Аннотация: Типичная ситуация, характерная для практически любой достаточно крупной организации, — наличие множества систем автоматизации для решения разных задач, разрозненное хранение данных и, как следствие, — отсутствие единого взгляда на управленческую информацию.
Сущность систем бизнес-интеллекта
Типичная ситуация, характерная для практически любой достаточно крупной организации, — наличие множества систем автоматизации для решения разных задач, разрозненное хранение данных и, как следствие, — отсутствие единого взгляда на управленческую информацию [45]. Создается парадоксальная ситуация. С одной стороны, в информационных системах предприятия имеется вся информация , необходимая для анализа. Но, с другой стороны, анализировать информацию, хранящуюся в различных трансакционных системах, базах данных и электронных таблицах, становится невозможно.
Основная причина — различия в форматах данных и разрозненность их хранения. Для того чтобы превратить такие данные в полезную информацию, аналитик должен не только понимать, в каких источниках эти данные находятся, но и знать их структуру и форматы. Кроме того, надо быть готовым к ситуациям, когда одни и те же данные дублируются в разных системах или когда между данными из разных источников имеются логические несоответствия. Ситуация еще более усложняется по мере появления новых систем и модулей, а следовательно — и новых данных. Также следует учитывать, что получение данных из трансакционных систем сопровождается повышенной нагрузкой на эти системы, а это может существенно мешать оперативной работе.
Использование искусственного интеллекта в бизнесе
Еще одна проблема аналитической обработки информации связана с человеческим фактором . Во многих компаниях задача получения необходимого отчета автоматизируется силами двух специалистов — технического специалиста, обеспечивающего необходимые запросы к базам данных, и экономиста, пытающегося свести эти данные в единый аналитический отчет, необходимый руководству. Как показывает практика, подобная модель взаимодействия пользователя отчета (руководителя) и самих данных не только требует существенных затрат времени, но и часто приводит к эффекту «испорченного телефона». Кроме того, экономист зачастую оказывается просто не в состоянии без помощи программиста оперативно подготовить необходимую выборку и ответить на вопросы о том, каким образом были получены те или иные цифры. О том, чтобы моделировать возможные ситуации, отслеживать влияние одних показателей на другие, прогнозировать тенденции развития, проводить сравнительный анализ и отображать различные срезы данных, как правило, не идет и речи.
В 80-е годы XX века упомянутые проблемы привели к идее централизованного хранения данных, необходимых для последующего анализа. При этом было признано, что все исходные данные должны храниться в одном месте, в простой и понятной (а значит, удобной для анализа) структуре. Именно в этот период возник термин » хранилище данных «. За прошедшие с тех пор четверть века идеи централизованного хранения данных получили существенное развитие, чему в немалой степени способствовали рост вычислительных мощностей, новые сетевые архитектуры и интернет-технологии.
Искусственный интеллект в бизнесе и стартапах
Хранилища данных
Функциональность
Напомним определение У. Инмона: хранилища данных — это «предметно-ориентированные, интегрированные, стабильные, поддерживающие хронологию наборы данных, используемые для поддержки принятия управленческих решений» [39].
Данные в хранилище попадают из оперативных (трансакционных) систем, а также из внешних источников. По аналогии с «материальными» хранилищами, хранилища данных предусматривают такие операции, как сбор данных («приход материалов на склад»), хранение данных («складской запас»), перемещение в витрины данных (» отгрузка товаров в розничную сеть»).
С экономической точки зрения, хранилище данных приносит долгосрочный эффект тогда, когда оно становится надежным механизмом доставки данных, существенных для анализа и принятия решений. При этом не следует забывать и о затратной части: ведь информация может считаться действительно полезной лишь тогда, когда экономические выгоды от ее использования превышают затраты, связанные с ее приобретением. Построение хранилища данных — достаточно сложный проект и обеспечить его окупаемость в краткосрочной перспективе бывает непросто [45].
В качестве основы хранилища данных, как правило, используется реляционная модель хранения данных, что существенно облегчает дальнейшее развитие такого хранилища. Впрочем, существует и другой путь — применение оптимизированных структур, например, многомерных (по этому пути пошли разработчики компании SAP в своем продукте SAP BW ). Однако, по мнению ряда исследователей (например, У. Инмона [46]), такой подход имеет целый ряд недостатков, не являясь достаточно гибким и универсальным. В самом деле, если данные из хранилища поступают лишь в ограниченное количество витрин данных и аналитических приложений, то от хранилища вовсе не требуется поддерживать специализированные запросы. В этом отношении использование реляционных баз данных экономичнее (без потери функциональности), а следовательно, — предпочтительнее.
