Корпоративные информационных систем Информационная система — взаимосвязанная

Корпоративные информационных систем

Информационная система - взаимосвязанная совокупность средств, методов и персонала, используемых для хранения, обработки и выдачи информации в интересах достижения поставленной цели.

Назначение информационных систем n ИС предназначены для сбора, хранения и обработки информации, поэтому в основе любой из них лежит среда хранения и доступа к данным. n ИС ориентированы на конечного пользователя, не обладающего высокой квалификацией в области ИТ. n На предприятии должна быть создана база данных, которая обеспечивает хранение информации и доступность ее для всех составляющих системы управления.

Технология внедрения ИС n Технология построения системы по моделям "как надо", без попыток программирования действующих сейчас алгоритмов. n Технология построения систем с подходом "сверху вниз". n Технология поэтапного внедрения. n Привлечение к разработке будущих пользователей.

Информационная инфраструктура организации n каждый уровень характеризуется степенью агрегированности информации и своей ролью в процессе управления. n. Аналитические приложения n. Системы бизнесинтеллекта n. Транзакционн ые системы

Транзакционные системы - предназначены для обработки отдельных операций (транзакций). Виды ТС: n системы управления ресурсами предприятий (ERP-системы) n автоматизированные банковские системы (АБС) n биллинговые системы n учетные приложения n. . . Представляют собой источники первичной информации, используемой для последующей аналитической обработки.

Системы управления ресурсами предприятия (ERP-системы) n это информационная система для идентификации и планирования всех ресурсов предприятия, которые необходимы для производства, закупки, отгрузки и учета в процессе выполнения клиентских заказов n это методология эффективного планирования и управления ресурсами предприятия, которые необходимы для производства, закупки, отгрузки и учета при исполнении заказов клиентов в сферах производства, дистрибуции и оказания услуг

Основные функции ERP-систем Управление запасами и производством n n n Управление спецификациями изделий и технологиями производства Планирование операций Управление продажами Управление запасами Управление закупками Управление производственными процессами

Основные функции ERP-систем Учет и управление финансами n n n Финансовый учет Главная книга Расчеты с дебиторами Расчеты с кредиторами Основные средства Денежные средства Материально-производственные запасы Расчеты с персоналом Налоговый учет Бухгалтерская отчетность Аналитические возможности

Основные функции ERP-систем Управление персоналом n Модули управления персоналом ERP-систем позволяют собирать, хранить и использовать на практике структурированную информацию о сотрудниках компании, их квалификации и производственном опыте (функции кадрового учета)

Ограниченность ERP-систем n ERP-системы сложны и ориентированы на обработку большого количества отдельных бизнес-операций (транзакций) n ERP-системы, как правило, поставляются с набором стандартных отчетов, которые сфокусированы, опять же, на параметрах отдельных транзакций n Медленное формирование управленческой отчетности на основе транзакционных данных ERP-системы, ориентированные на управление текущей деятельностью, не могут обеспечить решение стратегических задач

Информационная инфраструктура организации n. Аналитические приложения n. Системы бизнесинтеллекта n. Транзакционн ые системы

Системы бизнес-интеллекта (Business Intelligence, BI) BI объединяют различные средства анализа и обработки данных масштаба предприятия Составляющие систем BI: n Хранилища данных n инструменты оперативной аналитической обработки (OLAP-системы) n средства обнаружения знаний (data mining) n средства формирования запросов и построения отчетов.

Хранилища данных (data warehouse, DW) n обеспечивающие сбор, упорядочение и хранение больших объемов информации, полученной из разных источников. n Один из авторитетных специалистов в этой области, У. Инмон, определяет хранилища данных как "предметноориентированные, интегрированные, стабильные, поддерживающие хронологию наборы данных, используемые для поддержки принятия управленческих решений"

Концепция хранилищ данных n Извлечение данных из операционных систем n Необходимость интегрирования данных из нескольких OLTP-систем n Различия между транзакционной и аналитической обработкой данных n Данные в хранилище данных хранятся значительно более длительное время, чем в OLTP-системах n Модель хранилища данных подстраивается под структуру бизнеса n Физическое преобразование данных приложений источников n Агрегация и суммирование конкретных данных

