医院决策支持系统建设

医院决策支持系统建设（精选6篇）

医院决策支持系统建设 第1篇

医院应用信息技术已有20余年, 信息化推进取得了一定的成果, 已基本形成了符合医院特点的信息化建设和综合应用模式。在多个应用方面取得了进展, 建立了医院管理信息系统 (HIS) 、临床信息系统 (CIS) 、图片存档及通讯系统 (PACS) 、实验室信息系统 (LIS) 、电子病历系统等。各系统在实现业务集成的同时也完成了数据的集成, 从而为各级信息使用者提供了大量完备的基础数据。但是, 系统上线、流程跑通仅仅是信息化建设的第一步, 要保证系统长期稳定运行, 还要持续地利用系统数据发现问题、解决问题、挖掘难点、优化流程, 实现“用数据说话”的管理目标, 满足医院提出的决策支持系统的需求。决策支持系统以数据仓库为主[1], 结合数据挖掘、在线分析处理技术, 通过先进的模型库及方法库对数据进行处理, 从而达到帮助医院进行有效决策的目的。

1 决策支持系统

决策支持系统 (Decision Support System, DSS) 是辅助决策者通过数据、模型和相关知识, 以人机交互方式进行半结构化或非结构化决策的计算机应用系统[2]。它是管理信息系统 (MIS) 向更高一级发展而产生的先进信息管理系统。可为决策者提供分析问题、建立模型、模拟决策过程和方案的环境, 调用各种信息资源和分析工具, 帮助决策者提高决策水平和质量[3]。

1.1 传统的DSS

1980年Sprague提出了DSS 3部件结构[4,5], 即对话部件、数据部件 (数据库和数据库管理系统) 、模型部件 (模型库和模型库管理系统) 。该结构明确了DSS的组成, 也间接地反映了DSS的关键技术, 即模型库管理系统、部件接口、系统综合集成。1981年Bonczak等人提出了DSS 3系统结构, 即语言系统 (Language System, LS) 、问题处理系统 (Problem Process System, PPS) 、知识系统 (Knowledge System, KS) 。该结构的PPS和KS具有特色, 并在一定范围内有较大影响。但它与人工智能的专家系统 (Expert System, ES) 容易混淆。

20世纪80年代末90年代初, DSS与ES结合, 形成了智能决策支持系统 (Intelligence Decision Supporting System, IDSS) 。IDSS是定性分析和定量分析辅助决策支持系统的结合, 进一步提高了辅助决策能力[6]。

1.2 基于商业智能的IDSS

20世纪90年代中期以来, 以数据仓库、数据挖掘、联机分析处理相结合建立DSS成为决策支持系统发展的新形式, 使决策支持系统的发展跃上了一个新层次[7,8]。基于商业智能 (Business Intelligence, BI) 的医院决策支持系统以数据仓库为主, 结合数据挖掘、在线分析处理技术, 通过先进的模型库及方法库对数据进行处理, 从而达到帮助医院进行有效决策的目的。其建设原则如下:

(1) 流程整合。决策支持系统必须满足医院业务的需求, 实现与全院业务流程的整合。

(2) 技术先进。系统要采用先进的技术体系结构, 在软、硬件产品或第三方产品方面, 要能支持主流的成熟产品, 以保证系统安全、可靠地运行。

(3) 性能稳定可靠。作为HIS的关键业务系统之一, 系统的稳定性和可靠性将关系到整个医院医疗服务工作的优劣, 因此系统必须支持在大数据量情况下的运行效率和和稳定性。

(4) 集成与共享。新建的决策支持系统必须满足医院现有系统之间的信息接口需求, 通过集成平台实现与HIS、LIS、CIS、RIS、HERP各系统数据整合, 实现数据信息共享。如通过集成平台与浦东新区区域卫生信息平台对接, 实现区域医疗信息交换共享与业务协同[9]。

(5) 平台化。支持医院信息集成平台, 采用平台化开发模式, 可方便地挂接到其他现有系统[10]。

2 医院业务体系分析

医院的业务体系是一个庞大的运营体系, 基本包括以下几个层面, 见图1。

针对以上的医院业务体系, 并根据医院的实际业务流程, 可将医院决策支持系统分为以下业务类型:医保分析、财务分析、药品分析、医疗质量、人力资源、资产物流、日常管理、综合绩效、资料中心等。医院决策支持系统结构, 见图2。

3 医院决策支持系统设计

3.1 整体架构设计

医院决策支持系统需要对零散分布于各个系统的数据进行整合, 并按照不同专业关注点进行区分, 实现数据的抽取、加工和转换。同时, 需要根据实际业务实现数据获取的自助配置, 实现与各种应用程序或应用系统的接口, 对历史数据进行面向主题的分析[11]。整体架构设计, 见图3。

3.2 数据存储模型

数据存储是指医院所有相关信息的一体化存储。为了解决“模型稳定和需求易变”的矛盾, 将综合数据平台中的数据分为以下三个层次:临时存储区、基础数据区、汇总数据区[12], 具体结构见图4。

3.2.1 临时存储区

首先将不同源系统的数据加载到一个临时存储区, 其原因有两个, 一是为了避免重复的数据抽取工作对数据源造成影响;二是为了对来自不同源系统的数据表进行关联操作。临时存储区不仅仅存在于数据源系统到基础数据区的转换加载中, 如果基础数据区内部和基础数据区到分析数据区的数据处理需要临时存储, 也要有临时存储区。

3.2.2 基础数据区

基础数据区是整个数据存储的核心, 通过构建多维模型, 从不同的维度对每一项事实进行分析。其数据模型一般按主题域的形式进行组织, 可以分为:运营数据区、分析数据区、数据归档区。其中, 运营数据区存储, 按主题分类, 面向运营的实时数据, 提供统一的医院数据视图;分析数据区存储, 面向经营决策分析的历史数据;数据归档区用于存储运营数据区和分析数据区中产生的历史归档数据。

3.2.3 汇总数据区

为了提高跨域报表和分析的访问性能, 需要对预处理后的数据进行额外存储, 以提供给前端使用。这部分是个虚拟层, 不实际存储数据。应通过数据库里的有关数据项定义, 把其定义成有明确业务含义的名称。即把表、字段和它们的复杂关系在这部分整合为直接供前端展示的业务术语和指标名称。这部分称之为“语义层”。

3.3 数据整合

数据整合是医院决策支持系统的重要组成部分。它通过多种途径定期或者半实时地从源系统中获取数据, 并保证这些数据在存储数据区域之间高效、有序、准确地流动。具体来看, 数据整合又可以分为数据抽取、数据转换、数据加载、数据审计等[13]。

