CC BY
77
Во-вторых, это задачи, связанные с интеграцией и координированным развитием дисциплины, входящей в состав научных основ управления производством. Выявление принципов и закономерностей реализации процессов управления позволит конкретизировать взаимосвязи целей, функций, методов, органов, кадров и техники управления.
Необходимость глубокого изучения организации процесса управления, вызванного не только потребностями практики, но и развитием науки управления. В современных условиях рыночных отношений и ин-
тенсивного развития пространственно-временные и динамические характеристики имеют особое значение. Следовательно при рационализации и совершенствовании организации процессов управления очень важно ее подчинение общим принципам управления производством в условиях рынка и принципам, отражающим динамику управления и выступающим в качестве основных правил построения организации процесса управления.
Получена 13.10.2006
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ СИСТЕМЫ УПРАВЛЕНИЯ РИСКАМИ ПРЕДПРИЯТИЯ НА ОСНОВЕ СППР А.В. Мандрыкин, канд. техн. наук, доцент
Воронежский государственный технический университет
Любое предприятие функционирует в условиях риска - как внутренних рисков, которые формируются в процессе управления производством, так и внешних, т. е. воздействующих со стороны внешней среды, окружающей предприятие. И возможность отрицательной реализации риска - возникновение ущерба -заставляет отнестись очень серьезно к проблеме управления рисками (тем более, что с развитием производства сфера возникновения риска постоянно расширяется, а размер возможных отрицательных последствий - увеличивается), которая предполагает выявление и оценку риска, а также использование таких процедур и методов управления, которые бы снижали возможные риски. Это осуществляется путем принятия управленческих решений, в ходе реализации которых и происходит управление риском, называемое также в контексте бизнеса риск-менеджментом.
Системы управления рисками имеют особое значение для высокотехнологических компаний, бизнес которых базируется на активном осуществлении инноваций (проведении НИОКР, производстве новых товаров или услуг и внедрении передовых технологий), а также для финансовых учреждений.
Для поддержки и обеспечения системы принятия управленческих решений в риск-менеджменте возможно использование современных информационных технологий. Спектр подобных решений очень широк. Это и системы принятия решений на основе сбора данных, и корпоративные порталы, и системы для обработки функциональной информации, и огромное множество подобных систем разного уровня. Однако наибольший интерес в системах данного направления вызывают специализированные решения класса СППР (систем поддержки принятия решений). Их применение дает возможность более точно моделировать ситуации, качественно оценивать опасности, моделировать их воздействие, а также выполнять анализ риска с большей точностью. Тем самым обеспечивается более эффективное управление риском.
Рассмотрим основные характеристики программных продуктов класса СППР.
Интерактивность СППР. Означает, что система откликается на разного рода действия, какими человек намеревается повлиять на вычислительный процесс, в частности в диалоговом режиме. Свойство интерактивности необходимо для исследования новых проблем и ситуаций, во время адаптивного проектирования прикладных СППР.
Интегрированность СППР. Обеспечивает совместимость составных систем относительно управления данными и средствами общения с пользователями в процессе поддержки принятия решений.
Мощность СППР. Означает способность системы отвечать на самые важные вопросы.
Доступность СППР. Это способность обеспечивать выдачу ответов на запросы пользователя в нужной форме и в необходимое время.
Гибкость СППР. Характеризует возможность системы адаптироваться к изменениям потребностей и ситуаций.
Надежность СППР. Означает способность системы выполнять нужные функции на протяжении заданного периода времени.
Робастность (robustness) СППР. Это степень способности системы восстанавливаться в случае возникновения ошибочных ситуаций как внешнего, так и внутреннего происхождения.
Управляемость СППР. Означает, что пользователь может контролировать действия системы, вмешиваясь в ход решения задачи.
Концепция СППР включает целый ряд средств, объединенных общей целью — способствовать принятию рациональных и эффективных управленческих решений.
