Статистические пакеты и их использование в менеджменте

Размещено на http://www.allbest.ru/

1. Статистические пакеты и их использование в менеджменте

Как уже отмечалось, международный рынок насчитывает > 1000 пакетов, решающих задачи статистического анализа данных в среде операционных систем Windows, DOS, OS/2. Как ориентироваться в этом многообразии, если даже справочники, содержащие только краткие описания пакетов, представляют из себя объёмные тома?

Большую часть статистических пакетов можно разбить на две группы - это статистические пакеты общего назначения и специализированные программные продукты.

Универсальные пакеты - отсутствие прямой ориентации на специфическую предметную область, предлагают широкий диапазон статистических методов. В них отсутствует ориентация на конкретную предметную область. Они обладают дружественным интерфейсом. Из зарубежных универсальных пакетов наиболее распространены BAS, SPSS, Systat, Minilab, Statgraphics, STATISTICA.

Специализированные пакеты - как правило, реализуют несколько статистических методов или методы, применяемые в конкретной предметной области. Чаще всего это системы, ориентированные на анализ временных рядов, корреляционно-регресионный, факторный или кластерный анализ. Применять такие пакеты целесообразно в тех случаях, когда требуется систематически решать задачи из этой области, для которой предназначен специализированный пакет, а возможностей пакетов общего назначения недостаточно. Из российских пакетов более известны STADIA, Олимп, Класс-Мастер, КВАЗАР, Статистик-Консультант; американские пакеты - ODA, WinSTAT, Statit и т.д.

Требования к СПП.

Статистический пакет в идеале должен удовлетворять определенным требованиям:

модульность;

ассистирование при выборе способа обработки данных;

использование простого проблемно-ориентированного языка для формулировки задания пользователя;

автоматическая организация процесса обработки данных и связей с модулями пакета;

ведение банка данных пользователя и составление отчета о результатах проделанного анализа;

диалоговый режим работы пользователя с пакетом;

совместимость с другим программным обеспечением.

Следует заметить, что развитие СПП обычно идет поэтапно, на каждом из них создается вариант пакета, все в большей степени удовлетворяющий перечисленным выше требованиям. При этом если создание есть результат разработки, то на каждом этапе пакет, с одной стороны, должен представлять собой готовую к использованию программную продукцию, а с другой - входить составной частью в более поздние стадии развития пакета.

Как выбрать подходящий статистический программный продукт (СПП)? Какими критериями следует руководствоваться при сравнении различных СПП? Можно ли оценить степень соответствия цены СПП его потребительским свойствам? Ниже излагается методика сравнительного, позволяющая такой продукт правильно выбрать и в дальнейшем эффективно использовать.

Существующая классификация статистических пакетов предлагает делить их на четыре группы:

интегрированные методо-ориентированные пакеты общего назначения;

специализированные методо-ориентированные пакеты;

предметно- (или проблемно-) ориентированные пакеты;

обучающие программы.

Ввиду того, что в настоящее время стали очень популярны статистические методы обработки данных, соответствующие средства стали включаться в табличные процессоры общего назначения (например, в Еxcеl, Lоtus 1-2-3 и т.д.), а также в некоторые базы данных.

Статистические пакеты (SРSS,SAS,BMDР и т.д.) имеют следующие возможности:

Позволяют обрабатывать гигантские объемы данных.

Включают средства описания задач на встроенном языке.

Дают возможность построения на их основе систем обработки информации для целых предприятий.

Позволяют проводить узкоспециальные методы анализа.

Выбор статистического пакета для анализа данных зависит от характера решаемых задач, объема и специфики обрабатываемых данных, квалификации пользователей, имеющегося оборудования и т.д.

Возможности пакета SAS.

Для пользователей, имеющих дело со сверхбольшими объемами данных или узкоспециальными методами анализа, пока нет альтернативы использованию профессиональных западных пакетов. Среди пакетов такого рода наибольшими возможностями обладает пакет SAS.

Объемы обрабатываемых данных в пакете SРSS ограничиваются только величиной памяти вашего компьютера. Этот пакет также весьма удобен для работы с данными сложной структуры, когда необходимо делать их всевозможные срезы, как, например, в комплексном социологическом исследовании.

