Эффективные технологии менеджмента

Рис.1. Визуальное представление импортированных данных

Помимо настройки параметров полей в приложении имеются такие полезные инструменты как фильтрация данных, оценка их качества, заполнение пропущенных значений, редактирование выбросов, выявление дубликатов и противоречий, устранение незначащих факторов, понижение размерности входных данных и другие.

3. С помощью инструмента «Кросс-таблица» была построена сводная таблица, представляющая собой способ отображения многомерных данных на двумерной плоскости (рис.2).

В качестве группировки данных была выбрана группировка по годам.

Рис.2. Кросс – таблица

4. С помощью инструмента «Настройка набора данных» был построен OLAP-куб и кросс-диаграмма (рис.3), представляющие собой наглядный способ отображения сводной таблицы.

170

Рис.3. Кросс – диаграмма

5. С использованием инструмента Data Mining «Корреляционный анализ» системы Deductor была проведена оценка зависимости выходных полей данных от входных факторов.

Вкачестве входных полей были выбраны данные по затратам на технологические инновации. Выходными полями были назначены данные по использованию передовых технологий и количеству патентов, выданных на изобретения и полезные модели.

Вкачестве визуализатора была выбрана матрица корреляции (рис 4), которая показала достаточно сильную зависимость выходных полей от входных данных. Это говорит о том, что при увеличении затрат на технологические инновации повышается уровень инновационной активности субъекта.

Рис.4. Матрица корреляции

6. На основании ранее построенной кросс-таблицы, где в качестве группировки была использована группировка по годам, с помощью инструмента «Кластеризация» был проведен кластерный анализ или автоматическая сегментация входного набора данных.

Кластерный анализ был проведен по всем субъектам для каждого года отдельно, что позволило проследить передвижение каждого отдельного субъекта по кластерам на протяжении исследуемого временного периода (с 2009 по 2013 год).

171

Вданном случае при кластеризации 2009 и 2010 года Челябинская область была отнесена к кластеру №4, характеризующемуся высокими затратами на технологические инновации, но сравнительно низким уровнем по использованию передовых технологий и количеству выданных патентов на изобретения и полезные модели.

Кластеризация 2011 года показала, что теперь Челябинская область находиться в кластере №2, характеризующийся очень высоким уровнем по значениям всех параметров, отстающий только от кластера №1, где находиться лишь г. Москва.

При кластеризации 2012 года Челябинская область была отнесена к кластеру №1 с самым высоким уровнем показателей. В кластере находятся так же г. Москва и г. Санкт-Петербург, Свердловская, Самарская и Нижегородская области.

Кластеризация 2013 года вновь выделила Москву в отдельный лидирующий по всем показателям кластер. Челябинская область была отнесена в третий по уровню показателей кластер №3.

7. Помимо инструмента «Кластеризация», в приложении есть еще инструменты, которые позволяют провести сегментацию входного набора данных. Это «EM кластеризация» (кластеризация алгоритмом ExpectationMaximization), «Кластеризация транзакций» (используется алгоритм CLOPE) и «Карта Кохонена».

При использовании последнего также был проведен кластерный анализ данных. Результатом проведения такого анализа является разбиение объектов на группы (кластеры) с различным уровнем показателей инновационной активности.

Вкачестве визуализатора здесь были выбраны непосредственно сами карты Кохонена (рис.5), где каждому входному полю соответствует своя карта, плюс карта самих кластеров и карта матрицы расстояний.

172

Рис.5. Карты Кохонена

С помощью визуализатора «Связи кластеров» можно понять, какие кластеры сильно похожи друг на друга, а какие различаются (рис.6).

Рис.6. Связи кластеров

Это же можно наблюдать и при помощи матрицы сравнения кластеров

(рис.7).

173

Рис.7. Матрица сравнения

Визуализатор «Профили кластеров» помог понять, какие именно характеристики имели наибольшую значимость при отнесении субъекта к тому или иному кластеру.

8. При помощи инструмента анализа «Нейросеть» и результатов ранее проведенного кластерного анализа была построена нейронная сеть.

Визуально нейронная сеть была представлена с помощью графа нейросети (рис.8).

Рис.8. Граф нейросети

С помощью визуализатора «Таблица сопряженности» можно оценить корректность построенной модели. В данном случае таблица сопряженности показала очень хорошее качество классификации (рис.9).

174

Рис.9. Таблица сопряженности. Качество классификации

С помощью нейронной сети можно проанализировать влияние каждого отдельного фактора на отнесение субъекта РФ к тому или иному кластеру.

Все вышеописанные инструменты и анализы являются далеко не единственными средствами обработки данных в системы Deductor.