Основу СППР составляет комплекс взаимосвязанных моделей с соответствующей информационной поддержкой исследования, экспертные и интеллектуальные системы, включающие опыт решения задач управления
и обеспечивающие участие коллектива экспертов в схема информационно-аналитической поддержки сис-процессе выработки рациональных решений. темы принятия управленческих решений.
На рис. 1 приведена архитектурно-технологическая
Анализ данных (OLAP)
Интеллекту альный анализ данных (Data Mining)
Рис. 1. Архитектурно-технологическая схема СППР
Первоначально информация хранится в оперативных базах данных OLTP-систем, но ее сложно использовать в процессе управления рисками. Агрегированная информация организуется в многомерное хранилище данных Data Warehouse. Затем она используется в процедурах многомерного анализа (OLAP) и для интеллектуального анализа данных Data Mining. Рассмотрим более подробно каждый элемент этой схемы.
Хранилища данных
Принятие решений должно основываться на реальных данных об объекте управления. Такая информация обычно хранится в оперативных базах данных OLTP-систем. Но эти оперативные данные не подходят для целей анализа, так как для анализа и принятия стратегических решений в основном нужна агрегированная информация. Кроме того, для целей анализа необходимо иметь возможность быстро манипулировать информацией, представлять ее в различных аспектах, производить различные нерегламентирован-ные запросы к ней, что затруднительно реализовать на оперативных данных по соображениям производительности и технологической сложности.
Решением данной проблемы является создание отдельного хранилища данных, содержащего агрегированную информацию в удобном виде. Целью построения хранилища данных является интеграция, актуализация и согласование оперативных данных из разнородных источников для формирования единого непротиворечивого взгляда на объект управления в целом. Концепция хранилищ данных предполагает не просто единый логический взгляд на данные организации, а действительную реализацию единого интегрированного источника данных.
Таким образом, хранилище данных функционирует по следующему сценарию. По заданному регламенту в него собираются данные из различных источников - баз данных систем оперативной обработки. В хранилище поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления
собираются в одном месте, приводятся к единому формату, согласовываются и в ряде случаев агрегируются до минимально требуемого уровня обобщения.
На основе хранилища данных возможно составление отчетности для руководства, анализ данных с помощью OLAP-технологий и интеллектуальный анализ данных (Data Mining).
В основном хранилища данных функционируют на базе реляционных СУБД. К их основным производителям относятся Oracle, IBM, Computer Associates, Microsoft, Informix, ADABAS, Sybase и т.п. Широко известны хранилища данных Power Designer (Sybase), Designer и Developer (Oracle), Silverrun (CSA Research), Power Builder (Sybase), Platinum, MSP. Большинство из них базируется на применении SQL, поэтому принципиальных критериев выбора нет.
OLAP-технологии
В основе концепции оперативной аналитической обработки (OLAP) лежит многомерное представление данных. Термин OLAP ввел E. F. Codd в 1993 году. По Кодду, многомерное концептуальное представление (multi-dimensional conceptual view) является наиболее естественным взглядом управляющего персонала на объект управления. Оно представляет собой множественную перспективу, состоящую из нескольких независимых измерений, вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по нескольким измерениям данных определяется как многомерный анализ. Каждое измерение включает направления консолидации данных, состоящие из серии последовательных уровней обобщения, где каждый вышестоящий уровень соответствует большей степени агрегации данных по соответствующему измерению. Так, измерение Исполнитель может определяться направлением консолидации, состоящим из уровней обобщения «предприятие - подразделение - отдел - служащий». Измерение Время может даже включать два направления консолидации - «год - квартал - месяц - день» и «неделя - день», поскольку счет времени по месяцам и по неделям несовместим. В этом случае стано-
вится возможным произвольный выбор желаемого уровня детализации информации по каждому из измерений. Операция спуска (drilling down) соответствует движению от высших ступеней консолидации к низшим; напротив, операция подъема (rolling up) означает движение от низших уровней к высшим.
OLAP-системы являются частью более общего понятия Business Intelligence, которое включает в себя помимо традиционного OLAP-сервиса средства организации совместного использования документов, возникающих в процессе работы пользователей хранилища. Технология Business Intelligence обеспечивает электронный обмен отчетными документами, разграничение прав пользователей, доступ к аналитической информации из Интернет и Интранет.
