Сочинение на тему Операция принятия решений (DMO)
- Опубликовано: 11.08.2020
- Предмет: Бизнес, Развлекательная программа
- Темы: Музыка, опера, Принятие решения, управление
DMO (операция принятия решений) заметна по двум видам аспектов: организационный и технический. Организационным аспектом являются те, которые связаны с двухдневным функционированием компаний, когда решения должны приниматься и соответствовать стратегии компаний. Технический аспект включает в себя набор инструментов, используемых для содействия процессу принятия решений, таких как информационные системы, хранилища данных, формальное моделирование и анализ решений. В этой работе выделяется подмножество элементов, объединенных для определения интегрированной модели принятия решений с использованием больших данных, бизнес-аналитики, систем поддержки принятия решений и организационного обучения, которые работают вместе, чтобы предоставить лицу, принимающему решение, надежную визуализацию возможностей, связанных с принятием решений. Основная цель этой работы – провести теоретический анализ и обсуждение этих элементов, что позволит понять, почему и как они работают вместе.
Введение
Организации должны использовать структурированное представление информации для улучшения процесса принятия решений. Чтобы достичь этого структурированного представления, они должны собирать и хранить данные, выполнять анализ и преобразовывать результаты в полезную и ценную информацию. Для выполнения этих аналитических и трансформационных процессов необходимо использовать соответствующую среду, состоящую из большого универсального репозитория, процессорного ядра с соответствующим интеллектом (Business Intelligence [BI]) и дружественного интерфейса. Хранилище должно быть заполнено данными, происходящими из разных видов внешних и внутренних источников данных. Этими хранилищами являются хранилища данных (общие сведения) и витрины данных (при рассмотрении конкретной деятельности или сектора компании), а в последнее время – большие данные. Концепция больших данных и ее приложения возникли из растущих объемов внешних и внутренних данных организаций, которые отличаются от других баз данных в четырех аспектах: объем, скорость, разнообразие и ценность. Объем учитывает объем данных, скорость относится к скорости, с которой данные могут быть проанализированы и обработаны, разнообразие описывает различные виды и источники данных, которые могут быть структурированы, а значение относится к ценным открытиям, скрытым в больших наборах данных [1].
Большие данные могут помочь в определении возможностей, связанных с принятием решений на этапе разведки модели Саймона [2]. В некоторых случаях сохраненные данные могут использоваться, чтобы помочь процессу принятия решения. В этом контексте термин «интеллект» относится к открытию знаний с помощью алгоритмов майнинга. Таким образом, использование больших данных можно согласовать с применением инструментов бизнес-аналитики (BI), чтобы обеспечить интеллектуальную помощь для организационных процессов. Данные, необходимые для получения бизнес-представлений, должны быть получены, отфильтрованы, сохранены и проанализированы после того, как доступные данные станут неоднородными и в большом объеме. Процессы фильтрации и анализа данных очень сложны, поэтому необходимо использовать стратегии и инструменты BI. Основное предложение настоящего исследования состоит в том, чтобы разработать исследование, описывающее роль больших данных и бизнес-аналитики в процессе принятия решений, и предоставить исследователям и практикам четкое представление о проблемах и возможностях применения технологий хранения данных, чтобы это новое знание может быть обнаружено. Последовательность этой работы следующая. Раздел 2 предоставляет справочную информацию для больших данных и некоторых их приложений. Раздел 3 представляет концепцию DSS. Раздел 4 Концепция – использовать BI и представляет ее организационные и технологические компоненты. В разделе 5 представлена схема интеграции между большими данными, бизнес-аналитикой, структурированием и принятием решений, а также организационным обучением. Раздел 6 содержит обсуждение перспектив интеграции процесса принятия решений в соответствии со схемой, представленной в разд. 5. Наконец, заключение представляет ограничения этого исследования и подчеркивает, что эта работа получила.
