Metode analitičke obrade podataka za podršku odlučivanju. Online analitička obrada podataka (OLAP)

3.4 Metode analitičke obrade podataka

Da bi postojeća skladišta podataka olakšala donošenje upravljačkih odluka, informacije moraju biti predstavljene analitičaru u potrebnom obliku, odnosno mora imati razvijene alate za pristup i obradu podataka u skladištu.

Vrlo često su informacioni i analitički sistemi kreirani uz očekivanje direktne upotrebe od strane donosilaca odluka izuzetno laki za upotrebu, ali ozbiljno ograničeni u funkcionalnosti. Takvi statički sistemi se nazivaju izvršni informacioni sistemi (EIS). Sadrže mnogo upita i, budući da su dovoljni za svakodnevni pregled, nisu u stanju da odgovore na sva pitanja koja se mogu pojaviti prilikom donošenja odluka. Rezultat rada ovakvog sistema, po pravilu, su izvještaji na više stranica, nakon pažljivog proučavanja, o kojima analitičar postavlja novu seriju pitanja. Međutim, svaki novi zahtjev koji nije predviđen u dizajnu takvog sistema mora prvo biti formalno opisan, kodiran od strane programera i tek onda izvršen. Vrijeme čekanja u ovom slučaju može biti satima i danima, što nije uvijek prihvatljivo.

Online analitička obrada... Ili on-line analitička obrada, OLAP je ključna komponenta organizacije skladištenja podataka. OLAP koncept je 1993. opisao Edgar Codd i ima sljedeće zahtjeve za aplikacije multivarijantne analize:

- višedimenzionalni konceptualni prikaz podataka, uključujući punu podršku za hijerarhije i višestruke hijerarhije (ključni zahtjev OLAP-a);

- pružanje rezultata analize korisniku u razumnom vremenu (obično ne duže od 5 s), čak i po cijenu manje detaljne analize;

- mogućnost izvođenja bilo koje logičke i statističke analize, tipične za ovu aplikaciju, i pohranjivanja u obliku dostupnom krajnjem korisniku;

- višekorisnički pristup podacima uz podršku odgovarajućih mehanizama zaključavanja i ovlaštenih sredstava pristupa;

- mogućnost pristupa svim potrebnim informacijama, bez obzira na njihov volumen i lokaciju skladištenja.

OLAP sistem se sastoji od mnogo komponenti. Na najvišem nivou prezentacije, sistem uključuje izvor podataka, višedimenzionalnu bazu podataka (MDB) koja pruža mogućnost implementacije motora za izvještavanje baziran na OLAP tehnologiji, OLAP server i klijent. Sistem je izgrađen na principu klijent-server i omogućava udaljeni i višekorisnički pristup MDB serveru.

Razmotrite komponente OLAP sistema.

Izvori. Izvor u OLAP sistemima je server koji dostavlja podatke za analizu. Ovisno o obimu upotrebe OLAP proizvoda, izvor može biti skladište podataka, naslijeđena baza podataka koja sadrži opće podatke, skup

tabele koje kombinuju finansijske podatke ili bilo koju kombinaciju gore navedenog.

Skladište podataka. Neobrađeni podaci se prikupljaju i pohranjuju u repozitoriju dizajniranom u skladu sa principima izgradnje skladišta podataka. HD je relaciona baza podataka (RDB). Glavna CD tabela (tabela činjenica) sadrži numeričke vrijednosti indikatora za koje se prikupljaju statističke informacije.

Višedimenzionalna baza podataka Skladište podataka služi kao dobavljač informacija za višedimenzionalnu bazu podataka, koja je zbirka objekata. Glavne klase ovih objekata su dimenzije i mjere. Dimenzije uključuju skupove vrijednosti (parametara) kojima se podaci indeksiraju, na primjer, vrijeme, regije, tip institucije, itd. Svaka dimenzija je popunjena vrijednostima iz odgovarajućih tabela dimenzija skladišta podataka. Skup mjerenja definira prostor istraživanog procesa. Mjere su višedimenzionalne kocke podataka (hiperkocke). Hiperkocka sadrži same podatke, kao i zbirne iznose za dimenzije koje su dio indikatora. Indikatori čine glavni sadržaj MDB-a i popunjavaju se prema tabeli činjenica. Duž svake ose hiperkocke, podaci se mogu organizirati u hijerarhiji koja predstavlja različite nivoe detalja. Ovo vam omogućava da kreirate hijerarhijske dimenzije, koje će se koristiti za agregiranje ili detaljnu analizu prezentacije podataka tokom naknadne analize podataka. Tipičan primjer hijerarhijske dimenzije je lista teritorijalnih objekata grupiranih po okruzima, regijama, okruzima.

Server. OLAP server je primijenjeni dio OLAP sistema. Ova komponenta obavlja sav posao (u zavisnosti od modela sistema) i pohranjuje u sebi sve informacije kojima je omogućen aktivan pristup. Arhitektura servera je vođena različitim konceptima. Konkretno, glavna funkcionalna karakteristika OLAP proizvoda je upotreba MDB ili RDB za skladištenje podataka.

Klijentska aplikacija.Podaci strukturirani u skladu s tim i pohranjeni u MDB dostupni su za analizu pomoću klijentske aplikacije. Korisnik dobija mogućnost daljinskog pristupa podacima, formulisanja složenih upita, generisanja izveštaja i primanja proizvoljnih podskupova podataka. Dobijanje izvještaja svodi se na odabir specifičnih mjernih vrijednosti i konstrukciju dijela hiperkocke. Poprečni presjek je određen odabranim mjernim vrijednostima. Podaci za ostale dimenzije su sažeti.

OLAPna klijentu i na serveru. Multidimenzionalna analiza podataka može se provesti korištenjem različitih alata, koji se uslovno mogu podijeliti na klijentske i serverske OLAP alate.

OLAP klijentski alati (na primjer, Pivot Tables u Excelu 2000 od Microsofta ili ProClarity iz Knosysa) su aplikacije koje izračunavaju i prikazuju agregatne podatke. U ovom slučaju, sami skupni podaci su sadržani u kešu unutar adresnog prostora takvog OLAP alata.

Ako su izvorni podaci sadržani u desktop DBMS-u, izračunavanje zbirnih podataka vrši sam OLAP alat. Ako je izvor originalnih podataka serverski DBMS, mnogi OLAP klijentski alati šalju SQL upite serveru i, kao rezultat, primaju zbirne podatke izračunate na serveru.

Obično se OLAP funkcionalnost implementira u alate za statističku obradu podataka i u nekim proračunskim tabelama.

Mnogi razvojni alati sadrže biblioteke klasa ili komponenti koje vam omogućavaju da kreirate aplikacije koje implementiraju najjednostavniju OLAP funkcionalnost (kao što su komponente Decision Cube u Borland Delphi i Borland C++ Builder). Pored toga, mnoge kompanije nude ActiveX kontrole i druge biblioteke koje pružaju sličnu funkcionalnost.

Klijentski OLAP alati se u pravilu koriste s malim brojem dimenzija (obično ne više od šest) i malim rasponom vrijednosti za ove parametre - budući da se dobijeni zbirni podaci moraju uklopiti u adresni prostor takvog alata , a njihov broj raste eksponencijalno s povećanjem broja dimenzija.

Mnogi klijentski OLAP alati omogućavaju vam da sačuvate sadržaj keša sa agregatnim podacima u obliku datoteke kako ih ne biste ponovo izračunavali. Međutim, ova prilika se često koristi za otuđenje zbirnih podataka u svrhu njihovog prenošenja drugim organizacijama ili za objavljivanje.

Ideja pohranjivanja predmemorije sa agregiranim podacima u datoteci dalje je razvijena u serverskim OLAP alatima (na primjer, Oracle Express Server ili Microsoft OLAP Services), u kojima se spremaju i mijenjaju agregatni podaci, kao i održava pohrana koja ih sadrži , obavlja posebna aplikacija ili proces koji se zove OLAP server. Klijentske aplikacije mogu zahtijevati takvo višedimenzionalno skladištenje i kao odgovor primiti određene podatke. Neke klijentske aplikacije također mogu kreirati takva spremišta ili ih ažurirati prema promijenjenim izvornim podacima.

Prednosti korištenja serverskih OLAP alata u odnosu na klijentske OLAP alate slične su prednostima korištenja DBMS-a na strani servera u odnosu na desktop alate: u slučaju korištenja alata baziranih na serveru, izračunavanje i pohranjivanje agregatnih podataka se odvija na server, a klijentska aplikacija prima samo rezultate upita prema njima, što općenito omogućava smanjenje mrežnog prometa, vremena izvršenja upita i zahtjeva za resursima za klijentsku aplikaciju.

3.5 Tehnički aspekti skladištenja višedimenzionalnih podataka

Multidimenzionalnost u OLAP aplikacijama može se podijeliti na tri nivoa:

1... Višedimenzionalni prikaz podataka- alati za krajnje korisnike koji pružaju višedimenzionalnu vizualizaciju i manipulaciju podacima; MDI sloj apstrahuje od fizičke strukture podataka i tretira podatke kao višedimenzionalne.

    Višedimenzionalna obrada- alat (jezik) za formulisanje višedimenzionalnih upita (tradicionalni relacioni SQL jezik se ispostavlja da je ovde neprikladan) i procesor koji može obraditi i izvršiti takav upit.

    Višedimenzionalno skladištenje- sredstva fizičke organizacije podataka koja osiguravaju efikasno izvršavanje višedimenzionalnih upita.

Prva dva nivoa su obavezna u svim OLAP alatima. Treći nivo, iako široko rasprostranjen, nije potreban, budući da se podaci za višedimenzionalni pogled takođe mogu dohvatiti iz običnih relacionih struktura. Višedimenzionalni procesor upita, u ovom slučaju, prevodi višedimenzionalne upite u SQL upite koje izvršava relacijski DBMS.

U bilo kojem skladištu podataka - konvencionalnom i multidimenzionalnom - zajedno sa detaljnim podacima preuzetim iz operativnih sistema, agregirani indikatori (ukupni indikatori) se također pohranjuju, kao što su zbroji obima prodaje po mjesecima, po kategoriji proizvoda, itd. Agregati se pohranjuju eksplicitno za jedina svrha ubrzavanja upita. Zaista, s jedne strane, po pravilu, u skladištu se akumulira vrlo velika količina podataka, a s druge strane, analitičare u većini slučajeva zanimaju ne detaljni, već generalizirani pokazatelji. A kada bi milioni pojedinačnih prodaja morali da se zbroje svaki put da bi se izračunala godišnja prodaja, brzina bi najvjerovatnije bila neprihvatljiva. Stoga se prilikom učitavanja podataka u višedimenzionalnu bazu podataka izračunavaju i pohranjuju svi zbirni indikatori ili dio njih.

Međutim, upotreba agregiranih podataka je prepuna nedostataka. Glavni nedostaci su povećanje količine pohranjenih informacija (kada se dodaju nove dimenzije, količina podataka koji čine kocku raste eksponencijalno) i vrijeme potrebno za njihovo učitavanje. Štaviše, količina informacija može se povećati desetinama, pa čak i stotinama puta. Na primjer, u jednom od objavljenih standardnih testova, potpuni agregatni broj za 10 MB neobrađenih podataka zahtijevao je 2,4 GB, odnosno podaci su porasli 240 puta!

Stepen do kojeg se povećava količina podataka pri izračunavanju agregata zavisi od broja dimenzija u kocki i strukture ovih dimenzija, odnosno omjera broja "roditelja" i "potomaka" na različitim nivoima dimenzije . Da bi se riješio problem pohranjivanja agregata, koriste se složene sheme koje omogućavaju, kada se računaju daleko od svih mogućih agregata, da se postigne značajno povećanje performansi upita.

I početni i zbirni podaci mogu se pohraniti u bilo koje

relacionim ili u višedimenzionalnim strukturama. S tim u vezi, trenutno se koriste tri načina pohranjivanja višedimenzionalnih podataka:

MOLAP (Multidimenzionalni OLAP) - Izvorni i zbirni podaci pohranjeni su u višedimenzionalnoj bazi podataka. Pohranjivanje podataka u višedimenzionalne strukture omogućava vam da manipulirate podacima kao višedimenzionalnim nizom, tako da je brzina izračunavanja agregatnih vrijednosti ista za bilo koju od dimenzija. Međutim, u ovom slučaju, višedimenzionalna baza podataka se ispostavlja suvišnom, budući da višedimenzionalni podaci u potpunosti sadrže originalne relacijske podatke.

Ovi sistemi pružaju puni ciklus OLAP obrade. Oni ili uključuju, pored serverske komponente, vlastiti integrirani klijentski interfejs ili koriste eksterne programe za proračunske tablice za komunikaciju s korisnikom.

ROLAP (Relacioni OLAP) - originalni podaci ostaju u istoj relacionoj bazi podataka u kojoj su se prvobitno nalazili. Zbirni podaci se stavljaju u servisne tabele posebno kreirane za njihovo skladištenje u istoj bazi podataka.

HOLAP (Hybrid OLAP) - originalni podaci ostaju u istoj relacionoj bazi podataka u kojoj su se prvobitno nalazili, a zbirni podaci se pohranjuju u višedimenzionalnu bazu podataka.

Neki OLAP alati podržavaju pohranjivanje podataka samo u relacijske strukture, neki - samo u višedimenzionalne strukture. Međutim, većina modernih alata baziranih na OLAP serveru podržava sve tri metode skladištenja podataka. Izbor metode skladištenja zavisi od veličine i strukture izvornih podataka, zahteva za brzinom izvršavanja upita i učestalosti ažuriranja OLAP kocki.

3.6 Data mining (PodaciRudarstvo)

Termin Data Mining označava proces pronalaženja korelacija, trendova i odnosa kroz različite matematičke i statističke algoritame: grupisanje, regresijska i korelacione analize, itd. za sisteme za podršku odlučivanju. U ovom slučaju, akumulirane informacije se automatski generaliziraju na informacije koje se mogu okarakterizirati kao znanje.

Moderna Data Mining tehnologija se zasniva na konceptu šablona koji odražavaju obrasce svojstvene poduzorcima podataka i čine takozvano skriveno znanje.

Pretraživanje obrazaca se izvodi korištenjem metoda koje ne koriste nikakve apriorne pretpostavke o ovim poduzorcima. Važna karakteristika Data Mininga je nestandardnost i neočiglednost traženih obrazaca. Drugim riječima, alati za rudarenje podataka razlikuju se od alata za statističku obradu podataka i OLAP alata po tome što umjesto provjere odnosa koje su korisnici pretpostavili unaprijed

između podataka, na osnovu dostupnih podataka, u stanju su samostalno da pronađu takve odnose, kao i da izgrade hipoteze o njihovoj prirodi.

Općenito, proces rudarenja podataka sastoji se od tri faze

    prepoznavanje obrazaca (slobodna pretraga);

    korištenje otkrivenih obrazaca za predviđanje nepoznatih vrijednosti (prediktivno modeliranje);

    analiza izuzetaka, dizajnirana da identifikuje i interpretira anomalije u pronađenim obrascima.

Ponekad se eksplicitno razlikuje srednja faza provjere pouzdanosti pronađenih obrazaca između njihovog pronalaženja i korištenja (faza validacije).

Postoji pet standardnih tipova obrazaca identifikovanih metodama Data Mininga:

1.Asocijacija omogućava vam da odaberete stabilne grupe objekata između kojih postoje implicitno određene veze. Učestalost pojavljivanja pojedinačne stavke ili grupe stavki, izražena u procentima, naziva se prevalencija. Niska stopa prevalencije (manje od hiljaditi dio procenta) sugerira da takva povezanost nije značajna. Udruženja su napisana u obliku pravila: A=> B, gdje A - paket, V - posljedica. Da bi se odredila važnost svakog dobijenog pravila asocijacije, potrebno je izračunati vrijednost koja se zove povjerenje A To V(ili odnos A i B). Samopouzdanje pokazuje koliko često kada A pojavljuje se V. Na primjer, ako d (A / B)= 20%, to znači da prilikom kupovine proizvoda A u svakom petom slučaju roba se takođe kupuje V.

