3.4 Վերլուծական տվյալների մշակման մեթոդներ

Որպեսզի գոյություն ունեցող տվյալների պահեստները դյուրացնեն կառավարման որոշումների ընդունումը, տեղեկատվությունը պետք է ներկայացվի վերլուծաբանին անհրաժեշտ տեսքով, այսինքն ՝ նա պետք է մշակի պահեստում տվյալների մուտք գործելու և մշակելու գործիքներ:

Շատ հաճախ, որոշումներ կայացնողների կողմից անմիջական օգտագործման ակնկալիքով ստեղծված տեղեկատվական և վերլուծական համակարգերը չափազանց դյուրին են օգտագործման համար, բայց խիստ սահմանափակ են գործառական առումով: Նման ստատիկ համակարգերը կոչվում են Գործադիր տեղեկատվական համակարգեր (EIS): Դրանք պարունակում են բազմաթիվ հարցեր և, բավարար լինելով ամենօրյա դիտարկման համար, չեն կարողանում պատասխանել բոլոր այն հարցերին, որոնք կարող են առաջանալ որոշումներ կայացնելիս: Նման համակարգի աշխատանքի արդյունքը, որպես կանոն, բազմալեզու զեկույցներ են ՝ մանրակրկիտ ուսումնասիրությունից հետո, որոնց վերլուծաբանը հարցերի նոր շարք է ունենում: Այնուամենայնիվ, նման համակարգի նախագծման մեջ չնախատեսված յուրաքանչյուր նոր պահանջ պետք է նախ պաշտոնապես նկարագրվի, ծածկագրվի ծրագրավորողի կողմից և միայն դրանից հետո կատարվի: Այս դեպքում սպասման ժամանակը կարող է լինել ժամեր և օրեր, ինչը միշտ չէ, որ ընդունելի է:

Առցանց վերլուծական մշակում... Կամ On-Line Analytical Processing, OLAP- ը տվյալների պահեստավորման կազմակերպության հիմնական բաղադրիչն է: OLAP հայեցակարգը նկարագրվել է 1993 թվականին Էդգար Կոդի կողմից և ունի հետևյալ պահանջները բազմազան վերլուծության ծրագրերի համար.

- տվյալների բազմաչափ հայեցակարգային ներկայացում, ներառյալ հիերարխիաներին և բազմակի հիերարխիաներին լիարժեք աջակցություն (OLAP- ի հիմնական պահանջը);

- օգտվողին վերլուծության արդյունքները տրամադրել ողջամիտ ժամկետում (սովորաբար ոչ ավելի, քան 5 վրկ), նույնիսկ ավելի քիչ մանրամասն վերլուծության գնով.

- այս ծրագրին բնորոշ ցանկացած տրամաբանական և վիճակագրական վերլուծություն իրականացնելու և վերջնական օգտագործողի համար հասանելի ձևով պահելու ունակություն.

- տվյալների օգտագործմանը բազմակի օգտվողներ `համապատասխան կողպման մեխանիզմների և մուտքի թույլատրված միջոցների աջակցությամբ.

- ցանկացած անհրաժեշտ տեղեկատվության մուտք գործելու ունակություն ՝ անկախ դրա ծավալից և պահպանման վայրից:

OLAP համակարգը բաղկացած է բազմաթիվ բաղադրիչներից: Ներկայացման ամենաբարձր մակարդակով համակարգը ներառում է տվյալների աղբյուր, բազմաչափ տվյալների բազա (MDB), որն ապահովում է OLAP տեխնոլոգիայի վրա հիմնված հաշվետվական շարժիչ, OLAP սերվեր և հաճախորդ: Համակարգը կառուցված է հաճախորդ-սերվեր սկզբունքով և ապահովում է MDB սերվերի հեռավոր և բազմակի օգտվողների մուտքը:

Դիտարկենք OLAP համակարգի բաղադրիչները:

Աղբյուրներ. OLAP համակարգերի աղբյուրը սերվերն է, որը տալիս է տվյալները վերլուծության համար: Կախված OLAP արտադրանքի օգտագործման շրջանակից, աղբյուրը կարող է լինել տվյալների պահեստ, ժառանգված տվյալների բազա, որը պարունակում է ընդհանուր տվյալներ, հավաքածու

ֆինանսական տվյալների կամ վերը նշված ցանկացած համադրության աղյուսակներ:

Տվյալների պահեստ. Հում տվյալները հավաքվում և պահվում են տվյալների շտեմարանների կառուցման սկզբունքներին համապատասխան նախագծված շտեմարանում: HD- ն հարաբերական տվյալների բազա է (RDB): CD- ի հիմնական աղյուսակը (փաստերի աղյուսակ) պարունակում է այն ցուցանիշների թվային արժեքները, որոնց համար հավաքվում է վիճակագրական տեղեկատվությունը:

Բազմաչափ տվյալների բազաՏվյալների պահեստը ծառայում է որպես տեղեկատվության մատակարար բազմաչափ տվյալների բազայի համար, որը օբյեկտների հավաքածու է: Այս օբյեկտների հիմնական դասերը չափերն ու չափերն են: Չափերը ներառում են մի շարք արժեքներ (պարամետրեր), որոնց միջոցով տվյալները ինդեքսավորվում են, օրինակ ՝ ժամանակը, տարածաշրջանները, հաստատության տեսակը և այլն: Չափումների փաթեթը սահմանում է հետազոտվող գործընթացի տարածությունը: Չափումները տվյալների բազմաչափ խորանարդներ են (հիպերկուբներ): Հիպերկուբը պարունակում է տվյալները ինքնին, ինչպես նաև ցուցանիշների մաս կազմող չափերի համախառն գումարները: Indուցանիշները կազմում են ԱBԲ -ի հիմնական բովանդակությունը և լրացվում են ըստ փաստացի աղյուսակի: Հիպերկուբի յուրաքանչյուր առանցքի երկայնքով տվյալները կարող են կազմակերպվել հիերարխիայում `ներկայացնելով մանրամասների տարբեր մակարդակներ: Սա թույլ է տալիս ստեղծել հիերարխիկ չափսեր, որոնք կօգտագործվեն տվյալների ներկայացման համախմբման կամ մանրացման համար `հետագա տվյալների վերլուծության ժամանակ: Հիերարխիկ չափման բնորոշ օրինակ է տարածքային օբյեկտների ցանկը ՝ խմբավորված ըստ շրջանների, շրջանների, շրջանների:

Սերվեր. OLAP սերվերը OLAP համակարգի կիրառական մասն է: Այս բաղադրիչը կատարում է ամբողջ աշխատանքը (կախված համակարգի մոդելից) և ինքնին պահում է այն բոլոր տեղեկությունները, որոնց տրամադրվում է ակտիվ հասանելիություն: Սերվերի ճարտարապետությունը կառավարվում է տարբեր հասկացություններով: Մասնավորապես, OLAP արտադրանքի հիմնական գործառական բնութագիրը տվյալների պահպանման համար MDB կամ RDB- ի օգտագործումն է:

Հաճախորդի դիմում. Համապատասխան կառուցված և MDB- ում պահվող տվյալները հասանելի են հաճախորդի հավելվածի միջոցով վերլուծության համար: Օգտագործողը հնարավորություն է ստանում հեռակա մուտք գործել տվյալներ, կազմել բարդ հարցումներ, ստեղծել հաշվետվություններ և ստանալ տվյալների կամայական ենթախմբեր: Հաշվետվություն ստանալը կրճատվում է հատուկ չափման արժեքների ընտրության և հիպերկուբի հատվածի կառուցման վրա: Խաչմերուկը որոշվում է ընտրված չափման արժեքներով: Մնացած չափերի տվյալները ամփոփված են:

ՕԼԱՊհաճախորդի և սերվերի վրա:Տվյալների բազմաչափ վերլուծությունը կարող է իրականացվել տարբեր գործիքների միջոցով, որոնք պայմանականորեն կարելի է բաժանել բաժանորդների և սերվերների OLAP գործիքների:

OLAP հաճախորդի գործիքները (օրինակ ՝ Microsoft 2000- ի առանցքային աղյուսակները Microsoft- ից կամ Knosys- ից ProClarity- ն) ծրագրեր են, որոնք հաշվարկում և ցուցադրում են համախառն տվյալները: Այս դեպքում համախառն տվյալները իրենք պարունակվում են նման OLAP գործիքի հասցեների տարածության ներսում գտնվող քեշում:

Եթե ​​աղբյուրի տվյալները պարունակվում են աշխատասեղանի DBMS- ում, ապա համախառն տվյալների հաշվարկը կատարվում է հենց OLAP գործիքի կողմից: Եթե ​​սկզբնական տվյալների աղբյուրը սերվերային DBMS է, հաճախորդի OLAP գործիքներից շատերը SQL հարցումներ են ուղարկում սերվերին և արդյունքում ստանում սերվերի վրա հաշվարկված ընդհանուր տվյալները:

Սովորաբար, OLAP գործառույթն իրականացվում է վիճակագրական տվյալների մշակման գործիքներում և որոշ աղյուսակներում:

Developmentարգացման բազմաթիվ գործիքներ պարունակում են դասարանների կամ բաղադրիչների գրադարաններ, որոնք թույլ են տալիս ստեղծել ծրագրեր, որոնք կիրառում են OLAP- ի ամենապարզ գործառույթը (օրինակ ՝ Decision Cube- ի բաղադրիչները Borland Delphi- ում և Borland C ++ Builder- ում): Բացի այդ, շատ ընկերություններ առաջարկում են ActiveX կառավարման սարքեր և այլ գրադարաններ, որոնք ապահովում են նմանատիպ ֆունկցիոնալություն:

Հաճախորդի OLAP գործիքները, որպես կանոն, օգտագործվում են փոքր չափսերով (սովորաբար ոչ ավելի, քան վեց) և այս պարամետրերի արժեքների փոքր բազմազանությամբ, քանի որ ստացված համախառն տվյալները պետք է տեղավորվեն նման գործիքի հասցեների տարածության մեջ: , և դրանց թիվը մեծանում է երկրաչափական չափերի ավելացման հետ:

Հաճախորդի բազմաթիվ OLAP գործիքներ թույլ են տալիս պահպանել քեշի պարունակությունը համախառն տվյալներով `ֆայլի տեսքով` դրանք նորից չհաշվարկելու համար: Այնուամենայնիվ, այս հնարավորությունը հաճախ օգտագործվում է ընդհանուր տվյալները օտարելու նպատակով `դրանք այլ կազմակերպություններին փոխանցելու կամ հրապարակման նպատակով:

Ֆայլում ընդհանուր տվյալներով քեշ պահելու գաղափարը հետագայում մշակվեց սերվերի OLAP գործիքներում (օրինակ ՝ Oracle Express Server կամ Microsoft OLAP ծառայություններ), որոնցում պահպանվում և փոխվում են ընդհանուր տվյալները, ինչպես նաև պահպանվում են դրանք պարունակող պահեստը: , իրականացվում են առանձին ծրագրով կամ գործընթացով, որը կոչվում է OLAP սերվեր: Հաճախորդի ծրագրերը կարող են պահանջել նման բազմաչափ պահեստ և ստանալ որոշակի տվյալներ ի պատասխան: Հաճախորդների որոշ ծրագրեր կարող են նաև ստեղծել նման պահեստներ կամ թարմացնել դրանք `փոփոխված աղբյուրի տվյալներին համապատասխան:

Հաճախորդի OLAP գործիքների համեմատ սերվերի վրա հիմնված OLAP գործիքների օգտագործման առավելությունները նման են սերվերի կողմից DBMS- ների օգտագործման առավելություններին `համեմատած աշխատասեղանի գործիքների հետ. սերվեր, և հաճախորդի դիմումը ստանում է միայն նրանց տրվող հարցումների արդյունքները, ինչը թույլ է տալիս ընդհանրապես նվազեցնել ցանցի տրաֆիկը, հարցումների կատարման ժամանակը և հաճախորդի հավելվածի ռեսուրսների պահանջները:

3.5 Տվյալների բազմաչափ պահպանման տեխնիկական ասպեկտները

OLAP ծրագրերում բազմաչափությունը կարելի է բաժանել երեք մակարդակի.