Свойства информационных хранилищ n предметная ориентация (в отличие от БД , где данные подобраны в n n соответствие с конкретными приложениями, информация в ХД ориентирована на задачи поддержки принятия решений); интегрированность данных (данные в ХД поступают из различных источников, где они могут иметь различные типы, атрибуты, единичные измерения и способы кодирования); инвариантность во времени (В OLTP-системах истинность данных гарантирована только в момент чтения, поскольку уже в следующее мгновение они могут измениться в результате очередной транзакции. Важным отличием ХД от БД является то, что данные в них сохраняются свою истинность в любой момент процесса чтения); неразрушимость - стабильность информации (В OLTP-системах записи могут регулярно добавляться, удаляться и редактироваться. В ХД однажды загруженные данные теоретически никогда не меняются. По отношению к ним возможны только две операции: начальная загрузка и чтение (доступ)); минимализация избыточности информации;

Многомерный анализ данных (On-Line Analytical Processing - OLAP) n OLAP - это Online Analytical Processing, т. е. оперативный анализ данных в режиме реального времени n Для OLAP-систем характерна предметная (а не техническая) структурированность информации, позволяющая пользователю оперировать привычными экономическими категориями и понятиями. n Быстрый Анализ Разделяемой Многомерной Информации (Fast Analysis of Shared Multidimensional Information - FASMI).

Тест FASMI Fast (Быстрый) - анализ должен производиться одинаково быстро по всем аспектам информации. Приемлемое время отклика - 5 с или менее. Analysis (Анализ) - должна быть возможность осуществлять основные типы числового и статистического анализа, предопределенного разработчиком приложения или произвольно определяемого пользователем. Shared (Разделяемой) - множество пользователей должно иметь доступ к данным, при этом необходимо контролировать доступ к конфиденциальной информации. Multidimensional (Многомерной) - это основная, наиболее существенная характеристика OLAP. Information (Информации) - приложение должно иметь возможность обращаться к любой нужной информации, независимо от ее объема и места хранения.

Основные особенности технологии OLAP (Basic) n многомерное концептуальное представление данных; n интуитивное манипулирование данными; n доступность и детализация данных; n пакетное извлечение данных против интерпретации; n модели анализа OLAP; n прозрачность (прозрачный доступ к внешним данным); n многопользовательская поддержка.

Специальные особенности (Special): n обработка неформализованных данных; n сохранение результатов OLAP: хранение их отдельно от исходных данных; n исключение отсутствующих значений; n обработка отсутствующих значений.

Управление измерениями (Dimension): n универсальность измерений; n неограниченное число измерений и уровней агрегации; n неограниченное число операций между размерностями.

Типы OLAP - серверов n MOLAP (Multidimensional OLAP) - и детальные данные, и агрегаты хранятся в многомерной БД n ROLAP (Relational OLAP) - детальные данные храняться в реляционной БД; агрегаты хранятся в той же БД в специально созданных служебных таблицах. n HOLAP (Hybrid OLAP) - детальные данные храняться в реляционной БД, а агрегаты хранятся в многомерной БД.

Многомерный OLAP-куб и система соответствующих математических алгоритмов статистической обработки позволяет анализировать данные любой сложности на любых временных интервалах

Многомерный OLAP-куб

Пример Ключевые вопросы: «Сколько продано? » «На какую сумму продано? » расширяются по мере усложнения бизнеса и накопления исторических данных до некоторого множества факторов, или разрезов: «. . в Санкт-Петербурге, в Москве, на Урале, в Сибири…» «. . в прошлом квартале, по сравнению с нынешним» «. . от поставщика А по сравнению с поставщиком Б…» и т. д.

Методы анализа n Факторный (структурный) анализ. Анализ структуры продаж n n для выявления важнейших составляющих в интересующем разрезе. Анализ динамики (регрессионный анализ - выявление трендов). Выявление тенденций, сезонных колебаний. Анализ зависимостей (корреляционный анализ). Сравнение объемов продаж разных товаров во времени Сопоставление (сравнительный анализ). Сравнение результатов продаж во времени, или за заданный период, или для заданной группы товаров Дисперсионный анализ. Исследование распределения вероятностей и доверительных интервалов рассматриваемых показателей. Применяется для прогнозирования и оценки рисков.

Иерархичность OLAP позволяет аналитикам организовывать каждое измерение в виде иерархии, состоящей из групп и подгрупп и итоговых значений, отражающих показатель по всей организации – наиболее логичный способ анализировать бизнес.

Анализ OLAP позволяет проводить различные виды анализа и понимать их взаимосвязи их результатов. n Анализ отклонений – анализ выполнения плана, который дополняется факторным анализом причин отклонений путем детализации показателей. n Анализ зависимостей - позволяет выявлять различные зависимости между различными изменениями, например, при удалении из ассортимента пива в течение первых двух месяцев обнаружилось падение продаж воблы. n Сопоставление (сравнительный анализ) - сравнение результатов изменения показателя во времени, для заданной группы товаров, в различных регионах и др. n Анализ динамики позволяет выявить определенные тенденции изменения показателей во времени.

Оперативность В основу OLAP положены законы психологии: возможность обработки информационных запросов в «реальном времени» - в темпе процесса аналитического осмысления данных пользователем.

Наглядность OLAP предоставляет развитые средства графического представления данных конечному пользователю. Человеческий мозг способен воспринимать и анализировать информацию, которая представлена в виде геометрических образов, в объеме на несколько порядков большем, чем информацию, представленную в алфавитно-цифровом виде.

Простота : Главной особенностью этих технологий является то, что они ориентированы на использование не специалистом в области информационных технологий, не экспертомстатистиком, а профессионалом в прикладной области - менеджером кредитного отдела, менеджером бюджетного отдела, директором. Они предназначены для общения аналитика с проблемой, а не с компьютером.

Интеллектуальный анализ данных (Data Mining, добыча данных) n процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. n Data. Mining - исследование и обнаружение "машиной" (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации (Г. Пятецкий-Шапиро) n В деятельности систем обнаружения знаний используются такие методы анализа данных, как фильтрация, деревья решений, ассоциативные правила, генетические алгоритмы, нейронные сети, статистический анализ.

Мотивы для создания технологии DM n Эволюция индустрии баз данных – от накопления информации и управления данными (включая хранение, извлечение и выполнение транзакций), а также анализа данных (включая разработку хранилищ данных). n Избыток данных и недостаток хороших методов их анализа приводил к ситуации богатства данными, но бедности информацией.

Суть и цель технологии Data Mining - это технология, которая предназначена для поиска в больших объемах данных неочевидных, объективных и полезных на практике закономерностей. n Неочевидных - это значит, что найденные закономерности не обнаруживаются стандартными методами обработки информации или экспертным путем. n Объективных - это значит, что обнаруженные закономерности будут полностью соответствовать действительности, в отличие от экспертного мнения, которое всегда является субъективным. n Практически полезных - это значит, что выводы имеют конкретное значение, которому можно найти практическое применение.

Этапы в процессе интеллектуального анализа данных n постановка задачи; n подготовка данных; n изучение данных; n построение моделей; n исследование и проверка моделей; n развертывание и обновление моделей.

Основные задачи интеллектуального анализа данных Задача классификации заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит. Для решения задачи необходимо, чтобы множество классов было известно заранее и было бы конечным и счетным.

Примеры n Оценка кредитоспособности: по анкете заемщика принять решение о выдаче / отказе кредита (назначаемые классы здесь могут быть "кредитоспособен" и "некредитоспособен "); n Медицинская диагностика: по набору медицинских характеристик требуется поставить диагноз

Основные задачи интеллектуального анализа данных n Задача регрессии во многом схожа с задачей классификации, но в ходе ее решения производится поиск шаблонов для определения числового значения. n Выделяют задачу прогнозирования новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей). При этом могут учитываться имеющиеся тенденции (тренды), сезонность, другие факторы.

Примеры n Оценка допустимого кредитного лимита n Оценка стоимости недвижимости: по характеристике района, экологической обстановке, транспортной связности оценить стоимость жилья

Основные задачи интеллектуального анализа данных n Задача кластеризации - заключается в делении множества объектов на группы (кластеры) схожих по параметрам. При этом, в отличие от классификации, число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров. n Кластеры объектов формируются, так, что объекты одного класса похожи друг с другом, а объекты разных кластеров непохожи.