3.3.1 数据抽取

数据抽取通过多种途径从源系统中整合数据, 包括数据库直接访问、数据库复制技术、文件访问等。根据不同的数据源, 匹配预先定义的规则流程, 在任务引擎的调度下, 按照定义好的流程经过数据抽取、数据整理、数据转换、数据加载几个关键环节最终将相关数据存储到临时数据区。另外, 有些已经预处理好的文件数据可以直接通过数据加载方式纳入到临时数据区。

3.3.2 数据转换

数据转换包括格式和类型转换、数据翻译、数据匹配、数据聚合以及其他复杂计算等。多数情况下, 数据源到数据仓库各区块之间主要涉及格式转换、数据翻译、数据匹配, 而数据聚合以及其他复杂计算主要在数据汇总时出现。

3.3.3 数据加载

数据加载是将抽取转换后的数据加载到数据仓库各区域中, 包括数据行加载和数据块加载。在综合考虑效率和业务实现等因素基础上确定数据加载周期和数据追加策略。

3.3.4 数据审计

数据审计是数据仓库各层数据与源系统数据的业务一致性和数据准确性的重要保障。数据审计是评估数据是否符合数据规则, 如预置质量阈值、记录奇异值和统计值。审计的执行方式可以是随机的、计划性的、事件触发的等。

3.4 数据展现

3.4.1 展现层技术架构

展现层分别使用仪表盘、固定报表、自助查询的方式对来自数据仓库和外部的数据进行呈现[14]。

3.4.2 数据展现方式

在医院决策支持系统中, 前端数据呈现结构至少要具备以下3个部分:医院管理仪表盘、实时监控分析、固定报表[15], 具体结构见图5。

(1) 医院管理仪表盘。完成各业务领域的跟踪、控制和分析, 最大程度地发挥源数据的作用, 为经营决策提供最有力的支持。该部分的内容以领导关心的决策指标为核心, 可以按整个项目的进行过程来分阶段、分业务领域进行实施, 从而完成整个医院的动态交互式展现流程。

(2) 实时监控分析。通过实时的数据, 动态展现医院运营的一些核心指标, 最直观地显示医院目前的运行状况。随时对数据进行查看和分析, 也可以制作并定期生成预定义的报表。高层领导、中层管理人员、分析人员及业务人员随时可以进行数据查询、数据挖掘以及OLAP分析, 及时得到想要的查询分析结果。

(3) 固定报表。固定报表能提供更详细的数据, 以标准化的方式将医院数据仓库中的数据展示出来。它主要用于固定格式的报表和报告展示, 由报表制作人员来制作完成, 发布到服务器平台上进行共享。这部分报表多采用计划刷新的方式定期生成预定义报表, 保存报表实例, 并对报表的版本进行统一管理。

3.4.3 业务指标库

业务指标库的功能在于将业务人员难以理解的数据库关系映射成业务术语, 将复杂的数据关系映射成面向应用的业务模型。具体包括如下功能:

(1) 创建逻辑指标对象。指标库定义的指标不会物理存储数据, 在使用的时候, 用户可以通过拖拽的方式自由进行访问。

(2) 定义指标间的关联关系。指标库中应该可以定义各指标间的关联关系。用户在定义指标分析报表时, 不需要更多的定义即可实现指标间的关联分析。

(3) 指标库管理。可以对每个指标定义多个属性, 并可以通过查找功能按属性查找指标。用户使用时, 按照查询功能查找相应指标。

3.5 决策支持分析平台

功能强大的分析平台, 是医院决策支持系统的前端展现不可缺少的支撑, 应考虑实现以下基本功能:

(1) 在统一的管理页面上集成对所有服务、对象、用户、应用程序、计划等的管理。提供方便、灵活的权限管理, 从数据级、报表级、目录级、功能级多角度提供权限设置, 并支持用户/用户组/角色管理。

(2) 提供基于Web页面和手机门户的报表浏览、即时查询、在线分析、文档管理、权限管理、报表调度、服务器配置、协同信息共享等多种功能。

(3) 提供报表分发机制, 对于制作好的报表, 可以通过Email、短信发给某个或某些特定的用户。报表接收者可以直接在Web中查看或者在Office工具中查看和编辑。

(4) 支持大用户量并发访问和大容量数据查询。

(5) 提供审计功能, 方便系统管理员监控系统运行状况。

4 结论

决策支持系统论文 第2篇

关键词：供应链;营销管理;决策

供应链是一种围绕企业核心过程的网链结构，其对企业的描述主要基于过程观，其所控制的过程不仅包含人才流、资金流，而且包含物流、信息流等，是一个贯穿原材料采购到产品最终送到用户手中各个环节的过程。由此可知，供应链包括了企业所有环节的全部功能。供应链管理则是供应链组织的一体化管理，是一种新的管理理念与模式，近年来国内外对其重视度日渐提高。供应链管理的目标主要在于促进企业服务水平的提高和总交易成本的降低，这也是现代企业面对信息时代冲击生存与发展的必然要求。为了能在市场竞争中赢得更好地发展，很多企业开始加强管理力度，在市场管理中逐渐引入供应链管理思想，通过对信息技术的运用，有效地整合企业内外各项资源并形成互动管理，从而推动从供应商到最终客户增值价值链的形成。

一、供应链营销管理与决策支持系统的组成构架

1.供应链市场调研系统。在企业决策支持系统中，供应链市场调研系统是其中重要组成部分。供应链市场调研系统除了可根据自身工具性对顾客的实际需求与潜在需求进行了解，而且可从营销管理者的相关设计方案如调研方法与样本选择方法等入手，收集、分析与整理企业经营的供应链原始数据，决策支持系统中所包含的两大模块，即调研数据分析处理与原始数据收集模块，便可实现对企业营销决策相关方面的分析，并向决策支持系统反馈分析处理后的结果，从而将有效的决策支持提供给企业的经营。

2.供应链市场营销情报系统。在企业决策支持系统中，供应链市场营销情报系统的目的主要是为了促进企业自身竞争水平的提升，最终目的则是为了促进企业经济效益的提升。该系统可帮助企业供应链营销管理者对其竞争对手的相关营销信息以及与供应商的相关营销信息进行收集、分析，使企业能够在市场竞争中保持优势。供应链市场营销情报系统根据工作内容的不同，又可分为两个模块：其一为情报收集模块，其二为情报分析处理模块。第一种模块主要从企业供应链营销外部数据源与内部数据源入手，对与企业市场营销相关的信息直接加以获取，这些信息中不仅包含供应商信息外，而且包含竞争者信息，同时包含相关产品市场环境信息等。第二种模块则主要通过对各种统计方法与计算模型的提供，从系统化与层次化上对系统所收集到的信息进行分析，使这些信息成为可靠情报，对产品市场营销水平产生决定作用。通过供应链市场营销情报系统的利用，企业供应链营销管理者可有效地分析自身所处行业的商业变化，根据相关情报对竞争对手的营销策略有更加深入地了解，将可靠的运行保障提供给企业生产和经营环节，促使企业竞争力提高与企业发展水平提高这些目标能够真正得以实现。

