ess8 ch10 GR.ppt [Î ÎµÎ¹Ï Î¿Ï Ï Î³Î¯Î± Ï Ï Î¼Î²Î±Ï Ï Ï Î·Ï ... · e\ 3uhqwlfh +doo þ (dvwhuq 0rxqwdlq 6sruwv $ . ! 0 2 / ! ) . . * 2 0 ! 0 " . 3 1 0

10.1 © 2007 by Prentice Hall

Κεφάλαιο 10

Βελτίωση Λήψης Αποφάσεων και

Διαχείριση Γνώσεων

Βελτίωση Λήψης Αποφάσεων και

Διαχείριση Γνώσεων


ΜΑΘΗΣΙΑΚΟΙ ΣΤΟΧΟΙ

Πληροφοριακά Συστήματα ΔιοίκησηςΚεφάλαιο 10: Βελτίωση Λήψης Αποφάσεων και Διαχείριση Γνώσεων

Ποιοι είναι οι διάφοροι τύποι αποφάσεων και πώς λειτουργεί η διαδικασία λήψης αποφάσεων;

Πώς τα πληροφοριακά συστήματα βοηθούν τους ανθρώπους που εργάζονται ατομικά ή σε ομάδες να λαμβάνουν αποφάσεις πιο αποτελεσματικά;

Ποια είναι τα επιχειρηματικά οφέλη από τη χρήση ευφυών τεχνικών στη λήψη αποφάσεων και στη διαχείριση γνώσεων;


ΜΑΘΗΣΙΑΚΟΙ ΣΤΟΧΟΙ

Ποιοι τύποι συστημάτων χρησιμοποιούνται για διαχείριση γνώσεων σε επιχειρησιακή κλίμακα, και πώς προσφέρουν αξία στις επιχειρήσεις;

Ποιοι είναι οι βασικοί τύποι συστημάτων χειρισμού γνώσεων και πώς προσφέρουν αξία στις επιχειρήσεις;



Η Eastern Mountain Sports χαράζει το δρόμο για καλύτερες αποφάσεις

Πρόβλημα: Παλιά και δύσχρηστα πληροφοριακά συστήματα, σπατάλη χρόνου εργασίας, κακές αποφάσεις για αποθέματα.

Λύσεις: Υιοθέτηση ενός συστήματος επιχειρηματικής ευφυΐας για την πιο αποδοτική συλλογή και επικοινωνία σημαντικών δεδομένων.




Το WebFOCUS και το ενδιάμεσο λογισμικό iWay από την Information Builders εξάγει τα βασικά δεδομένα και τα παρουσιάζει σε πίνάκες ελέγχου προσβάσιμους μέσω του Ιστού.

Παρουσιάζει τον ρόλο της τεχνολογίας πληροφοριών στον εξωραϊσμό παλιών πληροφοριακών συστημάτων.

Δείχνει επίσης τον ρόλο της ψηφιακής τεχνολογίας στη βελτίωση της λήψης αποφάσεων.



Λήψη αποφάσεων και πληροφοριακά συστήματα

Επιχειρηματική Αξία της Βελτιωμένης Λήψης Αποφάσεων

Η μέτρηση της βελτιωμένης λήψης αποφάσεων είναι δυνατή

Αποφάσεις λαμβάνονται σε όλα τα επίπεδα της επιχείρησης

• Μερικές είναι συνηθισμένες, ρουτίνας και πολλές

• Αν και η αξία της βελτίωσης μίας μόνο απόφασης μπορεί να είναι μικρή, η βελτίωση εκατοντάδων χιλιάδων «μικρών» αποφάσεων ισοδυναμεί με μεγάλη ετήσια αξία για την επιχείρηση




Επιχειρηματική Αξία της Βελτιωμένης Λήψης Αποφάσεων



Τύποι Αποφάσεων



Αδόμητες• Ο λήπτης της απόφασης πρέπει να επιστρατεύσει την κρίση

του για να λύσει το πρόβλημα• Πρωτότυπες και σημαντικές, δεν είναι καθημερινής ρουτίνας• Δεν υπάρχει καλά κατανοητή ή προσυμφωνημένη διαδικασία

λήψης απόφασης

Δομημένες• Επαναλαμβανόμενες αποφάσεις ρουτίνας• Ακολουθούν προκαθορισμένη διαδικασία χειρισμού ώστε να

μην αντιμετωπίζονται ως πρωτότυπες

Ημιδομημένες• Μόνο μέρος του προβλήματος επιδέχεται σαφή απάντηση

που προέρχεται από αποδεκτή διαδικασία



Εικόνα 10-1

Τα ανώτερα, τα μεσαία και τα επιχειρησιακά στελέχηκαι το λοιπό προσωπικό έχουν διαφορετικούς τύπους αποφάσεων και πληροφοριακές απαιτήσεις.

