Betydningen av styringssystemer for bedriftsforetak

Betydningen av styringssystemer for bedriftsforetak!

Administrasjonsstøttesystemer fokuserer på ledelsesmessig bruk av informasjonsressurser. Disse systemene gir informasjon for å håndtere planlegging og beslutningstaking. Informasjonen fra disse systemene er basert på både interne og eksterne data ved hjelp av ulike dataanalyseværktøy.

De tilbyr også et valg til brukeren å velge ut av disse verktøyene med det formål å analysere data. Disse systemene tjener informasjonsbehov for ledere på mellom- og toppnivå i ledelseshierarkiet.

Det er tre typer styringsstøttesystemer, nemlig:

a) Beslutningstøttesystemer,

b) Executive Information (support) Systems and

c) ekspert systemer.

Beslutningssystemer:

Beslutningsstøttesystemer (DSS) er utformet for å støtte beslutningsprosessen for ledere for å forbedre effektiviteten og dermed effektiviteten i bedriften. De er basert på forutsetningen om at ledelsesdommen ikke kan erstattes av en hvilken som helst datamaskinbasert løsning. Men ved å tilby støtte av data og modeller, er det mulig å forbedre beslutningsprosessen, selv når det gjelder halvstrukturert og ustrukturert problem.

Det grunnleggende målet med DSS er å utvide muligheten til en lederes beslutningsprosess ved å støtte verktøy og data som er gjort tilgjengelig for ham under hans direkte kontroll. DSS forutsetter ikke spesifikke informasjonskrav og forhåndsdefinerte verktøy for analyse for ulike typer beslutninger, heller ikke pålegger noen løsninger på en leder.

Det gir dermed fleksibilitet til lederen å bestemme inngangsdata, analyseverktøy, analyseanalyse og avhengighet av utfallet av analyse for beslutningstaking. DSS tilbyr et interaktivt miljø for brukere og tillater dermed at lederen eksperimenterer med data og modeller for å utvikle den optimale beslutningsstrategien i en gitt situasjon.

DSS er også beskrevet som interaktive informasjonssystemer som hjelper ledere til å benytte dataanalysemodeller for å løse ustrukturerte problemer. DSS bruker teknologier som kan betegnes som byggeblokker. De er representert på figur 10.3.

Typer og funksjoner i DSS:

DSS kan være data orientert eller modellorientert. De dataorienterte DSSene har større innspilling av datainnhenting og dataanalyse. Modellsorientert DSS har kraftige anlegg for simulering av beslutningsscenarier ved å estimere utfallet av en handling og generere forslag. Faktisk er det vanskelig å finne en DSS utelukkende for datainnhenting og analyse eller bare for modellering. Faktisk inneholder de fleste DSSer en blanding av begge typer anlegg.

DSS har følgende funksjoner som gjør dem forskjellige fra andre typer informasjonssystemer:

a) DSS tar ikke sikte på noen bestemt type beslutninger. Den har fleksibilitet i bruk i ulike uventede beslutningssituasjoner.

b) Det brukervennlige grensesnittet til DSS gjør det forskjellig fra andre typer informasjonssystemer. Når en leder har brukt en DSS i noen tid, har den uregelmessige bruken ikke negativ innvirkning på brukervennligheten.

c) Rapportgeneratorer og grafiske anlegg i DSS gir bedre måter å representere informasjonen generert ved bruk av modeller i DSS. Disse fasilitetene gir verdi til informasjonen.

d) DSS gir brukeren full kontroll over systemet. Inngangen, metode for behandling og utgang styres av brukeren.

Fordeler fra DSS:

Et informasjonssystem må ha sin egen begrunnelse for å være en kandidat som er verdt å vurdere for inkludering i en porteføljes applikasjonsportefølje. Begrunnelsene er generelt når det gjelder fordelene ved å generere informasjon for å bistå i ekstern rapportering og ledelsesmessig beslutningsprosess. Fordelen som en DSS kan tilby inkluderer:

en. Evaluering av et større antall alternativer som fasilitetene i DSS reduserer tid og krefter ved innsamling og analyse av data for forskjellige alternativer.

b. Modellering og prognoser blir enkle for ledere som bruker DSS, slik at de får mer innblikk i forretningsprosessene.

c. Nyttig i kommunikasjon internt og internt, fordi det gjør det mulig å forklare andre, hvordan man har kommet til en bestemt konklusjon. Begrunnelsen tilordner respekt for konklusjoner og tjener oppbakning av andre i bedriften.

d. Fasilitetene for raskere analyse av data for ustrukturert beslutningsprosesser, og dermed øke hastigheten på respons i uventede beslutningstilsituasjoner.

e. Raskere spotting av avvik og unntak. Hyppige brukere av DSS har funnet ut at DSS gjør det mulig for dem å forutse resultatene ved hjelp av effektiv ad hoc-spørringsanordning.

f. Dybdeanalyse av data og dermed mer effektiv bruk av dataressurs.

