DÖNTÉSTÁMOGATÓ RENDSZEREK OKTATÁSÁNAK TAPASZTALATAI A FELSŐOKTATÁSBAN. Összefoglaló

Informatika a felsőoktatásban 2008

Debrecen, 2008. augusztus 27-29.

DÖNTÉSTÁMOGATÓ RENDSZEREK OKTATÁSÁNAK TAPASZTALATAI A FELSŐOKTATÁSBAN DECISION SUPPORT SYSTEMS – EDUCATIONAL EXPERIENCES

Sántáné-Tóth Edit1, Biró Miklós2, Gábor András2, Kő Andrea2 és Lovrics László2 1 Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2

Budapesti Corvinus Egyetem Információrendszerek Tanszék

Összefoglaló Az informatika fejlődésének jelen szakaszában a munkaerőpiacon az ügyviteli alkalmazottak helyett egyre keresettebbek az informatikailag jól képzett, a gazdasági folyamatokban tájékozott munkatársak. E munkatársak értékét növeli, ha képesek a döntések gazdasági környezetét és az adott szervezet üzleti folyamatait egymás kölcsönhatásában elemezni, ha képesek a problémákat meglátni és a megoldási módszerek közül választani, ha megfelelő önismerettel rendelkeznek, ha ismerik munkatársaik képességeit, munkastílusát, végül, ha jól tudnak együttműködni kollegáikkal a döntéshozatal során. A szerzők a Budapesti Corvinus Egyetemen (és elődjén, a Budapesti Közgazdaságtudományi Egyetemen) több mint tízéves, a Budapesti Műszaki Főiskolán hétéves oktatási tapasztalatot gyűjtöttek össze a döntéstámogató rendszerek oktatása terén. 2008-ban megjelent e témában egy szakkönyvük is a Panem Könyvkiadónál. Jelen dolgozatban a szerzők összefoglalják oktatási tapasztalataikat, rámutatnak, miben segítette őket (és hallgatóikat) a szakkönyv, foglalkoznak egy hallgató kritikai észrevételeivel, majd megfogalmazzák továbbfejlesztési elképzeléseiket.

Kulcsszavak Adatbányászat, döntéselmélet, döntéstámogató rendszerek, döntési modellek és technikák, OLAP, üzleti intelligencia, szakértő rendszerek, gépi tanulás, szemantikus WEB, tudásmenedzsment, oktatás

Abstract At the current stage of progress of information technology, there is a growing demand for staff members well trained in information technology and business processes to the detriment of traditional administrative personnel. It is a value-added if these staff members have the capability to analyse the interaction of the business environment of the decisions with the internal business processes of the organisation, if they can identify the problems and select the approporiate solution method, if they have the ability to recognise their own capabilities and that of their colleagues, if they can well collaborate in decision making. The authors of this paper have experiences in teaching decision support systems acquired over more than a decade at Corvinus University of Budapest (former Budapest University of Economic Sciences), and over seven years at Budapest Tech. Their professional book covering this field has been published by Panem Publishing House in 2008. In this paper, the authors summarize their teaching experiences, point to the way the book helped them and their students, indicate their further development plans taking into account the received constructive critics.

Keywords Data Mining, Decision Theory, Decision Support Systems, Decision Models and Techniques, OLAP, Business Intelligence, Expert Systems, Machine Learning, Semantic Web, Knowledge Management, Educatio

1


1.