1... Տվյալների բազմաչափ ներկայացում- վերջնական օգտագործողի գործիքներ, որոնք ապահովում են բազմաչափ վիզուալիզացիա և տվյալների մանիպուլյացիա; MDI շերտը վերացական է ֆիզիկական տվյալների կառուցվածքից և վերաբերվում է տվյալներին որպես բազմաչափ:

Բազմաչափ մշակում- միջոց (լեզու) բազմաչափ հարցումներ ձևակերպելու համար (ավանդական հարաբերական SQL լեզուն այստեղ անհամապատասխան է ստացվում) և պրոցեսոր, որը կարող է մշակել և կատարել նման հարցում:

Բազմաչափ պահեստավորում- տվյալների ֆիզիկական կազմակերպման միջոցներ, որոնք ապահովում են բազմաչափ հարցումների արդյունավետ կատարում:

Առաջին երկու մակարդակները պարտադիր են բոլոր OLAP գործիքներում: Երրորդ մակարդակը, չնայած տարածված է, պարտադիր չէ, քանի որ բազմաչափ տեսքի տվյալները նույնպես կարող են վերցվել կանոնավոր հարաբերական կառույցներից: Բազմաչափ հարցումների պրոցեսորը, այս դեպքում, բազմաչափ հարցումները թարգմանում է SQL հարցումների, որոնք կատարվում են հարաբերական DBMS- ի կողմից:

Dataանկացած տվյալների պահեստում ՝ ինչպես սովորական, այնպես էլ բազմաչափ, գործառնական համակարգերից վերցված մանրամասն տվյալների հետ մեկտեղ պահվում են նաև համախառն ցուցանիշներ (ամփոփ ցուցանիշներ), օրինակ ՝ վաճառքների ծավալների գումարն ըստ ամսվա, ըստ արտադրանքի կատեգորիայի և այլն: հարցումների արագացման միակ նպատակը: Իրոք, մի կողմից, որպես կանոն, շատ մեծ քանակությամբ տվյալներ են կուտակվում պահեստում, իսկ մյուս կողմից ՝ վերլուծաբաններին շատ դեպքերում հետաքրքրում են ոչ թե մանրամասն, այլ ընդհանրացված ցուցանիշները: Եվ եթե տարեկան վաճառքները հաշվարկելու համար միլիոնավոր անհատական ​​վաճառքներ պետք է ամփոփվեին, ամենայն հավանականությամբ, արագությունն անընդունելի կլիներ: Հետևաբար, տվյալները բազմաչափ տվյալների բազայում բեռնելիս հաշվարկվում և պահպանվում են բոլոր ամփոփ ցուցանիշները կամ դրանց մի մասը:

Այնուամենայնիվ, համախմբված տվյալների օգտագործումը հղի է թերություններով: Հիմնական թերությունները պահվող տեղեկատվության քանակի ավելացումն է (երբ նոր չափեր են ավելացվում, խորանարդը կազմող տվյալների քանակը երկրաչափական աճում է) և դրանք բեռնելու համար անհրաժեշտ ժամանակը: Ավելին, տեղեկատվության քանակը կարող է ավելանալ տասնյակ եւ նույնիսկ հարյուրապատիկ անգամ: Օրինակ, հրապարակված ստանդարտ թեստերից մեկում 10 ՄԲ հումքի ամբողջական համախառն հաշվարկը պահանջում էր 2.4 ԳԲ, այսինքն ՝ տվյալները աճեցին 240 անգամ:

Ագրեգատները հաշվարկելիս տվյալների ծավալների ավելացման աստիճանը կախված է խորանարդի չափսերի քանակից և այդ չափերի կառուցվածքից, այսինքն `չափման տարբեր մակարդակներում« ծնողների »և« ժառանգների »թվի հարաբերակցությունից: Ագրեգատների պահեստավորման խնդիրը լուծելու համար օգտագործվում են բարդ սխեմաներ, որոնք թույլ են տալիս բոլոր հնարավոր ագրեգատներից հեռու հաշվարկելիս հասնել հարցումների կատարողականի էական բարձրացման:

Ինչպես նախնական, այնպես էլ համախառն տվյալները կարող են պահվել կամ

հարաբերական կամ բազմաչափ կառույցներում: Այս առումով, ներկայումս օգտագործվում են բազմաչափ տվյալների պահպանման երեք եղանակներ.

MOLAP (Բազմաչափ OLAP) - Աղբյուրը և համախառն տվյալները պահվում են բազմաչափ տվյալների բազայում: Տվյալների պահպանումը բազմաչափ կառույցներում թույլ է տալիս շահարկել տվյալները որպես բազմաչափ զանգված, այնպես որ համախառն արժեքների հաշվարկման արագությունը նույնն է ցանկացած չափսերի դեպքում: Այնուամենայնիվ, այս դեպքում բազմաչափ տվյալների բազան պարզվում է, որ ավելորդ է, քանի որ բազմաչափ տվյալները ամբողջությամբ պարունակում են բնօրինակ հարաբերական տվյալներ:

Այս համակարգերը ապահովում են OLAP- ի մշակման ամբողջական ցիկլ: Նրանք կամ սերվերի բաղադրիչից բացի ներառում են իրենց ինտեգրված հաճախորդի ինտերֆեյսը, կամ օգտվում են արտաքին աղյուսակային ծրագրերից օգտվողի հետ շփվելու համար:

ROLAP (Հարաբերական OLAP) - սկզբնական տվյալները մնում են նույն հարաբերական տվյալների բազայում, որտեղ այն ի սկզբանե գտնվում էր: Համախառն տվյալները տեղադրվում են սպասարկման աղյուսակներում, որոնք հատուկ ստեղծված են նույն տվյալների բազայում դրանց պահպանման համար:

ՀՈԼԱՊ (Հիբրիդային OLAP) - սկզբնական տվյալները մնում են նույն հարաբերական տվյալների բազայում, որտեղ այն ի սկզբանե գտնվում էր, իսկ համախառն տվյալները պահվում են բազմաչափ տվյալների բազայում:

OLAP- ի որոշ գործիքներ աջակցում են տվյալների պահպանումը միայն հարաբերական կառույցներում, ոմանք `միայն բազմաչափ կառույցներում: Այնուամենայնիվ, սերվերների վրա հիմնված ժամանակակից OLAP գործիքներն աջակցում են տվյալների պահպանման բոլոր երեք եղանակներին: Պահպանման եղանակի ընտրությունը կախված է աղբյուրի տվյալների չափից և կառուցվածքից, հարցումների կատարման արագության և OLAP խորանարդների թարմացման հաճախականությունից:

3.6 Տվյալների արդյունահանում (ՏվյալներՀանքարդյունաբերություն)

Տվյալների մշակում տերմինը նշանակում է տարբեր մաթեմատիկական և վիճակագրական ալգորիթմների միջոցով հարաբերություններ, միտումներ և փոխհարաբերություններ գտնելու գործընթաց ՝ կլաստերացում, հետընթաց և հարաբերակցության վերլուծություն և այլն որոշումների օժանդակ համակարգերի համար: Այս դեպքում կուտակված տեղեկատվությունը ինքնաբերաբար ընդհանրացվում է այն տեղեկատվության, որը կարող է բնութագրվել որպես գիտելիք:

Տվյալների արդյունահանման ժամանակակից տեխնոլոգիան հիմնված է ձևանմուշների հայեցակարգի վրա, որոնք արտացոլում են տվյալների ենթատեսակներին բնորոշ ձևերը և կազմում են այսպես կոչված թաքնված գիտելիքները:

Կաղապարների որոնումը կատարվում է այնպիսի մեթոդների կիրառմամբ, որոնք չեն օգտագործում այս ենթատեսակների վերաբերյալ նախնական ենթադրություններ: Տվյալների արդյունահանման կարևոր առանձնահատկությունը փնտրվող օրինաչափությունների ոչ ստանդարտ և ոչ ակնհայտությունն է: Այլ կերպ ասած, Տվյալների արդյունահանման գործիքները տարբերվում են տվյալների մշակման վիճակագրական գործիքներից և OLAP գործիքներից այն առումով, որ օգտվողների կողմից նախապես ստանձնած հարաբերությունները ստուգելու փոխարեն

տվյալների միջև, առկա տվյալների հիման վրա, նրանք կարողանում են ինքնուրույն գտնել այդպիսի հարաբերություններ, ինչպես նաև վարկածներ ստեղծել դրանց բնույթի վերաբերյալ:

Ընդհանուր առմամբ, տվյալների արդյունահանման գործընթացը բաղկացած է երեք փուլից

օրինաչափությունների նույնականացում (անվճար որոնում);

բացահայտված օրինաչափությունների օգտագործումը `անհայտ արժեքները կանխատեսելու համար (կանխատեսող մոդելավորում);

բացառությունների վերլուծություն, որը նախատեսված է հայտնաբերված օրինաչափությունների անոմալիաները բացահայտելու և մեկնաբանելու համար:

Երբեմն հստակորեն առանձնանում է հայտնաբերված օրինաչափությունների հուսալիության ստուգման միջանկյալ փուլը դրանց գտնելու և օգտագործելու միջև (վավերացման փուլ):

Տվյալների արդյունահանման մեթոդներով առանձնացված նախշերի հինգ ստանդարտ տեսակ կա.

1. Ասոցիացիաթույլ է տալիս ընտրել օբյեկտների կայուն խմբեր, որոնց միջև կան անուղղակիորեն նշված հղումներ: Առանձին հոդվածի կամ իրերի խմբի առաջացման հաճախականությունը, արտահայտված տոկոսով, կոչվում է տարածվածություն: Preածր տարածվածության մակարդակը (հազարի հազարերորդից պակասը) հուշում է, որ նման ասոցիացիան էական չէ: Ասոցիացիաները գրվում են կանոնների տեսքով. Ա=> Բ, որտեղ ԲԱՅ - -փաթեթ, IN -հետեւանք. Յուրաքանչյուր ասոցիացիայի կանոնի կարևորությունը որոշելու համար անհրաժեշտ է հաշվարկել այն արժեքը, որը կոչվում է վստահություն ԲԱՅԴեպի ԻՆ(կամ հարաբերություններ Ա և Բ):Վստահությունը ցույց է տալիս, թե որքան հաճախ, երբ ԲԱՅհայտնվում է ԻՆՕրինակ, եթե դ (A / B)= 20%, սա նշանակում է, որ ապրանք գնելիս ԲԱՅյուրաքանչյուր հինգերորդ դեպքում ապրանքները նույնպես գնում են ԻՆ

Ասոցիացիայի օգտագործման բնորոշ օրինակ է գնումների կառուցվածքի վերլուծությունը: Օրինակ, սուպերմարկետում ուսումնասիրություն կատարելիս կարող է հաստատվել, որ կարտոֆիլի չիպս գնածների 65% -ը նույնպես Coca-Cola է ընդունում, և եթե նման հավաքածուի համար զեղչ կա, ապա Cola- ն գնում է 85% դեպքերում: Այս արդյունքները արժեքավոր են շուկայավարման ռազմավարությունների ձևավորման գործում:

