شنبه 28 مهر 1397 | Saturday 20 th of October 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
3-1- مدل سازی MSS

مدل­سازی یک عنصرکلیدی در سیستم پشتیبان تصمیم­گیری  و همچنین یک ضرورت در پایگاه مدل سیستم پشتیبان تصمیم­گیری است. معمولا کلاس­های مختلفی از مدل­ها وجود دارد و اغلب هم روش­های خاصی برای حل هرکدام موجود است. شبیه­سازی یک روش معمول مدل­سازی است اما روش­های مختلف دیگری نیز وجود دارند. مثل روش بهینه­سازی که توسط پراکتر[1] و گمبل[2]  (P&G)  ایجاد شد تا بتواند        سیستم توزیع­شده­ی انها را دوباره طراحی کند، سیستم پشتیبان تصمیم­گیری (P&G)یک  زنجیره طراحی دوباره را، با کمک یک مجموعه از مدل­ها پشتیبانی کرد.

 یک مدل تولید (مبتنی بر الگوریتم) برای ارزیابی هزینه حمل و نقل.این مدل مستقیما در سیستم پشتیبانتصمیم­گیری برنامه­نویسی شده است. یک مدل پیش­بینی تقاضا (یک مدل ایستا )یک مدل حمل و نقل (یک نوع خاص از مدل برنامه­نویسی خطی است ).

وضعیت P&Gنشان می­دهد که یک سیستم پشتیبان تصمیم­گیری می­تواند از ترکیب  چند مدل استفاده کند که برخی از انها مدل­های استاندارد و برخی مدل­های خاص برای یک مسئله باشند. همچنین نشان می­دهد که برخی مدل­ها مستقیما در سیستم پشتیبان تصمیم­گیری  ساخته می­شوند برخی در نرم­افزارهای خارجی سیستم پشتیبان تصمیم­گیری و برخی نیز تنها زمانی که نیاز باشد در دسترس قرار می­گیرد. گاهی برای جمع کردن و ارزیابی داده­های مدل قابل­قبول تلاش زیادی لازم است، برای اینکه مدل­ها  مجتمع شوند، برای اینکه مدل­ها ممکن است تجزیه شده و ساده شده باشند، برای اینکه گاهی یک روش زیر بهینه سازی مناسب است و سرانجام  اینکه قضاوت انسان یک جنبه مهم برای استفاده از مدل­ها در تصمیم­گیری است. یک سازنده مدل باید بتواند بین مدل های ساده و بازنمایی کامل، تعادل برقرار کند تا انها بتوانند به اندازه کافی واقعیات را بیان کنند و  برای تصمیم گیرنده مفید باشند.

شناسایی مسئله و انالیز محیطی:

تحلیل و بررسی محیط، یک مسئله مهم است. این تحلیل شامل مشاهده، بررسی و تفسیر اطلاعات گرداوری شده است. می­دانیم که هیچ تصمیمی در خلا گرفته نمی­شود. تحلیل حوزه تحت مطالعه و نیروها و پویایی محیط بسیار مهم است. هر فرد باید فرهنگ سازمانی و روند مشارکت در تصمیم­گیری را مورد شناسایی قرار دهد. گرچه این امر کاملاً محتمل است، عوامل محیطی، به وجود اورنده مشکلات رایج می­باشند. ابزار هوش تجاری با بررسی این مشکلات، قادر به تشخیص انها می­باشد. این مشکل باید برای تمام کسانیکه  درگیر این مسئله هستند، به یک شکل قابل درک،  باشد زیرا این مسئله سرانجام بصورت یک مدل، ارائه داده می­شود در         غیر اینصورت این مدل کمکی به تصمیم­گیرنده نخواهد کرد.

شناسایی متغیرها:

شناسایی متغیرهای مدل مانند روابط بین انها بحرانی است. نمودارهای اعتبار که مدل­های گرافیکی از     مدل­های ریاضی هستند می­توانند، به این فرایند کمک کنند. یک  فرم کلی از یک نمودار اعتبار، یک نقشه شناختی است که به تصمیم­گیرنده کمک می­کند تا بتواند شناخت بهتری از مسئله، متغیرها و روا بط بین انها  پیدا کند.  