Πληροφοριακές Απαιτήσεις Βασικών Ομάδων Λήψης Αποφάσεων σε μια Επιχείρηση



Η Διαδικασία λήψης Αποφάσεων



1. Συλλογή πληροφοριών• Ανακάλυψη, καθορισμός και κατανόηση των προβλημάτων

που υπάρχουν στον οργανισμό – γιατί υπάρχει πρόβλημα, πού υπάρχει, ποιες είναι οι επιπτώσεις του

2. Σχεδιασμός• Εντοπισμός και διερεύνηση διαφόρων λύσεων

3. Επιλογή• της προτιμότερης από τις εναλλακτικές λύσεις

4. Εφαρμογή• Υλοποίηση της επιλεγμένης λύσης και παρακολούθηση του

πόσο καλά λειτουργεί




Εικόνα 10-2

Η διαδικασία λήψηςαποφάσεων μπορεί νααναλυθεί σε τέσσερα στάδια.

Στάδια της Λήψης Αποφάσεων


Ποιοτικοί Παράγοντες Αποφάσεων



Ακρίβεια

• Η απόφαση αντανακλά την πραγματικότητα

Περιεκτικότητα

• Η απόφαση αντικατοπτρίζει πλήρη συνεκτίμηση γεγονότων και περιστάσεων

Δικαιοσύνη

• Η απόφαση αντανακλά πιστά τις ανησυχίες και τα ενδιαφέροντα των εμπλεκόμενων μερών


Ποιοτικοί Παράγοντες Αποφάσεων



Ταχύτητα (αποτελεσματικότητα) • Η λήψη της απόφασης είναι αποτελεσματική όσον

αφορά το χρόνο και άλλους πόρους

Συνοχή• Η απόφαση αντανακλά μια ορθολογική διεργασία

που μπορεί να εξηγηθεί σε άλλους και να γίνει κατανοητή

Δέουσα διαδικασία• Η απόφαση είναι απόρροια γνωστής διαδικασίας

και μπορεί να προσβληθεί σε ανώτερη αρχή


Συστήματα και Τεχνολογίες Στήριξης Αποφάσεων



Πληροφοριακά συστήματα διοίκησης (MIS)

Συστήματα υποστήριξης αποφάσεων (DSS)

Συστήματα υποστήριξης διοίκησης (ESS)

Συστήματα υποστήριξης ομαδικών αποφάσεων (GDSS)

Ευφυείς τεχνικές


Πληροφοριακά Συστήματα Διοίκησης (MIS)

Συστήματα για τη Στήριξη Αποφάσεων


Βοηθούν τους μάνατζερ να παρακολουθούν και να ελέγχουν την επιχειρηματική δραστηριότητα, με πληροφορίες για την απόδοση της επιχείρησης

Κατά κανόνα, παράγουν καθορισμένες και τακτές αναφορές με βάση δεδομένα από υποκείμενα συστήματα επεξεργασίας συναλλαγών (TPS)

• π.χ. σύνοψη μηνιαίων ή ετήσιων πωλήσεων για καθεμία από τις κύριες γεωγραφικές περιοχές μιας εταιρείας

• Αναφορές Αποκλίσεων: Τονίζουν μόνον ασυνήθιστες καταστάσεις


Συστήματα Υποστήριξης Αποφάσεων (DSS)

Υποστηρίζουν την ανάλυση ημιδομημένων και αδόμητων προβλημάτων

Τα πρώτα DSS καθοδηγούνταν από απλά μοντέλα

• Ανάλυση υποθέσεων (“What-if”): αναπτύσσεται ένα μοντέλο, μεταβάλλονται διάφοροι παράγοντες εισόδου και μετρώνται οι μεταβολές της εξόδου

Σύγχρονα DSS καθοδηγούμενα από δεδομένα

• Χρησιμοποιούν αναλυτική επεξεργασία άμεσης επικοινωνίας (OLAP) και εξόρυξη δεδομένων για την ανάλυση μεγάλων ποσοτήτων δεδομένων από τα κυριότερα εταιρικά συστήματα






Μελέτη Περίπτωσης: ΆνθρωποιΓιατί τόσο Πολλές Αρνήσεις Επιβίβασης;

Διαβάστε τη Μελέτη Περίπτωσης και συζητήστε τα ακόλουθα ερωτήματα:• Λειτουργεί καλά το σύστημα υποστήριξης αποφάσεων των

αεροπορικών εταιρειών για την υπερκράτηση θέσεων; Δώστε απάντηση από την πλευρά των εταιρειών και από την πλευρά των επιβατών.

