IT决策范文

IT决策范文（精选5篇）

IT决策 第1篇

烟草行业自2000年以来,持续投入大量资金用于行业信息化建设,信息化建设取得了很大的成绩,信息化技术被广泛应用于行业的各个环节。一方面,高投入的IT建设让管理层看到了管理规范化,经营秩序化所带来的成果。另一方面,行业的各个层面与部门逐渐对信息化建设产生一些不满情绪。烟草行业信息化建设正面临着“四高”的困境,即高额投入、高度依赖、高度期望和高度不满。

那如何解决上述问题?依循传统模式仅仅着眼于技术手段已经被证明是行不通的,必须另寻他策。经过长期的理论探索和研究,并经过实践的检验与证明:IT治理是有效解决上述问题的重要方法与途径。

目前国内烟草行业总体上在信息化建设方面尚未有IT治理方面的应用,尤其是在IT治理决策支持系统方面的研究方面处于空白状态。言而总之,以降低烟草行业信息化建设的投入成本,提高信息化建设效能和满意度,增强企业的竞争力为出发点,从信息化建设的全生命周期管理入手,研究面向烟草行业IT治理及其决策支持系统,具有重大的社会效益和巨大的经济效益。

关于IT治理理论及研究现状详见文献[1-3]的论述,IT治理主要通过构建范式,加强对企业应用系统进行监控和评估并作出适当反应而发挥作用的,这就需要有相应的模型和信息系统做支撑。从这个意义上说,IT治理研究的关键是IT治理模型,IT治理模型研究的关键是度量模型。

2 IT治理决策支持系统简介

IT治理的概念始于九十年代后期,1998年,IT治理协会的成立促成了IT治理概念的形成和传播,与此同时,一些文献也开始出现IT治理概念,如Sambamurthy和Smud的“Arrangement for IT governance:A theory of multiplecontingencies(IT治理安排:一个多重偶然事件理论)”,以及2000年Van Grembergen的“IT平衡记分卡和IT治理”。关于IT治理,中外学者给出了很多的定义,美国IT治理协会给IT治理的定义是:“IT治理是一种引导和控制企业各种关系和流程的结构,这种结构安排,旨在通过平衡信息技术及其流程中的风险和收益,增加价值,以实现企业目标。”

决策支持系统(DSS)的概念是70年代提出的[1],并且在80年代获得发展。它的产生基于以下原因:传统的MIS没有给企业带来巨大的效益,人在管理中的积极作用要得到发挥;人们对信息处理规律认识提高,面对不断变化的环境需求,要求更高层次的系统来直接支持决策;计算机应用技术的发展为决策支持系统(DSS)提供了物质基础。目前关于决策支持系统(DSS)尚未有一个非常权威与统一的定义,通常认为决策支持系统是以管理科学、运筹学、控制论和行为科学为基础,以计算机技术、仿真技术和信息技术为手段,针对半结构化的决策问题,支持决策活动的具有智能作用的人机系统。

IT治理度量支持系统就是将上述二者进行有机融合,通过构建模型解决IT治理的量化评价与考核问题,通过架构设计解决决策的智能化问题。

3 IT治理度量支持系统模型研究

3.1 总体架构与过程模型

我们研发的基于COBIT标准模型的烟草IT治理架构与决策支持系统,整个架构与决策支持系统模型的搭建与优化的实现过程如图1所示。其中COBIT模型包含34个信息技术过程控制,并归集为四个控制域:IT规划和组织、系统获得和实施、交付与支持以及信息系统运行性能监控。

其中IT治理决策支持系统的结构主要由会话系统、控制系统、运行及操作系统、数据库系统、模型库系统、规则库系统和用户共同构成[1],采用最简单和实用的三库DSS逻辑结构(数据库、模型库、规则库)。IT治理DSS运行过程可以简单描述为:用户通过会话系统输入要解决的决策问题,会话系统把输入的问题信息传递给问题处理系统,然后问题处理系统开始收集数据信息,并根据知识机中已有的知识,来判断和识别问题,如果出现问题,系统通过会话系统与用户进行交互对话,直到问题得到明确;然后系统开始搜寻问题解决的模型,通过计算推理得出方案可行性的分析结果,最终将决策信息提供给用户。

该文是以COBIT模型为基础[1]构建的IT治理决策支持系统,该模型将IT治理分为四个过程域,四个过程又细分为34个IT过程,进一步详细分为200多个子过程。鉴于该模型一种是基于过程的模型,所以我们研究成熟度度量模型相应从这个角度出发,将IT过程作为评价单元。基于目标控制的COBIT模型的标准的四个域是收尾相连的,也即是说信息技术应用过程是不断循环的,周期性进行的,并围绕信息化标准和IT资源进行的。

3.2 度量模型构建与改进

1984年,马克兰大学的Basili教授提出了GQM模型[4,5,6,7,8]。GQM模型如图2所示,GQM模型是一种面向目标的度量方法,起初主要应用于软件开发和实施过程中的量化评价模型,后来GQM被广泛应用于软件评价过程。GQM(Goal Question Metric)的基本思想:首先确定一组目标;其次,提出实施目标时可能遇到的问题;最后,为每个问题设定一系列的度量指标,收集到的数据就是问题解决的标志。GQM实施方法的设计是自上而下的目标层、问题层、度量层三层结构,而它的实施过程则是相反方向。

GQM模型的度量模型是目标-问题-度量指标的一套度量系统层次,具体包括的三个层次:

首先是概念层,也是目标层。为度量对象指定目标,而度量对象是指关键点或者关键活动或过程。其次是操作层,也即是问题层。主要是指对指定的目标描述一系列问题,要实现目标就是要解决这些问题,以这些问题的实现和解决来评估目标完成的程度。最后是度量层,主要是采集相关的度量指标的数据来定量表述问题,定义数据的采集方式和途径。

从上面的GQM模型可以看出,度量项可以被不同的问题所共享,整个度量模型是一个层次化过程,目标性非常强。它的不足指出是尽管该模型是从层次化的角度出发进行了三层划分,评价从下往上进行。但是,仅仅用度量项的数据来表示问题,是问题的解决或者目标的实现难以直观阐述,缺乏一定的处理数据的技术或者算法的支持。一个目标有一组问题,一个问题有一组测量指标。GQM的目标是度量的目标,主要包括GQM对象及关键点。GQM的问题是对目标的细化,一个目标需要提出一系列问题,这些问题都是关键问题,关注关键对象并通过解决问题提供了实现目标的线索。GQM测量是对问题的解决,从不同角度出发,进行问题的测量,所得数据就是问题的答案所在。GQM的分析过程是自上而下的,而实际确立的目标是否合理,需要大量的测量数据支持,对数据进行综合处理和分析,来评估目标设立的科学性。GQM具有思路明晰、高适应性、便于理解和应用,因此,许多学者对GQM的扩展应用进行了研究了,例如应用于质量管理、项目管理。基于以上的优点,将GQM扩展应用于IT治理必然会带来IT治理的优化。

针对以上所提出的GQM模型的不足,许多学者也针对这一问题提出了许多的改进方案,该文也对此模型进行了研究并加以改进。具体来说就是,该文认为应该在传统的GQM度量模型的基础之上增加指示器和测量方法。增加指示器的主要作用是运用数据评估、预测、综合分析问题的解决程度,所以在度量方案不同的时候,需要改进不同的计算方法,所以为了方便度量模型的灵活性设计。我们认为,应该在传统的GQM度量模型的基础之上增加指示器和测量方法。其模型如图3所示:

目标包括IT目标、过程目标、活动目标,目标优先级不一样,相应的度量问题也是不一样的,整个度量模型实施的过程是根据度量指标收集数据,运用相应的处理方法实现对相应数据的处理,然后按照指示器所要求的方式:报表、方框图等分析图像或表显示问题回答情况,根据问题的回答情况实现对目标实现程度的度量。其中指示器根据目标的不一样或者过程的不一样,可以分为整体综合分析指示器、单个任务分析指示器、多个任务分析指示器。例如,组织的IT目标如果是由多个项目组成,而项目由不同的项目过程组成,所以,IT目标的分析要用整体综合分析指示器来进行分析度量,项目目标是由多个任务组成,所以,项目目标的分析可以用多任务分析指示器来实现,而一个项目中的一个任务就要用单任务分析指示器来实现度量指示。

