Необходимым условием развития современной компании является быстрое реагирование на изменения рыночной ситуации. Правильное использование информации как ресурса помогает контролировать все стороны деятельности предприятия, оперативно выявлять узкие места, концентрировать усилия именно там, где они больше всего необходимы, разрабатывать оптимальные стратегии управления и развития бизнеса. Но для всего этого требуются специальные инструменты, обеспечивающие сбор, хранение и аналитическую обработку данных.

У крупного предприятия и вуза много общего: сопоставимы финансовые показатели, численность персонала, филиальная сеть и т.п. Выпускаемые вузом специалисты — очень трудоемкая «продукция», производство которой невозможно без эффективного управления учебным заведением. Сегодня консолидируется научный и образовательный потенциал учебных и научно-исследовательских учреждений, возникают объединенные вузы, комплексы и ассоциации университетов, а потому роль информационной инфраструктуры становится все более важной. Система отечественного высшего образования стоит на пороге интеграции отечественных образовательных стандартов с международными, а значит, необходимо управление качеством образовательного процесса.

Внедрение единого информационного хранилища и аналитических приложений позволяет вузу решить целый ряд задач:

  • обеспечение руководства средствами мониторинга всех аспектов деятельности вуза; повышение уровня информационной «прозрачности» вуза;
  • предоставление своевременной точной информации в любых информационных ракурсах, релевантных проведению детального анализа; комплексная оценка эффективности работы вуза;
  • реализация процесса стратегического управления с использованием методологии ключевых показателей эффективности; формулировка стратегических целей в терминах оперативных задач сотрудников, контроль над достижением поставленных целей, анализ отклонений и их корректировка;
  • реализация сквозной модели планирования — от стратегического уровня до уровня освоения ресурсов; поддержка наиболее распространенных методологий и процедур планирования, реализация сценарного планирования.

Компания Redlab, проведя работы по настройке и адаптации аналитического инструментария SAP BI (Business Intelligence) с учетом специфики отечественной образовательной системы, предложило отраслевое решение для сферы образования, которое было внедрено в ряде российских вузов. В его состав входят модули формирования аналитической отчетности и стратегического управления, построенные на базе продуктов SAP BW и SAP SEM.

Формирование аналитической отчетности

Рис. 1. Пример модели хранения и обработки информации в хранилище (реальные структуры содержат большее количество аналитических признаков)

Логическая структура управленческих данных отображается в многомерных моделях, содержащих два типа объектов (рис. 1):

  • показатели — информация о предметной области, такая как количество студентов и профессорско-преподавательского состава, сведения о выплатах и стипендиях, объем финансирования и т.д.;
  • признаки — основные направления анализа количественной информации (кафедры, учебные планы, специальности и т.д.).

Многомерные модели хранения позволяют представлять информацию в ракурсе управленческой логики решаемых задач, с прозрачной для конечного пользователя структурой. В зависимости от информационных потребностей руководства можно менять степень детализации данных и направленность аналитических отчетов. Обеспечивается оперативная адаптация моделей данных к изменениям в вузе и во всей сфере образования. Признаки и показатели, характеризующие разные аспекты деятельности вуза, могут многократно включаться в новые информационные модели.

В рассматриваемом аналитическом решении реализована система отчетов по особым ситуациям, служащая для отбора и выделения критических или не соответствующих норме параметров разных процессов вуза. Под особыми ситуациями подразумевается превышение в отчетах какими-либо параметрами предварительно указанных пороговых значений. Показатели, которые выходят за пределы пороговых значений, выделяются в аналитических отчетах. Определение особой ситуации заключается в установке пороговых значений или интервалов, а также в присвоении им приоритетов («плохо», «критично», «хорошо»). Пользователь может определять и изменять условия особых ситуаций без помощи технических специалистов (рис. 2).