Примеры n Экономическая география: по физико-географическим и экономическим показателям разбить страны мира на группы схожих по экономическому положению государств; n Интернет-магазин: анализ базы клиентов, для того, чтобы потом сформировать специальные предложения для выделенных групп, учитывая их особенности

Основные задачи интеллектуального анализа данных n Анализ ассоциаций это обнаружение ассоциативных правил, которые представляют из себя условия на значения атрибутов, которые для данной выборки объектов часто выполняются вместе. n Формально ассоциативное правило имеет вид X Y, это означает что «записи базы данных, удовлетворяющие условиям X, вероятнее всего будут удовлетворять и условиям Y»

Примеры n Анализ потребительской корзины, который позволяет определить наборы товаров, чаще всего встречающиеся в одном заказе. Эта информация может потом использоваться при размещении товаров в торговом зале или при формировании специальных предложений для группы связанных товаров. n Ассоциативным правилом может быть: Возраст 20 -29 лет^Доход 12000 -20000 покупает мрз-плеейр (частота 2%, достоверность 60%). Данное правило означает, что среди всех клиентов фирмы 2% (частота) имеют возраст 20 -29 лет и купили мрз-плеер При этом человек, имеющий такой же возраст и доход, с вероятностью 60% купит мрз-плеер (достоверность).

Основные задачи интеллектуального анализа данных n Анализ последовательностей заключается в обнаружение закономерностей в последовательностях событий. Пример: n Подобная информация позволяет, например, предупредить сбой в работе информационной системы, получив сигнал о наступлении события, часто предшествующего сбою подобного типа. n анализ последовательности переходов по страницам пользователей web-сайтов.

Основные задачи интеллектуального анализа данных n Анализ отклонений позволяет отыскать среди множества событий те, которые существенно отличаются от нормы. Отклонение может сигнализировать о каком-то необычном событии (неожиданный результат эксперимента, мошенническая операция по банковской карте …) или, например, об ошибке ввода данных оператором.

Отличия Data Mining от других методов анализа данных n Традиционные методы анализа данных (статистические методы) и OLAP в основном ориентированы на проверку заранее сформулированных гипотез и на "грубый" разведочный анализ, составляющий основу оперативной аналитической обработки данных, в то время как одно из основных положений Data Mining - поиск неочевидных закономерностей. n Большинство статистических методов для выявления взаимосвязей в данных используют концепцию усреднения по выборке, приводящую к операциям над несуществующими величинами, тогда как Data Mining оперирует реальными значениями.

Информационная инфраструктура организации n каждый уровень характеризуется степенью агрегированности информации и своей ролью в процессе управления. n. Аналитические приложения n. Системы бизнесинтеллекта n. Транзакционн ые системы

Аналитические приложения (АП) - ориентированы не на обработку отдельных операций, а на анализ агрегированной информации. Требования к АП: n она должна позволять структурировать и автоматизировать процессы, способствующие повышению качества управленческой информации; n она должна поддерживать аналитические функции, т. е. операции по анализу данных, полученных из самых разных источников - внутренних или внешних, финансовых или операционных; n это должен быть самостоятельный программный продукт, функционирующий независимо от транзакционных систем, но в то же время способный взаимодействовать с ними "в обе стороны" - как в части получения исходных транзакционных данных, так и в части обратной передачи результатов их обработки.

n системы поддержки принятия решений n системы, реализующие методологию сбалансированных систем показателей (BSC-системы) n системы корпоративного планирования и бюджетирования n системы имитационного моделирования n экспертные системы n …

Системы поддержки принятия решений СППР (Decision Support Systems - DSS) - информационные системы, которые помогают лицу, принимающему решение (ЛПР), использовать информацию и модели для решения слабо структурированных или трудно формализуемых задач Особенности СППР: n позволяют ликвидировать разрыв между аналитиками и ЛПР, т. к. пользователями являются именно специалисты, принимающие решения, а не технические специалисты; n используют экономико-математические методы и модели для обоснования альтернатив; n отображают информацию в формате и терминологии, которые привычны ЛПР; n выборочно предоставляют информацию и избегают избыточности информации

По взаимодействию с пользователем выделяют три вида СППР: n пассивные помогают в процессе принятия решений, но не могут выдвинуть конкретного предложения; n активные непосредственно участвуют в разработке правильного решения; n кооперативные предполагают взаимодействие СППР с пользователем. Выдвинутое системой предложение пользователь может доработать, усовершенствовать, а затем отправить обратно в систему для проверки.

