Зіставлення операційних даних і даних одсппр

↑

▷ Содержание

⇐ ПредыдущаяСтр 10 из 15Следующая ⇒

. СППР Marketing Expert

Російськомовна СППРMarketing Expert створена компанією «Pro-Invest Consulting». Вона забезпечує підтримку прийняття рішень на всіх етапах розроблення стратегічного й тактичного планів маркетингу і контролю за їх реалізацією. Система призначена для розв’язування двох основних завдань:

1) проведення аудиту маркетингу: оцінювання реального становища компанії на ринку, порівняння з конкурентами, виявлення сильних і слабких сторін збутової структури, цінової політики;

2) планування маркетингу: вироблення оптимальної стратегії і тактики компанії на ринку з використанням відомих аналітичних методик (GAP-аналізу, сегментного аналізу, SWOT-аналізу, Portfolio-аналізу та ін.).

У процесі виконання цих завдань користувач отримує можливість: визначати рентабельність продукції за окремими товарами й товарними групами, а також дохідність і прибутковість окремих сегментів ринку; розраховувати загальний обсяг ринку за товарами і темпи його зростання; розраховувати ціни на товари, виходячи із заданого рівня рентабельності підприємства; оптимально розподіляти продукцію за каналами збуту.

Графічною основою програми є «карта ринку», яку конструює користувач за допомогою спеціального інструмента — препроцесора. Карта ринку схематично відбиває компанію, її підрозділи, території, на яких вона діє, товари, групи споживачів, конкурентів тощо. Усі об’єкти у певний спосіб ув’язуються і докладно описуються (відпо-відна інформація може бути введена за активування об’єкта). Отже, Marketing Expert дає змогу «проробляти» кожний істотний елемент у життєдіяльності компанії, утримуючи перед очима загальну картину.

Крім кількісних методик Marketing Expert містить засоби якісного аналізу (експертні листи і засоби їх редагування). Програма уможливлює перегляд результатів у табличному або графічному вигляді, безпосереднє їх роздруковування або експортування для подальшого редагування в Microsoft Word.

Нині СППР виходить у двох версіях: Marketing Expert і Marketing Expert Professional. У постачання версії Marketing Expert Prof входить додатковий модуль «Extrapolation», який надає користувачам додаткові можливості: побудувати прогноз продажу з обчисленням того, що контролюється (витрат на рекламу, цін на свою продукцію, прибутку та ін.), а також чинників зовнішнього середовища (цін конкурентів, що не контролюються, прибутків населення, курсів валют тощо); спрогнозувати попит на продукти і розрахувати коефіцієнти еластичності попиту.

Версія Prof містить функції передавання даних у відому програму для інвестиційного менеджменту Project Expert 6. Модуль обміну програми Project дає змогу імпортувати дані про продукти, умови їх реалізації та ін., підготовлені в системі Marketing Expert Prof, в операційний план поточного проекту Project Expert 6. Отже, Marketing Expert, виступаючи як самостійна програма, може водночас бути і доповненням до Project Expert 6 як засіб детального опрацювання плану маркетингу для інвестиційних проектів.

Marketing Expert функціонує під Windows Зх, 95, 98 і NT. Мінімальні вимоги до комп’ютера — процесор 486DX, 8Mb оперативної пам’яті, 16Mb вільного місця на диску.

СППР RealPlan

RealPlan — це СППР з інвестування в нерухоме майно. Система виконує велику кількість типових дій, які необхідні для придбання нерухомого майна, удосконалення його і рішень щодо відмовлення від участі. Ці операції включають деталізовані розрахунки прибутку, витрат і планування оплати готівкою. Адміністратор портфеля створює таблицю потенційних застосувань для кожної одиниці нерухомості. RealPlan потім використовує алгоритм пошуку, щоб оцінити найвигідніший вибір і узгодити в часі дії щодо умов оплати готівкою.

. СППР Analytica 2.0

Загальне описання системи

Орієнтована на моделі СППР Analytica 2.0 розроблена компанією «Lumina Decision Systems» (http://www.lumina.com/). Ця СППР є спадкоємницею СППР Demos. Вона розроблена на основі десятирічних досліджень інструментальних засобів моделювання, аналізу невизначеності й користувацького інтерфейсу, які проводилися в університеті Carnegie-Mellon і компанії «Decision Lumina Systems».

