决策支持系统介绍及案例分析

商务智能与决策支持教学案例案例1:光大银行商务智能系统得实施一、案例内容成立于1992年8月得光大银行, 作为国内最大得股份制商业银行,拥有众多客户群,几百个分支机构遍布国内外;同时光大银行以领先得理念为客户提供种类繁多得金融服务。

对于一个如此庞大得机构,如此繁多得金融服务,管理得复杂性可想而知。

近年来,通过综合柜台业务系统、阳光卡系统、网上银行系统与办公自动化系统等一系列信息化基础建设,光大银行率先实现了业务系统全国联网与总行数据大集中。

在成功实现业务系统全国联网与总行数据大集中后,经营管理分析方面又出现了一些亟待解决得新问题,如:统计数据不够及时准确、对决策分析缺乏专业化系统化支持、报表处理效率低、数据共享差、难以为以客户为中心得经营管理模式提供充足得信息支持、业绩考核没有理想得IT系统为支撑等等。

众多新问题得出现就是银行管理层始料未及得。

为了尽快突破海量数据得“封锁”,挖掘其中蕴涵得知识与信息,光大银行决策层于2002年初开始立项商业智能及数据仓库系统。

光大银行根据自身情况,以实际需要为导向,对各家方案得优劣进行仔细分析、反复考察、综合考虑。

最终,菲奈特软件公司得高端商务智能产品BI、Office以其领先得技术与简便得操作从众多竞争者中脱颖而出,赢得了光大银行决策层得一致青睐。

经过商议,双方在国际结算业务统计分析、对公业务统计分析、信贷风险管理、客户经理业绩考核等方面签定了一系列合作计划。

为了降低实施风险,将从国际结算业务统计分析系统开始,各个项目逐步实施。

成功得选型就是光大银行商业智能应用系统成功实施得开始。

国际业务部商业智能得应用证明,光大银行所采取得“以部门为基础实施数据处理”得决定就是正确得,也就是务实得。

从2002年12月开始,菲奈特BI、Office商业智能应用平台相继应用于光大银行其她几个业务部门,形成相应部门得商业智能系统。

这些商业智能系统以数据仓库技术为基础,把分散在各个业务系统得数据进行整合,数据经过清洗、转换,加载到数据仓库;再采用OLAP与Data Mining等技术,为管理决策人员提供强大、灵活得日常查询与决策支持。

1.决策支持系统的基本模式决策支持系统的基本模式如图 9-12 所示。

完整的决策支持系统模式可以表示为决策支持系统本身以及它与“真实系统”、人和外部环境的关系。

管理者处于核心位置，他运用自己的知识和经验，结合决策支持系统的响应输出，对他管理的“真实系统”进行决策。

对一个真实系统而言，提出的问题和操作的数据是输出信息流，而人们的决策则是输入信息流。

图的右边是决策支持系统，由模型库系统、数据库系统和人机交互系统等组成。

图 9-12 决策支持系统的基本模式基本的决策支持系统是人机交互系统、数据库系统和模型库系统三个子系统的有机结合。

人机交互系统是DSS 与用户的接口，其突出特点是灵活方便。

DSS 中的数据，既包括企业内部的数据，也包括与企业有关的来自外部的数据，在决策过程中，特别是对高层决策者来说，外部数据极为重要。

但是，数据是面向过去的，因为它反映了已经发生过的事实，利用 DSS 中的模型，就可以把面向过去的数据转变成面向现在或者将来的有意义的信息，模型体现了决策者解决问题的方法。

2.决策支持系统的基本结构决策支持系统的基本结构大致有两大类：一类由语言系统、问题处理系统和知识系统为基本部件构成，称为基于知识的 DSS 结构；另一类是由各类库和库管理软件以及对话生成管理子系统为基本部件构成的多库DSS 结构。

（ 1 ）基于知识的 DSS 结构。

这种结构形式由语言系统（ LS ）、知识系统（ KS ）和问题处理系统（ PPS ）三个部分组成（ 2 ）多库 DSS 结构。

这种结构一般包括各类库和库管理软件以及对话生成管理系统。

不同的系统所包括的库的类型可能不完全一样，但它们的基本组成框架是类似的。

系统组成的差别可能主要体现在库的类型上，如二库结构，即系统包括数据库和模型库；三库结构，即系统包含数据库、模型库和方法库；加入知识库后的四库结构的系统。

[案例4] 企业销售决策支持系统企业销售决策支持系统(ESDSS)为案例，介绍实际DSS的构造及其具体的应用，以便直观地帮助我们学习和认识DSS。

决策支持系统的研究与应用传统的决策方式往往需要采集大量的信息、数据和情报，并开展复杂的分析和评估工作，以获得针对特定问题的最优解。

但由于数据量大、分析复杂、时间拖延等问题的存在，常常导致决策失误或者不够科学化。

因此，越来越多的组织和企业开始利用计算机技术提高自身的决策效率和精度，而决策支持系统便应运而生。

决策支持系统是一种计算机应用工具，可以为决策者提供信息、数据、分析方法和模型，以帮助其做出正确的决策。

简单来说，决策支持系统所提供的信息是基于数据挖掘、模拟、数据可视化、知识管理等技术的分析结果。

决策者根据这些信息进行判断，确定如何进行决策。

决策支持系统的研究与应用历史已有几十年之久，且正在不断发展和完善。

由于数据科技的进步和计算机算力的普及，决策支持系统不仅在国外广受青睐，在国内也取得了良好的应用效果。

目前，它已经在金融、医疗、市场营销、公共管理等领域广泛应用，并有效地提高了决策者的效率和精度。

一、决策支持系统的结构和分类在决策支持系统的构建中，通常包括以下三个关键要素：1、数据收集：可以通过网络爬虫、传感器等方式采集海量数据，将其存储到数据仓库或数据湖中。