• Ποιες είναι οι επιπτώσεις για τις εταιρείες αν αρνούνται επιβίβαση σε πάρα πολλούς επιβάτες;

• Ποιες είναι οι εισροές, οι διεργασίες και οι εκροές αυτού του DSS;

• Ποιοι ανθρώπινοι, οργανωσιακοί και τεχνολογικοί παράγοντες είναι υπεύθυνοι για τα προβλήματα των υπερβολικών υπερκρατήσεων;

• Σε ποιο βαθμό αυτό είναι πρόβλημα «ανθρώπων»; Αιτιολογήστε την απάντησή σας.


Συστατικά Στοιχεία των DSS



Βάση δεδομένων DSS: συλλογή τρεχόντων ή ιστορικών δεδομένων από διάφορες εφαρμογές ή ομάδες

Σύστημα λογισμικού DSS

• Εργαλεία λογισμικού για την ανάλυση των δεδομένων

Εργαλεία αναλυτικής επεξεργασίας άμεσης επικοινωνίας (OLAP)

Εργαλεία εξόρυξης δεδομένων

Μαθηματικά και αναλυτικά μοντέλα

Διασύνδεση του DSS με τον χρήστη


Λήψη Αποφάσεων και Πληροφοριακά Συστήματα


Εικόνα 10-3

Τα κύρια συστατικά μέρη ενός DSS είναι η βάση δεδομένων DSS, το σύστημα λογισμικούDSS, και η διασύνδεση με το χρήστη. Η βάση δεδομένων DSS μπορεί να είναι μια μικρή βάση δεδομένων σε προσωπικό υπολογιστή ή μιαμεγάλη αποθήκη δεδομένων.

Γενική Απεικόνιση Συστήματος Υποστήριξης Αποφάσεων




Μοντέλο: Αφηρημένη αναπαράσταση των στοιχείων ή των σχέσεων ενός φαινομένου

Η δημιουργία στατιστικού μοντέλου βοηθάει στη διερεύνηση σχέσεων• π.χ. η σχέση πωλήσεων ενός προϊόντος με διαφορές στην

ηλικία, το εισόδημα ή άλλους παράγοντες

Μοντέλα βελτιστοποίησης, μοντέλα προβλέψεωνΜοντέλα ανάλυσης ευαισθησίας

• Υποβάλλουν επανειλημμένες ερωτήσεις εναλλακτικών υποθέσεων («τι θα γίνει αν …») για να προσδιοριστεί η επίπτωση στα αποτελέσματα από τις αλλαγές ενός ή περισσότέρων παραγόντων

• π.χ. Τι θα γίνει αν αυξηθεί η τιμή του προϊόντος κατά 5%;




Εικόνα 10-4

Ο πίνακας παρουσιάζει τα αποτελέσματα μιας ανάλυσης ευαισθησίας σχετικά με την επίδραση των αλλαγών της τιμής πώλησης και του μοναδιαίου κόστους μιας γραβάτας πάνω στο σημείο ισορροπίας του προϊόντος. Απαντάει δηλαδή στην ερώτηση “Τι θα συμβεί στο σημείο ισορροπίας αν η τιμή πώλησης και το κόστος παραγωγής κάθε μονάδας αυξηθούν ή μειωθούν;”

Ανάλυση Ευαισθησίας


Πίνακες Λογιστικών Φύλλων για Υποστήριξη Αποφάσεων



Οι πίνακες λογιστικών φύλλων μπορούν να δίνουν απαντήσεις σε πολλαπλές πλευρές των ερωτήσεων• Ώρες της ημέρας και μέσος όρος αγορών

• Τύπος πληρωμής και μέσος όρος αγορών

• Τύπος πληρωμής, περιοχή και προέλευση πελατών

Συγκεντρωτικός πίνακας• Παρουσιάζει δύο ή περισσότερες διαστάσεις των

δεδομένων σε βολική μορφή




Εικόνα 10-5

Ο κατάλογος δείχνει ένα τμήμα των συναλλαγώνπαραγγελιών πουπραγματοποίησε ηOnline ManagementTraining Inc. στις 28Οκτωβρίου 2007.

Δείγμα Καταλόγου Συναλλαγών τηςOnline Management Training Inc.




Ένας Συγκεντρωτικός Πίνακας που Εξετάζει τηνΠεριφερειακή Κατανομή των Πελατών

Εικόνα 10-6

Αυτός οσυγκεντρωτικόςπίνακας δημιουργήθηκε με τη χρήση του Excel2007 με στόχο ναπαρουσιαστείγρήγορα η σχέσηανάμεσα στιςπεριφέρειες και στοναριθμό πελατών.




Εικόνα 10-7

Σε αυτόν τον συγκεντρωτικό πίνακα μπορούμε να εξετάσουμε την προέλευση των πελατών από πλευράς περιφέρειας και διαφημιστικής πηγής. Φαίνεται ότι σχεδόν το 30% των πελατών προέρχονται από καμπάνιες ηλεκτρονικού ταχυδρομείου, ενώ υπάρχουν κάποιες διακυμάνσεις ανά περιφέρεια.

Συγκεντρωτικός Πίνακας που Εξετάζει την ΠεριφερειακήΚατανομή των Πελατών και τη Διαφημιστική Πηγή


Οπτική Παράσταση Δεδομένων και Γεωγραφικά Πληροφοριακά Συστήματα (GIS)



Εργαλεία οπτικής παράστασης δεδομένων:

• Παρουσιάζουν δεδομένα σε μορφή γραφικών για να βοηθούν τους χρήστες να βλέπουν πρότυπα και σχέσεις σε μεγάλες ποσότητες δεδομένων

Γεωγραφικά πληροφοριακά συστήματα (GIS):

• Χρησιμοποιούν τεχνολογία οπτικής παράστασης για να αναλύουν και να παρουσιάζουν δεδομένα σε μορφή ψηφιοποιημένων χαρτών

• Υποστηρίζουν αποφάσεις που προϋποθέτουν γνώση σχετικά με τη γεωγραφική κατανομή ανθρώπων ή άλλων πόρων




Η Νότια Καρολίνα χρησιμοποιείένα γεωγραφικό πληροφοριακό σύστημα, το HAZUS, για να εκτιμά και να χαρτογραφεί τις περιφερειακές ζημιές καιαπώλειες σε περίπτωσησεισμού ορισμένης θέσης και έντασης. Το HAZUS εκτιμά το βαθμό και τη γεωγραφικήέκταση των ζημιών από σεισμό σε ολόκληρη την πολιτεία με πληροφορίες για τη χρήση των κτιρίων, τον τύπο και τα υλικάκατασκευής τους. Το σύστημααυτό βοηθάει την πολιτεία νασχεδιάζει τις ενέργειες σεφυσικές καταστροφές και το μετριασμό των επιπτώσεών τους.


Συστήματα Υποστήριξης Αποφάσεων Πελατών (CDSS)



Υποστηρίζουν τη διαδικασία λήψης απόφασης από πελάτες• Περιλαμβάνουν: Μηχανές αναζήτησης, ευφυείς πράκτορες,

ηλεκτρονικούς καταλόγους, καταλόγους Ιστού, ομάδες συζήτησης, ηλεκτρονικό ταχυδρομείο κ.λπ.

Πολλές επιχειρήσεις έχουν τοποθεσίες στον Ιστό για τους πελάτες τους, όπου βρίσκονται συγκεντρωμένες εκεί όλες οι πληροφορίες, τα μοντέλα ή άλλα αναλυτικά εργαλεία αξιολόγησης εναλλακτικών δυνατοτήτων• π.χ. η T. Rowe Price διαθέτει διαδικτυακά εργαλεία και

οδηγούς για προγραμματισμό σπουδών, συνταξιοδότησης, ακίνητης περιουσίας κ.λπ.


Συστήματα Υποστήριξης Διοίκησης (ESS)

Συγκεντρώνουν δεδομένα από πολλές διαφορετικές εσωτερικές και εξωτερικές πηγές, συχνά μέσω πύλης Διαδικτύου

Ψηφιακός πίνακας ελέγχου: Δίνει στα ανώτερα στελέχη μια εικόνα της συνολικής απόδοσης του οργανισμού

Ικανότητα εμβάθυνσης: Επιτρέπει το πλησίασμα σε όλο και μεγαλύτερο βαθμό λεπτομέρειας ή την απομάκρυνση για μια ευρύτερη εικόνα

Χρησιμοποιούνται για την παρακολούθηση της απόδοσης του οργανισμού και των δραστηριοτήτων των ανταγωνιστών, για την αναγνώριση των μεταβαλλόμενων συνθηκών της αγοράς, τον εντοπισμό προβλημάτων και ευκαιριών και την πρόβλεψη τάσεων