2.Հաջորդություն - դա ժամանակին ասոցիացիաների բացահայտման մեթոդ է: Այս դեպքում սահմանվում են կանոններ, որոնք նկարագրում են իրադարձությունների որոշակի խմբերի հաջորդական առաջացումը: Այս կանոնները էական նշանակություն ունեն սցենարներ կառուցելու համար: Բացի այդ, դրանք կարող են օգտագործվել, օրինակ ՝ նախնական վաճառքի տիպիկ փաթեթ կազմելու համար, որը կարող է հանգեցնել որոշակի ապրանքի հետագա վաճառքի:

3. Դասակարգում - ընդհանրացման գործիք: Այն թույլ է տալիս անցնել առանձին օբյեկտների դիտարկումից դեպի ընդհանրացված հասկացություններ, որոնք բնութագրում են օբյեկտների որոշ հավաքածուներ և բավարար են այդ հավաքածուներին (դասերին) պատկանող օբյեկտները ճանաչելու համար: Հայեցակարգի ձևավորման գործընթացի էությունը դասերին բնորոշ օրինաչափություններ գտնելն է: Շատ տարբեր հատկանիշներ (հատկանիշներ) օգտագործվում են օբյեկտները նկարագրելու համար: Առանձնահատկությունների նկարագրությունների հիման վրա հասկացությունների ձևավորման խնդիրը ձևակերպեց Մ.Մ. Բոնգարտ. Դրա լուծումը հիմնված է երկու հիմնական ընթացակարգերի կիրառման վրա `ուսուցում և թեստավորում: Վերապատրաստման ընթացակարգերում դասակարգման կանոն է կազմվում `հիմնվելով ուսումնական օբյեկտների մշակման վրա: Ստուգման (քննության) ընթացակարգը բաղկացած է ձեռք բերված դասակարգման կանոնից `նոր (փորձաքննության) նմուշից օբյեկտները ճանաչելու համար: Եթե ​​թեստի արդյունքները գոհացուցիչ են, ապա ուսուցման գործընթացն ավարտվում է, հակառակ դեպքում դասակարգման կանոնը ճշգրտվում է վերաուսուցման գործընթացի ընթացքում:

4 կլաստերացում Արդյո՞ք տվյալների բազայից տվյալների (գրառումների) բաշխումը խմբերի (կլաստերների) կամ հատվածների է `այդ խմբերի միաժամանակ որոշմամբ: Ի տարբերություն դասակարգման, այստեղ, վերլուծության համար, դասերի նախնական նշանակում չի պահանջվում:

5 ժամանակային շարքի կանխատեսում գործիք է ժամանակի ընթացքում դիտարկվող օբյեկտների հատկանիշների փոփոխությունների միտումները որոշելու համար: Timeամանակային շարքերի վարքի վերլուծությունը հնարավորություն է տալիս կանխատեսել ուսումնասիրված բնութագրերի արժեքները:

Նման խնդիրները լուծելու համար օգտագործվում են Տվյալների արդյունահանման տարբեր մեթոդներ և ալգորիթմներ: Հաշվի առնելով այն, որ Տվյալների արդյունահանումը մշակվել և զարգացել է այնպիսի ոլորտների խաչմերուկում, ինչպիսիք են վիճակագրությունը, տեղեկատվության տեսությունը, մեքենայական ուսուցումը, տվյալների բազայի տեսությունը, միանգամայն բնական է, որ Տվյալների արդյունահանման ալգորիթմների և մեթոդների մեծամասնությունը մշակվել են այս առարկաներից տարբեր մեթոդների հիման վրա: ,

Տվյալների արդյունահանման գոյություն ունեցող մեթոդների բազմազանությունից կարելի է առանձնացնել հետևյալը.

հետընթաց, շեղման և հարաբերակցության վերլուծություն(ներդրված է ժամանակակից վիճակագրական փաթեթների մեծ մասում, մասնավորապես ՝ SAS Institute, StatSoft և այլն ընկերությունների արտադրանքներում);

վերլուծության մեթոդներորոշակի առարկայական ոլորտում ՝ հիմնված էմպիրիկ մոդելների վրա (հաճախ օգտագործվում են, օրինակ, ֆինանսական վերլուծության էժան գործիքներում);

նյարդային ցանցի ալգորիթմներ- գործընթացների և երևույթների մոդելավորման մեթոդ, որը թույլ է տալիս վերարտադրել բարդ կախվածություններ: Մեթոդը հիմնված է կենսաբանական ուղեղի պարզեցված մոդելի օգտագործման վրա և բաղկացած է այն հանգամանքից, որ սկզբնական պարամետրերը համարվում են ազդանշաններ, որոնք փոխակերպվում են «նեյրոնների» միջև գոյություն ունեցող կապերի և ամբողջ ցանցի արձագանքին սկզբնական տվյալները դիտարկվում են որպես վերլուծության արդյունքում ստացված պատասխան: Այս դեպքում կապեր են ստեղծվում, այսպես կոչված, ցանցային ուսուցման միջոցով `մեծ նմուշի միջոցով, որը պարունակում է ինչպես նախնական տվյալները, այնպես էլ ճիշտ պատասխանները: Նյարդային ցանցերը լայնորեն օգտագործվում են դասակարգման խնդիրները լուծելու համար.

անհասկանալի տրամաբանությունօգտագործվում է անորոշ ճշմարտության արժեքներով տվյալների մշակման համար, որոնք կարող են ներկայացվել տարբեր լեզվական փոփոխականներով: Անորոշ գիտելիքների ներկայացումը լայնորեն օգտագործվում է դասակարգման և կանխատեսման խնդիրները լուծելու համար, օրինակ ՝ XpertRule Miner համակարգում (Attar Software Ltd., Միացյալ Թագավորություն), ինչպես նաև AIS- ում, NeuFuz- ում և այլն:

ինդուկտիվ տողերթույլ է տալիս ստանալ տվյալների բազայում պահվող փաստերի ընդհանրացումներ: Ինդուկտիվ ուսուցման գործընթացում կարող է ներգրավվել վարկածներ ներկայացնող մասնագետ: Սա կոչվում է վերահսկվող ուսուցում: Ընդհանրացման կանոնների որոնումը կարող է իրականացվել առանց ուսուցչի ՝ վարկածների ինքնաբերաբար առաջացման միջոցով: Modernամանակակից ծրագրերում, որպես կանոն, երկու մեթոդներն էլ համակցված են, և վարկածները ստուգելու համար օգտագործվում են վիճակագրական մեթոդներ: Ինդուկտիվ կապեր օգտագործող համակարգի օրինակ է XpertRule Miner- ը, որը մշակվել է Attar Software Ltd.- ի կողմից: (Մեծ Բրիտանիա);

հիմնավորված հիմնավորում նմանատիպ դեպքեր(«Մոտակա հարևանի» մեթոդը) (Գործի վրա հիմնված հիմնավորում - CBR) հիմնված են տվյալների բազայում իրավիճակների որոնման վրա, որոնց նկարագրությունները նմանատիպ իրավիճակի մի շարք առանձնահատկություններով նման են: Անալոգիայի սկզբունքը թույլ է տալիս ենթադրել, որ նման իրավիճակների արդյունքները նույնպես մոտ կլինեն միմյանց: Այս մոտեցման թերությունն այն է, որ այն չի ստեղծում որևէ մոդել կամ կանոն, որոնք ընդհանրացնում են նախկին փորձը: Բացի այդ, արդյունքների հուսալիությունը կախված է իրավիճակների նկարագրության ամբողջականությունից, ինչպես ինդուկտիվ եզրակացության գործընթացներում: CBR օգտագործող համակարգերի օրինակներ են. KATE Tools (Acknosoft, Ֆրանսիա), Pattern Recognition Workbench (Unica, ԱՄՆ);

որոշումների ծառեր- ծառի գրաֆիկի տեսքով առաջադրանքի կառուցման մեթոդ, որի գագաթները համապատասխանում են արտադրության կանոններին, որոնք թույլ են տալիս դասակարգել տվյալները կամ վերլուծել որոշումների հետևանքները: Այս մեթոդը տեսողականորեն ներկայացնում է դասակարգման կանոնների համակարգը, եթե դրանք շատ չեն: Այս մեթոդի կիրառմամբ պարզ խնդիրները լուծվում են շատ ավելի արագ, քան նյարդային ցանցերի օգտագործումը: Բարդ խնդիրների և տվյալների որոշ տեսակների դեպքում որոշումների ծառերը կարող են տեղին չլինել: Բացի այդ, այս մեթոդը ունի նշանակության խնդիր: Հիերարխիկ տվյալների խմբավորման հետևանքներից է բազմաթիվ հատուկ դեպքերի համար ուսուցման մեծ թվով օրինակների բացակայությունը, և, հետևաբար, դասակարգումը չի կարող հուսալի համարվել: Որոշումների ծառի մեթոդները կիրառվում են բազմաթիվ ծրագրային գործիքներում, մասնավորապես ՝ С5.0 (RuleQuest, Ավստրալիա), Clementine (Integral Solutions, Միացյալ Թագավորություն), SIPINA (Լիոնի համալսարան, Ֆրանսիա), IDIS (Information Discovery, USA);

էվոլյուցիոն ծրագրավորում- տվյալների փոխկախվածությունն արտահայտող ալգորիթմի որոնում և ստեղծում ՝ հիմնված սկզբնապես նշված ալգորիթմի վրա, որը փոփոխվել է որոնման գործընթացում. երբեմն փոխկախվածության որոնումը կատարվում է ցանկացած տեսակի գործառույթների (օրինակ ՝ բազմանդամների) միջև.

սահմանափակ որոնման ալգորիթմներորոնք հաշվարկում են պարզ տրամաբանական իրադարձությունների համակցություններ տվյալների ենթախմբերում:

3.7 ԻնտեգրումՕԼԱՊեւՏվյալներՀանքարդյունաբերություն

Առցանց վերլուծական մշակումը (OLAP) և տվյալների արդյունահանումը (տվյալների արդյունահանում) որոշումների աջակցության գործընթացի երկու մասն են: Այնուամենայնիվ, այսօր OLAP համակարգերի մեծամասնությունը կենտրոնանում է միայն բազմաչափ տվյալների հասանելիության ապահովման վրա, և օրինակների ոլորտում աշխատող Տվյալների արդյունահանման գործիքների մեծամասնությունը վերաբերում է տվյալների միաչափ հեռանկարներին: Որոշումների օժանդակ համակարգերի տվյալների մշակման արդյունավետությունը բարձրացնելու համար վերլուծության այս երկու տեսակները պետք է համակցվեն:

Ներկայումս, կարծես, «OLAP Data Mining» (բազմաչափ հանքարդյունաբերություն) բարդ տերմինը նշանակում է նման համադրություն:

«OLAP Data Mining» ձևավորելու երեք հիմնական եղանակ կա.

