软考之决策支持系统的组成

简介: 软考之决策支持系统的组成
  1. 数据的重组与确认
  • 决策支持系统需要正确、可操作的数据来支持决策过程。从事务处理系统中收集的数据通常需要经过重组和确认,以确保其对决策支持系统有效。这一问题可以通过引入数据仓库的概念来解决。数据仓库允许对数据进行提炼,确认其有意义、一致且准确,然后载入关系表中,以支持分析和查询应用。
  1. 数据字典的建立
  • 大多数商业信息系统的数据库无法满足管理者在决策支持方面的需求。现存数据库存在的问题包括数据以特定格式存储,同一数据在不同系统中的表示不同。为了解决这一问题,引入了数据仓库的概念。数据仓库是一个与作业层系统分离存在的数据库,它通过提炼、确认和载入数据,支持管理者进行分析和查询,以解决业务问题。
  1. 数据挖掘和智能体
  • 数据仓库建立后,管理者需要使用工具进行数据存取和查询,这个过程被称为数据挖掘,使用的工具被称为智能体。智能体是管理者用来搜寻数据库中相关数据的软件,用于趋势分析、异常情况识别和结果跟踪。数据挖掘工具可以识别数据模式,得出规则,并通过其他数据进行验证和精炼。
  1. 模型建立
  • 神经网络:支持穷举法,通过训练和模式匹配解决复杂问题。
  • 算法:通过循环执行一组过程获得结果,支持多种业务决策。
  • 启发式:经验法则用于分析结构化程度低的问题,常用于专家系统设计。
  • 模拟:目标是仿真,模拟工厂运作、业务操作或国家政治气候,用于策略改变分析。
  • 模型的建立旨在帮助决策者理解和选择相关现象。不同类型的模型在各个领域有不同的应用,如统计模型、会计模型、人事管理模型和市场营销模型。建立决策支持系统的难点在于清晰定义系统应包括哪些模型以及如何使这些模型对决策者有意义。模型的建立方法包括穷举法、算法、启发式和模拟法。
  • 不同的建模方法:

这些数据重组、数据仓库、数据挖掘和模型建立的方法使决策支持系统更具有灵活性和适应性,为管理者提供了更全面、准确的决策支持。

背诵点

决策支持系统的组成

1.数据的重组和确认与决策支持系统相关的数据库的问题是,获得正确的数据并且可用理想的形式操作这些数据。

2.数据字典的建立大多数支持商业信息系统的数据库并不能满足管理者决策支持的需要。

3.数据挖掘和智能体一旦建成数据仓库,管理者们需要运用工具进行数据存取和查询,这个过程为数据挖掘,使用的工具称为智能体。

4.模型建立模型管理的目的就是帮助决策者理解与选择有关的现象。

数据挖掘的结果类型

数据挖掘的结果类型包括:(1)联合:把各个事件联系在一起的过程。

(2)定序:识别模式的过程。

(3)分类:根据模式组织数据的过程。

(4)聚类:推导特定小组与其他小组相区分的判断规则的过程。

例如,在一场广告竞争中,能够知道一种产品对年轻未婚的职业人员或年轻已婚的蓝领工人是否具有吸引力是有益的。

大量业务问题需要分析可选的方案设计,模型是建立分析框架的一种有利的工具。

每种模型都有不同的应用范围,例如,统计模型包括回归分析、方差和指数平滑,会计模型包括折旧、纳税计划和成本分析,人事管理模型包括环境模拟、角色练习,市场营销模型包括广告策略分析、消费者选择倾向及消费者行为转变分析。

