WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

Pages:     | 1 || 3 |

«В.С. Белов Информационноаналитические системы Основы проектирования и применения Учебно-практическое пособие Издание 2-ое, переработанное и дополненное Москва 2005 1 УДК 004.415 ББК 32.973.202 Б 435 Белов В.С. ...»

-- [ Страница 2 ] --

– МД для сущностей, описывающих содержимое ИХ, Рабочие метаданные — это совокупность атрибутов, используемых в процессе эксплуатации системы (хранилища или ИАС в целом) Они делятся на активные и пассивные.

Определение По динамике использования различают МД активные и пассивные. К активным относят те, которые контролируют функции или поведение приложений. Пассивные носят информационный характер и используются при просмотре содержимого ИХ.

По стадии применения различают проектные и рабочие метаданные Активные рабочие МД имеют два источника: проектные метаданные и собственные компоненты метаданных ИХ. Этот тип МД используется для управления ИХ в частности и ИАС в целом на этапе эксплуатации системы. Активные рабочие метаданные используют для обеспечения безопасности и контроля за доступом к данным в ИХ, накопления статистики по обращениям к тем или иным разделам ИХ Определение с целью совершенствования архитектуры ИАС. Информация, учитывающая время, может составлять значительный объем, к тому же она динамична. В размерностной (шестимерной) модели часть активных рабочих МД соответствует измерениям, описывающим операции над данными и людей, пользующихся хранилищем, а также временной аспект, то есть привязку данных и событий ко времени.

Пассивные рабочие МД привязаны к деловому аспекту, то есть целевому использованию ИХ. Пользователь, используя такие МД, приобретает возможность легче ориентироваться в огромных массивах данных, экономя время на доступ к ним, применять их для формирования запросов, для облегчения понимания смысла содержащихся в ИХ Пользователи должны знать источник содержащихся в ИХ данных, ответственных лиц, график загрузки. Эти сведения должны содержаться в репозитории МД. Помимо этого необходимо хранить данные о приложениях, языках программирования, датах переработки, о моделях данных, которые используются в CASE-средствах 3.3.3. Модели метаданных по измерениям Информационно аналитические системы Под измерениями при рассмотрении совокупностей метаданных, понимают назначение и другие отличительные признаки входящих в эти совокупности групп МД. Различают (13) два основных вида классификации и соответствующих моделей: трехмерную и шестимерную.

3.3.3.1. Трехмерная система классификации и модель МД Такая система подразумевает три типа метаданных:

— МД оперативных баз данных — источников данных для ИХ, — МД об использовании данных, то есть об их назначении в интересах конечного пользователя, — МД для управления информационным хранилищем.

Эта система классификации применяется для ИХ и ИАС малого масштаба с одной предметной областью или небольшим их количеством.

Рис. 3.6. Трехмерная модель метаданных 3.3.3.2. Размерностная модель МД информационного хранилища Эта модель обеспечивает более детальный и строгий учет данных, сосредоточенных в ИХ. Она отвечает на вопросы: что? где? когда? кто? почему? как?. Такая модель называется схемой Захмана.

Перечислим эти измерения:

1. Сущности, которые составляют содержимое ИХ — Что?

2. Размещение данных в операционных базах и непосредственно в ИХ — Где?

3. Моменты загрузки и агрегирования данных, время их происхождения — Когда?

4. Люди, которые используют и поддерживают хранилища; ответственные за факты, события, ценности и т.д. — Кто?

5. Движущие силы создания и развития ИХ — Почему?

6. Действия, которые выполняются над данными — Как?

Рис. 3.7. Размерностная модель МД ИХ 3.3.4. Содержание компонентов размерностной модели МД ИХ 3.3.4.1. Метаданные, описывающие сущности Это измерение является основой создания информационного хранилища. От правильности формирования содержимого хранилища зависит успех его использования. Должна быть документально определена предметная область (или области) и зафиксирована в метаданных.

Если рассматривается несколько предметных областей, то в метаданных должны быть сведения о взаимодействии этих областей, а для одной предметной области о связях ее частей.

Сущности определяются на этапе моделирования. МД должны содержать имена полей, тип данных, домены включенных в ИХ данных, а также сведения о полях в источниках. Одна часть описаний полей может содержаться в источниках данных, другая — в хранилище, а также возможно их нахождение одновременно и в источниках и в хранилище.

Связи между сущностями определяются бизнес-правилами и они фиксируются в базе метаданных. При моделировании структуры метаданных ИХ целесообразно применение объектного подхода и соответствующих инструментальных средств.

3.3.4.2. Метаданные, относящиеся к размещению ресурсов В базе метаданных должны быть сведения о размещении ресурсов ИХ и ИАС в целом.

К таким ресурсам относятся: серверы, рабочие станции, сетевое оборудование, программные средства. Эти метаданные используются для управления конфигурацией, сопровождения системы. Они создаются путем загрузки файла конфигурации таких операционных систем как: UNIX, LINUX, Windows и других, а также путем выполнения инвентаризации технической и программной платформы.

3.3.4.3. Метаданные, описывающие временные аспекты ИХ В хранилище отслеживаются:

время происхождения событий в бизнес-сфере или другой предметной области;

периоды времени, в течение которых происходят процессы;

моменты появления сведений в источниках данных и в хранилище, другие характерные точки привязки ко времени.



Имеются сущности из пользовательской сферы, которые акцентируют внимание на временных аспектах. К ним относятся: планы, графики работ, планируемая и фактическая их продолжительность.

В репозиторий вносятся МД, относящиеся к функционированию ИАС, в том числе: моменты обращения пользователей, длительность отклика на запросы, моменты начала и оконИнформационно аналитические системы чания загрузки данных в хранилище. По этим сведениям можно оценивать динамические характеристики ИАС.

3.3.4.4. Метаданные, относящиеся к пользователям и администраторам ИХ и ИАС Функции, права доступа лиц, имеющих отношение к ИХ, фиксируются в соответствующих разделах базы МД. У названных лиц, независимо от названий их должностей в тех или иных организациях, имеются определенные права и обязанности, касающиеся работы в среде ИАС. Суть их работы определяется направлением деятельности: архитектор данных, специалист по информационным технологиям, руководитель проекта, администраторы баз данных первичных источников, бизнес-аналитик, менеджеры деловой сферы (лица, принимающие решения) и другие.

Все роли и лица их выполняющие должны быть зафиксированы в репозитории ИХ. Там же должна быть отражена организационная структура или ее часть, относящаяся к ИАС.

Защита данных в процессе создания ИАС должна осуществляться, но поэтапно, чтобы не слишком ограничивать действия исполнителей проекта. Полномасштабная корпоративная защита вводится по завершении проекта.

3.3.4.5. Метаданные о движущих силах создания ИАС Под движущими силами авторы концепции размерностной модели метаданных ИХ понимают цели и задачи проекта ИАС, которые должны быть четко сформулированы и внесены в репозиторий. Необходимо дать описание выполнения задач бизнес-подразделений.

Целесообразно отобразить организационные и технические меры по обеспечению высокого качества данных. В состав МД вводят характеристики ИАС по возможностям смыслового содержания запросов, скорости ответа на них, которые определяют в ходе испытаний и опытной эксплуатации. Отражаются схемы и технологии взаимодействия с бизнеспользователями.

3.3.4.6. Действия, которые выполняются над данными В репозитории должны находиться МД о преобразованиях, которым должны подвергнуться перегружаемые из источников в хранилище данные. Должен быть разъяснен и унифицирован в хранилище их смысл. Необходимо отобразить те действия, которые совершаются над данными в хранилище заблаговременно с тем, чтобы не тратилось время на это при реализации запланированных запросов, а также расширялись возможности по совершению действий над данными при выполнении незапланированных запросов.

3.4. Модели данных информационного хранилища 1. Понятия модели данных информационного хранилища.

2. Элементы моделей данных информационного хранилища.

3. Схемы представления многомерных данных.

3.4.1. Понятия модели данных информационного хранилища Многомерная модель данных представляет исследуемый объект в виде многомерной или объектно-ориентированной схемы данных, которая в геометрическом представлении выглядит как система поликубов. Для зрительного восприятия используют совокупность фрагментарных трехмерных моделей. По осям или граням куба откладываются измерения или реквизиты-признаки.

Реквизиты-основания являются наполнением ячеек куба. Многомерный куб или как иногда называют пул данных может быть представлен комбинацией трехмерных кубов с целью облегчения восприятия и квазиобъемного представления при формировании отчетных и аналитических докуТехнологии сбора и хранения данных – ментов и мультимедийных презентаций по материалам аналитических работ в системе поддержки принятия решений.

Многомерные данные могут быть отображены в моделях посредством инструментов в виде СУБД на основе реляционных моделей данных, а также и специальными многомерными инструментальными средствами, называемыми объектными надстройками (32), многомерными и/или объектно-ориентированными СУБД.

3.4.2. Элементы моделей данных информационного хранилища 3.4.2.1. Содержание и назначение таблицы фактов В многомерном пуле информации создается большая центральная таблица, называемая таблица факта (fact table). В ней помещаются все данные относительно интересующего пользователя обобщающего показателя, то есть объекта или события, которые интересуют пользователя. Таблицы фактов содержат числовые или качественные (содержательные) значения.

Рассматривают четыре вида фактов:

– транзакционные факты (transaction facts), отражающие происходящие в системе события, например финансовые и другие операции;

– «моментальные снимки» (Snapshot facts), фиксирующие состояния объекта в заданные моменты времени — наличие товаров на складах, состояния счетов в банке и так далее;

– элементы документов (Line-item facts), содержащие сведения о реквизитах документов — таких как количество отправленных, полученных товаров, ценах, дате и времени отправки;

– событие или состояние объекта (Event or state facts), отражающие акт совершения того или иного действия — отправку или прибытие товара, перечисление денежных сумм без В таблицы фактов включаются, как правило, данные на уровне детализации, то есть самого нижнего уровня иерархии. Она имеет внутренний составной ключ из ключей окружающей ее меньших таблиц, которые содержат данные по признакам.

3.4.2.2. Таблицы размерности (измерений), другие компоненты модели Таблицы, наполняющие факт-таблицы содержанием называют таблицы размерности или измерений (dimensional table).

Они содержат постоянные или редко и мало изменяемые данные и должны находиться в отношении «один ко многим» к таблице фактов. Таблицы размерности являются родительскими по отношению к таблице факта. Таблица факта является дочерней. В случае наличия в таблице измерений иерархии в ней должны быть поля, указывающие на «предков». Их называют еще консольные таблицы (outrigger table). Они присоединяются к таблицам размерности и детализируют отдельные атрибуты. Консольные таблицы являются родительскими по отношению к таблицам размерности.

При разработке базы данных по схеме «звезда» или по другой многомерной схеме необходимо глубоко и тщательно проанализировать предметную область; поместить в центральную таблицу факта все характеризующие исследуемый объект данные, предварительно разработав систему признаков Консольные и таблицы размерности, а также таблица факта соединяются идентифицирующими связями. Первичные ключи родительских таблиц являются внешними ключами дочерних. Так, первичный ключ таблицы размерности является внешним ключом таблицы факта.

Консольные и таблицы размерности, а также таблица факта соединяются идентифицирующими связями. Первичные ключи родительских таблиц являются внешними ключами дочерних. Так, первичный ключ таблицы размерности является внешним ключом таблицы факта.