2、数据分析：可以使用数据挖掘、机器学习等技术对海量数据进行分析，获得有助于决策的模式或规律。

3、决策模型：可以根据具体的决策问题建立相应的决策模型，支持决策者进行相关的决策。

依据应用范围和决策目标，决策支持系统可以分为专家系统、智能决策系统、战略决策支持系统、企业决策支持系统等类型。

其中，专家系统可以应用在医疗、法律等领域，帮助决策者进行特定领域的决策；智能决策系统则更注重应用在基于数据的决策过程中，如基于推荐算法、搜索算法的信息检索和推荐；战略决策支持系统可以为企业的高层决策提供有效的支持，帮助企业确定发展战略；企业决策支持系统能够为企业业务运营、市场营销、供应链等方面的决策提供有效的支持。

二、决策支持系统的应用案例1、医疗智能诊断利用大数据和机器学习技术可以帮助医疗机构建立人工智能诊断系统。

建设方案中的决策支持系统和数据分析随着科技的不断发展，建设项目的规模和复杂性也在不断增加。

为了更好地进行决策和管理，建设方案中的决策支持系统和数据分析变得越来越重要。

本文将探讨这两个方面在建设项目中的应用和作用。

一、决策支持系统在建设方案中的应用决策支持系统（Decision Support System，简称DSS）是一种基于计算机技术和信息系统的工具，旨在帮助决策者进行决策过程中的问题分析、方案评估和结果预测。

在建设方案中，决策支持系统可以发挥重要的作用。

首先，决策支持系统可以提供全面的数据支持。

在建设项目中，涉及到的数据量往往非常庞大，包括工程设计、土地规划、环境评估等各个方面的数据。

决策支持系统可以将这些数据整合在一起，并通过数据挖掘和数据分析的手段，提供给决策者全面的数据支持，帮助他们更好地了解项目的情况和潜在的风险。

其次，决策支持系统可以进行多方案比较和评估。

在建设方案中，常常需要对不同的方案进行比较和评估，以选择最优的方案。

决策支持系统可以通过建立模型和算法，对各个方案进行评估，并给出相应的指标和结果。

这样，决策者可以根据这些结果，选择最符合实际需求和经济效益的方案。

另外，决策支持系统还可以进行风险分析和决策模拟。

在建设项目中，存在着各种各样的风险，如技术风险、市场风险等。

决策支持系统可以通过建立风险模型和模拟算法，对不同的风险进行分析和评估。

这样，决策者可以在决策过程中，更好地考虑到各种风险的可能性和影响，从而制定出更加科学和可行的建设方案。

二、数据分析在建设方案中的作用数据分析是指对大量的数据进行整理、加工和分析，以发现其中的规律和趋势，并为决策提供支持。

在建设方案中，数据分析可以发挥重要的作用。

首先，数据分析可以帮助决策者了解项目的需求和市场情况。

在建设项目中，了解市场需求是非常重要的，只有满足市场需求，才能够保证项目的成功。

数据分析可以通过对市场数据的分析，了解市场的规模、结构和趋势，从而帮助决策者确定项目的定位和发展方向。

企业管理中的决策支持系统应用在当今竞争激烈的商业环境中，企业管理者面临着日益复杂和多变的决策挑战。

为了在不确定性中做出明智的选择，提高决策的准确性和效率，决策支持系统（Decision Support System，简称 DSS）逐渐成为企业管理的重要工具。

决策支持系统是一种以计算机技术为基础，融合了数据处理、模型分析和人机交互等功能的信息系统，它能够为管理者提供数据支持、分析工具和决策方案，帮助他们更好地理解问题、评估选项和制定策略。

决策支持系统的核心组成部分包括数据库、模型库、方法库和人机交互界面。

数据库用于存储企业内部和外部的相关数据，如销售数据、市场数据、财务数据等。

模型库则包含了各种分析模型和决策模型，如预测模型、优化模型、风险评估模型等。

方法库提供了一系列的算法和分析方法，以支持对数据和模型的处理。

人机交互界面则是管理者与系统进行沟通和操作的窗口，它应该具备友好、直观的特点，以便管理者能够方便地输入问题、获取信息和输出决策结果。

在企业的战略规划中，决策支持系统发挥着关键作用。

通过对市场趋势、竞争对手分析和内部资源评估等数据的整合和分析，决策支持系统能够帮助企业制定长期的发展战略。

例如，一家制造业企业想要进入新的市场领域，决策支持系统可以收集和分析该市场的规模、增长率、竞争格局等信息，并结合企业自身的生产能力、技术水平和财务状况，评估进入该市场的可行性和潜在风险。