Analytica 2.0 можна визначити як програмне забезпечення кількісного моделювання, як використання графічного інтерфейсу для розроблення моделі. Її можливості включають аналіз сценаріїв, діаграми впливу, багатовимірне моделювання (dimensional Modeling) і аналіз ризику. Система забезпечує прозорість і потужність бізнес-моделюванню. Вона значно перевищує можливості, що надаються користувачам звичайними електронними таблицями, фактично це графічно-орієнтований інструментальний засіб для створення, аналізу і поєднання кількісних бізнес-моделей. Вона надає легкі та швидкі можливості завдяки:

· використанню зручного графічного інтерфейсу на основі діаграм впливу для поєднання моделей у загальній структурі;

· засобам масштабування моделі, щоб впоратися з багатовимірністю проблем реального світу, використовуючи масиви бізнес-інформації (Intelligent Arrays);

· управлінню ризиком і невизначеністю завдяки ефективному моделюванню за методом Монте-Карло;

· швидкого і легкого розгортання створення моделей в Інтернеті за допомогою інструментального засобу Analytica Decision Engine®;

· імпорту і експорту даних з використанням механізму OLE (або ODBC у версії для корпорацій — Enterprise Analytica).

Через те, що Analytica використовує графічний інтерфейс і малу кількість стандартних діаграмних символів, її легко вивчати та використовувати. Головний менеджер або група менеджерів можуть визначити концепцію проблеми, а її якісні аспекти можуть бути відображені без застосування формул. Моделі Analytica можна також легко і швидко модернізовувати, підтримувати та розширювати. Масиви бізнес-інформації уможливлюють встановлення часової послідовності моделей, виходячи з того, що час є виміром. Через те, що діаграми Analytica самодокументуються, моделі легко перевіряти чи контролювати. Для цього не потрібна зовнішня документація, щоб використовувати моделі разом з іншими.

СППР Expert Choice

Загальний опис системи

Орієнтована на моделі СППР «Expert Choice» розроблена однойменною американською корпорацією «Expert Choice, Inc.» (http://expertchoice.com/). На відміну від системи Analytica 2.0, яка орієнтована на застосування діаграм впливу, Expert Choice базується на одному з добре відомих методів прийняття рішень AHP (Analytic Hierarchy Process) — аналітичному єрархіч­ному процесі, тобто на багатокритеріальному єрархічному під-
ході до підтримки прийняття рішень. Expert Choice допомагає творцям рішень організовувати пов’язану з проблемою комплекс­ну інформацію в єрархічну модель, яка складається з мети, мож­ливих сценаріїв, критеріїв і альтернатив. Важливість критеріїв, переваги альтернатив і ймовірності сценаріїв оцінюються за допомогою застосування методу попарних порівнянь (pairwise comparisons).

Expert Choice забезпечує наскрізну методологію планування, яка дає змогу прояснити мету, забезпечити консенсус і синтезувати управлінський та операційний досвід, щоб отримати кращі, швидші та захищеніші рішення. Зображена на рис. 6.21 головна панель інструментів дає відчутне уявлення про засоби, котрі надаються в розпорядження користувачів, а в процесі функціонування системи можуть появлятися інші можливості. На рис. 6.22 наведено приклад побудови аналітичного єрархічного процесу визначення ринкової стратегії для корпорації «Боінг», яку консультував доктор Сааті.

Рис. 6.21. Expert Choice 2000: панель інструментів
(загальний вигляд та пояснення)

Ця орієнтована на моделі СППР забезпечує такі можли-
вості:

· полегшує визначення і описання мети (цілей);

· полегшує ідентифікацію всього рангу альтернативних роз-в’язків;

· оцінює ключові співвідношення (компроміси) між цілями та альтернативами;

· дає змогу отримати готове рішення, яке повністю зрозуміле та підтримується групою розроблювачів проблеми.

Рис. 6.22. Expert Choice 2000: приклад побудови
аналітичного ієрархічного процесу для визначення
ринкової стратегії корпорації «Боінг»

Expert Choice є дуже популярним засобом підтримки прийняття рішень через те, що він адаптується до користувацького стилю прийняття рішень і ситуації завдяки гнучкому інтерфейсу структурування моделі. Можна вибирати: чи будувати модель зверху донизу, починаючи з допомоги щодо отримання глибокого розуміння цілей рішення, що має прийматися, чи використовувати висхідний підхід, щоб впливати на експертну оцінку, використовуючи Expert Choice для складання переліку доказів «за» і «проти» вибраних альтернатив, і потім застосовувати технологію Expert Choice для того, щоб можна було легко перетворювати ці докази у визначену кількісну мету.

