5317

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Прокопенко Н.Ю.

МЕТОДЫ БИЗНЕС-АНАЛИТИКИ

Учебно-методическое пособие по подготовке к лекциям, практическим занятиям

(включая рекомендации по организации самостоятельной работы),

по выполнению расчетной работы

для обучающихся по дисциплине «Методы бизнес-аналитики» по направлению подготовки 09.04.03 Прикладная информатика

направленность (профиль) Искусственный интеллект в бизнес-аналитике

Нижний Новгород

2023

УДК 004.9

Прокопенко Н.Ю. / Методы бизнес-аналитики: учебно-методическое пособие / Н.Ю. Прокопенко; Нижегородский государственный архитектурно-строительный университет – Нижний Новгород: ННГАСУ, 2023. – 20 с.– Текст: электронный.

В настоящем учебно-методическом пособии по дисциплине «Методы бизнес-аналитики» даются конкретные рекомендации учащимся для освоения как основного, так и дополнительного материала дисциплины и тем самым способствующие достижению целей, обозначенных в учебной программе дисциплины. Цель учебно-методического пособия – это помощь в усвоении лекций, в подготовке к практическим занятиям, а также в написании расчетной работы.

Учебно-методическое пособие предназначено для обучающихся в ННГАСУ по дисциплине «Методы бизнес-аналитики» по направлению подготовки 09.04.03 Прикладная информатика, направленность (профиль) Искусственный интеллект в бизнес-аналитике.

© Н.Ю. Прокопенко, 2023

© ННГАСУ, 2023

2

1. Общие положения

. 1.1 Цели изучения дисциплины и результаты обучения

Основной целью освоения учебной дисциплины «Методы бизнес-аналитики» является достижение результатов обучения, предусмотренных установленным в ОПОП индикаторами достижения компетенций.

Целями освоения данной учебной дисциплины являются формирование четкого представления о месте и роли современной технологии обработки данных - интеллектуального анализа данных (Data Mining) в решении актуальных управленческих задач, изучение сложившейся в этой области терминологии, освоение системных научных подходов к подготовке

ианализу больших массивов данных.

Впроцессе освоения дисциплины студент должен Знать:

основные принципы информационной бизнес-аналитики;

современные технологии преобразования данных: ETL, OLTP, OLAP, KDD, Data Mining;

основные методы количественных и качественных исследований больших массивов разнородных ретроспективных бизнес-данных;

программное обеспечение в области анализа данных;

принципы проектирования и архитектуру хранилищ данных в Deductor Warehouse;

основные модели Data mining (деревья решений, ассоциативные правила, кластеризация;

искусственные нейронные сети), алгоритмы формирования моделей;

методы принятия решений на основе эвристических предпочтений лиц,

принимающих решения.

Уметь:

описать данные, провести аудит, понять их структуру, анализировать данные предметной области с помощью АП Loginom;

создавать новое хранилище данных (ХД) с заданной структурой. Создавать сценарии загрузки в ХД;

настраивать отчеты; проводит проверку данных на пропуски, дубликаты, противоречия и аномалии;

решать задачи классификации, кластеризации, регрессии; проводить сравнение моделей оценку их эффективности;

писать научно-аналитические статьи по бизнес-анализу в своей предметной области на

основе АП Loginom.

Владеть:

методами анализа, навыками организации исследований, навыками обоснованных рассуждений;

навыками применения базовых методов и моделей Data Mining;

навыками работы в АП Loginom.

Данная дисциплина позволит магистрантам не только систематизировать полученные теоретические знания, укрепить исследовательские навыки, но и даст возможность ориентироваться в новом предметном поле экономической информатики.

. 1.2 Содержание дисциплины

1 Теория бизнес-анализа. Технологии анализа данных.

Сферы применения анализа данных. Этапы анализа данных. Подготовка данных к анализу.

Аналитические платформы.

2Хранилища данных. Визуализация данных. Оперативная аналитическая обработка данных OLAP.

Аналитическая отчетность и многомерное представление данных On-line Analytical Processing (OLAP). Проектирование и реализация хранилищ данных. Визуализация данных и манипуляция с данными на основе графического изображения (диаграммы, гистограммы, OLAP-

кубы).

3 Data Mining: классификация и регрессия

Методы кластерного анализа. Анализ и прогнозирование временных рядов. Автоматизация получения и сравнения прогнозов.

4 Ансамбли моделей.

Сравнение моделей. Виды ансамблей моделей. Методы комбинирования результатов.

Алгоритмы формирования моделей. Оценка эффективности и сравнение моделей.

. 1.3 Вспомогательная литература для изучения дисциплины

Для освоения дисциплины обучающийся может использовать печатные и электронные издания и методические материалы, имеющиеся в библиотеке ННГАСУ и/или размещённые в электронных библиотечных системах (ЭБС), предоставляющих право использования изданий на основании договорных отношений с университетом, а также иные общедоступные ресурсы сети

«Интернет».

5

Печатные и электронные издания

1. Бендерская О. Б.. Бизнес-аналитика : Учебное пособие. / Бендерская О. Б. ; О. Б. Бендерская. –

Белгород : Белгородский государственный технологический университет им. В.Г. Шухова, ЭБС АСВ, 2017. – 162 с. – URL: URL: http://www.iprbookshop.ru/92242.html. – ISBN ISBN 2227-8397.

2. Кугаевских А. В.. Проектирование информационных систем. Системная и бизнес-аналитика :

Учебное пособие. / Кугаевских А. В. ; А. В. Кугаевских. – Новосибирск : Новосибирский государственный технический университет, 2018. – 256 с. – URL: URL: http://www.iprbookshop.ru/91689.html. – ISBN ISBN 978-5-7782-3608-0.

3.Аналитика и контроль / Уральский федеральный университет. – URL: URL: http://www.iprbookshop.ru/72281.html. – ISBN ISBN 2073-1442.

4.Аналитика и логика : учебно-методическое пособие. / Махов, С. Ю. ; сост. С. Ю. Махов. – Орел

: Межрегиональная Академия безопасности и выживания (МАБИВ), 2019. – 203 с. – URL: URL:

http://www.iprbookshop.ru/95394.html. – ISBN ISBN 2227-8397.

Методические материалы по дисциплине

1. Прокопенко Наталья Юрьевна. Методы бизнес-аналитики : учеб.-метод. пособие по подгот. к

лекциям, практ. занятиям (включая рекомендации по орг. самостоят. работы) для обучающихся по дисциплине "Методы бизнес-аналитики" по направлению подгот. 09.04.03 Приклад. информатика,

профиль Приклад. информатика в аналит. экономике. / Прокопенко Наталья Юрьевна ; Нижегор.

гос. архит.-строит. ун-т. – Нижний Новгород : ННГАСУ, 2016. – 1 CD ROM. – URL: URL: http://catalog.nngasu.ru/MarcWeb2/.

2. Методические указания по подготовке к лекциям

. 2.1 Общие рекомендации по работе на лекциях

Лекция является главным звеном дидактического цикла обучения. Ее цель – формирование основы для последующего усвоения учебного материала. В ходе лекции преподаватель в устной форме, а также с помощью презентаций передает обучаемым знания по основным,

фундаментальным вопросам изучаемой дисциплины.

Назначение лекции состоит в том, чтобы доходчиво изложить основные положения изучаемой дисциплины, ориентировать на наиболее важные вопросы учебной дисциплины и оказать помощь в овладении необходимых знаний и применения их на практике.

6

При подготовке к лекционным занятиям студенты должны ознакомиться с презентаций,

предлагаемой преподавателем, отметить непонятные термины и положения, подготовить вопросы с целью уточнения правильности понимания. Рекомендуется приходить на лекцию подготовленным, так как в этом случае лекция может быть проведена в интерактивном режиме,

что способствует повышению эффективности лекционных занятий.

. 2.2 Общие рекомендации при работе с конспектом лекций

В ходе лекционных занятий необходимо вести конспектирование учебного материала.

Конспект помогает внимательно слушать, лучше запоминать в процессе осмысленного записывания, обеспечивает наличие опорных материалов при подготовке к семинару, зачету,

экзамену.

Полезно оставить в рабочих конспектах поля, на которых делать пометки из рекомендованной литературы, дополняющие материал прослушанной лекции, а также подчеркивающие особую важность тех или иных теоретических положений.

В случае неясности по тем или иным вопросам необходимо задавать преподавателю уточняющие вопросы. Следует ясно понимать, что отсутствие вопросов без обсуждения означает в большинстве случаев неусвоенность материала дисциплины.

. 2.3 Контрольные вопросы

1.Особенности бизнес-данных, накопленных в компаниях. Современные методы анализа данных. Обнаружение логических закономерностей в данных.

2.Типология данных в бизнес-аналитике. Задачи и методы предварительного анализа

данных.

3.Оценка качества данных. Технологии и методы оценки качества данных. Аудит данных.

4.Математические методы стратегического анализа рынков.

5.Кластерный анализ. Постановка задачи. Меры близости. Классификация алгоритмов.

Метод к-средних.

6. Классификационные деревья: определение и методы построения. Матрица ошибок.

Матрица потерь, априорные вероятности.

7. Регрессионные деревья: определение и методы построения.

Методы оценки эффективности и точности регрессионных моделей.

8. Декомпозиция рядов значений показателей хозяйственной деятельности. Основные

предположения. Трендовая, сезонная, циклическая и нерегулярная компоненты.

7

9.Прогнозирование объема продаж по тренду с учетом сезонной компоненты. Понятие и показатели качества.

10.Модели прогнозирования временных рядов. Применение нейросетей для прогнозирования.

11.Построение и анализ аддитивных и мультипликативных моделей

стоимостных показателей продукции.

12.Основные понятия теории ассоциативных правил. Как определяются поддержка и достоверность, и какова их роль в процессе поиска ассоциативных правил? Чем определяется значимость и полезность ассоциативных правил, и какими показателями она характеризуется?

