Интеллектуальные системы бизнес-аналитики
ART 86274
Авторы:
Т.
К. Абдуллаева, Д.
Д. Дустова
Т.
К. Абдуллаева, Д.
Д. Дустова Библиографическое описание статьи для цитирования:
Абдуллаева
Т.
К.,
Дустова
Д.
Д. Интеллектуальные системы бизнес-аналитики // Научно-методический электронный журнал «Концепт». –
2016. – Т. 11. – С.
1271–1275. – URL:
http://e-koncept.ru/2016/86274.htm.
Аннотация. Рассмотрено понятие интеллектуального капитала как фактора успешности функционирования предприятия на рынке. Исследованы методы интеллектуального анализ данных (Data mining) и области их применения, проанализированы аналитические платформы зарубежного и российского рынка.
Ключевые слова:
интеллектуальные системы, data mining, интеллектуальный анализ данных, аналитические платформы
Текст статьи
Дустова Джувария Джумартовна,магистрант1 курсафакультета магистерской подготовки ФГБОУ ВО «Дагестанский государственный технический университет», г. Махачкалаddd0294@mail.ru
Абдуллаева Тамара Курбановна,доктор экономических наук, профессор,заведующая кафедрой «Менеджмент» ФГБОУ ВО «Дагестанский государственный технический университет», г. Махачкалаreli65@mail.ru
Интеллектуальные системы бизнесаналитики
Аннотация:Рассмотрено понятие интеллектуального капитала, как фактора успешности функционирования предприятия на рынке. Исследованы методы интеллектуального анализ данных (Datamining)и области их применения,проанализированы аналитические платформызарубежного и российского рынка.Ключевые слова: Datamining, интеллектуальный анализ данных, аналитические платформы, интеллектуальные системы.
Интеллектуальные и информационные ресурсы играют все возрастающую роль в постиндустриальном обществе. Экономика и бизнеспроцессы не могут полноценно функционировать без информации. В настоящий момент интеллектуальные данные, специальные знания и информация становятся определяющими факторами конкурентных преимуществ на рынке. Организация должна обладать достаточным качественным интеллектуальным материалом и умело его применять на практикедля того чтобы быть успешной в своей деятельности.
Информационная база организации служит основой принятия управленческих решений. И потому она должна аккумулировать только достоверную, точную, полезную информацию. Ошибки или недостоверность информации могут привести к неверным действиям руководителя, чтов целом негативно отразится наорганизации. Информационная база предприятия пополняется также профессиональнымизнаниями, умениямисотрудников организации, таким образом формируется ееинтеллектуальный капитал.Он имеет огромное значение в определении успешности функционирования предприятия.Владея большей информацией, чем конкуренты, предприятие сможет принять более обоснованные решения, планировать свою деятельность, оно приобретает конкурентное преимущество.От профессиональных навыков персонала зависит успешность организации, прибыльность, положение на рынке. Интеллектуальный капитал это не только знания, но и научные разработки, изобретения, патенты, а также базы данных организации
весь тот объем человеческих и нематериальных активов компании. Передовые организацииуделяют большоевниманиеегоразвитию, вкладывая большие средства в его формирование дляэффективного использования вуправленческих процессах. Процесс создания и накопления интеллектуального капитала является сложным и трудоёмким, особенно сейчас, в условиях быстро меняющегося мира.Это связано,прежде всего,с высокойдинамичностью жизни, экономики, бизнеса, технологий, науки.Мир не стоит на месте, постояннопоявляются чтото новое: новые товары или услуги,технологии, рынки, открываются новые отрасли.Знания устаревают, становятся бесполезными, хотя еще вчера были эффективными, необходимо учиться новому, осваивать новые технологии и применять передовые методы. Без этого в современных условиях успешность компании невозможна.Структура экономических и бизнеспроцессов также затрудняет процесс развития интеллектуального капитала компании. Онапроцессов сложная, многогранная и включает большое количество взаимосвязанных элементов. Учесть все эти взаимосвязи бывает сложно. Накапливается большой объем материала, который необходимо аналитически обработать. И здесь не обойтись без современных технологий. Дляпроведения эффективного анализа и принятия на его основе управленческого решения необходимо применятьв организации новейшие информационныетехнологии. Data Mining представляет собойдостаточно новое направление, получившее сейчас большой интерес. Datamining–это направлениеинформационных технологий, восновекотороголежит концепция шаблонов (паттернов). Шаблоныпредставляют собой закономерности, свойственные выборкам данных. Ониотражаютфрагменты многосторонних взаимоотношений. При этом выявленные закономерности представляются вкомпактной и понятной человеку форме. Необходимовыделить нетривиальность паттерновтехнологии Data Mining, то есть они показываютнеочевидные зависимости и закономерностив анализируемых данных, их еще называютскрытыми знаниями.