Рис. 2. Пример отчета по особой ситуации

Сотрудникам вуза, ответственным за принятие решений, необходима точная полная информация для получения полноценного представления как о самом учебном заведении, так и о его внешней среде. Значительная доля таких сведений фрагментарна и хранится в разных распределенных базах данных и приложениях (результаты опросов студентов и преподавателей, данные из системы дистанционного обучения, информация о состоянии библиотечных фондов и социальной сферы, финансовая отчетность других вузов, рейтинги учебных заведений, социальные и экономические показатели по региону и др.). Модуль формирования аналитической отчетности обеспечивает интеграцию, преобразование, консолидацию, очистку и непосредственное хранение данных, поступающих из любых структурированных источников. А сами отчеты позволяют получить ответы на вопросы, связанные с управлением процессом обучения в вузе:

  • выявить специализации с лучшей или худшей успеваемостью по тому или иному предмету;
  • определить, по какой дисциплине студенты с той или иной специализацией успевают лучше или хуже, и как эта ситуация меняется в зависимости от их года набора;
  • выявить динамику роста или снижения успеваемости студентов в зависимости от семестра и года набора курса;
  • проанализировать пересдачи по дисциплинам и причины отчисления студентов;
  • проследить изменения в составе студентов по годам набора по ряду признаков (регион, родной язык, возраст, пол, служба в армии и т.д.).

Аналитическая отчетность встроена в среду Microsoft Office, а доступ к ней может осуществляться с использованием Web-интерфейса. Это позволяет сотрудникам, наделенным соответствующими полномочиями, удаленным образом получать доступ к своевременной точной информации, а также интегрировать отчетность в портал вуза.

Решение задачи стратегического управления

Основные проблемы в сфере стратегического планирования и управления, с которыми сталкиваются отечественные вузы, типичны. Стратегическое планирование и управление — явления эпизодические; внимание им уделяется один-два раза в год. Стратегические цели и задачи, определяемые руководством, зачастую носят декларативный характер и не подкреплены соответствующими средствами контроля и мониторинга; механизмы корректировки стратегических целей в соответствии с изменениями во внутренней и внешней среде отсутствуют. Также отсутствует и связь стратегических задач с уровнем оперативного управления; задачи отдельных подразделений вуза часто не скоординированы и могут входить в противоречие с его стратегическими целями, а подавляющая часть сотрудников не вовлечена в процессы стратегического управления, при том что система выплат и вознаграждений не всегда привязана к измеримым результатам труда. Процессы стратегического планирования и процесс формирования бюджета часто не связаны между собой; отсутствуют механизмы формирования разных версий бюджетов и планов, инструменты коллективного планирования.

Устранить указанные проблемы помогает модуль стратегического управления, реализованный на базе системы SAP SEM (Strategic Enterprise Management). Если модуль аналитической отчетности обеспечивает информационную поддержку управленческих решений, то этот модуль позволяет формализовать и реализовать задачи, связанные со стратегическим планированием и управлением на базе системы сбалансированных показателей (Balanced ScoreCard, BSC). При использовании BSC стратегические цели и приоритеты вуза формулируются в виде задач подразделений, что обеспечивает решение двух взаимосвязанных проблем. Во-первых, сотрудники каждого подразделения отчетливо представляют, какую роль играют возложенные на них функции и задачи в реализации стратегии вуза. Во-вторых, можно гарантировать, что задачи подразделений не будут противоречить стратегическим задачам вуза.

Оперативные задачи подразделений группируются по нескольким перспективам. Как правило, для эффективной работы достаточно перспектив по следующим четырем направлениям: финансы, потенциал вуза, клиенты и внутренние бизнес-процессы (рис. 3). Однако в зависимости от конкретной ситуации возможно использование и других перспектив. Так, при реализации на базе SAP SEM внутривузовской системы качества было использовано семь перспектив (образовательные программы, НИР, финансы, социальная сфера, кадровый состав, библиотека и информатизация, обеспечивающие подразделения).

