Информационные компьютерные технологии

Основные требования, предъявляемые к приложениям для многомерного анализа:

· Предоставление пользователю результатов анализа за приемлемое время (не более 5 сек.).

· Осуществление логического и статистического анализа, его сохранение и отображение в доступном для пользователя виде.

· Многопользовательский доступ к данным.

· Многомерное представление данных.

· Возможность обращаться к любой информации независимо от места ее хранения и объема.

Многомерный анализ может быть реализован средствами анализа данных офисных приложений и распределенными OLAP -системами. Наибольший эффект достигается при использовании многомерных кубов.

Рассмотрим на примерах понятие многомерного куба.

Посредством запроса «Какова суммарная стоимость заказов, сделанных клиентами < страны>» можно построить одномерный набор агрегатных значений (агрегат - суммарная стоимость заказов):

Посредством запроса «Какова суммарная стоимость заказов, сделанных клиентами < страны> и доставленных < компанией>» можно построить двумерный набор данных следующего вида:

Посредством запроса «Какова суммарная стоимость заказов, сделанных клиентами < страны> в < году > и доставленных < компанией>» получаем трехмерный куб (рис.4.1).

Рис. 4.1 Пример трехмерного куба

Если учесть, что в каждой стране может существовать несколько клиентов, то добавляется четвертое измерение.

Вообще под измерением понимается один из ключей данных, в разрезе которого можно получать, фильтровать, группировать и отражать информацию о фактах. Примеры измерений: страна, клиент, товар, поставщик. Факт - это число, значение. Факты можно суммировать вдоль определенного измерения. Их можно группировать, выполнять над ними другие статистические операции. Агрегатное данное - суммарное, среднее, минимальное, максимальное и другое значение, полученное посредством статистических операций.

Измерения могут иметь иерархическую структуру. Например, в стране может быть несколько городов, в городе - несколько клиентов, их могут обслуживать различные поставщики из тех же или других городов и стран. Для отображения иерархии измерений используются различные модели иерархий. Модели иерархий служат основой построения многомерных баз данных и метаданных в информационных хранилищах.

Многомерный анализ данных может быть произведен посредством клиентских приложений и серверных OLAP-систем.

Клиентские приложения, содержащие OLAP-средства, позволяют вычислять агрегатные данные. Агрегатные данные размещаются в кэш внутри адресного пространства такого OLAP-средства. Кэш - быстродействующий буфер большой емкости, работающий по специальному алгоритму. При этом если исходные данные находятся в реляционной базе, вычисления производятся OLAP-средствами клиентского приложения. Если исходные данные размещаются на сервере баз данных, то OLAP-средства приложений посылают SQL-запросы на сервер баз данных и получают агрегатные данные, вычисленные сервером.

Примерами клиентских приложений, содержащими OLAP-средства, являются приложения статистической обработки данных SEWSS (Statistic Enterprise - Wide SPS System) фирмы StatSoft и MS Excel 2000. Excel позволяет создать и сохранить небольшой локальный многомерный OLAP-куб и отобразить его двух или трехмерные сечения.

Многие средства проектирования позволяют создавать простейшие OLAP-средства. Например, Borland Delphi и Borland C++ Builder.

Отметим, что клиентские приложения применяются при малом числе измерений (не более шести) и небольшом разнообразии значений этих измерений.

Серверные OLAP-системы развили идею сохранения кэш с агрегатными данными.

В них сохранение и изменение агрегатных данных, поддержка содержащего их хранилища осуществляется отдельным приложением (процессом), называемым OLAP-сервером. Клиентские приложения делают запросы к OLAP-серверу и получают требуемые агрегатные данные.

Применение OLAP-серверов сокращает трафик сети, время обслуживания запросов, сокращает требования к ресурсам клиентских приложений.

В масштабе предприятия обычно используются OLAP-серверы типа Oracle Express Server, MS SQL Server 2000 Analysis Services и др.

Заметим, что MS Excel 2000 позволяет делать запросы к OLAP-серверам.