«Խորացում, ապա հանքարդյունաբերություն»: Հանքարդյունաբերության վերլուծություն կատարելու ունակությունը պետք է տրամադրվի հարցման ցանկացած արդյունքի վրա `բազմաչափ հայեցակարգային ներկայացուցչությանը, այսինքն` ցուցանիշների գերկուբի ցանկացած պրոյեկցիայի ցանկացած հատվածի վրա:

Հանքարդյունաբերություն, ապա խորանարդավորում: Պահեստից հանված տվյալների նման, հանքարդյունաբերության արդյունքները պետք է ներկայացվեն հիպերկուբիկ տեսքով `հետագա բազմափուլ վերլուծության համար:

«Խորացում հանքարդյունաբերության ընթացքում»: Ինտեգրման այս ճկուն մեթոդը թույլ է տալիս ավտոմատ կերպով ակտիվացնել միևնույն տիպի խելամիտ մշակման մեխանիզմներ ՝ բազմազանության վերլուծության (անցման) յուրաքանչյուր քայլի արդյունքում ընդհանրացման մակարդակների միջև, հիպերկուբի նոր հատվածի արդյունահանում և այլն):

Աստղագիտության համար 11 դասարան [տեքստ ... նրանցինչպես մասամբողջը համակարգերը ... դոցենտ ... Չեբոքսարի, 2009. Թիվ 10. Ս. 44 -49 ... Հեղինակներ- կազմողներ: Ն ... ամփոփումներդասախոսություններ, ...

• Ուսումնասիրության ուղեցույց

  ... դասախոսություններ... Ուսուցում դասախոսություններՄաթեմատիկա. Գրելը ամփոփումդասախոսություններ դասախոսություններ... Օգտագործումը տեղեկատվությունտեխնոլոգիաները ...

• I kondaurova s ​​v lebedeva

  Ուսումնասիրության ուղեցույց

  ... դասախոսություններ... Ուսուցում դասախոսություններՄաթեմատիկա. Գրելը ամփոփումդասախոսություններ... Տեսողական օգնության պատրաստում: Ընթերցանության տեխնիկա դասախոսություններ... Օգտագործումը տեղեկատվությունտեխնոլոգիաները ...

• M MEDIA MONITORING Մասնագիտական ​​կրթության արդիականացում մարտ - օգոստոս 2011 թ

  Ամփոփում

  ... 11 .08.2011 «Մահացած հոգիներ -2» RNIMU- ում նրանց ... 3,11 -3,44 ... ... հանրային դասախոսություններառաջնորդներ ... Չեբոքսարի... և խզբզոց ամփոփումներհանդիսատես - ... տեղեկատվությունհամակարգերըեւ տեխնոլոգիա. ... համակարգըկրթությունը, ասում է դոցենտ ... կազմողներ ... մասերիսկական ուժեղացում բովանդակությունը ...

Թեմա 6

Կորպորատիվ տեղեկատվական համակարգեր `տնտեսական տեղեկատվության մշակման համար

Կորպորատիվ տեղեկատվական տեխնոլոգիայի հայեցակարգ

Կորպորատիվ տեղեկատվական տեխնոլոգիայի էությունն ու նշանակությունը

Բիզնեսի համար նախատեսված ծրագրերի շարքում «տեղեկատվական տեխնոլոգիա կորպորատիվ կառավարման» տերմինը ավանդաբար ընկալվում է որպես «կառավարման կառավարման ավտոմատացված համակարգեր»: Նրանց այլ անունները նույնպես հայտնի են `ձեռնարկության մասշտաբի համակարգեր, կորպորատիվ տեղեկատվական համակարգեր (ԱՊՀ), կորպորատիվ (կամ ինտեգրված) կառավարման համակարգեր (KSU), կառավարման ավտոմատացված համակարգեր (ACS):

Որպես կանոն, հսկողության ավտոմատացման համակարգերը «հիմնական» ունիվերսալ լուծումներ են, որոնք հարմար են տարբեր տեսակի ձեռնարկությունների համար, առաջին հերթին ՝ ֆինանսական կառավարման, գույքագրման կառավարման, գնումների և վաճառքի կառավարման: Բայց այդ նույն համակարգերը հաճախ ունենում են արդյունաբերական լուծումներ, որոնք արտացոլում են մեկ կամ մի քանի այլ առանձնահատկություններ և պարունակում են համապատասխան կարգավորիչ և տեղեկատու հիմք:

Օրինակ ՝ SAP R / 3 համակարգի լուծումը ավիացիոն արդյունաբերության համար ապահովում է բոլոր ինքնաթիռների մասերի սերիական համարների հաշվառումը և վերահսկումը, դրանց ծառայության ժամկետը, պլանային փոխարինումը կամ վերանորոգումը, որն ապահովում է ոչ միայն արտադրության հուսալիությունը, այլև ուղևորների անվտանգությունը: ,

Քանի որ ինտեգրված կառավարման համակարգերը հիմնականում կենտրոնացած են բազմամասնագիտական ​​կառուցվածք պարունակող խոշոր ձեռնարկությունների վրա, դրանք ոչ միայն առաջարկում են գործառույթների զարգացած շարք, այլև ապահովում են մեծ քանակությամբ տեղեկատվության հուսալի պահեստավորում և մշակում ՝ օգտագործելով բազմաֆունկցիոնալ աշխատանքի հզոր հարթակներ և համակարգային գործիքներ: ..

Informationամանակակից տեղեկատվական տեխնոլոգիաները, հաղորդակցությունները և ինտերնետը թույլ են տալիս լուծել մեկ տվյալների բազայի հեռակա հասանելիության խնդիրները, ինչը կարևոր է նաև կորպորատիվ կառավարման համար:

Կառուցեք հայեցակարգ

Թեև ծրագրավորողներից շատերն իրենց ծրագրային արտադրանքի կառավարում են անվանում (ձեռնարկություն, պահեստ, ֆինանսներ և այլն), ըստ էության, կորպորատիվ կառավարման մեջ օգտագործվող գրեթե բոլոր ծրագրերը գրանցում են ֆինանսական և տնտեսական գործունեության փաստեր և փաստաթղթեր, հաշվապահական համակարգեր ՝ հաշվետվությունների և տեղեկանքների պատրաստման ունակությամբ: վերլուծական հատկանիշներով թույլատրված բաժիններում: Այսինքն, կառուցվածքային տեղեկատվությունը մուտքագրվում է տվյալների բազա: Այս կառույցը այս կամ այն ​​չափով ամրագրված է փոխկապակցված տեղեկատու գրքերով, դասակարգիչներով, ստանդարտ փաստաթղթերի պարամետրերով և ձևերով: Շտեմարանում առկա տեղեկատվության համաձայն, այսպես կոչված «կտրվածը» «կառուցված» է, «քաշված», «հավաքված» գործիքային միջոցներով: Ստանալով հաշվետվություններ և տեղեկանքներ, որոնք հաճախ կոչվում են վերլուծական հաշվետվություններ, նման տվյալների հիման վրա ղեկավարությունը կարող է որոշումներ կայացնել: Սա տվյալ դասի համակարգերի հետ աշխատելու բնորոշ հայեցակարգն ու բնորոշ տեխնոլոգիան է:

Պատահական չէ, որ ֆունկցիոնալ բովանդակությամբ, համակարգային լուծումներով, «կառավարման» ծրագրակազմի նպատակներով և կիրառմամբ, օրինակ ՝ «Գալաքսի», «ԲԵՍՏ» և «1C: Ձեռնարկություն», նման տարբերությունները նման են տեղեկատվական կազմակերպման, տեխնոլոգիայի սկզբունքներին: դրա ձևավորումն ու մշակումը, ինչպես նաև համակարգերի հետ փոխգործակցության մեթոդները:

Այնուամենայնիվ, ձեռնարկությունները, օրինակ ՝ «Ուրալեկտրոմեդ» ԲԲԸ-ն, այնպիսի կոշտ և բազմազան պահանջներ են առաջադրել կորպորատիվ կառավարման գործիքների նկատմամբ, որ անհրաժեշտ է դառնում դրանք կառուցել բազմամակարդակ հիմքերի վրա: Սովորաբար միջուկը համակարգի միջուկն է, որը պարունակում է միայն ծրագրային կոդեր: Հաջորդ հայեցակարգային կարևոր տարրը համակարգի ներկառուցված գործիքակազմն է, որը թույլ է տալիս, առանց ծրագրի կոդերը փոխելու, գոնե աշխատավայրում կարգավորել այն, կատարել կոնկրետ գործողություններ, մուտքագրել նոր և փոփոխել առաջնային և հաշվետու փաստաթղթերի առկա ձևերը և օգտագործել պարամետրային ճշգրտման այլ միջոցներ: Ավելի առաջադեմ համակարգերն ունեն ձեռնարկության տարբեր մոդելներ ստեղծելու համար ներկառուցված գործիքներ ՝ տեղեկատվական, կազմակերպչական, գործառական և այլն: Եվ, վերջապես, բուն բազան:

Տեղեկատվության վերլուծական մշակում

Ձեռնարկության գործունեության պլանավորումը, գործառնական տեղեկատվության ստացումը և դրա վերլուծության հիման վրա ճիշտ որոշում կայացնելը կապված է մեծ քանակությամբ տվյալների մշակման հետ: Կորպորատիվ հաշվապահական համակարգերում առաջացած հաշվետվությունները սովորաբար ճկուն չեն: Նրանք չեն կարող «պտտվել», «ընդլայնվել» կամ «փլուզվել» ՝ ցանկալի տվյալների ներկայացում ստանալու համար, ներառյալ գրաֆիկականը: Որքան ավելի շատ «կտրվածքներ» և «կրճատումներ» կարող եք անել, այնքան ավելի իրատեսական կարող եք պատկերացնել ձեռնարկության պատկերը և լավագույն որոշում կայացնել բիզնես գործընթացների կառավարման վերաբերյալ: Այս տեսակի առաջադրանքների համար անհրաժեշտ է մաթեմատիկական և տնտեսական մոդելավորում, ինչպես նաև բարձր կատարողականություն: Վերլուծական մոդուլը հասանելի է «RepKo» համակարգում, առավել հայտնի է «Triumph -Analytica» համակարգը («PARUS» կորպորացիա - «Թորայի կենտրոն»): Թվում է, թե հաշվապահական համակարգերը հղումներ են կառուցում տարբեր «բաժիններում» ՝ տվյալների բազայում պահվող տեղեկատվության հիման վրա, դրանք պարզապես ներկայացնում են այն, ինչ կա: Իսկ վերլուծական համակարգերը կառուցում են նոր տեղեկատվություն `ըստ սահմանված պարամետրերի կամ չափանիշների` օպտիմալացնելով այն հատուկ նպատակների համար: Հետևաբար, ավելի հաճախ ձեզ անհրաժեշտ է տեղեկատվության դիտման և տեսողականացման հատուկ գործիք, որը առցանց վերլուծական մշակումն է (OLAP): Այն ապահովում է պահեստում կուտակված տեղեկատվության հասանելիության, դիտման և բազմաչափ վերլուծության հարմար և արագընթաց միջոցների շարք:

OLAP տեխնոլոգիաներն օգտագործվում են իրավիճակը մոդելավորելու համար «ինչ կլիներ, եթե ...» սխեմայի համաձայն և կազմելու մի շարք վերլուծական զեկույցներ: Կան մասնագիտացված արևմտյան ծրագրային արտադրանքներ:

Սովորաբար, կորպորատիվ կառավարման համակարգերից տեղեկատվությունը փոխանցվում է վերլուծական տվյալների մշակման մասնագիտացված ծրագրերին: Ներքին ծրագրավորողներից շատերը փորձում են ինքնուրույն լուծել այս խնդիրները, օրինակ ՝ Nikos-Soft (NS-2000 համակարգ), Cepheus (Etalon կորպորատիվ կառավարման համակարգ), KOMSOFT (KOMSOFT-STANDARD «2.0) և այլն:

6.4. Կորպորատիվ տեղեկատվական տեխնոլոգիաների զարգացման և օգտագործման հեռանկարներ

Բացի ժամանակակից գործիքների և հարթակների, ինչպես նաև համակարգային գործիքների մշակումից և կիրառումից, ներքին կորպորատիվ համակարգերի զարգացումը ենթադրում է դրանց ֆունկցիոնալ հագեցվածությունը, հատկապես արտադրության առումով:

Չնայած կառավարման չափանիշների ներդրման համատարած կիրքին, ծրագրային ապահովման ներքին շուկայում առաջատար խաղացողները մշակում են արդյունաբերական լուծումներ տարբեր տեսակի արդյունաբերությունների համար:

Իրենց զարգացումների «գաղտնիությունը» բացահայտելու մտավախությունները նվազում են, ինչը օգնում է համախմբել իրենց արտադրանքը ինտեգրելու իրենց ջանքերը, այլ ոչ թե ինքնուրույն զարգացնել ամեն ինչ «ա» -ից մինչև «զ»: Այսօր ոչ ոք չունի բավարար ռեսուրսներ: Տարիներ են պահանջվում ՝ հասկանալու նոր հայեցակարգը, մշակելու նախագիծ և համակարգ, այն է ՝ համակարգ, որը փոխում է իր որակը ՝ կախված դրա մեջ եղածից: Բացի այդ, ծրագրային ապահովման արտադրանքի ինտեգրման պահանջ են ներկայացնում նաև այն ձեռնարկությունները, որոնք ցանկանում են շարունակել «աշխատել», որպես կանոն, մասնագիտացված համակարգեր և դրանք տեղեկատվականորեն համատեղել նոր ձեռք բերված համակարգերի հետ:

Ինտեգրումը պահանջվում է նաև տարբեր արտադրողների արտադրանքների համար `մասնագիտացված բարդ լուծումները համատեղելու անունով.

- բյուջետավորում, ֆինանսատնտեսական վերլուծություն, հաճախորդների սպասարկում, վերլուծական տվյալների մշակում և այլն:

Պետք է նշել, որ ոչ թե կառավարման համակարգերն են ավելի խոստումնալից, այլ դրանց ստեղծման պարզ և ունիվերսալ գործիք, որը նախատեսված է մշակողի և վերջնական օգտագործողի միջև որակյալ միջնորդների համար: Այժմ այս գործառույթները փորձում են կատարել համակարգի ադմինիստրատորներն ու վերլուծաբանները:

Եթե ​​նման գործիքը հասանելի է, ապա բոլոր ոլորտների բոլոր ձեռնարկությունների համար «պատրաստի» ստանդարտ լուծումները պահանջարկ կունենան:

Ինտերնետը, որպես բիզնեսի զարգացման լրացուցիչ գործիք, արդյունավետ կարող է օգտագործվել միայն կառավարման ինտեգրված համակարգի առկայության դեպքում:

Չնայած ժամանակակից տեղեկատվական և հաղորդակցական տեխնոլոգիաները, ներառյալ ինտերնետը, հնարավորություն են տալիս կազմակերպել ծրագրերի վարձույթ, վաղաժամ է խոսել նման հնարավորությունների օգտագործման մոտ ապագայում, հատկապես մեր երկրում: Եվ ոչ այնքան գաղտնիության նկատառումներից ելնելով, որքան կարգուկանոնի և հաղորդակցության հուսալի միջոցների բացակայությունից:

Ներքին ձեռնարկություններում տեղեկատվական տեխնոլոգիաների կիրառման և փորձի կիրառումը և նույնիսկ ոչ ամբողջությամբ գործնականում ապացուցել են, որ «քաոսը չի կարող ավտոմատացվել»: Անհրաժեշտ է բիզնեսի և ձեռնարկության նախնական վերակազմավորում, ինչպես նաև կառավարման կանոնակարգերի (ցուցումների) կառուցում: Ձեռնարկության աշխատակիցների համար դժվար է ինքնուրույն հաղթահարել նման աշխատանքը: Հատկապես հաշվի առնելով ժամանակի գործոնը շուկայական պայմաններում: Հետևաբար, ամենուր զարգանում է խորհրդատվական ընկերությունների հետ փոխգործակցության պրակտիկան, որոնք օգնում են ձեռնարկություններին և սովորեցնում իրենց աշխատակիցներին «ընդլայնել նեղությունները», հաստատել հիմնական բիզնես գործընթացը, զարգացնել տեխնոլոգիաները, կառուցել տեղեկատվական հոսքեր և այլն: Հեշտացված գործընթացի ավտոմատացումն ավելի հեշտ, հեշտ, էժան, արագ է:

Յուրաքանչյուրը պետք է կատարի իր աշխատանքը: Հաշվապահը, պահեստապետը, վաճառքի մենեջերը և «առարկայական» այլ մասնագետներ չպետք է բարելավեն փաստաթղթերի ձևերի ձևը, ընդլայնեն սյունակները կամ փոխեն իրենց տեղերը օրենսդրության կամ բիզնեսի սխեմաների փոփոխության պատճառով: Հետեւաբար, ծրագրային ապահովման շուկան աստիճանաբար «արտադրանքից» վերածվում է «ծառայության»: Աութսորսինգը սկսում է զարգանալ `ձեռնարկության որոշ գործառույթների փոխանցումը ներգրավված ընկերությունների մասնագետներին: Նրանք զբաղվում են սարքավորումների սպասարկմամբ, համակարգային ծրագրակազմով, համակարգերի կիրառական (ֆունկցիոնալ) մասի փոփոխությամբ և այլն:

Նրանց օգտագործողների և սպառողների համար տեղեկատվական տեխնոլոգիաներն ու մեթոդական ծառայությունները դառնում են ամենակարևորը և արդիականը կորպորատիվ կառավարման համակարգերի օգտագործման մեջ:

8.3.1. Առցանց վերլուծական մշակման (OLAP) գործիքներ

On-Line Analytical Processing-տեղեկատվական գործառնական (իրական ժամանակում) վերլուծական մշակման միջոցներ, որոնք ուղղված են որոշումների կայացմանը աջակցելուն և օգնել վերլուծաբաններին պատասխանել «Ինչու՞ են օբյեկտները, միջավայրերը և դրանց փոխազդեցության արդյունքները նմանը, այլ ոչ թե ուրիշները» հարցին: Այս դեպքում վերլուծաբանն ինքն է կազմում մի շարք տեղեկատվության փոխհարաբերությունների տարբերակներ և դրանք ստուգում `կառուցվածքային տեղեկատվության համապատասխան տվյալների շտեմարաններում առկա տվյալների հիման վրա:

ERP համակարգերը բնութագրվում են վերլուծական բաղադրիչների առկայությամբ ՝ որպես ֆունկցիոնալ ենթահամակարգերի մաս: Նրանք իրական ժամանակում ապահովում են վերլուծական տեղեկատվության ձևավորում: Այս տեղեկատվությունը հիմք է հանդիսանում կառավարման որոշումների մեծ մասի համար:

OLAP տեխնոլոգիաներն օգտագործում են հիպեր -խորանարդներ `հատուկ համակարգված տվյալներ (այլ կերպ կոչվում են OLAP խորանարդներ): Հիպերկուբի տվյալների կառուցվածքում առանձնանում են հետևյալները.

Միջոցառումներ - քանակական ցուցանիշներ (պահանջներ -հիմքեր), որոնք օգտագործվում են ամփոփ վիճակագրական արդյունքներ ստեղծելու համար.

Չափերը `նկարագրական կատեգորիաներ (հատկանիշներ -հատկանիշներ), որոնց համատեքստում վերլուծվում են միջոցառումները:

Հիպերկուբի չափը որոշվում է մեկ չափման չափերի քանակով: Օրինակ, SALES հիպերկուբը պարունակում է տվյալներ.

Չափերը ՝ սպառողներ, գործունեության ամսաթվերը, ապրանքների խմբերը, անվանացանկը, փոփոխությունները, փաթեթները, պահեստները, վճարման տեսակները, առաքման տեսակները, փոխարժեքները, արժույթը, կազմակերպությունները, գերատեսչությունները, պատասխանատուները, բաշխման ուղիները, մարզերը, քաղաքները.

Միջոցառումներ. Պլանավորված քանակ, փաստացի քանակ, պլանավորված գումար, փաստացի գումար, պլանավորված վճարումներ, փաստացի վճարումներ, պլանավորված մնացորդ, փաստացի մնացորդ, վաճառքի գին, պատվերի կատարման ժամանակ, վերադարձման գումար:

Նման հիպերկուբը նախատեսված է վերլուծական հաշվետվությունների համար.

Սպառողների դասակարգումն ըստ գնումների ծավալների.

ABC մեթոդով վաճառվող ապրանքների դասակարգում.

Տարբեր սպառողների պատվերների կատարման պայմանների վերլուծություն.

Վաճառքի ծավալների վերլուծություն ըստ ժամանակաշրջանների, ապրանքների և ապրանքների խմբերի, տարածաշրջանների և սպառողների, ներքին ստորաբաժանումների, ղեկավարների և վաճառքի ուղիների.

Սպառողների հետ փոխադարձ հաշվարկների կանխատեսում;

Սպառողներից ապրանքների վերադարձի վերլուծություն. եւ այլն

Վերլուծական հաշվետվությունները կարող են ունենալ չափերի և չափումների կամայական համադրություն, դրանք օգտագործվում են կառավարման որոշումները վերլուծելու համար: Վերլուծական մշակումը կատարվում է գործիքային և լեզվական գործիքների միջոցով: Հրապարակավ հասանելի MS Excel աղյուսակում ներկայացված է «Առանցքային աղյուսակներ» տեղեկատվական տեխնոլոգիան, որոնց ստեղծման նախնական տվյալներն են.

Listանկ (տվյալների բազա) MS Excel - հարաբերական աղյուսակ;

Մեկ այլ MS Excel առանցքային աղյուսակ;

Միևնույն կամ տարբեր աշխատանքային գրքույկներում տեղակայված MS Excel բջիջների համախմբված տեսականի.

Արտաքին հարաբերական տվյալների բազա կամ OLAP խորանարդ, տվյալների աղբյուր (ֆայլեր .dsn, .ode ձևաչափով):

Արտաքին տվյալների շտեմարանների հիման վրա առանցքային աղյուսակներ կառուցելու համար օգտագործեք ODBC վարորդները, ինչպես նաև MS Query ծրագիրը: Բնօրինակ MS Excel տվյալների բազայի ամփոփ աղյուսակն ունի հետևյալ կառուցվածքը (նկ. 8.3):

Առանցքային աղյուսակի դասավորությունը ունի տվյալների հետևյալ կառուցվածքը (նկ. 8.4). Չափեր - բաժնի ծածկագիր, պաշտոն; միջոցառումներ `աշխատանքային փորձ, աշխատավարձ և բոնուս: Ստորև բերված է ամփոփ աղյուսակ: 8.2, որը թույլ է տալիս վերլուծել միջին աշխատանքային փորձի և աշխատավարձի, միջին աշխատանքային փորձի և պարգևավճարների, աշխատավարձի և բոնուսների հարաբերակցությունը:

Աղյուսակ 8.2

Առանցքային աղյուսակ հղումների վերլուծության համար

Սեղանի վերջը: 8.2

Առանցքային աղյուսակի միջոցով վերլուծությունը շարունակելու համար կարող եք.

