信息管理系统之决策支持与商务智能

《信息管理系统之决策支持与商务智能》由会员分享，可在线阅读，更多相关《信息管理系统之决策支持与商务智能（59页珍藏版）》请在装配图网上搜索。

1、Click to edit Master title style,,Click to edit Master text styles,,Second level,,Third level,,Fourth level,,Fifth level,,*,,*,,单击此处编辑母版标题样式,,单击此处编辑母版文本样式,,第二级,,第三级,,第四级,,第五级,,,,*,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,第八章,决策支持与商务智能,,,本章内容,8.1 决策支持系统,8.2 人工智能与专家系统,8.3 联机分析处理,8.4 商务智能方法与应用,,,决策过程和决策问题,决

2、策过程：人们为实现一定目标而制定行动方案，并准备实施的活动过程，是一个提出问题、分析问题和解决问题的过程。,决策问题,一般用“结构”这个概念来描述,问题结构化程度的三种描述：,结构化,半结构化,非结构化,,,根据结构化程度和层次划分决策问题,结构化程度是指对某一个过程的环境和规律，能否用明确的语言（数学的或逻辑学的，形式的或非形式的，定量的或推理的）给予清晰的说明或描述。,,,,决策支持系统的定义,DSS是以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、模拟技术和信息技术为手段，面对半结构化的决策问题，支持决策活动的具有智能作用的人－机计算机系统 。,,,决策支持系统的特征,面向决策

3、者：决策支持系统的输入和输出、起源和归宿都是决策者。,,主要帮助管理人员完成半结构化的决策问题,,强调支持的概念 ：辅助和支持管理人员，而非取而代之 。,,强调交互式的处理方式,,,决策支持系统的功能 ⑴,管理并随时提供与决策问题有关的组织内部信息,,搜集、管理并提供与决策问题相关的组织外部信息,,及时搜集提供有关各项活动的反馈信息,,能以一定的方式存储和管理与决策问题相关的各种数学模型,,能够存储并提供常用的数学方法及算法,,,,决策支持系统的功能⑵,上述数据、模型和算法能够容易的添加和修改,能够灵活的运用模型与方法对数据进行加工、汇总、分析、预测，得出所需的综合信息与预测信息。,具有方便的

4、人机对话和图像输出功能，能够满足随机的数据查询要求，回答“如果…则…”之类的问题。,提供良好的数据通信功能,具有使用者能够忍受的加工速度与响应时间，不影响使用者的情绪。,,,决策支持系统的基本模式,,,决策支持系统的模式,一个完整的决策支持系统的模式被表示为DSS本身以及它与真实系统、管理者和外部环境的关系 。,,管理者处于核心位置,,,决策支持系统的基本构件,人机对话系统：DSS中用户与计算机的接口，其核心是人机界面。,数据库系统：存储、管理、提供与维护用于决策支持的数据的基本构件，是支撑模型库系统及方法库系统的基础。,模型库系统：传统的DSS的重要支柱，是DSS最有特色的构件之一。,方法库

5、系统：存储、管理、调用和维护DSS各构件要用到的通用算法、标准函数等方法的构件。,知识库系统,,,DSS的系统结构,上述构件之间的关系组成了DSS的系统结构。,,不同功能特色的DSS，其系统结构也不同。,,当前存在的结构包括三角式结构，串连结构，熔合式结构以及以数据库为中心的结构等。,三角式结构,串连式结构,,,DSS的系统分析方法 －ROMC,表述（Representation）,采用表格、图表、数据、文本或模型等概念化的形式来描述各个活动的规范和内容，而不必描述决策过程整体；,操作（Operation）,将概念化的描述转换为相应决策活动中的具体操作，这些操作无须确定先后顺序；,记忆辅助（M

6、emory Aids）,对决策者采用的决策方法与决策数据的记忆手段加以辨识可确定DSS应该具有的各种记忆辅助功能；,控制机制（Control Mechanisms）,关于如何引导决策者使用表述、操作、记忆辅助，以便根据他们个人的风格、技能和知识综合进行决策的机制。,,,决策支持系统的发展趋势,智能决策支持系统（IDSS）：充分利用专家系统定性分析与DSS定量分析的能力；,,群体决策支持系统（GDSS）： DSS与计算机网络技术的结合，能够供一定决策者共同参与进行决策的；,,分布式决策支持系统（DDSS）：在GDSS的基础上，将分布式的数据库、模型库与知识库等决策资源有机集成。,,,智能决策支持

