SISTEME INFORMATICE PENTRU ASISTAREA DECIZIEI

Prof.univ.dr. Zenovic GHERASIM

Prof.univ.dr. Doina FUSARU
Conf.univ.dr. Maria ANDRONIE

Codul cursului:
Denumirea cursului: Sisteme informatice pentru asistarea deciziei
Tip curs: obligatoriu
Durata cursului / Nr. credite: un semestru /
Perioada de accesare a cursului: prelegeri 25 febr. 2008- iunie 2008
laboratoare
consultaţii
Manuale recomandate:
1. Gherasim, Z., Fusaru, D., Andronie, M. – Sisteme informatice pentru asistarea deciziei
economice, Editura Fundaţiei România de Mâine, Bucureşti, 2008.
2. Fusaru, D., Cocianu, C.L., Gherasim, Z., Andronie, M. – Sisteme expert şi Sisteme
informatice pentru asistarea deciziei, Teste grilă, Editura Fundaţiei România de Mâine,
Bucureşti, 2006.
3. Zaharie, D., Albescu, F., Bojan, F., Ivancenco, V., Vasilescu, C. – Sisteme informatice
pentru asistarea deciziei, Editura Dual Tech, Bucureşti, 2001.
4. Filip, Fl.Gh. – Decizie asistată de calculator. Decizii, decidenţi. Metode şi instrumente de
bază, Editura Tehnică şi Editura Expert, Bucureşti, 2002.
5. Filip, Fl.Gh. – Sisteme suport pentru decizii, Editura Tehnică, Bucureşti, 2004.
6. Oancea, M. – Sisteme informatice pentru asistarea deciziei bancare, Editura ASE,
Bucureşti, 2005.

Obiectivele cursului:
Obiectivele cursului de Sisteme informatice pentru asistarea deciziei (SIAD) sunt:
revederea şi fixarea noţiunilor de bază din teoria sistemelor economice integrate şi teoria deciziei
în general, şi a sistemelor informatice integrate, în special; definirea conceptelor fundamentale
specifice SIAD; tratarea celor trei tipuri de SIAD-uri: bazate pe modele, bazate pe analiza şi
sinteza datelor (tehnica OLAP) şi Data Mining; câştigarea unor deprinderi în folosirea
componentelor de asistare a deciziei din produsul informatic Microsoft Excel, din instrumentul
informatic QM şi din Microsoft SQL Server 2005 (Analyses Services, Data Mining).

Modul de stabilire a notei finale: nota este cea care rezultă din evaluarea prin teste
grilă, pe platforma BlackBoard.
Consultaţii pentru studenţi: în fiecare marţi de la ora 10 - 12 pe perioada cursurilor.
 Adresa e-mail responsabil pentru contactul cu studenţii:zgherasim.mfc@spiruharet.ro
Titularul / titularii cursului / serie:Prof.univ dr. Zenovic GHERASIM
zgherasim.mfc@spiruharet.ro sau
zenovic.gherasim@yahoo.com
Str. Splaiul Independenţei nr. 313, 3169785/110
Consultaţii: în fiecare marti orele 10.00-12.00
pe perioada cursurilor.
Asistent seminarii-laboratoare: Asist.univ. mat. Măriuţa TUDOR,
t_mariuta@yahoo.com
Asist.univ. Alexandru DUMITRU
alexd@ines.ro

Tematica disciplinei:

1. ASISTAREA DECIZIEI ECONOMICE

1.1 Definirea, rolul şi locul sistemelor informatice pentru asistarea deciziei
1.2. Decizia: loc, rol, clasificare
1.3. Decidenţii
1.4. Consideraţii asupra asistării deciziilor
1.5. Clasificarea sistemelor informatice pentru asistarea deciziei
1.6. Sisteme suport pentru asistarea deciziei
1.6.1. Subsistemul de gestiune a datelor
1.6.3. Subsistemul de gestiune a cunoştinţelor
1.6.4. Interfaţa cu utilizatorul

2. SIAD-URI BAZATE PE MODELE

2.1. Consideraţii referitoare la modele şi metode
2.2 Algoritmi euristici
2.3. Tabele de decizie şi arbori de decizie
2.4. Optimizare cu algoritmi – programare matematică
2.5 Simularea
2.5.1.Conceperea şi proiectarea modelului
2.5.2. Simularea cu instrumente in Excel
2.6.Teoria jocurilor
2.7. Modelele predictive
2.8. Programarea euristică
2.9. Metoda utilităţii globale maxime
2.10. Sistemul de gestiune a modelelor

3. SIAD-URI BAZATE PE ANALIZA ŞI SINTEZA DATELOR

3.1. Problematica generală
3.2. Depozite de date (Data Warehouse)
3.2.1. Definirea conceptului de depozit de date. Caracteristicile depozitelor de date
3.2.2. Rafturile de date
3.2.3. Memorii-tampon de date operaţionale
 3.2.4. Depozite de date de tip întreprindere
3.2.5 Diferenţierea depozitului de date de baza de date
3.2.6. Ciclul de viaţă al depozitelor de date
3.3. Modelarea conceptuală a depozitului de date
3.4. Modul de utilizare a depozitului de date
3.5. Mediul de depozitare al datelor
3.6. Abordarea multidimensională a datelor stocate în depozite
3.6.1. Definirea şi caracterizarea OLAP (On-Line Analytical Processing)
3.6.2. Modelarea dimensională – cuburi OLAP
3.6.3. Baze de date multidimensionale
3.6.4. Operaţii OLAP asupra hipercubului
3.7. Aplicaţie privind analiza datelor cu Microsoft OLAP
3.7.1. Analiza problemei de rezolvat
3.7.2. Definirea schemei bazei de date multidimensionale

4. DATA MINING – TEHNOLOGII DEDICATE EXTRAGERII CUNOŞTINŢELOR DIN

DATE
4.1. Problematica generală
4.2. Definirea conceptului Data Mining
4.3. Categorii de date care pot fi “minerite”
4.4. Categorii de modele de date care pot fi “minerite”
4.5. Sistemul Data Mining
4.5.1. Structura sistemului Data Mining
4.5.2. Arhitectura sistemului Data Mining
4.5.3. Clasificarea sistemului Data Mining
4.5.4. Explorarea datelor – conţinut şi etape
4.5.5 Raţionamentul bazat pe cazuri

Cuvinte-cheie: SIAD, DSS, OLAP, modelare, depozite de date, Data Warehouse, Data Mining.

1. ASISTAREA DECIZIEI ECONOMICE

1.1 Definirea, rolul şi locul sistemelor informatice pentru asistarea deciziei

Sistemul este o colecţie de părţi (elemente) organizate şi interconectate pentru

îndeplinirea unui anumit scop. Sistemul, în plan conceptual, este expresia abstractizării unor
fapte, fenomene, procese, obiecte din universul real pe baza unei structuri logice predefinite.
Concepţia sistemică oferă avantajul unei abordări integrale şi integrate a fenomenelor şi
proceselor specifice domeniilor abordate, evidenţiind latura calitativă corespunzătoare
elementelor sistemului. Subsistemul este o parte componentă a unui sistem, în funcţie de un
punct de vedere şi de scopul urmărit. După domeniul de aplicare, sistemele sunt politice,
economice, sociale, tehnice etc.
Sistemele economice sunt sisteme deschise (open systems), puternic ancorate în mediul
socio-economic (piaţa este o parte a acestui mediu) în care acestea funcţionează. Sistemele
economice, ca sisteme deschise, sunt sisteme cibernetice adică prezintă legătura de reacţie
(feedback) ce le permite o funcţionare normală. Sistemele economice prezintă un comportament
dinamic care asigură adaptarea la fluctuaţiile mediului socio-economic. Orice sistem economic
poate fi împărţit în mai multe subsisteme în funcţie de criterii specifice.
Societatea comercială (organizaţia economică) reprezintă un sistem economic care poate
fi divizat a) funcţional sau pe domenii de gestiune (producţie/servicii, comercial, cercetare-
dezvoltare, financiar-contabil, resurse umane) sau b) structural (organizatoric, decizional,
informaţional, tehnologic, relaţional pe resurse umane). Potrivit concepţiei holonice asupra
sistemelor, două sau mai multe sisteme autonome pot fi integrate (cu criterii şi obiective precise)
şi se poate obţine astfel un sistem holonic. În limba greacă, holos semnifică un întreg dedus din
părţi. Sistemul holonic (holonul) economic permite optimizarea atât pe sisteme componente cât
şi pe ansamblul sistemului integrator devenit sistem de referinţă, pe cele două planuri: real şi
conceptual.
Orice sistem economic modern performant este un sistem integrat funcţional şi structural.
Sistemele economice integrate pot fi abordate din perspectiva diferitelor şcoli de gândire
în management (tehnico-raţională, comportamentală, cognitivă). Acestor sisteme economice
integrate le sunt asociate sisteme informaţionale integrate, respectiv sisteme informatice
integrate. Sistemele informatice integrate economice au în compunere, în funcţie de nivelurile de
management ale organizaţiei economice (fig.1.1), sisteme informatice dedicate (integrate pe
orizontală), astfel: 1) nivelul de management strategic: sisteme informatice de sprijin al
executivului, ESS (Executive Support Systems) sau EIS (Executive Information System); 2)
nivelul de management mediu: sisteme informatice pentru management, MIS (Management
Information Systems) sau sisteme informatice pentru rapoarte de management, MRS
(Management Reporting Systems) şi sisteme informatice pentru asistarea deciziei, DSS (Decision
Support Systems); 3) nivelul lucrătorilor cu date, informaţii şi cunoştinţe: sisteme de
automatozare a lucrărilor de birou sau birotică, OAS (Office Automation Systems) şi sisteme de
lucru cu cunoştinţe, KWS (Knowledge Work Systems); 4) nivelul de management operaţional:
sisteme informatice pentru procesarea tranzacţiilor, TPS (Transaction Processing Systems). Cele
mai cunoscute implementări ale unor componente de integrare pe verticală ale sistemelor
informatice integrate economice sunt denumite: planificarea resurselor întreprinderii, ERP
(Enterprise Resource Planning), fabricaţie asistată de calculator, CAM (Computer-Aided
Manufacturing), planificarea resurselor de fabricaţie, MRP (Manufacturing Resource Planning),
sistem informatic de resurse umane, HRIS (Human Resources Information System), sistem
informatic contabil, AIS (Accounting Information System), sistem informatic financiar, FIS
(Financiar Information System), sistem informatic pentru marketing, MKIS (Marketing
Information System), sistem informatic de resurse informatice, IRIS (Information Resources
Information System), sistem informatic pentru managementul relaţiilor cu clienţii, CRM
(Customer Relationship Management), sistem de management al lanţului de distribuţie, SCM
(Supply Chain Management) etc.
Pentru studentul de la specializarea Contabilitate şi informatică de gestiune, elemente ale
OAS au reprezentat obiectul cursului de birotică, elemente ale TPS - al cursului de sisteme de
gestiune a bazelor de date, în timp ce elemente ale KWS au fost lămurite la cursul de sisteme
expert. DSS reprezintă obiectul de studiu al disciplinei Sisteme informatice pentru asistarea
deciziei (SIAD) economice. MIS reprezintă o disciplină de informatică pentru specializarea
Management. Este discutabilă separarea SIAD (DSS) de MIS, indiferent de modul de abordare,
având în vedere că luarea deciziei reprezintă scopul fundamental al oricărui sistem de
management. ESS sunt în curs de clarificare, conceptualizare şi realizare.
 Steven Alter consideră că sistemele informatice pentru asistarea deciziei (SIAD) sunt
destinate managerilor şi prezintă ca obiectiv fundamental eficientizarea deciziilor, spre deosebire
de TPS-uri care se ocupă de eficientizarea şi consistenţa datelor. Moore şi Chang arată că un
SIAD este extensibil şi capabil să suporte analize ad-hoc, precum şi modelarea deciziei
manageriale, folosit pe un interval de timp nedeterminat şi neregulat şi cu orientare principală pe
procese şi fenomene viitoare1.

General Manager

Management ESS, Executive Support Systems sau

strategic EIS, Executive Information Systems

Management MIS, Management Information Systems

de nivel şi
mediu DSS, Decision Support Systems

Lucrători cu date, OAS, Office Automation Systems

informaţii şi ORGANIZAŢIA (birotică)
cunoştinţe ECONOMICĂ KWS, Knowledge Work Systems

Management
operaţional TPS, Transaction
(de exploatare) Processing Systems

Fig. 1.1. Sistemele informaţionale/informatice în funcţie de nivelurile de management ale

organizaţiei economice

În lucrarea Decision Support Systems: A Knowledge-Based Approach (1996), Holsapple

şi Whiston evidenţiau caracteristicile unui SIAD astfel2:
1. are în compunere o bază de cunoştinţe referitoare la domeniul abordat de procesul
decisional;
2. permite achiziţia cunoştinţelor descriptive sau de natura procedurilor şi regulilor;
3. asigură posibilităţi de prezentare a unor cunoştinţe ad-hoc sau de realizare a unor rapoarte
periodice;
4. facilitează selectarea unor mulţimi de cunoştinţe pentru informare sau pentru asistarea
procesului decizional;

1
Oancea, M. – Sisteme informatice pentru asistarea deciziei financiare, Editura ASE, Bucureşti, 2005.
2
Lungu, I., Sabău, Gh., Velicanu, M., Muntean, M., Ionescu, S., Posdarie., E., Sandu, D, - Sisteme informatice.
Analiză, proiectare şi implementare, Editura Economică, Bucureşti, 2003.
 5. realizează interactivitatea sistem-decident.
Sistemele informatice pentru asistarea deciziei, SIAD – implică folosirea elementelor
aplicative din discipline diverse cum sunt statistica, economia, cercetările operaţionale,
tehnologiile informaţiei şi ale comunicaţiilor – IT&C, inteligenţa artificială, psihologia cognitivă
etc.
Sistemul informaţional economic reprezintă un cumul de resurse umane şi capital investit
într-o organizaţie economică pentru colectarea şi prelucrarea datelor necesare obţinerii
informaţiilor care vor fi utilizate la toate nivelurile de decizie ale conducerii şi controlului
activităţii acelei organizaţii.
Informaţie devine în felul acesta centrul în jurul căruia basculează întreaga activitate a unei
organizaţii economice.
Informaţia este văzută de DeMarco (1982) ca fiind abordabilă din trei perspective specifice
sistemelor informaţionale şi anume:
1) Datele care sunt văzute sub formă de atribute şi care reflectă structura statică a
sistemului informaţional.
2) Funcţiile scot în evidenţă ceea ce face sistemul. Ele pot fi văzute şi ca procese,
deoarece elementele sistemului care stochează datele sunt supuse transformărilor
funcţionale prin intermediul proceselor.
3) Comportamentul reflectă de fapt stările prin care trece sistemul la apariţia diverselor
evenimente care au impact asupra lui şi care îi conferă un statut dinamic.
Reenginering-ul organizaţiei economice semnifică regândirea din temelii şi reproiectarea
radicală a proceselor de afaceri cu scopul de a obţine o îmbunătăţire semnificativă a indicatorilor
critici de performanţă ai acestei organizaţii economice (costuri, calitate, viteză, service etc). În
reingineria proceselor de afaceri, BPR (Business Process Reengineering), IT&C joacă un rol
determinant.

1.2. Decizia: loc, rol, clasificare

Evoluţia tehnologiilor informaţiei şi ale comunicaţiilor, IT&C influenţează evoluţia

procesului managerial prin oferta de mijloace şi instrumente din ce în ce mai performante pentru
rezolvarea sarcinilor managerilor, sintetizate în ESS, MIS, DSS, KWS, OAS. Sistemele
informatice oferă un nivel rapid de obţinere, analiză şi interpretare a unei mari cantităţi de date şi
informaţie, ajutând la o adaptare rapidă a decidenţilor într-un mediu economic în permanenţă
dinamică. Tot ele asigură un înalt nivel de responsabilitate şi putere de decizie spre nivelele
inferioare. În acelaşi timp, procesul managerial are impact asupra modului în care se face
proiectarea şi realizarea sistemelor informatice care deservesc acest proces.
În principal, managerii utilizează sistemele informatice pentru planificarea, organizarea,
coordonarea, controlul şi previziunea activităţilor lor, dar şi pentru comunicarea dintre persoane,
stabilirea reţelelor în interiorul organizaţiei cât şi la rezolvarea problemelor curente. La baza
structurării sistemelor informatice se află sistemele informaţionale. Sistemul informaţional al
unei organizaţii conţine două subsisteme componente: subsistemul de conducere şi subsistemul
condus. În fluxul informaţional descendent se găseşte decizia, ca rezultat al procesului decizional
desfăşurat în cadrul subsistemului de conducere.
 Diverşi autori definesc decizia în moduri aproximativ asemănătoare ca de exemplu:
alegerea unei căi sau direcţii de acţiune (Simon, 1960), alegerea unei strategii de acţiune
(Fishburn, 1964), o alocare a resurselor (Spradlin, 1997), hotărârea luată ca urmare a examinării
unei probleme, situaţii etc., soluţia adoptată din mai multe posibile (DEX, 1998) etc. Decizia se
poate defini şi ca fiind rezultatul unor activităţi conştiente de alegere a unei căi de acţiune,
alegere care presupune alocarea unor resurse. Decizia reprezintă rezultatul prelucrării unor
informaţii şi cunoştinţe şi aparţine unei persoane sau grup de persoane (decidentul) care dispun
de autoritatea necesară şi care au responsabilitatea pentru utilizarea eficace a resurselor în
anumite situaţii date3. Decizia este o activitate a omului ce urmăreşte, în mod conştient, anumite
obiective. Pentru rezolvarea unei probleme decizionale se aleg obiectivele relevante pentru
problema respectivă. Aceste obiective relevante pot fi multiple şi, deseori, contradictorii. Ele
sunt funcţie de mai mulţi factori, dintre care se amintesc sistemul de valori (ansamblul
subiectelor de analiză adoptate sau impuse decidentului) şi orizontul decizional de timp (specific
problemei de decizie).
O primă clasificare a deciziilor, legată nemijlocit de decident, este realizată în funcţie de
domeniul de activitate al omului:
- decizii personale, când deciziile se referă la viaţa personală a unui om, iar resursele sunt timpul,
energia, banii, renumele, cunoştinţele profesionale;
- decizii manageriale, când deciziile se referă la organizaţia economică, iar resursele alocate sunt
umane, materiale, financiare şi informaţionale (dintre cele informaţionale, cele mai importante
fiind cunoştinţele tezaurizate în organizaţie).
După gradul de complexitate, deciziile pot fi simple sau complexe. Decizia simplă este
acea decizie care priveşte alegerea unei singure direcţii de acţiune sau acea decizie ce se
dovedeşte suficientă (la o primă analiză) pentru îndeplinirea obiectivelor. Decizia complexă
reprezintă un ansamblu de decizii simple care se adoptă pentru îndeplinirea unui obiectiv sau
grup de obiective.
După numărul de participanţi, deciziile sunt:
• cu decident individual;
• decizii cu mai mulţi participanţi (multiparticipant) sau cu echipe decizionale.
Clasificarea deciziilor în funcţie de nivelul decizional asociat cu orizontul decizional de
timp este:
a) decizii strategice care se referă la obiectivele, resursele şi politicile organizaţiei, pe
termen mediu şi lung (ani de zile); sunt specifice nivelului de managemement strategic (fig.1.1);
la elaborarea şi adoptarea acestor decizii participă un număr redus de decidenţi ce lucrează, de
regulă, într-o manieră creativă şi nerepetitivă; se folosesc date şi informaţii puternic agregate
provenite, în principal, din surse externe organizaţiei economice respective;
b) decizii tactice sau de conducere (control) managerială ce determină cât de eficiente
au fost folosite resursele; sunt specifice nivelului de management mediu şi au ca orizont de timp
lunile anului; interacţiunile personale sunt puternic prezente, adică controlul managerial
presupune o continuă interacţiune între persoanele care îndeplinesc obiectivele organizaţiei

3
Acad. Florin Gheorghe FILIP, Decizie asistată de calculator, decizii, decidenţi, metode şi instrumente de bază,
Editura Tehnică şi Editura Expert, Bucureşti, 2002.
(stabilite de nivelul de management strategic), în mod curent şi pe termen scurt; se folosesc date
şi informaţii mediu agregate provenite atât din surse interne cât şi din surse externe organizaţiei;
c) decizii de conducere (control) operaţională care determină modul în care sunt duse la
îndeplinire sarcinile primite de la nivelele de management superioare; orizontul de timp este de
săptămâni şi zile; se folosesc date şi informaţii provenite, în principal, din surse interne
organizaţiei;
În unele lucrări de specialitate, la acest criteriu de clasificare a deciziilor sunt cuprinse
şi:
d) decizii în ceea ce priveşte cunoştinţele, acestea fiind indisolubil legate de ideile care
se referă la noi produse şi servicii, metode de răspândire a acestor cunoştinţe şi de difuzare a
datelor şi informaţiior în cadrul organizaţiei. Sunt satisfăcute astfel toate nivelurile de
management ale organizaţiei economice prezentate în fig.1.1.
Clasificarea deciziilor în funcţie de gradul de structurare este:
a) decizii structurate sau programabile adică decizii uzuale pentru care există proceduri
realizate. Acest tip de decizii intervin în momentul în care apare un proces cunoscut. Dacă
decizia este supusă procesului de informatizare, ea este descrisă printr-un program a cărui
execuţie este fixă, deci nu pot exista reveniri, iar calea raţionamentelor nu este schimbată nici
prin program şi nici de utilizatori.
b) decizii nestructurate (neprogramabile) sunt cele care se bazează pe flerul şi modul de
judecată al decidentului care analizează problema. Acest tip de decizie se referă la tipuri de
probleme atipice pentru organizaţie, pentru care nu există proceduri prestabilite. O decizie este
considerată nestructurată atunci când elementele sale sunt de tip calitativ, obiectivele şi
finalitatea nu sunt precise şi nu există un algoritm cunoscut pentru rezolvarea lor;
c) decizii semistructurate sunt cunoscute ca decizii care pot fi rezolvate parţial cu
proceduri cunoscute, întrucât acestea au elemente predominant cantitative, scopurile nu sunt
precise, iar procedura de rezolvare nu asigură ansamblul elementelor problemei. Gradul de
structurabilitate a deciziei depinde de experienţa acumulată de decident precum şi de nivelul şi
importanţa ei. Conform terminologiei lui H. Simon, în cazul proceselor semistructurate apare
nevoia unui “asistent”, de fapt de “asistare a deciziei”. Acest termen de “asistare a deciziei”
trebuie definit la modul general ca fiind o serie de operaţii cum sunt sortarea clasificarea,
selectarea, evaluarea ce au ca scop final organizarea informaţiei, reducerea incertitudinii şi
obţinerea de variante de rezolvare. Dacă se consideră evoluţia în timp a acestui termen, atunci se
poate constata că acesta s-a dezvoltat prin folosirea metodelor cercetării operaţionale, dar sunt
greu de aplicat. De aceea a apărut un alt nivel de abordare a asistării deciziei şi anume “asistarea
interactivă”. Pe baza acesteia au apărut sistemele informatice de asistare a deciziei sau Decision
Support Systems (DSS), situate generic pe nivelul de management mediu.
O altă clasificare a deciziilor poate fi făcută în funcţie de cunoştinţele de care dispune
decidentul referitoare la evoluţia problemei pe care o are de rezolvat. În funcţie de acest criteriu,
deciziile sunt:
1. decizii în condiţii de certitudine ce presupun o cunoaştere a evoluţiei fenomenelor
viitoare, ceea ce se petrece mai rar în realitatea economică. O astfel de decizie se bazează pe
criteriul costului minim de funcţionare;
2. decizii în condiţii de incertitudine ce presupun cunoaşterea evoluţiei anterioare a
fenomenului economic. Acest mod de cunoaştere va permite o previziune şi o alegere cât de cât
corectă a variantei de decizie. Acest tip de decizie face parte din clasa generală a deciziilor de
orientare în care alegerea unei variante se face în funcţie de previziunile viitoare ale decidentului
precum şi de criterii obiective care presupun raţionament logic;
3. decizii în condiţii de risc ce presupun că decidentul cunoaşte aproximativ evoluţia
viitoare a fenomenului, posibilul trend al variabilelor necontrolabile şi chiar ce rezultate are
fiecare strategie analizată pe baza criteriului speranţei matematice. În acest caz procesul de
decizie va avea o multitudine de consecinţe, iar fiecăreia i se va asocia o probabilitate. Se obţine
o distribuţie a probabilităţilor din care se va alege varianta cu speranţa matematică cea mai bună.
Dacă există variante de decizie care au aceeaşi speranţă matematică, atunci se va calcula
intervalul de variaţie şi abaterea standard. Ca variantă optimă se va alege aceea care are cea mai
mică abatere standard.
După modul de abordare, deciziile se clasifică astfel4:
1. decizii rezultate ale activităţilor de management desfăşurate la întâmplare;
2. decizii rezultate ale activităţilor de management bazate pe rutină; se folosesc şabloane
ale activităţilor din trecut;
3. decizii rezultate ale activităţilor de management bazate pe instruire (iînvăţare); modelele
de decizii din trecut sunt modificate în funcţie de dobândirea de cunoştinţe, experienţe şi tehnici
noi;
4. decizii rezultate ale activităţilor de management paradigmatice; modelele de decizii de
succes din trecut sunt preluate ca exemple pentru situaţia actuală;
5. decizii bazate pe analiza deciziilor (analiza şi modelarea sistemică şi previzională);
analiza deciziilor, ca abordare prescriptivă, asistă decidentul în înţelegerea problemelor
decizionale şi în pregătirea acestuia pentru a face faţă situaţiilor neaşteptate şi nefavorabile;
analiza deciziilor nu poate influenţa hazardul şi nu poate provoca manifestarea norocului.
Deciziile rezultate ale activităţilor de management bazate pe instruire, precum şi cele
paradigmatice fac obiectul tehnicilor de inteligenţă artificială (sisteme expert, reţele neuronale
artificiale, sisteme bazate pe cazuri etc.).
După gradul de urgenţă, deciziile sunt:
• decizii luate strict în timp real; sunt adoptate pentru managementul situaţiilor de criză (de
exemplu, pentru conducerea unor instalaţii industriale, pentru gestionarea efectelor unor
calamităţi naturale – inundaţii, cutremure, incendii etc.); acest tip de decizii pot fi asistate de
tehnici de inteligenţă artificială;
• decizii luate aproape în timp real; sunt adoptate pentru gestionarea unor situaţii
decizionale importante pentru organizaţie cum sunt, de exemplu, oportunităţile de afaceri,
lansarea unui produs nou, prefalimentul firmei etc;
• decizii care nu sunt urgente; timpul la dispoziţia decidentului este suficient pentru
asiguraarea desfăşurării unei analize detaliate şi obţinerea unei rezolvări optime a problemei
decizionale.
După criteriul de secvenţialitate a deciziilor5, se deosebesc:
a) decizii independente, în situaţia în care decidentul ia o decizie complet
implementabilă;
b) decizii dependent-secvenţiale sau în cascadă (o decizie după alta);

4
G. Boldur-Lăţescu - Logica decizională şi conducerea sistemelor, Editura Academiei Române, Bucureşti, 1992.
5
Acad. Florin Gheorghe FILIP, Sisteme suport pentru decizii, Editura Expert, 2004.
c) decizii interdependente, adică decizii independente (în prima fază) sunt agregate (în
faza a doua).

1.3. Decidenţii

Modelul managementului clasic care descrie ce trebuie să facă un manager a fost

indiscutabil un model de top, aproape 70 de ani, începând cu anii 1920. Henri Fayol şi alţi
specialişti au prezentat, pentru prima dată, cele cinci funcţiuni clasice ale managerilor:
planificarea, organizarea, coordonarea, luarea hotărârilor şi controlul. La o analiză mai atentă,
s-a observat că descrierea funcţiunilor manageriale în aceşti termeni este neconcludentă deoarece
nu corespunde cu ceea ce managerii execută în activitatea de zi cu zi. Prin modele
comportamentale6, s-a definit comportarea managerilor care pare să fie mai puţin sistematizată,
mai informală, mai puţin organizată şi chiar mai neimportantă decât s-ar crede la prima vedere.
S-a constatat că activitatea managerială, în realitate, are cinci caracteristici care diferă
de modelul managementului clasic. Astfel:
a) activitatea managerială este foarte intensă, adică managerii trebuie să desfăşoare foarte
multe activităţi zilnice, într-un ritm destul de ridicat (unele studii indică 600 de activităţi pe zi);
b) activitatea managerială este fragmentată, ceea ce înseamnă că majoritatea activităţilor
durează mai puţin de 9 minute, numai 10% dintre activităţi depăşesc o oră;
c) este preferată comunicarea orală în detrimentul comunicării scrise deoarece oferă mai multă
flexibilitate, necesită mai puţin efort şi aduce un răspuns mai rapid;
d) managerii preferă informaţiile ad-hoc şi speculaţiile (informaţiile scrise uneori sunt vechi
sau aceasta este percepţia managerilor despre documentele scrise);
e) managerii lucrează pe baza unei reţele de contacte care funcţionează ca un sistem
informaţional informal.
Pe baza observaţiilor din lumea reală, Kotter susţine că managerii de fapt sunt implicaţi
în trei activităţi critice:
- petrec mult timp pentru stabilirea agendei personale şi a obiectivelor atât pe termen
scurt cât şi lung;
- consumă foarte mult timp pentru construirea unei reţele interpersonale formată din
angajaţii de la cât mai multe nivele, de la personalul care deserveşte depozitele de mărfuri şi
funcţionarii organizaţiei până la manageri şi managerii generali;
- folosesc întreaga lor pricepere şi desfăşoară activităţi de bază pentru a realiza ceea ce
au stabilit în agenda personală şi pentru a-şi atinge propriile scopuri.
Analizând comportamentul de zi cu zi al managerilor, Mintzberg a constatat că acest
comportament ar putea fi clasificat în funcţie de zece roluri manageriale ce pot fi împărţite în
trei categorii: interpersonale, informaţionale şi decizionale.
Prin rol managerial se înţeleg activităţile şi rezultatele acestora pe are managerii ar trebui
să le realizeze într-o organizaţie.
În cazul rolurilor interpersonale, managerii funcţionează ca reprezentanţi ai organizaţiei
economice în relaţiile cu lumea exterioară şi îndeplinesc sarcini simbolice, cum ar fi, de
exemplu, primirea delegaţiilor străine. Managerii acţionează ca lideri prin motivarea, consilierea
6
Laudon, K. ; Laudon, J. – Essentials of Management Information Systems, Organization and Technology in the
Networked Enterprise, Fourth Edition, JWS, New York, 2001.
şi sprijinul angajaţilor. De asemenea, aceşti manageri realizează legătura dintre diferitele nivele
ale organizaţiei economice, iar în interiorul fiecărui nivel asigură legătura dintre membrii echipei
de management. Managerii acordă timp şi favoruri pe care se aşteaptă să le primească înapoi.
Pentru eficientizarea acestor roluri interpersonale, managerii utilizează cele mai avansate tehnici
şi tehnologii de comunicare şi de comunicaţii.
Cât priveşte rolurile informaţionale, managerii acţionează în calitate de „servere” de
informaţii pentru organizaţia economică, primind informaţiile actualizate şi redistribuindu-le
celor care au nevoie de ele. Aceste roluri informaţionale sunt de monitor şi acumulator
(centralizarea şi stocarea tuturor datelor şi informaţiilor esenţiale despre organizaţie), de
diseminator al datelor şi informaţiilor ce trebuie supuse acestui proces (informaţii în formă brută
sau prelucrată), de generator sau creator de informaţie nouă (având la bază informaţia acumulată
şi interacţiunile ce se produc în decursul desfăşurării activităţilor), precum şi de purtător de
cuvânt sau reprezentant autorizat al organizaţiei. Un rol determinant în susţinerea acestor roluri
informaţionale îl au sistemele informatice dedicate şi sistemul informatic integrat al organizaţiei
economice în ansamblul său.
În situaţia rolurilor decizionale, managerii iau decizii. Ei funcţionează ca antreprenori
prin iniţierea diferitelor tipuri de activităţi, ei descoperă nefuncţionalităţile care apar în
organizaţie, alocă resursele personalului care are nevoie de ele, negociază conflictele şi mediază
neînţelegerile dintre diferite grupuri. În esenţă, rolurile decizionale sunt de întreprinzător sau
planificator (depistarea de oportunităţi de afaceri, focalizarea tuturor activităţilor pentru
îndeplinirea obiectivelor stabilite de managementul strategic, supervizarea proiectelor de
importanţă deosebită pentru organizaţia economică etc.), coordonator sau rezolvitor de probleme
perturbatorii care afectează cursul normal al evoluţiei strategice a organizaţiei economice,
organizator sau distribuitor al resurselor organizaţiei, precum şi de negociator.
Aşa cum s-a arătat mai sus, rolurile managerilor se clasifică în interpersonale,
informaţionale şi de decizie (sau decizionale). Tuturor acestor roluri manageriale li se asociază
sisteme informatice dedicate care întregesc sistemul informatic integrat al organizaţiei
economice.
Luarea deciziilor rămâne una dintre activităţile de bază ale managerilor – o persoană sau
un grup de persoane ce prezintă autoritatea necesară şi care au responsabilitatea folosirii
resurselor la dispoziţie în situaţii date.
La nivelul de exploatare se iau decizii puternic structurate, în timp ce la nivelul
managementului strategic se iau decizii nestructurate. Multe dintre problemele întâlnite de
lucrătorii cu date, informaţii şi cunoştinţe necesită, de asemenea, decizii nestructurate. Se
apreciază că la fiecare nivel de management organizaţional se iau atât decizii structurate cât şi
decizii nestructurate.

1.4. Consideraţii asupra asistării deciziilor

Situaţia decizională reprezintă momentul în care este necesară o decizie. Situaţiile
decizionale pot fi forţate şi neforţate7.
Situaţiile decizionale forţate (obiective sau provocate) sunt situaţiile decizionale
determinate de obţinerea unor informaţii ce conduc la observarea apariţiei unor manifestări

7
Acad. Florin Gheorghe FILIP, op.cit.ant..
externe sistemului, cum sunt abaterile intolerabile ale stării subsistemului condus faţă de o stare
prestabilită, stările noi ale sistemului, precum şi modificările sistemului economic observate în
mediul socioeconomic extern. De exemplu, contul de profit şi pierdere al unei firme semnalează
celorlalţi actori de pe piaţă starea de profitabilitate sau de faliment pentru acea firmă, iar bilanţul
firmei indică modificări intervenite în anul curent faţă de anul precedent. Achiziţionarea de către
o societate comercială de producţie unui utilaj performant în locul muncii manuale asigură
creşterea productivităţii muncii, determinând astfel o stare nouă a sistemului economic. O
abatere intolerabilă la o bancă comercială este depăşirea limitei de creditare impusă şi
supravegheată de Banca Centrală. Situaţiile decizionale forţate determină decizii corective şi
reactive în raport cu abaterile intolerabile, stările noi sau modificările intervenite în sistemul
economic. Un stimulent pentru o situaţie decizională forţată şi o decizie reactivă poate fi
observarea existenţei unei oportunităţi de afaceri pentru firmă.
Situaţiile decizionale neforţate (subiective sau neprovocate) reprezintă situaţiile
decizionale, determinate de voinţa decidentului, care se referă la luarea din timp a unor măsuri
preventive pentru situaţii ca producerea unor accidente de muncă sau boli profesionale la
angajaţii firmei, producerea unui incendiu, pierderea avansului competiţional al societăţii etc.
Situaţiile decizionale neforţate determină decizii proactive ca rezolvări ale problemelor de
explorare şi exploatare a oportunităţilor.
Procesul decizional este ansamblul de activităţi executat de o persoană sau grup de
persoane (decident) care sunt puse în faţa unui fenomen care poate genera mai multe variante de
acţiune şi având drept obiectiv alegerea uneia dintre ele care să răspundă cel mai bine sistemului
de valori ale persoanei, grupului de persoane sau organizaţiei în ansamblul său.
Decidentul uman, ca element fundamental al procesului decizional, prezintă mai multe
limite care determină necesitatea şi oportunitatea asistării informatizate a deciziilor. Astfel, se
deosebesc limite cognitive (se referă la capacitatea limitată a omului de a memora şi prelucra
date, informaţii şi cunoştinţe), limite de timp (multe decizii trebuiesc adoptate de decidentul
uman sub presiunea timpului la dispoziţie extrem de mic; ca urmare, aceste decizii pot fi eronate
în raport cu problema decizională) şi limite economice (sunt determinate de costurile obţinerii,
stocării, prelucrării, transmiterii şi diseminării datelor, informaţiilor şi cunoştinţelor către toţi
membrii echipelor manageriale).
Procesul de adoptare a deciziilor este constituit din următoarele etape sau faze ale
procesului decizional (cu caracter generic):
1. Informarea generală (sau „intelligence”, după H.Simon), etapă în care sunt analizate
evenimentele apărute în organizaţia economică şi depistate cauzele lor de apariţie. Această
etapă conţine subetapele de stabilire a obiectivelor, de identificare a problemei, de
descompunerea a ei, de stabilire a responsabilităţilor şi are ca rezultat descrierea formală a
problemei decizionale, a categoriei din care aceasta face parte şi a tuturor responsabilităţilor
care decurg de aici.
2. Design-ul (proiectarea) sau modul de concepere al procesului de asistare a deciziei –
presupune alegerea sau construcţia unui model pentru asistarea deciziei precum şi subetapele
de testare şi validare. Una din subetapele design-ului este modelarea ce implică modul de
concepere a problemei precum şi abstractizarea ei cantitativă şi/sau calitativă. Experienţa
decidentului îşi pune amprenta pe modul de alegere a modelului dintr-o multitudine
 existentă, dezvoltă proceduri mentale care ajută la încadrarea problemei de rezolvat într-o
anume clasă de modele existente.
3. Alegerea (sau „choice”) este etapa de bază pentru adoptarea deciziei deoarece în cadrul ei se
concretizează rezultatele obţinute în celelalte etape. Decidentul alege o singură acţiune din
multitudinea existentă în funcţie de criteriul de selecţie propus şi de modelul decizional pe
care l-a ales (din clasa de modele la dispoziţie). Decidentul alege între posibilităţile în funcţie
de soluţionarea definitivă a modelului, de selectarea celei mai adecvate alternative şi tot el
selectează planul pentru implementare. Pentru alegere sunt evidenţiate mai multe metode de
căutare ca de exemplu: tehnici analitice, metode de căutare exhaustive prin care rezultatele
obţinute de fiecare alternativă sunt comparate, metode euristice care sunt aplicabile în
metodele descriptive.
Metodele analitice sunt utilizate datorită utilizării formulelor matematice pentru a găsi
soluţia optimă. Utilizarea lor este restricţionată de natura problemelor, iar acestea trebuie să fie
structurate. Se pot aplica astfel de metode pentru probleme de gestiune a stocurilor sau de
alocare a resurselor. Algoritmii stau la baza acestor metode şi conduc la obţinerea unor soluţii
viabile pentru modelul ales.
Metodele de căutare exhaustivă sunt utilizate în genere la luarea în considerare a tuturor
căilor de acţiune pentru a ajunge la scopul propus. Aceste metode au la bază un proces neghidat,
proces în urma căruia se alege soluţia optimă. Căutarea de obicei este incompletă întrucât
posibilităţile de căutare sunt limitate de timp, spaţiu de memorie şi el se va opri când se va găsi o
soluţie apropiată de cea optimă (numită suboptim).
Metodele de căutare euristice se bazează pe o riguroasă analiză a problemei sau printr-o
căutare prin încercări succesive a spaţiului soluţiilor. Raţionamentul făcut prin parcurgerea
spaţiului de căutare a soluţiri permite trecerea prin toate stadiile intermediare către o stare finală
care poate fi un rezultat satisfăcător sau o nereuşită (eşec). Se precizează că metoda de căutare
care este implementată de un sistem de asistare a deciziilor este o metodă euristică.
Ca ultimă etapă în adoptarea deciziei este evaluarea rezultatelor soluţiei.
4. Implementarea (sau „review”) este etapa în care se face declanşarea acţiunii alese (propuse)
de decident.
De obicei, această etapă este o mare consumatoare de timp, resurse şi în cursul ei pot apare
diverse probleme de rezolvat, ca de exemplu gradul de suport al nivelurilor superioare
decizionale.
Analiza deciziilor asigură un cadru sistematic de abordare, structurare, descompunere şi
rezolvare a problemelor decizionale, ajutându-l şi stimulându-l pe decident să gândească şi să
preia critic alternativele propuse de echipa managerială sau de către un sistem informatic de
asistare a deciziei. Analiza deciziilor este sprijinită de metode, tehnici şi instrumente informatice
specifice sau preluate din alte discipline (cercetări operaţionale, statistică, probabilităţi, simulare
etc.).
Pentru procesul decizional structurat şi pentru cel semistructurat se pot folosi modelele
cantitative bazate pe metode şi modele ale cercetării operaţionale. Această abordare presupune
automatizarea totală sau parţială a procesului de adoptare a deciziei şi constă în următorii paşi:
a) descrierea şi definirea problemei;
b) găsirea categoriei din care face parte problema;
 c) elaborarea unui model matematic care să se plieze cel mai bine pe descrierea problemei;
d) alegerea soluţiei.
Modelele cercetării operaţionale se obţin prin metodele acestei cercetări. Metodele
cercetării operaţionale, utilizate la fundamentarea procesului decizional, sunt programarea
matematică (liniară, neliniară, pătratică), teoria stocurilor, teoria jocurilor, teoria grafurilor, teria
echipamentelor etc. Se obţin astfel soluţii optimale pentru problema decizională de rezolvat.
Procesul decizional care poate fi modelat presupune că situaţia reală se poate configura
pe un model. S-au implementat o serie de metodologii automate care permit obţinerea soluţiilor
pentru un model cunoscut.
Calculatorul electronic poate primi modelul pentru decizii structurate şi tot el poate fi
decidentul. Spre exemplu, el poate decide când să se facă reaprovizionarea stocului cu materii
prime şi materiale al societăţii comerciale şi, în acest caz, libertatea de a alege în afara soluţiei
optime, dispare.
În cazul în care există decizii mai puţin structurate se va utiliza un gen de modelare locală
sau personalizată care presupune utilizarea mai multor modele sau chiar construirea altora
proprii. Modelarea personalizată este un proces interactiv şi a dat şi numele primelor sisteme:
sisteme interactive de asistare a deciziei. Acestea reprezintă, în esenţă, sisteme informatice de
asistare a deciziei orientate pe modele.
Sistemele de asistare a deciziei orientate pe date prelucrează date ce se găsesc în
depozitul de date al organizaţiei. Aceste sisteme funcţionează pe baza analizei şi agregării datelor
şi au ca funcţii accesul imediat la date, dispun de un mecanism pentru analiza imediată a datelor,
creează statistici. Acest tip de sisteme este rezultatul creării unor tehnologii speciale cum sunt:
• depozitarea unor volume enorme de date istorice ale organizaţiei (Data Warehousing);
• exploatarea acestor depozite prin procesare analitică on-line (OLAP, OnLine Analytical
Processing).
Adoptarea deciziilor constituie un proces care pe lângă suportul tehnic are nevoie de un
suport cognitiv care este asigurat de partea umană componentă integrantă a sistemului
decizional. Suportul cognitiv înglobează cunoştinţele şi experienţa decidentului precum şi
capacitatea acestuia de raţionament. Suportul cognitiv este sprijinit şi marcat în ultimele decenii
de apariţia sistemelor informatice de lucru cu cunoştinţe, KWS (Knowledge Work System) care
se ocupă de probleme de stocare, clasificare, menţinere şi calitate a cunoştinţelor.
Dacă în sistemele informatice de asistare a deciziei se includ şi bazele de cunoştinţe, se
definesc astfel sisteme informatice de asistare a deciziei orientate pe cunoştinţe sau aşa numitele
sisteme informatice de asistare inteligentă a deciziei.
După clasificarea lui Schneider (1994), există patru categorii de probleme decizionale:
a) decizia de tip alegere (se porneşte de la o mulţime de alternative din care se alege o
singură alternativă);
b) decizia simplă (se porneşte cu problema bine formulată şi cu o mulţime de activităţi
de rezolvare a problemei şi se finalizează cu soluţionarea problemei prin realizarea unui plan de
acţiune);
c) decizia complexă (problema de rezolvat se descompune în mai multe probleme simple
sau subprobleme care se soluţionează cu decizii simple);
d) decizia de tip proces (este o decizie de tip secvenţial).
 Procesul decizional este puternic influenţat de caracteristicile mediului socio-economic
în care-şi desfăşoară activitatea organizaţia economică, cum sunt:
1. existenţa competiţiei pe piaţă, din ce în ce mai acerbă şi mai evoluată; produsele şi
serviciile oferite pieţii sunt apreciate în conformitate cu un ansamblu de criterii (preţ, calitate,
nivel tehnologic încorporat, termen de livrare, durata de viaţă sau existenţă pe piaţă);
2. ritmul schimbărilor tehnologice (se reaminteşte aici, deja celebra lege a lui Moll,
conform căreia, în domeniul tehnologiilor informaţiei şi ale comunicaţiilor, IT&C, fiecare
generaţie tehnologică asociată, de regulă, cu microprocesorul structurii de calcul, se modifică la
fiecare 18 luni) şi de alte tipuri (politice, legislative, sociale) care determină creşterea numărului
de alternative ce constituie input-uri ale procesului decizional;
3. modificarea modului de organizare şi de funcţionare a organizaţiei economice (ca, de
exemplu, apariţia şi dezvoltarea organizaţiei virtuale) ce determină mărirea ponderii decidenţilor
de tip multiparticipant asociaţi în echipe virtuale; prin reingineria proceselor de afaceri, BPR
(Business Process Reengineering) sunt gestionate toate aceste modificări organizaţionale;
4. creşterea continuă şi diversificarea surselor externe de date, informaţii şi cunoştinţe;
5. creşterea continuă a pretenţiilor acţionarilor faţă de performanţele organizaţiei
economice, dar şi a aspiraţiilor personale ale angajaţilor acesteia şi ale candidaţilor la angajare
proveniţi din mediul socioeconomic.

1.5. Clasificarea sistemelor informatice pentru asistarea deciziei

Semantic, un sistem informatic de asistare a deciziei este o arhitectură abordată unitar,

care presupune un dialog permanent cu utilizatorul, dar decizia finală este adoptată de utilizator
şi nu de sistem. Toate posibilele definiţii date SIAD-ului au ca punct de pornire obiectivele şi
modul lor de îndeplinire sau pornesc de la compararea specificităţii acestora cu alte sisteme
informatice. De regulă, se face comparaţia între sistemele informatice de asistare a deciziei
(SIAD-uri) sau sistemele suport pentru decizii manageriale, DSS (Decision Support Systems) şi
celelelte sisteme informatice din imediata lor vecinătate (fig.1.1), cum sunt: sistemele
informatice pentru management (MIS), sistemele informatice pentru sprijinul conducerii
executive (ESS) sau sistemele de lucru cu cunoştinţe (KWS). MIS, de obicei, pun la dispoziţia
utilizatorului rapoarte de sinteză sau probleme de excepţie în funcţie de criterii predefinite,
referindu-se cu prioritate la un anumit domeniu (contabilitate, marketing etc.). Diferenţa dintre
MIS şi SIAD (DSS) constă în aceea că MIS pleacă de la date şi relaţiile dintre acestea pe când
SIAD-ul porneşte de la decident şi de la decizie. ESS (EIS) sunt sisteme destinate asistării
deciziilor pe cel mai înalt nivel al managementului organizaţional, ajută la identificarea şi
rezolvarea problemelor prin sesizarea de noi oportunităţi. De asemenea, acest tip de sisteme au
posibilitatea de a oferi decidentului tendinţe, analize pentru activitatea concurenţială.
Caracteristicile principale ale SIAD (DSS) sunt: rezolvarea acelor probleme care nu se
pot rezolva cu sisteme destinate cuantificării cantitative; rol de asistare a decidenţilor
(managerilor) la nivel individual sau de grup în toate etapele procesului decizional; soluţiile sunt
obţinute prin manipulări de date, căutări de informaţii, modele, calcule; timpul de răspuns pentru
obţinerea unei soluţii acceptabile este limitat.
 Clasificarea SIAD-urilor se face după mai multe criterii, cel mai des utilizat fiind
componenta tehnologică dominantă (în unele lucrări, gradul de analiză a datelor pe care se
bazează soluţia):
1. SIAD-uri orientate pe modele. Modelul cantitativ este sprijinit de o interfaţă care
facilitează utilizarea. Aceste SIAD-uri realizează analize de tipul „what...if” . Activităţile
implicate sunt de tipul modelare-simulare, previziune, optimizare.
2. SIAD-uri orientate pe date care se referă la un volum apreciabil de date (date istorice)
stocate în sistemul informatic al organizaţiei şi oferă posibilitatea de a extrage informaţii utile
din multitudinea de date de care dispune. Aceste tipuri de SIAD-uri au la bază depozitele de
date (Data Warehouse), iar prelucrarea este asigurată de tehnologiile informaţionale OLAP
(procesarea analitică online) şi Data Mining (explorarea şi căutarea datelor).
3. SIAD-uri bazate pe cunoştinţe care utilizează tehnologiile inteligenţei artificiale şi de
aceea se mai numesc şi SIIAD (sisteme informatice inteligente de asistare a deciziei).
4. SIAD-uri orientate pe comunicaţii la care componenta tehnologică dominantă este
reprezentată de comunicaţiile bazate pe calculatoare şi reţele de calculatoare;
5. SIAD-uri orientate pe documente (sau sisteme de management al documentelor, DMS,
Document Management Systems) care asigură stocarea şi regăsirea documentelor (inclusiv a
paginilor Web) şi informaţiilor prin tehnici (motoare) speciale de căutare (Search).
Primele trei categorii de SIAD-uri fac obiectul abordării detaliate în capitolele următoare
ale lucrării de faţă.
O a doua clasificare, oferită de Holsapple şi Whinston, grupează sistemele SIAD în cinci
1
tipuri:
1. SIAD bazate pe analiza textelor; toate informaţiile de care are nevoie decidentul le
găseşte sub formă de text care trebuie analizat; documentele sunt create, revizuite şi
vizualizate automat; de asemenea, documentele sunt grupate, fuzionate şi expediate sub
diferite formate şi cu diferite tehnologii (de exemplu, hypertext şi agenţi inteligenţi); sunt
identificate locaţiile corespunzătoare colecţiilor mari de date;
2. SIAD baze de date au drept componentă principală baza de date a organizaţiei; sistemul
de gestiune al bazelor de date (SGBD) asigură structurile de date, modurile de acces la date,
specificarea volumului corespunzător colecţiilor de date, asistarea interogărilor asupra bazelor
de date.
3. SIAD procesoare de tabele au ca principală componentă procesoarele de tabele care ajută
utilizatorul să descrie modele pentru analiză. Cel mai utilizat procesor de tabele este Excel
care include modele statistice, financiare, de previziune, de simulare. Modelul folosit se
generează prin selectarea obiectelor (conceptelor) şi a relaţiilor (ecuaţiilor) dintre obiecte.
4. SIAD bazate pe funcţii; funcţia care de fapt este o procedură sau un algoritm scris într-un
limbaj de programare şi destinată a fi utilizată pentru rezolvarea unui anumit tip de probleme;
5. SIAD bazate pe reguli; regulile sunt prevăzute în KWS, specifice inteligenţei artificiale.
Dacă se consideră drept criteriu de clasificare – frecvenţa folosirii SIAD-urilor, acestea se
împart în:

1
Zaharie D, Albescu F, colectiv – Sisteme informatice pentru asistarea deciziei, Editura Dual Tech, Bucureşti,
2001.
a) SIAD-uri organizaţionale, adică acele SIAD-uri integrate în sistemul informatic total
(integrat) al organizaţiei economice care prezintă obiective precise pentru asistarea deciziilor ce
posedă caracter de repetabilitate; sunt puse la punct şi utilizate pe perioade mari de timp;
b) SIAD-uri ad-hoc, adică acele SIAD-uri care rezolvă probleme unicat de asistare a
deciziei; prezintă costuri ridicate de dezvoltare.
În ultimii ani au apărut SIAD de grup (Groupware) ca tip de suport al deciziilor pentru
un grup de decidenţi ale căror decizii au o pondere însemnată în luarea deciziilor într-o
organizaţie. Scopul utilizării unor astfel SIAD-uri este creşterea calităţii procesului decizional
datorită lucrului în echipă precum şi creşterea gradului de creativitate al grupului.
La realizarea SIAD-urilor (şi nu numai), este avut în vedere un ansamblu de
caracteristici. Dintre aceste caracteristici, cele mai importante sunt:
- să fie flexibile şi să furnizeze mai multe opţiuni pentru gestionarea datelor şi
evaluarea lor intermediară şi finală;
- să fie capabile să suporte o mare varietate de stiluri, calificări şi clasificări;
- să se bazeze pe mai multe modele analitice şi intuitive pentru evaluarea datelor şi să
dispună de capacitatea de a urmări mai multe alternative şi consecinţe;
- să reflecte înţelegerea grupurilor şi proceselor organizaţionale de luare a deciziilor;
- să fie sensibile la birocraţia şi cerinţele politicilor organizaţionale;
- să reflecte şi să conştientizeze limitele sistemelor informatice.
Aşa cum s-a arătat deja, SIAD-urile sunt încorporate în cadrul sistemelor informatice
integrate (la nivelul organizaţiei economice), asimilate după unele lucrări, cu sistemele de
planificare a resurselor întreprinderii, ERP (Enterprise Resource Planning).

1.6. Sisteme suport pentru asistarea deciziei

Ca şi alte tipuri de sisteme informatice, SIAD-urile au ca bază un suport soft care le oferă
un mediu de întreţinere, dezvoltare şi funcţionalitate, ele funcţionând într-un mediu creat de
sisteme suport de asistare a deciziei (SSAD).
Funcţiile unui SIAD sunt: gestiunea datelor, gestiunea modelelor, gestiunea cunoştinţelor
şi gestiunea comunicării între utilizator şi sistem şi între date şi modele, cunoştinţe.
Un sistem suport pentru SIAD (SSAD) prezintă în arhitectura sa următoarele subsisteme:
subsistemul de gestiune a datelor; subsistemul de gestiune a modelelor; subsistemul de gestiune
a cunoştinţelor; subsistemul de gestiune a dialogului (sau interfaţa cu utilizatorul).

1.6.1. Subsistemul de gestiune a datelor

Subsistemul de gestiune a datelor are următoarele componente:

a) baza de date ce poate fi proprie SIAD sau se poate crea prin extragere de date din alte
baze de date sau dintr-un depozit de date. Ea poate fi utilizată de unul sau mai mulţi decidenţi
pentru diverse aplicaţii. Datele pot proveni din mai multe surse interne organizaţiei sau chiar din
afara ei, ele putând fi incluse în baza de date proprie sau pot fi accesate direct doar în momentul
în care se utilizează sistemul.
b) sistemul de gestiune a bazelor de date, SGBD, ce este de obicei încorporat în SIAD şi
de cele mai multe ori el este de tip relaţional.
c) dicţionarul de date (Data Dictionary) ce conţine un catalog al datelor bazei de date
împreună cu definiţia lor şi care este utilizat în prima fază a procesului decizional - faza de
identificare a problemelor.
d) facilităţile de integrare a datelor ce se referă la existenţa limbajelor declarative de
interogare.
Factorii de diferenţiere a datelor, pe diferitele niveluri de management organizaţional,
sunt structurile de date, existenţa posibilităţii de agregare a datelor, dimensiunea datelor
(unidimensionalitatea sau multidimensionalitatea), orizontul de timp, metadatele.
Metadatele sunt date despre date. Este realizat, în acest scop, un dicţionar al metadatelor
ce poate conţine inclusiv metadate partajate. Dacă se prevede un server comun de metadate,
atunci orice aplicaţie se poate folosi de aceste metadate.

1.6.2. Subsistemul de gestiune a modelelor

Subsistemul de gestiune a modelelor prezintă următoarele componente:

a) modelele – sunt reprezentate de modelele financiare, statistice, de previziune şi stau la
baza analizei obţinerii soluţiilor pentru sistemul decizional;
b) sistemul de gestiune al modelelor (similar SGBD), destinat pentru crearea de noi
modele cu ajutorul limbajelor de programare, subrutine, sau de actualizare a modelelor deja
existente;
c) dicţionarul (catalogul) de modele;
d) procesul de execuţie şi integrare a modelelor, ce este utilizat pentru a interpreta
instrucţiuni create de utilizator pentru un anumit model utilizator şi pentru transmiterea acestora
către sistemul de gestiune a modelelor.

1.6.3. Subsistemul de gestiune a cunoştinţelor

Subsistemul de gestiune a cunoştinţelor înglobează sisteme expert ce oferă pentru SIAD

soluţii pentru aspectele calitative nestructurate. Sistemele expert utilizate în acest context se vor
axa pe analiza problemei şi selecţia modelelor care pot oferi soluţii pentru problema respectivă şi
realizarea modelelor.
1.6.4. Interfaţa cu utilizatorul

Subsistemul de dialog cu utilizatorul sau interfaţa este o componentă care asigură

interactivitatea SIAD. SSAD este gestionat de un produs soft denumit sistemul de gestiune al
interfeţei cu utilizatorul (SGIU), format din programe speciale cum sunt: interfaţă grafică
(Graphic User Interface, GUI), prezentarea datelor sub diverse forme (grafice, figuri, tabele),
dialog cu utilizatorul în diverse moduri şi altele. Datorită rolului pe care îl are în SIAD
utilizatorul este considerat o parte componentă a acestuia. Pentru SIAD, utilizatorul devine
manager sau decident.

2. SIAD-URI BAZATE PE MODELE

2.1. Consideraţii referitoare la modele şi metode

Un sistem informatic de asistare a deciziei (SIAD) foloseşte un set de modele ca

instrumente de analiză. Modelarea este considerată esenţială pentru sistemele informatice de
asistare a deciziei şi implică partea de concepere a problemei şi partea de abstractizare în
expresii cantitative sau calitative. Funcţionarea SIAD pe bază de modele se axează pe utilizarea
modelelor pentru rezolvarea unor probleme cu care sunt confruntaţi managerii, dacă aceste
probleme pot fi parţial modelate. Principala caracteristică a acestor sisteme este modelarea
euristică utilizată ca metodă de rezolvare a acelor probleme care nu se pot rezolva prin metode
analitice.
Modelul oferă un mod simplificat sau abstractizat de abordare a realităţii. Simplificarea
rezidă din faptul că problemele din lumea reală sunt mult prea complicate, iar unele aspecte ale
acestei realităţi nu sunt întotdeauna relevante. Gradul de abstractizare al unui model este dat de
mai multe criterii, după care se va face şi clasificarea lor:
a) modele iconice cu un grad mic de abstractizare, cu reflectarea fidelă a realităţii la o altă
scară;
b) modele analitice care au acelaşi comportament cu sistemul real, dar sunt diferite întrucât
ele sunt reprezentări simbolice. Astfel de modele pot fi diagramele, graficele bidimensionale;
c) modele cantitative (matematice) ce au un înalt grad de abstractizare şi care sunt cele mai
des folosite în SIAD.1
Ca structură, modelul are trei componente principale:
1. variabilele de decizie care descriu opţiuni alternative şi ele sunt date de decident;
2. parametrii ce influenţează rezultatul, dar nu pot fi controlaţi de decident, ei devenind de
fapt restricţii ale problemei, limitând soluţiile acesteia;
3. variabilele rezultat care sunt variabile dependente de adoptarea unor acţiuni şi de
parametrii modelului.
De obicei, modelele pot fi de optimizare cu ajutorul unui algoritm, cu ajutorul unei formule,
obţinându-se modele de simulare, euristice şi chiar predictive, adică acele care pot da trend-ul
referitor la un scenariu utilizat. De remarcat este că fiecare metodă de rezolvare se poate aplica
unui model static sau dinamic construit în ipoteza de certitudine, incertitudine sau risc.
Conceptul de model a fost preluat din tehnică, matematică şi de la analiştii de sistem.

1
Zaharie D, Albescu F, colectiv – Operă citată
 Modelul se poate defini ca o reprezentare abstractă şi simplificată a unui proces
economic. Metoda modelării este astfel un instrument al cunoaşterii ştiinţifice şi are drept obiect
construirea unor reprezentări care să permită o cunoaştere pertinentă a diverselor domenii. În
esenţă metoda modelării constă în substituirea procesului real studiat cu un model care este mai
accesibil studiului.
Rezultatele obţinute prin modelare se pot extrapola către procesul modelat, cu condiţia ca
modelul să reprezinte proprietăţile, structura şi particularităţile acestuia. De aceea trebuie ţinut
cont de faptul că indiferent de modelul economico-matematic ales, el va reprezenta fidel un
anume fenomen, numai în măsura în care acesta are la bază teoria economică, teorie care descrie
categoriile, conceptele şi legile obiective ale realităţii economice. Modelele se pot grupa pe
categorii în funcţie de anumite criterii.
1. După sfera de cuprindere a problematicii economice sunt:
- modele macroeconomice care sunt definite ca modele de ansamblu ale economiei;
- modele mezoeconomice care au ca domeniu de reflectare nivelel regional, teritorial;
- modele microeconomice care au un domeniu mai restrâns şi se referă la nivelul firmelor.
2. După domeniul de provenienţă şi concepţie :
- modele cibernetico-economice, care se bazează pe relaţii I/O cu evidenţierea fenomenelor
de reglare;
- modele econometrice în care elementele numerice sunt determinate statistic şi identifică
tendinţe sau periodicităţi;
- modele ale cercetării operaţionale care permit obţinerea soluţiei optime sau apropiate de
optim pentru un anume fenomen supus studiului;
- modele din teoria deciziei;
- modele de simulare prin care se poate stabili modul de funcţionare al unui sistem micro sau
macroeconomic prin combinaţii aleatoare de valori pentru variabilele independente
- modele specifice de marketing.
3. După caraterul variabilelor modelele sunt:
- modele deterministe cu mărimi cunoscute;
- modele stochastice sau probabiliste în care intervin mărimi a căror valoare este permanent
însoţită de o probabilitate.
4. După factorul timp modelele sunt statice şi dinamice.
5. După orizontul de timp considerat sunt modele discrete sau secvenţiale şi modele
continue.
6. După structura proceselor modelate sunt:
- modele cu profil tehnologic;
- modele informaţional-decizionale;
- modele ale relaţiilor umane;
- modele informatice.
În cadrul celor şase grupe, modelele mai pot fi caracterizate ca fiind:
- descriptive pentru că realizează o cunoaştere directă a procesului studiat;
- normative deoarece permit realizarea unui comportament viitor cerut de factorii de
decizie.
Metodele folosie pentru rezolvare constau dintr-o succesiune de operaţii logice şi
aritmetice care sunt denumite algoritmi.
Se poate afirma că algoritmii pot fi exacţi (riguroşi), aproximativi şi euristici.
 Pentru ca un algorim să răspundă cerinţelor opentru care a fost construit, el va trebui să
satisfacă următoarele cerinţe:
- universalitatea, adică să asigure prelucrarea unui număr mare de date de intrare;
- finitudinea, adică timpul de obţinere a rezultatelor să fie de ordinul ore, iar necesarul de
memorie să fie minim;
- determinismul.
Adaptările modelării matematice la fenomene economice au la bază şi concepţia asupra
mărimilor care intervin în procesul de fundamentare corectă a deciziilor. De menţionat este
faptul că aceste mărimi care intervin implică observări, anchete, raportări care permit o măsurare
a lor cu diferite grade de precizie. Conform cu gradul de precizie mărimile care caracterizează
procesele economice se pot clasifica în:
- mărimi deterministe care sunt bine definite şi au o valoare unică;
- mărimi stochastice sau aleatoare ce deţin o multitudine de valori cărora li se asociază o
probabilitate;
- mărimi fuzzy care nu au valoare unică, ci dispun de o mulţime de valori cărora li se asociază
un grad de apartenenţă la o anume proprietate.
Conform cu clasificarea mărimilor ce caracterizează procesele economice se ajunge la o
similară clasificare a metodelor de prelucrare pentru adoptarea deciziilor.
Astfel se poate afirma că sunt metode deterministe, metode stochastice şi metode fuzzy.
Se poate face o clasificare care are la bază criteriul exactităţii şi astfel metodele pot fi: exacte,
aproximative şi euristice.
Metodele exacte permit ca pentru o problemă de decizie economică să se obţină o soluţie
S care îndeplineşte fără nici un dubiu restricţiile impuse şi/sau condiţiile de optim, condiţii cerute
de criteriile de eficienţă. Dacă se face notaţia S1 pentru vectorul soluţiilor adevărate şi notaţia S
vectorul soluţiei efectiv adoptate, atunci: S-S1=0.
Metode aproximative permit obţinerea unei soluţii S diferită de soluţia adevărată S1
printr-un vector ε dominat de un alt vector ∝ dinainte stabilit astfel că vom avea:
S-S1=ε≤∝ (1)
Metode euristice sunt utilizate în cazul unor probleme complexe pentru că într-un timp
relativ scurt, comparativ cu alte metode, se obţine o soluţie acceptabilă din punct de vedere
practic, S care nu prezintă garanţii asupra rigurozităţii rezolvării.
Este dat vectorul erorii admisibile ∝, dar metodele euristice nu pot totdeauna să ducă la o
soluţie S care să îndeplinească proprietatea (1). Sunt însă cazuri când metodele euristice reuşesc
să asigure respectarea relaţiei (1), cu o anumită probabilitate. Acest tip de metode sunt
considerate a fi o succesiune de încercări sau tatonări a căror alegere este de fiecare dată legată
de natura problemei care se rezolvă şi de analistul de sistem.

Etapele procesului de modelare.

Modelele pentru a fi utile practicianului trebuie să fie simple, suple, accesibile şi
adaptabile.
Modelarea are ca etape;
1. cunoaşterea detaliată a realităţii sistemului de modelat;
2. construirea modelului economico-matematic;
3. experimentarea acestui model;
4. implementarea modelului şi actualizarea soluţiei.
 Construirea modelului presupune alegerea instrumentelor de modelare, fie ele clasice
sau nu. Pentru elaborarea unor modele noi, analistul poate decide în a alege o combinaţie de
modele clasice sau modele noi. Experimentarea modelului se face in vivo prin aplicarea
modelului descriptiv sau normativ în practica firmei şi prin determinarea eficienţei sale. Modul
acesta de experimentare se realizează numai pe eşantioane reduse, pentru că implică riscuri.

2.2 Algoritmi euristici

Modelarea procedurală.
Metodele de optimizare bazate pe metode normative se pot uneori îndepărta de realitatea
economică şi de aceea aceste inconveniente pot fi îndepărtate prin utilizarea modelării
procedurale. Pentru a cunoaşte legile care definesc un fenomen economic se parcurg următorii
paşi:
• observarea sub aspect descriptiv-calitativ a fenomenului luat în studiu;
• formularea unor legi de tip descriptiv-calitativ;
• observarea fenomenelor sub aspect cantitativ şi formulareaunor legi cantitative;
• adoptarea unor decizii;
• stabilirea efectelor deciziilor adoptate şi cum se va perfecţiona modul de luare a deciziilor
în viitor.
Etapele se pot sintetiza şi folosi într-un model economico-matematic, iar construirea acestuia
este independentă de informaţiile obţinute. Pentru rezolvarea modelului se utilizează diferiţi
algoritmi care sunt consideraţi de prim rang în modelarea procedurală.
Modelarea procedurală se poate realiza în două strategii:
- modelare generală când se urmăreşte acoperirea tuturor cazurilor posibile;
- modelarea pe tipuri de probleme sau clase, atunci când se aleg probleme frecvente din practică.
Există în economie o stânsă legătură dintre metodele utilizate şi natura mărimilor care
caracterizează procesul analizat. Dacă mărimile pot fi măsurate exact atunci se poate afirma că
sunt utilizaţi cu maximă eficienţă algoritmii exacţi.
Dacă însă, problema este complexă sau de mari dimensiuni sau datele de intrare sunt
inexacte se vor folosi algoritmi euristici.

Schema de concepere a algoritmilor euristici.

Euristica se defineşte ca fiind o clasă de metode şi reguli care dirijează subiectul spre o
soluţie simplă şi economică, sau este un drum care duce la descoperirea soluţiilor problemelor
complexe fără a le supune simplificării.
Metodele euristice sunt tatonări şi nu şabloane, iar alegerea lor este legată de natura
problemei de rezolvat şi de experienţa celui care modelează. Euristica are legături cu
raţionamentele analogice şi cu psihologia simulării. Această relaţie se poate evidenţia prin
performanţă, comportament si prin srtuctură. Modelarea euristică porneşte de la construirea unui
sistem analog cu cel investigat. De obicei, problema este de a descoperi regulile de bază ale
euristicii specialistului, pentru ca apoi ele să poată fi perfecţionate şi sistematizate într-un
algoritm. În utilizarea algoritmilor euristici trebuie respectate restricţii şi în fiecare etapă de
calcul să se obţină eficienţă maximă pentru funcţia obiectiv. Dintre două sau mai multe
posibilităţi se va alege acea cale (posibilitate) care duce la creşterea sau descreşterea valorii
funcţiei obiectiv de maxim respectiv minim.
Paşii algoritmului general de rezolvare sunt următorii:
• se construieşte o soluţie iniţială;
 • se testează condiţiile de administrare a soluţiei;
• dacă pasul anterior a fost îndeplinit se trece la următorul pas care constă în căutarea unei
strategii de reducere a abaterilor є. În acest scop se poate stabili una sau mai multe
strategii care se presupune a reduce abaterile є. După testarea strategiilor se va alege
aceea strategie care permite un număr cât mai mic de iteraţii şi reduce la maxim abaterile
є. După un număr relativ mare de iteraţii, dacă nu s-au anulat aceste abateri, problema
este considerată fără soluţie din punct de vedere al algoritmului euristic utilizat;
• se calculează funcţia de performanţă f(x0) a soluţiei iniţiale admisibile;
• se calculează funcţia de performanţă f(x1) a noii soluţii;
• se compară performanţele celor două soluţii f(x0 şi f(x1). Dacă performanţa f(x1) este
superioară performanţei f(x0) atunci se evaluează diferenţa f(x1)- f(x0;
• dacă diferenţa este semnificativă, soluţia x1 devine soluţie iniţială şi algoritmul se
continuă de la pasul în care se calculează funcţia de performanţă.
Din cele expuse mai sus rezultă că modelele procedurale utilizează simularea şi în urma
obţinrerii rezultatelor decidentul poate adopta decizii bazate şi pe cunoştinţele dobândite
asupra fenomenului condus, cât şi prin acumularea unei anumite experienţe.

2.3. Tabele de decizie şi arbori de decizie

Actul de decizie care presupune un număr relativ finit şi rezonabil de alternative se poate
modela prin analiza decizională. Aceasta presupune ataşarea unor valori estimate (cu
probabilităţile aferente) pentru fiecare alternativă şi care se vor înscrie într-un tabel sau un graf.
Modul de alegere a deciziei se face prin a vedea care dintre alternative este cea mai bună.
Această metodă utilizează tabelele de decizie care caracterizează acţiunea decizională şi conţine:
stări generale care sunt date de totalitatea condiţiilor în care se desfăşoară evenimentul de
analizat; alternative decizionale ce determină modul de realizare a unei acţiuni independente de
voinţa decidentului; consecinţe decizionale ce sunt rezultatul acţiunii conjugate a stării generale,
criteriilor decizionale şi alternativelor. Condiţia este ca numărul de consecinţe să fie mai mare
sau egal cu numărul de criterii.
În cazul problemelor de decizie multicriterială în condiţii de risc, în care se cunosc
probabilităţile de realizare a fiecărei stări, soluţia optimă este dată de (p – probabilitatea, u –
utilitatea):
n
Sopt = max i ∑ p ij * u ( x j )
j =1

Dacă problema de decizie multicriterială este descrisă în condiţii de incertitudine soluţia

optimă va fi dată urmând una dintre reguli:
• Criteriul WARD (al prudenţei) ce presupune că nu se admite sub nici o formă riscul. Se
determină soluţia cea mai slabă pentru fiecare variantă şi se alege aceea care duce la cel mai
bun rezultat (ales dintre rezultatele slabe);
 • Criteriul SAVAGE sau regula regretului care foloseşte conceptul de “regret economic”*
ce rezultă din faptul că nu s-a ales varianta bună. Se compară apoi fiecare ipoteză cu o singură
alternativă şi se alcătuieşte o matrice a regretelor, obţinută din scăderea fiecărei stări din
variabila maximă. Apoi se rezolvă problema de minim-maxim;
• Criteriul Laplace în care toate stările se consideră a fi echiprobabile şi se alege acea
variantă pentru care speranţa matematică a efectului economic este maximă;
• Criteriul Hurwicz ce presupune calculul unui indicator decizional ca medie ponderată a
rezultatelor extreme. Se notează cu α coeficientul de optimizare considerat de decident, iar
acesta poate avea valori cuprinse între 0 şi 1:

di = α * Mi + (1 − α ) * mi
Cu ajutorul arborilor de decizie se pot reprezenta tabelele de decizie prin evidenţierea
grafică a relaţiilor dintre variabilele problemei.

2.4. Optimizare cu algoritmi – programare matematică

Problemele manageriale în care decidentul poate aloca doar o cantitate limitată de resurse
mai multor activităţi se pot rezolva cu setul de instrumente şi metode puse la dispoziţie de
programarea matematică, din care cea mai utilizată este programarea liniară. Aceasta din urmă
impune anumite reguli pe care decidentul trebuie să le respecte: existenţa unui set de variabile
măsurabile pentru care se caută valoarea optimă; construirea unui set de restricţii cu aceste
variabile care, în cazul decizional, sunt variabile de decizie, care sunt de fapt relaţii de egalitate
sau inegalitate faţă de anumite valori; o funcţie obiectiv care reprezintă o relaţie matemetică
liniară între variabilele de decizie şi rezultatul scontat a cărei valoare trebuie minimizată sau
maximizată; crearea legăturilor între elemente realizată cu ajutorul relaţiilor matematice numite
ecuaţii, în care apar şi coeficienţi.
Modelul unei probleme de programare liniară devine astfel: determinarea unui min sau
max pentru funcţia obiectiv care depinde de una sau mai multe variabile care satisfac restricţiile
modelului (condiţii implicite) sau care se referă la valorile ce pot fi luate de variabile (condiţii
explicite); problemele de programare liniară au restricţii de tip inegalităţi şi condiţii explicite
puse unora dintre variabile.
Modelul de programare liniară are forma:
max (min ) f ( x 1, x 2 ,..., x n ) = c 1 * x 1 + c 2 * x 2 + ... + c n * x n
 a 11 * x 1 + a 12 * x 2 + ... + a 1 n * x n ≤ b 1
 a 21 * x 1 + a 22 * x 2 + ... + a 2 n * x n ≤ b 2


.......... .......... .......... .......... ..........
 a m 1 * x 1 + a m 2 * x 2 + ... + a mn * x n ≤ b m

În forma standard toate restricţiile sunt ecuaţii, iar variabilele sunt >=0:
  max (min ) f (x ) = cx

 Ax = B
x ≥ 0


În forma canonică toate restricţiile sunt concordante şi toate variabilele sunt>=0:

max f ( x ) = cx min f ( x ) = cx
 
 Ax ≤ B  Ax > B
x ≥ 0 x ≥ 0
 

Aceste probleme se rezolvă cu algoritmul SIMPLEX (Dantzing, 1951) care este de fapt
iterativ, la fiecare pas se obţine o îmbunătăţire a soluţiei, oferind:
- soluţia admisibilă ce satisface doar condiţiile explicite sau
- soluţia optimă.
Programul Excel prin componenta sa Solver rezolvă problema de programare liniară. În
ultimul timp majoritatea problemelor sunt de programare liniară multidimensională, ca de
exemplu: metoda utilităţii globale în care problema de programare liniară este luată drept o
problemă de decizie multidimensională. În acest caz, funcţia obiectiv este înlocuită cu funcţia de
utilitate; metoda P.O.P. – algoritmul care descrie această metodă presupune o ordonare a
soluţiilor în funcţie de criterii de preferinţă definite de decident; metoda STEM ce constă în
definirea unei funcţii obiectiv de sinteză cu coeficienţi care vor fi ataşaţi fiecărui criteriu.

2.5 Simularea

Simularea constă în a crea variante care se apropie de ceea ce se întâmplă în realitate, ea

fiind de fapt o metodă experimentală. De obicei SIAD reflectă realitatea complexă a fenomenelor
şi proceselor economice, şi de aceea este greu de crezut că un model matematic, cât ar fi el de
bun, poate să reflecte aceste procese. Simularea, a nu se confunda, nu este un model în strictul
înţeles al cuvântului, ci prin diverse instrumente folosite imită ceea ce se întâmplă în realitate.
Gradul de simplificare oferit de simulare este mult mai mic decât în cazul modelelor
tradiţionale. Ea reprezintă o metodă descriptivă, deci nu există o procedură prin care să se obţină
o soluţie optimă.

Procesul de trecere de la sistemul real la modelul de simulare.

Structurarea unor informaţii despre sistemul real, înainte ca el să fie realizat concret, este
posibilă cu ajutorul tehnicii simulării. Dacă este să definim simularea, aceasta este tehnica de
„realizare a experimentelor cu calculatorul numeric, care implică construirea unor modele
matematice şi logice care descriu comportarea unui sistem real (sau a unor componente ale sale)
de-a lungul unei perioade mari de timp” 1 .
Ca proces, simularea va genera intrările, iar prin algoritmi corespunzători va determina
ieşirile şi va descrie evoluţia în timp a stărilor interne ale sistemului.
Obiectivele finale ale simulării necesită adoptarea celor mai bune mijloace şi metode de
conducere pentru activităţile tehnologice cât şi pentru cele economice. Pentru modelarea prin
simulare a proceselor tehnologice se utilizează atât echipamente de automatizare cât şi
calculatoare electronice conectate la procesul de producţie.
În condiţiile în care se simulează un proces economic se includ calculatoare electronice
cu capacitate mare de calcul şi posibilităţi de stocare pentru mari volume de date.
Se poate afirma că în cazul sistemelor de conducere a activităţilor economice,
calculatoarele sunt destinate pentru luarea unor decizii corespunzătoare, iar în cazul sistemelor
de conducere a proceselor tehnologice acestea elaborează automat decizii sub forma unor
comenzi care sunt transmise către procesul condus. Dacă se face referire la cercetările pe plan
mondial, acestea se referă la realizarea unor sisteme de conducere ierarhizate, multinivel care
funcţionează în timp real şi sunt distribuite în toate compartimentele firmelor.
Sistemele ierarhizate se bazează pe o structură ierarhizată pe niveluri de conducere, ceea
ce implică coducerea tuturor compartimentelor componente prin decizii adoptate în timp real.
Obiectivul major al sistemului este obţinerea unei producţii optime cantitativ şi calitativ în
condiţiile în care există resticţii temporale de scurtă sau lungă durată şi a unor perturbaţii
permanente din partea mediului.
Dacă se fac referiri la etapele procesului de simulare se poate afirma că ele se concretizează
în:
• Analiza şi sinteza sistemelor şi proceselor;
• Programarea modelului de simulare;
• Validarea modelului de simulare;
• Simularea propriu-zisă;
• Analiza şi implementarea rezultatelor.
Analiza şi sinteza sistemelor şi proceselor economice constă în descompunerea în părţi
componente pentru fiecare activitate de analiză, iar proiectarea sistemelor este procesul prin care
sunt selectate componentele şi elementele dar şi etapele şi procedurile care conduc către
realizarea unui sistem viabil pentru obiectivul luat în studiu.
De obicei un model de simulare se proiectează pentru a observa comportamentul unui
sistem existent sau pentru proiectarea unui sistem nou. Ca prim pas în procesul de simulare se
evidenţiază identificarea şi formularea problemei sau scopului studiului, în care trebuie să se
specifice obiectivele experimentului.
Pentru aceasta se vor lua în considerare elemente cum sunt:
1. Stabilirea variabilelor de decizie şi a variabilelor de stare, în care variabilele de decizie
sunt cele asupra cărora analistul are un control complet şi care stau la baza deciziei luate
de acesta la un moment dat. Variabilele de stare sunt dependente de cele de decizie şi
descriu starea unei componente în orice moment;
2. Identificarea unui model optimal de evoluţie implică analiza şi sinteza, care se
concretizează în stabilirea unui model conceptual care să fie apropiat de cel real;
3. Măsurarea performanţelor sistemului se obţine prin construirea unei funcţii obiectiv. Sunt
însă şi cazuri când această identificare a performanţelor sistemului se realizează prin
 punerea în evidenţă a deciziilor şi valorilor variabilelor de stare în diverse variante ale
mărimilor de intrare.

2.5.1.Conceperea şi proiectarea modelului

Această etapă constă în stabilirea în mod detaliat a tuturor aspectelor legate de problema
pusă în studiu, chiar dacă uneori tinde către o rezolvare analitică. În această etapă se precizează:
• ipotezele care se vot testa;
• efectele probabile care urmează să apară;
• schimbările caracteristicilor operative asupra variabilelor şi parametrilor de ieşire;
• studiul efectelor asupra variabilelor şi parametrilor de intrare;
• intervalul admisibil pentru variabilele şi parametrii de stare,
• strategiile luate în calcul la eventuale apariţii a evenimentelor perturbatoare şi a
costurilor corespunzătoare fiecărei strategii;
• strategiile de urmat pentru modificarea parametrilor de stare în cazul în care au fost
depăşite limitele admisibile ale altor parametri de stare;
• vectorul iniţial al probabilităţilor de prevenire a apariţiei evenimentelor perturbatoare sau
de modificare a mărimii parametrilor de stare;
• tehnici de reducere a datelor şi de analză a rezultatelor;
• forma ecuaţiilor matematice;
• ecuaţiile suprafeţei de răspuns etc.
Un loc important îl are colectarea şi prelucrarea primară a datelor, fază în care se
stabilesc datele necesare, cum se obţin ele şi mai ales cum sunt introduse în model.
Datele se vor organiza în fişiere, tabele, rapoarte şi se prelucrează pentru a intra în
prelucrare numai cele care sunt necesare. Un alt obieciv îl reprezintă stabilirea modelului
potenţial, pentru care se va lua în considerare fenomenul aşa cum se produce el în realitate.
Pentru această etapă este necesar a se stabili :
1. ce funcţii trebuie să realzeze sistemul;
2. care sunt funcţiile care se vor modela;
3. care sunt funcţiile deterministe;
4. care sunt factorii de mediu care influenţează performanţele sistemului;
5. cum se face aproximarea efectelor factorilor de mediu asupra sistemului;
6. ce interacţiuni intervin între om, sistem şi mediu şi cum se evaluează.
Având răspunsurile la aceste întrebări se poate obţine o primă formă a modelului, se pot
defini parametrii şi variabilele. De remarcat este faptul că parametrii modelului sunt: de sistem
sau auxiliari. Parametrii sistemului sunt direct legaţi de sistemul care va fi simulat, iar parametrii
auxiliari nu sunt asociaţi direct cu sistemul, însă au efect asupra performanţelor acestuia. Există
parametri cinematici care sunt asociaţi cu mişcarea în sistem sau în mediu, iar cei dinamici deţin
valori care sunt influenţate de alţi parametri sau variabile. Există şi o categorie de parametri care
sunt denumiţi statici şi care prin valorile lor influenţează stochasic procesele şi schimbă
elementele în sistem. Parametrii de mediu sunt asociaţi mediului din care face parte sistemul şi-i
pot influenţa performanţele.
În model există şi variabile aleatoare, adică valorile lor sunt necunoscute, dar pot apare
în condiţii datorate întâmplării cu probabilităţi determinate. O altă categorie de variabile sunt
cele controlabile ale căror valori sunt măsurabile printr-o anumită procedură şi sunt şi variabile
necontrolabile.
 O altă clasificare a variabilelor este aceea că acestea pot fi de intrare (mărime exogenă
controlabilă), perturbatoare (mărime exogenă necontrolabilă), intermediare (variabile de stare a
unei componente a sistemului), de ieşire (variabile exogene).
Variabilele de intrare sunt deterministe sau stochastice. Variabilele deterministe sunt
date pe suporţi de informaţii ori determinate de reguli precise. Variabilele stochastice sunt
generate prin algoritmi corespunzători pe calculator. Dacă cel puţin una dintre variabile de
intrare este stochastică, rezultă că cel puţin una dintre variabilele de ieşire este stochastică, iar
parametrii ei devin parametrii de ieşire. În model fiecare parametru şi variabilă a modelului se
specifică prin: simbol, definiţie, descriere, unitate de măsură, ordin de mărime pentru valori,
caracteristici, locul în model, sursa.
De remarcat este faptul că variabilele se modifică într-un ciclu de simulare cât şi de la o
variantă de evoluţie simulată la alta. Dacă variabila nu se modifică de la o variantă la alta atunci
putem afirma că ea devine parametru. Caracteristica parametrilor este aceea că ei rămân
constanţi în cadrul aceleiaşi variante, dar se pot schimba de la o variantă la alta. O clasificare a
parametrilor dă posibilitatea grupării lor în:
• parametrii cei mai importanţi şi pentru care se iau în considerare toate valorile provenite
din măsurători ;
• parametri de importanţă medie, pentru care se iau în considerare numai trei valori
caracteristice : maximă, medie şi minimă ;
• parametri de mică importanţă pentru care se ia în considerare doar o singură valoare
caracterisică care poate fi valoarea medie sau valoarea cea mai probabilă.
Simularea unui sistem economic porneşte de la definirea evenimentelor care survin în
derularea procesului economic supus analizei şi de la specificarea legăturilor existente între
evenimente. Evenimentele care intervin în procesul de simulare se clasifică în funcţie de
anumite criterii şi anume :
1. După natura evenimentelor acestea pot fi:
• Evenimente sistem;
• Evenimente program, care sunt asociate programului de prelucrare a datelor.
2. După natura condiţionărilor dintre evenimente:
• evenimente noncontingente în care apariţia unor evenimente nu depinde de
apariţia sau existenţa altor evenimente în sistem :
• evenimente contingente la care apariţia este influenţată sau condiţionată de
apariţia altor evenimente.
3. După modul de prelucrare care este asociat evenimentului:
• evenimente care nu apar în urma unor decizii :
• evenimente cu decizii.
Conform caracterului deciziei, evenimentele au la bază decizii deterministe, adică decizia
se adoptă după reguli de natură algoritmică sau euristică ; sau au la bază decizii probabiliste,
unde decizia este adoptată cu o anumită probabilitate.
4. După probabilităţile de prevedere evenimentele se clasifică în:
• previzibile, adică apariţia lor este planificată;
• perturbatoare, adică apariţia lor nu se poate stabili anticipat şi sunt cele care
influenţează defavorabil evoluţia sistemului.
5. După acţiunea asupra parametrilor de stare:
 • cu acţiune imediată, ele modifică parametrii de stare ai unor componente
chiar din momentul în care apar;
• cu acţiune întârziată, ele modificând componentele sistemului după o
anumită perioadă de timp.
La elaborarea modelului se are în vedere relaţiile funcţionale dintre variabile, care dacă
nu au date suficiente, ele se pot obţine recurgâd la metoda analogiilor. Când se simulează un
model complex este eficientă formularea unor submodele specializate în rezolvarea unor funcţii
precise şi mai apoi acestea vor fi agregate într-un model general pe baza relaţiilor logice dintre
ele.
O astfel de operaţie este denumită integrare şi are la bază construcţia modulară a
modelului. Modulele sunt de două tipuri : de sistem şi auxiliare.
Modulele de sistem simulează o funcţie sau o operaţie logică în sistem, iar cele auxiliare
constituie o parte a modelului dar nu sunt o funcţie directă a sistemului. De exemplu, generatorul
de numere aleatoare este utilizat în orice tip de model fără a avea legătură cu problema de
rezolvat.
Se cunoaşte că în model există variabile şi parametri care vor trebui explicitaţi prin
limite accesibile minime şi maxime. Aceste limite nu pot fi depăşite în cazul modelelor
deterministe, iar pentru celelalte tipuri de modele se vor stabili aşa numitele penalizări dacă
limitele se vor depăşi. Simularea presupune evoluţia în timp a sistemului simulat, ceea ce
provoacă apariţia succesivă a unor evenimente care dau de fapt schimbările din sistem. Apare
astfel pericolul ca diverse variabile să parcurgă intervale de timp diferite. Pentru menţinerea
ordinii evenimentelor care ori schimbă ori menţin starea sistemului, se introduce în algoritmul
simulării o variabilă care va măsura scurgerea timpului real în care se execută simularea.
Această variabilă poartă numele de ceasul simulării şi are posibilitatea de a preciza după
fiecare pas al simulării, care este intervalul de timp care a trecut de la un pas la altul al simulării
şi când aceasta se poate opri. Iniţial variabila ceas este zero, ca mai apoi să se modifice într-un
număr finit de paşi, pas care poate fi constant sau variabil.
Ceasul cu incrementare finită generează pe parcursul procesului de simulare o creştere
constantă T>0.
Programul de simulare permite determinarea tuturor evenimentelor posibile care se
produc în intervalul T, precum şi efectele asupra stării sistemului şi deciziile ce se vor adopta.
Ceasul cu creştere variabilă are la bază tehnica sau regula evenimentului următor, deoarece
mărimea cu care este incrementat ceasul este egală cu intervalul de timp de trecere de la o stare
notată Si la starea determinată de apariţia celui mai apropiat eveniment notată cu Si+1. Se poate
afirma că un model de simulare se construieşte prin discretizarea timpului cu creştere constantă
sau variabilă.
Timpul simulat se scurge perioadă cu perioadă, iar calculatorul va executa toate
tranzacţiile care au loc pas cu pas până la expirarea orizontului de simulare. Sunt cazuri în care
perioadele vor fi relativ scurte pentru că pot apare prea multe evenimente în cazul perioadelor
lungi şi aceasta face ca programul să fie greu de executat. Există şi situaţia în care perioadele
sunt prea scurte şi atunci apare riscul să nu apară nici o tranzacţie.
Remedierea acestei deficienţe se face prin mărirea perioadei sau prin utilizarea ceasului
cu increment variabil.
Fiecărui tip de sistem simulat îi corespunde un anumit tip de funcţie obiectiv.
După această etapă se verifică validitatea modelului prin utilizarea testelor statistice care
vor arăta dacă parametrii de intrare au fost corect estimaţi. Se verifică apoi şi dacă modelul
conţine toate variabilele esenţiale iar relaţiile dintre variabile şi parametri sunt cele corecte. După
ce modelul a fost scris într-un limbaj natural el va fi transformat într-un model scris în limbaj de
simulare.
Ca exemplificare se vor da câteva detalii despre cea mai cunoscută metodă de simulare a
proceselor economice şi anume metoda Monte Carlo.
Metoda Monte Carlo stă la baza procedeelor de generare a proceselor stochastice sau de
căutare a unor puncte în domeniu. Rezultatele obţinute prin utilizarea acestei metode se referă la
evaluări şi ierarhizări care fundamentează o decizie economică.
Domeniile în care se aplică această metodă sunt:
• Procese de stocare complexe, unde ritmul de aprovizionare este aleator sau sezonier,
suprafaţa de depozitare este limitată, sunt penalizări pentru lipsa de stoc sau în condiţiile
în care nu este posibilă o modelare clasică prin teoria stocurilor;
• Procese de aşteptare în care evenimentele se intercondiţioneează, iar rezolvarea lor prin
modele de aşteptare este practic imposibilă;
• Procese de repartiţie care se analizează în legătură cu activitatea de producţie şi cu cea
de investiţii.
Dacă se dispune de structura graficului reţea şi de repartiţia duratelor, simularea va consta
în aplicarea algoritmului de calcul al drumului critic pentru un număr suficient de mare de
generări ale duratelor activităţilor în concordanţă cu repartiţia stabilită.
Simularea are ca rezultat estimarea parametrilor repartiţiei duratei totale şi poate da şi
determinarea frecvenţei caracterului critic pentru orice activitate în parte.
• Procese de muncă complexe care se referă la deciziile legate de programarea operativă a
producţiei (ca de exemplu încărcarea utilajelor, lansarea în fabricaţie, urmărirea realizării
producţiei), de la locul de muncă la atelier sau secţie.

Prezentarea metodei Monte Carlo

Simularea prin metoda Monte Carlo presupune că unei probleme deterministe i se
asociază un model aleator, numit şi probabilist, iar prin generarea unor variabile aleatoare legate
de soluţie se realizează experienţa pe model. În esenţă metoda constă în realizarea experimentală
a unui eveniment a cărui probabilitate va fi exprimată de numărul π , dar şi estimarea
aproximativă a acestei probabilităţi. Această metodă este de fapt sinonimă cu metoda
estimărilor statistice, mai putând fi definită şi ca metoda modelării variabilelor aleatoare pentru
calculul caracteristicilor repartiţiei lor.
Metoda propune să se plece în calculul variabilei aleatoare de la o altă variabilă aleatoare,
dar care are o repartiţie uniformă pe intervalul [0,1]. Această variabilă este din câmpul de
probabilitate constructiv, câmp a cărei aplicaţie are forma : β=f(x), x∈[0,1] cu următoarea
prorietate:
0
∫−∞
f ( x)dx =1.
Metoda presupune estimarea parametrilor repartiţiei unei variabile aleatoare pe baza
relizărilor acesteia. Problema principală rezolvată prin metoda Monte Carlo constă în estimarea
valorii medii a unei variabile aleatoare în funcţie de o eroare admisibilă şi o probabilitate dată.
Se construieşte prin experiment statistic imaginea unor procese şi astfel se impune ca
variabilele aleatoare care intervin să fie estimate cu o abatere cât mai mică în probabilitate în
raport cu variabilele considerate a fi reale. De aceea este nevoie de construcţia unor estimatoare
satisfăcătoare. De exemplu pentru variabile aleatoare cu distribuţie normală media m se
consideră a fi estimator de maximă verosimilitate.
Calitatea eşantionului se poate aprecia prin teste de concordanţă care măsoară apropierea
repartiţiei empirice de repartiţia teoretică. Testele de concordanţă se pot baza pe unul dintre
criteriile Kolmogorov, Smirnov sau Pearson. Prin utilizarea acestor criterii se compară valorile
corespunzătoare din tabelele repartiţiei teoretice cu cele de acceptare pentru funcţia de
verosimilitate. Dacă diferenţa dintre valorile celor două repartiţii este mai mare decât un prag
admis, funcţia de verosimilitate se respinge.
Procesul de simulare indiferent de ce metodă utilizează are la bază, pentru a reproduce în
mod fidel anumite elemente ale sistemului simulat, de rezolvarea unor probleme numerice în
care apar numere alese întâmlător sau aleatoare.
Se afirmă că un număr este întâmplător sau aleator numai dacă se află într-un context
statistic. De aici apare necesitatea elaborării unor metode care să asigure generarea de numere
aleatoare care să respecte legea empirică a sistemului economic, necesitând un timp minim de
rulare. Se utilizează generarea unor numere aleatoare uniform repartizate. În mod normal nu se
pot genera numere aleatoare care să satisfacă cerinţele cunoscute în teoria probabilităţilor, ci sunt
numere pseudoaleatoare, care satisfac următoarele condiţii:
1. Sunt repartizate uniform într-un interval dat, iar pentru intervalul [0,1], funcţia de
repartiţie uniformă se defineşte:
0 dacă x ≤ 0
F(x)= { x dacă x є(0,1)}
1 dacă x ≥ 1
2. Sunt statistic independente, adică nu sunt autocorelate.
3. Sunt reproductibile pentru testarea programelor sau pentru a efectua comparaţii
4. Funcţia de repartiţie este stabilă, adică nu se schimbă în cursul rulării programului
de simulare.
5. Şirul generat are o perioadă de repartiţie mare care poate fi predeterminată.
De remarcat este faptul că şirurile de numere pseudoaleatoare aproximează şirurile de numere
aleatoare. Dacă condiţiile sunt riguros respectate atunci aproximaţia este cu atât mai corectă.

Validarea modelului de simulare.

Această etapă are rolul de a elucida unele aspecte cum sunt:
• Modelul reprezintă sau nu procesul studiat;
• Dacă sunt cuprinse toate etapele modelului complex;
• Cum se vor folosi rezultatele obţinute din simulare şi dacă acestea au un caracter empiric.
Modelul de simulare este considerat bun, dacă se comportă similar cu fenomenul simulat.
Dacă fenomenul este înţeles teoretic şi dacă se cunoaşte comportamentul sistemelor economice,
sociale, de afaceri, atunci se poate construi un model valid.
Validarea modelului se face prin verificarea corectitudinii interne a acestuia în sens logic
şi dacă reprezintă fenomenul de modelat. După adoptarea şi validarea modelului de simulare,
acesta se execută în concordanţă cu schema sau cu scopul experimentului. Descrierea
experimentelor de simulare are aceleaşi etape ca şi descrierea evenimentelor, prin verificarea
unor concepte ca: structura, mărimea eşantionului, cost, calitate. Sunt utilizate şi instrumente
statistice pentru analiza rezultatelor.
Mărimea rulării este direct legată de costul experimentului. Pentru a determina mărimea
optimă a rulării se folosesc regulile de oprire (determinate prin utilizarea teoriei statistice). Prin
intermediul calculatorului se pot face rulări mari întrucât timpul şi costul de rulare sunt
minimale.
Reducerea variantelor presupune că descriera simulării se poate face în aşa fel încât să se
obţină precizie maximă pentru eşantionul luat în calcul. Există tehnici pentru micşorarea
variantelor de distribuţie a măsurii performanţelorca de exemplu eşantionul stratificat unde
datele sunt divzate proporţional sau în straturi, iar fiecare strat este modelat individual (separat).
După obţinerea rezultatelor se fac eventuale modificări numai dacă este necesar acest lucru. În
această etapă, utilizatorii au rol important pentru a se obţine rezultate practice satisfăcătoare.

Analiza şi interpretarea rezultatelor

Etapa de analiză şi interpretare a rezultatelor constă în colectarea datelor simulate şi
prelucrarea lor, calcularea statisticilor pentru testele de semnificaţie, obţinerea de tabele, grafice
şi interpretarea rezultatelor. Se analizează valorile variabilelor de ieşire pentru diverse valori ale
varibilelor de intrare reale, analizându-se curba de evoluţie a fiecărei variabile de ieşire.
Dacă această curbă nu diferă semnificativ de cea reală atunci se poate afirma că valorile
obţinute sunt cele corecte. În interpretarea rezultatelor un loc important îl are şi analiza
caracteristicilor numerice asociate variabilelor de ieşire cum sunt media, dispersia, mediana. În
concluzie4, se poate afirma că simularea este o tehnică de realizare a experimentelor cu
calculatorul, ea implicând utilizarea unor modele matematice şi logice care descriu comportarea
unui sistem real de-a lungul unei perioade mari de timp.
Un experiment de simulare trebuie să parcurgă următarele etape:

Formularea problemei este etapa în care se stabilesc ipotezele de lucru împreună cu
criteriile de acceptare sau respingere precum şi precizarea estimaţiilor obţinute prin
simulare;

Culegerea şi prelucrarea preliminară a datelor reale;

Formularea modelului de simulare, etapă prin care se aleg variabilele, parametrii,
relaţiile funcţionale şi algoritmul prin care se determină elementele de ieşire în funcţie de
cele de intrare;

Estimarea parametrilor prin metode statistico-economice pe baza datelor reale;

Evaluarea performanţelor modelului şi a parametrilor prin teste de concordanţă;

Elaborarea algoritmului simulării prin schemă logică detaliată sau schemă bloc în
funcţie de complexitatea modelului;

Validarea sistemului de simulare prin testarea programului pe o soluţie particulară
cunoscută sau prin compararea valorilor variabilelor de ieşire cu observaţiile situaţiei
reale simulate;

Programarea experimentelor de simulare prin considerarea succesivă a valorilor
parametrilor de intrare şi a variabilelor de intrare ale modelului;

Analiza datelor simulate care va consta în interpretarea rezultatelor obţinute.
Prin simulare se poate afirma că se poate determina forma funcţională de exprimare a
legăturilor dintre fenomenele supuse studiului şi estimarea valorilor parametrilor modelului,
testarea diferitelor variante de acţiune care nu se pot explicita în model, o mai bună structurare a
problemei supusă simulării precum şi validarea soluţiilor obţinute.
Avantajul simulării este dat de utilizarea sistemului cibernetic de reglare, care este baza
deciziei concrete din activitatea practică.
 2.5.2. Simularea cu instrumente din Excel

Simularea cu ajutorul diagramelor

În Excel, diagramele pot fi utilizate pentru simulare prin exploatarea proprietăţii de

biunivocitate care există între schimbarea locaţiei punctelor pe diagramă prin tehnica „drug-and-
drop” efectuată cu mouse-ul şi modificarea valorii datelor corespunzătoare din tabelul cu date.

Tabelul de simulare

Tabelul de simulare din Excel este un instrument informatic dedicat din categoria
analizei datelor şi rezolvării problemelor complexe de asistare a deciziei economico-financiare.
Tabelul de simulare din Excel reprezintă o zonă de celule ce indică rezultate obţinute ca urmare a
substituirii unor valori din formule definite în prealabil de utilizator. Se pot obţine:
• Tabele de simulare cu o singură variabilă de intrare;
• Tabele de simulare cu două variabile de intrare.
În cazul tabelelor de simulare cu o singură variabilă de intrare, dacă se introduce un
set de valori pentru variabila de intrare, se poate astfel pune în evidenţă influenţa pe care o are
această modificare de valori într-una sau mai multe formule.
În cazul tabelelor de simulare cu două variabile de intrare, se aplică seturi de valori
pentru cele două variabile şi se pune în evidenţă efectul modificărilor asupra unei singure
formule.

Scenariul

Scenariul serveşte pentru realizarea previziunilor asupra unui proces economic prin
compararea seturilor de valori care conduc la rezultate diferite. Practic, în instrumentul
Microsoft Excel, scenariul (Scenario) reprezintă o mulţime de valori pe care acesta le poate
substitui automat într-o foaie de calcul. Cu ajutorul scenariului se obţin simulări ale mai multor
variante ale unui proiect, variante care au valori diferite ale parametrilor şi rezultate diferite.

2.6.Teoria jocurilor
La baza luării deciziilor de obicei intervin condiţiile care influenţează asupra diverselor
alternative. Condiţiile sunt legate de acţiunea omului sau pot reprezenta complexul factorilor
naturali în care se desfăşoară evenimentele.
Modelarea matematică a procesului de decizie se face cu ajutorul conceptului de joc
strategic. Jocul se poate defini ca fiind acel proces competitiv care se desfăşoară între mai mulţi
participanţi , care se numesc jucători, dintre care unul este inteligent şi prudent, adică poate
analiza situaţia creată şi poate lua decizii asupra acţiunilor ce vor urma. Ca noţiune apare partida
care este dată de un set de reguli după care jucătorii îşi desfăşoară acţiunile. Partida se
caracterizează printr-o stare denumită iniţială şi o stare finală, aceasta din urmă fiind determinată
de regulile jocului.
Strategia este definită în contextul jocului ca fiind o succesiune de acţiuni ale unui
jucător, fiecare succesiune este astfel pregătită în aşa fel încât să facă faţă strategiei adversarului
de joc, pentru atingerea scopului propus. În acest fel se atinge acea stare finală în care regulilor
jocului li se asociază maximum de câştig posibil de realizat. Un joc în care intervin doar doi
parteneri se poate reprezenta matriceal astfel:

J/N N1 N2 ........ Nn
J1 c11 c12 .... c1n
J2 c21 c22 ...... c2n
.............. .... .... .... ....
Jm cm1 cm2 .... cmn
unde s-a notat cu:
J– jucătorul;
N – adversarul din cadrul jocului;
Ji = {J1,J2,…..,Jm}este mulţimea strategiilor lui J;
Nj = {N1,N2 ,…,Nn}mulţimea strategiilor lui N;
Ci,j{i=1,m; j=1,n}este consecinţa adoptării strategiei Ji de către J şi a strategiei Nj de către
N;
Când se pune problema alegerii uneia sau alteia dintre strategii, în procesul de adoptare a
deciziei, se iau în considerare utilităţile fiecărei consecinţe.
Jocurile sunt cu punct şa şi fără punct şa. Jocurile cu punct şa presupun că cei doi jucători
se supun unui raţionament corect care conduce la alegerea strategiei optime (fiecare dintre
jucători îşi va alege propria strategie optimă). Astfel cele două strategii optime alese de fiecare
jucător va constitui soluţia jocului.
Cazul general al problemei generate de jocul cu punct şa are ca principiu de bază principiul
maxim. Fie un joc de ordinul m*n are asociată următoarea matrice:
 a11 .... a1n 
 
 ... ... ... 
 am1 ... amn 
 
Principiul maximului presupune că primul jucător alege acea strategie care are câştigul
minim.
V1= max(min aij); 1≤ i ≤m, 1≤ j ≤n
i j
Pentru determinarea valorii V1 se vor determina toate valorile minime pe linii (minj ai,j), iar
dintre acestea se va lua valoarea maximă (maxi ai,j). Jucătorul doi va proceda în mod similar:
V2= min (max aij); 1≤ i ≤m, 1≤ j ≤n
j i
Valoarea V2 precum şi strategia care îi corespunde se vor afla prin alegerea tuturor
maximelor pe coloană (maxi aij) şi luând pe cel mai mic dintre ele (minj maxi).
V=V1=V2=maxi(minj aij)=min j(max i aij); V1= max(min ai,j); 1≤ i ≤m, 1≤ j ≤n
 Jocurile fără punct şa au ca fundament un raţionament, care oricât de riguros ar fi, nu îl
va conduce pe jucător la alegerea unei perechi de strategii, aşa cum se întâmplă în cazul jocurilor
cu punct şa. Soluţia unei astfel de probleme este dată de determinarea strategiilor mixte optime
ale celor doi parteneri, prin metode algebrice, geometrice sau iterative. Jocurile cu doi parteneri
se modelează în situaţii conflictuale între două sau mai multe părţi care se reduc tot la jocuri cu
doi participanţi, prin formarea de coaliţii. Fiecare dintre părţi urmăreşte alegerea unei strategii
care să asigure un rezultat avantajos în detrimentul adversarului sau adversarilor.
Modele asemănătoare sunt utilizate în probleme de decizie în care este doar un singur
participant care trebuie să aleagă strategia optimă, care în acest caz se numesc stări ale naturii.
Astfel se poate afirma că natura nu acţionează ca un adversar inteligent care urmăreşte un
beneficiu cât mai mare din partea adversarului şi în consecinţă nu se pot stabili reguli de
comportare a ei. Se pot însă culege informaţii statistice şi se pot face previziuni probabilistice.
Deciziile în cazul jocurilor contra naturii se clasifică în:
• decizii în condiţii de certitudine, adică există informaţii certe despre evoluţia
viitoare;
• decizii în condiţiide risc, în care se cunosc doar probabilităţile de realizare a
stărilor naturii;
• decizii în condiţii de incertitudine, nu există informaţii privind probabilităţile de
realizare a stărilor naturii.
Referitor la deciziile în condiţii de risc se poate afirma că în procesul managerial,
decidenţii sunt puşi în faţa unor situaţii deosebite deoarece trebuie să aleagă dintr-o multitudine
de strategii.
Elementele unui model de decizie sunt:
• decidentul;
• stabilirea şi formularea problemei;
• totalitatea variantelor sau alternativelor posibile care definesc o situaţie
decizională;
• mulţimea tuturor consecinţelor anticipate pentru fiecare variantă;
• totalitatea criteriilor de decizie ale decidentului;
• obiectivele propuse de decident;
• stările naturii, factori independenţi de decidenţi şi care sunt de tip conjunctural.
Din multitudinea de variante posibile, decidentul urmează să aleagă drept soluţie
convenabilă, doar una. În acest proces apare necesitatea de a se compara variantele decizionale
între ele prin efectul consecinţelor şi astfel apare conceptul de utilitate. Utilitatea este de fapt
unitatea comună de măsură a consecinţelor multitudinii de alternative decizionale.
Teooria jocurilor este utilizată pentru simularea diverselor procese economice.
Jocurile de întreprindere (Business Games) facilitează simularea dinamică a unor
decizii secvenţiale. Utilizarea jocurilor de întreprindere are ca scop formarea deprinderilor de a
rezolva diverse situaţii limită la factorii de conducere, precum şi dezvoltarea de aptitudini de
abordare complexă şi sistemică a procesului simulat. Cu ajutorul unor astfel de jocuri, specialiştii
pot testa ipoteze referitoare la natura deciziilor pe care urmează să le adopte cu identificarea
efectelor probabile ale diverselor decizii. De aceea se poate afirma că jocul oferă posibilitatea
acumulării de experienţă în problemă, înainte ca procesul economic să se fi petrecut şi permite
anticiparea acelor consecinţe referitoare la resurse.
Jocurile se pot clasifica după anumite criterii şi anume:
• după sfera de acţiune sunt:
 a. jocuri pentru întreaga întreprindere prin care se simulează funcţiile principale ale
întreprinderii în aşa fel încât participanţii la joc să înţeleagă legităţile unităţii economice în
ansamblu, în condiţiile influenţei reciproce dintre subsistemele interne sau dintre acestea şi un
sistem exterior.
b. jocul funcţional, se referă doar la o funcţie specifică a întreprinderii analizate, participanţii la
joc exprimâmnd decizii în cadrul compartimentului care îndeplineşte funcţia simulată şi pot
estima eventuale consecinţe pentru alte compartimente cu care acesta acţionează în legătură
strânsă.
c. jocuri complexe. Acestea au ca scop analiza mai multor funcţii ale întreprinderii şi relaţiile
principale cu alte compartimente sau cu exteriorul. În acest tip de joc, particupanţii trebuie să
estimeze implicaţiile unei decizii adoptate într-un compartiment asupra altor compartimente ale
aceleiaşi întreprinderi. Se evaluează în acest caz efectele unor perturbaţii asupra
compartimentului luat în studiu chiar dacă aceste perturbaţii au apărut în compartimente din
afară dar legate de cel studiat.
d. jocuri pentru alte zone de specialitate.
• După elementul competiv, jocurile sunt:
a. jocuri concurenţiale în care fiecare participant adoptă decizii în aşa fel încât să-şi depăşească
adversarul. Acestea pot fi jocuri independente şi jocuri interdependente.
- jocurile interdependente au drept caracteristică faptul că succesul unui participant este
dependent de propriile decizii cât şi de deciziile concurenţiale.
- jocurile independente se caracterizează prin aceea că fiecare jucător realizează îmbunătăţirea
propriilor performanţe economice, fără a acţiona asupra celorlalţi jucători. În cadrul coaliţiilor de
jucători se consideră că un joc este independent, atunci când jucătorii din coaliţie se ajută
reciproc.
b. jocurile cooperative presupun existenţa a doi parteneri care convin că în privinţa anumitor
clase de decizii şi acţiuni, acestea să nu fie îndreptate împotriva intereselor celuilalt partener. În
economia de piaţă pentru anumite tipuri de produse, aceştia îşi împart piaţa.
c. jocurile contra naturii au nevoie de un decident real sau o coaliţie de decidenţi care se
coalizează împotriva unui prtener fictiv, care este de fapt mediul ambiant.
• După criteriul prelucrarea rezultatelor, jocurile sunt pe calculator sau manuale.
• După scopul urmărit sunt jocurii de instruire, jocuri de întreprindere sau pentru
fundamentarea deciziilor operative.
Jocurile de instruire permit celor care participă la ele să poată să adopte decizii optime în
condiţiile unor situaţii ipotetice, dar posibile în practica economică.
Jocuri de întreprindere sau pentru fundamentarea deciziilor operative permit
specialiştilor să adopte decizii pertinente în condiţiile reale existente în întreprinderele pe care le
conduc sau le organizează. Astfel de jocuri necesită utilizarea calculatorului electronic, întrucât
deciziile se adoptă pe baza unui algoritm complex, care analizează efectele economice ale mai
multor soluţii. În acest caz decidentul poate cunoaşte consecinţele asupra performanţelor
economice atât ale soluţiilor optime cât şi ale soluţiilor ineficiente.
Principalele etape de desfăşurare a unui joc de întreprindere sunt următoarele:
• Etapa de instruire a participanţilor;
• Adoptare deciziilor de către participanţi. În această etapă există un arbitru care
adoptă deciziile considerate cele mai bune pentru participanţi. Arbitrul nu pune la dispoziţia
jucătorilor nici un algoritm pentru ca aceştia să găsească soluţia cea mai bună. Astfel, jucătorii
trebuie să adopte decizia fie pe baza competenţei, fie pe baza unui algoritm euristic elaborat în
timpul participării la joc, sau alegând la întâmplare valori numerice ale parametrilor economici.
Se poate modifica algoritmul ales la următoarea iteraţie. Dacă jucătorul adoptă decizii la
întâmplare, el le poate perfecţiona pe parcursul jocului, ajungând fie la un algoritm, fie la o
procedură de căutare aleatoare, dar accelerată. Fiecare etapă de adoptare a deciziilor constituie o
iteraţie a jocului, care corespunde unei perioade de timp de obicei următoare. N, numărul maxim
de iteraţii pentru un joc este stabilit în prima etapă de arbitru. În timpul jocului , consilierii de
joc, precizează arbitrului perturbaţiile care au avut loc în timpul în care jucătorii au adoptat
decizii.
• Arbitrul efectuează calculele prin evaluare consecinţelor apărute după primirea de la
participanţi a deciziilor adoptate şi a perturbaţiilor de la consilieri, de obicei cu ajutorul unui
program pe calculator.
• Arbitrul publică o informare asupra rezultatelor obţinute, în urma cărora jucătorii fac
la rândul lor o analiză rezultatelor. Se remarcă faptul că în situaţia în care numărul de iteraţii nu
este suficient de mare, există riscul ca unii jucători să obţină rezultate bune din pură întâmplare.
După dezbaterea rezultatelor care s-au obţinut şi după analiza regulilor aplicate, arbitrul crează
condiţii jucătorilor pentru pregătire accelerată în adoptarea deciziilor.
• Efectuarea unui test de continuare sau de încetare a jocului de către arbitru. Testul
constă în compararea iteraţiei I la care se află jocul cu numărul maxim N de iteraţii. Dacă I < N,
atunci jocul trece la iteraţia următoatre I+1, iar dacă I=N, atunci se trece la etapa următoare.
• Se anunţă sfârşitul jocului şi a rezultatelor finale. Arbitrul decide încetarea jocului,
iar după parcurgerea celor N iteraţii se evaluează rezultatele jocului. Pentru aceasta arbitrul
calculează funcţii de performanţă care permit acordarea unui calificativ global fiecărui
participant la joc. În acest fel se face ordonarea participanţilor la joc din punct de vedere al
aptitudinilor de conducători şi organizatori.

Un model de simulare poate descrie doar caracteristicile şi comportamentul sistemului în

diferitele etape ale funcţionării sale. Din variantele obţinute se va alege cea mai bună alternativă,
adică aceea care prin experimentele aplicate efectului combinat al mai multor acţiuni sau factori
se apropie cel mai mult de evoluţia sistemului studiat.
Simularea înlocuieşte în bună măsură metodele de optimizare pentru rezolvarea
problemelor complexe. Simularea prezintă avantaje deoarece modelul este obţinut de obicei din
perspectiva decidentului; este unica metodă din cadrul SIAD care se poate utiliza pentru
problemele nestructurate, surprinde complexitatea reală a problemei şi se poate aplica unor mari
diversităţi de probleme manageriale.
Pentru simulare există un soft relativ uşor de utilizat, soft care implementează metoda
Monte Carlo (ca de exemplu, Excel). Acest proces de simulare prezintă şi dezavantaje precum
lipsa de garantare a obţinerii soluţiei optime ci a unei soluţii îmbunătăţite; modelul de simulare
este aplicat doar pentru o singură problemă, neputând fi generalizat.
 2.7. Modelele predictive

Modelele predictive au ca scop anticiparea evoluţiei viitoare a sistemului considerat în

funcţie de evoluţiile sale anterioare. Acest tip de modele se rezolvă de obicei prin metode
statistice şi evoluţiile acestora.
Legătura dintre variabile este denumită corelaţie, iar stabilirea tipului de legătură dintre
variabilele dependente de una sau mai multe variabile independente, în statistică, se numeşte
analiză de regresie.
Se cunoaşte că dependenţa dintre variabile poate fi liniară, exponenţială sau pătratică, iar
pentru fiecare tip de dependenţă există instrumente puse la dispoziţie de statistică pentru a
determina elementele modelului de regresie aferent.
Pentru a alcătui un model de regresie se va ţine cont de următoarele etape: analiza pentru
identificarea dependenţelor şi a tipurilor de legături pe care le exprimă; specificarea prin care se
caută cea mai optimă formă de exprimare a variabilelor; estimarea parametrilor modelului;
testarea semnificaţiei parametrilor estimaţi; validarea (verificarea) modelului; utilizarea
modelului în operaţii de simulare şi predicţie.
Pentru regresia liniară simplă există o singură variabilă pentru care se face previziunea,
dependentă de o singură altă variabilă. Modelul este Y=f(x) şi se observă că relaţia dintre cele
două variabile este liniară.
Pentru previzionarea variabilei Y se pot folosi una din următoarele metode: metoda
glisajului exponenţial ce presupune previziunea evoluţiilor viitoare pe baza celor trecute şi a
estimărilor din trecut; metoda filtrajului adaptiv ce face o previziune pentru valorile variabilei
dependente în funcţie de sumele ponderate a valorilor anterioare; metoda regresiei liniare simple
prin care se obţine un model cauzal care pune în evidenţă dependenţa variabilei dependente de
variabila independentă.
Acest model este sintetizat în următoarea manieră: Y=mX+b+V unde m şi b sunt
parametrii de regresie ce se vor determina prin metode statistice, iar V este factorul de
cuantificare al influenţelor cauzelor nespecifice şi se mai numeşte variabilă de perturbaţie.
Valoarea medie a lui V trebuie să fie 0, aceasta însemnând că influenţa factorilor perturbatori se
compensează reciproc.
Având în vedere valorile variabilei independente X şi a parametrilor de regresie, se vor
putea estima valorile viitoare ale variabilelor dependente Z; metoda regresiei liniare multiple
care presupune existenţa dependenţei de mai multe variabile. Această metodă este mai apropiată
sistemelor decizionale, întrucât de cele mai multe ori variabila depinde de efectul mai multor
factori consideraţi laolaltă. Acest model are următoarea formă:
Y = b + mjXj + ... + mnXn
Pentru a stabili care este semnificaţia influenţelor variabilelor independente asupra lui Y
(variabilă dependentă) se fac o serie de teste statistice, cum ar fi calculul coeficientului de
determinaţii R2, testarea determinaţiei globale a ecuaţiei de regresie (testul F), testarea
determinaţiei fiecărei variabile (testul t) care la un loc se prezintă ca o analiză dispersională.
Astfel, în concluzie, se poate afirma că rezultatele obţinute se vor accepta numai în cazul în care
legătura liniară presupusă între variabilele dependente şi celelalte variabile este reală. Softul
aferent unei astfel de metode este des utilizat precum SPSS.
Acesta este un sistem automat de analiză a datelor de marketing (Statistical Package for
Social Sciences). De asemenea, procesorul de tabele Excel conţine funcţii statistice care permit
efectuarea previziunilor bazate pe tipuri de regresie şi se poate astfel realiza şi analiza statistică a
datelor.
Pentru a lucra cu metode de previziune este bine de ştiut că trebuie parcurse o serie de
etape: formularea şi înţelegerea conţinutului problemei ce presupune ca managerul sau
decidentul să definească în termeni cât mai apropiaţi de realitate problema, aceasta incluzând
variabilele care trebuie explicitate şi a căror valori vor face obiectul previziunii.
În această etapă se descrie situaţia decizională, se identifică variabila sau variabilele care
vor constitui obiectul predicţiei ca şi variabilele dependente de acestea; selectarea indicatorilor
economici care presupune a se găsi alături de variabilele independente şi acei factori suplimentari
care influenţează variabila dependentă, factori ce vor trebui incluşi în ecuaţia de regresie; analiza
matricei de corelaţie simplă care se face pentru a alege variabilele care trebuie incluse în ecuaţia
de regresie.
Specific domeniului economic este fenomenul de multicoliniaritate adică nivelul înalt de
interdependenţă între variabile diverse. La încheierea acestei etape se vor reţine doar trei sau
patru ecuaţii de regresie care vor fi ulterior analizate; alegerea unei ecuaţii de regresie dintre
cele reţinute anterior.
De obicei calculatorul va determina coeficienţii de regresie şi elementele care permit
testarea semnificaţiei acestora. Se vor reţine ecuaţiile semnificative şi se va încerca ridicarea
progresivă a valorii coeficientului de corelaţie R2 prin introducerea unor noi variabile
independente.
După fiecare iteraţie de mărire progresivă a acestui coeficient se vor verifica testele de
semnificaţie. verificarea corectitudinii condiţiilor de regresie; pregătirea previziunii care
presupune stabilirea unui interval de încredere pentru previziunile individuale şi ce precizie are
fiecare variabilă independentă.
Predicţia are un caracter limitat faţă de previziune (prognoză) care înseamnă depăşirea
cadrului statistic permis de modelele de regresie.
Dezavantajul principal al acestor metode statistice îl constituie volumul mare de date
necesar şi costul ridicat al colectării acestora. Acest dezavantaj este remediat de apariţia noilor
tehnologii de analiză şi agregare a datelor (OLAP).

2.8. Programarea euristică

Această metodă conduce la generarea unei soluţii aproximate pentru probleme complexe
de obicei nestructurate. Pentru astfel de probleme nu se poate descrie un algoritm care nu poate
oferi soluţii optime într-un număr finit de paşi.
 Programarea euristică se poate utiliza şi pentru probleme complexe structurale întrucât
poate conduce la opţiunea mai rapidă a soluţiilor faţă de un algoritm de optimizare (de exemplu
sunt problemele combinatoriale cu extrem de multe soluţii posibile).
De remarcat este faptul că procesul decizional se caracterizează printr-o formalizare a
spaţiului stărilor şi presupune o explorare atentă şi pertinentă a acestuia. În cazul acestei
programări euristice, spaţiul de rezolvare a problemelor implică: spaţiul stărilor, spaţiul
operatorilor, starea iniţială, starea sau stările finale precum şi informaţia asociată fiecărei stări.
Soluţia finală obţinută prin programarea eurstică poate fi un eşec sau un succes.
În utilizarea programării euristice se are în vedere evaluarea rezultatelor care va ţine cont
de calea raţionamentului, de paşii de parcurs ulterior precum şi de experienţa acumulată în
probleme similare şi nu în ultimul rând şi de model.
Evaluarea rezultatelor se realizează cu ajutorul funcţiei de evaluare care depinde de stare
şi de informaţiile referitoare la acea stare. Starea va fi acceptată dacă funcţia de evaluare va
depăşi un anumit prag prestabilit sau dacă este mai bună decât valorile stărilor în aşteptare.
Euristicile se pot grupa în: cantitative dacă sunt în baza de modele a unui sistem
informatic de asistare a deciziei; calitative dacă furnizează cunoştinţe pentru un sistem expert.
Programarea euristică se aplică în cazul în care datele de care se dispune pentru o
problemă complexă sunt insuficiente sau are un grad mare de inexactitate.
Gradul de complexitate al problemei nu permite utilizarea modelelor de optimizare, nu
există soluţie algoritmică iar modelul de simulare simplifică inadmisibil de mult problema şi
trebuie obţinută o soluţie rapidă.
Acest tip de programare are o serie de avantaje dintre care se enumeră: sunt metode uşor
de aplicat şi implementat, produc mai multe soluţii acceptabile, se poate face o măsurare
empirică sau teoretică a calităţii soluţiei obţinute.
Totuşi prezintă şi dezavantaje referitoare la garanţia obţinerii unei soluţii optime, iar în
cazul în care se fac alegeri secvenţiale într-o decizie, există riscul de a nu anticipa corect
consecinţele alegerilor făcute. Toate aceste riscuri sunt de fapt asumate de decident în momentul
în care a ales ca rezolvare programare euristică.

2.9. Metoda utilităţii globale maxime

Problemele de asistare a deciziei din realitatea socio-economică sunt probleme

multicriteriale. Reducerea rezolvării unei probleme de asistare a deciziei la un singur criteriu se
face, de cele mai multe ori, cu scop simplificator, de lămurire a unor aspecte unilaterale. În
universul socio-economic de modelat, problemele de asistare a deciziei economice sunt generate
de procesele de decizie multicriteriale. Pentru măsurarea consecinţelor diferitelor alternative
luate în considerare în momentul luării deciziei, s-a introdus o unitate de măsură comună
denumită utilitate. Prin intermediul funcţiei de utilitate, se asociază fiecărei alternative de decizie
o valoare numerică reală.
 Este evident că o calitate ridicată a deciziei economice, fundamentată pe baza acestei
metode, se va realiza dacă utilităţile asociate vor fi cât mai obiective cu putinţă (aici intervine
rolul important al experţilor domeniului).
Problemele de optimizare multicriterială scot în evidenţă relaţii de tip local-global, în
sensul că după rezolvarea separată a fiecărei probleme unicriteriale (cu un singur criteriu), se
rezolvă problema multicriterială prin luarea în consideraţie a întregului ansamblu de criterii.
Soluţiile obţinute la rezolvarea problemelor decizionale multicriteriale sunt soluţii
suboptimale în raport cu variantele monocriteriale. De cele mai multe ori, în practica economică,
aceste soluţii suboptimale se dovedesc satisfăcătoare.
În optimizarea multicriterială, există două categorii de probleme: optimizare multiatribut
şi optimizare multiobiectiv.
O problemă de optimizare multiatribut prezintă o mulţime finită a soluţiilor posibile, cu
variante ce au asociate atribute multiple (de natură numerică sau nenumerică).
O problemă de optimizare multiobiectiv prezintă o mulţime infinită a soluţiilor admisibile
şi foloseşte funcţia-obiectiv drept criteriu de optimizare (care se maximizează sau minimizează).
Utilitatea globală a unui proiect se defineşte ca suma produselor între elementele
matricei utilităţilor (reprezentate de coloana corespunzătoare proiectului) şi coeficienţii de
utilitate consideraţi pentru fiecare indicator. Proiectul care se selectează este asociat cu utilitatea
globală maximă. În metoda utilităţii globale maxime, se construieşte, mai întâi, matricea
utilităţilor cu elementele (aij), U=(aij), i≤n, j≤m. În cazul rezolvării problemei cu criteriul de
maxim, se foloseşte relaţia:
a − ai min
aij = i ,
ai max − ai min
unde semnificaţia notaţiilor este următoarea:
ai=valoarea indicatorului i asociată proiectului j; ai max=valoarea maximă a indicatorului i;
ai min=valoarea minimă a indicatorului i.
În cazul rezolvării problemei cu criteriul de minim, relaţia similară este:
a − ai
aij = i max .
ai max − ai min

2.10. Sistemul de gestiune a modelelor

Sistemul de gestiune a modelelor (SGM) are de fapt facilităţi asemănătoare cu cele ale
unui sistem de gestiune a bazelor de date (SGBD).
Facilităţile oferite de un SGM se pot grupa în câteva categorii: stocarea modelelor;
utilizarea modelelor deja existente; facilităţi de acces şi de regăsire a modelelor; facilităţi de
mentabilitate a modelelor existente cu posibilităţi de păstrare a soluţiilor; construirea unor
modele noi pe baza celor existente; flexibilitate, care constă în trecerea rapidă de la o abordare la
alta; consistenţa care dă posibilitatea ca acelaşi model şi aceleaşi date să fie accesate de mai
mulţi utilizatori.
Aceste facilităţi definesc şi o serie de cerinţe pentru gestionarul de modele cum ar fi:
asigurarea comunicării şi schimbul de date dintre modele în momentul în care sunt utilizate într-
un anume context, asigurarea analizei şi interpretării rezultatelor obţinute în urma utilizării unui
model standard.
 Din punct de vedere al limbajelor de modelare, care asistă utilizatorul în gestionarea
modelelor, acestea sunt destinate pentru programare matematică: Lingo, GAMS, AMPL.
În procesul de modelare este utilizat şi procesoarul de tabele, Excel. Excel are încorporate
pachete de programe pentru structurarea şi rezolvarea unor tipuri de modele pentru domeniul
economic, matematic. Procesorul de tabele are încorporate o serie de categorii de funcţii
(matematice, statistice, financiare, de previziune) care pot rezolva probleme de optimizare
(programare liniară) de simulare sau de căutare euristică a unor soluţii. El poate oferi la un nivel
scăzut şi gestionarea unei baze de date sau importul de date.

3. SIAD-URI BAZATE PE ANALIZA ŞI SINTEZA DATELOR

3.1. Problematica generală

Modul în care datele sunt retransformate în informaţii şi apoi în cunoştinţe este de fapt un
proces de valorificare a datelor care se realizează prin sintetizarea şi analiza lor şi, în final, prin
interpretare. Procesul de sintetizare a datelor presupune centralizarea lor, având în vedere
diverse criterii şi este utilizat în crearea situaţiilor de sinteză necesare informării managerilor ca
suport pentru luarea deciziilor. Soluţiile oferite de informatică pentru procesul de sintetizare a
datelor sunt: programe specifice şi dedicate; interogări care dau posibilitatea grupării datelor
după criterii stabilite şi oferă funcţii pentru domeniile astfel create; funcţiile de total şi subtotal
oferite de generatoarele de rapoarte care permit indicarea ierarhiilor criteriilor de grupare.
În ultimul timp, problema centralizării datelor a rămas aceeaşi, însă volumul de date de
explorat este imens, ceea ce duce la faptul ca metodele clasice să devină ineficiente. De aceea
câştigă tot mai mult teren tehnologii moderne ca Data Warehousing (depozitarea datelor) şi
OLAP (On-Line Analytical Processing) pe măsură ce suporturile soft devin suport de date pentru
sistemele tranzacţionale.
Depozitele de date (Data Warehouse) ajută la:
- îmbunătăţirea valorii performanţelor organizaţiei economice cu management centrat pe
client, printr-o mai bună înţelegere a nevoilor clientului;
- analiza percepţiilor clienţilor asupra valorii produselor şi serviciilor care sunt oferite sau
care ar putea fi oferite în viitor;
- integrarea marketingului cu tehnologiile informaţiei şi ale comunicaţiilor (IT&C), cu
sursele de date operaţionale, obţinându-se depozitul de date de tip întreprindere, EDW
(Enterprise Data Warehouse);
- contribuie la creşterea valorii strategice a organizaţiei economice.
Într-un cadru mai larg, se aplică noul concept de cercetare (inteligentă) a afacerilor, BI
(Business Intellgence) ce devine o componentă critică a ansamblului de operaţiuni zilnice ale
organizaţiei economice, astfel încât se dezvoltă depozite de date în timp real ce asigură
utlizatorilor finali actualizări rapide şi emiterea unor semnale de alarmă (alerte) generate din
cadrul sistemelor tranzacţionale (TPS). Depozitele de date în timp real, RTDW (Real-Time Data
Warehouse), şi BI sprijină îndeplinirea planului de afaceri al organizaţiei economice. Aplicaţiile
RTDW ale organizaţiei economice cuprind:
 - managementul şi contabilitatea veniturilor şi cheltuielilor;
- managementul relaţiilor cu clienţii, CRM (Customer Relationship Management);
- operaţiuni şi bilanţuri la nivel de echipă;
- managementul securităţii informatice;
- managementul activităţilor specifice îndeplinirii obiectivelor organizaţiei economice.
Pentru administrarea eficientă a afacerilor sunt necesare RTDW, SIAD (DSS) şi
instrumente BI.
OLAP reprezintă o categorie de tehnologie software care permite analiştilor, managerilor
şi persoanelor de execuţie din organizaţia economică să beneficieze de un acces rapid, consistent
şi interactiv la depozitul de date; acest lucru se obţine printr-o varietate de vizualizări posibile
ale informaţiilor ce au fost transformate din datele operaţionale şi reflectă dimensionalitatea reală
a organizaţiei din punctul de vedere al utilizatorului. Ca urmare, prin tehnologiile de centralizare
se transformă datele în informaţii de sinteză şi se asigură analiza lor. Analiza datelor presupune a
găsi relaţii între datele sintetizate cum ar fi: asocieri, corelaţii structurale, cauzale sau
funcţionale. Funcţionalitatea OLAP este caracterizată de o analiză dinamică multidimensională
dinamică a datelor consolidate ale organizaţiei economice ce sprijină activităţile analitice şi de
căutare şi regăsire a informaţiilor (prin navigare sau browsing) desfăşurate de utlizatorul final:
• calcule şi modele aplicate dimensiunilor transversale prin intermediul ierarhiilor sau
membrilor;
• analize asupra tendinţelor din perioade de timp secvenţiale;
• submulţimi obţinute prin secţionare (slicing) pentru vizualizările prezentate pe ecranul
monitorului calculatorului;
• efectuarea unor operaţiuni de drill-down pentru adâncirea nivelurilor de consolidare a
datelor;
• efectuarea operaţiunii de rotaţie (rotation) pentru obţinerea unor noi comparaţii
dimensionale în zona de vizualizare a datelor.
O formă simplă de analiză a datelor este compararea datelor cu date similare, comparare
care se face păstrând toate criteriile identice, doar unul singur având valori diferite. Comparare se
face între seturi de date comparabile, iar tehnologiile de comparaţie sunt dotate cu tehnici de
observare pentru semnalizarea tiparelor, corelaţiilor, asocierilor prin similitudini sau sesizează
abateri, excepţii. Informatica a venit în întâmpinarea acestor cerinţe cu tehnicile de prezentare
grafică care transformă informaţia cantitativă în informaţie calitativă. Au apărut şi tehnici de
observare analitică a datelor care au la bază teorii matematice prin care datele reale sunt
comparate cu date teoretice produse de un model ipotetic.
Dezvoltarea tehnicilor de observare a dus la apariţia tehnicilor de observare automată
bazate pe data-driven. Rezultatul unor astfel de tehnici se regăsesc într-un model cu caracter
general. Tehnicile de observare analitică a datelor se regăsesc într-o tehnologie modernă
denumită Data Mining (în traducere liberă “Mineritul datelor”).
Rezultatul procesului de observare analitică este obţinerea unor tipare, corelaţii şi uneori
modele din care se pot deduce tendinţe sau se poate previziona cu o anumită probabilitate cum
vor arăta datele pe o perioadă ulterioară. Modelul permite interpretarea datelor, ce reprezintă un
proces cognitiv cu o apreciere generală a situaţiei, şi identifică probleme, oportunităţi sau
potenţiale cauze de eşec.
 De remarcat este faptul că interpretarea datelor duce la apariţia de cunoştinţe noi care se
vor cumula la cele deja existente. Instrumentele soft clasice pentru asistarea deciziei au avut ca
principal scop asigurarea tehnicilor de analiză, optimizare şi simulare precum şi reprezentarea
grafică a rezultatelor. Dintre aceste instrumente se amintesc procesoarele de tabele Lotus şi Excel
orientate pe volume mici de date, cele referitoare la sistemele de gestiune a bazelor de date
Access, Visual Foxpro, capabile să lucreze cu volume mari de date cu structură uniformă.
Principalul dezavantaj al acestor instrumente clasice este că operează numai asupra acelor date
care au o structură prestabilită şi provin dintr-o sursă unică. Noile sisteme de asistare a deciziei
folosesc tehnici speciale de comasare a datelor stocate în structuri neuniforme, pentru a utiliza
informaţii implicite care nu sunt specificate în datele existente. Suporturile software de asistare a
deciziei oferă utilizatorilor o serie de facilităţi cum ar fi: interogarea în limbaj natural, accesul la
modele conceptuale, sisteme de gestiune OLAP şi servicii de integrare cu alte suporturi soft.

3.2. Depozite de date (Data Warehouse)

3.2.1. Definirea conceptului de depozit de date. Caracteristicile depozitelor de date

Depozitul de date (Data Warehouse) este un ansamblu de date special produse pentru a
sprijini luarea deciziei manageriale. Depozitul de date conţine date istorice şi curente de interes
potenţial pentru manageri în cadrul organizaţiei economice. În mod obişnuit, datele sunt
structurate pentru a putea fi oricând disponibile pentru activităţi de prelucrare analitică online
(OLAP), Data Mining, interogări, rapoarte, alte aplicaţii pentru asistarea luării deciziei8.
Trebuie precizat că noţiunea de depozit de date (Data Warehouse) se referă la rezultatul
final – date memorate pe suport informaţional, date ce prezintă caracteristici distincte faţă de
bazele de date tranzacţionale, în timp ce noţiunea de depozitarea datelor (Data Warehousing)
priveşte întregul proces de creare, menţinere şi exploatare a unui depozit de date.
Depozitele de date (Data Warehouse) reprezintă din perspectiva metodologică, pur didactică,
o ramură a informaticii aplicate în domeniul sistemelor informatice pentru asistarea deciziei,
SIAD sau DSS, prin intermediul căreia se asigură:
1) administrarea complexă a afacerilor;
2) accesarea din exterior, oportună şi eficace, a informaţiilor şi cunoştinţelor necesare
afacerilor (business information and business knowledge).
Procesul de depozitare a datelor (Data Warehousing) conţine următoarele componente majore
(fig.3.1):
1) Sursele de date;
2) Extragerea, transformarea şi încărcarea datelor din bazele de date operaţionale, ETL
(Extraction, Transformation and Load);
3) Depozitul de date de tip întreprindere, EDW (Enterprise Data Warehouse);

8
Turban E., Aronson, J.E., Liang, T.P., Sharda, R. - Decision Support and Business Intelligence Systems, Pearson
Prentice Hall, New Jersey, 2007.
 4) Metadatele (programe soft pentru date şi reguli pentru organizarea rezumatelor de date.
Sunt uşor de indexat şi regăsit, inclusiv prin instrumente Web);
5) Instrumente de tip middleware, ce asigură accesul la depozitul de date (OLAP, Data
Mining, instrumente soft de întocmire a rapoartelor şi de vizualizare a datelor).

Necesitatea depozitelor de date este dată de volumul imens de date acumulat în timp de
organizaţiile economice. Integrarea acestor date istorice ale organizaţiei într-o structură care să
stea la baza luării deciziilor a devenit principala preocupare a noilor tehnologii informatice.
Depozitele de date integrează diferitele tipuri de baze de date din organizaţie, asigurând date
oportune şi relevante (în timp real sau aproape de răspuns în timp real) pentru sistemele
informatice pentru asistarea deciziei manageriale, SIAD. Implementarea depozitelor de date
conferă valoare strategică organizaţiei economice. De asemenea, depozitele de date contribuie la
reducerea costurilor. De exemplu, în primul an de operare a depozitelor de date, această reducere
a costurilor este similară cu investiţiile în sistem pe timp de şase ani9.

APLICAŢII:
Rafturi
de date OLAP
EDW Interfeţe de
aplicaţii Web
middleware
Data Mining

Instrumente de
interogare
ETL relaţionale

Instrumente de
SURSE DE DATE raportare
(OLTP, externe, moştenite
de la sistemele informatice vechi)

Vizualizare
rezultate

Fig.3.1. Conceptul de depozit de date (Data Warehouse)

9
Turban E., op.cit.
 Sistemele de asistare a deciziei care au la bază analiza şi sinteza datelor realizează
comasarea, sistematizarea, corelarea şi gruparea datelor pentru a obţine informaţii care să
reliefeze factorii care influenţează pozitiv sau negativ performanţele companiei. Ca urmare a
obţinerii unor astfel de informaţii se poate adopta o strategie de ameliorare a factorilor cu
influenţă negativă asupra performanţelor organizaţiei economice.
Obţinerea rezultatelor, sub formă de rapoarte care conţin informaţii utile factorilor de
decizie sunt într-o formă accesibilă şi sunt rezultatul tehnicilor speciale de explorare a masivelor
de date. Aceste tehnici conduc la evidenţierea unor corelaţii între date, pot face estimări şi
prognoze precum şi atenţionări ale managerilor asupra unor disfuncţii.
Caracteristicile fundamentale ale depozitelor de date (Inmon – 2005, Tuban – 2007) sunt
următoarele:
a) orientarea pe subiecte (de exemplu, produse, clienţi, vânzări etc.) conţinând numai informaţia
relevantă pentru procesul de decizie managerială; prin aceasta, managerii, în calitate de
utilizatori finali, calculează sau evaluează performanţele obţinute în afaceri, formulând şi
explicaţiile justificative pentru aceste performanţe.
b) integrarea, nemijlocit legată de caracteristica orientarea pe subiecte; datele provenite din
surse diverse sunt dispuse într-un format consistent, eliminându-se astfel conflictele şi
discrepanţele ce pot apare datorită unităţilor de măsură diferite. Un depozit de date se presupune
că este total integrat.
c) nonvolatilitatea: odată ce datele au fost introduse („scrise”) într-un depozit de date,
utilizatorii nu mai pot modifica sau actualiza datele. Un depozit de date este proiectat din
perspectiva utilizatorului, în mod exclusiv, numai pentru acces la date.
d) variabilitatea în timp (serii de timp). Un depozit de date menţine datele istorice ale
organizaţiei economice. Datele nu trebuie să asigure, în mod necesar, starea curentă (excepţie
fac doar sistemele în timp real). Pe baza depozitelor de date sunt detectate trenduri, deviaţii,
relaţii pe termen lung pentru comparaţii şi prognoze ce conduc la luarea deciziei. Pentru fiecare
depozit de date există o calitate temporală. Timpul reprezintă una din dimensiunile importante pe
care trebuie să le posede toate depozitele de date. Datele pentru analize ce provin din surse
multiple conţin referinţe de timp multiple (de exemplu, vizualizări zilnice, săptămânale, lunare
etc.).
e) includerea aplicaţiilor bazate pe Web.
f) utilizarea arhitecturii client/server.
g) utilizarea structurilor de baze de date relaţionale sau de baze de date multidimensionale.
h) folosirea metadatelor (date despre date).
Caracteristicile depozitelor de date rezultă din faptul că ele pot înmagazina volume mari
de date preluate din arhive şi/sau din bazele de date ale aplicaţiilor informatice specifice
activităţii curente a întreprinderii (sunt volume de ordin 1012 terabytes), precum şi din surse
externe organizaţiei economice. Exploatarea acestor volume uriaşe de date, provenind de la surse
de date diverse, este asigurată de existenţa unor motoare speciale care dau posibilitatea ca
masivele să poată fi interogate, precum şi existenţa unor servicii speciale de analiză on-line a
datelor (OLAP). Suporturile software susţin performanţele acestor servicii prin transformarea
datelor, corelarea şi completarea lor precum şi prin crearea dicţionarului de date, toate acestea
asigurând accesul la structurile primare. Datele sunt extrase din baze de date heterogene create
de sistemele informatice deja existente în organizaţie pe diversele platforme hard şi soft.
Se poate remarca faptul că datele sunt introduse nu la întâmplare ci sub controlul unor
aplicaţii şi al SGBD-ului. Acestea asigură prin serviciile de integritate, stocarea şi lucrul în
condiţii de siguranţă maximă. Datele care formează suportul pentru tranzacţiile primare sunt
apoi prelucrate pentru a se obţine informaţiile de sinteză necesare planificării şi luării deciziilor
şi sunt tratate de instrumentele SGBD.
Deoarece exploatarea unui volum enorm de date, pentru a obţine diverse rapoarte, este
asigurată de integritatea şi coerenţa bazei de date, reuniunea tuturor acestor date duce la
exploatarea unui mare număr de tabele, la crearea unor multiple legături virtuale şi tabele
temporare. Acest volum mare de muncă conduce la principalul inconvenient al depozitelor de
date şi anume timpul mare necesar exploatării lor. Un alt inconvenient îl constituie şi
aglomerarea motorului bazei de date cu task-uri de centralizare care încetineşte astfel
tranzacţiile curente.
Astfel a apărut necesitatea stocării datelor care sunt dedicate planificării şi deciziilor
strategice într-un sistem diferit de sistemul operaţional în aşa fel încât funcţionarea celor două
sisteme să se facă fără inconveniente. În depozitul de date se pot stoca atât arhive de date privind
activitatea anterioară cât şi date referitoare la tranzacţii ulterioare fără ca utilizatorul să poată
interveni.
Depozitele de date sunt o concentrare de date care organizează, consolidează şi
centralizează datele din surse eterogene şi care vor constitui baza procesărilor analitice atât de
necesare proceselor de decizie. Depozitul de date se construieşte progresiv adică el permite
completări şi dezvoltări ulterioare. Pentru a se asigura o calitate sporită a datelor acestea sunt
supuse unui proces de curăţire şi transformare, menţionând şi maniera de obţinere a unor date
colectate pe baza celor existente, acest proces ducând la micşorarea timpului cerut pentru
obţinerea unor rapoarte finale. În depozitele de date se face transformarea codurilor în date
explicite precum şi integrarea datelor din nomenclatoare în datele referitoare la tranzacţii. Acesta
este numit şi proces de denormalizare şi este caracterizat de faptul că nu modifică integritatea
datelor şi grăbeşte procesul de regăsire. Într-un depozit de date redundanţa datelor este permisă.
Literatura de specialitate prezintă mai multe arhitecturi de depozite de date, grupate în
două categorii: depozitele de date de tip întreprindere, EDW (Enterprise Data Warehouse) şi
rafturi de date (Data Marts). Un exemplu de arhitectură de depozit de date bazată pe Web
(Turban, 2007) este prezentat în fig.3.2. Această arhitectură pe 3-entităţi (three-tiers) cuprinde
clientul, serverul Web şi serverul de aplicaţie. Pe partea de client există o conexiune Internet şi
un navigator Web bazat pe o interfaţă grafică de tip GUI (Graphical User Interface). Mediul de
comunicaţie dintre client (atenţie: aici client are sensul de staţie de lucru – Work Station - pentru
utilizatorul final) şi servere este de tipul Internet/Intranet/Extranet. Pe partea de server se
foloseşte un server Web pentru gestionarea fluxurilor informaţionale dintre client şi server,
urmat de serverul de aplicaţie şi depozitul de date.
 Navigator Server Web Depozit de
Web date

1. Client
2. Server Web 3.Server de aplicaţie

Pagini Web Server de

aplicaţie

Fig.3.2 Arhitectura unui depozit de date bazat pe Web

O arhitectură generalizată a depozitului de date (Thalheim şi Lenz, 2005) este prezentată

în fig.3.3. Această arhitectură are în vedere aplicarea triadei „stocare-prelucrare-prezentare”, cu
sistemul de management al conţinutului, CMS (Content Management System) ca element central
al prelucrării datelor.
Sistemul de management al conţinutului, CMS, reprezintă în exenţă un sistem informatic
folosit pentru a gestiona conţinutul unui site Web (Web Content Management). Prin extensie,
CMS se referă şi la depozitele de date şi rafturile de date. Conţinutul gestionat de CMS cuprinde
fişiere, imagini media, fişiere audio, documente electronice, conţinut Web. CMS poate, de
asemenea, să fie folosit la fel de bine în calitate de arhivă electronică pentru forme non-
proprietare ale fişierelor10.
De regulă, un CMS constă din două elemente de bază: aplicaţia de management al
conţinutului, CMA (Content Management Application) şi aplicaţia de livrare a conţinutului,
CDA (Content Delivery Application)11. Un CMS indexează toate datele din interiorul sistemului
informatic integrat al organizaţiei economice. Prin CMS sunt folosite şabloanele sau seturile de
şabloane (templates) aprobate de managementul organizaţiei, ca şi ghidurile de lucru (wizards) şi
alte instrumente pentru crearea şi modificarea conţinutului Web.
Prin caracteristica de gestionare a formatelor documentelor, CMS asigură lucrul cu
formate de documente vechi (moştenite), a documentelor pe hârtie scanate ce pot fi convertite în

10
www.wikipedia.com
11
searchsoa.target.com
format HTML sau PDF (Portable Document Format). Prin CMS se asigură actualizarea cu
ultima versiune a unui document sau restaurarea unui document în versiunea precedentă.

Instrumente Sistem de Extractoare

Date de import- management de date
OLTP export
al Data
date
(nivel conţinutului, Mining
micro) CMS (nivel macro)
Date
Sistem OLAP/DW
externe

Utilizator Unilizator Utilizator

Date al unităţii ESS/DSS
moştenite anonim
de afaceri

Fig.3.3 Arhitectura generalizată a depozitului de date (Thalheim şi Lenz)

Decizie de alegere a unei arhitecturi de depozit de date este influenţată de mai mulţi
factori, dintre care se menţionează:
- cerinţele de informaţie ale managementului de vârf (top-management);
- interdependenţele informaţionale existente între departamentele şi entităţile funcţionale
ale organizaţiei economice;
- gradul de limitare a resurselor organizaţiei economice;
- existenţa compatibilităţii cu sistemele informatice aflate deja în exploatare în organizaţie;
- motivaţia profundă a angajaţilor în dezvoltarea unui depozit de date.
Integrarea datelor într-un depozit de date conţine trei procese majore:
a) accesul la date;
b) realizarea federaţiei de date;
c) reflectarea oportună în depozitul de date a modificărilor semnificative ale datelor
provenite din sursele de date de tip întreprindere.
Există mai multe tehnologii de integrare a datelor şi metadatelor în depozit de date:
1) integrarea aplicaţiilor de tip întreprindere, EAI (Enterprise Application Integration);
2) arhitectura orientată pe servicii, SOA (Service-Oriented Architecture);
3) extragerea, transformarea şi încărcarea datelor în depozitul de date, ETL (Extraction,
Transformation and Load);
 4) integrarea informaţiilor de tip întreprindere, EII (Enterprise Information Integration).
Integrarea aplicaţiilor de tip tip întreprindere, EAI (Enterprise Application Integration)
asigură modalitatea unitară de preluare a datelor din surse diverse şi stocarea lor în depozitul de
date de tip întreprindere, DEW. Această integrare a aplicaţiilor de tip întreprindere se realizează
la nivelul interfeţei de programare a aplicaţiei, API (Application Programming Interface). EAI
este combinată cu arhitectura orientată pe servicii, SOA (Service-Oriented Atchitecture) care
estre focalizată pe un ansamblu coerent de procese de afaceri orientate pe servicii Web.
Extragerea, transformarea şi încărcarea datelor în depozitul de date, ETL (Extraction,
Transformation and Load) reprezintă componenta integrală a oricărui proiect centrat pe
organizarea, stocarea şi prelucrarea datelor, aşa cum este depozitarea datelor (Data
Warehousing). Această componentă ETL consumă circa 70% din perioada de lucru la un proiect
centrat pe date12.
Extragerea datelor înseamnă citirea datelor destinate depozitului de date din una sau mai
multe baze de date.
Transformarea datelor reprezintă conversia datelor extrase din forma iniţială în forma
standard necesară pentru stocarea în depozitul de date sau în alte baze de date cu care depozitul
de date lucrează direct.
Încărcarea datelor înseamnă stocarea datelor, anterior transformate în forma standard,
curăţate şi rafinate, în depozitul de date.
Pot constitui surse de date relevante pentru depozitul de date (raftul de date): baze de
date tranzacţionale (provenite din sistemul informatic de procesare a tranzacţiilor, TPS), baze de
date provenite din aplicaţii ERP, din aplicaţii CRM, din tabele Excel (într-un cadru mai larg, din
baze de date specifice OAS), din baze de cunoştinţe specifice KWS, din şiruri de mesaje, din
fişiere externe etc.
Datele stocate în depozitul de date sunt conforme (prin forma standard dobândită prin
intermediul procesului ETL) cu regulile de afaceri ce definesc modul de folosire a datelor
stocate, cu regulile de întcomire a rezumatelor (sintezelor, rapoartelor), cu regulile de
standardizare a atributelor codificate, cu regulile de efectuare a calculelor. Toate aceste reguli
sunt memorate într-o bază de metadate şi sunt aplicate unitar în întreg depozitul de date.
Turban (2007) diferenţiază trei tipuri principale de depozite de date: rafturile de date,
DM (Data Marts), memoriile-tampon de date operaţionale, ODS (Operational Data Stores) şi
depozitele de date de tip întreprindere, EDW (Enterprise Data Warehouse).

3.2.2. Rafturile de date

Aşa cum s-a arătat în primul capitol al lucrării, organizaţia economică este structurată pe
departamente şi entităţi funcţionale, figurate ca domenii de gestiune ale organizaţiei economice.
La nivelul acestor departamente şi entităţi funcţionale, datele ce prezintă caracteristicile
prezentate în paragraful anterior sunt depuse în rafturi de date, DM (Data Marts). În unele
lucrări, noţiunea românească asociată lui Data Marts este de magazie de date, Altfel exprimat,

12
Turban, E., Op.cit.
dacă depozitele de date (Data Warehouse) combină baze de date la nivelul întregii organizaţii
economice (adică la nivelul sistemului informatic integrat al organizaţiei economice), în schimb
rafturile de date cu dimensiuni mai mici decât depozitele de date, sunt destinate unui anumit
departament al organizaţiei economice sau unui anumit subiect definit la dorinţa utilizatorului
final.
Utilizarea magaziilor sau rafturilor de date (Data Marts) conduce la creşterea
performanţelor în exploatare. Aceste depozite de date se construiesc de obicei cu tehnologii
relaţionale.
Majoritatea rafturilor de date sunt rafturi de date dependente (adică sunt generate direct
din depozitul de date). Există, însă, şi rafturi de date independente de depozitul de date al
organizaţiei ce sunt realizate special pentru o unitate strategică de afaceri, SBU (Strategic
Business Unit) şi care nu folosesc date din depozitul de date al organizaţiei economice. Raftul de
date independent poate constitui o alternativă „low cost” pentru firmele care nu-şi pot permite
achiziţionarea, menţinerea şi exploatarea unui depozit de date.

3.2.3. Memorii-tampon de date operaţionale

Între bazele de date operaţionale (tranzacţionale) de pe nivelul operaţional al

organizaţiei economice şi depozitele de date de pe nivelul de management mediu organizaţional
se pot constitui memorii-tampon de date operaţionale, ODS (Operational Data Stores).
Memoriile-tampon de date operaţionale servesc, de exemplu, pentru realizarea şi
utilizarea fişierelor cu informaţii despre client, CIF (Customer Information File) ce pot fi
actualizate în funcţie de evoluţia afacerii respective. Ca urmare, memoriile-tampon de date
operaţionale servesc pentru asistarea deciziei pe termen scurt, în special în aplicaţiile cu puncte
critice.
Memoriile-tampon de date operaţionale stochează cele mai recente date referitoare la
subiectul considerat, date ce provin din surse multiple. Datele din memoriile-tampon de date
operaţionale sunt date din surse diverse ce au fost supuse unui proces de extragere, transformare
şi încărcare, ETL (Extraction, Transformation and Load), similar cu procesul de la depozitele de
date. Când datele operaţionale sunt analizate multidimensional, memoriile-tampon de date
operaţionale devin rafturi de date operaţionale (Operational Marts sau Oper Marts)13.

3.2.4. Depozite de date de tip întreprindere

Un depozit de date de tip întreprindere, EDW (Enterprise Data Warehouse) este un

depozit de date integrat pe scară largă, cu un nvolum de date foarte mare, care se foloseşte la
nivelurile de management mediu şi strategic pentru asistarea luării deciziei.

13
Turban, E., 2007, Op.cit.
 EDW utilizează date în format standard ce provin de la surse diverse. Datele din EDW
sunt folosite ca date de intrare pentru majoritatea tipurilor de sisteme informatice pentru asistarea
deciziei economice, cum sunt sistemele informatice pentru managementul relaţiilor cu clienţii,
CRM (Customer Relationship Management), sistemele informatice pentru managementul
lanţului de aprovizionare, SCM (Supply Chain Management), sistemele informatice pentru
managementul performanţelor afacerilor, BPM (Business Performance Management), sistemele
informatice pentru managementul ciclului de viaţă al produselor, PLM (Product Lifecycle
Mangement), sistemele informatice pentru monitorizarea activităţilor afacerilor, BAM (Business
Activity Monitoring), sistemele (aplicaţiile) informatice pentru managementul veniturilor,
sistemele informatice pentru automatizarea lucrărilor de birou, OAS (Office Automation
Systems), sistemul informatic de lucru cu cunoştinţe, KWS (Knowledge Work Management)14
etc.

3.2.5 Diferenţierea depozitului de date de baza de date

Diferenţele dintre depozitul de date şi baza de date sunt următoarele:

a) datele conţinute de un sistem de prelucrare a tranzacţiilor, OLTP (On-Line Transaction
Processing) sunt de tip operaţional, iar datele conţinute de un depozit de date sunt specifice
asistării deciziilor, sunt date centralizate sau derivate din date operaţionale, nu se modifică în
timp şi sunt destinate utilizatorilor finali;
b) în cazul sistemelor tranzacţionale, performanţele se referă la integritate, confidenţialitate,
siguranţă şi timp de răspuns întrucât un număr mare de utilizatori introduc date în sistem, în
timp ce în cazul SIAD (deci a depozitelor de date) numărul de utilizatori finali (manageri) este
foarte mic. Astfel şi securitatea şi siguranţa în exploatare nu sunt supuse unor riscuri majore,
procedurile de salvare şi restaurare fiind mai puţin utilizate decît în cazul sistemelor
tranzacţionale.
c) datele procesate în sistemele tranzacţionale sunt în seturi relativ mici, introduse recent şi
compact, astfel încât prelucrarea se face destul de rapid. În procesele decizionale, datele
necesare acestora sunt în volum mare, stocate dispersat ceea ce duce la o prelucrare mai lentă;
d) bazele de date construite pentru sisteme tranzacţionale sunt proiectate şi realizate pe baza
unor cerinţe cunoscute şi certe, modificările care intervin datorită adaptării sistemului la
schimbările intervenite reiau anumite faze ale ciclului de viaţă. Dar odată implementate ele
funcţionează perioade lungi de timp fără modificări. În SIAD cerinţele sunt cunoscute doar
parţial în momentul proiectării şi realizării lor, ceea ce obligă depozitul de date să se adapteze
din mers cerinţelor. De aceea se observă că datele gestionate pentru sisteme tranzacţionale sunt
privite ca un întreg, pe când cele din depozitele de date sunt organizate pe secţiuni deoarece ele
sunt organizate în funcţie de subiectul de analiză.
e) Sistemele tranzacţionale reflectă de obicei fluxul datelor din activităţi curente, pe când
depozitele de date sunt orientate pe subiecte cum ar fi de exemplu: resurse, produse, clienţi,
furnizori.
f) În cadrul sistemelor informatice operaţionale dedicate domeniilor de gestiune ale
organizaţiei, datele sunt adesea fragmentate, astfel încât managerii iau decizii pe baza unor

14
Idem.
informaţii parţiale (incomplete). Depozitele de date elimină acest dezavantaj prin accesarea,
integrarea şi organizarea datelor operaţionale cu rol-cheie într-o formă care se caracterizează
prin consistenţă, fiabilitate, oportunitate, disponibilitate rapidă şi cu referinţă în timp (timely).

3.2.6. Ciclul de viaţă al depozitelor de date

Depozitul de date (Data Warehouse) este o colecţie de date orientate pe subiecte,

integrate, corelate în timp şi non-volatile care sprijină decizia.* Datele care fac obiectul unui
depozit sunt integrate în acesta utilizând convenţii pentru măsurători, atribute. Structura de care
dispune depozitul de date prevede identificarea punctuală a datelor stocate şi, mai ales, un acces
rapid la ele. Proiectarea structurii depozitului de date se face prin modelare multidimensională,
structura implementându-se ca o bază de date care asigură stocarea unui volum mare de date şi
un acces rapid la ele, aşa numitele baze de date client/server.
Popularea depozitelor de date se face prin preluare din sisteme tranzacţionale, dar care
vor fi supuse unor procese complexe de transformare care să corespundă structurii depozitului
care a fost proiectat. După această etapă, depozitul va putea intra în exploatare pentru a obţine
analize şi rapoarte. Etapele enumerate anterior (proiectare, populare, exploatare) sunt asistate de
un soft specializat de la browsere şi generatoare de rapoarte până la instrumente specifice Data
Mining.
În exploatarea curentă a depozitului frecvent vor apare noi cerinţe informaţionale care
vor duce neapărat la extinderea structurii, la popularea cu extensii cuprinzând date istorice,
precum şi la integrarea noilor date încorporate în aplicaţii de analiză. Pe parcursul existenţei
sale, un depozit de date este incremental şi ciclic.

3.3. Modelarea conceptuală a depozitului de date

În etapa de concepţie a unui depozit de date se folosesc modele dimensionale care

grupează datele din tabelele relaţionale în scheme de tip stea sau fulg de zăpadă. În aceste
scheme pot fi regăsite date cantitative cum ar fi cantităţi sau valori sau grupate după diverse alte
criterii (pe client, pe produs, pe tipuri de servicii etc.). Datele cantitative din bazele de date
dimensionale sunt de tip medii, număr de tranzacţii, centralizări după anumite caracteristici,
totaluri şi reprezintă măsuri ale activităţii. Pe de altă parte, criteriile de agregare vor fi denumite
dimensiuni. Măsurile identificate prin dimensiuni vor fi stocate într-o tabelă relaţională care este
denumită tabelă de fapte, iar codurile utilizate sau asociate criteriilor de agregare sunt date de
tabelele de tip nomeclator asociate fiind cu tabelele de fapte şi în acest fel schema relaţională va
fi de tip stea. Dacă se reunesc mai multe scheme de tip stea care utilizează aceleaşi
nomenclatoare formează un model tip constelaţie. Dacă nomenclatoarele se pot divide în
subnomenclatoare atunci există o dependenţă între acestea. De remarcat că pentru acelaşi cod

*
Dinu Airinei – Operă citată
pot exista mai multe nomenclatoare alternative. Dacă se integrează aceste subdimensiuni şi
dimensiuni alternative, se creează o schemă sub formă de fulg de zăpadă.
Schemele de tip stea, fulg de nea sau constelaţie sunt modele conceptuale
multidimensionale ale depozitelor de date, având ca rol organizarea datelor pe subiecte, necesară
procesului de decizie. Schema este deschisă, adică ea se poate modifica pe tot parcursul vieţii
depozitului de date.

3.4. Modul de utilizare a depozitului de date

Depozitele de date conţin structuri unice, integrate şi cumulative necesare procesului de

decizie. Administratorul depozitului de date are ca principală sarcină stabilirea accesului partajat
al categoriilor de manageri prin asigurarea de parole şi drepturi de acces. Datele din depozit sunt
accesate selectiv de manageri în funcţie de necesităţile acestora. În acest fel se crează colecţii
specializate pe diverse domenii care se numesc magazii de date (Data Marts). Magaziile de date
se pot utiliza şi ca structuri intermediare pentru colectarea datelor din surse primare şi al căror
conţinut este descărcat periodic în depozitul de date. Depozitele de date pot lua naştere şi printr-
o stocare exhaustivă a datelor din sistemele tranzacţionale în vederea aplicării tehnologiei Data
Mining. Utilizarea tehologiei Data Mining presupune că procesarea datelor se face fără
intervenţia utilizatorilor, în background, iar rezultatele sunt păstrate pentru a fi consultate ulterior
la cerere.

3.5. Mediul de depozitare al datelor

Mediul în care se contruieşte şi se exploatează un depozit de date conţine următoarele

elemente: surse de date tranzacţionale, instrumente de proiectare-dezvoltare, instrument de
extracţie şi transformare a datelor, sistemul de gestiune al bazei de date, instrumente de acces şi
analiză a datelor şi instrumente de administrare *.
În cazul suitei ce aparţine firmei Microsoft, toate componentele enumerate sunt integrate
pe o în mediul de lucru pentru depozitarea datelor (Data Warehousing), pentru diversele versiuni
ale SQL Server (SQL Server 7.0, SQL Server 2000, SQL Server 2005). Acest mediu de lucru
oferă asistarea proiectării, implementării şi administrării depozitelor de date pe întregul ciclu de
viaţă al acestora. Se poate concluziona că acest cadru de lucru pentru Data Warehousing oferă o
arhitectură care se poate integra relativ simplu cu produse ce provin de pe alte platforme, asigură
sevicii de import-export cu validare şi transformarea datelor, asigură metadate integrate pentru
proiectarea depozitului şi gestionează suportul, task-uri şi evenimente.
În cazul suitei firmei Oracle, produsul Oracle Express reprezintă un sistem de gestiune a
bazelor de date multidimensionale, SGBDMD, ce este fundamentat pe modelul de date
multidimensional, pe arhitectura client/server, cu posibilităţi de dezvoltare a aplicaţiilor Web.

*
Zaharie D, Albescu F, colectiv – Operă citată
Produsul Oracle Express cuprinde următoarele componente arhitecturale: utilitare pentru
administrare (Express Instance Manager, Express Administrator şi Relational Access Manager),
instrumente pentru dezvoltare (Oracle Express Analyser, Oracle Express Objects etc) şi nucleul
(limbajul de programare Express). Instrumentul OLAP denumit Oracle Express Analyser
asigură selectarea, analiza şi vizualizarea datelor memorate în baza de date multidimensională,
iar instrumentul Oracle Express Objects asigură dezvoltarea de aplicaţii OLAP cu ajutorul
limbajului de programare Express. Prin integrarea instrumentului Oracle Express Objects cu
Oracle Discoverer, este facilitată realizarea aplicaţiilor destinate cercetării (inteligente) a
afacerilor (Oracle Integrated Business Intelligence Tools). Este prevăzut, de asemenea, un editor
de conexiuni, Express Connection Editor, care asigură definirea conexiunilor la baza de date
multidimensională.
Pentru ca un depozit de date să poată fi procesat este necesară existenţa unui set
specializat de instrumente pentru: descrierea fizică şi logică a surselor de date, a depozitelor sau
a magaziei de date în care acestea urmează să fie încorporate; validarea, curăţirea şi
transformarea datelor care urmează a fi stocate în depozitul de date; utilizatorii finali,
instrumente care permit acestora accesul la datele stocate în depozitul respectiv. Astfel de
instrumente sunt specializate pentru medii de dezvoltare a aplicaţiilor, produse program
specializate pe analiza datelor precum şi pentru aplicaţii personale (individuale).

3.6. Abordarea multidimensională a datelor stocate în depozite.

3.6.1. Definirea şi caracterizarea OLAP (On-Line Analytical Processing)

Dacă se analizează tehnologia relaţională se observă că cea mai mare parte a problemelor
tratate relaţional sunt în realitate multidimensionale. În modelul relaţional problemele sunt
tratate în tabele care au două dimensiuni: linie şi coloană. Problemele reale, care în cea mai mare
parte a lor sunt multidimensionale, nu impun limite stocării spaţiale a datelor. Astfel, un SGBDR
obişnuit nu poate face faţă cerinţelor de agregări de date, sintetizări, consolidări şi proiecţii
multidimensionale. De aceea, a apărut necesitatea extinderii funcţionalităţii unui SGBDR prin
adăugarea unor componente speciale care să permită modelare şi analiză multidimensională
(OLAP) şi Data Mining.
La modul general, termenul de procesare analitică online, OLAP (OnLine Analytical
Procesing) se referă la o varietate de activităţi ce sunt realizate de către utilizatorii finali în
sistemele informatice interactive (online). În mod obişnuit, OLAP cuprinde activităţi ca
generarea şi obţinerea răspunsurilor la interogări şi cererile ad-hoc de rapoarte şi grafice.
Obţinerea acestor răspunsuri la interogări, rapoarte şi grafice se fundamentează pe metodele
moderne ale statisticii şi cercetărilor operaţionale, precum şi pe tehnologiile de construire a
prezentărilor vizuale. Unele lucrări de specialitate includ analizele şi prezentările
multidimensionale, sistemele informatice pentru suportul executivului, ESS (Executive Support
Systems) sau EIS (Executive Information Sytstems) şi Data Mining în tehnologia OLAP15. În
esenţă, produsele de firmă OLAP furnizează posibilităţi de modelare, analiză şi vizualizare

15
Lungu, I. ş.a., Sisteme informatice executive, Editura ASE, Bucureşti, 2007.
pentru volume mari de date din baze de date (prin intermediul SGBDR) sau din depozite de date.
OLAP asigură vederi conceptuale multidimensionale asupra datelor. Modelele de date asociate
sistemelor OLAP se încadrează astfel în două categorii: extensii ale modelului de date relaţional
şi modelele bazate pe cuburi n-dimensionale. Din categoria extensiilor modelului de date
relaţional pentru OLAP fac parte, între altele:
- modelul Kimball (fundamentat pe schema tip stea ca o reprezentare relaţională a cubului
n-dimensional; din aceasta s-au dezvoltat schema tip fulg de nea şi schema tip
constelaţie);
- modelul Gary (fundamentat pe operatorii CUBE şi ROLLUP ai clauzei Group By din
limbajul de interogare structurată SQL);
- modelul Gyssens şi Lakshmanan (fundamentat pe o extensie ale algebrei relaţionale).
Din categoria modelelor bazate pe cuburi n-dimensionale se pot menţiona, între altele:
- modelul lui Agrawal, Gupta şi Sarawagi (fundamentat pe o mulţime de operatori
asemănători cu cei din algebra relaţională, cu organizarea datelor bazată pe cuburi n-
dimensionale);
- modelul Cabbibo şi Torlone (fundamentat pe o schemă multidimensională compusă din
mulţimea de dimensiuni, tabelele de fapte şi descrierile nivelurilor ierarhice)16.
Tehnologia OLAP permite utilizatorilor navigarea rapidă de la o dimensiune la alta şi
facilităţi sporite de obţinere a celor mai detaliate informaţii din depozitul de date. Tehnologia
OLAP se bazează pe 12 principii formulate de Ted Codd (1993), extinse la 18 principii în anul
1995. Acestea sunt:
1. abordarea conceptuală multidimensională a datelor; ca urmare, se folosesc modele
multidimensionale;
2. asigurarea unei transparenţe sporite prin existenţa unei arhitecturi deschise a sistemului;
3. accesibilitatea asigurată utilizatorului prin asistarea implicării acestuia în modalităţile
tehnice de furnizare a datelor (utilizatorul final reprezintă şi el o sursă de date); trebuie să se
realizeze o singură viziune logică a datelor din organizaţie (enterprise);
4. complexitatea dimensională a analizei oferă performanţe stabile; instrumentele OLAP
trebuie să aibă implementate patru modele de analiză: direct, explicativ, contemplativ şi
formativ;
5. utilizarea arhitecturii client-server, unde server-ul are ca scop omogenizarea datelor;
6. posibilitatea de a efectua aceleaşi operaţii asupra tuturor dimensiunilor şi care poartă
numele de prelucrare generică a dimensiunilor;
7. dimensiunile trebuie să fie echivalente operaţional şi structural (dimensionalitate
generică); prin intermediul acestui principiu sunt astfel asigurate ierarhii multiple;
8. gestionarea dinamică a matricilor încrucişate prin facilitatea de a elimina combinaţiile
dimensionale nule, pentru a nu încărca memoria calculatorului; indiferent de sursa lor, valorile
lipsă sunt ignorate;
9. posibilităţile de acces simultan al mai multor utilizatori (multi-user) la aceeaşi fază
(etapă) de analiză;
10. operaţii nerestrictive, ceea ce dă posibilitatea executării fără restricţii a calculelor pentru
toate combinările de dimensiuni şi niveluri ierarhice;
11. posibilitatea manipulării intuitive a datelor;

16
Muntean, M., Iniţiere în tehnologia OLAP. Teorie şi practică, Editura ASE, Bucureşti, 2004.
 12. număr nelimitat de niveluri de agregare şi de dimensiuni 1.
13. valorile lipsă sunt diferite de valorile invalide şi de valorile zero (împrăştiere); valoarea
zero este validă; modelele OLAP satisfac regula referitoare la valorile NULL din modelul
relaţional. Ca urmare, datele lipsă şi invalide trebuie tratate în mod individual;
14. denormalizarea datelor, la introducerea lor în depozitul de date;
15. memorarea rezultatelor generate de OLAP; sistemele OLAP stochează datele în depozite
de date separat de sistemele tranzacţionale;
16. flexibilitatea rapoartelor, prin selectarea axelor la raportare la dorinţa utlizatorului final;
17. caracteristici superioare ale raportării, în funcţie de locaţia procesării datelor (client sau
server) şi de modul de efectuare a calculelor (după modele de preprocesare sau calcule executate
în momentul interogării depozitului de date);
18. ajustarea automată a nivelului fizic, în funcţie de volumul datelor şi de tipul de model
logic folosit.
OLAP este tehnologia de agregare a datelor stocate în depozite de date într-o manieră de
abordare multidimensională cu facilităţi referitoare la accesul la informaţii a managerilor în mod
interactiv şi flexibil. Legătura dintre OLAP şi depozitele de date este aceea că OLAP le
completează prin transformarea volumului imens de date stocate şi gestionat în depozite în
informaţii utile procesului de decizie. Cele 12 reguli (iniţiale, din 1993) ale lui Codd au fost apoi
regrupate într-un test cu 5 reguli denumit FASMI (Fast Analysis Shared Multidimensional
Information).
OLAP presupune existenţa unor tehnici care permit de la o navigare şi selecţie simplă a
datelor până la analiza detaliată şi complexă. Aplicaţiile care se rezolvă pe baza acestei
tehnologii au la bază analiza rapidă a informaţiei multidimensională dispersată în locaţii multiple
dar accesibile unui mare număr de utilizatori. Pentru utilizarea acestor facilităţi, OLAP dispune
de eficacitatea bazelor de date multidimensionale şi de posibilitatea de a construi alternative
pentru diverse probleme de decizie. OLAP presupune că analiza datelor (care pot fi de tip
numeric sau statistic) poate fi predefinită de cel care creează aplicaţia sau chiar de utilizatorul
final.
OLAP se caracterizează prin: perspectiva multidimensională a datelor, capacitatea de
calcul intensiv şi orientare în timp (time intelligence).* Aspectul multidimensional al datelor este
dat de posibilitatea de a integra multiplele aspecte care caracterizează activitatea unei
întreprinderi şi care sunt considerate din perspective multiple ca: timp, bani, produse. Fiecare
dimensiune este definită în genere prin mai multe niveluri ca de exemplu: timpul este divizat în
an, trimestre, luni, sezoane; produsul în: categorii, clasă. Conceptul de dimensiune este folosit ca
înţeles de aspect, dimensiunile fiind independente şi cu unităţi de măsură specifice dimensiunii
respective.

1
Grupul BDASEID – Operă citată şi M.Muntean, Iniţiere în tehnologia OLAP. Teorie şi practică, Editura ASE,
Bucureşti, 2004.
*
Zaharie D, Albescu F, colectiv – Operă citată
 Fig.3.4. Hipercubul de date

Unităţile de măsură pot constitui criterii de agregare a datelor, iar nivelele unei
dimensiuni formează ierarhia care la rândul ei poate constitui criteriu de agregare a datelor.
Privite din punct de vedere multidimensional, datele sunt reprezentate în hipercuburi de date
(fig.3.4), prin extinderea cubului tridimensional la cel n-dimensional.
Pe acest tip de cub se pot efectua calcule prin aplicarea unor algoritmi complecşi asupra
datelor structurate în acesta. Acestea implică posibilitatea de adresare multidimensională directă
a cuburilor unitare şi optimizarea timpului de răspuns.
Caracteristica de orientare în timp (time intelligence) presupune flexibilitatea exploatării
acestei dimensiuni care este necesară pentru comparaţii şi aprecieri de valoare în analizale
economice. Această dimensiune este luată de obicei din calendarele tranzacţiilor economice aşa
cum se află în bazele de date ale sistemului informatic al companiei. Se pot face astfel grupări pe
dimensiuni ca: trimestre, luni, ani, sezoane. Se pot utiliza şi dimensiuni speciale cum sunt:
perioada curent, perioada precedentă, aceeaşi perioadă din anul..., care trebuie neapărat luate în
considerare la proiectarea hipercubului. Bazele de date multidimensionale folosite de OLAP sunt
suprapuse depozitelor de date şi stochează straturi de date agregate pe diferite criterii ierarhice.
De asemenea, aceste baze de date multidimensionale conţin şi date statistice pentru fiecare nivel
de agregare.
Un server OLAP reprezintă un motor de manipulare a datelor multiutilizator de mare
capacitate ce a fost proiectat pentru a sprijini şi funcţiona cu structuri de date multidimensionale.
O structură de date multidimensională este astfel aranjată încât fiecare articol (item) de date este
localizat şi accesat pe baza intersecţiei membrilor dimensiunii care definesc acel articol (irem).
Proiectarea serverului şi a structurii de date sunt optimizate pentru regăsirea rapidă („ad-hoc”) a
dalelor în oricare dintre orientările dorite, pentru calculul flexibil şi rapid, precum şi
transformarea rândurilor de date pe baza relaţiilor de tip formulă. O formulă este un obiect al
bazei de date (calcul, regulă sau altă expresie) destinat pentru manipularea datelor în interiorul
bazei de date multidimensionale. Serverul OLAP poate să reprezinte, fie o etapă fizică a
procesării informaţiei multidimensionale pentru a furniza timp de răspuns rapid şi consistent
utilizatorilor finali, fie poate să populeze structurile sale de date în timp real având ca surse baze
de date relaţionale sau alte tipuri de baze de date. De asemenea, serverul OLAP poate să fie o
reprezentare a ambelor alternative de mai sus.

3.6.2. Modelarea dimensională – cuburi OLAP

Modelarea dimensională presupune conceptualizarea şi reprezentarea aspectelor

măsurabile ale activităţii studiate în interdependenţă cu contextul în care acesta se desfăşoară,
aspect identificat prin parametrii activităţii. Legătura dintre valorile înregistrate ale activităţii
(valori vânzări, cheltuieli comune, costul produselor) şi contextul de desfăşurare al acesteia
formează baza numeroaselor rapoarte de sinteză care sunt produse de sistemele tranzacţionale.
Prin modelare dimensională se oferă un model conceptual comun acestor rapoarte şi agreagarea
lor într-o structură uniformă şi flexibilă. Totodată se păstrează şi legătura cu sursele iniţiale de
date, deci posibilitatea de descompunere a datelor centralizate pe niveluri din ce în ce mai mici
până se ajunge la setul de tranzacţii iniţiale (drill-down).
Cubul OLAP (fig.3.4) se consideră a fi element structural pentru datele din procesul on-
line. Acesta este o structură multidimensională, un hipercub prin care se modelează complexul
de activităţi pe o perioadă îndelungată de timp. Acest tip de modelare este caracterizat de câteva
concepte de bază:
• cuantificarea activităţii (aspectul cantitativ) care se face prin utilizarea unităţilor de
măsură clasice ca de exemplu: m, m3, kg, unităţi monetare. Măsuri cantitative sunt: volum
vânzări, volum salarii, cost materiale, cost produs etc.
• dimensiunile activităţii sunt de fapt parametrii activităţii măsurate ca de exemplu: zi,
lună, trimestru, client sau grupă de clienţi. Dimensiunile sunt de obicei de natură diferită şi
răspund la întrebări de tipul: unde?, când?, cu ce? etc.
• faptele sunt colecţii ale cuantificării activităţii precum şi dimensiunile care identifică
modul în care acestea s-au desfăşurat. Sursa de existenţă a faptelor este constituită din
înregistrările stocate în tabelele de tranzacţie ale aplicaţiilor operaţionale care susţin activitatea
respectivă. Se pot folosi şi dimensiuni scenarii care pot stoca în tabelele de fapte şi măsuri
imaginare alături de cele reale, pentru ca utilizatorul să poată stoca valori estimate pentru o
măsură.
În bazele de date tranzacţionale, dimensiunile sunt de fapt câmpuri care conţin
caracteristicile unei tranzacţii adică datele de identificare ale tranzacţiilor care sunt de obicei chei
externe care fac legătura cu nomenclatoarele care le explicitează.
Ca atare, se poate afirma că dimensiunile se materializează în setul de valori posibile care
formează domeniul caracteristicii respective, valori care poartă numele de membrii dimensiunii.
 O altă caracteristică a dimensiunii este aceea că poate avea multipli adică sunt grupe de
valori ale dimensiunii cu o caracteristică comună. Grupele pot fi identificate prin atribute care
se află în nomenclatorare şi pot lua aceeaşi valoare pentru mai multe valori ale cheii primare.
Multiplii unei dimensiuni nu trebuie să fie neapărat de aceeaşi natură cu dimensiunea primară,
aceasta putând avea mai multe tipuri de multipli în funcţie de caracteristicile luate în considerare.
Se poate afirma că dimensiunile împreună cu multiplii lor formează structuri arborescente care
sunt recunoscute de OLAP ca fiind ierarhii. Ierarhiile pot fi regulate, adică toate ramurile au
acelaşi număr de ramificaţii sau neregulate dacă pe anumite ramuri lipseşte un nivel de
semnificaţie. La rădăcina arborelui se află o caracteristică cu aceeaşi valore pentru toţi membrii
dimensiunii de bază. Acest tip de caracteristică este una implicită ca, de exemplu, unitatea care
are ca activitate cea analizată sau “all”. Frunzele arborelui formează membrii dimensiunii
iniţiale, iar dimensiunile intermediare pot fi pe mai multe nivele. Dacă arborele este neregulat,
pentru a uniformiza ierarhia se poate introduce un membru de tip “alte”. În acest fel se constata
că centralizările pe nivelul respectiv nu vor fi de 100% din valoarea centralizată pe nivelul cel
mai de jos. Atributele care definesc ierarhia sunt atribute derivate din atributul care defineşte
dimensiunea acţiunilor măsurate, prin referire la nomenclatoare sau prin clasificări ale valorilor
pe care le poate lua atributul respectiv. De exemplu, furnizorii se pot clasifica în furnizori stabili
dacă compania face tranzacţii cu ei de mai mult de 4 ani, furnizori noi dacă au vechime cuprinsă
între 1 şi 4 ani şi furnizori volatili sau ocazionali dacă în câmpul respectiv din Furnizori nu este
completat nimic. Din acest exemplu se observă că asemenea clasificări conduc la obţinerea unor
atribute derivate prin calcul din caracteristicile aflate în nomenclatoare. În acest fel se vor obţine
seturi de membri calculaţi ai dimensiunii. Dimensiunile ierarhizabile se constituie în ierarhii
alternative. Nivelele ierarhiilor sunt văzute ca nivel de agregare pentru valorile stocate în tabele
de fapte. Membrii dimensiunilor identifică măsura activităţii stocată în tabelul de fapte. Dacă
unui fapt îi sunt asociate mai multe dimensiuni, identificarea unică a acestuia va necesita valori
precise pentru fiecare dimensiune. Ca urmare, din tabelele de fapte sunt selectate mai multe
înregistrări, adică toate valorile posibile asociate dimensiunilor nespecificate.
Pentru dezvoltarea unui depozit de date, modelarea datelor are un rol important deoarece
permite vizualizarea structurii înainte ca ea să fie construită. Modelul multidimensional
reprezentat prin el va fi prezentat desfăşurat în secţiuni sau în proiecţii tridimensionale.
Secţiunea unui hipercub este definită ca o secţiune din cub dată prin coordonatele sale.
Proiecţia este definită ca o secţiune care centralizează datele de pe toate dimensiunile suprimate.
Vizualizarea on-line se face de fapt tot în secţiuni sau proiecţii tridimensionale. Datele
din celule sunt prezentate numai în secţiuni sau proiecţii transversale bidimensionale. Hipercubul
ar putea fi imaginat ca un set de tabele-pivot grupate pe dimensiunea cerută. Pentru procesul de
modelare, hipercubul se poate prezenta în formă tabelară în care măsurile sunt evidenţiate pe
coloane iar liniile reprezintă combinaţiile de dimensiuni. De asemenea, în plan fizic, hipercubul
poate fi stocat într-un tabel cu coloane multiple în care se stochează măsurile şi cu identificatori
pe rânduri. Identificatorii de rânduri sunt de fapt chei formate din toate combinaţiile posibile de
valori ale dimensiunilor. Utilizarea indecşilor pentru acces rapid nu are prea mare eficienţă
întrucât cheia este compusă din mai multe caracteristici, iar câmpurile de valoare sunt puţine şi
numerice, astfel că tabelul de indecşi este aproape de aceeaşi dimensiune cu tabelul iniţial. De
aceea, se utilizează tabelul bitmap pentru un acces direct rapid. Datele modelate ca hipercuburi
formează baze de date multidimensionale.
 Tipurile majore de OLAP sunt17:
- OLAP multidimensional (MOLAP) – atunci când cubul OLAP este implementat prin
intermediul unei baze de date multidimensionale specializate (sau memorie-tampon de
date – data store);
- OLAP relaţional (ROLAP) – atunci când o bază de date OLAP este implementată în
vârful unei baze de date relaţionale existente;
- OLAP hibrid (HOLAP) – combinaţie între MOLAP şi ROLAP;
- OLAP bază de date (DOLAP) – atunci când se referă la un SGBDR care este proiectat
pentru a găzdui structuri OLAP şi a permite calcule OLAP;
- OLAP Web (WOLAP) – atunci când se refră la date OLAP ce sunt accesibile prin
intermediul unui navigator Web;
- OPAP pe desktop – reprezintă o variantă de OLAP cu preţ scăzut, atunci când
instrumentele OLAP şi bazele de date sunt localizate pe staţia de lucru (desktop) a
utilizatorului final.

3.6.3. Baze de date multidimensionale

Baza de date multidimensională este formată din două structuri: structura datelor în care
se stochează măsurile activităţilor preluate din tabela de fapte a depozitului de date. Datele vor fi
prezentate utilizatorului în celulele tabelelor pivot; structura metadatelor care este formată din
totalitatea dimensiunilor şi membrilor acestora precum şi din structurile ierarhice ale
dimensiunilor. Utilizatorul poate vizualiza această structură ca nume de coloane şi linii care
reprezintă informaţiile de pe axele cuburilor.
Numerotarea nivelurilor începe de la rădăcină (nivel 0) către frunze (unde va apare
nivelul maxim). Ierarhiile posedă propriile lor seturi de niveluri, chiar dacă unele ramuri sunt
comune. De exemplu: ierarhia Calendar este formată din nivelele (0-5): Timp, An, Semestru,
Trimestru, Lună, Dată calendaristică, ierarhia Anotimp este formată din nivelele (0-4): Timp,
An, Sezon, Lună, Dată calendaristică, iar ierarhia Anotimp este formată din nivelele (0-3): Timp,
Săptămână, Zi, Dată calendaristică. Pe fiecare nivel se stochează membrii dimensiunilor
respective. Rădăcina care se observă că este comună (Timp) este nivelul de agregare maxim
având ca unic membru implicit “all”. Orice nod în arbore este un membru al unei subdimensiuni.
Nodurile subordonate unui nod formează un set, iar orice membru al unui set are un număr de
ordine începând cu 0. De asemenea, orice membru poate avea proprietăţi ca de exemplu unele
zile sunt sărbători legale, unii ani sunt bisecţi. Exemplul prezentat presupune o structură strict
arborescentă întrucât fiecare membru al unei dimensiuni are submembri distincţi, chiar dacă
aceştia au aceleaşi valori. De exemplu fiecare an are setul lui de luni, fiecare săptămână are setul
ei de zile. Ca mod de identificare, membrii vor fi calificaţi cu numele membrului de pe nivelul
precedent căruia acesta i se subordonează: 2007-feb, 2008-feb. Tipul acesta de dimensiuni care
au membri ce se repetă se pot crea şi ulterior prin combinarea a două nivele din ierarhie sau din
ierarhii diferite pentru a crea un nivel nou, virtual.

17
Turban E., Op.cit.
 Pentru a se putea naviga pe o structură arborescentă, sistemele de gestiune pun la
dispoziţie operatori ierarhici. De exemplu, pentru exploatarea datelor, sistemele de gestiune
oferă operatori pe hipercuburi. Fizic, datele sunt stocate într-un fişier cu acces direct pe baza
adresei fizice absolute sau relative a înregistrării obţinute prin exploatarea tabelelor bitmap
obţinute în urma creerii structurii de date. Aceste tabele sunt puntea de legătură dintre structura
de date şi structura de metadate. Iată cum se face această legătură: se ştie că pentru fiecare
membru al fiecărei dimensiuni există o coloană (1 bit) în tabele bitmap pentru fiecare înregistrare
există un rând în acelaşi tabel în care se stochează 1 în dreptul biţilor asociaţi membrilor
dimensiunii existente în înregistrare. Datorită acestui procedeu, câmpul respectiv nu trebuie
stocat în înregistrare, iar structura datelor este redusă la un minim necesar. Din tabelul de măsuri
se vor putea selecta acele înregistrări care au un bit 1 în poziţia corespunzătoare biţilor 1 din
mască. Un inconvenient al tabelelor bitmap este acela că ele sunt greu de obţinut, iar apariţia
unor noi membri sunt greu de inserat în poziţia corespunzătoare. Procesul de refacere a unui
tabel bitmap este mare consumator de timp având în vedere că tabelul de fapte din depozit (care
se va transforma în baza multidimensională) poate avea un număr imens de înregistrări.
Masca de interogare se obţine prin exploatarea structurii ierarhice a metadatelor de unde
se pot extrage seturi de membri pentru dimensiunile desemnate prin specificatorii de axe.
Adresarea tabelului de măsuri se face în mod direct pe baza unui set de adrese de înregistrări
care se suprapun cu tiparul măştii. Din tabel se preiau în această manieră valorile care se
centralizează pentru celula cubului cu dimensiunile sale.
Se poate afirma că structura metadatelor este de tip ierarhic, fiecare dimensiune fiind
stocată într-o structură arborescentă cu o singură rădăcină (all) şi cu o multitudine de ramuri care
pot conţine frunze comune (ierarhii alternative). Orice nivel al unei ierarhii poartă un nume şi
conţine un set de membri. De altfel şi ierarhiile alternative poartă un nume pentru a putea fi
distinse. Structura în care sunt stocate datele este o structură cu acces direct prin tabele bitmap
exploatate prin măşti.

3.6.4. Operaţii OLAP asupra hipercubului

Un hipercub este proiectat astfel încât el să aibă în vedere nivelul de detaliu necesar în
procesul de analiză. Nivelul de detaliu (granularitatea) reprezintă numărul de membri ai unei
dimensiuni. Datele pot fi vizualizate printr-o selecţie în hipercub pe baza unui criteriu ierarhic
care ar putea fi de exemplu structura organizaţională pe care o conduce un anumit manager. Dacă
de la pornire, granularitatea este prea mare, datele vor fi mult prea centralizate şi nu se va putea
face decât o analiză grosieră. Ajustarea nivelului de granularitate este realizată de OLAP prin
exploatarea ierarhiilor dimensiunilor prin comasări şi descompuneri ale măsurilor prin proceduri
care poartă numele de roll-up şi drill-down. Prin intermediul acestor proceduri se face o
deplasare a proiecţiei cubului în sus sau jos pe nivelele ierarhice ale fiecărei dimensiuni (zoom
in; zoom out), executând de fiecare dată centralizări ale măsurilor stocate la cea mai mică
granularitate după criterii ierarhice stabilite în prealabil.
Este stabilit un nivel de granularitate iniţial sub care nu se poate coborî. Din acest motiv
este important ca dimensiunile de bază să fie cât mai rafinate sau să se creeze Data Marts unde
hipercuburile sunt proiectate la nivelul de detaliu stabilit de managementul operaţional. Pentru
managementul superior se va construi un depozit cu hipercuburi centralizatoare cu granularitate
mare. Prin drill-down se obţin detalii, iar prin roll-up se obţin date sintetice.
Un alt grup de operaţii oferit de OLAP este secţionarea (slicing) şi defalcarea (dicing).
Prin secţionare, se creează posibilitatea selectării prin vizualizare doar pentru un membru al unei
dimensiuni, adică un plan din cubul tridimensional. Secţiunea astfel obţinută va apare ca un tabel
pilot cu valorile dimensiunilor pe laturi şi cu specificarea valorii alese pentru dimensiunea
suprimată. Defalcarea (dicing) este operaţia de proiectare a unei dimensiuni pe o alta. De obicei
o dimensiune din primul plan este combinată cu o altă dimensiune din adâncime. Acest proces se
mai numeşte imbricarea dimensiunilor.
Dimensiunile unui cub pot fi private sau pot fi utilizate în comun şi de alte cuburi (ele
provin din depozitele cu schema de tip constelaţie). Proiectarea structurilor depozitelor de date şi
a cuburilor OLAP este un proces ce se desfăşoară continuu pe tot parcursul existenţei (vieţii)
aplicaţiei, dimensiunile cuburilor fiind în strânsă dependenţă cu detaliile activităţii structurate.
Aplicaţiile construite cu tehnologia OLAP îşi găsesc locul în multiplele domenii ale
activităţii întreprinderilor, de la finanţe, bănci, marketing până la producţie şi vânzări. De
exemplu, activitatea de producţie poate fi susţinută de aplicaţii OLAP cum sunt: planificarea
operaţiilor, controlul calităţii produselor, analiza rebuturilor, analiza optimizării raportului dintre
cost-beneficii.
OLAP, utilizând tehnici inteligente de optimizare, beneficiază de avantajul timpului de
răspuns mic.

3.7. Aplicaţie privind analiza datelor cu Microsoft OLAP

3.7.1. Analiza problemei de rezolvat

O societate comercială îşi propune să analizeze, cu tehnica OLAP, datele referitoare la

gestionarea mijloacelor fixe. Gestiunea mijloacelor fixe ale societăţii este realizată într-o bază
de date relaţională, MIFIX (bază de date operaţională). Datele operaţionale sunt curăţate,
transformate, consolidate şi selectate după criterii prestabilite, după care sunt memorate într-un
depozit de date, denumit MIFIX. Tabelul de fapte al depozitului de date se referă la
componentele gestiunii - mişcarea mijloacelor fixe (intrare mijloc fix sau ieşire mijloc fix) şi
calculul amortizărilor. Cu ajutorul aplicaţiei informatice se vor realiza, după analiza datelor cu
cubul OLAP, rapoarte diverse (de exemplu, Situaţia mijloacelor fixe la data de ..., Situaţia
amortizărilor mijloacelor fixe în luna..., ).
Se reaminteşte faptul că mijloacele fixe se amortizează începând cu luna următoare
punerii în funcţiune (data calendaristică este specificată în procesul verbal de punere în
funcţiune a mijlocului fix). Rata lunară de amortizare se calculează în funcţie de regimul de
amortizare fixat pentru fiecare tip de mijloc fix prin reglementările legale în vigoare la data
efectuării operaţiunii. Această rată lunară de amortizare se calculează prin aplicarea cotelor de
amortizare asupra valorii iniţiale (de intrare) a mijloacelor fixe şi se include în cheltuielile de
exploatare. Atunci când se execută modernizări (adăugare de valoare) asupra unui anumit mijloc
fix, rata de amortizare lunară se modifică prin adăugarea valorii acestor modernizări. Legea de
amortizare aplicată poate să fie liniară (sume fixe, proporţionale cu numărul de ani ai ciclului de
viaţă normat sau duratei normale de utilizare a mijlocului fix) sau degresivă (cotele de
amortizare liniară sunt multiplicate cu coeficientul k ce este funcţie de durata normală de
utilizare a mijlocului fix).

3.7.2. Definirea schemei bazei de date multidimensionale

Cubul OLAP este o structură multidimensională de date care se defineşte printr-o

mulţime de dimensiuni şi măsuri. Accesul la date este realizat prin intermediul interogărilor şi
prin accesul utilizatorului la ierarhiile de date. Datele cubului sunt stocate într-o structură de date
multidimensională. Cubul poate fi realizat cu Cube Wizard sau cu Cube Editor. Schema cubului
conţine o tabelă de fapte şi cel puţin o dimensiune.

Analiza de tipul OLAP are la bază schema multidimensională definită încă de la

construirea cubului. Sunt necesare definirea sursei de date, a tabelului de fapte (cu măsuri de tip
coloană numerică şi nivel de detaliere) şi a dimensiunilor. O măsură apare ca rezultat al unor
combinaţii între mai multe coloane, sub forma unor expresii.
Definirea modului în care este memorat cubul OLAP se poate realiza cu General tab prin
intermediul casetei de dialog Storage Options din BIDS. Opţiunile de memorare sunt MOLAP
(se memorează atât datele cât şi agregările în structuri multidimensionale), ROLAP (datele
rămân memorate în baza de date relaţională alături de memorarea agregărilor) şi HOLAP (datele
rămân memorate în baza de date relaţională, iar agregările sunt memorate în structurile
multidimensionale).

Crearea bazei de date tranzacţionale în Microsoft SQL Server 2005

Datele referitoare la gestiunea mijloacelor fixe sunt stocate într-o bază de date
tranzacţională ce stă la baza construirii cuburilor de date. Datele sunt organizate în tabele care
corespund dimensiunilor, ierarhiilor şi tabelelor de fapte ale cuburilor multidimensionale.
Această bază de date tranzacţională este denumită MIFIX şi conţine următoarele tabele
(fig. 3.5):
• Dbo.fapte_miscare_MF– conţine faptele referitoare la mişcarea mijloacelor fixe (intrări
şi ieşiri), precum şi la valoarea de inventar şi amortizarea acestora.
• Dbo.PV_intrare – conţine date referitoare la intrarea mijloacelor fixe;
• Dbo.PV_iesire – conţine date referitoare la ieşirea mijloacelor fixe;
• Dbo.Gestionari - conţine date cu privire la identificarea gestionarilor care răspund de
mijloace fixe;
• Dbo.Timp - datele conţinute în acest tabel reprezintă perioadele de timp de manipulare a
mijloacelor fixe; pe baza acestor date se realizează dimensiunea Timp cu următoarea ierarhie: an,
luna, trimestru, sezon.
 Fig.3.5 Structura bazei de date MIFIX realizată în Microsoft SQL Server 2005

În crearea şi dezvoltarea depozitelor de date (Data Warehouse) pe Microsoft SQL Server

2005, se folosesc, în principal, următoarele componente:
a) Business Intelligence Development Studio, pentru dezvoltarea de proiecte de
Analysis Services;
b) SQL Server Management Studio, pentru gestionarea proiectelor de Analysis
Services.

4. DATA MINING – TEHNOLOGII DEDICATE EXTRAGERII

CUNOŞTINŢELOR DIN DATE
4.1. Problematica generală
Data Mining este rezultatul firesc al evoluţiei tehnologiilor informaţiei şi ale
comunicaţiilor (IT&C) determinat de creşterea volumului de date produs de societatea umană
pentru desfăşurarea activităţilor sale, urmată de nevoia iminentă de transformare a datelor
respective în informaţii şi cunoştinţe utile în aplicaţii din gama analizei şi controlului producţiei,
analizei de piaţă, detectării fraudei, explorărilor ştiinţifice etc. În acest context, industria
sistemelor informatice cu baze de date a evoluat în direcţia dezvoltării următoarelor
funcţionalităţi1: sisteme cu baze de date avansate, analiza avansată a datelor (Data Warehousing
şi Data Mining) şi baze de date bazate pe Web.
Condiţia esenţială pentru dezvoltarea mecanismelor profesionale de stocare, de regăsire şi
de tranzacţionare a datelor o reprezintă dezvoltarea colecţiilor de date şi a mecanismelor de
creare a bazelor de date, fără de care analiza avansată a datelor este practic imposibilă. Bazele de
date şi tehnologia informaţiei au evoluat sistematic, de la sisteme simple de procesare a
colecţiilor de date la sisteme cu baze de date puternice şi sofisticate, care oferă utilizatorilor
accesul direct la datele stocate, lucru convenabil şi foarte avantajos. Metodele eficiente utilizate
pentru procesarea on-line a tranzacţiilor de date, OLTP (On-Line Transaction Processing) au
contribuit semnificativ la evoluţia şi acceptarea tehnologiei bazelor de date relaţionale ca
instrument de stocare eficientă, de regăsire şi de management al cantităţilor mari de date.
Începând din 1990 tehnologia bazelor de date relaţionale a fost unanim acceptată, iar
activităţile de cercetare în domeniu au fost canalizate către sisteme cu bază de date mai
puternice şi mai eficiente, dezvoltate în jurul unor modele avansate de date care au creat
posibilitatea de realizare a aplicaţiilor orientate pe rezolvarea problemelor. Totodată, s-au
obţinut rezultate spectaculoase legate de distribuţia, diversificarea şi partajarea datelor, care au
contribuit la dezvoltarea sistemelor de informaţii globale, bazate pe Internet, ca de exemplu
WWW.
Pe de altă parte, progresul în domeniul tehnologiei digitale a condus la apariţia unor
calculatoare puternice, a echipamentelor de colectare a datelor şi a mediilor de stocare în masă
care reprezintă suportul fizic, atât pentru bazele de date de informaţii şi de cunoştinţe, cât şi
pentru aplicaţiile care le gestionează. Şi împreună, ansamblul hardware- software şi de
comunicaţii, cunoscut sub denumirea generică de tehnologiile informaţiei şi ale comunicaţiilor,
IT&C (Information Technology and Communications), face posibilă analiza cantităţilor uriaşe de
informaţii şi de date, stocate în diferitele tipuri de baze de date şi în depozite de informaţii, în
vederea regăsiri cunoştinţelor şi informaţiilor utile.
O arhitectură de depozit de date a condus la data warehouse, un depozit de surse multiple
de date heterogene organizat unitar, cu scopul de a uşura asistarea informatizată a deciziei.
Tehnologia data warehouse include ştergerea datelor, integrarea datelor şi procesarea analitică
on- line (On- Line Analytical Processing- OLAP), precum şi posibilitatea de vizualizare a datelor
şi informaţiilor. Deşi instrumentele OLAP suportă analiza multidimensională şi formularea
deciziilor, volumele imense de date crează nevoia unor instrumente de analiză efectivă şi
eficientă a datelor respective mai în detaliu, ca de exemplu clasificarea, gruparea şi
caracterizarea datelor care variază în timp.
Creşterea rapidă şi continuă a volumelor de date, care a depăşit capacitatea umană de a le
interpreta, a impus apariţia şi utilizarea instrumentelor data mining pentru extragerea
informaţiilor şi cunoştinţelor utile din cantităţile enorme de date colectate şi stocate în depozite
de date de dimensiuni mari şi foarte mari.
În esenţa lor, instrumentele data mining realizează analiza datelor şi pun în evidenţă
modele de date importante pentru stabilirea direcţiilor de evoluţie a diferitelor domenii de
activitate (economic, ştiinţific, medical, educaţional etc.) pe care le desfăşoară organismele
economice pentru a- şi atinge obiecticele specificate în documentele de constituire.

1
Han, J., Kamber, M. - Data Mining- Concepts and Technique, Second Edition, Morgan Kaufmann Publishers,
USA, San Francisco CA 2006.
 Existenţa unor volume imense de date a pus problema reorientării utilizării lor de la un
proces de exploatare retrospectiv către unul prospectiv. Data Mining poate avea mai multe
definiţii, însă toate converg în esenţă către miezul problemei şi anume că acest concept
reprezintă un proces de extragere de informaţii noi din colecţiile de date existente. Termenul de
dată are semnificaţia de descriere a unui eveniment bine determinat care se produce în lumea
reală şi este perfect verificabil. Prin tehnologia Data Mining se prelucrează date care referă
perioade anterioare (date istorice), care sunt examinate şi sunt deja cunoscute, pe baza lor
constituindu-se un model sau şablon. Acest model sau şablon va putea fi aplicat situaţiilor noi de
acelaşi tip cu cele deja cunoscute. Informaţiile care se pot obţine prin Data Mining sunt
predictive sau descriptive. De exemplu direcţionarea acţiunilor de marketing pot constitui o
problemă tipică predictivă.1 Detectarea fraudelor produse cu carduri bancare reprezintă o
problemă tipică de aplicaţie descriptivă.
Dezvoltarea tehnicilor de Data Mining se explică prin acumularea de volume imense de
date pe care organizaţiile economice le-au derulat de-a lungul anilor. De asemenea, concurenţa
tot mai acerbă precum şi creşterea exigenţelor pieţei au determinat firmele să ia tot mai mult în
considerare potenţialul uriaş pe care îl oferă arhivele de date. Alături de arhivele de date
memorate pe suporturi informatice mai există încă doi factori care au dus la necesitatea Data
Mining: existenţa şi perfecţionarea algoritmilor şi a produselor-program dedicate precum şi
creşterea capacităţii de memorare şi prelucrare a calculatoarelor electronice care permit tratarea
corelativă a volumelor mari de date.
Este de remarcat că depozitele de date pot fi surse pentru Data Mining, iar rezultatele
obţinute pot completa câmpurile înregistrărilor din depozitele de date, care apoi pot fi
valorificate prin proiecţiile multidimensionale specifice OLAP.
Potenţialul oferit de Data Mining se încorporează în procesele comerciale ale firmelor,
iar căutarea informaţiilor şi cunoştinţelor nu devine un scop în sine ci este utilă doar dacă este
transformată ca acţiune. Astfel firmele pot alege să reacţioneze sau nu la situaţiile diverse create
de realitate (diminuarea numărului de clienţi, scăderea vânzărilor, pierderea unor pieţe de
desfacere etc.). Pasul următor după această alegere este exploatarea propriu-zisă a datelor
utilizând diverşi algoritmi. De multe ori, acţiunea de Data Mining poate fi un eşec şi nu o reuşită,
fiind posibil ca măsurile luate să nu fie adecvate informaţiilor obţinute.
Prin Data Mining, oamenii de afaceri reuşesc să se focalizeze mai bine pe cei mai buni
clienţi ai lor, să depisteze şi să prevină fraudele, să descopere caracteristicile de influenţă care
afectează cel mai mult indicatorii-cheie de performanţă, KPI (Key Performance Indicators) ai
afacerii, respectiv ai societăţii, să găsească informaţia ascunsă în baza de date/depozitul de date.
Cu ajutorul tehnicilor Data Mining, orice proces sau fenomen reflectat în bazele de date,
respectiv depozitele de date, constituie temă de analiză şi raportare în cadrul unei platforme
dedicate pentru cercetarea afacerilor, BI (Business Intelligence), impropriu dar sugestiv tradusă
în unele lucrări româneşti sub denumirea de „inteligenţa afacerilor”.
Spre deosebire de tehnicile OLAP (abordate în capitolul anterior) care abordau interogări
şi raportări standard (care sunt clienţii cei mai valoroşi, care produse s-au vândut cel mai mult
sau care sunt zonele de costuri cele mai ridicate), tehnicile Data Mining explorează volumele
foarte mari de date heterogene cu scopul de a previziona, a înţelege şi de a dezvolta noi abordări

1
Zaharie D, Albescu F, colectiv – Operă citată
asupra problematicii supuse soluţionării. Pe piaţa actuală extrem de competitivă, companiile
trebuie să-şi administreze şi să exploateze cu eficienţă cele mai valoroase active (assets) şi
depozite de date (Data Warehouse), cu precădere informaţia valoroasă ascunsă în aceste
depozite.
Instrumentele tradiţionale de cercetare a afacerilor – rapoarte, interogări şi raportări
interactive – permiteau sintetizarea a ceea ce s-a întâmplat în trecut, aspecte reflectate de datele
istorice ale companiei şi de unele date curente. Prin tehnica OLAP se obţin analize asupra unor
tendinţe, bazate în special pe rezumate, comparări, analize şi previziuni ce au la bază valori
medii, sume şi grupări de date prin agregare. Prin Data Mining se adânceşte explorarea
depozitelor de date prin descoperirea informaţiei ascunse cu ajutorul şabloanelor (patterns),
factorilor de influenţă, clusterelor, profilelor şi predicţiilor aplicate volumului mare de date. De
exemplu, prin analiza profilurilor celor mai buni clienţi actuali, prin Data Mining se pot construi
modele şi aplicaţii integratoare destinate identificării clienţilor care au cele mai mari şanse să
devină performanţi în viitor, cu toate că, în prezent, nu fac parte din portofoliul cu cei mai buni
clienţi ai companiei. Managerii organizaţiilor economice lucrează astfel, în deciziile lor, cu
„valoarea strategică” a clienţilor actuali prin care se previzionează însăşi viitorul afacerii.
Toate elementele considerate anterior conduc spre ideea de ciclu în utilizarea Data
Mining în cursul căruia sunt patru etape:
• definirea oportunităţilor comerciale şi a datelor pe care se face exploatarea;
• obţinerea de informaţi şi cunoştinţe din colecţiile de date existente prin tehnici Data
Mining;
• adoptarea deciziilor şi acţiunilor în urma informaţiilor rezultate;
• cuantificarea cât mai corectă a rezultatelor concrete pentru a identifica şi alte căi de
exploatare a datelor.

4.2. Definirea conceptului Data Mining

Aşa cum s-a arătat deja în paragraful precedent, conceptul Data Mining („mineritul
datelor”) defineşte procesul de descoperire a modelelor de cunoştinţe şi/sau informaţii utile
dintr-o cantitate mare de date, colectate şi stocate în diferite tipuri de depozite de date (baze de
date, Data Warehouses, WWW etc.), în vederea folosirii lor pentru fundamentarea deciziilor
manageriale pe toate nivelele de competenţă din cadrul unei organizaţii economice. În literatura
de specialitate modelele de cunoştinţe şi/sau de informaţii obţinute ca rezultat al desfăşurării unui
proces Data Mining sunt denumite, mai simplu, modele de cunoştinţe, pornind de la definiţiile
conceptelor informaţie (care exprimă elementele din realitatea înconjurătoare în momentul în
care sunt percepute pentru prima dată de utilizator, adică atunci când au caracter de noutate, de
ştire), cunoştinţă (care desemnează informaţia relevantă, informaţie cu înţeles şi informaţie care
acţionează1, pentru un domeniu de interes, după momentul aflării acestei informaţii) şi dată (care
desemnează informaţia sau cunoştinţa înregistrată în vederea evidenţei, prelucrării şi/sau
analizei).
Data Mining este o expresie improprie care asociază într-un mod foarte sugestiv
procesul de descoperire2(căutare şi găsire) a cunoştinţelor dintr-o cantitate mare de date cu
1
Mihai Drăgănescu, Societatea Informaţională – Societatea cunoaşterii, www.academiaromana.ro,
Studii tematice.
2
www.dexonline.ro - DEX online: Dicţionar explicativ al limbii române.
procesul de extragere a mineralelor din roci, spre a-l face mai uşor de înţeles. Această asociere
se bazează pe faptul că ambele procese, în realitate foarte diferite deoarece materia primă folosită
este de natură diferită (dată-cunoştinţă şi rocă-mineral), sunt procese de extracţie care constau
primul în extragerea cunoştinţelor utile din cantităţi mari de date, iar al doilea în extragerea de
minerale din cantităţi mari de roci (procesul clasic de exploatare minieră, denumit pe scurt
minerit). Practic, cantităţile enorme de date disponibile, care conţin cunoştinţe utile în procesul
decizional, sunt asemănate cu rocile scoarţei terestre, care conţin substanţe minerale necesare în
procesul industrial, în timp ce cunoştinţele necesare procesului decizional, care se extrag din
depozitele de date, sunt asemănate cu mineralele care se extrag din rocile respective. Ca urmare a
acestei similitudini, denumirea cea mai adecvată pentru procesul de descoperire a cunoştinţelor
dintr-o cantitate mare de date este exploatarea cunoştinţelor din date (Knowledge Mining from
Data), o expresie mai lungă şi mai puţin sugestivă. Pentru desemnarea procesului respectiv se
pot folosi şi alte expresii, cu semnificaţie similară sau uşor diferită de Data Mining, ca de
exemplu extragerea cunoştinţelor (knowledge extraction), analiza datelor/modelelor (data/
pattern analysis) sau arheologia datelor (data archaeology). Dintre toate acestea, cea mai uzuală
expresie este Data Mining, fiind cea mai scurtă şi cea mai sugestivă datorită asocierii implicite
cu procesul clasic de minerit, vechi de sute de ani, înţeles în esenţa sa chiar şi de către
nespecialiştii în domeniu minier.
Expresia Data Mining este sinonimă cu expresia descoperirea cunoştinţelor din date,
KDD (Knowledge Discovery from Data) ce este uzual folosită în literatura de specialitate prin
abrevierea sa KDD, care face să-şi piardă semnificaţia implicită, motiv pentru care se preferă
utilizarea primei expresii (Data Mining) pentru a desemna procesul de descoperire a
cunoştinţelor din cantităţile mari de date stocate în depozitele de date disponibile.
În realitate, procesul de descoperite a cunoştinţelor din cantităţi mari de date este un
proces complex format, în principal, din următoarele procese mai simple, care se succed din
punct de vedere cronologic (fig. 4.1)1:
1. curăţirea datelor (data cleaning): înlăturarea datelor inutile şi a celor inconsistente;
2. integrarea datelor (data integration): combinerea datelor provenite de la mai multe surse
de date diferite;
3. selectarea datelor (data selection): extragerea datelor relevante pentru analiză din
depozitele de date disponibile (baze de date, data warehouses, WWW etc.);
4. transformarea datelor (data transformation): punerea datelor în formate unitare,
corespunzătoare pentru mining (analiza în vederea descoperirii de cunoştinţe) prin
realizarea unor operaţii rezumative şi/sau de agregare (de unificare);
5. “mineritul datelor” (Data Mining): extragerea unor modele de date aplicând asupra
datelor rezultate după parcurgerea etapelor anterioare metode inteligente, denumite
generic metode Data Mining; acest proces este esenţial pentru descoperirea cunoştinţelor
utile “ascunse” în depozitele de date;
6. evaluarea modelelor (pattern evaluation): evaluarea modelelor de date extrase pentru
identificarea celor care reprezintă cunoştinţele care interesează în mod real;
7. prezentarea cunoştinţelor (knowledge presentation): prezentarea cunoştinţelor astfel
obţinute utilizatorilor lor, prin folosirea unor tehnici de vizualizare şi de reprezentare
adecvate.

1
Han, J., Op.cit.
 UTILITATOR
pentru

cunoştinţe

evaluare modele şi prezentare

MODELE
DE DATE

Data Mining (mineritul datelor):

se extrag o parte din date

selecţie, transformare
şi eventual reducere

Data
Warehouse
curăţire şi integrare

Database Database Database

Fig. 4.1. Data Mining- parte a procesului de descoperire a cunoştinţelor

În mod uzual, datele rezultate din procesele de curăţire şi integrare sunt stocate în Data
Warehouses, caz în care transformarea şi unificarea lor se realizează înainte de procesul de
selecţie. Pentru a obţine o reprezentare mai „mică” a datelor originale poate fi realizată şi
reducerea datelor (data reduction), fără a le afecta integritatea datelor.
Procesul Data Mining interacţionează cu utilizatorul prin baza de cunoştinţe destinată
acestuia, dintre modelele de date descoperite, cele cu importanţă pentru utilizator reprezentând,
de fapt, cunoştinţe noi care se stochează în baza de cunoştinţe spre a-i fi prezentate.
Procesul Data Mining este o parte esenţială a procesului de descoperire a cunoştinţelor
din date deoarece descoperă modelele de date “ascunse” pentru a fi evaluate, în conformitate cu
cerinţele utilizatorilor.
Din punctul de vedere al funcţionalităţii sale, Data Mining este procesul de descoperire a
cunoştinţelor care interesează dintr-o cantitate mare de date stocată în baze de date, Data
Warehouses sau în alte tipuri de depozite de date.
Privit din perspectiva depozitului de date - Data Warehouse, procesul Data Mining
reprezintă un stadiu avansat de procesare analitică on-line (OLAP). Data Mining depăşeşte însă
procesul analitic limitat, de tip rezumativ, al sistemelor Data Warehouse prin tehnicile specifice
de analiză a datelor, mult mai avansate.
 Data Mining implică o integrare de tehnici din mai multe domenii. Practic, Data Mining
reprezintă un domeniu interdisciplinar, principalele discipline cu care se intersectează fiind cele
cuprinse generic sub denumirea de Tehnologia Bazelor de Date - Databases (DB), Tehnologia
depozitelor de date - Data Warehouse (DW), Tehnologia Digitală, Tehnologiile Informaţiei şi
ale Comunicaţiilor (IT&C) şi Statistică (fig. 4.2).

Calculatoare Modelarea
datelor
Statistică
Vizualizarea
Tehnologiile datelor
Bazelor de Date Tehnologia
(DB) şi Data Tehnologia Analiza
Digitală şi datelor
Warehouses Data Mining
(DW)
IT&C
Procesarea
imaginilor
Alte domenii
Machine Reţele Regăsirea
learning neurale informaţiilor
or

Fig. 4.2. Principalele domenii (discipline) care se

intersectează cu domeniul Data Mining

Cunoştinţele şi informaţiile descoperite în procesul data mining se folosesc în formularea

deciziilor, în controlul unui proces economic sau industrial, în managementul informaţiei etc.
Tehnicile de Data Mining se pot aplica atât ascendent cât şi descendent. Pentru
abordarea descendentă se iau în considerare ipotezele formulate în prealabil prin alte mijloace.
Abordarea ascendentă urmăreşte extragerea de cunoştinţe sau informaţii noi din date disponibile,
această căutare putând fi dirijată sau nedirijată. Căutarea dirijată presupune că se ia în
considerare un atribut sau un câmp, ale cărui valori se explică prin celelalte câmpuri. Căutarea
nedirijată identifică relaţiile sau structurile din datele examinate fără a asigura prioritate unui
câmp sau a altuia. Ceea ce se exploatează prin Data Mining sunt colecţii de date constituite
pentru alte scopuri (exemplu tranzacţii derulate pe o perioadă de timp). Deseori la acest tip de
date se adaugă şi cele provenite din alte surse cum statistici oficiale care privesc evoluţia în
ansamblu a economiei, date privind concurenţa sau măsuri legislative. De aceea se foloseşte tot
mai des noţiunea de informaţie ascunsă în sensul că este aproape imposibilă detectarea
corelaţiilor sau raporturile pe care datele le încorporează în mod intrinsec. Rezultatea obţinute
sunt cu atât mai relevante cu cât ele se bazează pe un volum mare de date. Datele pot fi
exploatate pentru a obţine informaţii prin diverse tehnici cum sunt: reţele neuronale, arbori de
decizie, algoritmi genetici, analiza grupurilor, raţionamente bazate pe cazuri, analiza legăturilor.
Aceste tehnici pot fi asociate cu tehnici statistice cum sunt regresiile sau analiza factorială.
Data Mining nu este capabilă, ca tehnică, să rezolve orice problemă de gestiune. De fapt
ceea ce poate oferi se rezumă la câteva acţiuni cum sunt: clasificarea, estimarea, predicţia,
gruparea, analiza grupărilor, care folosite la locul potrivit pot deveni utile pentru o mulţime de
probleme din domeniul decizional18.
Herb Edelstein de la Two Crows Corporation defineşte Data Mining ca un ansamblu de
tehnici de descoperire a şabloanelor ascunse (hidden patterns) şi a relaţiilor existente între date
cu scopul de a asista luarea celor mai bune decizii în afaceri.
Clasificarea are ca scop plasarea obiectelor prelucrate într-un grup limitat de clase
predefinite. De exemplu, vânzarea unui produs nou se poate încadra într-una din următoarele
categorii de risc: scăzut, mediu, ridicat. Obţinute în mod clasificat vor fi reprezentate sub formă
de înregistrări care la rândul lor sunt compuse din atribute sau câmpuri. Ca tehnici de Data
Mining pentru clasificare sunt arborii de decizie şi raţionamentul bazat pe cazuri.
Estimarea va atribui o valoare unei variabile pe baza celorlalte date de intrare.
Rezultatele obţinute în urma estimării sunt valori continue. Pentru acest tip de prelucrări se pot
utiliza reţelele neuronale.
Predicţia poate clasa înregistrările luate în considerare în funcţie de un anumit
comportament sau o valoare viitoare estimată. De aceea se va recurge la o colecţie de exemple
care vizează date din trecut, în care valorile variabilei de previzionat sunt deja cunoscute. Cu
ajutorul lor se va construi un model care va putea explica comportamentul observat. Aplicând
acest model înregistrărilor care fac obiectul prelucrării, se va obţine o predicţie a
comportamentului sau a valorilor acestora în viitor.
Gruparea poate duce la determinarea acelor obiecte care apar cel mai fecvent împreună.
Un exemplu este “analiza coşului gospodăriei” în evaluările statistice.
Analiza grupului urmăreşte o divizare a populaţiei eterogene în grupuri mai omogene
care poartă numele de clustere.
În această tehnică nu se pleacă de la un set predeterminat de clase şi nici din exemple din
trecut. Segmentarea pe grupuri se face în funcţie de similitudinile obiectelor.

4.3. Categorii de date care pot fi “minerite”

În principiu, procesul Data Mining poate fi aplicat asupra oricărui tip de depozit de date,
precum şi asupra fluxurilor de date („trecătoare”). Dintre acestea cele mai uzuale sunt:
• bazele de date relaţionale;
• bazele de date tranzacţionale;
• depozitele de date - Data Warehouses;
• bazele de date obiecturale;
• bazele de date în tehnologii avansate.
Tehnicile Data Mining pot fi comune sau diferite de la o categorie la altă categorie de
date, fiind determinate de caracteristicile specifice fiecăreia dintre aceste categorii.

4.4. Categorii de modele de date care pot fi “minerite”

În termeni generali, modelul reprezintă o simplificare a realităţii. Practic, descrierea

elementelor şi fenomenelor din realitatea înconjurătoare, reduse la caracteristicile lor esenţiale
pentru un anumit domeniu de activitate, defineşte un model.

18
Two Crows: Data Mining Glossary.
 Modelarea este o tehnică general acceptată de specialiştii din toate domeniile de
activitate. Se construiesc modele arhitecturale pentru a ajuta utilizatorii lor să vizualizeze
clădirile. Se construiesc modele matematice pentru a analiza traiectoria navetelor spaţiale în
cosmos sau tendinţele de evoluţie a pieţei. În era comunicaţiilor digitale şi a internet- ului, se
construiesc modele software care conduc la realizarea unor sisteme informatice flexibile, uşor
adaptabile la schimbările rapide de tehnologice şi la cerinţele utilizatorilor, mereu în creştere.
După cum, se construiesc modele de date pentru a descoperi cunoştinţele “ascunse” în depozitele
de date, utile în fundamentarea deciziilor manageriale strategice şi de perspectivă.
Extragerea modelelor de date, aplicând asupra datelor stocate în baze de date, data
warehouse sau în orice alt tip de depozit de date tehnici inteligente (avansate) de analiză,
denumite generic tehnici data mining, este un proces laborios denumit, în mod uzual, proces
data mining sau, pe româneşte, proces de “minerit”, prin similitudine cu procesul clasic de
minerit care urmăreşte extragerea minereurilor din roci. În acest context, se spune, în mod uzual,
că modelele de date care pot fi extrase printr-un proces de “minerit” sunt “minate”, adică
sunt căutate şi extrase din datele stocate în depozitele de date ale utilizatorului, aşa cum sunt
căutate şi extrase minereurile din roci.
Modelele de date care pot fi “minerite” sunt grupate pe categorii determinate de funcţiile
sistemului Data Mining, denumite pe scurt funcţii Data Mining, care urmăresc extragerea
modelelor de date din datele utilizatorului stocate în depozite de date. Pentru îndeplinirea
(realizarea) funcţiilor sale, sistemul Data Mining execută sarcini specifice, denumite în mod
uzual sarcini Data Mining, care au ca rezultat modele de date care pot fi “minerite” de
utilizator.
O sarcină Data Mining se defineşte ca fiind o activitate sau un set de activităţi care se
execută pentru îndeplinirea sau realizarea unei funcţii a sistemului Data Mining. Practic, sarcina
Data Mining reprezintă partea procesului Data Mining care se desfăşoară pentru îndeplinirea
unei funcţii Data Mining. La modul general, sarcinile Data Mining pot fi clasificate în două mari
categorii:
- sarcini descriptive, cele care descriu caracteristicile generale ale datelor stocate
în baza de date, Data Warehouse sau în orce alt tip de deposit de date;
- sarcini predictive, cele care realizează deduceri de date din datele curente cu
scopul de a face previziuni, determinând tendinţele de evoluţie ale acestora.
Principalele funcţii Data Mining, sarcinile Data Mining care trebuie executate pentru
realizarea lor şi categoriile de modele Data Mining care se pot obţine ca rezultat, sunt
următoarele:
- descriere clasă/concept este funcţia sistemului Data Mining realizată prin
executarea sarcinilor Data Mining - caracterizare date şi discriminare date care au
ca rezultat un model Data Mining de tip descriere, denumit în mod uzual descriere;
- “mineritul” modelelor frecvente este funcţia sistemului Data Mining realizată prin
executarea sarcinilor Data Mining asociaţie date şi corelaţie date care au ca rezultat
modele Data Mining frecvente;
- clasificarea şi predicţia, este funcţia sistemului Data Mining realizată prin
executarea sarcinilor Data Mining de clasificare date şi predicţie care au ca rezultat
modele Data Mining de clasificare (clasificator) şi predicţie (predictor);
- analiza grupurilor, este funcţia sistemului Data Mining realizată prin executarea
sarcinii Data Mining de grupare a datelor cu caracteristici representative
commune, care are ca rezultat un model Data Mining de grupare;
 - analiza excepţiilor, este funcţia sistemului data mining realizată prin executarea
sarcinii Data Mining de analiză a excepţiilor care are ca rezultat un model Data
Mining al excepţiilor (date atipice);
- analiza evoluţiei, este funcţia sistemului Data Mining realizată prin executarea
sarcinii Data Mining de analiză a evoluţiei datelor care are ca rezultat un model
Data Mining tendinţelor de evoluţie (a datelor).
De cele mai multe ori, utilizatorii nu ştiu ce modele de date prezintă interes pentru ei şi
doresc să extragă mai multe categorii diferite de modele din datele stocate în depozitlele de date
la dispoziţia lor (baze de date, Data Warehouse etc.). De aceea, este important ca un sistem Data
Mining să poată “mineri” categorii variate de modele de date pentru a răspunde diverselor
aplicaţii şi/sau aşteptărilor diferiţilor utilizatori. Este important ca un sistem Data Mining să
permită extragerea de modele de date pe diferite nivele de abstracţie, corespunzătoare nivelelor
de detaliu solicitate de utilizatori. Şi este important ca un sistem Data Mining să accepte
sugestiile utilizatorilor pentru a direcţiona căutările către modelele de date care îi interesează.

4.4.1. Descriere clasă/concept

Într-un sistem Data Mining datele stocate în baze de date, Data Warehouse sau în orice
alt tip de depozit de date sunt grupate în clase sau asociate la concepte. Spre exemplu, datele
stocate în baza de date de evidenţă a producţiei organismului economic definit generic pot fi
grupate în două clase care conţin produse de categoria a I-a şi produse de categoria a II-a, iar
datele stocate în baza de date de evidenţă a clienţilor pot fi asociate conceptelor mariClienţi şi
bugetClienţi. După cum, datele stocate în baza de date de evidenţă a articolelor unui magazin de
tehnică de calcul pot fi grupate în şase clase care conţin calculatoare, imprimante, scannere,
camere video şi produse software, şi pot fi asociate conceptelor articolePentruCasa,
articoleProfesionale, articoleScumpe şi articoleCuPreţRedus.
Descrierea clasă/concept este funcţionalitatea sistemului Data Mining care se realizează
prin executarea următoarelor sarcini Data Mining:
- caracterizarea datelor, este sarcina Data Mining care constă în rezumarea datelor din clasa
analizată, denumită în mod uzual clasă-ţintă;
- discriminarea datelor, este sarcina Data Mining care constă în compararea datelor din clasa
ţintă cu datele dintr-una sau din mai multe clase de comparat;
- caracterizarea şi discriminarea datelor, este sarcina Data Mining care constă atât în
rezumarea datelor din clasa ţintă, cât şi în compararea acestora cu cu datele dintr-una sau din
mai multe clase de comparat.
Caracterizarea datelor este rezumarea, în termeni cât mai concişi şi mai precişi cu
putinţă, a caracteristicilor sau trăsăturilor generale, esenţiale, aferente datelor din clasa ţintă.
Datele din clasa ţintă, specificate de utilizator, se pot colecta, în mod tipic, printr-o interogare a
bazei de date (database query) în care sunt stocate. Spre exemplu, pentru caracterizarea
produselor fabricate de un organism economic ale căror vânzări au crescut cu mai mult 20% în
ultimul an, utilizatorul colectează datele de analizat prin executarea unei interogări (query) SQL
asupra bazei de date de evidenţă a vânzărilor.
Caracterizarea efectivă a datelor stocate într-o bază de date, Data Warehouse sau în orice
alt tip de depozit de date se realizează prin aplicarea următoarelor metode de analiză a datelor:
- rezumarea simplă a datelor, bazată pe măsurători statistice şi pe eşantionare;
- cubul de date, bazat pe operaţiile OLAP roll- up şi drill- down, care poate fi utilizat pentru
rezumarea datelor, proces controlat de utilizator, de-a lungul dimensiunilor specificate de
acesta;
- tehnica de inducţie orientată pe atribut, care poate fi utilizată pentru a realiza caracterizarea
şi generalizarea datelor fără interacţiunea directă a utilizatorului cu sistemul Data Mining.
Caracterizarea datelor, ca sarcină Data Mining descriptivă, are ca rezultat descoperirea
unui model Data Mining de tip descriere (denumit în mod uzual descriere), care poate fi
prezentat utilizatorului sub diferite forme denumite în mod uzual forme de caracterizare, cele
mai uzuale fiind diagramele, graficele, tabelele, cuburile de date, relaţiile generalizate sau
regulile de caracterizare.
Discriminarea datelor este comparaţia caracteristicilor generale, esenţiale, aferente
datelor din clasa ţintă cu caracteristicile generale, esenţiale, aferente datelor dintr-una sau mai
multe clase de comparat. Datele din clasele ţintă şi de comparat, specificate de utilizator, se pot
colecta, în mod tipic, prin interogarea bazei de date (database query) în care sunt stocate. De
exemplu, pentru compararea trăsăturilor generale ale studenţilor cu medie de promovare în anul
universitar anterior, cu trăsăturile generale ale studenţilor cu medie sub media de promovare în
aceeaşi perioadă de timp, utilizatorul poate colecta datele de analizat prin executarea unei
interogări (query) SQL asupra bazei de date de evidenţă a studenţilor.
Metodele de analiză a datelor, utilizate pentru discriminarea datelor stocate într-o bază de
date, Data Warehouse sau în orice alt tip de depozit de date, sunt similare celor utilizate pentru
caracterizarea datelor, şi anume:
- compararea simplă a datelor, bazată pe rezumarea acestora, obţinută prin măsurători
statistice şi de eşantionare efectuate asupra datelor din clasele ţintă şi de comparat;
- cubul de date, bazat pe operaţiile OLAP roll- up şi drill- down, care poate fi utilizat pentru
rezumarea şi compararea datelor prin controlul utilizatorului, de-a lungul dimensiunilor
specificate de acesta;
- tehnica de inducţie orientată pe atribut, care poate fi utilizată pentru a realiza discriminarea
şi generalizarea datelor fără interacţiunea directă a utilizatorului cu sistemul Data Mining.
Discriminarea datelor, ca sarcină Data Mining descriptivă, are ca rezultat descoperirea unui
model Data Mining de tip descriere (denumit în mod uzual descriere), care poate fi prezentat
utilizatorului sub aceleaşi forme ca şi modelul data mining rezultat prin caracterizarea datelor,
cu deosebirea că formele de prezentare obţinute în acest caz sunt denumite, în mod uzual, forme
de discriminare (grafice de discriminare, reguli de discriminare etc.) şi descrierile
discriminărilor pot conţine măsuri de comparaţie care ajută la deosebirea clasei ţintă de clasele
de comparat.

4.5. Sistemul Data Mining

Sistemul Data Mining este sistemul informatic format din ansamblul componentelor
hardware şi software care interacţionează şi comunică între ele pentru descoperirea (extragerea)
modelelor de date care reprezintă cunoştinţele ce interesează dintr-o cantitate mare de date
stocată în baze de date, Data Warehouses sau în alte tipuri de depozite de date. Altfel spus, este
sistemul informatic în cadrul căruia se desfăşoară procesul Data Mining.
 4.5.1. Structura sistemului Data Mining
Structura sistemului Data Mining (model de principiu) reprezintă, prin definiţie, modul
de organizare internă a acestuia pentru îndeplinirea funcţiei sale: aplicarea tehnicilor Data
Mining asupra datelor stocate în baze de date, Data Warehouses sau în alte tipuri de depozite de
date, cu scopul de a descoperi modele de date care interesează în fundamentarea deciziilor
manageriale, proces denumit generic proces Data Mining (fig. 4.3).

INTRĂRI asupra PRELUCRĂRI IEŞIRI

(de date) căruia (de date) rezultă (de date)
setul de date care se aplică tehnici modele de date
trebuie “minerit”
(analizat în detaliu Data Mining (cunoştinţe extrase prin
pentru descoperirea aplicarea de tehnici Data
(operaţii care se Mining asupra setului de
cunoştinţelor care aplică asupra
interesează) date analizat în procesul
setului de date în Data Mining)
procesul
Data Mining)

Fig. 4.3. Structura sistemului Data Mining

Setul de date care trebuie “minerit”, tehnicile Data Mining şi modelele de date
descoperite în procesul Data Mining reprezintă componentele structurale ale sistemului Data
Mining.

Intrările sistemului Data Mining

Intrările sistemului Data Mining specifică sarcinile Data Mining care se execută pentru
îndeplinirea sau realizarea funcţiilor sistemului Data Mining de descoperire (extragere) a
modelelor de date ascunse în datele utilizatorului stocate în depozite de date, cel mai adesea de
tip bază de date sau depozit de date.
Intrările sistemului Data Mining sunt, prin definiţie, interogări Data Mining (Data
Mining query) deoarece se formulează sub formă de întrebări, fie folosind un limbaj de
interogare adecvat, fie cu asistenţa unei interfeţe grafice dedicate. Practic, fiecare întrebare
(query) se transformă pe durata procesului Data Mining într-un set de operaţii care definesc o
sarcină Data Mining ce se execută pentru îndeplinirea sau realizarea unei funcţii a sistemului
Data Mining.
O interogare Data Mining este formată din aşa numitele primitive Data Mining care, prin
definiţie, reprezintă elementele fundamentale (de bază) necesare pentru specificarea unei sarcini
Data Mining sub formă de interogare Data Mining. Acestea sunt:
- setul de date relevante pe sarcină Data Mining, care cuprinde specificaţiile datelor
“minerite” prin execuţia sarcinii Data Mining de către sistemul Data Mining;
cuprinde:
• denumirea depozitului de date (bază de date, data warehouse etc.) care stochează
datele care se “mineresc”;
• tabele bază de date sau cuburi data warehouse;
 • atribute bază de date sau dimensiuni data warehouse de interes pentru utilizator
denumite, în mod curent, atribute sau dimensiuni relevante;
• condiţii de selecţie a datelor;
• criterii de grupare a datelor;
- categoria de cunoştinţe care trebuie “minerită”; reprezintă categoria de modele de
date de interes pentru utilizator care se extrag prin execuţia sarcinii Data Mining de
către sistemul Data Mining (caracterizare/discriminare, asociere/corelare,
clasificare/predicţie, grupare etc);
- cunoştinţele de bază - sunt cunoştinţe despre domeniul care trebuie “minerit”
necesare pentru direcţionarea procesului Data Mining şi pentru evaluarea modelelor
de date; cea mai uzuală formă a cunoştinţelor de bază este ierarhia, care permite
“mineritul” datelor pe mai multe nivele de abstracţie, corespunzătoare nivelelor de
detaliu specificate de utilizator;
- măsurile interesului pe care îl reprezintă un model de date pentru utilizator; se
utilizează pentru direcţionarea procesului Data Mining către extragerea modelelor de
date care prezintă interes pentru utilizator, precum şi pentru evaluarea modelelor de
date extrase; spre exemplu, regulile de asociere cu suport şi încredere sub limitele
specificate de utilizator sunt considerate neinteresante;
- reprezentarea modelului extras pentru vizualizare; specifică forma în care sunt
prezentate utilizatorului modelele de date extrase; poate cuprinde reguli, tabele, hărţi,
grafice, arbori decizionali şi cuburi de date.
Formularea interogărilor Data Mining formate din primitive Data Mining se face cu
ajutorul unui limbaj de interogare Data Mining (Data Mining Query Language- DMQL) orientat
pe interacţiunea utilizatorilor cu aplicaţiile Data Mining. Practic, limbajul de interogare Data
Mining permite utilizatorului să formuleze cereri (Data Mining) sub formă de întrebări
(interogări) pentru executarea sarcinilor Data Mining specificate prin primitivele Data Mining.
Un asemenea limbaj trebuie să furnizeze comenzi pentru specificarea fiecăreia dintre primitivele
Data Mining.
Limbajul de interogare Data Mining, cu editorul corespunzător, permit utilizatorului
uman şi aplicaţiilor- utilizator din cadrul altor sisteme informatice să interogheze sistemul Data
Mining în mod compilativ şi/sau interactiv. Comunicarea interactivă a utilizatorului cu sistemul
Data Mining se poate face fie direct, prin formularea de interogari Data Mining, fie prin
intermediul unei interfeţe grafice dedicate, construită pe baza unui limbaj de interogare Data
Mining. Practic, se poate construi o interfaţă grafică prietenoasă pentru fiecare tip de limbaj de
interogare Data Mining definit.

4.5.2. Arhitectura sistemului Data Mining

Sistemul Data Mining este, în esenţa sa, un produs software cu funcţii Data Mining
denumit generic aplicaţie Data Mining care cuprinde:
- interfaţa Data Mining, modulul software care asigură interacţiunea (comunicarea) cu
utilizatorii care formulează cereri Data Mining (solicitări de execuţie a sarcinilor Data
Mining pentru extragerea de modele de date);
- serverul Data Mining, modulul software care gestiunează cererile Data Mining efectuate
de utilizator;
 - tehnicile Data Mining, module software care fac analiza datelor stocate în depozitele de
date pentru descoperirea modelelor de date şi evluarea acestora, atât ca interes pentru
utilizator, cât şi ca bază de cunoştinţe, răspunzând astfel cererilor data mining efectuate
de utilizator
Aplicaţia Data Mining este singura componentă a sistemului Data Mining care integrează
tehnici de analiză avansată a datelor pentru extragerea modelelor de date “ascunse” în datele
utilizatorului şi pentru evaluarea acestora, motiv pentru care, din punctul de vedere al
utilizatorului, sistemul Data Mining se reduce la acest produs software. Altfel spus, aplicaţia
Data Mining reprezintă pentru utilizatorul final sistemul Data Mining şi este referită ca atare.
Sistemul Data Mining este, în ansamblul său, o interfaţă software între utilizator şi
depozitul de date “minerit” pentru extragerea modelelor de date care reprezintă cunoştinţe cu
importanţă în managementul decizional, fie că este vorba de o aplicaţie utilizator sau de
utilizatorul uman.
Arhitectura sistemului Data Mining (model constructiv) cuprinde, în principal,
următoarele componente (fig.4.4):
• DataBase, Data Warehouse, World Wide Web sau alt tip deposit de informaţii; este
vorba de una sau mai multe baze de date, data warehouses, spreadsheets sau alte categorii
de depozite de date;
• Serverul Database sau Data Warehouse; este sistemul de calcul responsabil pentru
extragerea datelor relevante (semnificative), în funcţie de cererea Data Mining efectuată
de utilizator;
• Knowledge Database (baza de date de cunoştinţe); reprezintă domeniul de cunoştinţe
utilizat pentru direcţionarea căutării modelelor de date sau pentru evaluarea importanţei
acestora în raport cu solicitările utilizatorului;
• Data Mining engine: set de module funcţionale necesare pentru analiza sarcinilor
specifice procesului Data Mining: asocierea, corelarea, caracterizarea, clasificarea,
predicţia, analiza grupurilor (cluster analysis), analiza excepţiilor (outlier analysis),
analiza evoluţiei etc.;
• Modul de evaluare a modelului (atât ca interes cât şi ca bază de cunoştinţe): este
componenta care interacţionează cu modulele Data Mining pentru a focaliza căutarea
către modelele de date care interesează; poate utiliza limite de importanţă pentru a filtra
modelele de date descoperite la iesire; pentru eficienţa procesului Data Mining este
recomandat să se “împingă” analiza importanţei modelului de date cât mai adânc posibil
(mai în detaliu), astfel încât să se limiteze căutarea numai la modelele care interesează;
• Interfaţa utilizator (grafică): este componenta care asigură comunicarea sistemului
Data Mining cu utilizatorii săi, cărora le permite:
- să furnizeze informaţiile necesare pentru direcţionarea căutării şi realizarea explorării
datelor, prin intermediul unei interogări sau unei sarcini Data Mining;
- să baleieze schemele bazelor de date, data warehouses sau altor structuri de date, pentru
extragerea setului de date care prezintă înteres în procesul Data Mining;
- să evalueze modelele de date extrase (“minerite”) şi să le vizualizeze în diferite forme,
cât mai prietenoase pentru utilizator.
O arhitectură bine stabilită (model constructiv), încă din faza de proiectare, conduce la un
sistem Data Mining capabil să utilizeze optim performanţele mediului informatic implicat pentru
desfăşurarea eficientă a procesului Data Mining, ceea ce impune:
 - asigurarea eficientă a schimbului de date cu alte sisteme informatice (spre exemplu, bază
de date sau data warehouse);
- dezvoltarea şi utilizarea tehnicilor Data Mining impuse de specificul datelor aspupra
cărora se aplică procesul Data Mining;
- adaptarea funcţionalităţii la cerinţele de “minerit” solicitate de utilizatori.

Interfaţa utilizator

Evaluarea modelului
Bază de
Data mining engine cunoştinţe

Database sau data warehouse server

data cleaning, integration and selection

Data World Alte depozite

Database
Warehouse Wide Web de informaţii

Fig. 4.4. Arhitectura unui sistem Data Mining tipic

4.5.3. Clasificarea sistemelor Data Mining

Clasificarea sistemelor Data Mining se face în funcţie de criterii astfel stabilite încât să
ofere fiecărui utilizator posibilitatea de a identifica cu uşurinţă sistemul Data Mining cel mai
potrivit pentru necesităţile sale manageriale. Principalele criterii de clasificare a sistemelor Data
Mining sunt următoarele:
1. categoria de depozit de date care conţine datele asupra cărora se aplică procesul
Data Mining şi care, la rândul lor, se clasifică în funcţie de:
- modelul de date în jurul căruia este construit depozitul de date, caz în care se
deosebesc sisteme Data Mining relaţionale, tranzacţionale, data warehouse,
obiecturale, relaţional- obiecturale sau heterogene;
- tipul datelor manipulate, caz în care se deosebesc, în principal, sisteme Data Mining
temporale, secvenţiale sau time-series, text sau multimedia, pentru fluxuri şi secvenţe
de date, precum şi pentru Web;
2. categoria de tehnici Data Mining integrate pentru îndeplinirea funcţiilor Data
Mining, care caz în care se deosebesc sisteme Data Mining care:
- integrează o singură categorie de tehnici Data Mining care realizează funcţiile Data
Mining pentru descoperirea unei singure categorii de modele de date, ca de exemplu
tehnici pentru caracterizarea şi discriminarea datelor, pentru asociaerea şi corelaţia
datelor, pentru clasificare şi predicţie, pentru grupare şi analiză excepţii sau pentru
analiza evoluţiei datelor;
- integrează tehnici Data Mining multiple care realizează funcţiile Data Mining pentru
descoperirea unor categorii variate de modele de date necesare în diverse aplicaţii
şi/sau pentru a răspunde aşteptărilor diferiţilor utilizatori (sisteme Data Mining
complexe);
3. nivelul de abstracţie la care se “mineresc” datele, caz în care se deosebesc sisteme
Data Mining care asigură extragerea modelelor de date:
- pe un singur nivel de abstractie, corespunzător unui singur nivel de detaliu care este
specificat de utilizator, caz în care se obţin cunoştinţe generalizate- la un nivel ridicat
de abstracţie sau cunoştinţe primare- la cel mai de jos nivel de abstracţie;
- pe mai multe nivele de abstractie, corespunzătoare nivelelor de detaliu solicitate de
utilizatori (sisteme Data Mining avansate);
4. frecvenţa de apicare a procesului Data Mining, caz în care se deosebesc sisteme
Data Mining care “mineresc“ datele:
- regulat (frecvent sau ritmic), pentru extragerea modelelor de date respectate de
majoritatea datelor din setul de date selectat de utilizator pentru analiză; în general,
tehnicile Data Mining de tip caracterizare şi discriminare, asociaţie şi corelaţie,
clasificare şi predicţie, precum şi grupare “mineresc” datele cu regularitate, rejectând
excepţiile;
- neregulat (la nevoie), pentru extragerea datelor aflate în afara modelelor de date
respectate de majoritatea datelor din setul de date selectat de utilizator pentru analiză,
considerate excepţii; în acest caz în care se folosesc, în mod uzual, tehnicile Data
Mining de analiză a excepţiilor;
5. modul de interacţiune cu utilizatorul implicat, caz în care se deosebesc sistemele
Data Mining care
- nu interacţionează cu utilizatorul implicat pe durata procesului Data Mining
(autonome sau independente);
- interacţionează cu utilizatorul implicat pe durata procesului Data Mining
(interactive); spre exemplu, interacţiunea bazată pe interogare (query- driven);
6. metoda de analiză a datelor utilizată, caz în care se deosebesc sisteme Data Mining
care folosesc metode de analiză a datelor orientate pe:
- modelul de date în jurul căruia este construit depozitul de date care conţine datele
asupra cărora se aplică procesul Data Mining, care, la modul general, poate fi
bidimenional- pentru baze de date sau multidimensional- pentru data warehouse;
- forma de analiză a datelor asupra cărora se aplică procesul Data Mining, caz în care
se deosebesc sisteme Data Mining pentru analiză statistică sau vizuală, pentru reţele
neurale etc.
7. domeniul de aplicabilitate, caz în care se deosebesc sisteme Data Mining adaptate la
specificul domeniilor de activitate care utilizează forme avansate de analiză a datelor
pentru eficientizarea meanagementului decizional, ca de exemplu finanţe, comerţ,
telecomunicaţii, e- mail, pentru Web etc.
 4.5.4. Explorarea datelor – conţinut şi etape
Programele care realizează implementarea algoritmilor pentru Data Mining nu sunt
suficiente. Ele trebuie alimentate cu date care provin din diverse surse organizate pentru alte
scopuri. De aceea este necesar un proces de curăţare a acestora şi de uniformizare pentru a fi
explorate aşa cum sunt ele furnizate de programe, conţinutul lor trebuind a fi analizat de
specialişti care vor identifica informaţiile utile pe care acestea (rezultatele) le conţin. Având în
vedere aceste particularităţi, tehnicile de Data Mining se pot utiliza numai în procese specifice
complexe şi de cele mai multe ori neliniare. Se pot astfel distinge etapele: definirea problemei;
identificarea surselor de date; colectarea şi selectarea datelor; pregătirea datelor; definirea şi
construirea modelului; evaluarea modelului; integrarea modelului.
Definirea problemei constă în sesizarea unei oportunităţi sau necesităţi de afaceri. De
aceea se va delimita ceea ce urmează a fi rezolvat prin Data Mining, obiective urmărire şi
rezultate scontate. Problema ce urmează a fi rezolvată prin Data Mining este o parte componentă
a oportunităţii organizaţiei, dar nu se identifică cu ea. De asemenea problema trebuie să
primească o formă adecvată pentru a putea fi tratată cu această tehnică.
Identificarea surselor de date constă în stabilirea structurii generale a datelor necesare
pentru rezolvarea problemei precum şi regulile de constituire a acestora şi localizarea lor. Fiecare
sursă de date va fi exeminată pentru o familiarizare cu conţinutul său şi pentru identificarea
incoerenţelor sau a problemelor de definire.
Colectarea şi selecţia datelor este etapa în care se face extragerea şi depunerea într-o
bază comună a datelor care urmează a fi utilizate ulterior. Această etapă ocupă un timp mare,
cam 80% din timpul total, iar existenţa depozitelor de date constituie un real avantaj.
În funcţie de limitele echipamentelor de calcul folosite, de produsele program aplicate
colecţiilor de date şi nu în ultimul rând de bugetul disponibil se poate prelucra întregul fond de
date disponibil sau un eşantion. Dacă opţiunea aleasă este dirijată spre lucrul cu eşantionare,
atunci trebuie respectate toate regulile şi cerinţele de selectare a acestora.
Pregătirea datelor. Datele sunt de obicei stocate în colecţii de date care au fost construte
pentru alte scopuri. De aceea firesc este să existe o fază preliminară de pregătire înainte de
extragere prin Data Mining. Transformările la care sunt supuse datele pentru Data Mining se
referă la: valori extreme, valori lipsă, valori de tip text, tabele. Traterea valorilor extreme se
poate face prin încadrarea între anumite limite cuprinse între medie şi un număr de abatere
standard prin excludere sau limitare sau prin izolarea vârfurilor.
În cazul valorilor lipsă se pot elimina câmpurile cu valori nule din înregistrări, sau se pot
completa câmpurile cu date de valori medii, deoarece existenţa lor poate duce la o funcţionare
incorectă a algoritmilor de Data Mining.
Valorile de tip text ridică probleme întrucât separarea prin spaţii a cuvintelor duc la
apariţia de valori diferite. Din acest motiv este indicată eliminarea lor, dar dacă prelucrarea lor
nu poate fi eliminată, soluţia cea mai pertinentă este de codificare prin tabele de corespondenţe,
în care să se evidenţieze toate şirurile valide de caractere.
Rezumarea se aplică atunci când datele sunt considerate a reprezenta detalii
nesemnificative pentru rezolvarea problemei, sau când numărul de exemple este insuficient.
 Codificarea incoerentă apare în momentul în care obiecte identice sunt reprezentate
diferit în unele din sursele utilizate.
Incompatibilităţile arhitecturale informatice se referă la diferenţele existente între modul
de reprezentare internă a valorilor datorat creării lor cu sisteme din generaţii diverse.
Definirea şi construirea modelului este etapa care se apropie cel mai mult de noţiunea
de Data Mining şi se referă la crearea modelului informatic care va efectua exploatarea. Etapa
de definire şi construire a modelului este însoţită de faza de instruire sau învăţare, depinzând de
tehnicile de Data Mining utilizate. Indiferent de aceste tehnici toate au de parcurs două etape:
învăţarea şi testarea. Invăţarea presupune existenţa unui set suficient de reprezentativ de exemple
complete de la care se porneşte pentru a identifica relaţiile de legătură între valorile câmpurilor
sau atributelor. Se consideră ca fiind încheiat procesul de învăţare, în momentul în care
rezultatele obţinute prin model se apropie suficient de mult de soluţiile conţinute de datele după
care s-a învăţat. Nu întotdeauna rezultatele sunt cele scontate şi atunci modelul va fi supus
testării cu date diferite de cele folosite pentru învăţare, dar care aparţin aceleiaşi colecţii. În
această etapă sunt formulate alte două obiective şi anume: obţinerea de date preclasate şi
distribuirea acestora în seturi de învăţare, testare sau evaluare.
Evaluarea modelului are ca scop de a determina corect valorile în care modelul are
capacitatea de a determina corect valorile pentru cazurile noi. Modelul va fi astfel aplicat asupra
ultimei părţi din datele preclasate care sunt dedicate evaluării. Procentul de eroare ce se stabileşte
acum va fi considerat că va fi acceptat şi pentru datele noi. Performanţele unui model se vor
aprecia cu “matricea de confuzie” care are rolul de a compara situaţia reală cu cea pe care
modelul o furnizează.
Integrarea modelului este etapa în care se finalizează procesul, prin încorporarea
modelului în SIAD ca element de bază, sau prin includerea sa într-un proces decizional general
din organizaţie.

4.5.5 Raţionamentul bazat pe cazuri

Prin această tehnică se caută o rezolvare a problemelor apărute prin analogie cu
experienţa acumulată. Această metodă se poate aplica pentru clasificări şi pentru predicţii.
Cazurile pe care este bazat raţionamentul sunt memorate ca înregistrări compuse din setul de
atribute care descriu fiecare caz. Un caz nou este prezentat tot ca o înregistrare, numai că în
câmpurile în care valoarea trebuie determinată sunt vide. Pentru a determina aceste valori se
caută înregistrările cu care înregistrarea “caz nou” se aseamănă şi conţinutul acestora se
consideră a fi răspunsul. Prin urmare se poate afirma că există două funcţii fundamentale de
prelucrare:
a) măsurarea distanţei dintre membrii fiecărui cuplu de înregistrări, pentru a afla vecinele
cele mai apropiate;
b) combinarea rezultatelor obţinute de la “vecine” în răspunsul propus pentru cazul curent;1
Măsurarea distanţei dintre câmpuri. Se numeşte distanţă expresia modului în care se
evaluează similitudinea. Distanţa are ca proprietăţi: poate fi definită şi se prezintă ca un număr
real; distanţa de la un element la el însuşi este totdeauna nulă; sensul de măsurare este fără

1
Zaharie D, Albescu F, colectiv – Op. Cit.
semnificaţie în maniera că distanţa de la elementul A la elementul B este egală cu distanţa de la
B la A şi nu există un punct C intermediar lui A şi B prin a cărei parcurgere să se scurteze
drumul de la A la B. Ca moduri de calcul pentru distanţa câmpurilor numerice se enumeră:
• diferenţa între valoare absolută |A-B|;
• pătratul diferenţei (A-B)2
• diferenţa între valoare absolută normalizată |A-B| (diferenţa maximă). Ultima variantă
produce rezultate cu valori cuprinse între 0 şi 1.
Măsurarea distanţei între înregistrări. Când apare necesitatea de a considera simultan
mai multe câmpuri ale înregistrării, se calculează distanţa pentru fiecare câmp în parte, iar
rezultatul se combină într-o valoare mică care reprezintă distanţa înregistrării respective.
Se vor enumera câteva procedee de combinare a distanţei câmpurilor: însumarea,
însumarea normalizată (suma distanţelor/suma maximă), distanţa euclidiană (rădăcina pătrată din
suma pătratelor distanţelor). Distanţa euclidiană evidenţiază cel mai bine înregistrările pentru
care toate câmpurile sunt vecine.
Combinarea rezultatelor presupune aflarea celor mai apropiaţi vecini, iar soluţia
problemei se obţine prin combinarea răspunsurilor obţinute de la aceştia. Fiecare vecin poate
avea diverse variante de răspuns, dar se vor lua în calcul doar cei care sunt mai apropiaţi.
Rezultatul ce obţine majoritatea va fi atribuit cazului curent. Cerinţa minimă este ca numărul
votanţilor să fie impar, pentru a evita situaţiile de nedeterminare.
Metodele care se bazează pe vot dau rezultate satisfăcătoare în situaţiile în care
răspunsurile aşteptate sunt de tip enumerativ. O altă soluţie posibilă este interpolarea valorilor
înregistrărilor vecine care însă introduce o aplatizare a rezultatelor care se înscriu între cele două
limite folosite în calcul. De asemenea, se poate constata că rezultate bune se obţin prin metode de
regresie statistică aplicate asupra valorilor date de vecinii cei mai apropiaţi. Se obţine ecuaţia
unei drepte sau a unei curbe care permite calcularea mai precisă a valorilor aferente cazului
curent.
Se poate concluziona că raţionamentul bazat pe cazuri este o tehnică de Data Mining
suficient de bună şi care se poate aplica unui mare număr de probleme, caz în care conduce la
soluţii acceptabile. Toate acestea sunt valabile dacă volumul de date pe care se bazează este bine
ales şi concludent. Ca avantaje pentru această metodă se pot enumera:
• aplicarea unui mare număr de tipuri de date, pe structuri de date complexe, iar câmpurile
tip text sunt mai bine tratate decât în alte tehnici;
• luarea în considerare a oricât de multor câmpuri;
• rezultatele obţinute sunt explicite;
• elementele de noutate care apar în procesul de învăţare sunt uşor de înglobat şi de folosit
în raţionamente.
Ca orice metodă prezintă şi unele dezavantaje dintre care se pot menţiona: volumul mare
de memorie şi resursă timp de prelucrare relativ mare, şi de asemenea, timpul de prelucrarea
mare pentru aplicarea funcţiilor de distanţă asupra tuturor înregistrărilor şi câmpurilor necesare
pentru obţinerea rezultatelor.