Следует отметить, что продвижение западных продуктов в российской аудитории наталкивается на ряд ограничений в связи с неадекватностью культурно-исторической ситуации.

Большинство из таких статистических пакетов имеют следующие недостатки:

Требуют наличие профессиональных навыков и высокой квалификации, широкого первоначального статистического образования, доступной литературы и консультационных служб. Поэтому они содержат мало экранных подсказок и требуют внимательного изучения документации на английском языке.

Представляют сложности для быстрого освоения и использования.

Отсутствие подробной документации, доступной для начинающих и информативной для специалистов-статистиков (исключение SPSS).

Требуют больших финансовых затрат, так как немаловажное значение имеет цена пакета. Профессиональные западные статистические пакеты (SРSS,SAS,BMDР и т.д.) обычно стоят от 1 до 10 тыс. долларов и более. Мало кто готов заплатить такие деньги.

Описание универсальных статистических пакетов

Пакет SРSS - универсальный статистический пакет фирмы SРSS Inc. (СА). Версии системы SРSS существуют для различных платформ - Windows, ОS/2, Macintоsh, UNIX, и др. Все они совместимы между собой по принципу работы, командному языку и форматам фалов. Версия SРSS для Windows продолжает сохранять позиции лидирующего статистического пакета в мире. В России сейчас распространяется 11 версия SРSS для Windows на англ. языке и версия 10.1 на русском языке. Большая часть обширной документации переведена на русский язык.

Пакет SРSS предлагает удобные возможности управления данными, широкий спектр статистических функций, интегрированных графиков и отчетов. SРSS является модульной программой. Базовая система SРSS Ваsе предоставляет пользователям возможности для преобразования данных, функции работы с файлами, описательную статистику, дисперсионный анализ, корреляцию, линейную регрессию, средства построения графиков и подготовки отчетов и др. Дополнительные модули пакета включают: анализ и конструирование таблиц, анализ временных рядов, анализ категорий, методы углубленного и расширенного статистического анализа и др. Документация к системе SРSS признана лучшей для систем подобного типа и может использоваться в качестве доступного учебника по прикладной статистике.

Пакет STATISTICA - универсальный статистический пакет фирмы StatSоft, Inc. Пакет был создан в начале 1990-х годов сразу для среды Windows. В пакете нашли отражение многие последние достижения теоретической и прикладной статистики. В настоящее время в России распространяется версия 5.5 этого пакета на русском языке с русской документацией и версия 6.0 на английском языке.

У пакета есть специальная версия для обучения основам статистических методов - Studеnt Еditiоn оf STATISTICA. Эта версия позволяет анализировать файлы данных, включающих не более 400 наблюдений, и представляет собой урезанный вариант пакета.

Основная версия пакета может дополнительно комплектоваться специализированными модулями: Роwеr Analysis (планирование статистических исследовании), Nеural Nеtwоrks (нейросетевой анализ) и др.

Помимо общих статистических и графических средств в системе имеются специализированные модули, например, для проведения социологических или биомедицинских исследований, решения технических и, что очень важно, промышленных задач: карты контроля качества, анализ процессов и планирование эксперимента. Работа со всеми модулями происходит в рамках единого программного пакета, для которого можно выбирать один из нескольких предложенных интерфейсов пользователя.

С помощью реализованных в системе STATISTICA мощных языков программирования, снабженных специальными средствами поддержки, легко создаются законченные пользовательские решения и встраиваются в различные другие приложения или вычислительные среды. Очень трудно представить себе, что кому-то могут понадобиться абсолютно все статистические процедуры и методы визуализации, имеющиеся в системе STATISTICA, однако опыт многих людей, успешно работающих с пакетом, свидетельствует о том, что возможность доступа к новым, нетрадиционным методам анализа данных помогает находить новые способы проверки рабочих гипотез и исследования данных.

Пакет STATGRAРHICS - универсальный, многопрофильный пакет с хорошо методически продуманным меню-ориентированным интерфейсом пользователя. DОS версии этого пакета, по-видимому, были самыми распространенными в России из западных статистических пакетов.

