریهای اقتصادی درحدود 5/8 درصد تولید ناخالص ملی است و در ایالات متحده آمریکا بزرگترین هزینه کننده مراقبت بهداشتی در حدود 14 درصد است بیش از 350 بیلیون دلار آمریکایی تقریبا" یک سوم کل بودجه بهداشتی آمریکا به تنهایی هر سال در ایالات متحده صرف تولید اداره و بازیابی اطلاعات مراقبت بهداشتی می شود. تقریبا" بزرگترین جز این هزینه زیاد مدیریت اطلاعات مربوط به داده های بالینی است.

متاسفانه صنعت مراقبت بهداشتی یکی از عقب مانده ترین صنایع در پذیرش فناوری اطلاعات برای پشتیبانی از وظایف عظیم مدیریت اطلاعات مراقبت بهداشتی است. سایر اطلاعات خاص صنایع نظیر اطلاعات مالی و بیمه ای نوعا" 10-5 درصد کل بودجه ها را صرف فناوری اطلاعات می کنند در حالیکه بخش مراقبت بهداشتی تنها 1-3 درصد کل بودجه را در20 سال گذشته صرف فناوری اطلاعات کرده است .
اولین تلاشها در زمینه کامپیوتری کردن پرونده بیماران در دهه 1960 انجام شده است . اما عمدتا" محدود به ثبت اطلاعات دموگرافی وسایر اطلاعات اداری بیمار بوده است .
معرفی پرونده های بالینی کامپیوتری در دهه هفتاد آغاز شد ودر بعضی کشورها در دهه نود توسعه یافت.

رشد مراقبت مدیریت شده و حرفه مراقبت بهداشتی فشار بیشتری بر روی متخصصین پزشکی برای حفظ اطلاعات پزشکی به شکل الکترونیکی وارد می کند تا مبادله بین حوزه های مختلف از جمله ارائه دهندگان مراقبت مدیران , بیمه گران, قانونگذاران, محققان و دادگاهها تسهیل شود.

پرونده های بهداشتی الکترونیکی (EHRs ) در بر
گیرنده اطلاعات بالینی بیماران هستند. بنابراین بخش حیاتی یک سیستم مراقبت بهداشتی را تشکیل می دهند . یک سیستم (EHR ) ذخیره و انتقال الکترونیکی اطلاعات بیماران را امکان پذیر می سازد. بسیاری از
بیمارستانهای مدرن پرونده های کامپیوتری دارند . اما این سیستم ها معمولا" اختصاصی هستند و اغلب تنها توسط یک بخش خاص بیمارستان به خدمت گرفته می شوند
بیمارستانها می توانند دهها سیستم انفرادی داشته باشند که قابلیت عملیات با یکدیگر را ندارند . شرح اطلاعات سلامتی یک بیمار می تواند در سراسر تعدادی سیستم های مجزا انتشار داشته باشد که کسب تاریخچه بالینی کامل بیمار را برای متخصصان بالینی مشکل می کند.
تلاشهای توسعه یک پرونده الکترونیکی سلامت در بسیاری از مناطق جهان طی سالهای در دست اقدام قرار دارد .
موضوعات مهمی از این تلاشها فراگرفته شده است اما همه تلاشهای انجام شده برای ایجا استانداردها به منصه ظهور نرسیده است.
استانداردهای فعلی برای مبادله اطلاعات بین سیستم های بالینی پیام رسانی داده ها ی میدانی را تحت پوشش قرار می دهد اما نیاز یه مبادله داده های معتبر سلسله مراتبی ساختمند و بالینی را برآورده نمی کند . در انگلستان 90% پزشکان عمومی کامپیوتر دارند و اکثریت اطلاعات بالینی پرونده های آنها در این سیستم ها قرار دارد. متخصصین بالینی بطور فزاینده ای به پرونده های پزشکی ذخیره شده در این سیستم ها وابسته می شوند. اما برای انتقال یا سهیم شدن در مراقبت به طور موثر قابلیت انتقال یا توزیع اطلاعات مربوطه از پرونده بهداشتی الکترونیکی اهمیت دارد . سهیم شدن در دسترسی به یک پرونده بهداشتی مشترک یا توزیع شده, قابلیت آینده است اما در حال حاضر این مسیر نیازمندیهای شناخته شده را به روش هزینه اثر بخش بر آورد نمی کند.

یک سیستم پرونده الکترونیک سلامت قابلیت عملیات بین بخشی , پتانسیل بهبود شرایط مراقبت بهداشتی را دارد .این سیستم به متخصصان بالینی امکان می دهد که قادر به دسترسی به هنگام تر و کاملتر به تصویر سابقه بالینی بیمار باشند. بنابراین متخصصان می توانند تصمیمات مراقبت بهداشتی آگاهانه تری اخذ نمایند.برای اینکه قایبلیت تبادل بین پرونده های الکترونیکی به واقعیت تبدیل شود یک استاندارد عمومی در خصوص معماری EHR مورد نیاز است.

بنابراین چنانچه اطلاعات بالینی به خارج از سازمان یا بخشی که در آنجا تولید شده است انتقال یابد , استاندارد سازی معماری پرونده الکترونیک سلامت حیاتی است .
معماری پرونده
الکترونیک سلامت به عنوان اصولی تعریف شده است که ساختارها ی منطقی پرونده مراقبت بهداشتی برمبنای اصول شکل می گیرد . معما ری قواعدی را وضع می کند که تبادل شرکا را با توافق بر روی محتوا امکان پذیر می سازداصلاح یا توسعه استاندارد مبادله برای در برگیری داده ها یا جزئیات جدید یا ترکیبات داده ها را امکان پذیر می سازد و به شرکا امکان می دهد مفاهیم بسیار جزئی نظیر کدهای حسابداری یا لغات کنترل شده در
همه سطوح را تعیین و کدگذاری کنند .
با توجه به موارد مذکور این مطالعه جهت بررسی جنبه های معماری پرونده الکترونیک سلامت و اهمیت آن در تبادل داده ها انجام گیرد.

روش پژوهش:

این پژوهش به روش مرور منظم مقالات علمی ( مرور سیستماتیک ) واز نوع کتابخانه ای بوده و بر اساس منابع اینترنتی در خصوص معماری پرونده الکترونیک سلامت به بررسی جنبه های معماری پرونده الکترونیک سلامت می پردازد . این منابع از پایگاههای اطلاع رسانی معتبر و شناخته شده از جمله سایت دانشگاه کوینزلنداسترالیا , شبکه اطلاع رسانی بهداشتی دولت استرالیا استانداردهای انفورماتیک اروپایی در انگلستان , گروه کاری ستانداردهای اروپا , کنفرانسهای علمی دانشگاه کمبریج انگلستان و گروه عمومی کاربرد کامپیوتر(GPCG ) به دستآمده است و سایتهای ناشناخته و شخصی مورد استفاده قرار نگرفته است . مقالات بررسی شده مربوط به انتشارات سالهای 2004 -01997 بوده و در 4 دسته کلی تعاریف معماری EHRو الزلمات معماری EHR , گروهبندی شدند.

معماری:

در فناوری اطلاعات , خصوصا" کامپیوتر و اخیرا" پشتیبانی و نگهداری شبکه ها .
·معماری عبارت از اصطلاحی است که هم برای فرآیند وهم نتایج تفکر بیرونی وتعیین ساختار کلی , اجزا منطقی و وابستگی های منطقی یک کامپیوتر ، سیستم عامل آن ،یک شبکه یا مفاهیم دیگر ، به کار می رود.
·معماری عبارت است از قادر سازی متخصصین بالینی برای تصمیم گیری درباره اینکه چه چیزی را ثبت کنند و به چه شکلی آن را ثبت کنند.
·معماری از ذرک تنوع ضروری محتوا و شکل پرونده ها پشتیبانی می کند.
·معماری نه
ویژگی یک سیستم است نه هدف آن حرکت به سمت پرونده مراقبت بهداشتی استاندارد شده است.

معماری فناوری اطلاعات(ITA ):

دفتر مدیریت و بودجه آمریکا ، 3 معمار ی فناوری اطلاعات را به عنوان مستند سازی ارتباطات بین کارها و فرآیند های مدیریت و فناوری اطلاعات به منظورتضمین موارد زیر توصیف می کند.
·تنظیم
احتیاجات سیستم های اطلاعات با فرآیندهایی که رسالت موسسه را پشتیبانی می کند.
·کفایت عملی بودن، تکرار اطلاعات و امنیت سیستم اطلاعات به کارگیری و حفظ مجموعه استانداردهایی که موسسه توسط آنها ارزیابی شده و سیستم های جدید را کسب می کند.
علاوه بر این ، معماری فناوری اطلاعات ارتباطات بین کاری که یک موسسه انجام می دهد ، اطلاعات مورد استفاده موسسه و فناوری اطلاعات مورد نیاز موسسه را توصیف می کند.
معماری سیستم ها (SA ):
معماری سیستم ها به این سوال پاسخ می دهد که چگونه اجزا سیستم می تواند از دیدگاه اطلاعات و فناوری به طور موثر تری به اجرا در آید . طرح توسعه معماری سیستم در اهداف وسیع تر کاری در معماری یک ارتباط بهداشتی مشارکت خواهد کرد . معماری ارتباط بهداشتی، حرفه، ساختار، فرآیندها، زیر بناهای فناوری ارتباطات محاسبه گری و منافع حرفه ای و اطلاعاتی را تعریف می کند که مجموعه سیستم ارتباط بهداشتی را تشکیل می دهند.

پرونده الکترونیک سلامت:

(EHR )
هر نوع اطلاعات مربوط به سلامت جسمی یا روانی یا وضعیتیک فرد که در سیستم های الکترونیکی ثبت می شود و برای کسب، انتقال، دریافت، ذخیره، باز یابی، اتصال و دستکاری داده های چند رسانه ای به منظور فراهم کردن مراقبت بهداشتی اولیه و خدمات بهداشتیمربوطه مورد استفاده قرار می گیرد.
پرونده الکترونیک سلامت شامل یادداشتهای بهداشتیدرمانی دوران عمر یک فرد است که در داخل سیستم بهداشتی درمانی ایجاد وبه صورت خصوصی ومحرمانه نگهداری می شود . این پرونده به صورت الکترونیکی برای ارائه کنندگان مجاز خدمات در هر مکان وزمان به منظور حمایت و پشتیبانی از ارتقا کیفیت خدمات وی باید در دسترس باشد
پرونده الکترونیک سلامت یک سیستم اطلاعات الکترونیکی ایمن و قابل توسعه است که استفاده کنندگان مجاز در مراکز بهداشتی درمانی در هر زمان به اطلاعات گذشته بیمار دسترسی دارند و اطلاعات درمانی جدید بیمار را نیز به آن اضافه می نمایند.

دسترسی به اطلاعات کامل بیمار در بهبود مراقبتهای بالینی و کاهش اشتباهات پزشکی بسیار مهم است . پرونده الکترونیک سلامت یک مجموعه متمرکز بلند مدت از اطلاعات مراقبت سلامت یک فرد است که برای تمام ارائه کنندگان خدمات در هر مرکز و در هر زمان قابل استفاده باشد و به عنوان قسمت اصلی یک سیستم اطلاعات سلامت یکپارچه محسوب می شود .سیستم هایی که دارای پرونده الکترونیک سلامت هستند
این قابلیت را دارند که در حالیکه موجب بهبود سطح سلامت بیمار می شوند ، صدها ساعت در زمان صرفه جویی کنند وهزینه های مراقبت را نیز کاهش دهند . یک پرونده الکترونیک سلامت موجب تصمیم گیری بهتر در سیر درمان و توسعه نتایج درمانیشده وداده های بهتری را برای بهداشت عمومی و تحقیقات جمع آوری می کند ، اما فقط زمانی این اتفاق می افتد که برای ایجاد و توسعه آن یک روش استاندارد انتخاب شده باشد.

تفاوت بین پرونده الکترونیک سلامت و پرونده الکترونیک بیمار :

واژه های پرونده الکترونیک بیمار (EPR ) و پرونده الکترونیک سلامت ( EHR) در اکثر موارد بجای همدیگر بکار برده می شوند و ممکن است درذهن افراد اغتشاش بوجود آورد . به منظور تفکیک مرزهای این دو پرونده به مفاهیم زیر توجه نمایید.

تعریف پرونده الکترونیک
بیمار(EPR):
پرونده الکترونیک بیمار مدرکی است که عمدتا" مراقبتهای دوره ای ارائه شده بوسیله مراکز درمانی را توصیف می کند و در بیمارستان و سایر مراکز ارائه خدمات درمانی مثل واحد های تخصصی و یا مراکز بهداشت ذهنی نیز ایجاد می شود.
واژه پرونده الکترو نیک سلامت برای توصیف مفهوم پرونده طولامی مدت وضعیت سلامت از گهواره تا گور بکار برده می شود و اطلاعات مراجعات بیمار به مراکز مراقبتهای اولیه و زیر مجموعه های اطلاعاتی نتایج مراقبتهای دوره ای در پرونده های الکترونیکی هر دو را باهم تلفیق می کند . در شکل زیر ارتباط پرونده الکترونیک بیمار و پرونده الکترونیک سلامت باهمدیگر به تصویر کشیده شده است.
ارکان پرونده الکترونیک
سلامت:
با توجه به تعارفی که ارائه شد پرونده الکترونیک سلامت دارای الکترونیک سلامت دارای ارکان مهمی است که توجه به آنها توسط آند سته از مراکز بهداشتی درمانی که اقدام به ایجاد آن نموده اند آنها را در مسیر حرکت به سوی تکامل آن یاری خواهد نمود . موارد زیر در اکثر تعاریف ارائه شده آمده است و از آنها می توان به عنوان ارکان پرونده الکترونیک سلامت یاد نمود.
یک سیستم اطلاعات الکترونیکی است.ایمن ومحرمانه باشد وبرای افراد مجاز قابل دسترس باشددر هر زمان ومکان قابل دسترس باشداز بدو تولد فرد تا پایان عمر وی نگهداری شودتمام اطلاعات بهداشتی درمانی یک فرد در آن متمرکز شود.

گرچه موارد فوق را می توان به عنوان ارکان پرونده الکترونیک سلامت در زمان طراحی در نظر گرفت ولی هنوز سوالاتی به شرح زیر وجود دارد که پاسخ به آنها باید قبل از هر گونه اقدام مشخص گردد:
پرونده الکترونیک سلامت جزو کدام دسته از سیستمهای بیمارستانی است ؟آیا پرونده الکترونیک سلامت یک سیستم الکترونیکی تک وظیفه ای است ؟آیا پرونده الکترونیکی سلامت یک سیستم جامع اطلاع رسانی است؟ آیا پرونده الکترونیک سلامت جزئی از یک سیستم جامع بالینی است ؟
روشن شدن این سوالات ویافتن پاسخی مدلل و منطقی برای آن راهنمای کارشناسان ومدیران در طراحی، انتخاب وپیاده سازی ساختاری مناسب در زمینه پرونده الکترونیک سلامت خواهد بود . با توجه به بررسیهای به عمل آمده در مقالات مختلف نظریات زیر مارا در دسترسی به پاسخ سوالات فوق کمک خواهد نمود.
به نظر می رسد که یکی ازز اولین سیستمهای بالینی مورد استفاده، پرونده الکترونیکی بیمار است و به منظور دسترسی مستقیم تیم درمانی به اطلاعات دقیق و به موقع ایجاد می شود.
سیستمهای اطلاعات بالینی یکپارچه دارای اجزای زیر است:

پرونده الکترونیکی بیمارسیستم نشان دهنده سیر درمان سیستم حمایت از تصمیم گیری بالینی سیستم مدیریت تصویر برداری / تکنولوژی ارتباط تصویریسیستم پزشکی از راه دورآموزش بیماران ،کارمندان و مشتریان از طریق کامپیوتر چندی پیش سیستم های اطلاعات مراقبتی از نرم افزار های جداگانه ای ساخته می شدند اکثر این نرم افزار ها در زمینه داده های مالی، اجرایی و دستورات پزشکی طراحی شده بود.

با توسعه نرم افزار ، سخت افزار هم اکنون سیستم های اطلاعات بالینی بیمارستانی بگونه ای طراحی می شوند که تمام وظایف را با یکپارچگی بیشتر در مسائل بالینی و وظایف ارتباطی انجام می دهند.
در این تصویر بیشتر بر مفهوم پرونده الکترونیک بیمار تکیه شده است زیرا که سیستم مذکور یک سیستم اطلاعات جامع بالینی است که در محیط های درمانی (بیمارستانی) مورد استفاده قرار می گیرد .اطلاعات این پرونده معمولا" برای همیشه نباید نگهداری شود و دوره نگهداری آن به قوانین موجود هر سیستم در خصوص مدت زمان نگهداری پرونده های بیمارستانی بر میگردد. البته باید ترتیبی اتخاذ گردد که خلاصه ای از این پرونده به پرونده الکترونیک سلامت دارئمی بیمار ارسال و در آن نگهداری شود ، زیرا که این کار موجب یکپارچگی اطلاعات هر فرد در سیستم بهداشت و درمان خواهد شد.
پرونده الکترونیک به عنوان هسته اصلی
یک سیستم جامع بالینی
معماری پرونده الکترونیک
سلامت(EHR )
معماری پرونده
الکترونیک سلامت یک مدل یا چهارچوب اطلاعاتی برای بنای پرونده الکترونیک سلامت است
. این معماری توسط کمیته استانداردهای اروپایی به این شرح تعریف شده است:
معماری یک
پرونده الکترونیک سلامت مدلی از جنبه های عام ضروری در هر پرونده الکترونیک سلامت است به این منظور که پرونده بتواند قابل ارتباط ، کامل و پرونده ای اخلاقی قانونی مفید و موثر در مراقبت باشد. و در سراسر سیستم ها ، کشورها و در طول زمان یکپارچه باقی بماند .
معماری اینکه هر کسی چه چیزی را در پرونده الکترویک سلامت خود ذخیره کندو چگونه هر سیستم پرونده الکترونیک سلامت اجرا شود را تعیین یا دیکته نمی کند . فضاهای آن انواع داده هایی که می تواند در پرونده وجود داشته باشد از جمله مواردی که در پرونده های کاغذی قرینه ای ندارند را محدود نمی کند .جزئیات نظیر اندازه فیلدها که از پایگاه داده های فیزیکی گرفته شده است ، ارتیاطی بامعماری پرونده الکترونیک سلامت ندارند.

توزیع و مبادله داده ها در پرونده الکترونیک سلامت:

پرونده الکترونیک سلامت ، مهمترین جز مدیریت اطلاعات در سیستم های مراقبت بهداشتی یکپارچه کامپیوتری است. پرونده الکترونیک سلامت زیر بنای ضروری را فراهم می کند تا پذیرش و استفده موثر از سیستم های جدید مراقبت بهداشتی و ابزار های مدیریت اطلاعات نظیر مراقبت یکپارچه ، پزشکی مبتنی بر سند پشتیبان تصمیم گیری مبتنی بر کامپیوتر ، برنامه ریزی مراقبت و مسیرهای کلینیکی و تحلیل نتایج ، امکان پذیر شود . هنگامی که EHR به اجرا گذاشته شد ، معمولا" به روش ناهماهنگ و بدون هیچ استانداری انجام می شد . این موضوع بزرگترین مشکل را در مدیریت اطلاعات بهداشتی سراسر جهان ایجاد کرده و داده های بالینی کم کیفیت موجب عدم اتصال به جزایر اطلاعات می شد.

بزرگترین بحث دردنیای جدید ارائه مراقبت بهداشتی یکپارچه
، فراهم کردن اطلاعات جامع ، معتبر، مرتبط، قابل دسترس ، و به هنگام برای هر عضو تیم مراقبت بهداشتی چه در مراقبت اولیه وچه در مراقبت ثانویه است . بعضی مواقع حتی توزیع داده های کلینیکی مراقبت اولیه بین دو برنامه نرم افزاری مختلف بر روی یک کامپیوتر شخصی که امکان مبادله داده ها بین سایر بیمارستانها و موسسات مراقبت بهداشتی را فراهم می کند ،مشکل یا غیر ممکن است. الزامات مراقبت یکپارچه برای توزیع و مبادله اطلاعات بیمار می تواند با استاندارد سازی معماری منطقی پرونده الکترونیک سلامت به بهترین نحو برآورد شود. معماری در این زمینه به معنای ساختار پرونده الکترونیکی بیش از شکل خاص داده های درون پرونده است .

بنابراین ، معماری یک مدل رسمی از چهار چوب و جنبه های عام پرونده الکترونیک سلامت است و شکل خاص داده ها مهم نیست بلکه آنها موضوع استانداردسازی نیستند. در عوض با یک معماری
منطقی استاندارد شده و الزامات یا تغییرات استاندارد شد یه اشکال کاملا" شناخته شده نظیر CORBAXML, و غیره توانایی عملیات بین بخشی در سطح فنی بدون داشتن استاندارد در آن سطح ، تضمین شده است . استاندارد سازی معماری ، انعطاف پذیری بیشتری را امکان پذیر خواهد ساخت و با تغییر پذیری احتیاجات رشته های مختلف مراقبت بهداشتی قابل تطبیق خواهد بود.

الزامات پرونده الکترونیک سلامت:

سیستم های بالینی ممکن است با ذهنیت متخصصین بهداشتی خاصی طراحی شود ، اما یک معماری EHR باید نیازهای همه متخصصین بهداشتی را برآورده کند . این نیازمندیها برای پرونده الکترونیک سلامت ضروری هستند و در انفورماتیک بهداشتی به عنوان پایه توسعه پرونده الکترونیک خوب سلامت و سیستم های پرونده الکترونیک سلامت بطور وسیعی پذیرفته شده اند . نکات کلیدی این نیازمندیها عبارتند از :

1.جامعیت: پرونده

الکترونیک سلامت عبارت است از جمع آوری مشاهدات مختلف و ساختارهای داده ها که توسط افراد متعددی در طول زمان در محل های متفاوت ایجا شده است . پرونده الکترونیکی لازم است مخزنی برای اطلاعات مرتبط با پزشکان در آینده باشد و حیات طولانی مراقبت را به صورت ایده ال فراهم کند، بنابراین یک پرونده الکترونیک باید ، توانایی حمایت از محدوده وسیع رشته های مراقبت بهداشتی ، مجموعه ها و انواع داده های ساختمند وهم ورود داده های متن آزاد و حمایت از ارزیابی و تحلیل داده های پر معنی را داشته باشد.

2. ارتباط:

بیماران از یک مکان به مکان دیگری حرکت می کنند وبا بسیاری از فراهم کنندگان مراقبت بهداشتی در بیمارستانها و مراکز مراقبت اولیه مشاوره می کنند از طرفی متخصصین بالینی و محققین نیازمند اطلاعات جمع آوری شده در باره بیمارن جهت بررسی عملکرد و مطالعات مبتنی بر جمعیت هستند . بنابراین EHR نیازمند ایجاد ارتباط و تشویق آن است . این ارتباط که در منبع دیگری تحت عنوان توانایی عملیات بین بخشی به آن اشاره شده در
واقع توانایی توزیع و مبادله داده ها در سطح معنی شناسایی است که پردازش داده ها توسط سیستم ها ی پرونده الکترونیکی را امکان پذیر می کند . توانایی عملیات بین بخشی در معنی شناسی یک پیش نیاز اساسی برای سیستم های پشتیبان تصمیم گیری پیچیده در بین مجموعه های مختلف کلینیکی است .

3. قابلیت انتقال:

قابلیت انتقال به معنای توانایی حرکت و ترکیب پرونده الکترونیک سلامت بین افراد وموسساتی که از نظر سخت افزار نرم افزار ( سیستم های عامل ، زبانهای برنامه نویسی ، پایگاه داده ها ) و زبانهای ملی ( سیستم های کدگذاری، زبانهای طبیعی) مستقل هستند .
یک EHR مستلزم دسترسی بر روی بسیاری از برنامه های محاسبه گر ( ترکیب سیستم های سخت افزاری و سیستم عامل) هم آنهایی که قابل دسترس هستند و هم برنامه های آینده است.

4. ایمنی و محرمانگی:

قابلیت ذخیره اطلاعات وارتباط بطور آزاد مسئولیت محرمانگی وپاسخگویی را به دنبال دارد .بنابراین پرونده الکترونیک سلامت باید توانایی پشتیبانی از محرمانگی ، قوانین ونیازهای اخلاقی از طریق ثبت معتقدانه اقدامات کلینیکی ، اختیار کاربر، کنترل دسترسی ، کنترل متن وممیزی مستمر را داشته باشد.

5. تحول:

توانایی حمایت از حیات طولانی پرونده الکترونیکی از طریق توانایی سازگاری قبلی و بعدی هم با پرونده های الکترونیک و هم با سیستم های پرونده الکترونیکی باید وجود داشته باشد .به عبارتی نرم افزار جدید باید قادر به انجام فرآیند ویرایش قدیمی تر پرونده الکترونیکی باشدو نرم افزار قدیمی باید قادر به انجام فرآیند ویراش جدیدتر پرونده الکترونیکی باشد. به منظور اطمینان از این که هم پرونده الکترونیکی و هم نرم افزار پرونده های الکترونیکی در طول زمان بادوام باقی بماند، سبک توسعه یافته پرونده الکترونیک خوب سلامت(GEHR ) ، استفاده از الگوهای اصلی را پیشنهاد می کند.

این راهبرد امکان میدهد تعریف ساختار های بالینی قانونی بین تعاریف هسته و تعاریف بیرونی از هم جدا شود بطورِکه هسته بطور مستقیم، تنها مفاهیم پایه واساسی را نظیر انواع داده های بالِنی ، تبادلات ، تصدیق امضاها
، عناوین وغیره را اجرا کند، در حالیکه ابتدا توسط مدلهای شبیه الگوهای اصلی بیرونی از مفاهیم سطح بالا نظیر انواع تبادلات ، مشکل بخش و ساختارهای عنوان ترجیحی ، گرفته شده اند.
تنها راه برآورد کردن این الزامات استاندارد سازی پرونده الکترونیک سلامت در سطح معماری است . این معماری باید بر حسب یک مدل اطلاعاتی تعریف شود که حداقل ویژگیهای اطلاعاتی عام اطلاعات بالینی یک پرونده
الکترونیک سلامت را شرح دهد و مطابق با معماری استاندارد بوده و تو سط سیستم EHR فابل فهم باشد.

استانداردهای اصلی مرتبط با معماری پرونده الکترونیک سلامت:

متخصصان کمیته اروپایی استانداردها (CEN) که یک کمیته بین المللی استانداردهاست، استانداردسازی چهار موضوع اصلی مربوط به استانداردهای پرونده الکترونیک سلامت را تعیین کرده اند.این چهار موضوع عبارتند از : معماری ، ارتباط، اصطلاح شناسی و ایمنی . در همین ارتباط سازمان بین المللی استانداردها (ISO) که هدف آن ترویج گسترش استانداردسازی جهانی و فعالیتهای مربوطه است ،کمیته فنی را تحت عنوان 512 TC برای استانداردهای انفورماتیک بهداشتی تشکیل داده است .
کمیته فنیISO512 ، یک سیستم ارتباطی با سایر سازمانهای مجموعه سازی استانداردها برقرار میکند تا در مورد موضوعات همپوشان و هماهنگی محتوا گفتگو کند. این کمیته 5 گروه کاری در سطوح استانداردسازیHER ،پیام رسانی ،ارائه مفهوم بهداشتی ،ایمنی و کارتهای بهداشتی تشکیل داده است. به دلیل طبیعت جامع پرونده الکترونیک سلامت ، آنها با اغلب سطوح استانداردسازی مرتبط هستند. کمیته اروپایی استاندارد)CEN( در
ارتباط با استانداردهای اختصاصی معماری پرونده الکترونیکی، استانداردهای اروپایی را منتشر کرده است.
پیش استانداردهای
اروپایی معماری پرونده الکترونیک سلامت :
استاندارد 12265
معماری عمومی EHR ،به عنوان یک پیش استاندارد در سال 1996 پذیرفته شد) 12265ENV( در این پیش استاندارد اروپایی اصول پایه معماری برای بیان محتوا و ساختار پرونده های الکترونیکی سلامت را تعیین می کند و بنیانی برای استاندارد معماری مرجع جهت مبادله پرونده های الکترونیک (بطور کامل یا بخشی از پرونده ) بین سیستم
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
هوش تجاری در SQL Server 2008
ارسال شده توسط احمد محمدی | 31 12, 2013 | بازدید‌ها (2549)
به نام خداوند بخشنده مهربان
هوش تجاری در SQL Server 2008
Business Intelligence
Development Studio
(SSAS)
احمد محمدی
Ahmad.Mohammadi.A@gmail.com
پاییز 1392
چکیده
در این سعی شده است بصورت کاملا عملی به بیان امکانات و ابزار های داده کاوی و هوش تجاری درsql serverپرداخته و توضیحی در خصوص لغات و اصلاحات مورد استفاده خواهیم داد .
همچنین در آموزشی یک مدل داده کاوی ایجاد می نماییم که این عملیات از طریق سرویس های آنالیز sql server 2012 انجام می دهیم .که در آن الگوریتم های سرویس آنالیز نظیر درخت تصمیم آموزش داده می شود که برای ایجاد مدل داده کاوی مورد استفاده قرار می گیرند.در نهایت بعد از ایجاد مدل و تنظیم ساختار یک تست روی مدل اجرا می گردد.

مقدمه

امروزه با پیشرفت فناوری، سازمان ها به دنبال راه ها و ترفندهایی می گردند که بقایشان را در این عرصه تضمین کنند. سازمان ها می دانند که دیگر بقای آنها تنها در رسیدن به وضعیت سوددهی مداوم نیست و باید به دنبال رقابت و ابزار آن باشند. همچنین می دانند که کلید موفقیت در عصر اطلاعات، اتخاذ تصمیماتی است که بدون تناقض، بهتر و سریع تر در رقابت پیش دستی کند.
یک سازمان در طول حیاتش، داده ایجاد می کند. این داده معمولا پیرامون دارایی، بازاریابی، فروش، منابع انسانی، مدیریت ارتباط با مشتری و ... گروه بندی می شوند و هر بخش یک وظیفه جدا در شرکت انجام داده و داده های مرتبط به خود را جمع آوری می کند. این حقیقت سازمان ها را ملزم به جستجوی ابزارهایی برای تسهیل فرایند کسب اثربخش داده ها، پردازش و تحلیل وسیع آنها کرده است تا براساس آن پایه ای را برای کشف دانش جدید بنا نهند.

برای سالیان متوالی از سیستم های اطلاعات مدیریت موجود مانند: MIS,DSS,ES,EIS استفاده می شد اما این سیستم ها قادر به ایجاد یکپارچگی میان داده های پراکنده و ناهمگن و شناسایی مناسب وابستگی های موجود
میان داده های جدید نبودند. برای اینکه سازمان ها قادر به واکنش سریع در برابر تغییرات بازار باشند، نیاز به سیستم های اطلاعات مدیریتی دارند که بتوانند از سازمان و محیط آن تحلیل های علت و معلولی مختلف انجام دهند.

بنابراین سازمان ها برای حفظ بقا همزمان با پیشرفت فناوری، باید تسلط بر فناوری های جدیدی مانند هوش تجاری را در کسب وکارها یک الزام و ضرورتی اجتناب ناپذیر تلقی کنند.
سیستم های هوش تجاری ابزاری را فراهم می کنند که بر اساس آن نیازهای اطلاعاتی سازمان به شکل مناسبی پاسخ داده شود.
واژه هوش تجاری توسط گروه گارتنر 1در اواسط ده? 1991 رواج پیدا کرد. با این حال، این واژه اخیراً رواج بسیار زیادی یافته است و در سیستم های گزارش دهی MIS ده? 1971 ریشه دارد. در آن دوران، سیستم های گزارش دهی ایستا، دو بعدی و فاقد قابلیت تحلیل بودند. در اوایل ده? 1981 ، مفهوم سیستم اطلاعات اجرایی ( EIS ) به وجود آمد. این مفهوم سیستم های پشتیبانی کامپیوتری را به سطوح مدیران عالی و اجرایی برد. این سیستم ها از قابلیت گزارش دهی پویا و چند بعدی )ادهاک 4 یا بر مبنای خواسته(، پیش بینی، تجزیه و تحلیل روند، پرداختن به جزئیات، دسترسی به وضعیت و عوامل کلیدی موفقیت برخوردار بودند.

تا اواسط ده? 1991 بسیاری از محصولات تجاری از این ویژگی ها برخوردار بودند. سپس برخی از محصولات جدید تحت نام هوش تجاری پا به عرصه گذاشتند. امروزه همگی به این نتیجه رسیده اند که کلی? نیازهای اطلاعات مدیران اجرایی در قالب یک سیستم اطلاعات مبتنی بر هوش تجاری قابل پاسخ است. بنابراین، مفهوم اصلی سیستم اطلاعات اجرایی به هوش تجاری تغییر یافت.
هوش تجاری، شامل ابزارها، تکنولوژی ها و فرایندهای تبدیل داده ها به اطلاعات و تبدیل اطلاعات به دانش مورد نیاز برای بهینه سازی تصمیم گیری در سازمان است . امروزه با اطمینان کامل می توان ادعا کرد که استفاده از

راه حل هوش تجاری می تواند قدرت رقابت پذیری یک سازمان را افزایش دهد و آن را از دیگر سازمان ها متمایز نماید. این راه حل این امکان را به سازمان ها می دهد تا با به کارگیری اطلاعات موجود از مزایای رقابتی و پیشرو بودن بهره برداری نمایند و درک بهتر تقاضاها و نیازمندی های مشتریان و مدیریت ارتباط با آنان را میسر می سازند.

مفهوم هوش تجاری:

تعاریف زیادی برای هوش تجاری وجود دارد، اما به طور کلی هوش تجاری به عنوان یک رویکرد جدید در معماری سازمانی مطرح شده است که این معماری بر اساس سرعت در تحلیل اطلاعات به مدیران جهت اتخاذ تصمیمات دقیق و هوشمند کسب و کار در حداقل زمان ممکن کمک می کند. هوش تجاری یک چارچوب کاری شامل فرایندها، ابزار و فناوری های مختلف است که برای تبدیل داده به اطلاعات و اطلاعات به دانش مورد نیاز هستند، که با استفاده از همین دانش مدیران قادر به تصمیم گیری بهتر می شوند و در نتیجه عملکرد سازمان خود را بهبود می بخشند.

با پیاده سازی راهکارهای هوش تجاری فاصله موجود بین مدیران میانی و مدیران ارشد از دیدگاه ارتباط اطلاعاتی از میان خواهد رفت و اطلاعات مورد نیاز مدیران در هر سطح، در لحظه و با کیفیت بالا در اختیار آنها قرار خواهد گرفت. همچنین کارشناسان و تحلیل گران می توانند با استفاده از امکانات ساده، فعالیتهای خود را بهبود بخشند و به نتایج بهتری دست پیدا نمایند.

احساس نیاز به وجود یک سیستم هوش تجاری در سازمان برای اولین بار در سطوح بالای مدیریتی احساس می شود و از بالای هرم ساختار سازمانی به بخش های زیرین منتقل می گردد. مهم ترین نیاز یک مدیر، تصمیم گیری است. فرآیند تصمیم گیری می تواند به سه بخش کلی تقسیم شود که عبارتند از:

  1. دسترسی، جمع آوری و پالایش داده ها و اطلاعات مورد نیاز.
  2. پردازش، تحلیل و نتیجه گیری براساس دانش.
  3. اعمال نتیجه و نظارت بر پیامد های اجرای آن.

در هر یک از موارد فوق، سازمان های قدیمی که از هوش تجاری استفاده نمی کنند، دارای مشکلاتی هستند که اغلب به دلیل حجیم بودن داده ها، پیچیدگی تحلیل ها و ناتوانی در ردگیری پیامدهای تصمیم گرفته شده، به وجود می آیند. هوش تجاری با کمک به حل مشکلات فوق، به دلیل ساختاری که در سازمان به وجود می آورد، خالق فرصت های جدیدی برای سازمان است.
هوش تجاری یک چارچوب کاری شامل فرایندها، ابزار و فناوری های مختلف است که برای تبدیل داده به اطلاعات و اطلاعات به دانش مورد نیاز هستند، که با استفاده از همین دانش مدیران قادر به تصمیم گیری بهتر می شوند و در نتیجه عملکرد سازمان خود را بهبود می بخشند.

بنابراین هوش تجاری مجموعه ای از مهارت ها، فناوری ها و سیستم های کاربردی استکه برای جمع آوری، ذخیره سازی ، تحلیل و ایجاد دسترسی کارآمد به انبارهای داده جهت کمک به سازمان ها برای تصمیم گیری صحیح مورد استفاده قرار می گیرد.

پس از آن که داده ها در انبارهای داده و بازارهای داده گردآوری و سازمان دهی شدند، می توان آن ها را برای تحلیل های آتی به کار گرفت. تحلیل داده ها شامل طبقه بندی، خوشه بندی، آنالیزهای آماری، پیش بینی های ریاضی، تحلیل های هوشمند مبتنی بر شبکه های عصبی و الگوریتم های ژنتیک می باشد.

هوش تجاری شما را برای تصمیم گیری در همه عوامل موثر بر سازمان یا شرکت توانمند می سازد. مجموعه ای از ابزارها کاربران را قادر می سازند تا داده ها را برای کشف الگوها، ارتباطات و چشم اندازهای جدیدی که برای هدایت تصمیم گیری ها سودمند هستند، تحلیل کنند. به این ابزارهاکه برای یکپارچه سازی، تحلیل و فراهم نمودن دسترسی به انبوه داده ها برای کمک به اتخاذ تصمیمات بهتر مورد استفاده قرار می گیرند، هوش یا هوشمندی تجاری، اطلاق می شود.

ابزارهای اصلی هوشمندی تجاری شامل نرم افزار ارائ? پرسش و گزارش گیری، ابزارهای تحلیل چند بعدی داده (پردازش تحلیلی آنلاین) و داده کاوی است.

وقتی به مفهوم هوشمندی در انسان ها فکر می کنیم، عموماً مقصود ما قابلیت افراد برای ادغام دانش فرا گرفته شده به اطلاعات جدید و تغییر رفتارها است، به گونه ای که موجب توفیق آن ها در انجام وظایف یا انطباق با شرایط جدید می شود. به طور مشابه، هوش تجاری این قابلیت را به سازمان ها می دهد تا اطلاعات را جمع آوری کنند؛ در مورد رقبا، مشتریان و عملیات داخلی خود دانش ایجاد کنند و رفتار تصمیم گیری خود را به منظور دستیابی به سوددهی بالاتر و سایر اهداف تجاری تغییر دهند.

مراحل هوش تجاری

اگر مراحل هوش تجاری را به صورت شکل زیر در نظر بگیریم، منابع داده در مرحله اول جمع آوری می شوند. این منابع می تواند داده های انواع پایگاه داده یا اطلاعات نرم افزارهای موجود را در بر بگیرد.
اطلاعات جمع آوری شده طی فرایند ETL در پایگاه داده تحلیلی یا همان انبار داده (Data Warehouse) بارگذاری می شود.
داده
در پایگاه داده تحلیلی در بخش های مجزایی به نام داده گاه (Data Mart) قرار می گیرد.
در مرحله بعد هوش تجاری وارد عمل شده و روی اطلاعات طبقه بندی شده تجزیه و تحلیل انجام می دهد.
در نهایت اطلاعات جهت انتشار به ابزارهای سطح بالا تحویل داده می شود.
تکنیک های مورد استفاده در هوش تجاری
در عصری که زمان، کلید اصلی در تجارت است، شرکت ها به استفاده از ابزارهای اطلاعاتی روی آورده اند تا بتوانند اطلاعات مورد نظر را به سرعت از منابع استخراج کنند. هوش تجاری در امر تصمیم گیری در سطوح مختلف سازمان به ویژه سطوح مدیران ارشد با تحلیل اطلاعات و روش های پرس و جو تسهیلات زیادی را فراهم می کند که متداول ترین این روش ها به قرار زیر است:
On-Line
Analytical Processing (OLAP)
On-Line
Transaction Processing (OLTP)
Data
Warehousing (DW)
Data
Mining (DM)
Intelligent
Decision Support System (IDSS)
Intelligent
Agent (IA)
Knowledge
Management System (KMS)
Supply
Chain Management (SCM)
Customer
Relationship Management (CRM)
Enterprise
Resource Planning (ERP )
Enterprise
Information Management (EIM)

لازم به ذکر است، صرف وجود تمام این تکنیک ها در سطح سازمان بدون در نظر داشتن فرهنگ سازمان و رویکرد سیستمی موجود بین کارکنان نمی‌تواند اثبات کننده هوشمندی کسب و کار آن سازمان باشد.
آشنایی با داده‌کاوی :
OLAP و Data Mining دو راهکاری هستند که در SSAS برای مدیرت داده ها و کشف دانش معرفی شده است. در اینجا به معرفی
اجمالی داده کاوی(DataMining) می پردازیم.

داده‌کاوی علمی نوین و جذاب برای کشف دانش از داده ها می باشد. با توجه به رقابتی شدن بازار
و تلاش سازمان ها برای رقابت و بدست آوردن درآمد بیشتر، استفاده از داده‌کاوی امری
مهم تلقی می شود. استفاده از داده های پیشین و نتیجه گرفتن از آن ها جهت بهبود
عملکرد آینده، یکی از ایده‌آل‌ترین روش ها برای کمک به سازمان ها می‌باشد. از سوی
دیگر با توجه به قابلیت حضور داده‌کاوی در تمام عرصه‌ها و همچنین وجود بنیان قوی
علوم آمار، کامپیوتر، هوش مصنوعی و الگوشناسی در نهان داد‌ه‌کاوی موجب فراگیر شدن
این دانش در تمامی سطوح گردیده است.
داده‌کاوی
عملی بسیار ظریف بوده که اگر در آن تحلیل داده‌ها بصورت دقیق انجام نگیرد، ممکن
است باعث استدلال نادرست گردد. از طرفی الگوریتم های دادهکاوی نیز پیچیدگی زیادی
دارند، خوشبختانه نرم افزارSQL
Server Business Intelligence Development Studio سبب گردیده که از پیچیدگی محتوای الگوریتم‌های
داده‌کاوی دور گردیم و با خیالی آسوده عملیات داده‌کاوی را انجام دهیم.
آشنایی
باAnalysis Services :
تحلیل
در قلب هوش تجاری است و با آن، می توان به داده های خود مفهوم بخشید.
SQL
Serverشامل موتور بسیار قدرتمندی برای ساخت ساختمان
های داده چند بعدی است که به شما اجازه مرتب کردن ، تجمیع و تحلیل داده ها را می
دهد و تحت عنوانSQL Server Analysis Services
شناخته
می شود. جمع آوری اطلاعات صرفاً به منظور گردآوری آن ها موجب هدر دادن وقت، پول و
نیروی انسانی است، زمانی گردآوری اطلاعات مفید خواهد بود که بتوان از این اطلاعات
برای کشف تمایلات، شناسایی مشکلات و ساماندهی کمبودها، که ارزش تجاری به همراه
دارد استفاده کرد.
SQL
Server Analysis Services از یک موتور OLAP برای ساخت و ذخیره سازی پایگاه داده های چند
بعدی استفاده می کند.
هدف
از این تحقیق، بررسی مطالبی درباره اصول فناوری OLAP ، ابزارهای مورد استفاده برای ساخت
پایگاه
داده های OLAP و اجزای مورد استفاده در آن می باشد. هم
چنین در حین بررسی مفاهیم تئوری در رابطه با SSAS ، روند ایجاد یک پروژه در SSAS از ابتدا به شکل گام به گام به صورت شماتیک
ارائه می شود؛ که در این راستا از انبار? داد? نمون? ماکروسافت با عنوان dventureWorksDW2008R2 و از نرم افزار SQL Server 2008 R2 (Enterprise Data
Management & Business Intelligence Software) استفاده شده است.
آشنایی
با: OLAP
پایگاه
داده های OLAP حول مفهوم مکعب 9 ساخته می شوند. مکعب ها،
اشیای چند بعدی هستند که ساختارهای آن ها با اشیای سلسله مرتبه ای تحت عنوان ابعاد
11 تعریف می شوند. نمونه ای از پر استفاده ترین بعدها، بعد تاریخ است. واحد های
زمانی درصورت نیاز می توانند بر طبق سطح یا عمق داده ای که در پایگاه داده ذخیره
خواهد شد، تقسیم بندی یا ترکیب شوند. مثلاً بعد Date ممکن است شامل یک سطح دهه، یک سطح سال، یک
سطح فصل و الی آخر باشد که در نهایت به روز ختم می شود )یا در صورت لزوم کمتر(.
مفهوم
مهم دیگر هنگام کار با مکعب ها، شناخت این مساله است که بیشتر داده های دستیابی
شده، تجمیع می شوند یا حداقل می توانند تجمیع شوند. این بدان معنی است که هنگام
ساخت یک مکعب، نیازی به ذخیره سازی کلیه محاسبات احتمالی روی داده ها نیست، بلکه
در عوض می توانید روشی را تعریف کنید که پایین ترین سطح داده ها ترکیب شوند تا
بتوانید به پاسخ مورد نظر دست یابید.
مثلاً،
اگر تعداد فروش روزانه خود را ردیابی کنید، ولی بخواهید بدانید کل فروش فصل گذشته
چقدر بوده است، برطبق روشی که مکعب مربوطه طراحی شده است، می تواند به طور خودکار
کل فروش روزانه رابرای 91 روز گذشته با هم جمع کند. بسته به چگونگی تعریف بعد Date ، هم چنین می توانید داده مشابهی را بررسی کنید که به ماه یا
هفته تقسیم شده است، بدون اینکه مجبور به انجام محاسبات پیچیده اضافی باشید.
مکعب
های OLAP هم چنین می توانند مقادیر خلاصه شده و داده
های پایین ترین سطح را ذخیره کنند.
این
امر بازیابی اطلاعات را آسان تر می کند. مثلاً داده های 91 روز آخر فروش، زیرا آن
مجموع هم اکنون در مکعب به عنوان یک مقدار محاسبه شده ذخیره شده است.
اصطلاحات
OLAP:
تاکنون،
تعدادی از واژه های کلیدی مورد استفاده در محیط های OLAP به شما معرفی شدند، ولی در
این
بخش، فهرستی ساخت یافته تر از واژه ها و تعاریفی ارائه می شود که معمولاً مورد
استفاده قرار می
گیرند.
شناخت
اجزای مختلف یک راه حل OLAP کمک شایانی در مدیریت بهتر پایگاه داده های OLAP می
کند.
در این قسمت واژه ها و تعاریف مذکور در یک جدول ارائه می شوند.
پایگاه
داده OLAP:کانتینری برای اشیای متفاوتی که در یک راه
حل Analysis
Services
وجود
دارد،
می باشد که علاوه بر ابعاد و مکعب های مذکور در صفحات قبل، این
قسمت
هم چنین شامل اشیای دیگری از قبیل منابع داده می باشد که در این
فهرست
معرفی خواهند شد.
منبع
داده:داده ها از یک پایگاه OLAP سرچشمه نمی گیرند، بلکه در عوض از پایگاه
داده های دیگری استفاده می کنند که اغلب یک پایگاه داده رابطه ای، منبع آن می باشد.
پشتیبانی های مایکروسافت از تامین کننده های OLE DB موجود برای اتصال به 1 Microsoft SQL Server و پایگاه داده های جدیدتر و هم چنین SQL Native Client برای Analysis Services استفاده می کنند. برخی از پایگاه داده های
شخص ثالث می توانند به عنوان منبع داده استفاده شوند، مادامی که یک درایور OLE DB مناسب داشته باشید.
بعد:
بلوک های سازنده ساختار یک مکعب می باشند. ابعاد برطبق جداول یا دیدگاه های منبع
داده بوده و حاوی صفاتی خواهند بود که بر طبق ستون های این جداول یا دیدگاه ها
باشند. هر چند ابعاد برای ساخت مکعب ها استفاده می شوند، تعریف ابعاد در مکعب
ذخیره نمی شود مگر آن که، آن ها به مکعب اضافه شوند. تعریف ابعاد نیز در کلکسیون
بعد پایگاه داده OLAP ذخیره می شود. این امر به یک بعد واحد اجازه
می دهد در یک یا چند مکعب استفاده شود.
سلسله
مراتب:دو نوع سلسله مرتبه در SQL Server Analysis Services وجود دارد. سلسله مراتب صفات با استفاده از
خصوصیات بعد برای تعریف یک ساختار سلسله مرتبه ای ساخته می شود. از طرف دیگر،
سلسله مراتب تعریف شده کاربر به طور دستی با تعریف متدی که در آن مکعب می تواند در
بعد خاص برش داده شود، ساخته می شود. علاوه بر مثال سلسله مرتبه تاریخ بخش قبل، مثال
دیگری که ممکن است استفاده کنید بعد مکان جغرافیایی است که به شما اجازه می دهد
داده های خود را در صورت لزوم براساس قاره، کشور، ایالت، استان، بخش و شهر تحلیل
کنید.
سطحموقعیتی در یک سلسله مرتبه را شناسایی می کند که
آیتم های مجزا )تحت عنوان اعضا( به آن تعلق دارند.
عضواشیا یی در سلسله مرتبه ای که یک یا چند نمونه
از داده واقعیت را نشان می دهد، می باشند.
مثلاً
سلسله مرتبه مکان جغرافیایی ممکن است سطح کشور را تعریف کند که شامل اعضای ایالات
متحده، کانادا و ژاپن می باشد. سطح شهر ممکن است شامل اعضای سیاتل، ونکوور و توکیو
باشد.
معیارهامعیارها، داده واقعیت کمیت پذیر در پایگاه داده
شما را نشان می دهند.
)معیارها
قابل اندازه گیری اند(.
گروه
های معیاربرای مرتبط کردن ابعاد با معیارها
از جداول واقعیت مرتبط استفاده می شود، درست مانند زمانی که تعداد متمایزی به
عنوان رفتار تجمیعی برای داده واقعیت استفاده می شوند. این گروه ها موجب بهینه شدن
پردازش تجمیع می شوند.
مکعباشیای اصلی ایجاد شده در پایگاه داده OLAP می باشد. دو جزء اصلی برای مکعب وجود دارد:
ابعاد که برای تعریف ساختار مکعب استفاده می شوند و معیارها که حاوی داده واقعیتی
)واقعی( هستند که توسط مکعب به آن ها مراجعه می شود و بلوک های سازند? پایگاه داده
های OLAP شما هستند.
شاخص
های کلیدی
عملکرد
:محاسبات داده گروه معیار که برای مقایسه عملکرد واقعی در برابر ارزش هدف تعیین
شده استفاده می شوند. مثلاً، دپارتمان فروش ممکن است دو هدف را برای کمک به
شناسایی عمکلرد فروش تعریف کند. اولین هدف، تنظیم ارزش هدف برای تعداد واحدهای
فروخته شده و دومین هدف، شناسایی درآمد متصور از تمام فروش هاست. هر یک از این
اهداف می توانند به عنوان شاخص
کلیدی
عملکرد دنبال شوند و شما می توانید فروش های سالیانه واقعی خود را با اهداف تعریف
شده مقایسه کنید .
OLAP به زبان ساده
OLAPمجموعه‌ای از مکعب‌ها (Cubes) است. داخل این مکعب‌ها داده‌هایی قرار
دارند که از پیش انتخاب شده‌اند. ارتباطات بین ابعاد از قبل تعریف شده و همه ابعاد
(نتایج) از قبل محاسبه و پیش‌بینی شده است. هنگامی که یک مکعب ایجاد می‌شود، یک
واسط کاربر نهایی که می‌تواند یک داشبورد باشد برای یک فرد واقعی پیاده‌سازی می‌شود
که کاربر نهایی(مدیران و تصمیم گیرندگان سازمان) بتواند با جواب‌های داخل مکعب
تعامل داشته باشد.
اما
فرض کنید در یک مکعب برای تحلیل فروش در یک سازمان مقدار و مبلغ فروش را بر اساس
ابعادِ مناطق فروش، فروشنده (بازاریاب)، مشتری و ماه داشته باشیم. زمانی که این
مکعب فرضی ساخته می‌شود، نرم‌افزار مبتنی بر OLAP کلیه ترکیبات عناصر داده‌ها را محاسبه و
ذخیره می‌کند، کاربر نهایی به این داده‌ها از طریق داشبوردها و یا یک سری فرم‌ها
مثلا Pivot Tableها
یا انواع دیگر فرم‌ها دسترسی خواهد داشت.
در این مثال فرضی کاربر نهایی محدود به تحلیل در
محدوده ابعاد از قبل تعریف شده مثل مناطق، نمایندگی‌ها، مشتری‌ها و ماه است. اگر
کاربر بخواهد درباره فروش هفتگی، روزهای هفته یا محصولات فروخته شده (و یا صدها
ترکیب دیگر از داده‌ها) اطلاعاتی کسب کند دیگر شانسی برای بدست آوردن آن ندارد،
باید صبر کند که مکعب دیگری از اطلاعات مورد نیاز او ایجاد شود که این یعنی
محدودسازی و کاهش بهره‌وری و اثربخشی برای تصمیم‌گیران آن سازمان. به عبارت دیگر
کاربر نهایی باید نیازهای خود را از پیش شناخته و برای این نیازها Cubeها، جداول حقایق (Fact) و ابعاد (Dimension) مورد نیاز را پیاده سازی کند تا با کنار هم
قرار دادن گزارشات مختلف تا حدودی به دانش استخراج شده و مورد نیاز خود دست پیدا
کند.OLAPبرخی از قابلیت‌های تحلیل را فراهم می‌کند، اما تقریبا می‌توان گفت در
کشورهایپیشرفته یک رویکرد قدیمی است و
متاسفانه در کشور ما همچنان ناشناخته! یا کمتر شناخته شده است. در حال حاضر انواع
مختلف OLAPوجود دارد، مثل MultiDimensional OLAP (MOLAP) که به آن MMD نیز گفته می‌شود وRelational
OLAP ROLAPیاRDBMSو سیستم های OLAP از نوع HOLAP.
کارکردن
با : SSAS
همانند
سایر خدمات هوش تجاری، می توان هم از Business Intelligence Development و هم از
SQL
Server Management Studioبرای مدیریت جنبه های
مختلفSQL Server Analysis Services
استفاده
کرد.BIDSدر
اصل برای ایجاد و مدیریت ابعاد، ساخت مکعب ها، تعریف KPI ها و سایر وظایف مربوط به مرتب کردن و
ساختاردهی داده ها استفاده می شود.
ایجاد
پروژه:
با
ایجاد یک پروژه Analysis
Services
جدید شروع کنید. در BIDS باید پروژ? جدیدی را ایجاد کنید
که
از الگوی پروژه Analysis
Services
استفاده می کند. هم چنین ممکن است توجه داشته باشید که
یک
گزینه برای وارد کردن پایگاه داده SSAS موجود در پروژه جدید وجود دارد. برای مثال،
پروژه ای به
نام
Adventure Works
2008 Data Warehouse ایجاد خواهیم کرد .
تعریف
منبع داده:
پس
از ایجاد پروژه، مرحله بعدی، ایجاد منبع داده ای است که توسط پایگاه داده OLAP استفاده خواهد شد. در این جا نیاز به پایگاه
داده AdventureWorksDW2008R2 دارید که می توانید از سایت
مایکروسافت
دانلود کنید. مراحل زیر را انجام دهید:
1.با کلیک راست روی پوشه Data Source در Solution Explorer شروع کنید و New Data Source را انتخاب کنید. این امر موجب اجرای ویزارد New Data Source می شود. همانند اکثر
ویزاردهای
SQL ، اولین صفحه ویزارد، به طور طبیعی صفحه
مقدماتی است و می توان با کلیک بر
روی
Next از آن رد شد.
2. صفحه بعدی ویزارد به شما اجازه تعریف
اتصال داده را می دهد. ممکن است هم اکنون اتصالات داده تعریف شده ای داشته باشید،
ولی با توجه به تجربه ای که پس از اجرای پروژه توسط اینجانب به دست آمد بهتر است
ابتدا با کلیک بر روی Delete اتصال فعلی را حذف کرده و سپس با کلیک بر
روی New اتصال جدیدی را درپنجره باز شده با نام Connection Manager ایجاد کرد.
3.ایجاد
اتصال داده مورد نظر
4.همانگونه که در شکل 2-5مشاهده می کنید، می توانید خصوصیات اتصال جدید
را انتخاب کنید. از جمله تامین کننده OLE DB ) که در این مثال باید Native Client 10.0 SQL Server باشد(.سپس در قسمت Server Name یک نقطه ).( قرار می دهیم )بدین وسیله از
پایگاه داده محلیاستفاده می کند( و
سپس از کومبوباکس پایین پنجره نام پایگاه داده مورد استفاده را مشخص می کنیم. )در
این جا AdventureWorksDW2008R2 می باشد.( برای بازگشت به ویزارد، OK را کلیک کنید.
5.پس از داشتن اتصال داده مناسب برای ادامه
ویزارد، روی Next کلیک کنید. در این مورد، می توانید حساب و
رمز عبور را Windows
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
طراحی سیستم مبتنی بر دانش برای برنامه ریزی استراتژیک: دیدگاه کارت امتیازی متوازن

ارسال شده توسط احمد محمدی | 29 12, 2013 | بازدید‌ها (2434)

طراحی سیستم مبتنی بر دانش برای برنامه ریزی استراتژیک: دیدگاه کارت امتیازی متوازن

احمد محمدی
دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات

زمستان 1392
چکیده:
کارت امتیازی متوازن ابتدا توسط کاپلان و نورتون طراحی شد.کارت امتیازی متوازن _ آنچه را که بر عملکرد تاثیرگذار است را اندازه گیری می کند. در مجله Harward Business Rewiew کارت امتیازی متوازن (BSC) ؛ دیدگاه منسجمی از عملکرد کلی و اهداف استراتژیک سازمان ارائه می کند. BSC مقیاس های مالی را با سایر شاخص های کلیدی عملکرد ادغام می کند تا دیدگاهی ایجاد کند که هر دو جنبه مالی و غیر مالی را استفاده کند BSC ابزار مفیدی برای برنامه ریزی استراتژیک و انتقال استراتژی است که در استقرار استراتژی مشارکت دارند. استقرار موفق استراتژی بر پایه برنامه ریزی موثر استراتژیک است- با توجه به اینکه برنامه ریزی استراتژیک یکی از موارد حیاتی در کسب وکار است. این تحقیق شیوه منسجمی برای ابزار BSC و سیستم مبتنی بر دانش به کمک شیوه فرایند تحلیل سلسله مراتبی(AHP)، ارائه می کند و سپس سیستم ذهنی مبتنی بر دانش BSCرا برای برنامه ریزی استراتژیک ایجاد می کند که استراتژی های عملیاتی یا مدیریتی شرکت را بر پایه این دیدگاهها تنظیم یا انتخاب می کند . عملکرد رشد و یادگیری، فرایند داخلی / کسب وکار، مشتری و مالی. این سیستم در تعیین وزنهای خاص استراتژی کمک می کند . سیستم ذهنی مبتنی بر دانش BSC برنامه ریزی استراتژیک خودکار کارا را تسهیل می کند.

1-مقدمه
محققان و دانشمندان که در زمینه برنامه ریزی استراتژیک و حسابداری مدیریت فعالیت دارند، در دهه اخیر توجه رو به افزایشی به تاثیر BSC بر عملکرد سازمان و برنامه ریزی استراتژیک داشته اند. BSCکه توسط کاپلان و نورتون(1992)طراحی شد ،از توالی 4 دیدگاه یادگیری ورشد، دیدگاه فرایند کسب وکار داخلی، دیدگاه مشتری و دیدگاه مالی پیروی می کند. خروجی اصلی ( عملکرد) که در هر دیدگاه اندازه گیری می شود ،به عنوان شاخص های راهبردی مقیاس های خروجی های اصلی در دیدگاه بعد، استفاده می شود. از زمان توسعه اولیه BSC توسط کاپلان و نورتون، این شیوه توسط سازمانهای تولیدی وخدماتی، سازمانهای غیر انتفاعی،موسسات دولتی و سایر صنایع دنیا استفاده شده است. شرکتها به صورت رو به افزایشی از سیستمهای اندازه گیری عملکرد جدید استفاده می کنند تا مقیاس هاسی غیر مالی را ثبت کنند. تحقیق مرتبط شامل تحقیق Andrews (1996), Banker, Chang, and Pizzini (2004),
Banker, Potter, and Srinivasan (2000), Frigo (2002), Said, و .HassabElnaby, and Wier (2003)
از زمان معرفی در اوایل دهه 1990 ، از یک ابزار اندازه گیری عملکرد ، به یک ابزار مدیریت استراتژیک تحول یافته است. متودولوژی BSC زیر بنایی برای فعالیتهای مدیریت استراتژیک ایجاد می کند.کارت امتیازی چهار فرایند جدید مدیریتی را معرفی می کند که به صورت جداگانه و در ترکیب با یکدیگر در ایجاد ارتباط بین اهداف بلندمدت استراتژیک و فعالیتهای کوتاه مدت مشارکت دارند. با ترکیب دیدگاههای مالی، مشتری، فرایند داخلی و یادگیری ورشد BSC، به مدیران کمک می کند که روابط مختلف وتاثیرات علت و معلولی را شناسایی کنند.
این شناخت در برتری یافتن مدیران بر نکات سنتی با توجه به موانع عملیاتی و در نهایت بهبود تصمیم گیری و حل مسائل کمک می کند. مرور اجرایی و استراتژیک می تواند تیم مدیریت را در مرور برنامه استراتژیک، فرایند برنامه ریزی کمک کند که شامل مقیاس های BSCو نقشه های استراتژی است. برنامه ریزی استراتژیک در کسب وکار بسیار مهم است،. یک برنامه استراتژیک از برنامه عملیاتی متفاوت است.
یک برنامه استراتژیک باید مفهومی، دارای چشم انداز و جهت دار باشد. با توجه به پیچیدگی و اهمیت برنامه ریزی استراتژیک ، سیستم مبتنی بر دانش(KBS) غالبا ، برای حمایت از تصمیم گیری استفاده می شود. سیستم های مبتنی بر دانش،(KBS) ابزار مبتنی بر کامپیوتر هستند که تصمیم گیری مدیریتی را با ارائه گزینه های موثر مختلف ساده تر می کنند. در دهه 1990 ، سیستم های هوشیار مبتنی بر دانش نقش مهمی در ابزارهای حمایتی تصمیم گیری داشتند. اما مطالعات کمی KBS را در برنامه ریزی استراتژیک نشان می دهد که استراتژی را بر پایه دیدگاهها ی BSC تعیین یا انتخاب می کند. KBSمی تواند به عنوان ابزار برنامه ریزی استراتژیک برای برنامه ریزی یا تعیین استراتژی بر پایه اطلاعات تصمیم گیری استفاده شود. KBS برای پیشنهاد مراجع برای کمک به تصمیم گیرندگان در تصمیم گیری های صحیح و در برخورد با موقعیت های پیچیده و مقادیر زیاد اطلاعات کمک می کند سیستم هوشیار مبتنی BSC مبتنی بر دانش (BSCKBS)، برای توسعه سیستم برنامه ریزی استراتژیک و برای استقرار سیستم های کسب وکار و حمایت از نیازها طراحی شده است. متعاقبا KBS کاربرد مبتنی بر دانش را طراحی می کند و استراتژی های مدیریت را بر پایه ارزیابی از استراتژی و چشم انداز کسب و کار ایجاد می کند.بر پایه موضوعات بالا، این کار دو هدف مرتبط دارد: 1- برای پشنهاد چارچوب منسجم برای ابزار BSC و سیستم KBS به کمک فرایند تحلیل سلسله مراتبی و -2 توسعه سیستم KBSBSC برای برنامه ریزی استراتژیک که استراتژی شرکت را از دیدگاههای زیر تعیین یا انتخاب می کند: رشد و یادگیری، فرایند داخلی کسب وکار، مشتری و عملکرد مالی. به کمک شیوه AHP در تحلیل ها، این کار بررسی می کند که مدیریت چگونه اهداف و مقیاس ها را به کمک سلسله مراتب BSC می تواند انتخاب کند. این کار دو موضوع مهم رار مورد توجه قرار می دهد: تعیین اهداف و انتخاب مقیاس های مناسب.
مدیران شرکت به خوبی آگاه هستند که استقرار سریع تغییرات مشکل است. اما برنامه ریزی استراتژیک برای اجرای استراتژی مهم است. این تحقیق کاربرد AHP در اولویت بندی مقیاس ها و استراتژی ها در چارچوب BSCرا شرح می دهد و تلاش می کند که سیستم پشتیبان تصمیم گیری هوشمند مدیریت و برنامه ریزی استراتژیک BSCرا برای برنامه ریزی استراتژیک ایجاد کند، یعنی سیستم مبتنی بر دانش BSC
.(BSCKBS)
ادامه این تحقیق به این ترتیب است: بخش 2 به صورت مختصرKBS و کاربردهای مرتبط را مرور می کند. بخش 3 به صورت خلاصه دیدگاه BSC و تحقیقات مرتبط را مرور می کند. بخش 4تئوری AHP و تحقیقات مرتبط را بیان می کند. سپس در بخش 5، معماری BSCKBS و مفاهیم مرتبط بیان می شود. در نهایت نکان انتهایی و خلاصه فصل در بخش 6 ارائه می شود.

