Systémy pro podporu rozhodování. Modelování a analýza

Systémy pro podporu rozhodování Modelování a analýza

1

Připomenutí obsahu minulé přednášky  Datové sklady, přístup, analýza a vizualizace  Povaha a zdroje dat (data, informace, znalosti a interní, externí, personální)  Sběr dat a související problémy  Internet a komerční databázové služby  Systémy pro řízení databází v DSS  Organizace a struktura databází  Datové sklady

2

Připomenutí obsahu minulé přednášky  Architektury datových skladů  Složky datových skladů  Charakterizace datového skladování  Vizualizace dat a multidimenzionalita

 OLAP: Přístup k datům, dolování, dotazování a analýza  Data mining - dolování v datech  Inteligentní databáze a dolování v datech  Nástroje pro inteligentní dolování v datech

3

5. Modelování a analýza 5.1 Motivační příklad 5.2 Modelování v MSS 5.3 Statické a dynamické modely 5.4 Zpracování nejistoty a rizika 5.5 Influenční diagramy 5.6 Použití tabulkových procesorů 5.7 Rozhodovací tabulky a stromy

4

5.1 Motivační příklad Siemens Solar Industries (SSI) uspořil miliony pomocí simulace:  Problémy s kvalitou a plynulostí výroby  Rozhodnutí zavést technologii zvlášť čistých prostor – poprvé v solárním průmyslu, ale žádné předběžné zkušenosti  Použití simulace - nástroj ProModel (virtuální laboratoř, testování různých

konfigurací)

 Hlavní přínosy: získání znalostí a pochopení souvislostí, možnost

komplexního návrhu

 Zdokonalení výrobního procesu

SSI ušetřila více než 75 milionů dolarů ročně

5

5.2 Modelování v MSS  Modelování šetří peníze, čas a další zdroje  Na modelu lze snadno provádět změny  Modelování je klíčovým prvkem ve většině DSS a je nutností v modelově

orientovaných DSS  Simulace je oblíbený způsob modelování, ale existují i jiné přístupy:

6

Typy modelů  Statistické modely (např. regresní analýza - relace mezi

proměnnými)  Finanční modely (např. systémy pro finanční plánování)  Optimalizační modely (např. lineární programování)

 DSS může být vystavěn na použití kombinace více modelů, standardních i vytvořených

na zakázku  Vhodný poměr mezi jednoduchostí a reprezentativností modelu

7

Modely podle stupně abstrakce  Ikonické (měřítkové) modely – nejméně abstraktní, fyzikální kopie systému, obvykle v

jiném měřítku (modely letadel, automobilů, fotografie, GUI)  Analogické modely – nevypadají jako modelovaný systém, ale chovají se stejně; jsou

více abstraktní (organizační tabulky a grafy, mapy, schémata)  Matematické (kvantitativní) modely – nejvíce abstraktní, nejčastější typ u DSS

8

Hlavní východiska a pojmy modelování

 Identifikace problému  Analýza prostředí  Identifikace proměnných  Prognostika (předpovídání)  Vícenásobné modely  Kategorie modelů a jejich výběr  Řízení báze modelů  Znalostní modelování

9

Identifikace problému a analýza prostředí  Identifikace cílů a požadavků a zjištění, jak jsou naplňovány  Problém = rozdíl mezi požadovaným a skutečným stavem  Stanovení, jaký problém existuje, jaké má symptomy a jak jsou tyto symptomy výrazné  Symptomy mohou být považovány za problém  Zjišťování existence problému u organizace se provádí monitorováním činnosti a

analýzou dat

10

Identifikace proměnných  Identifikace proměnných v modelu a vzájemných vazeb mezi nimi je velmi důležitou fází

procesu modelování  Užitečné mohou být např. influenční diagramy (viz dále)

11

Prognostika (předpovídání)  Pro konstrukci a manipulaci s modelem nezbytná - výsledky rozhodování založené na

modelování se zpravidla týkají budoucnosti

12

Vícenásobné modely  DSS mohou obsahovat řadu modelů (pro různé subproblémy rozhodovacího problému)  Některé jsou standardní, vestavěné ve vývojových nástrojích  Některé jsou standardní, samostatný sw  Nestandardní je třeba vytvořit

13

Kategorie modelů  Optimalizace problému s několika alternativami:  Cíl: najít nejlepší řešení z malého počtu alternativ  Příklad metody: rozhodovací tabulky, rozhodovací stromy  Optimalizace pomocí algoritmu:

 Cíl: najít nejlepší řešení z velkého až nekonečného počtu alternativ

použitím procesu postupného zlepšování  Příklad metody: modely matematického programování (lineární, apod.), síťové modely

14

Kategorie modelů  Optimalizace pomocí analytické formule:  Cíl: najít nejlepší řešení v jediném kroku, použitím formule  Příklad metody: některé modely zásob  Simulace:  Cíl: najít dostatečně dobré řešení, nebo nejlepší řešení mezi

testovanými alternativami použitím experimentů  Příklad metody: různé typy simulace  Heuristiky:  Cíl: najít dostatečně dobré řešení použitím pravidel  Příklad metody: heuristické programování, expertní systémy

15

Kategorie modelů  Prediktivní modely:  Cíl: předpověď budoucího vývoje daného scénáře  Příklad metody: Markovova analýza  Jiné modely:  Cíl: analýza what-if použitím formule  Příklad metody: finanční modelování

16

Řízení báze modelů  Pro udržení integrity a využitelnosti  Sw pro řízení báze modelů (viz dále)

17

Znalostní modelování  DSS zpravidla používají kvantitativní modely  Expertní systémy používají kvalitativní, znalostní modely  Pro konstrukci použitelných modelů jsou zapotřebí určité znalosti

18

5.3 Statické a dynamické modely  Statická analýza

 Na základě statického průřezu analyzovanou situací  Např. rozhodnutí zda vyrobit či koupit nějaký produkt  Dynamická analýza

 Dynamické modely  Vyhodnocení scénářů závislých na čase

 Ukazují trendy a časové průběhy událostí  Statické modely lze mnohdy rozšířit na dynamické

19

5.4 Zpracování nejistoty a rizika  Modelování za jistoty  Nejistota (neurčitost)  Riziko

20

Modelování za jistoty  Máme ho rádi

 Lehce se s ním pracuje a dává optimální výsledky  Mnoho finančních modelů je konstruováno za předpokladů jistoty  Speciální zájem si zasluhují problémy, které mají nekonečný (nebo mimořádně

vysoký) počet možných řešení

21

Modelování za nejistoty  Manažeři se snaží maximálně eliminovat nejistotu  Snaží se získat co nejvíce dodatečných informací, aby bylo možné problém

řešit buďto za jistoty, nebo s kalkulovaným rizikem  Nelze-li získat více informací, s problémem je nutno zacházet jako s

neurčitým

22

Modelování za rizika

 Většina manažerských rozhodnutí je za předpokladu jistého rizika  Pro analýzu rizika je k dispozici několik technik, např.:  rozhodovací tabulky  rozhodovací stromy  simulace  faktory neurčitosti  fuzzy logika

23

5.5 Influenční diagramy  Grafická reprezentace modelu, která pomáhá při návrhu modelu, při jeho

dalším zpracování a jeho pochopení  Poskytuje prostředek vizuální komunikace pro řešitelský tým  Slouží také jako rámec pro vyjádření vztahů v modelu

INFLUENCE = vyjádření závislosti mezi proměnnými v modelu

24

Konvence  Grafické znázornění  Bloky (rozhodovací, neřízené a výsledné proměnné)  Spojky (směr a typ působení)

 Tvary bloků a spojek

 Libovolná úroveň podrobností

25

Příklad - model „Zisk“ (Smith, 1995) Profit = Income – Expenses Income = Units sold x Unit price Units sold = 0,5 x Amount used in advertisement Expenses = Unit cost x Unit sold + Fixed costs

26

Influenční diagram modelu „Zisk“

Fixed cost Expenses

Unit cost

~ Amount used in advertisement

Profit

Units sold Income Unit price

Softwarové řešení  Analytica  DPL  DS Lab  INDIA  NETICA  Precision Tree  ...

