- •1. Суть и этапы управления на предприятии. Особенности их автоматизации.
- •2. Суть и особенности процессного подхода. Описание бизнес-процессов.
- •3. Информационные системы в управлении предприятием и их составляющие. Задачи, решаемые кис.
- •4. Системы управления ресурсами предприятия (erp): назначение, их состав и классификация, история возникновения.
- •5. Задачи erp-систем и их основные функциональные возможности.
- •6. Типовая архитектура erp-систем. Классификация.
- •7. Примеры erp-систем, преимущества, проблемы и этапы их внедрения.
- •8. Особенности, архитектура, преимущества и возможности системы Microsoft Dynamics Axapta.
- •9. Особенности и основные возможности решения «1с:Предприятие» по управлению торговлей.
- •10. Основные модули решения «1с:Предприятие» по управлению торговлей и примеры их использования.
- •11. Основные функциональные возможности приложений по автоматизации складского учета.
- •12. Бизнес-процессы торговой организации: виды и их особенности.
- •Раздел 2.
- •13. Суть и особенности online-продаж.
- •14. Online-продажи: безопасность, компоненты, процедура, преимущества и недостатки.
- •15. Основные этапы и особенности открытия и функционирования интернет-магазина в рб.
- •16. Каталоги и интернет-магазины для организации электронных продаж.
- •17. Основные модули и автоматизируемые процессы системы PrestaShop.
- •Раздел 3.
- •19. Логические и функциональные блоки crm-систем и их использование.
- •22. Роль и место crm-систем в erp-системах.
- •23. Использование и особенности e-crm. Типовая функциональная структура.
- •24. Структура и основные функциональные возможности Terrasoft crm.
- •Раздел 4.
- •25. Виды компьютерной графики. Кодирование графической информации.
- •26. Основные инструменты и структура программы Adobe Photoshop. Примеры использования инструментов.
- •27. Flash-технологии – назначение, особенности и составляющие. Типы анимации во Flash.
- •Раздел 5.
- •28. Типовая структура и особенности аналитических информационных систем.
- •29. Понятие и концепция хранилищ данных.
- •30. Модели хранилищ данных и основные компоненты хранилищ данных.
- •31. Технология olap, olap-куб – основные понятия.
- •32. Архитектура olap-систем, таблицы фактов, таблицы измерений. Способы реализации многомерной модели.
- •Раздел 6.
- •33. Понятие, задачи Data Mining и связи с другими дисциплинами.
- •34. Методы Data Mining. Визуальные инструменты Data Mining.
- •35. Проблемы и вопросы Data Mining. Области применения.
- •36. Метод «деревья решений».
- •37. Метод «кластеризации».
- •38. Особенности проектов Data Mining, типовая структура аналитических систем.
- •39. Основные этапы процесса Data Mining, общая схема анализа данных.
- •40. Методы эффективной работы с большими данными для Data Mining.
- •41. Deductor – принципы работы и структура платформы. Возможности взаимодействия с другими системами.
40. Методы эффективной работы с большими данными для Data Mining.
Во многих компаниях, особенно в розничных торговых сетях, аккумулируется огромное количество данных. Для их обработки необходимо использовать специальные механизмы. Не существует универсальных способов анализа и алгоритмов, пригодных для любых случаев и любых объемов информации. Методы анализа данных существенно отличаются друг от друга по производительности, качеству результатов, удобству применения, требованиям к данным.
Способы повышения производительности:
Производительность при обработке больших объемов данных можно повысить различными способами:
-Оборудование. Многопроцессорные системы, ОЗУ большой емкости, RAID-массивы.
-Базы данных: тяжелые СУБД, разбиение на разделы, оптимальное индексирование…
-Аналитическая платформа: параллельная обработка, кэширование данных, комбинирование простых и сложных моделей…
-Исходная информация: репрезентативные выборки, сегментирование данных, группировка…
-Алгоритмы: масштабируемые алгоритмы, комитеты моделей, иерархические модели.
Пропуская через «сито» моделей можно отсеивать информацию, для анализа которой бесполезны сложные алгоритмы. Для этих данных можно применять простые и быстрые методы. Сложные же модели использовать там, где это имеет смысл.
Очень часто оптимальной стратегией анализа является не разработка одной сложной модели, а построение нескольких моделей на разных сегментах данных и последующее объединение их результатов.
Для обработки больших объемов данных нет необходимости перерабатывать всю информацию. Модели можно строить на относительно небольших выборках, а затем применять их ко всему множеству.
41. Deductor – принципы работы и структура платформы. Возможности взаимодействия с другими системами.
В Deductorвключен полный набор инструментов для решения задач прогнозирования, начиная от сбора данных и кончая построением адаптивных моделей. Последовательность работы: выдвижение гипотез – сбор данных – очистка данных – трансформация данных – построение модели – прогноз.
В качестве места хранения данных для прогнозирования лучше всего использовать многомерное хранилище данных – DeductorWarehouse, включенное в состав системы.
Реальные данные очень часто содержать избыточную или некорректную информацию, которую желательно удалить или очистить до загрузки в хранилище.
DeductorStudioсодержит набор инструментов для решения задач очистки данных:
-редактирование аномалий;
-заполнение пропусков;
-очистка от шумов;
-сглаживание;
-поиск дубликатов и противоречий.
Трансформация данных является последним шагом перед построением прогностической модели. На этом шагу данные приводятся к виду, пригодному для использования различных способов построения моделей. В DeductorStudioреализованы следующие способы трансформации:
-преобразование к скользящему окну;
-квантование;
-группировка и сортировка;
-приведение типов.
При прогнозировании необходимо решать задачу регрессии, т.е. предсказать значение непрерывного выходного поля на основе нескольких входных показателей. В Studioвстроены следующие типы моделей:
-пользовательские;
-классические статистические модели;
-линейная регрессия;
-нейронные сети.
После построения прогностической модели можно получить, собственно, сам прогноз.
Состав платформы Deductor
-Warehouse– хранилище данных
-Studio– рабочее место аналитика
-Viewer– рабочее место конечного пользователя
-Server– аналитический сервер
-Client– клиент доступа к аналитическому серверу.
Dеductorлегко интегрируется в любое программное окружение, позволяет извлечь из накопленных в компании данных интересную и практически полезную информацию и трансформировать ее в конкурентные преимущества.
Deductorимеет встроенные механизмы работы со множеством источников и приемников данных, поддерживает практически все популярные форматы:
-txt,csv,xml,html
-офисные приложения
-драйвера прямого доступа ко множеству СУБД
-поддержка ODBCиADO
-1С:Предприятие