Betydelsen av Management Support Systems för företag

Betydelsen av Management Support Systems för företag!

Management Support Systems fokuserar på ledande användning av informationsresurser. Dessa system ger information för att hantera planering och beslutsfattande. Informationen som tillhandahålls av dessa system baseras på både interna och externa data med hjälp av olika dataanalysverktyg.

De erbjuder också ett val till användaren att välja ut ur dessa verktyg för att analysera data. Dessa system betjänar informationsbehoven hos chefer på mitten och toppnivåer i ledarhierarkin.

Det finns tre typer av styrsystem, nämligen:

a) beslutsstödsystem,

b) Executive Information (support) System och

c) Expert Systems.

Beslutsstödssystem:

Beslutsstödssystem (DSS) är utformade för att stödja chefernas beslutsprocess för att förbättra deras effektivitet och därigenom effektiviteten i företaget. De bygger på förutsättningen att ledningsbedömning inte kan ersättas av någon datorbaserad lösning. Genom att erbjuda stöd av data och modeller är det emellertid möjligt att förbättra beslutsprocessen även vid halvstrukturerade och ostrukturerade problem.

Det grundläggande syftet med DSS är att utöka förmågan hos en chefs beslutsprocess genom att stödja verktyg och data som görs tillgängliga för honom under hans direkta kontroll. DSS förutsätter inte heller specifika informationskrav och fördefinierade verktyg för analys för olika typer av beslut och heller inte några lösningar på chefen.

Det ger således flexibilitet till chefen att bestämma ingångsdata, analysverktyg, analysdjup och lita på resultatet av analysen för beslutsfattande. DSS erbjuder en interaktiv miljö för användarna och gör det möjligt för chefen att experimentera med data och modeller för att utveckla den optimala beslutsfattande strategin i en given situation.

DSS beskrivs också som interaktiva informationssystem som hjälper chefer att använda dataanalysmodeller för att lösa ostrukturerade problem. DSS använder teknik som kan kallas som byggstenar. De är representerade i figur 10.3.

Typer och egenskaper hos DSS:

DSS kan vara datainriktad eller modellorienterad. De datainriktade DSS har större inmatning av datahämtning och dataanalys. Den modellinriktade DSS har kraftfulla möjligheter för simulering av beslutsscenarier genom att uppskatta resultatet av en åtgärd och generera förslag. Det är faktiskt svårt att hitta en DSS uteslutande för datainsamling och analys eller helt enkelt för modellering. Faktum är att de flesta DSS innehåller en blandning av båda typerna av anläggningar.

DSS har följande egenskaper som gör att de skiljer sig från andra typer av informationssystem:

a) DSS syftar inte till någon särskild typ av beslut. Det har flexibilitet att använda i olika oväntade beslutssituationer.

b) DSS användarvänligt gränssnitt skiljer sig från andra typer av informationssystem. När en chef har använt en DSS under en tid, har den oregelbundna användningen inte negativ inverkan på användarvänligheten.

c) Rapportgeneratorer och grafiska anläggningar i DSS ger bättre sätt att representera den information som genereras genom användning av modeller i DSS. Dessa anläggningar ger värde till informationen.

d) DSS ger användaren fullständig kontroll över systemet. Inmatningen, bearbetnings- och produktionsmetoden styrs av användaren.

Fördelar med DSS:

Ett informationssystem måste ha sin egen motivering för att vara en kandidat som är värt att överväga att inkludera i ett företags ansökningsportfölj. Motiveringen är i allmänhet vad gäller fördelarna med att generera information för att bistå i extern rapportering och ledande beslutsprocess. Fördelen som en DSS kan erbjuda inkluderar:

en. Utvärdering av ett större antal alternativ som faciliteterna i DSS minskar tid och ansträngning vid insamling och analys av data för olika alternativ.

b. Modellering och prognoser blir enkla för chefer som använder DSS, så att de får mer inblick i affärsprocesserna.

c. Användbarhet i kommunikation mellan grupper och mellan grupper eftersom det gör det möjligt att förklara för andra hur man har kommit fram till en viss slutsats. Bakgrunden tilldelar respekten för slutsatser och ger upphov till andras stöd i företaget.

d. Anläggningar för snabbare analys av data för ostrukturerad beslutsfattande, vilket förbättrar svarets hastighet vid oväntade beslutsfattande situationer.

e. Snabbare spotting av avvikelser och undantag. Vanliga användare av DSS har funnit att DSS gör det möjligt för dem att förutse resultaten med hjälp av effektiv ad hoc-fråga.

f. Fördjupad analys av data och därmed effektivare användning av dataförbrukning.