Как исходные, так и агрегатные данные могут храниться либо в реляционных, либо в многомерных базах данных MDD (MultiDimensional Data). В настоящее время применяются три способа хранения многомерных баз данных:

· Системы оперативной аналитической обработки многомерных баз данных MOLAP (Multidimensional OLAP) - исходные и агрегатные данные хранятся в многомерной базе данных. Многомерные базы данных представляют собой гиперкубы или поликубы. В гиперкубах все измерения имеют одинаковую размерность. В поликубе каждое измерение имеет свою размерность. Многомерная база данных оказывается избыточной, так как она полностью содержит исходные данные реляционных баз.

· Системы оперативной аналитической обработки реляционных баз данных ROLAP (Relational OLAP) - исходные данные остаются в реляционной базе, агрегатные данные размещаются в кэш той же базы.

· Гибридные системы оперативной аналитической обработки данных HOLAP (Hybrid OLAP) - исходные данные остаются в реляционной базе, а агрегатные данные хранятся в многомерной базе данных (MDD).

Серверных OLAP-системы на базе информационных хранилищ поддерживают эти способы хранения данных.

Аналитическая система обеспечивает выдачу агрегатных данных по запросам клиентов. Сложность аналитических систем вызвана реализацией сложных интеллектуальных запросов. Интеллектуальные запросы осуществляют поиск по условию или алгоритму вычисления ответа. Например, выбрать для выпуска изделия, приносящие максимальную прибыль. Само условие может доопределяться в ходе формирования ответа, что усложняет алгоритм формирования ответа. Данные для формирования ответа могут находиться в разных внутренних и внешних базах. Существующий язык запросов SQL расширяется возможностью построения интеллектуальных запросов. Пример такого запроса - сравнить данные о продажах в конкретные месяцы, но разные годы. Для таких запросов используются непроцедурные языки обращения к многомерным базам данных. Примером такого языка запросов является язык MDX (Multidimensional Expressions). Он позволяет формировать запрос и описывать алгоритм вычислений. Язык SQL используется для извлечения данных из локальных баз. Язык MDX служит для извлечения данных из многомерных баз и информационных хранилищ.

Аналитические данные используются в системах поддержки принятия решений.

Самые современные аналитические системы основываются на информационных хранилищах и обеспечивают весь спектр аналитической обработки. Доступ к информационным хранилищам реализован посредством транзакций. По интеллектуальным запросам OLAP -системы информационное хранилище выдает аналитические данные. По запросам, объединенным в транзакции, других систем информационное хранилище обеспечивает их обработку, выдачу ответов и отчетов, но не обеспечивает функцию анализа данных. Именно поэтому эти системы называются OLTP -системами (On-Line Transaction Processing) в отличии от OLAP -систем.

Примером OLAP-систем является Brio Query Enterprise корпорации Brio Technology. OLAP-средства включают в свои системы фирмы 1С, Парус и др.

Технологии Data Mining (добыча данных) разработаны для поиска и выявления в данных скрытых связей и взаимозависимостей с целью предоставления их руководителю в процессе принятия решений. Для этого используются статистические методы корреляции, оптимизации и другие, позволяющие находить эти зависимости и синтезировать дедуктивную (обобщающую) информацию. Технологии Data Mining обеспечивают:

· Поиск зависимых данных (реализацию интеллектуальных запросов);

· Выявление устойчивых бизнес - групп (выявление групп объектов, близких по заданным критериям);

· Ранжирование важности измерений при классификации объектов для проведения анализа;

· Прогнозирование бизнес - показателей (например, ожидаемые продажи, спрос);

· Оценка влияния принимаемых решений на достижение успеха предприятия;

· Поиск аномалий и т.д.

Интеллектуальные деловые технологии BIS (Business Intelligence Services) преобразуют информацию из внутренних и внешних баз в интеллектуальный капитал (аналитические данные). Главными задачами систем интеллектуального выбора данных является поиск функциональных и логических закономерностей в накопленных данных для подсказки обоснованных управленческих решений. Они основаны на применении технологий информационного хранилища и алгоритмов автоматизации деловых процессов (Workflow). Аналитические данные предоставляются руководству всех уровней и работникам аналитических служб организации по запросам в удобном виде.

Для интеллектуального анализа текстовой информации разработаны структурные аналитические технологии (САТ). Они ориентированы на углубленную обработку неструктурированной информации. Реализуют уникальную способность человека интерпретировать (толковать) содержание текстовой информации и устанавливать связи между фрагментами текста. САТ реализованы на базе гипертекстовой технологии, лингвистических процессоров, семантических сетей. Структурные аналитические технологии предназначены для решения разнообразных задач аналитического характера на основе структуризации предварительно отобранной текстовой информации. Являются инструментом создания аналитических докладов, отчетов, статей, заметок для использования в информационно - аналитических службах организаций, отраслей, государственного управления, СМИ и т.д.

