Materiały konferencyjne SEP 2020

zachowań i wzajemnych oddziaływań, automatycznie rozpoznawanych przez algorytmy wśród danych historycznych. 3. SYSTEMY WSPARCIA DECYZJI Od początku lat 70-tych, wraz z rozwojem technologii komputerowych [14] pojawiały się ko- lejne koncepcje wykorzystania nowo dostępnych narzędzi na potrzeby wsparcia procesów de- cyzyjnych, a ich znaczenie wzrosło w latach 90-tych wraz z rozpowszechnieniem analityki biznesowej (ang. Business Intelligence), hurtowni danych oraz narzędzi do przetwarzania da- nych OLAP (ang. On-Line Analytical Processing). Wczesne charakterystyki systemów typu DSS (ang. Decision Support System) zakładały, iż zadanie wsparcia realizować mają przede wszystkim poprzez uproszczenie procesów decyzyjnych (bez sugestii co do ostatecznej decy- zji) oraz możliwość szybkiej rekonfiguracji względem zmiennych warunków, w których decy- zja jest podejmowana [14]. Ich celem nie jest zastąpienie osoby decyzyjnej/eksperta, lecz wy- łączenie z procesu decyzyjnego ograniczeń ludzkiej percepcji, w tym przede wszystkim kiero- wania się uprzedzeniami, wyciągania przedwczesnych konkluzji, niesystematyczności oraz, co najważniejsze, znikomej w porównaniu z bazami danych objętości przetwarzanej informacji [15]. Funkcję wsparcia decyzyjnego systemy pełnią w różny sposób, zależenie od ich przezna- czenia, potrzeb menadżerów i całych organizacji oraz złożoności problemu decyzyjnego. Roz- poczynając od wizualizacji agregowanych danych historycznych, a kończąc na zaawansowa- nych modelach matematycznych i analizie sytuacji decyzyjnych on-line [16]. Wciąż aktualne są zaproponowane w latach 80-tych wymagania dla budowy systemów klasy DSS [17], dla których należy zdefiniować system językowy – zasady generowania sygnałów wejściowych, bazę wiedzy, system prezentowania odpowiedzi z systemu oraz silnik odpowiadający za roz- wiązywanie problemu. Ten ostatni moduł, w zależności od złożoności systemu, pełni jedną z trzech funkcji analitycznych charakterystycznych dla systemów klasy DSS: deskryptywną, predykcyjną lub preskryptywną. Pierwsza odpowiada za opis rzeczywistości obecnej lub prze- szłej, co najczęściej przekłada się na wizualizację np. parametrów pochodzących z punktów pomiarowych automatyki przemysłowej lub raportowania danych rejestrowanych w systemach ERP, np. danych księgowych, stanów magazynowych itp. Analityka predykcyjna odpowiada za przewidywanie przyszłych zdarzeń determinujących procesy biznesowe. Dotyczy to m.in . awarii urządzeń, zapotrzebowania na materiały, trendów rynkowych, decyzji klientów itp. Analityka preskryptywna osadza dwie wcześniejsze analityki w otoczeniu biznesowym i na ich podstawie dokonuje optymalizacji, prezentując użytkownikowi rekomendacje dla przyszłych działań [18]. Branża wydobywcza na świecie od lat wykorzystuje i rozwija narzędzia wspierające decyzje, choć ich wdrożenie jest zwykle opóźnione względem takich branż jak przemysł zbrojeniowy, logistyka, medycyna czy finanse. Genezę wdrożenia systemów wsparcia decyzji można po- dzielić na dwa rodzaje. Pierwszym z nich jest tworzenie dedykowanego systemu dla rozwiąza- nia problemu, który jest słabo rozpoznany i dla którego dane posiadane przed jego wdrożeniem są niewystarczające. Drugim przypadkiem są systemy, które powstają jako nadrzędna struktura dla danych już generowanych w organizacji przez inne systemy lub urządzenia. Jest to częsty przypadek odnajdywany w górnictwie, gdzie funkcjonują oddzielne systemy np.: kontroli urządzeń, monitorowania mediów i zagrożeń naturalnych, dyspozytorskie i inne. Systemy wsparcia decyzji mają za zadanie eliminować główne problemy z tym powiązane, takie jak: różnorodność dostawców, jakość danych oraz ich integracja i interpretacja [19].