-2 سیستم مبتنی بر دانش و کاربردها

2-1 مفهوم سیستم مبتنی بر دانش KBS
تکنولوژی کاربر کامپیوتر با تکنولوژی بالا، سیتم مبتنمی بر دانش KBS را به عنوان یک سیستم کامپیوتری که برای تسهیل حل مسائل نیروی انسانی از طریق ترکیبی از هوش مصنوعی و پایگاهی از دانش مربوط به حوزه خاص تعریف می کند. سیستمهای مبتنی بر دانش، بر پایه روش ها وتکنیکهای هوش مصنوعی (AI) هستند. اقلام اصلی سیتم های مبتنی بر دانش عبارتند از : مکانیزمهای مبتنی بر دانش و علت یابی. KBS مانند سیستمهای حل مساله، برای کسب اطلاعات از یک سیستم مبتنی بر دانش تلاش می کند و از این اطلاعات در کسب نتایج مفید و برای تصمیم گیری استفاده می کند. KBS سیستمهای مبتنی بر کامپیوتر هستند که دانش را در غالب شیوه هایی برای حل مساله و به منظور کمک به انسانها در حل مساله ارائه می کنند. در عملKBS ، خلاصه ای برای سیستم مبتنی بر دانش است در ادبیات KBSBSC، Dhaliwal and Benbasat (1996) فرض کردند که چهار جزئ اصلی KBS عموما به این ترتیب هستند: مبنای دانشی، موتور واسط، ابزار مهندسی دانش، و واسطه خاص کاربر. (2002)Albermani & Chau پیشنهاد کردند که KBS سه جزء پایه ای اصلی دارد: پایگاه دانش، مکانیسمهای محتوا و واسط کاربر. بنابراین پایگاه دانش، مرکز اصلی KBS است و شامل دانش تخصصی حوزه است که از طریق انواع تکنیکهای نمایش جمع آوری شده است.( مانند شبکه ها، چارچوبها و منطق های سمانتیک)، تکنی یا شیوه ای که بسیار استفاده می شود، قانون تولید اگر ( شرط)، آنگاه (عمل) است.
2.2 کاربرد KBS
در طول دهه 1990 ، محققان و دانشمندان اهمیتKBS را شناسایی کردند و مفاهیم مرتبط با آن یکی از مهمترین مباحث مرتبط با ابزار پشتیبان تصمیم گیری یا سیستم های اطلاعات مدیریت شد. KBSاز زمان توسعه در مطالعات و مباحث مختلفی استفاده شد که شامل ارزیابی عملکرد، وام تجاری ،طراحی استراتژی پشتیبانی، تولید کشاورزی، ادغام و تحصیل یا طراحی برای زلزله ، پویایی های سیستم، انتخاب تجهیزات حمل ونقل، مدیریت خدمات مشتری و کسب دانش است. برای مثال، Wang 2007 چارچوب ارزیابی با نام DSSPE ، برای ارزیابی موسسات دولتی (SOE )، به کمک مدلهای DEA پیشنهاد کرد که شامل زیر سیستمهای پایگاه اطلاعاتی مدیریت، زیر سیستم مبتنی بر مدل، زیر سیستم کسب دانش و زیر سیستم دیالوگ استKumra در سال 2006 ، شیوه تخصصی مبتنی بر سیستم MRA را برای تامین اعتبار وامهایی که به صورت تجاری برای بیش از 10 سال در موسسات مختلف مالی شرح داد. Chaw 2005 فرض کرد که سیستم مبتنی بر دانش KLSS برای کاربرد در هنگ کنگ، منطقه Peal Delta River مناسب بود که اثربخشی تنظیم استراتژی پشتیبانی را با ادغام تکنیکهای مانند جمع آوری داده ها، پردازش تحلیلی آن لاین، مدیریت چندبعدی پایگاه داده ها و علت یابی مبتنی بر مورد را تقویت می کند. Pomar & Pomar سیستم پشتیبانی تصمیم گیری مبتنی بر دانش به نام CULLSOW را برای شناسایی خوکهای چاق با قدرت کمتر را در شرکتهای تجاری خوک طراحی کردند. متعاقبا KBS ، اخیرا موفقیت قابل توجهی در مطبوعات مدیریت اطلاعات فعلی کسب کردند.

3- کارت امتیازی متوازن

3.1 دیدگاه کارت امتیازی متوازن (BSC)

فرایند کارت امتیازی متوازن در اولین نسخه ای که توسط اپلان و نورتون طراحی شد، شامل چهار دیدگاه است: رشد و یادگیری، فرایند داخلی ،مشتری ومالی. BSCشیوه استراتژیک و سیستم مدیریت عملکرد است که سازمانها برای استقرار چشم انداز و استراتژی استفاده می کنند. مدل BSC شامل چهار فرایند جدید مدیریتی است که به صورت جداگانه و در ترکیب با یکدیگر در ایجاد ارتباط بین اهداف بلند مدت و اهداف استراتژیک با اقدامات کوتاه مدت است. شرکتها و صنایع زیادی BSC را استفاده کرده اند که نیاز های مختلف مدیریتی را پاسخ دهند.مدل BSCچیزی بیش از مجموعه ای از مقیاس های مالی و غیر مالی است و ترجمه ای از استراتژی واحدهای کسب وکار به مقیاس های مرتبطی که اهداف استراتژیک بلندمدت و مکانیسم ها را برای دستیابی و کسب بازخورد با توجه به آن اهداف تعریف میکند. بنابراین کاپلان و نورتون ابزار جدید قدرتمندی طراحی کردند. نقشه استراتژی که شرکتها می توانند برای تشریح ارتباط و ایجاد ارزش با درجه بسیار بالای دقت و وضوح استفاده شوند. نقشه استراتژی برای ایجاد ارتباط بین فرایندها با نتایج مطلوب استفاده کنند. برای ارزیابی ، اندازه گیری و بهبود فرایندهایی که برای موفقیت حیاتی تر هستند و هدف گذاری سرمایه گذاری ها در سرمایه انسانی، اطلاعاتی و سازمانی. مدل BSC چهار دیدگاه مرتبط را بر فعالیتهایی که با احتمال زیادی برای بسیاری از سازمانها حیاتی هستند و برای تمام سطوح درون سازمانی ضروری هستند: 1- سرمایه گذاری در ظرفیت های رشد و یادگیری، 2- بهبود
کارایی های فراین داخلی، 3- ارائه ارزش مشتری و 4- افزایش موفقیت مالی.

3.1.1 دیدگاه رشد و یادگیری

کاپلان و نورتون 1992 ، مدل BSC بر فعالیتهایی که دیدگاه رشد و یادگیری را توسعه می دادند، بنا نهادند. این دیدگاه توانایی کارکنان سیستم های اطلاعاتی و جهت دهی سازمانی را برای مدیریت کسب وکار و انطباق با تغییرات ایجاد می کند. موفقیت فرایند بسته به کارکنان توانمند و با انگیزه و اطلاعات به موقع و صحیح دارد.

3.1.2 دیدگاه فرایند داخلی

مدل علی BSC فرض می کند که توانمندی های کارکنان موجب بهبود فرایندهای داخلی می شود. کاپلان و نورتون فعالیتهای زنجیره ارزش اصلی شرکت را به چهار- حوزه فرایندهای سطح بالا تقسیم کرده اند: 1- وآوری، 2- مدیریت مشتری 3 عملیات 4-قوانین و محیط.هر یک از این حوزه ها می تواند شامل فرایندها و فرایندهای اصلی باشد. نمودار دایره ای سازمانی به این ترتیب به شیوه های مختلفی قابل تقسیم است.

3.1.3 دیدگاه مشتری

دیدگاه مشتری نتایج مرتبط با تحویل مفروضات متفاوت ارزش را شناسایی می کند. این نتایج شامل سهم بازار در بخش خاص مشتری، اختصاص حساب به مشتریان هدف، کسب و جهت دهی مشتریان در بخش های هدفمند و سودآوری مشتری است. بسیاری از مطالعات رابطه آشکاری بین رضایت مشتری و عملکرد نشان دادند. مانند تحقیق Jones, Sasser, and ، Banker et al. (2000), Heskett,
Schlesinger (1994), Ittner and Larcker (199

3.1.4 دیدگاه مالی

مقیاس های عملکرد مالی نشان می دهد که آیا استراتژی شرکت ، استقرار و اجرای آن در بهبود خطوط پایینی مشارکت دارند یا نه. بعد مالی شامل سه مقیاس بسیار مهم برای سهامدار است. بازگشت سرمایه و جریان نقدی، ترجیحات کوتاه مدت را نشان می دهد در حالیکه پیش بینی اطمینان مدیران شرکت برای کاهش عدم اطمینان تاریخی مرتبط با تغییر غیر منتظره در عملکرد را نشان می دهد.در نهایت سودآوری پروژه به عنوان واحد اصلی برنامه ریزی و کنترل تاکید دارد.در حالیکه حجم فروش به کاهش عدم اطمینان در باره عملکرد کمک می کند.
KBS 3.2و BSC
طبق تحقیق کاپلان و نورتون1992 مدل BSC به عنوان چارچوبی برای تسهیل انعطاف پذیری استراتژی کسب وکار در مقیاس های عملکرد استراتژیک تعریف و طراحی شده که نتیجه کلیدی ( عملکرد) مقیاس ها در هر دیدگاه شاخص های کلیدی در دیدگاه بعدی می شوند. در طول دهه گذشته محققان علاقمند به BSC بحث کردند که مدل BSCابزار ارتباطی موفق است و در دستیابی به جهت گیری ها و برنامه ریزی های استراتژیک کمک میکند. مدل BSC در هم سو سازی افراد و فرایندها با استراتژی سازمانی کمک می کند. طراحان استراتژیک از فرایند منحصر به فرد مدیریت که به عنوان جریانی برای هم سو سازی مقیاس های عملکرد بااستراتژی کسب وکار عمل می کند، استفاده می کنند.
ادبیات گذشته در زمینه BSC در این بخش مرور می شود. Bernard & Nellپیشنهاد کردند که استقرار وسیع BSC نیازمند پشتیبانی IT است. تنها مطالعات کمی درباره KBS یا DSS را با BSC در نظر گرفته اند مانند تحقیق، al. (2005), Martinsons et al. (1999), Sohn Berler et
(2003), Sundararajan et al. et. (199.
برای مثال Berler 2005 مدل اطلاعاتی برای مدیریت دانش ، KM و بر مبنای استفاده از شاخص های کلیدی عملکرد KPI در سیستم های بهداشتی استفاده کردند. علاوه بر این Sohn 2003،رابطه بین استراتژی های شرکت ، نیروهای محیطی و مقیاس های عملکرد BSC را به کمک AHP مطالعه کردند.بر پایه شواهد تجربی آنها، یک سیستم پشتیبان تصمیم گیری برای بازیابی اوزان BSC شرکت، با ویژگی های مشابه پیشنهاد می شود Martinson 1999 کارت امتیازی متوازن برای سیستم اطلاعاتی طراحی کرد که فعالیتهای سیستم اطلاعاتی را از دیدگاههای زیر اندازه گیری و ارزیابی می کرد: ارزش کسب و کار ، جهت گیری کاربر، فرایند داخلی و امادگی برای آینده. هر چند 1998 Sundaraarjam کاربرد سیستم پشتیبان تصمیم گیری را برای تصمیم گیری عملیاتی در صنعت پردازش غذایی پیشنهاد کرد. تحقیق بالا نشان داد که BSCبه عنوان ابزار مهم پشتیبان تصمیم گیری در مدیریت استراتژیک ظهور کرده است.

-4 فرایند تحلیل سلسله مراتبی

4-1 روش فرایند تحلیل سلسله مراتبی AHP

AHP برای انعکاس تفکر واقعی انسانها در اوائل دهه 1970 و در پاسخ به نیازهای تخصیص منابع کمیاب و برنامه ریزی ارتش ایجاد شد. AHP فرایند تصمیم گیری منعطف و قدرتمندی برای کمک به افراد در تعیین اولویت ها و انتخاب بهترین تصمیمات در موقعیتهایی است که برای در نظر گرفتن جنبه های کیفی و کمی یک تصمیم ضروری است. با کاهش تصمیمات پیچیده به مجموعه ای از مقایسات یک به یک شرکتها نتایج را بررسی می کنند. AHP ابزار سلسله مراتبی ارائه سیستم است. و تصمیم گیرندگان را در ساختاردهی یک تصمیم به اجزا کوچکتر از یک هدف تا هدف بلندمدت ، هدف فرعی و در نهایت اعمال جایگزین کمک می کند. تصمیم گیرندگان مقایسات جفتی ساده را در سلسله مراتب و برای اولویت بخشیدن به گزینه ها ارائه می کنند. مساله تصمیم، می تواند شمال عوامل سیاسی، اجتماعی، تکنیکی و اقتصادی باشد. AHP به افراد در انطباق با محیطهای محرک، منطقی ، غیر منطقی و مخاطره آمیز و پیچیده کمک میکند. AHP به منظورهای زیر قابل استفاده است: پیش بینی خروجی ها، برنامه ریزی برای آینده پیش بینی شده و مطلوب، تسهیل تصمیم گیری گروهی، اجرای کنترل بر تغییرات در سیستم تصمیم گیری گروهی، تخصیص منابع،انتخاب بین گزینه ها، اجرای مقایسات تحلیل هزینه / منفعت، ارزیابی کارکنان و تعیین افزایش دستمزد. AHP چارچوب جامع، منطقی و ساختاری که امکان درک تصمیمات پیچیده را از
طریق شکافتن مسائلی که در ساختارهای سلسله مراتبی قرار دارند ،تسهیل می کند.
دخالت دادن تمام معیارهای مرتبط تصمیم گیری و مقایسه جفتی آنها به تصمیم گیرندگان اجازه می دهد که ارتباط بین اهداف را مشخص کنند. AHP به صورت صریح دانش و تخصص افراد در محیطهای خصوصی را از طریق استفاده از قضاوتهای ذهنی آنها، در مواقعی که پایه اطلاعاتی ضعیف است، به کار می گیرد.
هر چند، AHPاطلاعات اندازه گیری شده واقعی را ( مانند بازده) با یکدیگر ادغام کرده و این گونه اطلاعات را در دسترس قرار می دهد. کاربرد AHP بر پایه چهار اصل زیر است :
-1 تجزیه: یک مساله تصمیم گیری پیچیده به سلسله مراتبی تقسیم می شود که در هرسطح آن اجزا قابل مدیریت کمی وجود دارند و هر یک به نوبه خود تجزیه می شوند.
-2 اولویت بندی: شامل مقایسات جفتی اجزا مختلف است که در یک سطح با توجه به اقلام در سطح بالاتر قرار گرفته اند.
-3 ترکیب: اولویتها از طریق اصل ترکیب سلسله مراتبی برای ارزیابی کلی گزینه ها طبقه بندی می شوند.
-4 تجزیه و تحلیل حساسیت: ثبات خروجی با آزمون بهترین گزینه در برابر تغییرات از نوع "WHAT_IF" در اولویت معیارها تعیین می شود
BSC 4.2و AHP
با توجه به توانایی AHP در کمک به سازمانها یا شرکتها درانتخاب بین گزینه های مختلف چشم اندازی و ماموریتی، انتخاب بین استراتژی های مختلف، و تخصیص منابع برای استقرار استراتژی های سازمانی و اهداف ؛ به صورت موفقیت آمیزی در مطالعات مربوط به BSC شامل تحقیقات زیر بررسی شده است:
Fletcher and Liberatore and Miller ؛ Smith (2004), Leung, Lam, and Cao (2006), (2003), Stewart and Mohammed ، (199, Reisinger, Cravens,Tell (2001).
Leung, Lam, and Cao (2006) ازAHP و فرایند شبکه های تحلیلی ANP برای تسهیل استقرار BSC استفاده کردند Fletcher and Smith (2004) سیستم ارزش افزوده داخلی را با BSC به کمک متدولوژی AHP ارتباط داده اند تا سیستم جامع اندازه گیری برای ارزیابی عملکرد کلی سازمان طراحی کنند.
2003 Reisinger ، AHP را به عنوان مکانیزمی برای اولویت بندی مقیاس های سازمانی BSC استفاده کرده اند. Liberatore and Miller (199 شیوه ای با نام AHP ، برای ارتباط مقیاس های کلیدی عملکردBSC برای اهداف کلی شرکت طراحی کرد.
AHP 4.3و KBS
ادبیات در زمینه AHP شامل مطالعات مختلف با استفاده از DSS یا KBS و AHP است که شامل
Fletcher mith (2004), Leung, Lam, and Cao ،(2006),Siberatore and Miller (199, Reisinger, Cravens, and Tell Song and Lee (2002), .(2003), Stewart and Mohammed (2001). Sundarraj (2004. (
Sundarraj (2004) شرح داد که چگونه یک سیستم مبتنی بر وب می تواند مدیریت ، و پشتیبانی قراردادهای خدمات را به کمک شیوه AHP استاندارد کند. Phillips-Wren (2003) چارچوبی برای ارزیابی ، DSS هایی که مقیاس های مبتنی بر خروجی و فرایند را با یکدیگر ترکیب می کنندرا پیشنهاد کردند. Aguaron et al. (2003) بر ارزیابی تطابق قضاوتهای انسانی در سیستم های پشتیبان تصمیم گیری به کمک فرایند AHP تمرکز کردند. Forgionne et al. (2002) از فرایند تحلیل سلسله مراتبی برای ارزیابی 20 ژورنال پیشرو مرتبط با DSS ها استفاده کردند و رتبه بندی ژورنال DSS را برای کمک به ارزیابان در شناسایی ژورنالهای DMSS با کیفیت بالا استفاده کردند.علاوه بر این، Song and Lee (2002) استراتژی علت یابی پویایی پیشنهاد کردند که می تواند رفتار پویای تصمیم گیری را به کمک سیستم مبتنی بر دانش و طبق قوانین فازی ارائه کند. در نهایت Leung (199، یک سیستم پشتیبان تصمیم گیری کیفی/ کمی برای ارزیابی CIM ایجاد کردند که اهداف و ویژگی های عملیاتی شرکت را در نظر می گرفت. بنابراین از این موضوع که تکنولوژی انتخابی با تک تک نیازهای شرکت مورد انطباق است، اطمینان حاصل می کند.

5. معماری سیستم مبتنی بر دانش BSC

5.1 معماری BSCKBS

طبق تحقیقات گذشته، هدف اصلی این کار پر کردن شکاف در تحقیقات با ترکیب تکنیکهای BSC ، KBS و AHPبرای تولید شیوه توسعه یافته ای برای برنامه ریزی استراتژیک و تصمیم گیری است . KBS نرم افزار کامپیوتری است که داده های کسب وکار را تحلیل می کند و این داده ها را برای تسهیل تصمیم گیری کاربر ارائه می کند. اطلاعات معمولی که ممکن است توسط یک سیستم پشتیبان تصمیم گیری حمع آوری و ارائه شود، شامل: 1: مقیاس های غیر مالی، 2: داده ها و اطلاعات مقایسه ای مالی ، 3: توالی گزینه های مختلف تصمیم گیری در تجربیات گذشته با زمینه خاص. یک KBSاطلاعات را به صورت گرافیکی نمایش می دهد و می تواند شامل یک سیستم تخصصی یا هوش مصنوعی باشد. یک KBS می تواند بر مدیران اجرایی یا سایر گروههای کارگران دانشی تمرکز کند.
KBS طبقه خاص سیستمهای اطلاعاتی کامپیوتری هستند که تصمیم گیری سازمانی و تجاری را پشتیبانی می کنند.یک سیستم KBSبه خوبی طراحی شده ،سیستم فعال مبتنی بر نرم افزار است که برای کمک به تصمیم گیرندگان در پردازش اطلاعات مفید از داده های خام، اسناد، دانش فردی یا مدلهای کسب وکار برای حل مساله و تصمیم گیری استفاده می کند.متعاقبا این مطالعه یک KBS نمونه ای را به کار می گیرد تا مدیریت سیستم پایگاه داده ها ،مبتنی بر مدل، کسب دانش، سیستمهای فرعی محاوره ای را برای ایجاد یک سیستم مبتنی بر دانش برای برنامه ریزی استراتژیک به یکدیگر متصل می کند .(BSCKBS) .
BSCKBS شامل چهار جز اصلی است: همانگونه که در شکل 1 نیز نشان داده شده است،: سیستم فرعی مدیریت پایگاه داده ها، سیستم فرعی مبتنی بر مدل، سیستم فرعی کسب دانش، سیستم فرعی محاوره. سیستم فرعی مدیریت پایگاه داده ها شامل یک پایگاه رابطه ای است که توسط یک برنامه نرم افزاری مدیریت می شود و به نام سیستم مدیریت پایگاه داده ها شناخته می شود. و بازیابی سریع داده ها، به روز رسانی و ایجاد ارتباط بین داده ها را سریعتر می کند. پایگاه داده های BSCKBS شامل داده های فعلی و تاریخی، اطلاعات مالی و غیر مالی، پرسشنامه تخصصی از کاربردهای مختلف یا واحدهای مختلف است. سیستم فرعی مبتنی بر مدل شامل مدل AHP است که سیستم را قادر به تعیین اوزان خاص استراتژی می کند.زبانهای مدلسازی برای ساختن مدلهای کافی به عنوان سیستم مدیری مبتنی بر مدل شناخته می شوند.این تحقیق بر استفاده از مدل AHP برای ارزیابی اوزان تصمیم گیری استفاده می شود. در عین حال، سیستم فرعی کسب دانش هر یک از سیستمهای فرعی را پشتیبانی می کند و میت واند به صورت جداکانه نیز عمل کند.
سیستم فرعی کسب دانش گزینه های مختلف یا فعالیتهای مختلف را برای تصمیم گیرندگان ارائه می کند.علاوه بر این سیستم فرعی کسب دانش می تواند با سیستم مبتنی بر دانش شرکت مرتبط شود.در نهایت، سیستم فرعی محاوره از محیط بسیار مناسب برای ارتباط و دستورگیری KBS از طریق این سیتمهای فرعی عمل می کند. بخش بعد هر یک از اجزا سیستم BSC مبتین بر دانش را به صورت مشروح بررسی
می کند و عملیات کاربردی را نشان می دهد.

1 -ساختار سیستم BSC مبتنی بر دانش شکل .(BSCKBS)

5.2 پایگاه داده ها

یک پایگاه داده، ساختار کامپیوتری مشترک است که منسجم، و مشترک است و مجموعه ای از داده های کاربر نهایی را که شامل حقایق خام مورد علاقه کاربر است ، در خود جمع آوری کرده است.که به ان داده درباره داده می گویند.یک سیستم مدیریت پایگاه داده ها(DBMS) نیازمند مدیریت داده ها،پاسخ به ، درخواستهای موقت، بهبود دسترسی ،و کاهش عدم تطابق داده ها است. DBMS مجموعه ای از برنامه هایی است که ساختار پایگاه داده ها را مدیریت می کند و دسترسی به داده های مشمول آنرا تسهیل می کند. DBMS مورد استفاده در اینجا از نرم افزار ACCESSبرای ایجاد پایگاه داده ها استفاده می کند و از ODBC برای ارتباط داده ها در پایگاه داده ها استفاده می کند. پایگاه داده مورد نظر در این تحقیق از پرسشنامه های تخصصی تشکیل می شود .پرسشنامه تخصصی به صورت الکترونیکی از تمام شرکت کنندگان جمع آوری می شود.داده ها همانگونه که در شکل 2 نشان داده شده است، جمع آوری می شود. ابتدا سیستم لیست شرکت کنندگان را شناسایی می کند. سپس متغیرهای وابسته از دید BSC کسب می شوند که شامل رشد و یادگیری، فرایند داخلی، دیدگاه مشتری و مالی است. پایگاه داده شامل اطلاعات زمان بندی شده مرتبط در سیستم مبتنی بر دانشKBS)BSC ،(BSC شامل ماتریس مقایسات زوجی است.ماتریس مقایسات زوجی برای تعیین ، اهمیت نسبی بین اجزا مختلف ایجاد می شود.یک مقیاس اسمی با ارزش ها از 1 تا 9
برای اندازه گیری اوزان مختلف استفاده می شود( جدول 1 ).سیستم ارزش مقایسه جفتی معیارها و استراتژی ها را به کمک سیستم BSC مبتنی بر دانش مبتنی بر وب در پایگاه داده ها وارد می کند .
شکل 2 : جمع آوری داده ها

5.3 پایه مدل

مدلهای ریاضی برای استفاده در مسائل تصمیمی گیری با ساختار مناسب بسیار خوب هستند که منجر به راه حل های بهینه می شود. در حالیکه سیستم های مبتنی بر قانون دانشی، برای بحث درباره مسائل بدون ساختار و نیمه ساختار یافته مناسب تر هستند.الگوریتم های ذهنی برای کسب جوابهای موجه استفاده می شوند. این مطالعه از یک مبنای مدلی بر سیستم پشتیبان تصمیم گیری برای توسعه مدل AHP برای برنامه ریزی و مدیریت استراتژیک BSC استفاده می کند. یک نمایش سلسله مراتبی از یک سیستم است. برای تلخیص توابع AHP روش به ، صورت خلاصه آورده می شود:
مرحله 1- مساله تصمیم: وزن دهی به معیار انتخاب
مرحله 2- چارچوب انتخاب پرسنل
مرحله 3- استقرار سلسله مراتب تصمیم. این مرحله مسائل تصمیم گیری راا در ک
سلسله مراتب طبقه بندی می کند. همانگونه که در شکل 3 نمایش داده شده است.
BSCKBS از یک سلسله مراتب سه سطحی برای ارتباط استراتژی BSC با اهداف سازمانی استفاده می کند.با توجه به رتبه بندی در رده اهمیت ، این سه سطح عبارتند از: 1- اهداف سازمانی، 2- چهار جزء BSCو 3- استراتژی های سازمانی.
مرحله 4: جمع آوری داده هااز پنل انتخابی
مرحله 5: استفاده از مقایسات زوجی. این مرحله شامل مقایسه گزینه های مختلف و معیارهاست. مقایسات زوجی برای هر جزء از سطح بالاتر بعدی انجام می شود. این مقایسه به کمک مقیاس استفاده شدهدر جدول 1 انجام می شود. این مقیاس مقایسات رابه صورت کلمه ای، و این مقایسات کلمه ای، به صورت عددی بیان می شوند.
BSC مجموعه ای از مقایسات زوجی را در قالب ماتریس مربع ارائه می کند مانند ماتریس A که ارزش نسبی با توجه به فاکتور ، با توجه به فاکتورJ ام i است و .
شکل: 3 ساختار اولیه سلسله مراتب BSC
مرحله 6: تخمین اوزان نسبی برای هر سطح سلسله مراتبی
مرحله 7: محاسبه درجه تطابق (CI) و نسبت انطباق(CR) برای بررسی اعتبار نتایج Saaty فرایند ساده ای را برای بررسی انطباق پیشنهاد کرده است.سپس از فرایند AHPبرای تعیین درجه انطباق برای ماتریس استفاده می شود. اگر ارزش CR بیش از 0.1 که حد بالای قابل قبول CRاست، باشد، آنگاه احتمال 10 % را نشان می دهد که اجزا به صورت مناسب با یکدیگر مقایسه نشده اند.
اگر ماتریس مقایسات زوجی، منطبق باشد، حداکثر مقدار مشخصه λ باید برابر با تعداد ردیف های آن باشد.(n) تفاوت بین این دو عدد برای ارزیابی انطباق استفاده می شود. درمرجع ردیفها، محاسبات نسبت انطباق برای قضاوت درباره درجه انطباق استفاده می شود. اگر شاخص انطباق(CI)< 0.1باشد، سطح انطباق رضایت بخش است. ارزیابی در صورت شناسایی هر گونه عدم انطباق قابل اجراست. نسبت انطباق(CR)برای تعیین انطباق منطقی محاسبه می شود. نسبت انطباق به این ترتیب محاسبه می شود:
نسبت انطباق=(CR) CI/RI
که = CI شاخص انطباق = (1- n) (n-&lambda و λ متوسط مقیاس انطباق برای تمام گزینه ها ست. N برابر تعداد گزینه ها، و RI شاخص تصادفی مناسب است.
مرحله 8: محاسبه اوزان نسبی رتبه بندی با درجه قابل قبول انطباق برای انتخاب معیار.

5.4 علت یابی بر مبنای قاعده

ارائه دانش، در عیت یابی دانشی مهم است. ارائه مناسب دانش، بر عملکرد سیستم اطلاعاتی اثرگذار است. علت یابی بر مبنای قاعده نیازمند دامنه با ساختار مناسب و مبنای دانشی است. سیستمهای مبتنی بر قاعده،(RBS) ، از طرح نمایشی فرایندی بر مبنای قاعده اگر، آنگاه ،برای تشریح دانش دامنه استفاده می کنند (delaOssa)
Flores, Ga´mez, Mateo, & Puerta, 2007; Lau, Choy, Lau,Tsui, &
Choy, 2004; Sedbrook, 2001; Wang, 2005; Wanget al., 2007
قواعد به صورت " اگر" (شرط) ، آنگاه ( عمل) است. هر چند سیستمهای مبتنی بر قاعده ،(RBS) ، همواره شامل قوانین با نوع " اگر مقدم، آنگاه تالی" هستند اما انها در تئوری در نظر گرفته شده ( از لحاظ قاعده ای و معنی) با یکدیگر متفاوت هستند.(مانند منطق چند معیاره تصمیم گیری) در این تحقیق BSCKBS بر منطق چندمعیاره تصمیم گیری تمرکز دارد ، یعنی AHP مبتی بر قانون با کاربرد دو نوع متفاوت سیستم های مبتنی بر قانون: قانون انطباق و قانون وزن.
جدول2 : انواع مختلف قوانین تصمیم گیری
برای شفاف سازی فرایند زنجیره ای، جدول 2 مثالهای مختلفی از قوانین مختلف که در BSC مبتنی بر دانش (BSCKBS) برای برنامه ریزی استراتژیک ،استفاده می شود را نشان می دهد.

5.5 فرایند استقرار برنامه ریزی استراتژی سازمانی

برنامه ریزی استراتژیک برای اجرای استراتژی مهم است. این تحقیق شیوه منسجمی برای کارت امتیازی متوازن و سیستم مبتنی بر دانش با استفاده از AHP ارائه می کند و سپس یک سیستم ذهنی BSCKBS برای برنامه ریزی استراتژیک ایجاد می کند که استراتژی های مدیریتی و عملیاتی شرکت را به کمک دیدگاههای BSC تعیین یا انتخاب می کند. BSCKBS ذهنی می تواند به سرعت برنامه ریزی استراتژیک را مستقر کند.
برای استقرار BSCKBS مرحله اول، شامل مصاحبه تیمی برای تایید دیدگاههای ، عملکردی و مدیریت استراتژی به کمک تکنیک دلفی است. که هم رایی بر پایه نظارت تیم ایجاد می شود.متعاقبا، بر پایه نظارت و قضاوتهای تیم به منظور کسب وزنهای استراتژی اجرا می شود.
شکل 4: فرایند تعریف استراتژی های سازمانی
فرایند سیستمی در شکل 4 نشان داده شده است:
مرحله 1: ترجمه چشم انداز:
رهبران مدیریت ، اعضای تیم پروژه را در حوزه های کلیدی برای نظارت و شناسایی پویایی های محیط کمک می کنند و چشم اندازی برای تیم پروژه و کسب وکار ارائه می کنند.
اعضای تیم باید چشم انداز وماموریت سازمان را برپایه نظر رهبر یا تحلیل استراتژی تعیین و آن چشم انداز را در سازمان مستقر کنند،
مرحله 2: انتقال وبرقراری ارتباط
سیستم مبتنی بر وب BSCKBS چارچوب مباحثه ای را با فضای مجازی ارائه می کند. اعضای تیم پروژه، از BSCKBSبرای انتقال استراتژی استفاده می کنند.
مرحله 3: برنامه رریزی کسب وکار و استراتژی
تیم ایده های استراتژیک بسیار خلاقانه و موثر را ایجاد می کند که به تغییرات در برابر کسب وکار پاسخگو باشد. اعضای تیم یرای تنظیم استراتژی های شفاف کسب وکار بر پایه تحلیل کلی تلاش میکنند.
مرحله 4: تعریف استراتژی سازمانی
پس از تعریف و شفاف سازی چشم انداز و ماموریت سازمان، اعضای تیم تلاش می کنند استراتژی های سازمانی را به کمک BSCKBSطراحی کنند. تیمها، استراتژی ها را بر مبنای مزیای رقابتی ماندگار ایجاد می کنند.
نتیجه گیری و تحقیقات آتی
6.1 نتیجه گیری
این کار بر این سوال که مدیریت چگونه می تواند اهداف و مقیاس ها را با کمک سلسله مراتب کارت امتیازی متوازن انتخاب کنند، می پردازد.این تحقیق KBSرا برای بررسی این سوال به کار می برد ، به عبارتی سیستم BSCKBS. متعاقبا این تحقیق طراحی یک سیستم BSCKBS را برای برنامه ریزی و مدیریت استراتژیک شرح می دهد.بخش بالقوه این تحقیق، به این ترتیب است: اول، این تحقیق ابزار منطقی و و قابل اطمینان برای تک تک واحدهای کسب وکار و برای تشریح و استقرار برنامه ریزی استراتژیک ارائه می کند. این تحقیق از شیوه غیرپارامتریک AHP برای تحلیل استراتژی های سازمانی و اوزان نسبی آنها استفاده می کند.بنا براین ،این تحقیق استفاده از فرایند تحلیل سلسله مراتبی برای اولویت دهی تمام مقیاس ها و استراتژی ها در یک سیستم BSC مبتنی بر دانش را پیشنهاد می کند.دوم، این سیستم می تواند در تعیین اوزان استراتژی های خاص کمک کند. BSCKBSهوشمند می تواند مشتریان را کمک کند تا برنامه های استراتژی را به منظور کسب نتایج بهتر کسب وکاربه صورت اثربخش اجرا کند. بنابراین، سیستم BSCKBS
هوشمند، برای شروع و کسب وکارهای بالغ و واحدهای استراتژیک کسب وکار مفید است.
6.2 کاربرد و تحقیقات آتی
این تحقیق نتایج تئوریکی ، تحقیقی و عملی را نتیجه گیری می کند. این تحقیق کاربردهای عملی زیادی دارد. BSC ابزار مفیدی برای تعیین اهداف و مقیاس های مناسب برای تسهیل دستیابی به اهداف ارائه می کند. مدیریت برای یادگیری نحوه اجرای BSCKBS برای دستیابی به مزایای رقابتی سازمانی و برنامه ریزی استراتژیک اثربخش تلاش میکند.این تحقیق نتیجه می گیرد که مدیران شرکت یا سازمان، از این تحلیل ها برای شناسایی و مدیریت شاخص های استراتژیک و ارتباط زمانی که BSCKBSرا انطباق می دهد، استفاده می کند. تحقیقات آتی می تواند در توسعه BSCKBS کمک کند، که نه تنها شامل مفهوم معماری BSCKBS شوند، بلکه استفاده کاربردی انرا نیز نشان دهند.
اول BSCKBS ، مبتنی بر شبکه وب است ،و از ویندوز برای دسترسی به اینترنت استفاده می کند.این سیستم با استفاده از HTML و ASPطراحی شده است.و به کمک پایگاه داده ACCESSمدیریت می شود. دوم، اخیرا سیستمهای علت یابی مبتنی بر قاعده (RBR) ،مبتنی بر مورد ،(CBR) و مبتنی بر مدل (MBR) به عنوان متدولوژی های مهم و تکمیلی برای کاربرد در سیستمهای هوشمند ، ظهور کردند .برای حل مسائل پیچیده، ادغام RBR,CBR,MBR، در تصمیم گیری مهم است.در آینده BSCKBS باید RBR,CBR,MBR را به منظور برنامه ریزی استراتژیک و اجرای استراتژی ادغام کرد.
در نهایت، پیشنهاد می شود که شیوه بررسی ده ر این تحقیق، در سایر صنایع و شرکتهانیز اجرا شود.مطالعات آتی باید بر اعتبار BSCKBS پیشنهاد شده و اهداف استراتژیک مرتبط و مقیاس های عملکردی ، استقرار BSCKBSبرای سایر شرکتها و سازمانها تمرکز کند، تا اثربخشی آنرا برای برنامه ریزی استراتژیک آزمون کند.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
چارچوب توسعه‌یافته DSS
ارسال شده توسط احمد محمدی | 28 12, 2013 | بازدید‌ها (630)
چارچوب توسعه‌یافته DSS
سیستم‌های پشتیبان تصمیم را می‌توان به عنوان دسته‌ای کلی از سیستم‌های اطلاعات مورد استفاده در زمینه اگاهی‌دادن و پشتیبانی از تصمیم‌گیران تعریف
کرد. DSSتلاش می‌کند تا فرایندهای بین افراد تصمیم‌گیرنده یا مرتبط با تصمیم‌گیران را بهبود و سرعت بخشد. برای مدیران و طراحان DSSضروری
است که از دسته‌بندی سیستم‌های پشتیبان تصمیم اگاهی داشته باشند. سپس می‌توانند ارتباطات را برای استقرار سیستم‌هایی برای اگاهی‌دادن و پشتیبانی
از تصمیم‌ها بهبود بخشند.
حجم زیادی از چارچوب‌‌ها برای دسته‌‌بندی سیستم‌های پشتیبان تصمیم وجود‌‌دارد. سیستم‌های پشتیبان تصمیمدر مواردی گوناگون به کار می‌روند. تاکید این سیستم‌ها بر داده، مدل و ارتباطات است. همچنین انها در حوزه عمل با هم فرق دارند. بعضی برای کاربران اولیه طراحی می‌شوند و در تجزیه و تحلیل خود‌اتکا هستند و بعضی دیگر برای کاربران زیادی در سازمان اختصاص می‌یابند.
چارچوب مورد بحث بر یک بعد اصلی با پنج نوع DSSو سه بعد جانبی تمرکز می‌کند که در ادامه انها را بررسی می‌کنیم.
DSSداده‌محور
اولین نوع سیستم‌های پشتیبان تصمیم کلی، داده‌گرا هستند. این سیستم‌ها، شامل سیستم‌های دریافت فایل و گزارش‌دهی مدیریت، انبارداری و تجزیه و تحلیل
داده‌ها، اطلاعات مدیران اجرایی و سیستم فاصله‌ای هستند. DSSداده‌‌محور،
بر امکان دسترسی و تغییر در پایگاه داده‌های بزرگ ساختار یافته، تاکید کرده و به ویژه در سری‌های زمانی از داده‌های داخل شرکت و گاهی نیز از داده‌های خارجی استفاده می‌کند. سیستم‌های انبار داده اجازه تغییر داده‌ها را با ابزار کامپیوتری می‌دهند، یا به منظور انجام وظیفه‌ای خاص، ایجاد و مستقر می‌شوند و یا همراه با ابزار کلی و عوامل دیگر، کارایی بیشتری را فراهم می‌اورند.
DSSمدل‌محور
DSSمدل‌محور شامل سیستم‌هایی می‌شود که از مدل‌های مالی و حسابداری، مدل‌های توصیفی و مدل‌های بهینه‌سازی استفاده می‌کنند. DSSمدل‌محور،
بر دستیابی به مدل و ایجاد تغییر در ان تاکید دارد. ابزار ساده اماری و تحلیلی، سطوح ابتدایی عملکرد را امکان‌پذیر می‌کنند. DSSمدل‌محور
از داده‌ها و عواملی که توسط تصمیم‌گیران فراهم شده‌اند، استفاده می‌کند تا در تجزیه و تحلیل وضعیت به انها کمک کند، اما گاهی داده‌ها متمرکز نیستند. پایگاه‌های داده خیلی بزرگ، معمولا به DSSمدل‌محور نیازی ندارند.
DSSدانش‌محور
DSSدانش‌محور می‌تواند انجام کارهایی را به مدیران پیشنهاد کند. این DSS‌ها،
سیستم‌های فردی کامپیوتری هستند که در حل مسائلی خاص خبره‌اند. واژه خبره به معنی داشتن دانش در یک حوزه، توانایی فهم مسئله در ان حوزه و دانش مهارت
برای حل چنین مسائلی استفاده می‌شود. مفهوم داده‌کاوی، به این مورد مرتبط است. این ارتباط به کاربردهای تحلیلی باز می‌گردد که الگوهای پنهان را در پایگاه داده جست‌وجو می‌کند. ابزار که برای ایجاد DSSدانش‌محور به کار گرفته می‌شوند، گاهی «روش‌های پشتیبانی تصمیم هوشمند» نیز نامیده می‌شوند.
DSSسند‌محور
به تازگی نوع جدیدی از DSS، تحت عنوان DSSسند‌محور یا سیستم دانش مدیریت به وجود امده‌است تا به مدیران در بازیابی و مدیریت اسناد و صفحات وب ‌ساختار نیافته، کمک کند. یک DSSسند‌محور،
انواع مختلفی از فناوری‌های انبارداری و پردازشی را یکپارچه می‌کند تا سندی کامل، بازیابی‌شده و تجزیه و تحلیل‌شده را تهیه کند. وب امکان دسترسی به حجم عظیمی از پایگاه‌‌های داده (پایگاه‌های داده ترکیبی اسناد متنی، تصاویر، صوت‌ها و فیلم) را فراهم می‌کند. رویه‌ها و سیاست‌‌ها، کاتالوگ‌های
خصوصیات تولید، اسناد تاریخی شرکت، مثال‌هایی از اسنادی هستند که به وسیله
DSSسند‌محور در دسترس قرار می‌گیرند و شامل دقایقی از جلسات، یادداشت‌های شرکت و توافقات مهم نیز می‌شوند. یک موتور جست‌وجو، ابزار کمکی قدرتمندی برای تصمیم‌گیری بوده و با
DSSسند‌محور در ارتباط است.
DSS‌گروهی و ارتباطات محور
سیستم‌های پشتیبان تصمیم گروه[1] (GDSS) از مدت‌ها پیش مطرح‌شده‌اند، اما در حال حاضر دسته وسیع‌تر DSSارتباطات محور یا گروه افزار را می‌توان تعریف کرد.
DSSگروهی، نوعی سیستم پشتیبان تصمیم ترکیبی است که بر استفاده از ارتباطات و مدل‌های تصمیم‌گیری تاکید دارد. سیستم پشتیبان تصمیم گروه یک سیستم فعل و انفعالی مبتنی بر رایانه است که تلاش می‌کند حل مسائل تصمیم‌گیرانی که با هم و به عنوان گروه
کار می‌کنند، تسهیل‌ شود. گروه‌افزار از ارتباطات الکترونیکی، زمان‌بندی، اشتراک اسناد و دیگر فعالیت‌هایی که مربوط به بهره‌‌وری گروه و پشتیبانی تصمیم می‌شود، حمایت می‌کند. تعداد زیادی از توانمندی‌ها و فناوری‌ها مانند
DSS‌گروهی، پست الکترونیکی، تابلوهای تبلیغاتی و ویدئو کنفرانس، در این دسته از چارچوب‌ وجود دارند.
DSSدرون سازمانی و برون ‌سازمانی
هدف‌های نسبتا جدید برای کاربران DSSکه به دلیل استفاده از فناوری‌های جدید و رشد سریع اینترنت قابل دسترس شده‌است، مشتریان و عرضه‌کنندگان هستند. این نوع DSSرا که برای کاربران خارج از سازمان هدف‌گذاری شده‌است DSSدرون سازمانی می‌نامیم. اینترنت، لینک‌های ارتباطاتی لازم برای انواع زیادی از سیستم‌‌های درون‌سازمانی را ایجاد کرده‌است که شامل DSSنیز می‌شود. DSSدرون‌سازمانی، امکان دسترسی به شبکه داخلی سازمان را فراهم می‌کند و مزایا و اختیارات استفاده از امکانات یک DSSخاص را فراهم می‌سازد. شرکت‌ها می‌توانند یک DSSداده‌محور را برای دسترسی عرضه‌کننده‌ها یا یک DSSمدل‌محور را برای دسترسی مشتریان برای طراحی یا انتخاب یک محصول ایجاد کنند. بیشتر DSSها برون سازمانی هستند که در یک سازمان برای استفاده‌های فردی به عنوان DSSهای مستقل یا برای استفاده گروهی از مدیران در شرکت به عنوان DSSگروهی یا برای کاربرد گسترده تجاری طراحی شده‌اند. پیشوند برون به این معنی است که DSSدر یک سازمان خاص استفاده می‌شود و پیشوند درون به معنی ان است که DSSبه طور گسترده‌ای مورد استفاده قرار می‌گیرد.
DSSبا عملکرد ویژه یا هدف عمومی
بسیاری از DSSها برای پشتیبانی از عملکردهای خاص تجاری و یا استفاده در انواع کسب‌و‌کارها و صنایع طراحی شده‌اند. این سیستم‌های پشتیبان تصمیم را DSSدارای عملکرد ویژه یا DSSصنعت خاص می‌نامند. یک DSSعملکرد ویژه مانند یک سیستم بودجه‌بندی ممکن است از یک فروشنده خریداری یا به منظور استفاده در اهداف کلی سفارش‌شده‌باشد. فروشنده DSSرا برای حوزه‌های عملکردی کسب‌و‌کار مانند بازاریابی و مالی توسعه می‌دهد. بعضی DSSها برای این طراحی شده‌اند که وظیفه تصمیم‌گیری در صنایع خاص مانند برنامه‌ریزی خدمه در یک خط هوایی را برعهده گیرند. یک DSSدارای وظیفه خاص، نقش بسیار مهمی در حل مسائل روزمره یا در تصمیم‌گیری‌های تکراری برعهده دارد.
DSSدارای عملکرد یا وظیفه خاص، می‌تواند برحسب اجزای DSSغالب دسته‌بندی و درک ‌شود که به عنوان یک DSSمدل‌محور، داده‌محور یا DSSپیشنهادی
مطرح می‌شود. این سیستم دانش مربوط به یک تصمیم را در مورد وظایفی که سازمان انجام می‌دهد، نگهداری و هدایت می‌کند (مثلا وظیفه تولید یا بازاریابی) این نوع از DSSها براساس هدف دسته‌بندی می‌شود. DSSعملکرد خاص به گروه یا شخص کمک می‌کند که یک وظیفه تصمیم‌گیری خاص را انجام ‌دهد. نرم‌افزار DSSدارای
هدف کلی از وظایفی مانند مدیریت پروژه، انالیز تصمیم یا برنامه‌ریزی کسب‌و‌کار حمایت می‌کند. بیشتر سیستم‌های پشتیبان تصمیم با هدف کلی، گاهی به عنوان DSSمولد نیز شناخته می‌شوند. زیرا می‌توانند برای توسعه یا ایجاد بیشتر DSSهای خاص، مورد استفاده قرار گیرند. DSSهای
مولد به نحوی طراحی شده‌اند که در خصوص ایجاد یا تولید کاربردهای سریع نیز
مورد استفاده قرار گیرند، انها نه کاربردهای کاملی هستند مانند DSSهای
سازمانی و نه زبان خاصی دارند، اما دربرگیرنده ترکیبی از زبان‌ها، قابلیت‌های گزارش‌دهی، تسهیلات گرافیکی و امکاناتی نظیر انها بوده و می‌توانند انها را در اختیار کاربران قرار دهند، تا هر زمان که مورد نیاز باشد، بتوانند یک DSSجدید ایجاد کنند.
DSSمبتنی بر وب
زمینه فعالیت این فناوری ممکن است در محدوده رایانه مرکزی، شبکه محلی و یا ساختاری بر مبنای وب باشد. همه موارد کلی DSSکه بحث شد، می‌توانند با استفاده از فناوری‌های وب گسترش یابند. این سیستم‌ها را DSSهای وب‌ محور می‌نامند. یک DSSوب
محور سیستمی رایانه‌ای شده‌است که اطلاعات پشتیبان تصمیم را نشان می‌دهد یا ابزار پشتیبان سیستم را برای مدیران فراهم می‌کند. تحلیلگران کسب‌و‌کار از مرورگرهای مختلفی استفاده می‌کنند. رایانه سرور که میزبان برنامه‌های DSSاست، به رایانه کاربران وصل می‌شود. در بسیاری از شرکت‌ها، DSSوب‌ محور با DSSشبکه داخلی یا DSSتجاری
گسترده، مترادف است. شبکه داخلی شرکت، مدیران زیادی را که از جست‌وجوگرها در محیط شبکه استفاده می‌کنند، پشتیبانی می‌کند. مدیران، به طور فزاینده‌ای
در حال دسترسی به پایگاه‌های داده و ابزار تجزیه و تحلیل هستند. همچنین فناوری‌های وب، ابزار اولیه‌ای هستند که برای ایجاد DSSهای
درون سازمانی مورد استفاده قرار می‌گیرند که از تصمیم‌گیری مشتریان و عرضه‌کنندگان پشتیبانی می‌کنند. فناوری‌های اینترنت یا وب، خطوطی راهنما برای ایجاد DSS هستند، اما بعضی DSSهای برون سازمانی با استفاده از زبان‌های برنامه‌نویسی ابتدایی ایجاد می‌شوند، مانند فناوری‌ تواناسازی رایانه‌های مرکزی.

از سیر تا پیاز DSS

انواع سیستم های اطلاعاتی :
سیستمهای پردازش تراکنش TPS چیست؟
سیستم های اطلاعات مدیریت MIS چیست؟
سیستم های پشتیبان تصمیم گیری DSS چیست؟
سیستم های پشتیبان مدیران ارشد ESS چیست؟
سیستم پشتیبان تصمیم گیری (DSS) چیست؟
تعریف سیستم پشتیبانی از تصمیم (Dss: Decision support system) مجموعه
ای از برنامه ها و داده های مرتبط بهم که برای کمک به تحلیل و تصمیم گیری طراحی می شوند.کمک این گونه سیستم ها در تصمیم گیری بیش از سیستم های مدیریت اطلاعات (MIS) یا سیستم های اطلاعات اجرایی(EIS) است.
اجزای DSS :
این سیستم ها دارای یک بانک اطلاعاتی متشکل از دانش موجود درباره ی موضوع و یک زبان که برای فرموله کردن مسائل و پرسش بکار میرود و یک برنامه مدلسازی برای ازمایش تصمیمات ممکن هستند. هر سیستم پشتیبان تصمیم گیری دستیابی به سه هدف اصلی را دنبال می کند:
1) کمک به مدیر برای تصمیم گیری در مورد مسائل نیمه ساخت یافته
2) پشتیبانی تصمیم گیری انجام شده توسط مدیر و نه جایگزینی ان
3) بهبود کارائی تصمیم گیری و توجه بیشتر به اثر بخشی ان

اجزای DSS

1- بانک مدلها
2- بانک اطلاعاتی
a. داده های خارجی
b. داده های داخلی
3- سیستم مدیریت بانک اطلاعاتی
4- سیستم مدیریت مدلها
5- نرم افزار مدیریت

فرآیند DSS

الف)یکی از مهم ترین سیستمهای اطلاعاتی است که مدیران رده بالای هر سطح سازمان را درامرتصمیم گیری وهدایت سیستم، یاری می کند. DSS پشتیبان، تصمیم گیری های مدیر است و تصمیم گیری نهایی با مدیر است.
ب) Data Analysis
Data Mining
Intelligent Agent
نرم افزار های گروه گرا(GroupWare) :
نرم افزاری که به گروهی از کاربران یک شبکه امکان میدهد تا در رابطه با یک پروژه ی خاص با یکدیگر همکاری کنند. این گونه نرم افزار ها ممکن است خدماتی
برای بر قراری ارتباط (مثلا پست الکترونیکی) و تئلید جمعی سند ها و زمان بندی و پیگیری فراهم کنند.سندها ممکن است حاوی متن و تصاویر یا دیگر اشکال اطلاعاتی باشند.
نرم افزار گروه گرا :که امکان فعالیت چندین حل کننده ی مسئله را در کنار هم برای هر راه حل فراهم می کند که در این مورد به عنوان سیستم پشتیبان تصمیم گیری گروهی بکار می رود.
این سیستم پشتیبان تصمیم گیری از بخش های زیر تشکیل شده است:
-مدیریت تقاضا و مدیریت ارشد
-برنامه ریزی احتیاجات مواد(MRP)
-کنترل فعالیت های تولید/ زمانبندی تامین کنندگان
-بانک اطلاعات
-زمانبندی خط مونتاژ
-هماهنگ کننده کارخانه
-رابط کاربر
هدف
اصلی ایجاد یک سیستم پشتیبان تصمیم گیری برای کمک به زمانبندی تولید خط مونتاژ نهایی است به نحوی که تصمیم گیرنده بتواند امر هماهنگی تمامی اجزای کارخانه را طوری انجام بدهد که:
1) از موجودی انبارها بتواند یک برنامه تولیدی استخراج نماید
2) از موجودی های در جریان ساخت و انبار محصول نیمه ساخته بهترین استفاده را بنماید
3) فیدبک های لازم را در جهت تعیین بهترین برنامه خطوط مونتاژ ارائه دهد
4 ) پیشنهادات سفارشات جدید رد یا قبول نماید
5) در مقابل حوادث برهم زننده برنامه ریزی تولید واکنش نشان دهد
FCDSS طراحی شده شامل دو بخش زیر می باشد
۱.
زمانبندی و ارسال کننده سطح کارخانه : توسعه خطوط راهنمای زمانبندی در سطح
کارخانه و بکارگیری آن برای تهیه برنامه زمانبندی زمان واقعی برای کارگاه ها و خطوط مونتاژ
۲ . نظارت کننده سطح کارخانه: نظارت بر پیشرفت جریان تولید
الگوریتم فرآیند پشتیبانی تصمیم گیری
گام
۱ ( با انتخاب یک محصول به عنوان محصول مورد نظر برای تولید، DSS ابتدا با
بررسی فایل وضعیت اطلاعات مقایسه ای میان میزان دردسترس بودن مواد موجود در کارخانه با مواد مورد نیاز تولید آن محصول بر اساس لیست مواد(BOM) آن صورت می دهد و فایل میزان دردسترس بودن را استخراج و عمل تفکیک بین قطعات دردسترس و غیر دردسترس (مورد نیاز به ساخت) را صورت خواهد داد. این میزان، شاخصی برای امکان تولید آن محصول بر اساس وضعیت موجود کارخانه است.
پنج مورد از خصوصیات سیستمهای DSS
1-یک سیستم پشتیبان تصمیم ، با کنار هم قرار دادن افکار انسانی و اطلاعات رایانه‎ای، از تصمیم‎گیرندگان حمایت و پشتیبانی می‎کند.
2- این سیستمها برای پشتیبانی سطوح گوناگون مدیریت، از مدیران ارشد تا عملیاتی ارائه می شود.
3-انعطاف پذیر است.
4- قدرت ریسک را بالا می برد.
5- سبب بهبود بخشیدن دقت، کیفیت، بروز بودن تصمیمات در تصمیم گیری می شود
DSS اولین بار در سالهای 1970 توسط آقای Lester مطرح شد.
از
بدو ظهور ایده تصمیم گیری به کمک کامپیوتر در انستیتو تکنولوژی کارنگی "CARNEGIE" تا به امروز، تعاریف متعددی برای DSS پیشنهاد شده است . این تعددتعابیر تاحدودی به سیر تکاملی این رویکرد بازمی گردد. تعاریف اولیه بیشتر بر قابلیت DSS درحل مسائل نیمه ساختاریافته تمرکز داشته اند و تعاریف
بعدی اجزای اصلی سیستم و فرایند طراحی آن را موردتوجه قرار داده اند. دلیل
دیگر این اختلاف ، در زوایای نگرش متفاوت به موضوع نهفته است .
مفهوم سیستم تصمیم یار
همانگونه
که گفته شد سیستم های اطلاعات مدیریت اشکالاتی دارد که سیستم های پشتیبانی
تصمیم برای رفع آنها بوجود آمده است. سیستم اطلاعات مدیریت به منظورتدارک پشتیبانی شخصی برای هر مدیرنمی باشد. این ضعف سیستم اطلاعات مدیریت، اقداماتی را باعث شد که منتهی به مفهوم سیستم پشتیبانی تصمیم گشت.
مفهوم
سیستم پشتیبانی تصمیم ،شکستهای اولیه سیستم اطلاعات مدیریت راتجربه نکرد. به احتمال قوی دلیل اصلی آن، دامنه محدودترسیستم پشتیبانی تصمیم است. برخورد ملایم تر سیستم پشتیبانی تصمیم، شانس موفقیت خود را حداکثر می کند.
این
سیستمها،منابع انسانی (اگاهیهای فردی ) را با قابلیتهای کامپیوتری ترکیب میکنند تا باعث ارتقاء کیفیت تصمیم گیریها مخصوصا در مورد مسائل نیمه ساخت یافته شوند.
سیستم‌های پشتیبانی تصمیم، سیستم‌هایی هستند که منابع فکری
افراد را با قابلیت‌های کامپیوتر، جهت بهبود کیفیت تصمیمات به کار می‌گیرند. این سیستم‌ها، معمولاً برای حل مسائل نیمه ساخت یافته به کار می‌روند.
سیستم‌های پشتیبانی تصمیم، سیستمهای تعاملی مبتنی بر کامپیوتر می ‌باشند که تصمیم‌گیران را یاری می‌کنند تا با به‌کارگیری داده‌ها و مدل‌ها، مسائل نیمه‌ساخت‌یافته را حل نمایند.
به طور خلاصه می توان سیستمهای حمایت ازتصمیم(DSS)را به این گونه ها تعریف کرد :
این
سیستمها،منابع انسانی (اگاهیهای فردی) را با قابلیتهای کامپیوتری ترکیب میکنند تا باعث ارتقاء کیفیت تصمیم گیریها مخصوصا در مورد مسائل نیمه ساخت یافته شوند .
سیستم پشتیبان تصمیم گیرا یک سیستم اطلاعاتی کامپیوتری دوطرفه (Interactive) است که انعطاف پذیر و وفق پذیر می باشد که بطور اختصاصی برای پشتیبانی حل یک مسئله غیرساخت یافته مدیریتی استفاده می شود .
خصوصیات کلی سیستمهای تصمیم یار :
• سیستمی است که به منظور پشتیبانی از تصمیم‌گیری نیمه‌ساخت‌یافته بکار می رود.
• بر خط (On-line) است .
• رابط کاربر و خروجی‌های گرافیکی می باشد .
• یک سیستم برپایه کامپیوتر است که از تکنولوژی ها و متدولوژی های کامپیوتری استفاده می کند .
• به تصمیم گیری کمک می کند ولی جایگزین فرد تصمیم گیر نمی شود.
• از پایگاههای داده ، مدلهای تحلیلی و محاسباتی و سیستم های خبره درحل مسائل استفاده می کند.
• قابلیت بکارگیری درحل مسائل نیمه ساختاریافته و بی ساختار را داراست ;
• قابلیت پشتیبانی از تصمیم گیریهای فردی و گروهی "GDSS" را دارد;
• برای کلیه سطوح مدیریتی قابل استفاده است ;
• دقت ، سرعت و کیفیت تصمیم گیری را بهبود می بخشد "بهبود اثربخشی " ولی درراندمان تصمیم گیری "هزینه تصمیم گیری " تاثیری ندارد;
• سیستم های DSS به سمت قابلیت های یادگیری و خلاقیت ، کارکرد شبکه ای و سهولت بهره برداری به پیش می رود
• DSS
، تصمیم گیران سازمان را با کنار هم آوردن قضاوت انسانی و اطلاعات کامپیوتری شده در حل مسائل ساخت یافته و نیمه ساخت یافته یاری می‌کند، که اینگونه مسائل قابل حل با سیستمهای کامپیوتری دیگر و یا ابزارها و متدهای استاندارد نیستند.
• پشتیبانی برای سطوح مختلف مدیریتی از سطوح استراتژیک گرفته تا مدیران عملیاتی فراهم می‌شود
• پشتیبانی هم برای تصمیم گیری انفرادی و هم تصمیم گیری گروهی وجود دارد .
• DSS برای چندین تصمیم گیری مرتبط با هم و یا تصمیم گیریهای متوالی پشتیبانی فراهم می‌‌کند.
• DSS
تمام مراحل تصمیم گیری را که: هوش (جستجوی شرایطی که نیاز به تصمیم گیری دارند) ، طراحی (اختراع، توسعه و بررسی گزینه‌های موجود برای پیاده کردن تصمیم) ، انتخاب ( انتخاب یکی از گزینه‌های ممکن) و پیاده سازی است را پشتیبانی می‌کند .
• انواع مختلف فرآیندهای تصمیم گیری را پشتیبانی می‌کند .

DSS انعطاف پذیر است طوریکه کاربران بر حسب تغییراتی که بوجود می‌آید می‌توانند سیستم را نسبت به نیاز خود شکل دهند، به این معنی که عناصر اصلی را اضافه، حذف، ترکیب و یا سازماندهی دوباره کنند.
• DSS در تلاش است که تاثیر گذار بودن تصمیم گیری یعنی دقت، بروز بودن تصمیمات را بهبود ببخشد.
• تصمیم گیرنده بر تمامی مراحل تصمیم گیری در حل یک مسئله تسلط دارد .

