Интеллектуальный анализ данных и управление процессами

Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации, эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных, дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях. По количеству реальных приложений лидируют системы интеллектуального анализа данных в бизнесе и в управлении процессами.

Интеллектуальный анализ данных (ИАД) или data mining - это процесс выявления значимых корреляций, образцов и тенденций в больших объемах данных. Учитывая высокие темпы роста объемов накопленной в современных хранилищах данных информации, роль ИАД трудно переоценить. По мнению специалистов Gartner Group, в 1998 г. ИАД войдет в десятку важнейших информационных технологий. В последние годы началось активное внедрение технологии ИАД. Ее активно используют такие крупные корпорации как American Express, Lockheed и многие другие. Естественно, в ответ на этот интерес на рынке программных средств стали появляться соответствующие инструментальные средства.

Особенно широко методы ИАД применяются в бизнес-приложениях аналитиками и руководителями компаний. Для этих категорий пользователей разрабатываются инструментальные средства высокого уровня, позволяющие решать достаточно сложные практические задачи без специальной математической подготовки. Актуальность использования ИАД в бизнесе связана с жесткой конкуренцией, возникшей вследствие перехода от «рынка продавца» к «рынку покупателя». В этих условиях особенно важно качество и обоснованность принимаемых решений, что требует строгого количественного анализа имеющихся данных. При работе с большими объемами накапливаемой информации необходимо постоянно оперативно отслеживать динамику рынка, а это практически невозможно без автоматизации аналитической деятельности.

 1. Типовые задачи для методов ИАД

Прогнозирование - одна из самых распространенных задач ИАД. В частности, при планировании и составлении бюджета необходимо прогнозировать объемы продаж и другие параметры с учетом многочисленных взаимосвязанных факторов - сезонных, региональных, общеэкономических и т.д. Можно также выявлять корреляции в продажах, например «покупке компьютера, как правило, сопутствует покупка блока бесперебойного питания».

Маркетинговый анализ. Чтобы разработать эффективный маркетинговый план, нужно знать, каким образом на уровень продаж влияют такие факторы как стоимость товара, затраты на продвижение продукции и рекламу. Нейросетевые модели позволяют менеджерам и аналитикам прогнозировать подобное влияние.

Анализ работы персонала. Производительность труда служащих зависит от уровня подготовки, от оплаты труда, опыта работы, взаимоотношений с руководством и т.д. Проанализировав влияние этих факторов, можно выработать методику повышения производительности труда, а также предложить оптимальную стратегию подбора кадров в будущем.

Анализ эффективности продажи товаров по почте. Если компания занимается рассылкой рекламы и образцов продукции по почте, то имеет смысл оценить эффективность подобной деятельности. При этом можно выявить круг потенциальных покупателей, и оценить вероятность совершения ими покупки. Кроме того, можно опробовать различные формы переписки и выбрать наиболее удачные.

Профилирование клиентов. С помощью нейросетевых моделей можно среди многочисленных клиентов фирмы выбрать тех, сотрудничество с которыми наиболее выгодно - получить портрет «типичного клиента компании». Кроме того, можно выяснить, почему работа с некоторыми из заказчиков стала неэффективной, и выработать стратегию поиска подходящих клиентов в будущем. Эта задача чаще всего решается менеджерами по продажам, а для банков, например, особый интерес представляет возможность оценки кредитоспособности клиентов.

Оценка потенциальных клиентов. Планируя предварительные переговоры имеет смысл определить, с какой долей вероятности они закончатся заключением договора (или продажей продукции). Анализ опыта работы с клиентами позволяет выявить характерные особенности тех заявок, которые закончились реальными продажами. Используя результаты данного анализа, менеджеры могут остановиться на более перспективных заявках клиентов.

Анализ результатов маркетинговых исследований. Чтобы оценить реакцию покупателей на политику компании в области распространения продукции, ценообразования, а также на характеристики самой продукции, необходимо, наряду с анализом продаж, проводить опросы покупателей. Это позволяет усовершенствовать процесс принятия решений по ценам и характеристикам выпускаемой продукции (дизайн, функциональность, упаковка).

Анализ работы региональных отделений компании. С помощью нейросетевых моделей можно сравнивать результаты деятельности региональных отделений или филиалов компании и определять, от чего зависит эффективность их работы (географическое положение, численность персонала, ассортимент продукции/услуг и т.д.). Результаты используются для оптимизации работы «отстающих» отделений, а также при планировании создания новых филиалов.

