Информация и информационная культура

 

Основные особенности  технологии OLAP (Basic):

 

многомерное концептуальное представление данных;

интуитивное манипулирование  данными;

доступность и детализация  данных;

пакетное извлечение данных против интерпретации;

модели анализа OLAP;

архитектура "клиент-сервер" (OLAP доступен с рабочего стола);

прозрачность (прозрачный доступ к внешним данным);

многопользовательская поддержка.

Специальные особенности (Special):

 

обработка неформализованных  данных;

сохранение результатов OLAP: хранение их отдельно от исходных данных;

исключение отсутствующих  значений;

обработка отсутствующих  значений.

Особенности представления  отчетов (Report):

 

гибкость формирования отчетов;

стандартная производительность отчетов;

автоматическая настройка  физического уровня извлечения данных.

Управление измерениями (Dimension):

 

универсальность измерений;

неограниченное число  измерений и уровней агрегации;

неограниченное число  операций между размерностями.

Исторически сложилось так, что сегодня термин "OLAP" подразумевает  не только многомерный взгляд на данные со стороны конечного пользователя, но и многомерное представление  данных в целевой БД. Именно с  этим связано появление в качестве самостоятельных терминов "Реляционный OLAP" (ROLAP) и "Многомерный OLAP" (MOLAP).

 

OLAP-сервис представляет  собой инструмент для анализа  больших объемов данных в режиме  реального времени. Взаимодействуя  с OLAP- системой, пользователь сможет  осуществлять гибкий просмотр  информации, получать произвольные  срезы данных и выполнять аналитические  операции детализации, свертки,  сквозного распределения, сравнения  во времени одновременно по  многим параметрам. Вся работа  с OLAP-системой происходит в  терминах предметной области  и позволяет строить статистически  обоснованные модели деловой  ситуации.

 

 

Программные средства OLAP - это  инструмент оперативного анализа данных, содержащихся в хранилище. Главной  особенностью является то, что эти  средства ориентированы на использование  не специалистом в области информационных технологий, не экспертом-статистиком, а профессионалом в прикладной области  управления - менеджером отдела, департамента, управления, и, наконец, директором. Средства предназначены для общения аналитика  с проблемой, а не с компьютером. На рис. 6.14 показан элементарный OLAP-куб, позволяющий производить оценки данных по трем измерениям.

 

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

 

 

 

 

Рис. 6.14.  Элементарный OLAP-куб

Имея в своем распоряжении гибкие механизмы манипулирования  данными и визуального отображения (рис. рис. 6.15, рис. 6.16), менеджер сначала  рассматривает с разных сторон данные, которые могут быть (а могут  и не быть) связаны с решаемой проблемой.

 

Далее он сопоставляет различные  показатели бизнеса между собой, стараясь выявить скрытые взаимосвязи; может рассмотреть данные более  пристально, детализировав их, например, разложив на составляющие по времени, по регионам или по клиентам, или, наоборот, еще более обобщить представление  информации, чтобы убрать отвлекающие  подробности. После этого с помощью  модуля статистического оценивания и имитационного моделирования  строится несколько вариантов развития событий, и из них выбирается наиболее приемлемый вариант.

 

 

 

 

Рис. 6.15.  Аналитическая  ИС извлечения, обработки данных и  представления информации

У управляющего компанией, например, может зародиться гипотеза о том, что разброс роста активов  в различных филиалах компании зависит  от соотношения в них специалистов с техническим и экономическим  образованием. Чтобы проверить эту гипотезу, менеджер может запросить из хранилища и отобразить на графике интересующее его соотношение для тех филиалов, у которых за текущий квартал рост активов снизился по сравнению с прошлым годом более чем на 10%, и для тех, у которых повысился более чем на 25%. Он должен иметь возможность использовать простой выбор из предлагаемого меню. Если полученные результаты ощутимо распадутся на две соответствующие группы, то это должно стать стимулом для дальнейшей проверки выдвинутой гипотезы.

 

В настоящее время быстрое  развитие получило направление, называемое динамическим моделированием (Dynamic Simulation), в полной мере реализующее указанный  выше принцип FASMI.

