Економічна ефективність (pентабельність)
Дванадцять ознак корисності інформації для ОПР Слід зазначити, що є різні атрибути інформації, за якими мож-на визначити, чи може подана інформація бути корисною для ОПР. Потрібно усвідомити, завдяки яким саме характеристикам інформація стає корисною для творців рішень з погляду поліпшення очікуваних результатів. Можна виділити такі дванадцять ознак корисності інформації [103]: 1. Своєчасність (Timeliness). 2. Достатність (Sufficiency). 3. Рівні деталізації та агрегації (Level of detail and aggregation). 4. Зрозумілість (Understandability). 5. Недопущення зміщення (Freedom from bias). 6. Релевантність (Decision relevance). 7. Зіставлюваність (Comparability). 8. Надійність (Reliability). 9. Надмірність (Redundancy). 10. Економічна ефективність (рентабельність) (Cost Efficiency). 11. Квантифікація (можливість кількісного вираження якісної інформації) (Quantifiability). 12. Прийнятність формату (Appropriateness of format). Доречність кожної з цих дванадцяти категорій розглянемо з позицій ситуації необхідності прийняття рішення, ОПР та середо-вища, що впливає на прийняття рішення. Важливо зрозуміти, що оцінка кожної категорії не є абсолютно правильною чи зовсім неправильною. Все залежить від контексту розв’язуваної проблеми.
Своєчасність
Своєчасність означає, що інформація має бути доступною для ОПР до того моменту, поки вона для неї має значення.
Звичайно, ОПР не дізнаються негайно про те, що сталася якась подія, існує деякий проміжок між подією та часом, коли дані про неї введені в систему. Також існує певний проміжок часу між моментом, коли дані в системі скореговані, та коли ці дані стали доступними для ОПР.
|
|
|
Своєчасність інформації стосується затримки повідомлення про подію або проміжку часу від моменту, коли подія відбулася, до моменту, коли ОПР довідалася про цю подію. СППР має забезпечувати своїх користувачів інформацією настільки швидко, щоб задовольнити їхні потреби без зайвих витрат, або жертвуючи іншими атрибутами інформації.
Достатність
Друге питання, яке необхідно розглянути, — «чи достатньо наявних даних для підтримки прийняття рішення?» Достатність можна трактувати так: «чи є обсяг вибірки достатнім для тієї точ-ності прийняття рішення, яка бажана для ОПР?»
Припустимо, що ОПР хоче оцінити річний прибуток від розміщення загальнодержавної реклами, розміщуючи її в заголовках жовтих сторінок довідників. Три довідники, ймовірно, не забезпечать достатньої віддачі від реклами на загальнодержавному рівні, тому що існують величезні регіональні відмінності в даних щодо видавництва, величини території метрополії та типу конкурентів. Однак, якщо мета полягає в оцінюванні кількості реклами в конкретній метрополії, то інформація про три довідники буде достатньою.
|
|
|
Достатність включає в себе також достатньо довгий часовий горизонт для правильного оцінювання ефективності зміни політики. З тих пір, як достатність може впливати на спроможність ОПР робити висновки на основі конкретних даних, вирішальним для розробників СППР є чутливість як до висловлених потреб ОПР, так і до тих, які вони мають на увазі. Однак, за створення СППР може бути відомо, що система ймовірно буде використовуватися для підтримки прийняття таких рішень, які непередбачені під час її розроблення, тому важливо створювати попереджуючі пристрої в системі для того, щоб ОПР знали, коли даних недостатньо для розв’язування їхньої задачі. Найправильніший підхід полягає у створенні попереджуючого вікна з точним визначенням сукупності, з якої зроблено вибірку, та у пропонуванні ОПР оцінити подібність тієї сукупності з сукупністю, на підставі якої ОПР будуть висновувати.