3.供应链市场营销管理系统。在企业决策支持系统中，供应链市场营销管理系统除了对经营中各种营销信息加以负责外，同时需要对相关风险事故的损失信息等加以负责。根据业务内容，该系统会对营销基础数据库中的有关数据实施分类，使其能够在营销数据库中得到统一集成，从而促进面向全局的数据视图的形成，不仅可将信息的查询服务提供给企业的相关决策，而且可将信息的统计、报告等服务提供给企业相关决策。

4.供应链风险评价系统。根据供应链市场调研系统与供应链市场营销情报系统对相关营销信息的收集，供应链风险评价系统可通过对风险识别与衡量手段的运用，分析企业营销活动中可能存在的风险因素，同时估测这些风险因素可能导致的损失，在风险评价上的有效作用使该系统成为企业决策支持系统中重要组成部分。站在客观的视角来看，企业不可能将营销决策的滞后性完全进行消除，但根据相关风险概率的分析，则可评估相关损失，从而使企业营销决策的有效性与实时性得到提高，提供稳定的内部保障给企业，促进企业利润最大化目标的实现。

二、企业供应链营销管理与决策支持系统结构

尽管数据仓库技术、联机分析处理和数据挖掘技术最初出现时属于三种独立的信息处理技术，但因为这三种技术在内在存在一定的联系和互补性，所以业界人士普遍将其作为综合结构共同应用于企业供应链营销管理与决策支持系统中。这种全新的决策系统技术构建，使信息的本质得以真正意义上被重新展示出来，这也表明信息系统的设计观念正在发生转变，已经不再是单纯的处理驱动，而是开始转向数据驱动，这种转变同时能够将更加有效的支持提供给复杂环境中的决策。在信息层次上，企业供应链营销管理与决策支持系统可以分为四个层次。对于营销管理决策支持系统来说，供应链管理环境不仅为其信息基础，而且可对系统的信息反馈加以接受，为整个供应链经营活动提供指导以保证其有序进行。事务性应用环境组成元素主要为供应链网络中所包含的一些事务性应用数据库，通过对所保存数据进行抽取、清洗、转换，重新组成对管理决策形成支持的数据结构,促进支持营销管理决策的数据仓库。事务性应用环境的支持对象还包括营销事务性管理活动，通过对事务性处理和决策分析进行分析，促进整个系统运行效率的提高。决策支持应用环境可将数据仓库、知识库系统等结合起来，对于复杂的营销管理问题通过这一结合能够做出决策分析。因该决策系统从性质上看属于辅助决策系统，很多决策分析过程都离不开用户的参与,人机交互环境给系统与用户提供了交互的界面，能够为系统运行的有效性提供更好保证。

三、供应链营销管理与决策支持系统各项支持功能的实现

1.制定供应链营销在价格战略。供应链营销管理与决策支持系统可以对综合评价分析法加以采用，通过人机交互的方式深入地分析企业市场竞争实力。该系统中情报分析系统和市场调研系统还可对相关数据信息加以提供，通过这些信息不仅可以具体地研究市场趋势、产品的生命周期，而且可以具体地研究产品的定位目标等，从而促进对企业发展最有利的市场营销价格的得出。该系统还可对层次分析法加以采用，在此基础上细分产品市场，通过分析行业市场中本企业所呈现出的竞争优劣势及机遇、威胁等，促进企业对最终目标市场进行确定。

2.分析和预测供应链营销市场。对供应链营销市场进行分析与预测，是决策系统的重要功能之一，不仅会对企业内部管理效率产生影响，而且影响着企业资源的优化整合，同时关系着企业对市场方向的把握，对企业自身发展也具有促进作用。根据系统中的数据挖掘技术，除了能够分析消费者的相关购买行为，同时可分析企业的竞争对手，从而将可靠的信息提供给企业作市场分析与预测，使企业能够更好地把握产品市场需求。该系统还可对市场需求的弹性模型进行建立，通过该种方法能够研究市场对产品的市场需求量，还能研究市场价格变化趋势，根据有关研究企业即可对产品及产品数量进行最优化地定价和确定。

3.供应链营销管理中产品价格与分销渠道决策。应链营销管理与决策支持系统中的产品价格与分销渠道决策，不仅与企业经济效益的实现有着直接关系，而且可较大程度地影响企业的整体竞争水平。首先，决策系统中的数据管理层，可对产品的市场需求进行分析，同时可对同类产品的市场价格进行分析，在此基础上企业内部不同产品即可实现不同的组合，对产品的定价方法与定价目标进行科学地确定。工具层中的系统模块，不仅可以合理地评价经销商档案，同时可合理地评价业绩维护，有利于企业分类管理经销商所提供的信息，从而促进企业内部资源优化与整合的实现。综上所述，企业供应链营销管理与决策支持系统能够帮助企业对产品营销策略进行分析，该系统还可通过对产品综合评价，帮助企业对更好的产品组合与开发决策进行确定，对企业营销计划和管理具有重要影响作用。新常态经济发展背景下，企业经济发展需要利用各种决策模式，统一优化与控制企业产品存储和分拨调运，促进企业供应链成本与服务水平平衡的实现，对企业供应链营销管理决策系统的建立也具有积极的影响作用。

参考文献：

[1]刘丹青.市场营销管理与决策支持系统的研究与实验[J].经济管理:文摘版,20xx(9):13-14.