3.3 基于IT过程的度量模型描述

度量模型如上所述,这里对其做进一步描述是为了对该模型进行阐释,从而为开发相应的支持系统提供依据。构建度量模型的关键是构建相应的目标库、问题库、指示器库、方法库和度量采集项库。这里对这些库的功能与作用作进一步的描述。

目标库。主要包括IT目标、过程目标、IT过程中活动目标,在目标库里面不仅定义了目标列表,还具有目标之间的关系及优先级。

问题库。问题集定义了问题优先级、与问题有关的指示器集合、目标对应关系、问题属性。针对度量目标所确定的度量对象,关注度量关键点,引入优先级的概念,设定问题优先级,目的是为了降低度量的复杂度,提高度量的可重复性。

指示器库。GQIMM模型对指示器的定义就相当于一个仿真器,给定几个点或者许多点,按照一定的规则画出图形,是比较、预测、还是统计作用是根据指示器类型来决定的。从这个角度出发,指示器分为预测指示器、统计指示器、反应式指示器,不同类的指示器的工作模型不同。

方法库。这是GQM模型中新增的一个库,它主要是一些数据处理过程,一方面,它为指示器的分析提供数据支持,另一方面,它是对度量采集项所采集的数据进行进一步处理,例如,进行强制分布法进行指标评分,然后,确定之间的加权系数,最后,进行加权求和。结果传入指示器储存,以便指示器的进一步运用。

度量采集项库。度量采集项定义了与该数据采集项有关的指示器、该数据采集项的数据集合、计算采集数据的函数、数据采集的频率、数据采集的角色分配、数据采集项单位、数据采集的方式。简而言之,度量采集项是由度量指标的别称,所以,度量采集项库是指标库,是综合了基础指标,根据过程的指标选择,形成过程的指标体系,也即是度量采集项集。

这里需要强调的是,对度量评价模型最直接的影响是数据的采集和处理过程,因此,数据采集和处理过程度的恰当是评价模型实现其自身价值的关键一环。度量评价模型中的数据采集和处理应该从三方面出发,首先,如何使数据直观和恰当的采集;其次,如何确保数据的准确性;最后,如何存储和管理数据。数据既可以人工的采集,也可以借助其他工具进行采集,但是一定要定期和全程进行数据采集,这样才能确保数据的可靠性。数据采集三方面问题的解决是指示器对数据的处理的保证,指示器的数据处理是问题的解决,问题的解决就是目标的实现。综上,度量模型关键是要解决好以上三个问题。

4 支撑算法初步研究

该文对适用与烟草商业信息治理的决策支持系统的算法进行了初步研究。研究初步结果表明,神经网络算法、遗传算法等并不很适合于此类问题,粗糙集算法、聚类算法以及合并算法在此类问题中应用效果较好[9]。

这里对进行关联规则挖掘的粗糙集算法研究情况做一介绍。

首先构造区分矩阵,在区分矩阵的基础上得出区分函数,然后应用吸收律对区分函数进行约简,使之成为析取范式,则每个主蕴含式均为约简,在约简的数据集的基础上在进行属性值的约简,最终提取出规则。基本算法可以求出所有的约简,其时间复杂度为O(2CCU2),在加上属性值的约简的计算,对于一个大的数据集而言,这是一个非常大的计算量,所以只适合于非常小的数据集[15]。

该文针对大的数据集,直接运用比较简单的、计算量较小的算法,用于属性约简,并在属性约简后的基础上进行属性值的约简,最后提出有价值的关联规则。

具体算法描述为:

1)决策表属性约简

(1)计算U关于条件属性C和决策属性D的等价类,并计算决策属性D的等价类相对于条件属性C的覆盖,为了方便,我们记录下非完全覆盖的元素形成集合nP。

(2)计算除去每个条件属性相后的等价类相对于与决策属性等价类的覆盖,为了方便,我们记录下非完全覆盖的元素形成集合nPi。

(3)判断nP与n Pi是否相等,如果不相等,即对应的条件属性为必要的。通过同每个属性的判断,最后可以确定条件属性相对与决策属性的核。

2)属性值约简及规则提取

我们以文献[16]为基础,在并对其进行改进,提出如下的属性值约简方法:

(1)提取所有条件属性相对与决策属性的核的属性的元素值以及决策属性值构成一个新的决策表,除去表中重复的记录。

(2)逐行考察每个属性值,去掉本属性值后,如果与其他记录产生冲突,则保留此属性值;如果没有冲突并且有重复记录的直接除去;其他的标示为“?”,用于后面再次判断是否应该除去。

(3)对步骤b的形成的决策表中的每个标“?”的属性值进行考察,对照原始决策表,去掉该值,其余未被去掉的属性值与标有“?”的原值和决策属性构成的记录在表中没有冲突记录,则去掉该属性值,否则保留原值。

(4)去掉重复记录,则得到我们需要的规则。

3)规则简化及表示

提取的规则可能数量比较大,于是在已经提取出的规则中,我们运用每条规则的置信度aR和支持度g R来对规则进行筛选,除去一些比较不太重要的规则。于是我们在得到的规则集中,设定置信度aR和支持度g R的阀值,用于筛选我们需要的规则。

整个过程的复杂度为,较大的简化了计算。

我们从安徽烟草商业信息数据库中,提取了10000条记录,通过上面的数值离散化处理,得到对应的一个决策表。通过整理,并计算每天规则的置信度aR和支持度gR,并设定阀值为aR>50%和gR>%2,除去小于阀值的规则,我们得到了33条规则,整理后形成新的规则表。最后计算结果表明,利用该文构建的粗糙集方法提取规则,可以将10000条的数据记录化简为33条规则,大大的简化了大量烦杂的数据记录。通过与其实际情况对比,我们提取出的规则是有效和实用的。

为了反映数据的分布状况和了解数据的好坏情况,我们对数据进行聚类算法分析。图4是对提取的信息数据进行聚类分析的结果。在数据分析中我们运用FCM聚类将数据分成五类,从图中我们可以看出数据的分布,从这些分类中,我们可以知道数据的分布状况,为我们进行决策和调控提供依据,从而进行合理市场控制。从图中可以看出数据大多聚集在15~20之间,但是分布的空间很散,特别是有数据过高和过低的情况,这个让我们要注意研究其产生的根源和关键原因,从而制定相应的对策表。

综上所述,通过算法研究找出适用于该系统最优算法,可以提升该系统应用价值和效率。总的来说,算法研究是一个不断优化和探索的过程,这里只是做个初步探索与研究。

5 软件实现

度量支持系统需要大量的数据作支撑,所以需要先为度量支持系统建立一个数据库,在其基础之上还要进行数据挖掘与分析。基于此,为了使度量运用到实际中去,并简化流程复杂度。该文在ITG-GQIMM模型的基础上开发了一套度量支持系统。系统采用B/S体系结构,使用JAVA语言进行开发,数据库采用MySQL进行开发。B/S结构,即Browser/Server(浏览器/服务器)结构。其优点是只要有浏览器能够联网就可以使用服务端程序,现在很多软件开发都是采用B/S模式的。它是对C/S结构的一种变化或者改进的结构。在这种结构下,用户工作界面通过浏览器来实现,极少部分事务逻辑在前端(Browser)实现,主要事务逻辑在服务器端(Server)实现,形成所谓三层结构客户服务器体系(包括表示层、功能层、资料层)。B/S体系结构只需维护服务器,所有的客户端只是浏览器,不需要任何维护和管理,而且只需将服务器连接专网,即可实现远程维护、升级和共享。这样就大大简化了客户端电脑载荷,减轻了系统维护与升级的成本和工作量,降低了用户的总体成本。

6 结束语

该文研究了基于COBIT模型和标准之上的IT治理的度量评价模型和支持系统,重点研究了其模型构建与适用算法。初步研究表明构建的模型和探索的算法是有效地,但是还有许多方面需要开展进一步的研究和完善。

参考文献

[1]陈文伟.决策支持系统及其开发[M].北京:清华大学出版社,2000.

[2]叶为全,王莉.庄镇泉.烟草生产决策支持系统的设计与研究[J].电脑知识与技术,2010,6(9):2258-2260.

[3]姚建荣,唐志豪.IT治理导入模型研究[J].中国管理信息化,2008,11(16):82-84.