 Standardní grafické a CASE (Computer-aided software engineering)

programové balíky

28

5.6 Použití tabulkových procesorů  Tabulkové procesory: nejpopulárnější nástroj modelování určený pro koncové   

 

29

uživatele Obsahuje mocné funkce finanční, statistické, matematické, logické, pro práci s časem, pro zpracování řetězců, apod. Možnost použití externích přídavných (add-in) funkcí a tzv. řešitelů pro optimalizaci Důležité pro analýzu, plánování, modelování Jsou programovatelné (využití maker) Jednoduché prvky pro řízení databází

5.7 Rozhodovací tabulky a stromy  Analýza problému pro rozhodování při malém počtu alternativ

 Očekávané příspěvky alternativ a jejich pravděpodobnost vzhledem k cíli  Řešení situací s jediným cílem  Rozhodovací tabulky  Rozhodovací stromy

30

Rozhodovací tabulky

 Příklad investic  Jediný cíl: Maximalizovat výnos po jednom roce = vybrat nejlepší investiční

alternativu  Výnos závisí na stavu ekonomiky:  Růst  Stagnace  Inflace

31

Rozhodovací tabulky

1. 2. 3.

32

Je-li ekonomický růst, obligace se zhodnotí o 12%; akcie o 15% a termínované vklady o 6,5% Převládá-li ekonomická stagnace, obligace se zhodnocují o 6%, akcie o 3% a termínované vklady opět o 6,5% Převládá-li inflace, obligace vzrostou o 3%, akcie přinesou ztrátu 2% a termínované vklady dají znovu 6,5% výnos

Rozhodovací tabulky

 ~ hra dvou hráčů: investor × příroda

 Rozhodovací tabulka - tabulka výplat (viz snímek 34)  Rozhodovací proměnné (alternativy)  Neřízené proměnné (stav ekonomiky)  Výslední proměnná (předpokládaný výnos)

33

Rozhodovací tabulka pro problém investic

Stav ekonomiky Alternativy Obligace Akcie

Termínovaný vklad

Růst

Stagnace

Inflace

12,0%

6,0%

3,0%

15,0%

3,0%

-2,0%

6,5%

6,5%

6,5%

Práce s neurčitostí

 Optimistický přístup  Uvažujeme nejlepší možný výsledek nejlepší

alternativy (= akcie)

 Pesimistický přístup  Uvažujeme nejlepší z nejhorších výsledků

jednotlivých alternativ (= termínované vklady)

35

Zvládnutí rizika  Použití známých (odhadovaných) pravděpodobností (Snímek 37)  Analýza rizika: Výpočet očekávaných hodnot a výběr alternativy s nejlepším

výsledkem  Může být nebezpečné - i mizivá pravděpodobnost katastrofické ztráty může mít

podstatný vliv na očekávanou hodnotu

36

Řešení rozhodování za rizika

Alternativy

Obligace

Akcie Termínovaný vklad

Růst

Stagnace

Inflace

0,5

0,3

0,2

12,%

6,0%

3,0%

8,4%

15,0%

3,0%

-2,0%

8,0%

6,5%

6,5%

6,5%

6,5%

Očekávaná hodnota

 Rozhodovací stromy  Jiné metody analýzy rizika  Simulace

 Faktory jistoty  Fuzzy logika  Vícenásobné cíle  Snímek 39: Výnos, jistota, likvidita  Uvažování nejistoty a rizika  AHP (Analytic Hierarchy Process)

38

Výnos vs. jistota vs. likvidita

Výnos

Jistota

Likvidita

Obligace

8,4%

Vysoká

Vysoká

Akcie

8,0%

Nízká

Vysoká (?)

Termínovaný vklad

6,5%

Velmi vysoká

Vysoká

Alternativy

konec

40