Expert Choice функціонує за допомогою проведення творців рішень через серію попарних порівнянь, щоб отримати пріоритети для цілей і параметрів. Система уможливлює об’єднання будь-яких типів кількісних і якісних експлуатаційних показників у процесі прийняття рішення. Утиліти перетворення даних можуть трансформувати експлуатаційні характеристики альтернатив у пріоритети. Expert Choice дає змогу об’єднати і синтезувати міркування будь-якої кількості осіб, що приймають рішення, чи їх груп, щоб забезпечити повний спектр різного сприйняття проблеми. Система має п’ять діаграм чутливості («Що…, якщо…?»), які динамічно тестують сценарії, для з’ясування того, як зміна ваги одного з критеріїв впливає на результат вибору. Функції складання звітів та ведення коментарів дають змогу документувати результати, використовуючи для підтримки будь-яку кількісну або якісну зовнішню інформацію.

Автор методу аналітичного єрархічного процесу доктор Сааті і професор Ернест Форман з університету Джорджа Вашінгтона 1983 року об’єднали свої зусилля з метою створення пакета комп’ютерних програм — «Expert Choice», який базується саме на цьому методі. «Expert Choice» — це інтуїтивна, основана на графічному інтерфейсі, та структурована у зручний для користувача спосіб СППР. Вона може бути цінною й корисною як для досвідчених користувачів, так і для новачків.

Людей завжди інтригувала можливість створення інтелекту у вигляді машини (штучної людини). Ставилося завдання, щоб машина як і людина могла сприймати і розуміти візуальні дії, розмовляти звичайною (природною) мовою, накопичувати знання і на цій підставі знаходити та обґрунтовувати корисні висновки про навколишній світ. В історії відомі містифікації, коли в каркаси в металевих костюмах поміщали карликів, намагаючись видати це за «розумну машину». Проте дійсний прогрес у створенні штучного інтелекту почався з початком комп’ютерної ери. Один із перших, хто висловив можливість того, що комп’ютери могли б обробити символи також як і цифри (і у такий спосіб моделювати процеси розумової діяльності людини) був британський учений Алан Тюрінг (Alan Turing). 1950 року він запропонував підхід, що в даний момент відомий як «тест Тюрінга» для визначення штучного інтелекту, в якому дослідник ставить запитання як до людини, так і до комп’ютера. Якщо запитувач не може визначити, людина чи машина забезпечила відповідь, тоді стверджується, що штучний інтелект досягнутий.

У сучасному розумінні термін «штучний інтелект» (Artificial intelligence) можна трактувати як науковий напрям (дисципліну), в рамках якого ставляться і розв’язуються завдання апаратного і програмного моделювання тих видів людської діяльності, які традиційно вважаються інтелектуальними, тобто потребують певних розумових зусиль. У Державному Стандарті України ДСТУ 2938-94 (Системи оброблення інформації. ОСНОВНІ ПОНЯТТЯ. Терміни і визначення) штучний інтелект визначається як «здатність систем оброблення даних виконувати функції, що асоціюються з інтелектом людини, такі як логічне мислення, навчання та самовдосконалення».

Штучний інтелект (ШІ) як наука почав розвиватися практично зразу (через два роки) після того, як «General Electric» установив перший комп’ютер для використання у бізнесі. 1956 року в коледжі м. Дартмут (Dartmouth) була проведена конференція, тему якої «Artificial intelligence» запропонував Джон Маккарті (John McCarthy). Учені, котрі взяли участь у конференції, узагальнили фундаментальні знання з математики, логіки і психології та визначили перші цілі та методології для дослідження ШІ. Термін Маккарті «штучний інтелект» опісля став популярним. Крім цього, в тому ж таки році була оголошена перша комп’ютерна програма ШІ, яку деякі фахівці вважають першою експертною системою.

Програма, що названа логіко-теоретичною (Logic Theorist), була створена Еліеном Ньюелом і Сімоном Хербертом у технологічному інституті ім. Карнегі (тепер Карнегі—Мелономському університеті) та Дж. С. Шоу з корпорації «Ренд». Вона була розроблена, щоб розв’язувати логічні та обчислювальні задачі й доводити теореми з підручника «Принципи математики» Вітхеда і Русселя. Принаймні в одному разі програма забезпечила лаконічніше доведення, ніж було придумане людиною-математиком. Цікаво, що в той час жоден журнал не захотів опублікувати доведення, яке придумане машиною.

