Παρακάτω αναλύεται με απλούς όρους, η λειτουργικότητα ενός συστήματος υποστήριξης λήψης αποφάσεων (DSS).
Στην προσπάθεια ανάλυσης της απόδοσης ενός Οργανισμού και διαμόρφωσης στρατηγικής για την μελλοντική τοποθέτηση σε ανταγωνιστικό περιβάλλον ή για την επίτευξη κάποιων στρατηγικών στόχων, καθοριστική σημασία έχει η διάσταση του χρόνου (κάτι που παρατηρείται και στα μοντέλα διαστάσεων που χρησιμοποιούνται σε υποδομές Data warehouse).
Παρακάτω περιγράφονται τρεις κατηγορίες λειτουργικότητας εφαρμογών υποστήριξης διοίκησης και λήψης αποφάσεων (DSS): 1) Αναλυτική καταγραφή της απόδοσης 2) Ανάλυση της απόδοσης 3) Μοντελοποίηση και πρόβλεψη αποτελεσμάτων
Οι κατηγορίες παρατίθενται με σειρά αυξανόμενης πολυπλοκότητας, αλλά παράλληλα και δυνατότητας παραγωγής αξίας για τον Οργανισμό. Δεν αποτελούν απαραίτητα στάδια ωρίμανσης, γιατί κάθε κατηγορία αναπτύσσεται και ωριμάζει καθώς εμπλουτίζεται με νέες δυνατότητες και προσαρμόζεται στις δυναμικά μεταβαλλόμενες πληροφοριακές και αναλυτικές ανάγκες του Οργανισμού.
Πρέπει να σημειωθεί ότι συστήματα DSS μπορεί να αναπτυχθούν και για άλλους σκοπούς, πέραν της παρακολούθησης απόδοσης. Το χαρακτηριστικότερο παράδειγμα είναι η ανάπτυξη συστήματος πελατειακής ευφυΐας customer intelligence, όπου στόχος είναι η κατανόηση του προφίλ, της συμπεριφοράς και των ειδικών αναγκών του Πελάτη, ώστε να προσαρμοσθεί ανάλογα η στρατηγική παροχής υπηρεσιών και προϊόντων της Επιχείρησης.
Βασική αρχή της διοίκησης είναι: δεν μπορείς να διαχειριστείς κάτι που δεν μπορείς να ποσοτικοποιήσεις (μετρήσεις με ποσοτικά στοιχεία).
Στο πλαίσιο αυτό ο Οργανισμός επιδιώκει να αναπτύξει υποδομές που θα του επιτρέψουν να καταγράψει αναλυτικές μετρήσεις της παρούσας απόδοσης του και να χτίσει σταδιακά αναλυτικά ιστορικά δεδομένα απόδοσης. Αποτυπώνεται δηλαδή το Πως πήγε ο Οργανισμός, για ένα διάστημα αναφοράς (ανάλογο αυτού αλλά σε συγκεντρωτικό επίπεδο, είναι η καταγραφή της οικονομικής απόδοσης ενός Οργανισμού για μία λογιστική περίοδο στα Αποτελέσματα Χρήσης).
Οι επεξεργασίες δεδομένων που αξιοποιούνται στο στάδιο αυτό είναι συνήθως προκαθορισμένες. Παράγονται αναλυτικά στοιχεία σε μορφή πολυδιάστατων δομών πληροφορίας (κύβων πληροφορίας) όπως: o αναλυτικά στοιχεία εσόδων o αναλυτικά στοιχεία οικονομικών αποτελεσμάτων o στοιχεία παραγωγής (π.χ. μονάδες προϊόντος ή υπηρεσίας που παράχθηκαν) o στοιχεία πελατών (π.χ. αριθμός πελατών ανά προϊόν ή υπηρεσία, ικανοποίηση πελατών) o στοιχεία απώλειας πελατών (customer churn) o στοιχεία ποιότητας ανά προϊόν ή υπηρεσία o αποτελέσματα εισαγωγής νέου προϊόντος, και αποτυπώνονται σε αναφορές με γραφήματα ή/και δείκτες επιχειρησιακής απόδοσης. Οι διαστάσεις των πολυδιάστατων δομών συνήθως αφορούν τον χρόνο, την γεωγραφία, την οργανωτική δομή του Οργανισμού και άλλες διαστάσεις ανάλυσης, ανάλογα με τον σκοπό αυτής. Στο πλαίσιο αυτό γίνεται στατική καταγραφή της απόδοσης.
Αν και αρκετά πληροφορικά συστήματα παραγωγής (τύπου OLTP) ενσωματώνουν την δυνατότητα παραγωγής κάποιων αναφορών συγκεντρωτικών στοιχείων, αυτή δεν διασφαλίζει: o Τον επαρκή βαθμό λεπτομέρειας στην καταγραφή των στοιχείων o Την τήρηση της ιστορικότητας που επιτρέπει την ανάλυση τάσεων στον χρόνο (time series analysis) o Την δυνατότητα περαιτέρω ανάλυσης των στοιχείων υπό διαφοροποιημένη οπτική, αναλύοντας διαφορετικές διαστάσεις της εξεταζόμενης επιχειρησιακής διαδικασίας o Την ταχύτητα ενημέρωσης των αρμοδίων ρόλων του Οργανισμού o Την εγκυρότητα-σαφήνεια-ακρίβεια των στοιχείων και την μοναδική εκδοχή της αλήθειας (single version of truth)
Το πλαίσιο αναφορών αναμένεται να εμπλουτίζεται καθώς αναγνωρίζονται νέες ανάγκες πληροφόρησης, αλλά αναπτύσσονται και νέες δυνατότητες παροχής στοιχείων στο σύστημα DSS (είτε μέσω εσωτερικών παραγωγικών συστημάτων, είτε μέσω εξωτερικών πηγών στοιχείων και πληροφορίας). Η ανάπτυξη ενός συστήματος DSS ακολουθεί σπυροειδή μέθοδο ανάπτυξης (iterative development method). Το μοντέλο δεδομένων που θα υλοποιηθεί πρέπει να επιτρέπει την σταδιακή επέκταση του DSS.
Έχοντας αποτυπώσει το Πως πήγε ο Οργανισμός με επαρκώς αναλυτικά δεδομένα και στις διαστάσεις ενδιαφέροντος, το επόμενο βήμα είναι να αναλυθεί η απόδοση Γιατί πήγε έτσι ο Οργανισμός. Αναλύονται δηλαδή οι παράγοντες που συνέβαλαν στα συγκεκριμένα αποτελέσματα του Οργανισμού.
Κάποιοι μέθοδοι ανάλυσης μπορεί να είναι προκαθορισμένοι αλλά καθώς η ανάλυση προχωρά προκύπτει η ανάγκη για την διεξαγωγή ειδικών απρόβλεπτων προσεγγίσεων ανάλυσης (ad-hoc analysis). Η διάθεση αναλυτικών στοιχείων απόδοσης σε πλήθος αναλυτικά περιγεγραμμένων διαστάσεων (χρόνος, γεωγραφία, Πελάτης κ.α.), ενισχύει την ικανότητα ανάλυσης και επιτρέπει πολύπλοκα ερωτήματα και επεξεργασία των στοιχείων.
Η ανάλυση μπορεί να αφορά επιμέρους ερωτήματα όπως: o Γιατί τα έσοδα ήταν κατώτερα των προϋπολογισμένων - Σε ποιές αγορές ήταν τα έσοδα κατώτερα των προϋπολογισμένων o Ποια είναι η κερδοφορία συγκεκριμένου προϊόντος ή υπηρεσίας (ανάλυση κερδοφορίας) ποιο προϊόν ή υπηρεσία είναι η πιο κερδοφόρα o Γιατί η παραγωγικότητα ήταν μικρότερη της αναμενόμενης o Ποιο είναι το προφίλ των Πελατών ( για τις ανάγκες τμηματοποίησης αγοράς) o Πως διαμορφώνεται η σύνθεση των Πελατών (π.χ. μικροί, μεγάλοι) o Γιατί υπάρχει υψηλό ποσοστό απώλειας Πελατών o Γιατί μειώθηκε η ποιότητα συγκεκριμένου προϊόντος o Γιατί πέτυχε η εισαγωγή ενός νέου προϊόντος
Η ανάλυση μπορεί επίσης να αναδείξει αποκλίσεις από τις αναμενόμενες τιμές των μετρήσεων (exceptions analysis), κάτι που μπορεί να αποτελέσει στοιχείο συναγερμού (alert) για τον Οργανισμό. Παραδείγματος χάριν: o η μείωση της κατανάλωσης υπηρεσιών από έναν Πελάτη μπορεί να αποτελέσει ένδειξη ότι ο Πελάτης είναι δυσαρεστημένος και έτοιμος να αλλάξει παροχέα υπηρεσιών (π.χ. Customer churn Telco business). (αν και αυτή η μέθοδος ανάλυσης αμφισβητείται) o η μείωση του τζίρου ενός Υποκαταστήματος, μπορεί να οδηγήσει σε αλλαγές σε αυτό
Οι ανάγκες της ανάλυσης μεταβάλλονται δυναμικά, καθώς μεταβάλλεται το εσωτερικό και εξωτερικό περιβάλλον του Οργανισμού. Το μοντέλο δεδομένων και το επίπεδο καταγραφής της επιχειρησιακής διαδικασίας πρέπει να επιτρέπουν την σε βάθος ανάλυση (βλέπε ανάλυση μοντέλου διαστάσεων) σε δυναμικά μεταβαλλόμενο πλαίσιο. (έχει παρατηρηθεί σε ορισμένους Οργανισμούς, να επιτρέπεται μόνο η χρήση προκαθορισμένων ερωτημάτων ή επεξεργασιών στο DSS. Οι οργανισμοί αυτοί δεν αντιλαμβάνονται τις πραγματικές δυνατότητες ενός συστήματος DSS. Ένα σύστημα DSS μπορεί να συμβάλλει στην ανακάλυψη τάσεων, να δώσει προοπτική στην κατανόηση των στοιχείων και να αποτελέσει παράγοντα υποβοήθησης διαμόρφωσης καινοτομικής στρατηγικής). Η μετάβαση από την απλή αποτύπωση στοιχείων στην δυνατότητα ανάλυσης τους για την κατανόηση ή ανακάλυψη τάσεων, έχει ιδιαίτερη αξία για τον Οργανισμό.
Στο τρίτο και πλέον εξελιγμένο στάδιο ωρίμανσης ενός συστήματος DSS, η ανάλυση οδηγεί στην δυνατότητα μοντελοποίησης μηχανισμών, με απώτερο στόχο την υποβοήθηση προβλέψεων (prediction) για το αποτέλεσμα που εκτιμάται ότι θα έχουν διάφορες εναλλακτικές δράσεις: Τι θα συμβεί εάν ληφθεί ένα συγκεκριμένο μέτρο; (what-if analysis) .
Οι προβλέψεις μπορεί να αφορούν τα ακόλουθα: o Διείσδυση ενός νέου προϊόντος ή υπηρεσίας o Ποια προϊόντα πρέπει να προωθηθούν σε ποιους Πελάτες (τμηματοποίηση αγοράς - πιθανότητας αγοράς συγκεκριμένου προϊόντος από συγκεκριμένο προφίλ Πελατών (propensity to buy)) o Ποιοί πελάτες μπορεί να αποχωρήσουν (διατηρησιμότητα Πελατών) o Ποιοί Φορολογούμενοι υπάρχει μεγάλη πιθανότητα να φοροδιαφεύγουν (εφαρμογή φορολογικής πολιτικής) o Ποιο κανάλι διανομής προϊόντων ή υπηρεσιών είναι κατάλληλο για κάθε κατηγορία Πελατών (βελτιστοποίηση καναλιού) o Πόσο θα αυξηθούν οι πωλήσεις με την εφαρμογή συγκεκριμένης καμπάνιας προώθησης o Τι συνέπειες στον όγκο πωλήσεων, θα έχει η αλλαγή τιμής σε ένα προϊόν (ανάλυση ελαστικότητας τιμών) o Τι συνέπειες στα Κρατικά έσοδα θα έχει η εφαρμογή μιας νέας φορολογικής πολιτικής (πχ. η αλλαγή φορολογικής κλίμακας)
Κάποιες μορφές διαχείρισης κινδύνου (π.χ. μοντελοποίηση πιστωτικού κινδύνου), εντάσσονται σε αυτή την κατηγορία.