Tipičan primjer korištenja asocijacije je analiza strukture nabavki. Na primjer, prilikom istraživanja u supermarketu može se ustanoviti da 65% onih koji su kupili čips uzimaju i Coca-Colu, a ako postoji popust na takav set, Cola se kupuje u 85% slučajeva. Ovakvi rezultati su vrijedni u oblikovanju marketinških strategija.

2.Sequence - to je metoda identificiranja asocijacija u vremenu. U ovom slučaju se definišu pravila koja opisuju sekvencijalno pojavljivanje određenih grupa događaja. Takva pravila su neophodna za pravljenje skripti. Osim toga, mogu se koristiti, na primjer, za formiranje tipičnog skupa prethodnih prodaja koje mogu uključivati ​​naknadnu prodaju određenog proizvoda.

3.Klasifikacija - alat za generalizaciju. Omogućava vam da pređete sa razmatranja pojedinačnih objekata na generalizirane koncepte koji karakteriziraju neke skupove objekata i dovoljni su za prepoznavanje objekata koji pripadaju tim skupovima (klasama). Suština procesa formiranja koncepta je pronalaženje obrazaca svojstvenih klasama. Mnogo različitih karakteristika (atributa) se koristi za opisivanje objekata. Problem formiranja koncepta na osnovu opisa karakteristika formulisao je M.M. Bongart. Njegovo rješenje se zasniva na primjeni dvije osnovne procedure: obuke i testiranja. U procedurama obuke, klasifikaciono pravilo se konstruiše na osnovu obrade skupa objekata za obuku. Procedura verifikacije (ispitivanja) se sastoji u korišćenju dobijenog klasifikacionog pravila za prepoznavanje objekata iz novog (ispitnog) uzorka. Ako se utvrdi da su rezultati testa zadovoljavajući, tada se proces učenja završava, u suprotnom se klasifikaciono pravilo rafinira tokom procesa ponovnog učenja.

4 grupisanje Da li je distribucija informacija (zapisa) iz baze podataka u grupe (klastere) ili segmente uz istovremeno određivanje ovih grupa. Za razliku od klasifikacije, ovdje za analizu nije potrebna prethodna dodjela klasa.

5 vremenskih serija predviđanja je alat za određivanje trendova promjena atributa objekata koji se razmatraju tokom vremena. Analiza ponašanja vremenskih serija omogućava predviđanje vrijednosti proučavanih karakteristika.

Za rješavanje takvih problema koriste se različite metode i algoritmi Data Mininga. S obzirom na činjenicu da se Data Mining razvijao i razvijao na raskrsnici disciplina kao što su statistika, teorija informacija, mašinsko učenje, teorija baze podataka, sasvim je prirodno da je većina Data Mining algoritama i metoda razvijena na osnovu različitih metoda iz ovih disciplina.

Iz mnoštva postojećih metoda rudarenja podataka mogu se razlikovati sljedeće:

    analiza regresije, varijanse i korelacije(implementirana u najsavremenijim statističkim paketima, posebno u proizvodima kompanija SAS Institute, StatSoft, itd.);

    metode analize u određenoj predmetnoj oblasti, na osnovu empirijskih modela (često se koriste, na primjer, u jeftinim alatima finansijske analize);

    algoritmi neuronske mreže- metoda za simulaciju procesa i pojava koja omogućava reprodukciju složenih zavisnosti. Metoda se zasniva na korištenju pojednostavljenog modela biološkog mozga i leži u činjenici da se početni parametri smatraju signalima koji se transformišu u skladu sa postojećim vezama između "neurona" i odgovora cijele mreže na početni podaci se smatraju odgovorom koji je rezultat analize. U ovom slučaju, veze se stvaraju pomoću takozvanog mrežnog treninga pomoću velikog uzorka koji sadrži i početne podatke i tačne odgovore. Neuronske mreže se široko koriste za rješavanje problema klasifikacije;

    fuzzy logika koristi se za obradu podataka sa nejasnim vrijednostima istinitosti koje se mogu predstaviti raznim jezičkim varijablama. Fuzzy reprezentacija znanja se široko koristi za rješavanje problema klasifikacije i predviđanja, na primjer, u XpertRule Miner sistemu (Attar Software Ltd., UK), kao i u AIS-u, NeuFuz-u, itd.

    induktivni vodovi omogućavaju vam da dobijete generalizacije činjenica pohranjenih u bazi podataka. U procesu induktivnog učenja može biti uključen specijalista koji daje hipoteze. Ovo se zove učenje pod nadzorom. Potraga za pravilima generalizacije može se izvršiti bez nastavnika automatskim generisanjem hipoteza. U modernom softveru, po pravilu, obje metode se kombiniraju, a statističke metode se koriste za testiranje hipoteza. Primjer sistema koji koristi induktivne vodove je XpertRule Miner koji je razvio Attar Software Ltd. (Ujedinjeno kraljevstvo);

    obrazloženje zasnovano na sličnim slučajevima(Metoda „Najbliži susjed”) (Rezoniranje zasnovano na slučaju – CBR) se zasnivaju na pretraživanju u bazi podataka za situacije čiji su opisi slični u nizu karakteristika datoj situaciji. Princip analogije nam omogućava da pretpostavimo da će rezultati sličnih situacija također biti bliski jedni drugima. Nedostatak ovog pristupa je što ne stvara nikakve modele ili pravila koja generaliziraju prethodno iskustvo. Osim toga, pouzdanost izlaznih rezultata ovisi o potpunosti opisa situacija, kao u procesima induktivnog zaključivanja. Primeri sistema koji koriste CBR su: KATE Tools (Acknosoft, Francuska), Pattern Recognition Workbench (Unica, SAD);

    stabla odluka- metoda za strukturiranje zadatka u obliku grafa stabla, čiji vrhovi odgovaraju proizvodnim pravilima koja omogućavaju klasifikaciju podataka ili analizu posljedica odluka. Ova metoda daje vizuelni prikaz sistema klasifikacionih pravila, ako ih nema mnogo. Jednostavni problemi se rješavaju ovom metodom mnogo brže nego korištenjem neuronskih mreža. Za složene probleme i za neke tipove podataka, stabla odluka možda neće biti prikladna. Osim toga, ova metoda ima problem od značaja. Jedna od posljedica hijerarhijskog grupiranja podataka je odsustvo velikog broja primjera obuke za mnoge posebne slučajeve, te se stoga klasifikacija ne može smatrati pouzdanom. Metode stabla odlučivanja implementirane su u mnogim softverskim alatima, i to: S5.0 (RuleQuest, Australija), Clementine (Integral Solutions, UK), SIPINA (Univerzitet u Lyonu, Francuska), IDIS (Information Discovery, SAD);

    evolucijsko programiranje- pretraživanje i generisanje algoritma koji izražava međuzavisnost podataka, na osnovu inicijalno specificiranog algoritma, modifikovanog u procesu pretraživanja; ponekad se potraga za međuzavisnostima provodi između bilo koje specifične vrste funkcija (na primjer, polinoma);

ograničeni algoritmi pretraživanja koji izračunavaju kombinacije jednostavnih logičkih događaja u podgrupama podataka.

3.7 IntegracijaOLAPiPodaciRudarstvo

Online analitička obrada (OLAP) i rudarenje podataka (Data Mining) su dva dijela procesa podrške odlučivanju. Međutim, danas se većina OLAP sistema fokusira samo na pružanje pristupa višedimenzionalnim podacima, a većina alata za rudarenje podataka koji rade na polju obrazaca bave se perspektivama jednodimenzionalnih podataka. Da bi se povećala efikasnost obrade podataka za sisteme za podršku odlučivanju, ove dvije vrste analize treba kombinovati.

Trenutno postoji složeni izraz "OLAP Data Mining" (multidimenzionalno rudarenje) koji označava takvu kombinaciju.

