29. Бизнес-аналитика для поддержки принятия решений в информационной экономике

31. Анализ данных – исслед-ния, связанные с обсчетом многомерной системы данных, имеющих множество параметров. АД это не только обработка инфо, но и ср-во проверки гипотез и решения задач исслед-ля. Анализ проводят аналитики и эксперты.

Под термином Принятие решений(ПР) понимают множество видов деят-ти. Нпр, определение и структуризация проблемы. Оценка и предложение разл.вариантов. Хорошие решения основаны на систематической аргументации и точной инфо дают позитивный результат и конкурентное преимущ-во фирмы. Необх-ть принимать ршения быстро, а также потребность в координации деят-ти фирмы дали толчок развитию ряда технологий облегчающих принятие решений от БД до СППР и программ искусственного интелекта.

Информац.экономика – экономика знаний, основанная на знаниях в кот. большая часть ВВП обеспечивается работой с информацией.

Бизнес-аналитика предназначается для анализа определ.вида бизнеса-процесса (непрерывное производство, розничный бизнес, управление проектами и т.п.) или круга задач для бизнеса (маркетинг, управление запасами, бюджетирование и т.д.). Она вкл. в себя различные методики и средства для автоматизации, которые по сути своей вспомогательные и служат для поддержки принятия решений.

Поддержка принятия решений - это, как правило, компьютерная автоматизированная система, целью которой является помощь принимающим решение руководителям в сложных для анализа областях и сферах деятельности. Поддержка принятия решений на современном предприятии является ключевым процессом развития бизнеса. Для обеспечения процесса поддержки принятия решений необходимо своевременно представлять руководителям полную и достоверную информацию, как о текущем состоянии дел, так и о возможностях в будущем. Такая информация должна быть наиболее актуальной и сбалансированной.

32. Современные технологии анализа данных в бизнесе: Data Mining – интеллектуальный анализ данных

KDD - методика извлечения знаний из баз данных; - процесс получения из данных знаний в виде зависимости правил, моделей, состоящих из последовательных действий.

DM – «добыча» данных – обнаружение сырых данных ранее неизвестных, не тривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в разл.сферах человеческой деят-ти. Знания должны описывать новые связи между св-вами.

Задачи: 1) классификация – отнесение объектов к одному из известных классов; 2) регрессия – установление функц-ной зависимости между входными и непрерывными выходными переменными; 3) кластеризация – группировка объектов на основе данных, описывающих сущность объектов; 4) ассоциация – выявление зависимости между связанными событиями, указыв-щих, что из события х следует событие у; 5) последовательные шаблоны – установление законом-тей между связанными во времени событиями.

Наибольшее распространение получили методы решения разл.классов, задач: самообучающиеся методы, методы машинного обучения (нейронные сети, ассоциативные правила).

ИАД (Data Mining) - это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, кот.м.б. охаракт-на как знания.

В общем случае процесс ИАД состоит из трёх стадий [19] (рис. 6):

1) выявление закономерностей (свободный поиск);

2) использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование);

3) анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях.

Иногда в явном виде выделяют промежуточную стадию проверки достоверности найденных закономерностей между их нахождением и использованием (стадия валидации).

Все методы ИАД подраздел. на 2 большие группы по принципу работы с исходными обучающими данными. 1) исходные данные могут храниться в явном детализированном виде и непоср-но использ-ться для прогностического моделирования и/или анализа исключений.Главной проблемой этой группы методов явл.затрудненность их использования на больших объемах данных, хотя именно при анализе больших хранилищ данных методы ИАД приносят наибольшую пользу. 2) инфо-ция вначале извлекается из первичных данных и преобразуется в некоторые формальные конструкции. Этот этап выполняется на стадии свободного поиска, кот. у методов первой группы в принципе отсутствует. Т.о., для прогностического моделирования и анализа исключений использ. результаты этой стадии, кот.гораздо более компактны, чем сами массивы исх-ных данных.