В настоящее время на рынке ПО предлагается большое число OLAP-систем. Arbor Software, IBM, Informix, Microsoft, Oracle, SAS Institute, Sybase и т.д.
Лидером пока считается компания Cognos, поставляющая продукты PowerPlay, Impromptu и Scenario. PowerPlay - это настольный OLAP-сервер для извлечения данных из реляционных баз данных (Paradox, dBase, Clipper), «плоских» файлов и электронных таблиц (Microsoft Excel), используется генератор запросов и отчетов Impromptu. Затем специальный компонент, называемый Transformer, помещает извлеченные данные в клиентскую многомерную базу, которая называется PowerCube. Cognos постаралась сделать свой продукт максимально открытым: во-первых, PowerCube может быть помещен в реляционные базы Oracle, Informix, Sybase, MS SQL Server на платформах UNIX, HP/UX, Sun Solaris, IBM AIX, во-вторых, сам PowerPlay способен анализировать содержимое не только PowerCube, но и других многомерных баз данных.
Однако наибольшее распространение в России получили решения только двух производителей гигантов: Oracle и Microsoft.
Но решения Oracle, в основном, не ориентированы на операционные системы Windows. Поэтому у системы Microsoft OLAP сейчас больше пользователей, чем у какой-либо другой системы OLAP на рынке вообще.
Главным фактором выбора Microsoft OLAP для клиента являются вовсе не ожидания высоких технических свойств, а невысокая цена изделия. Тем не менее, пользователи Microsoft OLAP, так же как и пользователи решений Oracle, не имеют особых претензий к эффективности и производительности обработки данных. Типичная база данных, с которой работает Microsoft OLAP, весьма скромна по размерам. Но показательно то, что число пользователей, работающих с очень большими базами посредством Microsoft OLAP, превосходит число тех, кто работает с объектами примерных размеров посредством Essbase или Express. Те, кто использует Microsoft OLAP, отмечают меньше технических проблем, чем пользователи какого-либо другого изделия. Это обстоятельство, в со-
четании с невысокой ценой, делает пользователей Microsoft OLAP наиболее лояльными к своему выбору — среди всех пользователей систем OLAP.
Среди российских производителей инструментов класса OLAP наиболее известны Intersoft Lab, Институт Открытых Систем, BaseGroup Labs.
Решения Intersoft Lab:
• Контур Стандарт - универсальный инструмент быстрой разработки OLAP-приложений, представляющих собой пакеты аналитических интерфейсов (отчетов) для конечного пользователя: руководителя, аналитика, маркетолога и т. д.
• Контур OLAPBrowser - специализированный многооконный броузер для выполнения OLAP-анализа в Internet, локальной сети, на персональном компьютере и обычной работы в Internet.
Решение Института Открытых Систем при Ивановском Городском Энергетическом Университете: ИнфоВизор - комплекс инструментальных средств для автоматизированной поддержки принятия решений.
Решение BaseGroup Labs: Cube Analyzer - система анализа информации на базе технологии OLAP. Я вляется составной частью пакета Deductor. Продукт класса Desktop OLAP.
Стоит отметить, что многие производители систем класса OLAP включают в свои продукты компоненты, предназначенные для Интеллектуального Анализа Данных (Data Mining). Например, усилия Business Objects и Cognos направлены на подготовку окончательных версий компонентов Business Miner и Scenario, соответственно, предназначенных именно для Data Mining.
Безусловно, окончательный выбор производителя OLAP-системы остается за разработчиком СППР. Естественно, что выбираемое ПО в первую очередь должно удовлетворять традиционным требованиям к OLAP-системам, однако при анализе предлагаемых продуктов целесообразно учитывать следующие факторы:
1. Система OLAP должна основываться на сервере многомерных баз данных (MOLAP). Существующие решения на основе реляционных баз (ROLAP) в ближайшее время не смогут удовлетворять требованиям разработчиков по важнейшей характеристике - скорости обработки заранее не регламентированных запросов данных.
