Интеллектуальный анализ данных в системах поддержки принятия решений

3 Интеллектуальный анализ данных

Интеллектуальный анализ данных (ИАД) обычно определяют как  метод поддержки принятия решений, основанный на анализе зависимостей между данными. В рамках такой  общей формулировки обычный анализ отчетов, построенных по базе данных, также может рассматриваться  как разновидность ИАД. Чтобы  перейти к рассмотрению более  продвинутых технологий ИАД, посмотрим, как можно автоматизировать поиск  зависимостей между данными.

Существует два подхода. В первом случае пользователь сам  выдвигает гипотезы относительно зависимостей между данными. Фактически традиционные технологии анализа развивали именно этот подход. Действительно, гипотеза приводила к построению отчета, анализ отчета к выдвижению новой гипотезы и т. д. Это справедливо и в  том случае, когда пользователь применяет  такие развитые средства, как OLAP, поскольку  процесс поиска по-прежнему полностью  контролируется человеком. Во многих системах ИАД в этом процессе автоматизирована проверка достоверности гипотез, что  позволяет оценить вероятность  тех или иных зависимостей в базе данных. Типичным примером может служить, такой вывод: вероятность того, что  рост продаж продукта А обусловлен ростом продаж продукта В, составляет 0,75.

Второй подход основывается на том, что зависимости между  данными ищутся автоматически. Количество продуктов, выполняющих автоматический поиск зависимостей, говорит о  растущем интересе производителей и  потребителей к системам именно такого типа. Сообщается о резком росте  прибылей клиентов за счет верно найденной, заранее неизвестной зависимости. Упоминается пример сети британских универсамов, где ИАД применялся при анализе убытков от хищений  товаров в торговых залах. Было обнаружено, что к наибольшим убыткам приводят хищения мелких "сопутствующих" товаров: ручек, батареек и т. п. Простой  перенос прилавков с этими товарами ближе к расчетным узлам позволил снизить убытки на 1000%.

Сегодня количество фирм, предлагающих продукты ИАД, исчисляется десятками, однако, не рассматривая их подробно, приведем лишь классификацию процессов ИАД, применяющихся на практике.

Процессы ИАД подразделяются на три большие группы: поиск зависимостей (discovery), прогнозирование (predictive modelling) и  анализ аномалий (forensic analysis). Поиск зависимостей состоит в просмотре базы данных с целью автоматического выявления  зависимостей. Проблема здесь заключается  в отборе действительно важных зависимостей из огромного числа существующих в БД. Прогнозирование предполагает, что пользователь может предъявить системе записи с незаполненными полями и запросить недостающие  значения. Система сама анализирует  содержимое базы и делает правдоподобное предсказание относительно этих значений. Анализ аномалий - это процесс поиска подозрительных данных, сильно отклоняющихся  от устойчивых зависимостей.

В системах ИАД применяется  чрезвычайно широкий спектр математических, логических и статистических методов: от анализа деревьев решений (Business Objects) до нейронных сетей (NeoVista). Пока трудно говорить о перспективности или  предпочтительности тех или иных методов. Технология ИАД сейчас находится  в начале пути, и практического  материала для каких-либо рекомендаций или обобщений явно недостаточно.

Необходимо также упомянуть  об интеграции ИАД в информационные системы. Многие методы ИАД возникли из задач экспертного анализа, поэтому  входными данными для них традиционно  служат "плоские" файлы данных. При использовании ИАД в СППР часто приходится сначала извлекать  данные из Хранилища, преобразовывать  их в файлы нужных форматов и только потом переходить собственно к интеллектуальному  анализу. Затем результаты анализа  требуется сформулировать в терминах бизнес-понятий. Важный шаг вперед сделала  компания Information Discovery, разработавшая системы OLAP Discovery System и OLAP Affinity System, предназначенные специально для интеллектуального анализа многомерных агрегированных данных.

Заключение

Создание СППР на основе ХД - сложный, но обозримый процесс, требующий знания бизнеса, программно-технического инструментария и опыта выполнения крупных проектов. Вместе с тем  внедрение подобных систем может  дать преимущества в бизнесе, которые  будут тем ощутимее, чем раньше организация начнет создание СППР. По прогнозам консалтинговой фирмы Gartner Group, к 2000 году примерно 90-95% компаний будут использовать ХД.

Значимость информационных систем подобного уровня признается и представителями большинства  российских компаний. Однако в силу ряда причин, инициативные или заказные работы ведутся зачастую достаточно бессистемно, в основном в двух направлениях:

• закупка и тестирование разнообразных продуктов, применяемых при создании СППР и ХД (к сожалению, большинство из них плохо сопрягаются друг с другом, из-за чего создается ложное впечатление "неподъемности" проблемы);
• решение частного вопроса о повышении производительности отчетных систем путем локального перепроектирования структуры хранения или перехода на более современные и сложные программные средства.

Список использованной литературы

1. Система поддержки принятия  решений в человеко-машинных системах управления. Труды Института проблем управления РАН им. В.А.Трапезникова. Том УШ. М.: ИПУРАН, 2000г. с. 46-59.

2. Арлазаров В.Л., Журавлев  Ю.И., Ларичев О.И., Лохин В.М., Макаров  И.М., Рахманкулов В.З., Финн В.К. Теория и методы создания интеллектуальных компьютерных систем // Информационные технологии и вычислительные системы. - 1998. -№1.

3. Валькман Ю.Р. Интеллектуальные  технологии исследовательского проектирования. -Киев.: Port-Royal. -1998.

4. Комарцова Л.Г. Оптимизация  вычислительной системы на ее  имитационной модели. // Вестник МГТУ им. Н.Э.Баумана. - сер. "Приборостроение". -1999. - №2. -С.48-60.

5. Литвак Б.Г. Экспертные  технологии управления. М.: Дело, 2004г.

6. Трахтенгеру Э.А. Компьютерная  поддержка принятия решений. –  М.: Наука, 1998. 7. Чекинов Г.П., Куляница А.Л., Бондаренко В.В. Применение ситуационного управления в информационной поддержке принятия решений при проектировании организационно-технических систем // Информационные технологии в проектировании и производстве, № 2, 2003.