13.Каковы цели и задачи визуализации данных в аналитических технологиях. Какие средства визуализации данных относят к визуализаторам общего назначения. Какова структура

OLAP-куба.

14.В чем заключается OLAP-анализ и каковы его цели. Требования к OLAP-системам. (принципы, FASMI-тест).

15.Основные этапы методики Knowledge Discovery in Databases (KDD).

16.Определение Data Mining .Какие существуют алгоритмы Data Mining.

17.Определение хранилища данных. Принципы ХД. Их отличия от реляционных баз данных. Архитектуры хранилищ данных.

18.Виды ансамблей моделей. Методы комбинирования результатов. Алгоритмы формирования моделей.

19.Цели и задачи трансформации на разных этапах аналитического процесса.

20.Основные задачи ETL-процесса. Какие типичные операции выполняются при преобразовании данных в ETL.

21.Этапы процесса KDD для извлечения знаний из массивов данных. Машинное обучение и классы задач Data Mining. Причины популярности KDD и Data Mining и история развития технологий.

22.Предпосылки появления ХД. Основные требования к ХД. Задачи, решаемые ХД.

23.Детализированные и агрегированные данные, метаданные. Многомерное представление данных и многомерный куб, MOLAP. Измерения и факты; операции с многомерным кубом. ROLAP, схемы "звезда" и снежинка". HOLAP, преимущества и недостатки гибридной архитектуры ХД.

24.Витрины данных. Концепция виртуальных хранилищ данных.

8

3. Методические указания по подготовке к практическим занятиям

. 3.1 Общие рекомендации по подготовке к практическим занятиям

В ходе подготовки к практическим занятиям необходимо изучать основную литературу,

познакомиться с дополнительной литературой. При этом необходимо учесть рекомендации преподавателя и требования учебной программы.

В соответствии с этими рекомендациями и подготовкой полезно дорабатывать свои конспекты лекции, делая в нем соответствующие записи из литературы, рекомендованной преподавателем и предусмотренной учебной программой. Целесообразно также подготовить тезисы для возможных выступлений по всем учебным вопросам, выносимым на практическое занятие.

При подготовке к занятиям можно также подготовить краткие конспекты по вопросам темы.

Очень эффективным приемом является составление схем и презентаций.

Готовясь к докладу или реферативному сообщению, желательно обращаться за методической помощью к преподавателю. Составить план-конспект своего выступления. Продумать примеры с целью обеспечения тесной связи изучаемой теории с реальной жизнью. Своевременное и качественное выполнение самостоятельной работы базируется на соблюдении настоящих рекомендаций и изучении рекомендованной литературы.

. 3.2 Примеры задач для практических занятий

Задача 1.

Для бизнес-данных: отгрузка, закупка и приход товара нужно: спроектировать структуру хранилища данных компании (схема «снежинка»); наполнить хранилище предоставленными данными (используйте АП Deductor Academic); разработать регламент пополнения хранилища и контроль непротиворечивости содержащихся в нем данных.

Задача 2.

Разработать систему аналитической отчетности в АП Deductor на основе выгрузки данных из хранилища данных.

Задача 3.

Проанализировать возможности метода когнитивных карт применительно к задаче

«информационная безопасность Вуза», построить когнитивную карту и дать с её помощью рекомендации.

9

Задача 4.

1. Компания, владеющая небольшой аптечной сетью, занимается розничной продажей лекарственных препаратов. Руководство компании приняло решение о внедрении системы аналитической OLAP-отчетности, в которое интересует информация о динамике продаж,

загруженности торговых точек, самых продаваемых товарах в различных разрезах. Так как существующая учетная система испытывает нагрузки (компания постоянно расширяет свою сеть).

решено создать единый консолидированный источник – хранилище данных, которое послужит базой для OLAP-отчетности.

Предварительно программисты компании создали процедуру выгрузки данных из учетной системы в структурированные текстовые файлы (в качестве пробы сформирована база данных за несколько месяцев). Требуется:

спроектировать структуру реляционного хранилища данных (ХД);

наполнить ХД первичной информацией;

разработать процедуры пополнения ХД и контроль непротиворечивости содержащихся в нем данных;

предложить набор OLAP-отчетов.

Исходные данные представлены в четырех файлах: Группы товаров.txt, Товары.txt,

Отделы.txt, Продажи.txt.

Задача 5.

Постройте многомерный отчет и кросс-диаграмму распределения заемщиков:

А) по возрастным группам Б) по целям кредитования;

В) по целям кредитования и полу заемщика Г) по целям кредитования и должностям

2.Постройте многомерный отчет и кросс-диаграмму возрастных групп, на которые приходится 50% выдаваемых кредитов

3.С помощью самоорганизующихся карт произвести сегментацию заемщиков на кластеры.

Дайте каждому сегменту заемщиков название и проинтерпретируйте результаты сегментации.

4. Постройте несколько моделей деревьев решений при различных настройках, а

также отдельные деревья решений для заемщиков, состоящих и не состоящий в браке.

10