Большие данные
В связи с увеличением объема данных во всем мире термин «большие данные» в основном используется для описания больших наборов данных. По сравнению с другими традиционными базами данных, большие данные включают в себя большой объем неструктурированных данных, которые необходимо анализировать в режиме реального времени. Большие данные также предоставляют новые возможности для открытия новых ценностей, которые временно скрыты [3]. Большие данные – это широкая и абстрактная концепция, которая получает широкое признание и широко освещается как в научных кругах, так и в бизнесе. Это инструмент для поддержки процесса принятия решений, используя технологию для быстрого анализа больших объемов данных различных типов (например, структурированных данных из реляционных баз данных и неструктурированных данных, таких как изображения, видео, электронные письма, данные транзакций и социальные сети. взаимодействия) из различных источников для создания потока действенных знаний [4]. После того, как данные собраны и сохранены, самая большая проблема заключается не только в управлении ими, но также в анализе и извлечении информации, имеющей значительную ценность для организации. Большие данные работают при наличии неструктурированных данных и методов анализа данных, которые структурированы для решения проблемы [1]. Комбинация, называемая 4Vs, характеризует большие данные в литературе: объем, скорость, разнообразие и ценность [5]. Объем имеет большое влияние при описании больших данных, поскольку большие объемы данных генерируются отдельными лицами, группами и организациями. Zikopoulus et al. сообщает, что расчетное производство данных к 2010 году составило около 35 зетабайт [6]
Второй элемент, скорость, относится к скорости, с которой большие данные собираются, обрабатываются и подготавливаются – огромный устойчивый поток данных, который невозможно обработать с помощью традиционных решений, поэтому важно учитывать не только «где» хранятся данные, но и «как» они хранятся. Третий элемент, разнообразие, относится к типам данных, генерируемых из социальных источников, включая мобильные и традиционные данные. С ростом социальных сетей, интеллектуальных устройств и датчиков данные стали сложными, потому что они включают полуструктурированную и неструктурированную информацию из файлов журналов, веб-страниц, поисков по индексу, кросс-медиа, электронной почты, документов и форумов.
Наконец, ценность может быть обнаружена из анализа скрытых данных, поэтому большие данные могут предоставить новые открытия новых ценностей и возможностей, помогающих принимать решения. Однако управление этими данными может рассматриваться как сложная задача для организаций [1]. Чтобы продемонстрировать различие между большими данными и малыми данными, мы проанализировали их, используя пять основных характеристик: цели, расположение данных, структура данных, подготовка и анализ данных в таблице 1.
Важно отметить, что реляционные базы данных не устарели, напротив, они продолжают быть полезными для ряда приложений. На практике, чем больше размер базы данных, тем выше затраты на обработку и трудозатраты, поэтому необходимо оптимизировать и добавлять новые решения для улучшения хранения, обеспечивая большую гибкость. Чтобы лучше понять влияние науки и решений для больших данных, будут представлены приложения и решения для больших данных в следующих различных контекстах: образование, социальные сети и социальные сети, а также умные города. Grillenberger и Fau использовали образовательные данные для анализа успеваемости учащихся [7]. Их стили обучения также были прояснены благодаря использованию больших данных в сочетании со стратегиями обучения для лучшего понимания знаний учащихся и оценки их успеваемости. Эти данные могут также помочь идентифицировать группы студентов с похожими стилями обучения или их трудностями, определяя, таким образом, новую форму персонализированных учебных ресурсов, основанных и поддерживаемых вычислительными моделями. Большие данные создали исследователям новые возможности для достижения высокой актуальности при работе в социальных сетях. В этом контексте Чанг, Кауфман и Квон использовали коммуникационные среды, чтобы обсудить причины смены парадигмы и исследовали способы исследования поддержки принятия решений и, в более широком смысле, применения в социальных науках [8]. В контексте умного города Dobre и Xhafa предоставляют платформу для автоматизации процессов сбора и агрегирования крупномасштабной информации.
Кроме того, они представляют приложение для интеллектуальной транспортной системы [9]. Приложение предназначено для помощи пользователям и городам в решении проблем с трафиком в больших городах. Комбинация этих услуг обеспечивает поддержку приложения в интеллектуальных городах, которые могут извлечь выгоду из использования информационного набора данных. Ценность Больших Данных является движущей силой создания новых инструментов и систем для облегчения анализа поведения потребителей, экономического прогнозирования и рынков капитала. Доминирование на рынке может быть обусловлено тем, какие компании быстрее и быстрее усваивают и используют лучшие данные. Понимание социального контекста действий отдельных лиц и организаций означает, что компания может отслеживать не только то, что делают их клиенты, но и гораздо ближе к пониманию того, почему они делают то, что делают. На сегодняшний день для использования больших данных необходима современная инфраструктура, чтобы преодолеть ограничения, связанные с языком и методологией. Руководящие принципы необходимы в короткие сроки для того, чтобы справиться с такими сложностями, так как различные инструменты и методы и конкретные решения должны быть определены и реализованы.
Кроме того, различные каналы, по которым данные собираются ежедневно, увеличивают трудности компаний в определении того, какое решение является правильным для получения релевантных результатов из пути данных. В этом контексте будут представлены технологии BI и DSS.