[4]吴礼龙.企业IT治理机制框架与模型设计[J].情报杂志,2009(1):39-42.

[5]陈宪宇.企业IT治理架构构建[J].计算机系统应用,2010,19(6):233-239.

[6]张凌欣.基于COBIT4.1的IT治理成熟度定量评价方法[J].情报杂志,2008(8):149-153.

[7]杨红,杨德礼.基于GQM的软件体系结构适应性度量方法研究[J].计算机应用研究,2007,24(10):30-34.

[8]李亚红.基于GQM模型的软件项目进度的度量过程[J].计算机应用,2005,25(6):1448-1450.

IT决策 第2篇

企业级业务的不间断运行，意味着客户、合作伙伴、供应商以及员工之间更频繁的实时互动，意味着跨越时区的、7×24小时全球化要求，以及移动设备得到越来越多的应用等。确保随时随地可访问邮件、服务器、社交网络及交易平台等重要应用已成为基本的业务需求。

统计表明，目前近一半（48%）的工作负载属于关键性任务，到2017年，这一数字将上升至52%。伴随到2020年底全球互连设备数量将上升至210亿部，这一数字还将快速提升。

连续第五年发布的《Veeam可用性报告》显示，2015年，84%的CIO承认他们无法满足用户的需求，正在经历IT交付能力与用户需求之间的鸿沟这一“可用性差距”困境。这一数字比2014年高出了2%。综合统计，如果忽视可用性，一家跨国型企业将会面临高达1600万美元的损失。

总部设在瑞士的Veeam成立于2008年，是一家提供备份复制产品的公司，业务重点集中在欧洲、美国和日本等发达国家和地区，2015年营业收入为4.8亿美元，全球有18.3万家用户。

Veeam亚洲及日本副总裁JulianQuinn表示，企业因停机所造成的损失巨大，数据及应用的不间断可用性倍受关注。企业级用户对业务高可用性的需求因素包括：企业的客户、合作伙伴、供应商及员工之间的实时互动频繁；全球化要求全天的应用可用性；移动设备成为工作必需；决策及交易自动化及快速增长的数据量等。

去年，全球互连人口数量已经飙升至34亿，占人口总数的42%，互连设备数量预计到2020年底将达近210亿，由新用户群体崛起所驱动的商业转型，要求现代企业必须具备可提供不间断服务和持续创新的能力，企业级业务永续能力变得比以往任何时候都更加重要。

在中国，94%的受访者认同“可用性差距”的存在，而这一数字的全球平均值是84%。中国受访者认为他们没能达到服务等级协议（SLA）对复原时间目标（RTO，Recovery Time Objective）和复原点目标（RPO，Recovery Point Objective）的要求以缩小这一差距；但值得欣喜的是，中国企业平均每年会发生10次意外停机事件，全球平均值却多达15次。

缩小不断扩大的可用性差距，对策是什么？Veeam全球销售及市场营销高级副总裁Daniel Fried表示，一是，RTO和RPO时间要控制在15分钟之内；二是，除了提升共享数据平台的可用性、可恢复性之外，还需要具备数据分析和监控的能力；三是，解决方案要适合所有的环境，包括虚拟化环境。

当意外停机发生，企业系统需要可适用的高“可用性”性能，包括全天候访问关键性应用和数据，与IT部门的交付能力。

企业开始在可用性解决方案方面加大投资，以实现企业级业务永续。调查显示，越来越的企业采用可用性解决方案。

亚洲及日本副总裁Julian Quinnn表示：“采用Veeam的解决方案可以任何时间、在任何设备（包括虚拟机）上恢复任何想恢复的内容。比如，在数据恢复方面，依照SLA标准——业界平均值为2.9小时至4.2小时，但是Veeam做到了15分钟。”

为了完成2018年公司营收超过10亿美元的目标，Veeam把目光瞄准了新兴地区；去年10月，公司中国区成立，中国区总经理卢江虹走马上任。从中国区成立至今，Veeam公司业务增长非常迅速，产品、技术和服务得到了市场的普遍认可。目前中国区已经有18名员工，拥有228家合作伙伴，预计今年年底还将翻两番。

IT决策 第3篇

面临着日益复杂的外包环境、飞速发展的IT技术和动态变化的企业IT需求, 如何更好的调整外包决策规则、适应外包决策环境, 做出科学有效的IT外包决策成为IT外包研究领域的重要问题。已有IT外包研究中的理论框架多是从经济视角交易成本理论、委托代理理论等[1,2]、战略视角资源基础理论、核心能力理论等[3,4]和社会理论视角社会交换理论[5,6]来展开理论分析和研究工作的, 应用复杂适应系统理论来深入分析IT外包决策的复杂性尚未检索到, 而这是解决IT外包决策问题的关键和难点。基于此, 本文将应用复杂适应系统理论这一全新的研究视角, 来探讨IT外包决策的复杂适应性, 并建立IT外包决策主体的概念模型, 试图为IT外包决策研究开辟新的研究思路。

1 CAS理论概述

复杂适应系统 (Complex Adaptive System, CAS) 理论是由遗传算法的创始人JohnHHolland教授在多年研究复杂系统的基础上提出来, 他将CAS定义为“由用规则描述的、相互作用的主体组成的系统。”具体地说, CAS是具有生命特征的复杂动态系统, 由各个独立的行为主体 (agent) 组成, 构成系统的主体在形式和能力上总是千差万别, 随着经验的积累, 不断改变其规则来适应环境, 主体的适应性是其产生复杂动态模式的主要根源[7,8]。在CAS中, 每一个主体都区别于其它主体, 主体绩效则依赖于其它主体和系统本身, 因此, 情景 (context) 在CAS中扮演着重要的角色, Agent是CAS理论的重要分析单位, 也是进行复杂系统建模的重要分析工具。

CAS的基本特征包括[9,10]: (1) 系统由许多并行活动的主体组成, 这些主体构成单元具有智能性, 并且不断地与环境、其他主体交换物质、信息、能量等。 (2) 系统具有多层次性。一个层次的主体是更高层次结合体 (主体) 的组成部分, 但是层与层之间具有相对独立性, 层与层之间的直接关联作用较少。 (3) 主体能通过结果的反馈和经验的积累, 不断调整作用关系的规则, 具有动态学习能力。 (4) 主体会根据自己的认知模型做出预测, 这些认知模型随着系统演化获得提炼和提高。 (5) 追求局部优化和不断改进。在复杂适应系统内有很多小生境 (Niches) , 每个小生境可以为一个主体开发并占有, 因此, 系统有追求局部优化的倾向。 (6) 随机性和确定性的统一。随机性首先表现为环境刺激的随机性, 其次是主体反应的随机性。复杂适应系统是动态变化的。复杂适应系统总是处于变化、转换、调整之中, 系统的变化受到主体数量、行为规则以及它们之间相互作用的强度和多样性的影响。复杂适应系统内外部主体的作用关系是非线性的。由于非线性相互作用导致的竞争与协同, 才会形成具有整体性的矛盾体系, 才会有系统的牵一发而动全身。

CAS具有3种行为类型:稳定或受控于负反馈, 不稳定或受控于正反馈, 有限不稳定或处于各种力量作用的混沌边缘。当复杂适应系统处于混沌边缘或有限不稳定时系统产生自组织, 系统自组织意味着系统新的行为模式出现是主体交互作用的结果。处于混沌边缘时CAS是极为复杂的, 期间系统的内部模式扩展程度要求很高, 同时也产生了稳定和混沌之间的均衡作用, 从而系统涌现出创新、创造、适应和自组织。

2 IT外包决策过程特征分析

典型的IT外包发展过程包括外包活动识别、选择外包商、构建合同、监控和测评外包活动、外包关系管理等不同的外包发展阶段, 可以说IT外包决策贯穿于IT外包的全过程。因此, 研究IT外包决策问题不仅仅要解决企业选择外包还是内包或是外包什么等单一决策问题, 更要从整个外包发展过程的视角关注如何实现外包目标的过程问题。本文认为IT外包决策过程具有多阶段性、多层次性和复杂动态性。

2.1 多阶段性

从时间序列分析, IT外包决策过程分解成互相联系的4个阶段, 如图1所示。IT外包发起阶段是指企业开始有外包的意图, 准备实施外包的决策阶段, 在这一阶段决策主体主要分析企业IT外包的可行性, 关注企业IT外包的关键驱动要素、外包战略预期目标等。这一阶段中外包的关键驱动要素、外包战略预期目标等将影响着下一阶段的外包决策行为。