7、系统 （,IDSS,）,IDSS在DSS基础上增设了知识库、推理机与问题处理系统，人机对话部分加入了自然语言处理系统 。,IDSS以知识库为核心，引入了启发式等人工智能求解方法，使传统DSS原来由人承担的定性分析工作部分或者大部分转由机器完成。,,四库IDSS的基本结构,,,群体决策支持系统（GDSS）,群体决策支持系统（GDSS）是一种在DSS基础上利用计算机网络与通信技术，供多个决策者为了一个共同的目标，通过某种规程相互协作地探询半结构化或非结构化决策问题的信息系统。,群体决策支持模型,,,本章内容,8.1 决策支持系统,8.2 人工智能与专家系统,8.3 联机分析处理,8.4 商务智能方

8、法与应用,,,人工智能(AI),人工智能是在计算机科学、控制论、信息论、神经生理学、心理学、哲学、语言学等多种学科相互渗透的基础上发展起来的一门新兴边缘学科。,,研究怎样让计算机或智能机器（包括硬件和软件）模仿、延伸和扩展人脑从事推理、规划、计算、思考、学习等思维活动，解决迄今为止需要人类专家才能处理好的复杂问题。,,,人工智能学科体系的三个层次,人工智能理论基础：与人工智能有关的数学理论、思维科学理论和计算机工程技术，都是人工智能的理论基础。,人工智能原理：人工智能的作用原理是以知识的表达、知识的处理、知识的获取与学习为基础的，利用知识求解问题的基本技术为主要研究内容。,人工智能工程系统：根

9、据人工智能原理而建立的工程系统，如专家系统、图像识别系统、智能机器人系统等都属于人工智能工程技术的范围。实质是人工智能的应用。,,,人工智能的研究内容和目的,机器思维与思维机器。,机器思维：启发式程序、专家系统、知识工程、机器学习、机器证明、机器博弈等。,思维机器：智能计算机、学习机、推理机、博弈机、逻辑机、自动机、神经细胞模型、人工神经网络、脑模型等。,机器感知与感知机器。,机器感知：文字、图像、物体、声音等模式识别与自然语言理解；计算机视觉、听觉、触觉等。,感知机器：文字、图像、声音、语言的识别机、感知机等；触觉感知器，平衡感知器，各种智能传感器等。,机器行为与行为机器。,机器行为：自适应

10、、自镇定、自寻优等智能控制、管理和决策行为，机器人在不确定的、动态的环境中的“漫游”行为。,行为机器：智能控制器、智能效应器、智能机械手、智能机器人等。,,,专家系统的概念,研究出发点不同，看待问题的观点不同，追求的目标不同，导致对专家系统的定义存在不一致的看法。,,通用定义：专家系统是利用计算机技术、人工智能及其它理论，将某个特定领域内专家的知识或者推理过程在计算机上实现，并且用来解决过去需要专家才能解决的现实问题的计算机系统 。,,,专家系统的七个特征,具有专家水平的专门知识,,符号处理,,一般问题的求解能力,,复杂度和难度,,具有解释功能,,具有获取知识的能力,,知识和推理机构相互独立,

11、,,按不同分类标准划分专家系统,应用领域：医疗专家系统、勘探专家系统、石油专家系统、气象专家系统、生物专家系统、法律专家系统等。,知识表示技术：基于逻辑的专家系统、基于规则的专家系统、基于语义网络的专家系统、基于框架的专家系统等。,推理控制策略：正向推理专家系统、反向推理专家系统、元控制专家系统等。,采用的不精确推理技术：确定理论推理技术专家系统、主观Bayes推理专家系统、可能性理论推理技术专家系统、D/S证据理论推理技术专家系统等。,结构：单专家系统和群专家系统（亦称协同式多专家系统）。,处理的问题类型：十大类型。,,,按处理问题的类型划分专家系统,专家系统按所处理的问题类型分类,专家系统

12、任务类型的层次结构,,,专家系统的结构,知识库中包含信息和经验法则，专家系统的核心就是知识库中存储的知识；,,推理机是专家系统的中央处理单元；,,知识获取子系统可以在知识库中加入新的规则；,,解释子系统用来解释求得结果的过程 。,专家系统的基本结构,,,常用的知识表示方法 －产生式规则,一般形式为 P->Q,P代表一组前提（条件或者状态），Q表示若干结论（或者动作）,一系列这样的规则就组成了一个知识库,推理程序从前往后顺序的进行匹配,推理机的工作以“匹配－冲突消解－操作”的方式循环运转直到解决问题。,,,常用的知识表示方法 －框架,框架是一种知识结构化表示方法，也是一种定型状态的数据结构；,顶