Applikationer av DSS:

DSS har funnit framgång i företag i medelstora och stora storlekar och i beslutsscenarier som kräver en djupgående analys av intern och extern data. Framgången för DSS beror i stor utsträckning på ledningens toppstyrning, regelbundenhet och användningstid, utbildning av chefer och olika beslutsfattande situationer.

Om affärsprocessen är enkel och repetitiv till sin natur kan DSS inte kunna motivera sina kostnader. DSS tillämpat på strukturerade beslut bidrar bara till kostnader och förvirring. DSS har visat sig vara användbar i beslutsområden där flexibilitet i data och modellering krävs för bättre beslutsfattande. De typiska användningsområdena för DSS i produktions- och finansfunktionerna är:

Produktion:

Anskaffningsanalys, kostnadsberäkning och analys, produktionsplanering och schemaläggning, beslutsfattande eller köpbeslut, lagerplanering och kontroll, arbetskraftsbelastning etc.

Finansiera:

Kapitalplanering, finansiell planering och analys, skatteplanering, strategisk finansiell planering, budgettering, kontant- och rörelsekapitalhantering, skuld- och kapitalfinansieringsanalys, valutariskhantering, resultatanalys, variansanalys etc.

Beslutsstödsystemen utvecklas med hjälp av en process som skiljer sig från den traditionella systemutvecklingsprocessen, eftersom de ska bearbeta både intern och extern data. De måste vara oberoende och interaktiva.

Executive Information Systems:

DSS är utformade för att tillgodose informationsbehoven hos chefer på mellannivåer. De relaterar till regelbaserat arbete som gör modellering och analys av data för att göra det användbart vid beslutsfattandet.

Men högst på ledningsnivå finns det behov av att fokusera mer på förpackning och leverans av information än vid generering av information. Toppchefen förtjänar bättre miljö för informationsåtkomst än den som tillhandahålls av DSS.

De högsta cheferna behöver snabb tillgång till aktuella, koncisa uppgifter och undantagsrapporter med faciliteter för personlig information och analys. Informationssystemen utformade för att tillgodose sådana behov hos toppchefer kallas Executive Information Systems (EIS) eller Executive Support Systems.

Dessa system fungerar som elektroniska informationssystem och erbjuder enorm flexibilitet i bruk. EIS använder både intern och extern information och erbjuder en interaktiv och användarvänlig arbetsmiljö.

Ansökningar av EIS:

Executive Briefing:

EIS erbjuder aktuell information om olika aspekter av ledningens intresse. Sammanfattningen är i allmänhet relaterad till resultatet av olika vinstcentraler och erbjuder statusrapporter om olika verksamheter inom företaget. Även om en viss sammanställning äger rum i DSS, kommer informationen också när den begärs, från databaserna.

I EIS hämtas informationen automatiskt från databaser i form av färdiga rapporter. Denna automatiska nedladdning säkerställer att verkställande inte förblir i kontakt för länge under dagarna med extremt belastande arbetsbelastning.

Personlig analys:

EIS erbjuder möjligheter till dataanalys med hjälp av modeller av användarens val. Kalkylark och statistiska tekniker finns tillgängliga i EIS för att fråga. Skillnaden här är att EIS inte bara hjälper användaren att analysera data, men också i tolkningen av analysens resultat.

Undantagsrapportering:

En viktig del av EIS är undantagsrapporteringsmodulen. EIS tillgodoser detta krav på chefer effektivt och varnar förvaltaren av de väsentliga variationerna från planerna.

De tillåter i varierande grad ytterligare undersökning av orsakerna till avvikelser och möjliga effekter av föreslagna räddningsoperationer. Denna förmåga att sondra in i saken för att få lite mer än bara undantaget gör EIS till ett mycket användbart verktyg för verkställande direktören för att effektivt utföra sina funktioner.

Modellbaserad analys:

EIS har faciliteter för modellbaserad informationsanalys och denna funktion är gemensam med DSS. Men den modellbaserade analysen i EIS skiljer sig från den i DSS i den meningen att ingångsdata i EIS är begränsade och erhållna från både interna och externa källor.

Det kan noteras att EIS inte är en isolerad samling av datorrapporter av information för verkställande. EIS är en uppsättning integrerade verktyg och teknologier vävda i företagets totala informationssystemmiljö.

Det kan noteras att EIS stöder alla användare och inte nödvändigtvis företagets ledande befattningshavare. Alla som hjälper toppledare bör ha tillgång till EIS och det måste tillgodose informationsbehoven hos alla sådana personer.

DSS och EIS:

Några av faciliteterna i EIS finns också i DSS och som sådan blir sederingslinjen ibland suddig. Överlappningen kan inte uteslutas i sådana system. Figur 10.4 visar vilka typer av informationsstöd som dessa två system ger till en chef.

Fördelar med EIS:

EIS erbjuder följande fördelar till ett företag:

a) Informationsstöd för strategiska beslut:

EIS hjälper chefer att förlita sig mer på fakta än på intuition och affärsdömning för sina strategiska beslut.

b) Ändra fokus:

En toppledares frekventa frågor om en uppsättning kritiska framgångsfaktorer påverkar prioriteringarna hos människor på lägre nivåer av ledning. Det är sålunda lättare för en verkställande person som använder EIS att vidarebefordra meddelandet till funktionella chefer om behovet av att upprätthålla kvalitetsnormer, bara genom att göra frekventa frågor från EIS angående -kvaliteten på produkterna. Verkställande direktörens frågor kan ställa fokus på verksamheten i företaget och därmed förändra prioriteringarna i företaget.

EIS sägs vara ett av de viktiga informationssystemen som presenterar en möjlighet för toppledningen att få en verklig känsla av användbarheten av informationssystem i strategisk beslutsfattande.

Ett sådant system i ett företag är också sannolikt att främja förståelse mellan toppledare och IT-proffs och förbättra kommunikationen mellan dessa viktiga aktörer i utvecklingen av IT-infrastruktur.

Framgångsrik EIS kan ge synlighet och trovärdighet till informationssystem som helhet och hjälpa till med att implementera andra informationssystem i företaget.

Kritiska framgångsfaktorer i genomförandet av EIS:

EIS har för avsikt att ge förstklassig information om de potentiella fördelarna med informationssystem i företaget. Därför är det nödvändigt att se till att EIS, en gång planerat, måste genomföras framgångsrikt.

Problemen med genomförandet i EIS kan vara många men några av de vanliga är följande:

a) Svårighetsgrad i systemspecifikation:

Målanvändarna av EIS är inte klara av deras specifika informationskrav eller har tid att kritisera specifikationerna för informationssystemet. Användarna förtjänar sålunda några alternativ att prova innan de kan specificera de tjänster som krävs av dem. Prototypning anses vara en bättre strategi vid utformningen av EIS.

b) stora datamängder:

Ad hoc Query-faciliteter kräver åtkomst till en stor mängd data. Tillfredsställelsen av sådana frågor kan kräva användning av statistiska verktyg som behandlar bulkdata innan det kan uppfylla kravet på information i frågan. Det kan ta tid och systemets respons kan vara långsam.

Det är därför viktigt att förutse de breda frågorna som frågorna sannolikt kommer att fokusera på och information om sådana problem kan genereras regelbundet och lagras separat för åtkomst till EIS.

c) Motstånd från lägre nivåer:

EIS kommer sannolikt att möta motstånd också från folket på nästan alla nivåer och mer från chefer på lägre Java-nivåer. Det är så för att nu har chefen tillgång till senaste informationen om den dagliga funktionen i varje avdelning, även innan avdelningscheferna har gått igenom och förstått det. Rochartat a förutser allvarliga konsekvenser av sådan tillgång till databaser om den nya politiken för dataägande bland cheferna. En data-bashanteraren kan dock ta itu med detta problem genom att försiktigt hantera distributionsknappen för data.

d) Förvaltningsstilar:

Det skulle vara svårt att genomföra EIS när det gäller företag som har en IT-averskultur. Vissa toppledare gynnar inte användningen av IT i beslutsfattandet. De har mer förtroende för sin affärsdömning och vill lämna dataanalys antingen till deras underordnade eller till domänexperterna som hjälper dem.

Detta problem är ganska allvarligt. Därför riktar sig EIS i sådana miljöer till toppositioner. De är begränsade i omfattning till tjänster där framgångsgraden är känd för att vara mycket hög. När förtroendet för IT och EIS genereras kan EIS lägga till fler tjänster till sig själv.

e) Ökad storlek och kostnad:

Om chefen finner ett EIS användbart, förväntar han sig att hans underordnade också använder den. De som inte använder det, tycker det är mycket svårt att leva upp till sina chefs förväntningar i den mån det är medveten om näringslivsmiljön. Således blir EIS överbelastad och kostar att klättra upp kraftigt eftersom antalet användare ska växa i geometriska proportioner.

Således bör genomförandet av EIS genomföras mycket noggrant. Det är lämpligt att välja en lämplig tid för genomförandet. Människor motstår förändringar mer när gåten är jämn och är mer villig att prova något nytt i en kris.

Därför är den mest lämpliga tiden för EIS-genomförandet när människor söker nya lösningar på sina problem. Pilotinstallation anses vara den lämpligaste installationsstrategin för EIS. Ett selektivt tillvägagångssätt är bättre i början av EIS-designen och nya tjänster läggs till i EIS först efter att den ursprungliga modellen lyckats. Användarengagemang och stöd är avgörande för framgångsrikt genomförande av EIS.

Expert system:

Den ökande komplexiteten och dynamiken i den växande affärsmiljön kräver större interaktion mellan funktionella chefer med experterna för att få aktuell rådgivning. Dessa experter skulle inte bara sikta information från stora pooler med olika uppgifter, utan också använda sin expertis för att ge råd.

Traditionellt har den kompetens som finns i en organisation gett en viktig grund för att uppnå, förbättra och behålla sin konkurrenskraft. Allt annat är företag som saknar jämförbar expertis en nackdel.

Mänskliga experter kanske inte kan klara de nya utmaningarna, med tanke på tidsbegränsningar och komplexiteter i den nya miljön. Dessutom kan det inte finnas enhet och konsistens av rådgivning för en given beslutssituation över en period.

Det här är så på grund av människornas uppenbara oförmåga att fånga in effekterna av olika beslutsvariabler hela tiden. Informationsutmattningssyndromet och begränsningarna hos mänskliga experter i den förändrade affärsmiljön har resulterat i ökad popularitet hos affärssystem (BES).

Dessa system simulerar mänsklig aktivitet och fortsätter att fånga och systematisera företagskunskap, utöka beslutsfattandet hos dyra och knappa mänskliga experter, så att andra kan använda sina beslutsupplevelser. De erbjuder fördelen av flexibilitet i att fånga och representera information av olika typer i olika former.

Ett företags expertsystem tar emot ett problem från användaren, identifierar sina datakrav, analyserar relevanta uppgifter mot beslutsreglerna (ingår i ett kunskapssystem). När problemet är löst, rapporterar systemet via sin inferensmotor lösningen till användaren och kan också förklara sin räkningsledning när den når den lösningen.

Ett företags expertsystem kan fungera som ett hjälpmedel för ledande effektivitet genom att ge råd. Dess lösningar / råd är alltid konsekventa, enhetliga, grundliga och metodiska. Det fungerar som en standardiserad problemlösare. Affärssystemssystemet kan förklara det resonemang som används för att lösa ett problem.

En användare kan studera motiveringen och är fri att acceptera, ändra eller avvisa lösningen. Till skillnad från andra expertsystem inom medicin, teknik etc, är målet med affärssystem inte att ersätta utvärdering av mänskliga experter i datorprogrammet.

Snarare är målet att förvärva den mänskliga expertens expertis och göra den tillgänglig i en standardiserad form till mänskliga experter och andra i organisationen. De utarbetar strategier för att använda kunskap i applikationsområdena för att utveckla rimliga lösningar på problemen.

De typiska tillämpningsområdena för expertsystem i verksamheten är:

jag. Gör eller köp beslut

ii. Nya produktlanseringsbeslut

III. Fastställande av kreditgränser

iv. Produktutveckling

v. Investeringsrådgivning

vi. Utvärdering av prestanda

vii. Incitamentsystem

viii. Kundfråga

ix. Projekt utvärderingar

x. Produktions schemaläggning

xi. Ruttbeslut

Byggstenar av affärssystem:

Även om expertsystemmetoden har utvecklats under de senaste två decennierna, är den fortfarande i sin linda när den ses från en företagschefs synvinkel. Således finns det ingen standardmodell för ett företags expertsystem. Holsapple identifierar tre grundläggande komponenter i BES nämligen användargränssnitt, inferensmotor och kunskapssystem. Relationerna mellan dessa komponenter är representerade i Figur 10.5.

En användare har problem innan BES använder användargränssnittet. Inference-motorn försöker förstå problemet, strukturera det på ett sådant sätt att kunskapssystemet kan användas för att lösa det. Sedan använder sig kunskapssystemet för att hitta lösningar på problemet.

Kunskapssystemet består av lagrad resonemangskompetens och behandlas av inferensmotorn för att söka lösningar på problemet. Kunskapssystemet kan bestå av kunskapsrepresentationsverktyg som regeluppsättningar, databaser, kalkylblad, raminriktade strukturer, fallbaser, semantiska nät, texter, grafik etc. Inferensmotorn kan interagera med användarna för att få mer information om beslutsfattandet miljö.

Inköpsalternativ:

Ett affärssystem är ett komplext system och kräver långsiktigt åtagande från företagets sida att kunna leverera varor. På grund av verksamhetsdynamiken kan användbarheten av BESs minskas på grund av förändringar i affärsmiljön.

Vissa av BES kan bli föråldrade även under utvecklingsfasen om de inte är ordentligt planerade. Det är viktigt att vara medveten om upphandlingsalternativen så att utvecklingstid och kostnad kan minskas och en balans mellan flexibilitet och effektivitet kan bibehållas i systemet.

Bredvid finns det tre upphandlingsalternativ för BES:

a) Skaffa ett fullt utvecklat system:

Ett antal färdiga BES är tillgängliga för olika typer av problem som identifieras i listan över tillämpningar av BES som nämnts tidigare. Dessa färdiga lösningar har alla tre komponenterna fullt utvecklade och är i färdiga tillstånd. De har fördelarna med att vara ekonomisk, välprövad och snabbare implementering men i många beslutssituationer är de inte lämpliga.

b) Skaffa artificiell intelligens skal:

Det artificiella intelligensskalet består av en regeluppsättningschef och en inferensmotor. Regeluppsättningschefen har den kompetens som representeras av olika kunskapsrepresentationsverktyg. När expertkunskapen är representerad, regleras uppsättningen testas på tidigare information och en gång hittades korrekt, blir skalet användbart med hjälp av inferensmotorn.

Detta alternativ ger flexibiliteten för en chef att definiera sina egna regeluppsättningar och få en anpassad BES-operation på kort tid. Sådana skal som finns tillgängliga på marknaden har dock egna tillämpningsområden som de passar bäst för.

c) Specialbyggt system:

Om de två första alternativen verkar vara oförståliga eller anses lämpliga på grund av problemets unika egenskaper kan man välja anpassade BES. De kostar mer och tar längre tid, men är mycket användbara i unika eller specifika typer av beslutsfattande situationer.

Fördelar med expertsystem:

BESs är dyra både vad gäller pengar och tid som krävs för att utveckla dem. Det är därför nödvändigt att vara medveten om fördelarna med BES så att kostnadsanalys kan göras innan man går in på förvärvet av BES.

Följande är de potentiella fördelarna med BES:

a) Kodning av expertis:

Den stora fördelen med affärssystem är att det hjälper till att formalisera / kodifiera en organisations resonemangsförmåga. I processen med att utveckla BES görs försök att representera expertis i form av regler, ramar, fall, text och grafer.

Detta leder till sammanställning av kunskap om den expertis som hittills hållits fast till bröstet av experterna. En sådan kompetenshandel kan ge en grund för bättre utbildning av mänskliga experter i organisationen förutom att leda till bättre beslutsfattande.

b) Förbättrad förståelse för affärsprocessen:

Det förstärker förståelsen för beslutsprocessen som i sin tur leder till förbättringar i processen. Under utvecklingsprocessen identifieras och granskas befintliga beslutsformer. Detta bidrar till att förbättra beslutsprocessen. Frekvent interaktion mellan experter med BES är en bra lärprocess och resulterar i ömsesidig förstärkning av varandras problemlösningsförmåga.

c) Tillfällig tillgång till expertis:

BES kan tillhandahålla expertis när en mänsklig expert inte är tillgänglig. Dessa system har inga problem med tillgänglighet som är ganska vanligt bland mänskliga experter. BESs är tillgängliga för användare för konsultationer på udda timmar, har inga tidigare förlovningar, gå inte på ledighet av någon anledning eller den andra och avgå inte från företaget för att gå med i en konkurrent.

d) Enkel replikering:

Marginalkostnaden för replikering av BES är obetydlig. När en BES har blivit framgångsrik på ett ställe kan den replikeras på andra ställen med liknande beslutsfattande miljöer, utan förlust av tid eller möjlighet.

e) Eliminerar rutinmässiga konsultförfrågningar:

BES kan hjälpa en mänsklig expert att minska sin arbetsbelastning genom att rikta den rutinmässiga typen av konsultförfrågningar till BES. Detta gör det möjligt för den mänskliga experten att koncentrera sig på mer utmanande problem som inte löses av BES.

f) Konsistens:

BES erbjuder konsekvent och enhetlig rådgivning om problem. Deras råd lider inte av att visa några faktorer, glömma några av stegen, personliga fördomar eller temperamentella problem.

g) Logiklinje:

BES erbjuder en logik som används tillsammans med lösningen. Detta gör det möjligt för chefen att kritiskt granska lösningarna och ta reda på om den använda resonemanget är giltigt eller inte. Detta hjälper chefen att förstå lösningen och svagheterna i lösningen och tillämpa sin affärsdömning för att komma fram till beslut.

h) Strategiska tillämpningar:

Fördelarna med BES-hjälp i produkt- och servicedifferentiering och minskade kostnader. De hjälper också till att utveckla nischmarknader där konkurrenter utan sådana system kanske inte är effektiva. Således kan BESs ge den strategiska kanten till ett företag.

Kritiska framgångsfaktorer i genomförandet av BES:

Kritikerna av BESs ger många orsaker till BES. Kritiken i de flesta fall är inte ogrundad. Det är viktigt att problemen kring utveckling och genomförande förväntas och nödvändiga försiktighetsåtgärder vidtas för att säkerställa att BES lyckas.

Följande faktorer kan hållas i detta sammanhang:

a) Kostnadseffektivitet:

De flesta av BES är mycket dyra och ibland är det ekonomiskt att använda mänskliga experter. Det är nödvändigt att hålla kostnaden för BES låg för att säkerställa att kostnaden är berättigad av de potentiella fördelarna. De två första upphandlingsalternativen hjälper till att hålla kostnaden för BES på lägre nivåer.

b) Selektiv omfattning:

Den mer ambitiösa BES kan kräva en längre varaktighet av utvecklingsprocessen och stora kostnader. Det kan komma ihåg att inte alla beslut ger samma avkastning på investeringar i BES.

Man bör vara selektiv i att inkludera applikationer i BES och en omfattande BES, kanske kräver mycket informationssystemkompetens. Tekniken för artificiell intelligens utvecklas fortfarande och det kan vara ekonomiskt genomförbart att ha bredare utrymme för BES.

c) Användarvänlighet:

BES är mycket komplexa system med kraftfulla tekniker för dataanalys. De kräver mycket träningsinsats innan de kan användas effektivt. Det är därför nödvändigt att ha mer användarvänligt användargränssnitt och mer explicit och entydiga menystrukturer.

d) Flerbrukarmiljö:

De flesta BES är fristående system. Dock är beslutskompetens många gånger en följd av kollektiv och gruppaktivitet. BES med multi-user-miljö kommer sannolikt att bli mer framgångsrik än fristående system.

Vad en chef behöver veta om BES:

BES använder multiplar av kunskapstekniska verktyg, som många kan vara bortom förståelsen hos en vanlig funktionell chef. Som användare av BES måste en chef emellertid inte känna till de tekniska detaljerna i kunskapssystemet.

Vad han behöver veta om BES är:

jag. Möjligheterna att tillämpa BES i sin affärsverksamhet och relativa potential för varje ansökan vid formalisering av kunskap.

ii. Grundläggande BES-teknik och deras favoritområden.

III. Genomförbarhet att använda artificiell intelligens skal.

iv. BES-rollens roll för att stödja människor i sin verksamhet.

v. Teknisk och ekonomisk genomförbarhet av BES.

De potentiella fördelarna med BES är ganska fascinerande. Kanske är det som krävs att utveckla kostnadseffektiva verktyg för att bygga upp BES och villiga deltagande av domänexperter i utvecklingsprocessen som är evolutionär i naturen.

Begränsningar av affärssystem:

BESs har visat sina potentiella fördelar i många applikationer och en hel del har varit mycket framgångsrika. Det finns dock några begränsningar av BESs. Dessa begränsningar beror på de antaganden som BESs gör avseende:

jag. Tillgången till en villig domän mänsklig expert som kan formulera kunskaper och har en dokumenterad rekord i att fatta effektiva beslut. Sådana experter är sällan tillgängliga, särskilt på nya områden där kunskap också finns i ett utvecklingsläge.

ii. Beslutsmiljön är enkel, välstrukturerad och inte föremål för frekventa förändringar. I själva verket sker beslutsfattandet i komplex, dynamisk och en mångdimensionell miljö. Som en konsekvens är articulering av kunskap mycket svårt.

BESs saknar flexibilitet som behövs mot bakgrund av företagets dynamik. Multidimensionell beslutsfattande miljö gör gruppbeslutsfattande viktigt. Att få en expert som förstår alla dimensioner av affärsproblemen blir allt svårare. Det kan komma ihåg att BESs är väl lämpade för begränsad typ av applikationer och inte för att helt ersätta mänskliga experter.

Som en följd förlorar BESs deras popularitet. De anses lämpliga för begränsad typ av applikationer. De nya artificiella intelligensverktygen som neurala nätverk, fuzzy logic, case-based resonemang etc. läggs till inference motorer för att göra dem mer lämpade för att förändra företagens behov.

Vid sidan av varandra försöker man använda AI-verktygen för att utveckla add-on-programvara för att utföra begränsade funktioner. Dessa tillägg kallas som intelligenta agenter.

Intelligenta agenter:

Intelligenta agenter är programkomponenter som utför en del av processen med hjälp av en kunskapsbas. De arbetar i allmänhet med gemensamma informationssystem och arbetar på ett halvautonomiskt sätt.

Dessa program kommunicerar med användare och informationsbaserna för att utföra självständiga uppgifter. Dessa program är integrerade i olika applikationer för att förbättra informationssystemet för informationssystemet. Dessa medel används för en mängd olika applikationer såsom:

a) Detektions- och larmsystem:

De intelligenta agenterna används för att upprätta ett system för att upptäcka undantag i databaser, kommunikationssystem etc. och utfärda nödvändiga larm till berörda användare. "Management by exception" skulle hitta en ny dimension i ledningsverksamheten när sådana intelligenta agenter börjar leverera information.

b) Informationssökmotorer:

Intelligenta agenter utvecklas också för att fungera som informationssökningsmotorer för att svara på frågorna från olika typer av användare. Till exempel kan ett ministerium få ett antal förfrågningar om information, varje dag. Intelligenta agenter kan tolka begäran och siftinformationen från databasen och skicka svaret i lämplig form till användaren.

På samma sätt kan intelligenta agenter öka värdet till järnvägsinformationssystemet genom korrekt hantering av passagerarförfrågningar angående olika operationer. En intelligent agent kopplar Internet, det interna nätverket och CD-ROM-skivor till sökfilter och levererar personlig information. En mindre version av sådan sökmotor är redan tillgänglig i LOTUS-NOTER.

c) Bordsskärmsapplikationer:

Eftersom tillgången på intelligenta agenter blir vanligt på datorer skulle de fungera som personliga möteschefer, personliga bibliotekarier, personliga finansiella rådgivare etc. Dessa agenter skulle automatiskt ordna telefonkontakt med kunder, fixa möten och utfärda larm för att säkerställa att avtalet inte är ignoreras av misstag.

Dessa agenter skulle leta efter uppskrivningar om ämnen av intresse från internettidskrifter och samla information från andra källor, inklusive elektroniska bibliotek och cd-skivor, för att ge information som man får med hjälp av sekreterare idag.

Nya informationsanalysverktyg:

Intelligenta agenter använder en mängd olika informationsanalysverktyg. Dessa verktyg siktar inte bara information från datahöga utan ger också informationen på ett meningsfullt sätt. Det viktiga bland dessa verktyg är datautvinning, datakartläggning, datavisualisering, neurala nätverk etc.

a) Data mining:

Data mining avser undersökning av stor mängd data för trender och mönster, att upprätta korsrelationer mellan olika faktorer som hittills kan förbli dolda i datahöjden. Det handlar om borrningstekniker för att bryta ner högre nivåer i lägre nivåer.

