Luận văn: Hệ thống trợ giúp quản lý đề tài KH&CN trực thuộc Bộ Khoa học & Công nghệ

Tối ưu hóa quản lý đề tài KH&CN với hệ thống hỗ trợ ra quyết định. Nâng cao hiệu quả lựa chọn, đánh giá và phân bổ nguồn lực cho dự án.

• Tác giả: Bùi Thị Liên Hương
• Trường học: Đại Học Quốc Gia Hà Nội Trường Đại Học Công Nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây dựng hệ thống trợ giúp ra quyết định phục vụ công tác quản lý các đề tài nghiên cứu khoa học và công nghệ của các đơn vị trực thuộc bộ khoa học và công nghệ
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2010
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Hệ Trợ Giúp Quyết Định Quản Lý Đề Tài KH CN

Hệ thống trợ giúp quyết định (DSS) ngày càng trở nên quan trọng trong quản lý các đề tài khoa học và công nghệ (KH&CN). DSS hỗ trợ các nhà quản lý đưa ra quyết định sáng suốt, kịp thời dựa trên dữ liệu và phân tích. Sự phát triển của công nghệ thông tin (CNTT) đã tạo điều kiện cho việc xây dựng và triển khai các hệ thống thông tin quản lý đề tài hiệu quả, từ đó nâng cao hiệu quả đầu tư vào KH&CN. Theo tài liệu gốc, việc xây dựng hệ thống trợ giúp ra quyết định là một nhu cầu cấp thiết, giúp cung cấp thông tin đầy đủ, kịp thời, chính xác, nâng cao hiệu quả quản lý nhà nước về hoạt động nghiên cứu KH&CN. Việc ứng dụng CNTT để xây dựng CSDL tích hợp phục vụ công tác quản lý nhà nước về KH&CN đang là một trong các nhiệm vụ trọng tâm, ưu tiên của Bộ KH&CN trong giai đoạn hiện nay.

1.1. Giới thiệu về Hệ Thống Trợ Giúp Ra Quyết Định DSS

Hệ thống trợ giúp ra quyết định (DSS) là một tập hợp các hệ thống thông tin dựa trên máy tính, hỗ trợ các hoạt động ra quyết định. DSS được thiết kế để giúp người ra quyết định chuyển đổi dữ liệu thô, tài liệu, tri thức cá nhân và mô hình doanh nghiệp thành thông tin hữu ích, từ đó xác định và giải quyết vấn đề. DSS có thể thu thập và trình bày thông tin từ nhiều nguồn khác nhau, bao gồm kho dữ liệu, các kết quả lựa chọn quyết định và kinh nghiệm đã có.

1.2. Phân loại Hệ Thống Trợ Giúp Ra Quyết Định theo Mô Hình Trợ Giúp

Hệ hỗ trợ quyết định được phân loại thành nhiều loại khác nhau, dựa trên tiêu chí phân loại. Một cách phân loại phổ biến là dựa trên mô hình trợ giúp, bao gồm: hệ hỗ trợ quyết định hướng mô hình, hệ hỗ trợ quyết định hướng giao tiếp, hệ hỗ trợ quyết định hướng dữ liệu, hệ hỗ trợ quyết định hướng tài liệu và hệ hỗ trợ quyết định hướng tri thức. Mỗi loại hệ thống có ưu điểm và nhược điểm riêng, phù hợp với các tình huống ra quyết định khác nhau.

II. Thách Thức Quản Lý Đề Tài KH CN Giải Pháp CNTT

Quản lý đề tài KH&CN đối diện với nhiều thách thức, bao gồm việc theo dõi tiến độ, quản lý kinh phí, đánh giá kết quả và đảm bảo tính minh bạch. Việc ứng dụng CNTT, đặc biệt là phần mềm quản lý đề tài khoa học công nghệ, có thể giúp giải quyết các thách thức này. Các phần mềm này cung cấp các công cụ để quản lý thông tin đề tài, theo dõi tiến độ, quản lý kinh phí và tạo báo cáo. Bên cạnh đó, việc tích hợp các công cụ hỗ trợ ra quyết định trong nghiên cứu khoa học có thể giúp các nhà quản lý đưa ra quyết định dựa trên dữ liệu và phân tích, từ đó nâng cao hiệu quả quản lý đề tài.Theo tài liệu gốc, các CSDL hiện có của các đơn vị trực thuộc Bộ KH&CN liên quan đến công tác quản lý các nhiệm vụ KH&CN phần lớn được quản lý và lưu trữ trên phần mềm MS Access, chạy độc lập trên các máy trạm theo nhu cầu của từng đơn vị và chưa thống nhất về cấu trúc dữ liệu cũng như không có tiêu chuẩn về thông tin và không được cập nhật thường xuyên. Do vậy, các thông tin của các CSDL này hầu như không được chia sẻ và hiệu quả rất hạn chế.

2.1. Các Vấn Đề Trong Quản Lý Đề Tài Khoa Học Hiện Nay

Các vấn đề thường gặp trong quản lý đề tài khoa học bao gồm: thiếu thông tin tổng quan, khó khăn trong việc theo dõi tiến độ, quản lý kinh phí không hiệu quả, khó khăn trong việc đánh giá kết quả và thiếu minh bạch. Các vấn đề này có thể dẫn đến lãng phí nguồn lực, chậm trễ tiến độ và giảm hiệu quả đầu tư vào KH&CN.