13、层是固定的，表示某个固定的概念、对象或者事件；,下层是由槽组成，每一个槽可以有任意有限数目的侧面；,每个侧面又可以有任意数目的值，且侧面还可以是其它框架（称为子框架）；,相互关联的框架连接起来组成框架系统，或者框架网络；,不同的框架网络又可通过信息检索组成更大的系统，代表一块完整的系统。,用框架描述“椅子”的概念,,,框架网络的活动和推理,两种活动继承推理,,填槽：即框架未知内容的槽的填写,,匹配：即根据已知事件寻找合适的框架，用于描述当前事件，并对未知事件进行预测,,推理,,继承推理：各框架之间可以构成继承关系。,,匹配,,预测，联想和直觉,,,常用的知识表示方法 －语义网络,语义网络是一个

14、带标识的有向图，有向图的结点表示各种事务、概念、属性等，有向图的弧表示各种语义联系，指明所连接结点之间的某种联系。,一个简单的语义网络,,,语义网络系统的三种活动,继承推理：通过is-a弧，一个概念结点的所有属性和信息可以继承到实例结点。,匹配推理：语义网络推理的基础,根据提问内容构造一个语义网络碎片，在系统的语义网络中寻找匹配，使变量结点在匹配过程中得到赋值。,散射激活推理,在一对概念间进行推理时，寻找代表这两个概念的结点之间的联系，即从这两个结点开始，然后激活与之连接的全体结点，依次地激活与这些结点连接的全体结点，如此往外扩散。当某概念同时从两个方向上激活，就算找到了一种联系。,,,专家系

15、统的发展趋势－第一代专家系统,特点,,高度专业化，但结构、功能不完整，移植性差；,,专门问题求解能力强，但缺乏推理解释功能。,,,专家系统的发展趋势－第二代专家系统,特点,学科专用型系统；,系统结构较完整，功能较全面，移植性好；,具有推理解释功能，使用户比较清楚地了解系统地解题过程；,采用启发式推理、似然推理、非精确推理，增强了系统的表达能力；,把具有一定普遍意义的推理方法与大量同领域相关的专门知识结合起来，从而使这些系统具有广泛的通用性；,用产生式规则、框架、语义网络表达知识,,,,专家系统的发展趋势－第三代专家系统,特点,,向用户实际的复杂问题求解；,,具有综合性、多方面的集成功能；,,应

16、用多学科、多专业、多专家的知识和经验，进行并行协同解题；,,依靠诸如模型、方法、软件和接口等多种技术集成进行设计和建造；,,基于分布式、开放性软硬件及网络环境；,,实现知识共享和知识重用,,,,本章内容,8.1 决策支持系统,8.2 人工智能与专家系统,8.3 联机分析处理,8.4 商务智能方法与应用,,,从OLTP到OLAP,,,OLAP和数据仓库,OLAP应用构建于数据仓库而非数据库之上，主要是由于以下三个技术方面的原因 ：,计算机处理速度阶跃式增长，单位字节的存储和处理成本大幅度降低，是保证数据仓库有效运行的物理基础；,决策分析理论的完善和应用使得数据仓库中的分析技术能够有效实现，使得决

17、策人员可以直接从系统中获得需要的决策支持信息；,数据仓库系统中，数据用于支持各种分析任务，并生成多角度，多层次和不同粒度上的分析结果.,,,OLAP中的基本概念 ⑴,变量:从现实系统中抽象出来，用于描述数据的实际含义。,,维:人们观察数据的特定角度,,维的层次,,类别:构成一个维的独立的数据元素，是存在于层里每一个数据。,维、层和类别的关系示意图,,,OLAP中的基本概念 ⑵,维的取值：也称为维的成员,,度量：企业收集和存储的用于评价业务状况的数值性数据，以监测和评估企业成效。,,多维数组,,数据单元（单元格）,,多维数组的取值称为数据单元,多维数据立方体,,,OLAP的基本操作 －切片（Sl

18、ice）,在多维数组的某一维上选定其维成员的动作称为切片,在多维数组（维1，维2，…维n，度量）中选中某一维，如维i，并取其某一维成员（设为维成员Vi），所得的多维数组的子集（维1，维2，…维成员Vi，…维n，度量）称为在维i上的一个切片。,,,OLAP的基本操作 －切块（Dice）,数据切块就是将完整的数据立方体切取一部分数据而得到的新的数据立方体。,选取多维数组（维1，维2，…，维n，度量）中若干维度（通常是3个维度便于图形显示）的取值范围，从而形成了多维数据的子集（维1，维2，…，Ai < 维i < Bi，…，Bj < 维j < Bj，…，维度n，度量），这个多维数据子集被称为切块。,,

19、,OLAP的基本操作 －,下钻/上卷（Drill Down/Roll Up）,数据下钻（向下钻取）是从较高的维度层次下降到较低的层次上来观察多维数据,,数据上卷是下钻的逆向操作，是对数据进行高层次聚合的操作。,,,OLAP的基本操作 －,旋转（Rotate）,数据旋转是改变维度的位置关系，使最终用户可以从其他视角来观察多维数据。,,不同维度间的旋转,维层次间的旋转,,,OLAP的准则(Codd 1993),准则1：多维概念视图,,准则2：透明性,,准则3：存取能力,,准则4：稳定的报表功能,,准则5：客户机/服务器体系结构,,准则6：维的等同性,准则7：动态稀疏矩阵处理,,准则8：支持多用户,