Наиболее популярнымиметодами(задачами)интеллектуального анализа данных являютсяклассификация, кластеризацияи прогнозирование.Применение данных методов определяется ситуацией, условиями, имеющимися данными и необходимым результатом. Методклассификациипозволяет определитьпринадлежность данных к заранее известному числу классов. То есть имеется множество определенных классов. Класс характеризуется совокупностью определенныхсвойств. Примером классификации является разделение товаров на качественные и некачественные. Для того чтобы определить, к какой группе относится товар необходимо проанализировать ряд его характеристик. Характеристиками качественного товара могут являться функциональность, надежность, безопасность, эргономичность, экологичность и другие. Таким образом, методом классификации аналитическая программа характеризует, определяет объект по совокупности его свойств. То есть программа определяет значение зависимой переменной, которая может определяться значениями «качественный» «некачественный» товар, исходя из известной совокупности характеристик (экологичность, долговечность, функциональность и т.д.)Метод кластеризацииили кластерный анализзадачаявляется логическим продолжением метода классификации, когда набор классов заранее не известен.Достоинством данного метода анализаявляется то, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков. Кроме того, кластерный анализ в отличие от большинства математикостатистических методов не накладывает никаких ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы. Это имеет большое значение, например, для прогнозирования конъюнктуры, когда показатели имеют разнообразный вид, затрудняющий применение традиционных эконометрических подходов. Кластерным методом можно изучать большие массивы информации, сложной по своей структуре и описываем множеством характеристик. Примером кластеризации являетсяделение стран на группы по уровню развитияпо совокупности таких характеристик как: ВВП, национальный доход на душу населения, доля населения занятого в промышленности и т.д. Метод прогнозированияявляется одной из наиболее востребованных задач в сфере бизнеса. Потребность в определении будущих показателей или состояний объектов реализуется при помощи анализа показателей прошлых периодов, экспертных оценок, статистических методов и построения моделей. Методпрогнозированияприменяется для оценки будущего объема продаж, спроса на товары и услуги, цен, прогнозирования структуры сбыта, характеризующегося сезонными колебаниями, а также потребности в ресурсах. Прогнозирование необходимо на всех предприятиях для принятия управленческих решений и его точность зависит от качества имеющейся информации, научнометодической базы и целей анализа.Интеллектуальный анализ данных позволяет практически в автоматическом режиме решать задачи классификации, кластеризации, прогнозирования, моделирования, определения закономерностей и зависимостей, от пользователя требуется наличие исходных данных и определение условий анализа.Интеллектуальный анализ данных –это незаменимый помощник в организации, который помогает выделить нужное, искомое, полезное из большого массива информациив удобной и доступной пользователю форме без больших усилий с его стороны. Data Mining или интеллектуальный анализ данных можно применять везде,где имеются какиелибо данные, в любой отрасли и сфере:торговля;банковская система;страхование;инвестиции;медицина;финансовая сфера;строительство;и даже молекулярная генетика и генная инженерияНаибольший интерес данное направление технологий имеет укоммерческихорганизаций. Опыт предприятий, использовавших Dataminingпри разработке проектов,показывает
отдачуот использования технологиив1000%. Например, в некоторых случаяхэкономический эффект в 1070 раз превысил первоначальные затраты[2]. Внедрение технологии интеллектуального анализа данныхв сети торговых центровВеликобритании дало экономию700 тысяч долларовв год.Команда Google помогла предсказать географию распространения гриппа AH1N1, проанализировав десятки терабайтовданных, основанных на информации пользователей поисковика. Перспективы исследований настолько привлекательны, что в этой наа рынке ITтехнологийсегодня большое количествокомпаний активно разрабатывают и предлагаютсвоианалитические программыв области интеллектуальногоанализаданных.
Аналитические программы комплексно обеспечивают выполнение всех этапов интеллектуального анализа данных. Стоимость приложенийинтеллектуального анализа данных при этомколеблетсяот нескольких тысяч до нескольких десятковтысяч долларов.Крупные университеты, компании и научноисследовательские центры разрабатывают и бесплатные программные обеспечения. Например, компания BaseGroup Labsвыпустиладемоверсию Deductor Academic, которая распространяется бесплатно и активно применяетсяв университетахРоссии и за рубежом.В организациях информация, которуюнеобходимо проанализировать, может быть размещенав различных источниках, например, в базеданных, на компьютерах в документах, системеучетана аппаратах и терминалахили быть на различныхносителях. Возникает потребность их интеграции для проведения аналитической обработки. Для этих целейаналитическая система должна иметь модуль импорта и конвертер, так как данные могут быть представлены в разных форматах и типах файлов. Существуют также специализированные хранилища данных. Они отличаются от обычных баз данныхтем, что адаптированы именно для целей и задач DataMining, интегрируяданныеиз различных источников. [1]Перед тем как провести анализ данных, их нужно подготовить. Процедура подготовки проводится в два этапа: 1)очистка данных2)трансформация
На первом этапеиз данных исключаются все аномальные и значения, противоречия, пропуски, дубликаты, шумы, то есть значения, которые могут помешать дальнейшей корректной обработке данных, что может негативно отразится на верности и точностирезультатов анализа. На втором этапе происходиттрансформация очищенных данных, то естьданныесогласовываются между собойпо типу, форматус помощью преобразования, группировки, нормирования. Если данные не требуют трансформации, этот этап пропускается, и данные переходят на процедуру аналитической обработки.Для этих целей применяются две группы методов: математическая статистика и методы машинного обучения. Наиболее распространенными в аналитических системах являются методы машинного обучения. Методы машинного обучения автоматически вычисляют зависимости и закономерности. К этим методам относятся дерево решений, нейронные сети, ассоциативные правила и другие.В результате аналитической обработкиформируетсямодель. Модель отражает все выявленные зависимости, закономерности. Она сохраняется и ее можно в дальнейшем использовать. Эффективная аналитическая система обязательно имеет модуль визуализации. С его помощью модуля визуализации полученную модель можно представить в удобном для понимания пользователем виде. В форме графиков, диаграмм, таблиц, что удобно в работе с результатом, его интерпретации и принятии на его основе управленческого решения. Большим плюсом аналитической системы является также возможность экспортировать полученные результаты в другие программные средства и работать с ними.Такие гиганты на рынке ITтехнологий, как IBM, Microsoft, SASи SPSSразработали свои аналитические платформы SAS Enterprise Miner, IBM Intelligent Miner, SPSS Clementine, но их стоимость колеблется на уровне десятков тысяч долларов, при том, чточасто не имеют русифицированных версий, поддержкипроектов,реализуемых вРоссии.
На российском рынке вданный момент единственной полноценной аналитической программойявляется Deductor. Deductor–разработка российскойкомпании BaseGroup Labs. На основе этой программы было разработано и реализовано более 100 проектов. Функциональные качества аналитическойпрограммыне уступаютуровню современных зарубежных аналогов, но при этом еестоимость намногониже, имеется служба поддержкина русском языке, обучающие курсы и материалы, шаблоны на сайте разработчика.Подводя итог можно сказать,что на сегодняшний деньинтеллектуальный анализ данных являетсяне только эффективныминструментом формирования интеллектуального капиталакомпании, но и фактором успешности компании, ее конкурентоспособностина рынке. Более глубокая аналитическая база гарантирует более продуманные решения и как следствие более продуктивный результат.Российским предприятиям необходимо идти в ногу со временем, отслеживать изменения, приобретать новые знания и применять новейшие технологии.