 

Используя динамическое моделирование, аналитик строит модель деловой ситуации, развивающуюся во времени, по некоторому сценарию. При этом результатом такого моделирования могут быть несколько  новых бизнес-ситуаций, порождающих дерево возможных решений с оценкой вероятности и перспективности каждого.

 

 

 

 

Рис. 6.16.  Аналитическая  ИС извлечения, обработки данных и  представления информации

В таблице 6.3 приведены сравнительные  характеристики статического и динамического  анализа.

 

Таблица 6.3.

Характеристика Статический анализ Динамический анализ

Типы вопросов Кто? Что? Сколько? Как? Когда? Где? Почему так? Что было бы, если…? Что будет, если…?

Время отклика Не регламентируется Секунды

Типичные операции работы с данными Регламентированный отчет, диаграмма, таблица, рисунок Последовательность интерактивных отчетов, диаграмм, экранных форм. Динамическое изменение уровней агрегации и срезов данных

Уровень аналитических требований Средний Высокий

Тип экранных форм В основном, определенный заранее, регламентированный Определяемый пользователем, есть возможности настройки

Уровень агрегации данных Детализированные и суммарные Определяется пользователем

"Возраст" данных Исторические и текущие Исторические, текущие и прогнозируемые

Типы запросов В основном, предсказуемые Непредсказуемые - от случаю к случаю

Назначение Регламентированная аналитическая обработка Многопроходный анализ, моделирование и построение прогнозов

Практически всегда задача построения аналитической системы для многомерного анализа данных - это задача построения единой, согласованно функционирующей  информационной системы, на основе неоднородных программных средств и решений. И уже сам выбор средств для реализации ИС становится чрезвычайно сложной задачей. Здесь должно учитываться множество факторов, включая взаимную совместимость различных программных компонент, легкость их освоения, использования и интеграции, эффективность функционирования, стабильность и даже формы, уровень и потенциальную перспективность взаимоотношений различных фирм производителей.

 

OLAP применим везде, где  есть задача анализа многофакторных  данных. Вообще, при наличии некоторой  таблицы с данными, в которой  есть хотя бы одна описательная  колонка и одна колонка с  цифрами, OLAP-инструмент будет эффективным  средством анализа и генерации  отчетов. В качестве примера  применения OLAP-технологии рассмотрим  исследование результатов процесса  продаж.

 

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.

 

Ответы на подобные вопросы  необходимы для принятия управленческих решений: об изменении ассортимента, цен, закрытии и открытии магазинов, филиалов, расторжении и подписании договоров с дилерами, проведения или прекращения рекламных кампаний и т. д.

 

Если попытаться выделить основные цифры (факты) и разрезы (аргументы  измерений), которыми манипулирует аналитик, стараясь расширить или оптимизировать бизнес компании, то получится таблица, подходящая для анализа продаж как  некий шаблон, требующий соответствующей  корректировки для каждого конкретного  предприятия.

 

Поля таблицы: Время, Категория  товара, Товар, Регион, Продавец, Покупатель, Сумма, Количество.

 

Время. Как правило, это  несколько периодов: Год, Квартал, Месяц, Декада, Неделя, День. Многие OLAP-инструменты  автоматически вычисляют старшие  периоды из даты и вычисляют итоги  по ним.

 

Категория товара. Категорий  может быть несколько, они отличаются для каждого вида бизнеса: Сорт, Модель, Вид упаковки и пр. Если продается  только один товар или ассортимент  очень невелик, то категория не нужна.

 

Товар. Иногда применяются  название товара (или услуги), его  код или артикул. В тех случаях, когда ассортимент очень велик (а некоторые предприятия имеют  десятки тысяч позиций в своем  прайс-листе), первоначальный анализ по всем видам товаров может не проводиться, а обобщаться до некоторых согласованных  категорий.

 

Регион. В зависимости  от глобальности бизнеса можно иметь  в виду Континент, Группа стран, Страна, Территория, Город, Район, Улица, Часть  улицы. Конечно, если есть только одна торговая точка, то это измерение  отсутствует.

 

Продавец. Это измерение  тоже зависит от структуры и масштабов  бизнеса. Здесь может быть: Филиал, Магазин, Дилер, Менеджер по продажам. В некоторых случаях измерение  отсутствует, например, когда продавец не влияет на объемы сбыта, магазин  только один и так далее.