Рівні деталізації і агрегації
Рівні деталізації та агрегування даних є також важливими показниками визначення корисності інформації. Метою розроблення СППР має бути забезпечення такого рівня концентрації даних, щоб вони були придатними для підготовлення альтернативних рішень. Якщо неможливо чітко визначити межі рівнів підтримки прийняття рішень, то це зумовлює зберігання даних на нижніх рівнях групування та дає змогу ОПР групувати дані так, як їй необхідно.
|
|
|
Моделювання з використанням різних рівнів агрегування даних може допомогти менеджерам виявити нові проблеми або можливості. Шляхом варіації аналізу даних від найвищого рівня («великої картини») до фокусування на довільному рівні ОПР може визначати такі тенденції, які неможливо помітити інакше. Однак, агрегування може також використовуватися для обґрунтування рішень, якщо тільки воно зроблено в процесі побудови моделі. Здебільшого найкращим є такий підхід до організації бази або сховища даних, який забезпечує доступ до зовсім незгрупованих даних. Це не тільки дає змогу ОПР вибирати рівень, на якому слід групувати дані, а також уможливлює окремим ОПР розгляд проблеми на різних рівнях.
Певна річ, загальне розгрупування потребує від системи зручного механізму, за допомогою якого ОПР може проглядати дані за різноманітними способами групування, та зручного методу точного вибору виду групування для його застосування у разі при-
йняття рішення. Цей підхід використовують багато систем, зокрема OLAP, разом з відповідними методами зберігання даних.
|
|
|
Зрозумілість
Якщо творці рішень не розуміють інформацію, що зберігається в базі даних, то вони не зможуть використовувати її достатньо ефективно. Вирішення цього питання полягає у спрощенні подання даних у базі даних без втрати їх значення. Одним із аспектів зрозумілості даних є схема їх кодування. Якщо дані закодовані, а ключ до коду недоступний або не є очевидним, то ОПР не зможе використовувати ці дані. Якщо дехто вводить «M» та «F» для поля «стать», то переважна більшість осіб, які володіють англійською, можуть визначити схему кодування. Однак введення кодів «1» і «2» в те саме поле спричиняє двозначність їх тлумачення. Ці коди необхідно обов’язково пояснювати в системі.
Розробникам необхідно бути зацікавленими в якісному поданні кількісних даних. Наприклад, прийнято пропускати десяткову крапку у записах даних, яка за моделювання вводиться на логічному рівні. Якщо дані будуть використовуватися тільки всередині моделі, яка може їх трансформувати, то така практика є прийнятною. Однак, якщо дані ретельно вивчаються користувачем з інших причин, то відсутність десяткової крапки може його збентежити.
Єдиний підхід для забезпечення того, щоб ОПР могли розуміти призначення полів — включення в систему електронного словника даних. Він має забезпечувати пояснення для всіх полів, а також для назв цих полів. Залежно від застосування системи, можливо є сенс вносити до словника назви, за якими поля будуть ідентифікуватися в різних відділах, а також інформацію про джерела даних та як їх можна використовувати. Доступ до словника може забезпечуватися через загальний його пошук на запит користувача або за допомогою контекстно-залежного вікна допомоги, яке активізується користувачем. Останній підхід є переважним з погляду забезпечення кращої підтримки прийняття рішень, хоча попередній є легшим у разі програмування.
Недопущення зміщення
Зміщення стосовно суті інформації може бути спричинене великою кількістю проблем, пов’язаних з даними: неможливістю їх подання відносно часового горизонту, неможливістю їх зіставлення або неможливістю здійснення процедури відбору зразків. Наприклад, розглянемо прийняття рішення щодо визначення чисельності фахівців з обслуговування аварійних ситуацій. Метою системи має бути гарантування того, що чисельність фахівців з обслуговування аварійних ситуацій буде найвищою тоді, коли ймовірність аварій найбільша. Для підтримки прийняття такого рішення створена база даних може підраховувати кількість аварій на годину. ОПР може дійти висновку, що кількість загиблих в автомобільних катастрофах невелика між 3 та 5 годинами ночі та є високою між 15 та 17 годинами дня. І хоча ці статисти-
чні дані безперечно правильні, у дійсності вони забезпечують повністю хибну ймовірність того, що життя буде втрачене в аварії. Вони не відображають відносну кількість машин на дорогах у ці проміжки часу. Кількість загиблих протягом вранішніх годин є невеликою за абсолютною величиною, але її можна вважати високою з урахуванням кількості машин на дорогах у той самий проміжок часу. Отже, у дійсності це може означати набагато вищу ймовірність аварій зі смертельними наслідками, ніж було до цього, що наштовхує на думку про необхідність мати більшу чисельність фахівців у цей проміжок часу.
Змінні, які включені до системи, також можуть спричиняти похибку за аналізування. Наприклад, маючи тільки дані «кількість загиблих» щодо кожного можливого сценарію та не маючи даних «кількість збережених життів» за цими самими сценаріями, може мати місце тенденція до негативного впливу на аналіз у зіставленні з консервативнішими рішеннями.
Розробники СППР також можуть негативно впливати на формування баз даних, включаючи до них тільки матеріали нерепрезентативної вибірки із сукупності, що цікавить ОПР. Наприклад, якщо СППР має підтримувати маркетингові розробки, то розробник СППР може негативно вплинути на результат, включаючи інформацію тільки з одного регіону країни, або однієї країни із деякої групи країн. На результати деяких досліджень може негативно впливати також вибір нерепрезентативного часового горизонту. Наприклад, якщо ОПР потрібно вибрати кращий із альтернативних термінів доставлення продукції, а в базу даних включені тільки дані щодо середини та кінця грудня, то, імовірно, результат буде хибним. Це частково справджується, якщо часовий горизонт відображає різноманітні дані про компанію.
Релевантність
Три інші ознаки інформації — релевантність, зіставлюваність та надійність — можуть спричинити проблему негативного впливу на дані. Аналогічно як і щодо достатності даних
вирішальним для розробників СППР є їх чутливість як до виражених словами потреб ОПР, так і до тих, які вони мали на увазі. Коли потреба в даних та їх використання в майбутньому можуть бути спрогнозовані, то розробники можуть створити «розумні» попереджувальні вікна, які допоможуть ОПР зрозуміти величину похибки, що існує у вибірковій сукупності. Також розробникам слід розробити попереджувальні екрани з нагадуванням ОПР про існування похибки та її негативний вплив на дослідження і аналіз.
Мабуть, найочевиднішим питанням, яке розглядається за побудови бази даних, є доречність інформації для вибору кращого з альтернативних рішень, що розглядаються. Розробники СППР інколи мають спокусу комп’ютеризувати все, що є доступним, бо це, можливо, колись буде корисним. Зрозуміло, що такий підхід може призвести до неефективного зберігання та використання даних. Однак небезпечним аспектом цієї концепції є те, що коли дані доступні для користувача, то він, можливо, буде їх використовувати, незважаючи на їх доречність чи недоречність. Наприклад, багато користувачів, застосовуючи методи регресії, вводять у модель кожну змінну, яку вони тільки можуть уявити в ній,
в надії на те, що що-небудь покаже показник доречності цієї змінної в розв’язку задачі. Необхідно захистити користувачів від такого підходу та надавати їм такі дані, які можуть бути використані в моделі та дійсно будуть доречними для рішення і забезпечать значимість результатів.
Можна визначити доречність для рішення, як функцію виборів та альтернатив, доступних для ОПР. Вирішальним є обережне визначення меж конкретного рішення. Розглянемо СППР, призначену допомагати головному автомобільному дилеру контролювати рівень запасів та управляти ними. Однією частиною такої системи може бути інформація щодо наявних деталей в інших дилерів, які перебувають поблизу. Такі дані здаються доречними. Однак, якщо термін «поблизу» не визначено правильно, то не всі дані можуть бути доречними для ОПР. Наприклад, допустимо, що база даних розроблена для всіх дилерських фірм певної області. Деяка дилерська фірма, що розміщена на межі області, можливо, визначить, що необхідна їй деталь знаходиться за 300 км, у той час як така деталь є також на складі за 30 км в іншій області. Отже, одержана інформація є недостатньою для прийняття ефективнішого рішення, тому що дезорієнтована дилерська фірма має використовувати ресурси, що зберігаються на значно більшій відстані від неї.
Зіставлюваність
Коли вирішується, чи є дані корисними, необхідно оцінити, чи можна їх зіставляти з іншими доречними даними. Зіставлюваність означає, що за важливими напрямами порівняння умови мають бути однаковими. Дійсно, визначення терміна «важливі напрями» залежить від ситуації, яка розглядається. Може
бути бажаним для даних мати подібний часовий горизонт. Або може бути необхідним, щоб дані репрезентували ту саму сукупність показників. Головним моментом є те, що значення деяких розбіжностей між двома сукупностями статистичних даних має бути зведене до однієї, і тільки однієї розбіжності, тому що всі інші умови однакові.
Надійність
Творці рішень вважають, що дані правильні, якщо вони включені до бази даних, тому розробникам необхідно гарантувати їх точність. Їм слід перевіряти введення даних до бази та цілісність бази даних.
Надмірність
У досконалому суспільстві нам слід використовувати мінімально можливий обсяг інформації, а також зберігати найменшу її кількість. Ця мета є похвальною, тому що вона не обмежує можливості користувача поєднувати дані з різноманітних джерел. Однак у багатьох ситуаціях, які трапляються в реальному світі, деяка надмірність інформації стає корисною. По-перше, якщо та сама інформація зберігається в двох базах даних і одна з них пошкоджується, то її дуже легко можна відновити. Надмірність також діє як механізм, що гарантує істинність даних у конкретному полі.
По-друге, «досконала ситуація» допускає, що всі дані знаходяться в таких відношеннях та таблицях, які можуть бути легко та швидко поєднані. Це означає, що розробник може заздалегідь передбачити можливі поєднання даних та визначити індекси між таблицями у такий спосіб, щоб ці поєднання були можливими. Крім цього, така ситуація допускає, що обчислювальних потужностей ЕОМ для поєднання даних з різноманітних баз достатньо, щоб гарантувати, що користувачі отримають досить швидко таку інформацію. Але не завжди так буває насправді. Як змінюється організаційне середовище та ОПР, так змінюються і види запитів користувачів. Якщо ці зміни не передбачені розробником СППР, то існуючі нормалізовані бази даних не зможуть задовольнити нові потреби користувачів. Однак деякі додаткові витрати уможливлюють ефективне задоволення непередбачуваних запитів, тому розробнику необхідно подумати та оцінити можливу користь від надмірності даних для даної прикладної задачі.
Економічна ефективність (pентабельність)
Користь від покращання умов прийняття рішень має переважувати затрати на його забезпечення, інакше немає ніякого зиску від нього. Інакше кажучи, дані тільки тоді є рентабельними в базі даних, коли одержується додаткова вартість завдяки цим даним і поведінці ОПР, та після того, як з цієї вартості покриваються витрати на одержання цих даних.
Існують витрати на здобуття даних, тобто на їх первинний (огляд та дослідження) чи вторинний (доступ до існуючої бази даних) збір. Також існують витрати на те, щоб зробити ці дані доступними для оброблення ЕОМ — витрати на введення даних та перевірку їх достовірності. Крім цього, існують витрати на зберігання даних, які складаються з амортизації засобів зберігання та витрат на створення інфраструктури підтримки цих засобів. Також існують витрати на оброблення даних, які залежать від їх обсягу.
Очевидно, що необхідно враховувати прямі витрати на здобуття інформації. Однак необхідно також розглядати втрати від невикористаних можливостей, тобто від невключення до бази даних корисної інформації. Якщо персонал, який зайнятий дослідженням, опрацьовує данні щодо продукту Х, то, очевидно, він не зможе виконувати дослідження щодо продукту Y. Отже, витрати, які пов’язані зі здобуттям інформації щодо продукту Х, мають також включати втрати, які спричинені браком інформації щодо продукту Y. Якщо інформація щодо продукту Y є вирішальною, то такі втрати можуть бути значними.
Розглядаючи питання з позиції доходів, потрібно вирішити наскільки рішення може бути поліпшене завдяки додатковій інформації. Якщо додаткові дані не змінюють вибір ОПР щодо оптимальної альтернативи, то від включення їх до бази даних немає ніякого прибутку. За всіх інших однакових обставин необхідно оцінювати поліпшення прийняття рішення або приріст прибутку від здатності ОПР приймати краще рішення, що залежить від додаткових даних.
Квантифікація (можливість кількісного
вираження якісної інформації)
Термін кількісність не означає, що всі показники виражені в кількісному вимірі. Скоріше він допускає, що дані піддаються кількісному оцінюванню на прийнятному рівні і потім над ними можуть виконуватися відповідні операції. Рівень кількісності, виражений у вигляді шкали, визначає типи математичних операцій, що можуть бути виконані над даними. Якщо дані доречні, то користувач допускає, що коли показники виражені в кількісному вигляді на прийнятному рівні, то це є корисним для ОПР, якщо ж рівень неприйнятний, то система запобігає подальшому обробленню даних.
Спочатку розглянемо види числових шкал: номінальні шкали (шкали назв), порядкові (рангові) шкали, інтервальні шкали, пропорційні шкали (шкали відношень).
У номінальних шкалах визначають взаємно однозначну відповідність між типами еквівалентних об’єктів, котрі мають таке саме проявлення досліджуваної властивості, і дійсними числами. Якщо вибрана певна номінальна шкала, то відповідне число є тільки ярликом (наприклад, для жовтого кольору обирається цифра 1, для блакитного — цифра 2, для оранжевого — цифра 3). Така мітка нічого не означає, вона тільки спрощує кодування та введення даних.
Виміри в шкалах назв дають змогу визначити лише відношення тотожності або відмінності між порівнюваними показниками. Крім того, для таких шкал допустимі всі види однозначних функціональних перетворень, зокрема деякі статистичні операції (обчислення частот, виділення багаточисельних типів тощо). Побудувати номінальну шкалу — це означає використовувати отримане в результаті присвоєння об’єкту число як назву чи його ознаку.
Порядкові (рангові) шкали є інформативнішими, ніж шкали назв, оскільки вони дають змогу зіставляти альтернативи (об’єкти) між собою за допомогою загальної ознаки, і тому їх вважають першим посиленням шкал назв. У порядкових шкалах підвищення чи зниження значення мітки пов’язане з відповідними змінами деякого атрибута. Наприклад, можна узяти, що цифра 1 означає низький прибуток, 2 — середній, а 3 — великий. Тобто сама назва — «рангова шкала» означає те, що ранг об’єкта стає більшим зі збільшенням величини мітки, тобто відбувається упорядкування об’єктів за певною вибраною ознакою.
Рангова шкала не дає змоги у разі визначення переваги однієї з двох альтернатив відповісти на запитання типу: «У скільки разів альтернатива Aкраща від альтернативи B?».Такі конструкції в рангових шкалах заборонені. У таких шкалах не визначені також і різниці рангових оцінок. Тому оцінки альтернатив можна задавати не лише числами, а і довільною упорядкованою множиною (наприклад, у навчанні використовують оцінки знань «відмінно», «добре», «задовільно», «незадовільно» або їх цифрові еквіваленти: «5», «4», «3», «2»).
Найбільше поширені рангові шкали в методах оброблення експертної інформації стосовно відносних оцінок якісних характеристик об’єктів. Оцінки такого виду даються в балах,
а порядкові шкали в такому разі прийнято називати бальними оцінками.
Незважаючи на невисоку інформативність рангових шкал, на неможливість проводити в значних обсягах формальні перетворення рангових оцінок, котрі до того ж характеризуються значною невизначеністю і розмитістю, вони можуть застосовуватися для оцінювання різних проектів, зокрема інвестиційних, за експертних оцінювань їх придатності й перспективності.
Інтервальні шкали.Якщоупорядкована множина складається з дійсних чисел, то кажуть, що вимірювання виконуються за інтервальною (рівномірною) шкалою. Ці шкали мають важливу перевагу над нижчими шкалами: інтервали між точками шкали самі можуть бути упорядкованими, тому такі шкали інколи називають двічі упорядкованими шкалами.
Оцінювання за шкалою інтервалів залежить від двох довільно вибраних показників: початку відліку і масштабу, котрий установлює одиниці вимірювання. Порядкова шкала означає, що ди-станція між двома мітками має значення та є порядковою, але немає абсолютного значення нуля. Наприклад, у термометрах використовують інтервальну шкалу, тому що різниця між 45 і 43 градусами така сама, як і різниця між 88 і 86 градусами,
а 100 градусів більше, ніж 50 градусів. Однак це не означає, що вода при 100 градусах у два рази гарячіша, ніж при 50 градусах. Це стосується випадків, коли температура певного середовища вимірюється за традиційними шкалами Цельсія чи Фаренгейта. Точки відліку тут зводяться до таких, при яких змінюються характеристики окремих матеріалів, наприклад, коли закипає чи замерзає вода. Отже, якщо немає абсолютної нульової точки, то співвідношення температур не має ніякого значення. Проте, якщо температура вимірюється за абсолютною шкалою, такою як шкала Кельвіна чи Ранена, то тут існує точка абсолютного нуля, а отже, така шкала є пропорційною, про яку йтиметься нижче.
Шкали інтервалів не мають властивостей адитивності, тому до них не можна застосовувати жодної з основних арифметичних дій. Наприклад, операція додавання не має сенсу в шкалі інтервалів, оскільки сума змінюється залежно від положення нуля, а віднімання, множення і ділення є окремими випадками додавання. Проте якщо нуль вибраний, як у випадку з шкалою температур Кельвіна, то різниці на таких шкалах можуть розглядатися як абсолютні величини, котрі характеризуються адитивністю, тому арифметичні операції до них можна застосовувати.
Пропорційні шкали (шкали відношень) є подальшим розвитком рангових шкал і знаходяться на найвищому серед вищеназваних шкал рівні, тому що вони мають найбільшу гнучкість за маніпулювання даними. Вони мають всі властивості інших шкал, а також властивість адитивності.
Завдяки цим властивостям зміна шкали не змінює відношення одного виміру до іншого, тобто тут можна застосовувати не лише операції зіставлення інтервалів між оцінками, а також самих оцінок (міток), тобто не тільки відносні різниці мають таке саме значення та мітки створюють послідовність, але й співвідношення двох міток також має сенс. Наприклад, довжина являє собою пропорційну шкалу. Різниця між 9 та 8 метрами є такою ж, як і різниця між 4 та 3 метрами. Можна також стверджувати, що співвідношення 8 та 4 метрів таке саме, як і співвідношення 4 та 2 метрів.
До шкал відношень можна застосовувати всі арифметичні
і статистичні дії. Ці шкали, як правило, застосовують для вимірювання технічних і фізичних характеристик, для яких існує природна нульова точка (початок відліку), що породжується законами функціонування зіставлюваних систем.
Оскільки в економічних дослідженнях закони функціонування складних систем не досліджені настільки повно і ретельно, щоб за ними можна було легко визначати вид допустимих перетворень і вибирати відповідну шкалу, то за таких обставин краще за все використовувати шкалу з максимально широким типом допустимих перетворень, за яких значення економічного показника є досить інформативним для розв’язування поставленої задачі. Так, наприклад, якщо із множини альтернативних дій потрібно вибрати найкращу, то цілком достатньо мати критерій, котрий вимірюється в ранговій шкалі. Проте, якщо завдання полягає у визначенні того, котра із вимірюваних альтернатив ближча до еталонної (оптимальної) дії, то значення критерію мають вимірюватися як мінімум у шкалі інтервалів (зіставлюються різниці між досліджуваними і еталонною альтернативою). Якщо ж ми хочемо визначити, у скільки разів одна альтернатива «краща» за іншу, то критерії оцінювання альтернатив слід задавати в пропорційній шкалі.
Отже, кількісність даних (тобто вираження якісних показників кількісно) передбачає, що коли у системі допустимі необмежені маніпуляції з даними, то такі дані мають бути на пропорційному рівні. Якщо маніпуляції допускають тільки інтервальну або послідовну шкалу, то можна застосовувати нижчий рівень шкали. Але якщо дані подані за номінальною шкалою (шкалою назв), то над ними не можна виконувати ніяких дій.
