Потенциал применения современных информационных технологий в бизнес-аналитике

Размещено на http://www.allbest.ru/

Потенциал применения современных информационных технологий в бизнес-аналитике

М.С. Портнов, А.В. Речнов, В.П. Филиппов

Аннотация

В статье рассматриваются особенности применения современных инструментальных методов аналитической обработки информации в экономике. Сделан акцент на высокой эффективности классических инструментов статистической обработки сравнительно небольших объемов данных. При современном развитии информационных технологий экспоненциально увеличивающийся объем информации стимулирует разработку инновационных информационных технологий, одним из примеров которых является Big Data и, в частности, применяющие ее технологии Business Intelligence. Проведенное исследование позволяет утверждать, что на основе своей концепции работы с данными эта технология нивелирует рост сложности обработки больших данных, предлагая пользователям современные средства анализа и визуализации данных, критически важные для руководителя крупной организации. В статье представлены результаты исследования, основанные на практическом опыте, полученном авторами в ходе создания и внедрения методик сбора и обработки информации на базе системы Power BI в бизнес-аналитике. Авторами сделаны выводы о значимости применения инновационных информационных технологий обработки больших массивов данных для повышения эффективности бизнеса и роста его конкурентоспособности.

Ключевые слова: информационные технологии; Data Mining; Big Data; Business Intelligence; анализ данных; визуализация данных; Power BI; бизнес-аналитика.

Abstract

M.S. Portnov, A.V. Rechnov, V.P. Filippov. POTENTIAL OF APPLICATION OF MODERN INFORMATION TECHNOLOGIES IN BUSINESS ANALYTICS

The article discusses the features of applying modern instrumental methods of analytical information processing in the economy. The emphasis is placed on the high efficiency of classical tools for statistical processing of relatively small amounts of data. With the modern development of information technologies, the exponentially increasing volume of information encourages the development of innovative information technologies, one example of which is Big Data and in particular, Business Intelligence technologies that use it. The research suggests that by offering its own concept of working with data, this technology neutralizes the growing complexity of big data processing, offering users modern tools for analyzing and visualizing data that are critical for the head of a large organization. The article presents the results of the research based on the practical experience gained by the authors during the creation and implementation of methods for collecting and processing information based on the Power BI system. The authors draw conclusions about the importance of using innovative information technologies for processing large amounts of data to improve business efficiency and increase its competitiveness.

Keywords: information technology; Data mining; Big Data; Business Intelligence; data analysis; data visualization; Power BI; business analytics.

В современных условиях деятельность любой организации сопровождается регистрацией, представлением, накоплением, обработкой всех критически важных параметров ее функционирования в разнообразных видах, формах и способах кодирования. Тщательное исследование конкретных экономических, коммерческих, производственных ситуаций с целью принятия в оперативном порядке экономически обоснованных и наиболее приемлемых решений невозможно без привлечения средств автоматизированного исследования данных с целью обнаружения скрытых в данных структур или зависимостей [2]. Для этого могут быть привлечены классические, ставшие уже привычными инструменты Data Mining: корреляционный анализ, регрессионный анализ, искусственные нейронные сети [4; 5], деревья решений, эволюционное программирование и генетические алгоритмы, кластерный анализ, дискриминантный анализ, методы визуализации данных, теории базы данных и многие другие [7].

Действующие системы Data Mining [1], как правило, интегрируют в себе несколько подходов, реализуя множество предлагаемых ме тодов и алгоритмов. В основу технологии положен принцип типовых алгоритмических решений, шаблонов, в соответствии с которыми возникающие задачи можно свести к некоторым однородным классам решений, т.е. к некоторому типовому набору альтернатив. Для реализации экспертной поддержки на этом уровне создается информационный фонд хранения и анализа типовых альтернатив.

Если возникшая проблемная ситуация не ассоциируется с имеющимися вариантами решения поставленной задачи, задействуется второй уровень экспертной поддержки алгоритмических решений. На нем происходит генерация оптимальных альтернатив на базе имеющихся в информационном фонде сведений, метаданных, процедур оценки синтезированных правил. Именно таким образом могут работать экспертные системы, применяющие методы Data Mining. Особая роль здесь отводится инструментам на базе аппарата искусственных нейронных сетей, основными решаемыми задачами которых являются прогнозирование и распознавание образов (классификация, кластеризация) [3; 6].

Однако при существенном увеличении объемов подлежащих обработке данных большинство классических алгоритмов обработки начинают терять свою эффективность. Экспоненциальный рост объемов генерируемой в науке, бизнесе, обществе, индустрии информации стимулирует появление новейших информационных технологий. Одной из таких технологий является Big Data (большие данные). Предлагаемый в ее рамках многофункциональный набор стратегий анализа, обработки, структуризации данных (своего рода новая форма производства знаний) расширяет возможности Data Mining за счет применения некоторых принципиальных элементов. Так, например, в сравнении с традиционной базой данных, применяется слабая взаимосвязь данных (фактически не применяется теория нормальных форм), горизонтальная модель хранения и обработки данных, сами данные при этом являются неструктурированными или частично структурированными. Объясняется это тем, что на комплексных запросах, характерных для больших данных, использование СУБД становится неэффективным по причине неоптимального использования ресурсов вычислительной техники (обобщенный термин - NoSQL).

Необходимо отметить используемый принцип локальности данных, отражающий необходимость хранения и обработки информации на одном сервере, иначе расходы ресурсов и времени на передачу такого объема данных могут превысить соответствующие значения на собственно обработку. Одной из ключевых технологий Data Mining в контексте массовопараллельной обработки неопределенно структурированных данных считается предложенная Google парадигма MapReduce. В ее рамках информационный массив автоматически разделяется на большое количество одинаковых элементарных заданий, каждое из которых выполняется параллельно на выделенных узлах кластера и затем полученные значения консолидируются в итоговый результат.

В настоящее время концепция MapReduce реализуется программными средствами Hadoop, ApacheCouchDB, MongoDB, MySpaceQizmt, Greenplum, GridGain, Phoenix и многими другими. Так, например, Hadoop - свободно распространяемый набор утилит, библиотек компании ApacheSoftwareFoundation для разработки и выполнения распределенных программ. Особая роль отводится языку программирования R для статистической обработки данных и работы с графикой для обработки.

Помимо перечисленных механизмов в контекст применимости для обработки больших данных включают также технологии Business Intelligence (BI, бизнес-данные), предлагающие наряду с платформой больших данных инструменты визуализации, программное обеспечение для бизнес-аналитики, инструменты статистического анализа, аналитические платформы самообслуживания. Их основной задачей является повышение эффективности бизнеса путем превращения разрозненных источников данных в согласованные, интерактивные аналитические сведения. Именно к этому классу продуктов относится Microsoft Power BI. Это комплексное решение интегрирует в своем составе следующие компоненты: редактор запросов для загрузки и очистки данных Power Query, интерфейс для работы с табличными данными Power Pivot, подсистему визуализации и построения отчетов Power View. В состав Power BI входит традиционное для Microsoft Windows приложение - Power BI Desktop, веб-службы SaaS и мобильные приложения. Их комбинация позволяет создавать и обмениваться динамически изменяемыми аналитическими данными для эффективного принятия управленческих решений.

Рассмотрим один из возможных сценариев. Предположим, что некоторая организация имеет сеть продуктовых магазинов. Ведется полная статистика по всем транзакциям в каждом подразделении. Накопление данных может происходить произвольным образом с возможностью выгрузки, обмена, передачи. При необходимости эти сведения могут быть отправлены в головной офис. На рис. 1 представлена соответствующая описанной ситуации модель данных, согласно которой имеется справочник филиалов, содержащий их наименования, расположение и другие необходимые сведения. Основные данные содержатся в таблице Big Data.

Мощный встроенный язык DAX позволяет не только выполнять практически весь комплекс запросов, характерный для SQL, но и писать привычные для пользователей офисных продуктов формулы обработки. Например, определение сезона исходя из номера месяца: IIf ([Месяц]т (3,4,5); “Весна”; IIf ([Месяц]^ (6,7,8); “Лето”; IIf ([Месяц]т (9,10,11); “Осень”; “Зима”). инновационный информационный массив конкурентоспособность

Рис. 1. Модель данных

Отметим, что несмотря на кажущуюся визуальную схожесть с традиционным Microsoft Excel, принцип работы в Power BI существенно отличается. Сюда можно отнести невозможность редактирования данных, загрузку колоссальной по объему информации, применение инновационных методов графического представления данных.

На рис. 2 продемонстрирован результат визуализации исходных данных.

В примере применены инструменты Диаграмма дерева, Кольцевой график, Карта, Дерево декомпозиции. Характерной особенностью является непосредственная реакция этих инструментов на любые действия пользователей, например, при выборе одного из объектов на карте остальные компоненты отразят ситуацию по конкретному подразделению организации. Более того, при обновлении источников данных информация на графиках тоже изменится.

Как показало проведенное исследование, развитие рынка Power BI обусловлено увеличением роли цифровой экономики. Применение ИС обработки информации позволяет современным организациям обрабатывать огромные объемы неструктурированной информации и получать наглядную интерпретацию сложных процессов. Интерактивные отчеты по любым показателям деятельности организации позволяют комплексно оценить ее результаты. Внедряя Power BI-продукт, современная организация получает структуризацию накапливаемых данных, их аналитику в реальном масштабе времени, удобный инструмент контроля показателей эффективности организации.

Рис. 2. Вариант размещения визуальных компонентов

В работе рассмотрены возможности использования системы бизнес-аналитики для организаций малого бизнеса и предложены направления оптимизации настройки системы в целях повышения ее эффективности. Выявленные результаты основаны на практическом опыте, полученном авторами в ходе создания и внедрения методик сбора и обработки информации на базе системы Power BI для организаций розничной торговли. Положительный эффект от внедрения автоматизированной аналитики, которая становится инструментом контроля показателей эффективности и результативности бизнеса и принятия своевременных управленческих решений, наблюдается уже в течение первых месяцев. Внедренные Power BI-решения способны стать основой формирования конкурентных преимуществ для современных организаций и могут быть использованы не только для регулирования текущей деятельности, но и построения долгосрочных стратегий развития бизнеса.

Список литературы

1. Возяков В.И., Филиппов В.П. О поддержке принятия решения в технологии Data Mining // Обозрение прикладной и промышленной математики. 2006. Т 13. Вып. 6. С. 1063-1064.

2. Гаврилова М.В. Актуальные проблемы и тренды развития ИТ-отрасли: региональный аспект // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., посвящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации (27 января 2017 г.). Чебоксары: ЧКИ РУК, 2017. С. 169-182.

3. Лаврентьев Л.Ф., Филиппов В.П. Финансовое прогнозирование на основе аппарата нейронных сетей // Вестник Российского университета кооперации. 2014. № 2 (16). С. 122-127.

4. ПортновМ.С., Речнов А.В., Филиппов В.П., Егорова Г.Н., Мулгачев Н.Н. Особенности прогнозирования спортивных событий на основе использования аппарата нейронных сетей // Вестник Российского университета кооперации. 2019. № 2 (36). С. 76-79. Речнов А.В. Нейросетевое моделирование в информационной системе торгового предприятия // Вестник Российского университета кооперации. 2014. № 2 (16). С. 129-133.

5. Речнов А.В. Применение нейронных сетей для классификационного анализа // Вестник Российского университета кооперации. 2013. № 4 (14). С. 141-144.

6. Филиппов В.П. Применение современных информационных технологий интеллектуальной обработки данных в экономике // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., по- свящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации (27 января 2017 г.). Чебоксары: ЧКИ РУК, 2017. С. 311-316.

References

1. Vozyakov V.I., Filippov V.P. O podderzhke prin- yatiya resheniya v tekhnologii Data Mining [About decision support in Data Mining technology] // Oboz- renie prikladnoj i promyshlennoj matematiki. 2006. T. 13. Vyp. 6. S. 1063-1064.

2. Gavrilova M.V Aktual'nye problemy i trendy razvitiya IT-otrasli: regional'nyj aspekt [Actual problems and development trends of the IT-industry: regional aspect] // Aktual'nye voprosy teorii i prak- tiki vuzovskoj nauki: sb. materialov Mezhdunar. nauch.-prakt. konf., posvyashch. 55-letiyu Chebok- sarskogo kooperativnogo instituta (filiala) Rossijsk- ogo universiteta kooperatsii (27 yanvarya 2017 g.). Cheboksary: ChKI RUK, 2017. S. 169-182.

3. Lavrentyev L.F., Filippov V.P. Finansovoe prognozirovanie na osnove apparata nejronnykh setej [Financial forecasting based on the apparatus of neural networks] // Vestnik Rossijskogo universiteta kooperatsii. 2014. № 2 (16). S. 122-127.

4. Portnov M.S., Rechnov A.V., Filippov VP, Egorova G.N., Mulgachev N.N.Osobennosti prognozirovaniya sportivnykh sobytij na osnove ispol'zovaniya apparata nejronnykh setej [Features of forecasting sporting events based on the use of neural network apparatus] // Vestnik Ros- sijskogo universiteta kooperatsii. 2019. № 2 (36). S. 76-79.

5. Rechnov A.V Nejrosetevoe modelirovanie v informatsionnoj sisteme torgovogo predpriyatiya [Neural network modeling in the information system of a trade enterprise] // Vestnik Rossijskogo univer- siteta kooperatsii. 2014. № 2 (16). S. 129-133.

6. Rechnov A.V. Primenenie nejronnykh setej dlya klassifikatsionnogo analiza [The use of neural networks for classification analysis] // Vestnik Ros- sijskogo universiteta kooperatsii. 2013. № 4 (14). S.141-144.

7. Filippov V.P. Primenenie sovremennykh informatsionnykh tekhnologij intellektual'noj obrabotki dannykh v ekonomike [Application of modern information technologies of intellectual data processing in the economy] // Aktual'nye vo- prosy teorii i praktiki vuzovskoj nauki: sb. materialov Mezhdunar. nauch.-prakt. konf., posvyashch. 55-letiyu Cheboksarskogo kooperativnogo instituta (filiala) Rossijskogo universiteta kooperatsii (27 yanvarya 2017 g.). Cheboksary: ChKI RUK, 2017. S. 311-316.

Размещено на Allbest.ru