DSS از مدلها برای ارزیابی موقعیتهای تصمیم گیری استفاده می‌کند. توانایی مدل کردن باعث می‌شود که استراتژیهای مختلف را در ترکیبها و شرایط مختلف بتوانیم بررسی کنیم .
• DSS دستیابی به انواع مختلف منابع داده با فرمتهای گوناگون را فراهم می‌کند
بطور کلی دلایل استفاده از سیستم DSS:
• محاسبه
سریع: کامپیوتر به تصمیم گیرنده اجازه می‌دهد مقادیر بسیار زیادی از داده را در مدت زمان کوتاه و با هزینه کمی پردازش کند .
• غلبه بر محدودیتهای انسانی محاسبات و ذخیره سازی: مغز انسان در تجزیه و تحلیل اطلاعات و همچنین یادآوری آنها دارای محدودیت است .
• محدودیتهای انسانی: قدرت حل مسئله یک فرد دارای محدودیت است
• کاهش هزینه: کنار هم آوردن گروهی از تصمیم گیران مخصوصاً کارشناسان ممکن است هزینه زیادی داشته باشد
• پشتیبانی فنی: بسیاری از تصمیمات محاسبات پیچیده‌ای را می‌طلبند
• پشتیبانی کیفیت: سیستمهای کامپیوتری تصمیم گیرا می‌توانند کیفیت تصمیمات اتخاذ شده را بهبود بخشند.
• رقابت: فشار رقابتی تصمیم گیری را مشکل می‌کند
دلایل نیاز به سیستم های مکانیزه حمایت از تصمیم گیری:
1) محدودیتهای
فکری بشر در پردازش وذخیره سازی: چون توانایی ذهن بشر در پردازش ذخیره ودسترسی به اطلاعات محدود است با استفاده ازاین سیستمها می توانیم این محدودیت را برطرف کنیم.
2) محدودیتهای دانش: اگر برای حل یک مساله نیاز به اطلاعات ودانشهای متنوعی باشد توانائی یک فرد در حل ان مسئله محدود
میباشدواگر بخواهیم از چندین متخصص در هر زمینه استفاده کنیم هماهنگی وارتباط بین این افراد مشکل خواهد بود.سیستمهای کامپیوتری این مشکلات را حل
کرده ومی توانند به سرعت به حجم زیادی اطلاعات دسترسی پیدا کرده وانها راپردازش کنند همچنین میتوانند هماهنگی وارتباط بین ان افراد را اسان کنند.
3) کاهش
هزینه: حمایت کامپیوتری باعث کاهش تعداد افراد گروه می شود وامکان برقراری
ارتباط از مناطق مختلف را برای اعضای گروه فراهم می سازد و همچنین باعث افزایش بهره وری بخش ستادی میشود که همه این موارد منجر به کاهش هزینه خواهد شد.
4) حمایت فنی: کامپیوترها می توانند به سرعت وبه شکل مقرون به صرفه ای داده های لازم را جستجو وذخیره کنند یا انتقال دهند.
5)
حمایت از کیفیت: سیستمهای کامپیوتری با اجرای سریع شبیه سازیهای پیچیده به
مدیران کمک میکنند تا امکانها و راهکارهای گوناگون را بررسی وتاثیرات مختلف را به سرعت ومقرون به صرفه ارزیابی کنند واز این طریق کیفیت تصمیمها را بالا ببرند.
6) حاشیه رقابت_مهندسی مجدد فرایندها واختیارات: فناوریهای کامپیوتری در زمینه فشارهای رقابتی وتغییر در وضعیت عملیات سازمان ، مهندسی مجدد فرایندها وساختارها ، اختیارات کارکنان ونواوریها به مدیران اختیارهایی اعطا وانها را در اخذ تصمیم درست وسریع یاری می کنند.
فناوریهای اصلی پشتیبانی از تصمیم:
• سیستم حمایت از تصمیم (DSS)
• سیستم حمایت از تصمیم گروهی(GDSS)
• سیستمهای اطلاعات مدیریت عالی(EIS)
• سیستمهای خبره(ES)
• شبکه های عصبی مصنوعی(ANN)
• سیستمهای حمایت ترکیبی(MSS)
تعیین چهارچوبی برای پشتیبانی از تصمیم :
فرایندهای
تصمیم گیری شامل سه نوع تصمیمات ساختار یافته (قابل برنامه ریزی) ، نیمه ساختار یافته ،ساختار نیافته(غیر قابل برنامه ریزی) است . فعالیتهای مدیریت
نیز شامل سه قسمت برنامه استراتزیک، کنترل مدیریت، کنترل عملیاتی می باشد.
از ترکیب این تصمیمات وفعالیتها حالتهای مختلفی بوجود می اید که برای هر حالت یک یا چند سیستم اطلاعاتی جوابگو می باشد.برای مثال زمانیکه تصمیم از نوع ساخت یافته باشد سیستمهای MIS، OR، TPS، DP جوابگو است یا اگر نیمه ساخت یافته باشد DSS مناسب می باشد.
پایگاه داده DSS
 DSSاز دادههای داخل ( پایگاه های داده سازمان) ، دادههای خارجی (اینترنت) و دادههای شخصی فرد تصمیمگیر استفاده مینماید.
 DSS می تواند خود دارای Database مستقل بوده یا از پایگاههای داده سازمان استفاده نماید
عناصر داخلی DSS
معرفی DSS در 4 فاز :
یک نمونه Framework برای تعیین سیستمهای مورد نیاز یک سازمان
نتیجه گیری کلی :
• یک DSS یک سیستم بسیار ضروری برای تمامی سازمانها ، به ویژه مدیریت سازمان می باشد .
• در حال حاضر کامل ترین سیستم برای یک سازمان ، DSS می باشد .
• DSS بطور مستقیم با مدیران در ارتباط است وبا پردازش انبوهی از داده ها ، گزینه های یک تصمیم را در اختیار او قرار می دهد .
• DSS در بستر IS تعریف و پیاده سازی می شود
مدیریت داده data managment
مدیریت
داده کار ذخیره سازی و نگهداری از داده هایی را انجام می دهد که کاربر از طریق سیستم بر روی آنها تحلیل انجام می دهد. این بخش هم شامل یک پایگاه داده و هم نرم افزار مدیریت پایگاه داده می شود. در واقع اطلاعات در بستر یک نرم افزار مدیریت پایگاه داده ذخیره سازی شده و مورد استفاده قرار می گیرند. اطلاعاتی که در DSS مورد استفاده قرار می گیرند معمولاً از سه منبع عمده تامین می شوند: قسمتی از اطلاعات، اطلاعات سازمانی هستند که بسته به هدف کاربر از بکارگیری سیستم می تواند اطلاعات مختلفی را از محیط سازمان در
بر بگیرد. معمولاً اطلاعات مورد نظر از پایگاه داده سازمانی و یا گاهی پایگاه داده تحلیلی بدست می آیند. بعضی از تصمیمات نیازمند استفاده از اطلاعات از منابع بیرونی مانند گزارشات دولتی، اینترنت و غیره هستند که به عنوان اطلاعات تکمیلی برای DSS مورد استفاده قرار می گیرند و آنها را اطلاعات بیرونی می نامند. همچنین گاهی می توان DSS هایی را طراحی کرد که اطلاعات را از کاربر دریافت می کند. به عبارتی به جای استخراج اطلاعات از منابع مختلف سازمانی و برون سازمانی، کاربر اطلاعات خود را وارد پایگاه داده سیستم می کند.
مدیریت مدل Model managment
این جزء از DSS شامل مدلهای ذخیره شده در یک پایگاه مدل و نرم افزاری تحت عنوان سیستم مدیریت مدلها میشود که کار ایجاد و دسترسی به مدلها را بر عهده دارد. و اما
مدل چیست؟
در واقع یک مدل بازنمایی است از یک سری وقایع و شرایط محیطی.
انسانها برای درک خود از محیط و جهانی که در آن زندگی می کنند و درک پدیده
های مرتبط با آن از مدلها استفاده می کنند. مدلهایی که بشر مورد استفاده قرار می دهد به چهار شکل می باشند:
1. مدلهای فیزیکی که در ابعادی معمولاً کوچکتر از اندازه واقی یک موجودیت یا یک شی ساخته می شود تا ویژگیهای آن را به نمایش گذارد. مانند ماکت یک ساختمان
2. مدلهای گرافیکی که به صورت تصویری یک واقعیت را بیان بیان می کند و مانند نقشه های جغرافیایی و یا نقشه یک ساختمان.
3.
مدلهای تشریحی که با استفاده از گفتار و نوشتار به وصف یک پدیده یا حادثه یا یک شی می پردازد. برای مثال توصیفی که ما از یک حادثه رانندگی داریم و یا اخباری که هر روزه در روزنامه ها و تلویزیون اعلام می شوند.
4.
مدلهای ریاضی که با تعریف تعدادی متغیر و تعیین نحوه تاثیر این متغیر ها بر یکدیگر تصمیم گیرندگان را در مدلسازی مسائل و راه حلهای ممکن یاری می
دهند.
سیستمهای DSS برای مدلسازی مسائل و راه حلهای آنها از مدلهای ریاضی استفاده می کنند.
مدلهای ریاضی خود از چند بعد قابل تقسیم بندی می باشند که در زیر به آنها اشاره می کنیم:
مدلهای
ایستا در برابر مدلهای پویا : مدلهایی که در آنها زمان به عنوان یک متغیر تعریف شده باشد را مدلهای پویا می گوییم و مدلهایی که در آنها متغیر زمان وجود نداشته باشد را مدلهای ایستا می نامیم. برای مثال مدلی که میزان رشد فروش یک شرکت را در طی پنج سال آینده پیش بینی کند مدلی پویاست. ولی ترازنامه یک شرکت که دارائی های آن را در یک لحظه خاص از زمان مثلاً پایان سال کاری به نمایش می گذارد مدلی ایستا می باشد. مدلهای ایستا همانند عکس هستند که یک لحظه را ثبت می کنند و لیکن مدلهای پویا همانند تصویر متحرکند که شرایط را در زمانهای مختلف نشان می دهند.
مدلهای احتمالی در برابر مدلهای قطعی : در مدلهای قطعی احتمال رخ دادن هر واقعه ای یا صفر است
و یا یک. ولی در مدلهای احتمالی این احتمال از یک تا صفر متغیر است. مدلهایی احتمالی مدلهایی هستند درصدی از احتمال را برای وقوع رخدادی در نظر
می گیرند. برای مثال مدلهایی که در کنترل کیفیت مورد استفاده قرار می گیرند و یا مدلهای آماری از این نوعند.
مدلهای بهینه و مدلهای خرده بهینه : مدلهای بهینه مدلهایی هستند که بهترین راه حل را از بین گزینه های مختلف انتخاب می کنند. این مدلها را برای مسائلی می توان مورد استفاده قرار
داد که که به خوبی ساختارمند باشند. مدلهای خرده بهینه که گاهی مدلهای قانع کننده نیز نامیده می شوند همواره بهترین راه حل را ارائه نمی کنند بلکه راه حلهای مختلف و نسبتاً مناسبی را ارائه می کنند که در این حالت انتخاب نهایی به عهده کاربر خواهد بود.
DSS ها با ارائه مدلهای تصمیم گیری که به کاربر امکان تحلیل اطلاعات را به اشکال مختلف می دهد، فرایند تصمیم گیری را اثربخش تر می کند. مدلهایی که در یک DSS استفاده می شوند به نوع تصمیمات و نوع تحلیل مورد نیاز بستگی دارد. قسمت مدیریت مدلهای سیستم DSS مدلهای سیستم را ذخیره سازی و نگهداری می کند و وظایف آن شبیه به وظایف
سیستم مدیریت پایگاه داده نسبت به داده هاست. سیستم مدیریت مدلها نمی تواند تعیین کند کدام مدل برای حل یک مساله مناسب تر است ولیکن می تواند به
کاربر کمک کند تا مدلها را با سرعت و به آسانی ایجاد و دستکاری کند.
واسط کاربری
واسط
کاربری جزئی از سیستم است که به کاربر امکان می دهد با سیستم ارتباط برقرار کند. به عبارتی بخشی از سیستم است که به کاربر امکان می دهد دانش خود را با قابلیتهای پردازشیو ذخیره سازی سیستم در هم آمیزد. واسط کاربری قسمتی از سیستم است که کاربر آن را می بیند، و از طریق آن اطلاعات، دستورها
و مدلها را وارد می کند و تنها قسمتی از سیستم است که مستقیماً با کاربر در ارتباط است.
استفاده از سیستمهای DSS باعث افزایش اثربخشی فرایند تصمیم گیری خواهد شد و در واقع این نوع از سیستمها مفهوم OLAP را مورد حمایت قرار می دهند. بکارگیری این سیستمها باعث خواهد شد هزینه های تصمیم گیری به علت استفاده از مدلهای مناسب توسط کاربر به میزان قابل ملاحظه ای کاهش یابد. در واقع کاربر به جای استفاده از روشهای آزمون و خطا که روشی بسیار پرهزینه برای تصمیم گیری است قبل از اینکه هرگونه اقدام عملی را انجام دهد نتایج را در قالب مدلهای مختلف خواهد دید.
استفاده از مدلهای ریاضی به علت پیچیدگی از محبوبیت چندانی برخوردار نیست و بسیاری از تصمیم گیرندگان به علت عدم تسلط کافی به استفاده از این مدلها تمایل چندانی به بکارگیری سیستمهای پشتیبان تصمیم گیری ندارند. برای حل این مشکل برای کار کردن با این سیستمها از واسط های کاربری گرافیکی استفاده می شود که درک و تقسیر آنها به راحتی صورت می پذیرد
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
بررسی نقش سیستم های پشتیبانی تصمیم گیری بالینی در پزشکی CDSS
ارسال شده توسط احمد محمدی | 24 12, 2013 | بازدید‌ها (3942)
بررسی نقش سیستم های پشتیبانی تصمیم گیری بالینی
در پزشکی
CDSS
احمد
محمدی
Ahmad.Mohammadi.A@gmail.com
پاییز 1392
مقدمه
در این تحقیق سعی شده است بطور اجمالی مقدمه ای در خصوص سیستم های پشتیبان تصیمیم در پزشکی و مفاهیم بنیادی آن ارائه گردد. پس از ارئه تعریف های کلی CDSS و تاریخچه کوتاه ، دلایل استفاده از اینگونه سیستم ها در سیستم بهداشت و درمان و زمینه های کاربردی آن عنوان می گردد . سپس دسته بندی وانواع CDSS ها از جهات مختلف معرفی و به تأثیر کاربرد سیستم های پشتیبان ازتصمیم گیری در نظام مراقبت سلامت می پردازیم .
سیستم پشتیبان تصمیم گیری در پزشکیClinical Decision Support System (CDSS )
تعریف سیستم پشتیبان تصمیم گیری درپزشکی و تاریخچه آن
نرم‌افزارهای کامپیوتری که برای کمک به تشخیصهای بالینی طراحی و ساخته شده‌اند. این سیستمها با استفاده از اطلاعات و دانش پزشکی به تشخیص عارضه‌های گوناگون و تجویز توصیه‌های پزشکی برای بیماران اقدام می‌نمایند.
تصویر فوق نمونه ای از یک CDSS است.
به عبارت دیگر سیستم های پشتیبانی تصمیم گیری (تصمیم یار)بالینی برنامه های رایانه ای تعاملی می باشند که به منظور یاری رساندن در تصمیم گیری به پزشکان و سایر متخصصین بهداشتی طراحی شده اند.به عبارتی این سیستمها ، منابع انسانی ( آگاهیهای فردی ) را با قابلیتهای کامپیوتری ترکیب می کنند تا باعث ارتقا کیفیت تصمیم گیری شوند .هدف اصلی سیستم های پشتیبانی تصمیم گیری در واقع یاری رساندن به پزشکان در حین مراقبت(Point of care)می باشد،بدین معنا که یک پزشک می تواند با این سیستم تعامل داشته باشد و درتحلیل داده های بیمار، تشخیص دهی و سایر فعالیت های بالینی ازسیستم کمک بگیرد.
تاریخچه سیستمهای پشتیبان تصمیم گیری در پزشکی در حقیقت تاریخچه همکاریهای متقابل پزشکان و ریاضیدانان می‌باشد. به مجرد پیدایش کامپیوترهای الکترونیکی در سالهای 1950-1960 میلادی، نخستین سیستمهای پشتیبان تصمیم گیری در پزشکی با اهداف گوناگون بهداشتی پا به عرصه وجود نهادند. در سال 1961 میلادی نیز Warner و همکارانش یکی از نخستین سیستمهای پشتیبان تصمیم گیری در پزشکی را که بر اساس قوانین بیس به کار می‌پرداخت، طراحی و راه اندازی نمودند؛ البته نخستین سیستم واقعی پشتیبان تصمیم گیری در پزشکی که بر اساس قوانین بیس طراحی شده بود و در عمل نیز در بسیاری از پایگاههای بهداشتی به کار گرفته شد، سیستمی بود که توسط de Dombal برای تشخیص دردهای حاد شکمی ارایه شد.
به دلیل فناوری موجود در کامپیوترهای سالهای 1950-1960 که نرم افزارهای پشتیبان تصمیم گیری در پزشکی می‌بایست بر روی آنها راه اندازی شوند، این سیستمها در آن زمان در دو شاخه مجزا از یکدیگر توسعه یافته بودند: قیاسی و احتمالاتی؛ اما نزدیک به دو دهه بعد از نخستین تلاشهای Ledley و Lusted، Szolovits و Pauker با بررسی عمیق تر ریشه‌های فلسفی این دو روش استدلال، روش سومی را که با حفظ ویژگیهای ممتاز این دو روش از هویت خاص خود نیز برخوردار بود، پیشنهاد نمودند. این روش، هیوریستیک (Heuristic) نام داشت. برنامه HEME که برای تشخیص بیماریهای هماتولوژیک به کار می‌رفت، یکی از نخستین سیستمهایی بود که از این روش استفاده نمود. در ادامه کاربردهای این روش، Gorry -یکی از پیشتازان کاربرد روش هیوریستیک در سیستمهای پشتیبان تصمیم گیری در پزشکی- در طی یک مقاله کلاسیک که در سال 1968 منتشر نمود، اصول کلی حاکم بر سیستمهای خبره پشتیبان تصمیم گیری در پزشکی را تبیین نمود. این اصول در سالهای 1970 تا 1980 اساس عملکرد بسیاری از سیستمهای پشتیبان تصمیم گیری در پزشکی را تشکیل دادند. در این مقاله، Gorry تعریفی رسمی از مساله تشخیص پزشکی را ارایه نمود. وی همچنین تفاوتهای مابین ارزش اطلاعات، هزینه‌های اقتصادی، و خطرات ناشی از انجام تستهای تشخیصی را نشان داد و مساله «چند-تشخیصی» را که به هنگام مواجهه سیستم با بیماران دارای چندین بیماری همزمان روی می‌دهد، توصیف نمود. مقاله Gorry در حقیقت سلف تئوریک بسیاری از سیستمهای پشتیبان تصمیم گیری در پزشکی نظیر PIP، MEDITEL، Internist-1، QMR، DXplain، ILIAD، و... محسوب می‌گردد. در سال 1976 میلادی نیز Shortliffe سیستم خبره مبتنی بر تئوری شواهد (Evidence Theory) را برای کاربردهای تشخیصی و درمانی به نام MYCIN ارایه نمود. این سیستم که برای تشخیص عفونتهای میکروبی و تجویز داروهای لازم به کار می‌رفت، دارای قابلیتهای متعددی نظیر دریافت اطلاعات، یادگیری، تفسیر داده‌ها و آموزش دهی بود و امروزه از آن به عنوان پدربزرگ سیستمهای خبره یاد می‌گردد. اکثر سیستمهای یاد شده به عنوان نسل اول سیستمهای پشتیبان تصمیم گیری در پزشکی محسوب می‌گردند.در سالهای 1980 تا 1990 میلادی با تغییرات اساسی که در سخت افزار کامپیوترها صورت پذیرفت و منجر به تولید انواع کامپیوترهای کوچک و ارزان قیمت (PC) شد، تحولی اساسی در تولید سیستمهای پشتیبان تصمیم گیری در پزشکی ایجاد شد و نسل جدیدی از این سیستمها پا به عرصه وجود نهادند. همچنین در این سالها با ارایه مدلهای جدید تصمیم گیری و یا با ارایه نوآوری در مدلهای پیشین تغییرات چشمگیری در عملکرد سیستمهای پشتیبان تصمیم گیری در پزشکی ایجاد شد؛ به صورتی که سیستمهای مبتنی بر تئوری فازی نظیر CADIAG-II و شبکه‌های بیس نظیر Internist-1/QMR برای غلبه بر محدودیتهای سیستمهای ساده پیشین طراحی و راه اندازی شدند. در سالهای اخیر نیز Reggia و همکارانش مدلهای پوشش مجموعه‌ای (Set-Covering Theory) را برای حل مساله تشخیص پزشکی ارایه نمودند. شبکه‌های عصبی مصنوعی و CBR نیز از دیگر تکنیکهای نوین ارایه شده برای برخورد با مساله تشخیص پزشکی می‌باشند.
انواع تصمیم گیری در پزشکی :
1- تصمیم گیری مرتبط با تشخیص (استفاده از کامپیوتر)
مثال: احتملاا ابتلا به Myocardial Infraction براساس سوابق بیمار و نتایج ECG چقدر است؟
2- تصمیم گیری مرتبط با درمان (شواهد)
مثال: برای بیمار مبتلا به انسداد بیش از 90% عروق کرونری چپ، بهترین درمان براساس سن و ریسک معین چیست؟
برخی دلایل استفاده از CDSSدر پزشکی
 پزشکان برخی اوقات دچار خطا و اشتباه می­شوند.
 پزشکان قادر نیستند که همیشه خود را با آخرین یافته­های اطلاعات پزشکی تطبیق دهند.
 در موارد متداول استفاده از تصمیم گیری خود کار موثر است.
 سازمانهای مراقبت بهداشتی مایل به افزایش کیفیت مراقبت و کاهش هزینه­های آن هستند.
زمینه های مورد استفاده سیستم های CDSS در پزشکی
 تولید Alert ها و reminder ها برای پزشک
 کمک در تشخیص بیماری به پزشک
 برنامه ریزی درمان
 تشخیص و تفسیر تصاویر پزشکی
چهار عملکرد کلیدی سیستم های الکترونیکی حمایت از تصمیمات بالینی
 اداری : حمایت از کد های بالینی و مستندات
 مدیریت موارد پیچیده بالینی: مانند پروتکل های شیمی درمانی ، ارجاع و پیگیری، مراقبت های پیشگیری
 کنترل هزینه ها: کنترل دستورات پزشکی ،جلوگیری از تکرار آزمایشات یا انجام آزمایشات غیر ضروری
 حمایت از تصمیم: حمایت از تصمیمات کلینیکی و فرایند درمان و ارتقا استفاده از راهنمائی های اختصاصی
انواع سیستم های CDSS:
 تعامل مستقیم سیستم و پزشک (مانند INTERNIST)
 سیستم مستقیما به منبع داده های بیمار متصل است.(مانند سیستمهای مفسر ECG)
 سیستمهای همراه با مدارک کامپیوتری بیمار(CPR) و بکاربردن این رکوردها بعنوان ورودی
انواع سیستم های پشتیبان تصمیم در بخش سلامت:
به طور کل دو نوع سیستم پشتیبان تصمیم (DSS) در بخش سلامت وجو دارد: اداری - بالینی
تصمیماتی که پزشکان در مراکز درمانی می گیرند برای اطمینان از این است که آیا رفاه تک به تک بیماران حاصل شده است یا خیر.
توجه اصلی پزشک معطوف است به اینکه آیا مداخلات پزشکی انجام شده به سود بیمار بوده است یا خیر، دل نگرانی در مورد منابع صرف شده و هزینه های تحمیل شده از نظر پزشک، در مرحله دوم توجه قرار دارد. در این رویکرد، مرکز درمانی ، به دلیل کیفیت بالای ناشی از ارائه بهترین خدمت به بیماران، سرافراز می شود.
از طرف دیگر به دلیل محدودیت منابع در بیمارستان، تصمیم گیران مدیریتی همواره با درنظر گرفتن این محدودیت ها به دنبال اخذ تصمیماتی هستند که منافع حاصله از مداخلات پزشکی را در مقایسه با هزینه های آن سنجیده و آن راه حل را که هزینه – اثربخشی بهتری دارد انتخاب می کنند.
دونابدین این رویکرد را به عنوان ” مراقبت با تاثیر بهینه “ یا optimally effective care نامیده است.
بهینه یا اپتیمال نشان دهنده این معناست که بیمارستان بررسی می کند به ازای هر ریالی که خرج می کند، چه چیزی به دست می آورد.
مدیران بخش سلامت الزاما باید انواع متنوعی از تصمیمات غیر پزشکی بگیرند، تا بتوانند خدمات درمانی را با قیمت مناسب ، کیفیت بالا، و در محیطی با منابع محدود ارائه کنند.
دسته بندی سیستمهای پشتیبانی تصمیم بالینی
سیستمهای DSS از جوانب مختلفی طبقه بندی می شوند:
 نمایش اطلاعات: مثلا سیستمهای مبتنی بر درخت تصمیم یا قواعد تولیدی
 نوع تصمیم : مثلا تشخیصی یا درمانی
 زمینه پزشکی : مثلا سیستمهای مربوط به پزشکی داخلی یا جراحی
دسته بندی سیستمهای DSS از دید پزشکان:
 پیشنهاد درخواستی(Solicited Advice)
 پیشنهاد غیر درخواستی (Unsolicited Advice)
 سیستم خودکار (Autonomous System)
انواع سیستمهای پشتیبانی تصمیم در پزشکی از لحاظ روش و سیستم مورد استفاده :
 الگوریتمهای بالینی : قواعد تولید هشدار در سیستم مانیتورینگ علائم حیاتی بیمار
 پایگاه داده بالینی (توابع تحلیلی): قواعد موجود برای نحوه درهم کنش داروها
 مدلهای پاتوفیزیولوژیکی ریاضی: مدلهای فارماکوکینتیک برای محاسبه اثر تزریق دارو
 سیستمهای بازشناخت الگو :طبقه بندی انواع مختلف گلبول سفید
 سیستمهای آماری : طبقه بندی ECG با الگوریتمهای آماری
 سیستمهای تصمیم تحلیلی: محاسبه ریسک عمل جراحی
 استدلال سمبلیک یا سیستمهای خبره : QMR برای تشخیص در پزشکی داخلی
پیشنهاد درخواستی
تعریف: به شرایطی اطلاق می شود که در آن پزشک از DSS مشورت می طلبد.
ویژگیها:
 درحالت عادی غیرفعالند و با درخواست کاربر فعال می شوند.
 امکان کنترل استدلالهای انجام شده توسط DSS را فراهم می کنند.
 پزشک می تواند سیستم را در مسیر خاصی هدایت کند و صحت تشخیص خود را بررسی نماید.
بطور مثال : QMR( quick medical refrence)(مرجع پزشکی سریع) که نسخه تجاری INTERNIST و نمونه ای از سیستمهایی است که پیشنهاد درخواستی در ارتباط با زمینه های متعددی ارائه می کنند.
پیشنهاد غیر درخواستی
این نوع سیستمها نیازمند درخواست پزشک برای ارائه پیشنهاد نیستند و بر داده های در دسترس بیمار (مانند داده های آزمایشگاه تشخیص طبی یا CPR) تکیه دارند و مستقل از درخواست پزشک پیشنهاد خود را ارائه می دهند.
ویژگیها:
 همراه با سیستمهای CPR هستند.
 ارائه پیشنهاد جزئی از فعالیت مدیریت داده است.
 سیستم نمی تواند اهداف درمان و تشخیص را به درستی تشخیص دهد که این امر منجر به تولید پیشنهاد مثبت نادرست (FP) و هشدار اشتباه می گردد
سیستم های خودکار
تعریف: سیستمهایی که در آنها پیشنهاد بطور مستقیم بر روی بیمار اعمال می شود، سیستم خودکار نامیده می شوند. این سیستمها چندین داده را در زمانهای مشخصی اندازه می گیرند و متناسب با آن رفتار خود را تطبیق می دهند.
مثال: سیستمهای کنترل بیهوشی یا تنفس مصنوعی
توجه: خرابی سیستم می تواند خسارات جبران ناپذیری ایجاد نماید.
انواع مدل­های پشتیبانی تصمیم
 کمی :بر اساس روش­های آماری موجود است و از داده های آموزشی استفاده می­کند
مثال: شبکه های عصبی، فازی، احتمالی، با معلم ، بدون معلم.
روشهای آماری در پشتیبانی تصمیم بالینی به کار می رود تا احتمال وقوع یک بیماری را تعیین کند.
در تصمیم گیری آماری همه ویژگی ها معمولا با هم به کار برده میشوند.
 کیفی : از ویژگی های پیشنهاد شده متخصصین استفاده می کند و از استدلال های سمبولیک بهره می برد.
مثال:Boolean ، سیستم های خبره، درخت تصمیم.
 این روش ها ریاضی نیستند. روشهای کیفی براساس الهام و درک استدلال توسط انسان بنا شده­اند.
 این روش ارتباط یک ویژگی اندازه گیری شده را با مقدار آستانه می سنجد
یک مثال:
فرض کنید هدف تشخیص فشار خون بالا در افراد است. برای انجام این کار فشار خون افراد در سه گروه فرضی اندازه­گیری می شود.
1- جمعیت سالم که تحت مراقبت قرار گرفته­اند.
2- جمعیت بیماران مشمول مراقبت اولیه که به خاطر شکایات جزئی تحت بررسی هستند.
3- جمعیت بیمارانی که در بخش قلبی بستری هستند.
برای سادگی از یکبار اندازه گیری فشار سیستولیک برای تشخیص در هر فرد استفاده می شود . در شکل توزیع فشار خون سیستولیک افراد مبتلا و غیر مبتلا برای هر کدام از سه گروه جمعیت نشان داده شده است . برای تشخیص افراد مبتلا به فشار خون با استفاده از یک ویژگی ( در اینجا ویژگی = فشار خون سیستولیک ) ساده ترین راه تعریف " آستانه تصمیم" است .افراد بالای آستانه مبتلا و پایین آستانه غیر مبتلا محسوب می شوند . (آستانه ها با L1 الی L10 نشان داده شده است . آستانه تصمیم هر چه انتخاب شود تصمیم های حاصل عاری از خطا نخواهند بود . برای درک بهتر مفهوم جدول درستی را بررسی می کنیم .
چهار ترکیب ممکن برای تصمیم و خطا
 مثبت درستTP : درصد افرادی که بیماری دارند و مدل تصمیم به درستی آن را تشخیص داده است.
 منفی درستTN : در صد افرادی غیر مبتلا که مدل تصمیم به درستی آن را تشخیص داده است.
 مثبت نادرستFP : درصد افراد غیر مبتلا که مدل تصمیم به اشتباه آنها را مبتلا تشخیص داده است.
 منفی نادرستFN : درصد افراد مبتلا که مدل تصمیم به اشتباه آنها را غیرمبتلا تشخیص داده است.
روشهای پشتیبانی تصمیم کیفی
تعریف: روشهای کیفی براساس الهام و درک استدلال توسط انسان بنا شده اند و عبارتند از روشهای حل مسأله ای که استنتاج در آنها با استفاده از مدلهای سمبولیک و عملگرهای منطقی صورت می گیرد.
- ترکیبی از واحدهای تصمیم گیری اولیه
- سنجش واحدهای تصمیم گیری اولیه با مقدار آستانه
- بیان نتیجه سنجش با یک عبارت بولی
سه استراتژی برای تصمیم گیری کیفی توسط کامپیوتر:
1- استفاده همزمان از همه ریزتصمیمها(جدول تصمیم یا جدول درستی)
2- استفاده دنباله ای از ریزتصمیمها(فلوچارت یا درخت تصمیم)
3- استفاده از ریزتصمیمهایی که بصورت قاعده های عملکرد-موقعیت بیان شده اند(قاعده پایه یا استدلال کیفی)
ویژگیها:
 همه نوع عبارت منطقی را یکباره در بر می گیرد.
 ترکیبات مختلف Ei ها بصورت گرافیکی و با نمودار ون نشان داده می شوند.
 بهینه کردن درستی مشکل است و ارزیابی آن از طریق آزمون مستقل برای اثبات کارآیی آن انجام می شود.
فلوچارت
فرم کلی: بصورت یک درخت تصمیم که ریشه در بالا قرار گرفته و شاخه ها و برگها به سمت پایین امتداد دارند. واحدهای تصمیم اولیه بصورت لوزی نشان داده می شوند که دارای یک ورودی از بالا و دو یا چند خروجی از پایین و کناره هاست. ورودی به واحد تصمیم گیری اولیه قبلی مرتبط می شوند و خروجیها عبارت ”درست“ یا ”نادرست“ هستند. (تصمیم گیری باینری)
محلهای قرارگیری ریزتصمیمها، گره نامیده می شوند.
مسیرهای مختلف از ریشه تا یکی از برگهای نهایی پیموده می شوند. در برگهای نهایی ممکن است فعالیت جدیدی آغاز شود یا ادامه روند به فلوچارتهای دیگر محول شود.
ویژگیها:
 سهولت پردازش
 عدم امکان بازگشت در صورت اشتباه بودن مسیر
 مشکل بودن آموزش و تعلیم
دسته بندی CDSS از نظر پایگاه دانش :
• سیستم های دارای پایگاه دانشKnowledge-base CDSS
• سیستم های فاقد پایگاه دانشNonknowledge-base CDSS
خصوصیات Knowledge-base CDSS:
این نوع سیستم ها دارای سه بخش می باشند:
پایگاه دانش(Knowledge base): شامل قوانین و روابطی که اغلب به شکل قانون(IF-THEN)در می آیند.
موتور استنباطی ( Inference engine ):داده های بیماررا با پایگاه دانش ترکیب می کند.
مکانیسم ارتباطی (Mechanism to Communicate):به سیستم این امکان را می دهد که نتایج را برای کاربربه شکل خروجی(Output)نمایش دهد همانگونه که ورودی(Input)را دریافت کرده است.
خصوصیات:Nonknowledge-base CDSS
سیستم های پشتیبان تصمیم گیری بالینی فاقد پایگاه دانش در واقع ازنوعی هوش مصنوعی به نام Machine Learningاستفاده می کنند.این ماشین یادگیری به رایانه این امکان را می دهد که از تجارب گذشته یاد بگیرد یا الگوهای موجود درداده های بالینی را بیابد.دونوع ازاین گونه سیستم ها شبکه های عصبی مصنوعی Artificial Neural Networkو Genetic Algorithmsمی باشد.
در این گونه سیستم ها نیاز به نوشتن قوانین و همچنین نیاز به وارد کردن تخصص حذف شده است.درسیستم های پشتیبانی تصمیم گیری فاقد پایگاه دانش در واقع قوانین از داده های بیمارمشتق می شوند.
این سیستم ها تنها روی فهرست محدودی ازعلائم برای یک بیماری خاص تمرکز دارند درحالی که سیستم های دانش محور، بیماری های گوناگونی را برای تشخیص، پوشش میدهند.
به طور کلی سیستم های تصمیم یار بر اساس نوع مداخلاتی که ارائه می دهند به 3 گروه تقسیم می شوند:
1. سیستم ها منفعل(Passive systems):اکثرسیستم های پشتیبانی تصمیم بطور منفعل عمل می کنند،بدین معنا که پزشک باید درخواست خود را به صورت صریح در سیستم ایجاد کند،بدین منظورابتدا پزشک وضعیت بیمار را توصیف کرده و سپس منتظر می ماند تا سیستم پیشنهادش را ارائه دهد.براساس میزان اطلاعات فراهم شده برای سیستم و پیشنهادات لازم، دوابزارپشتیبانی تصمیم مورد استفاده قرار می گیرد:
• سیستم مشاوره ایconsultant system:دراین نوع سیستم،کاربر اطلاعات مربوط به وضعیت بیمار را فراهم نموده و سیستم پیشنهاد تشخیصی یا درمانی خود را ارائه می دهد.MYCINکه در سال1972 در دانشگاه Stanfordتوسعه یافته است یکی از انواع سیستم های مشاوره ای می باشد.
• سیستم انتقادیCritical system:در این نوع سیستم کاربر اطلاعاتی در خصوص وضعیت بیمارواستراتژی طراحی شده توسط پزشک فراهم نموده وسپس سیستم از پیشنهادات پزشک انتقاد می کند.سیستم ATTENDING که در دانشگاهYaleتوسعه یافته است نمونه ای از اینگونه سیستم ها می باشد،این سیستم درواقع به منظورانتقاد از طرح بیهوشی ایجاد شده توسط متخصص بی هوشی برای یک بیمار معین،طراحی شده است.
2. سیستم های نیمه فعال(Semiactive systems):سیستم های نیمه فعال اطلاعات وعمدتاَ دانش پذیرفته شده و قوانین را ارائه می دهند.درواقع این سیستم ها نقش یک ناظررا ایفا می کنند،زیر مجموعه های این نوع سیستم :
• سیستم های یادآور خودکار( Automatic reminder system):
این سیستم ها بر روی عملکرد فراهم کننده مراقبت،نظارت دارند و درزمینه اجتناب ازمعاینات اضافی،خطاهای ثبت دارویی(بوسیله شناسایی خطاهای مربوط به دزاژدارویی و لیست کردن تداخلات و عوارض مهم دارویی)کمک می کنند،همچنین اینگونه سیستم ها پیگیری طرح درمانی از قبل طراحی شده توسط تیم پزشکی را،تسهیل می کنند.
• سیستم های هشدار دهنده( Alarm systems):
دراین نوع سیستم ها براساس وضعیت بیمار،هشدارهای مختلفی ایجاد می شود، بدین معنا که گاهی ممکن است اخطاربرای نشان دادن میزان های غیرطبیعی(از قبیل پارامترهای فیزیولوژیکی یا بیولوژیک) باشدوگاهی برای نمایش تغییرات غیر طبیعی(از قبیل افزایش یا کاهش ناگهانی در پارامترهای معین مربوط به بیمار).
3. سیستم های فعال(Active systems):
سیستم هایی که بطور خودکارشروع بکار کرده و می توانند بدون دخالت پزشک تصمیم گیری نمایند واین تصمیم می تواند درمورد دستوراتی برای معاینات بیشتر براساس طرح های مراقبتی،معاینات درمانی،نظارت(برای مثال کنترل هوشمند پارامترهای یک دستگاه ونتیلاتور یا یک مانیتور دیالیز)و یا کمک جراحی باشد.
ابزار کسب دانش :
کسب دانش یکی از مهم ترین رویه های آغازین برای ایجاد پایگاه دانش برای درCDSS می باشد . اولین گام برای کسب دانش ، انتخاب ناحیه بالینی و متخصصین خبره برای کسب دانش بخصوصی می باشد . گام بعدی انتقال دانش قابل تفسیر در کامپیوتر بر اساس روش های ارائه دانش می باشد . این بخش بر ابزار کسب دانش تمرکز می کند وهدف آن بکارگیری الگو های آماده برای دریافت دانش بالینی از متخصصین است .
ابزار های کسب دانش زیادی برای CDSS ، توسعه یافته است . در میان آن ها ، بعضی از ابزار ها ی کسب دانش پزشکی است و بقیه ابزاری برای رهنمود های بالینی است که در رویه های بالینی استاندارد مورد استفاده قرار می گیرد .
در جدول پایین ، ابزار های کسب دانش در پنج سطح خلاصه شده است : آنتولوژی ثابت ، توانایی کنترل خطا، طرح ارائه ، زبان ارائه دانش و موتور استنتاج یا موتور اجرایی رهنمود ها .سایر CDSS ها مانند GLIF ، EON و Arden syntax به طور آشکار در جدول پایین نشان داده شده است ، اما به عنوان protege و ابزار umls- base knowledge در جدول نشان داده شده است. GLIF وEONاز ابزار های کسب دانش protégé استفاده می کنند .
Arden syntax بر فرمت هایی برای دانش پزشکی ماژولی تمرکز می کند . و اساسی ترین کمک آن فرمت ارائه MLM است که در ابزار کسب دانش مبتنی بر UMLمورد استفاده قرار می گیرد.
از آنجایی که کنترل خطا یکی از بزرگتریت چالشهای ابزار کسب دانش است ، در ادامه بر مقایسه توانایی کنترل خطا تمرکز می کنیم .
در جدول پایین ،proforma ، ابزار کسب راهنمایی است که شامل ساختارهایی پر معنی برای توصیف خطاها می باشد . توانایی تصمیم گیری آن تحت خطا توسط ابزارهای مکانیسم ایجاد می شود . در این روش مکانیسم استدلال ، تشخیص و تصمیمات درمانی بر حسب چند option تعریف می شود و با استفاده از قانونهای استدلال ،تصمیمات لازم گرفته می شود .
قانونهای استدلال از تصمیمات ، پشتیبانی می کند و در آخر توصیه های لازم داده می شود .
GLARE ، توانایی کنترل خطا در تصمیمات خطایاب را محدود کرده است . در GLARE ، تصمیمات سه بعد دارد ( تشخیص ، پارامتر ، نمره ) که خود پارامتر هم سه بعد دارد ( داده ، خصوصیت ، مقدار ) ، یک مقدار آستانه برای مقایسه تشخیص ها استفاده می شود . نمره و سایر تشخیصات به کاربران نشان داده می شود . GLARE به کاربر اجازه می دهد تا تصمیمات تشخیصی لازم را از میان لیست انتخاب کند . در صورتی که کاربری تصمیمی اتخاذ کند که نمره اش بیشتر از حد آستانه نباشد ، اخطاری داده می شود .
CMDS : ویرایشگر کسب دانش شی گرا ، در مورد کنترل خطا ، عملکرد بهتری دارد . زیرا هر قانون دارای فاکتور قطعیت است که نشان می دهد که آن قانون تا چه اندازه درست است . فاکتور قطعیت از -1 تا 1 متغیر است . که -1 به معنی قانون اشتباه ، 0 به معنی عدم وجود اطلاعات و 1 به معنی قانون درست است .
Portage به خطا کمتر رسیدگی می کند . به غیر از PROFORMA و ASBRUVIEW ، دانش پزشکی یا ابزار کسب راهنمایی در جدول خصوصیات مشترکی دارند .
مکانیسم های استنباطی استفاده شده درCDSS :
مکانیسم های استنباطی که در CDSS استفاده می شود شامل شبکه های عصبی ، شبکه های معنایی ، الگوریتم ژنتیک و سیستم های غیرمستدل می باشد . در CDSS های مبتنی بر قانون ، قانون های if-then ، مورد پردازش قرار می گیرد . زنجیره های پسرو و پیشروی قانون ها ممکن است برای تشخیص و تهیه توضیحات تشخیصی کاربران بالینی مورد استفاده قرار گیرد . سیستم های Bayesian بر اساس تشخیص هایی که از بیماری های قبلی به دست آمده است و همچنین علائم و نشانه های بالینی ، پیش بینی می کند . سیستم های غیر مستدل شامل پیش بینی های آماری است . بعضی از روش های آماری مانند ماشین بردار پشتیبان (SVM ) و ماشین ابزار حداقل مربعات (LSSVM ) برای استدلال های پزشکی پیشنهاد شده است . شبکه های عصبی به عنوان مکانیسم استنباطی توسط محققین استفاده می شود . زیرا در هنگام توسعه این نوع از CDSS ها ، نیاز به درک رابطه بین متغیرهای ورودی و خروجی ندارند .
Li و همکارانش، شبکه های عصبی را با سایر مدل های ریاضی مقایسه می کنند تا سیستم پشتیبان تصمیم گیری پزشکی مربوط به آسیب های مغزی را بسازند (MDSS )و نتیجه این است که شبکه های عصبی راه حل بهتری برای CDSS های غیر خطی و پیچیده نسبت به تکنیکهای آماری قراردادی ارائه می کند . ایراد شبکه های عصبی این است که شبکه ها از قانون هایی استفاده می کنند که از منطق خاصی پیروی نمی کند و به طور آشکار قابل درک نیست .
در الگوریتم ژنتیک ، با توسعه بهترین راه حل ، راه حل بهینه ای که مناسب ترین است ، به دست می آید . در مطالعات جدید متدلوژی های استنباطی مختلفی برای پاسخ های پزشکی ، الحاق شده اند مانند LSSVM با وزن دهی فازی ، یا شبکه های عصبی مصنوعی با وزن دهی فازی . هنگامی که مدل سازی دانش پزشکی به صورت منطقی دشوار است ، متخصصین پزشکی اطلاعات خود را با مثال ارائه می دهند . در این شرایط ، مدل سازی نمادین (CBR) درDSS ، استفاده می شود . فایدهCBR این است که موارد بالینی تجربی مشابه ، از سایر دانش های پزشکی متقاعد کننده تر است .
اما اشکال این روش این است که اندازه گیری شباهت میان موارد مختلف دشوار است ، همچنین فرایندهای بازیابی به ندرت دقیق و موثر است و ورودی های موردنیاز CDSS که بر اساس CBR به دست می آید ، به آسانی مورد قبول متخصصین واقع نمی شود .
ارزیابی CDSS :
به گفته Miller ، ارزیابی CDSS باید شامل چهار مورد زیر باشد :
-1طرح ارزیابی مناسب
-2 ارزیابی درجه سودمندی CDSS
-3 ارزیابی محدودیت های CDSS
-4 تعیین دلایل پنهان محدودیت تاثیرات سیستم
Keith و Greene مراحل بررسی CDSSرا این گونه تعریف می کنند :
-1 ارزیابی دانش متخصصین
-2 ارزیابی سیستم مجتمع
-3 ارزیابی خارجی سیستم
-4 آزمایشات تصادفی چند مرکزی برای ارزیابی سیستم
اکثر ارزیابی های CDSS بر صحت سیستم متمرکزند و تمرکز کمتری بر ارزیابی تاثیر استفاده CDSS بر مراقبت های بالینی دارند .
معیارهای پذیرش سیستمهای پشتیبانی تصمیم
 پشتیبانی جمع آوری داده(Support of Data Acquisition)
سیستمهای تصویربرداری
 کاهش داده(Data Reduction)
سیستمهای اطاق عمل و واحدهای مراقبت ویژه
 ارزیابی داده(Data Validation)
سیستمهای آزمایشگاهی
KB (Knowledge Base) پزشکی
تعریف : مجموعه اطلاعات (Knowledge) پزشکی که بطور سیستماتیک سازماندهی شده و بصورت الکترونیکی قابل دسترسی هستند و نیز قابلیت تفسیر بوسیله کامپیوتر را دارند.
معیارهای کاربردی یک سیستم CDSS
 استفاده از یک بانک اطلاعاتی معتبر و مشخص بودن refrence ها و قابل دسترس بودن آنها با ایجاد KB می توان جمع آوری و پخش الکترونیکی اطلاعات پزشکی را تسهیل نمود.{ این مبحث خود بسیار گسترده و شامل جوانب متعددی است که در صورت تمایل پیشنهاد می گردد به منابع معرفی شده رجوع گردد. }
پشتیبانی تصمیم با ابزارهای پیش بینی ساده
ابزارهای پیش بینی ساده بر اساس روش های مختلف پایه گذاری شده اند که در 2 گروه عمده می توان آنها را بررسی کرد :
 ابزارهای پیش بینی مبتنی بر تحلیل آماری مجموعه داده های بالینی
 ابزارهای پشتیبانی تصمیم براساس نتایج آنالیز تصمیم
قواعد پیش بینی مبتنی بر تحلیل آماری –prediction rules Based on statistical Analysis
روشهای آماری مورد استفاده برای پیش بینی در این موارد ، اغلب نوعی رگرسیون هستند بطور مثال : رگرسیون خطی برای خروجی های پیوسته مانند فشارخون و رگرسیون منطقی برای خروجی های دو بخشی مانند مرگ و میر
راهبرد های کلی برای ارزیابی قواعد پیش بینی :
 تعریف روشن متغیرهای پیش بینی کننده و خروجی ها
 توصیف صحیح جمعیت بیماران و امکان مقایسه
 توصیف روشهای ریاضی بکار رفته
 دسترسی به نرخ صحت یا خطای قاعده طبقه بندی
 اثرات کاربرد قاعده پیش بینی روی مراقبت بیمار
فرآیند مدلسازی آماری
فرایند مدلسازی دارای جوانب زیر است :
 انتخاب متغیرها :
در بساری از موارد تعداد زیادی مشخصه پیش بینی کننده بیمار داریم که بکار گیری همه غیر عملی است .انتخاب تدریجی یا روش stepwise روشی برای انتخاب تعداد محدودی پیش بینی کننده است .
 تخمین ضرائب رگرسیون
پس از انتخاب پیش بینی کننده ها ، ضرایب تعیین می شوند که دقیق بودن آن مستلزم داده هایی با کیفیت بالاست .هرچه حجم داده بالا باشد، نامعینی مقدار ضرائب تخمین زده شده کمتر است و پیش بینی دقیق تر انجام می گیرد.
 ارزیابی عملکرد مدل
عیار مهم برای ارزیابی یک مدل قابلیت تمایز مدل برای طبقه بندی بیماران است .
 نمایش نتایج مدل
جدول پیش بینی های متناظر
چارت نمره
مثال: پیش بینی احتمال حاملگی ناخواسته در پزشکی باروری
در این مثال ، خروجی یا outcome ما رخداد حاملگی ناخواسته است . در عمل دوره زمانی یکساله برای پیش بینی در نظر گرفته می شود . پیش بینی کننده های بالقوه ، سوابق و بررسی های فیزیکی مرد و زن را دربر می گیرند . مقدار پیش بینی این مشخصه ها از مجموعه داده ها استخراج می شود . این مجموعه شامل 996 جفت است که 215 جفت در یک سال آبستن شده اند . ارتباط بین پیش بینی کننده ها و خروجی ها با مدل رگرسیون کمی شده است . برای تخمین احتمال حاملگی ناخواسته در یک سال مدل چارت نمره ارائه شده است . متناظر با هر پیش بینی کننده مقدار عددی در جدول 6 آمده است . مقادیر نمرات حاصل از هر پیش بینی جمع شده و حاصل آن اندیس حاملگی نامیده می شود . متناظر با هر اندیس حاملگی میزان احتمالی از مدل رگرسیون به دست می آید که مسلما 100% نیست .
چرا CDSS ها در حال حاضر مقبولیت ندارند؟
 ایده های نمایش اطلاعات (Representation) بسیار ساده است.
 تصمیمات پزشکان متفاوت است و این تغییر پذیری نمی تواند در DSS لحاظ شود.
 با اینکه تصمیمهای پزشکی تا حدی علمی هستند اما به محیط و زمینه کار و تجربه نیز وابسته اند.
 پارادوکس تخصصی در DSS لحاظ نمی شود.
برخی محدودیت ها ومعایب سیستمهای های CDSS
 محدوده کوچکی از علم پزشکی را پوشش می دهند .
 نمیتوانند تنوع زیادی از استراتژیهای تشخیصی و درمانی را برای حل مشکلات بیماران پیچیده ارائه دهند.
 توصیه های CDSS بر مبنای اطلاعات ورودی بوده که این اطلاعات اغلب بخش کوچکی از اطلاعات لازم برای اخذ تصمیمات کلینیکی را تشکیل می دهند
 تاکید بیش از اندازه بر داده های آزمایشگاهی ممکن است موجب غفلت از اطلاعات روانی و اجتماعی بیمار می شود.
 ایجاد تغییر در رابطه بیمار و پزشک
 ایجاد محدودیت برای پزشک در حل مسایل بصورت مستقل
 مسایل حقوقی و قانونی در صورت بروز اشتباه و خطا
نتیجه گیری
پژوهش نشان داد که کاربرد DSS در پنج حوزه کاربری مدیریت جریان بیماری، مراقبت و درمان، تجویز دارو، ارزیابی و پیشگیری بر بهبود فرایند مراقبت و ارتقاء عملکرد درمانگران تأثیر بسزایی داشته است. به طور کلی می توان این تأثیرات را در سه گروه زیر بیان نمود:
-1 ارتقاء کیفیت مراقبت و افزایش ایمنی بیمار از طریق کاهش خطاهای دارویی و عوارض بعدی داروها و پیروی از دستورالعمل های بالینی مبتنی بر شواهد.
-2 افزایش هزینه- اثربخشی در اثر پردازش سریع تر دستورات، کاهش تکرار آزمایشات، کاهش عوارض بعدی داروها و تغییر الگوهای مصرف دارو به شکل تجویز داروهای ارزان تر اما با اثری یکسان با داروهای ژنریک.
-3 ارتقاء سطح دانش از طریق در دسترس بودن منابع علمی، ارائه یادآورها و همچنین ارائه اطلاعات مفید وضروری جهت تصمیم گیری مطلوب با حداقل خطا.
با این که تنها پزشک در قبال تصمیم اتخاذ شده در مورد بیمار مسئول است اما نمی تواند همه یافته های خود در مورد بیمار را به طور کامل به کامپیوتر منتقل کند. آموخته ها و تجربه های هر پزشک باید در DSS لحاظ شود. CDSS ها در بهترین حالت مانند یک پزشک مبتدی عمل می کنند. ولی با در نظر گرفتن همه این محودیت ها این سیستم ها می توانند در مواردی که دسترسی به پزشک متخصص برای مشاوره وجود ندارد ، بهترین کمک قابل اعتماد به عنوان مشاور برای یک پزشک باشد . در حوزه مدیریت بیمار، تشخیص و برنامه ریزی درمان می تواند برای پزشکان مفید بوده و کمک موثری ارائه نماید.
همچنین در مجموع 45 مطالعه با معیار های جستو جو مطابقت داشتند که شمار این مطالعات در طی سال های 1980 تا 2010 میلادی افزایش یافته است، از 28 مطالعه ای که تأثیر سیستم های تصمیم یار را در افزایش کیفیت مراقبت بیماران مورد بررسی قرار داده اند، 22 مطالعه ( 78 %) باعث ارتقای کیفیت مراقبت بیماران شده بودند. در 8 مطالعه ( 17 %)، تأثیر سیستم های تصمیم یار بر کاهش میزان اقدامات تشخیصی و درمانی غیرضروری بررسی گردید که در تمامی موارد سیستم مؤثر بوده است. 13 مطالعه( 28 %) نیز تأثیر این سیستم ها را در کاهش میزان خطاهای پزشکی مورد مطالعه قرار داده بودند که از این تعداد، 11 مطالعه ( 85 %) مؤثر واقع شده بودند.
و بطور کلی می توان گفت کاربرد سیستمهای تصمیم یاردر رویه های بالینی باعث افزایش کیفیت مراقبت،کاهش میزان اقدامات تشخیصی و درمانی غیر ضروری و کاهش میزان خطاهای پزشکی می شود. در نهایت لازم به ذکر است که برای افزایش اثربخشی این سیستم ها ضروری است فرهنگ سازمانی مناسب ایجاد و به درمانگران به عنوان کاربران این سیستم ها آموزش های کافی داده شود.
معرفی یک بانک اطلاعات خوب در این حوزه :
http://www.openclinical.org/home.html
شامل انواع مختلف نرم افزارهای پشتیبانی تصمیم گیری پزشکی
منابع
 Handbook of Medical Informatics - Bemmel, Musen, 1998 ISBN 3540633510
 HTTP://WWW.GMU.EDU/DEPTSTIP/FOCULTY/TFAC24.HTM
 BROWN REX, PREDICTING THE DECISION-AIDING VALUE OF DECISION RESAEARCH, 2000
 DECISION SUPPORT AND EXPERT SYSTEMS, MANAGEMENT INTELLIGENTER TECHNOLOGIAN, GMBH, HTTP://WWW.MITGMGH.DE/MIT/IT/INDEX.HTM
 CAMM JEFFERY D.AND EVANS JAMES R. MANAGMENT SCIENCE AND DECHISION TECHNOLOGY, SOUTH- WESTERN COLLEGE PUBLISHIN, 1999
 GIARRATANO JOSEPH, RILEY GARY, EXPERT SYSTEMS, PWS PUBLISHING CO. 1993.
 ABSTRACT OF CURRENT RESEARCH, HTTP://BEST ME. BERKELEY. EDU/
 ARTIFICIAL INTELLIGENCE, ARTIFICAL LIFE, HTTP://WWW.AI.ABOUT.COM/MSUBEXPERT.HTM, 2000
 http://www.ailibrary.net/Persian/Wiki/index.php
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (3) | بازتاب (0)
Study of Information Requirement Determination Process of an Executive Information System
ارسال شده توسط احمد محمدی | 24 12, 2013 | بازدید‌ها (751)
Study of Information Requirement Determination Process of an Executive
Information System
از
کتاب
Encyclopedia of Decision Making and Decision Support
Technologies
احمد محمدی
Ahmad.Mohammadi.A@gmail.com
پاییز1392
مقدمه
یک سیستم اطلاعات اجرایی (EIS) دسترسی آسان به اطلاعات مورد نیاز برای مدیریت ارشد فراهم می کند. این دسترسی می تواند به صورت افقی در سراسر سازمان و به صورت عمودی به دیگر مدیران سازمانی گسترش یابد و سه نوع عمده از مزایا را ارائه نماید : اطلاعات، پشتیبانی مدیریت ، و پشتیبانی سازمانی(Salmeron، 2002). بر طبق نظر Salmeron، یک کلید سیستم های اطلاعات اجرایی و عامل موفقیت آن ، تحقق نیازهای اطلاعاتی کاربران است. با این حال، فرآیند تخمین ( تعیین ) اطلاعات مورد نیاز کاربر ( IRD ) پیاده سازی یک سیستم اطلاعات اجرایی باقی مانده از عملکرد گیج کننده برای اکثر سازمان ها را پردازش می نماید. ( والتر ، جیانگ ، و کلاین ، 2003). به این دلیل است که تعیین اطلاعات مورد نیاز(IRD) با حداقل قابلیت فهم و حداقل رسمیت ، در عین حال حساس ترین مرحله پردازش توسعه سیستم های اطلاعات ( ISD ) است. این مرحله بسیار سخت است که بسیاری از محققان سیستم های اطلاعاتی استدلال می کنند که IRD مهمترین مرحله منفرد در طول فرایند توسعه پروژه سیستم های اطلاعات اجرایی است و اگر تعیین اطلاعات مورد نیاز (IRD) نادرست و ناقص باشد، حاصل سیستم نیز نادرست و ناقص خواهد بود. از این رو، درک مسائل موثر فرآیند تعیین اطلاعات مورد نیاز(IRD) سیستم های اطلاعات اجرایی (EIS) نقش حیاتی برای سازمان ها دارد) پون و واگنر ، 2001). با این حال، در مورد مسائل موثر در فرآیند IRD در طول پیاده سازی پروژه های سیستم های اطلاعات اجرایی ، کمتر شناخته شده اند ( خلیل ، 2005).
بنابراین، هدف این مقاله بررسی مسائل کلیدی فرایند IRD در طول پیاده سازی یک پروژه سیستم اطلاعات اجرایی در یک سازمان دولتی بزرگ استرالیا می باشد. این مقاله ابتدا متون مرتبط با IRD و EIS را بررسی می نماید . یافته های کلیدی و مسائل مربوط به شناسایی مطالعه موردی نیز ارائه شده است. مقاله به بررسی این یافته ها و مسائل مربوط به روشن سازی روش های IRD سازمان ها و نتیجه گیری توسط ارائه برخی از مطالعات پیاده سازی پروژه EISمی پردازد.
زمینه
IRD یک مرحله بحرانی از سیستم های اطلاعات اجرایی است. IRD در درجه اول مرتبط با برنامه های کاربردی خاص مانند سیستم های اطلاعات اجرایی است.IRD علاقه و بحث های بسیاری در میان پژوهشگران و پزشکان به عنوان یک پتانسیل به منظور بهبود میزان موفقیت پروژه های ISD مانند EIS ایجاد نموده است.( Havelka، 2002؛ وو و شن، 2006). فرایند IRD ، که براون و رامش (2002، ص 625) آن را تعریف کردند به عنوان "مجموعه ای از فعالیت های استفاده شده توسط تحلیلگر سیستم در هنگام ارزیابی قابلیت های مورد نیاز در یک سیستم پیشنهادی است" ، که بسیار مهم در به دست آوردن مجموعه ای کامل و صحیح از نیازهای کاربر است.
تعدادی از ابزارها و تکنیک ها برای حمایت از فرایند IRD در سیستم های اطلاعات اجرایی پروژه پیشنهاد شده است : نمونه سازی، توسعه نرم افزار های مشترک (JAD)، توسعه کاربردی سریع (RAD)، نمودار جریان داده ها (DFDs) و نمودار ارتباط موجودیت (ERDs; Duggan &Thachenkary, 2004; Spina & Rolando, 2002) . با این حال، با وجود تمام این روش ها و ابزار، تاریخ ISD با گزارش های متعدد از شکست کامل پروژه EIS دور انداخته شده است (خلیل، 2005).عمده دلیل این شکست ها تا حد زیادی ناشی از مشکلات در برخورد با اطلاعات مورد نیاز است (براون و رامش، 2002؛ دیویس، 1987).
در بسیاری از موارد ، اتمام بودجه و زمان از دست می رود. در بسیاری از موارد دیگر، طراحی و برنامه نویسی اولیه توسط یک ارزیابی مجدد به دنبال نیازها منجر به طراحی مجدد و سپس برنامه نویسی دوباره شده است( Urquart، 2001). بسیاری از شکست های پروژه EIS کمتر با مسائل فنی و یا برنامه نویسی مرتبطند . منبع بسیاری از این مشکلات در یک یا ترکیبی از عوامل اصلی زیر نهفته است : نقص و یا نادرست بودن مشخصات مورد نیاز ، عدم دخالت کاربر، عدم انعطاف پذیری سیستم های اطلاعات مبتنی بر کامپیوتر ، ارتباطات ضعیف، تحلیل های مختلف تحلیل گران سیستم ، و عوامل دیگر (Guinan، Cooprider، و فرج، 1998، کیرش و هانی، 2006). هر کدام از این عوامل به طور خلاصه در مجموعه های زیر مورد بحث قرار می گیرد.
نقص و / یا نادرست بودن مشخصات مورد نیاز
اغلب می تواند یک سازمان را راهنمایی کند تا متوجه مشکل نادرست و یا شناسایی نادرست نیازهای اطلاعاتی گردد. نارضایتی سهامداران از سیستم اطلاعاتی آنها مشتق شده از مشکل خواسته هایی که با دقت و / یا به طور کامل بیان نشده اند. (دیویدسون، 2002؛ خلیل، 2005). همچنین می تواند ناشی از این باشد که کاربران انتظارات غیر واقعی از سیستم های اطلاعات اجرایی نهایی دارند. بنابراین، نقص و نادرست بودن مشخصات مورد نیاز اغلب می تواند از شناسایی نیاز های اطلاعاتی غلط منجر شود یا به مشکل IRD نادرست بپردازد. این ممکن است در نهایت به شکست پروژه EIS منجر شود. به گفته براون و رامش (2002)، چالش های زیر باید توسط هر دو تحلیلگران و کاربران زمانی که آنها در تعامل هستند ، به رسمیت شناخته شود.
• هرگز نمی توان، مجموعه ای درست و کامل از نیازهای اطلاعاتی کاربر ایجاد شود.
• درخواست ها در طول زمان پایدار نیستند ، اما در یک فرآیند ثابت در حال تکامل اند .
• مهارت های تسهیل تحلیلگران سیستم برای مدیریت موثر فرایند IRD بسیار مهم است .
• تحلیلگران سیستم در زمینه های سیاسی بالایی کار می کنند.
عدم دخالت کاربر
یکی از عوامل عمده شکست پروژه های EIS عدم دخالت کاربر است . با شکست در طول مراحل توسعه سیستمی که کاربران درگیر آن هستد ، ممکن است احساس نا امیدی و سرخوردگی نمایند ، زمانی که آنها فن آوری های جدید مانند سیستم های اطلاعات اجرایی را به عنوان منشا تهدید بیرونی مشاهده می نمایند ( رابرتسون و رابرتسون ، 1999). معمولا مقاومت و درگیری بین حامیان مالی پروژه، تحلیلگران سیستم ها و کاربران را نتیجه می دهد ( دیویدسون ، 2002). نتایج عدم دخالت کاربر اغلب بی اعتمادی بین کاربران ، تحلیلگران سیستم ها و حامیان مالی پروژه می باشد . کاربران احساس می کنند قادر به تعیین آنچه می خواهند نیستند زیرا آنها نمی دانند که چه چیزی امکان پذیر است ، در حالی که تحلیلگران سیستم ها سعی می کنند که آنچه که امکان پذیر است را توضیح دهند اما توصیف روش آنها توسط کاربران درک نشده است. ( براون وRogich، 2001؛ I. وو و شن ، 2006 ) معمولا نه تنها رضایت شغلی را در هر دو طرف کاهش می دهد بلکه منجر به طراحی سیستم کم کیفیت می شود( آلوارز ، 2002).
عدم انعطاف پذیری سیستم های اطلاعاتی مبتنی بر کامپیوتر
سیستم های اطلاعاتی مبتنی بر کامپیوتر (به عنوان مثال ، سیستم های اطلاعات اجرایی ) اغلب عدم انعطاف پذیری برای مواجه با تغییر نیاز های اطلاعاتی کاربر و تعامل کمی با سیستم های موجود را دارند(Salmeron، 2002؛ I. وو و شن ، 2006).
چرا که اغلب برای کامپیوتر های سبک برنامه ریزی شده اند و هر گونه تغییر که شامل تغییر در برنامه که نیاز به یک توالی دقیق از مراحل به کار گرفته شده است که وقت گیر و از هم گسیخته می باشد. برخی از تغییرات ، حتی تغییراتی که برای کاربر غیر متخصص بی اهمیت به نظر می رسد ، نمی تواند در سیستم بدون طراحی مجدد بخش های اساسی از سیستم کامپیوتری گنجانیده شود( LauesenوVinter، 2001؛ Sutcliffe ،2000 ). علاوه بر این ، از آنجا که سازمان ها و افراد در آنها پویا و همواره در حال تغییر در همه زمان ها هستند ، یک سیستم اطلاعات مبتنی بر کامپیوتر که بیش از حد طول می کشد تا به پایان برسد قادر نخواهد بود با نیازهای کاربران مواجهه شود و از این رو به یک سد راه عمده برای موفقیت سیستم های اطلاعات اجرایی تبدیل می شود .
ارتباطات ضعیف
ارتباطات ضعیف بین کاربران و تحلیلگران همچنین از عوامل موثر درشکست سیستمهای اطلاعات اجرایی است(Urquart، 2001 ). مهارت های ارتباطی تحلیلگران سیستم تاثیر قابل توجه ی درموفقیت و کامل بودن نیاز های اطلاعاتی EIS دارد. برخی از دلایل مهم برای مشکلات ارتباطی به شرح زیر است(داگلاس، 2003،. Guinanو همکاران،1998؛Urquart):
•دیدگاه های مختلف ازذینفعان مختلف در مطالعه سیستم
•بلاتکلیفی بخشی از کاربران از تاثیر سیستم نهایی درنقش فردی آنها در سازمان
•مشاهده شده که عملکرد کاربر با سیستم های غیر رسمی و روش رسمی سیستم های موجود کمتر از روش های غیر مجاز و رسمی پیشی می گیرد.
•مشکل مقابل هر دو کاربر و تحلیلگران سیستم ها ، سیستم های جدیداست که تقریبا به طور قطع شامل نوآوری های فنی می باشد.
تحلیل های مختلف تحلیل گران سیستم ها
آموزش و عملکرد تحلیل گران سیستم ها می تواند باهم منبع مشکلات باشد هنگامی که ارتباطات با فرایند IRD از چند تحلیلگر سیستم برای مقابله با ماهیت اجتماعی اساسی IS سازماندهی شده اند. تحلیلگران سیستم فکر می کنند که متخصص هایی هستند که مشکل را تجزیه و تحلیل، تعریف و راه حلی برای آن ارائه می نمایند(بری، 2002 ). بسیاری از مشکلات پروژه های ISD مانند EIS را می توان به مشکلات رفتاری سازمان نسبت داد. این مشکلات رفتاری نتیجه طراحی های بد هستند.این طراحی های بد به سبک مشاهده تحلیلگران سیستم از سازمان، خود کاربران و تابع ISD نسبت داده می شود.
عوامل دیگر
همچنین برخی عوامل قابل توجه دیگر که می توانند بر روی میزان موفقیت پروژه های ISD تاثیر گذار باشند، وجود دارد. این عوامل عبارتند از ارزیابی نادرست از دامنه مشکل و مسائل سازمانی فراگیر ، کنترل بودجه ضعیف، تاخیر در توسعه کاربردی، مشکل در ایجاد تغییرات ،انبار مخفی، اشکالات برنامه ونرم افزار ،سیستم هایی که هزینه بسیار زیاد برای توسعه و حفظ آنها بیش از حد انتظار است و فرآیندهای توسعه که پویا نیستند (آلوارز، 2002 نیست،براونورامش، 2002؛Havelka، ساتن، وآرنولد، 2001).
روش تحقیق
هدف از این پژوهش، بررسی مسائل کلیدی از فرایند تعیین نیاز کاربر در طول فرآیند توسعه پروژه های EIS است . یک مورد مطالعه وسیع در یک سازمان بزرگ بخش عمومس استرالیا که درگیر پیاده سازی یک پروژه EIS است، انجام شد. این سازمان مسئول اصلی ارائه خدمات آموزش و پرورش در استرالیا بود. این سازمان گردش مالی سالانه 500 میلیون دلار و در حدود 3000 کارمند دارد. به منظور پاسخگویی لازم به کیفیت مورد نیاز آموزشی و مجموعه ی دستورالعمل های دولت استرالیا، سازمان تصمیم به پیاده سازی EIS برای کمک به تصمیم گیری مناسب ، گرفته بود . هدف از EIS (a) پشتیبانی از گزارش های سازمانی در زمینه های برنامه و بررسی برنامه ریزی، گزارش سالانه، و محک زنی و بهترین عملکرد ها است، (ب) حمایت از سازمان در تعهد خود از فعالیت های مربوط به کیفیت و (ج) شناسایی کمبودها در منابع داده. در ابتدا، محققان در شش جلسه از فرایند IRD که بین تحلیلگران سیستم ها و کاربران کلیدی سازمان بود، شرکت کردند . پس از اتمام تمام این جلسات، محققان سوالات مصاحبه ، که قبل از این جلسه پیش نویس آن آماده شده بود را پالایش و اصلاح کردند
سپس 16 مصاحبه با نه شرکت کننده کلیدی انجام شد و این شامل دو تن از حامیان مالی اصلی پروژه های EIS ، یک تحلیلگر سیستم های خارجی، و شش تن از کاربران اصلی EIS می شد. مصاحبه بر فرایند پروژه EIS ، نمایش ذینفعان مختلف از EIS ، فرایند IRD ، و روند ارزیابی EIS ، متمرکز بود. هر مصاحبه بین 1 تا 2 ساعت به طول انجامید. همه مصاحبه ها ضبط شد و متن مصاحبه شوندگان برای اعتبار سنجی ارسال شد .
در مواردی که اختلاف نظر بین شرکت کنندگان وجود داشت ، هر یک برای روشن شدن مواضع خود ، مصاحبه انجام داده و یا ایمیل ارسال شده را پیگیری نمودند. سایر اطلاعات جمع آوری شده شامل برخی از پیشنهادهای پروژه های واقعی و مشخصات جزئیات مورد نیاز برای پروژه EIS ، اسناد برنامه ریزی، و برخی از صورت جلسات است. بیش از 300 صفحه از متن کد شده و مورد تجزیه و تحلیل قرار گرفت . جمع آوری داده ها در این سازمان تا زمان نقطه اشباع نظری ادامه دارد ، که آن زمانی است که ارزش مصاحبه به عنوان جزئی بی اهمیت در نظر گرفته شود (Eisenhardt ، 1989). تجزیه و تحلیل محتوای کیفی سپس برای تجزیه و تحلیل داده های جمع آوری شده ، مورد استفاده قرار گرفت (مایلز و Huberman در، 1994). تجزیه و تحلیل از مواد نیز به صورت دوره ای انجام شده و مسائلی که دوباره توسط محققان و کارشناسان دیگر چک شده اند، شناسایی می شوند. دستورالعمل ها (به عنوان مثال، تفاسیر چندگانه) توسط کلاین و مایرز (1999) برای اجرا و ارزیابی مطالعات تفسیری در سیستم های اطلاعات به منظور بهبود کیفیت پژوهش تنظیم شدند .
یافته های پژوهش
تعدادی از مسائل از تجزیه و تحلیل داده ها پدیدار شدند وبرخی از مسائل فرایند IRD پروژه EIS را احاطه کردند که در زیر برخی از جزئیات ارائه می شود . اطلاعات مرتبط از مشاهده و بررسی سناد در بحث برای پشتیبانی یافته های بیشتر ، یکپارچه شده اند.
مطلب 1: مشکلات در استفاده از روش شناسیIRD
داده ها ی مصاحبه نشان داد که به طور کلی سازش در میان کاربران در روش شناسی ISD/IRD ، ابزار، و یا حل مسئله وجود دارد که توسط تحلیلگر سیستم های خارجی در طول فرایند IRD با کاربران برای پروژه EIS استفاده می شود .
در عوض، تنها مصاحبه ای که توسط تحلیلگر سیستم های خارجی برای جمع آوری اطلاعات مورد نیاز از کاربران انجام شده است .به عنوان مثال یک کاربر گفت: "این احساس بسیار مانند سوالاتی است که من پاسخ دادم زیرا این مصاحبه ای است که از آن خوشم می آید .... من احساس نمی کند که در چیزی جا داده شدم تا در آن شرکت کننده باشم .بنابراین آن بسیار بسیار شبیه به یک پرسش و پاسخ است. " کاربر انتظار نوعی از روش شناسی را داشت که توسط تحلیلگر سیستم در طول جلسه IRD مورد استفاده قرار گیرد . مشاهده محققان، ادعای آنها را حمایت کرد. برخی از کاربران پیشنهاد دادند که از یک روش ثابت و نموداری که برای فرایند IRD ارزشمند باشد ، استفاده شود. با این حال، حامیان مالی و تحلیلگر سیستم ها ادعا کردند که نوعی از روش شناسی در طول جلسه IRD ، استفاده شده است، اگر چه این توسط محققان مشاهده نشد. به عنوان مثال، یک تحلیلگر سیستم گفت: "من آزادانه به روش های مختلف کار می کردم، در گذشته مرتب ، به طور خاص، از روش اول آرتور اندرسن و APT استفاده می کردم .اما آنها مستقیما در تجربه و اشاره به اسناد و مدارک گرایش داشتند. "علاوه بر این، تحلیلگر سیستم تا آنجا پیش رفت که گفت استفاده از نمودارهایی مانند DFDs و ERDs کاربران را گیج می نماید. بسیاری از کاربران در مصاحبه با محققان این ادعا را رد کرده بود.
مطلب 2: عدم دخالت کاربر
همه کاربران سهم خود را در جلسات IRD که با فقدان اطلاعات مختل شده بود، نشان دادند . علاوه بر این، به جای داشتن چندین جلسه IRD با تحلیلگر سیستم ها ، اکثر کاربران پیشنهاد کردند که جلسات گروهی برای ایجاد همکاری در میان کاربران به مراتب موثر تر است.
کاربران احساس کردند که توانایی آنها برای شرکت در فرایند IRD با داشتن چنین جلسات گروهی ای افزایش یافته است. در عوض، فرایند IRD برای پروژه EIS که توسط کاربران درک شده ، تنها یک عمل پرسش و پاسخ بود. اگر چه به کاربران این فرصت داده شد تا هر گونه سوال و نگرانی در مورد سیستم موجود و همچنین سیستم های اطلاعات اجرایی آینده را ابراز کنند ، اما مشکل این بود که به کاربران هیچ اطلاعات قبلی ، قبل از جلسات IRD نمی دادند. کاربران احساس می کردند که به آنها هیچ زمان و اطلاعاتی برای آماده شدن برای جلسات با تحلیلگر سیستم ها داده نشده است . مشکل مرکب از عدم پیگیری به وسیله تحلیلگر سیستم ها بود. کاربران سهمی در ایجاد پروژه EIS نمی دیدند و بحران حامیان مالی پروژه این بود که تحلیلگر ان سیستم در مورد پروژه با آنها مشورت نمی کردند . محققان به صورت خصوصی به یکی از حامیان مالی پروژه گفتند که تحلیلگر سیستم عدم درگیری کاربران نسبت به مراحل دیگر پروژه را آموزش داده اند. حامیان مالی پروژه برای برخی از کاربران خود در مورد اطلاعات مورد نیاز شان نگران شدند .
مطلب 3 : عدم رضایت کاربر
بیشتر کاربران از فرایند IRD پروژه EIS ناراضی هستند و تحت تاثیر عملکرد حامیان مالی پروژه و به ویژه، تحلیلگرسیستم ها قرار نگرفتند . به عنوان مثال، یک کاربر بسیار منتقد از حامیان مالی پروژه و تحلیلگران سیستم گفت: " من فکر می کنم آنچه که آنها باید انجام دهند این است که به کاربر از آنچه که انتظار دارد که سیستم EIS باید قادر به انجام آن باشد ، درک درستی بدهند و تا جای ممکن متناسب با آن ...
هیچ یک از کاربران اطلاعات و وقت کافی برای ایجاد فرایند IRD را نمی دهند .به عنوان مثال، یک کاربر شکایت کرد و گفت: " اگر افرادی قصد در گیر شدن در فرآیند IRD را دارند ، آنها باید بدانند که چرا ... " مشکل توسط دستورالعمل های حامیان مالی پروژه که زمان بیشتری برای گوش دادن به نیاز های کاربران صرف نکردن ، پیچیده شده بود ، و نیز این واقعیت که محدوده پروژه مشخص نیست .
مطلب 4 : هم کاربران و تحلیلگران سیستم در مورد فقدان هدف و اطلاعات برای این پروژه EIS شکایت کردند . برخی از ایده های مطرح شده توسط کاربران به شرح زیر است: (الف) جلسات گروه باید به استخراج الزامات و نیازهای کاربران ختم شود، (ب) تحقیقات بیشتر باید توسط تحلیلگر سیستم ها قبل از فرایند IRD هدایت شود، و (ج) اطلاعات بیشتر در مورد هدف از جلسه توسط تحلیلگر سیستم ها باید پیشاپیش داده شده باشد. همانطور که قبلا ذکر شد، دلیل ندادن اطلاعات مناسب به کاربران قبل از جلسات می تواند به علت این واقعیت باشد که دستورالعمل داده شده توسط حامیان مالی پروژه به تحلیلگر سیستم ها مراحل IRD در اسرع وقت ممکن به پایان برساند . به عنوان مثال، تحلیلگر سیستم ها گفت ، " مشکل این بود که من با این مورد خاص نه چندان اطلاعات مورد نیاز زیادی از کاربران را جمع آوری نمایم .... مشکل این بود که من با مراحل IRD قادر به حفظ دامنه محدود نبودم. " این تحلیلگر سیستم با مشکل حفظ گستره محدود از پروژه EIS مواجه بود و از این رو قادر نبود که دقیقا به کاربران بگوید که این پروژه قرار بود به مانند چه باشد.
مطلب 5: فرهنگ و سیاست
تعدادی از کاربران به فرهنگ و سیاست در سازمان اشاره کردند که بسیاری از کارکنان را مجبور به بیداری از غفلتی کرد ، در مورد کل فرآیندی که آنها احساس می کردند که نمی توانند تفاوتی در آن ایجاد کنند. به عنوان مثال، یک کاربر در مورد فرهنگ و سیاست که در درون سازمان وجود داشته شکایت کرده که علت این است که با کاربران در مورد اجرای پروژه های جدید مانند سیستم های اطلاعات اجرایی مشورت نمی نمایند . این اغلب منجر به شکست پروژه شده است . به عنوان مثال، او گفت، "در حال حاضر من امیدوارم که یکی دیگر از این پروژه ها در نهایت به شکست منجر نشود. در سوابق گذشته، ما شانس داشتیم و وقتی این اتفاق می افتد، همه از یک خودستایی عبور می کنند. یک نوع سیستم مدیریت اطلاعات از افراد گفته می شود، اما من آنچه شما به ما گفته اید را تکمیل می کنم."
تمامی کاربران احساس می کردند که این تا حدی در پروژه سیستم های اطلاعات اجرایی تکرار شده است . یک مثال خوب از این ،عدم اطلاعات داده شده به کاربران توسط تحلیلگر سیستم قبل از جلسات تعیین اطلاعات مورد نیاز می باشد. پروژه سیستم های اطلاعات اجرایی معمولا با آفت سیاست مواجه می شوند. بسیاری از کاربران مصاحبه شده از سبک حامی مالی پروژه ناراضی بودند که نقش مهمی در این پروژه سیستم های اطلاعات اجرایی داشتند . از طرف دیگر ، حامیان مالی پروژه همچنین نشان دادند که آنها در برخورد با کاربران سازمان بی حوصله هستند. حامیان مالی پروژه پذیرفته اند که محققان با برخی از کاربران همراه نیستند.
تحلیلگر سیستم ها نیز با این دیدگاه بیان شده توسط برخی از کاربران موافق هستند که پروژه سیستم های اطلاعات اجرایی به احتمال زیاد منجر به شکست می شود چنانکه نتیجه مستولی شدن فرهنگ و سیاست های موجود در درون سازمان است. هر دو تحلیلگر سیستم ها و کاربران قبلا در داخل و خارج از سازمان ، شکست های بسیاری از پروژه توسعه سیستم های اطلاعاتی را دیده بود. به طور کلی، بسیاری از مسائل کلیدی از این مطالعه که تا حد زیادی با مطبوعات سازگارند، شناسایی شدند. با این حال، تحقیقات بیشتر نشان داد که عدم رضایت کاربر و فرهنگ و سیاست سازمانی نیز تأثیر عمده ای در موفقیت پیاده سازی پروژه های سیستم های اطلاعات اجرایی دارد.
روندهای آینده
در طول دهه گذشته، نام سیستم های اطلاعاتی از سیستم اطلاعات اجرایی به سیستم های هوش تجاری (BI) تغییر پیدا کرده اند. (J. Wu, 2000) . هوش تجاری یک چارچوب کاری شامل فرایندها، ابزار و فناوری های مختلف است که برای تبدیل داده به اطلاعات و اطلاعات به دانش مورد نیاز هستند، که با استفاده از همین دانش مدیران قادر به تصمیم گیری بهتر می شوند و در نتیجه عملکرد سازمان خود را بهبود می بخشند.
بنابراین هوش تجاری مجموعه ای از مهارت ها، فناوری ها و سیستم های کاربردی است که برای جمع آوری، ذخیره سازی ، تحلیل و ایجاد دسترسی کارآمد به انبارهای داده جهت کمک به سازمان ها برای تصمیم گیری صحیح مورد استفاده قرار می گیرد.
علاوه بر این، هوش تجاری شامل نرم افزاری برای استخراج، دستکاری و بارگذاری داده ها در انبار داده ها (ETL) ، چند بعدی و یا پردازش تحلیلی آنلاین (OLAP)، تجزیه و تحلیل داده ها و استخراج اطلاعات می شود. با این حال ، هنوز هم برخی از چالش ها برای غلبه قبل از هوش تجاری می تواند مورد استفاده قرار گیرد و به طور گسترده تر پیاده سازی می شود. این موارد شامل شناخت پروژه های هوش کسب و کار به عنوان طرح های کسب و کار متقابل سازمانی، درگیر شدن حامیان مالی کسب و کار، و توسعه وب سایت خودکار سیستم هوشمند برای استخراج عملی دانش سازمانی با اعمال نفوذ محتوای وب سایت است.
نتیجه
این مطالعه موردی روابط پویا بین حامیان مالی پروژه ، کاربران و تحلیل گر سیستم ها را در طول فرایند IRD یک پروژه EIS نشان می دهد. بیشتر شکایات کاربران در مشکل دادن نیازهای دقیق و کامل به تحلیلگر سیستم در طول فرایند IRD متمرکز شدند. مشکلات آنها نه تنها ریشه ی ناتوانی کاربران در تعیین خواسته هایشان است ، بلکه همچنین تحت تاثیر نگرش تحلیلگر سیستم ها و حامیان مالی پروژه ی EIS نسبت به نظرات کاربران قرار گرفته است. همچنین نتایج اختلاف موجود بین آنچه که تحلیلگر سیستم در مورد کاری که انجام شده گفته )تئوری حمایت ) و کاری که او در واقع انجام داده ( تئوری استفاده شده ) در طول فرایند IRD را نشان داد .به عنوان مثال، تحلیلگر سیستم ها اصرار کرده بود که نوعی روش شناسی رسمی برای استخراج نیازهای کاربر مورد استفاده قرار گیرد که در واقع هیچ کدام وجود نداشت .
علاوه بر این، این تحقیقات نشان داده است که تفاوت قابل توجهی بین نظر کاربران و تحلیلگر سیستم ها وجود دارد . به عنوان مثال، در حالی که درجه بالایی از توافق در مورد عدم محدوده پروژه و وجود مسائل در فرهنگ و سیاست وجود دارد ، اختلاف قابل توجهی در مورد به کارگیری روشIRD برای جمع آوری نیاز های اطلاعاتی مورد استفاده در EIS ، عدم دخالت کاربر و عدم رضایت کاربر وجود دارد .
همچنین تعجب آور بود برای شنیدن از سیستم های خود تحلیلگر و بیشتر کاربران که آنها به این پروژه EIS ، با توجه به سابقه طولانی در شکست پروژه های ISD در درون سازمان، برای موفقیت خیلی خوش بین نیستند . نقش این مقاله کوتاه این است که ، عدم رضایت کاربر و مسائل مربوط به فرهنگ و سیاست سازمانی که تأثیر عمده ای در موفقیت اجرای پروژه های سیستم های اطلاعات اجرایی دارد را مشخص نماید .
کلمات کلیدی
هوش تجاری (BI) : فرآیند نظارت و تجزیه و تحلیل فرآیندهای تراکنش کسب و کار برای اطمینان از اینکه آنها بهینه شده برای تلاقی با اهداف کسب و کار سازمان هستند.
داده کاوی : این یک فعالیت استخراج اطلاعات است که هدف آن جستجوی در حجم زیادی از داده ها برای طرح و کشف حقایق مخفی موجود در پایگاه داده می باشد .
انبار داده ها : این یک پایگاه داده رابطه ای طراحی شده برای پرس و جو و تجزیه و تحلیل، و معمولا شامل داده های تاریخی هستند که از داده های نتیجه مشتق شده است.
سیستم اطلاعات اجرایی (EIS) : برنامه ای که سازمان ها را با ابزار در عین حال ساده و قدرتمند برای مشاهده و تجزیه و تحلیل عوامل کلیدی و روند عملکرد در زمینه های فروش، خرید، تولید ، امور مالی و غیره آماده می نماید.
تعیین نیازهای اطلاعاتی(اطلاعات مورد نیاز) ( IRD ) : مجموعه ای از فعالیت های استفاده شده توسط یک تحلیلگر سیستم هنگام ارزیابی قابلیت های مورد نیاز در یک سیستم پیشنهادی است.
توسعه کاربرد مشترک ( JAD ) : روند اصلی برای طراحی یک سیستم مبتنی بر کامپیوتر است. کاربران کسب و کار و حرفه ای های فناوری اطلاعات را در یک کارگاه بسیار متمرکز شده گرد هم می آورد.
توسعه سریع برنامه ( RAD ) : این یک روش برای فشرده سازی تجزیه و تحلیل ، طراحی، ساخت ، و مراحل آزمون در یک رشته کوتاه مدت ، تکرار شونده چرخه توسعه است.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
معرفی و روش استفاده از نرم ­افزار داده کاوی Weka
ارسال شده توسط احمد محمدی | 17 12, 2013 | بازدید‌ها (5619) معرفی نرم ­افزار داده کاوی Weka
تا به امروز نرم افزار های تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده­اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار می­دهند، روی الگوریتمهای خاصی متمرکز شده­اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگوریتمها پیاده سازی شده، روشهای ارزیابی نتایج، روشهای مصور سازی ، روشهای پیش پردازش داده ها، واسطهای کاربر پسند ، پلت فرم های سازگار برای اجرا،‌ قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، ‌نرم افزار Weka با داشتن امکانات بسیار گسترده،‌ امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارآ، سازگاری با سایر برنامه­های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [ Data Mining, witten et Al. 2005 ] ، معرفی می­شود.
میزکار Weka ، مجموعه­ای از الگوریتم­‏های روز یادگیری ماشینی و ابزارهای پیش پردازش داده­‏ها می‏­باشد. این نرم­افزار به گونه­ای طراحی شده است که می‏­توان به سرعت، روش­‏های موجود را به صورت انعطاف­پذیری روی مجموعه­‏های جدید داده، آزمایش نمود. این نرم­افزار، پشتیبانی‏‏های ارزشمندی را برای کل فرآیند داده کاوی ­‏های تجربی فراهم می‏­کند. این پشتیبانی‏ها، آماده سازی داده­‏های ورودی، ارزیابی آماری چارچوب­‏های یادگیری و نمایش گرافیکی داده­‏های ورودی و نتایج یادگیری را در بر می­گیرند. همچنین، هماهنگ با دامنه وسیع الگوریتم­‏های یادگیری، این نرم­افزار شامل ابزارهای متنوع پیش پردازش داده­هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر می‏­تواند روش­‏های متفاوت را در آن با یکدیگر مقایسه کند و روش­‏هایی را که برای مسایل مدنظر مناسب­تر هستند، تشخیص دهد.
نرم­افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت "Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرنده­ای با طبیعت جستجوگر است که پرواز نمی‏­کند و در نیوزلند، یافت می‏­شود. این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است. Weka تقریباً روی هر پلت فرمی اجرا می‏­شود و نیز تحت سیستم عامل­‏های لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی ، آزمایش شده است.
این نرم­افزار، یک واسط همگون برای بسیاری از الگوریتم­‏های یادگیری متفاوت، فراهم کرده است که از طریق آن روش­‏های پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده­‏ موجود، قابل اعمال است.
نرم افزار Weka ، پیاده سازی الگوریتم­‏های مختلف یادگیری را فراهم می‏­کند و به آسانی می‏­توان آنها را به مجموعه های داده خود اعمال کرد.
همچنین، این نرم­افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه­‏ های داده­‏ها، همانند الگوریتم­‏های گسسته سازی می‏­باشد. در این محیط می‏­توان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته­بندی حاصله و کارآیی­اش را مورد تحلیل قرار داد. (همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه­ای میسر است.)
این محیط، شامل روش­‏هایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‏بندی، خوشه­بندی، کاوش قواعد انجمنی و انتخاب ویژگی می‏­باشد. با در نظر گرفتن اینکه، داده­‏ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده­‏ها و مصورسازی آنها فراهم گشته است. همه الگوریتم­‏ها، ورودی­‏های خود را به صورت یک جدول رابطه­ای به فرمت ARFF دریافت می‏­کنند. این فرمت داده­‏ها، می‏­تواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه داده­ای تولید گردد.
یکی از راه­‏های به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات می‏­باشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیش‏بینی­‏هایی در مورد نمونه­‏های جدید است. سومین راه، اعمال یادگیرنده­‏های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین می‏­باشد. روش­‏های یادگیری Classifier نامیده می‏­شوند و در واسط تعاملی Weka ، می‏­توان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ‏ها پارامترهای قابل تنظیم دارند که می‏­توان از طریق صفحه ویژگی‏‏ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‏گیری کارآیی همه classifier به کار می‏­رود.
پیاده سازی­‏های چارچوب­‏های یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می‏­کند. ابزارهایی که برای پیش پردازش داده­‏ها استفاده می‏­شوند. filter نامیده می‏­شوند. همانند classifier ‏ها، می‏­توان filter ‏ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندی­‏های خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره می‏­شود.
علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتم­‏هایی برای یادگیری قواعد انجمنی، خوشه­بندی داده­‏ها در جایی که هیچ دسته­ای تعریف نشده است، و انتخاب ویژگی‏های مرتبط در داده­‏ها می‏­شود.
روش استفاده از Weka
روش استفاده از Weka
شکل 1،‌ راههای انتخاب واسط­های مختلف Weka را نشان می­دهد.
آسان­ترین راه استفاده از Weka ، از طریق واسطی گرافیکی است که Explorer خوانده می‏شود. این واسط گرافیکی، به وسیله انتخاب منوها و پر کردن فرم­‏های مربوطه، دسترسی به همه امکانات را فراهم کرده است. برای مثال، می‏­توان به سرعت یک مجموعه داده را از یک فایل ARFF خواند و درخت تصمیم‏گیری آن را تولید نمود. امادرخت­‏های تصمیم‏گیری یادگیرنده صرفاً ابتدای کار هستند. الگوریتم­‏های بسیار دیگری برای جستجو وجود دارند. واسط Explorer کمک می‏­کند تا الگوریتم­‏های دیگر نیز آزمایش شوند.
شکل 1. Weka در وضعیت انتخاب واسط
این واسط با در اختیار گذاشتن گزینه­‏ها به صورت منو، با وادار کردن کاربر به اجرای کارها با ترتیب صحیح، به وسیله خاکستری نمودن گزینه­‏ها تا زمان صحیح به کارگیری آنها، و با در اختیار گذاشتن گزینه­‏هایی به صورت فرم­‏های پرشدنی، کاربر را هدایت می‏­کند. راهنمای ابزار مفیدی، حین عبور ماوس از روی گزینه­‏ها، ظاهر شده و اعمال لازم مربوطه را شرح می‏­دهد. پیش­فرض­‏های معقول قرار داده شده، کاربر را قادر می‏­سازند تا با کمترین تلاشی، به نتیجه برسد. اما کاربر باید برای درک معنی نتایج حاصله، راجع به کارهایی که انجام می‏­دهد، بیندیشد.
Weka دو واسط گرافیکی دیگر نیز دارد. واسط knowledge flow به کاربر امکان می‏­دهد تا چنیش­‏هایی برای پردازش داده­‏های در جریان، طراحی کند. یک عیب پایه­ای Explorer . نگهداری هر چیزی در حافظه اصلی آن است. (زمانی که یک مجموعه داده را باز می‏­کنیم، Explorer ، کل آن را، در حافظ باز می‏­کند) نشان می‏­دهد که Explorer ، صرفاً برای مسایل با اندازه­‏های کوچک تا متوسط، قابل اعمال است. با وجود بر این Weka شامل تعدادی الگوریتم­‏های افزایشی است که می‏­تواند برای پردازش مجموعه های داده بسیار بزرگ مورد استفاده قرار گیرد. واسط knowledge flow امکان می‏­دهد تا جعبه [15] ­‏های نمایانگر الگوریتم­‏های یادگیری و منابع داده­‏ها را به درون صفحه بکشیم و با اتصال آنها به یکدیگر، ترکیب و چینش دلخواه خود را بسازیم. این واسط اجازه می‏­دهد تا جریان داده­ای از مؤلفه­‏های به هم متصل که بیانگر منابع داده، ابزارهای پیش پردازش، روش­‏های ارزیابی و واحدهای مصوّر سازی هستند تعریف شود. اگر فیلترها و الگوریتم­های یادگیری، قابلیت یادگیری افزایشی را داشته باشند، داده­‏ها به صورت افزایشی بار شده و پردازش خواهند شد.
سومین واسط Weka ، که Experimenter خوانده می‏­شود، کمک می‏­کند تا به این سؤال عملی و پایه­ای کاربر حین استفاده از تکنیک­‏های رده‏بندی و رگرسیون، پاسخ دهد: "چه روش­‏ها و پارامترهایی برای مسأله داده شده، بهتر عمل می‏­کنند؟"
عموماً راهی برای پاسخگویی مقدماتی به این سؤال وجود ندارد و یکی از دلایل توسعه Weka ، فراهم نمودن محیطی است که کاربران Weka را قادر به مقایسه تکنیک­‏های گوناگون یادگیری بنماید. این کار، می‏­تواند به صورت تعاملی در Explorer انجام شود. با این وجود، Experimenter با ساده کردن اجرای رده‏بندی کننده­‏ها و فیلترها با پارامترهای گوناگون روی تعدادی از مجموعه­‏های داده، جمع­آوری آمار کارآیی و انجام آزمایش­‏های معنا، پردازش را خودکار می‏­کند. کاربرهای پیشرفته، می‏­توانند از Experimenter برای توزیع بار محاسباتی بین چندین ماشین، استفاده کنند. در این روش، می‏­توان آزمایش­‏های آماری بزرگی را راه­اندازی نموده و آنها را برای اجرا، رها نمود.
ورای این واسط­‏های تعاملی، عملکرد پایه­ای Weka قرار دارد. توابع پایه­ای Weka ، از طریق خط فرمان [16] ­‏های متنی قابل دسترسی هستند. زمانی که Weka ، فعال می‏­شود، امکان انتخاب بین چهار واسط کاربری وجود دارد: Explorer ، knowledge ، Experimenter و واسط خط فرمان.
اکثر کاربران، حداقل در ابتدای کار Explorer را به عنوان واسط کاربری انتخاب می‏­کنند.
3. قابلیتهای Weka
مستندسازی در لحظه، که به صورت خودکار از کد اصلی تولید می‏­شود و دقیقاً ساختار آن را بیان می‏­کند، قابلیت مهمی است که حین استفاده از Weka وجوددارد.
نحوه استفاده از این مستندات و چگونگی تعیین پایه­‏های ساختمانی اصلی Weka ، مشخص کردن بخش­‏هایی که از روش­‏های یادگیری با سرپرست استفاده می‏­کند، ابزاری برای پیش پردازش داده­‏ها بکار می‏­رود و اینکه چه روش­‏هایی برای سایر برنامه­‏های یادگیری وجود دارد، در ادامه تشریح خواهد شد. تنها به لیست کاملی از الگوریتم­‏های موجود اکتفا می‏­شود زیرا Weka به طور پیوسته تکمیل می‏­شود و به طور خودکار از کد اصلی تولید می‏­شود. مستندات در لحظه همیشه به هنگام شده می‏­باشد. اگر ادامه دادن به مراحل بعدی و دسترسی به کتابخانه از برنامه جاوا شخصی یا نوشتن و آزمایش کردن برنامه­‏های یادگیری شخصی مورد نیاز باشد، این ویژگی بسیار حیاتی خواهد بود.
در اغلب برنامه­‏های کاربردی داده کاوی، جزء یادگیری ماشینی، بخش کوچکی از سیستم نرم­افزاری نسبتاً بزرگی را شامل می‏­شود. در صورتی که نوشتن برنامه کاربردی داده کاوی مد نظر باشد، می‏­توان با برنامه­نویسی اندکی به برنامه­‏های Weka از داخل کد شخصی دسترسی داشت. اگر پیدا کردن مهارت در الگوریتم­‏های یادگیری ماشینی مدنظر باشد، اجرای الگوریتم­‏های شخصی بدون درگیر جزییات دست و پا گیر شدن مثل خواندن اطلاعات از یک فایل، اجرای الگوریتم­‏های فیلترینگ یا تهیه کد برای ارزیابی نتایج یکی از خواسته­‏ها می‏­باشد. Weka دارای همه این مزیت­‏ها است. برای استفاده کامل از این ویژگی، باید با ساختارهای پایه­ای داده­‏ها آشنا شد.
4. دریافت Weka
نرم افزار Weka ، در آدرس http://www.cs.waikato.ac.nz/me/weka ، در دسترس است. از این طریق می‏­توان نصب کننده [17] متناسب با یک پلت فرم معین، یا یک فایل Java jar را که در صورت نصب بودن جاوا به راحتی قابل اجرا است، دانلود [18] نمود.
5. مروری بر Explorer
واسط گرافیکی اصلی برای کاربران،‌ Explorer است که امکان دسترسی به همه امکانات Weka را از طریق انتخاب منوها و پر کردن فرمها فراهم می­آورد. شکل 2،‌ نمای Explorer ‌ را نشان می­دهد. در این واسط، شش پانل [19] مختلف وجود دارد که از طریق نوار [20] بالای صفحه قابل انتخاب هستند و با وظایف [21] داده کاوی پشتیبانی شده توسط Weka ‌ متناظر می­باشند.
شکل 2. واسط گرافیکی Explorer
دو گزینه از شش گزینه بالای پنجره Explorer در شکل های 3 و 4 به طور خلاصه تشریح شده است.
به طور خلاصه، کارکرد تمام گزینه­‏ها به شرح ذیل است.
Preprocess : انتخاب مجموعه داده و اصلاح [22] آن از راه­‏های گوناگون
Classify : آموزش [23] برنامه­‏های یادگیری که رده‏بندی یا رگرسیون انجام می‏­دهند و ارزیابی آنها.
Cluster : یادگیری خوشه­‏ها برای مجموعه های داده
Associate : یادگیری قواعد انجمنی برای داده­‏ها و ارزیابی آنها
Select attributes : انتخاب مرتبط­ترین جنبه [24] ها در مجموعه های داده
Visualize : مشاهده نمودارهای مختلف دوبعدی داده­‏ها و تعامل با آنها
شکل 3. خواندن فایل داده های آب و هوا
Weka Exphorer امکان رده بندی دارد، چنانچه به کاربران اجازه می‏­دهد به صورت تعاملی اقدام به ساخت درخت تصمیم‏گیری کنند. Weka نمودار پراکندگی داده­‏ها را نسبت به دو ویژگی انتخاب شده، فراهم می‏­آورد. وقتی زوج ویژگی­ای که رده­‏ها را به خوبی جدا می‏­کند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده­‏ها بر نمودار پراکندگی وجود دارد.
شکل 4. نوار Classify
هر نوار، دسترسی به دامنه کاملی از امکانات را فراهم می­کند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغام­‏هایی است که نشان می‏­دهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش می‏­دهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه می‏­آورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector ..
لازم است توجه شود که garbage collector به طور ثابت به عنوان یک عمل پیش زمینه [25] در هر حال اجرا می‏­شود کلیک دکمه log ، گزارش عملکرد متنی کارهایی که Weka تاکنون در این بخش انجام داده است با برچسب زمانی ارایه می‏­کند.
زمانیکه Weka در حال عملیات است، پرنده کوچکی که در پایین سمت راست پنجره است، بالا و پایین می‏­پرد. عدد پشت × نشان می‏­دهد که به طور همزمان چند عملیات در حال انجام است. اگر پرنده بایستد در حالیکه حرکت نمی‏­کند، او مریض است! اشتباه رخ داده است و باید Explorer از نو اجرا شود.
1. خواندن و فیلتر کردن فایل­‏ها
در بالای پانل Preprocess در شکل 3، دکمه­‏هایی برای باز کردن فایل، URL ‏ها و پایگاه های داده­‏ وجود دارد. در ابتدا تنها فایل­‏های با پسوند arff . در browser فایل نمایش داده می‏­شود. برای دیدن سایر فایل­‏ها یاید گزینه [26] Format در جعبه انتخاب فایل تغییر داده شود.
2. تبدیل فایل­‏ها به فرمت ARFF
نرم افزار Weka دارای سه مبدل فرمت فایل [27] می‏­باشد، برای فایل­‏های صفحه گسترده [28] با پسوند CSV ، با فرمت فایل C4.5 با پسوند names . و data و برای نمونه­‏های سری با پسوند bsi .
اگر Weka قادر به خواندن داده­‏ها نباشد، سعی می‏­کند آن را به صورت ARFF تفسیر کند. اگر نتواند جعبه نشان داده شده در شکل 5 (الف) ظاهر می‏­شود.
(الف)
(ب)
(ج)
شکل 5. ویرایشگر عمومی اشیاء (الف) ویرایشگر (ب) اطلاعات بیشتر (فشردن دگمه More ) (ج) انتخاب یک مبدل
این، یک ویرایشگر عمومی [29] اشیاء است که در Weka برای انتخاب و تنظیم اشیا بکار می‏­رود. به عنوان مثال وقتی پارامتری برای Classifier تنظیم می‏­شود، جعبه­ای با نوع مشابه بکار برده می‏­شود. CSV Loader برای فایل­‏های با پسوند CSV . به طور پیش فرض انتخاب می‏­شود. دکمه More اطلاعات بیشتری در مورد آن می‏­دهد که در شکل 5 (ب) نشان داده شده است.
همیشه مطالعه مستندات [30] ارزشمنداست! در این حالت نشان می‏­دهد که ردیف نخست صفحه گسترده، نام ویژگی را تعیین می‏­کند. برای استفاده از این مبدل باید بر Ok کلیک شود. برای مورد مختلف لازم است بر choose کلیک شود تا از لیست شکل 5 (ج) انتخاب انجام شود.
گزینه اول، Arffloader است و فقط به دلیل ناموفق بودن به این نقطه می‏­رسیم. CSVLoader پیش فرض است و در صورت نیاز به فرض دیگر، choose کلیک می‏­شود. سومین گزینه، مربوط به فرمت C4.5 است که دو فایل برای مجموعه داده وجود دارد یکی اسم­‏ها و دیگـری داده­‏های واقعـی می‏­باشد. چهارمین برای نمونه­‏های سریالی [31] ، برای بازخوانی [32] مجموعه داده­ای است که به صورت شیئ سریالی شده جاوا ذخیره شده است. هر شیء در جاوا می‏­تواند در این شکل ذخیره و بازخوانی شود. به عنوان یک فرمت بومی جاوا [33] ، سریع­تر از فایل ARFF خوانده می‏­شود چرا که فایل ARFF باید تجزیه [34] و کنترل شود. وقتی یک مجموعه داده بزرگ مکررا بازخوانی می‏­شود، ذخیره آن در این شکل سودمند است.
ویژگی‏های دیگر ویرایشگر عمومی اشیا در شکل 5 (الف)، save و open است که به ترتیب برای ذخیره اشیای تنظیم شده و بازکردن شیئی که پیش از این ذخیره شده است، به کار می­رود. اینها برای این نوع خاص شیئ مفید نیستند. لکن پانل­‏های دیگر ویرایشگر عمومی اشیاء، خواص قابل ویرایش زیادی دارند. به دلیل مشکلاتی که ممکن است حین تنظیم مجدد آنها رخ دهد، می‏­توان ترکیب اشیاء ایجاد شده را برای استفاده­‏های بعدی، ذخیره کرد.
تنها منبع [35] مجموعه­‏های داده برای Weka ، فایل­‏های موجود روی کامپیوتر نیستند. می‏­توان یک URL را باز کرد تا Weka از پروتکل HTTP برای دانلود کردن یک فایل Arff از شبکه استفاده کند. همچنین می‏توان یک پایگاه داده­‏ها را باز نمود ( open DB ـ هر پایگاه داده­ای که درایور اتصال به مجموعه های داده به زبان جاوا JDBC را دارد.) و به وسیله دستور select زبان SQL ، نمونه­‏‏ها را بازیابی نمود. داده­‏ها می‏­توانند به کمک دگمه save به همه فرمت­‏های ذکر شده، ذخیره شوند. جدای از بحث بارگذاری و ذخیره مجموعه­‏های داده، پانل preprocess به کاربر اجازه فیلتر کردن داده­‏ها را می‏­دهد. فیلترها، اجزای مهم Weka هستند.
3. بکارگیری فیلترها
با کلیک دگمه choose (گوشه بالا و سمت چپ) در شکل 3 می‏­توان به لیستی از فیلترها دست یافت. می‏­توان از فیلترها برای حذف ویژگی‏های مورد نظری از یک مجموعه داده و انتخاب دستی ویژگی‏‏ها استفاده نمود. مشابه این نتیجه را می‏­توان به کمک انتخاب ویژگی‏های مورد نظر با تیک زدن آنها و فشار دادن کلیه Remove به دست آورد.
4. الگوریتم­‏های یادگیری
زمانی که یک الگوریتم یادگیری با استفاده از دگمه choose در پانل classify انتخاب می‏­شود، نسخه خط فرمانی رده بند در سطری نزدیک به دگمه ظاهر می‏­گردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص می‏­شوند. برای تغییر آنها می‏­توان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء، باز شود. جدول شکل 6، لیست اسامی رده بندهای Weka را نمایش می‏­دهد. این الگوریتم­‏ها به رده بندهای Bayesian ، trees ، functions rules ، lazy و دسته نهایی شامل روش­‏های متفرقه تقسیم شده­اند.
4-1. Trees
Decision stump که برای استفاده توسط روش­‏های boosting طراحی شده است، برای مجموعه­‏های داده عددی یا رده­ای، درخت تصمیم‏گیری یک سطحی می‏­سازد. این الگوریتم، با مقادیر از دست رفته، به صورت مقادیر مجزا برخورد کرده و شاخه سومی از درخت توسعه می‏­دهد.
4-2. Rules
Decision Table یک رده بند بر اساس اکثریت جدول تصمیم‏گیری می‏­سازد. این الگوریتم، با استفاده از جستجوی اولین بهترین، زیر دسته­‏های ویژگی‏‏ها را ارزیابی می‏­کند و می‏­تواند از اعتبارسنجی تقاطعی برای ارزیابی بهره ببرد (1995، Kohavi ).
یک امکان این است که به جای استفاده از اکثریت جدول تصمیم‏گیری که بر اساس دسته ویژگی‏های مشابه عمل می‏­کند، از روش نزدیکترین همسایه برای تعیین رده هر یک از نمونه­‏ها که توسط مدخل [36] جدول تصمیم‏گیری پوشش داده نشده­اند، استفاده شود.
Conjunctive Rule قاعده­ای را یاد می‏­گیرد که مقادیر رده­‏های عددی را رده­ای را پیش‏بینی می‏­کند. نمونه­‏های آزمایشی به مقادیر پیش فرض رده نمونه­‏های آموزشی، منسوب می‏­شوند. سپس تقویت اطلاعات (برای رده­‏های رسمی)، یا کاهش واریانس (برای رده­های عددی) مربوط به هر والد محاسبه شده و به روش هرس کردن با خطای کاهش یافته [37] ، قواعد هرس می‏­شوند.
ZeroR برای رده­‏های اسمی، اکثریت داده­‏های مورد آزمایش و برای رده­‏های عددی، میانگین آنها را پیش‏بینی می‏­کند. این الگوریتم بسیار ساده است.
M5Rules ، به کمک M5 از روی درخت­‏های مدل، قواعد رگرسیون استخراج می‏­کند.
شکل 6.الف. الگوریتمهای رده بندی در Weka
شکل 6.ب. الگوریتمهای رده بندی در Weka
در این بخش به شرح مختصری برخی از این الگوریتمها و پارامترهایشان که قابلیت کار با ویژگی های عددی را دارند، پرداخته می‏­شود.
4-3. Functions
Simple Linear Regresion مدل رگرسیون خطی یک ویژگی مشخص را یاد می‏­گیرد. آنگاه مدل با کمترین خطای مربعات را انتخاب می‏­کند. در این الگوریتم، مقادیر از دست رفته و مقادیر غیرعددی مجاز نیستند [38] .
Linear Regression رگرسیون خطی استاندارد کمترین خطای مربعات را انجام می‏­دهد می‏تواند به طور اختیاری به انتخاب ویژگی بپردازد، این کار می‏­تواند به صورت حریصانه [39] با حذف عقب رونده [40] انجام شود، یا با ساختن یک مدل کامل از همه ویژگی‏‏ها و حذف یکی یکی جمله­‏ها با ترتیب نزولی ضرایب استاندارد شده آنها، تا رسیدن به شرط توقف مطلوب انجام گیرد.
Least Med sq یک روش رگرسیون خطی مقاوم است که میانه [41] (به جای میانگین [42] ) مربعات انحراف از خط رگرسیون را کمینه می‏­کند. این روش به طور مکرر رگرسیون خطی استاندارد را به زیرمجموعه­‏هایی از نمونه­‏ها اعمال می‏­کند و نتایجی را بیرون می‏­دهد که کمترین خطای مربع میانه را دارند.
SMO teg الگوریتم بهینه سازی حداقل ترتیبی را روی مسایل رگرسیون اعمال می‏­کند. ( Scholkopf, 1998 ، Smola )
Pace Regression ، با استفاده از تکنیک رگرسیون pace ، مدل­‏های رگرسیون خطی تولید می‏­کند (2002 ، Wang و Witten ). رگرسیون pace ، زمانی که تعداد ویژگی‏‏ها خیلی زیاد است، به طور ویژه­ای در تعیین ویژگی‏‏هایی که باید صرف‏نظر شوند، خوب عمل می‏­کند. در واقع در صورت وجود نظم و ترتیب خاصی، ثابت می‏­شود که با بی­نهایت شدن تعداد ویژگی‏‏ها، الگوریتم بهینه عمل می‏­کند.
RBF Network ، یک شبکه با تابع پایه­ای گوسی شعاعی را پیاده سازی می‏­کند. مراکز و عرض­‏های واحدهای مخفی به وسیله روش میانگین K [43] تعیین می‏­شود. سپس خروجی­‏های فراهم شده از لایه­‏های مخفی [44] ، با استفاده از رگرسیون منطقی در مورد رده­‏های اسمی و رگرسیون خطی در مورد رده­‏های عددی، با یکدیگر ترکیب می‏­شوند. فعال سازی­‏های توابع پایه پیش از ورود به مدل­‏های خطی، با جمع شدن با عدد یک، نرمالیزه می‏­شوند. در این الگوریتم می‏­توان، K تعداد خوشه­‏ها، بیشترین تعداد تکرارهای رگرسیون­‏های منطقی برای مسأله­‏های رده­‏های رسمی، حداقل انحراف معیار خوشه­‏ها، و مقدار بیشینه رگرسیون را تعیین نمود. اگر رده­‏ها رسمی باشد، میانگین K به طور جداگانه به هر رده اعمال می‏­شود تا K خوشه مورد نظر برای هر رده استخراج گردد.
4-4. رده بندهای Lazy
یادیگرنده­‏های lazy نمونه­‏های آموزشی را ذخیره می‏­کنند و تا زمان رده بندی هیچ کار واقعی انجام نمی‏­دهند.
IB1 یک یادگیرنده ابتدایی بر پایه نمونه است که نزدیک­ترین نمونه­‏های آموزشی به نمونه­‏های آزمایشی داده شده را از نظر فاصله اقلیدسی پیدا کرده و نزدیکترین رده­ای مشابه رده همان نمونه­‏های آموزشی را تخمین می‏­زند.
IBK یک رده بند با K همسایه نزدیک است که معیار فاصله ذکر شده را استفاده می‏­کند. تعداد نزدیکترین فاصله­‏ها (پیش فرض 1= K ) می‏­تواند به طور صریح در ویرایشگر شیء تعیف شود. پیش‏بینی­‏های متعلق به پیش از یک همسایه می‏­تواند بر اساس فاصله آنها تا نمونه­‏های آزمایشی، وزن­دار گردد.
دو فرمول متفاوت برای تبدیل فاصله به وزن، پیاده سازی شده­اند. تعداد نمونه­های آموزشی که به وسیله رده بند نگهداری می‏­شود، می‏­تواند با تنظیم گزینه اندازه پنجره محدود گردد. زمانی که نمونه­‏های جدید اضافه می‏­شوند، نمونه­‏های قدیمی حذف شده تا تعداد کل نمونه­‏های آموزشی در اندازه تعیین شده باقی بماند.
Kstar ، یک روش نزدیکترین همسایه است که از تابع فاصله­ای عمومی شده بر اساس تبدیلات استفاده می‏­کند.
LWL یک الگوریتم کلی برای یادگیری وزن دار شده به صورت محلی است. این الگوریتم با استفاده از یک روش بر پایه نمونه، وزن­‏ها را نسبت می‏­دهد و از روی نمونه­‏های وزن­دار شده، رده بند را می‏­سازد. رده بند در ویرایشگر شیء LWL انتخاب می‏­شود. Nave Bayes برای مسایل رده بندی و رگرسیون خطی برای مسایل رگرسیون، انتخاب­‏های خوبی هستند. می‏­توان در این الگوریتم، تعداد همسایه­‏های مورد استفاده را که پهنای باند هسته و شکل هسته مورد استفاده برای وزن دار کردن را (خطی، معکوس، یا گوسی) مشخص می‏­کند، تعیین نمود. نرمال سازی ویژگی‏‏ها به طور پیش فرض فعال است[ Data Mining, witten et Al. 2005 ].
تبدیل فایلها به فرمت ARFF
نرم افزار Weka دارای سه مبدل فرمت فایل میباشد، برای فایلهای صفحه گسترده با پسوند CSV ، فرمت فایل C4.5 با پسوند .namesو data و برای نمونه های سری با پسوند.bsi .
اگر Weka قادر به خواندن داده ها نباشد، سعی میکند آن را به صورت ARFF تفسیر کند. اگر نتواند پیغام نشان داده شده در شکل 4 (الف) ظاهر میشود. با انتخاب گزینه Use Convertor، پیغام شکل 4 (ب) ظاهر میشود
شکل4 (الف) پیغام خطا
شکل4 (ب) ویرایشگر
این، یک ویرایشگر عمومی اشیاء است که در Weka برای انتخاب و تنظیم اشیا بکار میرود. به عنوان مثال وقتی پارامتری برای Classifier تنظیم میشود، جعبه ای با نوع مشابه بکار برده میشود. CSV Loader برای فایلهای با پسوند .CSVبه طور پیش فرض انتخاب میشود. دکمه More اطلاعات بیشتری در مورد آن میدهد که در شکل 4 (ج) نشان داده شده است.همیشه مطالعه مستندات ارزشمنداست، در این حالت نشان میدهد که ردیف نخست صفحه گسترده، نام ویژگی را تعیین میکند. برای استفاده از این مبدل باید بر Ok کلیک شود. برای مورد مختلف لازم است بر choose کلیک شود تا از لیست شکل 4 (د) انتخاب انجام شود.
گزینه اول، Arffloader است و فقط به دلیل ناموفق بودن به این نقطه میرسیم.CSVLoader پیش فرض است و در صورت نیاز به فرض دیگر، choose کلیک میشود. دومین گزینه، مربوط به فرمت C4.5 است که دو فایل برای مجموعه داده وجود دارد یکی اسمها و دیگـری داده های واقعـی میباشد. چهارمین برای نمونه های سریالی، برای بازخوانی مجموعه داد‌ه‌ای است که به صورت شیئ سریالی شده جاوا ذخیره شده است. هر شیء در جاوا میتواند در این شکل ذخیره و بازخوانی شود. به عنوان یک فرمت بومی جاوا، سریعتر از فایل ARFF خوانده میشود چرا که فایل ARFF باید تجزیه و کنترل شود. وقتی یک مجموعه داده بزرگ مکررا بازخوانی میشود، ذخیره آن در این شکل سودمند است.
ویژگیهای دیگر ویرایشگر عمومی اشیا در شکل 4 (ب)، save و open است که به ترتیب برای ذخیره اشیای تنظیم شده و بازکردن شیئی که پیش از این ذخیره شده است، به کار میرود. اینها برای این نوع خاص شیئ مفید نیستند. لکن پانلهای دیگر ویرایشگر عمومی اشیاء، خواص قابل ویرایش زیادی دارند. به دلیل مشکلاتی که ممکن است حین تنظیم مجدد آنها رخ دهد، میتوان ترکیب اشیاء ایجاد شده را برای استفاده‌های بعدی، ذخیره کرد.
تنها منبع مجموعه‌های داده برایWeka ، فایلهای موجود روی کامپیوتر نیستند. میتوان یک URL را باز کرد تا Weka از پروتکل HTTP برای دانلود کردن یک فایل Arff از شبکه استفاده کند. همچنین میتوان یک پایگاه داده‌ها را باز نمود ( open DB ـ هر پایگاه دادهای که درایور اتصال به مجموعه های داده به زبان جاوا JDBC را دارد.) و به وسیله دستور select زبان SQL ، نمونه‌ها را بازیابی نمود. داده‌ها میتوانند به کمک دگمه save به همه فرمتهای ذکر شده، ذخیره شوند. جدای از بحث بارگذاری و ذخیره مجموعه‌های داده، پانل preprocess به کاربر اجازه فیلتر کردن داده‌ها را میدهد. فیلترها، اجزای مهم Weka هستند.
بعد از اینکه فایل بارگذاری شد، Weka فیلدها را تشخیص میدهد و حین بررسی آنها، اطلاعات آماری پایهای را برای هر کدام از صفات محاسبه میکند. همان طور که در شکل 5 نشان داده شده است، لیست صفات تشخیص داده شده، در سمت چپ، پایین و اطلاعات پایگاه داده مربوطه در بالای آن نشان داده میشود.
شکل5. بانک اطلاعاتیbank-data.csv
با کلیک برروی هر کدام از صفات، میتوان اطلاعات آماری اصلی آن را در سمت راست مشاهده نمود. به عنوان مثال شکل 6 از انتخاب فیلد age نتیجه شده است.
نمودار ترسیم شده در سمت راست، پایین، بر اساس دو فیلد است. فیلد دوم به صورت پیشفرض، آخرین فیلد در پایگاه داده است که میتوان آن را به دلخواه تغییر داد.
شکل6. اطلاعات آماری فیلد age
ج- به کارگیری فیلترها
با کلیک دگمهchoose (گوشه بالا و سمت چپ) در شکل 3 میتوان به لیستی از فیلترها دست یافت. میتوان از فیلترها برای حذف ویژگیهای مورد نظر از یک مجموعه داده و یا انتخاب دستی ویژگیها استفاده نمود. مشابه این نتیجه را میتوان به کمک انتخاب ویژگیهای مورد نظر با تیک زدن آنها و فشار دادن کلیه Remove به دست آورد.
شکل 7 مراحل لازم برای حذف فیلد id از بانک اطلاعاتی، با استفاده از روش اول را نشان میدهد.
شکل 6 (الف). انتخاب فیلتر Remove
شکل 6 (ب). وارد کردن شماره فیلد مورد نظر
شکل 6 (ج).انتخاب گزینه Apply و حذف فیلد id
یکی دیگر ازفیلترهای موجود، Discretize است که با استفاده از آن میتوان مقادیریک صفت پیوسته را به تعداد دلخواه بازه گسسته تبدیل کرد. شکل7 مراحل لازم برای شکستن مقادیر صفت age به 3 بازه را نشان میدهد.
شکل7 (الف). انتخاب فیلتر Discretize
شکل7 (ب). وارد کردن شماره فیلد مورد نظر و انجام تنظیمات
شکل 7 (ج).انتخاب گزینه Apply
3-1-2 Classify
الف- الگوریتمهای رده‌بندی
Weka الگوریتمهای classification و prediction بسیار متنوعی را پیاده‌سازی میکند. الگوریتمهای رده‌بندی، به رده‌بندهای Bayesian، functions،lazy ،meta ، misc، trees و rules تقسیم شده‌اند. جدول شکل 8، لیست اسامی رده بندهای Weka را نمایش میدهد.
شکل 8 (الف). الگوریتمهای رده بندی در Weka
شکل 8 (ب). الگوریتمهای رده بندی در Weka
دراین قسمت برخی از اسامی رده‌بندیهای Weka معرفی میشوند.
Trees
ü Decision stumpکه برای استفاده توسط روشهای boosting طراحی شده است، برای مجموعه‌های داده عددی یا رده‌ای، درخت تصمیم‌گیری یک سطحی میسازد. این الگوریتم، با مقادیر از دست رفته، به صورت مقادیر مجزا برخورد کرده و شاخه سومی از درخت توسعه میدهد
Rules
ü Decision Tableیک رده‌بندی بر اساس اکثریت جدول تصمیم‌گیری میسازد. این الگوریتم، با استفاده از جستجوی اولین بهترین، زیر دسته‌های ویژگیها را ارزیابی میکند و میتواند از اعتبارسنجی تقاطعی برای ارزیابی بهره برد. (Kohavi 1995 )
یک امکان این است که به جای استفاده از اکثریت جدول تصمیم‌گیری که بر اساس دسته ویژگیهای مشابه عمل میکند، از روش نزدیکترین همسایه برای تعیین رده هر یک از نمونه‌ها که توسط مدخل (Entry) جدول تصمیمگیری پوشش داده نشده‌اند، استفاده شود.
ü Conjunctive Ruleقاعده‌ای را یاد میگیرد که مقادیر رده‌های عددی را پیشبینی میکند. نمونه‌های آزمایشی به مقادیر پیش فرض رده نمونه‌های آموزشی، منسوب میشوند. سپس تقویت اطلاعات (برای ردههای رسمی)، یا کاهش واریانس (برای ردههای عددی) مربوط به هر والد محاسبه شده و به روش هرس کردن با خطای کاهش یافته (Reduced-error pruning) ، قواعد هرس میشوند.
ü ZeroRبرای رده‌های اسمی، اکثریت داده‌های مورد آزمایش و برای رده‌های عددی، میانگین آنها را پیشبینی میکند. این الگوریتم بسیار ساده است.
ü M5Rulesبه کمک M5 از روی درختهای مدل، قواعد رگرسیون استخراج میکند.
در این بخش به شرح مختصری برخی از این الگوریتم‌ها و پارامترهایشان که قابلیت کار با ویژگی های عددی را دارند، پرداخته میشود.
Functions
ü Simple Linear Regressionمدل رگرسیون خطی یک ویژگی مشخص را یاد میگیرد، آنگاه
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (2) | بازتاب (0)
هوش تجاری و تصمیمات کلان سازمانی