В настоящее время распространяется версия STATGRAРHICS Рlus Vеrsiоn 5 для среды Windows. Пакет не русифицирован и его документация не переведена на русский язык. Однако работа пакета хорошо разобрана на примерах.

Среди математического программного обеспечения, несомненно, есть свои лидеры. К ним смело можно отнести такие программные продукты как Statistica, Mathematica, MatLab и др.

Но в настоящее время на 1вом месте стоит STATISTICA. На этот раз получает высочайшую оценку, в обзорной статье Кевина Аэрна, опубликованной в широко известном и признанном в научных кругах журнале SCIENCE. Автор называет систему STATISTICA лучшим программным пакетом среди подобных продуктов, представленных на рынке программного обеспечения, и образно характеризует ее как "карнавал статистических методов". Он пишет: "STATISTICA сохраняет ведущее положение среди стандартизованных статистических программных продуктов", и далее: "Возникает вполне резонный вопрос, стоит ли платить почти тысячу долларов за функции системы, которые доступны в менее удобных, но зато менее дорогих программах... Ответ на него очевиден, если принять во внимание высокое качество и эффективность программы". Далее автор делает еще один комплимент системе STATISTICA: "В методических разделах статей многие авторы дают ссылки на систему STATISTICA, поскольку она удовлетворяет самым высоким стандартам, обеспечивает высокую точность вычислений и содержит тщательно продуманную организацию вывода".

2. ЭСС нейросетевых вычислений

В последнее время стало очевидным, что осознанные знания являются лишь небольшой частью общего объема знаний, которыми оперирует человек в своей повседневной жизни. Существует огромное число операций, которые выполняются им полусознательно или вообще неосознанно. Например, человеку трудно объяснить, как он выделяет знакомое лицо или знакомую мелодию среди других. Классические модели оказываются в данном случае совершенно бесполезными, ибо предполагают наличие четко или нечетко сформулированных правил. В результате появившихся новых требований возникает иной подход к созданию ЭСС, получивший название эволюционный.

В отличие от дедуктивных ЭСС (первый класс) данный подход ориентирован на индуктивное обобщение и вывод. В основе построения систем индуктивного характера лежат нейросетевые технологии. Искусственная нейросеть предназначена главным образом для того, чтобы на основе анализа большого объема информации, отражающей частные случаи какого-либо явления, выявить общие закономерности, которые, в свою очередь, затем могут быть использованы для распознавания новых частных случаев. Таким образом снимается проблема моделирования бессознательных актов распознавания ситуаций, образов, цветов и т.д. Нейросеть рассматривается в качестве «черного ящика», о котором лишь известно: вход, выход и некоторые другие внешние параметры.

Все операции по распознаванию, сравнению и обработке информации нейросеть выполняет, не прибегая к переводу образов в цифровой код.

В чем состоит принципиальное отличие ЭСС эволюционного характера от расчетных ЭСС и систем приближенных рассуждений? Для объяснения обратимся к задаче корреляционно-регрессионного анализа, которая формулируется таким образом: величина Y зависит от факторов X1, X2,…, Xn. Требуется найти вид этой зависимости с помощью статистических наблюдений, представленных следующим образом:

Расчетные ЭСС решают данную задачу исходя из следующих предположений, носящих упрощающий и искусственный характер:

Между параметрами X1, X2,…, Xn отсутствует какая-либо зависимость. Между тем гипотеза о взаимной независимости параметров не имеет под собой реальной основы. В экономике не существует показателей, изменение которых не отражается на изменении других.

Заранее предполагается, что вид искомой зависимости может быть либо линейный, либо логарифмический, либо его можно представить с помощью многочлена в определенной степени. Все, что не умещается в данную идеализацию, отбрасывается.

Главный же недостаток корреляционно-регрессионного анализа состоит в статичности выделенной математической модели. В реальной обстановке изменение ситуации требует динамичного изменения вида уравнения, описывающего связи между факторами. Выполнить это довольно сложно. Естественным при этом выглядит метод, который не требует априорной спецификации модели и обеспечивает ее быструю модификацию без существенных затрат.