Συστήματα υποστήριξης ομαδικών αποφάσεων (GDSS)

Αλληλεπιδραστικά συστήματα υπολογιστών που διευκολύνουν τη λύση αδόμητων προβλημάτων από ομάδα ανθρώπων που παίρνουν αποφάσεις

Χρησιμοποιούνται σε αίθουσες διασκέψεων με ειδικό υλικό και λογισμικό για τη συλλογή, ταξινόμηση και αποθήκευση ιδεών και αποφάσεων

Συμβάλλουν στη δημιουργία ατμόσφαιρας συνεργασίας, διασφαλίζοντας την ανωνυμία των συμμετεχόντων

Υποστηρίζουν την αύξηση του μεγέθους της σύσκεψης με αυξημένη παραγωγικότητα




Ευφυή συστήματα για την υποστήριξη αποφάσεων

• Πολλά βασίζονται σε τεχνητή νοημοσύνη (AI) Συστήματα υπολογιστών (υλικό και λογισμικό) που

επιχειρούν να προσομοιώσουν τη συμπεριφορά και τους μηχανισμούς σκέψης των ανθρώπων

• Περιλαμβάνουν: Έμπειρα συστήματα

Περιπτωσιολογική συλλογιστική

Ασαφή λογική

Νευρωνικά δίκτυα

Γενετικούς αλγορίθμους

Ευφυείς πράκτορες




Έμπειρα συστήματα• Αποτυπώνουν την ανθρώπινη γνώση ως σύνολο κανόνων

που αποκαλείται βάση γνώσεων

200 – 10.000 κανόνες, ανάλογα με τη πολυπλοκότητα

• Ο μηχανισμός εξαγωγής συμπερασμάτων του συστήματος πραγματοποιεί αναζήτηση στους κανόνες και εφαρμόζει εκείνους που ενεργοποιούνται από τα στοιχεία που συγκεντρώνει και εισάγει ο χρήστης

• Είναι χρήσιμα για το χειρισμό προβλημάτων κατάταξης, στα οποία οι εναλλακτικές λύσεις είναι σχετικά λίγες και όλα τα πιθανά εξαγόμενα είναι γνωστά από πριν





Εικόνα 10-8

Ένα έμπειρο σύστημα περιέχει κανόνες που πρέπει ναακολουθούνται ότανχρησιμοποιείται. Οι κανόνες είναιαλληλένδετοι· ο αριθμός τωνεκβάσεων είναι γνωστός από τηναρχή και είναι περιορισμένος·υπάρχουν πολλαπλές διαδρομέςπρος την ίδια έκβαση· και τοσύστημα μπορεί να εξετάζειπολλούς κανόνες ταυτόχρονα. Οικανόνες που παρουσιάζονται εδώ προορίζονται για ένα απλόέμπειρο σύστημα χορήγησηςπιστώσεων.

Κανόνες ενός Έμπειρου Συστήματος



Περιπτωσιολογική συλλογιστική• Οι γνώσεις και οι προηγούμενες εμπειρίες των ειδικών

θεωρούνται ως περιπτώσεις και αποθηκεύονται σε μια βάση δεδομένων για επόμενη ανάκτηση

• Το σύστημα αναζητεί αποθηκευμένες περιπτώσεις με χαρακτηριστικά προβλήματος παρόμοια με εκείνα της νέας, βρίσκει την περίπτωση που ταιριάζει περισσότερο και εφαρμόζει τις λύσεις της παλιάς περίπτωσης στη νέα

• Οι πετυχημένες και οι αποτυχημένες λύσεις προσαρτώνται και συνδέονται στη βάση δεδομένων

• Χρησιμοποιείται σε ιατρικά διαγνωστικά συστήματα και στην υποστήριξη πελατών





Εικόνα 10-9

Η περιπτωσιολογικήσυλλογιστική αναπαριστά τις γνώσειςως μια βάση δεδομένωνπροηγούμενωνπεριπτώσεων με τιςαντίστοιχες λύσεις τους.Το σύστημαχρησιμοποιεί μιαδιεργασία έξι βημάτωνγια να δώσει λύσεις σενέα προβλήματα πουσυναντά ο χρήστης.