Системы поддержки принятия решений (DSS)
Информация и знания являются наиболее ценными активами для процессов принятия решений в организациях и нуждаются в среде для обработки данных в информацию, загруженную ценностью и актуальностью для использования в организационных процессах. Информационные системы (ИС) представляют эти средства массовой информации. Специально ориентированные на процесс принятия решений, DSS работают для обработки, анализа, обмена, визуализации важной информации, чтобы помочь в процессе агрегации и трансформации знаний, и тем самым улучшить организационные знания. DSS предназначены для поддержки решений проблем принятия решений. Термин DSS берет свое начало в двух направлениях: первоначальные исследования исследовательской группы Саймона в конце 1950-х и начале 1960-х годов и технические работы над интерактивными компьютерными системами исследовательской группой Геррити в 1960-х годах [10]. В более подробном определении, DSS – это интерактивные компьютерные ИС, которые помогают лицам, принимающим решения, использовать данные, модели, решатели, визуализации и пользовательский интерфейс для решения полуструктурированных или неструктурированных проблем. DSS создаются с использованием генератора DSS (DSSG) в качестве компонента сборки [11]. У DSS есть строгая связь с моделью выбора модели интеллекта, но она действует с большей силой на этапе выбора [2].
Их главная цель – поддержать решение, определив, какие альтернативы для решения проблемы являются более подходящими. Хотя выбор сделан человеческим агентом (менеджером, который рассматривается как лицо, принимающее решения в рамках этого процесса), роль DSS заключается в предоставлении дружественного интерфейса, где агенты могут создавать сценарии, моделировать и получать отчеты и визуализации для поддержки решений. [12]. Система такого типа имеет набор базовых элементов, которые включают базу данных и базу моделей с соответствующим управлением, бизнес-правило для обработки данных в соответствии с выбранной моделью (например, ядром системы) и пользовательский интерфейс [10 ]. Базы данных и моделей и соответствующие им системы управления позволяют использовать бизнес-правила при обработке данных в соответствии с моделью, чтобы сформулировать возможности решения проблемы.
Интегрированная модель для процесса принятия решений, больших данных и инструментов BI
Модель принятия решений Саймоном объединяет процесс принятия решения в три этапа, как было показано ранее. Каждый этап этой модели подвержен использованию методов и инструментов с организационной и технологической точек зрения. Перспектива организации может использовать методы структурирования проблем (PSM); Многокритериальная помощь при принятии решений (MCDA); и методы УЗ, такие как мозговой штурм, сообщества практиков, лучшие практики, рассказы, желтые страницы, помощь сверстников и картирование знаний. Эти методы и приемы способствуют выявлению знаний у субъектов, участвующих в процессе принятия решений, тем самым способствуя выявлению необходимого опыта, необходимого для решения конкретной конкретной проблемы, как в случае методов PSM и KM, или действия по обеспечению рекомендации по решению этой проблемы, как в случае с MCDA. Технологические инструменты включают хранилища данных (например, хранилища данных и витрины данных), заполненные данными из общедоступных источников, BI или даже AI и методами решения проблем (PSolM), созданными на основе знаний (KE) (например, CommonKAD и Methodology и Tools Oriented. к основанным на знаниях инженерным приложениям [MOKA]).
Эти инструменты являются важными элементами, которые способствуют хранению, доступу и анализу информации, обнаружению и обмену знаниями в базах данных и даже поддержке применения методов и техники организационной перспективы. Основной целью данной работы является интеграция процесса принятия решений с некоторыми из этих инструментов, представленных на рис. 2, с учетом перспективы прогнозного подхода к принятию решений. С этой точки зрения, использование методов для структурирования проблем принятия решений и предложения альтернативных вариантов является важной проблемой и эффективным способом поддержки проектирования и разработки DSS. В сочетании с прогнозным подходом этот процесс использует инструменты BI для предоставления информации о домене, которая помогает на всех этапах процесса.
Примечательно, что некоторые из этих элементов созданы на этапах модели Саймона. На этапе аналитики, используя большие данные на основе внутренних и внешних источников данных, организации могут создавать …
После прослушивания и прочтения этой речи несколько раз я думаю, что у меня есть понимание того, что пытается сказать Джон Денвер. Сначала я подумал, что
Анализ мыльных опер. Краткая история Жанр мыльной оперы появился на американском радио в 1930-х годах и получил свое название благодаря спонсорской поддержке программ крупными компаниями,
Важность управления талантами и почему вы должны инвестировать в него Управление талантами – это не просто ключевые термины, с которыми вы сталкиваетесь. Управление талантами –