央企决策支持系统的建设重点与难点 第3篇

找准建设时机

根据信息化实施规划方法论,在应用系统实施的优先级排序上应该遵循“先业务处理系统、后管理信息和DSS”的原则。该原则一方面反映了系统间存在一定的依赖性,另一方面也反映了对投资回报率的考虑。

“系统间的依赖性”这点比较好理解,主要原因在于数据。DSS总体来说是数据驱动的。一方面支持从既有数据发现知识,比如预测模型或分类模型;另一方面支持利用既有知识或经验将数据加工成可以支持决策者做出判断的形式,比如形象的趋势图、柱状图等图形或格式化的表格。因此,DSS能够发挥作用是以业务处理或管理信息系统已经运行一段时间并积累了大量数据为前提的,这是DSS建设时机的一个重要方面。

在应用系统的投资回报率方面,除了定量分析外,还可以通过经验来说明问题。通过对中国移动和国家电网等央企DSS成功建设经验的研究,我们认为,DSS建设应首先关注以下几个方面应用:

1.市场营销

市场营销是企业管理的主要方面。它是一个管理决策过程,通过市场调查分析,产品、价格、分销、促销相结合,确保营销计划的执行。同时,应注意开发和引导消费者的潜在需求,而在计划实施中,应根据反馈信息及时调整战略、战术组合,适应市场新的变化。在企业发展初期或市场扩张期,产品质量提升、品种多样、价格低、促销可能是足够有效的营销手段。但随着企业生产能力的提升,市场容量的饱合,企业需要向更细分的市场、以更具特色的产品、更准确的定价、更恰当的促销手段进行市场营销,从而达到提升企业竞争力的目的。显然,在这个阶段,整个营销活动中信息的收集与分析在营销决策中起决定性的作用,而市场营销DSS是收集信息与正确分析信息的最有效的工具。

通过总结市场营销DSS建设的成功经验,可以发现,基于DSS的市场营销活动有四个步骤:第一,利用DSS,依据客户消费习惯、客户基本信息、人口统计信息等进行市场细分;第二,利用市场细分的结论制定有针对性的营销计划和策略;第三,营销计划的执行,并记录相关执行过程和结果;第四,利用DSS对营销执行的情况进行评价,以利改进。

2.绩效考核

绩效考核可定义为收集、分析、评价和传递有关某员工在其工作岗位上的工作行为表现和工作结果方面的信息情况的过程。在企业发展过程中,员工的绩效考核一般会经历领导说了算、相关负责人打分、DSS核算这样三个过程。前两种方式在实施过程中往往会因为以下两个问题而遭被考核人甚至考核人诟病。第一,主观性强,考核过程不透明;第二,考核人因为要面临大量的评分任务,且没有充足的信息作考核依据,因此经常疲于应付,甚至会出现考核人不认识被考核人而盲目打分的情况。因此,当企业发展到一定规模,管理信息和业务处理系统中已经积累了一定的数据,行业内人力资源管理水平普遍在提高的情况下,就出现了绩效考核DSS的内部和外部驱动力。

通过总结绩效考核DSS成功经验,可以发现,DSS在绩效考核中应用的成功还有两个重要的前提条件:第一是从实际工作流程和工作成果出发,建立可操作性强的绩效指标;第二是针对绩效指标计算的数据源需求改造业务处理和管理信息系统。

3.风险管理

风险管理是指如何在一个肯定有风险的环境里把风险减至最低的管理过程。当中包括了对风险的量度、评估和应变策略。风险管理的一般步骤包括风险识别、风险的预测和风险的处理。其中:

风险识别是指通过工作流程分析、财务表格分析或保险险种分析等方法定义自身存在的各种风险及优先级。

风险的预测是指估算、衡量风险,由风险管理人员运用科学的方法,对其掌握的统计资料、风险信息及风险的性质进行系统分析和研究,进而确定各项风险的频度和强度,为选择适当的风险处理方法提供依据的过程。

风险的处理则是针对风险预测的结论,按照预先准备好的应对策略或采取应急的措施排除风险或减小风险发生的概率或影响的过程。

风险的种类很多,下面以电信收入流失风险来举例说明。这种风险的发生往往是因为SP欺诈、恶意欠费等而发生。当这些风险被识别出来后,就可以通过数据挖掘技术,建立SP欺诈等风险预测模型,然后将模型固化到DSS中,该系统既可以支持主动分析,也可以支持自动风险预警。从电信管理论坛(TMF)统计数字可以看出,2009年有些运营商通过实施收入保障系统减少的收入流失,占到了总收入的3.4%。从此例可以看出,风险管理系统在某种程度上来讲是企业利润的重要来源和保障。因此,赛迪顾问认为:风险管理是企业管理中较高层次的内容,当企业具备一定的规模、管理信息系统和业务处理系统基本建立后,应该积极考虑利用DSS提升企业风险管理水平。

从以上例子可以看出,DSS主要在风险预测环节支持风险管理。其正常高效运行有两个前提:第一是风险的准确识别,风险的识别不但要求找到风险,而且要给风险排优先级。风险管理的原则是按风险等级的高低,有序地进行风险控制。因此要使风险管理DSS有效,首先要解决风险识别的问题。第二是建立高效的风险预测模型,模型是风险预测的根本。

由上得出DSS的建设时机选择原则是:在企业业务发展到一定规模,业务处理与管理信息系统基本建立的情况下,选择市场营销、绩效考核、风险管理管理这类与企业盈利关系大、见效快的项目作为切入点。

数据源是必须驯服的那匹野马

“输入的是垃圾,输出的还是垃圾”。这是对输入数据重要性的最贴切形容。DSS的输入数据通常是来自多个应用系统,而且面临着数据不完整、数据错误、数据格式多样(可能是xml, xls, oracle DB, sybase DB等)、各系统数据定义不统一(比如日期格式可能为YYYYMMDD或YYYY-MM-DD,货币单位可能为万元或元)等一系列问题,这就意味着相对于一般管理信息系统或业务处理系统而言,数据处理对DSS来讲至关重要。为了解决这一问题,Bill Inmon于1991年提出了数据仓库(DataWarehouse, DW)的概念,随着DW技术的发展,又出现了数据集市(Data Mark)和运营数据存储(Operational DataStore)的概念,相关的关键技术有数据质量的管理、元数据的管理和ETL等。

利用DW、DM和运营数据存储及相关技术实现数据集中管理,形成数据中心,解决DSS数据源问题的方案,已经在央企DSS建设实践中得到验证。通过对成功案例的总结,我们认为有四点成功经验可以借鉴:

第一,针对自身情况,对数据中心进行发展规划。规划的重点包括数据中心总体架构(如图1所示)、数据中心各组件功能与技术要求、数据中心实施步骤与推进策略,

第二,重点建设部门、地市集市,以支撑基层业务管理和决策为目的,比如电信地市集市对本地市场营销策划的支持极大刺激了用户对DSS的使用热情,

第三,重视数据质量和元数据管理工作,是保证实现数据中心高效、高质量数据管理初衷的必要保障。

第四,积极推进主数据管理和信息编码,通过统一企业级信息系统共享主数据(不包括业务处理数)模型和数据,统一信息编码,从根本上降低数据集成难度和出错机率。

与业务处理系统和管理信息系统的互动是加分项

DSS在使用过程中并不是孤立的,经常会出现为了完成一项工作,既需要进行业务处理又要进行数据分析的场景。比如在营销活动中,营销人员需要先针对特定客户群进行针对性营销,再根据营销结果利用业务系统为客户开通一些业务,最后营销活动的过程与结果又会得到评估。在这个场景中,客户群的识别、营销活动的评估是DSS的工作,而服务的办理则是业务处理系统的任务。因此,和业务处理系统与管理信息系统的互动极大的扩展了DSS的应用领域,提升了业务价值。

通过对大量案例的研究,笔者认为互动有三种方式或称为解决方案,分别为界面互动、应用互动、数据互动。

界面互动是通过门户集成的方式,将某一类使用者所需要的操作型功能和分析型功能整合在同一个界面上,从而提升用户使用体验。这种集成的使用场景多为即席查询、预定义报表等。

应用互动是通过应用集成的方式,在互动过程中,由业务或管理系统向DSS发出请求,DSS通过对自身数据进行分析,将结果返回给业务或处理系统。多见于对历史或统计数据进行查询的场景。

数据互动是通过数据集成的方式,利用ETL工具或其它数据同步方式,将DSS的分析结果“反哺”给业务及管理系统。这种互动适用于利用DSS的数据处理能力向业务及管理系统提供其频繁使用的信息。比如电信行业的客户价值、客户分群信息等。

医院决策支持系统建设 第4篇

1 方 法

决策支持系统( decision support system,DSS) ,其普遍定义是辅助决策者通过数据、模型和知识,以人机交互方式进行半结构化决策的智能化计算机应用系统[7]。本研究建立的医院管理决策支持系统,基于数据仓库( data warehouse,DW) 理论和商业智能( business intelligence,BI) 技术架构,允许用户创建并管理多维数据模型,以多样化的图表实现数据分析和展示。系统的架构如图1所示,数据经ETL( Extract-Transform-Load) 过程,即抽取、转换、装载过程进入预先定义好的数据仓库模型,再利用与数据仓库技术相关的联机事务处理( online transactionprocessing,OLTP) 技术和联机分析处理 ( online analytical processing,OLAP) 技术处理仓库中的数据。应用OLTP技术,原始数据可以立即传送到计算中心进行处理,用户可以即时处理数据,即时地回答。OLAP技术是系统的前端展示工具,是以海量数据为基础的高级分析技术,能对数据进行聚集和汇总,建立多维的分析、查询报表,实现各种数据展现形式。本研究建立医院管理决策支持系统旨在使海量、分散的数据成为可用的信息,提供决策支持服务,让管理者和决策者获得必要的洞察力和理解力。

2 应 用

2. 1 数据仓库提供稳定的人力数据集成分析平台

数据仓库( DW) 技术是决策支持系统的基础,是一个面向主题的、集成的、随时间变化的、非易失的数据集合[8]。建立面向主题的数据仓库,将分散在不同业务系统中的人力资源相关数据集中存放在存储容器内。为从不同角度分析和观察数据,在人力主题集中设计了数据期( 年、季度、月) 、科室、学历、性别、专业技术资格等主要维度以及人员数、各类人员构成等主要指标。

数据仓库为人力资源管理提供了稳定的人力数据集成分析平台,其主要特点有: ( 1) 面向主题,排除于决策无用的数据;( 2) 不同来源的人力数据的集成和共享; ( 3) 数据不易丢失;( 4) 主题之间的数据可互通互用。目前,医院人力资源信息管理相对落后,部分医院人力资源管理仍是多部门人事档案管理,人力资源信息化停留在单机版管理软件水平,信息不能共享和及时更新与联动,部门之间的信息协同服务无法实现[1,9]。在数据仓库人力主题下所有的数据都紧紧围绕人力资源这一主题,数据不再分散。此外,各主题之间的数据可互通互用,如人力主题可以和医疗服务、财务收入主题关联,方便开展科室绩效以及医疗服务效率的相关分析和探讨。

2. 2 数据质量控制

数据质量是分析结果可靠性的基础,为确保分析结果准确可靠,医院管理决策支持系统所分析数据均来自数据仓库建立的唯一数据中心。数据资源与业务系统“剥离”,在数据中心集成共享,数据仓库不受业务系统运行或变动的影响。全院各类业务系统中的数据必须进入数据中心方可进行分析,克服了统计数据数出多门、数据分散、形成“信息孤岛”的困境。为实现不同业务系统数据整合,本研究以法定报表为基础,制定全省统一的医院业务系统数据交换接口标准规范,定义医院各业务系统数据采集入口标准,对数据入口进行了统一[10]。如HIS系统的数据在进入数据中心前要先经过ETL过程,即抽取、转换、装载过程,在抽取过程中进行数据清理,保证了进入系统的数据质量。此外,系统数据采集应用了先进的商业智能( BI) 数据采集工具,并通过设置严格审核条件、加强数据之间的关联性和指标自动生成等功能,从源头上对数据质量进行严格控制,提高了医院医疗数据的质量。

2. 3 医院人力数据分析展示

本研究以医院法定上报的《卫生人力基本信息调查表》为例,收集了某地某医院数据,根据调查表内容构建人力资源业务主题。如图2所示,系统按医院人力数量、人力分布、人力结构、人力预测、分析报告和同级比较5个方面对人力数据进行分析展示,其功能有以下3个突出特点: ( 1) 结果内嵌统计表和多种统计图; ( 2) 每个分析表格都支持自由组合查询; ( 3) 支持数据下钻。用户根据需求从多维下拉菜单选择不同的维度,如数据期( 年、季度、月) 、科室、人员类别等进行多维展示,满足了个性化需求。查看汇总表可以下钻到明细表,层层下钻直到源头,如从部门下钻到科室和个人,提升了查询纵深度。

2. 3. 1 医院人力数量及分布

人力资源管理一项最基本的任务就是不断调整组织所承担的工作总量与其完成该工作总量所需要人员总数的比例关系。系统从卫生人员总量、各科室人员分布和历年卫生人员总量变化3个角度分析,不仅展示医院整体的人员编制及其历年变化规律,而且兼顾细节反映医院各个部门、科室、各类卫生人员的配置情况。如表1、图3展示了按卫生人员标准分类,2013年卫生技术人员、管理人员、工勤技能人员和其他技术人员的分布情况。用户可按需求,选择数据期( 年、季度、月) 、科室、人员类别等维度,多维组合查询人力数量分布信息; 如表1、图3,在数据期维度选择了年,科室选择所有科室,人员类别选择卫生人员进行了展示。丰富的图表展示、多维查询以及数据下钻的特点,支持管理人员获得医院动态人力信息,辅助编制总量控制,定编定员管理,更加高效的组织人员配置。

注: 数据来源于年报

2. 3. 2 医院人力结构

医院大多数人员都是专业技术人员,从事的是专业技术工作,其工作性质不同,工作任务复杂,工作弹性大,工作效率和工作量定额难以量化。因此,定编定员,组织人员架构和职位设计工作细致复杂。为保证运作快捷、有效、精简和节约,人力资源管理不仅需要协调各个部门的人员配置,还要考虑年龄结构、学历结构、职称结构和性别比例等各类人员结构的合理性,形成梯队保证医院人力资源方面的持续性。如图2所示,本研究就从学历、年龄、性别、职称等结构的合理性出发分析展示医院人力结构,方便人员结构管理; 而图4展示了2013年医院卫生人员职称聘用情况。用户可以通过多维查询从不同角度获得人员结构的信息,辅助决策者参照行业标准不断改善组织架构,实现合理地进行劳动组合,防止人员比例失调、机构臃肿和人浮于事等现象,从而有效开发人力资源,提高劳动生产率。

注: 数据来源于人力个案

2. 3. 3 医院人力预测

随着社会医疗服务需求的增加,医院尤其是公立医院的规模不断扩大。医护、医技、行政和后勤在内的工作人员数量和流动性都较大,再加上进修、实习人员等交流频繁,传统的人员统计不能满足医院长远的人力资源管理规划需要。商业智能( BI) 工具为用户提供聚类分析、预测分析、回归分析和相关性分析等多种数据挖掘分析方法。在使用时,用户可根据数据类型选择模型,得到较好的预测效果。在人力资源数据挖掘方面,本研究在预测卫生人力数量方面做了初步探索。影响人力资源需求的因素主要来自组织的内部和外部: 内部因素如技术和设备、医院规模、经营方向等; 外部因素如经济水平、政治环境、技术环境和竞争对手等[11]。如表2,在影响人力资源需求因素不变的假定基础上,运用时间序列模型分析历年医院卫生人员数量变动的规律,预测了未来5年医院各类卫生人员人数的变化区间,为单位组织提供未来一定时间内人员需求参考依据。

注: 数据来源于年报

2. 3. 4 医院人力同级比较

由省卫生信息中心分析省直报法定报表数据,将医院人力资源管理的核心指标、排序位次数据放置于医院管理决策支持系统,方便医院与省内及地区内同级医院平均水平进行比较。如表3,2012年该医院与本地区92家、省500家同级医院卫生人力情况的比较结果,方便管理者了解机构在本地区、本省同级机构中的位置,便于加强管理。

注: 本地区( 市) 同级机构数 92 家,全省同级机构数 500 家

2. 3. 5 人力分析报告

统计分析报告一般有相对固定格式,包含大量重要指标和统计图表。系统的BI工具提供了类似Word界面的分析报告功能。用户可根据业务需要从决策支持系统内部抽取相应数据和统计图表,综合人力数量、结构和预测等信息,定期( 月、季、年) 快速生成人力资源状况分析报告,提高工作效率。见图5。

3 讨 论

3. 1 医院人力资源信息化管理的意义

新医改提出以医院管理和电子病历为重点,推进医院信息化建设,对医院信息化建设和人力资源管理提出了更高要求。人力资源信息化管理,即充分调动一切可利用的信息数据资源,利用现代信息技术的网络化、智能化、数字化特点,通过对物资流、资本流、人才流、信息流等要素的科学分析,推动人力资源管理在更深更广层次的提高和拓展,使人力资源对医院各个领域产生更大的影响力[1,12]。信息化、智能化手段的引入将逐渐打破传统人力资源管理模式和人力信息利用的局限,深入挖掘各类业务系统积累的海量数据,得到可供管理、决策的有参考价值的结果。

3. 2 满足数据利用需求

目前,在医院信息化的应用上存在数据来源分散、无统一标准和利用效率低等不足[5,6]。医院各业务系统中积累了海量数据资源,但是数据集中整合程度不高,利用效率较低,很多机构依然采用手工和信息系统相结合的方式管理。统计人员从各个部门、科室或各业务系统中收集数据,没有业务系统支持的分析表还需手工统计,再经过分析才提交给管理者。这样定期提供决策支持的工作周期过长,有滞后性,决策支持需求往往因数据无法归集利用而搁浅。为满足日益增长的数据利用需求,需要更加智能化、现代化的工具来管理庞大的数据资源,促进医院信息化应用。

决策支持系统辅助医院人力资源管理的优点有: ( 1) 管理规范化; ( 2) 管理现代化; ( 3) 降低劳动强度; ( 4) 提高决策质量。数据仓库提供稳定的人力数据集成分析平台,信息采集入口标准统一,分散在各类业务系统中的人力数据经ETL过程进入数据中心,整个过程有章可依,数据质量得以保证,管理更加规范化、现代化。信息化的管理流程替代了手工和半手工的人力信息收集方式,减轻了劳动强度。商业智能( BI) 工具支持多种统计分析模块,分析结果图文并茂呈现在信息化界面上,不仅让管理者对信息一目了然,而且可以整合信息预测人力需求,为单位组织未来人员需求做长远规划,整体上提高了决策水平。

3. 3 辅助医院人力资源精细化管理

联机分析处理技术( OLAP) ,其技术核心是“维”这个概念,是决策支持系统的前端分析工具集合,以海量数据为基础的高级分析技术。数据聚集汇总和数据多维组织,可辅助医院人力资源精细化管理。如医院的卫生人员数量在时间维度上不仅存放每月卫生人员数,还存放每季、每年的人员数量; 各科室卫生人员数还可聚合成部门、机构的人力数量; 年龄、性别、学历、职称等维度可以进行交叉组合得到人力数量、结构的分析结果,如各部门卫生人员学历情况,各科室医护构成情况。得益于多维性、快速响应性、可分析性和共享性的数据探查方式,管理者思维不受固定查询模式限制,可任意组合分析问题的角度和目标,跟随其思维得到不同形式的结果。为调整组织架构提供参考依据,合理地进行劳动组合,实现人力资源合理配置从而有效提高劳动生产率,更好地为临床一线服务。

3. 4 促进人力资源管理模式改革

智能审计决策支持系统 第5篇

审计决策支持系统(Audit Decision Support System，ADSS)是辅助审计人员通过数据、模型和知识，以人机交互方式进行半结构化或非结构化决策的计算机应用系统。目前，ADSS被应用于会计师事务所的审计决策支持活动，并承担审计信息的收集、处理和传递功能，为审计人员提供分析问题、建立模型、模拟决策过程和方案的环境，调用各种信息资源和分析工具，帮助提高决策水平和审计质量。