Ավելացնել նոր ընդհանուր գումարներ (օրինակ ՝ միջին աշխատավարձ, միջին բոնուս և այլն);

Օգտագործեք առանցքային աղյուսակի գրառումների և գումարների զտումը (օրինակ ՝ «Սեռ» հատկանիշով, որը տեղադրված է * Էջի հատվածի դասավորության մեջ);

Կառուցվածքային ցուցանիշների հաշվարկ (օրինակ ՝ աշխատավարձի և բոնուսային ֆոնդերի բաշխում ըստ ստորաբաժանումների ՝ առանցքային աղյուսակների լրացուցիչ մշակում, գումարի բաժնետոմսեր ըստ սյունակների); եւ այլն

MS Office փաթեթը թույլ է տալիս հրապարակել աղյուսակների տվյալները, ներառյալ առանցքային աղյուսակները և գծապատկերները XTML ձևաչափով:

Microsoft Office Web Components- ն աջակցում է Internet Explorer- ում հրապարակված տվյալների հետ աշխատելուն ՝ թույլ տալով հետագա վերլուծություն (առանցքային աղյուսակի տվյալների կառուցվածքի փոփոխություններ, նոր ամփոփ տվյալների ընդհանուր հաշվարկ):

8.3.2. Տվյալների արդյունահանման գործիքներ (DM)

DM գործիքները ենթադրում են տվյալների արդյունահանում («պեղում», «արդյունահանում») և ուղղված են ձեռնարկության թվային տվյալների շտեմարաններում պահվող տեղեկատվության միջև կապի բացահայտմանը, որը վերլուծաբանը կարող է օգտագործել մոդելների համար, որոնք չափում են գործոնների ազդեցության աստիճանը հետաքրքրություն: Բացի այդ, նման գործիքները կարող են օգտակար լինել ձեռնարկության թվային շտեմարաններում տեղեկատվական հարաբերությունների հնարավոր բնույթի վերաբերյալ վարկածներ ստեղծելու համար:

Text Mining (TM) տեխնոլոգիան գործիքների մի շարք է, որը թույլ է տալիս վերլուծել տեղեկատվության մեծ փաթեթ ՝ միտումների, օրինաչափությունների և հարաբերությունների որոնման համար, որոնք կարող են օգնել ձեզ ռազմավարական որոշումներ կայացնել:

Image Mining (IM) տեխնոլոգիան պարունակում է գործիքներ ՝ ընկերության տվյալների շտեմարաններում պահվող կամ արտաքին տեղեկատվական աղբյուրներից առցանց որոնման արդյունքում ձեռք բերված տարբեր տեսողական պատկերների ճանաչման և դասակարգման համար:

Բոլոր տվյալների մշակման և պահպանման խնդիրները լուծելու համար օգտագործվում են հետևյալ մոտեցումները.

1) մի քանի պահուստային համակարգի կամ մեկ բաշխված փաստաթղթերի կառավարման համակարգի ստեղծում, որը թույլ է տալիս պահպանել տվյալները, բայց դանդաղ մուտք ունենալ պահվող տեղեկատվությանը օգտագործողի խնդրանքով.

2) ինտերնետային համակարգերի կառուցում, որոնք չափազանց ճկուն են, բայց հարմարեցված չեն տեքստային փաստաթղթերի որոնման և պահպանման իրականացման համար.

3) ինտերնետ պորտալների ներդրում, որոնք նպատակաուղղված են օգտվողների խնդրանքներին, բայց չունեն նկարագրական տեղեկատվություն դրանցում բեռնված տեքստային տվյալների վերաբերյալ:

Վերը թվարկված խնդիրներից զերծ տեքստի մշակման համակարգերը կարելի է բաժանել երկու կատեգորիայի `լեզվաբանական վերլուծության համակարգեր և տեքստային տվյալների վերլուծության համակարգեր:

Text Mining տեխնոլոգիայի հիմնական տարրերն են.

Ամփոփում;

Խաղարկային արդյունահանում

Կլաստերացում

Դասակարգում

Հարցերին պատասխանել (հարցին պատասխանել);

Թեմատիկ ինդեքսավորում;

Որոնել ըստ հիմնաբառերի (հիմնաբառերի որոնում);

Տաքսոնոմիաների և թեզաուրիների ստեղծում և պահպանում:

Softwareրագրային արտադրանքները, որոնք կիրառում են Text Mining տեխնոլոգիան, ներառում են.

IBM Intelligent Miner for Text - մի շարք հրամանի տողերի կոմունալ ծառայություններ կամ բաց թողումներ; միմյանցից անկախ (հիմնական շեշտը դրվում է տվյալների արդյունահանման մեխանիզմների վրա `տեղեկատվության որոնում);

Oracle InterMedia Text - DBMS- ում ինտեգրված հավաքածու, որը թույլ է տալիս առավել արդյունավետ աշխատել օգտվողների հարցումների հետ (թույլ է տալիս աշխատել ժամանակակից հարաբերական DBMS- ի հետ տեքստային տվյալների բարդ բազմաֆունկցիոնալ որոնման և վերլուծության համատեքստում);

Megaputer Text Analyst- ը COM օբյեկտների ամբողջություն է, որը ներկառուցված է ծրագրի մեջ `տեքստային արդյունահանման առաջադրանքների լուծման համար:

8.3.3. Խելացի տեղեկատվական տեխնոլոգիա

Այսօր, վերահսկողության ավտոմատացման ոլորտում, տեղեկատվության վերլուծությունը գերակշռում է որոշումների պատրաստման նախնական փուլում `առաջնային տեղեկատվության մշակում, խնդրահարույց իրավիճակի քայքայում, ինչը թույլ է տալիս սովորել միայն գործընթացների բեկորներ և մանրամասներ, և ոչ թե իրավիճակն ամբողջությամբ: Այս թերությունը հաղթահարելու համար պետք է սովորել կառուցել գիտելիքների հիմքեր `օգտագործելով լավագույն մասնագետների փորձը, ինչպես նաև առաջացնել բաց թողնված գիտելիքները:

Մարդկային գործունեության տարբեր ոլորտներում տեղեկատվական տեխնոլոգիաների օգտագործումը, տեղեկատվական ծավալների էքսպոնենցիալ աճը և ցանկացած իրավիճակում արագ արձագանքելու անհրաժեշտությունը պահանջում էին առաջացած խնդիրների լուծման համարժեք ուղիների որոնում: Դրանցից ամենաարդյունավետը տեղեկատվական տեխնոլոգիաների ինտելեկտուալացման եղանակն է:

Տակ խելացի տեղեկատվական տեխնոլոգիա(ITT) սովորաբար հասկացվում է որպես այդպիսի տեղեկատվական տեխնոլոգիա, որն ապահովում է հետևյալ հնարավորությունները.

Գիտելիքների բազաների առկայությունը, որոնք արտացոլում են որոշակի մարդկանց, խմբերի, հասարակությունների, ընդհանրապես մարդկության փորձը ՝ գործունեության որոշակի ոլորտներում ստեղծագործական խնդիրներ լուծելիս, որոնք ավանդաբար համարվում էին մարդկային հետախուզության իրավունքը (օրինակ ՝ այնպիսի վատ ձևակերպված առաջադրանքներ, ինչպիսիք են որոշումների ընդունումը , դիզայն, նշանակության արդյունահանում, բացատրություն, ուսուցում և այլն);

Գիտելիքների հիմքերի վրա հիմնված մտածողության մոդելների առկայություն. Կանոններ և տրամաբանական եզրակացություններ, փաստարկ և հիմնավորում, իրավիճակների ճանաչում և դասակարգում, ընդհանրացում և ըմբռնում և այլն;

Մշուշոտ, չամրացված, թերի, թերորոշված ​​տվյալների հիման վրա բավականին հստակ որոշումներ կայացնելու ունակություն.

Եզրակացություններ և որոշումներ բացատրելու ունակություն, այսինքն. բացատրական մեխանիզմի առկայություն;

Սովորելու, վերապատրաստվելու և, հետևաբար, զարգանալու ունակություն:

Տվյալների և տեղեկատվության մեջ թաքնված ձևերի ոչ ֆորմալ որոնման տեխնոլոգիաները Knowledge Discovery (KD) հիմնված են օբյեկտների տեղեկատվական պատկերների ձևավորման և կառուցման նորագույն տեխնոլոգիաների վրա, ինչը ամենամոտ է խելացի համակարգերի կողմից տեղեկատվության մշակման սկզբունքներին:

Որոշումների աջակցման (DS) որոշումների աջակցման տեղեկատվական տեխնոլոգիան փորձագիտական ​​պատյան է:

համակարգեր կամ մասնագիտացված փորձագիտական ​​համակարգեր, որոնք թույլ են տալիս վերլուծաբաններին որոշել ձեռնարկության կառուցվածքային տեղեկատվության հիմքում տեղեկատվական կառույցների հարաբերություններն ու հարաբերությունները, ինչպես նաև կանխատեսել որոշումների կայացման հնարավոր արդյունքները:

IIT- ի զարգացման միտումները: Հաղորդակցության և հաղորդակցության համակարգեր:Գլոբալ տեղեկատվական ցանցերը և IIT- ը կարող են արմատապես փոխել ընկերությունների և մտավոր աշխատանքի մասին մեր պատկերացումները: Աշխատողների ներկայությունը աշխատավայրում կդառնա գրեթե ավելորդ: Մարդիկ կարող են աշխատել տնից և անհրաժեշտության դեպքում միմյանց հետ շփվել ցանցերի միջոցով: Օրինակ, հայտնի է ինտերնետի միջոցով փոխազդող մասնագետների բաշխված թիմի կողմից Boeing-747 ինքնաթիռի նոր փոփոխություն ստեղծելու հաջող փորձը: Developmentանկացած զարգացման մասնակիցների գտնվելու վայրը ավելի փոքր դեր կխաղա, սակայն մասնակիցների որակավորման մակարդակի կարևորությունը կբարձրանա: Մեկ այլ պատճառ, որը որոշեց IIT- ի արագ զարգացումը, կապված է կապի համակարգերի բարդության և դրանց հիման վրա լուծված խնդիրների հետ: Itրագրային արտադրանքի «ինտելեկտուալացման» որակապես նոր մակարդակ է պահանջվել ՝ որպես տարասեռ և ոչ խիստ տվյալների վերլուծության, տեղեկատվության անվտանգության ապահովման, բաշխված համակարգերում որոշումներ կայացնելու և այլն համակարգեր:

Կրթություն... Արդեն այսօր հեռակա ուսուցումը սկսում է կարևոր դեր խաղալ կրթության մեջ, և IIT- ի ներդրումը զգալիորեն անհատականացնելու է այս գործընթացը `յուրաքանչյուր ուսանողի կարիքներին և կարողություններին համապատասխան:

Առօրյան... Առօրյա կյանքի տեղեկատվականացումն արդեն սկսվել է, բայց IIT- ի զարգացումով սկզբունքորեն նոր հնարավորություններ կհայտնվեն: Աստիճանաբար բոլոր նոր գործառույթները կփոխանցվեն համակարգչին ՝ օգտագործողի առողջության վերահսկում, կենցաղային տեխնիկայի վերահսկում, ինչպիսիք են խոնավացուցիչները, օդը թարմացնող սարքերը, տաքացուցիչները, իոնիզատորները, երաժշտական ​​կենտրոնները, բժշկական ախտորոշումը և այլն: Այլ կերպ ասած, համակարգերը կդառնան նաև անձի և նրա տան վիճակի ախտորոշիչ: Այն տարածքներում կտրամադրվի հարմարավետ տեղեկատվական տարածք, որտեղ տեղեկատվական միջավայրը կդառնա մարդկային միջավայրի մի մասը:

IIT- ի զարգացման հեռանկարներ... Թվում է, որ ներկայումս IIT- ը մոտեցել է իրենց զարգացման սկզբունքորեն նոր փուլին: Այսպիսով, վերջին 10 տարիների ընթացքում IIT- ի հնարավորությունները զգալիորեն ընդլայնվել են `նոր տեսակի տրամաբանական մոդելների զարգացման, նորերի առաջացման շնորհիվ:

տեսություններ և հասկացություններ: IIT- ի զարգացման հիմնական կետերն են.

