CURSUL 7

SISTEME INFORMATICE CU BAZE DE CUNOŞTINŢE

(SIAD – Sisteme Interactive de Asistare a Deciziei, SE – Sisteme Expert)
Cvasitotalitatea sistemelor informatice de marketing dezvoltate în prezent la nivelul
întreprinderilor funcţionează pe principiul bazelor de date şi a SGBD-urilor care asigură crearea şi
gestionarea acestora. Caracteristica fundamentală a acestor aplicaţii este dată de faptul că elementul
primar al prelucrărilor este informaţia, generată întotdeauna în sistemul informaţional, prelucrată în
cel informatic şi interpretată, în forma sa finală, fie în subsistemul decizional fie la nivelul celui
informaţional. În acelaşi timp aceste aplicaţii nu au capacitatea de a genera automat informaţii
suplimentare pornind de la cele stocate la un moment dat în baza de date. Putem spune astfel că
exactitatea şi acurateţea informaţiilor rezultate dintr-o aplicaţie sau dintr-un sistem informatic sunt
condiţionate de calitatea informaţiilor primare transmise de componenta informaţională a sistemului.
Creşterea complexităţii actului decizional şi apariţia situaţiilor în care decidenţii trebuie să
fundamenteze decizii optime în timp scurt folosind atât experienţa proprie cât şi metode specifice
procesului managerial, dar şi informaţiile avute la dispoziţie despre activitatea condusă a ridicat
problema folosirii calculatorului într-o manieră care să asigure managerului obţinerea unor
cunoştinţe noi pornind de la un portofoliu de cunoştinţe existent. Au apărut astfel primele încercări
de folosire a calculatoarelor pentru realizarea şi implementarea unor sisteme informatice specifice
cunoscute sub denumirea de sisteme suport interactive de asistare a deciziei (SIAD) şi de sisteme
expert (SE).
Ambele tipuri de sisteme se caracterizează prin gestionarea bazelor de cunoştinţe, diferite de
bazele de date prin natura obiectelor gestionate, reprezentate de cunoştinţe a căror semnificaţie nu
rezultă din