ЭСС, построенные на основе нейросетей, свободны от перечисленных недостатков, так как способны воспроизводить сложные зависимости. Сформированная выше задача корреляционно-регрессионного характера в данном случае рассматривается иначе. Сначала формулируются величина Y и набор значений факторов Х1, Х2 ..., Хn, от изменения которых зависит значение Y. Далее:

Готовится набор обучающих примеров в виде Х1, Х2 ..., Хn, Y, по которым нейросеть должна найти искомую зависимость.

Набор примеров предъявляется нейросети последовательно. Вначале на вход поступают значения x1, x2, …, xny1, на основе которых формируется исходная зависимость. На основе этой зависимости вычисляется новое значение, которое сравнивается со значением у1, что позволяет определить ошибку. Алгоритм обучения корректирует полученную зависимость для того, чтобы уменьшить ошибку моделирования зависимости. Процесс повторяется до тех пор, пока суммарная ошибка в реакции сети на всех предъявленных примерах не станет меньше заданной.

Полученная искомая зависимость может быть сколь угодно сложной: линейной или нелинейной. Кроме того, ЭСС, создаваемые на основе нейросетей, в отличие от предыдущих позволяют использовать зашумленные, противоречивые и обрывочные знания, распознавать пространственные отношения. Вместе с тем в отличие от ЭСС, воспроизводящих явно сформулированные экспертом детерминированные связи, нейросеть не способна объяснить свои результаты. Здесь она выступает в виде «черного ящика», в котором каким-то образом представлена зависимость между факторами прогнозируемого явления. Возможно лишь выявление значимости отдельных параметров, влияющих на конечный результат с помощью специального анализа результатов работы нейросети.

ЭСС, функционирующая на основе нейросети. Система состоит из ряда блоков, основным из которых является нейросеть. Рассмотрим функции этих блоков.

Нейросеть состоит из нейронов, распределяемых по слоям. Входной слой служит лишь для приема и ретрансляции входных сигналов на нейроны скрытого слоя. В скрытых слоях происходит основное нелинейное преобразование входных сигналов. Выходной слой обеспечивает нелинейное преобразование информации, полученной из последнего скрытого слоя.

Имитация работы естественного нейрона искусственным основывается на ряде правил:

Каждый нейрон получает набор входных сигналов (синапсов).

Нейрон интегрирует входные (синаптические) сигналы с учетом их неравнозначности, так как каждый входной сигнал характеризуется своим синаптическим весом (весовым коэффициентом).

Нейрон формирует выходной сигнал, интенсивность которого зависит от значения интегрированного значения входного показателя. Если этот показатель выше заданного порога, то выходной сигнал поступает далее на входы других нейронов.

Рис. 1 - Сеть, содержащая один скрытый слой нейронов

Нейронная сеть позволяет достаточно точно моделировать бессознательные мыслительные процессы, что недоступно ЭСС иных классов.

Блок анализа примеров для обучения необходим для того, чтобы выделить определяющие факторы Х1, Х2 ..., Хn на прогнозируемую величину У. Если факторов слишком мало или слишком много, то построение адекватной зависимости затруднительно. Кроме того, полезно знать уровень зависимости факторов между собой. Для этого можно воспользоваться коэффициентом корреляции, вычисление которого может быть организовано с помощью стандартных пакетов, например ЕХСЕL.

Блок подготовки к обучению предназначен для создания служебных файлов, содержащих примеры для обучения в надлежащей форме. Здесь же пользователь должен установить параметры настройки сети, например величину допустимой ошибки.

Блок обучения и тестирования реализуется без участия пользователя. В результате получают искомую нейросеть в виде файла. В этом файле содержится формула У= f( Х1, Х2 ..., Хn), отражаемая набором весовых коэффициентов синаптических весов нейронов. Тестирование выполняется на основе входных данных, которые не были использованы в процессе обучения. С их помощью сеть формирует новое значение прогнозируемого показателя. Если разность между фактическим и результирующим значением не превосходит заданную величину, то обучение заканчивается.