ارسال شده توسط احمد محمدی | 17 12, 2013 | بازدید‌ها (2753)

هوش تجاری و تصمیمات کلان سازمانی

چکیده
در این نوشتار آثار مثبتی که هوش تجاری (BI=BUSINESS INTELLEGENCE) بر تصمیمات عمده و کلان سازمانی دارد اشاره شده است و به عمده موارد قابل توجه در معماری هوش تجاری و مزایای آن به همراه نحوه برخورد و نوع پیاده سازی آن پرداخته شده است، هوش تجاری نه به عنوان یک ابزار یا یک محصول و یا حتی سیستم، بلکه بعنوان یک رویکرد جدید در معماری سازمانی بر اساس سرعت در تحلیل اطلاعات به منظور اتخاذ تصمیمات دقیق و هوشمند کسب و کار در حداقل زمان ممکن مطرح شده است. در این مقاله، دلایل لزوم استفاده با تشریح اهداف آن، ضمن معرفی تکنیک‌های عمومی، مورد بررسی قرار گرفته است.

مقدمه
فناوریهای نوین با سرعتی سرسام آور در حال پیشرفت هستند، به طوری که جوامع به صورت عام و بازار به صورت خاص با شتابی وصف ناپذیر به دنبال ترفند هایی می گردند که بقایشان را در این عرصه آشفته و متلاطم تضمین کنند. سازمانها باید بپذیرند که فلسفه حیاتشان تغییر کرده است و دیگر زنده بودن به معنای رسیدن به وضعیت سوددهی مداوم نمی تواند باشد و باید به دنبال رقابت و ابزار آن باشند، چرا که امروزه کمتر شرکتی در این عرصه به صورت سنتی و به دور از قواعد جدید بازی کسب و کار می کند و برای اینکه بتوان پا به پای رقبا باقی ماند یا شاید بسختی و با مهارت بسیار بتوان یک قدم از آنها پیش گرفت، می بایست به قواعد جدید بازی کاملا مسلط بود تا شاید روزی بتوان خود یک قاعده جدید انگاشت. بنابراین تسلط بر فناوریهای جدیدی مانند هوش تجاری در کسب و کارها یک الزام وضرورتی اجتناب ناپذیر تلقی می شود. هدف این نوشتار نیز چیزی جز یادآوری روند روبه رشد و توقف ناپذیر نوآوری در فناوری و دگرگونی در نحوه کسب و کارها نیست؛ تحولی که در این انقلاب صورت پذیرفته است و دگرگونیهایی که در رویه تغییرات موجبات بروز اختلافات و پیدایش شکافهای عمیقی را بین فرداها با امروز فراهم آورده و خواهد آورد.

کلیات هوش تجاری

هوش تجاری یا هوش کسب و کار که قالب عمده تری را مانند استفاده‌های تجاری و غیر تجاری (نظامی و غیر‌انتفاعی) در بر دارد، عبارت است از بُعد وسیعی از کاربردها و تکنولوژی برای جمع آوری داده و دانش جهت زایش پرس و جو در راستای آنالیز بنگاه برای اتخاذ تصمیمات تجاری دقیق و هوشمند. یک هوش تجاری براساس یک معماری بنگاه تشکیل شده است و در قالب پردازش تحلیلی برخط (OLAP) به تحلیل داده های تجاری و اتخاذ تصمیمات دقیق و هوشمند می‌پردازد. هوش تجاری، نه به عنوان یک محصول و نه به عنوان یک سیستم، بلکه به عنوان یک
معماری و رویکردی جدید موردنظر است که البته شامل مجموعه ای از برنامه های کاربردی و تحلیلی است که به استناد پایگاههای داده عملیاتی و تحلیلی به اخذ و کمک به تصمیم گیری برای فعالیتهای هوشمند تجاری و کسب و کار می پردازند. اما هوش تجاری از مناظر دیگر: از منظر معماری و فرایند به هوش تجاری به عنوان یک چارچوب که عامل افزایش کارایی سازمان و یکپارچگی فرایندها و نهایتا بر فرایندهای تصمیم گیری در سطوح مختلف سازمانی متمرکز است، نگریسته می شود. بازار هوش تجاری را ابزاری برای برتری رقابتی و پایشگر و تحلیلگر بازار و مشتریان می داند. از نقطه نظر فناوری نیز هوش تجاری یک سیستم هوشمند است که با پردازش دقیق داده ها، نقطه دخالت سخت افزار و نرم افزار در مغز افزار ها به حساب می آید. ولی به بیان ساده تر هوش تجاری چیزی نیست مگر فرایند بالابردن سود دهی سازمان در بازار رقابتی با استفاده هوشمندانه از داده‌های موجود در فرایند تصمیم گیری. در صورتی که مفهوم هوش تجاری بدرستی درک و منتقل نگردد، موجب می شود تا انتظارات مدیران به صورت ناگهانی افزایش یابد و برآورده نشدن این توقعات مواردی را از جمله سلب اطمینان افراد و بویژه مدیران از این سیستم به دنبال خواهد داشت؛ چرا که هوش تجاری فقط به دنبال کوتاه کردن مسیر های پرس و جو در داخل
اطلاعات است و خود مستقلا و بدون نیاز به اطلاعات مناسب قادر به ارائه پیشنهاد یا راهکاری نیست.
تعیین گرایشهای تجاری سازمان
که از پیامدهای استفاده از
هوش تجاری است
موجب می شود که سازمان
بدون اتلاف وقت و هزینه
در سایر مسیرها
به دنبال اهداف کلان متمرکز شود.
ضرورت استفاده از هوش تجاری در سازمانها
همانطور که از تعاریف متعدد استنباط می شود، هوش تجاری در قالب هر تعریفی به دنبال افزایش سودآوری سازمان با استفاده از اتخاذ تصمیمات هوشمند و دقیق
است و به طور اعم می توان اهداف زیر را برای این رویکرد نوین عنوان کرد:
1 - تعیین گرایشهای تجاری سازمان که موجب می شود تا سازمان بدون اتلاف وقت و
هزینه و انرژی در سایر مسیرها به دنبال اهداف کلان و اساسی خود متمرکز شود.
-2 تحلیل عمیق بازار.
-3 پیش بینی بازار که می تواند قبل از اینکه رقبا سهم بازار خود را توسعه دهند، منافع جدید به وجود آمده در بازار را عاید سازمان کند.
-4 بالابردن سطح رضایتمندی مشتریان که می تواند موجبات استمرار کسب و کار باشد و از دست دادن این اعتماد و رضایتمندی مراتبی را برای بنگاه به همراه دارد.
-5 شناسایی مشتریان دائمی که وفادارند، می توان با پیگیری رفتار آنان، جهت‌گیریهای کلان و استراتژیک را انجام داد.
-6 تقسیم بندی مشتریان و متعاقبا ایجاد تنوع در روش برخورد با هرگروه از مشتریان.
-7 افزایش کارایی سازمان در امور داخلی و شفاف سازی رویه فرایندهای کلیدی.
-8 استانداردسازی و ایجاد سازگاری بین ساختارهای سازمان.
-9 تسهیل در تصمیم گیری که جزء اهداف اساسی هوش تجاری محسوب می‌شود.
10 - تشخیص زود هنگام خطرات قبل از اینکه سازمان را به مخاطرات جدی بکشاند و
شناسایی فرصتهای کسب و کار قبل از اینکه رقبا آن را تصاحب کنند.
با توجه به موارد فوق می توان گفت که احساس نیاز به وجود هوش تجاری در سازمان برای اولین بار در سطوح بالای مدیریتی احساس می شود و از بالای هرم ساختار سازمانی به بخشهای زیرین منتقل می شود، ولی برای ایجاد آن می‌بایست از پایین‌ترین سطوح و لایه ها شروع کرد.
مهمترین نیاز یک مدیر، داشتن اطلاعات دقیق برای اتخاذ تصمیم درست است. فرایند تصمیم گیری می تواند به سه بخش کلی زیر تقسیم شود. با توجه به انواع
مختلف تصمیم گیری (بر اساس میزان ساخت یافته بودن آن) هر یک از بخشهای اهمیت متفاوتی خواهند داشت.
-1 دسترسی، جمع آوری و پالایش داده ها و اطلاعات مورد نیاز؛
-2 پردازش، تحلیل و نتیجه گیری بر اساس دانش؛
-3 اعمال نتیجه و نظارت بر پیامدهای اجرای آن.
در هر یک از موارد فوق، سازمانهای قدیمی که از هوش تجاری استفاده نمی کنند،
دارای مشکلاتی هستند که اغلب از عواملی چون حجیم بودن داده ها، پیچیدگی در
تحلیلها و ناتوانی در ردگیری نتایج فرایندها و پیامدهای تصمیمات گرفته شده، نشئت می گیرند. هوش تجاری با کمک به حل مشکلات فوق، به دلیل ساختاری که در سازمان به وجود می آورد، فرصتهای جدیدی نیز برای رشد سازمان ایجاد می
کند و نه تنها عامل حذف مشکلات است، بلکه با صرفه جویی در زمان و هزینه، شرایط کاری را دگرگون می سازد.
اجزا و مهارت های لازم برای ارتقای هوشمندی کسب و کار
برای اینکه یک سیستم با هوش تجاری بدرستی عمل کند، با شناخت موقعیتها که چه
اطلاعاتی در اختیار چه افرادی قرار گیرد، باید روابط بین افراد و اطلاعات و
روند اجرای پروسه ها بدقت مورد بررسی قرار گیرد.
هوش تجاری در سازمان، کلیه کاربران و همینطور روابط بین آنان را در نظر دارد تا زنجیره ارزش بنگاه به کمال پوشش داده شود و فرایندی از قلم نیفتد.
برای اجرای هر گونه فرایند بهبود در سازمان می بایست مهارتهایی خاص آن فرایند ترتیب داده شود که البته برای فرایندهای کلان نظیر هوشمندی کسب و کار دقت نظر خاصی مورد نیاز است.
مهارتهای کسب و کار اعم است از روال کسب و کار و ارتباط با استراتژی سازمانی به همراه فرایندهای دگرگون‌سازی، که در تعیین خط مشی سازمانی بسیار
حائز اهمیت است. مهارتهای فناوری اطلاعات که به صورت فنی به مدیریت
تغییر کمک می‌کند و پشتیبان متدولوژی های تحلیل است نیز می بایست، در سازمان به حدی کافی موجود باشد. مهارت دیگری باعنوان مهارتهای تحلیلی شامل خلاصه سازی تحلیل و کاوش و تشریح درست، به اندازه سایر مهارتها قابل ملاحظه
است که این سه نوع مهارت در برخی بنگاهها دارای یک مرکز تلاقی هستند که آن
دقیقا مرکز ارتقای هوشمندی کسب و کار تلقی می شود و هرچه وسیع تر باشد، مسلما هوشمندی کسب و کار در سازمان بیشتر و هرچند کوچکتر باشد هوشمندی در آن کسب و کار کمتر وجود دارد (شکل 1) البته در برخی از سازمانها که جزیره‌ای عمل می‌کنند محدوده هریک از این مهارت هرچند که وسیع باشند، ولی هیچ همپوشانی ندارند و مسلما اجرای اینگونه طرحها ( هوش تجاری) در این سازمانها تعریفی ندارد، چون شرط اصلی استفاده از فناوری نوین هوش تجاری، کار در محیط رقابتی است و شرکتهایی که به صورت جزیره ای عمل می کنند، اصولا
در این محیط نمی توانند وارد شوند.
نقش هوشمندی را در کسب و کارها می توان به صورت زیر مشاهد کرد :
اگر سازمان در لایه های زیرساختی و تراکنشی خود از فناوری استخراج و انتقال
و تبدیل داده ها استفاده کند و بستری از هوش تجاری را در تکنولوژی داده کاوی فراهم آورده باشد و همچنین ابزار BI را مبتنی بر فناوری اطلاعات و مشتری‌گرایی به کار گیرد، هوشمندی در این کسب و کار کارآمد خواهدبود.
چنانچه در بستر BI از استانداردها و برنامه های کاربردی، راهبردی، عملیاتی،
تحلیلی نیز استفاده شود، هوشمندی در این کسب و کار اثربخش است. زمانی هوشمندی نقش اهرمی را در کسب و کار به عهده می گیرد که عملکرد به دقت ارزیابی شود و فرهنگ سازی در بین کاربران آغاز شده باشد. درنهایت برای تحقق
این هدف می بایست متودولوژی BI و مهارتهای آن در بدنه سازمان مستقر شود.
هنگامی که سازمان به سمت اهداف جهانی سازی با استفاده از مجازی شدن متمایل شود و پا از ساختمانهای فیزیکی به عرصه مجازی نهاده شود، می تواند روند اجرای فرایندهای درون سازمان خود را به حد اعلا شفاف و نقش هوشمندی را یک نقش رقابتی سازد، بنابراین با این نقطه قوت با رقبا به رقابت بپردازد.
اهمیت استراتژیک هوش تجاری در تصمیمات سازمان
رشد تصمیم گیری سازمان معمولا بدین ترتیب است که پایین ترین سطح انجام فعالیتهای تجاری یک سازمان، سطح عملیاتی است که فرایند در دفعات بالا و معمولا به صورت تکراری در رده های پایین سازمان انجام می شود و معمولا با حجم کمی از داده ها سر و کار دارند. تصمیمات گرفته شده در این سطوح غالبا در حوزه مسائل ساخت یافته و توسط مدیران رده پایین اتخاذ می شود. نتایج حاصل از این تصمیمات، تاثیرات کوتاه مدت و خرد در سازمان دارند.
مشتریان، رقبا
شرکای تجاری، محیط اقتصادی
و کارکنان داخلی
ازجمله عوامل موثر
بر هوش تجاری سازمان هستند.
سطح تاکتیکی در سازمان مربوط به عملیاتی است که در حوزه مدیران میانی انجام
می شود. این عملیات می تواند شامل پیگیری عملیات در سطح پایین، نحوه انجام
آن، گزارش گیری و نهایتا جمع بندی داده‌های مفید برای اتخاذ تصمیمات میان مدت سازمان باشد. تصمیمات گرفته شده در این سطح غالبا در حوزه مسائل نیمه ساخت یافته و توسط مدیران میانی اتخاذ می شود و نهایتا بالاترین سطح استراتژیک مربوط به تصمیم گیریهای کلان سازمان است که توسط مدیران رده بالا
اتخاذ می‌شود. این نوع استفاده‌ها در دفعات کم و در دوره های طولانی انجام
می شود، اما ممکن است با حجم بالایی از اطلاعات و پردازشها همراه باشد. تصمیمات گرفته شده در این سطوح غالبا در حوزه مسائل غیر ساخت یافته و توسط مدیران ارشد انجام می شود و نتایج حاصله تاثیرات بلند مدت و کلانی در مسیر حرکت سازمان دارند.
کاربرد هوش تجاری در سطح استراتژیک را می توان به نوعی برای کمک به افزایش کارایی کلی سازمان و بهینه سازی فرایندها در کنار یکدیگر، در نظر گرفت. این
سیستم ها روی برخی ویژگیهای مهم مالی و سایر پارامترهای مهم دیگر در افزایش کارایی سازمان متمرکز می شوند. بدیهی است که سیستم در این سطوح می‌بایست فرایندهای خارجی سازمان را نیز در بر بگیرد. خصوصیات مختلف برنامه‌های کاربردی در مقاطع مختلف سازمان، باعث ایجاد تفاوتهایی در ابزارها، تکنیک ها و زیرساختهای مورد نیاز برای هر یک از آنها می شود. استفاده از ابزارهای تحلیلی و هوشمند بیشتر در سطح بالا انجام می شود که نیازمند پردازشهای بالا با میزان دسترسی انبوهی از اطلاعات در سطوح استراتژیک و تاکتیکی بیشتر از عملیاتی است. بخش عملیاتی هوش تجاری بیشتر وظیفه جمع آوری اطلاعات و ذخیره سازی آنها را در و یا پایگاه داده های خصوصی بر عهده دارد.
تکنیک‌های تسهیل تصمیم گیری هوش تجاری
در هر دقیقه، دوهزار صفحه مطلب علمی به حجم اطلاعات شبکه اینترنت افزوده می‌شود. هر روز بیش از 300 میلیون صفحه در اینترنت فرستاده می‌شود و تقریبا
5 سال طول می‌کشد که بتوان مقالات و مطالب به روز شده در 24 ساعت را به تمامی خواند. بنابراین تمام اطلاعات از چنین نرخ رشدی برخوردارند. در بخشهای تحقیق و توسعه اغلب یک گروه چند نفری شروع به جمع آوری اطلاعات مورد
نیاز می‌کنند و شاید اطلاعاتی مشابه، اما با نامهای مختلف را بایگانی کنند
و معمولا چندین و چند بار در این گروهها دوباره و چند باره کاری اتفاق می‌افتد.
در عصری که زمان، کلید اصلی در تجارت است، شرکتها به استفاده از ابزارهای اطلاعاتی روی آورده اند تا بتوانند اطلاعات مورد نظر را بسرعت ازمنابع استخراج کنند هوش تجاری در امر تصمیم گیری در سطوح مختلف سازمان بویژه سطوح
مدیران ارشد با تحلیل اطلاعات و روشهای پرس و جو تسهیلات زیادی را فراهم می کند که متداولترین این روشها به قرار زیر است:
* On-Line Analytical Processing (OLAP)
*On-Line Transaction Processing (OLTP)
* Data Warehousing (DW)
* Data Mining (DM)
* Intelligent Decision Support System (IDSS)
*Intelligent Agent (IA)
*Knowledge Management System (KMS)
*Supply Chain Management (SCM)
*Customer Relationship Management (CRM)
*Enterprise Resource Planning (ERP)
*Enterprise Information Management (EIM)
لازم به ذکر است، صرف وجود تمام این تکنیک ها در سطح سازمان بدون در نظر داشتن فرهنگ سازمان و رویکرد سیستمی موجود بین کارکنان نمی‌تواند اثبات کننده هوشمندی کسب و کار آن سازمان باشد. به همین علت است که برای هوش تجاری از کلمات استقرار و پیاده سازی استفاده می کنند نه از کلمه نصب؛ چراکه عواملی دیگر نیز غیر از بسته های نرم افزاری در درست کار کردن هوش تجاری موثرند و به همین منظور در تعاریف آن را رویکرد معماری نوین نامیده اند، زیرا از ابتدای فرایند تدوین داده ها تا مراحل ذخیره سازی و فراخوانی مجدد و استخراج دانش مورد نیاز، هوشمندی، رفتار ملموس است.
مواردی مانند زیرساختهای سازمان و یا فرهنگ سازمان در پیاده‌سازی هوش تجاری
بسیار نقش قابل ملاحظه و حساسی را ایفا می کنند برای موفقیت در استقرار و کارایی یک سیستم BI در یک سازمان باید برخی موارد از ریشه های فرهنگی سازمان تغییر کند، چون این موارد در میزان بهره‌وری سیستم هوش تجاری نقش بسزایی خواهند داشت. برخی موارد مانند تلقی سازمان از اطلاعات که به عنوان یکی از مهمترین منابع سازمانی محسوب می‌شود و نوآوری که در سازمان باید بخشی از کار تجاری سازمان تلقی شود و نوع تفکر سازمان در مورد اطلاعات و نوآوری مسلما در بسته‌های نرم‌افزاری وجود ندارند، بلکه باید در لابه لای لایه‌های زیرساخت سازمان فرهنگ سازی و لحاظ گردند.
عوامل موثر بر هوش تجاری سازمان
همانطور که یک رویکرد سیستمی دقیق و به روز مانند هوش تجاری می تواند بر کارایی و عملکرد سازمان تاثیرات زیادی بگذارد، بسیاری از عوامل و نیز بر میزان کارایی هوش تجاری سازمان تاثیر گذارند، از جمله این عوامل می توان به
مشتریان، رقبا، شرکا تجاری، محیط اقتصادی و کارکنان داخلی اشاره کرد. با توجه به این نکته که هیچ کسب و کاری بدون مشتری معنا ندارد، پایش رفتار مشتریان و مخصوصا شناسایی آنان از حیث دائمی یا موقتی بودن می تواند در پیش
بینی میزان دقیق عرضه و تنظیم میزان تقاضا بسیار کارامد واقع شود. بنابراین تکنیک‌های سیستم های حمایت تصمیم‌گیری هوشمند (IDSS) و مدیریت
ارتباط با مشتری که در متن معماری هوش تجاری نهفته است، می توانند روند حرکت سازمان را با عقاید و علایق مشتریان همگام کنند. نداشتن اطلاعات کافی در رابطه با مشتریان مانند اینکه: مشتریان واقعی چه کسانی هستند؟ این مشتریان چه کالاهایی و در چه زمانی می‌خرند؟ چگونه می توان الگوهای خرید مشتری را استخراج کرد؟ چگونه می‌توان میزان وفاداری مشتری را بالا برد؟، معضلات فراوانی را در اجرای چنین رویکردهای نوینی به بار خواهد آورد.
هوش تجاری در سازمان کلیه کاربران و همچنین روابط بین آنها را در نظر دارد تا زنجیره ارزش بنگاه به کمال پوشش داده شود
با توجه به این منطق که اگر به هر تحلیلگری در قالب سیستم یا سازمان، اطلاعات ناقص یا اشتباه وارد شود، خروجی آن هرگز قابل ارزیابی مطلوب نخواهد
بود و اگر بهترین ساز و کارها در اختیار افراد نا مناسب قرار گیرد، مطمئنا
ضمن کاهش عمر مفید کاری آنها، کارایی قابل توجهی هم نخواهند داشت، پس با توجه به آثار هوش تجاری بر سازمان باید بر تاثیرات عوامل متعدد داخلی و خارجی سازمان بر هوش تجاری مطالعه کرد تا سازمان باوجود صرف هزینه و زمان هنگفت برای ایجاد تغییرات کلی، در خروجی دچار خسارات جبران ناپذیری نشود؛ چراکه تصمیمات اساسی و استراتژیک در سازمانها با بهبود قسمتی از آن بسیار متفاوت است. این تصمیمات استراتژیک روند تفکر و حرکت سازمان را به کل تغییر
می‌دهند و در صورت شکست، رجوع به نقطه اول و اصلاح اشتباهات یا تغییر جدید
امکان پذیر نیست، زیرا تغییر فرهنگ سازمانی و نگرش افراد مستلزم برداشتن گامهای طولانی مدت و برنامه‌ریزی شده است. بنابراین کم تخمین زدن تاثیرات عوامل به نظر کوچک می تواند پایان یک راه امیدوارکننده و روشن را تیره و تار کند. ممکن است سازمانها در مواردی مشابه باشند، ولی هرگز دقیقا عملکرد یکسانی نداشته باشند و حتی اگر عملکردشان نیز بسیار به هم مشابه باشد، محیط
فعالیت متفاوت یا خاص باشد و با توجه به سایر موارد باید اینگونه معماریهای بنیادین را طبق زیرساختها و ویژگیهای سازمان، طراحی، برنامه‌ریزی
و پیاده سازی کرد.
نتیجه گیری
در این مقاله سعی بر آن شده است تا با ارائه توان فناوری جدید هوش تجاری و معرفی برخی مزایا و محسنات آن و تمرکز آن بر تصمیمات سازمانی - بویژه تصمیمات کلان که توسط مدیران رده بالا گرفته می شود - بتوان سختیهای کسب و کار امروز را تحلیل کرد تا توسط ارزیابی و تحلیلهای این فناوری جدید هوشمند، قبل از اینکه مخاطرات، سازمان را تهدید کنند و صدمات اقتصادی گزاف آنها مانع از بازار مناسب و باعث کاهش کیفیت عملکرد شود، آنها را پیش بینی و
چاره جویی کرد و همچنین پیش از آنکه فرصتها توسط چشمان ریزبین و دقیق رقبا
شناسایی شوند و فرصت رشد و ترقی از سازمان گرفته شود، آنها را به دست آورد
که البته این اهداف صرفا با اتخاذ تصمیمات دقیق و هوشمند و در آمدن از رویای خوش تداوم ابدی شیوه کسب و کار تحقق خواهد یافت.
منابع:
1 - Knowledge Management and Project Management, SCHOENERT, SILKE.
2. www.businessobjects.com
3. www.elite.com
4. www.wipro. co. in
5. www.rsearch. ibm.com
6. www.developer.com
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (1) | بازتاب (0)
کلیاتی درباره هوش تجاری
ارسال شده توسط احمد محمدی | 30 11, 2013 | بازدید‌ها (1136)
مقدمه
امروزه
با پیشرفت فناوری، سازمان ها به دنبال راه ها و ترفندهایی می گردند که بقایشان را در این عرصه تضمین کنند. سازمان ها می دانند که دیگر بقای آنها تنها در رسیدن به وضعیت سوددهی مداوم نیست و باید به دنبال رقابت و ابزار آن باشند. همچنین می دانند که کلید موفقیت در عصر اطلاعات، اتخاذ تصمیماتی است که بدون تناقض، بهتر و سریع تر در رقابت پیش دستی کند.
یک سازمان در
طول حیاتش، داده ایجاد می کند. این داده معمولا پیرامون دارایی، بازاریابی، فروش، منابع انسانی، مدیریت ارتباط با مشتری و ... گروه بندی می
شوند و هر بخش یک وظیفه جدا در شرکت انجام داده و داده های مرتبط به خود را جمع آوری می کند. این حقیقت سازمان ها را ملزم به جستجوی ابزارهایی برای
تسهیل فرایند کسب اثربخش داده ها، پردازش و تحلیل وسیع آنها کرده است تا براساس آن پایه ای را برای کشف دانش جدید بنا نهند.
برای سالیان متوالی از سیستم های اطلاعات مدیریت موجود مانند:MIS,DSS,ES,EIS استفاده می شد اما این سیستم ها قادر به ایجاد یکپارچگی میان داده های پراکنده و ناهمگن و
شناسایی مناسب وابستگی های موجود میان داده های جدید نبودند. برای اینکه سازمان ها قادر به واکنش سریع در برابر تغییرات بازار باشند، نیاز به سیستم
های اطلاعات مدیریتی دارند که بتوانند از سازمان و محیط آن تحلیل های علت و
معلولی مختلف انجام دهند.
بنابراین سازمان ها برای حفظ بقا همزمان با پیشرفت فناوری، باید تسلط بر فناوری های جدیدی مانند هوش تجاری را در کسب وکارها یک الزام و ضرورتی اجتناب ناپذیر تلقی کنند. سیستم های هوش تجاری ابزاری را فراهم می کنند که بر اساس آن نیازهای اطلاعاتی سازمان به شکل مناسبی پاسخ داده شود.
تعریف هوش تجاری
تعاریف زیادی برای هوش
تجاری وجود دارد، اما به طور کلی هوش تجاری به عنوان یک رویکرد جدید در معماری سازمانی مطرح شده است که این معماری بر اساس سرعت در تحلیل اطلاعات به مدیران جهت اتخاذ تصمیمات دقیق و هوشمند کسب و کار در حداقل زمان ممکن کمک می کند. هوش تجاری یک چارچوب کاری شامل فرایندها، ابزار و فناوری های مختلف است که برای تبدیل داده به اطلاعات و اطلاعات به دانش مورد نیاز هستند، که با استفاده از همین دانش مدیران قادر به تصمیم گیری بهتر می شوند
و در نتیجه عملکرد سازمان خود را بهبود می بخشند.
با پیاده سازی راهکارهای هوش تجاری فاصله موجود بین مدیران میانی و مدیران ارشد از دیدگاه
ارتباط اطلاعاتی از میان خواهد رفت و اطلاعات مورد نیاز مدیران در هر سطح،
در لحظه و با کیفیت بالا در اختیار آنها قرار خواهد گرفت. همچنین کارشناسان و تحلیل گران می توانند با استفاده از امکانات ساده، فعالیتهای خود را بهبود بخشند و به نتایج بهتری دست پیدا نمایند.
احساس نیاز به وجود یک سیستم هوش تجاری در سازمان برای اولین بار در سطوح بالای مدیریتی احساس می شود و از بالای هرم ساختار سازمانی به بخش های زیرین منتقل می گردد. مهم ترین نیاز یک مدیر، تصمیم گیری است. فرآیند تصمیم گیری می تواند به سه بخش کلی تقسیم شود که عبارتند از:
۱) دسترسی، جمع آوری و پالایش داده ها و اطلاعات مورد نیاز.
۲) پردازش، تحلیل و نتیجه گیری براساس دانش.
۳) اعمال نتیجه و نظارت بر پیامد های اجرای آن.
در
هر یک از موارد فوق، سازمان های قدیمی که از هوش تجاری استفاده نمی کنند، دارای مشکلاتی هستند که اغلب به دلیل حجیم بودن داده ها، پیچیدگی تحلیل ها و
ناتوانی در ردگیری پیامدهای تصمیم گرفته شده، به وجود می آیند. هوش تجاری با کمک به حل مشکلات فوق، به دلیل ساختاری که در سازمان به وجود می آورد، خالق فرصت های جدیدی برای سازمان است.
مراحل هوش تجاری
اگر
مراحل هوش تجاری را به صورت شکل زیر در نظر بگیریم، منابع داده در مرحله اول جمع آوری می شوند. این منابع می تواند داده های انواع پایگاه داده یا اطلاعات نرم افزارهای موجود را در بر بگیرد.
اطلاعات جمع آوری شده طی فرایند ETLدر پایگاه داده تحلیلی یا همان انبار داده(Data Warehouse) بارگذاری می شود.
داده در پایگاه داده تحلیلی در بخش های مجزایی به نام داده گاه (Data Mart) قرار می گیرد.
در مرحله بعد هوش تجاری وارد عمل شده و روی اطلاعات طبقه بندی شده تجزیه و تحلیل انجام می دهد.
در نهایت اطلاعات جهت انتشار به ابزارهای سطح بالا تحویل داده می شود.
alt
تکنیک های مورد استفاده در هوش تجاری
در
عصری که زمان، کلید اصلی در تجارت است، شرکت ها به استفاده از ابزارهای اطلاعاتی روی آورده اند تا بتوانند اطلاعات مورد نظر را به سرعت از منابع استخراج کنند. هوش تجاری در امر تصمیم گیری در سطوح مختلف سازمان به ویژه سطوح مدیران ارشد با تحلیل اطلاعات و روش های پرس و جو تسهیلات زیادی را فراهم می کند که متداول ترین این روش ها به قرار زیر است:
▪ On-Line Analytical Processing (OLAP)
▪ On-Line Transaction Processing (OLTP)
▪ Data Warehousing (DW)
▪ Data Mining (DM)
▪ Intelligent Decision Support System (IDSS)
▪ Intelligent Agent (IA)
▪ Knowledge Management System (KMS)
▪ Supply Chain Management (SCM)
▪ Customer Relationship Management (CRM)
▪ Enterprise Resource Planning (ERP)
▪ Enterprise Information Management (EIM)
لازم
به ذکر است، صرف وجود تمام این تکنیک ها در سطح سازمان بدون در نظر داشتن فرهنگ سازمان و رویکرد سیستمی موجود بین کارکنان نمی‌تواند اثبات کننده هوشمندی کسب و کار آن سازمان باشد.
نتیجه گیری
با توجه به
رشد روزافزون سیستم‌های نرم‌افزاری و استفاده از برنامه‌های گوناگون در سازمان‌ها و شرکت‌ها، نیاز به یکپارچگی بین سیستم‌ها کاملا بدیهی است. در این راستا سیستم‌های هوش تجاری که بین نرم‌افزارهای موجود ارتباط برقرارکرده و داده‌های ذخیره‌شده در آنها را تحلیل می‌کنند، در حال گسترش است. این سیستم‌ها با دسترسی به اطلاعات موجود در منابع داده به یکپارچگی لازم بین نرم‌افزارها دست پیدا می‌کنند.
در حال حاضر مدیران سازمان‌ها برای انجام کارهای روزانه نیاز به بررسی نرم‌افزارهای مختلف دارند، در صورتی که اگر از سیستم‌های هوش تجاری استفاده شود تنها با یک کارتابل مشترک
می‌توان به نرم‌افزارهای مختلف دسترسی داشت. در صورت استفاده از سیستم هوش
تجاری در سازمان‌ها و شرکت‌ها تمام کارهای روزانه کارمندان در پرتال انجام
می‌شود و نیازی به بررسی جداگانه صندوق ورودی، نرم‌افزارهای مختلف، کار با
فایل‌های مجزا و... نیست، با استفاده از این سیستم‌ها تمام نیاز کاربران در پرتال برآورده می‌شود.
در صورتی که تا چند سال آینده بتوانیم از این سیستم در سازمان‌ها استفاده کنیم، گام بزرگی در بهبود عملکرد سازمان‌ها برداشته‌ایم.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (1) | بازتاب (0)
ابزارهای توسعه هوش تجاری
ارسال شده توسط احمد محمدی | 30 11, 2013 | بازدید‌ها (1516)
مفهوم هوش تجاری Business Intelligence
مفهوم هوش تجاری به دنبال نارسائیهای مباحث سیستم‌های اطلاعاتی مدیریت مطرح گردید. سیستم‌های اطلاعات مدیریت تنها در سطح تئوریک رشد کردند
و هرگز نتوانستند در عمل پاسخگوی نیاز سازمانها باشند. هوش تجاری مجموعه تواناییها، تکنولوژی ها، ابزارها و راهکارهایی است که به درک بهتر مدیران از شرایط کسب و کار کمک می نماید. ابزارهای هوش تجاری، دیدگاه هایی از شرایط گذشته، حال و آینده را در اختیار افراد قرار می دهند. با پیاده سازی راهکارهای هوش تجاری فاصله موجود بین مدیران میانی و مدیران ارشد از دیدگاه
ارتباط اطلاعاتی از میان خواهد رفت و اطلاعات مورد نیاز مدیران در هر سطح،
در لحظه و با کیفیت بالا در اختیار آنها قرار خواهد گرفت. همچنین کارشناسان و تحلیل گران می تواند با استفاده از امکانات ساده، فعالیتهای خود را بهبود بخشند و به نتایج بهتری دست پیدا نمایند.
ابزارهای توسعه هوش تجاری
توسعه فناوری اطلاعات در سازمانها وابستگی زیادی به روند توسعه ابزارهای ارائه شده دارد و هرچه سازمان در انتخاب ابزار مورد نظر خود دقت بیشتری انجام دهد، نیازمندیهای سازمانی را بگونه شایسته تری پاسخگو خواهد بود و کاربران با مشکلات کمتری مواجه میگردند . به همین علت انتخاب ابزار جزء چالشهای اکثر پروژه های نرم افزاری در سازمانها است و عوامل متعددی مانند میزان تجربه سازمان در استفاده از یک ابزار خاص ، قیمت ابزار مورد نظر و یا میزان پشتیبانی شرکت ارائه دهنده ابزار در انتخاب آن دخیل هستند.
ابزارهای هوش تجاری در مقایسه با ابزارهای توسعه برنامه های کاربردی جوانتر هستند در نتیجه براساس نیاز کاربران و تغییرات سازمانها، آنها نیز دستخوش تغییر و تحول میشوند، علاوه بر آن تعداد شرکتهایی که تجربه استفاده
از یک ابزار خاص را دارند زیاد نیست، این دلائل باعث میگردد متقاضیان استقرار هوش تجاری با چالشهای متعددی در این زمینه مواجه گردند.
استقرار هوش تجاری به دلیل ماهیت متفاوت آن با نرم افزارهای کاربردی، وابستگی ویژه ای به ابزارهای توسعه دارد. چراکه :
- در سیستمهای عملیاتی فرآیندهای جاری سازمان به صورت مکانیزه انجام میگیرد و طول زمانی پروژه معمولا در حد سال میباشد ، ولی پروژه های هوش تجاری به دلیل اینکه به روند تصمیم گیری در سازمان کمک میکنند، سرعت توسعه آنها اهمیت ویژه ای دارد و توسعه آنها افزایشی (Incremental) و در بازه های زمانی 3 یا 4 ماهه صورت میگیرد.
- واسط کاربر (User Interface) در سیستمهای عملیاتی فرمهایی است که طراحی آنها پیچیده نیست ولی در پروژه های هوش تجاری خروجی اصلی، گزارشات و داشبوردهایی است که داده ها را ساماندهی و تحلیل میکند، به همین دلیل طراحی
اینگونه داشبوردها به سادگی امکان پذیر نیست و استفاده از ابزار در طراحی واسط کاربر روند توسعه سیستم را سرعت و کیفیت زیادی میبخشد.
ابزارهای موجود در هوش تجاری به دو گروه تقسیم بندی میشوند :
- ابزارهایی که در پشت صحنه (Back End) به کمک تیم پروژه می آیند و در طراحی انبار داده و انجام فرآیند ETL(Extract, Transform, Lod) نقش خود را
ایفا میکنند .
- ابزارهای که در روی صحنه (Front End) هستند و جهت طراحی گزارشات و داشبوردها امکانات خود را ارائه میدهند . این بخش را واسط کاربر (User Interface) نیز میگویند.
ارتباط بین Front End and Back End
ارتباط ایندو ابزار بدین صورت است که واسط کاربر مدل داده ای و جداول داده های تولید شده توسط ابزار Back End را دریافت میکند و کاربر میتواند توسط امکانات طراحی موجود در آن گزارشات و داشبوردهای مورد نظر خود
را ایجاد کند.
نکات مهم در انتخاب ابزار هوش تجاری
فروشنده های (Vendor) مختلفی وجود دارند که برخی صرفا ابزارهای یک گروه و برخی هردو گروه را ارائه میدهند . نکته مهمی که سازمانها میبایستی به آن توجه کنند اینست که نحوه تعامل ایندو گروه ابزار با یکدیگر مسئله بسیار مهمی است. واسط کاربر میبایستی بتواند مدل داده ای طراحی شده در Back
End را شناسائی کند تا نیاز نباشد طراحی مجدد در این قسمت انجام شود. این مسئله نیازمند تسلط تیم انتخاب کننده ابزار به مفاهیم مدل داده ای (Data Modeling) در هوش تجاری و انبار داده است که میتوانید جهت آشنائی با آن به بخش آموزش انبار داده سایت پارس مدیر مراجعه نمائید. معماری ابزارهای توسعه هوش تجاری نکته مهم دیگری است که هنگام انتخاب میبایستی به آن توجه ویژه ای گردد.
شرکتهای مطرح ارائه دهنده ابزارهای هوش تجاری
شرکت های Microsoft ، oracle ، SAP ، IBM جزء شرکتهای مطرح ارائه دهنده راه حل (Solution) و ابزارهای هوش تجاری میباشند. طبق دسته بندی گروه گارتنر (Gartner Group) در February 2013 پلتفرمهای توسعه هوش تجاری به شکل زیر طبقه بندی میشوند :
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (4) | بازتاب (0)
پنج کلید موفقیت در هوش تجاری
ارسال شده توسط احمد محمدی | 30 11, 2013 | بازدید‌ها (1058)
پنج کلید موفقیت هوش تجاریهوش تجاری در حال گسترش است. به همان نسبت که تقاضا برای پیاده‌سازی هوش تجاری در سازمان‌ها و کسب و کارهای گوناگون رشد می‌کند، مفاهیم و سیستم‌های هوش تجاری توسعه می‌یابند.
اما سوال این است که آیا صرف وجود ابزارهای قوی و متنوع می‌تواند موفقیت یک سازمان را در دست‌یابی به هوش تجاری تضمین نماید؟ در این مقاله با نگاهی دوباره به تعاریف هوش تجاری از نگاه متخصصین، پنج راهکار و نکته را برای موفقیت در دست‌یابی به هوش تجاری ذکر می‌کنیم. نگاهی به تعاریف هوش تجاری:1. کتاب «هوش تجاری: داده کاوی و بهینه‌سازی برای تصمیم‌گیری» :شاید بتوان هوش تجاری را این گونه تعریف کرد: یک مجموعه از مدل‌های ریاضی و روش‌های تحلیلی که با بهره برداری از داده‌های موجود، اطلاعات و دانش مفید برای فرآیندهای پیچیده‌ی تصمیم‌گیری، تولید می‌کنند. 2. کتاب «هوش تجاری در مایکروسافت SharePoint 2010» :بر اساس نظر استفان کاوی در کتاب هفت خصلت مردمان مؤثر، هواپیمایی که از بوستون به مقصد لس‌آنجلس به پرواز در می‌آید، با این‌که در 90 درصد مواقع از مسیر پرواز خارج می‌شود، در نهایت در لس‌آنجلس به زمین می‌نشیند و این به لطف سیستم پرواز است، که با نظارت بر پرواز و ارائه فیدبک مناسب مسیر درست را نشان می‌دهد.
همانند یک پرواز اگر سازمان به درستی هدایت نشود، در 90 درصد مواقع از مسیر خود منحرف می‌گردد.. بیشتر سازمان‌ها یک هدف یا مقصد دارند و برای درک وضعیت خود از وسایل و یا ابزارهای اندازه‌گیری بهره می‌برند، تا گذشته و حال خود را نظارت و تحلیل نمایند و آینده را پیش‌بینی کنند.
این ابزارها بینش اطلاعاتی لازم را که مدیر برای ایجاد تغییر و یا اصلاح مسیر نیاز دارد در اختیارش قرار می‌دهند. این بینش در شکل گزارش‌ها، کارت‌های امتیازی، شاخص‌های کلیدی عملکرد، داشبوردها و سایر ابزارهای اطلاعاتی در اختیار مدیر قرار می‌گیرد. این ابزارها به یک سازمان کمک می‌کنند تا رابطه بین کسب و کارشان و استراتژی‌ها و اولویت‌های مهم خود را ببینند.
تصمیم‌گیرندگان دوست دارند تا از تجربه بصری داشبوردها استفاده کنند تا احساس کنند که راننده سازمان خود به سمت مقصدش هستند. خوشبختانه هواپیماها در رسیدن به مقصد، از سازمان‌ها موفق‌ترند. این موفقیت مدیون ابزارهای اندازه‌گیری دقیق و علمی آن ‌هاست. در طول سالیان دراز، وضعیت هوایی و سایر متغیرهایی که پرواز را تحت تأثیر مستقیم قرار می‌دهند و در ابتدا غیر قابل سنجش تصور می‌شدند، به صورت فزآینده‌ای قابل اندازه‌گیری شده‌اند. ابزارهای جدیدِ هواپیما به خلبانان مختصات دقیق مکانی را می‌دهند
اکنون برای کسب و کارها نیزشرایط یکسانی رخ داده است، داگلاس هابارد در کتاب خود با عنوان «چگونه همه چیز را اندازه بگیریم» لیستی از مواردی را که قبلا غیر قابل اندازه‌گیری تصور می‌شد ولی اکنون قابل اندازه‌گیری است ذکر می‌کند، مانند:
انعطاف برای ایجاد محصولات جدیداثربخشی مدیریتبهره‌وری تحقیقاتخطر ورشکستگیکیفیت4. کتاب «ارائه هوش تجاری» :هوش تجاری، تحویل اطلاعات مفید و دقیق، به تصمیم‌گیرندگان مرتبط، در بازه زمانی لازم، به منظور کمک به اخذ تصمیمات مؤثر است. 5. کتاب «راهکارهای هوش تجاریزیرکانه با مایکروسافت SQL 2008» :هوش تجاری به شکل‌های گوناگون تعریف شده است. بعضی از ارائه کنندگان طوری هوش تجاری را تعریف می‌کنند که محصولشان را در بهترین موقعیت قرار دهد. گاهی هوش تجاری را به عنوان یک ابزار گزارش گیری مؤثر معرف می‌کنند ولی با امکاناتی که در SQL 2008 تعبیه شده است. هوش تجاری فراتر از یک سیستم گزارش ساز است. با توجه به اهداف این کتاب ما تعریف مایکروسافت را مد نظر قرار می‌دهیم:
راهکارهای هوش تجاری، عبارتند از ذخیره‌سازی و ارایه مؤثر داده‌های سازمانی کلیدی به شکلی که کاربران مجاز بتوانند به سرعت و به راحتی به آن دسترسی یافته و آن را تفسیر کنند. پنج کلید برای موفقیت:1. کمی سازی و اندازه‌گیریچنانکه در دل تمامی تعاریف فوق نهفته است. یکی از کلیدهای موفقیت در هوش تجاری کمی سازی و اندازه‌گیری است. ما زمانی می‌توانیم اطلاعاتی در خصوص عملکرد سازمان تولیدکنیم، که پیش از آن اطلاعات به صورتی کمی و قابل اندازه‌گیری تعریف شده باشند. به عنوان مثال فرض کنید که ما می‌خواهیم میزان رضایتمندی مشتریان را از محصولات یک کارخانه مورد ارزیابی قرار دهیم. اگر نتوانیم قبل از هر کاری شیوه‌ای را برای ارزیابی این مفهوم و کمی کردن آن تعریف کنیم، امکان سنجش آن به صورت سیستماتیک میسر نخواهد بود.
شاید تصور این باشد که بعضی از کارها قابل اندازه‌گیری نیستند. اما تجربه بشر نشان داده‌ است که همواره می‌توان راهکارهایی را برای سنجش و کمی‌سازی پیدا کرد. شاید اولین باری که انسان موفق به ساخت هواپیما شد، فکر نمی‌کرد که بتواند شرایط جوی، ارتفاع و مکان را به شکلی کمی در اختیار خلبان قرار دهد. اما امروز شاهدیم که با تولید ابزارهای مختلف، امکان بررسی دقیق این پارامترها مهیا شده است و تمامی آن‌ها کمی شده‌اند. در کسب و کارهای مختلف نیز می‌توان با مطالعه، تحقیق و بررسی تجارب مشابه، راهکارهای علمی و دقیقی برای سنجش کلیه وجوه عملکردی سازمان پیدا کرد.
2. هدف گذاریهدف گذاری برای کسب و کار، و یا سازمان، گام بلندی در راستای تحقق هوش تجاری است. زمانی که شما توانستید عملکردهای خود را اندازه‌گیری کنید و نتایج آن را مشاهده نمایید. گام بعدی بهبود این عملکرد است. این بهبود زمانی معنا دارد که شما بتوانید هدف درستی را برای آن مشخص کنید تا ابزارهای هوش تجاری، روند حرکت شما را به سمت هدف و یا دور شدن شما را از اهداف اندازه‌گیری کنند و دانش تولید شده را در قالب‌های گوناگون به شما ارائه نمایند.
هدف گذاری، در کنار ابزارهای هوش تجاری، انگیزه حرکت و تحول را در سازمان ایجاد می‌کند و از آنجایی که به کمک ابزارهای هوش تجاری روند حرکت افراد تحت نظر است. کارکنان انگیزه بالایی خواهند داشت تا خود را نشان دهند و مورد تشویق مدیرانی که به دقت عملکردشان را نظارت می‌کنند قرار بگیرند.
3. استفاده از دانش نهفته در سازمان و نیروی مشارکت ابزارهای هوش تجاری زمانی به بهترین موفقیت می‌رسند که دانش مربوط به حوزه کسب و کار به دقت در اجزای آن حضور داشته باشد. دانش سازمان و حوزه کسب و کار در درون سازمان نهفته است و زمانی می‌توان این دانش را در حد اعلی خود در اختیار گرفت که تمامی افراد سازمان در شکل‌گیری آن سهیم باشند. به همین دلیل پیشنهاد می‌شود که برای پیاده‌سازی هوش تجاری از تمامی افراد بهره ببرید و از کمک همه در تعریف شاخص‌ها و تعیین اهداف و وزن‌ها استفاده کنید. سامانه پویش با ایجاد فرآیند تولید شاخص، گامی بزرگ را در این حوزه برداشته است. در این سامانه شاخص‌ها در یک فرآیند تولی دمی‌گردند فرآیندی که تمامی افراد می‌توانند در آن سهیم گردند و شاخص‌ها با یک نگاه جمعی و با مشارکت حداکثری به وجود آیند. علاوه بر این سامانه پویش با ایجاد داشبوردهای اختصاصی برای افراد گوناگون، دسترسی افراد را به اطلاعات مورد نیازشان تسهیل نموده است.
4. نگاه جامعزمانی می‌توانیم هوش تجاری را به شکلی موفق در سازمان پیاده کنیم، که نگاه جامعی به تمامی بخش‌ها داشته باشیم و تلاش کنیم که کلیه فرآیندها و عملکردهای کلیدی سازمان تحت پوشش سامانه هوش تجاری ما قرار گیرند. تنها در این صورت است که می‌توانیم ارزیابی جامعی از وضعیت سازمان در اختیار داشته باشیم.
در صورت وجود نقص در سامانه هوش تجاری ارزیابی ما با واقعیت سازمان هماهنگ نخواهد بود و ممکن است اطلاعات ما را فریب دهد. به همین علت باید تلاش کنیم تا نگاهمان جامع باشد و به چند حیطه محدود نگردد. 5. بازنگری مداومبرای زنده نگه داشتن سیستم ضرورت دارد تا به صورت مداوم به بررسی فعالیت‌های انجام شده و مطابقت آن با واقعیت سازمان بپردازیم و با برگزاری جلسات مؤثر نواقص موجود را برطرف سازیم.
ممکن است روش‌های کمی‌سازی نیاز به بازنگری داشته باشند و یا اهداف تعیین شده به مرور زمان و با توجه به شرایط نیاز به تغییر داشته باشند.
زمانی موفقیت ما روز افزون خواهد بود که به این اصل کلیدی توجه کافی داشته باشیم.
سامانه پویش با ایجاد واسط‌های کاربری ساده امکان تغییر و اصلاح پارامترهای گوناگون هوش تجاری را فراهم نموده است.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (1) | بازتاب (0)
خلاصه مقاله تجزیه و تحلیل توصیفی از پژوهش سیستم های پشتیبانی تصمیم
ارسال شده توسط احمد محمدی | 26 11, 2013 | بازدید‌ها (1579)
A DESCRIPTIVE
ANALYSIS OF DECISION SUPPORT SYSTEMS RESEARCH BETWEEN 1990 AND 2003
By: David
ArnottGraham PervanGemma Dodson
تجزیه و تحلیل توصیفی از پژوهش سیستم های پشتیبانی تصمیم
بین سال های 1990 تا 2003
مترجم و
گردآورنده: احمد محمدی
پاییز
1392
دانشجوی
کارشناسی ارشد مدیریت فناوری اطلاعات
مقدمه
این
مقاله اولین گزارش از پروژه ی تحقیقاتی در مورد تئوری نظری سیستم های پشتیبان
تصمیم گیری (DSS) است. حوزه
اصلی این پژوهش بر تصمیم گیری و قضاوت نظری بر پایه نظم و انضباط ، استراتژی های
پژوهش مورد استفاده در مقالات منتشر شدهو
ارتباط حرفه ای تحقیقات DSS متمرکز است.از
اهداف این پژوهش درک این است که در تحقیق DSS ،
قضاوت و مبانی تصمیم گیری وابستگی نزدیکی دارند.
تعدادی از محققان سیستم های اطلاعات نگران شکاف میان تحقیق و عملکرد در زمینه توسعه سیستم ها
هستند . آنها پنج دلیل که چرا تحقیق سیستم های اطلاعاتی فاقد اعتبار است را
شناسایی کردند. اول تاکید زیاد در سراسر تحقیق به جهت پذیرفته شدن تحقیقات پیشین؛
دوم عدم اجماع بر بازدهی مدل های نظری قوی به عنوان پایه و اساس برای نسخه های عملیاتی
؛سوم پویایی فن آوری اطلاعات ؛ چهارم عدم ارائه تئوری های سیستم اطلاعات به روش
حرفه ای و پنجم ساختار سیاسی و نهادی دانشگاه ها که محدودیت فعالیت تئوری های سیستم
اطلاعات آکادمیک را دارند.
به عنوان مثال مدل تصمیم گیری سایمون که در اکثر پژوهش های DSS مورد استفاده قرار گرفته
، در پژوهش های مدیریتی اعتبار توصیفی
و تجویزی آن بارها تایید نشده است ، چرا که هیچگونه شواهد تجربی قانع کننده ای
برای اعتبار تجویزی آن وجود ندارد. به همین جهت برخی از
محققان برای توسعه پایه نظریه DSS،ادغام آن
با پژوهش های تصمیم گیری رفتاری را پیشنهاد و خواستار توجه بیشتر
در کار مدیریت و فرایندهای تصمیم گیری در تحقیقات DSSشدند.
روش تحقیق
سوالاتی که این پژوهش را هدایت
می نمایند عبارتند از:چه استراتژی ها و
روش هایی در پژوهش های DSSمورد استفاده قرار میگیرند؟ تمرکز پشتیبانی تصمیم گیری و ارتباط حرفه ای تحقیق DSSچیست؟مبانی نظری
قضاوت در پژوهش DSSچه هستند؟
بازه زمانی پژوهش های منتشر شده برای بررسی از سال
1990 تا 2003 انتخاب شده است. چرا
که این دوره زمانی شاهد یک رشد قابل توجه در استفاده از روش های پژوهش غیر اثبات‌گرایی
است.همچنین
در صنعت این دوره شاهد استقرار چندین نسل
جدید از DSS ، به ویژه در مقیاس بزرگ EIS ، انبار داده ها، و هوش کسب و کار است .
در این
پژوهش یکپروتکلدر کدهر مقالهمورد
استفاده قرار گرفت وبرخی از مقاله ها، به عنوان
نماینده ای از انواع مختلف مقاله ها انتخاب شدند. برای بهینه
کردن روند کدگذاری مقالات به طور جداگانه توسط دو محقق کدگذاری شدندو
محقق سوم همه را بررسی می کرد.تحقیق قضاوت
و تصمیم گیری در مستند کد شده توسط یک
پژوهشگر دیگر مورد بررسی قرار گرفت.پروتکل های کد شده توسط محقق دیگری
در پایگاه داده نرم افزار SPSSبرای تجزیه و تحلیل وارد شدند
.این محقق همچنین یک بررسی با ثبات در کدگذاری انجام می دهد.
بحث
در پرداختن به سوال اول پژوهش (چه استراتژی ها و روش ها در
پژوهش های DSSاستفاده میشود؟)یعنی
تجزیه و تحلیل عوامل اصلی پژوهش ، مراحل تحقیق و نوع مقالات در نظر گرفته شدند.دوره تجزیه و تحلیل سال 1990 تا 2003 شاهد حرکت قابل
توجه در تحقیقات سیستم های اطلاعاتی هستند به دنبال این رویکردتحقیق DSSبه شدت تحت تسلط پارادایم
اثبات‌گرایان با 91 ٪ از
مطالعات تجربی را دارد.همچنین پژوهش نشان می دهد که حدود یک سوم (32.9٪) از
تحقیقات DSS غیر تجربی و دو سوم ( 67.1٪ ) تجربی
است.
در پاسخ به سوال دوم پژوهش (تمرکز
پشتیبانی تصمیم گیری و ارتباط حرفه ای پژوهشDSS چیست؟ ) یعنی تجزیه و تحلیل عوامل DSS، سطح سازمانی دربرگیرنده ، تمرکز در تصمیم گیری پشتیبانی و ارتباط
عملی در نظر گرفته شدند و تحقیق در سه زمینه متمرکز شد :PDSS، GSSو سیستم های هدایت شونده داده
بزرگ (EIS و انبار داده ها ).این
تحقیق نشان می دهد که PDSS و DSS هوشمند کاهش
قابل توجهی پیدا کرده اند در حالی که ، DSS مبتنی بر مدیریت دانش ، انبارهای
داده و سیستم های پشتیبان مذاکره به طور قابل توجهی در حال افزایش است.
با گذشت زمان تمرکز محقق بر توسعه
و فنآوری کاهش یافتهو تحقیق با تمرکز بر نتیجه
تصمیم گیری و تاثیر سازمانی دو برابر شده است.هر منطقه آموزشی حرفه ای متمرکز نیاز به یک تعادل منطقی بین توسعه تئوری و
کاربرد دارد چرا که پژوهش و عمل همدیگر را مطلع کنند.
پژوهش نشان می دهد که به طور کلی،
تنها 9.5 ٪ از تحقیقات ارتباط عملی
بالا یا بسیار بالا داشتند. از سوی دیگر53.2 درصد از پژوهش هیچ یا کمتر ارتباط عملی داشتند.
در پاسخ به سوال سوم پژوهش) مبانی نظری قضاوت در پژوهش DSS چیست؟) یعنی تجزیه و تحلیل مبانی
تصمیم گیری وقضاوت، این پژوهش مشتریان اصلی و کاربران در پژوهش هایDSS
را بوسیله ارزیابی نقش
سازمانی که دارند یا باید داشته باشند در هر مقاله شناسایی می نماید.بژوهش نشان داد که GSSو سیستم های پشتیبان
مذاکرهبه مراجع زیادی برای تصمیم گیری استناد می کنند.
از کسانی که منابع قضاوت و تصمیم گیری را ذکر کرده بودند ، کار سایمون تا حد زیادی
محبوب ترین بود و79.8٪ از تحقیقات DSS از یک شکل در مراحل مبانی تصمیم گیری در پایه نظری خود استفاده
نکردند. رویکرد نظری اصلی برای تصمیم گیری را در این
پژوهش در دو تا از رایج ترین طبقه بندی ها استفاده شد ، طبقه بندیاول متفاوت بودن بین روش های توصیفی و تجویزی رویکرد
ها است که هدف رویکرد توصیفی در واقع توصیف چگونگی فرآیند تصمیم گیری است و هدف نظریه
های تجویزی( تئوریهای هنجاری ) توصیه بهترین یا مناسب ترین راه را برای اتخاذ یک
تصمیم می باشد. طبقه بندی دوم از رویکرد تصمیم گیری به عنوان همپوشانی های اقتصادی
یا رفتاری با اولین مورد را دارد.
رویکرد های اقتصادی معمولا در به حداکثر رساندن برخی از موضوعات قابل
مشاهده درمحدودیت
ها و مراقبت کردن ازرویکرد تجویزی هدف
گذاری شده انددر حالی که رویکرد تصمیم
گیری رفتاری، معمولا بر اساس درک واقعیرفتار است
.
نتایج
این مقاله نشان می دهد که :
1.تحقیق DSS در سه حوزه برنامه کاربردی اصلی متمرکز است :DSSشخصی ، سیستم
ها ی پشتیبانی گروه و در مقیاس بزرگ سیستم های اطلاعات محور . نفوذ تحقیق DSS فردیدر حال کاهش است در حالی که در
مقیاس بزرگ و پژوهش سیستم های اطلاعات محور در حال افزایش است.
2.تحقیق DSS به شدت تحت سلطه مطالعات تجربی که از یک هستی شناسی
اثبات‌گرایانه و معرفت شناسانه اتخاذ شدهاست . محبوب ترین روش های تحقیق مورد استفاده در این گروه از مقالات آزمون ها
،زمینه یابی ها و شرح برنامه های کاربردی خاص و سیستم ها هستند. تحقیق DSS بیشتر تحت سلطه اثباتگرایی تحقیقات
سیستم های اطلاعاتی اصلی است.
3.ارزیابی از ارتباط عملی پژوهش DSS نشان می دهد که نظم و
انضباط بطور قابل توجهی از عملکرد حرفه ای دور است.
4.عدم شناسایی ماهیت مشتریان اصلی /
حامیان و کاربران اصلی DSS یک کمبود عمده از تحقیق DSS است.
5.تقریبا نیمی از تحقیقات منتشر شده DSS مبتنی بر قضاوت و پژوهش
تصمیم گیری نیست.
6.رویکرد های تجویزی و رفتاری برای
تصمیم گیری در پژوهش DSS بیشتر ذکر شده است.
7.کار هربرت سایمون بیشترین نفوذ و
قدرت را در مراجع مبانی قضاوت و تصمیم گیری در تحقیق DSS داراست.
Normal
0 false
false
false EN-US
X-NONE
AR-SA
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
ضرورت ها، پیش نیازها، چالشها و مراحل استقرار هوش تجاری درسازمانها
ارسال شده توسط احمد محمدی | 25 11, 2013 | بازدید‌ها (4859)
ضرورت ها، پیش نیازها، چالشها و مراحل استقرار هوش تجاری درسازمانها
سید محمود شجاعی کیاسری، دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات دانشگاه شهید بهشتی [1]
علیرضا طالب پور، عضو هیئت علمی و استاد دانشگاه شهید بهشتی[2]
چکیده
مدیران شرکت های خصوصی و سازمان های دولتی برای استقرار هوش تجاری اعلام نیاز میکنند، چراکه از طرق مختلف با ابزارها و فواید استقرار هوش تجاری در سازمانشان آگاه گشته اند و درک خوبی از میزان تاثیر این سیستم ها بر رشد، بقاء، مدیریت بیهینه و دستیابی به اهداف سازمانی و بدست آوردن مزیت های رقابتی در بازار متلاطم موجود سازمان بدست آورده اند. اما بررسی وشناخت مزایای استقرار هوش تجاری در سازمان به تنهایی نمیتوند منجر به استقرار موفق و استفاده کامل از هوش تجاری در سازمان ها شود و مطالعات هنوز نشان دهنده ضعف هایی در شناخت،استقرار و استفاده صحیح از هوش تجاری در سازمان ها است.آنچه در این مقاله به بررسی آن پرداخته شده است، بررسی ضرورت های موجود برای استقرار هوش تجاری، پیش نیازهای استقرار هوش تجاری از بعد فنی و زیرساخت ها و از بُعد نیروی انسانی متخصص و روش سنجش میزان آمادگی سازمان برای استقرار هوش تجاری، بررسی چالش های پیش روی سازمان ها دراستقرار هوش تجاری و آشنایی با مراحل استقرار هوش تجاری در سازمان هاست. نتایج این تحقیق میتواند اطلاعات بسیار مفیدی را دراختیار تصمیم گیرندگان و مدیران فناوری اطلاعات در سازمان ها قرار دهد تا شناخت کامل تری نسبت به ابعاد هوش تجاری پیدا کنند تا هزینه ها و احتمال شکست در استقرار هوش تجاری را کاهش دهند. در بخش پایانی، به بررسی دلایل عمده شکست پروژه های هوش تجاری پرداخته شده است.
کلمات کلیدی: هوش تجاری ، تصمیم گیری ، داده کاوی.
1. مقدمه