4.4 Технологии систем поддержки принятия решений

До появления аналитических систем предпринимались попытки создания автоматизированных систем управления на основе анализа данных локальных баз предприятия. Однако реализованные функции значительно отличались от функций ведения бизнеса, так как данные, собранные в локальных базах, не адекватны информации, которая нужна лицам, принимающим решения.

Отличие систем поддержки принятия решений (СППР) от автоматизированных систем управления заключается в следующем:

· автоматизированные системы управления основаны на локальных базах данных. СППР - на информационных хранилищах, витринах данных;

· автоматизированные системы управления используют только внутренние данные. СППР используют внутренние и внешние данные;

· в автоматизированных системах управления используется одна модель данных - чаще всего - реляционная. В СППР применяются разные модели данных: витрин, реляционных и многомерных баз данных;

· обе системы различаются архитектурой хранения данных;

· автоматизированные системы управления обслуживают запросы, СППР обеспечивают интеллектуальные запросы;

· в отличие от автоматизированных систем управления СППР обеспечивает интеллектуальную поддержку принятия решений.

Автоматизация деловых процессов, применяемая в системах электронного документооборота и групповой работы, автоматически обеспечила контроль исполнения деловых операций на уровне каждого сотрудника предприятия. Тем самым надобность в исполнительных информационных системах EIS отпала. Управленческие системы (MIS) разрабатываются на базе обработки детализированных данных предприятия как АРМ руководства всех уровней. Появление аналитических систем и технологий интеллектуального выбора данных позволило создать интеллектуальные системы поддержки принятия решений (DSS).

Системы поддержки принятия решений DSS (Decision Support System) на базе аналитических данных подсказывают или помогают выбрать руководящему персоналу обоснованное решение, приносящее успех предприятию. Они предназначены для:

· Анализа данных, оценки сложившейся ситуации для выработки решения.

· Выявления ограничений на принимаемое решение, противоречивых требований, формируемых внутренней и внешней средой.

· Генерация списка возможных решений (альтернатив).

· Оценки альтернатив с учетом ограничений и противоречивых требований для выбора решения.

· Анализа последствий принимаемого решения.

· Окончательного выбора решения.

Такие задачи относятся к классу слабо структурированных и неструктурированных задач, где невозможно без вмешательства человека дать четкие алгоритмы зависимостей между данными. В этих задачах количественные или качественные зависимости показателей либо неизвестны, либо заранее не определены. В хорошо структурированных задачах можно найти алгоритм построения количественных или качественных зависимостей, что упрощает их автоматизацию.

Решение слабо структурированных задач основано на использовании экономико-математических моделей, методов экспертных оценок, много проходного анализа данных.

Пользователями систем поддержки принятия решений являются руководители высших уровней управления предприятием и менеджеры аналитических служб. Отличие систем поддержки принятия решений от аналитических систем заключается в следующем. Аналитические системы подготавливают аналитическую информацию. Руководитель может на ее основе принять решение. Системы поддержки принятия решений проводят дальнейший анализ аналитической информации для выработки подсказки, списка решений или единственного обоснованного решения. Для реализации этих функций разработаны серверы DSS.

В настоящее время эксплуатируются четыре варианта архитектур СППР:

· функциональные СППР на основе внутренних локальных баз данных;

· на базе независимых витрин данных, информация которых не дублируется;

· на базе двухуровневой структуры информационного хранилища;

· на базе трехуровневой структуры информационного хранилища.

Схема движения возможных потоков данных в управленческих системах приведена на рис. 4.2. На схеме показаны возможные пути движения данных при использовании трехуровневой структуры информационного хранилища. На конкретных предприятиях может использоваться часть из них, или иные схемы с использование других средств. Поясним схему.

Информационные хранилища получают оперативную информацию из внутренних источников данных организации (от функциональных подсистем). Если в организации реализован электронный документооборот, то его данные также размещены в информационном хранилище. По интернету могут быть получены данные из внешних источников (web-серверов правительственных и законодательных органов, конкурентов и т. д.).