智能审计决策支持系统(Inteligent Audit Decision Support System，IADSS)通常简称为智能审计系统，是在传统ADSS的基础上结合审计专家系统(Audit Expert System，AES)和数据挖掘系统(Data Mining System，DMS)而形成的软件系统。ADSS能够借助定量化的决策支持模型辅助审计人员进行决策，但智能性不足；AES能模拟审计专家思维来解决非结构性的问题，但审计专家知识获取和转化困难，而且不具备自我学习的功能；以神经网络为代表的DMS具有良好的自组织、自学习和自适应能力，但不能对自身的结论进行解释。这三种系统的优缺点恰好互补，若相互融合，则可构建一个IADSS。

一、审计决策支持系统(ADSS)

1、ADSS的特征。ADSS是支持审计人员进行非程序性决策的一种信息系统，具有如下三个特征：(1)以处理非程序性决策为主。(2)对审计人员进行支持而不是代替。(3)系统本身要求具有灵活性，采用联机对话方式，以便利用审计人员的经验和系统提供的信息来分析解决问题。

2、ADSS的构建。按照（国家经济信息系统设计应用标准化规范）中的“三库一体化理论”，ADSS由数据库、模型库和方法库组成，它们彼此独立，用户系统通过三库控制系统与“三库”发生联系。(1)数据库子系统是存储、管理、提供与维护用于审计决策支持的审计数据的ADSS基本部件，是支撑模型库子系统及方法库子系统的基础。数据库子系统由数据库、数据析取模块、数据字典、数据库管理系统及数据查询模块等部件组成。(2)模型库是ADSS中最复杂和最难实现的部分，通常可直接用于制定审计决策的模型是应用结构性比较好的问题，其处理算法有明确规定，其参数值是已知的。对于非结构化的决策问题，有些参数值并不知道，需要运用数理统计等方法估计这些参数值。模型库管理系统的主要功能是模型的利用和维护，模型的利用包括决策问题的定义和概念模型化，从模型库中选择恰当的模型或单元模型构造具体问题的决策支持模型，以及运行模型；模型的维护包括模型的联结、修改和增删等。模型库子系统是在与ADSS其他部件交互过程中发挥作用的，与数据库子系统的交互可获得各种模型所需的数据，实现模型输入、输出和中间结果存取自动化；与方法库子系统的交互可实行目标搜索、灵敏度分析和仿真运行自动化等。更主要的交互则是在人机对话子系统之间，模型的使用和维护实质上是审计人员通过人机对话子系统予以控制与操作。(3)方法库子系统是存储、管理、调用及维护ADSS要用到的通用算法、标准函数等方法的部件，方法库中的方法一般用程序方式存储。它通过对描述外部接口的程序向ADSS提供合适的环境，是计算过程实行交互式的数据存取，从数据库选择数据，从方法库选择算法，然后将数据和算法结合起来进行计算，以清晰地呈现方式输出结果，供决策者使用。

3、ADSS的思路。ADSS解决问题的过程是沿着“审计人员根据当前环境提出问题→审计专家与审计人员交互理解问题→审计专家抽象出数学模型→依据数学模型编制或调用求解软件→软件运行求解问题”这一思路进行。在该思路中，问题的求解由“模型驱动”，问题求解模型随着问题环境的变化而变化，由于变化而重新构造模型时离不开审计专家的辅助，这使原本的审计人员在决策支持系统辅助下求解变成了在审计专家辅助下求解，用户在求解问题的多数环节仍离不开审计专家。ADSS应用中出现这种问题，其主要原因是系统的智能性不足，不能根据问题的变化作出适应性的自主调整。

二、审计专家系统(AES)

1、AES的功能。ADSS借助计算机强大的运算能力与审计人员（专家）灵活的分析和判断能力交互写作，为解决审计中的半结构化与非结构化的决策问题提供了有力的支持。但由于ADSS中计算机一方的重点还在于模型的定量计算，人机对话方式对于大多数不熟悉计算机的使用者仍存在一定的距离，限制了ADSS的应用效果。作为人工智能的一个分支，专家系统在二十世纪80年代初开始进入审计人员的视野，AES是建立在管理信息系统和计算机人工智能技术基础上的一种计算机辅助审计软件系统。与普通计算机辅助审计技术不同的是，它利用人工智能的原理，借助计算机模拟人类的思维过程，对管理信息系统的数据进行计算、分析及推理，并作出相应的判断，提出审计建议及线索，以供审计人员进行进一步的重点审计，最终得出审计结论。AES能够借助计算机强大的数据分析和处理能力，在最短的时间里，做广泛、详细的计算与核查，而且在面临多个结论时，能够通过排序来寻找最佳方案，减少审计人员在做出结论时出现的失误或不一致的可能性，因而可以有效地提高审计效率，降低审计风险。

2、AES的工作过程。AES的工作过程可分为三个阶段：初始化阶段、实质性测试阶段和完善工作底稿阶段。每一个阶段，系统会自动地根据审计人员事先选择的要求和系统数据库中所存储的相关审计知识，分成若干个推理判断的步骤，对被审计单位的会计资料及其他相关资料进行审查，并自动查找存在的各类错误、舞弊、异常数据和变动及其他不利于企业经营的情况，并以列表或审计意见初稿的形式向审计人员列示。在每一个阶段，审计人员都可以通过系统的人机对话界面对审查情况进行监控。作为一种模拟审计专家水平来解决问题的AES，必须具备的组件包括：(1)知识获取组件，它负责审计专家经验（规则）处理，并存储在知识库中，以备推理机调用。(2)知识表达组件，它运用各种表达法，解决内码转换问题，使信息在系统内部各部件之间得以沟通。(3)知识库，它存储的是既不能用数据表示，也不能用模型方法描述的审计专家知识与经验，同时也包括一些特定问题领域的专家知识。(4)知识库管理子系统，由一系列知识库的操作命令程序组成，是知识库操作与其他部件进行联系的桥梁。(5)推理机，主要功能是查询和分析，它由一组具有推理策略的程序组成，根据系统知识库的数据和程序，推断出问题的可能解。(6)解释组件，将推理机得出的结果经过解释输出，在系统的人机交互界面上，寻求审计决策人员的确认和进一步分析。AES中，知识库和推理机是核心。建立知识库的关键是如何表示知识，也就是审计经验的形式化表示，推理机用于确定不精确推理的方法。AES的弱点在于审计知识获取和转化困难，因为其需要人工地将各种审计专家知识从人类专家的头脑中或其他知识源处转换到知识库中，费时且低效；对于动态和复杂的系统，由于其推理规则是固定的，难以适应变化的情况，AES还不能从过去处理过的审计案例中继续学习，使知识获取较为困难。

三、数据挖掘系统(DMS)

1、DMS的功能。DMS能够从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、事先不知道的、潜在有用的信息和知识。不仅可以对信息系统产生的被审计单位财务、业务数据进行深层次分析和研究，而且可以通过模型匹配和挖掘算法实现其在信息系统开发审计、安全审计等方面的应用。此外，通过数据挖掘技术与信息系统审计技术的有效结合可确定快照技术中快照点的选择问题，以及确定系统控制审计复核文件中嵌入审计程序应采集什么信息。

