Мы предлагаем для средних и крупных компаний готовые решения по развертыванию систем поддержки принятия оперативных и стратегических решений.
Для этого мы используем методы аналитического сбора и представления данных (OLAP) и выявления скрытых закономерностей (Data Mining).
Текущая ситуация
Закономерной фазой в развитии успешного бизнеса является внедрение учетной системы, а также, возможно, системы управления ресурсами предприятия (ERP-системы). Основными целями, которые преследуют руководители предприятия при внедрении такой системы, являются:
- Возможность доступа в реальном времени к важной учетной информации.
- Формирование единого информационного пространства, в котором работают все важные службы предприятия.
- Возможность контроля и оперативного воздействия на процессы в компании на основании своевременной информации.
Проблемы анализа информации
Следующим логичным этапом автоматизации бизнеса является внедрение системы поддержки принятия оперативных и стратегических решений в связи с тем, что перед руководителями высшего звена с неизбежностью возникают вопросы о наличии скрытых неочевидных закономерностей в протекании бизнес-процессов, их тенденциях и взаимосвязанных характеристиках. Эта задача усложняется обилием информации, накопленной в учетной системе по мере осуществления хозяйственной деятельности, и, как следствие, все более возрастающей сложностью ее анализа. Стандартный набор отчетов, входящих в большинство учетных систем, хорошо представляет лишь оперативую информацию, а также, в лучшем случае, дает представление об основных показателях функционирования бизнеса на заданный период времени в виде аналитических и финансовых отчетов. Ситуация осложняется еще и тем, что человеческий разум сам по себе не приспособлен для восприятия и анализа больших массивов разнородной информации. Человек к тому же не способен улавливать более трех-четырех взаимосвязей даже в небольших выборках. Но и традиционная математическая статистика, долгое время являвшаяся основным инструментом анализа данных, также часто бывает неприменимой при решении задач из реальной жизни. Она оперирует усредненными характеристиками выборки, которые часто являются фиктивными величинами.
Остроту этой проблемы способны снять возникшие сравнительно недавно методы интеллектуального анализа данных (Data Mining), которые являются методами автоматизированного извлечения знаний непосредственно из исходных, или "сырых", данных. Эти методы уже активно используются при анализе рынка, маркетинге, прогнозе фондовых котировок и других бизнес-приложениях, также основывающихся на обширнейших объемах информации.
Современные технологии Data Mining анализируют информацию с целью автоматического поиска шаблонов (паттернов), характерных для каких-либо фрагментов неоднородных многомерных данных. В отличие от оперативной аналитической обработки данных (online analytical processing, OLAP) в Data Mining задача по формулировке гипотез и выявлению необычных шаблонов переложена на информационную систему.
Для иллюстрации разницы между относительно распространенным аналитическим подходом (OLAP) и подходом "вскрытия" данных (Data Mining) ниже приведены примеры формулировки решаемых ими задач:
| OLAP | Data Mining |
| Каковы средние показатели травматизма для курящих и некурящих? | Какие факторы лучше всего предсказывают несчастные случаи? |
| Каковы средние размеры телефонных счетов существующих клиентов в сравнении со счетами клиентов, отказавшихся от услуг телефонной компании? | Какие характеристики отличают клиентов, которые, по всей вероятности, собираются отказаться от услуг телефонной компании? |
| Какова средняя величина ежедневных покупок по украденной и неукраденной кредитной карточке? | Какие схемы покупок характерны для мошенничества с кредитными карточками? |
В первую очередь методы Data Mining представляют интерес для коммерческих предприятий, развертывающих проекты на основе учетных систем и информационных хранилищ данных (Data Warehousing). Опыт многих таких предприятий показывает, что отдача от использования Data Mining может достигать 1000%. Например, известны сообщения об экономическом эффекте, в 10-70 раз превысившем первоначальные затраты от 350 до 750 тыс. дол. (http://inftech.webservis.ru/it/database/datamining/ar1.html#Лит1).
Приводятся сведения о проекте стоимостью 20 млн. дол., который окупился всего за 4 месяца. Другой пример - годовая экономия 700 тыс. дол. за счет внедрения Data Mining в сети универсамов в Великобритании.
Data Mining представляет большую ценность для руководителей и аналитиков в их повседневной деятельности. На Западе многие компании осознали, что с помощью методов Data Mining они могут получить ощутимые преимущества в конкурентной борьбе. Кратко охарактеризуем некоторые возможные бизнес-приложений Data Mining (http://inftech.webservis.ru/it/database/datamining/ar1.html#Лит2):
- анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе (например, аудиоплейер приобретается вместе с батарейками). Знание содержания покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах.
- исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа "Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новую пленку?"
- создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.
На рынке существуют несколько (обычно достаточно дорогих) систем, выполняющих эти функции. Однако, их использование осложнено необходимостью адаптации системы к уже существующей структуре данных, а также содержанием дорогостоящих экспертов, способных формировать и настраивать параметры моделей и сценариев.
Предлагаемое решение
Предлагаемая система интеллектуального анализа данных представляет собой веб-приложение, построенное в виде ответов на вопросы.
Список и структура вопросов составляется в процессе проектирования системы под конкретного заказчика и с его активным участием. Вопросы учитывают специфику бизнеса заказчика, его интересы и опыт. Примером могут служить следующие вопросы:
- Какова структура продаж за определенный период? Как можно классифицировать осуществляемые компанией продажи? Что характерно для выявленных сегментов?
- Какие клиенты приносят наибольшую прибыль? Что характерно для таких клиентов (что отличает их от остальных)?
- Продажа каких товаров приносит наибольшую прибыль? Что для них типично?
- Какие товары продаются или заказываются вместе?
- Какие товары и через какое время вероятно купит покупатель после приобретения данного товара?
- Какая существует временная тенденция и периодическая составляющая продаж по различным категориям?
Ответы на каждый вопрос формируются и оформляются в реальном времени на основании имеющихся у заказчика данных (оперативная система учета, хранилище данных, CRM-система и т.д.) индивидуально для каждого вопроса с помощью соответсвующего задаче алгоритма. Форма представления результатов анализа может быть различной (в виде дерева решений, многомерной таблицы, графиков, диаграмм и т.д.) и реализуется на основании потребностей и пожеланий заказчика.
Преимущества предлагаемого решения
- Учет конкретной специфики бизнеса. Система проектируется и реализуется на основании специфики бизнеса конкретного клиента. Вопросы, на основании которых строится приложение, вырабатываются в результате обследования клиента и учитывают его интересы, пожелания, а также информационную инфраструктуру.
- Простота использования. Благодоря лежащему в основе приложения принципу "вопрос - ответ", форма работы с ним очевидна конечному пользователю и не требуют содержания в штате дорогостоящих специалистов.
- Возможность удаленного доступа. Благодоря реализации системы как веб-приложения ей могут пользоваться руководители, находящиеся в любой точке мира, что расширяет их возможности по управлению компанией.
- Функциональная расширяемость осуществляется за счет добавления новых вопросов, ответы на которые представляют интерес для руководства компании. Функциональные модули, формирующие ответы на новые вопросы, подключаются по мере необходимости. Они могут создаваться индивидуально, либо в их качестве используются готовые продукты третьих сторон.
- Архитектурная гибкость. Источниками данных для приложения могут служить все имеющиеся в распоряжении у клиента разнородные информационные системы.
Наиболее эффективным представляется вариант внедрения системы одновременно с внедрением у клиента учетной или ERP + CRM системы. Это позволит проектировать и реализовывать информационную структуру предприятия с учетом его будующих потребностей в аналитике.
Архитектура решения