Bevezetés

Az informatika fejlődésének jelen szakaszában a munkaerőpiacon az ügyviteli alkalmazottak helyett egyre keresettebbek az informatikailag jól képzett, a gazdasági folyamatokban tájékozott munkatársak. E munkatársak értékét növeli, ha képesek a döntések gazdasági környezetét és az adott szervezet üzleti folyamatait egymás kölcsönhatásában elemezni, ha képesek a problémákat meglátni és a megoldási módszerek közül választani, ha megfelelő önismerettel rendelkeznek, ha ismerik munkatársaik képességeit, munkastílusát, végül, ha jól tudnak együttműködni kollégáikkal a döntéshozatal során. Természetesen emellett ismerősnek kell lenni a döntéstámogatásban jelenleg felhasználható korszerű eszközök világában is. Egy ilyen szemléletmódot és közelítésmódot követve oktatjuk a döntéstámogató rendszerek c. tárgyat; ebben a szellemben fogant 2007 végén megjelent szakkönyvünk is (Sántáné-Tóth et al., 2008). Jelen cikk – és egyben a szakkönyv – szerzői a Budapesti Corvinus Egyetem (és elődje a Budapesti Közgazdaságtudományi Egyetem) Infomációrendszerek Tanszékén több mint tízéves, a Budapesti Műszaki Főiskola Neumann János Informatikai Karán (BMF NIK-en) hétéves oktatási tapasztalattal rendelkezünk a döntéstámogató rendszerek oktatása terén. Foglalkozunk főiskolai és egyetemi (vagyis alapés mesterszintű képzésben részt vevő) nappali és esti hallgatókkal, valamint másoddiplomás képzés keretében felnőttekkel is. Cikkünkben áttekintést nyújtunk előadásaink és gyakorlati foglalkozásaink anyagáról, rámutatva oktatási tapasztalatainkra, kiemelve néhány számunkra fontos momentumot, alkalmanként megemlítve szakkönyvünk felhasználásának tapasztalatait. Évente mindig újra átéljük, hogy a döntéstámogató rendszerek (mint minden, az informatikával integrálódott terület) intenzíven változik; ezt mind a leadott elméleti anyag, mind a gyakorlati foglalkozások tematikájának kidolgozásánál mi is nyomon kell kövessük. A változás jól tetten érhető fő forrásanyagunk, az Efrain Turban nevével fémjelzett döntéstámogató rendszerekkel foglalkozó könyv esetén is, amelynek szűk 20 év alatt nyolc kiadása jelent meg. Az 1990-es kétszerzős kiadás címe még „Döntéstámogató rendszerek és szakértő rendszerek” volt. A 2007-2008-as tanév tematikájának kidolgozásánál (valamint szakkönyvünk megírásánál) a 2001-es és 2005-ös „Döntéstámogató rendszerek és intelligens rendszerek” című kiadással dolgoztunk (utóbbinál a szerzők száma nőtt, az anyag szerkezetében is, hangsúlyaiban is változott és új fejezetekkel bővült). A 2006-os, teljesen átírt nyolcadik kiadásnak már négy szerzője van, címe pedig „Döntéstámogató rendszerek és üzleti intelligencia rendszerek” (Turban et al., 2006). Mindezek jól mutatják e szakterület egyre gyorsuló, forradalminak mondható változását. (Megjegyezzük, hogy az üzleti intelligenciával kapcsolatos oktatási anyagaink összeállításánál más forrásokra támaszkodtunk elsősorban.) 2.

Előadások – újszerű megközelítésünk tapasztalatai

Mint említettük, a két felsőoktatási intézményben eltérő (alap- és mester) szinten oktatjuk a döntéstámogató rendszerek c. tárgyat. Ehhez még hozzá kell venni a két intézmény laboratóriumainak eltérő szoftver-ellátását is, amelyről a későbbiekben még lesz szó. A következőkben vázoljuk előadásaink tematikáját, rámutatva azokra a pontokra, ahol újszerű megközelítést alkalmaztunk vagy ahol speciális módszerrel próbáltuk oktatási céljainkat

2



elérni. Közelítésünk újszerűségeiről a 2007 nov. 9-10 között Győrben megrendezett GIKOF’2007 konferencián már beszámoltunk. 2.1.

Alapfogalmak, a döntési folyamat szereplői, a döntések osztályozása

Döntéstámogató rendszerekről szóló előadásainkon a fontosabb döntéselméleti alapfogalmakból indulunk ki (probléma, Bartee-féle problématér, optimális és kielégítő döntések, normatív és leíró döntési modellek, korlátozott racionalitás elve stb.). A Turbanféle források alapján a problémakategóriákat az állapottér reprezentáció célja(i)nak és műveleteinek ismertsége alapján tárgyaljuk. E szerint a jólstrukturált problémák esetében a célok és a műveletek teljesen ismertek, a féligstrukturált problémáknál a műveletek csak részben, míg a nemstrukturált problémák esetében a műveletek is és a célok is csak részben ismertek. Turbant követve bevezetünk egy negyedik, ún. nemdefiniálható problémakategóriát is, ahová a nem formalizálható problémák tartoznak. (Oktatási tapasztalataink visszaigazolták, hogy a hallgatók számára ez a kategorizálás jobban megérthető és könnyebben megjegyezhető, mint a korábban oktatott, a döntéshozatal folyamatának jellege szerinti Simon-féle kategorizálás (Simon, 1977).) Külön hangsúlyt fektetünk arra, hogy – a döntési folyamat szereplőit (a környezetet, az embert és döntéseit) minél több oldalról megvilágítsuk. Ehhez különböző szemléletű megközelítéseket vettünk figyelembe annak érdekében, hogy a döntési folyamatok gazdasági környezete és az ember természetrajzából, a döntések jellegéből, a döntések támogatásához szükséges indítékokból, követelményekből, lehetőségekből és problémákból minél többet bemutassunk. Kiemelten foglalkozunk az ember gondolati, mentális modelljeivel, kognitív sémáival, ösztönös érzeteivel, heurisztikáival, séma-tároló kapacitásának, valamint magas szintű heurisztikáinak és információ-befogadásának korlátaival – amelyekre a döntéshozatal során figyelemmel kell lennünk. Az előadásokon ismertetjük a tudás reprezentációjának a tudásmenedzsment és a szakértő rendszerek irodalma által követett közelítéseit. Mint ismeretes, a tudásmenedzsment irodalma két tudásformát tart számon. Az egyik az explicit tudás, amely a közölt, szavakkal elmondott vagy leírt, így formalizálható tudást jelenti, ami emiatt a szervezeti memóriába beépíthető. A másik a hallgatólagos vagy tacit tudás, vagyis a nem tudatosan használt tudás – megjegyezve, hogy adott helyzetben a tacit tudás egy része szavakkal kifejezésre kerülhet, explicitté válhat. Az emberi megismeréssel foglalkozó és a szakértő rendszer irodalom háromféle tudásrétegről beszél. Az explicit tudás értelmezésében megegyezik az előbb mondottakkal. Azonban implicit tudás néven kiemeli a fenti tacit tudásformából azt a réteget, amely potenciálisan közölhető lenne, de „éppen nem jön ki” csak bizonyos kényszerítő vagy rásegítő körülmények hatására. Példa lehet erre a vizsga-effektus esete vagy a szakértő rendszerek fejlesztésénél a szakértőtől való ismeretszerzés problémája. (Itt mindig felhívjuk a hallgatók figyelmét arra, hogy a szakértő rendszerek már csak emiatt sem képesek helyettesíteni az emberi szakértőt.) A döntések Temesi-féle több szempontú osztályozása, vagyis az egyéni, a közösségi vagy társadalmi, valamint a szakértői döntések alapos elemzése hasznos és egyben érdekes. Részletesen elemezzük azok felelősségi körét, jellegzetes kritériumait és támogatásának lehetőségeit. Ez az osztályozás egyben megadja a később tárgyalásra kerülő anyagok szerkezetét (a szakértő rendszerekig bezárólag). 2.2.

Döntéshozatal, döntéstámogatás

3



Az egyéni és a közösségi, más szóval csoportos döntésekről szóló előadásokon először vázoljuk a vezetői tevékenység jelenlegi problémáit, majd ismertetjük a döntéstámogató rendszerek kialakulását, a döntési folyamat fázisait, a döntéstámogató rendszerek sematikus felépítését, majd a csoporttámogató rendszereket. A történeti áttekintés után közvetlenül megadjuk e rendszerek vázlatos meghatározását is, felsorolás-szerűen példákat adva arra, hogy az egyes problémakategóriák esetében melyik rendszert célszerű alkalmazni. (Folyamatosan keresünk magyar referencia-alkalmazásokat, hogy azok közül válogatva tehessük élményszerűbbé az előadásokat.) A csoportos döntéshozatal jellemző jegyeinek felsorakoztatása után néhány jellegzetes eszközt megemlítünk a csoporttámogató rendszerek egyre bővülő arzenáljából. Amennyiben van rá idő, Arrow lehetetlenségi tételének következményeit példákkal is illusztráljuk (szakkönyvünk erre szolgáló függeléke alapján). Ezek a példák érdekesek és elgondolkoztatók; reméljük, hogy hallgatóink a tanulságokra emlékezni fognak, amennyiben a későbbiekben csoportos döntésekben fog részt venni. Végezetül foglalkozunk a számítógéppel támogatott kommunikációs technológiák idő és hely szerinti kategorizálásával, jellegzetes alkalmazásaival.