IT外包设计阶段, 即企业进行识别和确定外包项目、选择外包商、签订外包合同等外包模式设计过程。具体来说, 在这一过程中企业需要确定IT外包的关键结构组成, 包括外包的范围集合、外包商集合、财务规模、期限、外包价格、资源所有权、商务关系, 这些具体的外包结构参数组合形成了IT外包配置结构 (IT outsourcing configuration) 。因此, 这一阶段是决定整个IT外包结构属性和组合特征的关键阶段。

上述两个阶段是外包合同执行前阶段, 外包实施阶段则是企业进入外包合同的执行阶段, 在这一阶段, 企业开始接受外包商提供的有关IT产品和服务, 是外包发展中的核心阶段, 外包设计阶段的所有外包设计意图都会在这一阶段得到实施和检验, 管理外包关系、监控外包合同的实施、外包绩效测评等成为这一阶段的主要管理决策活动。

外包评估阶段是企业进入外包的后合同阶段, 即企业要对外包活动进行绩效评估, 来决定企业的下一步外包决策行为。由于每一项IT外包活动都是具有一定期限的, 因此, 企业始终会面临着合同期限即将结束的后合同时期, 在这一期间, 企业要最终决定与外包商签订的一项外包合同的去留问题, 即延续、修订合同继续外包关系, 还是终止合同停止外包关系。如果企业外包行为继续发展的话, 这一阶段也包含了企业下一个外包的预决策过程, 形成了企业外包决策的环路反馈机制。综上, IT外包决策是一个多阶段的连续决策过程。

2.2 多层次性

IT外包决策的多层次性表现在决策参与者的决策角色和决策权力的多层次性。企业进行IT外包决策过程中, 存在多个决策参与者, IT外包决策过程中涉及的参与者包括企业高层决策者、IT部门主管、IT项目实施小组、相关业务部门和最终用户等, 此外, IT外包中还存在着第3方咨询机构IT外包专业顾问等。这些参与者根据各自的决策权力和决策角色分布在不同的决策层面。从决策权力层面来看, IT外包决策过程中涉及的参与人员分为3层:IT外包高层决策者 (CEO、CIO等) 、中层执行者 (IT部门主管) 和基层操作者 (IT员工) 。

从决策角色分析, IT外包决策参与者包括3类:外包决策发起者最早产生外包意图的人员、团队或部门, 是IT外包的发动机和驱动器, 影响着外包战略、外包预期目标的制定, 是IT外包发起阶段的关键决策主体;外包决策信息加工处理者对IT外包相关的决策信息进行收集、分析、加工整理, 并形成企业IT外包决策的关键信息, 是IT外包决策的信息部门、参谋或顾问, 负责提供外包设计方案, 是IT外包设计决策阶段的关键决策主体;外包最终决策者是最后拍板的决策者, 最终决定外包决策面临的各项选择, 通常是企业的高层管理者, 在IT外包决策整个过程中, 这些最后拍板者的外包意图、外包态度等, 直接影响着外包设计方案的制定、实施执行和评价过程。IT外包涉及的决策参与者根据各自不同的利益和目标, 完成各自的决策任务, 这也意味着决策参与者之间相互作用对决策环境产生影响, 并受到决策环境的影响。

2.3 复杂动态性

IT外包决策的复杂动态性归结为以下几个层面。

2.3.1 决策任务的复杂性

由于IT活动与企业业务活动紧密结合在一起, 企业发展过程中业务活动的不断变化导致对IT需求是动态变化的, 而IT本身所具有的不确定性、专用性和业务关联性等特征, 使得企业对IT外包活动的影响很难实现准确估计。

2.3.2 决策的不确定性和风险性

IT外包客户企业的一些相关IT资产 (战略地位重要程度不等) 将“暴露 (exposing) ”给外包商来进行控制和管理, 则对外包商绩效产生某种依赖关系, 具体来说依据不同的外包合同关系, 外包商的嵌入程度也相应不同, 从而导致客户组织对外包商的依赖程度不同。而外包决策的信息不对称、外包商的机会主义和IT外包活动和项目较高的“转换成本”等因素导致IT外包决策具有较高的不确定性和风险性。

2.3.3 决策主体的个人特征

企业实施IT外包的整个发展过程中, 随着企业外包行为的递进, 企业决策主体与内外环境发生互动, 决策态势不断变化。由于决策主体的知识背景、偏好、风险感知等因素的影响, 为企业进一步的决策行为选择不断提出新的挑战。

2.3.4 决策环境复杂多变

IT外包的发展演进会带给企业更加复杂多变的外包环境[11]。从传统形态IT外包到现代多元化、网络化的IT外包, 从企业追求缩减成本的工具到企业战略选择的重要组成部分, IT外包的范围、程度在不断增加和扩大。现代IT外包具有的多元化模式、复杂异构性和嵌入性等特征使得企业面临着更加复杂多变的外包决策环境。

在实现IT外包目标的过程中, 外包决策主体需要根据不同的外包决策环境和决策对象等, 不断的调整企业的外包决策行为, 可以说, 在IT外包不同的发展阶段, IT外包决策主体、决策环境以及两者之间的复杂相互作用关系, 影响和决定着企业IT外包的决策行为。由此, 我们认为IT外包决策是一个多阶段、多层次、复杂动态的连续决策问题。

3 IT外包决策过程的复杂适应性分析

从系统科学的角度来看, 任何一项决策都可以看作一个系统[12]。从决策要素来看, IT外包决策系统由决策主体外包企业、决策客体外包决策对象包括外包范围、外包商、外包期限、外包价格、外包关系、外包资产所有权等和决策环境外包环境这3个系统要素构成。从系统的联系来看, 决策联系包含了决策主体、决策客体及其决策环境之间的相互联系。进一步分析, 我们认为IT外包决策系统具有CAS的主要特性。

3.1 主体的智能性

IT外包决策系统是由外包企业、外包商、分包商、相关咨询机构等利益相关者组成的一个外包契约联合体, 这些外包利益相关者都是企业外包决策活动的主体, 这些主体具有环境识别能力、问题判断能力、自主决策能力和采取行动的能力, 能根据自身所处的环境, 做出适应性反应, 调整与其它主体之间的作用关系规则。

3.2 主体的层次性特征

对外包企业而言, 包含着外包发起者、外包信息处理者和外包最终决策者这些子主体, 他们根据各自不同的决策权力和决策角色处于不同的决策层次, 不同层次决策主体不断地与决策客体、决策环境进行交互作用, 具有明显的层次性特征。

3.3 系统的开放性

在IT外包决策系统内, 主体之间、层次之间及其主体与环境之间进行着物质、能量和信息交流, 构成这种交流关系的3要素包括结点、连接器、资源, 其中结点是外包客户企业和外包商, 连接器反映着外包关系, 资源是外包产品或服务的交付与接受。

3.4 主体的主动性

从主体决策活动来看, 外包企业主体具有的主动性, 使其能够通过不断审视周围环境并发展自己的认知模式 (Schema) , 提高自己的适应度 (fitness) , 表现在利用先前的经验和决策规则, 不断地与外包客体、外包环境进行交互, 根据外包行为的效果, 修改决策行为的规则, 以便更好的在外包环境中生存, 实现外包目标, 提高外包绩效。即外包企业主体要经历一个选择制定保留的过程, 具体包括选择外包战略、外包目标等, 制定外包设计方案, 评价外包结果保留好的外包关系、外包决策规则等。

3.5 决策主体的路径依赖性

外包环境变化的复杂性和动荡性, 选择的随机性, 外包企业内外部主体之间的非线性相互作用关系, 导致主体行为结果的不确定性、非因果关系, 使复杂适应系统容易产生“蝴蝶效应”, 小的变化可能引发大的结果。更重要的是决策主体所处的背景和历史影响和决定着主体的决策状态和决策行为, 导致企业决策主体具有一定路径依赖性。