2. ПО OLAP - в первую очередь средство создания СППР, поэтому оно должно включать в себя мощные инструменты администрирования и разработки OLAP-приложений - как сервисной логики, так и клиентских.
3. ПО должно содержать развитые средства импорта данных из разнообразных источников.
4. ПО должно позволять разрабатывать системы, которые были бы легко масштабируемы и модифицируемы применительно к постоянно изменяющимся масштабам, условиям и задачам предпринимательской деятельности.
5. Должна обеспечиваться поддержка Web-технологий как наиболее перспективных и дешевых средств построения информационных систем.
6. Разработка СППР носит итерационный характер и требует постоянных доработок и усовершенствований, как в связи с изменением характера и условий бизнеса, так и с уточнением используемых математических моделей и алгоритмов.
Интеллектуальный анализ данных
Наибольший интерес в СППР представляет интеллектуальный анализ данных, так как он позволяет провести наиболее полный и глубокий анализ про-
блемы, дает возможность обнаружить скрытые взаимосвязи, принять наиболее обоснованное решение в области управления рисками предприятия.
Интеллектуальный анализ данных (Data Mining) — это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания.
В общем случае процесс интеллектуального анализа данных состоит из трёх стадий.
Выявление закономерностей Использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование) Анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях
Рис. 2. Стадии Data Mining
Компьютерными технологиями, образующими Data Mining, являются:
Статистические пакеты. Полезны главным образом для проверки заранее сформулированных гипотез и для «грубого» разведочного анализа, составляющего основу оперативной аналитической обработки данных. Хорошо известны пакеты SPSS, STATGRAPHICS, STATISTICA, STADIA.
Нейронные сети и их вариации. Представляют собой сеть взаимосвязанных элементов, которые являются математической моделью нейронов головного мозга. Используются для определения априорно неизвестных сложных функциональных зависимостей на основании статистических данных. Отличительная особенность- возможность обучения. После обучения нейронная сеть становится моделью, которую можно применить к новым данным с целью прогнозирования. Основным недостатком в этом случае является необходимость иметь очень большой объем обучающей выборки. Наиболее известные примеры -BrainMaker, NeuroShell, OWL, NeuroScalp, Эврика+.
Экспертные системы. Позволяют на основании опыта экспертов моделировать процесс принятия решений и выдавать эффективный результат. Наиболее известные примеры: Acquire, Active AgentX, Aion, Angoss Knowledge Seeker, ART Enterprise, Arity Expert Development Package, CAM Software, Comdele/C, +Process Vision, C-PRC, CPR, Crystal, CxPert, The Easy Reasoner, Eclips, Esteem, Exsys developer, Flex, G2, GBB, Guru, Hugin, Icarus, ILog Rules, Kee, Prokappa, Knowledge Craft, Operation Expert, Prospect explorer, ReThink.
Байесовы (вероятностные) сети. Моделируют вероятностные причинно-следственные связи. Позволяют рассчитывать вероятность наступления того или иного события при известной априорной вероятности причин. Позволяют строить модели в режиме реаль-
ного времени с учетом неполноты данных и возможностью корректировки результата при появлении дополнительной информации.
Методы эвристической самоорганизации. Методы данной группы исследуют функциональные и вероятностные взаимосвязи «входов» и «выходов» некоторой системы, т. е. позволяют моделировать сложные нелинейные процессы и системы при отсутствии априорных знаний о структуре системы.
Теория игр. Позволяет формализовать описание процессов принятия сознательных целенаправленных решений при участии одной или нескольких сторон в условиях неопределенностей, риска и конфликта, которые возникают при столкновении интересов. Задача теории игр заключается в предложении рекомендаций рационального образа действий участников процесса принятия решений, т.е. в определении оптимальной стратегии для каждого из них.