Xρησιμοποιούνται συχνά εργαλεία στατιστικής ανάλυσης και μοντελοποίησης ή και εργαλεία που υλοποιούν αλγόριθμους data mining.
Η ανάπτυξη συστήματος παραγωγής προβλέψεων υψηλής ακρίβειας που βασίζονται σε γνώση, αποτελεί πλεονέκτημα που διαχωρίζει τους κορυφαίους Οργανισμούς.
Συνοψίζοντας θα λέγαμε ότι, ενώ η δυνατότητα αναλυτικής αποτύπωσης αποτελεσμάτων (κατηγορία 1) είναι το υπόβαθρο, οι δυνατότητες ανάλυσης και πρόβλεψης δημιουργούν τις προϋποθέσεις για την πλήρη αξιοποίηση της πληροφορίας και την υψηλή ανταγωνιστικότητα του Οργανισμού.
Οι υποδομές DSS εφόσον αναπτυχθούν και αξιοποιηθούν σωστά, συμβάλλουν στην διαμόρφωση Οργανισμού που αξιοποιεί την πληροφορία και λαμβάνει αποφάσεις για δράση βάσει αυτής.
Το πλαίσιο εξέλιξης ενός συστήματος DSS, ποικίλλει ανάλογα με τις επιχειρησιακές προτεραιότητες κάθε Οργανισμού. Παραδείγματος χάριν, εάν ένας Οργανισμός έχει ως βασικό στόχο την ανάπτυξη μοντέλων πρόβλεψης και υποβοήθησης στην επιλογή δράσεων, θα δρομολογήσει απευθείας την ανάπτυξη σχετικών μοντέλων, ακόμα και χωρίς την χρήση αποθήκης δεδομένων (data warehouse) χρησιμοποιώντας απλά αρχεία δεδομένων ή πληροφορία από παραγωγικά συστήματα.
Φάσεις ανάπτυξης και ωρίμανσης ενός συστήματος DSS είναι οι ακόλουθες:
o Επιλέγονται κάποιες κρίσιμες επιχειρησιακές διαδικασίες προς παρακολούθηση o Αναπτύσσεται μηχανισμός ελέγχου της ποιότητας των δεδομένων o Αναπτύσσεται αποθήκη δεδομένων που είναι σε θέση να παράγει πολυδιάστατες δομές στοιχείων για τις επιλεγείσες επιχειρησιακές διαδικασίες o Αναπτύσσονται τυποποιημένες αναφορές απόδοσης των διαδικασιών o Αναπτύσσονται εργαλεία για την πολυδιάστατη ανάλυση στοιχείων σε περιβάλλον OLAP (On-line analytical processing) ή με απλή χρήση ερωτημάτων SQL o Αναπτύσσονται μοντέλα πρόβλεψης επιχειρησιακού αποτελέσματος που ενδιαφέρει τον Οργανισμό
Όλες οι κατηγορίες λειτουργικότητας DSS αναπτύσσονται και ωριμάζουν, καθώς ο Οργανισμός δοκιμάζει και αξιολογεί την ωφελιμότητα κάθε προσπάθειας και επένδυσης που γίνεται: o Ωριμάζουν και αυτοματοποιούνται οι διαδικασίες άντλησης στοιχείων από παραγωγικά συστήματα o Επιλέγονται πρόσθετες επιχειρησιακές διαδικασίες προς παρακολούθηση o Επεκτείνεται η αποθήκη δεδομένων με την συστηματική προσθήκη στοιχείων μετρήσεων επί των επιχειρησιακών διαδικασιών o Μελετούνται νέοι τρόποι ανάλυσης και εμβάθυνσης (π.χ. συνδυασμού στοιχείων με ανάλυση τύπου drill across) στα διαθέσιμα στοιχεία (ad-hoc analysis). o Μελετάται η ποιότητα των μοντέλων πρόβλεψης (η ικανότητα παραγωγής ικανοποιητικού επίπεδου πρόβλεψης), βάσει των αποτελεσμάτων χρήσης τους και ακολουθεί η βελτίωση των μοντέλων αυτών. Αναπτύσσονται μοντέλα πρόβλεψης σε νέες επιχειρησιακές περιοχές.
Παράλληλα αναπτύσσεται κουλτούρα ποιότητας δεδομένων και αξιοποίησης του συστήματος DSS. O Οργανισμός αντλεί σταδιακά όλο και σημαντικότερη αξία από το σύστημα, υπό την έννοια ότι: o Βελτιώνεται σταδιακά η ποιότητα των δεδομένων που εισάγονται στην αποθήκη δεδομένων o Μεγαλύτερες επιχειρησιακές περιοχές καλύπτονται o Μεγαλύτερος αριθμός χρηστών έχει πρόσβαση και αξιοποιεί την πληροφορία που παράγεται o Αναπτύσσεται σταδιακά εμπιστοσύνη στην ποιότητα της πληροφορίας που παράγεται και στην ύπαρξη σημείου αναφοράς για την μοναδική εκδοχή της αλήθειας
Στην εικόνα 2, αναλύονται τα πιθανά μονοπάτια ανάπτυξης ενός συστήματος DSS.
Εικόνα 2 Μονοπάτια ανάπτυξης συστήματος DSS
Το σύστημα DSS αναπτύσσεται σταδιακά και παράγει πρόσθετη αξία σε 2 κατευθύνσεις: o στην υποστήριξη περισσότερων επιχειρησιακών διαδικασιών ή θεματικών περιοχών o από την απλή αποτύπωση αποτελεσμάτων στην πρόβλεψη μελλοντικών αποτελεσμάτων
Στην εικόνα 3 αποτυπώνεται η εξέλιξη που είχαν τα συστήματα DSS διεθνώς και τομείς βελτίωσης από την αρχική λειτουργικότητα στα σημερινά συστήματα DSS :
Εικόνα 3 Διεθνής εξέλιξη συστημάτων DSS
Επιπλέον βελτίωση επιδιώχθηκε στα ακόλουθα: o Ταχύτητα o Ακρίβεια o Κατανοητή παρουσίαση o Αποτελεσματικότητα ενόρασης
Σε σχετική πρόσφατη έρευνα [Davenport], εξετάστηκε ο βαθμός αξιοποίησης αναλυτικών επιχειρησιακών στοιχείων από Επιχειρήσεις διαφόρων κλάδων στις ΗΠΑ.
Τα χαρακτηριστικά λειτουργίας που αξιολογήθηκαν ως κριτήρια, ήταν : o Η εκτεταμένη χρήση μοντέλων πρόβλεψης και σχετικών τεχνικών βελτιστοποίησης o Η αξιοποίηση αναλυτικών επιχειρησιακών στοιχείων σε πολλαπλές λειτουργίες και επιχειρησιακές μονάδες o Η ανάπτυξη δομών συγκέντρωσης και ανάλυσης στοιχείων σε επίπεδο Επιχείρησης (και όχι τμηματικά) o Η ενεργή υποστήριξη από ένα ή περισσότερα Ανώτατα στελέχη
Η έρευνα οδήγησε στο συμπέρασμα ότι μόνο 1 στις 3 επιχειρήσεις ικανοποιεί το σύνολο των κριτηρίων που τέθηκαν.