Ссылки на источники1. Орешков В.И.Интеллектуальный анализ данных как важнейший инструмент // Креативная экономика. —2011. —№ 12 (60). —c. 8489. —http://old.creativeconomy.ru/articles/14012/2.Кречетов Н.А. Продукты для интеллектуального анализа данных. Рынок программных средств, N1415_97, c. 3239.
Абдуллаева Тамара Курбановна,доктор экономических наук, профессор,заведующая кафедрой «Менеджмент» ФГБОУ ВО «Дагестанский государственный технический университет», г. Махачкалаreli65@mail.ru
Интеллектуальные системы бизнесаналитики
Аннотация:Рассмотрено понятие интеллектуального капитала, как фактора успешности функционирования предприятия на рынке. Исследованы методы интеллектуального анализ данных (Datamining)и области их применения,проанализированы аналитические платформызарубежного и российского рынка.Ключевые слова: Datamining, интеллектуальный анализ данных, аналитические платформы, интеллектуальные системы.
Интеллектуальные и информационные ресурсы играют все возрастающую роль в постиндустриальном обществе. Экономика и бизнеспроцессы не могут полноценно функционировать без информации. В настоящий момент интеллектуальные данные, специальные знания и информация становятся определяющими факторами конкурентных преимуществ на рынке. Организация должна обладать достаточным качественным интеллектуальным материалом и умело его применять на практикедля того чтобы быть успешной в своей деятельности.
Информационная база организации служит основой принятия управленческих решений. И потому она должна аккумулировать только достоверную, точную, полезную информацию. Ошибки или недостоверность информации могут привести к неверным действиям руководителя, чтов целом негативно отразится наорганизации. Информационная база предприятия пополняется также профессиональнымизнаниями, умениямисотрудников организации, таким образом формируется ееинтеллектуальный капитал.Он имеет огромное значение в определении успешности функционирования предприятия.Владея большей информацией, чем конкуренты, предприятие сможет принять более обоснованные решения, планировать свою деятельность, оно приобретает конкурентное преимущество.От профессиональных навыков персонала зависит успешность организации, прибыльность, положение на рынке. Интеллектуальный капитал это не только знания, но и научные разработки, изобретения, патенты, а также базы данных организации
весь тот объем человеческих и нематериальных активов компании. Передовые организацииуделяют большоевниманиеегоразвитию, вкладывая большие средства в его формирование дляэффективного использования вуправленческих процессах. Процесс создания и накопления интеллектуального капитала является сложным и трудоёмким, особенно сейчас, в условиях быстро меняющегося мира.Это связано,прежде всего,с высокойдинамичностью жизни, экономики, бизнеса, технологий, науки.Мир не стоит на месте, постояннопоявляются чтото новое: новые товары или услуги,технологии, рынки, открываются новые отрасли.Знания устаревают, становятся бесполезными, хотя еще вчера были эффективными, необходимо учиться новому, осваивать новые технологии и применять передовые методы. Без этого в современных условиях успешность компании невозможна.Структура экономических и бизнеспроцессов также затрудняет процесс развития интеллектуального капитала компании. Онапроцессов сложная, многогранная и включает большое количество взаимосвязанных элементов. Учесть все эти взаимосвязи бывает сложно. Накапливается большой объем материала, который необходимо аналитически обработать. И здесь не обойтись без современных технологий. Дляпроведения эффективного анализа и принятия на его основе управленческого решения необходимо применятьв организации новейшие информационныетехнологии. Data Mining представляет собойдостаточно новое направление, получившее сейчас большой интерес. Datamining–это направлениеинформационных технологий, восновекотороголежит концепция шаблонов (паттернов). Шаблоныпредставляют собой закономерности, свойственные выборкам данных. Ониотражаютфрагменты многосторонних взаимоотношений. При этом выявленные закономерности представляются вкомпактной и понятной человеку форме. Необходимовыделить нетривиальность паттерновтехнологии Data Mining, то есть они показываютнеочевидные зависимости и закономерностив анализируемых данных, их еще называютскрытыми знаниями.Наиболее популярнымиметодами(задачами)интеллектуального анализа данных являютсяклассификация, кластеризацияи прогнозирование.Применение данных методов определяется ситуацией, условиями, имеющимися данными и необходимым результатом. Методклассификациипозволяет определитьпринадлежность данных к заранее известному числу классов. То есть имеется множество определенных классов. Класс характеризуется совокупностью определенныхсвойств. Примером классификации является разделение товаров на качественные и некачественные. Для того чтобы определить, к какой группе относится товар необходимо проанализировать ряд его характеристик. Характеристиками качественного товара могут являться функциональность, надежность, безопасность, эргономичность, экологичность и другие. Таким образом, методом классификации аналитическая программа характеризует, определяет объект по совокупности его свойств. То есть программа определяет значение зависимой переменной, которая может определяться значениями «качественный» «некачественный» товар, исходя из известной совокупности характеристик (экологичность, долговечность, функциональность и т.д.)Метод кластеризацииили кластерный анализзадачаявляется логическим продолжением метода классификации, когда набор классов заранее не известен.Достоинством данного метода анализаявляется то, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков. Кроме того, кластерный анализ в отличие от большинства математикостатистических методов не накладывает никаких ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы. Это имеет большое значение, например, для прогнозирования конъюнктуры, когда показатели имеют разнообразный вид, затрудняющий применение традиционных эконометрических подходов. Кластерным методом можно изучать большие массивы информации, сложной по своей структуре и описываем множеством характеристик. Примером кластеризации являетсяделение стран на группы по уровню развитияпо совокупности таких характеристик как: ВВП, национальный доход на душу населения, доля населения занятого в промышленности и т.д. Метод прогнозированияявляется одной из наиболее востребованных задач в сфере бизнеса. Потребность в определении будущих показателей или состояний объектов реализуется при помощи анализа показателей прошлых периодов, экспертных оценок, статистических методов и построения моделей. Методпрогнозированияприменяется для оценки будущего объема продаж, спроса на товары и услуги, цен, прогнозирования структуры сбыта, характеризующегося сезонными колебаниями, а также потребности в ресурсах. Прогнозирование необходимо на всех предприятиях для принятия управленческих решений и его точность зависит от качества имеющейся информации, научнометодической базы и целей анализа.Интеллектуальный анализ данных позволяет практически в автоматическом режиме решать задачи классификации, кластеризации, прогнозирования, моделирования, определения закономерностей и зависимостей, от пользователя требуется наличие исходных данных и определение условий анализа.Интеллектуальный анализ данных –это незаменимый помощник в организации, который помогает выделить нужное, искомое, полезное из большого массива информациив удобной и доступной пользователю форме без больших усилий с его стороны. Data Mining или интеллектуальный анализ данных можно применять везде,где имеются какиелибо данные, в любой отрасли и сфере:торговля;банковская система;страхование;инвестиции;медицина;финансовая сфера;строительство;и даже молекулярная генетика и генная инженерияНаибольший интерес данное направление технологий имеет укоммерческихорганизаций. Опыт предприятий, использовавших Dataminingпри разработке проектов,показывает
отдачуот использования технологиив1000%. Например, в некоторых случаяхэкономический эффект в 1070 раз превысил первоначальные затраты[2]. Внедрение технологии интеллектуального анализа данныхв сети торговых центровВеликобритании дало экономию700 тысяч долларовв год.Команда Google помогла предсказать географию распространения гриппа AH1N1, проанализировав десятки терабайтовданных, основанных на информации пользователей поисковика. Перспективы исследований настолько привлекательны, что в этой наа рынке ITтехнологийсегодня большое количествокомпаний активно разрабатывают и предлагаютсвоианалитические программыв области интеллектуальногоанализаданных.