Рис. 4.2 Концептуальная схема автоматизированной системы управления

При размещении внутренних и внешних данных в информационное хранилище используются средства погружения, которые выполняют очищение, синхронизацию, агрегирование и преобразование данных информационного хранилища в целостную и взаимосвязанную информацию.

Для снятия нагрузки с основного информационного хранилища организации можно использовать витрины данных. Они содержат, в основном, информацию, используемую АРМ сотрудников, включая АРМ генерального директора (MIS). Они обеспечивают запросы, связанные с поиском и обработкой детализированных данных.

Система электронного документооборота обеспечивает управление документами и деловыми операциями. Тем самым реализуется разделение работ между сотрудниками, исполнительная система EIS на уровне каждого сотрудника.

OLAP-системы, инструменты Data Mining, технологии BIS предоставляют интеллектуальный капитал аналитическим службам и руководству предприятия всех уровней для подсказки решения. Заметим, что достаточно присутствие одной системы.

Системы поддержки принятия решений (DSS) используют аналитические данные OLAP-систем и систем интеллектуального выбора данных для выработки решения. Они также могут посредством транзакций обращаться к информационному хранилищу.

Примерами систем поддержки принятия решений являются Эксперт, Crystal Info и др. Система Эксперт используется при решении задач планирования, управления и прогнозирования. Система Crystal Info основана на использовании web-технологии, технологии OLAP для поддержки принятия решений во всех сферах управленческой деятельности организации.

Системы поддержки принятия решений используются в банковских, страховых системах, розничной торговле для планирования закупок и хранения и других сферах.

Рассмотренные технологии определены сравнительно недавно и продолжают развиваться. Строгого разграничения предметной области их применения не существует.

Передовые зарубежные страны занимают лидирующее положение в области разработок и внедрении СППР во все жизненные сферы, где требуется принятие решений. Лидеры отечественного рынка также внедряют OLAP-средства в свои системы. Например, фирмы 1С, Парус и др. для обеспечения функций интеллектуальной поддержки принятия решений разрабатывают средства доступа к существующим аналитическим системам.

На рынке средств доступа к информации аналитические системы занимают до 40% сегмента IAT (Information Access Tools). Наблюдаются следующие тенденции:

· Ощутима бизнес-потребность в доступе к не структурируемой информации: текстам, графической, аудио-видео информации. Ее интеграция со структурируемыми данными приведет к появлению нового класса инструментов.

· Наблюдается тенденция слияния OLAP-систем с инструментами интеллектуального выбора данных.

· Большинство информационных хранилищ обеспечиваются средствами получения аналитических данных.

· Системы поддержки принятия решений проникают во все сферы экономической и финансовой деятельности: банковские, маркетинговые, финансовые системы, электронный бизнес, торговлю, корпоративные информационные системы.

Ключевые моменты: Технологии построения корпоративных информационных систем. Технологии экспертных систем. Технологии интеллектуального анализа данных.

Вопросы к самопроверке:

1. Технологии построения корпоративных информационных систем

2. Технологии экспертных систем.

3. Технологии интеллектуального анализа данных.

Рекомендуемая литература:

1. Гаспариан М.С., Лихачёва Г.Н., Хрусталев Е.Ю., Божко В.П. Учебно-методическое пособие “Применение информационных технологий в экономике и управлении“ - М.: МЭСИ, 2002.

2. Гаспариан М.С. Методическое пособие «Некоторые вопросы практического применения информационных технологий в экономике и управлении» - М.:МЭСИ, 2000.

3. Информатика: Учебник / под ред. проф. Макаровой Н.В. - М.: Финансы и статистика, 1997.

4. Информационные системы в экономике: Учебник/ под ред. проф. Дика В.В. - М.: Финансы и статистика, 1996.

5. Лихачева Г.Н. Информационные технологии в экономике и управлении - М.:МЭСИ, 2002.

6. Информационные системы в экономике: Учебник /Под ред. проф. Дика. - М.: Финансы и статистика, 1996.

7. Тихомиров В.П., Морозов В.П., Хрусталев Е.Ю. Основы гипертекстовой информационной технологии /Моск. эконом.-стат. ин-т. - М., 1993.

Размещено на Allbest.ru