Сравнительный анализ конкурирующих фирм. Почему некоторые компании процветают и удерживают прочные позиции на рынке, а другие нет? Какие сферы бизнеса самые выгодные? Чтобы ответить на эти вопросы можно сравнить деятельность конкурирующих компаний и выяснить, какие факторы определяют прибыльность их бизнеса.

Очевидно, что перечисленные виды задач актуальны практически для всех отраслей бизнеса: банковского дела и страхования (выявление злоупотреблений с кредитными карточками, оценка кредитных рисков, оценка закладных, выявление профилей пользователей, оценка эффективности региональных отделений, вероятность подачи заявки на выплату страховки и др.), финансовых рынков (прогнозирование, анализ портфелей, моделирование индексов), производства (прогнозирование спроса, контроль качества, оценка дизайна продукции), торговли и т. д.

Для применения методов нейронных сетей в процессе информационного анализа данных в бизнес-приложениях разработан ряд инструментальных средств высокого уровня. К ним относятся в первую очередь системы 4Thought (Cognos) и SENN Sales (Siemens Nixdorf).

 2. Система 4Thought

Данный продукт входит в семейство средств Business Intelligence, предлагаемых одним из ведущих разработчиков инструментальных средств для создания аналитических приложений в бизнесе, канадско-американской компанией Cognos. Средства анализа результатов, предусмотренные в данной системе делают ее удобным инструментом как для конечного пользователя-аналитика/ менеджера, так и для специалиста-математика. Интеграция со средствами OLAP (система PowerPlay) позволяет применять нейросетевые методы анализа и прогнозирования непосредственно к гиперкубам PowerPlay.

Используя технологию нейронных сетей, 4Thought позволяет анализировать эффективность работы предприятий и их подразделений, отдачу от инвестиций и/или различных видов рекламы и т.д. Параметр, характеризующий эффективность - это целевой показатель, а все прочие влияющие на него мы будем называть факторами (причем значения показателя и факторов могут быть как числовыми, так и символьными). Рассмотрим несколько примеров, в основе которых лежат реальные приложения.

Исходные данные анализа представляются в виде таблицы, один из столбцов которой - целевой показатель (например, прибыль или объем продаж), а остальные - влияющие факторы (затраты на рекламу, время года, регион и др.). 4Thought строит количественную модель зависимости значений показателя от значений факторов, после чего позволяет проводить перекрестный анализ (просматривать в графической и аналитической форме зависимость моделируемого показателя от любого из выбранных факторов при фиксированных и/или усредненных значениях других факторов), проверять гипотезы «что если», оценивать значимость факторов по степени их влияния на целевой показатель, а также использовать полученную модель для прогнозирования значения показателя исходя из известных значений факторов.

2.1. Анализ работы филиалов

В данном примере исследовалось влияние различных факторов (регион, масштаб и виды деятельности) на эффективность работы филиала компании. К региональным факторам можно отнести категорию региона и тип населенного пункта, где расположен торговый филиал: городской или сельский. Масштаб деятельности может характеризоваться величиной оборота и потоками наличных средств, а виды деятельности - видами товаров. В качестве целевого показателя можно выбрать величину непроизводственных расходов филиала. Для эффективного управления компанией необходимо понимать, от чего зависят затраты в каждом филиале, что является решающим фактором - особенности конкретных регионов или вид товаров, хранящихся на складе? Можно ли дать точную оценку качеству управления тем или иным филиалом? Ответив на эти вопросы, руководство сможет усовершенствовать процесс ценообразования, выбрать адекватные методы управления филиалами и затем распространить их в масштабах всей компании, а также планировать подрядок ввода в действие новых региональных филиалов и закрытия старых.

Вообще методы оценки филиалов применимы к исследованию любых однородных (характеризующихся одним и тем же набором признаков) компонентов сложных бизнес-систем, например, при анализе деятельности дистрибуторов роль филиалов могут играть отдельные территории.

На основании таблицы характеризующих данные по филиалам, 4Thought позволяет строить модель влияния выбранных столбцов-факторов на величину издержек филиала. Это довольно сложная задача, которую невозможно решить традиционными статистическими методами. Система использует данные о работе филиалов для обучения нейронной сети, которая моделирует зависимость издержек филиалов от различных факторов.

17.04.1998г

Также в разделе: