1. Wstêp
Proces kierowania, jako uk³ad wzajemnie od siebie zale¿-nych funkcji: planowania, organizowania, przewodzenia i kontroli, jest zale¿ny od ci¹g³ego dop³ywu informacji o organizacji i jej otoczeniu. Podstawowym ród³em infor-macji rachunkowej i zarz¹dczej w organizacji s¹ systemy informatyczne zarz¹dzania (SIZ). Rola SIZ we wspomaga-niu zarz¹dzania organizacj¹ zdeterminowana jest stopniem rozwoju SIZ [9].
Okrelenie stopnia rozwoju SIZ organizacji mo¿na prze-prowadziæ na podstawie diagnozy z u¿yciem odpowiednich narzêdzi badawczych. Identyfikacja stopnia rozwoju SIZ na podstawie diagnozy daje wiedzê o stanie obecnym oraz pomaga podejmowaæ racjonalne decyzje dotycz¹ce zmian sprzyjaj¹cych rozwojowi organizacji. Przyjecie uniwersal-nej miary okrelaj¹cej stopieñ rozwoju SIZ, daje mo¿li-woæ porównywania systemów w ró¿nych organizacjach, co wspomaga proces benchmarkingu.
Budowa narzêdzia do zdiagnozowania stanu rozwoju SIZ mo¿e zostaæ zrealizowana w nastêpuj¹cym cyklu dzia³ania: budowa modelu diagnostycznego rozwoju SIZ,
opracowanie instrumentu pomiarowego do przeprowa-dzenia diagnozy,
sformu³owanie metody analizy wyników pomiaru umo¿liwiaj¹cej identyfikacjê stopnia rozwoju SIZ. 2. Model rozwoju SIZ
Dla objanienia procesu absorpcji technologii informatycz-nych (IT) w organizacjach, Richard L. Nolan zaproponowa³ model fazowy wzrostu [6, 10, 11, 12], w którym wyró¿ni³ fazy rozwoju technologii informatycznych charaktery-styczne dla zarz¹dzania systemami informatycznymi oraz relacjami miêdzy IT a pozosta³ymi funkcjami organizacji. W zmodyfikowanym modelu Nolana, uwzglêdniaj¹cym aktualny stan technologii informatycznych, wyró¿nia siê nastêpuj¹ce fazy:
Faza I Inicjacja (Initiation),
Faza II Rozpowszechnianie (Contagion), Faza III Kontrola (Control),
Faza IV Integracja (Integration),
Faza V Architektura danych (Architecture), Faza VI Odmasowienie (Demassing), Faza VII Usieciowienie (Network).
Stopieñ rozwoju SIZ mo¿na okreliæ w sposób dyskretny, poprzez przypisanie do odpowiedniej fazy rozwoju, na podstawie analizy zgodnoci w³asnoci badanego obiektu z wzorcowymi w³asnociami charakterystycznymi dla ka¿-dej z faz, przy czym faza o numerze wy¿szym odpowiada wy¿szemu stopniowi rozwoju. Skala dyskretna jest niezbyt dogodna w procesie pomiaru, lepsza wydaje siê byæ skala
ci¹g³a. Mo¿na to uzyskaæ przez wprowadzenie wskanika rozwoju SIZ stanowi¹cego miarê ci¹g³¹, na której mo¿na wskazaæ przedzia³y zgodne z siedmioma fazami wynikaj¹-cymi z koncepcji Nolana.
3. Instrument pomiarowy
Identyfikacja fazy rozwoju SIZ organizacji przeprowadza-na jest przeprowadza-na podstawie danych empirycznych, dotycz¹cych badanych organizacji, pozyskiwanych za porednictwem odpowiednio dobranych instrumentów pomiarowych. S¹ to badania typu ankietowego, przeprowadzane metod¹ list kontrolnych. W tym celu wykorzystywany jest kwestiona-riusz ankietowy, w którym pytania szczegó³owe do pomia-ru stopnia obserwowalnoci poszczególnych w³asnoci s¹ zbudowane na podstawie przyjêtych w modelu kryteriów identyfikacji poszczególnych etapów rozwoju. Pytania po-winny umo¿liwiaæ wyznaczenie wartoci wskanika rozwo-ju SIZ, co pozwoli wskazaæ odpowiedni¹ fazê. W tabeli 1 przedstawiono przyk³adow¹ listê kontroln¹ zbudowan¹ w oparciu o kryterium roli, jak¹ spe³niaj¹ SIZ w zarz¹dza-niu organizacj¹. Lista jest elementem formularza badaw-czego, który pozwala okreliæ 17 cech badanego systemu. Cechy te po³¹czono w grupy powi¹zane z fazami rozwoju. Podczas wype³niania formularza nale¿y okreliæ, w jakim stopniu przedstawione stwierdzenia charakteryzuj¹ wyko-rzystanie systemów informatycznych w zarz¹dzaniu przed-siêbiorstwem (np. w skali piêciostopniowej).