Таке обмеження може бути забезпечене двома шляхами: або забороною подання даних за номінальною, послідовною та інтервальною шкалами, або розробленням гнучкої заборони певних моделей, які застосовуються стосовно певних даних. Останнє твердження означає, що системі необхідні вмонтовані правила для перевірки типу даних перед виконанням запиту, які забезпечать виведення користувачам індикаторів помилок за спроби виконати неприйнятні дії над даними. Інакше можна допускати, що коли користувачі можуть застосувати модель, то вона є для них прийнятною, що може зробити рішення основаним на безглуздих оцінках.
Важливе значення за вибору шкали вимірювання економічних показників і критеріїв має допустимий тип перетворень, характерний для шкал вимірювання. Чим вищий рівень вимірювання показників, тим обмеженішим є тип допустимих перетворень шкал.
Для шкал назв, котрі задаються абсолютно довільно (наприклад, кодом жіночої статі можна вибрати цифру 3, а чоловічої — 4), допустимі будь-які перетворення чисел і в такому разі зберігається описова точність шкали, тобто довільне число є однаково підходящим для ідентифікації об’єктів.
До шкал порядку можна застосовувати будь-які монотонні перетворення (наприклад, додавати константи, брати логарифм числа, підносити числа до квадрату тощо), не порушуючи цим існуючого порядку.
Перетворення в шкалі мають бути не лише монотонними, але й лінійними. Це означає, що довільна шкала інтервалів і будь-який її лінійний образ (за довільних додатних коефіцієнтів, котрі не дорівнюють один одному) мають таку саму описову точність.
Пропорційна шкала (шкала відношень) залишається без змін лише за перетворень типу b = ka (k > 0), де b, a відповідно нова і початкова мітки виділеного об’єкта в пропорційних шкалах.
Прийнятність формату
Останнім визначальним фактором корисності інформації є можливість її відображення в прийнятному стилі. Це стосується способу подання даних, порядку, в якому дані сприймаються ОПР, і кількості та видів графіків, що використовуються.
Більшість даних в СППР відображаються візуально. Питання полягає в тому, чи є таке відображення прийнятним. Документи, що є надто довгими або дуже широкими, досить важко читати та сприймати, якщо вони відображаються тільки на екрані. Звичайно, ОПР можуть з цим упоратися краще, якщо дані можна роздрукувати. Якщо ж немає вибору, то виникає запитання, чи можна ці дані подати окремо для кращого сприйняття.
Порядок подання даних також може негативно впливати на оцінювання ОПР існуючих даних. Якщо важливі дані розташовані в кінці модуля, чи якщо дані не є обов’язковими, чи якщо вони скупчені на екрані, то творець рішень може ніколи не звернути на них увагу. Також те, які дані ОПР бачить першими та останніми, впливає на її оцінювання нової інформації. Якщо «дійсно погані» статистичні дані з’являються першими, то ОПР може оцінити достатньо позитивні статистичні дані негативніше. Часто порядок подання даних змінює сам користувач, і тоді система вже не може його контролювати. Тому особливо важливо для розробників системи керування моделями в СППР бути обережним, забезпечуючи систему додатковими властивостями. Розробники користувацького інтерфейсу також мають усвідомлювати важливість стилю прийняття рішень користувачем.
Спосіб відображення даних також може негативно вплинути на висновки, які робляться на їх підставі. Якщо ОПР намагається зробити висновки щодо тенденцій на підставі конкретних даних, то вона може помітити такі тенденції набагато краще з графіка, ніж із сукупності чисел. З другого боку, якщо ОПР необхідно знати значення конкретної точки даних, то її важко здобути з графіка і тому в такому разі подання їх у вигляді таблиці є кращим. Невідповідне використання графічних засобів (стовпчикові чи кругові діаграми або портретна репрезентація) також може негативно вплинути на прийняття рішення. Наприклад, тенденція може бути завищена із-за зменшення шкали вимірювання або вкорочення осей графіка; також тенденція може бути занижена через збільшення шкали вимірювання. Різні види шкал двох осей або пропуск деяких частин графіка можуть спотворити справжню тенденцію.
Дата добавления: 2018-05-09; просмотров: 216; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!