Теория хаоса. Предлагает новые методы анализа данных, позволяющие выявлять скрытые зависимости там, где раньше систему считали случайной и не имеющей каких-либо закономерностей. Применение аппарата теории хаоса позволяет качественно изучать нестабильное апериодическое поведение в нелинейных динамических системах, например, в экономических процессах.
Многозначные логики. Нечеткая логика. Логика антонимов. Расширяет возможности «обычной» двоичной логики, оперирующей только понятиями «1 -да» и «0-нет». Позволяет оперировать с нечеткой, неточной, «размытой» информацией. Дает возможность использования качественных, а не количественных характеристик, что позволяет манипулировать лингвистическими понятиями и знаниями, выражаемыми на обычном языке (например, для описания процессов: «плохо»-»средне»-»хорошо», «огромный-большой-маленький-мизерный» и т. д.).
Эволюционные алгоритмы. Адаптивные методы поиска, используемые для решения задач функциональной оптимизации. Основаны на эволюционных процессах биологических организмов: популяции развиваются, подчиняясь законам естественного отбора и принципу «выживает сильнейший». Моделируя этот процесс, эволюционные алгоритмы, в частности генетические, способны «развивать» решения реальных задач, если они соответствующим образом закодированы. Такой подход является динамическим и позволяет довольно быстро находить оптимальные, с определенной точки зрения, решения. Примером такой системы является PolyAnalyst.
Деревья решений и Алгоритмы классификации (decision trees). Создается иерархическая структура классифицирующих правил типа «ЕСЛИ..., ТО...», имеющая вид дерева. Для принятия решения, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Определяют естественные "разбивки" в данных, основанные на целевых переменных. Сначала выполняется разбивка по наиболее важным переменным. Ветвь дерева можно представить как условную часть правила. Наиболее часто встречающимися примерами являются алгоритмы классификационных и регрессионных деревьев либо хи-квадрат индукция (Chi-squared Automatic Induction, CHAID). Недостаток: деревья решений принципиально не способны находить «лучшие» (наиболее полные и точные) правила в данных (IDIS, Knowledge SEEKER, See5/C5.0).
Системы рассуждений на основе аналогичных случаев. Вывод путем сопоставления (Memory-based Reasoning, MBR) или вывод, основанный на прецедентах (Case-based Reasoning, CBR). Эти алгоритмы основаны на обнаружении некоторых аналогий в прошлом, наиболее близких к текущей ситуации, с тем чтобы оценить неизвестное значение или предсказать возможные результаты (последствия). Эти методы называют еще методом «ближайшего соседа». В выборе решения они основываются на всем массиве доступных исторических данных, поэтому невозможно сказать, на основе каких конкретно факторов строятся ответы. Примеры: KATE tools (Франция), Pattern Recognition Workbench (США), КОРА (Россия).
Ассоциативные правила. Алгоритмы ограниченного перебора. Предложены М.М. Бонгардом для поиска логических закономерностей в данных. Выявляют причинно-следственные связи и определяют вероятности или коэффициенты достоверности, позволяя делать соответствующие выводы. Правила представлены в форме "если <условия>, то <вывод>". Их можно использовать для прогнозирования или оценки неизвестных параметров (значений). На основе частоты встречаемости логических закономерностей делается вывод о полезности какой-либо их комбинации
(конъюнкции) для установления ассоциации в данных, для классификации, прогнозирования и т.д. (Пример, WizWhy).
Кластерный анализ. Подразделяет гетерогенные данные на гомогенные или полугомогенные группы. Метод позволяет классифицировать наблюдения по ряду общих признаков. Кластеризация расширяет возможности прогнозирования.
Иммунные сети. Основаны на принципах функционирования иммунной системы позвоночных, которая выступает «вторым» интеллектом - как и нервная система, обладает такими свойствами, как память, способность обучаться, умение распознавать и принимать решения о том, как вести себя в новых ситуациях. Методы, основанные на концепции искусственных иммунных сетей, используются в задачах распознавания образов, информационной безопасности, прогнозировании временных рядов и многих других.