Zbiór danych, stanowi¹cy wyniki pomiaru dla listy kontro-lnej, mo¿na przedstawiæ jako tablicê (macierz o wymiarach 17 ´ 7), w której wierszom przypisane s¹ wyniki pomiaru stopnia wystêpowania w³asnoci SIZ, natomiast kolumny reprezentuj¹ poszczególne fazy rozwoju SIZ (tab. 2). Pierwotne dane pozyskane z badañ s¹ to wartoci nume-ryczne elementów ai,j (w liczbie 17 z odpowiednimi indek-sami i oraz j), odpowiadaj¹ce w³asnociom (cechom) cha-rakterystycznym dla poszczególnych faz rozwoju. Elemen-ty bm,n (z odpowiednimi wartociami indeksów m oraz n) stanowi¹ dane wtórne, wyznaczane jako funkcja danych pierwotnych ai,j. Pozosta³a czêæ tablicy nie zawiera danych wykorzystywanych w analizie, co jest równoznaczne z zero-wymi wartociami elementów. W praktycznych dzia³aniach dopuszczalne wartoci elementów ai,j zale¿¹ od skali zasto-sowanej w formularzu ankiety, czego przyk³ady przedsta-wiono w tabeli 3.
Wartoci elementów bm,n okrelaj¹ udzia³ cech SIZ ni¿szej fazy w systemie informacyjnym fazy wy¿szej. Wynika to z ewolucyjnego charakteru modelu rozwoju SIZ, co uza-sadnia tezê o wspó³istnieniu w badanym obiekcie w³asno-ci charakterystycznych dla ró¿nych faz rozwoju.
Przyjêto, ¿e elementy b s¹ obliczane jako iloczyn elementu a, le¿¹cego w tym samym wierszu, i wspó³czynnika g,
S³awomir LUCIÑSKI, Wac³aw GIERULSKI
IDENTYFIKACJA STOPNIA ROZWOJU SYSTEMÓW
INFORMATYCZNYCH ZARZ¥DZANIA
bêd¹cego funkcj¹ wszystkich elementów a le¿¹cych w tej samej kolumnie, co element b. Funkcja okrelaj¹ca wspó³czynnik g powinna spe³niaæ nastêpuj¹ce warunki: dla wartoci równej 0 wszystkich elementów a w
ko-lumnie wspó³czynnik g przyjmuje wartoæ 0,
dla wartoci równej 1 wszystkich elementów a w ko-lumnie wspó³czynnik g przyjmuje wartoæ 1,
w pozosta³ych przypadkach wartoæ wspó³czynnika g zawiera siê w przedziale (0,1).
Rozwa¿ono dwa przypadki funkcji: funkcjê liniow¹ i funk-cjê nieliniow¹ typu parabola (rys. 1).
Zale¿noæ w postaci funkcji nieliniowej (parabola) w wiêk-szym stopniu ni¿ w przypadku zale¿noci liniowej uwzglêdnia poprzednie (z wczeniejszych faz rozwoju) ce-chy SIZ po przejciu do wy¿szej fazy. Nie mo¿na jednak w sposób jednoznaczny wskazaæ, przyjêcie której z tych zale¿noci jest bardziej uzasadnione. Mo¿liwe jest oczywi-cie przyjêcie tak¿e innej zale¿noci funkcyjnej. Jako argu-ment funkcji, przyjêto wartoæ redni¹ z wszystkich ele-mentów a le¿¹cych w tej samej kolumnie co element b.
W sposób formalny obliczanie wartoci elementów b wykonywane jest nastêpuj¹co:
bm,n = ai,jgn dla i = m, (1)
gn = f (ai,n) dla i = 1...17, (2) gdzie:
- dla funkcji liniowej:
gn = rednia (ai,n) dla i = 1...17, (3)
- dla funkcji nieliniowej typu parabola:
(4) dla zakresów zmiennoci indeksów:
j = 1....7, m = 1... 15, n = 2....7, Przyk³adowo:
b2,5 = a2,2g5 (5) - dla funkcji liniowej:
(6) - dla funkcji nieliniowej:
Tak wiêc dla ka¿dego badanego obiektu wyniki umieszcza-ne s¹ w tablicy (tab. 2) zawieraj¹cej 17 elementów typu a oraz 46 elementów typu b. Czêæ wskazanych elementów mo¿e przyjmowaæ wartoci zerowe.
4. Metody analizy wyników pomiaru
Wynikiem analizy danych uzyskanych w drodze badañ an-kietowych z u¿yciem proponowanego kwestionariusza jest okrelenie fazy rozwoju SIZ. Specyfika rozwa¿anego zagad-nienia nie pozwala na zastosowanie w procesie analizy kla-sycznych metod statystycznych. Jednym z podstawowych
Rys. 1. Funkcja okrelaj¹ca wspó³czynnik g
Tab. 2. Macierz wspó³czynników faz rozwoju SIZ
Tab. 3. Dopuszczalne wartoci elementów ai,j
(7) ,
powodów jest koniecznoæ okrelania stopnia rozwoju SIZ dla ma³ej liczby obiektów. Ponadto, stopieñ rozwoju nie jest definiowany jako statystyczna cecha grupy obiektów, ale jako cecha ka¿dego pojedynczego obiektu. Konieczny jest wiêc wybór lub opracowanie specjalnych dla tego za-dania metod analizy.
W przyjêtej metodyce analizy na podstawie danych z po-miarów obliczana jest miara agregatowa ci¹g³a w formie wskanika rozwoju SIZ, zwanego dalej wskanikiem Nola-na. Dla realizacji tego zadania zastosowano dwie metody: metodê rodka ciê¿koci (wskanik Nolana oznaczono jako xN) oraz zmodyfikowan¹ metodê DEA (wskanik Nolana oznaczono jako yN). Nastêpnie w zale¿noci od wartoci wskanika Nolana okrelana jest faza rozwoju.
4.1. Modele graniczne
Dla okrelenia granic wartoci wskanika Nolana dla sied-miu faz rozwoju SIZ wprowadzono tzw. modele graniczne. S¹ to modele umownych obiektów, dla których wartoci wspó³czynników opisuj¹cych cechy uzyskane z badañ an-kietowych przyjmuj¹ maksymalne dopuszczalne wartoci. Zgodnie z tabel¹ 1 s¹ to obiekty, dla których wspó³czynniki a przyjmuj¹ wartoci równe 1. Wtedy odpowiednie wspó³czynniki b te¿ bêd¹ przyjmowa³y wartoci równe 1. W ten sposób powstaje 7 modeli granicznych przyporz¹d-kowanych odpowiednim fazom rozwoju (rys. 2).
Modelom granicznym nale¿y przypisaæ wyliczone warto-ci wskanika Nolana. W ten sposób zostan¹ wyznaczone
przedzia³y zmiennoci (zakresy) wskanika dla poszcze-gólnych faz.
4.2. Wyznaczanie wskanika rozwoju SIZ metod¹ rod-ka ciê¿koci
Metody rodka ciê¿koci stosowane s¹ w zagadnieniach kla-syfikacji danych i porz¹dkowania zbiorów. Podobn¹ metodê mo¿na zastosowaæ do wyznaczania wskanika Nolana xN. Po³o¿enie rodka ciê¿koci wyznaczane jest nastêpuj¹co:
gdzie:
ei,j s¹ to elementy tablicy (s¹ one równe ai,j oraz bi,j ), nato-miast rj jest to tzw. ramiê, czyli odleg³oæ elementu kolej-nej fazy rozwoju (kolumny w tablicy) od pocz¹tku pierw-szej fazy. W rozwa¿anym przypadku przyjêto wartoci ra-mienia dla poszczególnych faz, jak w tabeli 4.
Tab. 4. Wartoci ramienia dla poszczególnych faz
Rys. 2. Modele graniczne dla kolejnych 7 faz rozwoju SIZ
(8) ,
Przyk³adowo, dla modelu granicznego fazy III (czêæ na-wiasów nie jest konieczna, wskazuj¹ one jedynie kolejne etapy sumowania) bêdzie:
Parametr xc jest wykorzystywany do okrelania stopnia rozwoju SIZ. W tym celu nale¿y wyzna-czyæ zale¿noæ funkcyjn¹ wskanika Nolana xN i parametru xc. Funkcja ta ma byæ okrelona w przedziale <0,7> i ekstrapolowaæ wartoci wskanika pomiêdzy modelami granicznymi. Wartoci parametru xc dla modeli granicznych (rys. 2) przedstawiono w kolumnie nr 2 tabeli 5. W kolumnie nr 3 zamieszczono po¿¹dane (teo-retyczne) wartoci wskanika Nolana xNt. Doko-nano aproksymacji wielomianem drugiego stopnia w postaci:
xN = axc2 + bx
c + c. (10)
Wspó³czynniki wielomianu (a, b, c) dobrano poprzez minimalizacjê b³êdu redniokwadrato-wego (d) w postaci:
(11)
i wynosz¹ one odpowiednio: a = 0,029, b = 1,2616, c = 0,367, st¹d poszukiwana funkcja jest nastêpuj¹ca:
xN = 0,029xc2 + 1,2616x
c + 0,367. (12)
Wartoci wskanika Nolana xN obliczone dla modeli gra-nicznych zamieszczono w kolumnie nr 4, za w kolumnie nr 5 zamieszczono wartoci b³êdów aproksymacji (tab. 5). Dla modeli granicznych wartoci te nie zale¿¹ od rodzaju przyjêtej funkcji g (liniowej lub nieliniowej).
Przedstawiony model pozwala okreliæ stopieñ rozwoju systemu SIZ na podstawie wartoci obliczonego wskanika xN wed³ug nastêpuj¹cych regu³:
dowolnie ma³a (ale wiêksza od zera) wartoæ elementu a1,1 kwalifikuje obiekt do fazy I,
wartoci wskanika Nolana xN dla modeli granicznych stanowi¹ górne granice faz (traktowane jako przedzia³ zamkniêty),
w przypadku wartoci wskanika wiêkszej od 7, SIZ za-liczany jest do fazy 7.
Przyk³adowo, dla danych pokazanych w tablicach (rys. 3), wartoæ wskanika Nolana xN dla li-niowej funkcji g, xNl = 3,629 oraz dla nieliniowej funkcji g, xNn = 3,739, co w obydwóch przypadkach odpowiada identyfikacji IV fazy rozwoju SIZ.
4.3. Wyznaczanie wskanika rozwoju SIZ metod¹ DEA Zastosowanie w procesie modelowania metody DEA (Data Envelopment Analysis), nazywanej tak¿e metod¹ granicz-nej analizy danych lub metod¹ wywa¿ania wartoci, jest uzasadnione w przypadku zadania ustalania porz¹dku (uszeregowania) obiektów, którym przypisane s¹ zbiory danych [1, 2, 3, 4, 5, 7, 9]. Przez obiekt rozumiana jest tutaj organizacja, podmiot gospodarczy lub stan, dzia³anie, pro-ces. Ustalanie porz¹dku nastêpuje w oparciu o relacje za-chodz¹ce w obiektach pomiêdzy wejciami (przyczynami, poniesionymi nak³adami, wykorzystanymi zasobami itp.) a wyjciami (skutkami, efektami, osi¹gniêtymi rezultatami itp.). Relacje te okrelaj¹ tzw. efektywnoæ, za wartoci liczbowe okrelaj¹ce efektywnoæ mog¹ byæ dobrym na-rzêdziem dla ustalania porz¹dku.
Metoda DEA okrela efektywnoæ obiektu o wielu wej-ciach i wyjwej-ciach w postaci ilorazu wa¿onej sumy wejæ i wa¿onej sumy wyjæ. W tej sytuacji efektywnoæ obiektu staje siê funkcj¹ mno¿ników wagowych m oraz n.
gdzie s oznacza liczbê wyjæ, a m liczbê wejæ.
Model grupy obiektów wed³ug metody DEA stanowi¹ za-le¿noci i operacje tworz¹ce zadanie z zakresu programo-wania matematycznego (nieliniowego). Rozwi¹zanie zada-nia to wyznaczenie efektywnoci wzglêdnej obiektów. Efektywnoæ wzglêdna odnosi efektywnoæ obiektu do obiektu o najwiêkszej efektywnoci. Tak wiêc obiekty
(9)
Tab. 5. Wartoci wskanika Nolana
Rys. 3. Przyk³adowe dane dla obliczenia wskanika xN
(13) .
,
o najwiêkszej efektywnoci osi¹gaj¹ wartoæ efektywnoci wzglêdnej równ¹ 1. Dla ka¿dego F ze zbioru j=1....n, nale-¿y znaleæ najwiêksz¹ wartoæ ilorazu QF , co jest miar¹ efektywnoci wzglêdnej kolejnych obiektów i jest to funk-cja celu w zadaniu optymalizacji:
qf ® max, (14) gdzie:
przy nastêpuj¹cych warunkach:
(16) (17) Efektywnoæ wzglêdna przyjmuje wartoci z przedzia³u (0,1] i mo¿e byæ przedstawiona w procentach (0,100%]. Model zbioru obiektów mo¿na przekszta³ciæ do postaci li-niowej, co jest du¿ym udogodnieniem z praktycznego punktu widzenia prowadzenia obliczeñ i pozwala rozwi¹-zywaæ go za pomoc¹ metod programowania liniowego. Sprowadza siê to do rozwi¹zania dla ka¿dego obiektu F ze zbioru j=1....n, zadania optymalizacji (poszukiwanie mini-mum) wartoci QF , bêd¹cego miar¹ efektywnoci wzglêd-nej:
qf ® min, (18) przy zachowaniu prawdziwoci warunków:
(19) (20) (21) gdzie lj s¹ to wspó³czynniki wagowe (wspó³czynniki
kom-binacji liniowej).
Metoda DEA jest metod¹ nieparametryczn¹, nie jest wiêc wymagana znajomoæ zale¿noci funkcyjnej pomiêdzy sy-gna³ami wejciowymi i wyjciowymi obiektów. Wartoci wspó³czynników wagowych s¹ dla ka¿dego obiektu wy-znaczane w procesie optymalizacji, nie jest wiêc konieczne przypisywanie wartoci tych wspó³czynników w sposób subiektywny, co czêsto wystêpuje w innych metodach. Dla stosowania metody DEA w tradycyjnym ujêciu wymaga-ne jest okrelenie sygna³ów wejciowych i wyjciowych. W rozwa¿anym przypadku mo¿liwe jest
stosowa-nie metody DEA w zmodyfikowanej formie, gdzie
wprowadza siê jednakowe dla wszystkich obiektów umowne sygna³y wejciowe. Jest to równoznaczne z ocen¹ efektywno-ci tylko na podstawie sygna³ów wyjefektywno-ciowych, czyli na pod-stawie rezultatów przypisanych do poszczególnych obiektów. Po przyjêciu, ¿e do obiektów przypisany jest tylko jeden sygna³ wejciowy o jednakowej wartoci (mo¿e byæ to war-toæ równa 1), jest to rozwi¹zanie dla ka¿dego obiektu F ze zbioru j=1....n, zadania optymalizacji, w którym poszuki-wane jest minimum wartoci QF , bêd¹cego miar¹ efektyw-noci wzglêdnej:
qf ® min, (22) przy zachowaniu prawdziwoci warunków:
(25) gdzie lj s¹ to wspó³czynniki wagowe (wspó³czynniki
kom-binacji liniowej).
Po przyjêciu, ¿e sygna³ami w metodzie DEA s¹ dane po-chodz¹ce z badañ ankietowych (tab. 1) mo¿na metodê tê zastosowaæ do wyznaczania wskanika rozwoju SI. Miar¹ tego wskanika bêdzie parametr Q, okrelaj¹cy efektyw-noæ wzglêdn¹. Sygna³y wyjciowe s¹ równe sumie warto-ci elementów ei,j dla cech przypisanych kolejnym fazom
rozwoju (tab. 1). Sygna³y te dla ka¿dego k = 1...7 oblicza-ne s¹ nastêpuj¹co:
(26) gdzie ei,j s¹ to elementy tablicy (s¹ one równe ai,j oraz bi,j ), natomiast liczba wierszy sumowanych dla kolejnych sy-gna³ów okrelona jest wskanikami sumowania w, v. War-toci wskaników sumowania przedstawiono w tabeli 6.
Przyk³adowo, dla fazy V, sygna³ wyjciowy jest obliczany nastêpuj¹co:
(27) co po rozwiniêciu zapisów sumy i pominiêciu elementów o wartociach równych 0 przedstawione jest wzorem:
(28) Tab. 6. Wartoci wskaników sumowania
(15) (23) (24) , , . , , , , , , , ,
Modele graniczne stanowi¹ wzorcowe obiekty rozgrani-czaj¹ce poszczególne fazy. W analizowanym przypadku jest to 7 obiektów o jednym sygnale wejciowym (równym 1) i 7 sygna³ach wyjciowych (tab. 7, kolumny 3 9). W kolumnie 10 zamieszczono parametr Q obliczony dla wzorcowych obiektów, natomiast w kolumnie 11 wskanik Nolana yN (dla metody rodka ciê¿koci wskanik Nolana oznaczano przez xN). W tym przypadku zale¿noæ pomiê-dzy parametrem Q a wskanikiem Nolana yN jest liniowa, czyli:
yN = 7q. (29) Przyk³adowo, dla danych pokazanych na rysunku 3., war-toæ wskanika Nolana yN = 3,51, co odpowiada przynale¿-noci do IV fazy rozwoju SIZ. Jest to podobny wynik do obliczeñ otrzymywanych metod¹ rodka ciê¿koci. Dane i wyniki dla tego przyk³adu pokazano w tabeli 7 w wierszu 8. 4.4. Porównanie metod
Dla prezentacji proponowanych metod okrelania stopnia rozwoju SIZ przedstawiono przyk³adowe wyniki analizy dla 18 obiektów. Dane ród³owe do analizy (wartoci ai,j) zamieszczono w tabeli 8. Taki
zestaw danych mo¿na uzyskaæ na podstawie badañ ankietowych.
W tabeli 9 zamieszczono wyniki analizy. Poszczególne ko-lumny zawieraj¹ nastêpuj¹ce wyniki:
- kolumna 2: wskanik xNl metoda rodka ciê¿koci, funkcja g liniowa;
- kolumna 3: wskanik yNl metoda DEA, funkcja g liniowa;
- kolumna 4: wskanik xNn metoda rodka ciê¿koci, funkcja g nieliniowa;
- kolumna 5: wskanik yNn metoda DEA, funkcja g nieliniowa.
W kolejnych kolumnach tabeli podano wartoæ redni¹ wskanika (kolumna 6), odchylenie standardowe (kolumna 7) oraz rozstêp (kolumna 8). Wyniki w formie graficznej przedstawiono na rysunku 4. Jak widaæ wyniki uzyskane czterema metodami ró¿ni¹ siê nieco pomiêdzy sob¹. W siedmiu przypadkach, mimo ró¿nych wyników, obiekty przypisane s¹ do tej samej fazy rozwoju (O3, O4, O9, O10, O14, O17, O18), w pozosta³ych przypadkach nastêpuje przy-pisanie do s¹siednich faz rozwoju SIZ.
W czterech ostatnich kolumnach tabeli 9 (kolumny 9 - 12) zamieszczono wartoci b³êdów obliczanych jako kwadrat ró¿nicy odpowiedniego wskanika (kolumny 2 - 5) i warto-ci redniej (kolumna 6) dla liniowej i nieliniowej funkcji g: (30)
Tab. 7. Wyniku obliczeñ metod¹ DEA
Tab. 8. Dane wykorzystywane w eksperymencie liczbowym
. ´
Natomiast w ostatnim wierszu tabeli zamieszczono b³¹d uredniony, obliczany tak jak poprzednio dla liniowej i nie-liniowej funkcji g, wed³ug zale¿noci:
(31) Najmniejsza wartoæ tego b³êdu (0,005) odpowiada meto-dzie DEA z nieliniow¹ funkcj¹ g. Przyjmuj¹c jako kryte-rium oceny jakoci metody tak okrelon¹ wartoæ b³êdu, mo¿na przedstawiæ sugestiê stosowania tej w³anie metody jako najlepszej w procesie identyfikacji stopnia rozwoju systemów informatycznych.
5. Podsumowanie
Opracowanie metody identyfikacji stopnia rozwoju syste-mów informatycznych zarz¹dzania otwiera nowe
mo¿liwo-ci diagnozowaniu roz-woju SIZ, w szczegól-noci luk rozwojowych w podejciu do opty-malizacji rozumianej jako dopasowanie SIZ do potrzeb organizacji. Wprowadzenie miary ci¹g³ej w postaci wska-nika rozwoju SIZ okre-lonego jako wskanik Nolana w miejsce po-wszechnie stosowanej miary dyskretnej w iden-tyfikowaniu faz rozwo-ju zwiêksza dok³ad-noæ diagnozy i umo¿-liwia porównywanie stanu rozwoju obiek-tów przynale¿nych do tej samej fazy rozwoju. Ma to du¿e znaczenie szczególnie dla faz rozwoju, dla których nale¿y siê spodziewaæ du¿ego zagêszczenia obserwacji, co zgodnie z rozk³adem natural-nym bêdzie dotyczyæ faz po³o¿onych central-nie (fazy III - V). Przed-stawione algorytmy wy-znaczania wskanika Nolana z wykorzysta-niem metody rodka ciê¿koci i metody DEA pozwalaj¹ dane zebrane z u¿yciem list kontrol-nych agregowaæ do jed-nej wartoci liczbowej, co redukuje zagadnienie wielowymiarowe do za-gadnienia jednowymia-rowego. Tym sposobem rozwi¹zywane jest zagadnienie po-rz¹dku czêciowego dotycz¹ce zbiorów wielowymiaro-wych bez wprowadzania subiektywnych wspó³czynników wagowych.
Sporód przedstawionych czterech procedur wyznaczania wskanika Nolana jako najlepsz¹ wskazano metodê DEA z nieliniow¹ funkcj¹ g. Wyboru dokonano na podstawie anali-zy wyników eksperymentu obliczeniowego, stosuj¹c jako kry-terium jakoci metody odchylenie od redniej arytmetycznej ze wskaników Nolana wyznaczonych ka¿d¹ z procedur. Przedstawiona metoda, dziêki zastosowanemu podejciu ilociowemu z u¿yciem narzêdzi i metod matematycznych, mo¿e stanowiæ podstawê dla budowy prototypu systemu ekspertowego do diagnozy rozwoju SIZ, który umo¿liwi identyfikacjê i analizê stanu faktycznego oraz wskazanie kierunków rozwoju z uwzglêdnieniem optymalnego dopa-sowania SIZ do potrzeb organizacji.
Rys. 4. Wyniki analizy dla przyk³adowych danych Tab. 9. Wyniki analizy dla eksperymentu liczbowego
Literatura:
[1] Cooper W. W., Seiford L. M.: Handbook on Data Envelopment Analysis. Chapter 1: Data Envelopment Analysis, History, Models and Interpretations, Klu-wer Academic Publishers, Boston 2004.
[2] Gierulski W.: Modelowanie z wykorzystaniem metody DEA. XI Miêdzynarodowa Konferencja Naukowa Za-rz¹dzanie Przedsiêbiorstwem - Teoria i praktyka, Kraków 27-28 listopada 2008 (publikacja w druku). [3] Gierulski W., Luciñski S.: Zagadnienie klasyfikacji
i oceny regionu wiêtokrzyskiego. X Sympozjum Wydzia³u Zarz¹dzania i Modelowania Komputerowe-go. Politechnika wiêtokrzyska, Kielce 18 maja 2009 r. (publikacja w druku).
[4] Gierulski W., Okniñski A., Radziszewski B.: Czêciowy porz¹dek w Czêciowywa¿aniu wartoci i rankingach -studium przypadku. XI Miêdzynarodowa Konferencja Naukowa Zarz¹dzanie Przedsiêbiorstwem - Teoria i praktyka, Kraków 27-28 listopada 2008 (publikacja w druku).
[5] Gierulski W., Okniñski A., Radziszewski B.: Metoda wywa¿ania wartoci w analizie i ocenie efektywnoci, Zeszyty Naukowe Politechniki wiêtokrzyskiej, Nauki Ekonomiczne Nr 32, Kielce 2008.
[6] Gibson, Cyrus F., Nolan, Richard L.: Managing the Four Stages of EDP Growth, Harvard Business Re-view. January-February 1974, vol. 52, 1, pp. 76-88. [7] Kaczmarska B.: Badanie efektywnoci akademickich
inkubatorów przedsiêbiorczoci z wykorzystaniem metody DEA. XI Miêdzynarodowa Konferencja Na-ukowa, Zarz¹dzanie Przedsiêbiorstwem Teoria i Praktyka, 27-28 listopada 2008, (materia³y w wersji elektronicznej). Wydzia³ Zarz¹dzania AGH, Kraków 2008.
[8] Luciñski S.: Zastosowanie systemu ekspertowego w diagnozie rozwoju organizacji. [w:] Zarz¹dzanie przedsiêbiorstwem w warunkach integracji europej-skiej, Czêæ 1: Zmiany w teorii i praktyce zarz¹dzania, red. A. Podobiñski, Uczelniane Wydawnictwo Nauko-wo-Dydaktyczne AGH, Kraków 2002.
[9] Luciñski S., Gierulski W.: Mapa rozwoju organizacji [w:] Monografia Ekonomia - Informatyka Zarz¹dza-nie. Wydzia³ Zarz¹dzania AGH, Kraków 2004. [10] Nolan, Richard L.: Managing the computer resource:
a stage hypothesis, Communications of the AC, 1973, vol. 16, 7, pp. 399-406.
[11] Nolan, Richard L.: Managing the Crisis in Data Pro-cessing, Harvard Business Review, March-April 1979, vol. 57, pp. 115-126.
[12] Nolan, Richard L. i Koot, William J.D.: Nolan Stages Theory Today. Dutch Master education in System and Network Engineering (SNE) of the Universiteit van Amsterdam (UvA). [Online] 1992. [Zacytowano: 6 Marzec 2009.] Dostêpny w Internecie:
https://www.os3.nl/_media/2006-2007/courses/icp/ nolan_stages_theory.pdf
IDENTIFICATION OF THE LEVEL OF THE GROWTH OF MANAGEMENT COMPUTER SYS-TEMS
Abstract:
The processes of organization and management in modern organizations are dependent on the continuous supply and flow of accounting and managing information. Efficiency measured by the degree of rationality of management deci-sions increases significantly through the use of Manage-ment Computer Systems (MCS). Therefore, making right decisions about creation, development and use of the MCS is vital for any organization. The paper presents an original method to identify the level of growth of MCS using mo-del-based diagnostic method based on the one proposed by R.L. Nolan stage model of growth of information technolo-gy (IT) within companies.
The authors present the framework for designing the me-asurement instrument to survey the level of MCS growth as a questionnaire with an applied method of checklists. They present a quantitative approach using the tools and mathe-matical methods to determine the form of a continuous me-asurement of MCS growth rate. The introduction of conti-nuous measurement in terms of growth rate to identify the stages of MCS development defined as the Nolans index in place of the commonly used discrete measure increases the accuracy of diagnosis and allows comparing the states of the objects diagnosed as belonging to the same stage. The paper presents the center of gravity method and modi-fied DEA method (Data Envelopment Analysis), each in two versions depending on the type of approximation functions taking into account the coexistence of the pro-perties in a considered object which are characteristic for the different phases of development. Of the four procedu-res for determining, Nolans ratio points out as the best the DEA method with a non-linear approximation function of g. The selection is based on the analysis of the results of the computational experiment. The smallest average de-viation from the arithmetic mean of the Nolans index cal-culated with discussed procedures was taken as a quality criterion. The authors expose prominent advantages of quantitative approaches, including the possibility of buil-ding an expert system that allows collection, analysis and interpretation of the facts about a particular organization and produce the recommendation for MCS growth with achieving alignment between information systems and or-ganization as a whole.
Dr hab. in¿. Wac³aw GIERULSKI, prof. Pk Mgr in¿. S³awomir LUCIÑSKI
Katedra In¿ynierii Produkcji
Wydzia³ Zarz¹dzania i Modelowania Komputerowego Politechnika wiêtokrzyska w Kielcach
Al. Tysi¹clecia Pañstwa Polskiego 25-314 Kielce
luscinski@tu.kielce.pl wgierulsk@tu.kielce.pl