Системы поддержки принятия управленческих решений

Системы поддержки принятия управленческих решений (DSS): классификация, архитектура и примеры использования с ИИ

Системы поддержки принятия управленческих решений (СППР, англ. Decision Support Systems, DSS) представляют собой интерактивные автоматизированные системы, предназначенные для помощи лицам, принимающим решения (ЛПР), в использовании данных и моделей для решения слабоструктурированных или неструктурированных задач. В отличие от систем операционного уровня, которые автоматизируют рутинные процессы, СППР сфокусированы на повышении эффективности аналитической работы менеджера, предоставляя ему инструменты для анализа, моделирования и прогнозирования, но оставляя за человеком окончательный выбор.
Классификация систем поддержки принятия решений является многоаспектной и может проводиться по различным критериям. Одним из наиболее распространенных подходов является классификация по характеру использования данных и моделей, предложенная С. Альтером. Согласно этому подходу, выделяют несколько типов СППР. Модельно-ориентированные системы делают акцент на использовании количественных финансовых, статистических или оптимизационных моделей для анализа ситуации. Их основная задача — предоставить ЛПР возможность проигрывать сценарии «что, если» (what-if analysis). Примером может служить система для оптимизации логистических маршрутов, минимизирующая транспортные расходы. Системы, ориентированные на данные, или информационно-ориентированные, предоставляют пользователю гибкие инструменты для доступа к базам данных и их анализа. Основная функция таких систем — агрегация, фильтрация и визуализация больших объемов информации, позволяя менеджеру самостоятельно находить закономерности. Коммуникационно-ориентированные системы нацелены на поддержку группового принятия решений, обеспечивая участникам, возможно, находящимся в разных географических локациях, общую информационную среду для обмена мнениями, аргументами и совместной выработки решения.
Другой важный критерий классификации — степень структурированности решаемой задачи. Для структурированных задач, где все элементы и их взаимосвязи известны, применяются стандартные операционные модели. Для слабоструктурированных задач, в которых присутствует как количественная, так и качественная информация, СППР выступают как инструмент для построения и проверки гипотез. Для неструктурированных задач, где не существует четкого алгоритма решения, системы служат в первую очередь для организации и представления информации в удобном для экспертной оценки виде.
Архитектура современной СППР, как правило, является многоуровневой и включает в себя несколько ключевых подсистем. Фундаментом служит уровень источников данных. Он объединяет внутренние данные организации (из ERP, CRM, транзакционных систем) и внешние данные (рыночная аналитика, макроэкономические показатели, новостные ленты). Над ним располагается уровень хранилища данных (Data Warehouse) или витрин данных (Data Marts), где информация из разрозненных источников очищается, преобразуется и приводится к единому формату для обеспечения ее согласованности и исторической целостности. Ключевым элементом является уровень базы моделей. Эта подсистема содержит совокупность математических, статистических, логических и финансовых моделей, которые применяются к данным для их анализа. Сюда входят модели прогнозирования временных рядов, регрессионного анализа, теории массового обслуживания, деревья решений и другие. Далее следует интерфейсный уровень, или ядро СППР, которое обеспечивает взаимодействие пользователя с системой. Этот уровень включает в себя языковые системы для формирования запросов, системы представления знаний и диалоговые подсистемы, которые делают процесс взаимодействия интуитивно понятным. Наконец, верхний уровень — это непосредственно пользователь (ЛПР), который через интерфейс взаимодействует с системой, интерпретирует полученные результаты и принимает на их основе управленческое решение.
Интеграция технологий искусственного интеллекта (ИИ) вывела СППР на новый этап развития, трансформировав их в так называемые интеллектуальные системы поддержки принятия решений (ИСППР). Применение ИИ позволяет автоматизировать не только аналитические, но и когнитивные аспекты процесса принятия решений. Одним из наиболее распространенных примеров является использование машинного обучения для предиктивной аналитики. В отличие от классических статистических моделей, алгоритмы машинного обучения способны выявлять сложные нелинейные зависимости в больших данных без явного программирования правил. Например, в банковской сфере ИСППР на основе машинного обучения анализирует транзакционное поведение клиента, его кредитную историю и десятки других параметров в реальном времени для оценки кредитного риска и принятия решения об одобрении займа.
Другим важным примером является применение экспертных систем и баз знаний. Такие системы формализуют знания и логику рассуждений отраслевых экспертов в виде набора правил «если — то». ИСППР на основе такой базы может диагностировать неисправности сложного промышленного оборудования, анализируя показания датчиков, и предлагать оператору наиболее вероятные причины сбоя и рекомендуемые действия. Системы, использующие обработку естественного языка (NLP), позволяют менеджеру обращаться к данным на обычном языке, например, запросить «показать динамику продаж в северо-западном регионе за последний квартал по сравнению с аналогичным периодом прошлого года». Нейронные сети и глубокое обучение находят применение в задачах распознавания образов и сложных прогнозов, например, для анализа спутниковых снимков с целью оценки урожайности сельскохозяйственных культур или для прогнозирования потребительского спроса на основе анализа новостного фона и активности в социальных сетях. Таким образом, ИИ не заменяет лицо, принимающее решение, а выступает в роли мощного когнитивного усилителя, способного обрабатывать сверхбольшие объемы информации и предлагать обоснованные варианты действий в условиях неопределенности.