2.3.

A döntési modellek és technikák

A döntési modellek és technikák tárgyalásánál újszerű megoldásként bevezetjük a problématér többdimenziós modelljét; ez egy konkrét döntési helyzetben közvetlenül segíthet felismerni a problémához legjobban illeszkedő döntési modellt – amennyiben létezik ilyen. A BMF NIK-en kiemelten foglalkozunk a heurisztikákkal, azok hely- és időfüggő természetével, rámutatva a később tárgyalt szakértő rendszerekben tárolt heurisztikus ismeretanyag adaptálásának problematikájára. Az egyes döntési modellek és technikák élményszerű megtapasztalása azonban csak gyakorlati foglalkozások keretén belül biztosítható. Megjegyezzük, hogy szakkönyvünk segíti, hogy a hallgatók (akár az olvasók egymagukban) az említett többdimenziós modell felső szintjét szisztematikusan bejárhassák egy egyszerű probléma fokozatos bővítésével, ahol is az adott probléma-változatokra adható lehetséges modellek megadása mellett egy-egy konkrét megvalósítást részletesen is bemutatunk (a mindenki gépén elérhető Excel környezetben). Megjegyezzük, hogy a BMF NIK-en jelenleg a mérnök-informatikus képzésnél nincs laborgyakorlat; itt a hallgatóknak csak ajánlani tudjuk e feladatok önálló feldolgozását.

2.4.

Üzleti intelligencia

Az anyag felépítése illeszkedik az üzleti intelligencia projektek menetéhez, felépítéséhez, vagyis az adatgyűjtéstől kiindulva, az adattárolás folyamatán keresztül jutunk el az elemzésig, majd az eredmények felhasználásáig. Az előzőekben említett okok miatt az üzleti intelligencia fogalmának tisztázása után az adatgyűjtés és az adatminőség kérdéskörével foglalkozunk először. Az adattárolással kapcsolatosan az adattárház és az adatpiac fogalmát és jellemzőit tárgyaljuk, majd fejlesztésüket és felhasználási lehetőségeiket mutatjuk be. Némely esetben a hallgatók e témákkal már korábban foglalkoztak más tantárgyak előadásain; ez esetben csak utalunk e kérdések fontosságára. (Érdekességképpen megjegyezzük, hogy volt olyan eset is, hogy a hallgatók ennek ellenére kérték e témák ismertetését, mondván, hogy – az addig leadott anyag után – azok módszeres, rövid áttekintése hasznos lenne számukra.) Az adatok elemzésének bemutatása során a kevésbé összetett megoldásoktól haladunk a bonyolultabb megoldások bemutatása felé. Részletesen foglalkozunk a felsővezetői információrendszerekkel, az on-line elemző–feldolgozó rendszerekkel (amennyiben a hallgatók erről más tárgynál még nem hallottak), a stratégiai teljesítmény menedzsment megoldásokkal, az adatvizualizációval és annak szerepével az adatbányászat területén, valamint általában az üzleti döntéshozatalban. Az adatbányászat kérdéseit (célját, folyamatát, integrált technikáit és alkalmazási területeit) kiemelten kezeljük. (Szerencsések a Corvinus Egyetem hallgatói, akik a kapcsolódó gyakorlatokon adatbányászati szoftver közelébe tudnak jutni. Ennek hiányában általában külső előadót

4



hívunk, aki „hitelesen” tudja elővezetni a témát, a felmerülő gyakorlati problémákat és egy-egy sikeres alkalmazást.) Foglalkozunk a tudásmenedzsmenttel, amely az üzleti intelligencia területhez számos ponton kapcsolódik; ilyen terület például a tudáskinyerés területe. A tudásmenedzsment célja a vállalatok tudásvagyonának rendszerezése, strukturálása és hozzáférhetővé tétele (a tudás tőkeként való kezelése). Nem szabad elfeledkeznünk arról sem, hogy ma jellemzően a szervezeti tudás 80 százaléka még „csak a fejekben van”, és menedzsmentje speciális megoldásokat igényel. Mivel napjainkban a szemantikus web és az ontológia fontos kutatási területek, egyfajta kitekintésként röviden tárgyaljuk ezek fogalmát és felhasználási lehetőségeiket, rámutatva az üzleti intelligencia feladatok megoldásában játszott egyre erősödő szerepükre. Meg kell itt jegyeznünk, hogy a Corvinus Egyetemen az üzleti intelligencia c. tantárgy keretében már eddig is több üzleti intelligencia projektet bemutató esettanulmányt dolgoztunk ki – az adott projekt buktatóira is rámutatva. A döntéstámogató rendszerek előadásokon hasznos lenne egy ilyen esettanulmány elemzése, azonban ez nem fér bele a szoros tematikai keretbe. (Szakkönyvünk egy ilyen esettanulmányt bemutat; az előadáson felhívjuk a hallgatók figyelmét ennek tanulmányozására.)

2.5.

Szakértői döntések támogatása – szakértő rendszerek

A döntések Temesi-féle több szempontú osztályozására visszahivatkozva vezetjük be a szakértői szintű döntéseket támogató szakértő rendszereket. Először átfogó képet adunk a szakértő rendszereknek a mesterséges intelligencia-kutatások 1 során történt kialakulásáról, majd megadjuk jellemzésüket, bemutatjuk az első sikeres szakértő rendszereket és foglalkozunk e technológia eredményeivel és problémáival. (A szakkönyvet is úgy szerkesztettük, hogy aki a részletek iránt nem érdeklődik, az első két fejezet után kerek képet kap e technológia jellegéről, forradalmasító hatásáról, korai eredményeiről és jelenlegi problémáiról.) A BMF NIK-en egy valós szakértőrendszer-demonstrációval indítjuk ezt a témát 2 . Ennek kapcsán élményszerűen lehet elmagyarázni a fejlesztés, ezen belül az ismeretszerzés, a validálás és a hitelesítés nehézségeit éppúgy, mint a megoldásnak/javaslatnak a rendszer által generált indoklását, magyarázatát. Emlékezetes marad például az a konzultáció, amikor a rendszer „Sajnálom, nem tudok javaslatot adni, forduljon szakértőhöz” üzenettel zárja a konzultációt. A következő demonstráció az M.1 keretrendszerben futtatható egyszerű bor-tanácsadó rendszer (lásd a (Sántáné-Tóth 2000) tankönyv 2. Mellékletét) 3 . A hallgatók ennek kapcsán megértik (mert szemükkel látják), hogy mit is jelent a szimbolikus programozás, és hogy hogyan történik a szabályhívások láncolata során a problémamegoldás. Ez a demonstráció nagyban segíti később a visszalépéses keresés és a szabályalapú végrehajtás menetének megértését is. Az előadásokon a szakértő rendszerek elméleti alapjaiból bemutatunk néhány jellegzetes keresési stratégiát, valamint ismeretreprezentációs és bizonytalanságkezelési módszert, példákkal illusztrálva a mondanivalót. (Az órán a keresési algoritmusok működésének megértését nagyban segíti egy-egy

1

Az előadások kiemeljük, hogy az intelligens szónak a magyarban kétféle megfelelője van: intelligens (ember), illetve értelmes (lény vagy válasz). A szakma a mesterséges intelligenciánál az első, míg az üzleti intelligenciánál a második értelmezést használja.

2

Ez a húgyúti fertőzések (Urinary Tract Infection, UTI) gyógyszerezésére tanácsot adó szakértő rendszer. A rendszert a Számítástechnikai Koordináció Intézet tudásmérnökei/szoftverfejlesztői a Péterfy Sándor utcai kórház orvosaival együtt fejlesztették 1988-89-ben. A rendszer béta változatának munkálatai 30 emberhónap orvos-szakértői munkát és 40 emberhónap tudásmérnöki munkát igényelt. Azonban 1990-ben ez a projekt is – mint az akkori több mint 40 hazai szakértő rendszer projekt  érdektelenség és pénzhiány miatt leállt. 3

Az M.1 célvezérelt keretrendszert a Számítástechnikai Koordináció Intézet szerezte be még 1986-ban. A bor-tanácsadó rendszert Sántáné-Tóth Edit demonstrálta először ELTE-s előadásain, elkészítve a keretrendszer oktatásához szükséges segédanyagokat is. Az eredeti (angol) ismeretbázisokat, azoknak az ELTE hallgatói által készített adaptációját, valamint további ismeretbázisokat tartalmazó „M1” könyvtár azóta sok hazai felsőoktatási intézménybe jutott el – a szimbolikus programozás és a szabályalapú végrehajtás demonstrálását szolgálva.