3.6 从微观到宏观的涌现性

从外包网络层面分析, 若干个网络单元 (即外包系统中的主体) 通过多种形式的外包关系彼此连结所构成的连续性企业间联系, 形成了不同类型的外包网络[13]。外包网络中的主体一般基于自身的目标和决策能力而自主或半自主地运作, 作为系统的组成部分, 这些主体及其行为之间具有高度的耦合性或依赖关系, 系统的整体性能将取决于这种依赖关系的协调水平。因此本质上外包网络是一个动态的、分布的、柔性的、复杂的系统。可以认为, 正是由于多个微观的IT外包决策系统之间的非线性相互作用, 产生的竞争与协同关系, 导致外包网络的形成和演进, 即产生了从微观到宏观的涌现。

4 基于CAS理论的IT外包决策主体分析

4.1 IT外包决策主体描述

主体Agent是CAS理论的重要分析单位。从CAS理论视角来看, 决策主体的组成主要包括资源和策略集[14]。其中, 资源是决策主体拥有的财富, 它根据环境的反馈 (奖励) 发生变化, 并根据这种变化对决策环境做出判断。资源的相对数量反映了决策主体的效能, 并由此决定决策主体在竞争中的优劣。而策略是决策主体行为的集合, 可以是一组IF/THEN规则集[15]。

本文认为对IT外包决策主体而言, 可以由外包决策执行系统、外包决策信用分派 (Credit Assignment) 和外包规则发现3部分来进行描述。

外包决策执行系统刻画了决策主体在某一外包决策阶段、决策层次上的决策能力, 它由3个基本元素组成:探测器, 处理器 (IF/THEN规则) 和效应器。探测器表征决策主体从决策环境中抽取信息的能力, 用来接收和处理外部输入的信息, 它决定了决策主体存在的条件;处理器 (IF/THEN规则) 表征处理那些信息的能力, 规定了对何种刺激做出何种反应, 但它又不同于通常意义下的一一对应的IF/THEN规则, 它代表了处理探测器所接收到的信息的能力;效应器则表征决策主体作用于环境的能力, 用来输出消息, 按给定控制产生输出并更新内部状态, 即对决策环境的影响力。如图2所示。

外包决策信用分派的本质是向决策系统提供评价和比较策略的机制, 即要决定哪些规则需要强化, 哪些不可用要弱化。CAS理论认为信用分派的本质是向系统提供预知未来结果的假设 强化能够用于后期使用的规则, 是系统自身评价和比较规则的机制。信用分派不仅具备合理选择规则的能力, 还具备根据规则执行结果合理修订的能力, 这实际就是“学习”和“积累经验”的能力、“规则筛选”的能力。当使用规则时, 适合度大者被选中的概率大。决策主体根据决策应用的结果来定义规则的强度, 并修改其适应度。决策主体依据拥有的决策信息做出决策, 获得的是环境及其它主体反馈的奖励, 再根据这种反馈强化或修改自己的决策。所有决策主体输出的决策行为共同决定了决策环境, 特定决策主体的行为与决策环境的作用则决定了该决策主体得到的奖励。

外包规则发现是外包决策主体学习或经验积累的过程, 一个规则的价值依赖于主体识别和确定对某一刺激所做出的专门反应的能力。新规则的发现主要是重新组合已经过检验的积木。经过与环境的交互作用, 已有的规则就能够得到不同的信用指数, 即适合度, 外包规则发现就是不断搜寻主体行为系统中适合度最大的规则。

4.2 IT外包决策主体多阶段分析

在IT外包决策过程中, 决策主体的探测器不断感知、收集、组织和加工某阶段决策目标所需的决策信息, 将这些信息与决策系统中的规则集合进行匹配, 并根据已有的决策经验检验匹配结果反馈, 效应器做出决策反应, 作用于外包环境, 如此往复构成了闭环结构的外包决策系统。

IT外包决策过程 (IT Outsourcing Decision Process, ITO DP) 概念描述如下:

ITODP=Si (Ln (t) , In (t) , On (t) , Wn (t) )

其中Si为外包决策阶段变量, i=1, 2, 3, 4;Ln (t) 为决策层次变量;In (t) 为决策输入变量;On (t) 为决策输出变量;Wn (t) 为决策干扰变量。

S1为IT外包的发起阶段, 这一阶段存在着最早产生外包意图的企业内部人员或机构即“外包发起者 (outsourcing initial) ”, 这些外包发起者构成了这一阶段的决策主体, 他们通过外包探测器感知、收集、组织加工外界的“刺激”, 这种“刺激”可能来自于企业内部 (如IT成本、业务变化的IT需求变化、IT专家不足等) 或者外部 (竞争压力、外包市场等) 。当决策主体感知的“刺激”达到一定条件后, 即处理器根据一定决策规则进行处理, 则会引发效应器产生采纳IT外包决策“反应”, 即IT外包采纳决策。

S2为IT外包模式设计阶段, 即要具体确定外包的核心构成要素, 包括外包范围、外包商、外包合同等等, 并由此形成了外包的配置组合结构。这一阶段的决策主体要包括担当“信息处理”任务的决策参与者和“最终拍板”决策者, “信息处理”决策者负责情报收集、外包市场调查、分析和参谋等, 将一系列的决策方案交给“最终拍板”决策者。

S3、S4分别为IT外包决策实施、评价阶段, 即进入了外包合同执行期和后合同期。企业外包决策主体主要承担着监管、控制外包合同的执行过程, 以及合同后期的绩效评价决策任务。

在不同的外包阶段, 决策主体通过这样的决策执行系统与其他主体、环境进行交互作用, 不断修改其决策规则适应度, 强化、转变或改进系统的决策规则集, 使得企业的IT外包决策行为不断递进发展, 完成企业的IT外包决策过程。

5 结 语

IT外包决策的复杂性研究是解决IT外包决策问题的关键。本文分析认为IT外包决策是一个多阶段、多层次和复杂动态的连续决策过程, 从CAS理论这一新的研究视角对IT外包决策过程进行了描述, 初步构建了决策主体的概念模型, 为进一步研究IT外包决策多主体仿真研究奠定了理论基础。

摘要：IT外包决策贯穿于IT外包的全过程, IT外包决策过程具有阶段性、层次性和复杂动态性。本文应用复杂适应系统理论的核心观点, 分析了IT外包决策过程的复杂适应特征, 构建了IT外包决策主体的概念模型, 为研究IT外包决策提供了新的理论研究思路与方法。

IT决策 第4篇

一、需求分析

金融以其对国民经济的巨大影响力而成为现代经济的核心。全球金融危机的影响力、破坏力之大更证明了金融的地位, 也反映出金融决策的重要性。金融决策方案的正确、及时与否, 可以决定一个大企业的生死存亡。在这样的背景下, 金融决策的正确性、及时性越来越受到决策者的关注和追求。在信息技术发达的今天, 传统的以经验为手段的决策因欠缺精确性、及时性、全面性, 已经不能满足企业的需要, 取而代之的是利用高级信息技术辅助进行决策。以信息技术为手段进行的决策具有以下优点。

(一) 全面性

在决策过程中可以把影响目标对象的因素尽可能多地列出来建立模型, 从而尽可能使预测结果与实际一致。当然, 决策只是对未来事件的预测, 与实际结果间总会存在或多或少的差距, 而以信息技术为手段的决策可以尽量减少这种差距。

(二) 精确性

利用正确的决策技术方法和计算机运算得出的结果, 其精确性大大高于经验得到的结果。

(三) 及时性

对于决策而言, 时效性是至关重要的, 不及时的决策即使是正确的也没有什么用。信息系统及其支撑为数据的获取、收集、传递、整理、计算等在时间上创造了绝对的优势。

因此, 新时期金融应用型人才应该具备基于信息技术的决策能力。作为培养应用型人才来源的高校如何使自己的学生具备这种素质, 成为高校改革的要点。本文旨在探索高校如何培养金融应用型人才的决策能力及优化这种能力。

二、国内外金融业决策的区别

(一) 从组织结构上比较。

国外的金融业一般设有专门从事外部环境分析的研究机构, 根据社会上定期公开发表的商业统计资料、商情分析报告、企业财务通告、股票行情、科技专刊报纸及市场、消费者、企业活动的调查等对金融的外部环境进行动态分析。而国内缺乏从事环境信息收集、整理、分析工作的专门机构和专业队伍。

(二) 从分析与预测方法上比较。

国外更多地借助先进技术, 而国内注重经验, 以经验判断为主。

总的来说, 整个金融业的决策正从以往的注重经验转向注重量化和技术。量化主要体现在使用各种模型进行预测决策, 如线性回归等;技术主要是借助信息技术智能化, 如数据挖掘、数据仓库多维分析等。

