Лабораторная работа № 11
«Система бизнес – интеллекта»
(2 часа)
Цель работы: приобрести навыки построения сценариев принятия управленческих решений, используя инструментарий интеллектуальной платформы Deductor Academic.
Теоретические сведения
Одним из наиболее эффективных инструментов, позволяющих решать задачи принятия решения в сжатые сроки в условиях сложной, многофакторной модели современного предприятия, являются системы бизнес – интеллекта (Business Intelligence, BI), основанные на технологиях моделирования ситуации, поведения объектов и визуализации их деятельности и представляющие собой верхний уровень системы управления.
BI – системы универсальны и применяются для решения широкого круга задач:
описание профилей клиентов;
анализ набора потребительских товаров и услуг, приобретаемых на рынке;
анализ контактов с клиентами;
принятие решений в кредитовании;
доходность продукта;
динамика товарно-материальных запасов;
определение риска, связанного с формами управления предприятием.
Функции BI включают поддержку принятия решений, запросы и отчетность, оперативную аналитическую обработку, статистический анализ, моделирование, прогнозирование, количественный анализ, инструменты Data Mining.
Для создания законченных аналитических решений в сфере финансов, страховании, торговле, телекоммуникациях, промышленности, медицине, логистике, маркетинге и других областях используется интеллектуальная платформа Deductor Academic, реализующая функции импорта, обработки, визуализации и экспорта данных.
Последовательность действий, которые необходимо провести для анализа данных и принятия решения, называется сценарием. Cкрипты сценария предназначены для автоматизации процесса добавления в сценарий однотипных ветвей обработки.
Входную информацию для решения задач в Deductor Academic можно получить из текстового файла и хранилища данных. Для этого на стадии импорта необходимо определить назначение полей данных:
Ключ
– ключевое
поле для связи таблиц в базе данных;
Входное
– входное
поле обработчика;
Выходное
– выходное
поле обработчика;
Информационное
– поле
содержит вспомогательную информацию;
Измерение
– поле будет
использоваться в качестве измерения в
многомерной модели данных;
Факт
– значения
поля будут использованы в качестве
фактов в многомерной модели данных;
Атрибут
– поле
содержит описание свойств или параметров
некоторого объекта;
Транзакция
– поле,
содержащее идентификатор событий,
происходящих совместно.
Элемент
– поле,
содержащее элемент транзакции.
В Deductor Academic реализованы следующие инструменты обработки данных:
очистка (парциальная обработка, факторный анализ, корреляционный анализ, механизм выявления дубликатов и противоречий, фильтрация данных);
трансформация данных (скользящее окно, квантование, сортировка, слияние, замена данных, группировка данных);
Data Mining (прогнозирование, автокорреляция, линейная регрессия, логистическая регрессия, нейронная сеть, дерево решений, самоорганизующиеся карты Кохонена, ассоциативные правила, пользовательская модель).
Data Mining – это технология выявления скрытых взаимосвязей (знаний) внутри больших баз данных. Наиболее используемые инструменты обработки данных для решения задач в прикладных областях – Деревья решений и Нейронные сети.
Деревья решений – это способ представления правил (логическая конструкция, представленная в виде «ЕСЛИ… ТО…») в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Деревья решений успешно применяются для решения задач в таких областях, как банковское дело, промышленность, медицина, молекулярная биология и др. Все задачи, решаемые с помощью деревьев решений, объединяются в три класса:
описание данных – вместо больших массивов информации данные хранятся в компактной форме.
классификация – отнесение объектов к одному из заранее известных классов.
регрессия – установление зависимости целевой (выходной) переменной от независимых (входных) переменных.
Нейронные сети – это распределенные и параллельные системы, способные к адаптивному обучению путем реакции на положительные и отрицательные воздействия. Структура нейронной сети состоит из нескольких слоев: входной, внутренние (скрытые) и выходной. Входной слой реализует связь с входными данными, выходной – с выходными. Внутренних слоев, которые содержат связанные нейроны, может быть несколько. Любое изменение входов нейронной сети ведет к изменению ее выходов. Если нейронная сеть используется для прогнозирования, то ее обучают. По обучающей выборке нейронная сеть сама находит зависимости выходных полей от входных.
Нейронные сети используются для решения следующих задач: классификация образов; кластеризация; прогнозирование; оптимизация; управление.
Для удобного способа представления данных (OLAP, диаграммы, деревья решения) следует использовать Мастер визуализации.
Экспорт данных осуществляется в текстовый файл и хранилище данных.
Рекомендуеиые интернет ресурсы
Deductor / BaseGroup Labs [Электронный ресурс]. – Режим доступа: http://basegroup.ru/ deductor/. – Дата доступа: 25.02.2009г.