Классификация средств информационных технологий по функциональному признаку. Case средства в информационных технологиях

Наряду с рассмотрением информационных технологий как технологий манипулирования данными в ходе управленческой деятельности, возможности современных средств вычислительной техники по выполнению все более сложных и объемных задач предопределили появление подхода к автоматизации управления как отдельными функциями экономической и хозяйственной деятельности на основе разделения труда, так и деятельностью организаций в целом.

Классификация информационных технологий по функциональному признаку отвечает используемым в организациях принципам структурирования и включает следующие основные направления:

· бухгалтерский учет

· кадры

· исполнительская дисциплина

· документооборот

· склад

· планирование

· логистика

· финансы

· автоматизация рабочих мест (АРМ) менеджера, маркетолога, конструктора и т.п.

Переход на промышленную технологию производства программ, стремление к сокращению сроков, трудовых и материальных затрат мм производство и эксплуатацию программ, обеспечение гарантированного уровня качества ИС обусловили бурно развивающееся направление — программотехнику, связанное с технологией создания программных продуктов.

Инструментарий технологии программирования — программные продукты поддержки технологии программирования.

В рамках этих направлений сформировались CASE-технологии (Computer-Aided Software Engineering), предназначенные для автоматизации процессов разработки и реализации информационно-управляющих систем.

Эти технологии базируются на применении универсального языка моделирования (UML), используемого для моделирования функционирования будущих информационно-управляющих систем.

Созданию информационной системы предшествует исследование предметной области и построение модели автоматизируемого объекта— организации. Разработаны десятки методологий построения формализованных моделей функционирования организаций. Их можно разделить на структурные и объектно-ориентированные. Структурные методы имеют наибольшее распространение.

Структурным принято называть такой метод исследования системы или процесса, который начинается с общего обзора объекта иссле­дования, а затем предполагает его последовательную детализацию.

Структурные методы имеют три основные особенности:

-расчленение сложной системы на части, представляемые как «черные ящики», каждый из них выполняет определенную функ­цию системы управления;

-иерархическое упорядочение выделенных элементов системы с определением взаимосвязей между ними;

-использование графического представления взаимосвязей эле­ментов системы.

Модель, построенная с применением структурных методов, пред­ставляет собой иерархический набор диаграмм, графически изобража­ющих выполняемые системой функции и взаимосвязи между ними. Попросту говоря, это рисунки, на которых показан набор прямоуголь­ников, определенным образом связанных между собой. В диаграммы также включается текстовая информация для обеспечения точного опре­деления содержания функций и взаимосвязей. Использование графи­ческого представления процессов существенно повышает наглядность модели и облегчает процесс ее восприятия.

В составе методологий структурного анализа к наиболее распространенным можно отнести следующие:

-SADT (Structured Analysis and Design Technique) — технология структурного анализа и проектирования, ее подмножество — стандарт IDEF0;

-DFD (Data Flow Diagrams) — диаграммы потоков данных;

-ERD (Entity-Relationship Diagrams) — диаграммы «сущность-связь»;

-STD (State Transition Diagrams) — диаграммы переходов состояний.

Практическая реализация CASE- систем в настоящее время базируется на использовании следующих lпрограммных продуктов:

MS Visio – редактор структурных схем, включающий библиотеки типовых элементов для построения вышеперечисленных диаграмм

ER –WIN – средство построения и анализа диаграмм «СУЩНОСТЬ – СВЯЗЬ»

BP- Win – средство построения и анализа бизнес-процессов, представляемых в стандарте IDEF

Кластерный анализ.

КЛАСТЕРНЫЙ АНАЛИЗ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором признаков. ЦЕЛЬЮ КЛАСТЕРНОГО АНАЛИЗАявляется образование групп схожих между собой объектов, которые называются кластерами.

Методы кластерного анализа позволяют решать следующие задачи:

· проведение классификации объектов с учетом признаков, отражающих сущность, природу объектов;

· проверка выдвигаемых предположений о наличии некоторой структурной связи совокупности изучаемых объектов;

· построение новых классификаций для слабоизученных объектов.

Методы кластерного анализа делятся на следующие группы: агломеративные (объединяющие), дивизимные (разделяющие) и итеративные.

· Агломеративные методы последовательно объединяют отдельные объекты в группы (кластеры).

· Дивизимные методы расчленяют группы на отдельные объекты.

· Итеративные методы -кластеры формируются исходя из задаваемых условий разбиения, которые могут быть изменены пользователем для достижения желаемого качества. Эти методы могут привести к образованию пересекающихся кластеров, когда один объект может одновременно принадлежать нескольким кластерам.

Существует три различных подхода к проблеме кластерного анализа: эвристический, экстремальный и статистический.

Эвристический подход характеризуется отсутствием формальной модели изучаемой модели и критерия для сравнения различных решений. Его основой является алгоритм, построенный исходя из интуитивных соображений.

При экстремальном подходе также не формулируется исходная модель, а задается критерий, определяющий качество разбиения на кластеры. Такой подход особенно полезен, если цель исследования четко определена. В этом случае качество разбиения может измеряться эффективностью выполнения цели.

Основой статистического подхода является вероятностная модель исследуемого процесса, что дает возможность ставить задачи, связанные с воспроизводимостью результатов.

В задачах кластерного анализа обычной формой представления исходных данных служит прямоугольная таблица, каждая строка которой представляет результат измерения k признаков на одном из n обследованных объектов:

Таким образом это матрица X. Числовые значения элементов матрицы X могут соответствовать переменным трех типов: количественным, ранговым и качественным. Желательно, чтобы таблица исходных данных соответствовала одному типу переменных. В противном случае разные типы переменных стараются свести к какому-то одному типу переменных. Например, все переменные можно свести к дихотомным, используя следующую процедуру. Количественные переменные переводят в ранговые, разбивая области значений количественной переменной на интервалы, которые затем нумеруются числами натурального ряда. Ранговые переменные автоматически становятся качественными, если не учитывать упорядоченности их значений. Что касается качественных переменных, то каждому из возможных ее значений приходится сопоставлять дихотомную переменную, которая будет равна 1, если качественная переменная приняла заданное значение, и 0 - в противном случае.