Кроме этого система Deductor может быть подключена как BI модуль к любой информационной системе предприятия для анализа накопленной в ней управленческой информации, по результатам которого позволит принимать обоснованные управленческие решения:

поддерживается работа с конфигурациями системы программ 1С: Предприятие;

доступ к множеству баз данных обеспечивается через наиболее быстрые драйвера прямого доступа. Можно импортировать любую таблицу либо написать SQL-запрос для выбора данных;

поддерживаются универсальные драйвера доступа, имеющиеся практически для всех СУБД: ODBC, OLE DB, ADO, dbExpress;

поддерживается обмен данными с такими офисными приложениями,

как MS Excel и MS Access;

импорт и экспорт XML-файлов – универсальный формат хранения структурированных данных и обмена информацией между программами;

175

автоматическое преобразование XML-файлов произвольной структуры. Позволяет обрабатывать любой входной XML-файл и получать нужный результирующий XML-файл.

Таким образом, в работе были продемонстрированы различные инструменты и возможности одной из очень доступных отечественных BI систем Deductor Studio, которые позволили провести интеллектуальный анализ данных основных показателей инновационной активности субъектов Российской Федерации.

Библиографический список

1.Официальный сайт исследовательской и консалтинговой компании Gartner – [Электронный ресурс] – Режим доступа: http://www.gartner.com/technology/home.jsp.

2.Официальный сайт профессионального поставщика программных продуктов и решений в области анализа данных BaseGroup Labs – [Электронный ресурс] – Режим доступа: http://www.basegroup.ru/

3.Портал Федеральной службы государственной статистики. Официальная статистика. Наука, инновации и информационное общество

– [Электронный ресурс] – Режим доступа: http://www.gks.ru/wps/wcm connect/rosstat_main/rosstat/ru/statistics/science_and_innovations/

УДК 004.03

РАЗРАБОТКА И ИСПОЛЬЗОВАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ БИЗНЕСА

А.А. Субботина, Н.В. Мелихова

В статье рассмотрены вопросы разработки экспертной системы и еѐ применения для решения ряда управленческих проблем

Ключевые слова: база данных, база знаний, экспертная система

В наше время невозможно эффективно вести бизнес без использования информационных технологий. Общепризнанным является тот факт, что грамотное применение ИТ делает бизнес более конкурентоспособным, более гибким, позволяет оперативно решать различные управленческие проблемы.

176

В данной статье рассматривается, как, с помощью БД, БЗ и экспертных систем, можно сократить время на обработку заказа клиента и, тем самым, увеличить прибыль.

Начнем с пояснения того, что представляет из себя экспертная система. Типичная статическая ЭС состоит из следующих основных

компонентов (рис.1.):

решателя (интерпретатора);

рабочей памяти (РП), называемой также базой данных (БД);

базы знаний (БЗ);

компонентов приобретения знаний;

объяснительного компонента;

диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Также для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Рис.1. Структура статической ЕС

177

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке ЭС участвуют представители следующих специальностей:

эксперт в проблемной области, задачи которой будет решать ЭС;

инженер по знаниям – специалист по разработке ЭС (используемые им технологию, методы называют технологией (методами) инженерии знаний);

программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в

ЭС знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает ИС (если ИС разрабатывается заново), содержащее в пределе все основные компоненты ЭС, и осуществляет его сопряжение с той средой, в которой оно будет использовано [1].

Экспертная система работает в двух режимах:

приобретение знаний

решение задачи (называемом также режимом консультации или режимом использования ЭС).

В режиме приобретения знаний общение с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭС разработку

178

программ осуществляет не программист, а эксперт (с помощью ЭС), не владеющий программированием.

Врежиме консультации общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к ЭС с целью либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения [2].

Внашей компании база данных на основе экспертной системы (ЭС). Программа должна воспринимать информацию от клиентов, пользователей нашего сайта, и принимать решения, базируясь на имеющихся данных и предпочтениях людей.

Такая система реализуется в компании ООО «Вертикаль-С». Отрасль этой компании заключается в декорирование фасадов зданий и внутренней отделке помещений. Главная проблема нашей компании заключается в том, что затрачивается много времени на оформление заказа.

Реализация экспертной системы поможет решить данную проблему. Поможет избежать задержек в формировании заказов, увеличить их

реализацию, тем самым положительно влияя на бизнес.

На рис2. показан основной вид программы. На первой вкладке вы вводите свои контактные данные, чтобы после оформления заказа с вами могли связаться.

На вкладе «Персональные данные» ЭС обращается к БЗ, где хранится информация о клиентах, которые когда-то обращались в компанию. Если же нет такого клиента, ЭС автоматически вносит его в БД, а потом в БЗ.

179