Роевой интеллект. Данный подход основан на коллективном интеллекте социальных насекомых -муравьев и пчел, каждая особь которых обладает очень малыми возможностями, но, собираясь в многотысячную и многомиллионную колонию, они становятся роем, представляющим собой мощную интеллектуальную распределенную систему. Многие современные задачи управления, моделирования и прогнозирования могут быть эффективно решены с помощью автономных эмерджентных систем, построенных по такому принципу. Наиболее активными сферами применения являются социальное и электоральное моделирование, экономическое прогнозирование, маркетинговые исследования и исследования по корпоративному климату.
Методы экспертных оценок. Применяются при отсутствии возможности или трудо-ресурсной нецелесообразности получения данных в количественном выражении. При моделировании многих процессов и систем понятие точных числовых оценок теряет всякий смысл. В таких случаях обращаются к использованию знаний и опыта экспертов - методам экспертных оценок, которые включают в себя методы получения, формализации и интеграции экспертных знаний.
При построении СППР используются комбинации вышеуказанных подходов, что позволяет делать СППР интеллектуальными эффективными системами, учитывающими многие взаимосвязанные параметры и специфический опыт экспертов для решения задач управления рисками предприятия (рис. 3).
Среди западных систем класса Data Mining наиболее известно решение Microsoft Data Mining, которое входит в состав аналитических служб Microsoft SQL Server 2000, которые, в свою очередь, включены в комплект поставки СУБД Microsoft SQL Server 2000, что делает Microsoft Data Mining одним из наименее затратных способов решения интеллектуальных задач подобного класса.
Рис.3. Применение СППР в системе управления рисками предприятия
Наиболее известная российская система класса Data Mining - PolyAnalyst. Разработана на основе технологий искусственного интеллекта (эволюционное программирование, генетические алгоритмы), призвана помочь в обнаружении и быстром показе взаимосвязи между разными рынками, между разными элементами рынка, между ценными бумагами и соответственно в принятии решений. Позволяет представить обнаруженные закономерности в символьной форме - как математические формулы, таблицы предсказаний, структурные законы и алгоритмы. Пакет PolyAnalyst встраивается практически в любое хранилище данных и позволяет в значительной степени автоматизировать процесс предварительного анализа и подготовки выборок данных.
Существуют и другие российские разработки в этой области: Fortel Trade, FuziCalc, MetaStock, SuperCharts и т.п.
Помимо программных реализаций компонент СППР, современный рынок ПО предлагает довольно широкий спектр и готовых решений класса СППР.
Среди западных систем наиболее известны «CONCORDE», «ORET», «Y&R», «Quick Rating». Признанным лидером является компания MicroStrategy (DSS Server, DSS Agent, DSS Executive). Их философией является отсутствие ограничений на размер Хранилища данных, так что нет никаких проблем с его увеличением. Поскольку они являются производителями реляционного OLAP, уровень СППР достаточно высок.
Среди российских разработок наиболее известны («Эксперт», «ИКСИ», «ИСИС», «Парус», «КОНФЛИКТ», «МАИ», «РИСК-1», «КОНСЕНСУС» и т.д.). Рассмотрим некоторые из них.
СППР «Эксперт». Предназначена для решения слабоструктурированных и неструктурированных задач на основе компьютерного анализа экспертных суждений.
В основе данной СППР лежит методология - интегральный иерархический анализ. Он представляет собой широко известный Метод анализа иерархий (МАИ) Т. Саати, дополненный и модифицированный. Эта методология моделирует естественный ход человеческого мышления, и ее адекватность была неоднократно подтверждена решенными в системе задачами.
СППР «Парус». Система позволяет решать задачи оперативного и стратегического управления на основе учетных данных о деятельности компании. Итог ее использования - продуманные решения, опирающиеся на информационный фундамент, адекватные действия, квалифицированное исполнение, и как результат - успех всего предприятия.
СППР «МАИ». Предназначена для творческого поиска и анализа решений слабо- и неформализуемых многокритериальных управленческих задач в условиях неопределённости, множества «запутанных» причинно-следственных связей, конкретных ограничений, а также противодействия объекта. Система особенно эффективна в условиях антикризисного управления при предварительной оценке направления и области поиска решения, а также «увязке» полученных альтернатив в комплексное решение.