Տրամաբանական եզրակացությունից անցում փաստարկի և հիմնավորման մոդելների.

Որոնել համապատասխան գիտելիքներ և ստեղծել բացատրություններ;

Տեքստերի իմացություն և սինթեզ;

Cանաչողական գրաֆիկա, այսինքն. գիտելիքների գրաֆիկական և փոխաբերական ներկայացում;

Բազմաֆունկցիոնալ համակարգեր;

Խելացի ցանցի մոդելներ;

Անհասկանալի տրամաբանության, նյարդային ցանցերի, գենետիկական ալգորիթմների, հավանականության հաշվարկների վրա հիմնված հաշվարկներ (իրականացվում են միմյանց հետ համատեղ և փորձագիտական ​​համակարգերի տարբեր համակցություններով);

Մետա-գիտելիքի խնդիրը:

Բազմա-գործակալ համակարգերը դարձել են խոստումնալից IIT- ներ ստեղծելու նոր հարացույց: Այստեղ ենթադրվում է, որ գործակալը անկախ ինտելեկտուալ համակարգ է, որն ունի նպատակների և մոտիվացիայի իր համակարգը, իր գործողությունների և պատասխանատվության սեփական համակարգը: Գործակալների փոխազդեցությունն ապահովվում է ավելի բարձր մակարդակի համակարգով `մետախելություն: Բազմակողմանի համակարգերում մոդելավորվում է խելացի գործակալների վիրտուալ համայնք. Օբյեկտներ, որոնք ինքնավար են, ակտիվ, մտնում են տարբեր սոցիալական հարաբերությունների մեջ. Համագործակցություն և համագործակցություն (բարեկամություն), մրցակցություն, մրցակցություն, թշնամություն և այլն: Problemsամանակակից խնդիրների լուծման սոցիալական ասպեկտը առաջադեմ ինտելեկտուալ տեխնոլոգիաների հայեցակարգային նորույթի հիմնարար առանձնահատկությունն է `վիրտուալ կազմակերպություններ, վիրտուալ հասարակություն:

(?) Վերահսկել հարցերն ու առաջադրանքները

1. Տվեք ձեռնարկության `որպես ինֆորմատիզացիայի օբյեկտի նկարագրություն: Որո՞նք են ձեռնարկության կառավարման համակարգի զարգացումը բնութագրող հիմնական ցուցանիշները:

2. Թվարկեք արդյունաբերական ձեռնարկությունների տեղեկատվական տեխնոլոգիաների առաջատար կառավարումը:

3. Որոնք են ձեռնարկությունների (կորպորացիաների) կազմակերպչական եւ ռազմավարական զարգացման հիմնական տեղեկատվական տեխնոլոգիաները:

4. Որո՞նք են ռազմավարական կառավարման չափորոշիչների հիմքերը, որոնք ուղղված են բիզնես գործընթացների կատարելագործմանը: Ո՞րն է տեղեկատվական տեխնոլոգիաների BPM և BPI հարաբերակցությունը:

5. Սահմանել ընդհանուր որակի կառավարման (TQM) փիլիսոփայությունը: Ինչպե՞ս են կապված որակի և տեղեկատվական տեխնոլոգիաների զարգացման փուլերը:

6. Անվանեք ձեռնարկության կազմակերպչական զարգացման հիմնական դրույթները, նկարագրեք ռազմավարական կառավարման փուլերը: Որո՞նք են խմբերի ռազմավարությունները:

7. Ինչպե՞ս է ստեղծվում ձեռնարկության բիզնես մոդելը: Որո՞նք են բիզնես մոդելի արդյունավետության գնահատման հիմնական մոտեցումները:

8. Ի՞նչ է հավասարակշռված գնահատման քարտը: Որո՞նք են BSC- ի հիմնական բաղադրիչները: Որո՞նք են BSC ցուցանիշների խմբերի փոխկապակցվածությունը:

9. Թվարկեք տեղեկատվական համակարգերի ստեղծման մեթոդաբանական հիմքերը: Ի՞նչ է համակարգային մոտեցումը:

10. Ո՞րն է տեղեկատվական համակարգերի և տեխնոլոգիաների ձևավորման տեղեկատվական մոտեցումը:

11. Ո՞րն է տեղեկատվական համակարգերի և տեխնոլոգիաների ձևավորման ռազմավարական մոտեցումը:

12. Ո՞րն է շուկայում գործակալների վարքագիծը նկարագրելու օբյեկտիվ ուղղվածության մոտեցման բովանդակությունը: Տվեք օբյեկտի սահմանումը, նշեք գործակալային համակարգերի անալոգները:

13. Որո՞նք են տեղեկատվական և հաղորդակցական տեխնոլոգիաների վրա հիմնված ձեռնարկությունների կառավարման կատարելագործման մեթոդաբանական սկզբունքները: Ո՞րն է ՏՀՏ նպատակը:

14. Տվեք փաստաթղթի, փաստաթղթաշրջանառության, փաստաթղթաշրջանառության, փաստաթղթերի կառավարման համակարգի սահմանումները:

15. Ինչպե՞ս է կազմված փաստաթղթի ձևի դասավորությունը: Անվանեք փաստաթղթի գոտիները, դրանց մանրամասների կազմը:

16. Որո՞նք են փաստաթղթերի կառավարման համակարգի հիմնական տեղեկատվական տեխնոլոգիաները:

17. Ի՞նչ է փաստաթղթավորման միասնական համակարգը: Որո՞նք են միավորման ընդհանուր սկզբունքները:

18. Նկարագրեք կազմակերպչական և վարչական փաստաթղթերը, ներկայացրեք փաստաթղթերի օրինակներ:

19. Որո՞նք են փաստաթղթերի կառավարման էլեկտրոնային համակարգի պահանջները:

20. Ի՞նչ է կորպորատիվ տեղեկատվական համակարգը: Որոնք են հիմնական կառավարման օղակները, ֆունկցիոնալ մոդուլների կազմը:

21. Անվանեք ԱՊՀ -ի համար ձեզ հայտնի ծրագրային արտադրանքները: Տվեք նրանց համեմատական ​​բնութագրերը:

W Գրականություն

1. Վերադարձ J.., Մորիարտի Ս. Շուկայավարման հաղորդակցություններ: Ինտեգրված մոտեցում: SPb.; Խարկով: Պետրոս, 2001:

2. Brooking E. Մտավոր կապիտալ. Հաջողության գրավականը նոր հազարամյակում: SPb.: Peter, 2001:

3. Գոդին Վ.Վ., Կորպև Ի.Կ. Տեղեկատվական ռեսուրսների կառավարում: Մ.: INFRA-M, 1999:

4. Տեղեկատվական համակարգերը և տեխնոլոգիաները տնտեսագիտության մեջ. Դասագիրք: 2 -րդ հրատ., Ավելացնել: և վերանայված / Մ.Ի. Սեմենով, Ի.Տ. Տրուբիլին, Վ.Ի. Լոյկո, Թ.Պ. Բարանովսկայա; Էդ. ԵՎ Ի. Լոյկո: Մոսկվա. Ֆինանսներ և վիճակագրություն, 2003:

5. Տեղեկատվական տեխնոլոգիաները բիզնեսում / Էդ. Մ. Zելենի. SPb.: Peter, 2002:

6. Kaplan Robert S., Norton David P. Balanced Scorecard: Ռազմավարությունից մինչև գործողություն / Պեր. անգլերենից Մ .: ՓԲԸ «Օլիմպ-բիզնես», 2003 թ.

7. Karagodin V.I., Karagodina BJI: Տեղեկատվությունը ՝ որպես կյանքի հիմք: Դուբնա. Ֆենիքս, 2000:

8. Կարմինսկի Ա. Մ., Նեստերով Պ.Z. Բիզնեսի տեղեկատվականացում: Մոսկվա. Ֆինանսներ և վիճակագրություն, 1997:

9. Լիխաչևա Տ.Ն. Տեղեկատվական տեխնոլոգիաները տեղեկատվական հասարակության ծառայության մեջ // Նոր տեղեկատվական տեխնոլոգիաները տնտեսական համակարգերում: Մ., 1999:

10. Օստրեյկովսկի Վ.Ա. Համակարգերի տեսություն: Մ.: Բարձրագույն դպրոց, 1997 թ.

11. Պիտերկին Ս.Վ., Օլադով Ն.Ա., Իսաև Դ.Վ. Forիշտ ժամանակին Ռուսաստանի համար: ERP համակարգերի օգտագործման պրակտիկա: 2 -րդ հրատարակություն Մ .: Ալպինա հրատարակիչ, 2003:

12. Սոկոլով Դ.Վ. Սոցիալական հաղորդակցության տեսության ներածություն: Դասագիրք: նպաստ SPb.: Հրատարակչություն SP6GUP, 1996:

13. Տրոֆիմով Վ.Z., Տոմիլով Վ.Z. Տեղեկատվական և հաղորդակցական տեխնոլոգիաները կառավարման մեջ. Դասագիրք: նպաստ SPb.: Հրատարակչություն SPbGUEF, 2002:

Արդեն որոշ ժամանակ ապարատային և ծրագրային ապահովման զարգացման ժամանակակից մակարդակը հնարավոր է դարձրել կառավարման տարբեր մակարդակներում գործառնական տեղեկատվության տվյալների շտեմարանների համատարած պահպանումը: Իրենց գործունեության ընթացքում արդյունաբերական ձեռնարկությունները, կորպորացիաները, գերատեսչական կառույցները, պետական ​​մարմինները և վարչակազմերը կուտակել են մեծ քանակությամբ տվյալներ: Նրանք իրենց մեջ պահում են օգտակար վերլուծական տեղեկատվություն կորզելու մեծ ներուժ, որի հիման վրա հնարավոր է բացահայտել թաքնված միտումները, մշակել զարգացման ռազմավարություն և գտնել նոր լուծումներ:

Վերջին տարիներին աշխարհում ձևավորվեցին կորպորատիվ տվյալների պահպանման և վերլուծության մի շարք նոր հասկացություններ.