2、DMS的应用。(1)运用统计分析子系统发现偏差数据。审计人员通过建立统计模型对搜集的被审计单位以及同类型单位的大量财务、业务历史数据进行分析，挖掘内部存在的函数关系或相关关系，然后对审计期间内的相关数据进行合理预测。(2)运用聚类分析子系统确定审计重点。利用聚类分析技术对信息系统中被审计单位的同类型的财务数据或者业务数据进行分组，使其成为有相似特性的聚集。一般来说，财务数据及重要业务数据（如销售数据）的变动具有一定的规律性，如果某些数据处于稀疏区域，说明其变动表现异常，需要重点关注。如SQL2005中的Microsoft Analysis Services工具，选择聚类挖掘模型，就可利用其强大的分析功能实现日志数据的分类，将非正常的日志记录从正常的日志数据中区分出来。(3)运用孤立点分析子系统挖掘审计疑点。面对海量的电子数据，采用孤立点检测算法，发现异常审计数据或异常发生频率等，从而发现有可能隐藏的违规行为，如利用快照点捕捉问题数据，利用嵌入式审计模块进行实时监控等方法，达到锁定疑点数据的目的。(4)运用关联分析子系统揭示关键属性。在对财务或业务数据的审计中，同类或不同类会计科目及数据项之间，可能存在某种对应关系，利用关联分析方法来查找、分析，可发现一些隐藏的经济活动，挖掘出数据的各个属性间可能的相互影响，为后续审计工作提供参考。

四、智能审计决策支持系统(IADSS)

1、IADSS的特点。与AES相比，人工智能的另一个分支，以神经网络为代表的数据挖掘系统(DMS)具有良好的自组织、自学习和自适应能力，因而适用于处理复杂问题和开放系统，这弥补了AES的不足。同样，DMS也有其弱点：数据挖掘的知识是分布在整个系统内部，对审计人员而言是个黑箱；而且其对于自己的结论不能作出合理的解释。因此，在ADSS的基础上，融入AES与DMS，可以充分发挥各自的优势，向IADSS发展。

医院决策支持系统建设 第6篇

关键词:智能决策支持系统;AI;ES

中图分类号:TP315 文献标识码:A文章编号:1006-8937(2009)10-0146-01

1智能决策支持系统的概念

智能决策支持系统(IDSS,Intelligence Decision Supporting System),是人工智能(AI,Artifieial Intelligence)和DSS相结合而成的决策支持系统,它应用专家系统(ES, Expert System)技术,通过逻辑推理的手段充分应用人类知识处理复杂的决策问题。

2智能决策支持系统的特点和功能

智能决策支持系统,我们又称为高阶决策支持系统,它将决策支持系统的人机交互系统、模型库系统、数据库系统和专家系统的知识库、推理机及动态数据库相结合,因此能拥有优于传统决策支持系统的特性和功能:

①由于智能DSS具有推理机构,能模拟决策者的思维过程,所以能根据决策者的需求,通过提问会话、分析问题、应用有关规则引导决策者选择合适的模型。②智能DSS的推理机能跟踪问题的求解过程,从而可以证明模型的正确性,增加了决策者对决策方案的可信度。③决策者使用DSS解决半结构化或非结构化的问题时,有时对问题的本身或问题的边界条件不是很明确,智能DSS却可以通过询问决策者来辅助诊断问题的边界条件和环境④智能DSS能跟踪和模拟决策者的思维方式,所以它不仅能回答“what……if……”,而且还能够回答“why”,“when”之类的解释性原因,从而能使决策者不仅知道结论,而且知道为什么会产生这样的结论。

IDSS充分发挥了专家系统以知识推理形式解决定性分析问题的特点,又发挥了初级决策支持系统模型计算为核心解决定量分析问题的特点,充分做到定性分析和定量分析的有机结合,使得解决问题的能力和范围得到了一个大的发展。IDSS中DSS和ES的结合主要体现在三个方面:①DSS和ES的总体结合。由人机交互系统把DSS和ES一体化。②KB和MB的结合。模型库中的数学模型作为知识的一种形式即过程性知识,加入到知识推理过程中去。③DB和动态DB的结合。DSS中的DB可以看成是相对静态的数据库,它为ES中的动态数据库提供初始数据。ES推理结束后,动态DB中的结果再送回到DSS中的DB中去。

3管理决策中智能决策支持系统的应用

DSS与ES相结合,意味着智能化决策支持系统不仅能提供许多传统的决策支持功能,还可以提供知识编辑、推理、学习等更接近于人类决策方式的功能。同时,系统还可能在一定程度上接受自然语言所提出的问题,让系统使用起来更加友好。人工智能技术引入DSS中可以有几种途径。首先,Simon提出有限合理性模型是和人工智能技术紧密结合的,有限合理要求建立一个紧密跟踪人的行为的系统,而专家系统正是这样的一种系统。其次,人工智能因为可以处理定性的、近似的知识而引入DSS中,这方面正是专家系统的优势所在。最后,DSS的一个共同特征是交互性强,这就要求高阶的决策支持系统使用起来更方便,并且在接口水平和在进行的推理上更为透明。人工智能在接口水平,尤其在对话功能上对此可以做出有益的贡献。

正因为智能决策支持系统具有优于一般决策支持系统的特性,使其有可能在企业日常管理中发挥重要作用,甚至影响企业组织的方方面面。

目前,企业中决策支持系统的运用已经是一件很普遍的事情,但是在企业日常决策中应用IDSS还不是很常见,然而由于IDSS能够进行知识编辑、推理、学习且更为友好,在企业决策中的应用也日渐增多。IDSS能向企业各类管理人员提供越来越多的企业内外部信息和各种经营分析与管理决策功能,丰富的决策信息与灵活的决策功能使企业的管理决策工作不再局限于少数专门人员或高层人员。外部环境的要求,IDSS提供的可能,已使企业中许多不同职能、不同技能的各类管理与技术人员参与决策工作,许多决策问题也不必再有上层或专人解决。这种趋势必将使企业组织结构更为扁平化。

虽然IDSS目前在理论上还有较大的难度,还有许多问题尚待研究,特别是当前的计算机系统在自然语言、推理机、学习性能等方面还不够完善,而要彻底实现它的应用,其难度是相当大的,但由于IDSS在应用上具有重大的现实意义,它成为众多国内外的研究人员的重要课题。

参考文献:

[1] 王红,刘建辉.人工智能在决策支持系统中的应用与研究[J].人工智能,2005,(3).