5



konkrét példának kréta és szivacs segítségével történő bemutatása. A BMF NIK-en, didaktikai megfontolásból e témát a 2.1. pontban említett állapottér reprezentáció után tárgyaljuk.) Az alaptechnikák közül kiemelten fontos cél- és adatvezérelt szabályalapú következtetés megértésére nagy gondot fordítunk (az adatbányászati szoftverek ugyanis ma már nyújtanak szabályokat generáló induktív modelleket is). Először egy egyszerű példa kapcsán bemutatjuk a működést (amit szakkönyvünk egyik függeléke lépésről lépésre ismertet). Ez után megadjuk a következtetések szöveges leírását, végül (mintegy ellenőrző feladatként) a hallgatók aktív bevonásával elemzünk egy végrehajtási lépéseket illusztráló ábrát. (A BMF NIK-en a korábbi demonstrációkra utalás igen lerövidíti e témakör tárgyalását.) Az ismeretalapú és a szakértőrendszer-technológia, valamint a jellegzetes szakértőrendszer-problématípusok, az ún. tudásintenzív feladattípusok ismertetése nem szokott gondot okozni a hallgatóknak (összehasonlító táblázatokkal és alkalmazási példákkal színesítjük a mondanivalót). Végül az ismeretszerzés tárgyalása során, ahol csak lehet, kiemeljük az emberi tényezőket. Bemutatjuk a jellegzetes tárgyterületi szakértő típusokat, és részletezzük a rendszert fejlesztő tudásmérnöktől alapvetően elvárható tulajdonságokat – visszaidézve a korábbi előadásokon tárgyalt magas szintű heurisztikáinkat és információ-befogadási korlátainkat, amelyek fényében elemezzük a tudásmérnöki munka buktatóit.

2.6.

Intelligens technikák a döntéstámogatásban

Amennyiben az idő engedi, az előadáson külön foglalkozunk azokkal az intelligens technikákkal, amelyeket a döntéstámogató rendszerekben eddig már sikeresen felhasználtak. A szimbolikus tanuló, vagyis az induktív és az esetalapú rendszerek mellett ismertetjük a neuronhálózatokat, a genetikus algoritmusokat, a bizonytalanságkezelés fuzzy-modelljét, jellegzetes alkalmazásaikat és integrálási lehetőségeiket. Mivel ezek a módszerek/technikák az adatbányászati rendszerekben széles körben használatosak, ezért fontosnak ítéljük alapos megértésüket (példákkal, demonstrációkkal). (Megjegyezzük, hogy a BMF NIK-en időhiány miatt a genetikus algoritmusok és a neuronhálózatok ismertetése elmarad.) 3.

Gyakorlati foglalkozások tapasztalatai

Az ismeretek átadását főleg az előadások tudják közvetíteni a hallgatók felé, példákkal, demonstrációkkal, alkalmazási lehetőségekkel segítve azok alaposabb megismerését. A hallgatók által aktivizálhatóvá, alkalmazhatóvá azonban csak akkor válhat ez az ismeretanyag, ha annak elemzése és szintézise is megtörténik (Bloom, 1956) – ehhez azonban kis létszámú, célzott tematikájú gyakorlati foglalkozások szükségesek. A példák, demonstrációk, analógiák bemutatása elő tudja segíteni a hallgatók beállítódását, érzelmi elfogadását, motiváltságát is. Azonban a manuális vagy fizikai készség kialakítását csak közelíteni lehet a gyakorlati foglalkozásokon. Nem érdemes ugyanis a laboratóriumban elérhető szolgáltatások elsajátítását célul kitűzni, hisz az üzleti intelligencia világa igen gyorsan változik. Emiatt inkább csak a fontosabb funkciók megtapasztalását, valamint annak készségét lehet a hallgatókban kialakítani, hogy az egyre újabb számítógépes szolgáltatások használatát majdan képesek legyenek minél gyorsan megérteni és elsajátítani. A Budapesti Corvinus Egyetemen többféle tárgyban és képzési formában oktatunk döntéstámogatással kapcsolatos témaköröket és mutatunk be döntéstámogatásra alkalmas rendszereket. A SAS és az SAP különböző üzleti döntések támogatására alkalmas megoldásait 1998 óta használjuk fel a gyakorlati képzésben. Fontosnak tartjuk, hogy a hallgatók az elméleti ismereteken túl megismerkedhessenek a gyakorlatban is a döntéstámogatási megoldásokkal. Üzleti intelligencia tárgyunk a gazdaságinformatika képzés

6



ötödéves hallgatói számára lehetőséget ad heti egy előadás és egy gyakorlat formájában egy éven keresztül a legfontosabb ismeretek megszerzésére ezen a területen. A tárgy, hasonlóan a 4. fejezet felépítéséhez, az adattárházaktól kiindulva jut el az adatbányászatig. Ehhez igazodik a gyakorlati képzés is, a SAS megoldásait felhasználva. A géptermi gyakorlatokon a SAS Enterprise Guide eszközt használjuk az első negyedévben, amikor is a hallgatók CRM területre vonatkozó többváltozós statisztikai ismereteket is feltételező feladatokat oldanak meg. A második negyedévben az SPM-mel (Strategic Performance Management) foglalkoznak részletesebben. A második félévben az adatbányászat és az üzleti intelligencia a tárgy központi témája; a hallgatók ekkor a SAS Enterprise Miner eszköz segítségével oldanak meg adatbányászattal kapcsolatos feladatokat. A hallgatók egy része az órákon megszerzett ismereteket szakdolgozatuk összeállításakor, TDK dolgozatban és projektekben is kamatoztatta. A Budapesti Corvinus Egyetemen kurzusaink szemináriumain különböző döntéstámogató rendszerekkel dolgoznak a hallgatók; egyszerű és játékos feladatok modelljeit készítik el és oldják meg az órákon, valamint házi feladatként. Az érdemjegy megszerzésének is részét képezi egy ilyen önálló feladat kielégítő megoldása és bemutatása. A BMF NIK-en harmadéves gazdaságinformatikus és műszaki informatikus hallgatók előadásokain a jellegzetes döntéstámogató funkciók megtapasztalása céljából SAS Enterprise Guide bemutatót szoktunk tartani – példákkal megmutatva, hogy mennyivel elegánsabban lehet itt dolgozni, mint az Excel-ben. A szakértő rendszer technológia jellegzetességeinek bemutatását a 2.5. pontban említett demonstrációk célozzák. A gazdaságinformatikusok heti 2 óra laborgyakorlata jelenleg három szakaszból áll. Először a hallgatók – minimumkövetelményként – az Excel döntéstámogató szolgáltatásainak alkalmazását kiadott példák megoldásával gyakorolják (célértékkeresés, érzékenységelemzés stb.; megdöbbentő számukra például az a felismerés, hogy a korábban órákig végezett kézi regresszió számítás itt egy függvényhívással elintézhető). Ez után az Excel Solver bővítésével különböző szállítási, lineáris programozási stb. feladatokat oldanak meg. (Megjegyezzük, hogy az Excel, azon belül a Solver olyannyira elterjedten használatos eszközök még mindig, hogy ezeket végzős hallgatóinknak kell tudniuk használni.) A gyakorlati foglalkozások második felében egy ismeretalapú eszközben (Level5 Object-ben) közösen kidolgozzuk egy egyszerű feladat célés adatvezérelt változatát. Ennek mintájára minden hallgató kigondol egy saját feladatot, és azt önállóan megvalósítja. A hallgatók ennek során a megtapasztalják, hogy egy ismeretalapú rendszerben a szabályalapú következtetés egészen más végrehajtási szemléletet kíván, mintha a szabályokat (mint feltételes IF-THEN utasításokat) hagyományos szemléletben egymás után hajtanák végre. Amint erre lehetőségünk nyílik, további eszközökkel is meg szeretnénk ismertetni a hallgatókat (SAS Enterprise Guide és Miner, esetleg a szakértő választását támogató Expert Choice). 4.