СППР ориентированны на аналитическую обработку данных с целью получения знаний, необходимых для разработки решений в области управления

Основные характеристики СППР n предлагают гибкость использования, адаптируемость и быструю реакцию; n работают практически без участия профессиональных программистов; n обеспечивают информационную поддержку для решений проблем, которые не могут быть определены заранее; n применяют сложный многомерный и многофакторный анализ и инструментальные средства моделирования.

Экспертные системы (ЭС) представляют собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области. Достоинство экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний.

Типы экспертных систем n «основанные на знаниях» - применяется для работы с хорошо систематизированными элементами знаний и известными закономерностями, выраженными различного рода методиками, инструкциями, правилами и т. п. n «основанные на примерах» - используется в ситуациях, когда отсутствуют какие-либо явные связи и закономерности между элементами знаний, а сами знания представлены в виде списков примеров, описывающих реализации тех или иных событий.

ЭС «основанные на знаниях»

Приемы извлечения знаний Наблюдение - инженер наблюдает, не вмешиваясь, за тем, как эксперт решает реальную задачу Обсуждение задачи - инженер на представительном множестве задач неформально обсуждает с экспертом данные, знания и процедуры решения Описание задачи - эксперт описывает решение задач для типичных запросов Анализ решения - эксперт комментирует получаемые результаты решения задачи, детализируя ход рассуждений Проверка системы - эксперт предлагает инженеру перечень задач для решения (от простых до сложных), которые решаются разработанной системой Исследование системы - эксперт исследует и критикует структуру базы знаний и работу механизма вывода Оценка системы - инженер предлагает новым экспертам оценить решения разработанной системы

n Классическая экспертная система воплощает в себе неписанные знания, которые должны быть получены от эксперта с помощью интервью, проводимых инженером по знаниям в течение длительного периода времени. n Процесс создания экспертной системы (получение знаний от эксперта-человека или из других источников и последующее представление знаний в экспертной системе) называется инженерией знаний и осуществляется инженером по знаниям.

Процесс разработки экспертной системы

ЭС «основанные на примерах» В cистеме, основанной на правилах, знания в проблемной области, необходимые для решения задач, закодированы в форме правил и содержатся в базе знаний.

Экспертная система состоит из компонентов n Пользовательский интерфейс. Механизм, с помощью которого происходит n n n общение пользователя и экспертной системы. Средство объяснения. Компонент, позволяющий объяснить пользователю ход рассуждений системы. Рабочая память. Глобальная база фактов, используемых в правилах. Машина логического вывода. Программный компонент, который обеспечивает формирование логического вывода (принимая решение о том, каким правилам удовлетворяют факты или объекты). Располагает выполняемые правила по приоритетам и выполняет правило с наивысшим приоритетом. Рабочий список правил. Созданный машиной логического вывода и расположенный по приоритетам список правил, шаблоны которых удовлетворяют фактам или объектам, находящимся в рабочей памяти. Средство приобретения знаний. Автоматизированный способ, позволяющий пользователю вводить знания в систему, а не привлекать к решению задачи явного кодирования знаний инженера по знаниям.

Управляющие ИС (Management Information Systems – MIS) - обслуживают управленческий уровень, обеспечивая менеджеров среднего и высшего звеньев текущей информацией о выполнении основных бизнеспроцессов в компании и о некоторых изменениях во внешней среде. Они обеспечивают интерактивный доступ к показателям текущей деятельности фирмы, архиву отчетов и решений, приказам, распоряжениям, протоколам совещаний, отчетным формам.

Основные характеристики управляющих систем n работают с формализованными и/или частично формализованными данными и поддерживают частично структурированные и слабоструктурированные решения в широком диапазоне на функционально-оперативном и управленческих уровнях, преобразуя формализованные данные в "MIS-файлы". n ориентированы на обеспечение текущих бизнес- процессов управленческими решениями, на создание отчетов и контроль исполнения;

n задают правила формирования информационных потоков и пучков внутри информационного поля компании, информационные требования известны и устойчивы; n имеют небольшие аналитические возможности, ограниченные рамками текущей деятельности на уровне подразделений; n недостаточно гибки, но имеют возможности для адаптации в любом подразделении; n помогают в принятии оперативных решений, используя прошлые и настоящие данные, при этом используется больше внутренних данных, чем внешних.

Структура управляющих систем