Представляя информационные фрагменты в системном виде, система позволяет собрать рассеянную по различным экспертным источникам информацию в единую «мозаику», создать целостную картину происходящего, спрогнозировать на перспективу действия
различных сил и разработать собственный эффективный план действий с учётом вероятного поведения контрагентов в конкурентной среде («БВ-технология»).
С целью получения максимального эффекта от использования СППР рекомендуется не изолированное применение, а интеграция в общую информационную систему (ИС) предприятия. Это связано со следующими факторами:
• работа с СППР как с отдельной системой является крайне неудобной для пользователей, так как не позволяет видеть общую картину сразу, а требует переключения между системами, что уменьшает использование системы и, как следствие, эффект от ее использования;
• СППР должна получать данные в реальном времени, а пользователь должен моментально видеть результаты ее работы, чтобы без больших временных затрат принять правильное решение;
• кроме того, многопользовательская концепция СППР предполагает получение адекватной прогнозной и рекомендательной информации на настоя-
щий момент, что возможно только при полной интеграции СППР и ИС.
Однако применение СППР не в составе ИС также приводит к увеличению эффективности, но удобство использования при этом уменьшается. В этом случае необходимые данные из ИС следует трансформировать в определенный формат для дальнейшей передачи в СППР.
Таким образом, использование СППР как части информационной системы предприятия дает ему неоспоримые конкурентные преимущества, повышает устойчивость предприятия, уменьшает затраты (как в виде потерь, так и в виде дополнительных расходов на увеличение персонала), позволяет более точно осуществлять стратегическое планирование и т.п., т.е. существенно увеличивает эффективность функционирования предприятия в рисковых условиях.
Таким образом, можно сформировать оптимальный комплекс информационных технологий обеспечения системы управления рисками предприятия (рис. 4).
Корпоративные информационные системы класса MRP II, ERP, CSRP, .
Baan, R3, Oracle, Axapta, 1С .Предприятие, Галактика,
Взаимодополнение
СИСТЕМА УПРАВЛЕНИЯ
РИСКАМИ ПРЕДПРИЯТИЯ
Комплекс функционально ориентированных программных продуктов
БЭСТ, Альт, Касатка, Project Expert, Marketing Expert, ...
Взаимодополнение
Специализированные программные решения класса СППР
Готовые решения СППР
«Эксперт», «Аналитика», «Парус», «МАИ», «ИКСИ», «ИСИС», «КОНФЛИКТ», «РИСКА», «КОНСЕНСУС», «CONCORDE», «ORET», «Y&R,», «QuickRating», ...
Сборные решения СППР
Хранилище данных (Data Warehouse) Power Designer (Sybase), Designer 2000 (Oracle), Silverman (CSA Research), Developer 2000 (Oracle), Power Builder (Sybase), Platinum, MSP, ...
OLAP (On-Line Analitvcal Processing) SQL Server 2000 Analysis Services (Microsoft) OLAPBrowser (Intersoft Lab), Cube Analyzer (BaseGroup Labs) Microsoft OLAP (Microsoft), Express and Oracle 9i OLAP (Oracle), Essbase (Hyperion), PowerPlay (Cognos) ShowCase Strategy (SPSS), ...
«Добыча данных» (Data Mining) Microsoft Data Mining, STATGRAPHICS, BrainMaker, Neuro Shell, OWL, KATE tools, КОРА, IDIS, Knowledge SEEKER, See5/C5.0, PolyAnalyst, GeneHunter, WizWhy, Poly Analyst, Fortel Trade, FuziCalc, MetaStock, SuperCharts, ...
Рис. 4. Комплекс ИТ обеспечения системы управления рисками предприятия
Реализация подобного комплекса в любом из повысит качество и своевременность принимаемых
предложенных профилей несомненно позволит зна- решений. чительно совершенствовать сам процесс принятия
решений в системе управления рисками предприятия, Получена 04.12.2006