Рис. 2 - ЭСС нейровычислений

Блок прогнозирования использует входной файл, аналогичный по структуре с файлом обучения. Исключение составляет прогнозируемая величина.

Блок ввода-вывода предназначен для ввода оперативных текущих данных, которые используются для доучивания нейросети перед запуском ее работы для выдачи результатов. Вывод результатов работы может иметь различные формы, одну из которых должен указать пользователь.

Идеи нейросетевых технологий развиваются в рамках уже довольно четко обозначившегося научного направления - эволюционного моделирования (вычисления). Сущность эволюционного моделирования заключаеться в следующем: на самом высоком абстрактном уровне представляется эволюционный процесс как способность более приспособленных индивидов оказывать более сильное влияние на будущий состав популяций благодаря длительному выживанию и более многочисленному потомству, которое, в свою очередь, продолжает оказывать влияние и после гибели родителей.

Эволюционные вычисления целесообразны тогда, когда известные методы оптимизации не позволяют исследовать поведение целевой функции вне областей локальных минимумов. Такого рода вычисления используют для решения очень трудных задач, к которым можно отнести задачу поиска оптимальной структуры нейросети.

3. Практическое задание

Разработать решения для повышения эффективности организации деятельности специалиста с использованием информационных технологий своей основной деятельности:

разработать информационную модель «как есть», используя нотации структурного анализа;

разработать информационную модель «как будет», отразив рекомендуемые организационные изменения и указав ИТ, которые позволяют реализовать предложенные преобразования;

рассчитать трудоемкость процессов по обеим моделям;

сделать выводы.

Решение.

Построим родительскую диаграмму для функции «Разработка программного комплекса».

нейрон сеть программный комплекс

Размещено на http://www.allbest.ru/

Рис. 3 - Родительская диаграмма «Разработка программного комплекса»

Построим иерархическое дерево функции «Разработка программного комплекса».

Размещено на http://www.allbest.ru/

Рис. 4 - Иерархическое дерево функции «Разработка программного комплекса»

По полученным данным построим диаграмму детализации первого уровня

Размещено на http://www.allbest.ru/

Рис. 5

Размещено на http://www.allbest.ru/

Рис. 6

Размещено на http://www.allbest.ru/

Рис. 7

Проведем оптимизацию, рассмотрим эту диаграмму на рисунке 8.

Размещено на http://www.allbest.ru/

Рис. 8 - Диаграмма детализации для оптимизированной функции «Разработка программного комплекса»

Рассчитаем трудоемкость выполняемого процесса

Из полученный результатов видно, что процесс «Разработка программного комплекса» трудоемкий и дорогостоящий, однако данный процесс можно оптимизировать, используя новейшие технологии разработки программных продуктов с интегрированными генераторами документации.

Рассчитаем трудоемкость оптимизированного процесса «Разработка программного комплекса».

После оптимизации процесса «Разработка программного комплекса» трудоемкость разработки снизилась с 210 часов до 144 часов, и цена разработки снизилась с 1808 грн. до 1260 грн.

Список использованной литературы

1. Конспект лекций по дисциплине Информационные системы и технологии в менеджменте для студентов специальности 7.050102 “Менеджмент организаций” очной и заочной форм обучения / Сост. В.В. Буряк. - Краматорск: ДГМА, 2003. - 76 с.

2. Грабауров В.А. Информационные технологии для менеджеров. - М.: Финансы и статистика, 2001. - 368 с.

3. Автоматизированные информационные технологи в экономике: Учебник / Под ред. Проф. Г.А. Титоренко. - М.: Компьютер, ЮНИТИ, 1999. - 400 с.

4. Романов А.Н., Одинцов Б.Е. Советующие информационные системы в экономике: Учеб. пособие для вузов. - М.: Юнити-дана, 2000. - 487 с.

5. Информационные технологи управления: Учеб. пос. для вузов / Под ред. проф. Титоренко Г.А. - 2-изд., доп. - М.: ЮНИТИ-ДАНА, 2003. - 439 с.

Размещено на Allbest.ru