Програма Logic Theorist мала обмежену здатність до міркування, тобто виконувала тільки доведення теорем числення, проте перші її успіхи заохотили дослідників до розроблення іншої програми — General Problem Solver, що була продемонстрована 1957 року. Цей програмний продукт мав просунуті можливості для розв’язування ребусів, завдань рівня вищої школи з мов та відповіді на запитання, які формулюються англійською мовою.

Ранні дослідження ШІ були зосереджені також на програмах для складних ігор як, наприклад, для гри в шахи. Розроблення програм для шахової гри не було кінцевою метою саме по собі, а розглядалося скоріше як можливість підсилення розуміння того, як людина розв’язує складні проблеми. Протягом 1960—1970 років питання ШІ розроблялися значною мірою в межах дослідницьких лабораторій. У 80-х роках зростаюча кількість продуктів ШІ почала просуватися на ринок, оскільки компанії започаткували свої перші комерційні версії. Проте, як і в багатьох технологічних розробках, обіцянки щодо можливостей комерційних додатків ШІ поки що переважають їх реальну продуктивність

30-31

Протягом розвитку штучного інтелекту отримано низку додатків, котрі застосовуються в різних галузях науки і техніки.
В даний момент застосування в бізнесі штучного інтелекту в основ­ному проходить у формі основаних на знаннях систем (knowledge-based systems), в яких використовуються людські знання для розв’язання проблем. Найпопулярнішим типом таких систем є експертні системи.

Експертна система — це комп’ютерна програма, в якій намагаються подати знання людини-експерта у вигляді евристик, це різновид інформаційних систем. Термін «евристика» походить від грецького кореня, як і слово «еврика», і означає «відкрити». Евристики не гарантують абсолютно правильні результати, як це досягається за допомогою вмонтованих у СППР стандартних алгоритмів, але їхні пропозиції є корисними для певного проміжку часу. Оскільки експертна система призначена, головно, для консультування, то акт її використання називається консультацією — користувач консультується з експертною системою для отримання відповідних порад.

Експертні системи, як потенційний додаток до систем підтримки прийняття рішень, а також інші продукти штучного інтелекту, що мають безпосереднє відношення до СППР, будуть докладніше розглянуті окремо. Зображення на рис. 9.1 додатків ШІ у вигляді дерева підкреслює ту обставину, що зони їх дії перекриваються і зливаються, а деякі з них можуть бути складовими частинами інших. Коротко опишемо решту додатків штучного інтелекту.

Оброблення природною мовою (Natural language processing) — це найзручніший спосіб спілкування людей з комп’ютером різними розмовними мовами, наприклад, це можливість комп’ю­терної перевірки правопису і граматики. Система природної мови не має жорстких синтаксичних вимог (на відміну від комп’ютерних мов). Вона забезпечує діалогову взаємодію з користувачем, може настроюватися під нього, автоматично виявляти помилки, забезпечувати контекстну інтерпретацію. В інформаційних системах оброблення природною мовою використовується для пошуку інформації, модифікації даних, обчислень, статистичного аналізу, генерування графічних образів, забезпечення консультацій з експертною системою тощо.

Рис. 9.1. Дерево додатків штучного інтелекту

Системи візуалізації (Visualization systems) можуть подібно людині візуально взаємодіяти зі своїм середовищем, використовувати візуальні зображення і звукові сигнали для інструктування комп’ютерів або інших пристроїв, як наприклад, роботів. Ці системи, що часто також називають системами розпізнавання образів (Perceptive systems), реалізують функції технічного бачення і розпізнавання звукових сигналів (аналоги систем природної мови). Системи автоматичного розпізнавання образів у технічній літературі називають персептронами (Perceptron).

Роботи (Robotics)складаються з контрольованих комп’юте­ром пристроїв, які імітують моторну функцію людини. Термін «робот» уперше було вжито чеським письменником Карелом Чапеком 1920 року в соціально-фантастичній драмі «R.U.R.». Найчастіше роботів використовують для піднімання предметів і переміщення їх в інше місце. Вони виконують функції машин для завантаження, пристроїв для зварювання або фарбування на складальному конвеєрі, засобів збирання частин у ціле та ін. Їх, головно, використовують для складання автомобілів і в інших подібних процесах виробництва. В СППР роботи не використовуються.

Нейромережі (Neural networks)—ценадзвичайно спро­щені програмні або апаратні моделі нервової системи людини, що можуть імітувати такі здатності людини як навчання, узагальнення і абстрагування. Нейромережі знайшли широке застосування в системах підтримки прийняття рішень, зокрема, як засіб добування знань (інформації) в базах та сховищах
даних.

Системи з навчання (Learning)містять низку операцій, які надають можливість комп’ютеру або іншому зовнішньому пристрою набувати нових знань на додаток до того, що було вже введено раніше в пам’ять фірмою-виробником або програмістами. Такі системи передбачають можливість навчання на базі досвіду, прикладів, аналогів, модифікації поведінки, аку­мулювання фактів. Узагалі, навчання може бути контрольованим, тобто через механічне запам’ятовування, та неконтрольованим, наприклад, система може навчатися, використовуючи свій власний досвід. У СППР засоби навчання використовуються дуже часто.

Апаратні засоби ШІ (Artificial intelligence hardware)— це фізичні пристрої, які допомагають виконувати функції в інших додатках штучного інтелекту. Їх прикладами є апаратні засоби, які призначені для експертних систем на основі знань, нейрокомп’ютери, які використовуються для прискорення обчислень, електронна сітчатка ока та ін.

Програмні агенти (Software agents) — програмні продукти,що виконують завдання за дорученням користувача з метою пошуку інформації в комп’ютеризованих мережах. Вони мають значний потенціал для застосування в системах підтримки прийняття рішень.

Системи підтримки прийняття рішень на основі сховищ даних та OLAP-систем, як і самі сховища даних (Data Warehouses) та системи аналітичного онлайнового оброблення даних, належать до типу орієнтованих на дані СППР. У загальному вигляді орієнтовану на дані систему підтримки прийняття рішень (ОДСППР) можна визначити як інтерактивну комп’ю­теризовану систему, що допомагає ОПР використовувати дуже велику базу даних із внутрішніх даних компанії і деякі зовнішні дані з навколишнього середовища системи з метою прийняття обґрунтованих рішень. Наприклад, система може надавати дані щодо збуту продукції як самої компанії, так і її конкурентів. Деякі дані можуть бути деталізованими даними транзакцій, а деякі — агрегованими. У більшості реалізованих нині ОДСППР користувачі можуть виконувати незаплановані або в режимі на даний випадок (ad hoc) аналізи даних і формулювати запити. За допомогою таких систем менеджери обробляють дані для ідентифікації фактів і отримання висновків у вигляді графічних зображень (діаграм, графіків, трендів).

Орієнтовані на дані СППР, зокрема системи аналітичного онлайнового оброблення, інколи називають бізнес-інформаційними (Business intelligence). Цей популярний, широко відомий термін запропонував 1989 року аналітик Говард Дрезнер (Howard Dresner) з групи «Gartner», що консультує фірми «Fortune 1000» з питань інформаційних технологій, для описання низки понять і методів, призначених для вдосконалення бізнесових рішень за допомогою використання основаних на фактах систем підтримки прийняття рішень (власне замість терміна «програмне забезпечення» («decision support») був запропонований термін «Business intelligence»). Зокрема, 1994 року Говард Дрезнер писав: «До 1996 року використання розв’язків Business intelligence різко переміститься від спеціалізованих аналітиків до всіх менеджерів і професіоналів як найкращий шлях розуміння бізнесу… Замість вузького кола аналітиків, які витрачають 100 відсотків свого часу на аналізування даних, усі менеджери і професіонали витратять 10 відсотків свого часу для цього, використовуючи програмне забезпечення Business intelligence». Хоча ні 1996, ні навіть 2001 року повною мірою цей прогноз не справдився, проте багато менеджерів освоїли і продовжують вивчати цей тип програмних продуктів. Така обставина пояснюється тим, що програмне забезпечення орієнтованих на дані СППР надає змогу користувачам досягати як загальної для всієї корпорації мети, тобто підвищення рівня конкурентоспроможності за рахунок своєчасного отримання важливої для успіху інформації, недосяжної раніше іншими шляхами, так і поліпшувати особисту управлінську продуктивність, тобто різко скорочувати завдяки таким СППР час на отримання таких самих результатів.

Термін «Business intelligence» використовується як синонім «OLAP» в інструкціях щодо використання і в описаннях виконавчих інформаційних систем. «Business intelligence» є терміном з мар­кетингу. Він уживається також для позначення орієнтованих на
дані СППР. Цей тип СППР допомагає користувачам реалізувати практичне оброблення вниз (drill down) для детальнішого огляду інформації, оброблення вгору (drill up), щоб оглянути ширшу, інтегровану інформацію, «розрізати базу даних тонкими скибочками й нарізувати кубиками» («slice and dice»), щоб змінити вимірність, яку вони переглядають. Результати «drilling» і «slicing та dicing» подаються в таблицях і схемах. Чому саме такі та подібні їм можливості стали конче потрібними ОПР та менеджерам?

Традиційна технологія підготовки інтегрованої інформації на основі запитів і звітів у звичайних системах підтримки прийняття рішень стала неефективною через різке зростання кількості і збільшення різноманітності вихідних даних, що знаходяться в численних оперативних і виробничих системах організацій. Ця обставина стала гальмувати виконання функцій управління у разі необхідності швидко створювати й приймати рішення. Крім того, постійне накопичення даних у корпоративній базі даних для прийняття рішень і подальший їх аналіз гальмують оперативну роботу з даними.

У типовій організації доступні оперативні бази даних розроблялися для здійснення регулярних процедур (транзакцій). Такі потреби можуть включати, наприклад, підготовку нового або поновлення попереднього замовлення. Регулярні процедури рідко пов’язані з запитами, тому, зазвичай, оперативні бази даних містять тільки поточну інформацію. Вони не можуть задовольнити інформаційні потреби користувачів СППР, тому що їм не вистачає архівних даних та їх стабільності, що стає вирішальним у разі необхідного аналізування. Наприклад, ОПР може звернутися до системи із запитанням: «Як проведені компанією останні заходи щодо розповсюдження товару впливали на його продаж за останній квартал у порівнянні з таким самим просуванням товару за останній рік?» Швидкої та вичерпної відповіді на подібні запитання традиційні СППР забезпечити не могли.

Крім того, часто дані знаходяться в різних операційних системах, які мають суттєві відмінності в організації даних. Фактично поєднання даних із систем DB2, Oracle та COBOL з даними бази даних Sybase чи Informix може бути нелегким та ускладнюючим аналіз цих даних. Оперативні бази даних за структурою та розміром є недостатніми для загального аналізу. Як результат із цього випливає, що коли потреби оперативних баз даних повністю відрізняються від потреб СППР, то вони не є оптимальними для використання в СППР, що призводить до неефективного виконання запитів до СППР.

В історичному контексті це означає, що СППР не були такими корисними, як могли б бути, оскільки необхідні дані не були вчасно доступними. Для компенсації цього недоліку часто адаптовували окремі «заморожені» фрагменти виходів інформаційної системи для наступного аналізу. Ці фрагменти забезпечують лише інформацією про відібрані об’єкти в окремі моменти часу. Хоча такі фрагменти ефективніші, ніж безпосереднє використання оперативної бази даних, але їм недостає широкого спектру інформації для повного її аналізу або гнучких специфічних запитів. Інакше кажучи, ураховуючи всі переваги такого розв’язання проблеми, воно загалом не створює сприятливого середовища для використання СППР.

Альтернативним та популярнішим підходом є створення сховища даних для підтримки потреб СППР, а також застосування інструментальних засобів OLAP-систем, які забезпечують доступ і оброблення накопичених за достатній період внутрішніх даних організації, а також у деяких випадках і зовнішніх.

У загальному випадку дані ОДСППР є операційними даними
щодо фіксації щоденних бізнесових операцій компанії, тобто дані про транзакції (ведення справ, угод) і бізнесові випадки (явища). Вони формуються, щоб забезпечити тактичні й стратегічні бізнесові дії на основі операційних і доречних зовнішніх даних. Відмінність у цілях застосування операційних баз даних і баз даних СППР полягає в тому, що формати і структури цих видів даних відрізняються принаймні за шістьма основними показниками: структурою даних, діапазоном часу, підсумовуванням даних, мін­ливістю даних, вимірністю даних і метаданими. Короткий виклад цих відмінностей наведено в табл. 10.1. Зупинимося на них докладніше.

Таблиця 10.1

Показники

Познавательные статьи:



Формы дистанционного обучения

Передача мяча двумя руками снизу

Значение правильной осанки для жизнедеятельности человека

Основные ошибки при выполнении передач мяча на месте