三、金融决策过程及具体能力的要求

在金融业务的经营过程中, 需要不断地对面临的问题做出决策, 决策过程主要为获取相关数据、整理数据、分析数据、方案制订、方案选择。

针对决策的相应过程, 作为一个具备优化能力的高素质的应用型人才应具备的能力包括:获取数据、整理数据的能力, 正确、恰当地描述数据的能力, 简单分析数据的能力, 应用各种决策方法、技术分析数据的能力, 深层挖掘数据进行分析的能力, 运用信息技术实现以上决策过程的能力。

四、课程体系设置及改革

为了具备上述能力, 高校应该设置相应课程来培养学生, 相应的课程体系设置包括以下几个方面。

(一) 应用统计学

在金融系统应有完善的金融统计体系, 以适应中央银行管理货币供应量和金融市场发展的需要。纳入金融统计的内容包括货币供应量统计、信贷收支统计等。在金融业中, 可以运用统计学的理论和方法, 对金融活动内容进行分类、量化、数据搜集整理以及描述、分析, 反映金融活动的规律性。

在应用统计学的教学过程中, 要尽量简化统计基本理论的介绍以及定理的推导, 而要加强统计学在金融资料的收集、整理、描述及分析方法的培养。在此过程中, 针对该方向的学生要结合金融方面的业务、专业资料进行讲解、练习。如对信用卡客户的管理, 如何既能促进刷卡消费同时又能保障还款信用的问题。首先设计调查问卷调查市民对信用卡使用的感受, 并从回收的调查问卷中整理数据, 利用统计分析工具分析用户的心理倾向, 再根据信用卡用户已有的消费及还款记录分析信用情况, 最后得出结论。整个教学过程、教学内容、教学方法都以提高学生的应用分析能力为本。

(二) 管理信息系统、金融信息系统分析与设计

金融信息是金融决策的基础, 金融信息的质量是金融决策正确性的前提。管理信息学与金融信息系统是有连续性的两门课, 但现阶段这两门课程的内容之间存在一定的重复交叉, 需要进行整合。整合后, 管理信息系统课程重点介绍信息的基本理论, 培养学生收集、处理、利用信息的手段、能力, 提高学生关于管理信息系统对决策作用的认识, 熟练操作使用金融领域信息系统, 掌握应用信息系统进行辅助决策的能力。而对于该课程中的有关信息系统的分析、设计部分主要放在金融信息系统分析与设计课程中。在金融信息系统分析与设计课程的教学中, 注重与实际业务相结合, 采用金融业务中的案例, 培养学生熟悉金融行业信息系统的结构、功能、内部处理思路, 让学生掌握金融行业的信息系统的需求分析、数据流程分析并进行设计, 为进行金融决策提供软件支持。

(三) 运筹学

现代社会, 决策越来越精确化, 越来越依赖于用数据说话。作为用定量方法研究管理问题的运筹学, 其特点是将管理的相关问题采用定性和定量相结合的方法, 研究包括金融在内的各种运行系统中所发生的各种复杂问题, 为决策提供科学支持。通过本课程的学习, 金融领域的管理者能够科学地分析数据, 建立模型, 更好地进行策略选择。学生在完成运筹学课程的学习后, 尽可能对金融业务中需要决策的问题、项目建立模型, 并和信息系统分析与设计课程结合起来, 把模型的思路及求解过程用计算机语言表达, 以充分利用计算机技术力量加快模型的求解速度, 从而使决策更加快捷、简便。因此, 在该课程教学中, 除培养学生针对实际金融案例建立模型外, 还要训练学生熟练使用软件求解运算结果, 将课堂讲授、学生讨论、上机实习、课后作业等教学方法结合起来, 提高教学效果。

(四) OLAP与数据挖掘

在金融行业中, 每天都会产生海量的数据, 久而久之就形成一个数据海洋。在众多的数据中, 哪些是有用的, 哪些是看似无用实质有用的, 哪些是暂时无用后期有用的, 对于这些数据, 仅凭人工手段是无法判别和筛选的。因此, OLAP与数据挖掘对培养具有决策能力的应用型金融人才是必不可少的一门课程。把数据挖掘技术应用于决策支持系统中, 将对企业积累的大量业务数据的处理游刃有余, 使管理人员能快速、交互、方便有效地从大量杂乱无章的数据中获取有意义的信息。决策者能利用现有数据指导企业决策和发掘企业的竞争优势。在该课程的学习中, 除掌握数据挖掘和OLAP的基本理论外, 最主要的是从应用型人才的培养原则出发, 掌握几种基本的数据挖掘和联机事务处理的方法。因此, 实验的地位是非常重要的。在实验教学中, 应积极培养学生掌握数据仓库的建立、设置、管理等方面的知识和做到对数据挖掘工具的熟练使用。掌握了数据仓库、数据挖掘技术后, 可以在金融领域中针对决策的方向组织数据, 按照分析的要求建立主题数据模型, 从而高效、科学地为金融机构提供管理信息分析和辅助决策支持。

(五) 金融数据分析

利用前面所学的统计分析手段、模型分析方法、数据挖掘工具对金融业务数据进行针对性的分析, 为决策者做出决策提供依据。此时要结合一些金融专业知识, 多维地分析数据的各种特性, 如按时间、地区、部门, 从最大、最小、总和、平均及其他特征比较等方面进行分析。

(六) 计量经济学

计量经济学是以一定的经济理论和统计资料为基础, 运用数学、统计学方法与电脑技术, 以建立经济计量模型为主要手段, 定量分析研究具有随机性特性的经济变量关系。将统计学、经济理论和数学这三者结合起来, 便构成了计量经济学, 可以对政府或企业的政策进行预测、评价和模拟, 是金融业技术分析人员必须掌握的课程。为了简化计算, 该课程采用计算机组织教学, 着重培养学生定量分析问题、解决问题的能力。

(七) 决策支持系统

决策的各种理论方法执行时若采用人工手段, 则其效果将大打折扣, 甚至根本无法达到目的。若能将各种决策方法、模型用计算机等信息技术工具来发挥其作用, 则将事半功倍。决策支持系统就是将前面的各种方法、技术通过系统实现。通过本课程的学习, 掌握决策支持系统的结构, 理解系统如何利用数据、模型、知识等决策资源来辅助决策。掌握利用DW+OLAP+DM的新型决策支持系统。

通过以上一系列课程的结合学习, 能够培养学生在决策的过程中需要的理论知识和实践能力, 提高学生在金融决策中的能力, 对面临的各种方案采用科学的决策技术, 利用先进的信息技术得出最合理的选择。

摘要：金融市场的决策越来越依赖于信息技术, 如何培养基于信息技术的金融应用型人才的决策能力至关重要。在这种形势下, 依据金融决策的过程以及应具备的能力设置或改革相应培养课程, 从而提高金融人才的决策能力和决策质量就成为各高校应认真思考的问题。基于上述情况, 本文介绍了金融决策过程及对具体能力的要求, 详细阐述了高校课程体系设置及改革方面的内容。

关键词：金融信息化,应用型人才,IT技术,决策能力,课程体系

参考文献

[1]孙慧.试论金融统计如何更好地为货币政策决策服务[J].上海金融, 2001.

[2]蒋绍忠.管理运筹学教程[M].杭州:浙江大学出版社, 2003.

[3]周志英.运筹学课程教学改革思路[J].浙江万里学院学报, 2007.

[4]姚家奕.多维数据分析原理与应用[M].北京:清华大学出版社, 2004.

[5]林锦贤, 沈钧毅.支持金融决策的数据仓库系统[J].计算机工程与应用, 2001.

IT决策 第5篇

传统的IT项目进度风险控制方法。传统的时间进度计划是基于工作分解结构之上，通过各工作的时间估计，构建计划网络，寻找时间关键路径（PERT/CPM），进行蒙特卡罗模拟等手段，获得工期的概率分布，以此来估计进度风险[11,12]。在20世纪90年代，Goldratt博士发现各个项目领域尤其是IT项目领域中，受到帕金森法则和学生综合症的影响，导致大量延期的现象，因此提出了关键链（Critical Chain）方法。该方法不仅考虑了工作的执行时间和工作间的紧前关系的约束，还考虑工作间的资源冲突[13,14]。然而，IT项目中存在着各种各样的不确定因素，在PERT/CPM方法和关键链方法中却都没有给予关注，这些不确定因素事实上对项目造成了难以预知的影响。Intaver公司认识到了风险事件是导致项目延期的主要问题之一，提出了事件链（Event Chain）方法，即通过对事件的建模及其风险分析，将不确定因素直接引入到项目计划中，从而更有效、更精确地实施项目的进度风险控制和管理[15,16,17,18]。此外，曹文钊等学者分别以证据理论、风险图、贝叶斯网络和风险传递算法等理论为基础对IT项目的进度风险控制进行了研究，并结合应用实践提出了相应的风险控制策略[19,20,21,22]，为IT项目进度风险管理提供了有力的理论和方法的支撑。然而，传统的IT项目进度风险控制方法都是针对软件项目本身工期的特点和过程的，在外包环境下难以有效的控制IT项目的进度风险。因此，需要从IT外包特点出发，找到风险源，制定有效的风险控制策略。

近年来，国内外研究者对外包环境下的IT项目进度风险控制进行了一些研究。在外包环境下，IT项目风险中的进度风险是研究者关注最多的风险之一。从定性方法的角度，Verhoef认为对进度风险的控制，主要是尽量压缩项目的工期时间，但是，这会导致费用增加的问题[23];Taylor经过对大量实例的分析得出，在做IT外包时要注意找到外包中独有的风险因素与工期和费用的关系[14]。Na则从外包环境下造成IT项目进度风险的客观行为和主观行的角度，定性的讨论了风险控制的相关策略[24]。Sakthivel等指出IT离岸外包系统开发中除了注意增加质量、费用和工期的客观内部风险，同时还应考虑委托方与服务商合作过程中出现的新风险[25]。从定量方法的角度，曹萍建立了IT项目进度风险控制模型，模型以服务商风险控制收益最大化为目标，运用关键路径法来测算整个项目的进度风险，设计了粒子群算法对模型进行求解。该研究仅仅关注了外包活动中的服务商一方，未能从委托方与服务商合作过程的角度全面揭示项目进度风险所面临的问题[26]。Benvenuto对PERT/CPM和关键链等方法在IT外包项目工期计划中应用的情况进行了研究，结果表明这些方法在外包环境下都难以单独完成进度风险控制。需要从外包环境的特点出发，设计新的研究框架和方法[27]。

从文献综述中可以看出，以往关于IT外包项目进度的研究工作，主要将重点集中于项目本身作业过程的进度风险的评估和控制[25,26,27]，而并未充分考虑IT外包项目在执行过程中所涉及到的多成员（委托方和各承包商）共同合作的实际情况。在委托方与各承包商合作完成一个IT外包项目的过程中，存在着多个具有主观能动性的决策主题，即利益主体，而且他们之间呈现出分布式的结构关系和较复杂的信息状态。本文针对IT服务外包的特点，运用分布式决策的理论建立一个两层的IT外包项目进度风险控制模型。上层的委托方为下层的各承包商分配风险控制预算资金。然承包商在分配到的预算资金下选择最优的风险控制资金分配方案以减小IT项目的进度风险。

1 IT外包项目进度风险控制的分布式决策模型

1.1 问题定义

委托方将一个IT外包项目按照开发流程分解，然后分包给多个承包商完成。假设有M个承包商分别承接M个子项目。IT外包项目在开发前，各承包商与委托方签订了外包合同，合同内容中规定各合同总价款为Ui，各子项目延期的赔偿款Vi,i=1,2，…，M．如果项目按时交付委托方将向承包商i支付Ui，否则承包商i向委托方支付赔偿款Vi．为了控制整个项目的进度风险，委托方预算了Bmax来投入到各承包商。各承包商将风险控制资金投入到其所负责的子项目的关键路径的活动中去，来缩短该活动的实际工期和发生拖期的概率。软件项目的开发流程见图1。委托方与承包商的层次结构关系见图2。

以某一子项目i为例，给出活动进度风险和项目进度风险的定义。

定义1活动风险。子项目i有Ni个活动，每一个活动的计划工期是t0ij，实际工期为tij,j=1,2，…，Ni．若事件aij表示活动j在计划时间内完成，则活动风险表示为

定义2项目风险。子项目i的计划工期为Ti0，实际工期为Ti.ti,max是所有活动中最长的实际工期，ti0,max是所有活动中最长的计划工期。若事件Ai表示子项目i在计划时间内完成，则项目风险表示为

1.2 模型描述

基于分布式决策理论[28,29]，建立IT外包项目进度风险控制模型。该模型分为两层，上层和下层，分别描述了委托方和承包商的决策过程。

上层模型：

s.t.

在上层模型中，式（3）表示极小化整个项目的拖期概率。这里假设各活动在工序上是串联的；xi为承包商i的分配到的风险控制资金，i=1,2，…，M;Pi(xi）表示承包商i在风险控制投入xi下按时完工的概率。式（4）表示总风险控制投入的限制，为Bmax投入资金的上限。式（5）表示委托方对子项目i拖期概率的要求，Rmax为允许拖期的最大概率，Rmax∈[0,1]。式（6）表示上层模型的决策变量xi的非负约束。

下层模型：

在下层模型中，式（7）表示承包商i以总收益最大化为目标函数。这里yij表示承包商i所负责的子项目中活动j所分配的风险控制资金，i=1，…，M,j=1，…，Ni.fij(yij）表示活动j在风险控制资金yij的作用下，在计划时间内完成的概率。tij(yij）表示活动j在风险控制资金yij的作用下，实际执行的工期。式（8）表示承包商i进行进度风险控制的收益率应满足其下限要求r．式（9）表示子项目i进度拖期的概率不大于预期的概率约束。式（10）表示承包商i用于风险控制的资金不大于委托方所分配给他的资金量。式（11）表示下层模型的决策变量yij的非负约束。

2 两层粒子群优化算法（Two-Level Particle Swarm Optimization:TLP-SO）

在两层的分布式决策模型中，下层模型包含于上层模型中，下层模型和上层模型中的目标函数通常是不可微的，且当变量较多，问题多层次，问题规模较大时，难以用传统的最优化方法来求解。于是，本节寻求一种有效的近似计算方法求解该优化问题。

基本的粒子群优化算法（BPSO）最早由Kennedy和Eberhart受到鸟群觅食行为的启发，于1995年提出的。最初的设想是仿真简单的社会系统，研究并解释复杂的社会行为，后来发现粒子群算法可以用于复杂优化问题的求解[30,31]。但是，BPSO仍然存在着早熟，对复杂多层次问题难以求得最优解等问题[32,33]。本文引入两层粒子群优化算法的主要动机有三个[36,37,38,39,40]:

(1）决策变量类型角度

在本优化问题中，所有的决策变量都是连续型。粒子群优化算法在设计之初即为连续问题所设计[30,31,32,33]，这与本文所提出的优化问题相匹配。选择粒子群优化算法求解本优化具有“先天优势”。

(2）生物学角度

自然界的实际情况远比BPSO所描述的要复杂得多。事实上，相同的生物种群中的个体之间存在着密切的联系，并且与其他不同类型种群之间也存在着冲突和相互作用。不难看出，此类的生态系统存在着共生现象[34,35,36,37,38,39]。受到此现象的启发，又考虑到IT外包项目执行中具有多成员的特点，本文将BPSO扩展为TLPSO来提供一种有效的求解方法。

(3）计算规模角度

多种群和种群协作的思想已经被应用到优化问题中。对于高维的问题，由于问题维数的增加使搜索空间的规模不断扩大，于是经过改进后的粒子群优化算法好于BP-SO[34,35,36,37,38,39]。高维问题与本文的问题是相似的，当IT外包项目中成员的数量和关键路径上活动的数量增加时，BP-SO不足以搜索全部的解空间。相对的，多种群协调的机制能够将问题的搜索空间分解，以降低问题求解的复杂度，从而使TLPSO能够搜索到更好的解。

在TLPSO中，有一个主种群（Master-swarm）和M个子种群（Slave-swarm），这分别与上层模型中有一个委托方和下层模型中有M个承包商是相对应的。TLPSO种群的拓扑结构示意图见图3。