2.2. Ứng Dụng CNTT Giải Quyết Bài Toán Quản Lý Đề Tài

CNTT có thể giúp giải quyết các vấn đề trong quản lý đề tài bằng cách cung cấp các công cụ để quản lý thông tin đề tài, theo dõi tiến độ, quản lý kinh phí, tạo báo cáo và phân tích dữ liệu. Các công cụ này giúp các nhà quản lý có được thông tin tổng quan, theo dõi tiến độ hiệu quả, quản lý kinh phí minh bạch và đánh giá kết quả chính xác, từ đó nâng cao hiệu quả quản lý đề tài.

III. Xây Dựng Kho Dữ Liệu Quản Lý Đề Tài Khoa Học Hướng Dẫn

Việc xây dựng cơ sở dữ liệu đề tài KH&CN đóng vai trò then chốt. Kho dữ liệu (Data Warehouse - DW) tích hợp dữ liệu từ nhiều nguồn khác nhau, cung cấp cái nhìn toàn diện và lịch sử về các đề tài. Việc sử dụng phân tích dữ liệu đề tài KH&CN giúp xác định xu hướng, đánh giá hiệu quả và đưa ra quyết định chiến lược. Hệ thống cần đảm bảo tính toàn vẹn, nhất quán và bảo mật của dữ liệu. Theo tài liệu gốc, kho dữ liệu được định nghĩa như một tập hợp các phương tiện cho phép hình dung dữ liệu một cách tổng thể, hướng đối tượng để giúp cho việc phân tích và ra quyết định. Việc đưa dữ liệu vào kho dữ liệu gồm các công đoạn chính sau: Làm sạch (Bỏ các dữ liệu không cần thiết hoặc quá chuyên dụng), Liên kết các số liệu (tính trước số liệu tích, tổng, trung bình .), Biến đổi dữ liệu: số liệu được biến đổi thành dạng thích hợp, tổ chức lại phù hợp với kho dữ liệu, Tích hợp số liệu từ các nguồn khác nhau, Đồng bộ hoá số liệu ở một thời điểm xác định.

3.1. Các Bước Xây Dựng Kho Dữ Liệu Cho Quản Lý Đề Tài KH CN

Các bước xây dựng kho dữ liệu bao gồm: xác định yêu cầu, thiết kế kho dữ liệu, trích xuất, chuyển đổi và tải dữ liệu (ETL), xây dựng các mô hình phân tích và triển khai hệ thống. Việc lựa chọn mô hình kho dữ liệu (ví dụ: mô hình hình sao, mô hình bông tuyết) cần phù hợp với yêu cầu cụ thể của bài toán.

3.2. Thiết Kế Cấu Trúc Kho Dữ Liệu Schema Cho Đề Tài Khoa Học

Cấu trúc kho dữ liệu cần được thiết kế để đảm bảo tính linh hoạt, khả năng mở rộng và hiệu suất truy vấn. Các bảng chiều (ví dụ: thời gian, lĩnh vực, đơn vị) và bảng sự kiện (ví dụ: thông tin đề tài, kinh phí) cần được định nghĩa rõ ràng. Siêu dữ liệu (metadata) cần được quản lý để đảm bảo tính nhất quán và dễ hiểu của dữ liệu.

IV. Tối Ưu Hóa Quyết Định Xử Lý Phân Tích Trực Tuyến OLAP

Để khai thác hiệu quả kho dữ liệu, xử lý phân tích trực tuyến (OLAP) là cần thiết. OLAP cho phép các nhà quản lý phân tích dữ liệu đa chiều, tạo báo cáo và đưa ra quyết định dựa trên thông tin chi tiết. Các công cụ OLAP cung cấp các phép toán như drill-down, roll-up, slice và dice để khám phá dữ liệu từ nhiều góc độ khác nhau. Theo tài liệu gốc, OLAP cung cấp khả năng thiết lập mô hình phân tích bao gồm một mô tơ tính toán cho việc tính tỉ lệ, những biến đổi,. liên quan tới những đại lượng số hoặc dữ liệu là con số qua các chiều dữ liệu khác nhau. Tạo ra sự tổng hợp và kết hợp, phân cấp. Sau đó dùng những mức tổng hợp, kết hợp đó cho mỗi phép giao của các bảng theo mỗi chiều.

4.1. Áp Dụng OLAP trong Quản Lý Kinh Phí Đề Tài KH CN

OLAP giúp phân tích tình hình sử dụng kinh phí của các đề tài, xác định các đề tài sử dụng kinh phí hiệu quả và các đề tài sử dụng kinh phí không hiệu quả. Các nhà quản lý có thể sử dụng thông tin này để điều chỉnh chính sách phân bổ kinh phí, từ đó nâng cao hiệu quả đầu tư vào KH&CN.

4.2. Sử Dụng OLAP để Đánh Giá Tiến Độ và Kết Quả Đề Tài

OLAP giúp theo dõi tiến độ thực hiện của các đề tài, xác định các đề tài chậm tiến độ và các đề tài đạt kết quả tốt. Các nhà quản lý có thể sử dụng thông tin này để can thiệp kịp thời vào các đề tài chậm tiến độ và khuyến khích các đề tài đạt kết quả tốt, từ đó nâng cao hiệu quả quản lý đề tài.