Рис. 3. Система сбалансированных показателей

Группировка показателей по перспективам позволяет создать сбалансированную систему оценок, которая будет состоять из финансовых и нефинансовых, результирующих и прогнозных, внутренних и внешних, краткосрочных и долгосрочных показателей (численность преподавательского состава, объем бюджетного финансирования, число студентов, обучающихся по контракту, количество выполненных НИР, затраты на содержание помещений, доля выплат персоналу из внебюджетных источников финансирования и т.д.). Система позволяет определять причинно-следственные связи между отдельными задачами, не квалифицируемые математически, что дает возможность представить последствия любого из решений, принимаемых на оперативном уровне (рис. 4). Связь между двумя задачами означает, что результаты выполнения задачи, от которой направлена связь, влияют на успешность решения задачи, к которой направлена эта связь.

Рис. 4. Определение и визуальное представление причинно-следственных связей между задачами

Для каждой из задач определяются ключевые показатели эффективности (key performance indicator, KPI), являющиеся параметрами бизнес-процессов вуза, по значениям которых можно судить об успешности выполнения подразделениями их оперативных задач. Важно выбрать те показатели, которые понятны и подконтрольны сотрудникам, отвечающим за их значения. Важное достоинство такого подхода — возможность определять плановые значения KPI, комплекс оперативных мероприятий для достижения этих значений и бюджет. Таким образом, происходит интеграция процесса стратегического управления с процессами оперативного планирования и бюджетирования. Успешность решения задачи определяется на основе присвоенных ей KPI.

На этапе создания модели причинно-следственные связи устанавливаются экспертным путем. Далее, когда в модуль попадают фактические данные (т.е. появляется возможность определить значения KPI за какой-либо период), проводится анализ для проверки соответствия экспертной оценки реальной ситуации. По результатам анализа модель может корректироваться путем добавления новых связей, детализации существующих и изменения или удаления тех связей, которые в силу перемен в вузе и внешней среде утратили актуальность.

Плановые значения показателей в соответствии с определенным регламентом сравниваются с фактическими, получаемыми из информационной системы. Анализируя отклонения, руководитель принимает решения о внесении изменений в оперативные задачи подразделений, о корректировке приоритетов (рис. 5). В любой момент доступны сведения о статусе каждого из показателей (в соответствии с определенной шкалой, например «неудовлетворительно», «удовлетворительно», «хорошо» и т.д.), о его значении, ответственном подразделении и сотруднике. К данной системе могут быть привязаны дополнительные выплаты и компенсации персоналу. Процесс стратегического управления вузом становится непрерывным, и в него вовлекаются руководители и сотрудники всех подразделений.

Рис. 5. Контроль над отклонениями ключевых показателей от запланированных

Компонент Business Planning Simulation в составе SAP SEM позволяет использовать многомерные модели хранилища данных в качестве среды планирования, обеспечивает реализацию сквозной модели планирования — от стратегического уровня до уровня присвоения ресурсов. В состав интегрированной системы планирования могут быть включены все аспекты деятельности вуза, такие как бюджет, кадровый состав, движение денежных средств. Возможность создавать неограниченное количество версий планов и бюджетов («оптимистичный», «наиболее вероятный», «пессимистичный» и т.д.) позволяет моделировать ситуации «что, если». Поддерживаются процедуры коллективного планирования с использованием наиболее распространенных и зарекомендовавших себя методик (планирование «сверху вниз» и «снизу вверх», метод противотока, децентрализованное и централизованное планирование, скользящий прогноз).

В качестве примера использования данного модуля можно рассмотреть процесс планирования штатного расписания. Модуль позволяет планировать фонд заработной платы по бюджетным и внебюджетным средствам в зависимости от поступления денежных средств, принятых регламентов экономии заработной платы, организационно-штатной структуры организации и квалификации работников. Поддерживаются сценарии коллективного планирования: сотрудники вузов могут осуществлять итерационное планирование с необходимым уровнем детализации данных.

