IIEI供应链管理讲稿.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 决策支持系统的应用工具 数据仓库（Data Warehouse） 数据仓库变得越来越受欢迎，决策支持系统通过分析这些数据库以帮助决策 数据挖掘工具（Date Mining） 数据挖掘工具试图彻底梳理数据以期在未知的领域中找到规律；这些工具被用来寻找不可预知的营销关系，同时它们也被用来分析供应链关系，如存在于运输和库存之间的关系。 第二百四十页，共二百五十五页。 建构模型的挑战 任何决策支持系统的核心是其模型（Model），亦即对此系统真实状态的一种表达方式。 建构供应链模型面临的主要问题： 应该对现实中哪一部分进行建模？ 决策支持系统如何描述真实状态又使模型简单有用？ 模型一方面需详细以正确显示目前的真实状态；模型另一方面则需简单以利于了解、操作及求解 第二百四十一页，共二百五十五页。 建构模型的挑战 建构模型的过程： 先建立初期假设，发展简单模型后再松弛假设 以简单模型开始，随后再增加复杂性 需要什么水平的数据及细节： 建模需要数据的搜集，而非相反； 战略性模型需要汇总数据，作业性模型则需要更详细的数据。这两种模型都必须决定：需要搜集/使用何种数据、如何集成及更新这些数据 第二百四十二页，共二百五十五页。 建构模型的挑战（3） 三项重要的建模规则： 思考复杂化，模型简单化 以简单模型开始，随后再增加复杂性 建模决策应驱动数据搜集的需，而非相反的流程 第二百四十三页，共二百五十五页。 决策支持系统的结构 构成DSS系统的三大主要组成要素是： 数据输入 输入数据是作为决策的基础信息 分析工具 分析工具包含运筹学及人工智能算法、成本核算、仿真 输出工具 数据库及电子表格的简报工具 使用数据视觉技术能够让用户了解大量的输出数据 第二百四十四页，共二百五十五页。 输入数据 输入DSS的数据对于分析的质量具有关键性的影响 视分析的类型而定，DSS系统可能须从一个公司的不同部门来收集信息 为了评估数据的质量及系统模型的质量，DSS需要检测模型结果与现实是否相符。 第二百四十五页，共二百五十五页。 分析工具 一旦数据收集完成，它们就必须被分析和展示。 因此，了解DSS系统如何分析数据对于决策者来说是很重要的，以评估决策支持系统推荐方案的有效性及准确性 第二百四十六页，共二百五十五页。 DSS分析工具及技术（1） 询问（Queries） 通过让决策者询问关于数据的特殊问题，往往可以促成决策 统计分析（Statistical Analysis） 统计学的技术有时可用来判断数据里的趋势及样本 数据挖掘（Data Mining） 在线分析处理工具（On-Line Analytical Processing Tool） 在线分析处理工具提供了一种直觉方法去查看储存在数据仓库的共同数据 OLAP工具在常用的企业维度上汇整数据，同时让用户在不同的层及维度间，往上、往下或横向的航行以挖掘所需的数据 第二百四十七页，共二百五十五页。 DSS分析工具及技术 计算器（Calculators） 模拟研究（Simulation） 所有的营运流程都会有随机的成分，常常问题中这些随机、猜测的成分使得分析更加困难。这种情况下，模拟研究常是一种有效的工具以协助决策的形成 人工智能（Artificial Intelligence） 人工智能工具可以运用在分析DSS的输入数据，例如智能代理人使用人工智能来协助决策，特别是实时的决策 数学模型与算法（Mathematical Models and Algorithms） 最佳算法（Exact Algorithms）：找出一个数学上的最佳可能解 启发算法（Heuristics）：提供好的但未必是最佳的答案；通常解题的时间比第一种方式快了许多 第二百四十八页，共二百五十五页。 分析工具的选择 对决策支持系统而言，选择合适的分析工具必须考虑许多要素，而这些要素包括： 问题的类型 要求的答案准确性 问题的复杂性 定量输出指标的数量和种类 决策支持系统所需运行速度的要求 决策目标的数