基于这些分析结果，管理者可以做出是否进入以及如何进入的战略决策。

在市场营销方面，决策支持系统也能提供有力的支持。

它可以帮助企业进行市场细分、客户关系管理和营销活动策划。

通过对客户数据的分析，决策支持系统能够识别不同客户群体的特征和需求，为企业制定精准的营销策略提供依据。

例如，一家电商企业可以利用决策支持系统分析客户的购买历史、浏览行为和评价信息，从而向不同类型的客户推荐个性化的商品，提高营销效果和客户满意度。

在生产运营管理中，决策支持系统可以优化生产计划、库存管理和供应链协调。

物联网中的云计算辅助决策支持系统随着物联网的迅速发展，各类智能设备和传感器的广泛应用，将海量的数据源头产生的数据转化为实际价值成为重要而复杂的任务。

为了更好地利用这些数据，提供决策支持系统已经变得尤为重要。

而云计算则因其高效、灵活和可扩展的特点，成为物联网中的理想选择。

本文将探讨物联网中的云计算辅助决策支持系统的关键点和应用案例。

一、物联网中的云计算概述云计算是一种通过互联网来提供计算资源和服务的模式。

它通过将计算资源集中管理，并按需分配给用户，实现了资源的共享和有效利用。

在物联网中，云计算可以为设备和传感器提供强大的计算和存储能力，通过将数据上传到云端进行处理和分析，为用户提供准确和实时的决策支持。

二、物联网中的数据采集和存储物联网中的数据采集是实现决策支持的重要环节。

传感器和设备通过感知环境中的数据，并将其传输到云端服务器进行存储。

物联网中的数据采集具有广泛的应用场景，如智能家居、智能交通、工业自动化等。

通过云计算技术，可以实现数据的实时采集、存储和处理，为后续的决策提供有力的支持。

三、物联网中的数据处理和分析物联网中海量数据的处理和分析是决策支持的核心环节。

云计算平台提供了强大的计算和分析能力，可以对大规模的数据进行实时处理和分析。

通过机器学习和人工智能算法，可以从海量数据中挖掘出有价值的信息，为决策提供准确和可靠的指导。

例如，在智能交通管理中，通过分析交通数据中的拥堵信息，可以优化道路资源的分配，提高道路利用效率。

四、物联网中的决策支持系统应用案例1. 智能农业在物联网中，农业领域是一个重要的应用场景。

通过传感器和设备采集农田中的土壤湿度、温度、光照等数据，上传到云端进行处理和分析，农民可以实时了解农田的状态，并根据分析结果进行灌溉和施肥决策，提高农作物的产量和质量。

2. 智能城市在智能城市中，通过物联网和云计算技术，可以对城市中的各类设备和传感器进行集中管理和控制。

例如，通过监测交通流量数据，可以优化交通信号灯的调度，减少拥堵和排放。

决策支持系统实例物资分配调拨问题是根据各单位提出对物资的需求申请，按仓库的库存情况制定分配方案，再根据分配放案以及仓库和单位的距离制定物资运输方案。

最后按照物资运输方案制定各仓库的发货表和各单位的接收表，修改各仓库库存数和各单位的物资数。

该决策问题需要设计多个数据库和多个模型共同求解。

总的处理流程如图：图1 物资分配调拨流程图一、物资申请和库存的计划汇总1、各单位按自己的需求提出对各物资的申请申请数据库为：D i={SQ(W1)，SQ(W2)，… } i=1,2,3…（1.1）其中D i表示第i各单位，SQ(W j)表示申请物资W j的需要数量。

将各单位的申请数据库汇总成各单位对物资的需求量，形成总申请数据库。

W j={ SQ(D1)，SQ(D2)，…} j=1,2，3…(1.2)其中SQ(D i)表示第i个单位对物资W j的申请数量。

该项数据处理需要编制程序，类似于数据库的旋转来完成。

2、 各仓库度物资的可供应情况K i ={XY(W 1)—KD(W 1)，XY(W 2)—KD(W 2)，…} i=1，2，… （1.3） 其中K i 表示第i 个仓库；XY(W j )， KD(W j )分别表示该仓库中物资W j 的现有数量和最低储备量；XY(W j )—KD(W j )表示物质W j 的可供量。

各仓库的多物资的可供应情况汇总成某一物资个仓库的可供量，形成总库存数据库。

Wj={XY(K 1)—KD(K 1)，XY(K 2)—KD(K 2)，…} （1.4） 该项数据处理工作，要在数据库中计算出可供量后，再进行类似于数据库旋转来实现。

该计划汇总工作构成数据处理模型，它与数据库的关系如图：图2 计划汇总模型与数据库的关系二、 制定物资的分配方案物资分配方案是利用物资分配模型来完成的，该分配模型是通过一系列公式实现。

1、比较分配情况对同一物资W j 计算总可供量S （各仓库可供量之和）与总申请量Q （各单位申请量之和）的大小。