Postoje tri glavna načina da se formira "OLAP Data Mining":

    "Kockanje pa rudarenje". Mogućnost izvođenja analize rudarenja treba da bude obezbeđena na bilo kom rezultatu upita višedimenzionalnom konceptualnom prikazu, odnosno preko bilo kog fragmenta bilo koje projekcije hiperkocke indikatora.

    Mining pa kockanje. Kao i podaci koji se preuzimaju iz spremišta, rezultati rudarenja moraju biti predstavljeni u hiperkubičnom obliku za naknadnu multivarijantnu analizu.

    "Kockanje tokom rudarenja". Ova fleksibilna metoda integracije omogućava vam da automatski aktivirate isti tip inteligentnih mehanizama obrade preko rezultata svakog koraka multivarijantne analize (prijelaza) između nivoa generalizacije, ekstrakcije novog fragmenta hiperkocke, itd.).

    Astronomija za 11 razred [Tekst ... njima kako dio cjelina sistemima ... docent ... Cheboksary, 2009. br. 10. S. 44 -49 .... Autori- kompajleri: N... sinopsespredavanja, ...

  • Vodič za učenje

    ... predavanja... Priprema predavanja matematike. Pisanje sinopsispredavanja predavanja... Upotreba informacijetehnologije ...

  • I k kondaurova sa v lebedeva

    Vodič za učenje

    ... predavanja... Priprema predavanja matematike. Pisanje sinopsispredavanja... Priprema vizuelnih pomagala. Tehnika čitanja predavanja... Upotreba informacijetehnologije ...

  • M MEDIJA MONITORING Modernizacija stručnog obrazovanja mart - avgust 2011

    Sažetak

    ... 11 .08.2011 "Mrtve duše-2" u RNIMU njima ... 3,11 -3,44 ... ... javno predavanja vođe... Cheboksary... i škrabanje sinopses publika - ... informacijesistemima i tehnologije. ... sistem obrazovanje, kaže docent ... kompajleri ... dijelovi poboljšanje real sadržaj ...

Tema 6

KORPORATIVNI INFORMACIONI SISTEMI ZA OBRADU EKONOMSKIH INFORMACIJA

Koncept korporativne informacione tehnologije

Suština i značaj korporativne informacione tehnologije

Među raznovrsnim programima za poslovanje, pojam "informacione tehnologije u korporativnom upravljanju" tradicionalno se shvata kao "integrisani sistemi automatizacije upravljanja". Poznata su i njihova druga imena - sistemi na nivou preduzeća, korporativni informacioni sistemi (CIS), korporativni (ili integrisani) sistemi upravljanja (KSU), automatizovani kontrolni sistemi (ACS).

Složeni sistemi automatizacije upravljanja su po pravilu „osnovna“ univerzalna rešenja pogodna za različite tipove preduzeća, pre svega finansijsko upravljanje, upravljanje skladištem, upravljanje nabavkom i prodajom.Ali ti isti sistemi često imaju industrijska rešenja koja odražavaju jednu ili drugu specifičnost i sadrže odgovarajuću regulatornu i referentnu bazu.

Na primjer, rješenje SAP R/3 sistema za avio-industriju podržava obračun i kontrolu serijskih brojeva svih dijelova aviona, njihovog vijeka trajanja, planirane zamjene ili popravke, čime se osigurava ne samo pouzdanost proizvodnje, već i sigurnost putnika.

Budući da su integrisani sistemi upravljanja prvenstveno fokusirani na velika preduzeća koja sadrže multidisciplinarne strukture, oni ne samo da nude razvijeni skup funkcija, već pružaju i pouzdano skladištenje i obradu velikih količina informacija, koristeći moćne platforme i sistemske alate za rad sa više korisnika. ..

Savremene informacione tehnologije, komunikacije i internet omogućavaju rešavanje problema udaljenog pristupa jedinstvenoj bazi podataka, što je takođe važno za korporativno upravljanje.

Koncept izgradnje

Iako većina programera svoje softverske proizvode naziva upravljanjem (preduzeće, skladište, finansije, itd.), u suštini, skoro sav softver koji se koristi u korporativnom upravljanju je evidentiranje činjenica i dokumenata finansijskih i ekonomskih aktivnosti, računovodstveni sistemi sa mogućnošću izrade izveštaja i referenci. u odjeljcima koje dozvoljavaju analitičke karakteristike. To jest, strukturirane informacije se unose u bazu podataka. Ova struktura je u jednom ili drugom stepenu postavljena međusobno povezanim referentnim knjigama, klasifikatorima, parametrima i oblicima standardnih dokumenata. Prema informacijama dostupnim u bazi podataka, takozvani "rez" se "izgrađuje", "izvlači", "prikuplja" instrumentalnim putem. Nakon dobijanja izvještaja i referenci, često nazivanih analitičkim izvještajima, na osnovu takvih podataka, menadžment može donijeti odluke. Ovo je tipičan koncept i tipična tehnologija za rad sa sistemima dotične klase.



Nije slučajno da su tako različite po funkcionalnom sadržaju, sistemskim rješenjima, namjeni i upotrebi softvera za upravljanje, kao što su "Galaktika", "BEST" i "1C: Enterprise" metode interakcije sa sistemima.

Ipak, preduzeća, na primjer, OJSC Uralelectromed, postavljaju tako teške i raznolike zahtjeve za alate korporativnog upravljanja da ih postaje neophodno izgraditi na više nivoa. Obično je jezgro sistema, koje sadrži samo programske kodove, centralno. Sljedeći konceptualno važan element je ugrađeni set alata sistema koji omogućava, bez promjene programskih kodova, barem da ga konfiguriše na radnim mjestima, obavlja određene operacije, unos novih i mijenja postojeće forme primarnih i izvještajnih dokumenata, te korištenje drugi načini parametarskog podešavanja. Napredniji sistemi imaju ugrađene alate za kreiranje različitih modela preduzeća: informacionih, organizacionih, funkcionalnih itd. I, na kraju, same baze podataka.

Analitička obrada informacija

Planiranje aktivnosti preduzeća, dobijanje operativnih informacija i donošenje ispravne odluke na osnovu njihove analize povezano je sa obradom velikih količina podataka. Izveštaji generisani u korporativnim računovodstvenim sistemima obično nisu fleksibilni. Ne mogu se „uvrnuti“, „proširiti“ ili „sažmiti“ da bi se dobio željeni prikaz podataka, uključujući i grafičke. Što više “rezova” i “rezova” možete napraviti, realnije možete zamisliti sliku preduzeća i donijeti najbolju odluku o upravljanju poslovnim procesima. Za ovakvu vrstu zadataka potrebno je matematičko i ekonomsko modeliranje, kao i visoke performanse. Analitički modul je dostupan u sistemu "RepKo", poznatiji je sistem "Triumph-Analytica" (Korporacija "PARUS" - "Torah centar"). Čini se da računovodstveni sistemi grade reference u različitim „odjeljcima“ na osnovu informacija pohranjenih u bazi podataka, oni jednostavno predstavljaju ono što jeste. A analitički sistemi grade nove informacije prema određenim parametrima ili kriterijumima, optimizujući ih za specifične svrhe. Stoga vam je češće potreban poseban alat za pregled i vizualizaciju informacija, a to je online analitička obrada (OLAP). Pruža skup pogodnih i brzih sredstava za pristup, pregled i višedimenzionalnu analizu informacija akumuliranih u skladištu.

OLAP tehnologije se koriste za modeliranje situacije prema shemi “šta ako…” i za sastavljanje raznih analitičkih izvještaja. Postoje specijalizovani zapadni softverski proizvodi.

Obično se informacije iz korporativnih sistema upravljanja prenose u specijalizovane programe za analitičku obradu podataka. Mnogi domaći programeri pokušavaju sami riješiti ove probleme, na primjer, Nikos-Soft (sistem NS-2000), Cepheus (sistem korporativnog upravljanja Etalon), KOMSOFT (KOMSOFT-STANDARD "2.0)" itd.