Аналитические программы комплексно обеспечивают выполнение всех этапов интеллектуального анализа данных. Стоимость приложенийинтеллектуального анализа данных при этомколеблетсяот нескольких тысяч до нескольких десятковтысяч долларов.Крупные университеты, компании и научноисследовательские центры разрабатывают и бесплатные программные обеспечения. Например, компания BaseGroup Labsвыпустиладемоверсию Deductor Academic, которая распространяется бесплатно и активно применяетсяв университетахРоссии и за рубежом.В организациях информация, которуюнеобходимо проанализировать, может быть размещенав различных источниках, например, в базеданных, на компьютерах в документах, системеучетана аппаратах и терминалахили быть на различныхносителях. Возникает потребность их интеграции для проведения аналитической обработки. Для этих целейаналитическая система должна иметь модуль импорта и конвертер, так как данные могут быть представлены в разных форматах и типах файлов. Существуют также специализированные хранилища данных. Они отличаются от обычных баз данныхтем, что адаптированы именно для целей и задач DataMining, интегрируяданныеиз различных источников. [1]Перед тем как провести анализ данных, их нужно подготовить. Процедура подготовки проводится в два этапа: 1)очистка данных2)трансформация
На первом этапеиз данных исключаются все аномальные и значения, противоречия, пропуски, дубликаты, шумы, то есть значения, которые могут помешать дальнейшей корректной обработке данных, что может негативно отразится на верности и точностирезультатов анализа. На втором этапе происходиттрансформация очищенных данных, то естьданныесогласовываются между собойпо типу, форматус помощью преобразования, группировки, нормирования. Если данные не требуют трансформации, этот этап пропускается, и данные переходят на процедуру аналитической обработки.Для этих целей применяются две группы методов: математическая статистика и методы машинного обучения. Наиболее распространенными в аналитических системах являются методы машинного обучения. Методы машинного обучения автоматически вычисляют зависимости и закономерности. К этим методам относятся дерево решений, нейронные сети, ассоциативные правила и другие.В результате аналитической обработкиформируетсямодель. Модель отражает все выявленные зависимости, закономерности. Она сохраняется и ее можно в дальнейшем использовать. Эффективная аналитическая система обязательно имеет модуль визуализации. С его помощью модуля визуализации полученную модель можно представить в удобном для понимания пользователем виде. В форме графиков, диаграмм, таблиц, что удобно в работе с результатом, его интерпретации и принятии на его основе управленческого решения. Большим плюсом аналитической системы является также возможность экспортировать полученные результаты в другие программные средства и работать с ними.Такие гиганты на рынке ITтехнологий, как IBM, Microsoft, SASи SPSSразработали свои аналитические платформы SAS Enterprise Miner, IBM Intelligent Miner, SPSS Clementine, но их стоимость колеблется на уровне десятков тысяч долларов, при том, чточасто не имеют русифицированных версий, поддержкипроектов,реализуемых вРоссии.
На российском рынке вданный момент единственной полноценной аналитической программойявляется Deductor. Deductor–разработка российскойкомпании BaseGroup Labs. На основе этой программы было разработано и реализовано более 100 проектов. Функциональные качества аналитическойпрограммыне уступаютуровню современных зарубежных аналогов, но при этом еестоимость намногониже, имеется служба поддержкина русском языке, обучающие курсы и материалы, шаблоны на сайте разработчика.Подводя итог можно сказать,что на сегодняшний деньинтеллектуальный анализ данных являетсяне только эффективныминструментом формирования интеллектуального капиталакомпании, но и фактором успешности компании, ее конкурентоспособностина рынке. Более глубокая аналитическая база гарантирует более продуманные решения и как следствие более продуктивный результат.Российским предприятиям необходимо идти в ногу со временем, отслеживать изменения, приобретать новые знания и применять новейшие технологии.
Ссылки на источники1. Орешков В.И.Интеллектуальный анализ данных как важнейший инструмент // Креативная экономика. —2011. —№ 12 (60). —c. 8489. —http://old.creativeconomy.ru/articles/14012/2.Кречетов Н.А. Продукты для интеллектуального анализа данных. Рынок программных средств, N1415_97, c. 3239.