Összegzés, továbbfejlesztési lehetőségek

A fentiekben beszámoltunk döntéstámogató rendszerek c. előadásaink és gyakorlati foglalkozásaink tematikájáról, valamint oktatási tapasztalatainkról. Oktatási anyagaink összeállításánál erősen támaszkodtunk időközben megjelent szakkönyvünkre (Sántáné et al. 2007). A szakkönyv megírásával egyébként célunk az volt, hogy a felsőfokú oktatási intézmények gazdaságinformatikus, mérnök informatikus és programtervező informatikus hallgatóinak, továbbá a szakirányú képzések és a speciális tanfolyamok résztvevőinek, valamint gyakorlati munkájuk során nap mint nap döntéseket hozó szakembereknek is

7



támogatást nyújtsunk. Mondhatjuk, hogy a szakkönyv jó segítséget adott mind számunkra, mind azon hallgatók számára, akik oktatási segédanyagként használták. Nagyon hasznos észrevételeket fogalmazott meg Kalácska Zsolt másoddiplomás hallgató házi dolgozatában (Kalácska, 2008), amely – mint írja – „olyan gazdasági szakember véleményét tükrözi, aki érdeklődik az informatikai eszközök és alkalmazások iránt, melyek megkönnyítik munkáját, döntéseit, illetve valamilyen előnyökhöz juttatják a versenytársakkal szemben”. Majd később a következőket írja. „Alapvetően le kell szögeznem, hogy a könyv egy nagyon átgondolt, jól strukturált, jól olvasható szakmai kézikönyv, mely jól összefoglalja és bemutatja a DTR elméleti hátterét, kialakulását valamint fejlődését és különböző irányzatait, azonban véleményem szerint ez a kiadvány elsősorban tankönyv azok számára, akik megfelelő alapképzetséggel rendelkezvén, bizonyos szakértelem birtokában forgatják.” Végül leszögezi: „az utószóban megfogalmazottak közül tapasztalataim alapján teljesen egyetértek az integráció nélkülözhetetlen szerepével és a folyamatmenedzsment fontosságával foglalkozó gondolatokkal.” A dolgozat sok helyesbítő javaslat mellett megjegyzi: „a kiadvány használhatóságát nagymértékben javítaná, felhasználóbarátabbá tenné, hogy ha a példákban, függelékekben szereplő bemutatók, szoftverek, demonstrációk CD, esetleg DVD melléklet formájában is megjelennének.” Természetesen a tananyagot állandó frissítenünk kell az időközben kidolgozott újabb és még újabb módszerek, eszközök és alkalmazások beillesztésével. Folyamatosan gyűjtjük az esettanulmányokat és szemléltető anyagokat is. Céljaink között szerepel olyan digitális segédanyagok előállítása, amelyek segítenének az előadások és/vagy a gyakorlati foglalkozások anyagának mélyebb megfogását (ebbeli szándékunkat Kalácska Zsolt fenti észrevételei még inkább megerősítik). Irodalomjegyzék [1] Bloom, B. S. (1956) Taxonomy os Educational Objectives, Handbook I: The Cognitive Domain. New York: David McKay Co Inc. [2] Kalácska Zs. (2008) Döntéstámogató rendszerek véleményezése (Sántáné-Tóth E. et al., Panem, 2007.), NyME KTK, Sopron, gazdasági informatikai menedzsment szak. [3] Sántáné-Tóth E. (2000, 2003, 2007) Tudásalapú technológia, szakértő rendszerek – Javított és bővített kiadás. Dunaújvárosi Főiskola Kiadói Hivatala, Dunaújváros. (Korábbi kiadások: 1995, 1997, 1998.) [4] Sántáné-Tóth E., Biró M., Gábor A., Kő A. és Lovrics L., (2008) Döntéstámogató rendszerek, Panem Könyvkiadó, Budapest. [5] Simon, H. (1977) The New Science of Management Decision, Englewood Cliffs, NJ: Prentice Hall. [6] Turban, E., Aronson, J. E., Ting-Peng Liang and Sharda, R. (2006) Decision Support and Business Intelligence Systems – Eighth Edition. Pearson Education, Prentice Hall. (Early Editions: 2005, 2001, 1998, 1995, 1993, 1990.)

8

DÖNTÉSTÁMOGATÓ RENDSZEREK OKTATÁSÁNAK TAPASZTALATAI A FELSŐOKTATÁSBAN. Összefoglaló

Recommend Documents