1) Տվյալների պահեստներ

2) առցանց վերլուծական մշակում (OLAP)

3) Տվյալների արդյունահանում - IAD (Տվյալների արդյունահանում)

OLAP վերլուծական տվյալների մշակման համակարգերը որոշումների օժանդակ համակարգեր են, որոնք ուղղված են ավելի բարդ հարցումների կատարմանը, որոնք պահանջում են որոշակի ժամանակահատվածում կուտակված պատմական տվյալների վիճակագրական մշակում: Դրանք ծառայում են վաճառքի, կառավարման նպատակով շուկայավարման, այսպես կոչված Տվյալների արդյունահանման, տվյալների արդյունահանման, բիզնես հաշվետվությունների պատրաստմանը: տվյալների շտեմարանում տեղեկատվության վերլուծման եղանակ ՝ անոմալիաներ և միտումներ գտնելու համար ՝ առանց գրառումների իմաստը պարզելու:

OLAP- ի վրա հիմնված վերլուծական համակարգերը ներառում են արհեստական ​​բանականության մեթոդների և տվյալների ներկայացման գրաֆիկական գործիքների վրա հիմնված տեղեկատվության մշակման գործիքներ: Այս համակարգերը որոշվում են պատմական տվյալների մեծ ծավալով ՝ թույլ տալով դրանցից հանել իմաստալից տեղեկատվություն, այսինքն. ձեռք բերել տվյալների գիտելիքներ:

Մշակման արդյունավետությունը ձեռք է բերվում հզոր բազմամշակող տեխնոլոգիայի, վերլուծության բարդ մեթոդների և մասնագիտացված տվյալների պահեստների միջոցով:

Հարաբերական տվյալների շտեմարանները սուբյեկտները պահում են առանձին աղյուսակներում, որոնք սովորաբար լավ նորմալացված են: Այս կառուցվածքը հարմար է գործառնական տվյալների շտեմարանների համար (OLTP համակարգեր), սակայն բարդ աղյուսակների բարդ հարցումները դրանում համեմատաբար դանդաղ են: Հարցումների ավելի լավ մոդել, քան փոփոխություն, տարածական տվյալների շտեմարան է:

OLAP համակարգը վերցնում է հարաբերական տվյալների բազայի նկարը և այն կառուցում հարցումների համար տարածական մոդելի մեջ: OLAP- ում հարցումների համար պահանջվող մշակման ժամանակը հարաբերական տվյալների բազայում նմանատիպ հարցումների մոտ 0.1% -ն է:

Օպերացիոն տվյալներից ստեղծված OLAP կառուցվածքը կոչվում է OLAP խորանարդ: Աստղային սխեմայի միջոցով աղյուսակներին միանալուց ստեղծվում է խորանարդ: «Աստղի» կենտրոնում փաստական ​​աղյուսակ է, որը պարունակում է հարցման ենթակա հիմնական փաստերը: Բազմակի չափման աղյուսակները միացված են փաստերի աղյուսակին: Այս աղյուսակները ցույց են տալիս, թե ինչպես կարելի է վերլուծել համախմբված հարաբերական տվյալները: Հնարավոր ագրեգատների քանակը որոշվում է սկզբնական տվյալների հիերարխիկ կերպով ցուցադրման եղանակների քանակով:

Համակարգերի տրված դասերը (OLAP և OLTP) հիմնված են DBMS- ի օգտագործման վրա, սակայն հարցումների տեսակները շատ տարբեր են: OLAP շարժիչն այսօր տվյալների վերլուծության ամենահայտնի մեթոդներից մեկն է: Այս խնդրի լուծման երկու հիմնական մոտեցում կա: Դրանցից առաջինը կոչվում է Multidimensional OLAP (MOLAP) `սերվերի կողմից բազմաչափ տվյալների բազայի կիրառմամբ մեխանիզմի ներդրում, իսկ երկրորդը` Relational OLAP (ROLAP) `« թռչելիս »խորանարդի կառուցում` հիմնված SQL- ի հարցումների վրա DBMS. Այս մոտեցումներից յուրաքանչյուրն ունի առավելություններ և թերություններ: Սեղանի OLAP համակարգի ընդհանուր սխեման կարող է ներկայացված լինել Նկ.

Աշխատանքի ալգորիթմը հետևյալն է.

1) տվյալների ստացում հարթ սեղանի տեսքով կամ SQL հարցման կատարման արդյունք.

2) տվյալների պահպանում և դրանք բազմաչափ խորանարդի վերածելը.

3) կառուցված խորանարդի ցուցադրումը խաչաձև սեղանի կամ դիագրամի միջոցով և այլն:

Ընդհանուր առմամբ, կամայական թվով ցուցադրումներ կարող են կապված լինել մեկ խորանարդի հետ: OLAP համակարգերում օգտագործվող ցուցադրումներն առավել հաճախ լինում են երկու տեսակի ՝ խաչաձև և գծապատկերներ:

Աստղային դիագրամ: Նրա գաղափարն այն է, որ յուրաքանչյուր չափման համար կան աղյուսակներ, և բոլոր փաստերը տեղադրված են մեկ աղյուսակում `ինդեքսավորվելով առանձին չափերի բանալիներից կազմված բազմակի բանալով: Աստղային սխեմայի յուրաքանչյուր ճառագայթ Codd- ի տերմինաբանությամբ սահմանում է տվյալների համախմբման ուղղությունը համապատասխան հարթության երկայնքով:

Բազմամակարդակ չափսերով բարդ խնդիրների դեպքում իմաստ ունի դիմել աստղի սխեմայի ընդարձակումներին `փաստ համաստեղության սխեմայի և ձյան փաթիլի սխեմայի: Այս դեպքերում առանձին աղյուսակներ են ստեղծվում `տարբեր չափերի ամփոփ մակարդակների հնարավոր համակցությունների համար: Սա թույլ է տալիս ավելի լավ կատարելագործում, բայց հաճախ հանգեցնում է տվյալների ավելցուկի և տվյալների բազայի կառուցվածքում զգալի բարդությունների, որը պարունակում է հսկայական թվով փաստացի աղյուսակներ:

համաստեղության դիագրամ

Տվյալների վերլուծական մշակում - Սա տվյալների վերլուծություն է, որը պահանջում է համապատասխան մեթոդաբանական աջակցություն և մասնագետների պատրաստվածության որոշակի մակարդակ:

Informationամանակակից տեղեկատվական տեխնոլոգիաները հնարավորություն են տալիս ավտոմատացնել կուտակված առաջնային տեղեկատվության վերլուծության գործընթացները, կառուցել վերլուծական մոդելներ, ստանալ պատրաստի լուծումներ և դրանք կիրառել գործնականում: Հիմնական պահանջները , որոնք ներկայացված են վերլուծության մեթոդներին, արդյունավետությունն են, պարզությունը, ավտոմատիզմը: Այս հայեցակարգն ընկած է երկու ժամանակակից տեխնոլոգիաների հիմքում.

Տվյալների արդյունահանում - դա մարդկային գործունեության տարբեր ոլորտներում որոշումներ կայացնելու համար անհրաժեշտ գիտելիքների ՝ նախկինում անհայտ, ոչ մանր, գործնականում մատչելի և մատչելի մեկնաբանում է հումքային տվյալների (այս ուղղության հիմնադիրներից Գ. Պյատեցկի-Շապիրոյի սահմանումը) ,

Data Mining տեխնոլոգիան ուղղված է ոչ ակնհայտ օրինաչափությունների հայտնաբերմանը: Տվյալների վերլուծության փուլերն են.

• 1) դասակարգում ( դասակարգում) - ուսումնասիրված տվյալների հավաքածուի օբյեկտների խմբերին բնութագրող առանձնահատկությունների հայտնաբերում: Դասակարգման խնդրի համար օգտագործվող լուծման մեթոդներ. Մոտակա հարևանի մեթոդներ ( ամենամոտ հարևանը)և ^ ’- ամենամոտ հարևանը ( k- մոտակա հարևան) -,Բայեսյան ցանցեր (Բայեզյան ցանցեր) -,որոշումների ծառերի ներգրավում; նյարդային ցանցեր (նյարդային ցանցեր) -,
• 2) կլաստերացում (կլաստերացում)- օբյեկտների բաժանումը խմբերի, քանի որ օբյեկտների դասերը սկզբնապես սահմանված չեն: Կլաստերացման խնդրի լուծման մեթոդի օրինակ. Ինքնակազմակերպվող Kohonen քարտեզներ `նյարդային ցանց` առանց հսկողության ուսուցման: Այս քարտեզների կարևոր առանձնահատկությունն ինքնաթիռում բազմաչափ տարածական տարածություններ ցուցադրելու ունակությունն է ՝ տվյալները ներկայացնելով երկչափ քարտեզի տեսքով.
• 3) ասոցիացիա (ասոցիացիաներ)- տվյալների հավաքածուի հարակից իրադարձությունների միջև օրինաչափությունների բացահայտում: Այս օրինաչափությունները բացահայտվում են ոչ թե վերլուծված օբյեկտի հատկությունների հիման վրա, այլ միաժամանակ մի քանի իրադարձությունների միջև, օրինակ ՝ Apriori ալգորիթմը.
• 4) հաջորդականությունը (հաջորդականություն),կամ հաջորդական ասոցիացիա (հաջորդական ասոցիացիա),- գործարքների միջև ժամանակավոր օրինաչափությունների որոնում, այսինքն. օրինաչափությունները հաստատվում են ոչ թե միաժամանակ տեղի ունեցող իրադարձությունների, այլ ժամանակի հետ կապված իրադարձությունների միջև: Ասոցիացիան զրոյական ժամանակային հետաձգմամբ հաջորդականություններ են: Հաջորդականացման կանոն. Իրադարձությունից հետո X որոշակի ժամանակ անց տեղի կունենա իրադարձություն Y;
• 5) կանխատեսում (կանխատեսում) - կառուցված է պատմական տվյալների առանձնահատկությունների հիման վրա, այսինքն. կա գնահատված թիրախային թվային ցուցանիշների բաց թողնված կամ ապագա արժեքների գնահատում: Կանխատեսման խնդիրները լուծելու համար օգտագործվում են մաթեմատիկական վիճակագրության, նյարդային ցանցերի և այլնի մեթոդներ.
• 6) շեղումների կամ ծայրահեղությունների որոշում (շեղումների հայտնաբերում),շեղումների կամ ծայրահեղությունների վերլուծություն `տվյալների ընդհանուր տվյալների հավաքածուից առավել տարբերվող տվյալների հայտնաբերում և վերլուծություն.
• 7) գնահատում (գնահատական)- հատկանիշի շարունակական արժեքների կանխատեսում;
• 8) կապի վերլուծություն (հղումների վերլուծություն)- տվյալների բազայում կախվածություն գտնելու խնդիրը.
• 9) արտացոլում (արտացոլում, գծապատկերների մշակում)- վերլուծված տվյալների գրաֆիկական պատկերի ստեղծում: Գրաֆիկական մեթոդները օգտագործվում են տվյալների մեջ օրինաչափությունների առկայությունը ցույց տալու համար, օրինակ ՝ տվյալների ներկայացումը 2D և 3D հարթություններում;
• 10) ամփոփում ( ամփոփում) - վերլուծված տվյալների հավաքածուի օբյեկտների որոշակի խմբերի նկարագրություն:

KDD տվյալների հավաքածուից օգտակար գիտելիքների կորզման գործընթացն է: Այս տեխնոլոգիան ներառում է հետևյալ խնդիրները. Տվյալների պատրաստում, տեղեկատվական հատկանիշների ընտրություն, տվյալների մաքրում, տվյալների արդյունահանման (ՄՏ) մեթոդների կիրառում, տվյալների հետամշակում և արդյունքների մեկնաբանություն:

Տվյալների շտեմարաններում գիտելիքների հայտնաբերումը բաղկացած է հետևյալ քայլերից.

• 1) խնդրի հայտարարություն - օգտագործողի առաջադրանքների և կիրառման տարածքի առանձնահատկությունների վերլուծություն, մուտքային և ելքային պարամետրերի մի շարք ընտրություն.
• 2) նախնական տվյալների բազայի պատրաստում `տվյալների պահեստի ստեղծում և տվյալների հավաքման և թարմացման սխեմայի կազմակերպում.
• 3) տվյալների նախամշակում. Տվյալների արդյունահանման մեթոդների օգտագործման հիման վրա, այս մեթոդի տեսանկյունից, տվյալները պետք է լինեն բարձրորակ և ճիշտ.
• 4) տվյալների փոխակերպում, նորմալացում `տեղեկատվության հետագա վերլուծության համար հարմար ձևի հասցնելը.
• 5) Տվյալների մշակում `տվյալների ավտոմատ վերլուծություն, որը հիմնված է գիտելիքներ գտնելու տարբեր ալգորիթմների օգտագործման վրա (նյարդային ցանցեր, որոշումների ծառեր, կլաստերացման ալգորիթմներ, ասոցիացիաների ստեղծում և այլն);
• 6) տվյալների հետամշակում `արդյունքների մեկնաբանում և գործնականում ձեռք բերված գիտելիքների կիրառում: