Добавить в цитаты Настройки чтения

Страница 2 из 23

Поэтому в настоящее время МИС представляют собой конгломерат различных программных средств, выполняющих различные функции: скрепинг данных сайтов, их очистку и консолидацию, аналитическую обработку и визуализацию результатов. Теперь можно более гибко управлять всеми этапами этой деятельности.

2. Информационно-поисковые системы являются разновидностью MIS и служат для быстрого поиска информации, содержащейся в основном в текстовых документах. Для этого в них применяются специальные средства. Примерами таких систем являются Google и Yandex. К этому же типу можно отнести и информационно-правовые системы, например, Консультант плюс, содержащие постоянно обновляемую базу законов, указов и нормативных документов.

3. В XXI веке объем производимых и хранимых данных возрастает невиданными темпами. Поэтому появилась новая область знаний – Большие данные (Big Data). Это, согласно [https://ru.wikipedia.org/wiki/Большие_данные] – "совокупность подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объёмов и значительного многообразия для получения воспринимаемых человеком результатов, эффективных в условиях непрерывного прироста, распределения по многочисленным узлам вычислительной сети". Их характеристики:

– большой физический объем;

– большая скорость прироста и необходимость быстрого получения результата;

– разнообразие типов структурированных и полуструктурированных данных.

Методы и средства работы с Большими данными бурно развиваются в настоящее время[5].

Особенности больших данных породили целую науку Data science (науку о данных). Это наука о методах анализа данных и извлечения из них полезной информации Она объединяет математические методы, программирование, методы работы с большими данными, методы машинного обучения. Data scientist (ученый по данным) должен владеть:

– математикой и статистикой;

– информационными технологиями, включая программирование;

– пониманием бизнес-процессов, для которых он собирает информацию.

4. Системы поддержки принятия решений (DSS – decision support systems). DSS, которые все чаще используются в настоящее время, – это скоординированный набор данных, систем, инструментов и технологий, программного и аппаратного обеспечения, с помощью которого в организации под управлением пользователя[6] собирается и обрабатывается информация о бизнесе и окружающей среде с целью обоснования маркетинговых действий.

DSS состоит из трех основных частей.

– Система данных для сбора и хранения информации о маркетинге, финансах и производстве, получаемой из внутренних и внешних источников. Обычно это база или банк данных, как и в MIS.

– Система диалога, позволяющая пользователю задавать, какие данные следует выбирать и как их обрабатывать.

– Система моделей – идей, алгоритмов и процедур – которые позволяют обрабатывать данные и проводить их анализ. В обработке данных используются различные процедуры, от простого суммирования до статистического анализа и нелинейной оптимизации. Типовыми процедурами являются:

– объединение в группы;

– получение сводных показателей;

– ранжирование;

– выделение особых случаев;

– графическое представление данных.

Несмотря на кажущуюся простоту, важность процедур последнего типа трудно переоценить. Иногда достаточно только взглянуть на графическое представление данных, чтобы понять, даст ли хороший результат кластерный анализ, какой вид регрессионной функции выбрать и т.д.





Модели принятия решений служат для обработки данных, нужных для решения, и по способам представления результатов своей работы подразделяются на информационные (что есть и что будет, если…), советующие (в меру своего "разумения") и (редко) управляющие. Типы таких моделей представлены в таблице 1.

Таблица 1 – Модели принятия решений

В настоящее время идеи DSS получили свое дальнейшее развитие. Прогресс в области вычислительной техники сделал возможным новые подходы к анализу данных.

5. Онлайновая аналитическая обработка данных (OLAP – Online Analytical Processing) – один из новых инструментов. Данные обычно берутся из уже существующих баз данных и подвергаются быстрому, но достаточно поверхностному предварительному разведочному анализу[7]. В OLAP обычно используется многомерная модель данных. Это позволяет гибко манипулировать информацией, но требует довольно серьезной специальной подготовки.

6. Для обработки данных, в том числе и находящихся в хранилищах, предложена концепция интеллектуального анализа данных (Data Mining – "добыча данных"). Это, согласно[8], "процесс обнаружения в сырых данных ранее неизвестных; нетривиальных; практически полезных; доступных интерпретации знаний … для принятия решений". Новизна подхода заключается в том, что современные мощные компьютеры в состоянии переработать огромные массивы данных и найти в них что-то полезное. Однако не следует считать, что компьютер полностью заменяет исследователя-человека. Наоборот, применение методов Data Mining – процесс, требующий от исследователя глубоких знаний. Система Data Mining требует четко согласованной работы всех своих компонентов. Пользователь должен быть квалифицированным специалистом в таких областях, как работа с базами данных, анализ данных традиционными математическими методами и средствами искусственного интеллекта. Наконец, интерпретация полученных данных и использование полученных результатов также остаются прерогативой человека.

Во многих организациях уже собираются большие объемы данных. Это и гипермаркеты, где регистрируется каждый чек, и некоторые поликлиники, имеющие полнофункциональную базу данных обо всех больных, врачах, пациентах, и предприятия-производители, регистрирующие все контакты с клиентами, и торговые площадки в интернет, где встречаются многочисленные продавцы и покупатели. Но еще далеко не все полезные сведения извлекаются из этих данных. Поэтом важно овладеть современными средствами анализа данных.

К средствам автоматизации сбора данных относятся в первую очередь сканеры штрих-кодов, которые, помимо ускорения оплаты товаров в кассе, позволяют собрать большие объемы полезной информации об объемах продаж, их динамике, совместно покупаемых товарах и т.д.

Все вышеперечисленные средства помогают в принятии стратегических решений, позволяют получить информацию о текущем состоянии организации, весьма хороши для раннего предупреждения о возникающих проблемах. К сожалению, они не дают подсказки в специальных, "нестандартных" случаях (что делать с новым товаром, как оптимизировать каналы товародвижения и т. д.).

7. Для сбора информации по отдельным конкретным проблемам, для поиска новых идей и гипотез используются маркетинговые исследования. Правильно проведенные, они дают исчерпывающую информацию о ситуации на рынке или о проблеме, возникшей в фирме.

Обычно рассмотренные средства используются совместно.

В настоящее время маркетинговыми исследованиями занимаются: отделы в организациях (в малых организациях это может быть единственный работник); специализированные исследовательские и консалтинговые организации (они могут выполнять только сбор информации, сбор и анализ, выполнение всего проекта исследований); правительственные организации (это наиболее крупные исполнители исследований, они составляют статистические обзоры); университеты.

Полный спектр услуг по маркетинговым исследованиям и консалтингу могут предложить не все организации. Некоторые из них специализируются только в некоторых определенных направлениях.

5

Фрэнкс Б. Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики. – М.: Альпина Паблишер. – 2018. – 320 с.

Грас Д. Data Science. Наука о данных с нуля. – СПб.: БХВ-Петербург. – 2019. – 336 с.

6

При разработке идеи DSS предполагалось, что пользователями станут руководители. Однако на практике появилась новая должность – аналитик.

7

Коробко А.В., Пенькова Т.Г. Интегральная OLAP-модель предметной области для аналитической поддержки принятия решений. // Информационные технологии. – 2014. – № 12, с. 8 – 13.

8

Вейнберг Н.Н. Интеллектуальный анализ данных и систем управления бизнес- правилами в телекоммуникациях. – М.: НИЦ ИНФРА-М, 2016. – 173 с.