Например, руководитель планово-финансового управления вузом может учесть пожелания по формированию фонда экономии заработной платы (в зависимости от прогнозов поступления денежных средств по бюджетным и внебюджетным источникам) и определить сумму, подлежащую распределению между работниками. Затем руководитель вуза утверждает (или корректирует) эту сумму и определяет, как она будет распределена между подразделениями. На следующем этапе устанавливаются критерии распределения средств между конкретными сотрудниками подразделения (определяется, сколько получат профессорско-преподавательский состав, молодые специалисты, постоянный состав и т.д.). Часть средств может быть зарезервирована для распределения «вручную» (для разовых надбавок, материальной помощи). Детальная информация о распределении средств между работниками (штатная расстановка) доступна руководителю для дополнения и корректировки.

За счет возможности формирования разных версий планов и бюджетов на базе данного решения реализуется сценарное планирование, позволяющее «проиграть» всевозможные варианты поступления финансов и изменений в организационно-штатной структуре. На базе модуля можно планировать требуемые ресурсы и необходимые организационные изменения, связанные с открытием новых программ и специальностей.

Михаил Иевенко (mievenko@redlab.ru) — консультант компании Redlab (Москва).


Интеллектуальный анализ данных

Деятельность любого современного предприятия сопровождается накоплением огромных объемов данных, которые часто имеют разнородную структуру и не поддаются простой агрегации. В результате менеджерам трудно делать значимые выводы на основе имеющейся информации, что неизбежно усложняет процесс принятия управленческих решений. Для продуктивной работы с массивами данных требуются специальные средства интеллектуального анализа.

Процесс исследования больших объемов данных с целью обнаружения скрытых закономерностей и тенденций основан на разных методиках распознавания образов, статистических и математических методах. Технология Data mining позволяет выявить нетривиальные, неочевидные взаимосвязи в больших объемах данных, которые трудно обнаружить другими способами. После применения методов data mining можно утверждать, что с большой вероятностью найденные с их помощью закономерности присущи и новым наборам данных аналогичной структуры.

Один из примеров реализации интеллектуального анализа — инструментарий data mining, предлагаемый компанией SAP в составе решения SAP NetWeaver Business Intelligence (SAP NW BI). В его рамках реализованы такие методы, как деревья принятия решений, кластеризация, ассоциативный анализ, регрессия, таблицы взвешенных оценок, ABC-классификация.

Методы и модели data mining

Модели делятся на предсказательные (predictive) и описательные (informative, descriptive). В предсказательных параметры предварительно настраиваются на основе исторических данных из хранилища данных предприятия. К таким моделям в SAP NetWeaver Business Intelligence относятся, например, деревья принятия решений и регрессия.

Рис. 1. Пример дерева решений

Дерево принятия решений — это инструмент выбора правильного (в конкретной ситуации) действия или решения из заранее определенного набора возможных действий либо решений (рис. 1). Данная модель позволяет эффективно выделять факторы, которые исторически приводили к возникновению определенного события. Знание этих факторов способствует принятию правильного решения в новых условиях. Например, модель дерева принятия решений может применяться для прогнозирования неоплаты счета конкретным клиентом на основе данных о поведении и характеристик клиентов, не оплативших счета в прошлом.

Регрессионный анализ - статистический метод оценки ожидаемого значения зависимой переменной на основе установленного набора значений независимых переменных. Регрессионный анализ наиболее часто применяется для прогнозирования поведения клиентов. Например, данная модель позволяет предсказывать потенциальные объемы покупок клиента определенной возрастной группы. Модель регрессии строится на основе исторических данных, а в дальнейшем используется для новых наборов данных о клиентах с целью прогнозирования. В SAP NW BI реализованы методы линейной и нелинейной регрессии.

Описательные модели нацелены на анализ структуры данных, определение правил, шаблонов и ассоциаций внутри данных. К таким моделям в SAP NW BI относятся, например, кластеризация, ABC-классификация, таблицы взвешенных оценок, анализ ассоциаций.

Кластеризация — один из важнейших методов, наиболее часто применяемый в областях маркетинга и управления взаимоотношениями с клиентами. В нем накопленные массивы данных о клиентах используются для анализа их поведения и разработки стратегических инициатив, связанных со взаимоотношениями с клиентами. Кластеризация применяется для определения однородных групп объектов (кластеров), схожих по свойствам (рис. 2). С помощью кластеризации можно разделить клиентскую базу на сегменты на основе демографических признаков, прибыльности, ценности клиента, его склонности к отказу от услуг компании.