valoarea datelor memorate ci din agregarea lor într-o structură complexă sub forma informaţiilor de
sinteză.
Diversificarea informaticii a făcut ca aceste instrumente decizionale să ia astăzi forma
sistemelor inteligente de diagnoză, analiză şi de asistare a deciziilor.
Astfel de sisteme au apărut sub forma logicii interactive. Ele permit utilizatorului ca plecând de
la faptele de care dispune să poată obţine o sinteză, integrând cunoştinţele din domeniu, adaptate
nevoilor sale imediate şi direct utilizabile în procesul decizional.
Posibilităţile de învăţare pe care le prezintă aceste sisteme, în special prin memorarea situaţiilor
întâlnite şi a soluţiilor adoptate, au dus la apariţia unui nou mediu decizional.
Există mai multe moduri de reprezentare a cunoştinţelor într-un sistem automat inteligent
dintre care două au reţinut atenţia în literatura de specialitate:
 prima familie de sisteme inteligente se bazează pe o reprezentare analitică a
cunoştinţelor. Ele se exprimă sub forma unuia sau mai multor modele matematice unde parametrii
sunt specificaţi statistic. Aceste modele se utilizează în cadrul algoritmilor pentru găsirea unei soluţii
la o problemă ce a mai fost întâlnită. Această concepţie se utilizează în cadrul sistemelor interactive
de asistare a deciziilor (SIAD). O serie de sisteme de acest tip sunt în prezent disponibile în sfera
marketingului.
 a doua familie de sisteme inteligente se bazează pe reprezentarea euristică a
cunoştinţelor. Sisteme expert de marketing ilustrează această abordare. Ele integrează datele
existente şi judecăţile subiective într-un raţionament simbolic şi numeric în vederea rezolvării unui
ansamblu de probleme interdependente.
 Pe parcursul execuţiei procedurilor automate sistemul interacţionează permanent cu utilizatorul
căruia îi explică concluziile la care ajunge. Sistemul solicită informaţii complementare care permit
elaborarea şi îmbunătăţirea raţionamentului său.
În esenţă, această tehnologie informatică permite reproducerea pe cale artificială a
raţionamentului uman, automatizarea proceselor cognitive specifice creierului uman, inclusiv prin
crearea unor dispozitive – cu comportament inteligent – domeniu cunoscut în literatura de
specialitate sub numele de inteligenţă artificială.
Sistemele cu inteligenţă artificială, sistematică sau empirică, cum mai sunt denumite după
modul de abordare cognitiv sau pragmatic care a stat la baza realizării lor, extind domeniul de
aplicaţie al informaticii clasice prin implementarea unor concepte noi: prelucrarea cunoştinţelor,
prelucrarea simbolică, prelucrarea paralelă.
Dacă informatica clasică se defineşte ca fiind ştiinţa prelucrării automate a datelor,
informatica inteligentă este ştiinţa prelucrării automate a cunoştinţelor1.
Spre deosebire de prelucrarea algoritmică, unde datele constituie materia primă, în cazul
prelucrării inteligente elementele fundamentale sunt cunoştinţele, corelaţiile logice şi semantice
dintre fapte prin intermediul regulilor de raţionament. Dacă prelucrarea algoritmică este strâns legată
de noţiunea de procedură, prelucrarea inteligentă are un caracter declarativ, deoarece modul de
achiziţionare, introducere şi organizare a cunoştinţelor nu influenţează modul de prelucrare
(raţionament), ci cel mult concluziile. În acest fel, a apărut noţiunea de prelucrare simbolică în care
dispare distincţia dintre date şi programe.
Deşi nu există o definiţie unanim acceptată, inteligenţa artificială constă în ansamblul
disciplinelor informatice care tind să realizeze pe calculator un comportament de imitare a
inteligenţei naturale. Din punct de vedere istoric, termenul de inteligenţă artificială a fost introdus
pentru prima dată în 1956 de cercetătorul american McCarthy de la Massachussetts Institute of
Technology. Multă vreme cercetarea în domeniu a avut în principal un caracter fundamental şi mai
puţin aplicativ. Sistemele expert au apărut în anii ’80, ca un domeniu distinct al inteligenţei
artificiale, alături de domenii cum ar fi: demonstrarea automată de teoreme, de traducerea automată,
de jocurile pe calculator, de recunoaşterea automată a formelor, de robotică, de învăţare automată.
Dacă sistemele expert au fost dezvoltate la început în domeniul tehnic şi medical, în ultimul
timp asistăm la o dezvoltare a acestora în domeniul economic, în special în domeniul financiar-
bancar, de marketing şi management.
Abordarea metodologică de reproducere pe cale artificială a raţionamentului uman distinge trei
curente principale:
a) Abordarea cognitivă în care raţionamentul natural este privit ca o suită de stări şi
procese mentale care transformă datele de intrare în date de ieşire iar raţionamentul artificial
încearcă să reproducă aceste stări mentale şi procese utilizănd metode de modelare ce servesc ca
suport pentru implementarea unor sisteme software de gestiune a bazelor de cunoştinţe (SGBC).
b) Abordarea pragmatică – raţionamentul natural este privit tot ca o suită de stări şi
procese mentale care transformă datele de intrare în date de ieşire, dar raţionamentul artificial
încearcă doar să simuleze simptomele de inteligenţă, să producă aceleaşi date de ieşire pentru
aceleaşi date de intrare, modalitatea de obţinere a acestora fiind diferită de modalitatea biologică.
Ambele moduri de abordare sunt eficiente în automatizarea unor activităţi conştiente, învăţate,
specificabile în cuvinte, denumite biologic activităţi corticale (limbajul, jocul, munca).
c) Abordarea conexionistă – raţionamentul natural este privit ca o suită de stări şi procese
neuronale, iar raţionamentul artificial încearcă să reproducă mecanic această activitate neurologică
a creierului uman.

1
Năstase P., Zaharie D. şi colectiv, Sisteme expert – teorie şi aplicaţii, Ed. Dual Tech, 1999, pag. 3.
 Corespunzător metodologiilor de abordare şi reproducere pe cale artificială a raţionamentului
uman întâlnim tehnologiile de abordare:
 Reţelele neurale care imită organizarea şi funcţionarea creierului, sunt deosebit de
eficiente în reproducerea mecanică a activităţilor umane, „incoştiente”, „neraţionale”, greu
specificabilă prin cuvinte (mersul, vorbirea), utilizându-se prin excelenţă în domeniul roboticii.
La fel ca şi la om, reţelele neurale pot învăţa să recunoască modele prin expunere repetată la
experimente diferite.
Omul, este o construcţie hibrid care procesează informaţia. Acţiunile noastre sunt generate de o
combinaţie de informaţii genetice şi informaţii obţinute prin învăţare. Acest gen de procesare a
informaţiei a fost pus în aplicare pentru a crea sisteme inteligente hibride, cum sunt sistemele de
control ale aeronavelor care diagnostichează şi rezolvă automat probleme sau sistemele folosite în
mediul economic;
 Algoritmii genetici sunt inspiraţi de principiul biologic de supravieţuire a celor buni.
Ideea de bază este evoluţia soluţiei unei probleme de-a lungul a mai multe generaţii, fiecare dintre ele
având o soluţie mai bună decât predecesorii;
 Sisteme bazate pe logica neclarităţii explică deciziile pe care le propun, dar nu pot să
adopte automat regulile pe care le folosesc pentru a lua acele decizii. În linii mari, logica
neclarităţii, inventată de Lotfi Zadeh în 1956, exprimă diferite grade de certitudine şi incertitudine
ale propoziţiilor;
 Sistemele de inducere a regulilor sunt un alt tip de sisteme aplicate în procesele de
achiziţie automată a cunoştinţelor. Ele au fost folosite pentru învăţarea regulilor şi crearea arborilor
de decizie şi au fost aplicate cu succes în economie.
Aceste tehnici nu pot rezolva singure anumite probleme mai complexe. Fiecare tehnică
inteligentă are câteva proprietăţi predominante (de exemplu, abilitatea de a învăţa sau explicarea
deciziilor) ceea ce le face potrivite pentru rezolvarea unui anumit tip de probleme şi nu pentru
rezolvarea altora.
Limitele fiecărei tehnici îi determină pe experţi să le combine. De exemplu, logica neclarităţii
este folosită pentru a evalua preferinţele pentru un produs sau o marcă. Expertul în evaluarea
preferinţelor trebuie să specifice toate regulile invocate atunci când ia decizia de a cuantifica
preferinţele. Totuşi acest proces ia mult timp şi este supus erorii. Reţelele neurale cu abilitatea lor de
a învăţa pot fi folosite pentru a include automat în program regulile de decizie bazate pe logica
neclarităţii.
În tabelul 3.1. se prezintă gradul de satisfacere a proprietăţilor sistemelor inteligente în raport
cu tehnologia de reproducere a raţionamentului uman.
Proprietăţi ale sistemelor inteligente
Tehnologia Acumularea Abilitatea Nivel Nivel scăzut Putere
automată de de a face ridicat de de explicativă
cunoştinţe faţă unui raţionament raţionament
mediu fragil
Sisteme * * ***** * *****
expert
Inducere a **** ** *** ** ***
regulii
Logica * ***** *** ***** ****
neclarităţii
Reţele ***** ***** * ***** *
neurale
Algoritmi ***** *** *** *** ***
genetici
Tabel 3.1. Tehnologii de reproducere a raţionamentului uman
 Sistemele inteligente hibride reprezintă o combinaţie de tehnici inteligente diferite, cât şi o
integrare a mai multor tehnici inteligente cu sisteme informatice convenţionale cum sunt bazele de
date şi bazele de tabele de calcul. Din acest motiv este vital să existe metode şi protocoale

de integrare a sistemelor inteligente cu alte sisteme informatice convenţionale. O astfel de metodă

este programarea orientată pe obiecte, o metodologie software care oferă liantul dintre diferite
tehnici eterogene.
Aceste tehnologii de reproducere a raţionamentului uman s-au dezvoltat în ultimele decenii, pe
baza perfecţionării instrumentelor de concepere, adică a limbajelor de programare. Cele mai
cunoscute limbaje asociate cu inteligenţa artificială sunt:
 LISP – limbaj de programare apărut în anii ’50 şi destinat procesării de liste eterogene,
mai ales liste de simboluri;
 PROLOG – limbaj creat în anii ’70, care are o natură declarativă şi facilităţi
explicative;
 Limbajele orientate pe obiecte ce operează cu conceptele de obiecte şi mesaje cât şi
metodele de manipulare a cunoştinţelor şi datelor în care emitentul specifică ce trebuie
făcut iar receptorul decide cum trebuie făcut. Exemple: Smalltalk, Objective C, C++.
La rândul lor limbajele LIPS şi PROLOG au şi ele extensii orientate pe obiecte, CLOS
(Common LIPS Object System) şi, respectiv, L&O (Logic & Objects).
Cvasitotalitatea sistemelor informatice şi de marketing dezvoltate în prezent la nivelul
întreprinderii funcţionează pe principiul bazelor de date încorporate şi a SGBD-urilor care asigură
crearea şi gestionarea acestora. Caracteristica fundamentală a acestor aplicaţii este dată de faptul că
elementul primar al prelucrărilor este informaţia, generată întotdeauna în sistemul informaţional,
prelucrată în cel informatic şi interpretată, în forma sa finală, fie în subsistemul decizional fie tot la
nivelul celui informaţional. În acelaşi timp aceste aplicaţii nu au capacitatea de a genera la rândul lor
informaţii suplimentare pornind de la cele stocate la un moment dat în baza de date. Putem spune
astfel că exactitatea şi acurateţea informaţiilor rezultate dintr-o aplicaţie sau dintr-un sistem
informatic sunt condiţionate de calitatea informaţiilor primare transmise de componenta
informaţională a sistemului de marketing.

7.1. Sistemul Expert (SE)

În orice domeniu de activitate există probleme cu un grad diferit de dificultate, care pot fi
rezolvate numai de către experţi umani, formaţi ca specialişti în urma unei vaste experienţe în
domeniul respectiv.
O definiţie pragmatică consideră sistemele expert sistemele de programe bazate pe tehnicile
inteligenţei artificiale, care înmagazinează cunoştinţele experţilor umani dintr-un domeniu bine
definit şi apoi şi le folosesc pentru rezolvarea problemelor din acest domeniu. Sistemele expert se
mai numesc şi sisteme bazate pe cunoştinţe (KBS – Knowledge Based System) sau, mai simplu,
sisteme de cunoştinţe (Knowledge System).
Un expert uman recunoaşte , defineşte şi rezolvă probleme din domeniul său de expertiză,
având experienţa şi capacitatea nativă de a se orienta în aspecte precum: complexitatea,
incompletitudinea, incertitudinea, inconsistenţa, confuzia şi aprecierile vagi şi a o reformula simplu,
complet, precis, consistent şi clar, pentru a fi rezolvată prin proceduri clasice. SE asigură stocarea,
utilizarea şi interpretarea cunoştinţelor experţilor umani, folosite apoi pentru rezolvarea unor
probleme specifice prin înlocuirea raţionamentului uman prin unul artificial, folosindu-se cunoştinţe
independente în raport cu mecanismul de raţionament.
Sistemul expert, încercând să imite expertul uman, posedă următoarele caracteristici:
 cunoştinţele sunt independente unele de altele şi de mecanismul de raţionament;
 tratează cunoştinţe inexacte şi incomplete, incerte, confuze şi vagi;
 cunoştinţele sunt exploatate în mod dinamic de mecanismul de raţionament printr-o
abordare declarativă;
 este capabil să explice raţionamente făcute să argumenteze soluţiile obţinute, într-o
manieră asemănătoare expertului uman;
 cunoştinţele manipulate sunt preponderent de natură simbolică;
 este capabil să gestioneze baze de cunoştinţe de volum mare;
 utilizează metode empirice, bazate pe experienţă (informaţia este probabil
adevărată), dar şi metode algoritmice (informaţia este sigur adevărată);
 este specializat într-un anumit domeniu şi nu în rezolvarea unei singure probleme din
acel domeniu.
Componentele unui sistem expert (SE) sunt: baza de cunoştinţe (BC), baza de fapte (BF) şi
generatorul de sisteme expert (GSE).
SE folosesc programarea declarativă prin intermediul căreia regulile sunt furnizate independent
de înlănţuirea lor, ceea ce se traduce practic prin definirea regulilor separat faţă de metoda care le va
folosi; metoda este implementată într-o componentă software denumită motorul de inferenţe (MI) ce
face parte, la rândul său, din GSE.
Elementele fundamentale ale unui SE sunt următoarele:
 modul de achiziţionare a cunoştinţelor: asigură conversia şi transmiterea cunoştinţelor
furnizate de către expertul uman, care le furnizează analistului de cunoştinţe
(cognician) şi care, la rândul său, le aduce într-o formă compatibilă cu cerinţele interne,
fizice, de memorare solicitate de către acest modul;
 baza de cunoştinţe (BC): conţine ansamblul de cunoştinţe specifice domeniului
expertizat, inclusiv relaţiile şi intercondiţionările dintre acestea. Aceste cunoştinţe pot fi
reprezentate prin mai multe metode, dintre care cele mai importante sunt regulile de
producţie, cadrele şi reţelele semantice.
 baza de fapte (BF): conţine datele ce fac obiectul unei probleme de rezolvat din
domeniul expertizat la care se pot adăuga faptele rezultate în urma raţionamentelor
artificiale efectuate de către motorul de inferenţe (MI) asupra BC.
Precizăm că regulile de producţie reprezintă modalitatea esenţială de reprezentare a
cunoştinţelor folosind logica propoziţiilor.
Faptele şi regulile sunt reprezentate prin entităţi constante sau variabile, folosindu-se metoda
de reprezentare a cunoştinţelor prin reguli de producţie cu variabile.
 motorul de inferenţe (MI): asigură rezolvarea practică a unei probleme din domeniul
expertizat, pe baza faptelor furnizate (stocate în BF), utilizând ceea ce poate conduce la aflarea unor
noi fapte (fapte deduse).

În urma acţiunii motorului de inferenţă, într-un anumit context, baza de cunoştinţe se

îmbogăţeşte fie prin adăugarea unor elemente noi, fie prin modificarea celor existente. În ultimă
instanţă, motorul de inferenţă este um program care implementează algoritmii de raţionament
deductiv, inductiv şi mixt, dar care este independent de baza de cunoştinţe.
În mod practic MI este o parte dintr-un generator de sistem expert.
  generatorul sistemului expert (GSE): este un sistem de programe dedicate, format
din: motorul de inferenţă, editor, trasorul, modulul de învăţare, motorul de elaborare şi interfaţa cu
utilizatorul şi cu alte componente ale sistemului informatic.
 modulul explicativ (ME): are rolul de a prezenta într-o formă larg accesibilă (limbaj
natural) justificarea raţionamentelor efectuate de motorul de inferenţă şi totodată întrebările la care
trebuie să răspundă utilizatorului. De asemenea, acest modul este util şi expertului uman pentru
verificarea coerenţei bazei de cunoştinţe. Explicaţiile pot varia de la modul în care s-a ajuns la o
soluţie finală sau intermediară până la justificarea nevoii de date suplimentare
Interfaţa cu utilizatorul realizează dialogul utilizatorului cu sistemul expert, în sensul
specificării datelor de intrare şi al furnizării rezultatelor problemei de rezolvat.
Datorită complexităţii fenomenelor expertizate, în practică se pot folosi sisteme multiexpert
(SME) definite ca un ansamblu coerent şi cooperant de SE ce pot funcţiona atât independent, cât şi
în interacţiune, asigurându-se proprietăţile fundamentale legate de modularitatea şi independenţa
părţilor componente ale respectivului SME.
Avantaje şi limite ale sistemelor expert sunt:
 Avantaje. Sistemele expert lucrează mai rapid decât experţii umani, luând decizii mai
rapide. Sistemele expert cuprind informaţii consistente (structurate în acelaşi mod) despre un mediu
supus hazardului, fac posibilă distribuirea informaţiei către mai multe persoane aflate în diverse
locuri. Sistemele expert nici nu se plictisesc, nu uită nici nu obosesc şi, în plus, îmbunătăţesc
cunoştinţele celor mai buni experţi. Se pot face copii ale sistemelor expert, pe când formarea de noi
experţi cere timp şi bani. Ele pot fi integrate cu alte sisteme, pot lucra cu informaţii incomplete.
Sistemele expert nu sunt influenţate de noutatea informaţiei. Ele pot oferi oricând toate datele
stocate. Frauda şi erorile pot fi reduse la minim. Utilizarea unui sistem expert poate reprezenta un
pas sau mai mulţi înaintea concurenţei.
 Mediul de consultare Mediul de dezvoltare

are
Utilizator odel Expert
M

Interfata cu ep

R
reze Analist de
utilizatorul ntare cunostinte

Motor de
Modulul achizitionare
explicativ cunostinte
Compilator reguli
Dictionar
fapte
EDITOR EDITOR reguli
obiecte

Baza de cunostinte
Baza de fapte
Baza de date

Trasor Motor de inferenta Modul de invatare

Generatorul de SE
Figura 3.5. Structura unui sistem expert

Aplicaţiile sistemelor expert reduc costurile companiilor, sporesc calitatea procesului de luare a
deciziilor, sporesc viteza afacerilor, aduc încasări din vânzarea produselor şi serviciilor noi,
înmagazinează know-how organizaţional, rezolvă crize de management şi stimulează inovaţia.
 Limitele. Informaţia necesară nu este întotdeauna disponibilă. Culegerea datelor de la
experţi este dificilă. Mai mulţi experţi pot avea mai multe abordări diferite, toate corecte, ale
aceleiaşi probleme. Utilizatorii sistemelor expert nu sunt acomodaţi cu ele, e posibil să nu cunoască
terminologia şi chiar nu pot avea încredere în sistem şi în proces. Apare dificultatea de evaluare a
situaţiilor atunci când timpul presează. Concluziile nu pot fi verificate din punctul de vedere al
corectitudinii. Inginerii de informaţie (cogniticienii, profesioniştii care organizează baza de
cunoştinţe) nu sunt numeroşi şi, din acest motiv, salariile pe care le solicită sunt foarte mari. Experţii
au

mai mult bun simţ, sunt mai creativi în faţa situaţiilor neobişnuite, se adaptează rapid la schimbările
mediului. Sistemele expert nu îşi dau seama de situaţiile în care nu există soluţie.

7.2. Sisteme interactive de asistare a deciziei (SIAD)

Sistemele expert pot fi folosite de sine stătător sau pot fi integrate în alte sisteme informatice în
funcţie de necesităţi. O clasă specială de sisteme informatice în care sistemele expert pot fi integrate
mai uşor din punct de vedere funcţional sunt sistemele interactive pentru asistarea deciziilor
(SIAD), care utilizează cunoştinţele dintr-un anumit domeniu de aplicaţie pentru a ajuta în
rezolvarea unor probleme slab structurate (greu de aloritmizat şi de programat).
Sistemele interactive de asistare a deciziei (SIAD) folosesc, de asemenea, conceptul de
inteligenţă artificială pentru a sigura rezolvarea unei probleme complexe prin intermediul teoriei
baesiene sau modelului teoretic al deciziei în incertitudine, denumit şi modelul de maximizare a
speranţei funcţie de utilitate (concept introdus de Von Neumann-Morgenstern şi este utilizat în
teoria utilităţii). SIAD a apărut iniţial în SUA, în anul 1975 şi s-a afirmat în Europa utilizând
modelul de raţionalitate limitată, a lui H. Simon.
Principalele caracteristici ale unui sistem sunt:
 experienţa, intuiţia, judecăţile şi preferinţele decidentului sunt esenţiale;
 interactivitate de nivel înalt;
 căutarea soluţiilor necesită manipulări de date, căutare de informaţii, modelare, calcule;
 procedurile care urmează să se execute la un moment dat sunt cunoscute apriori, aceasta
depinzând de date sau de rezultate intermediare;
 criteriile de decizie sunt numeroase, conflictuale şi depind adesea de utilizatori;
 datele sunt cunoscute întotdeuna dinainte;
 timpul de răspuns pentru obţinerea unei soluţii satisfăcătoare este limitat.

În ultima perioadă sunt folosite pentru luarea de decizii în regim automat sistemele suport de
asistare a deciziei (SSAD) – mai cunoscute sub denumirea de ESS – executive support systems sau
EIS – executive information systems şi care au, în principal următoarele elemente:
 arhitectură puternic integrată, formată din:
a) baze de date (BD);
b) baze de cunoştinţe (BC);
c) baze de reguli (BR);
d) baze de interactivitate (BI).
 relaţia obiecte active-obiecte pasive: asigură conlucrarea dintre date, cunoştinţe şi
reguli;
 comunicaţia SSAD-decidenţi: se realizează prin dialogul om-maşină bazat pe
interacţiunea eveniment-mesaj;
 relaţia client-server generalizată: este realizată prin cooperarea internă (între obiecte)
şi externă (între SSAD şi decidenţi) prin intermediul bazei de interactivitate (BI).
Sistemele suport de asistare a deciziei asigură decidentului, care analizează o problemă de
marketing şi ia o decizie, asistenţă automată pentru:
 formularea şi transmiterea întrebărilor către modelul adecvat din cadrul SSAD;
 extragerea datelor şi faptelor care sunt analizate din punct de vedere statistic;
 selecţia variantei decizionale optime pe baze automate pentru fundamentarea cursului
optim al acţiunii.
 Factori de decizie
în domeniul DECIZII
marketingului

Sistem suport de Entitate

asistare a deciziei organizatoricã

SIAD ESS/EIS SE

Figura 3.6. Rolul SSAD în fundamentarea deciziilor de marketing

În cadrul SSAD de marketing, datorită specificului de activitate, sistemul este structurat în:
 subsistemul modelelor de management (SMM);
 interfaţa om-maşină (IOM);
 subsistemul modelelor de gestiune a datelor şi/sau cunoştinţelor (SMG).
a) Subsistemul modelelor de management al marketingului este format din modele
cantitative şi calitative, metode şi proceduri de optimizare1 care asigură SSAD proprietăţi de analiză
şi de fundamentare a deciziei. Modele sunt structurate în trei clase:
 modele strategice (MS): asigură responsabilităţile de planificare de marketing pentru
cel mai înalt nivel decizional, fiind de fapt modele pe termen lung;
 modele tactice (MT): sprijină gestionarea la nivel mediu pentru alocarea şi controlul
utilizării resurselor entităţii organizaţionale;
 modele operaţionale (MO): asigură gestionarea operaţională în scopul luării deciziilor
zilnice pentru activităţile operative din domeniul marketingului.
b) Interfaţa om maşină (IOM) este formată din următoarele componente:
 Limbajul de activare (LA) care asigură:
 opţiuni pentru introducerea datelor;
 meniuri specifice pentru funcţiile utilizate.
 Limbajul de afişare (LF) care permite:
 opţiuni pentru ieşirea datelor cu afişare multiplă (tabele, grafice etc.)
 Baza de cunoştinţe (BC) formată cu cunoştinţele de marketing necesare utilizării
SSAD
Facilităţile asigurate de către IOM sunt:
 interacţiuni în diverse moduri de dialog;
 multitudinea dispozitivelor de I/E;
 capacităţi grafice multiple, multiferestre;
 facilităţi de depanare şi diagnoză;
 instruire prin exemple.

c) Subsistemul modelelor de gestiune a datelor şi/sau cunoştinţelor (SMG) asigură crearea şi

validarea bazelor de date şi/sau cunoştinţe cu care interacţionează în SSAD în domeniul
marketingului, şi anume:

1
Kotler Ph., op. citată, pag. 202-203.
  modele de date pentru BD orientate pe obiecte (BD);
 modele de cunoştinţe multiutilizator pentru bazele de cunoştinţe (BC);
 modele de date pentru BD multimedia (BM).
Structura unui sistem suport interactiv de asistare a deciziei este redat în figura 3.7., care redă
legăturile dintre modelele şi bazele utilizate într-un SSAD şi decidenţii-utilizatori a unui astfel de
SSAD de marketing.

DECIDENT

INTERFATÃ UTILIZATOR
Limbaj Limbaj Limbaj
activare afisare cunostinte

Modele de gestiune Modele de

a bazelor de SGBD/BT/BC management
date/cunostinte al marketingului

Modele de date
pentru BD BD Modele
orientate pe strategice
BT
obiecte

Modele de date
pentru BD BD Modele
multimedia multimedia tactice

Modele de Modele
cunostinte BC operationale
multiutilizator BF

INTEGRARE

INTERACTIVITATE

Figura 3.7. Structura interactivă a SSAD în domeniul marketingului