建立一个决策支持系统的难点在于,必须清楚系统应包括什么样的模型,如何使这些模型对决策者有意义。

模型也有不同的特点,有一些是经验的,有一些是客观的。

经验模型包括判断和专家的意见,例如,一个内科医生使用一个经验模型去诊断心脏的状况,客观模型意味着数据分析独立于决策者的经验。

建立模型的方法

建立模型的方法有穷枚举法、算法、启发式和模拟法。

(1)神经网络经常支持穷枚举法。

(2)算法或算法模型是一组可以循环执行以获得结果的过程。

(3)另外一个建立模型的基础是启发式,启发式是经验法则,用于分析结构化程度低的问题。

(4)第4个建模的方法是模拟,模拟的目标是仿真。

目录
相关文章
|
10月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
8月前
|
SQL 关系型数据库 OLAP
云原生数据仓库AnalyticDB PostgreSQL同一个SQL可以实现向量索引、全文索引GIN、普通索引BTREE混合查询,简化业务实现逻辑、提升查询性能
本文档介绍了如何在AnalyticDB for PostgreSQL中创建表、向量索引及混合检索的实现步骤。主要内容包括:创建`articles`表并设置向量存储格式,创建ANN向量索引,为表增加`username`和`time`列,建立BTREE索引和GIN全文检索索引,并展示了查询结果。参考文档提供了详细的SQL语句和配置说明。
199 2
|
8月前
|
存储 人工智能 运维
2025开年AI王炸组合:Deepseek + Zabbix = 监控界“钢铁侠”
2025年,AI技术迎来爆发,中国黑马Deepseek以“硬核战斗力”登顶热搜,预判智能家居、降低自动驾驶事故率、挑战医疗诊断新高度,被誉为“人类外挂”。与此同时,Zabbix结合AI,推出智能运维助手,极大提升运维效率。Zabbix与Deepseek联手发起“脑洞大赛”,万元奖励等你来拿。未来,不懂AI的运维或将被淘汰,立即行动,成为监控界的“天选打工人”! 简介:2025年,AI技术全面革新,Deepseek和Zabbix引领智能运维新潮流,提供高效解决方案并发起创意大赛,助力运维人员掌握未来技能。
287 0
2025开年AI王炸组合:Deepseek + Zabbix = 监控界“钢铁侠”
|
人机交互 分布式数据库 数据库
软考之决策支持系统的概念
软考之决策支持系统的概念
269 3
|
12月前
|
网络协议
计算机网络的分类
【10月更文挑战第11天】 计算机网络可按覆盖范围(局域网、城域网、广域网)、传输技术(有线、无线)、拓扑结构(星型、总线型、环型、网状型)、使用者(公用、专用)、交换方式(电路交换、分组交换)和服务类型(面向连接、无连接)等多种方式进行分类,每种分类方式揭示了网络的不同特性和应用场景。
|
11月前
|
机器学习/深度学习 传感器 人工智能
深度学习中的图像识别技术及其应用
在人工智能的浪潮中,深度学习已经成为推动技术创新的核心力量。本文将深入探讨深度学习在图像识别领域的应用,从基本原理到实践案例,展示如何通过神经网络模型实现高效准确的图像处理。我们将一起探索卷积神经网络(CNN)的奥秘,并通过实际代码示例,了解如何训练和部署这些模型来解决现实世界的问题。无论你是深度学习的初学者还是希望深化理解的开发者,这篇文章都将为你提供价值丰富的知识和技能。
|
数据可视化 图形学 Python
|
人工智能 搜索推荐 物联网
未来智能家居技术的发展趋势与应用前景
智能家居技术正在迅速发展,从简单的智能灯泡和智能插座,到智能语音助手和人工智能家居控制系统,其应用范围和功能不断扩大。本文探讨了未来智能家居技术的发展趋势,包括人工智能、物联网、大数据等方面的创新应用,以及智能家居在改善生活品质、提升居住舒适度和节能减排方面的潜力。
540 0
|
机器学习/深度学习 数据可视化 TensorFlow
用TensorBoard可视化tensorflow神经网络模型结构与训练过程的方法
用TensorBoard可视化tensorflow神经网络模型结构与训练过程的方法
570 1
|
SQL JavaScript 关系型数据库
保姆级教程——号称下一代Node.js,Typescript的orm的prisma 如何在nest.js中使用
保姆级教程——号称下一代Node.js,Typescript的orm的prisma 如何在nest.js中使用