决策支持系统.pptxVIP

第六章 决策支持系统;系统结构 1980年，Sprague提出三部件结构：对话部件、数据部件、模型部件； 决策支持主要以模型库系统为主体，通过定量分析进行辅助决策。;3 统一结构：;决策支持系统例一： 橡胶配方决策问题 某橡胶产品由3种原料按一定比例配方，做成产品后经过测试，可以得到9个性能值。现在，由于社会的需要，对橡胶产品9个性能提出约束要求，请求生产厂家生产出符合性能要求的橡胶产品。;1 模型库设计 〔1〕找“原料-性能〞 规律，试探建立多元回归模型； 〔2〕由性能约束求原料配方，建立多目标规划模型； 〔3〕报表模型；;决策支持系统例二： 物资分配调拨问题 根据各单位提出对物资的需求申请，按仓库的库存情况决定分配方案，再根据分配方案以及仓库和单位的距离制定物资运输方案。;6.2 智能决策支持系统;与知识库系统结合的几种形式： 〔1〕DSS和ES的总体结合，两者一体化； 〔2〕KB和MB的结合，将模型库中的数学模型和数 据处理模型作为知识的一种形式，例如过程型知识 参加； 〔3〕DB和动态DB的结合：DSS中的DB看成是相对 静态的数据库，为ES中的动态数据库提供初始数据。;与KDD相结合的决策支持系统 Knowledge Discovery in Database;〔1〕确定应用领域和问题，并从用户角度定义出KDD处理的目标； 〔2〕创立目标数据集； 〔3〕数据预处理； 〔4〕数据变换；依据目标决定能表示数据特征的有用信息； 〔5〕根据目标和数据特点，选择一适宜的数据挖掘方法和一具体算法； 〔6〕数据挖掘；寻求有用模式和知识的具体过程； 〔7〕解释和评估所挖掘的结果； 〔8〕综合整理所发现的知识，把发现的知识应用到更高层应用系统，或将结果以可以理解的表示方法呈现给用户。;3 与决策结合的优势： 〔1〕能增强决策支持系统决策的客观性，数据仓库中存储面 向分析、经过加工的数据； 〔2〕KDD过程中融合了对大量数据〔数据仓库〕、数据分析 〔挖掘〕、知识和模式的处理，为决策支持系统中数据、模型、 知识的结合提供了新的思路和方法； 〔3〕KDD中提供了对数据的有效管理，并有大量分析工具和 描述方法，提高决策支持系统的健壮性； 〔4〕KDD中对实际应用系统数据多维深层的及时处理，将决 策支持与实际应用密切结合，提高决策分析的效率和实用性。;应用方式 〔1〕以KDD技术为核心，主要提供帮助决策的一些知识和信息：;〔2〕与传统的决策支持结构相融合 从数据利用、知识及模型的变化补充等方面提供帮助。;;问题： 面向更广阔的数据源； 知识的有效维护； 和原有知识和模型的融合。;数据仓库 〔1〕20世纪80年代中期，“数据仓库之父〞Wiiliam H.Inmon定义：数据仓库是在管理人员决策中的面向主题的、集成的、稳定的、不同时间的数据集合。 面向主题：数据是围绕业务主题组织的； 集成：数据作为一个整体进行存储； 稳定：数据保持不变； 不同时间：时间量度明确地包含在数据中。 〔数据集市：数据仓库的最小版本，单一领域有关的数据集合，通向规模完整数据仓库的有用的一步。〕;特点： 数据仓库包含大量数据； 组织数据仓库是为了更好地使用数据进行决策； 数据仓库为最终用户提供了可用来存取数据的工具。;数据仓库相关元素及过程： 〔1〕构成数据仓库的事务数据库或其他操作数据库； 〔2〕提取转换过程；从数据库中提取数据并将其转换成数据仓库的数据库结构和内部格式； 〔3〕数据净化； 〔4〕数据加载，到数据仓库的数据库中； 〔5〕元数据； 〔6〕数据仓库数据库：包含各种明细数据和汇总数据； 〔7〕查询工具，联机分析处理； 〔8〕数据仓库用户。;电信行业中，数据仓库面向的主题主要是各种各样的业务，目前主要包括： 大客户资料分析： 分析大客户的根本信息以及帐务信息，了解大客户情况，从中挖掘新的销售时机； 客户流失分析： 分析客户流失情况，刻画流失客户的特征，对未来可能流失的客户作出预测，作出相应的挽留措施； 网络状况分析： 分析网络的情况，刻画网络元素的分布以及利用率，为今后的网络优化提供数据支持； 客户信用度与忠诚度分析： 通过信用度模型，评价客户的信用度，从而对不同的欠费用户采用不同的措施。;决策支持与事务之间数据库要求上的差异：;数据仓库内容分析： 通常两种手段： 〔1〕用户引导分析，联机分析处理〔OLAP〕： 是一类软件技术，允许分析人员、用户通过以下方式获得更有价值数据：对已经从原始数据转换成用以反映真正问题所在的信息的各种可能视图的快速、一致、交互的访问。 〔2〕数据挖掘(Data Mining) 从大量的数据集合中有效地发现有价值但不明显的信息；计算机进行分析工作； 不会受用户对数据间最可能存