 

Покупатель. В некоторых  случаях, например, в розничной торговле, покупатель обезличен и измерение отсутствует, в других случаях информация о покупателе есть, и она важна для продаж. Это измерение может содержать название фирмы-покупателя или множество группировок и характеристик клиентов: Отрасль, Группа предприятий, Владелец и так далее.

 

Важный вопрос - наличие  данных. Если они есть в каком-либо виде (Excel- или Access-таблица, данные из базы учетной системы, в виде структурированных  отчетов филиалов), ИТ-специалист сможет передать их OLAP-системе напрямую или  с промежуточным преобразованием. Для этого OLAP-системы имеют специальные  инструменты конвертации данных.

 

После настройки OLAP-системы  на данные пользователь получит возможность  быстро получать ответы на ключевые вопросы  путем простых манипуляций мышью  над OLAP-таблицей и соответствующими меню. При этом будут доступны некоторые  стандартные методы анализа, логически  следующие из природы OLAP-технологии.

 

Факторный (структурный) анализ. Анализ структуры продаж для выявления  важнейших составляющих в интересующем разрезе. Для этого удобно использовать, например, диаграмму типа "Пирог" в сложных случаях, когда исследуется  сразу 3 измерения - "Столбцы". Например, в магазине "Компьютерная техника" за квартал продажи компьютеров  составили $100000, фототехники -$10000, расходных  материалов - $4500. Вывод: оборот магазина зависит в большой степени  от продажи компьютеров (на самом  деле, быть может, расходные материалы  необходимы для продажи компьютеров, но это уже анализ внутренних зависимостей).

 

Анализ динамики (регрессионный  анализ - выявление трендов). Выявление  тенденций, сезонных колебаний. Наглядно динамику отображает график типа "Линия". Например, объемы продаж продуктов  компании Intel в течение года падали, а объемы продаж Microsoft росли. Возможно, улучшилось благосостояние среднего покупателя, или изменился имидж магазина, а с ним и состав покупателей. Требуется провести корректировку  ассортимента. Другой пример: в течение 3 лет зимой снижается объем  продаж видеокамер.

 

Анализ зависимостей (корреляционный анализ). Сравнение объемов продаж разных товаров во времени для  выявления необходимого ассортимента - "корзины". Для этого также  удобно использовать график типа "Линия". Например, при удалении из ассортимента принтеров в течение первых двух месяцев обнаружилось падение продаж картриджей с порошком.

 

Сопоставление (сравнительный  анализ). Сравнение результатов продаж во времени, или за заданный период, или для заданной группы товаров. В зависимости от количества анализируемых  факторов (от 1 до 3-х) используется диаграмма  типа "Пирог" или "Столбцы". Пример: сравнение результатов продаж однотипных магазинов для оценки качества работы менеджеров.

 

Дисперсионный анализ. Исследование распределения вероятностей и доверительных  интервалов рассматриваемых показателей. Применяется для прогнозирования  и оценки рисков.

 

Этими видами анализа возможности OLAP не исчерпываются. Например, применяя в качестве алгоритма вычисления промежуточных и окончательных  итогов функции статистического  анализа - дисперсию, среднее отклонение, моды более высоких порядков, - можно  получить самые изощренные виды аналитических  отчетов.

 

OLAP-системы являются частью  более общего понятия "интеллектуальные  ресурсы предприятия" или "средства  интеллектуального бизнес-анализа" (Business Intelligence - BI), которое включает в себя помимо традиционного OLAP-сервиса средства организации совместного использования данных и информации, возникающих в процессе работы пользователей хранилища. Технология Business Intelligence обеспечивает электронный обмен отчетными документами, разграничение прав пользователей, доступ к аналитической информации из Internet и Intranet.

 

Технологии Data Mining

 

В настоящее время элементы искусственного интеллекта активно  внедряются в практическую деятельность менеджера. В отличие от традиционных систем искусственного интеллекта, технология интеллектуального поиска и анализа  данных или "добыча данных" (Data Mining - DM), не пытается моделировать естественный интеллект, а усиливает его возможности  мощностью современных вычислительных серверов, поисковых систем и хранилищ данных. Нередко рядом со словами "Data Mining" встречаются слова "обнаружение  знаний в базах данных" (Knowledge Discovery in Databases).