پیش­بینی:

پیش­بینی در ساخت و تغییر مدل­ها امری ضروری است، زیرا با عملی شدن یک تصمیم نتایج ان در اینده اشکار می­گردد. DSS،  معمولاً برخلاف MSSکه به توضیح مسئله­ای که در جریان است میپردازد، برای تعیین امری که در اینده روی می­دهد بکار می­رود.

تجارت الکترونیکی هم اکنون به شدت، به پیش­بینی، نیاز دارد و اطلاعات فراوانی جهت اجرای ان در دسترس می­باشد. در تجارت الکترونیک، فعالیت­ها بسیار سریع روی می­دهد اما با وجود این، اطلاعات مربوط به خریدها باید گرداوری شده و مورد تحلیل قرار گیرند تا پیش­بینی اوضاع در اینده صورت پذیرد. اطلاعاتی از قبیل محل فروش و مشتری­ها بوسیله مدل­های پیش­بینی جهت تحلیل وضعیت مورد استفاده قرار می­گیرد. که موجب افزایش فروش محصولات و خدمات می­گردد.

هامی[3] توصیف می­کند که چطور شرکت­ها، تلاش می­کنند تا بتوانند اینکه چه کسی بهترین و پرسودترین مشتری انها است را پیش­بینی کنند، تا بتوانند محصولات و خدمات مورد تقاضای انها را شناسایی نمایند. بخشی از این تلاش مستلزم شناسایی مشتری­های پرسود قدیمی می­گردد. جنبه­های مهمی از این امر، نحوه ارتباط بین مشتری و مدیریت و سیستم­های کسب درامد می­باشد.

مدل­های چندگانه:

سیستم حمایتی تصمیم­گیری شامل چندین مدل می­باشد، که هرکدام بخش متفاوتی از مشکلات         تصمیم­گیری را ارائه می­دهند. برای مثال در زنجیره عرضه کالای P&G، DSSشامل یک مدل تعیین موقعیت، جهت تعیین موقعیت مراکز توزیع ، مدل راهکار تولید ، مدل پیش­بینی تقاضا، مدل شبیه­سازی مالی و        ریسک­های مرتبط با ان و حتی یک مدل GISمی باشد. برخی از این مدل­ها استاندارد بوده و توسط ابزار و تولیدکنندگان ساخت DSSتولید می­شوند. برخی دیگر استاندارد بوده اما بعنوان مدل کارامد محسوب         نمی­شوند. در عوض بعنوان نرم­افزارهای ازاد که با DSSدر ارتباط می­باشد قابل دسترسی می­باشند. مدل­های  غیر­استاندارد را نیز باید از نو ساخت. مدل­های P&Gبا DSSادغام شده و موجب خلق هدف­های چندگانه     می­گردد. اگرچه به حداقل رساندن هزینه­ها جزء اهداف اصلی به شمار می­رفت اما اهداف دیگری نیز وجود داشت که مدیران هنگام بررسی راه­حل­ها قبل از تصمیم­گیری نهایی از نظر معیارهای سیاسی و غیره مورد ملاحظه قرار می­دادند. سدهی[4] و ایچمیر[5] (2001) نشان دادند که چطور ابزارهای شبکه­ای که بطور اماده در یکپارچه­سازی و دسترسی به مدل­های زنجیره­ای عرضه کالا به کار می­روند را برای بهینه­سازی زنجیره واقعی عرضه کالا می­توان استفاده نمود.