Рис. 2. Пример кластеризации

АBC-классификация — аналитический метод, часто используемый для классификации объектов на основе выбранной характеристики. Например, можно разбить клиентов на три класса (A,B и C) в соответствии с долей оборота, которую они приносят компании.

Таблицы взвешенных оценок используются для вычисления единой оценки объекта на основе набора значений его атрибутов. Например, компания может применить этот метод для вычисления оценки потенциального клиента на основе данных о его возрасте и доходах. Для этого каждой из возрастных групп присваивается индивидуальная оценка, а самому признаку «возраст» — весовой коэффициент. Аналогичные действия осуществляются и для признака «доход». Для вычисления единой оценки клиента индивидуальная оценка каждого признака умножается на соответствующий весовой коэффициент, а полученные результаты суммируются.

Анализ ассоциаций предназначен для выявления скрытых связей, шаблонов, закономерностей внутри набора событий или объектов. Классическим примером использования данного метода является анализ покупательской корзины. Ассоциативный анализ применяется к набору данных о продажах из транзакционных систем компании, в который входит подробный перечень товаров, приобретенных каждым покупателем. Метод анализа ассоциаций позволяет находить скрытые взаимосвязи в записях данных о наборах товаров и формировать ассоциативные правила. Например, правило может быть следующим: «Если клиент покупает компьютер, то с вероятностью 73,8% он купит принтер». Удается не только установить факт частых совместных продаж компьютеров и принтеров, но и вычислить вероятность наступления этого события.

Структура процесса анализа данных

Типичный процесс анализа данных при работе с SAP NW BI состоит из следующих фаз.

  1. На уровне подразделений компании анализируется проблема и ставится задача аналитику. В качестве примеров можно указать задачу выявления клиентов, склонных к отказу от услуг компании, разработку правил принятия решений о выдаче банковского кредита, сегментирование клиентской базы.
  2. Аналитик работает в среде хранилища: он отбирает данные для анализа, очищает и преобразует их, строит модель, получает и анализирует результаты. Например, для решения задачи о выдаче кредита аналитик выбирает данные о клиентах банка, вернувших кредит, и о проблемных клиентах, а затем передает эти данные в хранилище SAP BW. После этого он запускает процесс настройки модели решающего дерева.
  3. Результаты, полученные при использовании моделей data mining, могут быть переданы обратно в хранилище данных для автоматического формирования аналитических отчетов специализированными средствами.

В случае решения задачи сегментации полученный идентификатор сегмента, которому принадлежит клиент, можно передать в хранилище данных как дополнительный признак клиента. Впоследствии на основе этой информации аналитик сможет составлять многомерные аналитические отчеты о структуре клиентских сегментов компании.

Рис. 3. Построение процесса анализа

Для поддержки процесса анализа данных в SAP NW BI применяется инструмент «проектировщик процессов анализа» (рис. 3), с помощью которого можно моделировать и реализовать аналитические процессы любого уровня сложности.

Прогнозирование оттока клиентов

Имея в своем распоряжении технологии data mining, аналитик может выбрать, например, следующий алгоритм.

  1. Сформировать из транзакционной системы компании или из хранилища выборку данных об уже потерянных и пока оставшихся лояльными клиентах.
  2. Построив и применив модель дерева решений ко всей клиентской базе, определить клиентов группы риска, склонных к отказу от услуг компании в ближайшее время.
  3. Посредством ABC-классификации выделить из группы риска наиболее ценных клиентов, которые приносят компании наибольшую долю выручки.
  4. Построив модель кластеризации, разбить полученную выборку на целевые группы для проведения маркетинговых кампаний.
  5. С помощью анализа ассоциаций проанализировать покупательскую корзину с целью формирования наиболее привлекательных предложений продуктов и услуг для клиентов группы риска.
  6. Передать полученные знания о клиентах и продуктах в транзакционную систему (например, CRM-систему) для использования при планировании и проведении маркетинговых мероприятий.

