Информационная система "Конференции"

Тезисы докладов

В современных экономических условиях, характеризующихся относительно высокой стабильностью и предсказуемостью, собственники и топ-менеджеры бизнеса все чаще поднимают вопрос о повышении эффективности планирования финансово-хозяйственной деятельности (бюджетирования) и оперативного управления. Любое планирование связанно с анализом прошлого и текущего опыта и прогнозом развития ситуации в будущем. Базы данных предприятия накапливают прошлый опыт, а также являются хорошей (а порой единственной) базой для прогнозирования. Ясно, что без применения продуктивной обработки, данные представляют собой хранилище бесполезной информации. Для обработки «сырых» данных в базах данных необходимо обеспечить:

1. Эффективный механизм администрирования данных, позволяющий выполнять необходимые запросы и выборки в короткие сроки без искажения данных.

2. Механизм анализа «сырых» данных с целью получить полезные знания в предметной области.

Сегодня, для работы с данными разработаны специализированные технологии, решающие задачи сбора, накопления, хранения, статистической обработки, администрирования (первое требование). Однако наблюдается отставание в разработке методов и средств, предназначенных для анализа данных, способных обнаружить потенциально полезную, но неявную информацию (второе требование).

Сегодня для анализа данных наиболее часто используются средства OLAP и Data Mining. Средства OLAP (online analytical proceeding, оперативная аналитическая обработка данных) первоначально были разработаны для обеспечения механизма администрирования и используют идею многомерного концептуального представления данных в виде гиперкубов. OLAP методы также подразумевают и некоторую обработку данных, а именно, обработку аналитических запросов через проверку предварительно сформированных гипотез об информации, содержащейся в «сырых» данных. Средства Data Mining (далее DM, «раскопка», «добыча» знаний) представляют собой набор инструментов направленных на извлечение неявной, прежде неизвестной и потенциально полезной информации из больших массивах данных. Получение знаний происходит (в отличии от OLAP) без участия человека, за счет использования алгоритмов и методов интеллектуальных технологий, не требующих априорных предположений об искомой структуре знаний.

Авторы провели анализ существующих автоматизированных систем, направленных на решение задач OLAP и DM, а также автоматизированных ERP-систем, решающих задачи бюджетного управления. В общей сложности, были рассмотрены 12 наиболее распространенных на российском рынке систем. В результате комплексного анализа известных систем был сделан ряд выводов относительно их преимуществ и недостатков.

Авторы сформировали требования к автоматизированной системе поддержки принятия решений (далее СППР) в задачах бюджетного управления, осуществляющей анализ данных с использованием интеллектуальных информационных технологий Data Mining:

• Источником данных являются текстовые таблицы (т.к. большинство ERP-систем имеют импорт данных из баз данных).

• СППР будет реализована в виде отдельных модулей, направленных на решение конкретной задачи анализа данных в бюджетном управлении (таким образом, пользователю нет необходимости иметь «большую» систему, можно выбрать необходимые инструменты).

• Формирование и настройка алгоритмов анализа данных будут осуществляться автоматически, что позволит исключить потребность в специалисте по DM и сделает систему доступной для любого пользователя.

• В основе СППР будет использован эволюционный алгоритм, способный автоматически генерировать и настраивать такие эффективные методы интеллектуального анализа данных, как нейронные сети, нечеткая логика и генетическое программирование.

В рамках разрабатываемой СППР были поставлены конкретные задачи бюджетного управления. Для поставленных задач были описаны выгоды (эффект) от решения, сделана формальная (в том числе математическая) постановка с указанием метода решения.

Основным преимуществом предложенного подхода является возможность высокоэффективного решения задач бюджетного управления с помощью средств Data Mining: нейронных сетей, нечетной логики и метода генетического программирования. Важным преимуществом такого решения является уникальная схема совместного использования эволюционных алгоритмов и методов Data Mining, позволяющая производить формирование и настройку используемых методов под конкретную задачу в автоматическом режиме (без привлечения пользователя).

Ваши комментарии Обратная связь

[Головная страница] [Конференции]

© 1996-2000, Институт вычислительных технологий СО РАН, Новосибирск
© 1996-2000, Сибирское отделение Российской академии наук, Новосибирск
    Дата последней модификации: 06-Jul-2012 (11:45:15)