انواع مدل:

جدول3-1 مدل­های DSSرا در هفت گروه طبقه­بندی کرده و چندین فناوری معروف برای هر طبقه فهرست کرده است. هر یک از این فناوری­ها می­توانند برای مدل­های پویا و یا ایستا به کار روند، که تحت محیط­های فرضی قطعیت ، عدم قطعیت و دارای ریسک ساخته می­شوند. برای تسریع در امر ساختن این مدل باید از    سیستم­های تحلیل ویژه تصمیم که زبان­ها و قابلیت­های مدل­سازی در ان گنجانده شده است، استفاده نمود.

جدول 3-1- طبقه­بندی مدل­ها

دسته

فرایند و هدف

روش­های نمایش

بهینه­سازی مسائل به وسیله      گزینه­های کم (بخش7.5)

پیدا کردن بهترین راه­حل از بین تعداد کمی از گزینه­ها

جداول تصمیم، درختان تصمیم

بهینه­سازی به وسیله الگوریتم           (بخش­های 8.5 و 9.5)

پیدا کردن بهترین راه­حل از بین تعداد بزرگ یا نامحدود از گزینه­ها با استفاده از فرایند پیشرفت گام به گام

مدل­های برنامه­نویسی خطی و ریاضی، مدل­های شبکه

بهینه­سازی به وسیله فرمول­های تحلیلی (بخش 9.5)

پیدا کردن بهترین جواب در یک گام با استفاده از فرمول(فرموله سازی)

بعضی مدل­های موجود

شبیه­سازی (بخش 12.5 و 14.5)

یافتن جواب به اندازه کافی خوب یا بهترین از میان گزینه­های(چاره) بررسی شده با استفاده از ازمایش

چندین نوع از شبیه­سازی­ها

اکتشافی (بخش 12.5)

یافتن راه­حل به اندازه کافی خوب با استفاده از قوانین

برنامه­نویسی اکتشافی، سیستم­های خبره

مدل­های پیشگو (فصل وب)

پیش­بینی اینده برای یک سناریو معین(سناریو داده­شده)

مدل­های پیش­بینی، تحلیل مارکُف

مدل­های دیگر

حل کردن قالب­های مشروط با استفاده از فرمول    (فرموله سازی)

مدل­سازی مالی، خطوط انتظار

 

مدیریت مدل­ها

مدل­ها همانند داده­ها باید برای حفظ یکپارچگی و قابل اجرا بودنشان ، مدیریت شوند. که این امر با کمک سیستم­های مدیریت مدل­ها امکان­پذیر است.

 

مدل­سازی مبتنی بر دانش:

سیستم پشتیبان تصمیم­گیری، معمولا از مدل­های وابسته به مقدار، استفاده می­کند،  در حالیکه            سیستم­های خبره از مدل­های کیفی در کاربردهایشان استفاده می­کنند. برخی دانش­ها برای ساخت مدل­های   حل­پذیر، ضروری­اند. مدل­های مبتنی بر دانش را در فصل­های بعد توضیح خواهیم داد.

روند جاری:

در واقع نوعی گرایش به سمت ساخت مدل­های MSSکه برای تصمیم­گیرنده، کاملا اشکار و روشن      می­باشد، وجود دارد. در مدل­سازی چند بعدی و دیگر موارد، داده­ها معمولاً در قالب صفحه گسترده نشان داده می­شوند که اکثر تصمیم­گیرنده­ها با ان اشنا هستند. قبلاً اکثر اهل فن عادت به خُرد و بخش بخش کردن   مکعب داده­ها داشتند. که هم اکنون از سیستم­های تحلیل برخط(OLAP) که به انبارداده­ها دسترسی دارد استفاده می­کنند. این روش­ها، مدل­سازی را پسندیده تر نموده در حالی که بسیاری طبقات مدل­های مهم و قابل اجرا را از ملاحظات خود حذف نموده است و به حذف برخی از جنبه های تفاسیر راه­حل­های مهم می­پردازند. در واقع مدل­سازی چیزی فراتر از تحلیل داده­ها با این روند خطی و خلق رابطه بین روش­های اماری، می­باشد.


[1]Procter

[2]Gamble

[3]Hamey

[4]Sodhi

[5]Aichmayr 

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26