20、,准则9：非限定的跨维操作,,准则10：直观的数据处理,,准则11：柔性报表,,准则12：不受限的维与层次聚类,,,本章内容,8.1 决策支持系统,8.2 人工智能与专家系统,8.3 联机分析处理,8.4 商务智能方法与应用,,,商务智能,,,知识发现、数据挖掘与商务智能,20世纪80年代末，机器学习方法在数据分析中的应用导致数据库知识发现（KDD，Knowledge Discovery in Database）的产生。,,20世纪90年代以来，以数据挖掘技术为核心的商务智能（知识发现在商业的应用）受到了学术界和业界的广泛关注。,,,数据挖掘 (Data Mining),数据挖掘 /知识发现

21、(从海量数据中淘“金”),,,数据挖掘的特点,传统的决策分析技术中，都是决策人员事先给出逻辑假设和模型，而后在数据中进行检验和参数评估。,,数据挖掘是数据驱动，始于纷繁复杂的海量数据，利用强大的数据分析工具和特定的知识提取方法，从数据出发，挖掘中其中有效的模式，从而获得潜在的、新颖的以及有用的知识。,,,数据挖掘的任务,数据挖掘的基本任务是预测（prediction）和描述(description）,,预测就是利用数据中已知的变量和字段来确定一些感兴趣的未知或未来的值，如分类等。,,描述则集中于寻找一种人类能够理解和解释的模式对数据进行刻画，如聚类、关联规则等。,,,数据挖掘的分类,按所挖掘的

22、模式的类型将数据挖掘划分为：,,概念描述（归纳或简约）,,分类和预测,,聚类,,关联规则,,其它的一些模式识别和统计方法,,,数据挖掘－概念描述（归纳）,概念描述与数据概化密切相关,,以简洁的形式在更一般的（而不是在较低的）抽象层描述数据是很有用的,,允许数据集在多个抽象层概化，便于用户考察数据的一般行为,,与OLAp的区别,,更为复杂的数据类型,,用户控制与自动处理,,,数据挖掘－分类和预测,分类：给定已有的数据和类别，通过分类算法得到描述和区分数据类或概念的模型。,,预测：将上述分类模型应用到要进行测试的数据上，对未来或者未知的数据进行预测。,贷款分类模型,,,数据挖掘－聚类分析,聚类是将

23、一个数据集按照某个标准分成几个簇的过程。,每个簇内部的数据按照该标准具有很高相似性，而簇之间的数据的相似性很低。,聚类与分类不同,分类中，类标记事先给出，是一种监督学习的方法；,聚类没有事先给定类别，属于一种非监督的学习。,客户的聚类分析,,,数据挖掘－关联规则挖掘,关联规则挖掘，就是对业务的所有不同类型的信息进行全面的处理，得到不同类型信息之间的相互关系，从而进一步分析不同信息之间潜在的逻辑规律，为业务运作提供参考和决策支持。,,技术层面讲，关联规则挖掘是在给定的事务数据库中找到所有满足最小支持度和最小置信度的形如X=>Y的规则,,,商务智能应用系统,目前商务智能和数据挖掘工具分为三类：,,

24、通用单任务类,,通用多任务类,,面向专门领域类,,,IBM 商业智能解决方案,,,,BI 的数据挖掘解决方案 Intelligent Miner,,,演讲完毕，谢谢观看！,内容总结,第八章。决策过程：人们为实现一定目标而制定行动方案，并准备实施的活动过程，是一个提出问题、分析问题和解决问题的过程。结构化程度是指对某一个过程的环境和规律，能否用明确的语言（数学的或逻辑学的，形式的或非形式的，定量的或推理的）给予清晰的说明或描述。具有方便的人机对话和图像输出功能，能够满足随机的数据查询要求，回答“如果。模型库系统：传统的DSS的重要支柱，是DSS最有特色的构件之一。当前存在的结构包括三角式结构，串连结构，熔合式结构以及以数据库为中心的结构等。研究出发点不同，看待问题的观点不同，追求的目标不同，导致对专家系统的定义存在不一致的看法。通用定义：专家系统是利用计算机技术、人工智能及其它理论，将某个特定领域内专家的知识或者推理过程在计算机上实现，并且用来解决过去需要专家才能解决的现实问题的计算机系统。不同的框架网络又可通过信息检索组成更大的系统，代表一块完整的系统。维的取值：也称为维的成员,