3.4.3. Схемы представления многомерных данных Представление многомерных данных, в том числе и на основе реляционных моделей может выполняться в виде трех вариантов схем:

Информационно аналитические системы Линейное представление на плоскости отображено на рисунках 3.8 — 3. Схема «звезда» состоит только из таблиц размерности и таблицы факта. Она представлена на рис. 3.8. и 3.11.

Развитием схемы «звезда» является схема «снежинка» (snowflake schema). Ее отличает от первой схемы большое количество консольных таблиц, они имеются практически на каждой таблице размерности и могут иметь несколько уровней иерархии, как показано на рис. 3.9. и 3.12.

Многомерные модели данных на основе многомерных СУБД отличаются денормализацией, точнее отсутствием или неполнотой нормализации. Допускаются дублирование или избыточность данных, сбалансированные и несбалансированные (включающие неодинаковое количество уровней для разных ветвей) иерархии. Ячейки гиперкубов, формируемые такими средствами, имеют одинаковую размерность, что также приводит к избыточному расходу ресурсов системы.

Объектно-ориентированные средства разработки приложений имеют возможности создания OLAP-средств анализа в случаях необходимости разработки оригинальных приложений.

Факт-таблицы служат непосредственным материалом для осуществления анализа, в особенности в оперативном режиме, так как они имеют многомерную природу и обеспечивают быстрое извлечение из них нужной информации для обоснования решений или использования в приложениях.

OLAP-анализ может быть реализован в системе клиент-сервер. Клиентские средства реализуют небольшое число измерений. Возможны различные варианты распределения функций между серверной и клиентской частями ИАС в OLAP-анализе.

Рис. 3.8. Модель данных по схеме «звезда»

Рис. 3.9. Модель данных по схеме «снежинка»

Рис. 3.10. Модель данных по схеме «созвездие»

Информационно аналитические системы Далее на рисунках 3.11 — 3.15 приведены примеры реализации названных моделей в среде СУБД MS SQL Server.

Рис. 3.11. Система таблиц по схеме «звезда»

Рис. 3.12. Система таблиц по схеме «Снежинка»

Информационно аналитические системы Рис. 3.13. Система таблиц по схеме «созвездие»

Рис. 3.14. Таблица фактов БД «Борей»

Рис. 3.15. Пример таблицы измерений БД «Борей»

Информационно аналитические системы 1. Какие этапы прохождения данных от первичных источников к пользователям Вы 2. В чем состоит идея гибкой архитектуры данных?

3. Назовите свойства открытых систем.

4. Каково содержание свойств расширяемости и масштабируемости?

5. Каково содержание свойств переносимости и интероперабельности?

6. Каково содержание свойств способность к интеграции и высокой готовности?

7. Чем определяется значение стандартов при создании и применении ИАС?

8. Какие стандарты описания показателей Вы знаете?

9. В чем смысл стандартов электронного обмена данными?

10. Какие проблемы разрешаются ETL-процессами?

11. Назовите стадии ETL-процессов.

12. Какие аспекты характеризуют сбор данных?

13. Каковы требования к качеству данных, помещаемых в ИХ?

14. Какие методы повышения качества данных используются в процессе их продвижения в информационное хранилище?

15. Какие проблемы решаются при приведении данных к единому формату информационного хранилища?

16. В чем состоит смысл семантического разрыва?

17. Какие виды семантических разрывов Вы знаете?

18. Какие источники данных для информационного хранилища Вы можете назвать?

19. Назовите основные принципы построения информационных хранилищ — 20. В чем заключаются требования предметной ориентированности?

21. Раскройте понятие интегрированности данных в ИХ?

22. В чем состоят требования неизменчивости?

23. В чем состоит поддержка хронологии в информационном хранилище?

24. Какова структура информационного хранилища?

25. Раскройте содержание концепции централизованного хранилища данных.

26. В чем состоит концепция распределенного хранилища данных?

27. Что такое автономные витрины данных?

28. В чем смысл концепции единого интегрированного хранилища и многих витрин 29. Раскройте понятие «база метаданных — репозиторий ИХ».

30. Каковы назначение и выполняемые функции метаданных?

31. Опишите принципы создания репозитория ИХ.

32. Каково назначение и содержание бизнес-метаданных?

33. Для чего нужны технические метаданные?

34. Чем различаются активные и пассивные метаданные?

35. Как делятся данные по стадиям применения?

36. В чем смысл разделения метаданных на активные рабочие и пассивные рабочие МД?

37. Какие компоненты входят в состав трехмерной классификации и модели метаданных?

38. На какие вопросы отвечает размерностная модель метаданных (модель Захмана) информационного хранилища?

39. Что содержат метаданные, описывающие сущности?

40. Каков состав метаданных, отвечающих на вопрос — где?

41. В чем смысл метаданных, отвечающих на вопрос — когда?

42. Какова идея совокупности метаданных, отвечающих на вопрос — кто?

43. Раскройте смысл совокупности метаданных, отвечающих на вопрос — почему?

44. Какие метаданные описывают действия, выполняемые над данными?

45. Раскройте понятие модели данных информационного хранилища.

46. Назовите элементы модели данных информационного хранилища.

49. Что представляют собой таблицы размерности?

50. Каково назначение консольных таблиц?

51. Перечислите виды многомерных схем данных и дайте им краткую характеристику.

55. Каковы особенности многомерных моделей данных?

56. Какие принципы положены в основу построения модели данных ИХ?

1. Этапы прохождения данных из источников — это:

2. Идея гибкой архитектуры данных означает, что:

1. архитектура данных в информационно-аналитической системе может быть легко изменена;

2. любому пользователю из числа доверенных лиц должна быть обеспечена возможность доступа к любому разрешенному для использования участку данных, которыми располагает предприятие (организация).

3. Открытая система согласно определению POSIX 1003.0 принятому Комитетом IEEE это:

1. обладающая специальными свойствами система, позволяющая пользователям переходить от системы к системе с переносом данных и программных приложений;

2. система, открытая любому пользователю.

4. Выделите из приведенных свойств систем необязательные для открытых систем свойства:

1. расширяемость;

2. минимальное время отклика;

3. масштабируемость;

4. многомерность;

5. переносимость;

6. поддержка хронологии;

7. интероперабельность;

8. способность к интеграции;

9. высокая готовность.

5. Стандарты при создании информационно-аналитических систем применяются для:

6. Стандарты электронного обмена данными в англоязычной терминологии Electronic Data Interchange (EDI) предназначены для:

7. ETL (Extraction, Transformation, Loading) -процессы сбора, преобразования и загрузки данных обеспечивают:

1. подготовку результатов анализа;

2. создание массива данных в информационном хранилище.

8. Сбор данных характеризуют следующие аспекты:

1. формализованный;

2. структурный;

Информационно аналитические системы 3. смысловой.

Выберите правильные ответы.

9. В процессе продвижения данных в информационное хранилище используются следующие критерии оценки качества данных по структурному представлению:

1. по критичности ошибок в данных — ошибки в именах полей, типах данных;

2. по правильности форматов и представлений данных;

3. на соответствие ограничениям целостности;

4. на кроссязыковый разрыв;

5. уникальности внутренних и внешних ключей;

6. по полноте данных и связей.

Найдите ошибочный критерий.

10. Нарушения смыслового содержания данных (семантические разрывы) бывают следующих 1. «вавилонский»;

2. кросспотоковый разрыв;

3. разрыв кодограмм;

4. кроссязыковый разрыв;

5. асинхронный разрыв.

Найдите ошибочный ответ.

11. Основные принципы построения информационных хранилищ — правила Инмона следующие:

1. предметная ориентированность;

2. многомерность;

3. интегрированность;

4. неизменчивость;

5. поддержка хронологии.

Найдите не относящийся к информационным хранилищам признак.

12. Структура информационного хранилища содержит следующие функциональные модули:

1. зона накопления данных;

2. зона хранения данных;

4. зона хранения данных в многомерном (объектном) виде.

Найдите не относящийся к информационному хранилищу модуль.

13. Концепция информационного хранилища может быть реализована в нескольких вариантах:

1. централизованное хранилище данных;

2. распределенное хранилище данных;

3. корпоративное хранилище данных;

4. автономные витрины данных;

5. единое интегрированное хранилище и многие витрины данных.

Найдите неточный определение варианта концепции.

14. База метаданных или репозиторий информационного хранилища представляет собой… 15. Различают следующие основные виды метаданных:

1. бизнес-метаданные;

2. обзорные метаданные;

3. технические метаданные.

Найдите правильно сформулированные виды метаданных 16. Используются следующие модели метаданных:

1. трехмерная;

2. четырехмерная;

3. шестимерная.

Определите правильные ответы 17. Модель данных информационного хранилища отображает:

18. Модель данных информационного хранилища содержит следующие элементы:

1. таблица факта;

2. таблицы связей;

3. таблицы размерности (измерений);

4. консольные таблицы.

Определите лишний элемент.

19. Многомерные схемы данных в информационно-аналитической системе бывают следующих 1. схема «звезда»;

2. схема «снежинка»;

4. схема «созвездие».

Изучив тему 4, студент должен знать:

содержание требований к OLAP-системам, преимущества и недостатки трех их типов, процедуры OLAP-анализа; назначение и возможности подсистемы интеллектуального анализа данных полнофункциональной информационно-аналитической системы, состав и выполняемые функции, используемые методики и области применения.

выбирать соответствующие потребностям предприятия типы OLAPсистем и инструментальных средств интеллектуального анализа, подбирать необходимые процедуры OLAP-анализа и методики интеллектуального анализа к задачам аналитической работы, выполнять задачи оперативного и интеллектуального анализа.

Приобрести навыки:

применения средств оперативного и интеллектуального анализа при оценке данных и подготовке аналитических материалов для принятия При изучении темы 4 необходимо:

• учебное пособие [51] главу 4;

• учебно-справочное издание [50] главу 6 стр. 80—106;

• книгу [13] главу 11 стр. 325—334.

Сосредоточить внимание на следующем:

При подготовке подсистем оперативного и интеллектуального анализа ИАС оценить потребности предприятия (аналитика) в составе и содержании предполагаемых запросов, направлений исследований по методикам интеллектуального анализа; научиться выбирать соответствующий тип OLAP-системы и инструментальных средств Data mining, исходя из возможностей имеющейся или выбранной аппаратно-программной платформы.

1. Краткое содержание правил Кодда, которым должны соответствовать OLAP-системы, обобщение этих правил в требованиях теста FASMI. Раскрывается сущность требований:

Быстрый, Анализ, Разделяемой, Многомерной, Информации.

2. Типы многомерных OLAP-систем. Проводится анализ трех вариантов получения данных в многомерном представлении, пригодном для OLAP-анализа. Рассматривается предКраткое ставление данных в виде многомерной модели: непосредственно специализированнысодержание ми многомерными средствами — многомерные MOLAP-системы; на основе рационального применения средств реляционных СУБД — реляционные ROLAP-системы; сочетанием реляционного и чисто многомерного подхода — гибридные HOLAP-системы.

3. Задачи и содержание OLAP-анализа. Рассматриваются способы извлечения необходимых данных в сочетании с обработкой их по несложным алгоритмам с применением многомерного статистического анализа. Раскрывается содержание специфических процедур OLAP-анализа: сечение или срез, поворот, свертка и развертка, проекция, 4. Назначение и состав выполняемых задач подсистемой интеллектуального анализа данных информационно-аналитической системы. Рассматривается проблема получения знаний из данных, сосредоточенных в ИХ и других источниках. Показано отличие области применения методов Data mining от подходов инженерии знаний. Показано, что предметом и средствами интеллектуального анализа в полнофункциональной ИАС могут быть методы, а также средства, поддерживающие в экономической предметной области эконометрику, математическую экономику и специфические средства Data mining.

5. Содержание понятия «знания». Классификация видов знаний. Дается краткая характеристика их видов. Рассматриваются фактические и стратегические знания, факты и эвристики, декларативные и процедурные, интенсиональные и экстенсиональные, глубинные и поверхностные, жесткие и мягкие знания.

6. Специфические задачи интеллектуального анализа. Перечисляются методики решения таких задач. Рассматриваются отличия этих задач от традиционного многомерного статистического анализа, являющегося основой арсенала методов эконометрики и математической экономики. Дается обзор методов интеллектуального анализа данных. Рассматривается содержание методов нечеткой логики, систем рассуждения на основе аналогичных случаев (CBR), генетических алгоритмов, эволюционного программирования, алгоритмов ограниченного перебора и других методов.

7. Области применения методов интеллектуального анализа. Рассматриваются процессы, явления и закономерности, при исследовании которых целесообразно применить те или иные виды интеллектуального анализа. Приводится перечень предметных областей Цель изучения: Усвоить требования, предъявляемые к OLAP-системам. Освоить технологии оперативного (OLAP) и интеллектуального (Data mining) анализа сосредоточенных в информационном хранилище данных.

4.1. Подходы к выполнению анализа средствами информационных технологий (IT-анализа) 1. Классификация IT-анализа по режиму и темпу.

2. Задачи и содержание оперативного (OLAP) анализа.

3. Типы многомерных OLAP-cистем.

Информация, извлекаемая из информационных хранилищ и предоставляемая ее конечным потребителям независимо от архитектуры ИХ, способов представления в базах данных, должна отвечать предъявляемым требованиям по форме представления, содержанию, своевременности, достоверности, воспринимаемости и т.д. Применяемые методы анализа должны обеспечивать необходимое содержание и достоверность предоставляемой пользователям информации.

Информационно аналитические системы 4.1.1. Классификация IT-анализа по режиму и темпу Различают два вида информационно-аналитических систем по режиму и темпу анализа:

статические — имеют заранее разработанный сценарий обработки данных при весьма ограниченных возможностях вариаций запросов — так называемые информационные системы руководителя (Exequtive Information system EIS);

динамические — обеспечивают обработку нерегламентированных запросов и гибкую систему подготовки отчетов.

Статические ИАС при всей кажущейся простоте и соответственно привлекательности для ЛПР имеют ограниченные возможности по информационной поддержке принятия решений.

Зачастую полученная в отчетах информация порождает вытекающие из ее содержания вопросы, на которые в допустимое время ответ не может быть получен.

Динамические ИАС предназначены для обработки незапланированных заранее, неожиданных (ad hoc) запросов. Пользователи системы работают с такой ИАС в интерактивном режиме. Обрабатывается серия непредусмотренных заранее запросов, которые возникают в ходе полготовки и принятия решения. Заранее может быть подготовлена некоторая цепочка действий или сценарий, который может корректироваться.

Поддержка принятия управленческих решений осуществляется в следующих режимах или базовых сферах (23):

– сфера детализированных данных;

– сфера агрегированных показателей;

– сфера закономерностей.

В сфере детализированных данных подсистемы ИАС или автономные ИС нацелены на поиск данных. Эту задачу отлично выполняют реляционные СУБД. В качестве языка манипулирования данными, ставшего стандартным, используется, как правило, SQL. Для поиска детализированной информации используются информационно-поисковые системы, которые могут работать с операционными, локальными или региональными базами и хранилищами данных, а также и совместно с центральным ИХ.

Сфера агрегированных показателей отличается агрегацией данных, оперативной аналитической обработкой, многомерным представлением в виде гиперкубов, многомерным анализом. В этой сфере используются специальные многомерные СУБД. Допустимо использование реляционных представлений данных. При правильном применении реляционных СУБД, показатели эффективности ИАС сопоставимы со специализированными многомерными. Агрегированные массивы при реляционном подходе представлены в виде описанных выше схем: «звезды» и других. Агрегация может производиться также «на лету» при обработке запроса.

Анализ детализированных данных и агрегированных показателей относится к оперативному или OLAP-анализу.

Сфера закономерностей связана или основана на интеллектуальной обработке данных. Главной задачей здесь выступает выявление закономерностей в исследуемых процессах, взаимосвязей и взаимовлияния различных факторов, поиск крупных «непривычных» отклонений, прогноз хода различных существенных процессов. Эта сфера относится к интеллектуальному анализу (Data mining).

4.1.2. Требования, предъявляемые к OLAP-системам С 1993 года стал проявляться интерес к многомерному представлению данных — в этом году появилась программная статья Эдварда Кодда. В ней он сформулировал двенадцать основных требований к средствам реализации OLAP, дал критическую оценку реляционного подхода в связи с его малой пригодностью к реализации в задачах многомерного анализа данных с повышенными требованиями к времени отклика на аналитические запросы. Они состоят в следующем:

1. Многомерное представление данных.

Средства должны поддерживать многомерный на концептуальном уровне взгляд на данные.

2. Прозрачность.

Это требование заключается в том, что пользователь не должен знать о том, какие конкретные средства используются для хранения и обработки данных, как они организованы и откуда они берутся.

3. Доступность.

Средства должны сами выбирать источник данных и связываться с ним для формирования ответа на данный запрос.

4. Согласованная производительность.

Производительность не должна зависеть от количества измерений в запросе.

5. Поддержка архитектуры «клиент-сервер»

Средства должны работать в архитектуре «клиент-сервер».

6. Равноправность всех измерений.

Ни одно из измерений не должно быть базовым, все они должны быть равноправными.

7. Динамическая обработка разреженных матриц.

Неопределенные значения должны храниться и обрабатываться наиболее эффективными способами.

8. Поддержка многопользовательского режима работы с данными.

Все многомерные операции должны поддерживаться многими пользователями.

9. Поддержка операций на основе различных измерений.

Все многомерные операции должны единообразно и согласованно применяться к любому числу любых измерений.

10. Простота манипулирования данными.

Средства должны иметь максимально удобный и естественный пользовательский интерфейс.

11. Развитые средства представления данных.

Средства должны поддерживать различные способы представления данных.

12. Неограниченное число измерений и уровней агрегации данных.

Не должно быть ограничений на число поддерживаемых измерений.

К 12 правилам впоследствии были присоединены еще шесть.

В них содержатся некоторые противоречия, не все авторы безусловно их принимают, к тому же имеется некоторая расплывчатость определений.

В конце 90-х годов получил распространение свод требований (39) к информационноаналитическим системам в виде «теста FASMI» — аббревиатуры английских слов, определяющих требования к OLAP-системам:

Fast Analysis Shared Multidimensional Information — русский перевод Быстрый Анализ Разделяемой Многомерной Информации.

Раскроем содержание перечисленных свойств, которыми должна обладать OLAPсистема.

Fast Быстрый — это свойство выражается во временных требованиях к ответам системы на запросы пользователей. Ответ должен быть получен обычно за время в пределах секунды.

Более сложные запросы можно обрабатывать в течение 5-ти секунд и лишь отдельные запросы допускаются с 20-секундной реакцией. Такие требования связаны с психофизиологичекими показателями аналитиков и ЛПР, обусловлены достижением наиболее значимых результатов анализа при выполнении этих требований. Специальные исследования показали, что при времени ответа более 30-ти секунд наступает раздражение и возможна реакция в виде перезапуска системы.

Analysis Анализ — возможности системы выполнять аналитические работы различного характера в предметной области пользователя собственными средствами, не прибегая к программированию. Для описания специфических для данного пользователя аналитических процессов могут применяться встроенные средства в виде языков высокого уровня, электронных таблиц со встроенными функциями, графических конструкторов, визуальных средств с применением кнопочных и рамочных технологий.

Информационно аналитические системы Shared Разделяемый — система должна обеспечивать необходимый уровень защиты при множественном доступе для исключения взаимных помех, несанкционированного доступа. Ценность результатов анализа гораздо выше исходной информации.

Multidimensional Многомерный — определяющее требование. Средства OLAP-системы должны обеспечить работу с данными в многомерном представлении на концептуальном уровне с полной поддержкой иерархий. Требование считается выполненным независимо от того, какой тип базы данных используется, не устанавливаются рамки количества измерений.

Information Информация — должна обеспечиваться возможность получения ее из любых необходимых источников. Инструментальные средства оперируют с необходимыми объемами и структурами данных.

Более подробно рассмотрим свойство многомерности, так как оно является наиболее характерным отличительным от других систем свойством, в частности OLTP (On line Transaction Processing), которые поддерживают текущую функциональность предприятия.

Как показано в п.п. 2.1-2.2. информационное пространство, отображающее функционирование объекта, многомерно. Естественно стремление аналитика и ЛПР к тому, чтобы иметь дело с моделью данных в наиболее естественном виде. Это обстоятельство привело к тому, что с помощью современных программно-технических средств, имеющих широкие возможности интерпретации данных, были созданы соответствующие многомерные модели. Теоретические основы были заложены в трудах крупных российских ученых Ясина, Королева и др.

еще в 70-х годах XX века. В трудах Кодда, Инмона легко узнаются основополагающие идеи этих и других ученых, которые были реализованы в большом числе проектов в разных предметных областях.

4.1.3. Задачи и содержание оперативного (OLAP) анализа Оперативный анализ — это функция ИАС, обеспечивающая быстрый, в соответствии с правилами FASMI, доступ к любой необходимой информации, содержащейся в ИХ или, точнее в факт-таблице, представляемой также в виде многомерного куба (на практике трехмерных комбинаций кубов). Извлечение информации, как правило, сопровождается обработкой ее по несложным алгоритмам, как то:

Определение производится суммаризация, определение процентов от заданных величин, получение относительных показателей, вычисление величин с заданными коэффициентами и другие действия над данными на разных уровнях детализации. Анализ производится с данными, представленными в виде электронных таблиц, над которыми предоставляется возможность оперативно производить различные более сложные Примерами такого рода целей OLAP-анализа могут быть. Определение суммарных издержек на производство всей совокупности изделий предприятия в течение заданного периода, начиная с большого периода времени, например, года. Последующими этапами анализа могут быть — получение данных по этому показателю — издержкам по каждому изделию за более короткие промежутки времени (полугодие, квартал, месяц) и т.д. Затем можно выявить наиболее затратные процессы, места их возникновения. Список задач можно продолжить. В сбытовой сфере, к примеру, можно изучать объемы продаж, их динамику, привязку их к регионам, а также получать другие интересующие аналитика или ЛПР сведения.

Извлечение необходимой информации для построения отчетов производится путем использования ряда процедур.

сечение или срез (slice and dice) — извлечение данных из факт-таблицы по каким-либо определенным значениям одного или нескольких измерений, например из гипер-куба (факт-таблицы), содержащей сведения об издержках; в отчет (раздел отчета) помещают данные только по какому-либо одному виду или группе издержек;

поворот, под которым понимают изменение координат, их порядка или добавление измерений; эта процедура обеспечивает замену в готовом отчете «Издержки», к примеру, аргумента — время на регионы или центры затрат; если рассматривалась взаимозависимость «возраст — семейное положение» то можно в качестве аргумента брать любое из этих измерений и менять их местами;

свертка (drill up) — агрегируются данные по заданным признакам и алгоритмам; можно группировать необходимые данные, содержащиеся в ИХ в детальном виде; так при занесении сведений в операционную БД ежесуточно в ИХ их можно передавать в агрегированном виде — еженедельно или ежемесячно, соответственно агрегированные данные можно помещать в отчеты;

развертка или раскрытие (roll up) — процедура, обратная свертке, данные детализируются, например группы товаров представляются по конкретным товарам, более крупные временные периоды разбиваются на мелкие и т.д.