Trafikljusen ger varningssignaler när undantag uppstår. Data mining hittar sina applikationer där det finns komplexa och subtila relationer mellan enskilda produkter eller tjänster som inte är lätta att identifiera men har betydande konsekvenser för intäkter och lönsamhet. Ett anmärkningsvärt inslag i data mining är att det analyserar hela tillgänglig data istället för att samla in prov för analys. Figur 10.6 illustrerar processen för data mining.

Data mining gjorde sin debut i detaljhandeln marknadsföring och det var ganska naturligt. Det har emellertid också tillämpningar i annan affärsverksamhet. Det kan hjälpa chefer att upprätta relationer mellan olika faktorer som påverkar olika beslutsvariabler.

Data mining som en teknik är fortfarande i sin spädbarn. Det har ett stort löfte, särskilt för att det kan hjälpa till att identifiera möjligheter och göra det möjligt för chefer att reagera snabbt på nuvarande möjligheter och överhängande faror.

b) Datakartläggning:

Datakartläggningsverktyg ger grafisk bild av informationen överlagrad på en karta över ett geografiskt område eller territorium. De kan ge en snabbare uppfattning om den geografiska spridningen / koncentrationen av efterfrågan på produkterna och kundernas preferenser, förväntningar och marknadsförmåga.

De kan också hjälpa till med att identifiera lokala faktorer som påverkar marknadsbeteendet vid olika tidpunkter. Such mapping tools can be of great help in improving comprehension of voluminous data information as it has been found that a large proportion of data stored is geographical in nature.

However, mapping tools need to be enriched with more details regarding the characteristic features of each geographical area and the associated similarities of neighbouring areas.

c) Data visualisation tools:

These tools primarily aim at representing data with the help of three dimensional visuals. These visuals may be histograms that may be navigated for further details of its component data, with the help of any pointing device like mouse.

The visual may take more imaginative shapes such as spherical balls of varying sizes and colours or any other shape that may be directly related to the subject matter or behaviour of data. Data visualisation tools have the ability to summarise data in such a way that the users take less time to visualise the situation.

It helps in focusing on the currently relevant part of data and enables the user to explore for more in case it interests him. Data visualisation techniques should also help in simulation, sensitivity analysis and answering 'what if' questions.

To get a glimpse of their applications in financial management, let us take an example of the classical ratio analysis for measuring the performance of an enterprise. Ratio when used carefully, can contribute a lot in providing an insight into the state of affairs.

But, a large number of ratios relating to an enterprise with varying interpretations when compared with industry and country ratios would be too cumbersome and resist comprehension of intricate relationships. Visualisation techniques can help in putting them in the right perspective.

A three dimensional visual putting the values in the form of coloured balls/boxes and the components/lower level values contained in the bigger balls representing high level values can help in better understanding of relationships and comparison with corresponding industry and country standards. For example, a banking company yield on performing assets may be calculated and shown along with the concerned values of Cost of funds;

Market interest rate; interest tax/other taxes; Asset mix; and Financial risk along with the industry ratios in the form of two dimensional tables or array of ratios. Alternatively, the company's ratio is shown as a ball on a colour monitor along with the industry's ratio in distinguishing colours and proportionate sizes. By hitting with the help of a mouse at each ball, the user can break open the ball to give five additional balls.

Each one of these balls represents one of the factors listed above. The sizes of these balls are associated with their relative significance in determining the value of yield on performing assets, both for the company and the industry.

d) Genetic algorithms and neural networks:

Genetic algorithms are also being recognised as effective tools for analysis of financial data. These tools establish decision rules and patterns from the past data and help in hypothesising various situations. With the availability of advanced tools of fuzzy statistics and high speed computing facilities, genetic algorithms are now finding new applications in financial modelling.

Neural networks try to emulate human brains with the additional strength in arithmetic accuracy in processing large volume data using complex algorithms. These networks when confronted with relevant data, dig out patterns in data and develop models, test them, forecast future events and learn from mistakes.

These intelligent agents have the potential of enabling managers to anticipate changes in business environment more promptly so that they can change their strategies well in time. In this way, they help in improving the adaptability of the business processes.

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.