下面将给出TLPSO算法的主要部分及流程。

2.1 计算其适应值

对于上层种群，

这里FT是上层种群中粒子的适应值，α和β是惩罚项系数，其中运算（x）+定义为

下层各子种群的适应值函数为，

这里FB是下层子种群中粒子的适应值，γ和λ是惩罚项系数。

2.2 粒子更新

对于上、下层种群中的粒子，速度和位置更新公式如下：

速度和位置更新公式如下：

这里vki和xki分别是种群中第k个粒子在第i位的速度和位置。pki是种群中第k个粒子的最好位置，pgi是种群的最好位置，r是压缩因子，通常r=0.729,r1和r2区间[0,1]上的随机数，c1和c2是学习因子，通常c1r1+c2r2=4[31,34,35]。

2.3 TLPSO算法的流程

TLPSO算法的流程如图4。

3 仿真分析

本节以国内某IT外包服务公司为例来说明模型的重要作用和算法的有效性。

3.1例I

在本例的IT外包活动中有1个委托方和1个承包商，M=1,i=1。委托方需要为IT外包项目支付相应的投入，包括合同总价款为10000(U1=10000）、项目延期的赔偿款为3000(V1=3000）、控制整个项目进度风险的预算为1000(Bmax=1000）。同时，委托方要求承包商负责的子项目的拖期概率不能超过5%,Rmax=0.05。

对于承包商，其可以接受的最低利润率为20%,r=0.2。假设项目中有10个活动（Ni=10）。每一个活动的直接费用为300，即cij=300,i=1,j=1,2，…，10。每一个活动的风险发生概率与风险控制资金投入之间具有一定的负相关关系，即较多的投入意味着该活动的成功率增大。将此关系由凹的单调增函数表示为

这里i=1,j=1,2，…，10。参数ηij的取值见表1，其不同取值表示相同风险控制投入对于不同活动中风险控制作用效果的区别。

在风险控制资金的作用下，各活动的工期会相应的缩减，工期由tij变为tij(yij）。随着风险控制资金的增加，活动的工期缩减量也随之增大。风险控制资金的作用下活动的实际工期由凹的单调减函数表示为

这里i=1,j=1,2，…，10。参数εi=100，即假设未进行风险控制前各活动的实际工期。参数μij的取值见表2，其不同取值表示相同风险控制投入对于不同活动工期缩减作用效果的区别。由式（30）可以得出，在进行风险控制之前，项目i的实际工期为1000。风险发生概率函数和工期函数的示意图见图5。

针对例I，设计1个主种群和1个子种群的TLPSO算法。根据问题，适应值函数（12）和（13）中的惩罚项系数分别给定为α=1，β=10，γ=1000和λ=10。主种群和子种群中的学习因子的值均设置为c1=c2=2.05。经过多次仿真计算后，得到算法对于例I的参数组合，见表3，其中NPT是上层种群中的粒子数量，NPB是下层种群中的粒子数量，NGT是上层搜索的迭代次数，NGB是下层搜索的迭代次数。

求解结果列于表4中，对于例I，在进行风险控制之前，项目的工期为1000，拖期概率高达100%．从表4可以看出，在投入999.93的风险控制资金之后，IT外包项目的实际工期压缩为680，拖期概率下降为4.34%．承包商的完工概率为95.66%，承包商的收益为4394.77，利润率为43.95%，远远超过最低利润率20%．这说明风险控制有效的降低了IT外包项目的进度风险。

3.2 例II，例III

为了说明分布式决策模型和算法的决策支持作用，给出例II和例III两种更为实际且复杂的情况。在例II中，IT外包活动中有1个委托方和5个承包商，M=5,i=1,2，…，5。根据实际的需要，委托方将IT外包项目分解为5个相连的子项。委托方为IT外包项目支付的合同总价款为50000，这包括委托方分别与5个承包商签订的子合同，假定各子合同的价款均为10000，即Ui=10000,i=1,2，…，5。各子项目延期的赔偿款均为3000，即Vi=3000,i=1,2，…，5。控制整个项目进度风险的预算为5000,Bmax=5000。同时，委托方要求各承包商负责的子项目的拖期概率不能超过5%,Rmax=0.05。在例III中，IT外包活动中有1个委托方和10个承包商，M=10,i=1,2，…，10。根据实际的需要，委托方将IT外包项目分解为10个相连的子项。委托方为IT外包项目支付的合同总价款为100000，这包括委托方分别与10个承包商签订的子合同，假定各子合同的价款均为10000，即Ui=10000,i=1,2，…，10。各子项目延期的赔偿款均为3000即Vi=3000,i=1,2，…，10。控制整个项目进度风险的预算为10000,Bmax=10000。委托方要求各承包商负责的子项目的拖期概率不能超过5%,Rmax=0.05。

对于例II和例III，各承包商可以接受的最低利润率均为20%,r=0.2。假设各子项目中有10个活动（Ni=10）。每一个活动的直接费用为300，即cij=300,i=1,2，…，5,j=1,2，…，10。每一个活动的风险发生概率与风险控制资金投入之间具有一定的负相关关系，将此关系由凹的单调增函数表示，见式（16），参数ηij的取值见表1。在风险控制资金的作用下，各活动的工期会相应的缩减，工期由tij变为tij(yij）。随着风险控制资金的增加，活动的工期缩减量也随之增大。风险控制资金的作用下活动的实际工期由凹的单调减函数表示，见式（17），参数μij的取值见表2。

针对例II和例III，分别设计1个主种群、5个子种群和1个主种群、10个子种群的TLPSO算法。根据问题，适应值函数（12）和（13）中的惩罚项系数分别给定为α=1，β=10，γ=1000和λ=10。主种群和子种群中的学习因子的值均设置为c1=c2=2.05。仿真计算得到的参数组合分别见表5和表6。对比表3、表5和表6中算法各参数的变化，发现上层搜索的参数发生了明显的变化，而下层搜索的参数变化却不大。对于例I、例II和例III，上层种群中粒子的数量NPT不断增大，变化为100、500和1000，上层搜索的迭代次数NGT也不算增大，从50变为150。对于下层种群，其种群中粒子的数量NPB一致保持不变，下层搜索中迭代次数NGB仅在复杂问题例III中有所增大。从例I到例III的问题规模变化可以看出，随着子项目数量的增加，优化问题的上层规模显著增大，而对于下层而言问题的规模却未发生明显的变化。于是，算法的参数设计中所表现出来的，上层搜索中的参数变化较大，下层搜索中的参数变化较小，是合理的现象。

例II和例III的求解结果分别列于表7和表8中，对于例II，在进行风险控制之前，各项目的工期为1000，项目的总工期为5000，且拖期概率高达100%．从表7可以看出，在风险控制之后，IT外包项目的实际工期压缩为3367，各子项的实际工期分别为677,680,640,704,666，拖期概率下降为8.47%．承包商的完工概率分别为99%,98%,99%,98%,98，均大于95%的完工概率要求。承包商的收益分别为4811.41,4743.79,4929.38,4629.52,4708.26，利润率在为46.29%～49.29%，远远超过最低利润率20%．对于例III，在进行风险控制之前，各项目的工期为1000，项目的总工期为10000，且拖期概率高达100%．从表8可以看出，在风险控制之后，IT外包项目的实际工期压缩为6663，各子项的实际工期分别为682,602,661,666,687,677,688,698,635,665，拖期概率下降为18.83%．承包商的完工概率分别为97%,99%,98%,98%,98%,99%,97%,98%,98%,97%，均大于95%的完工概率要求。承包商的收益分别为4620.98,5120.53,4748.77,4759.22,4627.17,4830.55,4619.36,4693.50,4848.80,4587.58，利润率在为45.87%～51.2%，均超过最低利润率20%．这说明风险控制有效的降低了IT外包项目的进度风险。

对比例I、例II和例III中的仿真结果，可以看出，当IT外包项目中的活动增多时，再投入等比例风险控制资金的情况下，项目的拖期概率显著增加，从4.34%增大到8.47%和18.83%，如图6。这说明随着外包中成员的增多和活动数量的增加，风险控制的难度也随之变大。若要将项目的拖期概率控制在低水平（如5%，通常认为5%是小概率事件，不可能发生），则需要对各承包商的完工概率提出更高的要求，并从风险控制资金等方面付出更大的努力。

4 结论