Programmer av DSS:

DSS har funnet suksess i bedrifter av mellom til stor størrelse og i beslutningsscenarier som krever en grundig analyse av interne og eksterne data. Suksessen til DSS avhenger i stor grad av toppledelsesstøtte, regelmessighet og brukstid, opplæring av ledere og ulike beslutningstaker situasjoner.

Hvis forretningsprosessen er enkel og repeterende, kan DSS ikke kunne begrunne sine kostnader. DSS anvendt på strukturerte beslutninger, legger bare til kostnader og forvirring. DSS har vist seg å være nyttig i beslutningsområder hvor fleksibilitet i data og modellering er nødvendig for bedre beslutningstaking. De typiske anvendelsesområdene for DSS i produksjon og økonomifunksjoner er:

Produksjon:

Innkjøpsanalyse, kostnadsberegning og analyse, produksjonsplanlegging og planlegging, beslutninger om kjøp eller kjøp, lagerplanlegging og kontroll, lasting av arbeidskraft, etc.

Finansiere:

Kapitalbudsjettering, finansiell planlegging og analyse, skatteplanlegging, strategisk finansiell planlegging, budsjettering, kontant- og arbeidskapitalforvaltning, gjelds- og egenkapitalfinansieringsanalyse, valutarisikohåndtering, økonomisk resultatanalyse, variansanalyse etc.

Beslutningsstøttesystemene utvikles ved hjelp av en prosess som er forskjellig fra den tradisjonelle systemutviklingsprosessen, da de skal behandle både interne og eksterne data. De må være uavhengige og interaktive.

Executive Information Systems:

DSS er utformet for å imøtekomme informasjonsbehovene til ledere på mellomnivå til toppnivå. De relaterer seg til regelbasert arbeid som gjør modellering og analyse av data for å gjøre det nyttig i beslutningsprosessen.

Men på toppen av ledernivå er det behov for å fokusere mer på emballasje og levering av informasjon enn på generering av informasjon. Den øverste lederen fortjener bedre miljø for informasjonstilgang enn det som tilbys av DSS.

De øverste ledere trenger rask tilgang til oppdaterte, konsise opplysninger og unntaksrapporter med fasiliteter til personlig informasjon og analyse. Informasjonssystemene utformet for å imøtekomme slike behov av toppledere kalles Executive Information Systems (EIS) eller Executive Support Systems.

Disse systemene fungerer som elektroniske briefing systemer og tilbyr enorm fleksibilitet i bruk. EIS bruker både intern og ekstern informasjon og tilbyr et interaktivt og brukervennlig driftsmiljø.

Søknader av EIS:

Executive Briefing:

EIS tilbyr oppdatert informasjon om ulike aspekter av lederens interesse. Informasjonen er generelt relatert til resultatene i ulike profitt-sentre og tilbyr statusrapporter om ulike aktiviteter i bedriften. Selv om det også skjer en viss oppmøte i DSS, kommer informasjonen når og når det blir bedt om det, fra databasene.

I EIS blir informasjonen automatisk lastet ned periodisk fra databaser i form av ferdige rapporter. Denne automatiske nedlastingen sørger for at lederen ikke forblir ute av kontakt for lenge i dagene med ekstremt trykk på arbeidsbelastning.

Personlig analyse:

EIS tilbyr fasiliteter for dataanalyse ved hjelp av modellene av brukerens valg. Regneark og statistiske teknikker er tilgjengelige i EIS for å spørre. Forskjellen her er at EIS ikke bare hjelper brukeren i analyse av data, men også i tolkning av utfallet av analysen.

Unntak Rapportering:

En viktig del av EIS er unntaksrapporteringsmodulen. EIS henvender seg til dette kravet til ledere effektivt og advarer utøvelsen av de betydelige variasjonene fra planene.

De tillater i varierende grad videre undersøkelse av årsakene til avvik og mulige virkninger av foreslåtte bergingsoperasjoner. Denne muligheten til å sonde inn i saken for å få litt mer enn bare unntaket, gjør EIS til et svært nyttig verktøy for utøvende med hensyn til effektiv utladning av sine funksjoner.

Modellbasert analyse:

EIS har anlegg for modellbasert informasjonsanalyse og denne funksjonen er vanlig med DSS. Men den modellbaserte analysen i EIS er forskjellig fra det i DSS i den forstand at inngangsdataene i EIS er begrenset og hentet fra både interne og eksterne kilder.

Det kan bemerkes at EIS ikke er en isolert samling av datarapporter av informasjon for utøvende. EIS er et sett med integrerte verktøy og teknologier vevd inn i det totale informasjonssystemmiljøet i bedriften.