Πώς Λειτουργεί η Περιπτωσιολογική Συλλογιστική



Ασαφής λογική• Τεχνολογία που βασίζεται σε κανόνες και κατατάσσει την

ανακρίβεια σε κατηγορίες (π.χ. «κρύο» έναντι «ζεστού»), δημιουργώντας κανόνες που χρησιμοποιούν προσεγγιστικές ή υποκειμενικές αξίες

• Περιγράφει γλωσσικά ένα ορισμένο φαινόμενο ή μια διεργασία και κατόπιν αναπαριστά αυτή την περιγραφή με ένα μικρό αριθμό ευέλικτων κανόνων

• Δίνει λύσεις σε προβλήματα που απαιτούν εμπειρογνωμοσύνη που είναι δύσκολο να παρασταθεί με τη μορφή αυστηρών κανόνων IF-THEN π.χ. Στην Ιαπωνία, ο υπόγειος σιδηρόδρομος Sendai διαθέτει

ελέγχους ασαφούς λογικής για να επιταχύνει τους συρμούς τόσο ομαλά, ώστε οι όρθιοι επιβάτες δεν χρειάζεται να κρατιούνται από χειρολαβές





Εικόνα 10-10

Οι λειτουργίες μελών για την είσοδο που ονομάζεται θερμοκρασία βρίσκονται στη λογική του θερμοστάτη που ελέγχει τη θερμοκρασία του δωματίου. Οι λειτουργίες μελών βοηθούν στη μετάφραση των γλωσσικών εκφράσεων, όπως «ζέστη», σε αριθμούς που μπορεί να χειριστεί ο υπολογιστής.


Ασαφής Λογική για τον Έλεγχο της Θερμοκρασίας


Νευρωνικά δίκτυα• Χρησιμοποιούν υλικό και λογισμικό που προσομοιάζει

τους τρόπους επεξεργασίας του βιολογικού εγκεφάλου

• «Μαθαίνουν» πρότυπα από μεγάλες ποσότητες δεδομένων αναδιφώντας τα δεδομένα, αναζητώντας σχέσεις, καταστρώνοντας μοντέλα και διορθώνοντας διαρκώς τα λάθη του μοντέλου τους

• Οι άνθρωποι μπορούν να «εκπαιδεύσουν» το δίκτυο τροφοδοτώντας το με δεδομένα των οποίων οι είσοδοι οδηγούν σε ένα γνωστό σύνολο εξόδων ή συμπερασμάτων

• Είναι χρήσιμα για την επίλυση σύνθετων, ελάχιστα κατανοητών προβλημάτων για τα οποία έχουν συγκεντρωθεί μεγάλες ποσότητες δεδομένων





Εικόνα 10-11

Ένα νευρωνικό δίκτυο χρησιμοποιεί κανόνες τους οποίους «μαθαίνει» από πρότυπα δεδομένων, για να αναπτύξει μια κρυφή στρώση λογικής. Η κρυφή στρώση επεξεργάζεται τις εισόδους και τις ταξινομεί με βάση την εμπειρία που αποκτά το μοντέλο. Σε αυτό το παράδειγμα, το νευρωνικό δίκτυο έχει εκπαιδευτεί να διακρίνει τις ύποπτες για απάτη αγορές με πιστωτική κάρτα.


Πώς Λειτουργεί ένα Νευρωνικό Δίκτυο


Γενετικοί αλγόριθμοι

• Βρίσκουν τη βέλτιστη λύση σε ένα πρόβλημα εξετάζοντας πολύ μεγάλο αριθμό εναλλακτικών λύσεων σ’ αυτό

• Βασίζεται σε τεχνικές εμπνευσμένες από την εξελικτική βιολογία: κληρονομικότητα, μετάλλαξη, φυσική επιλογή κ.λπ.

• Λειτουργεί παριστώντας μια λύση ως ακολουθία 0 και 1, κατόπιν κάνει αναζήτηση σε τυχαίες ακολουθίες δυαδικών ψηφίων για να αναγνωρίσει την πιο καλή πιθανή λύση

• Χρησιμοποιούνται για τη λύση περίπλοκων προβλημάτων που είναι πολύ δυναμικά και σύνθετα με εκατοντάδες ή χιλιάδες μεταβλητές ή μαθηματικούς τύπους





Εικόνα 10-12

Αυτό το παράδειγμα παρουσιάζει έναν αρχικό πληθυσμό «χρωμοσωμάτων», καθένα από τα οποία αντιπροσωπεύει μιαδιαφορετική λύση. O γενετικός αλγόριθμος χρησιμοποιεί μια επαναληπτική διαδικασία για να βελτιώσει τις αρχικές λύσεις, έτσι ώστε να είναι πιθανότερο να προκύψουν οι καλύτερες δυνατές λύσεις, δηλαδή εκείνες που παρουσιάζουν τον υψηλότερο δείκτη καταλληλότητας.


Τα Συστατικά Μέρη ενός Γενετικού Αλγορίθμου


Ευφυείς πράκτορες• Προγράμματα που λειτουργούν στο παρασκήνιο χωρίς

άμεση ανθρώπινη παρέμβαση και εκτελούν συγκεκριμένες, επαναλαμβανόμενες και προβλέψιμες εργασίες για ένα χρήστη, μια επιχειρηματική διεργασία, ή μια εφαρμογή λογισμικού

• Ρομπότ αγορών

• Η Procter & Gamble (P&G) χρησιμοποίησε ομάδα ημιαυτόνομων πρακτόρων που αντιπροσωπεύουν στοιχεία της εφοδιαστικής της αλυσίδας, όπως φορτηγά, παραγωγικές εγκαταστάσεις, διανομείς και καταστήματα λιανικής, και δημιούργησε προσομοιώσεις για να διαπιστώσει πώς θα μπορούσε να κάνει την εφοδιαστική αλυσίδα πιο αποδοτική





Εικόνα 10-13Ευφυείς πράκτορες βοηθούν την P&G να συντομεύει τους κύκλους αναπλήρωσης των προϊόντων, π.χ. τουαπορρυπαντικού Tide.

Ευφυείς Πράκτορες στην Εφοδιαστική Αλυσίδα της P&G



Συστήματα Διαχείρισης Γνώσεων


Διαχείριση γνώσεων: • Επιχειρηματικές διεργασίες που αναπτύσσονται

για τη δημιουργία, αποθήκευση, μεταφορά και εφαρμογή γνώσεων

• Αυξάνει την ικανότητα του οργανισμού να μαθαίνει από το περιβάλλον και να ενσωματώνει γνώσεις στις επιχειρηματικές του διεργασίες και στη λήψη αποφάσεων

• Το να γνωρίζει πώς να λειτουργεί αποδοτικά και αποτελεσματικά με τρόπους που δεν μπορούν να αντιγράψουν άλλοι οργανισμοί είναι σπουδαία πηγή κέρδους και ανταγωνιστικού πλεονεκτήματος


Τρία είδη γνώσεων• Δομημένες: Δομημένα έγγραφα κειμένου (αναφορές,

παρουσιάσεις)• Ημιδομημένες: Μηνύματα ηλεκτρονικού και φωνητικού

ταχυδρομείου, ψηφιακές εικόνες, ανακοινώσεις• Αφανείς γνώσεις (αδόμητες): Γνώσεις που βρίσκονται στο

κεφάλι μελών του προσωπικού και σπάνια είναι γραμμένες

Συστήματα διαχείρισης γνώσεων επιχειρησιακής κλίμακας• Ασχολούνται και με τους τρεις τύπους γνώσεων• Γενικής χρήσης συστήματα που εκτείνονται σε όλη την

επιχείρηση και συγκεντρώνουν, αποθηκεύουν, διανέμουν και εφαρμόζουν ψηφιακό περιεχόμενο και γνώσεις

Συστήματα Διαχείρισης Γνώσεων Επιχειρησιακής Κλίμακας




Επιχειρησιακά συστήματα διαχείρισης περιεχομένου

• Ικανότητες σύλληψης και αποθήκευσης γνώσεων

• Αποθετήρια εγγράφων και βέλτιστων πρακτικών

• Δυνατότητες συλλογής και οργάνωσης ημιδομημένων γνώσεων, όπως μηνυμάτων ηλεκτρονικού ταχυδρομείου

Συστήματα ταξινόμησης

• Βασικό πρόβλημα στη διαχείριση γνώσεων

• Κάθε αντικείμενο γνώσης πρέπει να αποκτήσει ετικέτα για να ανακτάται εύκολα






Εικόνα 10-14

Το επιχειρησιακό σύστημα διαχείρισης περιεχομένου έχει δυνατότητες ταξινόμησης, οργάνωσης και διαχείρισης δομημένων και ημιδομημένων γνώσεων και διάθεσής τους σε όλη την επιχείρηση.

Ένα Ψηφιακό Σύστημα Διαχείρισης Περιεχομένου

Intelligent Systems for Decision Support


Συστήματα διαχείρισης ψηφιακών πόρων

• Διαχειρίζονται αδόμητα ψηφιακά δεδομένα, όπως φωτογραφίες, εικόνες γραφικών, βίντεο και ηχητικό περιεχόμενο

Συστήματα δικτύου γνώσεων (Συστήματα εντοπισμού και διαχείρισης εμπειρογνωμοσύνης)

• Διαθέτουν ηλεκτρονικό κατάλογο ανθρώπων της εταιρείας ειδικών σε σαφώς καθορισμένους γνωστικούς τομείς

• Χρησιμοποιούν τεχνολογίες επικοινωνίας για να διευκολύνουν το προσωπικό να βρίσκει τον κατάλληλο ειδικό στην επιχείρηση






Εικόνα 10-15

Το δίκτυο γνώσεων διατηρεί μια βάση δεδομένων εμπειρογνωμόνων της εταιρείας, καθώς και αποδεκτές λύσεις σε γνωστά προβλήματα και στη συνέχεια διευκολύνει την επικοινωνία μεταξύ εργαζομένων που αναζητούν τις γνώσεις και εμπειρογνωμόνων που διαθέτουν αυτές τις γνώσεις. Στη συνέχεια, οι λύσεις που διαμορφώνονται στο πλαίσιο αυτής της επικοινωνίας προστίθενται σε μιαβάση δεδομένων λύσεων σε μορφή συχνών ερωτήσεων (FAQ), βέλτιστων πρακτικών ή άλλων εγγράφων.

Ένα Επιχειρησιακό Σύστημα Δικτύου Γνώσεων



Εργαλεία συνεργασίας

• Ιστολόγια (Blogs)

• Wikis

• Συλλογικοί σελιδοδείκτες (Social bookmarking)

Συστήματα διαχείρισης μάθησης (LMS)

• Παρέχει εργαλεία για τη διαχείριση, παράδοση, παρακολούθηση και αξιολόγηση διαφόρων τύπων μάθησης και επιμόρφωσης προσωπικού





Μελέτη Περίπτωσης: ΟργανισμοίΜάνατζμεντ με τον Ιστό 2.0

Διαβάστε τη Μελέτη Περίπτωσης και συζητήστε τα ακόλουθα ερωτήματα:• Πώς βοηθούν τα εργαλεία του Ιστού 2.0 τις εταιρείες να

διαχειρίζονται τις γνώσεις, να συντονίζουν την εργασία και να ενισχύουν τη λήψη αποφάσεων;

• Στη λύση ποιων επιχειρηματικών προβλημάτων συμβάλλουν τα ιστολόγια, τα wikis και τα άλλα εργαλεία κοινωνικής δικτύωσης;

• Περιγράψτε πώς μια εταιρεία όπως η Wal-Mart ή η Procter & Gamble μπορεί να επωφεληθεί από τη χρήση εργαλείων του Ιστού 2.0 εσωτερικά.

• Ποιες προκλήσεις αντιμετωπίζουν οι εταιρείες σε σχέση με την εξάπλωση του Ιστού 2.0; Για ποια ζητήματα πρέπει να ανησυχούν οι μάνατζερ;




Συστήματα Χειρισμού Γνώσεων (KWS)



Απαιτήσεις από τα συστήματα χειρισμού γνώσεων• Ειδικευμένα εργαλεία

Ισχυρά γραφικά, αναλυτικά εργαλεία και διαχείριση επικοινωνιών και εγγράφων

• Υπολογιστική ισχύς για τον χειρισμό εξελιγμένων γραφικών ή σύνθετων υπολογισμών

• Πρόσβαση σε εξωτερικές βάσεις δεδομένων

• Διασυνδέσεις φιλικές προς τον χρήστη



Εικόνα 10-16

Τα συστήματα χειρισμούγνώσεων χρειάζονται, πέρα από το ειδικό υλικό και λογισμικό, ισχυρούς συνδέσμους με εξωτερικέςβάσεις γνώσεων.

Απαιτήσεις των Συστημάτων Χειρισμού Γνώσεων



Συστήματα Χειρισμού Γνώσεων (KWS)



Παραδείγματα συστημάτων χειρισμού γνώσεων

• Συστήματα σχεδίασης με τη βοήθεια υπολογιστή (CAD)

• Συστήματα εικονικής πραγματικότητας

Γλώσσα Μοντελοποίησης Εικονικής Πραγματικότητας (VRML)

• Επενδυτικοί σταθμοί εργασίας

Documents

ess8 ch10 GR.ppt [Î ÎµÎ¹Ï Î¿Ï Ï Î³Î¯Î± Ï Ï Î¼Î²Î±Ï Ï Ï Î·Ï ... · e\ 3uhqwlfh +doo þ (dvwhuq 0rxqwdlq 6sruwv $ . ! 0 2 / ! ) . . * 2 0 ! 0 " . 3 1 0