Преднастроенные модели и сценарии

Средства data mining от SAP содержат уже настроенные и готовые к использованию модели и бизнес-сценарии, основанные на лучших практиках решения аналитических задач (управление оттоком клиентов, анализ возможности перекрестных продаж, анализ клиентских сегментов и т.д.). Конечно, готовая модель или сценарий — это только рекомендация, основанная на опыте в области аналитики. А итоговый успех зависит от проектных решений и опыта конечного пользователя, то есть аналитика, который должен обладать соответствующими навыками работы с инструментом, знать математический аппарат и понимать суть процессов.

Технологии data mining предназначены не только для глубокого анализа информации о событиях прошлого, но и для прогнозирования тенденций. Используя в своей деятельности модели и аналитические процессы data mining, предприятие получает возможность, например, составлять достоверные прогнозы продаж, предвидеть поведение клиентов и осуществлять необходимые действия для предотвращения неблагоприятных событий. Стандартные аналитические инструменты обычно не обеспечивают таких возможностей прогнозирования.

Ирина Егорова (irina.jegorova@sap.com) — консультант группы по бизнес-аналитике отдела по развитию бизнеса и представлению бизнес-решений SAP (Москва).


Примеры проектов

В 2002-2003 годах в ходе выполнения федеральной целевой программы «Развитие единой образовательной информационной среды» компания Redlab внедрила аналитические приложения в рамках ряда проектов, обеспечивающих поддержку управления образовательной отраслью на федеральном уровне.

Информационная подсистема единого государственного экзамена

Целью проекта было создание в рамках интегрированной автоматизированной информационной системы (ИАИС) информационной подсистемы единого государственного экзамена. Ее задачи — обеспечение сотрудников Минобразования аналитической информацией о процессах, связанных с проведением ЕГЭ, и информационная поддержка принятия управленческих решений. В рамках проекта была построена подсистема, позволяющая интегрировать в едином хранилище данных Минобразования информацию о процессах проведения ЕГЭ. Разработано и реализовано хранилище данных об образовательных учреждениях — участниках ЕГЭ, определены структуры единых отраслевых справочников, обеспечивающих совместное функционирование систем ИАИС и ЕГЭ, разработан регламент обмена данными между подсистемой ЕГЭ ИАИС и системой ЕГЭ.

Информация поступает в хранилище из региональных баз данных, агрегируется до уровня образовательных учреждений и становится доступной для формирования аналитической отчетности. Взаимодействие подсистемы ЕГЭ и региональных баз данных осуществляется на основе единых отраслевых справочников и классификаторов, реализованных в подсистеме ЕГЭ ИАИС. Единое хранилище отраслевой информации ИАИС разработано на системной платформе SAP, что позволило интегрировать сведения из разных приложений, построить на основе общего хранилища данных единую систему мониторинга основных показателей сферы образования, создать систему стратегического и оперативного планирования на основе прогнозирования развития отрасли.

Мониторинг показателей информатизации

Прототип хранилища данных, полученных при мониторинге показателей информатизации на всех уровнях системы образования, и разработанные на его основе аналитические отчеты позволили сотрудникам Минобразования осуществлять текущий контроль и планирование информатизации образовательных учреждений. Они проводятся в разных аспектах: материально-техническое обеспечение образовательных учреждений, состояние информационной инфраструктуры, кадровое обеспечение, используемое программное обеспечение.

Данное решение создано на основе методики расчета и анализа количественных и качественных показателей уровня информатизации образовательных учреждений. В качестве исходных данных, поступающих в хранилище, использовались анкеты, которые были предложены для заполнения в трех регионах РФ. Программная платформа хранилища данных позволяет оперативно вносить необходимые изменения в структуры хранения и анализа при изменении количественной и качественной информации, получаемой при мониторинге образовательных учреждений.