Det kan bemerkes at EIS støtter alle brukerne og ikke nødvendigvis de øverste ledere i bedriften. Alle de som hjelper toppledere bør ha tilgang til EIS, og det må imøtekomme informasjonsbehovet til alle slike personer.

DSS og EIS:

Noen av fasilitetene i EIS finnes også i DSS, og som sådan blir skillelinjen noen ganger sløret. Overlappingen kan ikke utelukkes i slike systemer. Figur 10.4 viser hvilke typer informasjonsstøtte som disse to systemene gir til en leder.

Fordeler med EIS:

EIS tilbyr følgende fordeler for et bedriftsforetak:

a) Informasjonsstøtte til strategiske beslutninger:

EIS hjelper ledere i å stole mer på fakta enn på intuisjon og forretningsdommer for deres strategiske beslutninger.

b) Endre fokus:

En topplederes hyppige spørringer angående et sett av kritiske suksessfaktorer har innvirkning på prioriteringene til folk på lavere nivåer av ledelse. Dermed er det lettere for en direktør å bruke EIS til å formidle meldingen til funksjonelle ledere angående behovet for å opprettholde kvalitetsstandarder, bare ved å gjøre hyppige spørringer fra EIS angående -kvaliteten på produktene. Konsernsjefens spørsmål kan sette fokus på aktiviteter i bedriften og dermed forandre prioriteringene i bedriften.

EIS sies å være et av de viktige informasjonssystemene som gir en mulighet for toppledelsen til å få en reell følelse av nytten av informasjonssystemer i strategisk beslutningsprosess.

Et slikt system i et foretak vil også fremme forståelse mellom toppledelse og IT-fagfolk og forbedre kommunikasjonen mellom disse viktige aktørene i utviklingen av IT-infrastruktur.

Vellykket EIS kan gi synlighet og troverdighet til informasjonssystemer som helhet og bidra til å implementere andre informasjonssystemer i bedriften.

Kritiske suksessfaktorer i implementering av EIS:

EIS har til hensikt å gi førstehånds kunnskap til toppledere angående de potensielle fordelene ved informasjonssystemer i bedriften. Derfor er det nødvendig å sikre at EIS, når planlagt, må gjennomføres med hell.

Problemene med implementering i EIS kan være mange, men noen av de vanlige er som følger:

a) Vanskelighetsgrad i systemspesifikasjon:

Målbrukerne av EIS er ikke klare for deres spesifikke informasjonskrav, og har heller ikke tid til å kritisere spesifikasjonene til informasjonssystemet. Brukerne fortjener derfor noen få muligheter til å prøve ut før de kan spesifisere tjenestene som kreves av dem. Prototyping anses å være en bedre strategi i utformingen av EIS.

b) Store datamengder:

Ad hoc Query-fasiliteter krever tilgang til et stort volum data. Tilfredsstillelsen til slike spørsmål kan kreve bruk av statistiske verktøy som behandler bulkdata før det kan oppfylle kravet til informasjon i spørringen. Dette kan ta tid og responsen til systemet kan være sakte.

Det er derfor viktig å forutse de brede utfordringene som spørringene sannsynligvis vil fokusere på, og informasjon om slike problemer kan genereres regelmessig og lagres separat for tilgang til EIS.

c) Motstand fra lavere nivåer:

EIS er sannsynlig å møte motstand også fra folk på nesten alle nivåer og mer fra ledere på lavere java nivåer. Det er slik fordi nå har sjefen tilgang til den siste informasjonen om den daglige funksjonen i hver avdeling, selv før avdelingshoder har gått gjennom og forstått det. Rochartat a forventer alvorlige implikasjoner av slik tilgang til databaser om den nye politikken for data-eierskap blant lederne. Imidlertid kan en databasebehandler løse dette problemet ved å forsiktig behandle distribusjonsknappen av data.

d) Ledelsesstil:

Det ville være vanskelig å implementere EIS i tilfelle bedrifter har en IT-avansert kultur. Noen toppledere favoriserer ikke bruk av IT i beslutningsprosesser. De har mer tillit til sin bedriftsøkonomi og ønsker å forlate dataanalyse enten til sine underordnede eller til domeneteksperter som hjelper dem.

Dette problemet er ganske alvorlig. Derfor er EIS i slike miljøer rettet mot toppstillinger. De er begrenset, i omfang, til tjenester der suksessraten er kjent for å være svært høy. Når tilliten til IT og EIS er generert, kan EIS legge til flere tjenester til seg selv.

e) Økt størrelse og pris:

Hvis lederen finner et EIS nyttig, forventer han at hans underordnede også bruker den. De som ikke bruker det, synes det er svært vanskelig å leve opp til forventningene til sjefen sin i så stor grad som bevissthet om næringsmiljøet. Dermed blir EIS overbelastet og koster å klatre opp kraftig fordi antall brukere skal vokse i geometriske proporsjoner.

Derfor bør implementeringen av EIS gjennomføres meget nøye. Det anbefales at du velger en passende tid for implementering. Folk motstår endringer mer når det går glatt og er villig til å prøve noe nytt i en krise.

Derfor er den mest hensiktsmessige tiden for EIS-implementering når folk søker etter nye løsninger på sine problemer. Pilotinstallasjon anses som den mest egnede installasjonsstrategien for EIS. En selektiv tilnærming er bedre i begynnelsen av EIS-design og nye tjenester legges til i EIS først etter at den opprinnelige modellen er vellykket. Brukerinnblanding og støtte er avgjørende for en vellykket implementering av EIS.

Ekspertsystemer:

Den økende kompleksiteten og dynamikken i det nye forretningsmiljøet krever større samhandling av funksjonelle "ledere med ekspertene for å få rettidig rådgivning. Disse eksperter vil ikke bare sile informasjon fra store bassenger av mangfoldig informasjon, men også bruke sin kompetanse til å gi råd.

Tradisjonelt har kompetansen tilgjengelig i en organisasjon gitt et viktig grunnlag for å oppnå, forbedre og opprettholde sin konkurranseposisjon. Alt annet sett er firmaer uten tilsvarende kompetanse ulempe.

Menneskelige eksperter kan kanskje ikke klare de nye utfordringene, gitt begrensninger av tid og kompleksitet i det nye miljøet. Dessuten kan det ikke være ensartet og konsistent rådgivning for en gitt beslutningssituasjon over en periode.

Dette er så på grunn av menneskets åpenbare manglende evne til å fange virkningen av ulike beslutningsvariabler hele tiden. Informasjonsutmattelsessyndromet og begrensningene av menneskelige eksperter i det skiftende forretningsmiljøet har resultert i økende popularitet av forretningsspesifikke systemer (BES).

Disse systemene simulerer menneskelig aktivitet og beholder fangst og systematisering av forretningskunnskap, og utvider beslutningsprosessene til dyre og knappe menneskelige eksperter, slik at andre kan bruke sine beslutningsopplevelser. De tilbyr fordelen av fleksibilitet i å fange og representere informasjon av ulike typer i ulike former.

Et forretningsspesialsystem mottar et problem fra brukeren, identifiserer datakravene, analyserer de relevante dataene mot avgjørelsesreglene (inneholdt i et kunnskapssystem). Når problemet er løst, rapporterer systemet gjennom sin inferansemotor løsningen til brukeren og kan også forklare sin begrunnelse for å nå den løsningen.

Et forretningsspesialsystem kan fungere som et hjelpemiddel til ledelsesmessig effektivitet ved å gi råd. Dens løsninger / råd er alltid konsistente, enhetlige, grundige og metodiske. Den fungerer som en standardisert problemløser. Forretningsspesifikksystemet er i stand til å forklare argumentasjonslinjen som brukes til å løse et problem.

En bruker kan studere begrunnelsen og er fri til å godta, endre eller avvise løsningen. I motsetning til andre ekspertsystemer innen medisin, ingeniørfag osv., Er målet med forretningsspesialsystemet ikke å erstatte evaluering av menneskelige ekspert (er) ved dataprogrammet.

Snarere er målet å skaffe seg den menneskelige ekspertens ekspertise og gjøre den tilgjengelig i en standardisert form til menneskelig ekspert (er) og andre i organisasjonen. De utarbeider strategier for å bruke kunnskap i applikasjonsområdene for å utvikle troverdige løsninger på problemene.

De typiske anvendelsesområdene for ekspertsystem i virksomheten inkluderer:

Jeg. Lag eller kjøp avgjørelser

ii. Nye produktlanseringsbeslutninger

iii. Fastsettelse av kredittgrenser

iv. Produktutvikling

v. Investeringsrådgivning

vi. Evaluering av opptreden

vii. Incentive systemer

viii. Kundeforespørsel

ix. Prosjekt evalueringer

x. Produksjonsplanlegging

xi. Rutebeslutninger

Byggeklosser av forretningsspesifikke systemer:

Selv om ekspertsystemmetoden har blitt utviklet de siste to tiårene, er den fortsatt i sin barndom når den ses fra en forretningsførers synspunkt. Det er således ingen standardmodell for et forretningsspesialsystem. Holsapple identifiserer tre grunnleggende komponenter av BES nemlig brukergrensesnitt, inferansemotor og kunnskapssystem. Forholdet mellom disse komponentene er representert i figur 10.5.

En bruker utgjør et problem før BES bruker brukergrensesnittet. Inference-motoren prøver å forstå problemet, strukturerer det på en slik måte at kunnskapssystemet kan brukes til å løse det. Deretter bruker det kunnskapssystemet til å søke løsninger på problemet.

Kunnskapssystemet består av lagret resonnementskompetanse og er adressert av inngangsmotoren for å søke løsninger på problemet. Kunnskapssystemet kan bestå av kunnskapsrepresentasjonsverktøy som regelsett, databaser, regneark, rammeorienterte strukturer, saksbaser, semantiske nett, tekster, grafikk, etc. Inference-motoren kan samhandle med brukere for å få mer informasjon om beslutningstaking miljø.

Innkjøpsalternativer:

Et forretningsspesialsystem er et komplekst system og krever langsiktig forpliktelse fra en bedrift til å kunne levere varer. På grunn av dynamikken i virksomheten kan bruken av BES-ene reduseres på grunn av endringer i bedriftsmiljøet.

Noen av BESene kan bli foreldet selv i utviklingsstadiet hvis de ikke er ordentlig planlagt. Det er viktig å være oppmerksom på anskaffelsesmulighetene, slik at utviklings tid og kostnad kan reduseres, og en balanse mellom fleksibilitet og effektivitet kan opprettholdes i systemet.

Bredt er det tre anskaffelsesalternativer for BES:

a) Oppnå et fullt utviklet system:

En rekke ferdige BES er tilgjengelig for forskjellige typer problemer som er identifisert i listen over applikasjoner av BES nevnt tidligere. Disse ferdige løsningene har alle de tre komponentene fullt utviklet og er i bruksklare tilstand. De har fordelene ved å være økonomisk, godt testet og raskere gjennomføring, men i mange beslutningssituasjoner er de ikke egnede.

b) Skaffe kunstig intelligens skallet:

Den kunstige intelligens skallet består av en regel sett leder og en inference motor. Regelsettet leder er utstyrt med kompetansen representert av ulike kunnskapsrepresentasjonsverktøy. Når ekspertkunnskapen er representert, er reglene satt testet på tidligere informasjon og en gang funnet riktig, blir skallet brukbart ved hjelp av inngangsmotoren.

Dette alternativet gir fleksibiliteten til en leder å definere sine egne regelsett og få en tilpasset BES-operasjon på kort tid. Imidlertid har slike skjell som er tilgjengelige i markedet sine egne applikasjonsområder som de passer best for.

c) Tilpasset bygget system:

Hvis de to første alternativene ser ut til å være uopprettelige eller anses å være tilrådelige på grunn av det unike problemet, kan man velge tilpasset BES. De koster mer og tar lengre tid, men er svært nyttige i unike eller bestemte typer beslutningstaker situasjoner.

Fordeler med ekspert systemer:

BESs er dyre både når det gjelder penger og tid som kreves for å utvikle dem. Det er derfor nødvendig å være oppmerksom på fordelene med BES, slik at kostnadsfordelingsanalyser kan gjøres før det ventures inn i oppkjøpet av BES.

Følgende er de potensielle fordelene ved BESs:

a) Koding av kompetanse:

Den betydelige fordelen ved forretningsspesialsystem er at den hjelper til med å formalisere / kodifisere en organisasjons begrunnelsesevne. I prosessen med å utvikle BES, er det gjort forsøk på å representere kompetanse i form av regler, rammer, saker, tekst og grafer.

Dette fører til samling av kunnskap om kompetansen så langt holdt fast til brystet av eksperter. En slik ekspertise kan gi grunnlag for bedre opplæring av menneskelige eksperter i organisasjonen, i tillegg til å lede til bedre beslutningsprosesser.

b) Forbedret forståelse av forretningsprosessen:

Det forsterker forståelsen av beslutningsprosessen som igjen kan føre til forbedringer i prosessen. Under utviklingsprosessen identifiseres og gjennomgås eksisterende beslutningsmetoder. Dette bidrar til å forbedre beslutningsprosessen. Hyppig samhandling av eksperter med BES er en god læringsprosess og resulterer i gjensidig forbedring av hverandres problemløsende evner.

c) Tidlig tilgjengelighet av kompetanse:

BES er i stand til å gi ekspertise når en menneskelig ekspert ikke er tilgjengelig. Disse systemene har ikke problemer med tilgjengelighet som er ganske vanlig blant menneskelige eksperter. BESs er tilgjengelige for brukere for konsultasjoner i ulike timer, har ingen tidligere forpliktelser, ikke fortsette på permisjon av en eller annen grunn, og ikke trekke seg fra bedriften for å bli med i en konkurrent.

d) Enkel replikering:

Den marginale kostnaden ved å kopiere en BES er ubetydelig. Når en BES er vellykket på ett sted, kan den replikeres på andre steder som har lignende beslutningstakermiljøer, uten tap av tid eller mulighet.

e) Eliminerer rutinemessige konsultasjonsforespørsler:

BES kan hjelpe en menneskelig ekspert i å redusere arbeidsbelastningen ved å lede den rutinemessige typen konsultasjonsforespørsler til BES. Dette gjør det mulig for menneskelig ekspert å konsentrere seg om mer utfordrende problemer som ikke løses av BES.

f) Konsistens:

BES tilbyr konsekvent og enhetlig rådgivning om problemer. Deres råd lider ikke av å overse noen faktorer, glemmer noen av trinnene, personlig forspenning eller temperamentelle problemer.

g) Logikklinje:

BES tilbyr en logikklinje som brukes sammen med løsningen. Dette gjør det mulig for ledelsen å kritisk undersøke løsningene og finne ut om den anvendte begrunnelsen er gyldig eller ikke. Dette hjelper lederen å forstå styrken og svakhetene i løsningen og anvende sin bedriftsdommer for å komme frem til beslutninger.

h) Strategiske applikasjoner:

Fordelene ved BES-hjelp i produkt- og tjenestedifferensiering og reduserte kostnader. De hjelper også med å utvikle nisjemarkeder der konkurrenter uten slike systemer kanskje ikke er effektive. Dermed kan BESs gi den strategiske kanten til et foretak.

Kritiske suksessfaktorer i implementeringen av BES:

Kritikerne av BESs gir mange grunner til at BES ikke kan gjennomføres. Kritikken i de fleste tilfeller er ikke ubegrunnet. Det er viktig at problemene knyttet til utvikling og implementering er forventet, og nødvendige forholdsregler tas for å sikre at BES er vellykket.

Følgende faktorer kan holdes til syne i denne forbindelse:

a) Kostnadseffektivitet:

De fleste av BES er veldig dyre og noen ganger er det økonomisk å bruke menneskelige eksperter. Det er nødvendig å holde kostnaden for BES lav for å sikre at kostnadene er begrunnet av de potensielle fordelene. De to første innkjøpsalternativene bidrar til å holde prisen på BES på lavere nivåer.

b) Selektiv omfang:

Den mer ambisiøse BES kan kreve en lengre varighet av utviklingsprosessen og store kostnader. Det kan huskes at ikke alle avgjørelsene gir samme avkastning på investering i BES.

Man bør være selektiv i å inkludere applikasjoner i BES og en omfattende BES, kanskje krever mye informasjonssystemkompetanse. Den kunstige intelligens teknologien er fortsatt i utvikling, og det kan være økonomisk levedyktig å ha bredere mulighet for BES.

c) Brukervennlighet:

BESs er svært komplekse systemer som har kraftige teknikker for dataanalyse. De krever mye trening før de kan brukes effektivt. Det er derfor nødvendig å ha mer brukervennlig brukergrensesnitt og mer eksplisitte og entydige menystrukturer.

d) Flerbrukermiljø:

De fleste BES er frittstående systemer. Imidlertid er beslutningskompetanse mange ganger en utfall av kollektiv og gruppeaktivitet. BES har multifunksjonsmiljø er sannsynligvis mer vellykket enn frittstående systemer.

Hva en leder trenger å vite om BES:

BES bruker flertall av kunnskapsteknikkverktøy, hvorav mange kan være utenfor forståelsen av en vanlig funksjonell leder. Som bruker av BES, trenger en leder imidlertid ikke å vite de tekniske detaljene i kunnskapssystemet.

Det han trenger å vite om BES er:

Jeg. Mulighetene for å anvende BES i sin forretningsvirksomhet og relativ potensial for hver søknad i formalisering av kunnskap.

ii. Grunnleggende BES-teknologier og deres favorittområder.

iii. Mulighet for å bruke kunstig intelligens skall.

iv. BES-rolle for å støtte folk i deres aktiviteter.

v. Teknisk og økonomisk gjennomførbarhet av BES.

De potensielle fordelene fra BES er ganske fascinerende. Kanskje er det som kreves å utvikle kostnadseffektive verktøy for å bygge opp BES og villig deltakelse av domeneeksperter i utviklingsprosessen som er evolusjonerende i naturen.

Begrensninger av forretningsspesifikke systemer:

BESs har vist sine potensielle fordeler i mange applikasjoner, og ganske få har vært svært vellykkede. Det er imidlertid noen begrensninger av BESs. Disse begrensningene skyldes forutsetningene som BESs gjør med hensyn til:

Jeg. Tilgjengeligheten av en villig domene menneskelig ekspert som er i stand til å artikulere kunnskap og har en bevist rekord i å ta effektive beslutninger. Slike eksperter er sjelden tilgjengelige, særlig i nye domener hvor kunnskap også er i en utviklingsstatus.

ii. Beslutningsmiljøet er enkelt, godt strukturert og ikke gjenstand for hyppige endringer. I virkeligheten skjer beslutningstaking i komplekst, dynamisk og et flerdimensjonalt miljø. Som en konsekvens er articulating kunnskap svært vanskelig.