создание кросс-таблиц — то есть совмещение данных из разных таблиц по заданным признакам; например создается отчет, в котором сводятся данные об издержках и выручке по одним и тем же изделиям и временным периодам;

проекция — конструирование отчетов, являющихся подмножествами из множества единичных реквизитов или атрибутов, содержащихся в операционных базах или в ИХ;

построение трендов — зависимость числовых или качественных значений показателя от тех или иных параметров, например времени, технологии и т.д.

Инструменты OLAP-систем обеспечивают возможность сортировки и выборки данных по заданным условиям. Могут задаваться различные качественные и количественные условия.

В последнее десятилетие XX века основной моделью данных, использованной в многочисленных инструментальных средствах создания и поддержки баз данных — СУБД, была реляционная модель. Данные в ней представлены в виде множества связанных ключевыми полями двумерных таблиц — отношений. Для устранения дублирования, противоречивости, уменьшения трудозатрат на ведение баз данных применяется формальный аппарат нормализации таблиц-сущностей. Однако применение его связано с дополнительными затратами времени на формирование ответов на запросы к базам данных, хотя и экономятся ресурсы памяти.

4.1.4. Типы многомерных OLAP-cистем.

В рамках OLAP-технологий на основе того, что многомерное представление данных может быть организовано как средствами реляционных СУБД, так и многомерных специализированных средств, различают три типа многомерных OLAP-систем:

многомерный (Multidimensional) OLAP — MOLAP реляционный (Relation) OLAP — ROLAP смешанный или гибридный (Hibrid) OLAP — HOLAP Выше изложены основные свойства многомерной и реляционной моделей OLAP-систем и различия между ними. Сущность смешанной OLAP-системы заключается в возможности использования многомерного и реляционного подхода в зависимости от ситуации: размерности информационных массивов, их структуры, частости обращений к тем или иным записям, вида запросов, наличия соответствующих инструментальных средств и т.д.

Рассмотрим подробнее сущность, достоинства и недостатки приведенных разновидностей OLAP-систем. При этом необходимо обратиться к рис. 3.1 «Структура информационного хранилища». На нем приведены зоны хранилища, которые соответствуют этапам продвижения Информационно аналитические системы данных из источников к конечным пользователям. В различных вариантах OLAP-систем эти зоны будут заполняться данными, представленными в виде различных моделей.

Многомерные OLAP-системы В многомерных СУБД данные организованы не в виде реляционных таблиц, а в виде упорядоченных многомерных массивов в виде гиперкубов, когда все хранимые данные должны иметь одинаковую размерность, что означает необходимость образовывать максимально полный базис измерений. Данные могут быть организованы в виде поликубов, в этом варианте значения каждого показателя хранятся с собственным набором измерений, обработка данных производится собственным инструментом системы. Структура хранилища в этом случае упрощается, так как отпадает необходимость в отдельной зоне хранения данных в многомерном или объектно-ориентированном виде. Снижаются огромные трудозатраты на создание реляционных моделей и систем преобразования данных из реляционной модели в объектную (см. рис.

3.1).

Достоинствами MOLAP являются:

более быстрое, чем при ROLAP получение ответов на запросы — затрачиваемое время на один-два порядка меньше;

из-за ограничений SQL затрудняется реализация многих встроенных функций.

К ограничениям MOLAP относятся:

сравнительно небольшие размеры баз данных — предел десятки Гигабайт, за счет денормализации и предварительной агрегации многомерные массивы используют в 2,5-100 раз больше памяти, чем исходные данные (расход памяти при увеличении числа измерений растет по экспоненциальному закону);

отсутствуют стандарты на интерфейс и средства манипулирования данными;

имеются ограничения при загрузке данных.

Реляционные OLAP-системы В настоящее время в массовых средствах, обеспечивающих аналитическую работу, преобладает использование инструментов на основе реляционного подхода. Структура хранилища остается в том виде, как представлено на рис. 3.1. Трудозатраты на создание зоны многомерных данных резко увеличиваются, так как практически отсутствуют в этой ситуации специализированные средства объективизации реляционной модели данных, содержащихся в информационном хранилище. Время отклика на запросы часто не может уложиться в рамки требований к OLAP-системам.

Достоинствами ROLAP-систем являются:

возможность оперативного анализа непосредственно содержащихся в хранилище данных, так как большинство исходных баз данных — реляционного типа;

при переменной размерности задачи выигрывают ROLAP, так как не требуется физическая реорганизация базы данных;

ROLAP-системы могут использовать менее мощные клиентские станции и серверы, в виду того, что на серверы ложится основная нагрузка по обработке сложных SQLзапросов;

уровень защиты информации и разграничения прав доступа в реляционных СУБД несравненно выше, чем в многомерных.

Недостатком ROLAP-систем является меньшая производительность, необходимость тщательной проработки схем базы данных, специальная настройка индексов, анализ статистики запросов и учет выводов анализа при доработках схем баз данных, что приводит к значительным дополнительным трудозатратам.

Выполнение же этих условий позволяет при использовании ROLAP-систем добиться схожих с MOLAP-системами показателей в отношении времени доступа, а также превзойти в экономии памяти.

Гибридные OLAP-системы Представляют собой сочетание инструментов, реализующих реляционную и многомерную модель данных. Структура хранилища остается в основном такой же, как на рис. 3.1, однако зона многомерных данных создается специализированными средствами. Это позволяет резко снизить затраты ресурсов на создание и поддержание такой зоны, время отклика на запросы, в том числе незапланированные резко снижается, выполняются требования к OLAP-системам.

При таком подходе используются достоинства первых двух подходов и компенсируются их недостатки. В наиболее развитых программных продуктах такого назначения реализован именно этот принцип.

Использование гибридной архитектуры в OLAP-системах — это наиболее приемлемый путь решения проблем, связанных с применением программных инструментальных средств в многомерном анализе.

Тем не менее встречаются обстоятельства, когда применение ROLAP— и HOLAP-cистем становится невозможным из-за чрезвычайно жестких требований со стороны объектов управления или соответственно контролируемых процессов. Такие ситуации характерны для крупных промышленных, транспортных, энергетических комплексов, на финансовых рынках, при управлении объектами в критических ситуациях или их моделировании.

Для такого класса применения ИАС становится безальтернативным применение многомерных или объектно-ориентированных инструментальных средств и методов.

4.2. Интеллектуальный анализ данных Data mining 1. Содержание понятия знания. Классификация видов знаний.

2. Задачи Data mining.

3. Специфические методы data mining-a 4. Области применения методов Data Mining 5. Средства реализации и задачи проектирования комплекса data mining 4.2.1. Содержание понятия знания. Классификация видов знаний Для обоснования принятия решений необходимы знания. Их добывают из различных источников.

Понятие «знания» рассматривается с различных точек зрения. В соответствии с этим имеется много определений этого понятия. Энциклопедический словарь определяет знания как «проверенный практикой результат познания действительности, верное ее отражение в мышлении человека». Применительно к ситуации с использованием компьютерных информационных систем (ИС) и, в частности ИАС, можно добавить «и в компьютерной ИС». По определению Гавриловой Т.А. и Хорошевского В.Ф. [17] знания это «закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области».

На начальном этапе подготовки данных к использованию в аналитической сфере они же представляют знания как «хорошо структурированные данные или метаданные». Знания различаются по многим признакам. Соответственно в литературе [29,18] приводится классификация различных видов знаний.

1. Различают фактические и стратегические знания.

Фактические — это такие знания, которые позволяют специалисту предметной области решать конкретные задачи из бизнес-сферы или в каком-либо другом виде деятельности. К ним относятся факты, взаимосвязи, системы понятий, правила. Стратегические — позволяют определить поведение объектов в ближайшем или отдаленном будущем.

2. Факты и эвристики.

Факты — это хорошо известные и описанные обстоятельства. К ним относятся также экономические категории, известные и описанные закономерности и так далее.

Эвристики — знания, опыт, навыки специалистов в соответствующих предметных областях.

Они являются объектом изучения и внедрения в информационные системы различного назначения.

Информационно аналитические системы 3. Декларативные и процедурные знания.

Первые являются очевидными, например: выручка — сумма, полученная в результате продажи товаров. Товар — изделие, предназначенное для продажи.

Процедурные — по существу алгоритмы преобразования декларативных знаний, действий над ними.

4. Интенсиональные и экстенсиональные знания.

Первые являются знаниями о связях между объектами (их атрибутами) рассматриваемой предметной области. Вторые — свойства объектов, их состояния, значения свойств в пространстве и динамике.

5. Глубинные и поверхностные знания.

Глубинные знания содержат подробные сведения о структуре предметной области, законах поведения структуры в целом и отдельных ее элементов, достоверные и полные отражения взаимосвязей элементов структуры и т.д. Например: подробные сведения об устройстве компьютера или мобильного телефона, позволяющие производить проектирование их или ремонт.

Поверхностные знания касаются лишь внешних свойств и связей с рассматриваемым объектом(ами). Перечень необходимых сведений о пользовательских свойствах упомянутых или других изделий.

6. Жесткие и мягкие знания.

Жесткие знания отражают системы или объекты с четко выраженными свойствами, связями, поведением, которые легко описываются качественными и количественными признаками, например описываются логико-дедуктивной системой показателей.

Мягкие знания отображают соответственно системы и объекты с трудно поддающимися описанию или формализации свойствами и связями. Дают нечеткие, размытые решения и множественность рекомендаций.

Взаимосвязь между видами знаний отражена на рисунке 4.1.

Рис. 4.1. Характеристики знаний 4.2.2. Задачи Data mining Следует различать два различных процесса получения знаний. Первый — это «извлечение» их из живого источника — эксперта, специалиста с целью их идентификации и возможной формализации, помещения в базу знаний и построения на этой основе экспертных систем, а также в других целях. Такой процесс относят к инженерии знаний. Другой — это «добыча» скрытых от пользователя знаний из данных, помещенных в различного рода компьютерные информационные системы, в том числе базы данных различного назначения, информационные хранилища. Процесс второго рода называют Data mining — используют русский перевод «интеллектуальный анализ».

Предметом нашего изучения является Data mining.

Для обработки накопленных в различных источниках и местах сбора и хранения данных и выполнения интеллектуального анализа используются все достижения математической науки и информационных технологий. В первую очередь используются методы линейной алгебры, классического математического анализа, дискретной математики, многомерного статистического анализа.

В экономической предметной области применение методов поиска решений, условий неотрицательности и других свойств математических моделей путем дедуктивного получения следствий, исходя из предварительно сформулированных предпосылок, относится к разделу экономической науки, называемому математическая экономика.

Анализ количественных закономерностей и взаимозависимостей в экономике, который выполняется статистическими методами, относится к эконометрике.

Традиционная математическая статистика долгое время являлась основной методологией анализа данных в экономической и других предметных областях. Однако базовая концепция усреднения по выборке часто приводит к операциям над фиктивными величинами. В экономике средние значения ряда показателей по различным предприятиям иногда создают искаженное представление об отсталости или наоборот о незаурядных успехах ряда предприятий, отраслей или регионов — сглаживают их.

По этой причине появился ряд методик, которые относят к специфическим для Data mining-а. Эти методики позволяют избежать таких ситуаций. В таблице приведены примеры постановок задач для OLAP-методик, основанных на математической статистике, и специфических методов Data Mining.

Каковы средние показатели рентабельности Какова характерная совокупность значений предприятий в регионе? показателей финансово-хозяйственной деятельности предприятий в регионе?

Каковы средние размеры счетов клиентов Каков типичный портрет клиента — физичебанка — физических лиц? ского лица, отказывающегося от услуг банка?

Какова средняя величина ежедневных поку- Существуют ли стереотипные схемы покупок пок по украденной или фальшивой кредитной для случаев мошенничества с кредитными Выше показано, что работа по интеллектуальной обработке данных происходит в сфере закономерностей.

Основными задачами интеллектуального анализа [2] являются:

выявление взаимозависимостей, причинно-следственных связей, ассоциаций и аналогий, определение значений факторов времени, локализация событий или явлений по месту;

классификация событий и ситуаций, определение профилей различных факторов;

прогнозирование хода процессов, событий.

Главной задачей здесь является определение закономерностей в исследуемых процессах, взаимосвязей и взаимовлияния различных факторов, поиск крупных «непривычных» отклонений, прогноз хода различных процессов в области мягких и глубинных знаний.

Информационно аналитические системы Одновременно с этим многомерный статистический анализ твердо удерживает свои позиции в жесткой области знаний. Он делится на: факторный, дисперсионный, регрессионный, корреляционный, кластерный анализ (является также сферой интересов data mining-a). Эти методы позволяют решать многочисленные задачи в области экономики, менеджмента, юриспруденции, которые являются составной частью аналитической подготовки принятия решений.

4.2.3. Специфические методы и области применения data mining-a Помимо перечисленных выше методов многомерного статистического анализа, ставших традиционными, все более широкое применение находят специфические методы интеллектуального анализа, происходящие из смежных областей информационных технологий (IT-систем) и достижений различных областей науки.

К специфическим методам интеллектуального анализа относятся:

— методы нечеткой логики;

— системы рассуждений на основе аналогичных случаев;

— классификационные и регрессионные деревья решений;

— генетические алгоритмы;

— байесовское обучение (ассоциации);

— кластеризация и классификация;

— эволюционное программирование;

— алгоритмы ограниченного перебора.

Методы нечеткой логики используются для описания плохо формализуемых объектов из состава «мягких» знаний. Над ними также совершаются мягкие вычисления. Используется понятие «лингвистическая переменная», значения которой определяются через нечеткие множества, а они представляются базовым набором значений или базовой числовой шкалой.

Системы рассуждений на основе аналогичных случаев case based reasoning (CBR) основаны на том, что принятие решения осуществляется по прецеденту, наиболее подходящему к данной ситуации с учетом определенных корректив. Иногда решение принимается на основе учета всех примеров, находящихся в хранилище данных.

Деревья решений основаны на иерархической древовидной структуре классифицирующих правил. Решения об отнесении того или иного объекта или ситуации к соответствующему классу принимается по ответам на вопросы, стоящие в узлах дерева. Положительный ответ означает переход к правому узлу следующего уровня, отрицательный — к левому узлу. Процесс разделения продолжается до полного ответа на все поставленные вопросы.

Нейронные сети — это упрощенная аналогия нервной системы живого организма. Разработаны модели нейронных сетей. Распространенной моделью является многослойный персептрон с обратным распространением ошибки. Нейроны работают в составе иерархической сети, в которой нейроны нижележащего слоя своими выходами соединены с входами нейронов вышележащего слоя. На нейроны нижнего слоя подаются значения входных параметров, которые являются сигналами, те передаются в следующий слой. При этом они ослабляются или усиливаются в зависимости от числовых значений, которые придаются межнейронным связям, называемых весами. На выходе нейрона верхнего слоя вырабатывается сигнал, являющийся ответом сети на введенные значения входных параметров. Для получения необходимых значений весов сеть необходимо «тренировать» на примерах с известными значениями входных параметров и правильных ответов на них. Подбираются такие веса, которые обеспечивают наибольшую близость ответов нейронной сети к правильным.

Генетические алгоритмы представляют собой поисковый метод, используемый для нахождения наилучшего решения или совокупности решений. Он основан на идее естественного отбора. Начинается построение генетических алгоритмов с кодировки исходных логических закономерностей, называемых как и в биологии хромосомами. Набор таких кодов называют популяцией хромосом. Далее применяется функция пригодности, которая выделяет наиболее подходящие элементы для дальнейших операций. Это может быть отбор в какие-либо группы, но возможен и вариант применения скрещивания и мутации с целью получения «нового» поколения. Алгоритм работает над изменением старой популяции до тех пор, пока новая не будет отвечать заданным требованиям.

Байесовское обучение или ассоциации применяются в тех случаях, когда сложилась ситуация увязки между собой некоторых событий. Например, заселение новостроек сопровождается приобретением мебели и других предметов домашнего обихода. Необходимо выявить количественные характеристики этой связи.

Кластеризация и классификация. Слово кластеризация происходит от английского cluster — пучок, сгусток. Кластеризация предусматривает разделение совокупности схожих объектов на группы — кластеры по наибольшей близости их признаков. Проблема состоит в том, что оценка производится не по одному какому либо признаку, а одновременно по их совокупности. Разработаны алгоритмы кластеризации, которые пересчитывают значения признаков в некоторую величину, характеризующую «расстояние» между объектами рассматриваемой совокупности и объединяют близкие объекты в кластеры. Классификация отличается тем, что выявляются признаки, объединяющие объекты, которые уже состоят в группах. Этими методами занимается также и эконометрика.

Эволюционное программирование. В этой методике предположения о виде аппроксимирующей функции строятся в виде программ на внутреннем языке программирования. Процесс построения программ выглядит как эволюция в среде программ. После нахождения в этой среде подходящей программы система начинает вносить в нее необходимые корректировки Эта методика реализована российской системой Polyanalyst. Специальный модуль этой системы переводит найденные зависимости на доступный язык формул, таблиц.

Алгоритмы ограниченного перебора. Они вычисляют частоты комбинаций простых логических событий в группах данных. На основании оценки полученных частот делается заключение о полезности комбинаций для обнаружения ассоциаций в данных, прогнозирования и других целей.

Эти методы стали весьма широко и эффективно применяться в связи с бурным развитием в последнее десятилетие XX века самих методик и соответствующих инструментальных средств. Они находят применение в тех ситуациях, когда обычные методы анализа трудно или невозможно применить из-за отсутствия сведений о характере или закономерностях исследуемых процессов, взаимозависимостях явлений, фактов, поведении объектов и систем из различных предметных областей, в том числе в социальной и экономической.

Области применения методов Data Mining С помощью этих методов при отсутствии априорной информации об объектах и их поведении и значительной ее неполноте решаются следующие задачи:

выделение в данных групп записей, сходных по некоторым признакам;

нахождение и аппроксимация зависимостей, связывающих анализируемые параметры поиск наиболее значимых параметров в данной проблеме (задаче);

выявление данных, характеризующих значительные или существенные отклонения от сложившихся ранее закономерностей (анализ отклонений);

прогнозирование развития объектов, систем, процессов на основе хранящейся ретроспективной информации или с использованием принципов обучения на известных примерах и другие задачи.

Решение перечисленных задач может осуществляться каким-либо из перечисленных выше методов или комплексно для получения наиболее адекватного решения.

Средствами ИАС обеспечивается также оценка полученных результатов анализа и моделирования, в том числе оценка точности и устойчивости результатов, верификация моделей на тестовых наборах данных.

Информационно аналитические системы 1. Как классифицируется IT-анализ по режиму и темпу?

2. В чем состоят задачи и содержание OLAP-анализа?

3. Что означают требования к OLAP-системе под рубрикой «быстрый»?

4. Что означают требования к OLAP-системе под рубрикой «анализ»?

5. Что означают требования к OLAP-системе под рубрикой «разделяемой»?

6. Что означают требования к OLAP-системе под рубрикой «многомерной»?

7. Что означают требования к OLAP-системе под рубрикой «информации»?

8. Какие типы OLAP-систем ВЫ знаете, в чем их различие?

12. Какие функции выполняют процедуры сечение и поворот?

13. Какие функции выполняют процедуры свертка и развертка?

14. Какие функции выполняют процедуры проекция и построение трендов?

15. Для каких целей предназначена подсистема интеллектуального анализа данных?

16. Какие направления и методы поддерживают средства подсистемы интеллектуального анализа ИАС?

17. Раскройте содержание понятия «знания».

18. Каким образом классифицируются виды знаний?

19. В чем специфика методов интеллектуального анализа?

20. Какие методы интеллектуального анализа Вы знаете?

21. В чем состоит содержание методов нечеткой логики, системы рассуждений на 22. В чем состоит содержание методов нейронных сетей и генетических алгоритмов?

23. В чем заключаются методы ассоциаций, кластеризации и классификации?

24. Раскройте сущность методов эволюционного программирования и алгоритмов 25. Назовите процессы, явления, закономерности, при исследовании которых используются методы интеллектуального анализа.

26. В каких предметных областях и для каких целей используются методы интеллектуального анализа?

1. Различают следующие виды функционирования информационно-аналитических 2. Поддержка принятия управленческих решений осуществляется в следующих режимах или базовых сферах:

1. сфера детализированных данных;

2. сфера агрегированных показателей;

3. сфера взаимосвязей показателей;

4. сфера закономерностей.

Найдите неточный ответ.

3. В …. Году Эдвард Кодд сформулировал … основных требований к средствам реализации оперативного OLAP-анализа.

Вставьте недостающие числа.

4. В конце 90-х годов получил распространение свод требований к информационноаналитическим системам в виде «теста FASMI». Аббревиатура каких английских слов с русским переводом является названием теста?

5. Оперативный анализ — это функция ИАС, обеспечивающая:

Дайте определение.

6. Извлечение информации, как правило, сопровождается обработкой ее по несложным алгоритмам, как-то:

1. производится суммаризация;

2. определение процентов от заданных величин;

3. получение относительных показателей;

4. выявление закономерностей;

5. вычисление величин с заданными коэффициентами;

6. определение взаимозависимостей;

7. другие действия над данными на разных уровнях детализации.

Определите не свойственные OLAP-анализу функции.

7. Извлечение необходимой информации для построения отчетов производится путем использования ряда процедур, в том числе:

1. сечение или срез (slice and dice);

2. поворот;

3. свертка (drill up);

4. развертка или раскрытие (roll up);

5. проекция;

6. создание кросс-таблиц;

7. построение трендов.

Какая из процедур обеспечивает детализацию данных?

Какая процедура противоположна 4-ой?

Какая процедура производит манипуляции с координатами?

8. Различают три типа многомерных OLAP-систем:

1. многомерный (Multidimensional) OLAP — MOLAP 2. реляционный (Relation) OLAP — ROLAP 3. смешанный или гибридный (Hibrid) OLAP — HOLAP.

Более дешевая реализация OLAP-системы по типу… Скорость доступа к данным выше в у какого типа OLAP-систем?

Наиболее целесообразно использование типа… 9. Подсистема интеллектуального анализа данных (Data mining) предназначена для:

10. По определению Гавриловой Т.А. и Хорошевского В.Ф.[17], знания это:

11. Рассматриваются следующие виды знаний:

1. фактические и стратегические;

2. факты и эвристики;

3. декларативные и процедурные;

4. интенсиональные и экстенсиональные;

5. глубинные и поверхностные;

6. жесткие и мягкие.

Можно ли увязать фактические, жесткие знания, факты?

Эвристики и мягкие знания имеют какую либо аналогию?

Имеют ли какую либо схожесть декларативные и мягкие знания?

12. Подсистема интеллектуального анализа ИАС поддерживает инструментальными средствами:

1. математическую экономику;

2. эконометрику;

3. специфические методы Data mining.

Математическая экономика поддерживает методы многомерного статистического анализа?

Используют ли специфические методы Data mining понятия моментов случайных величин?

Поисковый метод «генетические алгоритмы» входит в арсенал средств Data mining?

Содержание и методы анализа и прогнозирования бизнес-процессов (деятельности предприятий) как объект автоматизации Изучив тему 5, студент должен знать:

содержание экономического анализа; основные группы методов анализа; назначение и возможности, предоставляемые этими методами, принципы использования средств ИАС при выполнении анализа, систему информационного обмена, связанного с аналитической работой.

выбрать соответствующий стоящей перед аналитиком задаче метод анализа и обеспечить его необходимыми средствами из состава инструментов и информационных массивов, которыми располагает имеющаяся на предприятии ИАС.

аналитической работы по выбранным методикам с применением При изучении темы 5 необходимо:

Сосредоточить внимание на следующем:

При организации аналитической работы необходимо тщательно изучить требования к результатам работы, выбрать адекватные им методику анализа и средства ИАС.

1. Содержание экономического анализа. Рассматривается значение анализа в управлении предприятием и другими хозяйственными объектами, отмечается связь анализа с планированием деятельности, основанным на прогнозировании хода процессов. Раскрывается содержание стратегического и текущего анализа.

2. Классификация методов анализа. Рассматривается система признаков, по которым метоКраткое ды анализа делят на группы. Приводится состав групп по: целям, по временному фактору, содержание масштабности решаемых задач, предметным областям экономики, применяемым специфическим методикам в сфере экономики, математическим методам. Отмечается, что применение информационных технологий, средств и методов информационно-аналитических систем повышает эффективность рассматриваемых методик анализа.

3. Методики проведения анализа в маркетинговой деятельности. Дается краткий обзор:

анализа разрыва, маржинальной прибыли, портфолио-анализа, сравнительных расчетов с позиций поддержки этих методик средствами ИАС.

4. Анализ в области обеспечения ресурсами и логистики. В части обеспечения ресурсами рассматриваются АВС-анализ, определение верхних границ цен, анализ возможных прерываний бизнес-процесса. В логистике дается характеристика методов анализа цепочек логистических процессов и издержек, связанных с этими процессами.

5. Обеспечение средствами ИАС анализа финансового, инвестиций и инноваций. Рассматриваются проблемы реализации с помощью методик и средств оперативного и интеллектуального анализа традиционных подходов: баланса притока и оттока финансовых средств, финансовой паутины, финансово-стоимостного анализа проектов.

6. Обзор методов стратегического анализа в связи с использованием средств ИАС. Даются характеристики SWOT-анализа, матриц БКГ и Мак-Кинси, анализа цепочки создания стоимости и конкурентного анализа по Портеру, полей бизнеса и бенчмаркинга. Рассматриваются проблемы информационной поддержки этих методик в историческом аспекте.

7. Поддержка методик анализа текущего состояния предприятия средствами ИАС. Дается характеристика анализа ситуации по слабым сигналам, оценки рисков и управления ими, анализа отклонений. Рассматриваются виды отклонений и способы их обнаружения, оценки и выработки управлений.

8. Информационный обмен, связанный с аналитической работой. Рассматриваются варианты организации аналитических работ на предприятии, цепочка движения информации по этапам подготовки, принятия и реализации решений. Перечисляются внутренние и внешние источники информации, ее потребители, формы представления.

Цель изучения: изучить содержание экономического анализа, классификацию и содержание методов анализа в экономике, информационный обмен, связанный с аналитической работой.

1. Содержание экономического анализа.

2. Классификация методов анализа.

3. Аннотация содержания методов анализа в экономической предметной области.

5.1. Содержание экономического анализа В управлении предприятием важными компонентами являются анализ и планирование его деятельности. При этом процесс анализа сочетается с прогнозированием хода различных процессов. Они могут быть контролируемыми, т.е. управляемыми субъектом, или неконтролируемыми, на которые он не в состоянии оказать достаточно заметно влияющее воздействие.

При анализе имеющейся информации наблюдаемые процессы можно разделить по этому признаку — влияем или не влияем на данный процесс. Затем необходимо выявить дальнейшие существенные факторы, степень их влияния на рассматриваемый процесс и т.д. Такого рода анализ, сочетающийся с прогнозированием, является непременным условием эффективного планирования деятельности предприятия, обоснования принимаемых управленческих решений.

Наблюдаемые или исследуемые процессы — это, в первую очередь, протекающие на предприятии (в корпорации) бизнес-процессы. Под ними подразумевают совокупность работ по выполнению какой-либо задачи предприятия. На основе анализа хода этих процессов, внешних условий, внутреннего состояния предприятия, в том числе финансового, делаются Информационно аналитические системы определенные выводы, вырабатываются или корректируются цели предприятия. В соответствии с выработанными целевыми установками ставятся задачи, осуществляется планирование мероприятий и деятельности предприятия в целом. При этом учитываются принятые критерии оценки, вырабатываются управленческие решения по реализации планов. Эту часть анализа назовем стратегическим анализом.

В процессе реализации планов должен осуществляться контроль и анализ хода их реализации, который назовем текущим анализом. Результаты его являются материалом для выработки решений по корректировке, с одной стороны уже состоявшихся управленческих решений, а с другой — по доработке самих планов или даже целевых установок в случае значительных отклонений полученных показателей от запланированных, отсутствия ресурсов или в связи с какими-либо другими обстоятельствами.

В целом содержание анализа (12) состоит в систематизации, оценке полученных параметров в соответствии с принятой системой показателей, изучении и оценке факторов, влияющих на деятельность предприятия, выявлении его сильных и слабых сторон, определении возможностей и рисков.

5.2. Классификация методов анализа Существует большое количество методов анализа, которые делятся на группы по различным признакам. Рассмотрим систему признаков, характеризующих методы анализа. Их можно сгруппировать:

оценка состояния и результатов деятельности предприятия;

постоянный контроль рациональности ведения хозяйственной деятельности, выявление резервов для обеспечения выполнения поставленных задач;

прогнозирование хода внутренних процессов на предприятии и внешних факторов, влияющих на его деятельность.

По временному фактору см. рис. 5.1 анализ разделяют на:

использующий прошлую информацию, отраженную в документации и на различных носителях и содержащуюся в информационной системе — анализ фактов;

на базе как прошлой, так и обращенной в будущее, то есть прогнозной информации — анализ событий и отклонений;

анализ будущей информации — по существу оценка бюджетов и планов, их альтернатив.

Рис. 5.1. Виды анализа в связи со временем По масштабности решаемых или обслуживаемых задач анализ делится на:

стратегический, сюда можно отнести оценку эффективности целей, долгосрочные прогнозы, исторические оценки процессов и явлений и т. д.;

оперативный — это оценка текущего состояния, выявление узких мест и отклонений;

система раннего предупреждения.

По предметным областям, в рассматриваемом случае — экономики различают анализ:

производственной или операционной деятельности;

обеспечении ресурсами;

в сфере инвестиций и инноваций.

По методам различают анализ:

сравнительный по подразделениям, предприятиям, регионам, временным периодам и т.д.;

анализ отклонений;

функционально-стоимостный;

анализ цепочки создания стоимости и конкурентный анализ по Портеру;

анализ полей бизнеса (Profit Impact of Market Strategies — PIMS);

бенчмаркинг (Beanchmarking);

интеллектуальный анализ (Data mining).

В процессе анализа используются различные математические методы, в том числе:

математической статистики;

многомерного статистического анализа, эконометрики;

алгебры — линейная, логики, предикатов, нечеткой логики;

численные методы анализа.

Необходимо заметить, что какой-либо конкретный аналитический процесс или аналитическая работа могут характеризоваться одновременно несколькими из перечисленных выше признаков. Понятно, что приведенная система признаков анализа не претендует на полноту и носит рекомендательный характер.

5.3. Аннотация содержания методов анализа в экономической предметной области Рассмотрим содержание (краткий обзор) некоторых методов по предметным областям и методикам проведения 5.3.1. Методики проведения анализа в маркетинговой деятельности Анализ разрыва (Gap analysis) является средством долгосрочного (стратегического) планирования. Основой метода является сравнение стратегий оптимального и возможного развития. Составляется матрица оценок стратегий по принятым показателям, по ним строятся профили стратегий. Используются экспертные оценки по балльной качественной системе.

Определение Информационно аналитические системы Портфолио-анализ — подбор такого портфеля инвестиций с учетом рисков, то есть сочетания возможных потерь и доходности, который обеспечил бы наименьшие потери с максимально возможными доходами.

Анализ маржинальной прибыли (МП). Исследуется реакция величины МП на маркетинговые мероприятия. Объектами анализа являются продукты, регионы, заказы, группы клиентов и т.д. Производится выявление причин убытков или резкого повышения прибыли, их локализация и вырабатываются предложения по ликвидации «узких» мест или распространению передового опыта. Величину МП распределяют по различным объектам исследования: продуктам, группам продуктов, продуктовым сегментам рынка, предприятиям, корпорации в целом.

Сравнительные расчеты. Определяют зависимость МП или выручки от расходов на рекламу, послепродажного обслуживания клиентов, исследуют торговые издержки. Проводят сравнительные исследования торговых издержек, использования производственных и иных площадей, других расходов на маркетинг.

5.3.2. Анализ обеспечения ресурсами Общие подходы заключаются в исследовании рынков закупки товаров и анализе поставщиков, разделении материалов и комплектующих по номенклатуре, качеству, количеству, ценам у различных поставщиков. Выделяются факторы, влияющие на процесс снабжения, оценивается «совокупное предложение на рынке», а затем выделяются нужные или подходящие поставщики.

АВС-анализ. Метод, позволяющий выделить наиболее значимые для предприятия группы товаров. Рассчитываются количество и стоимость потребляемых материалов. По итогам расчета формируются три группы товаров А, В и С. Товары А обладают наибольшей кумулятивной стоимостью КС (количество единиц товара цена ед. товара). Товары группы С имеют наименьшую кумулятивную стоимость. При этом соблюдается условие: КС группы А=50% всей КС;

Совместная КС групп А и В = 90% всей КС. Такое разделение позволяет сосредоточить внимание на направлениях, где ожидается наибольшая польза. Этот метод применяется не только в анализе обеспечения ресурсами.

Анализ возможных прерываний бизнес-процесса. Из-за непоступления исходных материалов или необеспеченности другими ресурсами или услугами может быть нарушен производственный или другой процесс. Остановы могут быть частичными или полными. Результатами их являются потери, затраты, упущенная выгода. Оцениваются факторы, связанные с убытками, готовность поставщиков, подбираются альтернативы.

Определение верхних границ цен. Под ними понимают максимальную цену, которую готов заплатить покупатель, в том числе и при закупке материалов. Этот уровень зависит от потребности и значимости товара или материала для обеспечиваемого бизнес-процесса. Цена альтернативного товара-заменителя служит ориентиром верхней границы цены.

5.3.3. Анализ в области логистики Логистика это наука и практика управления продвижением (перемещением и хранением) товара от производителя к потребителю.

Анализ цепочек логистических процессов позволяет обеспечить руководство предприятия информацией по предметам логистики и выработать соответствующие решения, осуществить согласование и оптимизацию материальных и сопутствующих им информационных потоков с другими процессами, протекающими на предприятии, и с партнерами. Определяются потребности в материалах, транспорте, складских площадях и т.д., исходя из планов заказов и производства. Выбирается методика управления складскими запасами по ритму или срокам поставок.

Определяется потребность в поставке по мере достижения минимально допустимого объема или по окончанию рассчитанного периода времени. Например вычислением средней скорости потребления по прошлым периодам или по производственной мощности, темпам производственного процесса.

Анализ издержек логистических процессов Выявляются места возникновения издержек, к ним относятся объекты приема-выдачи материалов и полуфабрикатов; продвижения их по цепочке производства, оказания услуг; склады;, система транспортирования; сопутствующий информационный обмен, включая документооборот.

Далее в соответствии с принятыми в логистической цепи методами учета определяются составляющие издержек. В процессе анализа оцениваются прогнозные и реальные издержки. Проводится контроль экономичности по принятой системе показателей, оценивается степень готовности поставок и продвижения, информационное обеспечение и другие показатели.

5.3.4. Финансовый анализ Задачи и содержание финансового анализа подробно рассматриваются в соответствующих курсах, широко освещаются в литературе. Стержнем насчитывающей несколько десятков показателей системы оценки финансового состояния предприятия являются показатели ликвидности и рентабельности, отражающие платежеспособность и прибыльность предприятия.

Методами анализа улавливаются неблагоприятные или критические ситуации. Принятые по результатам анализа меры обеспечивают приемлемые или оптимальные значения и соотношения показателей, подтверждающие выправление положения. Необходимо отметить, что анализ в финансовой сфере тесно увязан с планированием, каждые плановые предложения или решения должны тщательно оцениваться на предмет реализуемости планов, недопущения недостатка или избытка средств, достижения необходимой и достаточной эффективности их использования.

Методическими инструментами финансового анализа, которые заложены в программные информационно-аналитические средства, являются:

Анализ потоков платежей (Cash flow analysis) КФ-анализ — баланс притока и оттока финансовых средств. На его основе определяются показатели: маржинальной прибыли; безубыточности, в том числе: точка безубыточности, точка закрытия предприятия, кромка безопасности; эффект операционного рычага; коэффициент выручки. Важное значение среди других имеет показатель рентабельности работающего капитала (см. 2.6), который должен быть положительным Для прогнозирования критического состояния используется показатель Z-счет Альтмана, вычисляемый по балансу и отчету о прибылях и убытках.

Финансовая «паутина». Для поддержки принятия решений важное значение имеют графические методы представления состояния объекта, в данном случае финансового состояния.

Одним из таких инструментов является этот метод, который является одним из вариантов многомерного графического представления данных. В ИАС входит как один из способов наглядного отображения финансового состояния.

5.3.5. Анализ инвестиций и инноваций Расчеты, связанные с инвестициями и проектированием представляют собой самостоятельное направление финансово-экономического планирования, тесно связанного с инженерно-технологическими исследованиями и решениями.

Задачи анализа в этой области экономической деятельности заключаются в сравнительных оценках альтернатив, мониторинге реализации инвестиционных и инновационных проектов по принятой системе показателей. Помимо ставших традиционными финансовых оценок по ряду специальных показателей используется также функционально-стоимостный анализ. В основе его лежат субъективные оценки проектов путем составления иерархии целей, их взвешивания, составления таблиц функций и определения альтернатив реализации функций. Производится расчет полезности и формирование последовательности в матрице ценности целей.

Функционально-стоимостный анализ завершается анализом чувствительности полученных данных к изменению весовых коэффициентов целей, оценкой и выдачей результата.

Используются различные методы оценки инвестиционных и инновационных проектов в условиях неопределенности. Подробно описаны в (14), к ним относятся:

анализ ставки дисконтирования с поправкой на риск;

Информационно аналитические системы метод достоверных эквивалентов с вариантами использования в качестве их математического ожидания денежных потоков и состояния предпочтения;

методики принятия решений без использования численных значений вероятностей, основанные на построении и анализе матрицы стратегий и состояний природы для инвестиционного проекта методами максимакса, максимина, минимакса и компромиссного опционный, использующий подходы, принятые при оценке ценных бумаг.

5.3.6. Методы стратегического анализа 5.3.6.1. Анализ стратегической позиции предприятия Для оценки стратегической позиции предприятия используются несколько методик.

SWOT анализ — аббревиатура английских слов strengths, weaknesses, opportunities, threats сильные, слабые имеются в виду стороны предприятия, возможности, опасности. На основе анализа внутренней и внешней среды, выявления ключевых факторов успеха, социальных аспектов строится четырехклеточная матрица. Клетки ее заполняются соответствующими данными. Полученные данные позволяют сформировать стратегию предприятия, которая закладывается в планы, исполняется. Результаты реализации стратегии подвергаются очередному этапу анализа.

Матрица БКГ (Бостонской консультативной группы). Схожий подход. Результаты аналитической работы представляются таким же образом. Определяются позиции предприятия на рынке по сравнению с ведущей фирмой в данном сегменте рынка, все направления деятельности разбиваются на четыре группы. В их отношении вырабатываются соответствующие стратегии. Наработаны типовые рекомендации, суть которых сводится к поддержке перспективных, ликвидации безнадежных направлений деятельности.

Матрица Мак-Кинси является развитием матрицы БКГ. Эта методика предусматривает использование формализованных показателей привлекательности рынка и конкурентного статуса. В исходных данных используются экспертные оценки, прогнозные показатели. Подробно метод рассмотрен в (14).

Анализ цепочки создания стоимости и конкурентный анализ по Портеру. Им предложено представить совокупность выполняемых предприятием функций в виде цепочек процессов создания стоимости. В начале и конце цепочек деятельность предприятия интегрируется (согласуется) с деятельностью партнеров по бизнесу.

Конкурентный анализ проводится на «поле сил», действующих на предприятие. Автор выделил пять основных, среди которых: влияние покупателей, влияние поставщиков; возможность появления новых конкурентов, существование товаров-заменителей, действия конкурентов внутри отрасли. Исследуются факторы, обусловливающие эти силы, оценивается их соотношение. По материалам анализа вырабатывается оптимальная стратегия. Конкретных рекомендаций методика не дает и ограничивается качественным анализом.

5.3.6.2. Анализ ситуации по слабым сигналам и оценка рисков Методика анализа ситуации по слабым сигналам дает рекомендации по установке контрольных точек, определяет или устанавливает уровни нестабильности, осведомленности. Предусматриваются варианты реакции на сигналы.

Оценка рисков и управление ими. Риск рассматривается как возможность потерь в виде убытков, упущенной выгоды или как степень нестабильности, непредсказуемых исходов.

Проводится качественный и количественный анализ рисков. При качественном анализе выявляются факторы, зоны опасности, виды рисков.

Количественный анализ использует методы аналогий, Монте-Карло, экспертные, анализа чувствительности (что..., если...), сценариев.

5.3.6.3. Анализ отклонений В комплексе аналитических работ на предприятии анализ отклонений играет весьма существенную роль. После разработки системы целей, выбора стратегий и рассчитанных на их основе планов и бюджетов в процессе их реализации необходим контроль. В идеале он должен сопровождать каждый процесс и быть непрерывным. На практике он реализуется выборочно для наиболее значимых и существенных процессов с допустимой периодичностью. Выводы о степени реализации планов и бюджетов делают посредством анализа отклонений числовых и/или качественных показателей в принятой на предприятии системе.

Различают абсолютные и относительные показатели. В экономической и других предметных областях имеется проблема знака отклонения. Иногда снижение значения показателя означает «хорошо» и наоборот. Это обстоятельство необходимо учитывать. Например рост прибыли и убытков.

Селективные отклонения предусматривают сравнения во временном аспекте. Отрезок времени текущего года или другого периода сравнивается с таким же — предыдущего.

Кумулятивное отклонение получаем при сравнении значений показателей, полученных нарастающим итогом.

Рассматриваются отклонения план-факт, факт-факт — сравнение с прошлым фактом в сопоставимом отрезке времени, план-желаемый результат, когда сравнивается плановый показатель с желательным с учетом изменившихся условий.

Оценку отклонений производят по допустимым пределам и по влиянию на прибыль или другой обобщающий показатель, например ROI.

В процессе анализа выявляются места и причины отклонений. Для оценки величин отклонений может быть использована методика цепных подстановок (14), которая представляет собой совокупность формул и схем расчета на основе цепочек создания стоимости, позволяющая в итоге вычислить отклонения по обобщающему показателю на основе имеющихся исходных данных. Для реализации этого метода необходимо реализовать на предприятии систему классификации и кодирования показателей, которая была рассмотрена выше. В интегрированных ЭИС имеются модули, выполняющие подобные задачи на основе принятой в конкретном программном инструментальном средстве системы классификации и кодирования.

Исследование причинно-следственных связей и других интересующих ЛПР и аналитиков явлений ведется с использованием методов интеллектуального анализа (см. раздел 5.3). Анализ отклонения может быть обращен как в ретроспективу, так и в перспективу. Ислледование ретроспективы ведется в интересах извлечения знаний и формирования на их основе выводов на перспективу.

5.3.6.4. Анализ полей бизнеса Это исследование воздействия рыночных стратегий на прибыль для данного предприятия или для отдельных полей бизнеса, или видов деятельности на базе информации о более чем 2000 предприятий, содержащейся в базах данных специализированных фирм. Учитывается взаимовлияние специфической внешней среды данного вида бизнеса и внутренней ситуации на предприятии. В качестве обобщающих показателей используются ROI и денежные потоки — Cash-balance.

5.3.6.5. Бенчмаркинг Одним из условий выживаемости предприятия, что особенно актуально для нынешних российских условий, является достижение мирового уровня рыночной привлекательности продукции или услуг. Здесь имеется в виду совокупная оценка свойств продукции, связанных с ней услуг, а также процессов на самом предприятии. Целью анализа является выявление лучшего в отрасли или на данном поле бизнеса продукта и/или предприятия, выявление и оценка уровня собственного отставания или опережения. Сравниваются также производственные, управленческие и иные функции. На основании анализа вырабатываются меры по устранению отставания или закреплению и развитию успехов.

5.3.7. Информационный обмен, связанный с аналитической работой Аналитическая работа на предприятии осуществляется специальной группой. Она может быть автономной или включенной в какое-либо подразделение. В последнее время создаются подразделения контроллинга, в чьи функции в качестве основной включается эта деятельИнформационно аналитические системы ность. В отдельных, особо сложных ситуациях пользуются услугами консультантов. На малых предприятиях эта работа может быть возложена на одного из заместителей руководителя или эксперта.



Pages:     | 1 || 3 |


Похожие работы:

«Перечень доступных книг партнерской коллекции издательства ЮНИТИ-ДАНА на платформе ЭБС ZNANIUM.COM Учеб. Адвокат в уголовном ЮНИТИ 2012 375 Под ред. Н.А. пособие. процессе. 2-е изд., перераб. ДАНА г. Колоколова и доп. Гриф УМЦ Профессиональный 668 учебник Учеб. Адвокатура в России. 4-е Под ред. Н.А. ЮНИТИ 2012 375 пособие. изд., перераб. и доп. Колоколова ДАНА г. Учебное пособие. Гриф МО РФ. Гриф МВД РФ. Гриф УМЦ Профессиональный учебник. Учебное Административная Под ред. Г.Б. ЮНИТИ 2012...»

«Форма 4 Сведения об обеспеченности образовательного процесса учебной литературой или иными информационными ресурсами обучающихся на базе основного общего образования. КГБОУ СПО Павловский сельскохозяйственный колледж Кол-во Наименование дисциплин, Автор, название, место издания, издательство, год издания обучающихся, № п/п входящих в заявленную учебной литературы, вид и характеристика иных Кол-во изучающих образовательную программу информационных ресурсов. дисциплину Теоретическое обучение...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Санкт-Петербургский государственный политехнический университет Колледж информатизации и управления Радиополитехникум ОТЧЕТ о результатах самообследования Санкт-Петербург 2012 Оглавление Выписка из протокола Введение. Общие сведения об образовательном учреждении 1. Организационно-правовое обеспечение образовательной деятельности 2. Система...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Ивановская государственная текстильная академия (ИГТА) Кафедра конструирования швейных изделий Методические указания к выполнению курсовой работы студентами специальности 260902 Конструирование швейных изделий по дисциплине Архитектоника объемных форм Иваново 2010 1 Настоящие методические указания определяют объем, содержание, порядок выполнения и требования по оформлению...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СИСТЕМ УПРАВЛЕНИЯ И РАДИОЭЛЕКТРОНИКИ (ТУСУР) Кафедра экономики Золотарева Г.А. Налоги и налогообложение Методические указания к самостоятельной работе для студентов специальности 080200.62 –Менеджмент 2012 Содержание Общие положения..3 Тема 1. Платежи за пользование природными ресурсами.4 Тема 2....»

«САНКТ-ПЕТЕРБУРГСКАЯ ГОСУДАРСТВЕННАЯ МЕДИЦИНСКАЯ АКАДЕМИЯ им. И.И.МЕЧНИКОВА РЕКОМЕНДОВАНО Ученым Советом СПбГМА в качестве учебного пособия.2003 г. Председатель Совета Ректор СПбГМА, профессор А.В.Шабров Авторы: И.П.Савинов, Б.Б.Шафировский, А.Ю.Ткалун. ЭНДОСКОПИЧЕСКАЯ ЛАЗЕРНАЯ РЕКАНАЛИЗАЦИЯ ПИЩЕВОДА ПРИ НЕОПЕРАБЕЛЬНОМ РАКЕ. Вид издания – Учебно-методические рекомендации для врачей. Издание первое. Объемом 10 страниц. Планируемый тираж – 100 экземпляров. Рукопись подготовлена на основании...»

«1 Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТУРИЗМА И СЕРВИСА Факультет управления и дизайна Кафедра бизнес-технологий в туризме и гостеприимстве ДИПЛОМНАЯ РАБОТА на тему: Использование зарубежного опыта развития социальнокультурного сервиса и туризма в РФ по специальности: Социально-культурный сервис и туризм Никульшина Марта Студент...»

«В Ы С Ш Е Е П Р О Ф Е СС И О Н А Л Ь Н О Е О Б РА З О В А Н И Е В. И. ВЕРШИНИН, И. В. ВЛАСОВА, И. А. НИКИФОРОВА АНАЛИТИЧЕСКАЯ ХИМИЯ УЧЕБНИК Рекомендовано Учебно методическим объединением по специальностям педагогического образования в качестве учебника для студентов высших учебных заведений, обучающихся по специальности Химия Допущено Учебно методическим объединением по направлениям педагогического образования в качестве учебного пособия для студентов высших учебных заведений, обучающихся по...»

«РАБОЧАЯ ПРОГРАММА по курсу технологии в 3 классе (УМК Начальная школа XXI века) ПОЯСНИТЕЛЬНАЯ ЗАПИСКА Рабочая программа курса Технология разработана на основе требований федерального государственного образовательного стандарта начального общего образования (2009год) и авторской программы Е.А. Лутцевой (Сборник программ к комплекту учебников Начальная школа XXI века. –3-е издание, доработанное и дополненное. – М.: Вентана-Граф, 2010г. – 176 с. Программа рассчитана на 68 часов и обеспечена...»

«Министерство сельского хозяйства Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования Московский государственный агроинженерный университет имени В.П.Горячкина Кафедра Информационно-управляющие системы Андреев С.А., Судник Ю.А., Юсупов Р.Х. ДИПЛОМНОЕ ПРОЕКТИРОВАНИЕ Методические указания для студентов факультета заочного образования по специальностям Электрификация и автоматизация сельского хозяйства и Профессиональное обучение со...»

«Министерство образования Республики Беларусь УО ПОЛОЦКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МЕТОДИЧЕСКИЕ УКАЗАНИЯ к выполнению курсовых работ по дисциплине ТАМОЖЕННОЕ ПРАВО для специальности 1-24 01 02 Правоведение г. Новополоцк, 2014 Рассмотрены и рекомендованы к утверждению на заседании кафедры уголовного права и криминалистики, протокол №_ от _ _ 2014 г. Заведующий кафедрой Е.Н. Ярмоц Одобрены и рекомендованы к изданию методической комиссией юридического факультета, протокол №_ от _ _ 2014 г....»

«Московский государственный технический университет им. Н.Э. Баумана А.И.Орлов Организационно-экономическое моделирование В трех частях Часть 2 Экспертные оценки Допущено Учебно-методическим объединением вузов по университетскому политехническому образованию в качестве учебника для студентов высших учебных заведений, обучающихся по направлению Организация и управление наукоемкими производствами специальности Менеджмент высоких технологий Издательство МГТУ им.Н.Э. Баумана Москва 2011 2...»

«ОГЛАВЛЕНИЕ 1. ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ ИНФЕКЦИОННЫЕ БОЛЕЗНИ, ЕЕ МЕСТО В СТРУКТУРЕ ОСНОВНОЙ ОБРАЗОВАТЕЛЬНОЙ ПРОГРАММЫ 2. КОМПЕТЕНЦИИ ОБУЧАЮЩЕГОСЯ ФОРМИРУЕМЫЕ В РЕЗУЛЬТАТЕ ОСВОЕНИЯ ДИСЦИПЛИНЫ – ИНФЕКЦИОННЫЕ БОЛЕЗНИ 3. ОБЪЕМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ 4. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ 4.1. Лекционный курс 4.2. Практические занятия 4.3. Самостоятельная внеаудиторная работа студентов 5. МАТРИЦА РАЗДЕЛОВ УЧЕБНОЙ ДИСЦИПЛИНЫ И ФОРМИРУЕМЫХ В НИХ ОБЩЕКУЛЬТУРНЫХ И ПРОФЕССИОНАЛЬНЫХ КОМПЕТЕНЦИЙ 5.1. Разделы...»

«ЦЕНТРАЛИЗОВАННАЯ БИБЛИОТЕЧНАЯ СИСТЕМА ДЛЯ ВЗРОСЛЫХ ЦЕНТРАЛЬНАЯ БИБЛИОТЕКА ИМ. В. Г. КОРОЛЕНКО ОТДЕЛ УПРАВЛЕНИЯ И ОРГАНИЗАЦИОННО-МЕТОДИЧЕСКОГО РУКОВОДСТВА Серия В помощь начинающему библиотекарю КАК ОРГАНИЗОВАТЬ ОБСЛУЖИВАНИЕ ЧИТАТЕЛЕЙ? (методические рекомендации) г. Мариуполь, 2011 Работа библиотекаря сложная, ответственная, разноплановая. Конечно, он не строит дома, но своим ежедневным трудом библиотекарь прокладывает дороги в мир знаний и мудрости, в мир человеческих душ и сердец. Для того...»

«Обеспечение образовательного процесса оборудованными учебными кабинетами, объектами для проведения практических занятий по образовательным программам ГБОУ СПО РО КСХТ) Форма владения, Уровень, ступень, вид образовательной пользования программы (основная/дополнительная), Наименование оборудованных учебных (собственность, направление подготовки, специальность, кабинетов, объектов для проведения Фактический адрес учебных N оперативное п/п профессия, наименование предмета, практических занятий с...»

«ПРАВИТЕЛЬСТВО САНКТ-ПЕТЕРБУРГА КОМИТЕТ ПО ОБРАЗОВАНИЮ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ДОПОЛНИТЕЛЬНОГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ (ПОВЫШЕНИЯ КВАЛИФИКАЦИИ) СПЕЦИАЛИСТОВ САНКТ-ПЕТЕРБУРГСКАЯ АКАДЕМИЯ ПОСТДИПЛОМНОГО ПЕДАГОГИЧЕСКОГО ОБРАЗОВАНИЯ Институт детства РАЗРАБОТКА ОСНОВНОЙ ОБРАЗОВАТЕЛЬНОЙ ПРОГРАММЫ НАЧАЛЬНОГО ОБЩЕГО ОБРАЗОВАНИЯ ДЛЯ ОБРАЗОВАТЕЛЬНЫХ УЧРЕЖДЕНИЙ САНКТ-ПЕТЕРБУРГА Методические рекомендации Санкт-Петербург Авторский коллектив: Л.М. Беловицкая, М.В. Бойкина, Н.В....»

«www.GetHealth.ru [email protected] www.HealthManager.ru Санкт - Петербургская Медицинская Академия Последипломного Образования В.А. Александрова, В.Е. Одинцева Глистно – паразитарные заболевания у детей Учебное пособие для врачей Санкт – Петербург 2009 www.GetHealth.ru [email protected] www.HealthManager.ru www.GetHealth.ru [email protected] www.HealthManager.ru Введение. Паразитарные заболевания у детей и в XXI веке остаются одной из самых частых видов патологии. Массовое распространение...»

«Министерство образования Республики Беларусь УО ПОЛОЦКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Кафедра уголовного права и криминалистики МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ К ПРАКТИЧЕСКОЙ ПОДГОТОВКЕ для студентов заочной формы обучения по дисциплине Уголовный процесс для специальности 24-01-02 Правоведение г. Новополоцк, 2013 2 Рассмотрены и рекомендованы к утверждению на заседании кафедры уголовного права и криминалистики, протокол №_ от _ _ 2013 г. Кафедра уголовного права и криминалистики Заведующий кафедрой...»

«Основы философии История Иностранный язык Физическая культура Математика Информатика и информационно – коммуникационные технологии (икт) в профессиональной деятельности Общая и профессиональная педагогика Общая и профессиональная психология Возрастная анатомия, физиология и гигиена Правовое обеспечение профессиональной дисциплины Безопасность жизнедеятельности Основы изобразительного искусства Черчение и перспектива Народные художественные промыслы россии Основы композиции и дизайна Правовое...»

«Министерство образования и науки Российской Федерации Негосударственное образовательное учреждение высшего профессионального образования Томский экономико-юридический институт УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС по дисциплине Безопасность жизнедеятельности для направления подготовки 030900.62 Юриспруденция Томск - 2011 1 СОДЕРЖАНИЕ Раздел 1. Рабочая программа Раздел 1. Организационно-методический 1.1. Цели и задачи освоения дисциплины 1.2. Место дисциплины в структуре ООП ВПО 1.3. Компетенции...»






 
2014 www.av.disus.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.