در پاسخ به این سوال که هوش تجاری یا هوش رقابتی یا هوش سازمانی یا هوش کسب و کار، از چه طریقی بدست می آید؟ و چگونه یک سازمان میتواند به سمت هوشمندی پیش برود تحقیقات و پژوهش های خوبی صورت گرفته است و ابزارهای بسیار متنوع و مناسبی برای این منظور خلق شده و توسعه یافته اند، اما پرسشی که همواره در این زمینه مطرح بوده است، در خصوص لزوم بکارگیری این ابزارها در عصر فناوری اطلاعات، زیرساخت های لازم برای بهر برداری لازم از این ابزارها و روش درست استفاده از آنهاست. فناوری اطلاعات ابزارهای مختلفی را در عرصه های مختلف در اختیار ذینفعان قرار داده است و برای استفاده از این ابزارها، لازم است که ابتدا یک همسویی و مشارکت استراتژیک و موثر میان کسب و کار و فناوری اطلاعات در سازمان شکل بگیرد تا از این رهگذار، فناوری اطلاعات وارد چرخه مدیریت و بهبود کسب و کار گردد.
این همسویی و مشارکت منجر به تغییر فرهنگ سازمانی، و بهبود روند اجرای فرآیند های حیاتی سازمان ها میگردد و در نهایت منجر به ایجاد سازمانی هوشمند و یادگیرنده میگردد.[4]
هوش تجاری از آنجایی که مستقیما با داده ها و اطلاعات سروکار دارد و ویژگی اصلی آن کشف و استخراج و نمایش دانش آشکار و پنهان موجود در این داده ها و اطلاعات ظاهرا قدیمی و زائد است، نیاز به ایجاد بستر و زیرساخت فنی دارد. زیر ساختی که بتواند داده های موجود در زیر سیستم های جزیره ای یک سازمان را که با چهارچوب ها و ابزارهای متفاوتی توسعه یافته اند، تجمیع و یکپارچه کند وزمینه بروز هوشمندی را در سازمان مهیا کند.
اما برای حرکت به سمت ایجاد زیر ساخت ها، نیاز به ارزیابی آمادگی سازمان برای بکار گیری این ابزارها وجود دارد. متاسفانه بسیاری از شکست هایی که در پروژه های استقرار هوش تجاری در سازمان ها مشاهده شده است، بدلیل عدم وجود آمادگی سازمانی برای پذیرش و اعمال تغییرات مورد نیاز در سازمان هاست.[6] حتی در برخی موارد ارزیابی آمادگی سازمان، میتواند منجر به اخذ تصمیماتی گردد که نه تنها باعث تسهیل روند استقرار هوش تجاری در سازمان گردد، بلکه باعث اثربخشی بیشتر آن نیز باشد.
به عنوان مثال استقرار نظام مدیریت دانش و تلاش برای به حرکت درآوردن چرخه خلق دانش و جمع آوری دانش پنهان سازمان که امروزه بزرگترین سرمایه سازمان هاست، و ایجاد فرآیند تبدیل آن به دانش صریح و بالعکس و ترکیب دانش ها با یکدیگر که منجر به بروز خلاقیت و ایجاد حکمت در سازمان میگردد، میتواند زیر بنای محکمی برای استقرار هوش تجاری باشد. در واقع میتوان گفت استفاده کامل از ابزارهای هوش تجاری، در گرو استقرار مدیریت دانش در سازمان هاست و تحقق مدیریت دانش، متضمن هوشمندی سازمان هاست.[7]
2. ضرورت های استقرار هوش تجاری در سازمان ها
ضرورت استقرار هوش تجاری در سازمان ها در عصر دانایی و در جامعه اطلاعاتی از ابعاد مختلف قابل بررسی است، از دیدگاه مدیریت ارشد استفاده از ابزارهای هوش تجاری برای تحلیل وضعیت جاری سازمان، تعیین اهداف کوتاه مدت، بلند مدت و کنترل شاخص های عملکرد ضروری بنظر میرسد ، از دیدگاه مدیریت اجرایی برای اتخاذ تصمیمات در فضاهای عدم اطمینان و ابهام و پیش بینی و تخمین نتایج اتخاذ تصمیمات، از دیدگاه مدیریت مالی برای رصد کردن و کنترل گزارش های مالی و شاخص های عملکردی، از دیدگاه مدیریت زنجیره تامین برای کنترل و بهبود روابط با تامین کنندگان و شرکاء سازمان، از دیدگاه مدیریت ارتباط با مشتریان برای شناسایی، دسته بندی، سیاستگذاری و بهبود ارتباط با مشتریان سازمان و...
با توجه به تحقیقات انجام شده، ضرورتهای استفاده از هوش تجاری در سازمان ها را میتوان بصورت زیر دسته بندی کرد:[1]
1. مهمترین نیاز یک مدیر، داشتن اطلاعات دقیق برای اتخاذ تصمیم درست است عوامل زیر در تصمیم گیری استراتژیک یک سازمان مؤثر می باشند:
- دسترسی، جمع آوری و پالایش داده ها و اطلاعات مورد نیاز.
- پردازش، تحلیل و نتیجه گیری بر اساس دانش.
- اعمال نتیجه و نظارت بر پیامدهای اجرای آن.
سازمان هایی با مدیریت قدیمی که از هوش سازمانی استفاده نمی کنند در تصمیم گیری ها معمولاً با مشکلات مختلفی روبرو هستند از جمله داشتن داده های حجیم، پیچیدگی تحصیل آنها و عدم توانایی پیگیری فرآیندها و نتایج تصمیمات گرفته شده و لذا تصمیمات اشتباه در این سازمان ها نتایج خود را به طور روشن نشان نمی دهد و یا دیرهنگام نشان می دهد این سازمانها نگاهی جامع از وضعیت جاری و آینده خود ندارند.
2. ضرورت دیگر استفاده از هوش سازمانی، نیاز به مدیریت دانش در سازمانها است . سازمانها نیاز به مدیریت هوشمند اسناد و مدارک خود دارند همچنین داده های مؤسسات تحقیقاتی که به منزله دارایی اصلی آن سازمانها می باشند نیاز به مدیریت دارد. هوش سازمانی باعث مدیریت بهتر این داده ها می شود. از آنجا که سازمانها نیاز دارند خودشان را با دانش روز تطبیق داده و همواره بروز باشند و خود را بر اساس شرایط مخاطبین و بازار و شرایط جدید خارج از سازمان هماهنگ سازند بحث آموزش مستمر کارکنان و حافظه سازمانی در نگهداری و استفاده از آموزش های سازمانی بسیار پر اهمیت است و هوش سازمانی به عنوان یک ضرورت در اینجا مطرح می شود و باعث افزایش بهره وری آموزشی و حفظ دانش سازمان می شود.[8]
3. پیش نیازهای استقرار هوش تجاری در سازمان ها
اغلب مدیران و تصمیم گیرندگان فناوری اطلاعات، هنوز معیار درستی برای دستیابی به تصمیم درست و بهنگام استقرار هوش تجاری در سازمانشان ندارند. دلیل اصلی این مشکل، عدم اطلاع کافی آنها از پیش نیازهای استقرار هوش تجاری در سازمانهاست. پاسخ به این سوال که "پیاده سازی هوش تجاری در سازمان ما مستلزم وجود چه پیش نیازهایی است؟ چه امکانات و زیر ساخت های فناورانه ای مورد نیاز است؟ و چه میزان دانش و تخصص نیروی انسانی متخصص لازم و کافی خواهد بود؟ فرهنگ سازمانی متناسب برای استقرار موفق هوش تجاری در سازمان کدام است ؟با چه ابزارها و تکنیک هایی میتوان میزان آمادگی سازمان را برای استقرار موفق هوش تجاری اندازه گرفت؟ و در مجموع سیاست و رویکرد اصلی سازمان نسبت به استقرار هوش تجاری باید به چه صورت باشد؟" اگر پاسخی برای این پرسش ها بدست آید، مدیران میتوانند تصمیات درست تر و منطقی تری اتخاذ کنند و به این ترتیب ضریب شکست پروژه های استقرار هوش تجاری در سازمان ها پایین خواهد آمد.
استقرار سیستم های هوش تجاری، برای سازمان هایی مناسب است که در آنها فرهنگ کاری و فرآیندهای کاری با اطلاعات و فناوری اطلاعات هماهنگی داشته باشد. چند نمونه از مهمترین شاخص های این هماهنگی عبارتند از:
- وجود تحقیقات و بررسی های مداوم و مستمر درباره نیازهای اطلاعاتی سازمان (نیازهای فعلی و آتی)
- همکاری و ارتباط مبتنی بر اعتماد میان کاربران فناوری اطلاعات سازمان مانند تصمیم‌گیرندگان و کارکنان عملیاتی سازمان با کارمندان و فعالان فناوری اطلاعات و مراکز مدیریت دانش در سازمان.
- وجود و نهادینه شدن فرهنگ اشتراک گذاری اطلاعات، دانش و تجربیات در سازمان
- درک نیاز، تمایل و توانایی در انجام فراتحلیل‌ها و استفاده از آنها نزد مدیران سازمان جهت مدیریت بهتر سازمان.
سازمان ها برای استقرار هوش تجاری بیش از هر مساله دیگری باید نگران زیرساخت های فنی باشند. مشارکت موثر فناوری اطلاعات و کسب و کار سازمان در هوش تجاری بسیار مهم است. این مشارکت تنها به معنی انجام وظایف مربوط به استقرار هوش تجاری نیست، بلکه به معنای کمک فناوری اطلاعات به بهبود کسب و کار و پیشرفت سازمان در قالب استقرار هوش تجاری است. امروزه سازمان هایی که موفق بهره برداری مناسب از فناوری اطلاعات شده اند به مراتب هوشمند تر و موفق تر هستند.[6]
در شکل زیر مدل مشارکت موثر فناوری اطلاعات وکسب و کار سازمان ارائه شده است: شکل ۱
شکل۱ - مدل مشارکت موثر کسب و کار سازمان با فناوری اطلاعات برای استقرار هوش تجاری در سازمان[6]
ابزارهای هوش تجاری، طیف وسیعی از خدمات را ارایه میدهند، از گزارشات ساده گرفته تا امکان نفوذ در داده ها برای تحلیل های مورد نیاز مدیران در یک صنعت خاص یا یک محیط عملیاتی. هنگامی که قصد انتخاب استراتژی را داریم باید به ۲ سوال پاسخ بدهیم :
1. چه نوع داده هایی برای تحلیل های ما مورد نیاز است؟ و از چه منبعی باید این داده را تامین کرد؟
2. تجزیه و تحلیل داده توسط چه کسی باید انجام شود و نتایج حاصل از تحلیل ها به چه صورت باید ارایه شود؟
ارایه پاسخ روشن به این ۲ پرسش مسیر حرکت سازمان را برای استقرار هوش تجاری روشن میکند.
پیش نیازها و مراحل فنی استقرار هوش تجاری عبارتند از:
3.1. سخت افزارهای مورد نیاز برای ذخیره سازی اطلاعات و انجام محاسبات
ارتقاء زیرساخت های ذخیره سازی داده ها(شبکه ذخیره سازی، ملحقات شبکه ذخیره سازی،مدیریت ذخیره سازی سلسله مراتبی)
3.2. نرم افزارهای کاربردی و منابع داده
نرم افزارها بایدسازماندهی شوند. مشکل انتقال و ارتباط و تجمیع داده ها در نرم افزارهای مختلف حل شود(CRM , SCM ,ERP)
3.3. تجمیع داده ها
نرم افزار واسطی ایجاد شود که تمام انواع پروتکل ها، واسط های کاربری، و مدل های اشیاء و ساختار داده ها برای ارتباط نرم افزارهای مختلف با یکدیگر را پوشش دهد. برای این امر نیاز به سرمایه گذاری در بخش اتصال سیستم هاست که امکان تجمیع اطلاعات از انبار های مختلف داده را فراهم میکنند و طی کردن فرآیند ETL که با اتصال به چندین منبع داده مختلف ، داده ها را بدست میآورد و سپس در یک انبار داده همه را مجتمع میکند.
3.4. پایگاه های داده رابطه ای و انبار داده ها:
سازمان نیاز به جمع آوری داده های موجود در پاسگا های داده رابطه ای موجود در سازمان در یک انبار داده دارد که اطلاعات تاریخی سازمان را جمع آوری و طبقه بندی نماید. این فرآیند به کاربران سازمان فدرت زیادی در تجزیه و تحلیل و استخراج اطلاعات مورد نیاز را خواهد داد.
3.5. پردازشهای تحلیلی آنلاین و موتور های تجزیه و تحلیل اطلاعات:
نرم افزارهای پردازشهای تحلیلی آنلاین یک لایه جداساز بین انبارهای داده مختلف سازمان و کاربران نهایی سیستم ایجاد میکنند و امکان دستیابی به امکانات زیادی را برای کاربران فراهم میکنند.
3.6. نرم افزارهای کاربردی تحلیلی:
نرم افزارهایی که امکان نفوذ در دادها و تجزیه و تحلیل آنها را میسر میسازند.
3.7. نمایش اطلاعات و تحویل نتایج:
نتایج درخواست ها به طرق مختلفی میتواند به کاربران ارائه شود. ابزار داشبورد، ابزارهای گزارش گیری مثل کریستال ریپورت و ابزارهای سیار مثل گوشی موبایل و...
4. چالشهای استقرار هوش تجاری در سازمان ها
چالش عمده سازمان ها در استقرار هوش تجاری، بحث یکپارچگی و تجمیع داده های سازمان در قالب انبار داده است. معمولا داده ها در یک سازمان توسط نرم افزارها و سیستم های اطلاعاتی مختلفی جمع آوری میشوند و همین موضوع باعث مشکل شدن کار تجمیع داده ها میشود. ۹۰٪ از پرژه های انبار داده در سازمان ها که با شکست مواجه شده اند، از همین مشکل رنج میبرده اند[4]
وقتی انبار داده مورد نظر سازمان به تمام زیر سیستم ها و نرم افزارهای سازمان وابسته باشد، در صورت بروز مشکل در یک سیستم، کل پروژه دچار و شکست خواهد شد و این اصلا ریسک مناسبی در اجرای پروژه نمیباشد. بنابراین راه حل مناسب، شکستن برنامه های بزرگ وابسته به قطعات کوچکتر مستقل است،با این روش ، شکست یک عنصر، منجر به شکست کل برنامه نمیشود. برای سازمان های بزرگ با منابع داده و سیستم های اطلاعاتی مختلف، مدل زیر پیشنهاد میگردد: شکل ۲
در این مدل، انبارداده هایی وجود دارند(انبار داده، بازارهای داده، منابع ذخیره سازی دادهای عملیاتی)، صدها نرم افزار و برنامه کاربردی وجود دارند که باید انبار های داده را تغذیه نمایند. یک لایه تجمیع داده و یک لایه هوش تجاری نیز دیده شده است.
شکل ۲ -مدل تجمیع داده ها در انبارهای داده سازمان های بزرگ [4]
برای یک سازمان بزرگ، برای هر یک از زیر سیستم ها یک انبار داده مجزا در سطح منطقه عملیاتی یا سازمانی خودش در نظر گرفته شده است. که خودش شامل بخش خروجی و گزارشات مخصوص به همان زیر سیستم یا نرم افزار میباشد. هر کدام از این زیر سیستم ها خودشان یک پروژه کامل به حساب می آیند چراکه شامل تمام اجزای پروژه اصلی هستند.
اما برای اتصال زیر سیستم ها از نظر داده ها و تجمیع انها، باید به سراغ استفاده از مستر دیتا یا داده های اصلی سیستم رفت.
داده های اصلی ، که ممکن است شامل داده های مرجع باشد، اطلاعات کلیدی برای بهره برداری از کسب و کار هستند . این اطلاعات کلیدی کسب و کار ممکن است شامل اطلاعات در مورد مشتریان ، محصولات ، کارکنان ، مواد ، تامین کنندگان ، و غیره باشد.در این راستا ، داده ها اصلی می توانند عملیات و فرآیندهای تراکنشی و پشتیبانی زیر سیستم های مختلف را تسهیل کنند.
برای استفاده از داده های اصلی، بعد از شناخت انها لازم است که مدیریت و کارشناس ارشد اطلاعات سازمان آنها را بدرستی طبقه بندی و آماده بهره برداری کند بطوریکه شامل داده های تکراری یا نا معتبر نباشند. این داده ها میتواند مورد توافق نظر در سطح سازمان قرار بگیرد و در تمام زیر سیستم های مورد استفاده باشد.
5. معماری هوش تجاری در سازمان
معماری CIF (Corporate Information Factory) که برای پوشش ضعف موجود در سیستم های EIS که همان مشکل ضعف در استفاده از یک منبع داده بود بوجود آمده است. CIF یک معماری ادراکی پذیرفته شده ( در سطح وسیع ) است که انباره های اطلاعاتی ای که در اجرا و مدیریت یک زیرساخت محکم و موفق هوش تجاری مورد استفاده قرار می گیرند، را توصیف و طبقه بندی می کند. این معماری بر مبنای تفکیک کل داده های سازمان به 5 پایگاه داده عمده بوجود می آید که عبارتند از:[9]
· پایگاه های داده سیستم اجرایی (The Operational System Databases)،
· پایگاه داده تحلیلی (Data warehouse)،
· انباره داده اجرائی (The Operational Data Store)،
· پایگاه های داده تحلیلی خرد (Data Marts)،
· پایگاه های داده عملِیاتی خرد (Oper Marts).
و در مرحله بعد عملیات یکپارچه سازی فرآیندهای سازمان و کسب وکار به منظور انتقال کارا و موثر داده از سیستم های منبع موجود به کاربران تجاری انجام میشود. فرآیند های کسب و کار را در سه گروه اصلی طبقه بندی میکند که عبارتند از:
· فرآیندهای عملیات تجاری (Business operations): فرآیندهایی که با اطلاعات عملیات روزانه و جاری سازمان در ارتباطند.
· فرآیندهای هوش تجاری (Business intelligence): فرآیندهایی که با جستجوی مداوم برای درک بهتر سازمان، ورودی های سازمان آن و خروجی های آن، تامین کنندگان و مشتریان و کلیه ذینفعان آن در ارتباط است. فرآیندهای عملیات تجاری ایستا هستند، در حالیکه فرآیندهای هوش تجاری علاوه برفرآیندهای ایستا، شامل فرآیندهایی است که همواره در حال تکامل اند و باید دائما مورد بررسی قرار گیرند.
· فرآیندهای مدیریت تجاری (Business management): فرآیندی است که در آن دانشها و بینشهای جدیدی که در هوش تجاری ایجاد می شوند، در عملیات تجاری روزانه در سرتاسر سازمان معرفی و اجرا می شوند، فرآیندهای مدیریت تجاری تصمیمات تاکتیکی که یک سازمان اتخاذ می کند را در بر می گیرد و ارزش فوق العاده زیادی برای سازمان دارند و هر میزان که استقرار هوش تجاری در سازمان به بهینه شدن تصمیمات در این سطح کمک کند، ارزش های این نوع سیستم ها بیشتر و بیشتر مشخص خواهد شد.
در این معماری دو مولفه اصلی وجود دارد که عبارتند از :
5.1. دریافت داده (Getting Data In):
شامل فرآیندها و پایگاه های داده ای است که درگیر اخذ داده از سیستم های اجرائی، یکپارچه سازی آن، پاکسازی آن و قرار دادن آن در یک پایگاه داده برای استفاده آسان هستند و عبارتند از:
· پایگاه های داده سیستم اجرایی (The Operational System Databases)،
· پایگاه داده تحلیلی (Data warehouse)،
· انباره داده اجرائی (The Operational Data Store)،
· اخذ دانش (Data Acquisition)
5.2. پس دادن اطلاعات(Getting Information Out) :
شامل فرآیندها و پایگاه های داده ای است که درگیر ارائه هوش تجاری به مشتریان تجاری نهایی یا تحلیل گران اند و عبارتند از:
· پایگاه های داده تحلیلی خرد (Data Marts)،
· پایگاه های داده عملِیاتی خرد (Oper Marts)،
· داده رسانی .(Data delivery)
5.3. مراحل استقرار هوش تجاری [11]
1- آماده­سازی (ETL)
استخراج داده·
پاک­سازی داده·
بایگانی کردن داده قبل و بعد از پاک­سازی·
2- یکپارچگی(Integrity)
تطبیق داده و یکپارچگی چند منبع داده­ای·
3- تحلیل سطح بالا
محاسبه دیدهای تحلیلی از دیدهای پایه - ایجاد پارامترهای تحلیلی·
4- خصوصی­سازی
استخراج و خصوصی سازی اطلاعات - ایجاد پایگاه داده· تحلیلی خاص
هر یک از این مراحل، توسط افراد خاصی باید انجام شود. در واقع تخصص های مورد نیاز برای انجام هر یک از مراحل فوق با هم دیگر فرقق می کند.
باید توجه داشت که تقریبا از مرحله اول نیازمند وجود Repository برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL[3] پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم.
6. دلایل شکست پروژه های هوش تجاری
پروژه های هوش تجاری، از آنجایی که بیش از همه انواع پروژه های فناوری اطلاعات در سازمان ها وابسته به لایه های زیر ساختی میباشد، توجه بیشتری را متوجه زیرساخت ها میکند. همچنین با توجه به اینکه خروجی استقرار هوش تجاری در سازمان ها بصورت مشخص و واضح قابل سنجش و اندازه گیری نیست، اغلب مدیران را دچار مشکلاتی میکند. با بررسی اخیری که توسط شرکت خدماتی و مشاوره KPMG انجام شده، 6 عامل اصلی شکست پروژه های فناوری اطلاعات به صورت زیر بیان شده است:[2]
1- برنامه ریزی ضعیف پروژه 2- طرح توجیهی ضعیف 3- عدم درگیری و پشتیبانی مدیریت ارشد4- عدم درگیری کاربر 5- تازه بودن تکنولوژی برای سازمان 6- عدم از خود دانستن پروژه
تمام موارد فوق برای پروژه های هوش تجاری وجود دارد و باید مورد توجه قرار گیرد بویژه بحث تازه بودن تکنولوژی برای سازمان، اما طی تجربیات و پژوهش هایی که توسط شرکت های فعال در این حوزه انجام شده، موارد اجرایی که منجر به شکست پروژه های هوش تجاری شده اند را نیز میتوان در ۸ مورد اصلی دسته بندی کرد:[3]
6.1. ﻋﺪﻡ ﺣﻤﺎﻳﺖ ﻣﺪﻳﺮﻳﺖ ﺍﺭﺷﺪ:
ﺩﺭ ﺻﻮﺭﺗﻲ ﻛﻪ ﻣﺪﻳﺮﻳﺖ ﻣﺮﺍﺣﻞ ﺍﺳﺘﻘﺮﺍﺭ ﺍﻧﺒﺎﺭ ﺩﺍﺩﻩ ﻭ ﻫﻮﺵ ﺗﺠ ﺎﺭﻱ ﺭﺍ ﺩﺭﻙ ﻧﻜﻨﺪ ﻭ ﻳﺎ ﺍﺯ ﻣﺰﺍﻳ ﺎﻱ ﺁﻥ ﺑﻲﺧﺒﺮ ﺑﺎﺷﺪ، ﺁﻥ ﭼﻨﺎﻥ ﻛﻪ ﻻﺯﻡ ﺍﺳﺖ ﺑﻪ ﭘﺮﻭﮊﻩ ﺍﻫﻤﻴﺖ ﺩﺍﺩﻩ ﻧﻤﻲﺷﻮﺩ ﻭ ﭘﺮﻭﮊﻩ ﻣﺪﺍﻡ ﺑﻪ ﺗﻌﻮﻳﻖ ﻣﻲﺍﻓﺘﺪ. ﻣﺪﻳﺮﺍﻥ ﺍﺟﺮﺍﻳﻲ ﺑﺎﻳﺪ ﺑﺪﺍﻧﻨﺪ ﻛﻪ ﺍﺳﺘﻘﺮﺍﺭ ﻫﻮﺵ ﺗﺠﺎﺭﻱ ﻓﻘﻂ ﺷﺎﻣﻞ ﻣﺮﺍﺣﻞ ﺍﺳﺘﻘﺮﺍﺭ ﻓﻨﻲ ﻧﻤﻲﺷﻮﺩ ﻭ ﻣﻤﻜﻦ ﺍﺳﺖ ﻣﻨﺠﺮ ﺑﻪ ﺗﻐﻴﻴﺮ ﺩﺭ ﻓﺮﺍﻳﻨﺪﻫﺎ ﻭ ﻛﺴﺐﻭﻛﺎﺭ ﺳﺎﺯﻣﺎﻥ ﮔﺮﺩﺩ. ﺯﻳﺮﺍ ﺑﺮﺍﻱ ﺍﻳﻨﻜﻪ ﺳﺎﺯﻣﺎﻥ ﺑﺘﻮﺍﻧﺪ ﺍﺯ ﺗﻤﺎﻡ ﻣﺰﺍﻳﺎﻱ ﻫﻮﺵ ﺗﺠﺎﺭﻱ ﺑﻬﺮﻩﻣﻨﺪ ﮔﺮﺩﺩ ﺑﺎﻳﺪ ﺍﺯﺗﻤﺎﻡ ﺧﺮﻭﺟﻲﻫﺎﻱ ﻫﻮﺷﻤﻨﺪﻱ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﺪ ﻭ ﺭﻭﺵ ﺍﺩﺍﺭﻩ ﻛﺴﺐﻭﻛﺎﺭ ﺭﺍ ﺗﻐﻴﻴﺮ ﺩﻫﺪ.
6.2. ﺷﻨﺎﺳﺎﻳﻲ ﺿﻌﻴﻒ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎﻱ ﺳﺎﺯﻣﺎﻥ:
ﻳﻜﻲ ﺍﺯ ﻣﻬﻢﺗﺮﻳﻦ ﮔﺎﻡﻫﺎ، ﻛﻪ ﻏﺎﻟﺒ ﺎ ﻧﺎﺩﻳﺪﻩ ﮔﺮﻓﺘﻪ ﻣﻲﺷﻮﺩ، ﻣﺮﺣﻠﻪ ﺟﻤﻊﺁﻭﺭﻱ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎﻱ ﻛﺴﺐﻭﻛﺎﺭ ﺍﺳﺖ.
ﺑﺴﻴﺎﺭﻱ ﺍﺯ ﺳﺎﺯﻣﺎﻥﻫﺎ ﺑﻌﺪ ﺍﺯ ﺍﺗﻤﺎﻡ ﻣﻌﻤﺎﺭﻱ انبار داده، ﺍﺯ ﻛﺎﺭﺑﺮﺍﻥ ﻧﻬﺎﻳﻲ ﺟﻬﺖ ﻧﻈﺮﺳﻨﺠﻲ ﺍﺭ ﻧﺘﺎﻳﺞ ﻃﺮﺡ ﺩﻋﻮﺕ ﻣﻲﻛﻨﻨﺪ، ﺩﺭ ﺣﺎﻟﻴﻜﻪ ﻧﻈﺮ ﺍﻓﺮﺍﺩ ﻣﻲﺑﺎﻳﺴﺖ ﻗﺒﻞ ﺍﺯ ﻣﻌﻤﺎﺭﻱ ﻭ ﻃﺮﺍﺣﻲ انبار داده ﮔﺮﻓﺘﻪ ﻣﻲﺷﺪ. ﺑﻪ ﻣﻨﻈﻮﺭ ﺟﻤﻊﺁﻭﺭﻱ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎ ﺩﺭ ﻓﺎﺯ ﺷﻨﺎﺧﺖ ﭘﺮﻭﮊﻩ، ﺩﺭﮔﻴﺮ ﻛﺮﺩﻥ ﻛﺎﺭﺑﺮﺍﻥ، ﺍﺯ ﺍﻣﻮﺭ ﺑﻲﭼﻮﻥﻭﭼﺮﺍ ﺟﻬﺖ ﺗﻀﻤﻴﻦ ﺑﺮﺍﻱ ﭘﻲ ﺑﺮﺩﻥ ﺑﻪ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎﻱ ﻭﺍﻗﻌﻲ ﻛﺎﺭﺑﺮﺍﻥ ﺍﺳﺖ.
6.3. ﻃﺮﺍﺣﻲ ﺿﻌﻴﻒ:
ﮔﺎﻡ ﮐﻠﻴﺪﻱ ﺑﻌﺪﻱ ﻃﺮﺍﺣﻲ ﻣﻌﻤﺎﺭﻱ ﻫﻮﺵ ﺗﺠﺎﺭﻱ ﺍﺳﺖ. ﻧﮑﺘﻪ ﻣﻬﻢ ﺍﻳﻦ ﺍﺳﺖ ﮐﻪ ﺍﺯ ﺍﻓﺮﺍﺩﻱ ﺍﺳ ﺘﻔﺎﺩﻩ ﺷﻮﺩ ﮐﻪ ﺩﺭ ﺍﻳﻦ ﺯﻣﻴﻨﻪ ﺗﺠﺮﺑﻪ ﺩﺍﺭﻧﺪ. ﺑﺎﻳﺪ ﺍﺯ ﻃﺮﺍﺣﺎﻥ ﻭ ﺗﻮﺳﻌﻪﺩﻫﻨﺪﮔﺎﻧﻲ ﺍﺳﺘﻔﺎﺩﻩ ﺷﻮﺩ ﮐﻪ ﺩﺍﺭﺍﻱ ﺁﻣﻮﺯﺵﻫﺎﻱ ﻻﺯﻡ ﺑﺮﺍﻱ ﺍﻳﺠﺎﺩ انبار داده ﻫﺴﺘﻨﺪ ﻭ ﺗﻨﻬﺎ ﺗﺠﺮﺑﻪ ﺍﻳﺠﺎﺩ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﮐﺎﻓﻲ ﻧﻴﺴﺖ. ﺯﻳﺮﺍ ﻓﺮﺍﻳﻨﺪ انبار داده ﺷﺎﻣﻞ ﺍﺳﺘﺨﺮﺍﺝ ﺩﺍﺩﻩﻫﺎ ﺍﺯ ﻳﮏ ﻳﺎ ﭼﻨﺪ ﺑﺮﻧﺎﻣﻪ ﻣﺮﮐﺰﻱ ﻭ ﺗﺒﺪﻳﻞ ﺩﺍﺩﻩﻫﺎ ﺑﻪ ﻓﺮﻣﺘﻲ ﻗﺎﺑﻞﺍﺳﺘﻔﺎﺩﻩﺗﺮ ﺍﺳﺖ.
6.4. ﻓﻘﺪﺍﻥ ﺁﻣﻮﺯﺵ:
ﺑﻌﺪ ﺍﺯ ﺗﮑﻤﻴﻞ انبار داده ، ﻣﻮﻓﻘﻴﺖ ﺑﻪ ﺍﻳﻦ ﺑﺴﺘﮕﻲ ﺩﺍﺭﺩ ﮐﻪ انبار داده ﺑﺮﺍﻱ ﺳﺎﺯﻣﺎﻥ ﭼﮕﻮﻧﻪ ﺭﻭﻧﻤﺎﻳﻲ ﺧﻮﺍﻫﺪ ﺷﺪ. ﺑﺴﻴﺎﺭﻱ ﺍﺯ ﺷﺮﮐﺖﻫﺎ ﺩﺭ ﺍﻳﻦ ﮔﺎﻡ ﻣﺸﮑﻞ ﺩﺍﺭﻧﺪ ﻭ ﻣﻌﻤﻮﻻ ﺍﻳﻦ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﮐﻪ ﺍﺳﺘﻘﺮﺍﺭ انبار داده ﺑﻪ ﺷﮑﺴﺖ ﺑﻴﻨﺠﺎﻣﺪ. ﺍﺻﻠﻲﺗﺮﻳﻦ ﺩﻟﻴﻞ ﮐﻪ ﺑﻪ ﻧﻈﺮ ﻣﻲﺭﺳﺪ، ﻓﻘﺪﺍﻥ ﺁﻣﻮﺯﺵﻫﺎﻱ ﮐﺎﻓﻲ ﺍﺯ ﺳﻮﻱ ﺷﺮﮐﺖ ﺑﺮﺍﻱ ﮐﺎﺭﺑﺮﺍﻥ ﺍﺳﺖ. ﺑﺠﺎﻱ ﺁﻣﻮﺯﺵ ﺁﻥﻫﺎ ﺑﺎ ﺟﺰﺋﻴﺎﺕ ﺩﻗﻴﻖ، ﺑﻪ ﻳﮏ ﻣﺮﻭﺭ ﺍﺟﻤﺎﻟﻲ ﺍﮐﺘﻔﺎ ﻣﻲﮐﻨﻨﺪ.
6.5. ﻋﺪﻡ ﻣﻮﻓﻘﻴﺖ ﺩﺭ ﮔﺴﺘﺮﺵ ﺩﺍﺩﻥ ﺑﻪ ﻭﺳﻴﻠﻪ data mart ﻫﺎ:
ﺑﻌﺪ ﺍﺯ ﺍﻳﻦ ﮐﻪ انبار داده ﺍﻭﻟﻴﻪ ﺳﺎﺧﺘﻪ ﺷﺪ، ﺑﻪ ﻧﻈﺮ ﻣﻲﺭﺳﺪ ﮐﻪ ﮐﺎﺭ ﺗﻤﺎﻡ ﺷﺪﻩ ﺍﺳﺖ. ﻣﻌﻤﻮﹰﻻ ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﮐﻪ ﻣﺸﺨﺺ ﮐﺮﺩﻥ ﻳﮏ ﻃﺮﺡ ﺟﻬﺖ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺩﺍﺩﻩﻫﺎﻱ ﺩﺭﻭﻥ انبار داده ﺍﺳﺖ،ﻓﺮﺍﻣﻮﺵ ﻣﻲﺷﻮﺩ. ﺗﻮﺻﻴﻪ ﻣﻲﺷﻮﺩ ﮐﻪ ﺑﺮﺍﻱ ﺗﺴﻬﻴﻞﺍﻧﺠﺎﻡ ﻭﻇﺎﻳﻒ ﮐﺎﺭﺑﺮﺍﻥ ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﺧﺖ ﻫﻤﺒﺴﺘﻪﻫﺎ ﻳﺎ data mart ﻫﺎ ﺍﻗﺪﺍﻡ ﺷﻮﺩ. data mart ﻫﺎ ﻣﻲﺗﻮﺍﻧﻨﺪ ﺑﺮﺍﻱ ﺳﺎﺧﺖ ﻳﮏ ﻣﺪﻝ ﺑﺴﻴﺎﺭ ﺳﺎﺩﻩﺷﺪﻩﺗﺮ ﺍﺯ ﺩﺍﺩﻩﻫﺎ ﺑﻪ ﮐﺎﺭ ﺭﻭﻧﺪ. data mart ﻣﻲﺗﻮﺍﻧﺪ ﺩﺍﺭﺍﻱ ﺧﻼﺻﻪﺳﺎﺯﻱﻫﺎ، ﻣﺤﺎﺳﺒﺎﺕ ﻭ ﺗﻐﻴﻴﺮ ﻧﺎﻡ ﺩﺍﺩﻩﻫﺎ ﺑﺎﺷﺪ، ﺑﻪ ﻧﺤﻮﻱ ﮐﻪ ﮐﺎﺭﺑﺮﺍﻥ ﺭﺍﺣﺖﺗﺮ ﺑﺘﻮﺍﻧﻨﺪ ﺑﻪ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺭﺩ ﻧﻴﺎﺯﺷﺎﻥ ﺩﺳﺘﺮﺳﻲ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﺍﺯ ﺁﻧﺠﺎﻳﻲ ﻛﻪ data mart ﻫﺎ ﺩﺳﺘﺮﺳﻲ ﻣﻨﺎﺳﺐﺗﺮ ﺑﻪ ﺍﻃﻼﻋﺎﺕ ﺑﺮﺍﻱ ﻛﺎﺭﺑﺮﺍﻥ ﻓﺮﺍﻫﻢ ﻣﻲﻛﻨﻨﺪ ﻭ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﻛﻪ ﺣﺠﻢ ﺑﺎﺭ ﺩﺍﺩﻩﻫﺎ ﺑﺮ ﺭﻭﻱ انبار داده ﻛﺎﻫﺶ ﻳﺎﺑﺪ، ﻟﺬﺍ ﻭﺟﻮﺩ ﺁﻧﻬﺎ ﺑﺮﺍﻱ ﺍﻓﺰﺍﻳﺶ ﻛﺎﺭﺍﻳﻲ ﺿﺮﻭﺭﻱ ﻣﻲﻧﻤﺎﻳﺪ. ﺩﺭ ﻧﺘﻴﺠﻪ ﻓﻘﻘﺪﺍﻥ date mart ﻫﺎ ﻳﺎ ﻋﺪﻡ ﻃﺮﺍﺣﻲ ﻣﻨﺎﺳﺐ ﺁﻥﻫﺎ ﻣﻲﺗﻮﺍﻧﺪ ﭘﺮﻭﮊﻩ ﺍﺳﺘﻘﺮﺍﺭ انبار داده ﺭﺍ ﺑﺎ ﻣﺸﻜﻼﺕ ﻣﺘﻌﺪﺩﻱ ﻣﻮﺍﺟﻪ ﺳﺎﺯﺩ.
6.6. ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﺑﺰﺍﺭ ﻏﻠﻂ:
ﺍﺯ ﺩﻻﻳﻞ ﺩﻳﮕﺮ ﺍﺳﺘﻘﺮﺍﺭ ﻧﺎﻣﻮﻓﻖ ﺍﻧﺒﺎﺭﻩ ﺩﺍﺩﻩ ﻭ ﻫﻮﺵ ﺗﺠﺎﺭﻱ ﺩﺭﺳﺎﺯﻣﺎﻥﻫﺎ ﺍﻧﺘﺨﺎﺏ ﺍﺑﺰﺍﺭ ﻧﺎﻣﻨﺎﺳﺐ ﻣﻲﺑﺎﺷﺪ. ﺑﺮﺍﻱ ﮐﺎﺭﺑﺮﺩﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺍﺑﺰﺍﺭﻫﺎﻱ ﻣﺘﻔﺎﻭﺗﻲ ﺩﺭ ﺍﺧﺘﻴﺎﺭ ﺍﺳﺖ. ﻣﻲﺗﻮﺍﻥ ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ ﺑﻪ ﺍﺑﺰﺍﺭﻫﺎﻱ ETL، ﮔﺰﺍﺭﺵﮔﻴﺮﻱ، ﺩﺍﺩﻩﮐﺎﻭﻱ، OLAP ﻭ ﺍﺑﺰﺍﺭﻫﺎﻱ web-based ﻧﻈﻴﺮ ﺩﺍﺷﺒﻮﺭﺩﻫﺎ ﺍﺷﺎﺭﻩ ﮐﺮﺩ. ﻧﮑﺘﻪ ﻣﻬﻢ ﺍﻳﻦ ﺍﺳﺖ ﮐﻪ ﺑﺎﻳﺪ ﺑﺎ ﺩﻗﺖ ﻭ ﺑﺮﺭﺳﻲ ﺩﺭ ﻧﻴﺎﺯﻫﺎﻱ ﮐﺎﺭﺑﺮﺍﻥ، ﻣﺠﻤﻮﻋﻪ ﺍﺑﺰﺍﺭﻱ ﺍﻧﺘﺨﺎﺏ ﺷﻮﺩ ﮐﻪ ﺑﻪ ﻋﻨﻮﺍﻥ ﻳﮏ ﻣﮑﻤﻞ ﺩﺭ ﺍﻧﺠﺎﻡ ﮐﺎﺭﻫﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ. ﺩﺭ ﺍﻳﻦ ﺭﺍﺳﺘﺎ ﭘﻴﺸﻨﻬﺎﺩ ﻣﻲﮔﺮﺩﺩ ﺳﺎﺯﻣﺎﻥ ﺩﺭ ﺍﺑﺘﺪﺍﻱ ﭘﺮﻭﮊﻩ ﻭ ﺑﻌﺪ ﺍﺯ ﺷﻨﺎﺧﺖ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎ ﻭ ﻣﺤﺪﻭﺩﻩ ﺍﺟﺮﺍﻱ ﻃﺮﺡ ﺍﻗﺪﺍﻡ ﺑﻪ ﺍﻧﺘﺨﺎﺏ ﺍﺑﺰﺍﺭﻫﺎﻱ ﻣﻨﺎﺳﺐ ﺳﺎﺯﻣﺎﻥ
6.7. ﺩﺍﺩﻩﻫﺎﻱ ﺑﻲﻛﻴﻔﻴﺖ:
ﻳﻜﭙﺎﺭﭼﻪﺳﺎﺯﻱ ﺩﺍﺩﻩﻫﺎ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﻛﻪ ﺁﻧﭽﻪ ﻛﻪ ﺩﺭ ﭘﺎﺋﻴﻦﺗﺮﻳﻦ ﺳﻄﻮﺡ ﺳﺎﺯﻣﺎﻥ ﺍﺗﻔﺎﻕ ﻣﻲﺍﻓﺘﺪ ﻣﺸﺨﺺ ﺷﻮﺩ. ﮔﺰﺍﺭﺷﺎﺗﻲ ﻛﻪ ﻧﺘﺎﻳﺞ ﻏﻠﻂ ﻳﺎ ﻧﺎﻗﺺ ﺗﻮﻟﻴﺪ ﻣﻲﻛﻨﻨﺪ ﺑﻪ ﺍﺳﺘﻘﺮﺍﺭ هوش تجاری ﻟﻄﻤﻪ ﻭﺍﺭﺩ ﻣﻲﻛﻨﺪ. ﺭﺍﻩﺣﻞ ﺍﻳﻦ ﻣﺸﻜﻞ ﻧﻈﺎﺭﺕ ﺑﺮ ﺩﺍﺩﻩﻫﺎ ﻭ ﻧﻈﺎﺭﺕ ﺑﺮ ﻛﺴﺐﻭﻛﺎﺭ ﺍﺳﺖ. بر خلاف عقیده بسیاری از کارشناسان که هوش تجاری را یک پروژه زودبازده قلمداد میکنند، به نظر میرسد استقرار هوش تجاری یک پروژه به شدت متکی به زیرساخت هاست و بویژه در بخش مدیریت دانش و اطلاعات سازمان نیازمند توجه وسرمایه گذاری برای تامین داده های با کیفیت است.
6.8. ﻗﺎﺋﻞ ﺷﺪﻥ ﻳﮏ نقطه ﭘﺎﻳﺎﻥ ﺑﺮﺍﻱ استقرار هوش تجاری:
ﺑﺮﺍﻱ ﺍﺳﺘﻘﺮﺍﺭ ﻫﻮﺵ ﺗﺠﺎﺭﻱ ﺩﺭ ﺳﺎﺯﻣﺎﻥ ﻧﺒﺎﻳﺪ ﭘﺎﻳﺎﻧﻲ ﺩﺭ ﻧﻈﺮ ﮔﺮﻓﺖ، استقرار هوش تجاری در واقع یک پروژه نیست، یک برنامه است. به این معنی که فاز اول برنامه استقرار هوش تجاری در سازمان میتواند بصورت پروژه استقرار هوش تجاری باشد ولی بعد از پایان پروژه، باید بصورت مداوم روی داده های ورودی، فرآیند های انبار داده و داده کاوی و سایر ابزارهای هوش تجاری کار شود تا همواره بهترین و صحیح ترین خروجی را برای کاربران مهیا سازد.
موارد ذکر شده، بیشتر در حوزه اجرای ‍ پروژه ها مورد بحث قرار گرفته است، اما امروزه در حوزه تعریف پروژه ها و تعیین میزان موفقیت پروژه ها، جدا از اینکه پروژه با موفقیت اجرا شده یا خیر، بحث میزان اثربخشی اجرای پروژه در فرآیند های سازمان نیز بسیار پر اهمیت قلمداد میشود و پروژه ای که تعریف نادرستی داشته باشد یا اهداف درستی را مدنظر قرار نداده باشد یا با با در نظر گرفتن زیرساخت های مناسب تعریف نشده باشد و به اجرا در بیاید، هر چند در اجرا درست و کامل و با هزینه مناسب و زمان مناسب به اتمام برسد باز هم یک پروژه شکست خورده تلقی میشود. بنابراین توجه خاصی به حوزه تعریف پروژه ها و مهیا کردن زیرساخت های مورد نیاز برای تعریف یک پروژه بسیار ضروری بنظر میرسد. در خصوص پروژه استقرار هوش تجاری در سازمان این بحث با جدیت بیشتری مطرح است و لازم است که حتما قبل از تصویب و اجرای پروژه، زیرساخت ها فراهم شوند. چه به لحاظ نیروی انسانی، چه به لحاظ محیطی و چه زیر ساخت فرهنگی و فنی و ... و در مرحله بعد حتما میزان آمادگی سازمانی ارزیابی گردد و در نهایت وارد فاز اجرای پروژه شد.
7. نتیجه گیری
سازمان هایی که برای استقرار هوش تجاری برنامه ریزی میکنند، باید قبل از تصمیم گیری به بررسی زیرساخت های لازم برای بهره گیری از هوش تجاری بپردازند، چه به لحاظ امکانات فنی و چه به لحاظ نیروی انسانی متخصص و چه به لحاظ فرهنگ سازمانی مورد نیاز. همانطور که در مقاله مطرح شده است این عوامل زیرساختی سهم بسیار مهمی از احتمال شکست پروژه های هوش تجاری در سازمان را بخود اختصاص میدهند و همین امر منجر به لزوم توجه بیشتر به این مقوله میشود.
بعد از تصمیم گیری باید ارزیابی آمادگی سازمانی برای قبول استقرار هوش تجاری صورت پذیرد و با توجه به خروجی حاصل از ارزیابی، اقدامات لازم برای ایجاد آمادگی کامل صورت پذیرد.
استقرار هوش تجاری در گرو همکاری و همسویی فناوری اطلاعات و کسب و کار سازمان است. و در صورتی که این دو عامل در یک سازمان با هماهنگی کامل در جهت استقرار هوش تجاری برناه ریزی و هدایت شوند میتوان به مرحله استقرار هوش تجاری در سازمان رسید. در این مرحله نیز گام های استقرار یکی پس از دیگری برداشته میشود و در نهایت منجر به ایجاد سازمانی هوشمند و یادگیرنده میگردد.
مراجع
[1] آرش خسروی ، ضرورت بکارگیری هوش سازمانی در سازمان ها، مرکز تحقیقات کامپیوتری علوم اسلامی
[2] بررسی دلایل ناکامی پروژه های فناوری اطلاعات
[3] ﻋﻮﺍﻣﻞ ﻣﻬﻢ ﺟﻠﻮﮔﻴﺮﻱ ﺍﺯ ﺷﻜﺴﺖ ﭘﺮﻭﮊﻩﻫﺎﻱ ﺍﻧﺒﺎﺭﻩ ﺩﺍﺩﻩ ﻭ ﻫﻮﺵ ﺗﺠﺎﺭﻱ، خبرنامه شرکت مگفا بهمن ۱۳۸۷
[4] Data Integration and Management Solutions,Manjunath. B. Assistant Professor, manjunath_b_73@yahoo.com
[5] Business Intelligence – Past, Present, and Future ,Hugh J. Watson Department of MIS, University of Georgia , nov 2009
[6] Assessing BI Readiness: A Key to BI ROI, As featured in the Summer 2004 issue of Business Intelligence Journal ,Steve Williams , Nancy Williams
[7] Knowledge management and business intelligence: the importance of integration , Richard T. Herschel and Nary E. Jones
[8] The integration of business intelligence and knowledge management, W F Cody; J T, Kerulen; V Krishna; W S Spangler, IBM Systems Journal; 2002; 41, 4; ABI/INFORM Global, pg. 697
[9] http://www.inmoncif.com/home/
[1] سید محمود شجاعی کیاسری.
آدرس پست الکترونیکی: sm.shojaei@mail.sbu.ac.ir
[2] علیرضا طالب پور ، دکترای الکترونیک (پردازش تصویر، دانشگاه Surrey انگلستان) – عضو هیئت علمی و استاد دانشگاه شهید بهشتی
[3] Extract, Transform, Load
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (2) | بازتاب (0)
پایگاه های اطلاعاتی
ارسال شده توسط احمد محمدی | 23 11, 2013 | بازدید‌ها (887)
پایگاه های اطلاعاتی
پایگاه داده‌ها [1] یا پایگاه اطلاعاتی، ذخیره‌ای از پرونده‌های [2] حاوی اطلاعات گوناگون و مرتبط به‌صورت یکپارچه [3] و مبتنی بر ساختار واحدی است که امکان جست‌وجو و بازیابی سریع اطلاعات را توسط رایانه پدید می‌آورد. پایگاه اطلاعاتی به‌گونه‌ای شکل می‌گیرد که تسهیلاتی را برای ذخیره، درج، حذف، اصلاح، روزآمدسازی، و بازیابی اطلاعات پرونده‌ها توسط یک یا چند کاربر
به‌صورت اشتراکی و همزمان فراهم سازد. غالبآ مدارک موجود در پایگاه اطلاعاتی ارائه‌دهنده اطلاعات همه پدیده‌های فیزیکی مانند کتاب یا سایر متون منتشر شده مانند آثار هنری، اشیای قدیمی، یا حتی اطلاعات مربوط به یک فرد (مانند مدارک استخدامی یا اسناد پزشکی افراد) را در بر می‌گیرد. به عبارت دیگر این اطلاعات می‌تواند، داده‌هایی کامل از این اسناد باشد. پایگاه اطلاعاتی را می‌توان بر روی رسانه‌هایی مانند لوح سخت [4]، لوح لرزان [5]، لوح یا نوار مغناطیسی [6]، لوح نوری [7]، یا هر ابزار دیگر ذخیره کرد.
تاریخچه
در اواخر دهه 1960 و اوایل دهه 1970 ایجاد نظام یکپارچه مدیریت اطلاعات به‌عنوان هدفی واحد مطرح شد و پایگاه‌های اطلاعاتی با این قصد به‌وجود آمد که بتواند امکان ترکیب پرونده‌های جدا از هم، ایجاد ارتباط، مدیریت، و استفاده مشترک از داده‌ها را فراهم سازد. در نتیجه، افزونگی اطلاعات تا حدودی کاهش یافت، صحت و یکپارچگی اطلاعات ذخیره شده تا حدی تأمین شد، و امکان دسترسی مستقیم به اطلاعات و بازیابی آن، به‌کمک چند کلید، و گزارش‌گیری ساده نیز فراهم گردید.
در دهه 1970، به‌سبب تراکم اطلاعات ذخیره شده و ضرورت بازیابی اطلاعات مورد
نیاز، یکپارچگی اطلاعات و به حداقل رساندن تکرار آن در پایگاه‌های اطلاعاتی اهمیت بیشتری یافت و موجب شد که در تهیه برنامه‌های کاربردی، روش‌های کارآمدتری نسبت به ذخیره و بازیابی اطلاعات ابداع شود و پایگاه‌های
اطلاعاتی امروزی شکل گیرد. این پایگاه‌ها دسترسی چندجانبه به اطلاعات، کنترل اطلاعات، سازماندهی مجدد، ارتباط میان عناصر اطلاعاتی، امنیت اطلاعات، تهیه گزارش‌های پیچیده، و تهیه برنامه‌های کاربردی مستقل از داده را امکان‌پذیر ساخت. از دهه 1980، با توسعه دانش در زمینه‌هاینظام‌های خبره
و هوش مصنوعی [8] [9]، تحولی در نظام ذخیره و بازیابی اطلاعات به‌وجود آمد.
پایگاه‌های اطلاعاتی با استفاده از منطق صوری، نظام خبره، هوش مصنوعی، و زبان طبیعی امکان استنتاج منطقی از داده‌ها را به کاربران می‌دهند؛ و بدین‌ترتیب، فن‌آوری نوین سبب ایجاد پایگاه‌های دانش [10] شده است.
در ایران نیز از سال 1362، تلاش‌هایی به‌منظور ایجاد پایگاه‌های اطلاعاتی خودکار آغاز شد (6: 1-3) لیکن تا اواخر دهه 60 نتیجه ملموسی حاصل گردید. مراکز پایگاه‌های اطلاعاتی ایران در حال حاضر به‌طور عمده حاصل تلاش‌ها و کوشش‌هایی است که از سال 1368 آغاز گردیده و تاکنون ادامه داشته است.
اجزای پایگاه اطلاعاتی [11]
محیط پایگاه اطلاعاتی از اجزائی چون داده‌ها، سخت‌افزار، نرم‌افزار، و کاربران تشکیل شده است. هر پایگاه اطلاعاتی مجموعه‌ای از داده‌هاست که به‌صورت یکپارچه مورد استفاده قرار می‌گیرد. داده‌های هر پایگاه میان کاربران مختلف به اشتراک گذاشته می‌شود و از داده واحدی ممکن است برای مقاصد مختلف استفاده گردد.
از سوی دیگر، پایگاه اطلاعاتی برای استقرار و اجرا نیاز به تجهیزات سخت‌افزاری نظیر دستگاه‌های ذخیره‌سازی، پردازش‌گرها [12]، و سخت‌افزارهای ارتباطی [13] دارد. در ضمن، هر پایگاه اطلاعاتی دارای لایه‌ای نرم‌افزاری به نام "نظام مدیریت پایگاه اطلاعاتی" [14] است که ارتباط میان استفاده‌کنندگان و اطلاعات ذخیره شده بر روی دستگاه‌ها را برقرار می‌سازد. از طریق این نرم‌افزار می‌توان به اطلاعات پایگاه دست یافت.
کاربران پایگاه‌های اطلاعاتی را سه گروه تشکیل می‌دهند:
1) برنامه‌سازان کاربردی [15] که پایگاه اطلاعاتی را طراحی می‌کنند و، با استفاده از داده‌های موجود در پایگاه، آن را توسعه می‌دهند و برنامه‌های جدیدی را تهیه می‌کنند؛
2) استفاده‌کنندگان نهایی که با استفاده از پایگاه‌ها می‌توانند به اطلاعات مورد نیاز دست یابند و از آنها استفاده کنند؛
3) مدیران پایگاه داده‌ها که کار کنترل پایگاه اطلاعاتی را برعهده داشته و معمولا از توان بالایی برای تجزیه و تحلیل نیازها و تصمیم‌گیری در مورد روش
ذخیره، دسترسی، بازیابی، و کنترل اطلاعات برخوردارند.
عناصر پایگاه اطلاعاتی [16]
هر پایگاه اطلاعاتی از عناصری شامل واژگان داده‌ها [17]، نوع داده‌ها، دامنه داده‌ها [18]، حوزه داده‌ها (فیلد)، پیشینه (رکورد)ها، رابطه‌ها [19]، و نمایه‌ها تشکیل شده است. واژگان داده‌ها مجموعه‌ای مرتب از پرونده‌ها، نمایه‌ها، نگاره‌ها، و اقلام اطلاعاتی برنامه کاربردی است که برای برنامه‌نویس سرعت و سهولت زیادی را در نوشتن برنامه‌های پایگاه اطلاعاتی ایجاد می‌کند. نوع داده‌های هر حوزه (فیلد) نیز مشخص و تعریف می‌شود تا برنامه کاربردی بتواند آنها را در هر زمان و به هر شکل پردازش و بازیابی کند. متداول‌ترین نوع داده‌ها شامل داده‌های مربوط به متن، عدد، تاریخ، تصویر، و یادداشت است.
داده‌های متن از حروف، اعداد، و نشانه‌ها تشکیل شده است. داده عددی شامل اعداد صحیح، حقیقی، و اعشاری است. داده تاریخ به‌گونه‌ای ذخیره می‌شود که برنامه کاربردی بتواند آن را تشخیص دهد. داده یادداشت برای ذخیره متن‌های طولانی مانند چکیده‌ها یا مقالات به‌کار می‌رود.
حوزه‌ها فضاهایی هستند که داده‌های ذخیره شده در پایگاه اطلاعاتی را در خود
جای می‌دهند. نام، نوع، و اندازه هر حوزه (فیلد) در پایگاه اطلاعاتی تعریف
می‌شود و برای هر حوزه عنوانی متناسب با محتوای آن انتخاب می‌گردد. افزونگی در حوزه‌ها وجود ندارد، مگر برای حوزه‌هایی که، به عنوان کلید، ارتباط میان پیشینه‌ها (رکورد) را فراهم می‌سازند.
پیشینه‌ها مجموعه‌ای از حوزه‌ها هستند که درباره موضوعی خاص در ارتباطی منطقی قرار می‌گیرند. رابطه‌ها در پایگاه‌های اطلاعاتی این امکان را فراهم می‌کنند که پیشینه‌ها به‌گونه‌ای مورد نیاز سازماندهی شوند. به‌طور مثال، پیشینه اطلاعات کتابشناختی مدارک، که در فرایند فهرست‌نویسی مورد استفاده قرار می‌گیرد، با استفاده از رابطه می‌تواند در کارهای امانت یا سفارش مورد
استفاده قرار گیرد. نمایه‌ها (شاخص‌ها) در پایگاه‌های اطلاعاتی عامل مهمی در ذخیره اطلاعات حوزه‌ها هستند و با وجود آنها برای بازیابی اطلاعات خاص نیازی به پیمایش سراسر پایگاه نیست، در نتیجه اطلاعات با سرعت بیشتری بازیابی می‌شود.
انواع پایگاه اطلاعاتی
پایگاه‌های اطلاعاتی را بارویکردهای متفاوتی تقسیم‌بندی کرده‌اند. برخی صاحب‌نظران، انواع پایگاه اطلاعاتی را به شرح ذیل می‌دانند:
1. پایگاه اطلاعاتی تک پرونده [20]، که در آن اطلاعات از یک پرونده را در هر زمان ذخیره، سازماندهی، و بازیابی می‌کنند. در این پایگاه‌ها حوزه‌های مربوط به یک موضوع می‌تواند تکراری باشد و امکان حذف حوزه‌های زائد در پیشینه‌ها وجود ندارد، در نتیجه، افزونگی اطلاعات در این پایگاه‌ها بسیار زیاد است.
2. پایگاه اطلاعاتی سلسله مراتبی [21]، که در آن پیشینه‌ها به صورت سلسله‌مراتبی و درختی در رابطه‌ای پدر و فرزندی قرار می‌گیرند. تنها یک پیشینه، ریشه درخت است و هر پیشینه فقط یک رابطه با پیشینه قبلی خود دارد، ولی در برقراری رابطه با پیشینه‌های بعدی خود محدودیتی ندارد. در این نوع پایگاه ارتباط میان پیشینه‌ها بسیار سریع است، اما برخی پیشینه‌ها با توجه به نوع ارتباط تکرار می‌شوند و موجب افزایش حجم پایگاه اطلاعاتی می‌گردند.
3. پایگاه اطلاعاتی شبکه‌ای [22]، که در آن رابطه میان انواع پیشینه‌ها یک به چند است و هیچ محدودیتی در تعداد آنها نیست. چند پیشینه در رابطه با یک پیشینه که خود با چند پیشینه دیگر مرتبط است قرار می‌گیرند. انعطاف‌پذیری در تعداد رابطه‌های میان پیشینه‌ها موجب می‌شود که پیشینه‌ها در محلی که بیشترین کارآیی را دارند قرار نگیرند، و سرعت برقراری ارتباط میان آنها نسبت به مدل سلسله‌مراتبی کاهش یابد. البته با قرار دادن پیشینه‌های مرتبط نزدیک به هم این مشکل را می‌توان تا حدودی برطرف ساخت. برتری نوع شبکه‌ای نسبت به نوع سلسله مراتبی، استفاده از یک پیشینه در رابطه‌های نامحدود است و
نیازی به تکرار پیشینه‌های یکسان نیست. در نتیجه از افزونگی اطلاعات کاسته
شده و اندازه پایگاه کوچک‌تر می‌گردد.
4. پایگاه اطلاعاتی رابطه‌ای [23]، که در آن رابطه‌ها به شیوه‌ای خاص، یعنی
به صورت جدول، به کار رفته‌اند و در واقع همان پایگاه شبکه‌ای است. این پایگاه برای نخستین بار در سال 1970 توسط یکی از کارشناسان شرکت آی. بی. ام. ابداع شد و در آن، سازماندهی اطلاعات برپایه جدول‌ها (رابطه‌ها)، سطرها
(پیشینه‌ها) و ستون‌ها (حوزه‌ها) صورت می‌گیرد. با استفاده از الگوهای ریاضی در مجموعه‌ها، عملیات مشابه بر روی اطلاعات صورت می‌گیرد. در این پایگاه، نوع پیشینه‌ها به‌صورت جدول و حوزه‌های مربوط به آنها به‌صورت ستونی در جدول قرار می‌گیرند. هر سطر جدول پیشینه‌ای است که به‌وسیله کلید مشخصی با جدول دیگر که دارای همان کلید در یکی از سطرهاست مرتبط می‌شود. در
هر رابطه یا جدول تنها یک نوع پیشینه می‌تواند وجود داشته باشد و هر پیشینه دارای تعداد ثابتی حوزه یا ستون است. در این نوع پایگاه، افزونگی اطلاعات وجود ندارد و گزارش‌گیری بسیار ساده، راحت، و سریع انجام می‌گیرد.
5. پایگاه اطلاعاتی شیی گرا [24]، که به‌منظور ایجاد نرم‌افزاری بهتر، کوچک‌تر، و بدون تناقض به‌وجود آمد و متشکل از مجموعه‌ای از شیی‌هاست. هر شیی دارای اطلاعات (ویژگی‌ها [25]) و برنامه‌ها (روش‌ها [26])یی است که می‌تواند اطلاعات درون شیی را پردازش کند. شیی نفوذناپذیر است، یعنی نمی‌توان برنامه درونی آن را تغییر داد. فقط از طریق پیام می‌توان با آن رابطه برقرار کرد. هر شییî، پس از دریافت پیام، آن را پردازش کرده و سپس پیام(های) مناسبی را ارسال می‌کند. در ساختار این پایگاه‌ها شیِی‌ها که دارای توانایی‌های مشترک هستند در رده واحدی قرار می‌گیرند و هر رده می‌تواند دارای زیر رده‌هایی باشد که از توانایی‌های رده بالاتر از خود نیز
برخوردار است.
6. پایگاه اطلاعاتی توزیعی، که برمبنای بانک‌های اطلاعاتی توزیعی شکل می‌گیرد و، در واقع، برای ذخیره و بازیابی داده‌های غیرمتمرکز بر روی رایانه‌های مراکز مختلف ایجاد می‌گردد. به‌طور مثال، چندین کتابخانه که در شبکه‌ای واحد با یکدیگر همکاری می‌کنند، با ایجاد پایگاه اطلاعاتی توزیعی در شبکه، می‌توانند از برنامه‌های کاربردی یکدیگر استفاده کنند.
با رویکردی دیگر، پایگاه اطلاعاتی را می‌توان چنین طبقه‌بندی کرد:
1. پایگاه اطلاعاتی کتابشناختی [27]. این نوع پایگاه ارائه دهنده انواع گوناگون انتشارات بوده واطلاعات مربوط به آنها شامل عنوان، نام نویسنده(ها)، ناشر، تاریخ نشر، احتمالا ویژگی‌های فیزیکی (به‌طور مثال، شماره صفحات)، و کلیدواژه‌هایی از موضوع اثر است. روشن‌ترین مثال از این نوع، پایگاه‌های اطلاعاتی فهرست کتاب‌های یک کتابخانه یا پایگاه اطلاعاتی مقالات نشریات علمی یا عمومی است. این نکته قابل توجه است که پایگاه اطلاعاتی کتابشناختی ارائه دهنده متن اصلی اثر نبوده و فقط اطلاعات توصیفی را دربر می‌گیرد.
2. پایگاه اطلاعاتی تمام متن [28]. این پایگاه شامل متن کامل منابع - نه فقط مشخصات ظاهری آنها است. متن کامل مقالات روزنامه‌ها و نشریات، قوانین، گزارش‌های فنی شرکت‌ها، پیام‌های گروه‌های مباحثه در اینترنت، و مکاتبات سازمان‌ها نمونه‌هایی از این‌گونه پایگاه‌ها هستند.
3. پایگاه اطلاعاتی تصویر [29]. این پایگاه شبیه پایگاه اطلاعاتی کتابشناختی است، با این تفاوت که اطلاعات موجود در آن توصیف‌کننده تصاویر است، مانند نقاشی‌های موجود در یک گالری هنر، عکس‌ها، یا منابع ویژه‌ای چون
تصاویر پرتونگاری. داده‌ها فقط نشان‌دهنده خطوط ظاهری تصویر نبوده و ممکن است توصیف‌کننده مفهوم آن نیز باشند؛ به‌طور مثال، اطلاعاتی از قبیل مکانی که عکس در آن گرفته شده یا نقاشی ترسیم شده یا اطلاعاتی در مورد رنگ و بافت
نقاشی را نیز شامل می‌شود.
4. پایگاه اطلاعاتی ارجاعی [30]. این پایگاه می‌تواند شامل فهرست اشیاء نمایشی در یک موزه یا فهرست گیاهان یک ناحیه خاص باشد. همچنین این نوع پایگاه می‌تواند ارائه دهنده نکات خاصی باشد که در انواع دیگر پایگاه‌ها موجود نیست؛ مانند اطلاعاتی در مورد کوزه‌گری که نیازمند توصیف به‌وسیله شکل، ابعاد، رنگ، و تاریخ کوزه‌گری به‌طور کامل است.
5. پایگاه اطلاعاتی عددی و آماری [31]. این پایگاه عمدتآ شامل اطلاعات عددی
است و آمار گوناگونی مانند اسناد فروش یا داده‌های علمی همچون خواص فیزیکی
مواد را دربر می‌گیرد.
6. پایگاه اطلاعاتی توصیفی [32]. این نوع پایگاه نکاتی موجز با طیفی گسترده
از توضیحاتی درباره نواحی جغرافیایی خاص، برنامه‌های ارائه شده توسط دانشگاه‌ها یا دانشکده‌ها، یا امکانات یک شرکت را دربر می‌گیرد.
بعضی از صفحات خانگی [33] موجود در اینترنت را می‌توان نمونه‌ای از پایگاه‌های اطلاعاتی توصیفی به‌شمار آورد. پایگاه‌های اطلاعاتی توصیفی شامل
نکات اصلی متن (حاوی اطلاعات آماری و تصاویر متن) هستند، به همین سبب می‌توان آنها را جزو گروه پایگاه‌های اطلاعاتی تمام متن نیز برشمرد. پایگاه‌های اطلاعاتی توصیفی غالبآ به شکل الکترونیکی اسناد چاپی اشاره می‌کند. واژه کلی‌تر پایگاه‌های اطلاعاتی متنی [34] نیز می‌تواند شامل متن اصلی آثار داستانی باشد.
7. پایگاه‌های اطلاعاتی راهنماها و سایر منابع مرجع [35]. این پایگاه‌ها شامل شکل الکترونیکی انواع گوناگون کتاب‌های مرجع مانند راهنمای سازمان‌ها و
اشخاص یا واژه‌نامه‌هاست. این نوع پایگاه ترکیبی از پایگاه‌هایی است که به
آن اشاره شد؛ به‌طور مثال، یک دایره‌المعارف ممکن است هم دارای متن و هم دارای تصویر باشد. این پایگاه‌ها با بهره‌گیری از امکاناتچندرسانه‌ای مانند
صوت و تصویر، برقراری رابطه تعاملی با کاربران را فراهم می‌آورند.
مآخذ:
1) خسروانی، جعفر. "بررسی وضعیت پایگاه‌های اطلاعاتی معاجم لفظی و موضوعی مرکز تحقیقات کامپیوتری علو اسلامی". پایان‌نامه کارشناسی ارشد کتابداری و اطلاع‌رسانی، دانشکده علوم تربیتی و روانشناسی، دانشگاه تهران، 1374؛
2) روحانی رانکوهی، محمدتقی. مقدمه‌ای بر پایگاه داده‌ها (بانک اطلاعاتی). {تهران}: جلوه، 1372؛
3) شورای عالی انفورماتیک کشور. دبیرخانه. ویژه‌نامه پایگاه داده‌ها: خبرنامه انفورماتیک. تهران: سازمان برنامه و بودجه، مرکز مدارک اقتصادی - اجتماعی و انتشارات، 1374؛
4) فرهنگ اصطلاحات کامپیوتری (Webster): شامل شرح 4500 اصطلاح کامپیوتری به‌همراه جدیدترین واژه‌های مربوط به PCها. "پایگاه اطلاعاتی"؛
5) فرهنگ کاربران کامپیوتر. ادیک باغداساریان. ذیل "پایگاه اطلاعاتی"؛
6) مرکز اسناد و مدارک علمی ایران. طرح پیشنهادی شبکه اطلاع‌رسانی علمی و صنعتی کشور. تهران، 1362؛
7) "Data base". The New Encyclopedia Britannica. 15th ed. Vol. 3: Micropaedia Ready Reference. PP. 896-897;
"atabase". Encyclopedia of Library and Information Science. Vol 51, P. 107;
9) Date, C.J. An Introductionto Data base Systems. Vol. 1. 5th ed. Reading, Ma: Addison - Wesley Publishing co., 1990;
10) Jacso, Peter; Lancaster, F.W. Database. Chicago: ALA, 1999;
11) Maryanski, F. "Data base Administrator". Encyclopedia of Computer Science and Engineering. PP. 440-441;
12) Moulton, lynda W. Data bases for Special Libraries: a Strotegic Guide to Information Management. London: Green Wood Press, 1991;
13) Olle, T.W. "Data base Management". Encyclopedia of Computer Science and Engineering. Vol. 1, P. 441-447;
14) Semsarzadeh, Gholam Ali. "New Developments in Conception of Application Software". Washington, D.C. 1997 (Poly Copy);
15) Vargo, Mary O. "Data base Computer". Encyclopedia of Computer Science 3 rd. ed. PP. 412-413.
پی نوشت:
[1]. Database
[2]. Files
[3]. Integrated
[4]. Hard disk
[5]. Floppy disk
[6]. Magnetic disk / Tape
[7]. Optical disk
[8]. Expert system
[9]. Artificial intelligence
[10]. Knowledge base
[11]. Database components
[12]. Processors
[13]. Communication hardware
[14]. Database Management System (DBMS)
[15]. Application programmer
[16]. Database clements
[17]. Data dictionary
[18]. Data domain
[19]. Relations
[20]. Flat-file database
[21]. Hierarchical database
[22]. Networked database
[23]. relational database
[24]. Object-oriented database
[25]. Properties
[26] Methods
[27]. Biblilgraphic databases
[28]. Full-text databases
[29]. Image database
[30]. Database referring to other physical objects
[31]. Numeric and statistical database
[32]. Descriptive database
[33]. Home page
[34]. Text database
[35]. Directories and other "reference sources" database
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم خبره بنگاه املاک
ارسال شده توسط احمد محمدی | 23 11, 2013 | بازدید‌ها (1007)
Normal
0 false
false
false EN-US
X-NONE
FA MicrosoftInternetExplorer4 سیستمخبره
بنگاه املاک
سعیدی
Normal
0 false
false
false EN-US
X-NONE
FA MicrosoftInternetExplorer4
دیباچه
در طول چند دهه گذشته تغییرات قابل توجهی در
روش های پیش بینی موجود تحلیل گران و متخصصان وجود داشته است. اغلب روش های
پیچیده ی در دسترس برای استفاده معمول مدل های پیچیده اقتصادی برای راه حل مشکلات
پیش بینی ، پیشنهاد می شوند. اما بعضی از محققان پیشنهاد می دهند که استفاده
از سیستم های بهتر، بهتر از روش های پیش بینیی است که منجر به پیش بینی های کلی
بهتر می شود.
این ایده به شدت توسط Makridakisو
همکارانش .(1982)
این تحقیق شامل 1001 پیش بینی سری های زمانی
مختلف با استفاده از 24 روش مختلف است. آنها نتیجه گرفتند که روش های پیچیده
تر ممکن است، نتایج بهتری از آنهایی که ساده تولید می کند، نباشد.این سطر زیر نقل
قولی از انهاست در نتیجه گیری هایشان:
"اگر پیش بینی های کاربر می تواند تبعیض
قابل شود در انتخاب هایش از روش های وابسته به نوع دیتا (سالیانه،فصل نامه و
ماهانه) نوع رشته ای (ماکرو،میکروو یره) و افق زمان پیش بینی، انگاه که او به
طور قابل ملاحظه انجام میده بهتر از زمان استفاده از یک روش واحد در تمام شرایط
-با فرض البته نتایج مطالعه حاضر را می تواند تعمیم داده شود.
حتی ار تحقیقات بیشتری لازم است تا به ما دلایل
مشخص تری ارائه کند که این چرا اتفاق می افتد.
یک فرضیه ممکن است پیشرفته باشد در این بیان که
روش های اماری پیچیده از روش های ساده بهتر نیستند زمانیکه تصادفی بودن قابل توجهی
در اطلاعات وجود دارد
در اخر،این به نظر می رسد که الگوهای فصلی می
تواند با استفاده از هر دو روش ساده و اماری بسیار پیشرفته به همان خوبی پیش بینی
شود ."
یک استنباط این است که سیستم های پیش بینی با
هوش مصنوعی ساده و سیستم های خبره می تواند نتایج بهتر و تاثیرات بیشتر از کسانی
که از یکی استفاده می کنند محصول داشته باشدمدل (DeLurgio، 1998).
این مقاله به برخی از استفاده های سیستم های
خبره و هوش مصنوعی در تجارت و چگونگی استفاده انها در مشکلات مسکن ،می پردازد.
یکی از جنبه های خاص که در نظر گرفته می شود
مزایای استفاده از این سیستم ها است به عنوان ابزار اموزشی برای دست اندرکاران بی
تجربه املاک و مستغلات است .برای مثال استفاده می شود برای به عنوان مثال استفاده
شده است تا نشان دهد چگونه یک سیستم خبره برای ارزیابی مسکونی ممکن است کار کند.