BES har mangel på fleksibilitet som trengs i lys av dynamikken i virksomheten. Flerdimensjonalt beslutningsmiljø gjør gruppebeslutningen avgjørende. Å få en ekspert som forstår alle dimensjonene i forretningsproblemer blir stadig vanskeligere. Det kan huskes at BESs passer godt til begrenset type applikasjoner, og er ikke for å erstatte menneskelige eksperter helt.

Som følge av dette mister BESs sin popularitet. De anses egnet for begrenset brukstype. De nye kunstige intelligensverktøyene som nevrale nettverk, fuzzy logikk, sakbasert resonnement, etc. blir lagt til inference motorer for å gjøre dem mer egnet for å endre behovene til virksomheten.

Side ved side blir det gjort forsøk på å bruke AI-verktøyene for å utvikle tilleggsprogramvare for å utføre begrensede funksjoner. Disse tilleggene kalles for intelligente agenter.

Intelligente agenter:

Intelligente agenter er programvarekomponenter som utfører en del av prosessen ved hjelp av en kunnskapsbase. De arbeider generelt med felles informasjonssystemer og opererer på halvautonomisk måte.

Disse programmene kommuniserer med brukere og informasjonsbaser for å utføre selvoppgaver. Disse programmene er integrert i ulike applikasjoner for å forbedre informasjonsanalysetjenestene i informasjonssystemet. Disse midlene brukes til en rekke bruksområder som:

a) Deteksjon og alarmsystemer:

De intelligente agenter blir brukt til å etablere et system for å oppdage unntak i databaser, kommunikasjonssystemer etc. og utstede nødvendige alarmer til de berørte brukerne. 'Forvaltning ved unntak' vil finne en ny dimensjon i ledelsesaktiviteter når slike intelligente agenter begynner å levere informasjon.

b) Informasjonssøkemotorer:

Intelligente agenter utvikles også for å fungere som informasjonssøkemotorer for å svare på spørsmålene mottatt fra forskjellige typer brukere. For eksempel kan et departement få flere forespørsler om informasjon hver dag. Intelligente agenter kan tolke forespørsler og siktinformasjon fra databasen og sende svaret i riktig form til brukeren.

På samme måte kan intelligente agenter legge til verdi for jernbanesystemet ved riktig forvaltning av passasjerforespørsler om ulike operasjoner. En intelligent agent forbinder Internett, det interne nettverket og CD-ROMene for å søke etter filter og levere personlig informasjon. En mindre versjon av en slik søkemotor er allerede tilgjengelig i LOTUS-NOTER.

c) Skrivebordsposisjoner:

Ettersom tilgjengeligheten av intelligente agenter blir vanlig på PC-er, vil de opptre som personlige møteforvaltere, personlige bibliotekarister, personlige økonomiske rådgivere etc. Disse agenter vil automatisk ordne telefonisk kontakt med klienter, rette avtaler og utstede alarmer for å sikre at avtalen ikke er ignoreres utilsiktet.

Disse agenter vil se etter oppskrivninger om emner av interesse fra Internett-magasiner og samle inn informasjon fra andre kilder, inkludert elektroniske biblioteker og CD-ROMer, for å gi informasjon som man får ved hjelp av sekretærer i dag.

Nytt informasjonsanalyseverktøy:

Intelligente agenter bruker en rekke informasjonsanalysverktøy. Disse verktøyene siver ikke bare informasjon fra datahull, men leverer også informasjonen på en meningsfull måte. Det viktige blant disse verktøyene er datautvinning, datakartlegging, datavisualisering, nevrale nettverk etc.

a) Datautvinning:

Data mining refererer til undersøkelse av store datamengder for trender og mønstre, etablering av tverrforhold mellom ulike faktorer som hittil forblir skjult i datahallen. Det innebærer drill down teknikker for å bryte ned høyere nivå tall i lavere nivå tall.

"Trafikklysene" gir varselsignaler når unntak oppstår. Data mining finner sine applikasjoner hvor det er komplekse og subtile forhold mellom individuelle produkter eller tjenester som ikke er enkle å identifisere, men har betydelige implikasjoner for inntekter og lønnsomhet. Et bemerkelsesverdig trekk ved data mining er at den analyserer hele tilgjengelige data i stedet for å plukke opp prøver for analyse. Figur 10.6 illustrerer prosessen med data mining.

Data mining gjorde sin debut i retail commodity markedsføring og det var ganske naturlig. Det har imidlertid også applikasjoner i andre forretningsaktiviteter. Det kan hjelpe ledere å etablere relasjoner mellom ulike faktorer som påvirker ulike beslutningsvariabler.