6.4. Perspektive razvoja i upotrebe korporativnih informacionih tehnologija

Pored razvoja i upotrebe savremenih alata i platformi, kao i sistemskih alata, razvoj domaćih korporativnih sistema pretpostavlja njihovu funkcionalnu zasićenost, posebno u proizvodnom smislu.

Unatoč široko rasprostranjenoj strasti za implementacijom standarda upravljanja, vodeći igrači na domaćem tržištu softvera razvijaju industrijska rješenja za različite vrste industrija.

Strah firmi od otkrivanja "povjerljivosti" svog razvoja se smanjuje, što pomaže u konsolidaciji njihovih napora da integriraju svoje proizvode, umjesto da sami razvijaju sve od "a" do "z". Danas niko nema dovoljno sredstava. Potrebne su godine da se shvati novi koncept, razvije projekat i sistem, odnosno sistem koji menja svoj kvalitet u zavisnosti od toga šta se u njemu nalazi. Pored toga, zahtev za integracijom softverskih proizvoda postavljaju i preduzeća koja žele da nastave da „rade“, po pravilu, specijalizovane sisteme i informaciono ih kombinuju sa novonabavljenim.

Integracija je potrebna i za proizvode različitih proizvođača - u ime kombinovanja kompleksnih rešenja sa specijalizovanim:

- budžetiranje, finansijska i ekonomska analiza, usluga korisnicima, analitička obrada podataka, itd.

Treba napomenuti da više obećavaju ne sami kontrolni sistemi, već jednostavan i univerzalan alat za njihovo kreiranje, namijenjen kvalificiranim posrednicima između programera i krajnjeg korisnika. Sada ove funkcije pokušavaju obavljati sistemski administratori i analitičari.

Ako takav alat bude dostupan, bit će tražena "gotova" standardna rješenja za sva preduzeća u svim industrijama.

Internet kao dodatni alat za razvoj poslovanja može se efikasno koristiti samo uz prisustvo integrisanog sistema upravljanja.

Iako savremene informaciono-komunikacione tehnologije, uključujući i Internet, omogućavaju organizovanje iznajmljivanja softvera, preuranjeno je govoriti o kratkoročnoj perspektivi korišćenja ovakvih mogućnosti, posebno u našoj zemlji. I to ne toliko iz razloga povjerljivosti koliko zbog nedostatka reda i pouzdanih sredstava komunikacije.

Pokušaji implementacije i iskustva u korišćenju, čak i neu potpunosti, informacionih tehnologija u domaćim preduzećima su u praksi dokazali da se „haos ne može automatizovati“. Neophodna je prethodna reorganizacija poslovanja i samog preduzeća, kao i izrada pravilnika (uputstava) menadžmenta. Zaposlenicima preduzeća je teško da se sami nose sa takvim poslom. Posebno imajući u vidu vremenski faktor u tržišnim uslovima. Stoga se posvuda razvija praksa interakcije sa konsultantskim kompanijama koje pomažu preduzećima i uče svoje zaposlenike da "prošire uska grla", uspostave glavni poslovni proces, razvijaju tehnologiju, grade tokove informacija itd. Automatizacija pojednostavljenog procesa je lakša, lakša, jeftinija, brža.

Svako mora da radi svoj posao. Računovođa, skladištar, menadžer prodaje i drugi "predmetni" stručnjaci ne bi trebali poboljšati formu obrazaca dokumenata, proširiti stupce ili promijeniti njihova mjesta zbog promjena u zakonodavstvu ili poslovnim shemama. Stoga se tržište softvera postepeno transformira iz "proizvoda" u "uslugu". Počinje da se razvija outsourcing - prenos nekih funkcija preduzeća na stručnjake uključenih kompanija. Bave se održavanjem opreme, sistemskog softvera, modifikacijom primenjenog (funkcionalnog) dela sistema itd.

Informacione tehnologije i metodološke usluge za njihove korisnike i potrošače postaju najvažnije i aktuelne u korišćenju korporativnih sistema upravljanja.

8.3.1. Alati za on-line analitičku obradu (OLAP).

On-line analitička obrada je sredstvo operativne (u realnom vremenu) analitičke obrade informacija koje ima za cilj da podrži donošenje odluka i pomogne analitičarima da odgovore na pitanje "Zašto su objekti, okruženja i rezultati njihove interakcije takvi, a ne drugi?" U ovom slučaju, analitičar sam formira verzije odnosa između skupa informacija i provjerava ih na osnovu dostupnih podataka u odgovarajućim bazama podataka strukturiranih informacija.

ERP sisteme karakteriše prisustvo analitičkih komponenti kao dela funkcionalnih podsistema. Oni omogućavaju formiranje analitičkih informacija u realnom vremenu. Ove informacije su osnova za većinu upravljačkih odluka.

OLAP tehnologije koriste hiperkocke - posebno strukturirane podatke (inače se nazivaju OLAP kocke). U strukturi podataka hiperkocke razlikuju se sljedeće:

Mjere - kvantitativni indikatori (rekviziti-baze) koji se koriste za generiranje zbirnih statističkih rezultata;

Dimenzije - deskriptivne kategorije (atributi-atributi), u kontekstu kojih se analiziraju mjere.

Dimenzija hiperkocke je određena brojem dimenzija za jednu meru. Na primjer, hiperkocka SALES sadrži podatke:

Dimenzije: potrošači, datumi poslovanja, grupe roba, nomenklatura, modifikacije, ambalaža, skladišta, vrste plaćanja, vrste pošiljke, tarife, valuta, organizacije, odjeljenja, odgovorni, kanali distribucije, regije, gradovi;

Mjere: planirana količina, stvarna količina, planirani iznos, stvarni iznos, planirana plaćanja, stvarna plaćanja, planirano stanje, stvarno stanje, prodajna cijena, vrijeme izvršenja naloga, iznos povrata.

Takva hiperkocka je namijenjena za analitička izvješća:

Klasifikacija potrošača prema obimu kupovine;

Klasifikacija robe koja se prodaje ABC metodom;

Analiza uslova izvršenja naloga različitih potrošača;

Analiza obima prodaje po periodima, robama i grupama roba, regijama i potrošačima, internim odjelima, menadžerima i kanalima prodaje;

Prognoza međusobnih obračuna sa potrošačima;

Analiza povrata robe od potrošača; itd.

Analitički izvještaji mogu imati proizvoljnu kombinaciju dimenzija i mjera, koriste se za analizu upravljačkih odluka. Analitička obrada se vrši instrumentalnim i jezičkim sredstvima. U javno dostupnoj tabeli MS Excel predstavljena je informatička tehnologija "Pivot Tables", početni podaci za njihovu izradu su:

Lista (baza podataka) MS Excel - relaciona tabela;

Još jedna MS Excel stožerna tabela;

Konsolidovani opseg MS Excel ćelija koje se nalaze u istim ili različitim radnim knjigama;

Eksterna relaciona baza podataka ili OLAP kocka, izvor podataka (datoteke u .dsn, .ode formatu).

Za izradu pivot tabela na bazi eksternih baza podataka koriste se ODBC drajveri, kao i MS Query program. Tabela sažetka za originalnu MS Excel bazu podataka ima sljedeću strukturu (slika 8.3).

Izgled pivot tabele ima sledeću strukturu podataka (slika 8.4): dimenzije - šifra odeljenja, pozicija; mjere - radno iskustvo, plata i bonus. Ispod je tabela sažetka. 8.2, koji vam omogućava da analizirate odnos između prosječnog radnog iskustva i plate, prosječnog radnog iskustva i bonusa, plaće i bonusa.

Tabela 8.2

Pivot tablica za analizu veza

Kraj stola. 8.2

Da biste nastavili analizu koristeći zaokretnu tablicu, možete:

Dodajte nove ukupne iznose (na primjer, prosječna plata, prosječni bonus, itd.);

Koristite filtriranje zapisa i ukupnih iznosa pivot tabele (na primjer, prema atributu "Spol", koji se postavlja u izgled u * Page "oblast");

Izračunati strukturne pokazatelje (na primjer, raspodjela sredstava zarada i bonusa po odjeljenjima - korištenjem dodatne obrade pivot tabela, udjela iznosa po kolonama); itd.

MS Office paket vam omogućava da objavljujete podatke proračunskih tablica, uključujući zaokretne tabele i grafikone u XTML formatu.

Microsoft Office Web Components podržava rad sa objavljenim podacima u Internet Explorer-u, omogućavajući dalju analizu (promene u strukturi podataka pivot tabele, izračunavanje novih zbirnih ukupnih vrednosti).

8.3.2. Alati za rudarenje podataka (DM)

DM alati podrazumijevaju ekstrakciju („iskopavanje“, „ekstrakciju“) podataka i usmjereni su na identifikaciju odnosa između informacija pohranjenih u digitalnim bazama podataka preduzeća, koje analitičar može koristiti za izgradnju modela koji kvantificiraju stepen utjecaja faktora interes. Osim toga, takvi alati mogu biti korisni za izgradnju hipoteza o mogućoj prirodi informacijskih odnosa u digitalnim bazama podataka poduzeća.

Text Mining (TM) tehnologija je skup alata koji vam omogućava da analizirate velike skupove informacija u potrazi za trendovima, obrascima i odnosima koji vam mogu pomoći u donošenju strateških odluka.

Image Mining (IM) tehnologija sadrži alate za prepoznavanje i klasifikaciju različitih vizuelnih slika pohranjenih u bazama podataka kompanije ili dobijenih kao rezultat online pretrage iz eksternih izvora informacija.

Za rješavanje problema obrade i pohranjivanja svih podataka koriste se sljedeći pristupi:

1) kreiranje više sistema rezervnih kopija ili jednog distribuiranog sistema za upravljanje dokumentima koji omogućavaju čuvanje podataka, ali imaju spor pristup sačuvanim informacijama na zahtev korisnika;

2) izgradnja Internet sistema koji su veoma fleksibilni, ali nisu prilagođeni za realizaciju pretraživanja i skladištenja tekstualnih dokumenata;

3) uvođenje internet portala koji su dobro ciljani na zahtjeve korisnika, ali nemaju deskriptivne informacije o tekstualnim podacima učitanim u njih.

Sistemi za obradu teksta bez gore navedenih problema mogu se podijeliti u dvije kategorije: sistemi lingvističke analize i sistemi za analizu tekstualnih podataka.

Glavni elementi Text Mining tehnologije su:

Sažimanje;

Ekstrakcija karakteristika

Grupiranje

Klasifikacija

Odgovaranje na pitanja (odgovaranje na pitanja);

Tematsko indeksiranje;

Pretraživanje po ključnim riječima (pretraga po ključnim riječima);

Kreiranje i održavanje taksonomija i tezaurusa.

Softverski proizvodi koji implementiraju tehnologiju rudarenja teksta uključuju:

IBM Intelligent Miner for Text - skup pojedinačnih uslužnih programa komandne linije ili preskakanja; nezavisni jedni od drugih (glavni naglasak je na mehanizmima data mininga – pronalaženje informacija);

Oracle InterMedia Text - skup integrisan u DBMS koji vam omogućava da najefikasnije radite sa zahtevima korisnika (omogućava rad sa modernim relacionim DBMS-om u kontekstu složene višenamenske pretrage i analize tekstualnih podataka);

Megaputer Text Analyst je skup COM objekata ugrađenih u program za rješavanje zadataka Text Mininga.

8.3.3. Inteligentna informaciona tehnologija

Danas u oblasti automatizacije upravljanja dominira analiza informacija u preliminarnoj fazi pripreme odluka – obrada primarnih informacija, dekomponovanje problemske situacije, što omogućava da se saznaju samo fragmenti i detalji procesa, a ne situacija u celini. Da bi se prevazišao ovaj nedostatak, mora se naučiti da gradi baze znanja koristeći iskustvo najboljih stručnjaka, kao i da generiše znanje koje nedostaje.

Upotreba informacionih tehnologija u različitim sferama ljudske aktivnosti, eksponencijalni rast obima informacija i potreba za brzim reagovanjem u bilo kojoj situaciji zahtevali su traženje adekvatnih načina za rešavanje nastalih problema. Najefikasniji od njih je način intelektualizacije informacionih tehnologija.

Ispod inteligentna informaciona tehnologija(ITT) se obično podrazumeva kao takva informaciona tehnologija, koja pruža sledeće mogućnosti:

Prisutnost baza znanja koje odražavaju iskustvo određenih ljudi, grupa, društava, čovječanstva u cjelini, u rješavanju kreativnih problema u određenim područjima aktivnosti, tradicionalno se smatra prerogativom ljudske inteligencije (na primjer, loše formalizirani zadaci kao što je donošenje odluka). , dizajn, izdvajanje značenja, objašnjenje, obuka, itd.);

Prisutnost modela mišljenja zasnovanih na bazama znanja: pravila i logički zaključci, argumentacija i rezonovanje, prepoznavanje i klasifikacija situacija, generalizacija i razumijevanje, itd.;

Sposobnost donošenja prilično jasnih odluka zasnovanih na nejasnim, labavim, nepotpunim, nedovoljno određenim podacima;

Sposobnost objašnjavanja zaključaka i odluka, tj. prisustvo mehanizma objašnjenja;

Sposobnost učenja, prekvalifikacije i stoga razvoja.

Tehnologije neformalnog traženja skrivenih obrazaca u podacima i informacijama Knowledge Discovery (KD) zasnovane su na najnovijim tehnologijama za formiranje i strukturiranje informacionih slika objekata, što je najbliže principima obrade informacija inteligentnim sistemima.

Informaciona tehnologija za podršku odlučivanju (DS) je ekspertna ljuska.

sistemi ili specijalizovani ekspertni sistemi koji omogućavaju analitičarima da utvrde odnose i odnose između informacionih struktura u osnovama strukturiranih informacija preduzeća, kao i da predvide moguće rezultate donošenja odluka.

Trendovi razvoja IIT-a. Komunikacijski i komunikacioni sistemi. Globalne informacione mreže i IIT mogu radikalno promijeniti naše razumijevanje kompanija i samog mentalnog rada. Prisustvo zaposlenih na radnom mestu postat će gotovo nepotrebno. Ljudi mogu raditi od kuće i komunicirati jedni s drugima po potrebi putem mreža. Poznato je, na primjer, uspješno iskustvo stvaranja nove modifikacije aviona Boeing-747 od strane distribuiranog tima stručnjaka koji komuniciraju putem interneta. Lokacija učesnika u svakom razvoju igraće sve manju ulogu, ali će se povećavati značaj nivoa kvalifikacija učesnika. Drugi razlog koji je odredio brzi razvoj IIT-a povezan je sa usložnjavanjem komunikacijskih sistema i zadataka koji se na njihovoj osnovi rješavaju. Zauzeo je kvalitativno novi nivo "intelektualizacije" softverskih proizvoda kao što su sistemi za analizu heterogenih i nestrogih podataka, osiguranje informacione sigurnosti, donošenje odluka u distribuiranim sistemima itd.

Obrazovanje... Već danas učenje na daljinu počinje da igra važnu ulogu u obrazovanju, a uvođenje IIT-a značajno će individualizovati ovaj proces u skladu sa potrebama i mogućnostima svakog učenika.

Svakodnevni život... Informatizacija svakodnevnog života je već počela, ali s razvojem IIT-a pojavit će se fundamentalno nove mogućnosti. Postepeno će se na računar prenositi sve nove funkcije: kontrola zdravlja korisnika, kontrola kućnih aparata kao što su ovlaživači, osvježivači zraka, grijači, jonizatori, muzički centri, medicinska dijagnostika itd. Drugim riječima, sistemi će postati i dijagnostičari stanja čovjeka i njegovog doma. U prostorijama će biti obezbeđen udoban informacioni prostor, gde će informaciono okruženje postati deo čovekovog okruženja.

Izgledi za razvoj IIT-a... Čini se da se trenutno IIT približio fundamentalno novoj fazi u svom razvoju. Dakle, u proteklih 10 godina, mogućnosti IIT-a su se značajno proširile zbog razvoja novih tipova logičkih modela, pojave novih

izneti teorije i koncepte. Ključne tačke u razvoju IIT-a su:

Prelazak sa logičkog zaključivanja na modele argumentacije i zaključivanja;

Traži relevantno znanje i generiše objašnjenja;

Razumijevanje i sinteza tekstova;

Kognitivna grafika, tj. grafički i figurativni prikaz znanja;

Multi-agent sistemi;

Inteligentni mrežni modeli;

Proračuni zasnovani na fuzzy logici, neuronskim mrežama, genetskim algoritmima, probabilističkim proračunima (realizovani u različitim kombinacijama međusobno i sa ekspertnim sistemima);

Problem meta-znanja.

Sistemi sa više agenata postali su nova paradigma za stvaranje obećavajućih IIT-a. Ovdje se pretpostavlja da je agent samostalan intelektualni sistem koji ima svoj sistem postavljanja ciljeva i motivacije, svoje područje djelovanja i odgovornosti. Interakciju između agenata obezbjeđuje sistem višeg nivoa - metaintelligence. U multiagentskim sistemima modeluje se virtuelna zajednica inteligentnih agenata - objekata koji su autonomni, aktivni, stupaju u različite društvene odnose - saradnja i saradnja (prijateljstvo), takmičenje, nadmetanje, neprijateljstvo itd. Društveni aspekt rješavanja savremenih problema temeljno je obilježje konceptualne novine naprednih intelektualnih tehnologija - virtuelne organizacije, virtuelno društvo.

(?) Kontrolna pitanja i zadaci

1. Dajte opis preduzeća kao objekta informatizacije. Koji su glavni pokazatelji koji karakterišu razvoj sistema upravljanja preduzećem.

2. Navedite vodeće upravljanje informacionim tehnologijama industrijskih preduzeća.

3. Koje su glavne informacione tehnologije organizacionog i strateškog razvoja preduzeća (korporacija).

4. Koji su temelji standarda za strateški menadžment usmjeren na unapređenje poslovnih procesa? Koliki je odnos informacionih tehnologija BPM i BPI?

5. Definirati filozofiju upravljanja totalnim kvalitetom (TQM). Kako su povezane faze razvoja kvaliteta i informacione tehnologije?

6. Navedite glavne odredbe organizacionog razvoja preduzeća, opišite faze strateškog upravljanja. Koje su grupne strategije?

7. Kako se kreira poslovni model preduzeća? Koji su glavni pristupi procjeni efektivnosti poslovnog modela?

8. Šta je balansirani rezultat? Koje su glavne komponente BSC-a? Kakvi su međusobni odnosi grupa BSC indikatora?

9. Navedite metodološke osnove za kreiranje informacionih sistema. Šta je sistemski pristup?

10. Šta je informacioni pristup formiranju informacionih sistema i tehnologija?

11. Šta je strateški pristup formiranju informacionih sistema i tehnologija?

12. Koji je sadržaj objektno orijentisanog pristupa opisivanju ponašanja agenata na tržištu? Dajte definiciju objekta, navedite analoge agentskih sistema.

13. Koji su metodološki principi unapređenja upravljanja preduzećem zasnovano na informaciono-komunikacionim tehnologijama? Koja je svrha IKT-a?

14. Dajte definicije dokumenta, toka dokumenata, toka dokumenata, sistema upravljanja dokumentima.

15. Kako je dizajniran izgled obrasca dokumenta? Imenujte zone dokumenta, sastav njihovih detalja.

16. Koje su osnovne informacione tehnologije sistema za upravljanje dokumentima.

17. Šta je jedinstveni dokumentacioni sistem? Koji su opći principi ujedinjenja?

18. Opišite organizacionu i administrativnu dokumentaciju, navedite primjere dokumenata.

19. Koji su zahtjevi za elektronski sistem upravljanja dokumentima?

20. Šta je korporativni informacioni sistem? Koje su glavne upravljačke petlje, sastav funkcionalnih modula.

21. Imenujte softverske proizvode koji su vam poznati za CIS. Navedite njihove komparativne karakteristike.

W Literature

1. Return J., Moriarty S. Marketinške komunikacije. Integrisani pristup. SPb .; Harkov: Petar, 2001.

2. Brooking E. Intelektualni kapital. Ključ uspjeha u novom milenijumu. SPb.: Petar, 2001.

3. Godin V.V., Korpev I.K. Upravljanje informacijskim resursima. M.: INFRA-M, 1999.

4. Informacioni sistemi i tehnologije u ekonomiji: Udžbenik. 2. izdanje, Add. i revidirano / M.I. Semenov, I.T. Trubilin, V.I. Loiko, T.P. Baranovskaya; Ed. IN AND. Loiko. Moskva: Finansije i statistika, 2003.

5. Informacione tehnologije u poslovanju / Ed. M. Zheleny. SPb.: Petar, 2002.

6. Kaplan Robert S., Norton David P. Balanced Scorecard. Od strategije do akcije / Per. sa engleskog M.: AD "Olymp-Business", 2003.

7. Karagodin V.I., Karagodina BJI. Informacija kao osnova života. Dubna: Feniks, 2000.

8. Karminsky AM., Nesterov PZ. Informatizacija poslovanja. Moskva: Finansije i statistika, 1997.

9. Lihačeva T.N. Informacijske tehnologije u službi informacijskog društva // Nove informacijske tehnologije u ekonomskim sistemima. M., 1999.

10. Ostrejkovski V.A. Teorija sistema. M.: Viša škola, 1997.

11. Piterkin S.V., Oladov N.A., Isaev D.V. Taman na vreme za Rusiju. Praksa korišćenja ERP sistema. 2nd ed. M.: Alpina Publisher, 2003.

12. Sokolov D.V. Uvod u teoriju društvene komunikacije: Udžbenik. dodatak. SPb.: Izdavačka kuća SP6GUP, 1996.

13. Trofimov V.Z., Tomilov V.Z. Informacione i komunikacione tehnologije u menadžmentu: Udžbenik. dodatak. Sankt Peterburg: Izdavačka kuća Sankt Peterburgskog državnog ekonomskog univerziteta, 2002.

Već neko vrijeme savremeni nivo razvoja hardvera i softvera omogućava široko rasprostranjeno održavanje baza operativnih informacija na različitim nivoima upravljanja. Industrijska preduzeća, korporacije, resorne strukture, državni organi i uprave su u toku svojih aktivnosti akumulirali velike količine podataka. Oni u sebi čuvaju veliki potencijal za izvlačenje korisnih analitičkih informacija, na osnovu kojih je moguće identifikovati skrivene trendove, izgraditi strategiju razvoja i pronaći nova rešenja.

Posljednjih godina u svijetu se oblikovalo niz novih koncepata za pohranu i analizu korporativnih podataka:

1) Skladišta podataka

2) On-line analitička obrada (OLAP)

3) Data mining - IAD (Data Mining)

OLAP sistemi za analitičku obradu podataka su sistemi za podršku odlučivanju fokusirani na ispunjavanje složenijih upita koji zahtijevaju statističku obradu historijskih podataka akumuliranih u određenom vremenskom periodu. Služe za izradu poslovnih izvještaja o prodaji, marketingu za potrebe upravljanja, tzv. Data Mining - data mining, tj. način analize informacija u bazi podataka za pronalaženje anomalija i trendova bez otkrivanja značenja zapisa.

Analitički sistemi zasnovani na OLAP-u uključuju alate za obradu informacija zasnovane na metodama veštačke inteligencije i alate za grafičku prezentaciju podataka. Ovi sistemi su determinisani velikom količinom istorijskih podataka, što omogućava da se iz njih izvuku značajne informacije, tj. steći znanje iz podataka.

Efikasnost obrade postiže se upotrebom moćne multiprocesorske tehnologije, sofisticiranih metoda analize i specijaliziranih skladišta podataka.

Relacijske baze podataka pohranjuju entitete u zasebne tabele, koje su obično dobro normalizovane. Ova struktura je pogodna za operativne baze podataka (OLTP sisteme), ali složeni upiti sa više tablica su relativno spori u njoj. Bolji model za upite nego za modifikacije je prostorna baza podataka.

OLAP sistem uzima snimak relacijske baze podataka i strukturira je u prostorni model za upite. Zatraženo vrijeme obrade za upite u OLAP-u je oko 0,1% sličnih upita u relacijskoj bazi podataka.

OLAP struktura kreirana iz operativnih podataka naziva se OLAP kocka. Kocka se kreira spajanjem tabela pomoću zvjezdaste šeme. U središtu "zvijezde" je tabela činjenica koja sadrži ključne činjenice koje treba ispitati. Tablice više dimenzija su spojene sa tabelom činjenica. Ove tabele pokazuju kako se agregirani relacioni podaci mogu analizirati. Broj mogućih agregacija određen je brojem načina na koje se originalni podaci mogu hijerarhijski prikazati.

Date klase sistema (OLAP i OLTP) su zasnovane na upotrebi DBMS-a, ali su tipovi upita veoma različiti. OLAP mehanizam je jedna od najpopularnijih metoda analize podataka danas. Postoje dva glavna pristupa rješavanju ovog problema. Prvi od njih se zove Multidimenzionalni OLAP (MOLAP) - implementacija mehanizma pomoću višedimenzionalne baze podataka na strani servera, a drugi je Relacioni OLAP (ROLAP) - izgradnja kocki "u hodu" na osnovu SQL upita prema relacionom DBMS. Svaki od ovih pristupa ima prednosti i nedostatke. Opšta šema desktop OLAP sistema može se predstaviti na Sl.

Algoritam rada je sljedeći:

1) dobijanje podataka u obliku ravne tabele ili rezultata izvršavanja SQL upita;

2) keširanje podataka i njihovo pretvaranje u višedimenzionalnu kocku;

3) prikazivanje konstruisane kocke pomoću unakrsne tabele ili dijagrama, itd.

Općenito, proizvoljan broj displeja može se povezati na jednu kocku. Prikazi koji se koriste u OLAP sistemima najčešće su dva tipa: unakrsne tabele i grafikoni.

Dijagram zvijezda. Njegova ideja je da postoje tabele za svaku dimenziju, a sve činjenice su smeštene u jednu tabelu, indeksiranu višestrukim ključem sastavljenim od ključeva pojedinačnih dimenzija. Svaki zrak zvjezdane sheme definira, u Codd-ovoj terminologiji, smjer konsolidacije podataka duž odgovarajuće dimenzije.

U složenim problemima s višerazinskim dimenzijama, ima smisla obratiti se proširenjima sheme zvijezde - sheme sazviježđa i sheme pahuljice. U tim slučajevima kreiraju se zasebne tabele činjenica za moguće kombinacije zbirnih nivoa različitih dimenzija. To omogućava bolje performanse, ali često dovodi do redundancije podataka i značajnih komplikacija u strukturi baze podataka, koja sadrži ogroman broj tabela činjenica.

dijagram sazvežđa

Analitička obrada podataka - Radi se o analizi podataka koja zahtijeva odgovarajuću metodološku podršku i određeni nivo obuke specijalista.

Savremene informacione tehnologije omogućavaju automatizaciju procesa analize akumuliranih primarnih informacija, izgradnju analitičkih modela, dobijanje gotovih rješenja i njihovo korištenje u praksi. Glavni zahtjevi , koji su predstavljeni metodama analize, su efikasnost, jednostavnost, automatizam. Ovaj koncept leži u osnovi dvije moderne tehnologije: Data Mining i Knowledge Discovery in Database (KDD).

Data Mining - to je proces otkrivanja u sirovim podacima ranije nepoznatih, netrivijalnih, praktično korisnih i pristupačnih tumačenja znanja neophodnih za donošenje odluka u različitim sferama ljudske aktivnosti (definicija G. Pyatetsky-Shapira, jednog od osnivača ovog pravca) .

Data Mining tehnologija je usmjerena na pronalaženje neočiglednih obrazaca. Faze analize podataka su:

  • 1) klasifikacija ( klasifikacija) - detekcija karakteristika koje karakterišu grupe objekata proučavanog skupa podataka - klase. Metode rješenja korištene za problem klasifikacije: metode najbližeg susjeda ( najbliži komšija) i ^ ’- najbliži susjed ( k-najbliži susjed) -, Bayesove mreže (Bayesove mreže) -, indukcija stabala odlučivanja; neuronske mreže (neuronske mreže) -,
  • 2) grupisanje (skupljenje)- dijeljenje objekata u grupe, budući da klase objekata nisu inicijalno definirane. Primjer metode za rješavanje problema klasteriranja: samoorganizirajuće Kohonenove mape - neuronska mreža s učenjem bez nadzora. Važna karakteristika ovih karata je njihova sposobnost da prikažu višedimenzionalne prostore obeležja na ravni, prezentujući podatke u obliku dvodimenzionalne karte;
  • 3) udruženje (udruženja)- identificiranje obrazaca između povezanih događaja u skupu podataka. Ovi obrasci se ne otkrivaju na osnovu svojstava analiziranog objekta, već između nekoliko događaja koji se dešavaju istovremeno, na primjer, Apriori algoritam;
  • 4) sekvenca (sekvenca), ili sekvencijalno povezivanje (uzastopno povezivanje),- traženje vremenskih obrazaca između transakcija, tj. obrasci se ne uspostavljaju između događaja koji se istovremeno dešavaju, već između događaja povezanih u vremenu. Asocijacija je niz sekvenci sa vremenskim odmakom od nule. Pravilo redosleda: nakon događaja X nakon određenog vremena dogodit će se događaj Y;
  • 5) prognoziranje (prognoza) - izgrađen je na osnovu karakteristika istorijskih podataka, tj. postoji procjena izostavljenih ili budućih vrijednosti ciljnih numeričkih indikatora. Za rješavanje problema predviđanja koriste se metode matematičke statistike, neuronske mreže itd.;
  • 6) utvrđivanje odstupanja ili odstupanja (detekcija odstupanja), analiza odstupanja ili odstupanja - otkrivanje i analiza podataka koji se najviše razlikuju od opšteg skupa podataka;
  • 7) ocjenjivanje (procjena)- predviđanje kontinuiranih vrijednosti karakteristike;
  • 8) analiza veza (analiza linkova)- zadatak pronalaženja zavisnosti u skupu podataka;
  • 9) vizualizacija (vizuelizacija, rudarenje grafova)- kreiranje grafičke slike analiziranih podataka. Grafičke metode se koriste za prikaz prisutnosti obrazaca u podacima, na primjer, prezentacija podataka u 2D i 3D dimenzijama;
  • 10) sumiranje ( sažimanje) - opis određenih grupa objekata iz analiziranog skupa podataka.

KDD je proces izvlačenja korisnog znanja iz zbirke podataka. Ova tehnologija uključuje pitanja: pripremu podataka, odabir informativnih karakteristika, čišćenje podataka, primjenu metoda rudarenja podataka (DM), naknadnu obradu podataka i interpretaciju rezultata.

Proces otkrivanja znanja u bazama podataka sastoji se od sljedećih koraka:

  • 1) iskaz problema - analiza korisničkih zadataka i karakteristika područja primjene, izbor skupa ulaznih i izlaznih parametara;
  • 2) priprema inicijalnog skupa podataka - stvaranje skladišta podataka i organizovanje šeme za prikupljanje i ažuriranje podataka;
  • 3) prethodna obrada podataka - na osnovu upotrebe Data Mining metoda, sa stanovišta ove metode, podaci moraju biti kvalitetni i tačni;
  • 4) transformacija, normalizacija podataka - dovođenje informacija u formu pogodnu za naknadnu analizu;
  • 5) Data Mining - automatska analiza podataka zasnovana na korišćenju različitih algoritama za pronalaženje znanja (neuronske mreže, stabla odlučivanja, algoritmi za grupisanje, uspostavljanje asocijacija, itd.);
  • 6) naknadna obrada podataka - interpretacija rezultata i primena stečenog znanja u poslovnim aplikacijama.

SLIČNI ČLANCI