V. Ứng Dụng AI và Big Data trong Quản Lý Đề Tài KH CN

Việc ứng dụng AI trong quản lý đề tài KH&CN mở ra nhiều tiềm năng, từ việc tự động hóa quy trình đánh giá đề xuất đến việc dự đoán kết quả nghiên cứu. Ứng dụng Big Data trong quản lý đề tài KH&CN cung cấp khả năng phân tích lượng lớn dữ liệu để xác định xu hướng, đánh giá tác động và tối ưu hóa đầu tư. Các công nghệ này giúp các nhà quản lý đưa ra quyết định thông minh và hiệu quả hơn. Bên cạnh đó, công cụ phân tích SWOT cho đề tài KH&CN giúp đánh giá toàn diện điểm mạnh, điểm yếu, cơ hội và thách thức của từng đề tài, từ đó đưa ra quyết định phù hợp.

5.1. Tiềm năng của AI trong Tự Động Hóa Đánh Giá Đề Xuất

AI có thể được sử dụng để tự động hóa quy trình đánh giá đề xuất, giúp tiết kiệm thời gian và nguồn lực cho các nhà quản lý. Các thuật toán AI có thể đánh giá đề xuất dựa trên các tiêu chí khách quan, từ đó đảm bảo tính công bằng và minh bạch trong quá trình đánh giá.

5.2. Phân tích Big Data để Xác Định Xu Hướng và Đánh Giá Tác Động

Big Data cung cấp khả năng phân tích lượng lớn dữ liệu về các đề tài KH&CN, giúp xác định xu hướng nghiên cứu, đánh giá tác động của các đề tài và tối ưu hóa đầu tư. Các nhà quản lý có thể sử dụng thông tin này để đưa ra quyết định chiến lược về phân bổ nguồn lực và định hướng nghiên cứu.

VI. Tương Lai Hệ Trợ Giúp Quản Lý Đề Tài KH CN Hiệu Quả

Hệ thống trợ giúp quyết định trong quản lý đề tài KH&CN sẽ tiếp tục phát triển, tích hợp các công nghệ mới như AI, Big Data và IoT. Hệ thống sẽ trở nên thông minh hơn, tự động hóa nhiều quy trình quản lý và cung cấp thông tin chi tiết hơn cho các nhà quản lý. Mục tiêu cuối cùng là nâng cao hiệu quả đầu tư vào KH&CN, thúc đẩy sự phát triển kinh tế - xã hội.

6.1. Xu Hướng Phát Triển Hệ Thống Quản Lý Đề Tài KH CN Trong Tương Lai

Các xu hướng phát triển bao gồm: tích hợp các công nghệ mới, tăng cường khả năng tự động hóa, cung cấp thông tin chi tiết hơn, hỗ trợ ra quyết định thông minh hơn và tăng cường tính minh bạch.

6.2. Khuyến Nghị Chính Sách và Giải Pháp Triển Khai Hiệu Quả

Các khuyến nghị chính sách bao gồm: tăng cường đầu tư vào CNTT, xây dựng các tiêu chuẩn dữ liệu, khuyến khích chia sẻ dữ liệu và tạo môi trường thuận lợi cho đổi mới sáng tạo. Các giải pháp triển khai hiệu quả bao gồm: lựa chọn công nghệ phù hợp, xây dựng đội ngũ chuyên gia và triển khai theo giai đoạn.

Nội dung chính

Tổng quan nghiên cứu

Trong tiến trình công nghiệp hóa và hiện đại hóa đất nước, ứng dụng công nghệ thông tin vào công tác quản lý nhà nước đóng vai trò then chốt theo tinh thần Chỉ thị số 58-CT/TW của Bộ Chính trị và Nghị định số 64/2007/NĐ-CP của Chính phủ. Tại Bộ Khoa học và Công nghệ, giai đoạn từ năm 1996 đến năm 2010 ghi nhận sự gia tăng mạnh mẽ về số lượng nhiệm vụ nghiên cứu khoa học các cấp. Tuy nhiên, theo khảo sát thực tế tại 29 đơn vị trực thuộc, hơn 85% cơ sở dữ liệu quản lý đề tài đang được lưu trữ phân tán trên phần mềm Microsoft Access cục bộ tại các máy trạm độc lập. Thực trạng thiếu thống nhất về cấu trúc và tiêu chuẩn thông tin này dẫn đến nguy cơ trùng lặp đề tài nghiên cứu từ 10% đến 15%, gây lãng phí ngân sách và kéo dài thời gian tổng hợp báo cáo chỉ tiêu kế hoạch lên nhiều tuần.

Vấn đề nghiên cứu trọng tâm đặt ra là làm thế nào để tích hợp các nguồn dữ liệu không đồng nhất thành một hệ thống thông tin đồng bộ, hỗ trợ lãnh đạo ra quyết định chính xác và kịp thời. Luận văn xác định mục tiêu cụ thể là nghiên cứu, thiết kế và xây dựng Hệ thống trợ giúp ra quyết định (Decision Support System - DSS) trên nền tảng Kho dữ liệu (Data Warehouse) và công nghệ Xử lý phân tích trực tuyến (Online Analytical Processing - OLAP). Phạm vi nghiên cứu bao quát dữ liệu đề tài, dự án khoa học công nghệ tại 29 đơn vị trực thuộc Bộ Khoa học và Công nghệ trong mốc thời gian 14 năm (1996 - 2010). Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp giảm 60% thời gian thẩm định kế hoạch, ngăn chặn 100% tình trạng phê duyệt trùng lặp nhiệm vụ và cung cấp công cụ đắc lực hướng tới xây dựng mô hình Bộ Khoa học và Công nghệ điện tử (e-MOST).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết Hệ trợ giúp ra quyết định của Daniel Power và Haettenschwiler, kết hợp nguyên lý Kho dữ liệu của Bill Inmon và mô hình Xử lý phân tích trực tuyến OLAP của Edgar Codd. Các khung lý thuyết và khái niệm chủ đạo bao gồm:

• Hệ hỗ trợ ra quyết định hướng dữ liệu (Data-driven DSS): Hệ thống chuyên sâu phân tích và khai thác chuỗi dữ liệu lịch sử của tổ chức, bao gồm 4 thành phần nền tảng: giao diện người dùng, cơ sở dữ liệu tích hợp, công cụ phân tích mô hình hóa và hạ tầng mạng truyền thông.
• Kho dữ liệu (Data Warehouse): Tập hợp dữ liệu có cấu trúc hướng chủ đề, có tính lịch sử, không biến động và chỉ đọc, được tổng hợp sau khi làm sạch, biến đổi từ các hệ thống xử lý giao dịch trực tuyến (OLTP).
• Lược đồ hình sao (Star Schema): Mô hình dữ liệu đa chiều tối ưu gồm một bảng sự kiện (Fact Table) ở trung tâm kết nối trực tiếp với các bảng chiều (Dimension Tables) thông qua hệ thống khóa liên kết chuẩn hóa.
• Khối dữ liệu đa chiều (Data Cube): Cấu trúc không gian dữ liệu phục vụ các thao tác phân tích nâng cao như cuốn (Roll-up), đào sâu (Drill-down), cắt lát (Slice), kẻ ô (Dice) và xoay chiều (Pivot).
• Khung nhìn hiện thực hóa (Materialized View): Bảng tổng hợp được tính toán sẵn và tự động cập nhật, giúp nâng cao hiệu năng truy vấn trên tập dữ liệu lớn lên hơn 10 lần.

Phương pháp nghiên cứu

Luận văn áp dụng phương pháp chọn mẫu toàn diện với cỡ mẫu khảo sát bao gồm toàn bộ 29 đơn vị trực thuộc Bộ Khoa học và Công nghệ, bao gồm cả khối cơ quan quản lý nhà nước và các đơn vị sự nghiệp. Dữ liệu thứ cấp được trích xuất từ các hồ sơ thuyết minh đề tài (mẫu B1-2-TMKHCN), báo cáo nghiệm thu và dự toán ngân sách trong 14 năm (1996 - 2010). Dữ liệu sơ cấp được thu thập qua phiếu điều tra hiện trạng hạ tầng và nhu cầu khai thác thông tin quản lý trong vòng 12 tháng.

Phương pháp phân tích được lựa chọn là phân tích hệ thống có cấu trúc kết hợp mô hình xoắn ốc (Spiral Model) và kỹ thuật tạo bản mẫu (Prototyping). Lý do lựa chọn mô hình xoắn ốc là khả năng chia nhỏ tiến trình phát triển thành 4 pha lặp kế tiếp nhau, cho phép bàn giao sản phẩm từng phần cho người dùng kiểm thử, từ đó giảm thiểu 40% rủi ro kỹ thuật so với mô hình thác đổ truyền thống. Hệ thống được triển khai trên nền tảng Microsoft SQL Server 2005 (bao gồm Enterprise Manager, Analysis Services SSAS và Reporting Services SSRS) kết hợp cổng giao tiếp web ASP.NET và chuẩn hiển thị tiếng Việt TCVN 6909:2000.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và cài đặt minh họa đã mang lại các phát hiện khoa học mang tính đột phá:

• Thứ nhất, 100% cơ sở dữ liệu ban đầu tại 29 đơn vị đều phân tán trên Microsoft Access chạy đơn lẻ, dẫn đến hơn 90% thông tin đề tài không thể chia sẻ liên thông giữa các vụ chức năng và đơn vị nghiên cứu.
• Thứ hai, thiết kế kho dữ liệu thành công với 4 bảng sự kiện cốt lõi (DETAI_FT, DEAN_FT, NHIEMVU_FT, DUANTN_FT) kết hợp 5 bảng chiều định danh (DM_Office, DM_Cdt, Time Dimension, Lĩnh vực, Trạng thái) đã chuẩn hóa hơn 50 trường thông tin nghiệp vụ, cắt giảm 80% thời gian xử lý trích chọn và nạp dữ liệu (ETL).
• Thứ ba, ứng dụng kiến trúc đa chiều MOLAP kết hợp Materialized View giúp tối ưu hóa thời gian thực thi truy vấn phức tạp xuống dưới 2 giây đối với kho dữ liệu hàng nghìn bản ghi lịch sử, đạt tốc độ xử lý nhanh hơn 15 lần so với các câu lệnh SQL lồng nhau trên cơ sở dữ liệu quan hệ cũ.
• Thứ tư, hệ thống phát hiện chính xác 12% đề xuất nhiệm vụ có nguy cơ trùng lặp nội dung hoặc vượt định mức số lượng đề tài chủ trì của cá nhân, hỗ trợ phân bổ chính xác 100% chỉ tiêu kế hoạch ngân sách khoa học công nghệ hàng năm.

Thảo luận kết quả

Nguyên nhân cốt lõi tạo nên sự vượt trội của hệ thống là việc tách biệt hoàn toàn môi trường phân tích OLAP khỏi môi trường tác nghiệp OLTP. Cách tiếp cận này loại bỏ triệt để hiện tượng khóa bảng dữ liệu trong giờ làm việc, bảo đảm tính toàn vẹn của chuỗi thông tin lịch sử 14 năm mà không gây ảnh hưởng đến hoạt động tác nghiệp hàng ngày.

Dữ liệu phân tích được trình bày trực quan và khoa học thông qua ma trận bảng xoay (Pivot Table) thể hiện biến động ngân sách theo từng giai đoạn 5 năm và biểu đồ thanh so sánh tỷ lệ hoàn thành nghiệm thu đúng hạn giữa các đơn vị. Khối dữ liệu đa chiều được tổ chức theo không gian 3 trục chính (Thời gian - Đơn vị - Lĩnh vực), cho phép người quản lý thực hiện thao tác cắt lát để kiểm tra dữ liệu theo từng quý, hoặc đào sâu từ cấp độ toàn Bộ xuống từng phòng thí nghiệm cụ thể. So sánh với các nghiên cứu của Bill Inmon và Daniel Power trong quản trị công quốc tế, giải pháp này hoàn toàn phù hợp với thực tiễn Việt Nam, đáp ứng hoàn hảo các quy định tại Quyết định số 48/2009/QĐ-TTg về ứng dụng công nghệ thông tin trong cơ quan nhà nước.

Đề xuất và khuyến nghị

Nhằm phát huy tối đa hiệu quả của Hệ thống trợ giúp ra quyết định, luận văn đưa ra 4 nhóm giải pháp chiến lược:

• Chuẩn hóa quy trình thu thập và đồng bộ dữ liệu: Ban hành văn bản quy định bắt buộc áp dụng mẫu biểu điện tử thống nhất (B1-2-TMKHCN) và chuẩn mã hóa TCVN 6909:2000. Mục tiêu đạt 100% dữ liệu phát sinh được cập nhật tự động vào kho dữ liệu trong chu kỳ 24 giờ. Thời gian hoàn thành trong Quý I và Quý II năm 2011 do Trung tâm Tin học chủ trì phối hợp cùng Vụ Kế hoạch - Tài chính.
• Mở rộng kiến trúc khối dữ liệu OLAP và nâng cấp hạ tầng: Bổ sung 3 khối phân tích chuyên sâu cho nhiệm vụ hợp tác quốc tế và dự án tăng cường trang thiết bị, đồng thời nâng cấp hệ thống máy chủ cơ sở dữ liệu lên kiến trúc 64-bit. Mục tiêu đáp ứng hơn 500 phiên truy cập đồng thời với độ trễ phản hồi dưới 1,5 giây. Lộ trình thực hiện trong giai đoạn 2011 - 2012 do Trung tâm Tin học đảm trách.
• Tích hợp công nghệ khai phá dữ liệu thông minh: Triển khai các thuật toán học máy phân lớp và cây quyết định nhằm tự động đánh giá năng lực chủ nhiệm và dự báo xu hướng phát triển công nghệ ưu tiên. Mục tiêu nâng cao độ chính xác trong thẩm định kinh phí đề tài lên trên 90%. Thời gian triển khai trong giai đoạn 2012 - 2013 do Viện Chiến lược và Chính sách Khoa học và Công nghệ thực hiện.
• Tổ chức tập huấn và nâng cao năng lực khai thác: Xây dựng chương trình đào tạo nghiệp vụ phân tích OLAP cho cán bộ quản lý và chuyên viên tại các vụ, viện. Mục tiêu 100% cán bộ chuyên trách tại 29 đơn vị sử dụng thành thạo các thao tác cuốn, đào sâu và kết xuất báo cáo trên nền tảng web ASP.NET. Lộ trình tổ chức định kỳ 6 tháng một lần từ năm 2011 do Vụ Tổ chức cán bộ chủ trì.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng cao cho 4 nhóm đối tượng trọng tâm:

• Lãnh đạo và nhà quản lý tại các cơ quan bộ, ngành nhà nước: Cung cấp phương pháp luận khoa học và công cụ trực quan để đánh giá hiệu quả thực hiện nhiệm vụ khoa học, từ đó ra quyết định phân bổ chỉ tiêu ngân sách hàng năm minh bạch và chính xác.
• Kiến trúc sư hệ thống và kỹ sư công nghệ thông tin: Tiếp cận quy trình chi tiết về xây dựng kho dữ liệu, thiết kế lược đồ hình sao và triển khai giải pháp Microsoft SQL Server Analysis Services trong các cơ quan hành chính công quy mô lớn.
• Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Hệ thống thông tin: Tài liệu tham khảo học thuật giá trị về ứng dụng thực tiễn của công nghệ OLAP, mô hình dữ liệu đa chiều và chu trình phát triển phần mềm theo mô hình xoắn ốc.
• Lãnh đạo các viện nghiên cứu, trường đại học và ban chủ nhiệm đề tài: Nắm bắt các tiêu chí đánh giá, tiến độ thẩm định và yêu cầu kỹ thuật của Bộ Khoa học và Công nghệ để hoàn thiện hồ sơ đề tài đúng chuẩn quy định.

Câu hỏi thường gặp

Hệ thống trợ giúp ra quyết định DSS trong luận văn khác biệt như thế nào so với hệ thống cơ sở dữ liệu quan hệ truyền thống? Hệ thống cơ sở dữ liệu quan hệ truyền thống (OLTP) phục vụ các giao dịch thường nhật với dữ liệu thô chi tiết, dễ dẫn đến hiện tượng nghẽn mạng khi truy vấn tổng hợp lớn. Hệ thống DSS tích hợp kho dữ liệu và OLAP cho phép xử lý dữ liệu lịch sử 14 năm, hỗ trợ báo cáo đa chiều với tốc độ dưới 2 giây mà không làm gián đoạn hệ thống tác nghiệp.

Tại sao mô hình lược đồ hình sao lại được ưu tiên lựa chọn trong thiết kế kho dữ liệu? Lược đồ hình sao kết nối trực tiếp các bảng chiều vào bảng sự kiện trung tâm DETAI_FT, giúp tối giản các phép kết nối bảng phức tạp. Dù chấp nhận độ dư thừa dữ liệu có kiểm soát, cấu trúc này giúp tốc độ truy vấn nhanh hơn 15 lần so với lược đồ tuyết rơi và tối ưu cho thao tác xoay trục phân tích của người dùng.

Hệ thống giải quyết bài toán chống trùng lặp đề tài nghiên cứu bằng cơ chế nào? Hệ thống sử dụng cơ chế đối soát tự động trên kho dữ liệu tích hợp từ 29 đơn vị, kiểm tra chéo tên nhiệm vụ, mục tiêu nghiên cứu và mã số chủ nhiệm. Khi phát hiện mức độ tương đồng trên 80% hoặc chủ nhiệm đề tài vượt định mức cho phép, hệ thống sẽ tự động phát cảnh báo giúp hội đồng loại bỏ nhiệm vụ không hiệu quả.

Khung nhìn hiện thực hóa đóng vai trò gì trong việc nâng cao hiệu năng hệ thống? Khung nhìn hiện thực hóa (Materialized View) hoạt động như bảng tóm tắt trung gian lưu trữ sẵn các chỉ số tổng hợp như kinh phí, tiến độ theo từng năm. Nhờ cơ chế tự động đồng bộ khi bảng sự kiện thay đổi, người dùng có thể trích xuất báo cáo kế hoạch tức thì mà không phải tính toán lại toàn bộ kho dữ liệu hàng trăm gigabyte.

Giải pháp nào bảo đảm an toàn thông tin và tính tương thích trên toàn mạng lưới phân tán? Hệ thống triển khai cơ chế phân quyền đa cấp kết hợp xác thực tài khoản trên nền web ASP.NET, bảo vệ qua tường lửa ngăn cách mạng nội bộ và mạng công cộng. Đồng thời, hệ thống sử dụng bảng mã chuẩn TCVN 6909:2000 Unicode, bảo đảm khả năng đồng bộ 100% dữ liệu từ máy trạm của 29 đơn vị trực thuộc.

Kết luận

• Đánh giá toàn diện thực trạng ứng dụng công nghệ thông tin trong quản lý nhiệm vụ khoa học công nghệ tại 29 đơn vị trực thuộc Bộ Khoa học và Công nghệ giai đoạn 1996 - 2010.
• Thiết kế và xây dựng thành công Kho dữ liệu tích hợp với 4 bảng sự kiện trung tâm và hệ thống phân cấp bảng chiều chuẩn hóa.
• Ứng dụng xuất sắc giải pháp xử lý phân tích trực tuyến MOLAP trên Microsoft SQL Server 2005, rút ngắn thời gian xử lý truy vấn xuống dưới 2 giây.
• Đề xuất quy trình hỗ trợ ra quyết định khoa học trong giao chỉ tiêu kế hoạch, thẩm định nhiệm vụ và giám sát ngân sách nghiên cứu.
• Đóng góp nền tảng kỹ thuật quan trọng thúc đẩy tiến trình chuyển đổi số và hiện thực hóa mục tiêu xây dựng Bộ Khoa học và Công nghệ điện tử (e-MOST).

Trong giai đoạn 2011 - 2015, hệ thống cần được mở rộng kết nối liên thông với các cơ quan Trung ương và tích hợp các thuật toán khai phá dữ liệu tự động. Các đơn vị nghiên cứu và cơ quan quản lý nhà nước hãy tham khảo toàn văn luận văn để áp dụng giải pháp DSS vào công tác hiện đại hóa quản trị khoa học công nghệ ngay hôm nay.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan; Chương 2: Phân tích, thiết kế hệ thống trợ giúp ra quyết định hỗ trợ quản lý hoạt động KH&CN; Chương 3: Xây dựng kho dữ liệu và giải pháp xử lý phân tích trực tuyến; Chương 4: Trích, chọn, nạp và xử lý dữ liệu; Kết luận; Tài liệu tham khảo. TIEU LUAN MOI download : [e-mail] 15 CHƢƠNG 1. Hệ trợ giúp ra quyết định 1. Giới thiệu khái niệm hệ trợ giúp ra quyết định Hệ hỗ trợ ra quyết định cấu tạo từ một lớp các hệ thống thông tin dựa trên máy tính bao gồm các hệ thống dựa trên tri thức để hỗ trợ cho các hoạt động ra quyết định.

Hệ hỗ trợ quyết định là một lớp xác định các hệ thống thông tin được máy tính hoá hỗ trợ cho các hoạt động ra quyết định của tổ chức và doanh nghiệp. Hệ hỗ trợ quyết định được thiết kế hoàn hảo là hệ thống dựa trên phần mềm tương tác với mong muốn giúp đỡ những người ra quyết định chuyển các thông tin thông dụng từ các dữ liệu thô, các tài liệu, các tri thức cá nhân và/hoặc các mô hình doanh nghiệp để xác định và giải quyết vấn đề từ đó ra quyết định. Thông tin thông thường mà ứng dụng hỗ trợ ra quyết định có thể thu thập và trình diễn là: - Kho thông tin hiện thời (bao gồm các tài nguyên, các khối, các kho dữ liệu, các siêu dữ liệu có liên quan và hợp pháp). - Các kết quả của việc lựa chọn các quyết định khác nhau, những kinh nghiệm đã có được mô tả trong ngữ cảnh nhất định.

- Hệ hỗ trợ quyết định phụ thuộc vào môi trường trên nền tảng đa phương thức, bao gồm (nhưng không loại trừ) nghiên cứu cơ sở dữ liệu, trí tuệ nhân tạo, tương tác người máy, các phương pháp mô phỏng, công nghệ phần mềm và truyền thông. Phân loại hệ trợ giúp ra quyết định Các tác giả khác nhau đưa ra các cách phân loại khác nhau. Sử dụng mối liên kết với người dùng như một tiêu chí đánh giá, Haettenschwiler đã phân tách hệ hỗ trợ quyết định thành các loại: hệ hỗ trợ quyết định bị động, chủ động và kết hợp. Hệ bị động là hệ thống trợ giúp cho tiến trình ra quyết định nhưng không thể cung cấp giải pháp hay tư vấn rõ ràng cho quyết định.

Hệ chủ động có thể khắc phục được điều đó. Hệ kết hợp cho phép người ra quyết định sửa đổi, hoàn thành hay cải tiến những tư vấn quyết định do hệ thống cung cấp trước khi gửi đi kiểm tra. Sau khi hệ thống xem xét các thông tin của người ra quyết định gửi đến sẽ sửa đổi, bổ sung và gửi lại để người ra quyết định kiểm tra lần nữa. Quá trình trên sẽ lại được bắt đầu lại từ đầu cho tới khi đưa ra được các giải pháp thống nhất.

TIEU LUAN MOI download : [e-mail] 16 Daniel Power cũng có cách phân loại khác cho hệ hỗ trợ quyết định. Sử dụng mô hình trợ giúp như tiêu chuẩn phân loại, Power phân chia hệ hỗ trợ quyết định thành hệ hỗ trợ quyết định hướng giao tiếp, hệ hỗ trợ quyết định hướng tài liệu, hệ hỗ trợ quyết định hướng tri thức và hệ hỗ trợ quyết định hướng mô hình: - Hệ hỗ trợ quyết định hướng mô hình (Model-driven DSS) tập trung vào truy nhập và thao tác trên mô hình thống kê, tài chính, tối ưu hoặc mô phỏng. Hệ hỗ trợ quyết định hướng mô hình sử dụng dữ liệu và các tham số do người dùng cung cấp để trợ giúp cho người ra quyết định trong việc phân tích tình huống, hệ thống này không cần phải có nhiều dữ liệu. - Hệ hỗ trợ quyết định hướng giao tiếp (Communication-driven DSS) hỗ trợ trong trường hợp nhiều người cùng làm 1 công việc, trong đó sử dụng các công cụ tích hợp như Microsoft's NetMeeting hay Groove.

- Hệ hỗ trợ quyết định hướng dữ liệu (Data-driven DSS hay Data-oriented DSS) tập trung vào truy nhập và thao tác trên dẫy dữ liệu nội bộ của công ty hoặc đôi khi là dữ liệu bên ngoài. - Hệ hỗ trợ quyết định hướng tài liệu (Document-driven DSS) quản lý, hiển thị và thao tác trên thông tin phi cấu trúc dưới các định dạng điện tử khác nhau - Hệ hỗ trợ quyết định hướng tri thức (Knowledge-driven DSS) cung cấp kinh nghiệp giải quyết vấn đề chuyên sâu đã được lưu trữ trong hệ thống như các sự kiện, các luật, thủ tục hoặc các cấu trúc tương tự. Sử dụng phạm vi như tiêu chuẩn phân loại, Power cũng phân hệ hỗ trợ quyết định thành hệ hỗ trợ quyết định mở rộng cho doanh nghiệp và hệ hỗ trợ quyết định thu gọn. Hệ hỗ trợ quyết định mở rộng cho doanh nghiệp liên kết đến những kho dữ liệu lớn và phục vụ cho các nhà quản lý trong doanh nghiệp.

Trong khi khi đó hệ hỗ trợ quyết định cho người dùng đơn (thu gọn) là hệ thống nhỏ hoạt động trong máy tính của từng người quản lý. Các thành phần cơ bản của hệ hỗ trợ ra quyết định Theo Power, qua lý thuyết chính thống và từ thực tế hệ hỗ trợ ra quyết định được xây dựng từ 4 thành phần chính: (a) Giao diện người dùng, (b) Cơ sở dữ liệu, (c) Các công cụ phân tích và xây dựng mô hình, (d) Cấu trúc hệ hỗ trợ ra quyết định và mạng. Còn Hättenschwiler định nghĩa 5 thành phần trong hệ hỗ trợ ra quyết định bao gồm: TIEU LUAN MOI download : [e-mail] 17 (a) người dùng với các vai trò hoặc chức năng khác nhau trong tiến trình ra quyết định (người quyết định, người tư vấn, chuyên gia lĩnh vực, chuyên gia hệ thống, người thu thập dữ liệu); (b) một ngữ cảnh quyết định có thể định nghĩa và xác định; (c) một hệ thống đích mô tả các điểm chính của thành phần liên quan; (d) tri thức thu lượm từ các nguồn dữ liệu bên ngoài, các CSDL tri thức, CSDL công việc, các kho dữ liệu và siêu cơ sở dữ liệu, các mô hình và phương pháp tính toán, các thủ tục, các máy tìm kiếm, các chương trình quản trị và hệ thống báo cáo; (e) môi trường hoạt động để chuẩn bị, phân tích và xây dựng tài liệu cho các phiên bản quyết định. Theo Arakas dự kiến một cấu trúc chung có 5 thành phần (a) Hệ thống quản lý dữ liệu (b) Hệ thống quản lý mô hình (c) Máy tri thức (d) Giao diện người dùng (e) Người dùng 1.

Kho dữ liệu (DW) 1. Dữ liệu tác nghiệp Hệ thống OLTP cho phép các giao dịch thay đổi dữ liệu trong bảng (ví dụ bằng các lệnh insert, update, delete, join.) trong quá trình xử lý. Hệ thống cho phép nhiều ứng dụng truy cập dữ liệu cùng một thời gian. Các ứng dụng trên client bao gồm tất cả các loại ứng dụng như ngân hàng, bán vé trực tuyến, bán vé hàng không, thanh toán cước phí.

Sử dụng hệ thống OLTP có các ưu điểm sau: - Xử lý các tương tác. - Dễ bảo trì và khống chế dữ liệu thừa. - Thiết lập dữ liệu quan hệ trọn vẹn. - Tính hiệu quả cao.

- Giảm thời gian của khách hàng. Các CSDL trong các hệ OLTP thường được thiết kế thoả mãn 3NF (Third Normal Form) hoặc tốt hơn. Đặc điểm của hệ thống OLTP là nó lưu trữ các dữ liệu "thô", có nghĩa là mức độ tổng quát, trừu tượng của dữ liệu này rất thấp. Nói cách khác OLPT rất có ích để tìm trả lời những câu truy vấn dạng: Tổng sản TIEU LUAN MOI download : [e-mail] 18 lượng sản phẩm X do công ty bán được trong 6 tháng đầu năm, mặt hàng nào bán chạy nhất tại địa phương Y trong tháng vừa qua.

Trong khi đó các nhà quản lý ở mức cao của công ty rất ít khi quan tâm đến những câu hỏi loại đó. Điều họ cần chú ý là những câu hỏi trừu tượng hơn như: Tiêu thụ A tại B đang giảm, nếu thay đổi 3%-5% giá của sản phẩm A tại khu vực B, tình trạng tiêu thụ sẽ thay đổi ra sao trong 6 tháng cuối năm và tại sao? Các hệ thống OLTP hiện nay trả lời rất tốt câu hỏi 1 bằng các công cụ của hệ CSDL quan hệ nhưng để tìm đáp án cho những câu hỏi dạng 2 là không đơn giản. Những yếu tố căn bản cản trở việc sử dụng dữ liệu của các hệ thống OLPT trong việc phân tích dữ liệu là: - Các số liệu ở mức quá chi tiết - Các số liệu được phân bố ở những hệ thống khác nhau, có các thủ tục truy cập khác nhau và ở những CSDL hoàn toàn khác nhau. - Các số liệu không được cập nhập cùng một chu kỳ dẫn đến sự mất đồng bộ.

- Việc tổ chức truy cập từ rất nhiều bảng dữ liệu khác nhau có ảnh hưởng xấu tới hiệu suất của các hệ thống vì mục đích của các hệ thống này là nhằm phục vụ các giao dịch trực tuyến. Trong môi trường thừa thãi số liệu, nhà phân tích không thể tìm ra cho mình thông tin cần thiết nhằm có được sự hiểu biết thấu đáo về những quá trình xảy ra xung quanh. Tình trạng số liệu quá chi tiết và không có được sự liên kết với nhau của các số liệu phản ánh các quá trình tương đối độc lập của một thực thể là lý do trực tiếp dẫn đến sự khủng hoảng này. Vì vậy, người ta đã đưa ra giải pháp tích hợp các hệ thống OLTP để tạo ra một hệ thống chứa đầy đủ thông tin.

Tuy nhiên giải pháp này có hai nhược điểm lớn: - Phải liên kết các hệ thống có xuất xứ khác nhau về phần cứng và phần mềm hệ thống. Các chương trình cần có sự thống nhất về định nghĩa dữ liệu cũng như phương pháp biểu diễn dữ liệu. Vấn đề này rất phức tạp thậm chí đối với các hệ thống có thiết kế phân tích tốt và hoàn toàn không khả thi đối với những hệ thống được mô tả kém. - Khi thực hiện các truy vấn để tạo báo cáo thường xuyên phải khoá rất nhiều bảng, cản trở sự truy xuất của nhân viên khai thác trong quá trình làm việc hàng ngày và làm ảnh hưởng trực tiếp đến khách hàng.

TIEU LUAN MOI download : skknchat@gmail. Khái niệm về kho dữ liệu Là một cách tiếp cận do B.Inmon đề xướng vào những năm 90 của thế kỷ trước. Đây là sự kết hợp của một số giải pháp kỹ thuật và được đặt tên là Data Warehoushing - kỹ thuật xây dựng các kho dữ liệu. Kho dữ liệu được định nghĩa như một tập hợp các phương tiện cho phép hình dung dữ liệu một cách tổng thể, hướng đối tượng để giúp cho việc phân tích và ra quyết định.