Data mining som en teknikk er fortsatt i sin barndom. Det har et stort løfte, spesielt fordi det kan bidra til å identifisere muligheter og gjøre det mulig for ledere å reagere raskt på dagens muligheter og forestående farer.

b) Datakartlegging:

Datakartleggingsverktøy gir grafisk visning av informasjonen som er lagt på et kart over et geografisk område eller territorium. De kan gi raskere oversikt over geografisk spredning / konsentrasjon av etterspørselen etter produktene og kundenes preferanser, forventninger og markedsfølelser.

De kan også bidra til å identifisere lokale faktorer som påvirker markedsadferd på ulike tidspunkter. Slike kartverktøy kan være til stor hjelp for å forbedre forståelsen av voluminøs datainformasjon som det har blitt funnet at en stor del av lagrede data er geografisk i naturen.

Kartleggingsverktøy må imidlertid bli beriket med flere detaljer om de karakteristiske egenskapene til hvert geografisk område og tilhørende likheter i nærliggende områder.

c) Data visualiseringsverktøy:

Disse verktøyene har som mål å representere data ved hjelp av tredimensjonale visualer. Disse bildene kan være histogrammer som kan navigeres for ytterligere detaljer om komponentdataene, ved hjelp av en hvilken som helst pekeenhet som mus.

Det visuelle kan ta mer fantasifulle former som sfæriske baller med varierende størrelser og farger eller annen form som kan være direkte relatert til emnet eller oppførselen til dataene. Data visualiseringsverktøy har muligheten til å oppsummere data på en slik måte at brukerne tar mindre tid å visualisere situasjonen.

Det hjelper med å fokusere på den aktuelt relevante delen av data og gjør det mulig for brukeren å utforske mer om det interesserer ham. Datavisualiseringsteknikker skal også bidra til simulering, følsomhetsanalyse og besvare "what if" -spørsmål.

For å få et glimt av deres søknader i økonomisk styring, la oss ta et eksempel på den klassiske forholdsanalysen for å måle resultatene til et foretak. Forholdet når det brukes forsiktig, kan bidra mye til å gi et innblikk i tilstanden.

Men et stort antall forhold knyttet til et foretak med varierende tolkninger i forhold til industri og landstall vil være for tungt og motstå forståelse av intrikate forhold. Visualiseringsteknikker kan hjelpe til med å sette dem i riktig perspektiv.

En tredimensjonal visuell sette verdiene i form av fargede baller / bokser og komponentene / lavere nivåverdiene som finnes i de større ballene som representerer høyverdier, kan bidra til bedre forståelse av relasjoner og sammenligning med tilsvarende industristandarder. For eksempel kan et bankbedrifts avkastning på utbytte av eiendeler bli beregnet og vist sammen med de berørte verdiene av Kostnadene for midler;

Markedsrente; rente skatt / andre avgifter; Asset mix; og finansiell risiko sammen med næringsforholdene i form av todimensjonale tabeller eller en rekke forhold. Alternativt vises selskapets forhold som en ball på en fargeskjerm sammen med bransjens forhold i skillefargene og forholdsmessige størrelser. Ved å trykke ved hjelp av en mus på hver ball, kan brukeren bryte opp ballen for å gi fem ekstra baller.

Hver av disse ballene representerer en av faktorene nevnt ovenfor. Størrelsene på disse ballene er knyttet til deres relative betydning ved å bestemme verdien av avkastningen på å utføre eiendeler, både for selskapet og næringen.

d) Genetiske algoritmer og nevrale nettverk:

Genetiske algoritmer blir også anerkjent som effektive verktøy for analyse av økonomiske data. Disse verktøyene etablerer beslutningsregler og mønstre fra tidligere data og hjelper til med å hypotesere ulike situasjoner. Med tilgjengeligheten av avanserte verktøy med fuzzy statistikk og høyhastighets databehandling, finner de genetiske algoritmer nå nye applikasjoner innen finansiell modellering.

Nevrale nettverk forsøker å etterligne menneskelige hjerner med den ekstra styrken i aritmetisk nøyaktighet ved behandling av store volumdata ved hjelp av komplekse algoritmer. Disse nettverkene konfronteres med relevante data, graver ut mønstre i data og utvikler modeller, tester dem, vurderer fremtidige hendelser og lærer av feil.

Disse intelligente agenter har potensial til å gjøre det mulig for ledere å forutse endringer i næringsmiljøet mer raskt, slik at de kan endre strategiene sine godt i tid. På den måten bidrar de til å forbedre tilpasningsevnen til forretningsprosessene.

Most of these tools try to analyse information on real time basis and thus the most recent scenario is presented to the manager without much of technical analysis done by himself.

Software giants like Oracle, Cognos and Comshare have started offering intelligent agents as add-ons with their traditional application products. Some of the others offer independent software tools for data management, modelling and information presentation. However, at present, these tools are very simple and in their primitive form.