چکیده :
این مقاله به بررسی استفاده از سیستم های خبره و هوش مصنوعی ، )به ویژه در استفاده از شبکه های عصبی(به پیش بینی املاک و مستغلات میپردازد.در حالی که مقدار زیادی از ادبیات در مورد استفاده از هوش مصنوعی وجود دارد. این مقاله نیز به بررسی های گسترده تر موضوع سیستم های خبره و چگونه یک سیستم بهتر می تواند به نتایج بهتری منجر شود. این سیستم خبره بسیار به درد افرادی میخورد که میخواهند با اطلاعاتی ناقص، خانه ای خوب بخرند. استفادهاز هوش مصنوعی و سیستم های خبره در کار املاک و مستغلات این بحث تا کنون پیرامون شبکه های عصبی و روش های داده کاوی برای پیش بینی متمرکز شده است.
پیش بینی در درجه اول فرایند کمی از داده های
عددی از گذشته تا پیش بینی اینده است.سیستم های خبره روش های ایده الی هستند برای
مقابله ای خوب با مشکلات بسیار.

یکی از از این پیش بینی ها کیفی است.این است که
به طور معمول برای محصولات جدید و در شرایطی که در انجا هیچ مجموعه ای طولانی مدت
جایی که ممکن است کمک به ارائه پیش بینی باشد نیست.
سیستم های خبره می توانند در استفاده از روش
های فروش نیرو های مرکب یاری دهند.
نظر سنجی از مشتریان و جامعه، داوران از نظر
اجرایی و روش های دلفی (Wilson et al, 1998).
بسیاری از مناطق دیگر متعدد ،بدون کار املاک و
مستغلات وجود دارد.که در ان سیستم های خبره می توانند مفید بکار گرفته شوند
چند مسئله:
1-آماده سازی اسناد املاک و مستغلات مانند اجاره ، قرارداد و فرم.سیسم های خبره می توانند به کاربر کمک کنند تا مدارک را با استفاده از هدایت انها از طریق فرایند و جلب توجه به مشکلاتی که ممکن است عاقلانه نباشند،به عنوان بهبود عبارت و ساختار، اماده کند.
2-هزینه ساختمان ها و توسعه پروژه ها. این نیاز به ترکیب روش داده کاوی و روش قانون پایه ای دارد (یا مورد های مبتنی بر استدلال) برای گردهم اوردن دانش کارشناس بررسی کمیت.مهندسی و ساخت با براورد هزینه درست.
3-محاسبه کمک با نرم افزار های عممی کامپیوتری
و همچنین تخصصی.
4-تهیه گزارش و مشروحات ملک
5-مشکلات مدیریتی اموال و امکانات در جایی که سیستم های خبره می تواند به هردو صورت مشتریان و مدیران املاک برای ساده کردن راه حل های بعضی مشکلات استفاده شود. یکی
از مسائل اشکار ، پر کاربردی برای افراد تازه کار و قابلیت کمک در اموزش و فرایند پرورش تا زمانیکه به کاربر و کارشناس شدن خود شخص منجر بشود ، است.
و اما این سیستم خبره شامل هفت مرحله است
مرحله 1
گام اول جمع آوری اطلاعات در مورد موضوع املاک
است. برای کاربران حرفه ای یا خبره این داده ها میتونه به صورت مستقیم وارد شود.
برای کاربران تازه کار یا در حال آموزش یک سیستم مبتنی بر قانون وجود دارد که برای ورودی ها او را راهنمایی میکند. شکل زیر صفحه ی ورودی کاربر را نشان میدهد. در دید
اول این صفحه نمایش هست که ورودی ها را از کاربر دریافت میکند. روش را انتخاب میکند و جواب میدهد. سیستم با یا بدون اطلاعات فهرست شده در گزارش بازرسی کار می کنند. بر اساس اطلاعاتی
که در قسمت features به صورت لیست قرار گرفته و به ما خروجی میدهد. با این حال نتیجه در بسیاری از مناطق دقیق نیست
مرحله 2
مرحله دوم شامل جمع آوری اطلاعات در پایگاه فروش میباشد. این اطلاعات به صورت ماهیانه به روز میشوند و سیستم با بهره گیری از جستجو و سیستم فیلتر باهم و همراه با دانش تخصصی با پارامتر های مناسب پر فروشها را انتخاب میکند. این پارامترها میتوانند به وسیله ی کاربر زده شوند و در نسخه های بعدی این سیستم میتونه به یاد بیاره که کدام پارامتر ها در کدام مناطق تاثیر گزارتر هستند.
مرحله 3
مرحله ی 3 به تجزیه تحلیل داده های بازار میپردازد. در این مثال یک مدل رگرسیون استفاده میشود. این سیستم اجازه میدهد به مدلهای مختلف شامل مدل های رگرسیون و مدلهای مختلف شبکه عصبی با ااگوریتم ژنتیک. فرایند ساخت این مدل بر اساس دانش خبره با آزمون های استاندارد برای اعتبار مدل استفاده شده است.
در شکل زیر فقط منطقه ی زمین، منطقه ی ساختمان و سن ساختمان استفاده شده است. با داده های مختلف، مدل های مختلف بسته به مکان و محیط فیزیکی واقتصادی یافت میشوند.
مرحله 4
مدل از داده های بازار به عنوان پایه برای تنظیمات برای سیستم استفاده می شود. در این مثال از مدل رگرسیون استفاده شده است،
هرچند روشها و مدلهای دیگر هم در دسترس هستند.
کاربر میتواند تنظیمات را زیر پا بگذارد. در شکل زیر میبینید که تنظیمی برای تاریخ فروش وجود ندارد زیرا این مدل از مارکت هیچ تاثیر قابل اندازه گیری از زمان بر روی قیمت پیدا نمیکند.
اگر کاربر معتقد باشد که قیمت در برابر زمان افزایش داشته باشد پس آن زمان می تواند یک تنظیم مناسب باشد.
مرحله 5
مرحله ی بعدی شامل انتخاب بیشترین فروشهایی که قابل مقایسه هستند، است.
این فرایند با استفاده از ترکیبی از دانش خبره و نزدیکترین تکنیک های همسایه است. سیستم تلاش دارد برای اینکه تعداد مناسبی از فروشهایی را که قابل مقایسه هستند را پیدا کند. به عنوان مثال اگر از بین چهار حالت مقایسه سه حالت با توجه به داده ها و اعمالی که روی آنها انجام میشود به داده نزدیکتر و مقایسه ی چهارم از آنها دور بود سه حالتی که نزدیک هستند انتخاب میشوند
. این سسیتم مانند بیشتر سیستم ها میتواند حالت خودکار خود را زیر پا بگذارد و خود کاربر به صورت غیر خودکار این کار را انجام دهد .
مرحله 6
مرحله 6 با استفاده از تمام اطلاعات بدست آمده تا این مرحله به تنظیم بیشترین فروشهای قابل مقایسه با استفاده از روشهای مناسب و تنظیم های انتخاب شده میپردازد.
شکل زیر نشان میدهد در این مثال چگونه این تنظیمات ساخته شده ( بر اساس ورودی های ما یک سری مقایسه ها انجام داده و یک رنجی را به ما داده است که میتوانیم به وسیله ی آن رنجها که حتما با یک سری فرمول های خاص بدست آمده یک قایسه ی خوب انجام دهد)
مرحله 7
مرحله ی آخر شامل درصد گیری برای نشان دادن بهترین گزینه است که این درصد ها با توجه به اطلاعات بدست آمده از مرحله ی 6 بدست می آید .
نتیجه
این مقاله به بررسی برخی از مسائل جاری در خصوص سیستم های خبره و هوش مصنوعی برای متخصصان در صنعت املاک پرداخته بود.
به وسیله ی این سیستم ابتدا میتوانیم از بین داده ها به وسیله ی جستجو داده های نزدیک به ورودیهای خودمان را پیدا کنیم و بعد از آن با استفاده از یک سری فرمول ها و قوانین بهترین گزینه را انتخاب کنیم که البته ممکن است دقیقا گزینه ی مورد نظر ما نباشد.
در این مقاله حرفی از این که این سیستم با چه زبان برنامه سازی پیاده شده به زبان نیامده است. ولی من برخی از فرمولهای این سیتم خبره را کشف کردم.
مرحله 6
برایland area
مقدار ورودی=x
مقدارهایی که از مرحله ی 6 بدست آمده=Yi
مقدار برای محاسبه درصد=Wi
(x-Yi)*69=Wi
برایEquiv area
مقدار ورودی=x
مقدارهایی که از مرحله ی 6 بدست آمده=Yi
مقدار برای محاسبه درصد=Wi
(x-Yi)*600=Wi
برایyear built
مقدار ورودی=x
مقدارهایی که از مرحله ی 6 بدست آمده=Yi
مقدار برای محاسبه درصد=Wi
(x-Yi)*1328=Wi
همانطور که میبینید اعداد سال از ارزش بیشتری
برخوردار هستند چون ضریب بیشتری دارند و هر چه مجموع|Wi|ها کمتر
باشد داده بدست آمده به اطلاعات ما نزدیکتر است.
Normal
0 false
false
false EN-US
X-NONE
FA MicrosoftInternetExplorer4
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
آموزش فرایند تحلیل سلسله مراتبی روش AHP با مثال کاربردی
ارسال شده توسط احمد محمدی | 18 11, 2013 | بازدید‌ها (10518)
آموزش فرایند تحلیل سلسله مراتبی روش AHP با مثال کاربردی
بخش اول: آشنائی با تکنیک AHP
آیا لازم است یادآوری کنم واژه AHP مخفف عبارت Analytical Hierarchy process به معنی فرایند تحلیل سلسله مراتبی است. حتی اگر تا این اندازه با مفهوم AHP بیگانه هستید ناامید نشوید با مطالعه این مقاله شما یک کارشناس AHP خواهید بود. نظر به مشکلات دانشجویان و پژوهشگران پیرامون نحوه استفاده از فرایند تحلیل سلسله مراتبی برآن شدم تا با ذکر یک مثال کاربردی این مفهوم را برای علاقه‌مندان روشن کرده و بعلاوه نحوه انجام محاسبات را نیز فراهم آورم. این آموزش در چندین بخش تهیه شده است و همواره مورد تجدید نظر قرار می‌گیرد و بنا به ضرورت بخش هائی به آن اضافه شده یا توضیحات آن دستخوش تغییر می‌گردد تا درک بهتری از فرایند تحلیل سلسله‌مراتبی حاصل آید.
۱- مدل سازی فرایند تحلیل سلسله مراتبی AHP
برای شروع ابتدا یک مساله را مطرح می کنم. فرض کنید عضوی از هیات مدیره سازمانی هستید که می‌خواهد یک مدیر برای سازمان انتخاب کند. در این زمان ابتدا باید معیارهائی برای انتخاب مدیر در نظر بگیرید. برای مثال کاریزما‌، پیشینه، تحصیلات و سن به عنوان معیارهای انتخاب درنظر گرفته شدند. (روشهای انتخاب معیارهای تصمیم‌گیری) حال دو سوال مطرح است: اول اینکه ممکن است برخی افراد از لحاظ یک معیار بر دیگری ارجحیت داشته باشند و دوم اینکه برخی معیارها ممکن است با همدیگر متناقض باشند. بحث تصمیم گیری با معیارهای چندگانه (MCDM) را به خاطر آورید. این همان مساله تصمیم گیری با معیارهای چندگانه است. برای حل این مساله باید از روشهای MCDM مانند AHP یا ANP استفاده کرد.
انتخاب معیارها یا criterions بخش اول تجزیه و تحلیل AHP است. سپس براساس معیارهای شناسائی شده کاندیداها ارزیابی می‌شوند. واژه گزینه‌ها یا کاندیداها مترادف واژه alternative یا candidates بوده و به جای هم بکار روند که مساله مهمی نیست. در این مثال ما سه کاندیدا برای مدیریت داریم: مادلین، سوف و راجر که در تصویر مشاهده می‌شوند.
بگذارید با یک شوخی نکته مهمی را یادآوری کنم. احتمالا الان مادلین را انتخاب کرده اید! ولی یادتان باشد جنسیت جزء معیارهای ما نبود. روش نظام مند اینگونه از ورود جهت گیری ذهنی ممانعت می‌کند. دامنه تاثیر داوری ذهنی در روشهای تصمیم‌گیری چندمعیاره حداقل می‌شود. به این ترتیب الگوی انتخاب به صورت سلسله‌مراتب زیر ترسیم می‌شود:
۲- طراحی پرسشنامه خبره
پرسشنامه مورد استفاده برای تحلیل‌های سلسه‌مراتبی و تصمیم‌گیری چندمعیاره به پرسشنامه خبره موسوم است. پرسشنامه خبره اصلاً چیز پیچیده‌ای نیست بلکه بسیار ساده نیز هست. برای تهیه پرسشنامه خبره از مقایسه زوجی گزینه‌ها استفاده می‌شود. برای هر سطح از سلسله مراتب یک پرسشنامه خبره تهیه می‌شود. برای امتیاز دهی از مقیاس نه درجه ساعتی به صورت زیر استفاده می‌شود:
ارزش
وضعیت مقایسه i نسبت به j
توضیح
۱
ترجیح یکسان Equally Preferred
شاخص i نسبت به j اهمیت برابر دارد و یا ارجحیتی نسبت به هم ندارند.
۳
کمی مرجح Moderately Preferred
گزینه یا شاخص i نسبت به j کمی مهمتر است.
۵
خیلی مرجح Strongly Preferred
گزینه یا شاخص i نسبت به j مهمتر است.
۷
خیلی زیاد مرجح Very strongly Preferred
گزینه i دارای ارجحیت خیلی بیشتری از j است.
۹
کاملاً مرجح Extremely Preferred
گزینه i از j مطلقاً مهمتر و قابل مقایسه با j نیست.
۶-۴-۲
بینابین
ارزشهای بینابین را نشان می‌دهد. مثلا ۸، بیانگر اهمیتی زیادتر از ۷ و پایین‌تر از ۹ برای i است.
پژوهشگران معمولا از طیف پنج نقطه زیر استفاده می‌کنند که ساده‌تر بوده و نتایج یکسانی بدست می‌دهد:
ترجیح یکسان
کمی بهتر
بهتر
خیلی بهتر
کاملا بهتر
۱
۳
۵
۷
۹
با استفاده از این مقیاس هیات مدیره هر یک از گزینه‌ها را براساس هر یک از عوامل به صورت زوجی مقایسه می‌کنند. نتایج این مقایسه به صورت زیر است.
۳- تعیین وزن معیارها
سطح اول سلسله‌مراتب را معیارهای اصلی تشکیل می‌دهد. پرسشنامه خبره نخست بامقایسه زوجی معیارهای اصلی براساس هدف به تعیین اولویت هر یک از معیارها اصلی می‌پردازد. بنابراین باید معیارها را براساس هدف دوبه‌دو با هم مقایسه می‌کنیم. برای مثال هیات مدیره تصمیمی مشابه زیر می‌گیرد:
پیشینه
سن
کاریزما
تحصیلات
بردار ویژه
پیشینه
1
7
3
4
0.547
سن
1/7
1
1/5
1/3
0.056
کاریزما
1/3
5
1
3
0.270
تحصیلات
1/4
3
1/3
1
0.127
اکزل و ساعتی (1983) استفاده از میانگین هندسی را بهترین روش برای ترکیب مقایسات زوجی معرفی کرده‌اند. بنابراین از داده‌های هر سطر میانگین هندسی بگیرید. وزن‌های بدست آمده نرمال نیستند. منظور از وزن نرمال آن است که جمع اوزان برابر ۱ باشد. بنابراین میانگین هندسی بدست آمده در هر سطر را بر مجموع عناصر ستون میانگین هندسی تقسیم کنید. ستون جدید که حاوی وزن نرمال شده هر معیار است را بردار ویژه یا Egienvalue گویند. وزن نهائی هر ماتریس همان ستون بردارویژه است. براساس جدول بالا معیار پیشینه از بیشترین اولویت برخوردار است. ویژگی‌های کاریزماتیک در اولویت دوم قرار دارد. تحصیلات سومین معیار با اهمیت است و سن نیز از کمترین اولویت برخوردار است.
گاهی بجای دیدگاه یک نفر از دیدگاه چندین کارشناس استفاده می‌شود. در اینصورت وارد کردن دیدگاه کارشناسان روش‌های متعددی دارد. ادامه مطلب ...
برخی معیارها مانند سن یا قیمت یک عدد ثابت هستند. برای این منظور مقایسه زوجی نیازی به دیدگاه کارشناسی ندارد. ادامه مطلب ...
هر معیار ممکن است خود از یک مجموعه زیرمعیار تشکیل شده باشد. برای نمونه معیار پیشینه در مثال بالا می‌تواند شامل سابقه کاری در سازمان حاضر، تجربه کار در سازمانهای دیگر، تجربه مدیریتی و زیرمعیارهای دیگر باشد. در اینصورت یک سطح دیگر به مدل AHP اضافه می‌شود. ادامه مطلب ...
۴- مقایسه زوجی گزینه‌ها براساس معیارها
پس از تعیین وزن هر یک از معیارها در گام بعد باید گزینه‌ها بصورت زوجی براساس هر معیار مقایسه شوند. برای مثال مقایسه زوجی گزینه‌ها براساس پیشینه نشان داده است : مادلین در مقایسه با راجر امتیاز 4 می‌گیرد و سوف در مقایسه با راجر امتیاز 9 می‌گیرد. همچنین سوف در مقایسه با رمادلین امتیاز 4 کسب می‌کند. بعد از اینکه مقایسه ها انجام شد داده‌ها را به ماتریسی مانند زیر منتقل می‌کنند که همان ماتریس مقایسه‌ زوجی است.
پیشینه
مادلین
سوف
راجر
مادلین
1
1/4
4
سوف
4
1
9
راجر
1
1/9
1
گام بعدی تعیین اولویت است. برای تعیین اولویت از مفهوم نرمال سازی (normalize) که در گام قبلی توضیح داده شد استفاده می‌شود. پس از نرمال کردن وزن هر گزینه براساس معیار مورد نظر بدست خواهد آمد. به عبارت دیگر محاسبه مقدار ویژه هر سطر با تخمین میانگین هندسی: میانگین هندسی آن سطر به جمع میانگین هندسی سطرها
پیشینه
مادلین
سوف
راجر
اولویت
مادلین
1
1/4
4
0.217
سوف
4
1
9
0.717
راجر
1/4
1/9
1
0.066
شما باید نرم افزار Expert Choice را نصب کنید یا اینکه به این آدرس بروید تا با یک کلیک محاسبات زیر انجام گیرد. راه حل دیگر استفاده از نرم افزار Super Decision است که بیشتر برای ANP مناسب است.
به مقادیر بدست آمده حاصل از محسابات که ستون اولویت را تشکیل می‌دهند بردار ویژه (eigenvector) گویند. همین مقایسه‌های زوجی را برای سایر معیارها انجام می‌دهیم. به این ترتیب اولویت هر فرد را براساس هر معیار مانند فوق محاسبه می‌کنیم. مهم همان ستون اولویت‌ها است. در نهایت به ماتریسی مانند زیر خواهید رسید:
پیشینه
سن
کاریزما
تحصیلات
مادلین
0.217
0.265
0.743
0.188
سوف
0.717
0.672
0.194
0.081
راجر
0.066
0.063
0.063
0.731
محاسبه اولویت‌ها
اکنون به سادگی با استفاده از میانگین موزون مدیر سازمان را انتخاب می‌کنیم.
امتیاز هر گزینه = مجموع حاصلضرب اولویت آن گزینه براساس معیار i ضربدر اولویت آن معیار
Madlin: (0.217 x 0.547) + (0.188 x 0.127) + ( 0.703 x 0.270) + ( 0.265 x 0.056) = 0.358
به همین ترتیب سوف 0.492 امتیاز کسب کرد و راجر نیز 0.149 امتیاز بدست آورد. خوب مساله انتخاب مدیر به روش تحلیل سلسله مراتبی انجام گرفت و سوف با کسب بیشترین امتیاز به عنوان مدیر انتخاب گردید. البته پیرایش‌های دیگری نیز وجود دارد که می‌توانید در مقالات دیگر آنها را نیز فرا بگیرید. دانش را مرزی نیست و همیشه نکاتی برای افزودن هست.
بخش دوم: استفاده از AHP و ANP در تصمیم‌گیری گروهی
یکی از مهمترین کاربردهای تصمیم‌گیری چندمعیاره، کاربرد آنها در تصمیم‌گیری گروهی است. در مثال انتخاب مدیر فرض کنید بخواهید براساس نظر چندین کارشناس تصمیم‌گیری کنید. تکنیک‌های تصمیم‌گیری گروهی دو کاربرد اساسی در روشهای MCDM دارند. با مطالعه این بخش شما روش طراحی پرسشنامه خبره را نیز فرا خواهید گرفت.
دقت کنید این مطلب در ادامه آموزش مقدماتی AHP نوشته شده است.
الف: انتخاب معیارها و زیرمعیارها
برای انتخاب معیارها و زیرمعیارهای مربوط به یک هدف، معمولاً از روش‌هائی مانند طوفان مغزی، گروه اسمی یا تکنیک دلفی استفاده می‌شود. تعیین معیارها و زیرمعیارها در تصمیمات انفرادی چندان دشوار نیست اما زمانیکه بخواهیم از نظر چندین کارشناس استفاده کنیم باید از فنون تصمیم‌گیری گروهی استفاده شود. توصیه معمول در این زمینه استفاده از تکنیک دلفی است. تکنیک دلفی روشی است که با توزیع پرسشنامه میان متخصصان، نظر و عقاید آنها را جمع‌اوری می‌کند و طی مراحلی به نظر اکثیرت می‌رساند. این مراحل آنقدر تکرار می‌شود تا معیارهائی که به طور اجماع نمره‌ای بیشتر از هفت گرفته‌اند جزء فاکتورهای نهائی انتخاب گردند. جهت تسریع می‌توان همان مرتبه اول از نمره‌های اعضا متوسط گیری شود و عواملی که نمره بیشتر از هفت کسب کرده‌اند جزء فاکتورهای نهائی انتخاب گردند.
برای نمونه در مثال انتخاب مدیر که برای ساده‌تر شدن مساله از زیرمعیارها صرف‌نظر شده است، ابتدا پژوهشگر تعدادی معیار انتخاب مدیر را براساس مطالعات گذشته و تجربیات خود شناسائی نمود. در مرحله بعد این معیارهای اولیه با استفاده از تکنیک دلفی از دیدگاه کارشناسان ارزیابی گردید و چهار معیار تجربه، سن، علاقه و تحصیلات نمره بالای 7 کسب کردند و به‌عنوان معیارهای انتخاب مدیر در مدل نهائی وارد شدند.
ب: میانگین نظر خبرگان و طراحی پرسشنامه خبره
زمانی که از نظر بیش از یک کارشناس برای تعیین اولیت معیارها و زیرمعیارها استفاده می‌شود تکنیک‌های متعددی برای رسیدن به یک دیدگاه کلی وجود دارد. برای نمونه می‌توان از روش اجماع (consensus) استفاده کرد. به این ترتیب که محققین در کنار هم جمع شده و در خصوص هر مقایسه به جمع‌بندی کلی برسند. البته این روش همه معایب تصمیم‌گیری گروهی را به همراه دارد و عملاً جدول مقایسه‌ای هر عضو بی‌خاصیت خواهد ماند. (آذر و معماریانی، 1373 : 25) اکزل و ساعتی (1983) استفاده از میانگین هندسی را بهترین روش برای ترکیب مقایسات زوجی معرفی کرده‌اند.
حال بیائید ببینیم اگر بخواهیم از نظر بیش از یک کارشناس به مساله انتخاب مدیر بپردازیم. در این مثال ما می‌خواهیم نظر 5 کارشناس را برای انتخاب مدیر از بین سه کاندیدا جویا شویم. الگوریتم اجرای کار مانند قبل است.
ابتدا پرسشنامه خبره را طراحی می‌کنیم چون باید نظرات پنج فرد مختلف جمع آوری شود. برای مثال پرسشنامه خبره برای گام اول مثال قبل یعنی مقایسه زوجی کاندیداها براساس معیار پیشینه به صورت زیر خواهد بود:
1- اولویت مادلین نسبت به سوف براساس معیار پیشینه شغلی برای احراز شغل مدیریت سازمان کدام است؟
2- اولویت مادلین نسبت به راجر براساس معیار پیشینه شغلی برای احراز شغل مدیریت سازمان کدام است؟
3- اولویت مادلین نسبت به سوف براساس معیار پیشینه شغلی برای احراز شغل مدیریت سازمان کدام است؟
پاسخنامه نیز با طیف پنج یا نه درجی ساعتی تهیه و تنظیم می‌شود که در صفحه گذشته شرح آن ارائه گردیده است.
در گام بعدی میانگین هندسی هر یک از مقایسه‌های زوجی انجام شده را حساب کنید. برای مثال دیدگاه پنج کارشناس در مقایسه مادلین و راجر به صورت زیر است.
کارشناس اول
کارشناس دوم
کارشناس سوم
کارشناس چهارم
کارشناس پنجم
میانگین هندسی
مادلین به راجر
7
6
5
4
5
5.304566
بنابراین اولویت مادلین به راجر برابر 5.304566 که میانگین هندسی نظرات کارشناسان مختلف است. از سوی دیگر اولویت راجر به مادلین 0.188517 است که معکوس نمره مادلین به راجر است. همین روند را برای دو مقایسه دیگر انجام می‌دهیم. جدول نهائی مانند زیر خواهد شد:
مادلین
سوف
راجر
eigenvector
مادلین
1
0.54928
5.304566
0.352373524
سوف
1.820564
1
6.892190
0.573292685
راجر
0.188517
0.145092
1
0.074333791
مقدار ویژه یا اولویت سطرها مانند قبل محاسبه می‌شود. می‌توانید از نرم افزار استفاده کرده یا تخمین میانگین هندسی را بکار ببرید. دانش را مرزی نیست و همیشه نکاتی برای افزودن هست.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (3) | بازتاب (0)
انباره داده‌ها‌، هوش تجاری و سیستم‌های پشتیبان تصمیم‌گیری
ارسال شده توسط احمد محمدی | 14 11, 2013 | بازدید‌ها (1343)
انباره داده‌ها‌، هوش تجاری و سیستم‌های پشتیبان تصمیم‌گیری
مجید گلپایگانی
عضو گروه تخصصی ERP انجمن انفورماتیک ایران
کارشناس ارشد فناوری اطلاعات - سازمان گسترش و نوسازی صنایع ایران
چکیده
در این مقاله با نگاهی سیستمی و از کلان به خرد، ابتدا موضوع از منظر راهبردی، اهداف سازمانی و جایگاه نیاز آن، بررسی و تأکید شده است که برنامه‌ریزی کلان و کاهش شکاف عملکرد، نیاز به گزارش‌های تحلیلی دارد. سپس اهمیت تصمیم‌گیری، انواع آن، ویژگی‌ها و عوامل مؤثر بر تصمیم‌گیری بیان شده است و نقش مدیریت اطلاعات و انباره داده‌ها در ایجاد پایگاه دانش به‌عنوان زمینه‌ساز سیستم‌های پشتیبان تصمیم‌گیری و بستر مناسب تصمیم‌گیری در سازمان تشریح شده است. در انتها، فرایند انباره داده‌ها و شرکت‌های فعال در ارایه این‌گونه محصولات مورد بحث قرار گرفته است.
واژه‌های کلیدی: انباره داده‌ها، هوش تجاری، سیستم‌های پشتیبان تصمیم‌گیری، داشبورد اطلاعات، داده کاوی، داشبورد مدیریت عملکرد
مقدمه
داده‌ها همواره در یک سازمان وجود دارد، اما جمع‌آوری، سازماندهی، گزارش‌گیری و تحلیل کارآمد آن یا به عبارتی «معنا بخشیدن به داد‌ه‌ها» موضوع متفاوتی است. هیچ اطلاعات کارگشایی از داده‌های بدون مفهوم و معنای واقعی، حاصل نمی‌شود. این‌ اطلاعات انباشته، موجب می‌شود تا در هر سازمان، هر شخص بنا به شرایط، موقعیت و سمت سازمانی برداشت متفاوتی از اطلاعات در دست خود داشته‌‌باشد. امروزه تنوع و کثرت اطلاعات سبب شده تا بسیاری از مدیران سازمان‌های بزرگ از اتفاقات صورت گرفته در سازمان خود اطلاع دقیقی نداشته باشند. محدودیت‌های زمانی و فیزیکی موجب شده‌است تا این اطلاعات بیشتر به‌صورت نادقیق و کلی در اختیار مدیران قرارگیرد.
اینک با رشد صنعت فناوری اطلاعات و کسب تجربیات گوناگون در حوزه جمع‌آوری و ذخیره‌سازی و بازیابی اطلاعات، موضوع «معنا بخشیدن به داده‌ها» و آسان کردن فرآیند تصمیم‌سازی، هم‌زمان در مرکز توجه کارشناسان فناوری اطلاعات و متخصصان علم مدیریت و کسب و کار قرار گرفته‌است. «راه‌حل انباره داده‌ها و هوش تجاری» فناوری جدیدی است که پس از جمع‌آوری، ذخیره، پاکسازی، تجمیع، تحلیل و بازیابی اطلاعات، فرآیند تصمیم‌گیری را برای مدیران آسان می سازد.
شکاف عملکرد راهبردی
در یک نگاه کل به جزء و از منظر راهبردی، شکاف عملکرد در تعریف اهداف سازمان و راه‌های رسیدن به این اهداف معنا می‌شود. برخی از عوامل تأثیر‌گذار بر این شکاف، عوامل درونی و برخی دیگر، برون از سازمان هستند. به‌طور عمده، عوامل درونی به بحث اختصاص منابع سازمانی مانند منابع مالی، انسانی و اطلاعاتی برای رسیدن به اهداف و انتظارات آینده سازمان دلالت دارند. تحلیل شکاف و کاهش آن در جهت نیل به چشم انداز و انتظارات آینده سازمان با استفاده از ابزارهای موجود، از کلیدی‌ترین وظایف مدیران ارشد می باشد که در شکل 1 نشان داده شده است. تحلیل شکاف بیانگر آن است که آیا در جهت کاهش «شکاف عملکرد» گام برمی‌داریم یا خیر؟
حذف شکاف یا کاهش عملی آن، هدف سازمان است و این فرایند چرخه‌ای است که با استفاده از بازخورد صورت می گیرد و تا مرز صفر شدن این شکاف ادامه می یابد. با توجه به تغییرات بسیار زیاد محیطی و پیچیدگی نمایش وضع سازمان در یک تصویر کلان، نیاز مبرمی به تحلیل‌های شرط و جزا است. از طرفی تحلیل به وجود اطلاعات نیاز دارد و اطلاعات از اجزای کوچکتری به‌نام داده تشکیل می‌شوند. داده‌های مجرد و بی‌معنا به کمک انباره داده‌ها به اطلاعات تبدیل می‌شود تا بتواند در مرحله بعد با استفاده از قدرت تصمیم‌گیری انسانی و دانش ضمنی افراد، تبدیل به قضاوت یا عمل شود. این امر را «هوش تجاری» می‌نامند.[2]
همانگونه که عنوان شد، عواملی که موجب این شکاف می‌شوند بعضی بیرونی و برخی درونی هستند. به منظور کاهش این شکاف و تحقق اهداف سازمانی، دسترسی به اطلاعات و به‌ویژه اطلاعات مربوط به عوامل بیرونی سازمان بسیار اهمیت دارد. این گروه از اطلاعات معمولا در حوزه‌های سیاسی، اقتصادی، اجتماعی، و فناوری است که در برنامه‌ریزی راهبردی و تجزیه و تحلیل‌های محیطی کاربرد مهمی دارد. این اطلاعات، در بررسی‌ها و مطالعات انجام شده 80% به‌صورت غیر ساخت یافته و 20% ساخت یافته است. بدین معنی که 20% اطلاعات از درون بانک‌های اطلاعاتی و سیستم‌های اطلاعاتی سازمانی استخراج خواهد شد و 80% از منابع اطلاعاتی دیگر(کاغذی، الکترونیکی، صوتی، تصویری و ذهن افراد) در داخل و از خارج سازمان به‌دست می‌آید.[6]
تصمیم‌گیری
تصمیم‌گیری، فصل مشترک کلیه عملیات سازمان است و در یک زنجیره وابسته و فرایند منسجم منجر به تحقق چشم‌انداز، مأموریت و اهداف سازمان می‌شود. فلسفه تصمیم‌گیری برمبنای دانایی استوار است، یعنی تصمیم باید براساس آگاهی بر تمامی جوانب امور و عملیات انجام گیرد. سیستم‌های پشتیبان تصمیم‌گیری به مدیر کمک می‌کند تا این فرایند را به‌خوبی عملیاتی کند. این کار با استفاده از کیفیت اطلاعات، انجام می‌شود و تصمیم‌گیری مؤثر بر مبنای اطلاعات صحیح، جامع، به موقع و تحلیل شده صورت می‌گیرد.
مدل‌های زیادی در زمینه مراحل مختلفی که باید در فرایند تصمیم‌گیری طی شود مطرح شده اند که از اصول خاصی پیروی می کنند، ولی پایه و اساس همه آن‌ها یکی است. هربرت سایمون یک الگوی تصمیم‌گیری ارایه کرده است که مشتمل بر چهار مرحله است و عبارتند از: هوشمندی، طراحی، انتخاب و اجرا.
مرحله هوشمندی، در واقع بهره‌مندی از نظام اطلاعاتی، ارتباط با کاربران دارای این اطلاعات و استفاده از سیستم‌های اطلاعاتی است که هر روز منتظر مشاهده علایم و نشانه‌های جدیدی برای حل مسأله و فرصت‌های به‌وجود آمده هستند. در این مرحله نیاز مبرمی به تحلیل محیط خارج سازمان است. سیستم‌های اطلاعاتی و نظام‌های گزارش‌های مدیریتی شرایطی را مهیا می‌کنند که به هوشیاری مدیران و حل مسأله یاری می‌رساند. مرحله طراحی، همان فرایند خلاقیت و ایجاد راهکارهای مختلف حل مسأله است و بسیار به ابتکارات انسانی بستگی دارد. انتخاب این مرحله، با مخاطره و عدم قطعیت همراه است. سیستم‌های پشتیبان تصمیم‌گیری در این مرحله نیز با ارایه روند اطلاعاتی و تاریخچه‌ای از تصمیمات قبلی به مدیر در انتخاب راهکاری که رضایت بیشتری در بر داشته باشد، کمک کند.
تصمیم‌های سازمانی بر اساس رده بندی تصمیم گیران به تصمیم‌های راهبردی، تاکتیکی و عملیاتی تفکیک می‌شوند. همچنین از نظر طبقه‌بندی، انواع تصمیم‌ها به تصمیم‌های ساخت یافته، نیمه ساخت یافته و ساخت نیافته تقسیم بندی می‌شود.. تصمیم‌های ساخت یافته، تکراری و قابل برنامه‌ریزی هستند و می‌توان آن‌ها را به‌سادگی به پردازش کامپیوتری واگذار کرد. تصمیم‌های ساخت نیافته به قضاوت‌های انسانی نیاز دارد و از منابع اطلاعاتی و گزارش‌های مختلف استفاده می‌کند. تصمیم‌های نیمه ساخت یافته به ادراک انسانی و روش‌های ریاضی نیاز دارد. شکل 2 ماتریس تصمیم‌گیری سازمانی را نشان می‌دهد.
ویژگی تصمیم‌های سازمانی شامل همسویی با اهداف سازمان، دامنه کاربرد در سازمان، افق زمانی تصمیم و رده سازمانی تصمیم‌گیران است. از جمله مهمترین عوامل مؤثر بر تصمیم‌گیری، دانش تصمیم گیران، منابع اطلاعاتی، ریسک تصمیم و زمان صرف شده برای اتخاذ تصمیم است که با استفاده از روش‌های مدل سازی و بهبود فرایند تصمیم‌گیری در سازمان‌ها، می‌توان قابلیت تأثیر آن‌ها را افزایش یا کاهش داد.[1]
صرف نظر از نوع تصمیم‌گیری، همه آن‌ها به اطلاعات صحیح، دقیق و به موقع نیاز دارند و نقش سیستم‌های اطلاعاتی پشتیبان تصمیم‌گیری فراهم سازی، دسته‌بندی، تحلیل و ارایه این اطلاعات به گونه‌ای کارآمد است.
مدیریت اطلاعات و دانش
در بخش‌های قبلی بر بینش مدیران ارشد، راهبرد‌ها و اهداف و نیز اهمیت تصمیم‌گیری و الزامات آن در عصر حاضر پرداخته شد. در ابتدای این بخش به بیان تعاریف پایه در این حوزه اشاره می‌شود. شکل 3 نشان دهنده هرم سلسله مراتبی ایجاد ارزش افزوده از پایین به بالا در فرایند تبدیل داده تا تصمیم و بصیرت است. در اولین مرحله داده‌ها جمع‌آوری می‌شوند، در مراحل بعد سازماندهی و تحلیل را داریم و در آخرین مرحله تصمیم‌گیری و اقدام صورت می‌گیرد.
داده: واقعیتی است که در کامپیوتر ذخیره، نگهداری و پردازش می‌شود. داده‌های خام اهمیت چندانی برای انسان
ندارند.
اطلاعات: توانایی درک و استنباط انسان از واقعیت است. سیستم‌های اطلاعاتی و کامپیوترها داده‌های سازماندهی
شده را به شکل قابل فهم در اختیار انسان می‌گذارند.
دانش: سازمان را قادر به تصمیم‌گیری می‌کند.
شکل 3: هرم ارزش افزوده داده تا بصیرت
دانش، ورودی اصلی برای تصمیم‌گیری سازمانی است و در این راستا اطلاعات پردازش شده به همراه اطلاعات و داده‌های مرتبط به‌ هم، قابلیت اثر‌گذاری بر دانش را داراست. مدیریت دانش شامل فرایند ترکیب بهینه دانش و اطلاعات در سازمان و ایجاد محیطی مناسب به‌منظور تولید، اشتراک و به‌کارگیری دانش وتربیت نیروهای انسانی خلاق و نوآور است تا سرانجام از طریق شکل‌گیری یک سازمان یادگیرنده و با برقراری جریان روان میان مخزن اطلاعات ایجاد شده با بخش‌های مختلف عملیات سازمان، این بخش‌ها با یکدیگر ارتباط بهتری داشته باشند. مدیریت دانش چارچوبی است که در آن کلیه فرایندهای سازمانی بر پایه جریان و تبادلات دانشی تعریف و برقرار می‌شود. بنابراین، چنین نگاهی تمام فرایندهای کسب و کار را با مسأله خلاقیت، نوآوری و کاربرد دانش درگیر کرده، در نتیجه بقا و پویایی آن‌ها تضمین می‌شوند.[2]
انباره داده‌ها فضایی برای تبدیل داده به اطلاعات و دانش است. انباره داده‌ها به‌عنوان یکی از ارکان اصلی سیستم‌های پشتیبان تصمیم‌گیری و مدیریت دانش، پوشش دامنه زمانی وسیع‌تری نسبت به پایگاه‌داده عملیاتی دارد. مشخصات انباره داده‌ها عبارتند از:
موضوع گرا: داده‌هایی که اطلاعاتی درباره یک موضوع خاص ایجاد می‌کنند نه این‌که عملیات یک سیستم خاص را نمایش دهند.
یکپارچه : داده‌هایی که از منابع مختلف در مخزن داده‌ها جمع‌آوری و براساس یک رشته روابط با یکدیگر ادغام شده‌اند.
زماندار: تمامی داده‌ها در مخزن داده‌ها در یک دوره زمانی مشخص می‌شوند.
ماندگار: داده‌ها در مخزن داده‌ها ماندگار هستند. داده‌ها اضافه می‌شوند ولی هیچ داده‌ای حذف نمی‌شود.
از نظر گستره زمانی، داده‌ها و اطلاعات موجود در محیط‌های عملیاتی در یک بازه زمانی 60-90 روزه و در انباره داده‌ها حدود 5-10 سال است. این موضوع بیانگر ویژگی‌های تحلیل روند و آینده نگری یا پیش‌بینی است. در واقع انواع داده‌های ذخیره شده در انباره داده‌ها عبارتند از: داده فعلی، داده قدیمی، داده خلاصه شده و فراداده‌ها.[3]
هوش تجاری مجموعه‌ای از فناوری‌ها، نرم‌افزارها و روش‌ها جهت تجزیه و تحلیل اطلاعات ذخیره شده در مخزن داده‌ها و افزایش بصیرت و توانمندی جمع‌بندی آن‌ها است. در همین راستا مفاهیم داده‌کاوی و پردازش اطلاعات مطرح می‌شود. داده‌کاوی، فرایند جستجو و یافتن اجزا و ارتباطات جزیی‌تر داده‌ها و اطلاعات است. پردازش اطلاعات، شناسایی الگوها و ترکیب‌های مهم داده‌هایی است که با قرار گرفتن در کنار یکدیگر پرس و جو‌ها و تحلیل‌های شرط و جزا را پاسخ می‌دهد.[7]
گزارش‌های تحلیلی به شکل‌های مختلفی در اختیار مدیران تصمیم‌گیر قرار می‌گیرد. داشبورد اطلاعات یا داشبورد مدیریت عملکرد از ابزارهای معروف در این زمینه است که با استفاده از نمودارهای متنوع رنگی و گرافیک‌های زیبا سعی می‌شود محیط کاربری ساده و جذابی ایجاد شود. مدیران می‌توانند در صورت نیاز به جزییات بیشتر، بر روی اطلاعات کلی که در داشبورد به نمایش در می‌آید کلیک کنند و با استفاده از تکنیک داده‌کاوی به جزییات بیشتر دست پیدا کنند. سپس به کمک آن‌ها از هر نقطه‌ای و در هر زمانی قادر خواهند بود وضعیت شاخص‌های کلیدی و عملکرد سازمان را تحت نظارت و کنترل داشته باشند.[4]
فرایند انباره داده‌ها
در شکل 4 فرایند انباره داده‌ها نشان داده شده است. همان‌گونه که در شکل آمده است، ابتدا داده‌ها از منابع مختلف، اعم از الکترونیکی و یا کاغذی جمع آوری و پس از استخراج، تبدیل و بارگیری به مرحله بعدی که پاکسازی و تجمیع است ارسال می‌شود معمولاً به این دو مرحله «ناحیه نمایش» گفته می‌شود. یکی از کلیدی ترین بخش‌های این مرحله پاکسازی داده‌ها به‌منظور دسترسی به «یک منبع قابل اتکا برای داده‌ها» است.
پس از آن «انبارش داده‌ها» برای ذخیره و طبقه‌بندی داده‌ها صورت می‌گیرد. این «طبقه‌بندی داده‌ها» بر اساس موضوعات مدیریتی است و جزو ویژگی‌های بارز این مرحله می باشد. در مرحله بعدی که به «منطقه سیستم‌های پشتیبان تصمیم‌گیری» معروف است، پرس و جوها، گزارش‌ها و پردازش‌های تحلیلی برخط، «تحلیل‌های آماری و موضوعی» قرار می‌گیرند. در آخرین لایه نیز، «نمایش و ارایه» اطلاعات را در قالب داشبورد اطلاعات و مدیریت عملکرد داریم. [6]
شکل 4: فرایند انباره داده‌ها
وضعیت بازار و محصول
موضوع استفاده از انباره داده‌ها و هوش تجاری به ابتدای سال‌های 1990 میلادی باز می‌گردد ولی موج عظیم آن بعد از سال 2000 و در هزاره سوم شدت یافت. شرکت‌های پیشتاز در این زمینه که محصولات آن‌ها بازارهای جهانی‌ را پوشش می‌دهد، کوگنوس، بیزینس آبجکتز، اس آ اس، هایپریون، مایکرو استراتژی، اوراکل، مایکروسافت، اس اِی پی و اینفورماتیکا می‌باشند. حجم فروش این‌گونه سیستم‌ها و نرم‌افزارها طبق پیش‌بینی‌های شرکت گارتنر تا سال 2012 به بیش از 16 میلیارد دلار خواهد رسید. هزینه‌های پیاده‌سازی و استقرار این‌گونه سیستم‌ها مانند نرم‌افزارهای برنامه‌ریزی منابع سازمان ERP بسیار متنوع و گران خواهد بود. لذا در خصوص انتخاب محصول منتخب و شرکت پیمانکار اجرایی و پیاده‌سازی، ملاحظات فنی، مدیریتی، آموزشی و هزینه‌ای بایستی مدنظر قرار گیرند. [7]
نتیجه گیری
با توجه به توضیحات فوق، لزوم اهمیت تولید دانش و تصمیم‌گیری بر مبنای اطلاعات در سازمان‌ها بیش از پیش مشخص می‌شود. در این‌خصوص چرخه تبدیل داده به اطلاعات و تولید دانش برای تصمیم‌سازی و تصمیم‌گیری سطوح مختلف مدیران سازمان‌ها، نقشی حیاتی دارد. با استفاده از فناوری اطلاعات، این امر به شکلی بسیار سریع، دقیق و مطمئن قابل حصول و راه‌حل اجرایی آن پیاده‌سازی و استقرار انباره داده‌ها و مدیریت اطلاعات و دانش سازمانی است. با استقرار چنین سیستم‌هایی تغییر تفکرات و ذهنیات مدیران سازمان را شاهد خواهیم بود و روش‌های تصمیم‌گیری سنتی و متکی به فرد جای خود را به روش‌های سیستمی و متکی بر اطلاعات خواهد داد.
منابع
[1] گزارش پروژه«تجزیه وتحلیل فرایند تصمیم‌گیری»، مدیریت توسعه سیستم‌ها و فناوری اطلاعات، سازمان گسترش و نوسازی صنایع ایران، 1384
[2] گزارش پروژه«طراحی پایگاه داده تحلیلی و هوش تجاری»، مدیریت توسعه سیستم‌ها و فناوری اطلاعات، سازمان گسترش و نوسازی صنایع ایران، 1384
[3] Adel man Sid, Moss Larrisa, Abai Majid,"Data Strategy", 2005
[4] Echerson Wayne W. ,"Performance Dashboards", 2005
[5] Few Stephen," Information Dashboard Design", 2006
[6] Inmon William H. ,"Building the data warehouse", 4th Edition, 2005
[7] Moss Larrisa, Shaku Atre,"Business Intelligence Roadmap", 2003
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم های پشتیبان تصمیم گیری پزشکی (CDSS)
ارسال شده توسط احمد محمدی | 12 11, 2013 | بازدید‌ها (1418)
سیستم های پشتیبان تصمیم گیری پزشکی (CDSS)
اغلب مسایل در پزشکی مدرن بسیار پیچیده می­باشند و دلایل منطقیبرای تصمیم­گیریهای دقیق وجود ندارد. به همین جهت تصمیم­گیریهای پزشکان معمولا دلخواه و متغیر می­باشد. از سوی دیگر حجم مفید
اطلاعات پزشکی که حتی با یک محدوده کوچک تشخیصی در ارتباط است، به قدری زیاد می­باشد که تصمیم­گیری سریع و دقیق را دشوار خواهد ساخت. ضمنا فناوریهای مدرن روز به روز بر حجم این اطلاعات می­افزایند و مساله را دشوار­تر از پیش خواهند ساخت؛ به صورتیکه پزشکان تاکنون با چنین حجم وسیعی از اطلاعات مواجه نشده بودند. از ان­گذشته، اشخاص به تصمیمات اختصاصی نیازمند می­باشند؛ زیرا ویژگیهای انان با حد متوسط بیان شده در مراجع پزشکی
متفاوت است و هر یک از ایشان دارای خواستهای منحصر به فرد خود می­باشد. با توجه به مسایل فوق الذکر به اسانی قابل درک است که ما با چالش عظیمی در پروسه تشخیص پزشکی - به طور عمومی- و عملکرد پزشکان - به طور اختصاصی- مواجه خواهیم شد که نیاز به پیدایش سیستمهای پشتیبان تصمیم­گیری در پزشکی را اشکار خواهد نمود. سیستمهای پشتیبان تصمیم­گیری در پزشکی به نرم افزارهای کامپیوتری گفته می­شوند که برای کمک به تشخیص­ها و درمان­های، بالینی طراحی و ساخته شده­اند. این سیستمها با استفاده از اطلاعات و دانش پزشکی به تشخیص عارضه­های گوناگون و تجویز توصیه­های پزشکی برای بیماران اقدام می­نمایند. این سیستمها برای جایگزینی پزشکان طراحی نشده و تنها جهت یاری­رسانی به متخصصان علوم پزشکی در امر تشخیص بیماریها بر اساس یکسری از قواعد تجربی ارایه شده­اند.
تاریخچه
تاریخچه سیستمهای پشتیبان تصمیم­گیری در پزشکی در حقیقت تاریخچه همکاریهای متقابل پزشکان و ریاضیدانان می­باشد. به مجرد پیدایش کامپیوترهای الکترونیکی در سالهای ۱۹۵۰-۱۹۶۰میلادی، نخستین سیستمهای پشتیبان تصمیم­گیری در پزشکی با اهداف گوناگون بهداشتی پا به عرصه وجود نهادند. در نخستین مقاله­ای که در این زمینه در سال ۱۹۵۹میلادی منتشر
شد،لدلی[1] و لاستد[2]اعلام نمودند که پزشکان معمولا اگاهی چندانی از چگونگی حل مسایل تشخیصی دارا نمی­باشند. همچنین انها اظهار داشتند که برای مدلسازی پروسه تشخیص پزشکی هم
قوانین منطقی (نظیر نظریه مجموعه­ها و جبر بولی) و هم محاسبات استدلالی (نظیر قوانین بیز) مورد نیاز خواهد بود. متعاقب این تحقیق، سیستمهای منطقی که بر اساس پرسشهای هوشمند به تمایز میان گزینه­های مانعه­الجمع می­پرداختند، توسط بلیچ[3]
و همکارانش پا به عرصه وجود نهادند. لازم به ذکر است در ان زمان کلیه سیستمهای پشتیبان تصمیم­گیری در پزشکی تنها می­توانستند در حوزه­های کاملا محدود و به ویژه در مواردی که یقینا فقط یک بیماری باعث بروز نشانه­ها می­شد، به کار بپردازند؛ در حالیکه در عمل معمولا چندین بیماری در ان واحد در شخص بیمار با یکدیگر تداخل دارند. در سال ۱۹۶۱میلادی نیز وارنر[4]
و همکارانش یکی از نخستین سیستمهای پشتیبان تصمیم­گیری در پزشکی را که بر اساس قوانین بیز به کار می­پرداخت، طراحی و راه­اندازی نمودند؛ البته نخستین سیستم واقعی پشتیبان تصمیم­گیری در پزشکی که براساس قوانین بیز طراحی شده بود و در عمل نیز در بسیاری از پایگاههای بهداشتی به کار گرفته شد، سیستمی بود که توسطدامبل[5] برای تشخیص دردهای حاد شکمی ارایه شد.
به دلیل فناوری موجود در کامپیوترهای سالهای ۱۹۵۰-۱۹۶۰که نرم افزارهای پشتیبان تصمیم­گیری در پزشکی می­بایست بر روی انها راه اندازی شوند، این سیستمها در ان زمان در دو شاخه مجزا از یکدیگر توسعه یافته بودند: قیاسی و احتمالاتی؛ اما نزدیک به دو دهه بعد از نخستین تلاشهای انجام­گرفته در این زمینه، Szolovits وPauker با بررسی عمیق­تر ریشه­های فلسفی این دو روش استدلال، روش سومی را که با حفظ ویژگیهای ممتاز این دو روش از هویت خاص خود نیز برخوردار بود، پیشنهاد نمودند. این روش، هیوریستیک نام داشت. برنامهHEME که برای تشخیص بیماریهای هماتولوژیک به کار می­رفت، یکی از نخستین سیستمهایی بود که از این روش استفاده نمود. در ادامه کاربردهای این روش، گری[6]
یکی از پیشتازان کاربرد روش هیوریستیک در سیستمهای پشتیبان تصمیم­گیری در پزشکی- در طی یک مقاله کلاسیک که در سال ۱۹۶۸منتشر نمود، اصول کلی حاکم بر سیستمهای خبره پشتیبان تصمیم­گیری در پزشکی را تبیین نمود. این اصول در سالهای ۱۹۷۰تا ۱۹۸۰اساس عملکرد بسیاری از سیستمهای پشتیبان تصمیم­گیری در پزشکی را تشکیل دادند. در این مقاله، گری،تعریفی رسمی از مساله تشخیص پزشکی
را ارایه نمود. وی همچنین تفاوتهای مابین ارزش اطلاعات، هزینه های اقتصادی، و خطرات ناشی از انجام تستهای تشخیصی را نشان داد و مساله «چند-تشخیصی» را که به هنگام مواجهه سیستم با بیماران دارای چندین بیماری همزمان روی می­دهد، توصیف نمود. مقاله گری در حقیقت تئوری بسیاری از سیستمهای پشتیبان تصمیم­گیری در پزشکی نظیرPIP، MEDITEL، Internist-1، QMR، DXplainو ILIADمحسوب می­گردد. در سال ۱۹۷۶میلادی نیز شرتلیف[7] سیستم خبره مبتنی بر تئوری شواهد[8]را برای کاربردهای تشخیصی و درمانی به نام MYCIN ارایه
نمود. این سیستم که برای تشخیص عفونتهای میکروبی و تجویز داروهای لازم به کار می­رفت، دارای قابلیتهای متعددی نظیر دریافت اطلاعات، یادگیری، تفسیر داده­ها و اموزش­دهی بود و امروزه از ان به عنوان پدر سیستمهای خبره یاد می­گردد. اکثر سیستمهای یاد شده به عنوان نسل اول سیستمهای پشتیبان تصمیم­گیری در پزشکی محسوب می­گردند.
در سالهای ۱۹۸۰تا ۱۹۹۰میلادی با تغییرات اساسی که در سخت افزار کامپیوترها صورت پذیرفت و منجر به تولید انواع کامپیوترهای کوچک و ارزان قیمت(PC) شد، تحولی اساسی در تولید سیستمهای پشتیبان تصمیم­گیری در پزشکی ایجاد شد و نسل جدیدی از این سیستمها پا به عرصه وجود نهادند. همچنین در این سالها با ارایه مدلهای جدید تصمیم ­گیری و یا با ارایه نواوری در مدلهای پیشین تغییرات چشمگیری در عملکرد سیستمهای پشتیبان تصمیم­گیری در پزشکی ایجاد شد، به صورتی که سیستمهای مبتنی بر تئوری فازی نظیرCADIAG-II و شبکه­های بیز نظیرInternist-1/QMR برای غلبه بر محدودیتهای سیستمهای ساده پیشین طراحی و راه­اندازی شدند. در سالهای اخیر نیز رجیا[9] و همکارانش مدلهای پوشش مجموعه­ ای[10] را برای حل مساله تشخیص پزشکی ارایه نمودند. شبکه­های عصبی مصنوعی واستدلال مبتنی بر مورد،نیز از دیگر تکنیکهای نوین ارایه شده برای برخورد با مساله تشخیص پزشکی می­باشند.
برخی دلایل استفاده از سیستم­های پشتیبان تصمیم در پزشکی:·پزشکان برخی اوقات دچار خطا و اشتباه می­شوند.·پزشکان قادر نیستند که همیشه خود را با اخرین یافته­های اطلاعات پزشکی تطبیق دهند.·در موارد متداول استفاده از تصمیم­گیری خودکار، موثر است.·سازمانهای مراقبت بهداشتی مایل به افزایش کیفیت مراقبت و کاهش هزینه­های ان هستند.زمینه­های مورد استفاده سیستم­های پشتیبان تصمیم­گیری بالینی:·تولید هشدارها و یاداوری­کننده­ها برای پزشک·کمک در تشخیص بیماری به پزشک·برنامه­ریزی درمان·تشخیص و تفسیر تصاویر پزشکی
چهار عملکرد کلیدی سیستم­های الکترونیکی حمایت از تصمیمات بالینی:·اداری؛ حمایت از کد­های بالینی و مستندات·مدیریت موارد پیچیده بالینی؛ مانند پروتکل­های شیمی درمانی، ارجاع و پیگیری، مراقبت­های پیشگیری·کنترل هزینه­ها؛ کنترل دستورات پزشکی، جلوگیری از تکرار ازمایشات یا انجام ازمایشات غیرضروری·حمایت از تصمیم؛ حمایت از تصمیمات کلینیکی و فرایند درمان و ارتقا استفاده از راهنمائی­های اختصاصی انواع سیستم های CDSS:تعامل مستقیم سیستم و پزشک (مانند INTERNIST) سیستم مستقیما به منبع داده­های بیمار متصل است. (مانند سیستمهای مفسر ECG) سیستمهای همراه با مدارک کامپیوتری بیمار(CPR) و بکاربردن این رکوردها بعنوان ورودی
[1]Ledley
[2]Lusted
[3]Bleich
[4]Warner
[5]de Dombal
[6]Gorry
[7]Shortliffe
[8]Evidence Theory
[9]Reggia
[10]Set-Covering Theory
دسته بندی سیستمهای پشتیبانی تصمیم بالینی:
سیستمهای DSSاز جوانب مختلفی طبقه­بندی می شوند:·نمایش اطلاعات: مثلا سیستمهای مبتنی بر درخت تصمیم یا قواعد تولیدی·نوع تصمیم : مثلا تشخیصی یا درمانی·زمینه پزشکی : مثلا سیستمهای مربوط به پزشکی داخلی یا جراحی
دسته بندی سیستمهای پشتیبان تصمیم گیری از دید پزشکان
1-پیشنهاد درخواستی[1]: به شرایطی اطلاق می­شود که در ان پزشک از DSS مشورت
می­طلبد. این سیستم­ها درحالت عادی غیرفعالند و با درخواست کاربر فعال
می­شوند. امکان کنترل استدلال­های انجام شده را فراهم می­کنند. در این شرایط پزشک می­تواند سیستم را در مسیر خاصی هدایت کند و صحت تشخیص خود را بررسی نماید. بطور مثال: مرجع پزشکی سریع[2] (QMR)، نسخه تجاری INTERNIST نمونه­ای از سیستمهای پیشنهاد درخواستی است.2-پیشنهاد غیر درخواستی[3]:
این نوع سیستمها نیازمند درخواست پزشک برای ارائه پیشنهاد نیستند و بر داده­های در دسترس بیمار (مانند داده­های ازمایشگاه تشخیص طبی یا CPR)
تکیه دارند و مستقل از درخواست پزشک پیشنهاد خود را ارائه می­دهند. در این
سیستم­ها ارائه پیشنهاد جزئی از فعالیت مدیریت داده است. سیستم نمی­تواند اهداف درمان و تشخیص را به درستی تشخیص دهد که این امر منجر به تولید پیشنهاد مثبت نادرست (FP)و هشدار اشتباه می­گردد.3-سیستم خودکار[4]:
سیستمهایی که در انها پیشنهاد بطور مستقیم بر روی بیمار اعمال می­شود، سیستم خودکار نامیده می­شوند. این سیستمها چندین داده را در زمانهای مشخصی اندازه می­گیرند و متناسب با ان رفتار خود را تطبیق می­دهند. به عنوان مثال
می توان به سیستمهای کنترل بیهوشی یا تنفس مصنوعی، اشاره کرد. در این شرایط خرابی سیستم می­تواند خسارات جبران ناپذیری، ایجاد نماید.
[1]Solicited Advice
[2]quick medical refrence
[3]Unsolicited Advice
[4]Autonomous System
انواع سیستمهای پشتیبانی تصمیم در پزشکی از لحاظ روش و سیستم مورد استفاده
·الگوریتم­های بالینی: قواعد تولید هشدار در سیستم مانیتورینگ علائم حیاتی بیمار·پایگاه داده بالینی (توابع تحلیلی): قواعد موجود برای نحوه درهم کنش داروها·مدلهای پاتوفیزیولوژیکی ریاضی: مدلهای فارماکوکینتیک برای محاسبه اثر تزریق دارو·سیستمهای بازشناخت الگو: طبقه­بندی انواع مختلف گلبول سفید·سیستمهای اماری: طبقه بندی ECGبا الگوریتمهای اماری·سیستمهای تصمیم تحلیلی: محاسبه ریسک عمل جراحی·استدلال سمبلیک یا سیستمهای خبره: QMRبرای تشخیص در پزشکی داخلی
انواع مدل های پشتیبانی تصمیم
lکمی؛ بر اساس روشهای اماری موجود است و از داده­های اموزشی استفاده می­کند. مثل شبکه­های عصبی، فازی و احتمالی. روشهای اماری در پشتیبانی تصمیم بالینی به کار می­رود تا احتمال وقوع یک بیماری را تعیین کند. در تصمیم­گیری اماری همه ویژگی­ها معمولا با هم به کار برده می­شوند.lکیفی؛ از ویژگی­های پیشنهاد شده متخصصین استفاده می­کند و از استدلال های سمبولیک بهره می­برد. از این نوع مدل می­توان به، بولین[1]،
سیستم­های خبره، درخت تصمیم، اشاره کرد. این روش­ها ریاضی نیستند. روشهای کیفی براساس الهام و درک و استدلال توسط انسان، بنا شده­اند. این روش ارتباط یک ویژگی اندازه­گیری شده را با مقدار استانه می­سنجد.
ابزار کسب دانش کسب دانش یکی از مهم­ترین رویه­های اغازین برای ایجاد پایگاه دانش در CDSSمی­باشد.
اولین گام برای کسب دانش، انتخاب ناحیه بالینی و متخصصین خبره برای کسب دانش بخصوصی، می­باشد. گام بعدی انتقال دانش قابل­ تفسیر در کامپیوتر براساس روش­های ارائه دانش می­باشد. این بخش بر ابزار کسب دانش تمرکز می­کند وهدف ان بکارگیری الگو­های اماده برای دریافت دانش بالینی از متخصصین است.
ابزار­های کسب دانش زیادی برای CDSS، توسعه یافته است. در میان ان­ها، بعضی از ابزار های کسب دانش پزشکی است و بقیه ابزاری برای رهنمودهای بالینی است که در رویه­ های بالینی استاندارد مورد استفاده قرار می­گیرد. از انجایی که کنترل خطا یکی از بزرگترین چالشهای ابزار کسب دانش است، در ادامه بر مقایسه توانایی کنترل خطا تمرکز می­کنیم.
در جدول 6-1،proforma ، ابزار کسب راهنمایی است که شامل ساختارهایی پر معنی برای توصیف خطاها می­باشد. توانایی تصمیم­گیری ان تحت خطا توسط ابزارهای مکانیسم ایجاد می­شود. در این
روش مکانیسم استدلال، تشخیص و تصمیمات درمانی بر حسب چندoption تعریف می­شود و با استفاده از قانونهای استدلال، تصمیمات لازم گرفته می­شود. قانونهای استدلال از تصمیمات، پشتیبانی می­کند و در اخر توصیه­های لازم داده می­شود.
GLARE، توانایی کنترل خطا در تصمیمات خطایاب را محدود کرده است. در GLARE ،
تصمیمات سه بعد دارد ( تشخیص، پارامتر، نمره ) که خود پارامتر هم سه بعد دارد ( داده، خصوصیت، مقدار )، یک مقدار استانه برای مقایسه تشخیص ها استفاده می شود. نمره و سایر تشخیص ها به کاربران نشان داده می شود. GLARE به
کاربر اجازه می دهد تا تصمیمات تشخیصی لازم را از میان لیست انتخاب کند. در صورتی که کاربری تصمیمی اتخاذ کند که نمره­اش بیشتر از حد استانه نباشد، اخطاری داده می­شود.
CMDS: ویرایشگر کسب دانش شی­گرا، در مورد کنترل خطا، عملکرد بهتری دارد. زیرا هر قانون دارای فاکتور قطعیت است که نشان می­دهد که ان قانون تا چه اندازه درست است. فاکتور قطعیت از -1تا 1 متغیر است. که -1به معنی قانون اشتباه، 0 به معنی عدم وجود اطلاعات و 1 به معنی قانون درست است.
مکانیسم های استنباطی استفاده شده درCDSS
مکانیسم های استنباطی که در CDSS استفاده می­شود شامل شبکه­های عصبی، شبکه­های معنایی، الگوریتم ژنتیک و سیستم­های غیرمستدل می­باشد. در CDSS های مبتنی بر قانون، قانون­های if-then،
مورد پردازش قرار- می­گیرند. زنجیره­های پسرو و پیشروی قانون­ها ممکن است برای تشخیص و تهیه توضیحات تشخیصی کاربران بالینی، مورد استفاده قرارگیرند.
سیستم­های بیزین[1] بر
اساس تشخیص­هایی که از بیماری های قبلی به دست امده است و همچنین علائم و نشانه­های بالینی، پیش بینی می­کنند. سیستم­های غیر مستدل شامل پیش بینی­های اماری است. بعضی از روش­های اماری مانند ماشین بردار پشتیبان (SVM) و ماشین ابزار حداقل مربعات (LSSVM
برای استدلال­های پزشکی پیشنهاد شده است. شبکه­های عصبی به عنوان مکانیسم استنباطی توسط محققین استفاده می­شود. زیرا در هنگام توسعه این نوع از CDSSها، نیاز به درک رابطه بین متغیرهای ورودی و خروجی ندارند.
لی[2]
و همکارانش، شبکه­ های عصبی را با سایر مدل­های ریاضی مقایسه می­کنند تا سیستم پشتیبان تصمیم­گیری پزشکی مربوط به اسیب­های مغزی را بسازند (MDSS) و نتیجه این است که شبکه­های عصبی راه­حل بهتری برای CDSSهای غیر خطی و پیچیده نسبت به تکنیکهای اماری قراردادی ارائه می­کند . ایراد شبکه­های عصبی این است که شبکه­ها از قانون­هایی استفاده می­کنند که از منطق خاصی پیروی نمی­کند و به طور اشکار قابل درک نیست.
در الگوریتم ژنتیک، با توسعه بهترین راه­حل، راه حل بهینه­ای که مناسب­ترین است، به دست می­اید. در مطالعات جدید متدلوژی­های استنباطی مختلفی برای پاسخ­های پزشکی، الحاق شده­اند مانند LSSVMبا
وزن­دهی فازی، یا شبکه­های عصبی مصنوعی با وزن­دهی فازی. هنگامی که مدل سازی دانش پزشکی به صورت منطقی دشوار است، متخصصین پزشکی اطلاعات خود را با مثال ارائه می­دهند. در این شرایط، مدل سازی نمادین (CBR)درDSS ، استفاده می­شود. فایدهCBR این است که موارد بالینی تجربی مشابه، از سایر دانش­های پزشکی متقاعد کننده­تر است. اما اشکال این روش این است که اندازه­گیری شباهت میان موارد مختلف دشوار است، همچنین فرایندهای بازیابی به ندرت دقیق و موثر است و ورودی­های موردنیاز CDSS که بر اساس CBR به دست می­اید، به اسانی مورد قبول متخصصین واقع نمی­شود.
ارزیابی CDSS :
به گفته میلر[3]، ارزیابی CDSSباید شامل چهار مورد زیر باشد:
1- ارزیابی مناسب
2- ارزیابی درجه سودمندی CDSS
3- ارزیابی محدودیت­های CDSS
4- تعیین دلایل پنهان محدودیت تاثیرات سیستم
کیت[4] وگرین[5] مراحل بررسی CDSSرا این گونه تعریف می­کنند:
1- ارزیابی دانش متخصصین
2- ارزیابی سیستم مجتمع
3-ارزیابی خارجی سیستم
4- ازمایشات تصادفی چندمرکزی برای ارزیابی سیستم
اکثر ارزیابی­هایCDSS بر صحت سیستم متمرکزند و تمرکز کمتری بر ارزیابی تاثیر استفاده CDSSبر مراقبت­های بالینی دارند.
معیارهای پذیرش سیستمهای پشتیبانی تصمیم·پشتیبانی جمع­اوری داده[6]: سیستمهای تصویربرداری·کاهش داده[7]: سیستمهای اطاق عمل و واحدهای مراقبت ویژه·ارزیابی داده[8]: سیستمهای ازمایشگاهی
پایگاه دانش(KB)[9]پزشکی:مجموعه اطلاعات (دانش)پزشکی که بطور سیستماتیک سازماندهی شده
و بصورت الکترونیکی قابل دسترسی هستند و نیز قابلیت تفسیر بوسیله کامپیوتر
را دارند، پایگاه دانش پزشکی را تشکیل می­دهند. با ایجاد KBمی­توان، جمع­اوری و پخش الکترونیکی اطلاعات پزشکی را تسهیل نمود.
[1]Bayesian
[2]Li
[3]Miller
[4]Keith
[5]Greene
[6]Support of Data Acquisition
[7]Data Reduction
[8]Data Validation
[9]Knowledge Base
پشتیبانی تصمیم با ابزارهای پیش بینی ساده
ابزارهای پیش­بینی ساده بر اساس روش­های مختلف پایه­گذاری شده­اند که در 2 گروه عمده می­توان انها را بررسی کرد :
·ابزارهای پیش­بینی مبتنی بر تحلیل اماری مجموعه داده­های بالینی·ابزارهای پشتیبانی تصمیم براساس نتایج انالیز تصمیم قواعد پیش بینی مبتنی بر تحلیل اماری[1]روشهای اماری مورد استفاده برای پیش­بینی در این موارد، اغلب نوعی رگرسیون هستند بطور مثال : رگرسیون خطی برای خروجی­های پیوسته مانند فشارخون و رگرسیون منطقی برای خروجی­های دو بخشی مانند مرگ و میر مورد استفاده قرار می­گیرند.
راهبرد­های کلی برای ارزیابی قواعد پیش­بینی :-تعریف روشن متغیرهای پیش­بینی­­کننده و خروجی­ها-توصیف صحیح جمعیت بیماران و امکان مقایسه-توصیف روش­های ریاضی بکار رفته-دسترسی به نرخ صحت یا خطای قاعده طبقه­بندی-اثرات کاربرد قاعده پیش­بینی روی مراقبت بیمارفرایند مدلسازی اماری:
فرایند مدلسازی دارای جوانب زیر است :
·انتخاب متغیرها : در بسیاری از موارد تعداد زیادی مشخصه پیش­بینی­­کننده بیمار داریم که بکار­گیری همه غیر عملی است. انتخاب تدریجی[2]، روشی برای انتخاب تعداد محدودی پیش­بینی­کننده است.·تخمین ضرائب رگرسیون: پس از انتخاب پیش­بینی­کننده ها، ضرایب تعیین می­شوند که دقیق بودن ان مستلزم داده­هایی با کیفیت بالاست. هرچه حجم داده بالا باشد، نامعینی مقدار ضرائب تخمین زده شده، کمتر است و پیش­بینی دقیق­تر انجام می­گیرد.·ارزیابی عملکرد مدل: عیار مهم برای ارزیابی یک مدل قابلیت تمایز مدل برای طبقه­بندی بیماران است.·نمایش نتایج مدل: جدول پیش­بینی­های متناظرچرا CDSSها در حال حاضر مقبولیت ندارند؟- ایده­های نمایش اطلاعات[3] بسیار ساده است.-تصمیمات پزشکان متفاوت است و این تغییر پذیری نمی­تواند در DSSلحاظ شود. -پارادوکس تخصصی در DSSلحاظ نمی­شود.
برخی محدودیت ها ومعایب سیستمهای های CDSS :·محدوده کوچکی از علم پزشکی را پوشش می­دهند.·نمی­توانند تنوع زیادی از استراتژیهای تشخیصی و درمانی را برای حل مشکلات بیماران پیچیده ارائه دهند.·تاکید بیش از اندازه بر داده­های ازمایشگاهی ممکن است موجب غفلت از اطلاعات روانی و اجتماعی بیمار شود.·ایجاد تغییر در رابطه بیمار و پزشکایجاد محدودیت برای پزشک در حل مسایل بصورت مستقل ·مسایل حقوقی و قانونی در صورت بروز اشتباه و خطا
[1]prediction rules Based on statistical Analysis
[2]stepwise
[3]Representation
منبع:
http://thesis.ecg-pnum.com/index.php?pages=thesis&opt=onel&i=14&l=719
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم پشتیبان تصمیم گیری در جذب فناوری اطلاعات

ارسال شده توسط احمد محمدی | 11 11, 2013 | بازدید‌ها (590)

سیستم پشتیبان تصمیم گیری در جذب فناوری اطلاعات

مترجم: پیمان جسری (دانشگاه آزاد اسلامی سنندج)

موضوع: فناوری اطلاعاتIT
منبع: ارسال شده توسط عضو پایگاه مقالات علمی مدیریت www.SYSTEM.PARSIBLOG.com

تهیه و تنظیم: پایگاه مقالات علمی مدیریت www.SYSTEM.PARSIBLOG.com
چکیده:
سازمانهای پویا و متحولی که در زمینه تکنولوژی رایانه پیشرفت کرده اند، مجموعه بالقوه ای از برنامه های کاربردی DSS را ایجاد کرده اند.برای برنامه ریزی استراتژیک سازمان یا نقشه راه ، درک درستی از برنامه های کاربردیDSS حائز اهمیت است.این تحقیق می کوشد تا تعریفی از DSS، جذب فناوری اطلاعات و پویایی جذب DSS ارائه کند.آنچه که به عنوان ابزارهای DSS جذب برنامه های کاربردی سازمان میشود شامل آنهایی است که به عنوان برنامه های کاربردی یک بارهDSS (غیر تکراری) در سطح برنامه ریزی استراتژیک وارد سازمان میگردد.انتقال فناوری تا جاگیری ابزارها در برنامه های کاربردی پشتیبان تصمیم ساختار یافته (SDS) یا سیستم های فرایند تبادل (TPS) ادمه دارد.بنابراین مدیران باید آنها را به عنوان یک سیستم SDS/TPS ببینند نه به عنوان یک سیستم DSS. شناسایی نقشه راه جذب فناوری اطلاعات، به انتقال فناوری کمک می کند و آن را به رسمیت می شناسد. این به معنای قابل قبول بودن ایجاد این انتقال است
واژه های کلیدی: DSS، سیستم پشتیبان تصمیم گیری ،جذب فناوری اطلاعات ، توسعه نرم افزاری.

مقدمه
چه موقع یک سیستم پشتیبان تصمیم گیری واقعا یک DSSنیست؟ غالبا یک برنامه کاربردی که شامل تصمیم گیری به هر روشی است به عنوان DSS طبقه بندی می شود.پیشرفتهای پویای در زمینه تکنولوژی رایانه در برنامه های کاربردی مثل DSS موثر می باشد.در نتیجه این پیشرفتها بوده که این برنامه های کاربردی همواره در حال تغییر می باشند.این موضوع سبب شده است که تقریبا متوقف کردن چنین تغییراتی برای برنامه های کاربردی DSS غیر ممکن باشد.بدیهی است که ماهیت تغییرات DSS به موازات پیشرفت توسعه تکنولوژی رایانه در جریان می باشد.کدون[9] گزارش می دهد که قانون مور ( دو برابر شدن قدرت رایانه در هر هیجده ماه )دست کم برای 5 سال دیگر سر می رسداین امر نشان دهنده این است که سیستم های اطلاعاتی پیشرفت خود را در دستورالعمل های جدید و متنوع ادامه خواهد داد.
در حالی که برخی از برنامه های کاربردی DSS به طور گسترده ای مورد قبول واقع شده اند ، برخی دیگرانیز احتمالا در جریان تغییرات تکنولوژیکی منسوخ شده اند.این ماهیت پویای فناوری سیستم های اطلاعاتی عموما، و برنامه های کاربردی DSS خصوصا، باعث می گردد که مدیران عالی اطلاعاتی و دیگران مدیران در مواجه با یک تعریف واضح و روشن از مجموعه برنامه های ثابت و کاربردی DSS
به مشکل بر بخورند.با این حال شناسایی برنامه های کاربردی DS در برنامه ریزی استراتژی های سازمانی برای استقرار فناوری اطلاعات مهم است.تجزیه وتحلیل این تحقیق یک چهارچوب را ژیش روی فناوری اطلاعات قرار می دهد که شانل تکامل مستمر و استفاده از ابزارهای DSS است.هدف بررسی یک چشم انداز برنامه ریزی برای استقرار آینده ابزارهای DSS و برنامه های کاربردی آن است که تکامل فناوری اطلاعات را امکان پذیر می سازد.یک چهارچوب برنامه ریزی برای سیستم های اطلاعاتی حرفه ای مستلزم شناسایی نقشه راه جذب فناوری از طریق ایفای نقش DSS می باشد.این تحقیق شامل بررسی تعریف DSS ، مراحل و پویایی جذب فناوری اطلاعات و در آخر خلاصه و نقشه راه جذب فناوری می باشد.
تعریف سیستم پشتیبان تصمیم گیری(DSS ):
یک تعریف عملیاتی از یک سیستم DSS برای شناسایی و طبقه بندی ابزارهای DSS و برنامه های کاربردی و به تبع آن بررسی نقشه هرا جذب فناوری حائز اهمیت می باشد.
DSS با بکار گیری رایانه برای موارد زیر تعریف می شود:
1 – کمک به مدیران برای فرایند تصمیم گیری در وظایف نیمه ساختار یافته
2 – برای پشتیبانی و بهتر از آن جایگزینی قضاوتهای مدیریتی. و
3 – به منظور بهبود اثربخش تصمیم گیری به جای کارایی آن( کین و اسکات مورتون،8ص1)
همچنین دیگران(10، 12 و 13 )تعاریفی را برای DSS ارائه کرده اند.اگرچه برخی تفاوتهای جزیی در تعاریف آنان وجود دارد،اما یک بررسی از این تعاریف نشان می دهد که به طور کلی آنها تعریف کین و مورتون را حمایت می کنند.با این حال تعریف کین و اسکات مورتون به عنوان تعریف عملیاتی برای این تجزیه و تحلیل مورد استفاده قرار گرفت آنها توضیح اضافی DSS را به شرح زیر ارائه نمودند:سوال کلیدی برای کسی که در مورد DSS کار می کند این است : "چه نوع تصمیم خاصی یا چه فرایند تصمیم گیری وجود دارد که برای پشتیبانی از آن باید تلاش کرد؟" تصمیم ممکن است تکراری و همیشگی و یا لحظه ای و یک باره باشد .تمرکز پشتیبان تصمیم گیری بر این فرض استوار است که مشکلی که مدیران با آن مواجهند بی اهمیت نیست و نمی تواند بصورت خودکار بروز کند. این دیدگاه نیازمند توسعه ابزارهای روش شنلاسی برالی تصمیم گیریهای کلیدی میران و تعریف اطلاعاتی است که میتواند یا باید در دسترس مدیران باشد البته در طول زمان سطح درک ما افزایش می یابد و شاید بسیاری ازمشکلاتی که ما امروزه به طور مرحله ای و سیستمی با آن مواجهیم به یک کاربر یا راینه واگذار گردد.
نمونه بارز این روند ، سود سپرده است .بیشتر بانک ها و شرکتهای وام دهنده روشهای ساده ای دارند که بر اساس داده های آماری و گزارشهای اعتباری پشتیبانی شده استوار می باشد که جایگزین قضاوتهای اولیه مدیران ارشد وام دهنده می گردد.مادامی که مشکل صرفا ساختار یافته بوده و مدیران در درک و سطح نیازمندیهایشان به بلوغ رسیده به به عنوان یک سیستمDSS باید همواره به عنوان کاربر سازگار و یاد گیرنده رشد و تکامل داشته باشد.این ماهیت خود است که بر ساخت نوعی از نرم افزار دلالت دارد که بتواند در سازمان به اجرا درآمده و باقی بماند.(ص58-59)
گوری و اسکات مورتون (7) چهارچوبی را برای ویژگی های نیمه ساختار یافته این تعریف سیستم پشتیبان تصمیم گیری ارائه نمودند.انها کار سیمون و نویل را با با جهارجوبی از فرایند تصمیم گیری ساختار یافته و غیر ساختار یافته ارتباط دادند.یک مشکل کاملا ساختار یافته موردی است که تمام سه مرحله فرایند تصمیم گیری (هوش ، طراحی و انتخاب ) برای آن ساختار یافته است. برای
یک مشکل کاملا ساختار نیافته مراحل تصمیم گیری کاملا ساختار نیافته می باشد. برای یک مشکل نیمه ساختار یافته یک یا دو مورد (نه همه آنها ) از مراحل تصمیم گیری ساختار نیافته می باشد. آنها سیستم های اطلاعاتی را به عنوان سیستم های ساختار یافته تصمیم گیری((SDS که قویا ساختار یافته می باشند تعریف می کنند، در حالی که سیستم های نیمه ساختار یافته و ساختار نیافته را به عنوان DSS معرفی می کنند مبادله اطلاعات از این طبقه بندی ساختار یافته و ساختار نیافته حذف گردید.فعالیت مبادله اطلاعات در یک سازمان یعنی اینکه در آن سازمان رایانه مورد نظر به امر مبادله داده های سر راست (البته نه از طریق تصمیم خارجی )اختصاص داده می شود.مثل فرایند حقوق و دستمزد. هر دو فرایند SDS و مبادله اطلاعات قویا ، محصول پردازش اطلاعات یا فعالیتهای سیستم فرایند تبادل(TPS) می باشد.این دیدگاه بیان میدارد که هر سیستم اطلاعاتی که به عنوان SDS/TPS نباشد ، بیشتر به عنوان DSSشناخته می شود (پاور 12،ص19).بنابراین تعریف یک DSS دارای شرایط 1 طبقات استفاده و
2 – حرکت در طول زنجیره ساختار یافته / ساختار نیافته می باشد.به علاوه DSS به معنای واقعی به دو دسته تقسیم می گردد : DSS نهادی (سازمانی) که با تصمیم های با ماهیت دوره ای و تکراری در تعامل می باشد و DSS موقت که با تصمیمات خاص که معمولا قابل پیش بینی نبوده و دوره ای نیستند( لحظه ای هستند) در تعامل می باشد(5و8 ص5." تغییر مشکلات به سمت ساختاریافتگی از زمان شروع دانش مدیریت در حال پیشرفت بوده است "(8ص92).ظهور DSS این حرکت را بیشتر از گذشته تسهیل می کند . تکامل و حرکت DSS به سمت قابلیت های جداسازی شده SDS/TPS شاخص بزرگی از تغییرات به سمت ساختار یافتگی در این طیف است.
مطابق این تجزیه و تحلیل ، برنامه کاربردی DSSS از ابزارDSS متمایز می باشد.ابزار DSS همچنین به عنوان ژنراتور DSS شناخته می شود .که شامل نرم افزارهای رایانه ای است که از آن در ایجاد برنامه کاربردی مخصوص DSS استفاده می گردد.ابزار یک فناوری توانمند است. برنامه کاربردی سیستمی است که واقعا کار را انجام می دهد و اطلاعات مورد نیاز تصمیم گیرنده را ذخیره می کند .ناحیه DSS تغییرات ساختاری خیلی عمیقی مثل ابزارهای فناوری را دارا
می باشد(6).سیستم های پشتیبانی تصمیم گیری امروزی ، از انواع کامپیوتر هایی استفاده می کنند که بر اساس ابزارها ، ایجاد بر نامه های کاربردی پیشرفته DSS را ممکن می سازد.(11)ابزار سیستم اطلاعاتی که در یک زمان توسط تمرکز اولیه برای ساختن DSS مورد استفاده قرار می گیرد، در زمان بعد ممکن است در درجه اول به عنوان استفاده اش از SDS/TPS برای یافت گردد.از انجا که
در ابتدا ابزار برای استفاده در ساختمان یک DSS ساخته شده است ، گمان نمی
رود که تمام سیستم های اطلاعاتی متعاقبا با استفاده از ابزارهای DSS ساخته شده باشند.در واقع تعریف اساسی از DSS بایستی در تبیین آن به کار رود
نه در کاربرد آن.
مراحل جذب فناوری اطلاعات:
مدیران سیستم های اطلاعاتی باید انتظار داشته باشند که تکنولوژی جدید ایجاد شده یا تکامل یافته کامپیوتری اغلب به راه های مختلف جذب سازمان خواهد شد.اپل گیت ، مک فارلن و مکنزی (1، ص 226) فرایند جذب تکنولوژی های اطلاعات
در حال ظهور در سازمان را به طور خلاصه بیان می کنند..این مثال شامل یک سری مراحل است که طی آن فناوری جدید شناسایی شده ، جذب شده و نهادینه می گردد.آنها چهار مرحله را شرح دادند: 1 - شناسایی تکنولوژی 2 – آموزش تکنولوژی و سازگاری 3 – کنترل سازگاری با اصول عقلانی مدیریت 4 – انتقال تکنولوژی بلوغ/ توسعه. مرحله شناسایی تکنولوژی ، ابزارهای سیستم های اطلاعاتی جدید را بررسی کرده ، آن ابزارها را مورد آزمایش قرار داده و منجر به مطلوبیت دستیابی به تکنولوژی می گردد.
مرحله آموزش فنآوری و سازگاری یا انطباق ، شامل کسب دانش چگونگی گسترش تکنولوژی در فرصت های بالاتر از سیستم های اطلاعاتی پروژه های ارزیابی شده اولیه می باشد. مرحله سوم ،شامل ادامه تکامل برنامه های کاربردی تکنولوژی و توسعه کنترل ها به منظور راهنمایی طرح ها و اجرای سیستم هایی است که این تکنولوژی را بکار میگیرند. مرحله چهارم (انتقال تکنولوژی بلوغ/ توسعه ) وقتی رخ می دهد که تکنولوژی سراسر سازمان را در بر بگیرد. در خلال مرحله اول ( شناسایی تکنولوژی ) پروژه های آزمایشی معمولا در سطح بر نامه ریزی استراتژیک سازمان اجرا می گردد.خصوصا جایی که یک پروژه واحد به عنوان ضامن کلیدی اجرایی به انجام برسد.هنگامی که مرحله انتقال تکنولوژی بلوغ / توسعه رخ داده است تکنولوژی عموما در همه سازمان و خصوصا در سطح کنترل عملیاتی توسط بسیاری از کاربران در سازمان مورد استفاده قرار می گیرد.
مشابه آنچه که برای توسعه ابزارهای دیگر سیستم های اطلاعاتی وجود دارد ، این مراحل جذب نیز نقش اصلی را به عنوان ابزار کار در توسعه و کاربرد DSS در سازمانها ایفا می کند.
جذب ابزارهای فناوری اطلاعات، زمانی که برای اولین بار وارد یک سازمان در مراحل 1 و 2 شود می تواند در درجه اول به عنوان یک ابزار DSS مطرح باشد تا پس از آن به طرف مرحله SDS/TPS و سپس مرحله چهارم گسترش یابد. با این نوع جذب حیطه SDS/TPS گسترش یافته ، شاخص های اصلی فناوری های DSS به مرحله 4 رسیده و به عنوان یک TPS استقرار یافته که شامل تعدادی از کاربران
و چگونگی نحوه پشتیبانی سیستم می باشد.این گسترش از زمان اولین نرم افزار پردازش داده ها در سال 1950 شروع شده است .
افزایش قدرت محاسباتی و کاهش هزینه برای قابلیت پردازش آن ، یک کلید محرکه سوق دهنده تکنولوژی و ابزارهای اولیه کاربرد DSS به سوی برنامه های کاربردی SDS/TPS می باشد.این تکامل احتمالا به عنوان فصول قانون مور (9) رخ داده و در ادامه شرح تکامل فناوری رایانه می باشد.برای مثال جذب نرم افزار صفحه گسترده را به عنوان یک ابزار پر طرفدار در نظر بگیرید. در اولین روزهای استفاده از نرم افزار VISI CALC تعداد کمی کامپیوتر شخصی در سازمان وجود داشت. VISI CALCابتدا برای پشتیبانی از مدیران اجرایی در سطح برنامه ریزی استراتژیک بکار گرفته شد(مرحله 1).از آنجایی که این تکنولوژی با استفاده سازمان از آن تکامل می یابد ، برنامه صفحه گسترده اکسل مایکرو سافت (یا نظیر آن ) هم اکنون صرف نظر از سطح هر یک از کاربران سازمان ، بر روی دسکتاب کامپیوتر آنان قرار دارد(مرحله 4). بنابراین یک ابزار صفحه گسترده که زمانی فقط برای استفاده مدیریت ارشد سازمان بوده است ، امروزه یک ابزار روزمره برای تمام کاربران رایانه ها می باشد.وقتی فناوری اطلاعات در مرحله 1
به عنوان یک ابزار کاربردی DSS معرفی گردید ، بر اساس الگوی استفاده سازمان به مرحله 4 رسیده سپس می بایست سیستم برای آنچه که برای ان در نظر گرفته شده است به رسمیت شناخته شود.به این معنا که برنامه SDS/TPS جایگزین خوبی برای نرم افزار DSS می باشد.
پویایی جذب فناوری اطلاعات
پس از این که تکنولوژی توسعه یافت و از طریق مراحل جذب ارتقاء پیدا کرد ، این تکنولوژی از مرحله معرفی اولیه تا استفاده گسترده و فراگیر نهادی و سازمانی تکامل می یابد. بخشی از تکنولوژی که با DSS معرفی می شود احتمالا به استقرار SDS/TPS می انجامد.
یک سیستم اطلاعاتی تکنولوژیکی ( TEIS ) یک سیستم SDS/TPS می باشد که شامل ابزارهای استقرار یافته و تکنیک هایی است که از مرحله 1 تا 4 فرایند توسعه DSS تکامل یافته است. با توجه به ایده پا ور (12) ، " DSS در بسیاری از
سیستم های عامل تعاملی TP)) به صورت متفاوت وجود دارد.برای مثال یک سیستم پر طرفدار که گسترش یافته است برنامه ریزی منابع سازمانی (ERP) است .برنامه
ریزی منابع سازمانی (ERP) حتی اگر نشان دهنده اصلاح تصمیم گیری و برنامه ریزی باشد نمی تواند به عنوان DSS مطرح باشد . به طور کلی برنامه ریزی منابع سازمانی (ERP) ، یک سیستم TPS ادغام شده می باشد که جریان اطلاعات را بین قسمت های وظیفه ای یک کسب و کار تسهیل می کند "(. به عبارت دیگر ، بسیاری از سیستم هایی که در رده DSS قرار می گیرند به عنوان سیستم پیشرفته فناوری اطلاعات (TEIS) مطرح هستند که نشان دهنده استقرار تصمیم گیری در سیستم اطلاعات می باشد.این یک پیشرفت طبیعی ابزارهای DSS به سوی ابزارهای SDS/TPS میباشد.آنچه که به عنوان لبه برش DSS شناخته می شود فقط به عنوان یک SDS/TPS روزمره است.بهتر است مدیران امروزه برای داشتن یک مجموعه مشخص از ابزارها برنامه ریزی کنند و در 5 سال آینده نیز برای یک مجموعه کاملا متفاوت از ابزارها برنامه ریزی نمایند (3) .هیچ دلیلی برای انتظار این پیشرفت سیستم های فرایندی SDS/TPS که به زودی فرا میرسد وجود ندارد.
برنامه های کاربردی سیستم اطلاعات را می توان یک زنجیره از SDS/TPS تا DSS در نظر گرفت .شکل 1 نشان می دهد که انتقال تکنولوژی DSS تک منظوره وسیله ای برای تسهیل فعالیتهای جذب را از مرحله 1 تا 2 فراهم میکند و محیطی را که در آن یک پروژه به عنوان کلید پشتیبان اجرایی مطرح است آماده می کند.سپس ابزار DSS در سطوح پایین تر در درون سازمان مورد استفاده قرار می گیرد
ابزارهای DSS موقتی و یک باره
نهادی و سازمانی
شکل 1 – جذب تکنولوژی ابزار های DSS
این تا حد زیادی پایه کاربردی را که در مقیاس بزرگ با DSS در ارتباط است توسعه می دهد.در حال حاضر DSS به سوی SDS/TPS توسعه یافته است و در سازمان مستقر شده و تکامل آن حفظ شده است . توان تکنولوژی به مرحله چهارم از فرایند انتقال بلوغ /توسعه رسیده و برنامه کاربردی توسعه یافته و مستقر شده است و از قدرت تکنولوژی برای ابزار اولیه DSS استفاده می کند.که این توانایی شامل ETIS است که نمایانگر مشخصات یک سیستم SDS/TPS می باشد.
تمایز بین DSS و SDS/TPS بسیار حائز اهمیت است چرا که کلیدهای متعدد و متفاوتی بین توسعه و بقای یک سیستم DSS در مقایسه با دیگر سیستم های SDS/TPS به شرح زیر وجود دارد(8، ص 9 :
1 – افراد مشغول در ساخت DSS نیازمند مهارتها و نگرش های مختلف نسبت به ساخت SDS/TPS می باشند.
2 – تکنولوژی که از DSS پشتیبانی می کند در خصوص نگهداری و بهره برداری موثر سیستم با SDS/TPS متفاوت است.
3 – مدل هایی که در تصمیم گیری در سیستم DSS به مدیران کمک می کنند ممکن است با الگو های بهینه سازی سیستم SDS/TPS به طور قابل ملاحظه ای متفاوت باشد.
4 – فرایندهایی که به وسیله سیستم DSS به دنبال روشهای تکمیلی توسعه یافته است ، نسبت به تحویل نهایی محصول سیستم SDS/TPS (که ناشی از استفاده های مکرر از آن است متفاوت می باشد.
اگر چه تکنولوژی پیشرفت کرده است اما ویژگی هایش معتبر باقی مانده است.یک رده از DSS مشخص را به عنوان سیستم اطلاعات اجرایی (EIS ) ، در نظر بگیرید که دارای قابلیت های خود جداسازی شده در نرم افزار SAP R/3 یک شرکت یاشد
(2 ، ص319 و 320 ).نرم افزار ERP سازمان نرم افزاری است که ابتدا سازمان را با مجموع ه ای از قابلیتهای TPS مواجه می کند.این شاخصی از استقرار تکنولوژی DSS در سیستم TPS و نشان دهنده پویایی جذب تکنولوژی است.در اینجا ERP یک TEIS است که شامل ظرفیت EIS بوده و در ابتدا به عنوان یک نوع از DSS مطرح بوده و توسعه یافته است اما سیستم نرم افزار SAP R/3 یک DSS نیست.( نکته: نرم افزار SAP R/3 نرم افزار نسخه سوم SAP است که برنامه ریزی منابع سازمان را انجام می دهد).
یکی دیگر از نمونه های TEIS ،برنامه اکسپرس آمریکا (American Express application)از تکنولوژی سیستم خبره می باشد(4).ابزارهای سیستم خبره ابزارهای اولیه برای ساختن یک سیستم DSS خاص است .این مثال نشان دهنده توسعه و بکارگیری و پشتیبانی از TEIS است.هنگامی که ابزارهای DSS در این شیوه در ابعاد بزرگ به کار گرفته شوند، آنها قادر هستند از طریق فرایند های
اجرا و نگهداری ، استفاده از SDS/TPS را تنظیم کنند. پشتیبانی مداوم و نگهداری از یک سیستم DSS به یک سیستم TPS قابل تغییر است در نتیجه این مثال یک سیستم DSS نیست.
ولز و هس (14) 0DSS ذخیره داده ها را تشریح کردند که در سازمانهای ارائه دهنده خدمات مالی کاربرد دارد.آنها این مورد را به عنوان یک DSS ذخیره داده ها در مقیاس بزرگ توصیف می کنند که در دسته DSS های سازمانی (نهادی )
تقسیم بندی می گردد.این برنامه کاربردی DSS توسط 1500 نفر از مشاوران مالی مورد استفاده قرار می گیرد .این برنامه هر هفته برای 60 نفرا زمشتریان
متقاضی، خدمات ارائه می کند.این برنامه به عنوان نرم افزار CRM (مدیریت ارتباط با مشتری ) شناخته می شود. این نرم افزار اطلاعات مورد نیاز برای پشتیبانی مشاوران اراده نمی کند و اگر مشاوران احساس کنند که محصول تولید شده مناسب نیست ، آنگاه از دیگر سیستم های خروجی و منابع برای شکل دادن به توصیه های مختلف استفاده می کنند. بر اساس تعریف سیستم باید اطلاعاتی را ارائه کند که تصمیم گیری را پشتیبانی نماید .این گزارش DSS ذخیره داده ها
، نتایجی را که بر اساس یک سیستم SDS ساخته شده و تعبیه شده است ارائه می کند. ابزار ذخیره داده ها (DW) در توسعه سیستم به کار گرفته میشود و این
ابزار غالبا در سیستم DSS استفاده می گردد . به هر حال این استفاده از ابزار نتایج را در SDS بهتر از DSS نشان می دهد.این کار نشان می دهد که TEIS یک سیستم SDS است و DSS نیست.
جذب ابزارهای DSS به سمت SDS/TPS موجب تغییر اهداف برخی از ویژگی های DSS می گردد. این خوب است یا بد؟اگر اطلاعات بهتر که منجر به پشتیبانی فعالیتهای مدیران یک سازمان میشود ارائه شده باشد ، این وجه خوب قضیه است .به هر حال این حالت وضوح و شفافیت تشخیص این موضوع را که نقطه پایان SDS/TPS و آغاز DSS کجاست بیشتر با مشکل مواجه می کند . حد وسط مرحله ای که در این خصوص وجود دارد این است که جابجایی تکنولوژی به طور مداوم ، به برنامه های کاربردی هردو سیستم DSS و SDS/ TPS اجازه گسترش و توسعه می دهد.
خلاصه بحث
DSS فناوری اطلاعاتی است که در یک سازمان به شیوه مشابه سایر تکنولوژی های اطلاعات جذب می گردد. با این حال هنگامی که در ابتدا یک تکنولوژی به عنوان فناوری DSS معرفی می گردد به مرحله بلوغ یا انتقال تکنولوژی توسعه یافته می رسد، این استقرار اولیه به عنوان ابزارهای DSS احتمالا مهاجرت به سمت تکنولوژی SDS/TPS را تکمیل کرده است.مدیران سیستم های اطلاعاتی باید
انتظار ایجاد و توسعه تکنولوژی جدید رایانه ای را داشته باشند.این تکنولوژی اغلب در سازمان به عنوان ابزارهای DSS مستقر شده که باعث ورود سازمان به سطح برنامه ریزی استراتژیک می گردد. پس از آنکه موفقیت این مرحله به اثبات رسید ، احتمالا استفاده از برنامه های DSS در سطوح پایین تر سلسله مراتب سازمان امکان پذیر است یعنی جایی که این برنامه ها در مقیاس بزرگ DSS نهادی یا سازمانی بویا همه ویژ گیهای SDS/TPS مورد استفاده قرار گیرد.
ابزار DSS به عنوان بخشی جدایی ناپذیر از SDS/TPS مطرح می گردد و در نتیجه به طور خلاصه نرم افزار به عنوان DSS نهادی شناخته می گردد. این ادغام در مقیاس بزرگ به کار گرفته میشود سپس به گسترش یکپارچه سیستم نیاز دارد و بقا و نگهداری آن مستلزم وجود سایر برنامه های کاربردی در مقیاس بزرگ است .رابطه بین سازندگان سیستم و کاربران آن هم اکنون مانند SDS/TPS است، و چنین جذب و یکپارچه سازی قابل قبول است . در نتیجه مجموعه ابزارهای DSS و برنامه های نرم افزاری پویا بوده و می بایست قابلیت سازگاری را با تغییرات پیشرفت تکنولوژی اطلاعات که به منظور استفاده از ساختمان و استقرار DSS رخ می دهد داشته باشد. به رسمیت شناختن این فرایند جذب فناوری اطلاعات ، یک راهنمایی و نقشه راه را برای تغییرات به منظور نگهداری و حمایت از یک سیستم TEIS ارائه می کند که این TEIS از مرحله DSS به مرحله SDS/TPS توسعه یافته است.سپس این برنامه های کاربردی برای تمرکز بر روی فعالیتهای تصمیم گیری ساختار نیافته و نیمه ساختار یافته ، به تعریف اصلی خود بر می گردند.بدیهی است که هر برنامه کاربردی که از ابزار سیستم های اطلاعاتی جدید نوظهور استفاده نماید ، نبایستی بلا فاصله به عنوان یک سیستم DSS از ؟آن نام برد.
منابع
1. Applegate, L. M., McFarlan, F. W., and McKenney, J.L. (1999). Corporate information
systems management: Text and cases. Boston: Irwin/McGraw-Hill.
2. ASAP World Consultancy (1996). Special Edition Using SAP R/3, Indianapolis, IN: Que
Corporation.
3. Darling, C.B. (1996, April 15). Build an app dev framework for DSS, Datamation, 82-87.
4. Ditlea, S. (1992, December 1). How AMEX leverages technology assets, Datamation, 95-96.
5. Donovan, J. & Madnick, S. (1977). Institutional and ad hoc DSS and their effective use,
Database, 8(3), 79-88.
6. Eom S. B. (1999). Decision support systems research: current state and trends, Industrial
Management & Data Systems, 99(5), 213-220.
7. Gorry, G. A., & Scott Morton, M. S. (1989). A framework for management information
systems. Sloan Management Review, 31(3), 49-61.
8. Keen, P. G. W., & Scott Morton, M. S. (197. Decision support systems: An organizational
perspective. Reading, MA: Addison-Wesley.
9. Kren, Lawrence (2002). Upholding Moore’s Law. Machine Design, 74(2), s30.
10. Marakas, G. M. (2003). Decision support systems in the 21st century (2nd ed.) Upper Saddle
River, NJ: Prentice-Hall.
11. Nemhauser, G. L. (1993, May). The age of optimization: solving large-scale real world
problems, TIMS/ORSA Joint National Meeting, Chicago, IL (May 7).
12. Power, D. J. (2002). Decision support systems: Concepts and resources for managers.
Westport, CN: Quorum Books.
13. Sprague, R. H., & Carlson, E. D. (1982). Building Effective Decision Support Systems,
Englewood Cliffs, NJ: Prentice Hall.
14. Wells, J. D. & Hess, T. J. (2002). Understanding decision-making in data warehousing and
related decision support systems: an explanatory study of customer relationship
management application, Information Resources Management Journal, 15(4), 16-32
مولفین:
راجر ال .هین ، دانشگاه مرکزی میشیگان
مونیکا سی. هولمز ، دانشگاه مرکزی میشیگان
جیمز پی . اسکات ، دانشگاه مرکزی میشیگان
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم پشتیبان تصمیم گیری
ارسال شده توسط احمد محمدی | 4 11, 2013 | بازدید‌ها (1288)
سیستم پشتیبان تصمیم گیری
انواع سیستم های اطلاعاتی
سیستمهای پردازش تراکنش TPS
سیستم های اطلاعات مدیریتMIS
سیستم های پشتیبان تصمیم گیری DSS
سیستم های پشتیبان مدیران ارشد ESS
سیستم پشتیبان تصمیم گیری (DSS) چیست؟
تعریف سیستم پشتیبانی از تصمیم (Dss: Decision support system)
مجموعه ای از برنامه ها و داده های مرتبط بهم که برای کمک به تحلیل و تصمیم گیری طراحی می شوند.کمک این گونه سیستم ها در تصمیم گیری بیش از سیستم های مدیریت اطلاعات (MIS) یا سیستم های اطلاعات اجرایی(EIS) است.
اجزای DSS :
این سیستم ها دارای یک بانک اطلاعاتی متشکل از دانش موجود درباره ی موضوع و یک زبان که برای فرموله کردن مسائل و پرسش بکار میرود و یک برنامه مدلسازی برای ازمایش تصمیمات ممکن هستند.
هر سیستم پشتیبان تصمیم گیری دستیابی به سه هدف اصلی را دنبال می کند:
1) کمک به مدیر برای تصمیم گیری در مورد مسائل نیمه ساخت یافته
2) پشتیبانی تصمیم گیری انجام شده توسط مدیر و نه جایگزینی ان
3) بهبود کارائی تصمیم گیری و توجه بیشتر به اثر بخشی ان
اجزای DSS
1- بانک مدلها
2- بانک اطلاعاتی
a. داده های خارجی
b. داده های داخلی
3- سیستم مدیریت بانک اطلاعاتی
4- سیستم مدیریت مدلها
5- نرم افزار مدیریت
فرآیند DSS
الف)یکی از مهم ترین سیستمهای اطلاعاتی است که مدیران رده بالای هر سطح سازمان را در امر تصمیم گیری وهدایت سیستم، یاری می کند. DSS پشتیبان، تصمیم گیری های مدیر است و تصمیم گیری نهایی با مدیر است.
ب)
Data Analysis
Data Mining
Intelligent Agent
نرم افزار های گروه گرا(GroupWare) :
نرم افزاری که به گروهی از کاربران یک شبکه امکان میدهد تا در رابطه با یک پروژه ی خاص با یکدیگر همکاری کنند. این گونه نرم افزار ها ممکن است خدماتی برای بر قراری ارتباط (مثلا پست الکترونیکی) و تئلید جمعی سند ها و زمان بندی و پیگیری فراهم کنند.سندها ممکن است حاوی متن و تصاویر یا دیگر اشکال اطلاعاتی باشند.
نرم افزار گروه گرا :که امکان فعالیت چندین حل کننده ی مسئله را در کنار هم برای هر راه حل فراهم می کند که در این مورد به عنوان سیستم پشتیبان تصمیم گیری گروهی بکار می رود.
این سیستم پشتیبان تصمیم گیری از بخش های زیر تشکیل شده است:
-مدیریت تقاضا و مدیریت ارشد
-برنامه ریزی احتیاجات مواد(MRP)
-کنترل فعالیت های تولید/ زمانبندی تامین کنندگان
-بانک اطلاعات
-زمانبندی خط مونتاژ
-هماهنگ کننده کارخانه
-رابط کاربر
هدف
اصلی ایجاد یک سیستم پشتیبان تصمیم گیری برای کمک به زمانبندی تولید خط مونتاژ نهایی است به نحوی که تصمیم گیرنده بتواند امر هماهنگی تمامی اجزای کارخانه را طوری انجام بدهد که:
1) از موجودی انبارها بتواند یک برنامه تولیدی استخراج نماید
2) از موجودی های در جریان ساخت و انبار محصول نیمه ساخته بهترین استفاده را بنماید
3) فیدبک های لازم را در جهت تعیین بهترین برنامه خطوط مونتاژ ارائه دهد
4 ) پیشنهادات سفارشات جدید رد یا قبول نماید
5) در مقابل حوادث برهم زننده برنامه ریزی تولید واکنش نشان دهد
FCDSS طراحی شده شامل دو بخش زیر می باشد
۱. زمانبندی و ارسال کننده سطح کارخانه : توسعه خطوط راهنمای زمانبندی در سطح
کارخانه و بکارگیری آن برای تهیه برنامه زمانبندی زمان واقعی برای کارگاه ها و خطوط مونتاژ
۲ . نظارت کننده سطح کارخانه: نظارت بر پیشرفت جریان تولید
الگوریتم فرآیند پشتیبانی تصمیم گیری
گام
۱ ( با انتخاب یک محصول به عنوان محصول مورد نظر برای تولید، DSS ابتدا با
بررسی فایل وضعیت اطلاعات مقایسه ای میان میزان دردسترس بودن مواد موجود در کارخانه با مواد مورد نیاز تولید آن محصول بر اساس لیست مواد(BOM) آن صورت می دهد و فایل میزان دردسترس بودن را استخراج و عمل تفکیک بین قطعات دردسترس و غیر دردسترس (مورد نیاز به ساخت) را صورت خواهد داد. این میزان، شاخصی برای امکان تولید آن محصول بر اساس وضعیت موجود کارخانه است.
پنج مورد از خصوصیات سیستمهای DSS
1-یک سیستم پشتیبان تصمیم ، با کنار هم قرار دادن افکار انسانی و اطلاعات رایانه‎ای، از تصمیم‎گیرندگان حمایت و پشتیبانی می‎کند.
2- این سیستمها برای پشتیبانی سطوح گوناگون مدیریت، از مدیران ارشد تا عملیاتی ارائه می شود.
3-انعطاف پذیر است.
4- قدرت ریسک را بالا می برد.
5- سبب بهبود بخشیدن دقت، کیفیت، بروز بودن تصمیمات در تصمیم گیری می شود
DSS اولین بار در سالهای 1970 توسط آقای Lester مطرح شد.
از بدو ظهور ایده تصمیم گیری به کمک کامپیوتر در انستیتو تکنولوژی کارنگی "CARNEGIE" تا به امروز، تعاریف متعددی برای DSS پیشنهاد شده است . این تعددتعابیر تاحدودی به سیر تکاملی این رویکرد بازمی گردد. تعاریف اولیه بیشتر بر قابلیت DSS درحل مسائل نیمه ساختاریافته تمرکز داشته اند و تعاریف بعدی اجزای اصلی سیستم و فرایند طراحی آن را موردتوجه قرار داده اند. دلیل
دیگر این اختلاف ، در زوایای نگرش متفاوت به موضوع نهفته است .
مفهوم سیستم تصمیم یار همان گونه که گفته شد سیستم های اطلاعات مدیریت اشکالاتی دارد که سیستم های پشتیبانی تصمیم برای رفع آنها بوجود آمده است. سیستم اطلاعات مدیریت به منظورتدارک پشتیبانی شخصی برای هر مدیرنمی باشد. این ضعف سیستم اطلاعات مدیریت، اقداماتی را باعث شد که منتهی به مفهوم سیستم پشتیبانی تصمیم گشت.
مفهوم
سیستم پشتیبانی تصمیم ،شکستهای اولیه سیستم اطلاعات مدیریت راتجربه نکرد. به احتمال قوی دلیل اصلی آن، دامنه محدودترسیستم پشتیبانی تصمیم است. برخورد ملایم تر سیستم پشتیبانی تصمیم، شانس موفقیت خود را حداکثر می کند.
این سیستمها ، منابع انسانی (اگاهیهای فردی ) را با قابلیتهای کامپیوتری ترکیب میکنند تا باعث ارتقاء کیفیت تصمیم گیریها مخصوصا در مورد مسائل نیمه ساخت یافته شوند.
سیستم‌های پشتیبانی تصمیم، سیستم‌هایی هستند که منابع فکری افراد را با قابلیت‌های کامپیوتر، جهت بهبود کیفیت تصمیمات به کار می‌گیرند. این سیستم‌ها، معمولاً برای حل مسائل نیمه ساخت یافته به کار می‌روند.
سیستم‌های پشتیبانی تصمیم، سیستمهای تعاملی مبتنی بر کامپیوتر می ‌باشند که تصمیم‌گیران را یاری می‌کنند تا با به‌کارگیری داده‌ها و مدل‌ها، مسائل نیمه‌ساخت‌یافته را حل نمایند.
به طور خلاصه می توان سیستمهای حمایت ازتصمیم(DSS)را به این گونه ها تعریف کرد :
این سیستمها ، منابع انسانی (اگاهیهای فردی) را با قابلیتهای کامپیوتری ترکیب میکنند تا باعث ارتقاء کیفیت تصمیم گیریها مخصوصا در مورد مسائل نیمه ساخت یافته شوند .
سیستم پشتیبان تصمیم گیرا یک سیستم اطلاعاتی کامپیوتری دوطرفه (Interactive) است که انعطاف پذیر و وفق پذیر می باشد که بطور اختصاصی برای پشتیبانی حل یک مسئله غیرساخت یافته مدیریتی استفاده می شود .
خصوصیات کلی سیستمهای تصمیم یار :
• سیستمی است که به منظور پشتیبانی از تصمیم‌گیری نیمه‌ساخت‌یافته بکار می رود.
• بر خط (On-line) است .
• رابط کاربر و خروجی‌های گرافیکی می باشد .
• یک سیستم برپایه کامپیوتر است که از تکنولوژی ها و متدولوژی های کامپیوتری استفاده می کند .
• به تصمیم گیری کمک می کند ولی جایگزین فرد تصمیم گیر نمی شود.
• از پایگاههای داده ، مدلهای تحلیلی و محاسباتی و سیستم های خبره درحل مسائل استفاده می کند.
• قابلیت بکارگیری درحل مسائل نیمه ساختاریافته و بی ساختار را داراست ;
• قابلیت پشتیبانی از تصمیم گیریهای فردی و گروهی "GDSS" را دارد;
• برای کلیه سطوح مدیریتی قابل استفاده است ;
• دقت ، سرعت و کیفیت تصمیم گیری را بهبود می بخشد "بهبود اثربخشی " ولی درراندمان تصمیم گیری "هزینه تصمیم گیری " تاثیری ندارد;
• سیستم های DSS به سمت قابلیت های یادگیری و خلاقیت ، کارکرد شبکه ای و سهولت بهره برداری به پیش می رود
• DSS
، تصمیم گیران سازمان را با کنار هم آوردن قضاوت انسانی و اطلاعات کامپیوتری شده در حل مسائل ساخت یافته و نیمه ساخت یافته یاری می‌کند، که اینگونه مسائل قابل حل با سیستمهای کامپیوتری دیگر و یا ابزارها و متدهای استاندارد نیستند.
• پشتیبانی برای سطوح مختلف مدیریتی از سطوح استراتژیک گرفته تا مدیران عملیاتی فراهم می‌شود
• پشتیبانی هم برای تصمیم گیری انفرادی و هم تصمیم گیری گروهی وجود دارد .
• DSS برای چندین تصمیم گیری مرتبط با هم و یا تصمیم گیریهای متوالی پشتیبانی فراهم می‌‌کند.
• DSS
تمام مراحل تصمیم گیری را که: هوش (جستجوی شرایطی که نیاز به تصمیم گیری دارند) ، طراحی (اختراع، توسعه و بررسی گزینه‌های موجود برای پیاده کردن تصمیم) ، انتخاب ( انتخاب یکی از گزینه‌های ممکن) و پیاده سازی است را پشتیبانی می‌کند .
• انواع مختلف فرآیندهای تصمیم گیری را پشتیبانی می‌کند .

DSS انعطاف پذیر است طوریکه کاربران بر حسب تغییراتی که بوجود می‌آید می‌توانند سیستم را نسبت به نیاز خود شکل دهند، به این معنی که عناصر اصلی را اضافه، حذف، ترکیب و یا سازماندهی دوباره کنند.
• DSS در تلاش است که تاثیر گذار بودن تصمیم گیری یعنی دقت، بروز بودن تصمیمات را بهبود ببخشد.
• تصمیم گیرنده بر تمامی مراحل تصمیم گیری در حل یک مسئله تسلط دارد .
• DSS از مدلها برای ارزیابی موقعیتهای تصمیم گیری استفاده می‌کند. توانایی مدل کردن باعث می‌شود که استراتژیهای مختلف را در ترکیبها و شرایط مختلف بتوانیم بررسی کنیم .
• DSS دستیابی به انواع مختلف منابع داده با فرمتهای گوناگون را فراهم می‌کند
بطور کلی دلایل استفاده از سیستم DSS:
• محاسبه سریع: کامپیوتر به تصمیم گیرنده اجازه می‌دهد مقادیر بسیار زیادی از داده را در مدت زمان کوتاه و با هزینه کمی پردازش کند .
• غلبه بر محدودیتهای انسانی محاسبات و ذخیره سازی: مغز انسان در تجزیه و تحلیل اطلاعات و همچنین یادآوری آنها دارای محدودیت است .
• محدودیتهای انسانی: قدرت حل مسئله یک فرد دارای محدودیت است
• کاهش هزینه: کنار هم آوردن گروهی از تصمیم گیران مخصوصاً کارشناسان ممکن است هزینه زیادی داشته باشد
• پشتیبانی فنی: بسیاری از تصمیمات محاسبات پیچیده‌ای را می‌طلبند
• پشتیبانی کیفیت: سیستمهای کامپیوتری تصمیم گیرا می‌توانند کیفیت تصمیمات اتخاذ شده را بهبود بخشند.
• رقابت: فشار رقابتی تصمیم گیری را مشکل می‌کند
دلایل نیاز به سیستم های مکانیزه حمایت از تصمیم گیری:
1) محدودیتهای فکری بشر در پردازش وذخیره سازی: چون توانایی ذهن بشر در پردازش ذخیره ودسترسی به اطلاعات محدود است با استفاده ازاین سیستمها می توانیم این محدودیت را برطرف کنیم.
2) محدودیتهای دانش: اگر برای حل یک مساله نیاز به اطلاعات ودانشهای متنوعی باشد توانائی یک فرد در حل ان مسئله محدود میباشد و اگر بخواهیم از چندین متخصص در هر زمینه استفاده کنیم هماهنگی وارتباط بین این افراد مشکل خواهد بود.سیستمهای کامپیوتری این مشکلات را حل کرده ومی توانند به سرعت به حجم زیادی اطلاعات دسترسی پیدا کرده وانها راپردازش کنند همچنین میتوانند هماهنگی وارتباط بین ان افراد را اسان کنند.
3) کاهش هزینه: حمایت کامپیوتری باعث کاهش تعداد افراد گروه می شود وامکان برقراری ارتباط از مناطق مختلف را برای اعضای گروه فراهم می سازد و همچنین باعث افزایش بهره وری بخش ستادی میشود که همه این موارد منجر به کاهش هزینه خواهد شد.
4) حمایت فنی: کامپیوترها می توانند به سرعت وبه شکل مقرون به صرفه ای داده های لازم را جستجو وذخیره کنند یا انتقال دهند.
5) حمایت از کیفیت: سیستمهای کامپیوتری با اجرای سریع شبیه سازیهای پیچیده به مدیران کمک میکنند تا امکانها و راهکارهای گوناگون را بررسی وتاثیرات مختلف را به سرعت ومقرون به صرفه ارزیابی کنند واز این طریق کیفیت تصمیمها را بالا ببرند.
6) حاشیه رقابت_مهندسی مجدد فرایندها واختیارات: فناوریهای کامپیوتری در زمینه فشارهای رقابتی وتغییر در وضعیت عملیات سازمان ، مهندسی مجدد فرایندها وساختارها ، اختیارات کارکنان ونواوریها به مدیران اختیارهایی اعطا وانها را در اخذ تصمیم درست وسریع یاری می کنند.
فناوریهای اصلی پشتیبانی از تصمیم:
• سیستم حمایت از تصمیم (DSS)
• سیستم حمایت از تصمیم گروهی(GDSS)
• سیستمهای اطلاعات مدیریت عالی(EIS)
• سیستمهای خبره(ES)
• شبکه های عصبی مصنوعی(ANN)
• سیستمهای حمایت ترکیبی(MSS)
تعیین چهارچوبی برای پشتیبانی از تصمیم :
فرایندهای تصمیم گیری شامل سه نوع تصمیمات ساختار یافته (قابل برنامه ریزی) ، نیمه ساختار یافته ،ساختار نیافته(غیر قابل برنامه ریزی) است . فعالیتهای مدیریت
نیز شامل سه قسمت برنامه استراتزیک، کنترل مدیریت، کنترل عملیاتی می باشد.
از ترکیب این تصمیمات وفعالیتها حالتهای مختلفی بوجود می اید که برای هر حالت یک یا چند سیستم اطلاعاتی جوابگو می باشد.برای مثال زمانیکه تصمیم از نوع ساخت یافته باشد سیستمهای MIS، OR، TPS، DP جوابگو است یا اگر نیمه ساخت یافته باشد DSS مناسب می باشد.
پایگاه داده DSS
 DSSاز دادههای داخل ( پایگاه های داده سازمان) ، دادههای خارجی (اینترنت) و دادههای شخصی فرد تصمیمگیر استفاده مینماید.
 DSS می تواند خود دارای Database مستقل بوده یا از پایگاههای داده سازمان استفاده نماید
عناصر داخلی DSS
معرفی DSS در 4 فاز :
یک نمونه Framework برای تعیین سیستمهای مورد نیاز یک سازمان
نتیجه گیری کلی :
• یک DSS یک سیستم بسیار ضروری برای تمامی سازمانها ، به ویژه مدیریت سازمان می باشد .
• در حال حاضر کامل ترین سیستم برای یک سازمان ، DSS می باشد .
• DSS بطور مستقیم با مدیران در ارتباط است وبا پردازش انبوهی از داده ها ، گزینه های یک تصمیم را در اختیار او قرار می دهد .
• DSS در بستر IS تعریف و پیاده سازی می شود
مدیریت داده data managment
مدیریت داده کار ذخیره سازی و نگهداری از داده هایی را انجام می دهد که کاربر از طریق سیستم بر روی آنها تحلیل انجام می دهد. این بخش هم شامل یک پایگاه داده و هم نرم افزار مدیریت
پایگاه داده می شود. در واقع اطلاعات در بستر یک نرم افزار مدیریت پایگاه داده ذخیره سازی شده و مورد استفاده قرار می گیرند. اطلاعاتی که در DSS مورد استفاده قرار می گیرند معمولاً از سه منبع عمده تامین می شوند: قسمتی از اطلاعات، اطلاعات سازمانی هستند که بسته به هدف کاربر از بکارگیری سیستم
می تواند اطلاعات مختلفی را از محیط سازمان در بر بگیرد. معمولاً اطلاعات مورد نظر از پایگاه داده سازمانی و یا گاهی پایگاه داده تحلیلی بدست می آیند. بعضی از تصمیمات نیازمند استفاده از اطلاعات از منابع بیرونی مانند گزارشات دولتی، اینترنت و غیره هستند که به عنوان اطلاعات تکمیلی برای DSS مورد استفاده قرار می گیرند و آنها را اطلاعات بیرونی می نامند. همچنین گاهی می توان DSS هایی را طراحی کرد که اطلاعات را از کاربر دریافت می کند.
به عبارتی به جای استخراج اطلاعات از منابع مختلف سازمانی و برون سازمانی، کاربر اطلاعات خود را وارد پایگاه داده سیستم می کند.
مدیریت مدل Model managment
این جزء از DSS شامل مدلهای ذخیره شده در یک پایگاه مدل و نرم افزاری تحت عنوان سیستم مدیریت مدلها میشود که کار ایجاد و دسترسی به مدلها را بر عهده
دارد. و اما مدل چیست؟
در واقع یک مدل بازنمایی است از یک سری وقایع و شرایط محیطی. انسانها برای درک خود از محیط و جهانی که در آن زندگی می کنند
و درک پدیده های مرتبط با آن از مدلها استفاده می کنند. مدلهایی که بشر مورد استفاده قرار می دهد به چهار شکل می باشند:
1. مدلهای فیزیکی که در ابعادی معمولاً کوچکتر از اندازه واقی یک موجودیت یا یک شی ساخته می شود تا ویژگیهای آن را به نمایش گذارد. مانند ماکت یک ساختمان
2. مدلهای گرافیکی که به صورت تصویری یک واقعیت را بیان بیان می کند و مانند نقشه های جغرافیایی و یا نقشه یک ساختمان.
3.مدلهای تشریحی که با استفاده از گفتار و نوشتار به وصف یک پدیده یا حادثه یا یک شی می پردازد. برای مثال توصیفی که ما از یک حادثه رانندگی داریم و یا اخباری که هر روزه در روزنامه ها و تلویزیون اعلام می شوند.
4. مدلهای ریاضی که با تعریف تعدادی متغیر و تعیین نحوه تاثیر این متغیر ها بر یکدیگر تصمیم گیرندگان را در مدلسازی مسائل و راه حلهای ممکن یاری می
دهند.
سیستمهای DSS برای مدلسازی مسائل و راه حلهای آنها از مدلهای ریاضی استفاده می کنند.
مدلهای ریاضی خود از چند بعد قابل تقسیم بندی می باشند که در زیر به آنها اشاره می کنیم:
مدلهای ایستا در برابر مدلهای پویا : مدلهایی که در آنها زمان به عنوان یک متغیر تعریف شده باشد را مدلهای پویا می گوییم و مدلهایی که در آنها متغیر زمان وجود نداشته باشد را مدلهای ایستا می نامیم. برای مثال مدلی که میزان رشد فروش یک شرکت را در طی پنج سال آینده پیش بینی کند مدلی پویاست. ولی ترازنامه یک شرکت که دارائی های آن را در یک لحظه خاص از زمان مثلاً پایان سال کاری به نمایش می گذارد مدلی ایستا می باشد. مدلهای ایستا همانند عکس هستند که یک لحظه را ثبت می کنند و لیکن مدلهای پویا همانند تصویر متحرکند که شرایط را در زمانهای مختلف نشان می دهند.
مدلهای احتمالی در برابر مدلهای قطعی : در مدلهای قطعی احتمال رخ دادن هر واقعه ای یا صفر است
و یا یک. ولی در مدلهای احتمالی این احتمال از یک تا صفر متغیر است. مدلهایی احتمالی مدلهایی هستند درصدی از احتمال را برای وقوع رخدادی در نظر
می گیرند. برای مثال مدلهایی که در کنترل کیفیت مورد استفاده قرار می گیرند و یا مدلهای آماری از این نوعند.
مدلهای بهینه و مدلهای خرده بهینه : مدلهای بهینه مدلهایی هستند که بهترین راه حل را از بین گزینه های مختلف انتخاب می کنند. این مدلها را برای مسائلی می توان مورد استفاده قرار
داد که که به خوبی ساختارمند باشند. مدلهای خرده بهینه که گاهی مدلهای قانع کننده نیز نامیده می شوند همواره بهترین راه حل را ارائه نمی کنند بلکه راه حلهای مختلف و نسبتاً مناسبی را ارائه می کنند که در این حالت انتخاب نهایی به عهده کاربر خواهد بود.
DSS ها با ارائه مدلهای تصمیم گیری که به کاربر امکان تحلیل اطلاعات را به اشکال مختلف می دهد، فرایند تصمیم گیری را اثربخش تر می کند. مدلهایی که در یک DSS استفاده می شوند به نوع تصمیمات و نوع تحلیل مورد نیاز بستگی دارد. قسمت مدیریت مدلهای سیستم DSS مدلهای سیستم را ذخیره سازی و نگهداری می کند و وظایف آن شبیه به وظایف
سیستم مدیریت پایگاه داده نسبت به داده هاست. سیستم مدیریت مدلها نمی تواند تعیین کند کدام مدل برای حل یک مساله مناسب تر است ولیکن می تواند به کاربر کمک کند تا مدلها را با سرعت و به آسانی ایجاد و دستکاری کند.
واسط کاربری
واسط کاربری جزئی از سیستم است که به کاربر امکان می دهد با سیستم ارتباط برقرار کند. به عبارتی بخشی از سیستم است که به کاربر امکان می دهد دانش خود را با قابلیتهای پردازشیو ذخیره سازی سیستم در هم آمیزد. واسط کاربری قسمتی از سیستم است که کاربر آن را می بیند، و از طریق آن اطلاعات، دستورها و مدلها را وارد می کند و تنها قسمتی از سیستم است که مستقیماً با کاربر در ارتباط است.
استفاده از سیستمهای DSS باعث افزایش اثربخشی فرایند تصمیم گیری خواهد شد و در واقع این نوع از سیستمها مفهوم OLAP را مورد حمایت قرار می دهند. بکارگیری این سیستمها باعث خواهد شد هزینه های تصمیم گیری به علت استفاده از مدلهای مناسب توسط کاربر به میزان قابل ملاحظه ای کاهش یابد. در واقع کاربر به جای استفاده از روشهای آزمون و خطا که روشی بسیار پرهزینه برای تصمیم گیری است قبل از اینکه هرگونه اقدام عملی را انجام دهد نتایج را در قالب مدلهای مختلف خواهد دید.
استفاده از مدلهای ریاضی به علت پیچیدگی از محبوبیت چندانی برخوردار نیست و بسیاری از تصمیم گیرندگان به علت عدم تسلط کافی به استفاده از این مدلها تمایل چندانی به بکارگیری سیستمهای پشتیبان تصمیم گیری ندارند. برای حل این مشکل برای کار کردن با این سیستمها از واسط های کاربری گرافیکی استفاده می شود که درک و تقسیر آنها به راحتی صورت می پذیرد.
پست in سیستم های پشتیبان تصمیم گیری DSS | نظرات (0) | بازتاب (0)
سیستم های پشتیبانی تصمیم گیری گروهی (GDSS)
DSSکه قبلا شرح داده شد عمدتا بر تصمیم گیری فردی تأکید می کند. با این حال ،‌کار زیاد در مورد گروه های داخل شرکت ها انجام می شود که یک طبقه خاص از سیستم هایی موسوم به سیستم های پشتیبانی تصمیم گیری گروهی برای پشتیبانی از تصمیم گیری گروهی و سازمانی ابداع شده اند. یک GDSSدر سیستم مبتنی بر کامپیوتر تعاملی برای تسهیل حل مسائل غیرساختاری با استفاده از مجموعه ای از تصمیم گیرندگان با هم به عنوان یک گروه در مکان مشابه یا در مکان های مختلف می باشند .سیستم های مشترک و ابزارهای مبتنی بر وب برای ویدئوکنفرانس و جلسات الکترونیکی ذکر شده از برخی فرایندهای تصمیم گیری گروهی پشتیبانی می کند ،‌اما تأکید آنها عمدتا بر ارتباط می باشد. با این حال ،‌GDSS ابزارها و فن آوری ها را به صراحت در جهت تصمیم گیری گروهی فراهم می کند. جلسات برگزار شده GDSS در اتاق کنفرانس با ابزارهای نرم افزاری و سخت افزاری خاص برای سهولت تصمیم گیری گروهی برگزار می شوند. سخت افزار شامل تجهیزات شبکه و کامپیوتر ،‌پروژکتوربالای سروصفحه نمایش می باشند .تجهیزات نرم افراری جلسه الکترونیکی ،‌اسناد ،‌رده ها ،‌ویرایش ها ،‌و ذخیره ایده های ارائه شده در جلسه تصمیم گیری از آن جمله می باشند.

GDSS دقیق تر از یک تسهیل کننده حرفه ای استفاده می کند و پرسنل را پشتیبانی می کند. تسهیل کننده ابزارهای نرم افزاری را اتتخاب می کندو به سازمان دهیوبرگزاری جلسات کمک می کند. یک GDSS پیچیده به هر یک از شرکت کنندگان یک کامپیوتر روی میزی را می دهد که تحت کنترل فردی خودشان می باشد. هیچ کس قادر نیست آنچه افراد در کامپیوتر خود می ببننند را مشاهده کنند تا زمانی که برای به اشتراک گذاری اطلاعات آماده شوند. ورودی آنها در یک شبکه به یک سرور مرکزی ارسال می شود که اطلاعات ایجاد شده توسط جلسه را ذخیره کرده و در تمامی شبکه حجلسه موجود می باشد. داده ها همچنین می توانند در یک صفحه نمایش بزرگ در اتاق جلسه نمایش داده شوند.

GDSS افزایش اندازه جلسه و در عین حال افزایش بازدهی آن را امکان پذیر می کند چون افراد هم زمان در یک زمان مشارکت می کنند. یک GDSS جو مشارکتی را با تضمینگمنامیهمکاران ارتقا می دهد طوری که حضار بر ارزیابی ایده های خودشان بدون ترس از انتقاد یا رد آنها تأکید می کنند.ابزارهای نرم افزارGDSS از روش های سازمان یافته برای سازمان دهی و ارزیابی ایده ها و حفظ نتایج جلسات ،‌امکان به اشتراک گذاری داده های افراد غایب پس از جلسه استفاده می کنند. کارایی GDSS به ماهیت مسئله و گروه و نحوه طرح ریزی و اجرای یک جلسه بستگی دارد. سیستم های پشتیبانی تصمیم گیری گروهی (GDSS) به افراد کمک می کند با هم در یک گروه کار کنند تا تصمیمات را موثرتر اتخاذ کنند. و دارای امکانات اتاق کنفرانس ویژه ای است که در آن شرکت کنندگان ایده های خود را با استفاده از رایانه های شبکه و ابزارهای نرم افزاری برای سازماندهی ایده ها، جمع آوری اطلاعات، ساخت وتعیین اولویت، و مستند سازی جلسات جلسه کمک می کند.

 

نظرات کاربران

گروههای مقالات
اطلاعات تماس

میدان فاطمی خیابان گمنام بین ششم و هفتم پلاک ۳۴ واحد ۳

02174391800 09128581120 info@imennet.net