После того, как хранилище построено, встает вопрос об использовании данных конечными пользователями. При этом могут применяться различные средства (от специализированных средств создания пользовательских запросов и отчетов до электронных таблиц), в зависимости от решаемых задач, предпочтений и опыта пользователей. И все же есть целый спектр задач, которые предъявляют к информационным системам особые требования: это задачи с необходимостью оперативной (т.е. в режиме реального времени) обработки достаточно больших объемов данных, в разных аналитических разрезах . Экономический анализ, как правило, бывает многомерным: информация может быть сгруппирована и консолидирована по разным признакам, причем разные группы пользователей информации заинтересованы в разных способах группировки.
Таким образом, превращение разрозненных данных в структурированную информацию, описанную в экономических терминах и обеспечивающую поддержку принятия управленческих решений, можно считать одной из самых актуальных задач. При этом обработка данных и принятие решений должны быть настолько оперативными, насколько этого требуют интересы бизнеса. Именно для этого предназначены специальные системы аналитической обработки данных в режиме реального времени — OLAP -системы.
OLAP-системы
Функциональность
Идея обработки многомерных данных восходит к 1962 году, когда К. Айверсон опубликовал свою работу «Язык программирования» (A Programming Language , APL ) [47]. APL — это математически определенный язык с многомерными переменными и изящными, но довольно абстрактными операторами. В 70-е и 80-е годы он активно использовался во многих деловых приложениях, функционально схожих с современными OLAP -системами.
В 1993 году вышла в свет статья Е. Ф. Кодда, в которой впервые было дано формальное определение OLAP -технологии [48]. Эта работа получила большой резонанс и привлекла внимание к возможностям многомерного анализа. В статье были описаны двенадцать правил OLAP , к которым чуть позже (в 1995 году) были добавлены еще несколько. Все эти правила были разделены на четыре группы и названы «характеристиками» ( features ).
К правилам OLAP относятся:
- основные характеристики: многомерность модели данных, интуитивные механизмы манипулирования данными, доступность данных, пакетное извлечение данных, клиент-серверная архитектура, прозрачность, многопользовательская работа;
- специальные характеристики: обработка ненормализованных данных, хранение результатов отдельно от исходных данных, выделение отсутствующих данных, обработка отсутствующих значений;
- характеристики построения отчетов: гибкое построение отчетов, стабильная производительность при построении отчетов, автоматическое регулирование физического уровня;
- управление размерностью: общая функциональность, неограниченное число измерений и уровней агрегирования, неограниченные операции между данными различных измерений.
Универсальным критерием определения OLAP как аналитического инструмента является тест FASMI (Fast Analysis of Shared Multidimensional Information — быстрый анализ разделяемой многомерной информации). Рассмотрим детально каждую из составляющих этой аббревиатуры [49].
Fast (быстрый). Это свойство означает, что OLAP -система должна обеспечивать ответ на запрос пользователя в среднем за пять секунд, при этом большинство запросов обрабатываются в пределах одной секунды, а самые сложные запросы должны обрабатываться в пределах двадцати секунд.
Analysis (аналитический). OLAP -система должна справляться с любым логическим и статистическим анализом , характерным для бизнес-приложений, и обеспечивать сохранение результатов в виде, доступном для конечного пользователя. Средства анализа могут включать процедуры анализа временных рядов, распределения затрат, конверсии валют, моделирования изменений организационных структур и другие.
Shared (разделяемый). Система должна предоставлять широкие воз-можности разграничения доступа к данным и одновременной работы многих пользователей.
Multidimensional (многомерный). Система должна обеспечивать кон-цептуально многомерное представление данных, включая полную поддержку множественных иерархий.
Information (информация). Мощность различных программных про-дуктов характеризуется количеством обрабатываемых входных данных. Разные OLAP -системы имеют разную мощность: наиболее мощные из них могут оперировать, по крайней мере, в тысячу раз большим количеством данных по сравнению с самыми маломощными. При выборе OLAP -инструмента следует учитывать целый ряд факторов, включая дублирование данных , требуемую оперативную память, использование дискового пространства, эксплуатационные показатели, интеграцию с информационными хранилищами и т.п.
Обсуждая тему OLAP , следует упомянуть и о разновидностях многомерного хранения данных. Дело в том, что информационные массивы, логически упорядоченные по аналитическим направлениям и, таким образом, являющиеся многомерными с точки зрения конечных пользователей, не обязательно являются многомерными по их технологической реализации. Как правило, выделяют три разновидности хранения данных [45]:
- многомерный OLAP ( multidimensional OLAP , MOLAP ) — » OLAP в чистом виде», т.е. технология, основанная на хранении данных под управлением специализированных многомерных СУБД;
- реляционный OLAP ( relational OLAP , ROLAP ) — технология, основанная на хранении многомерной информации в реляционных базах данных, на основе одной или нескольких схем типа «звезда» или «снежинка»;
- гибридный OLAP ( hybrid OLAP , HOLAP ) — технология, при которой одна часть данных хранится в многомерной базе, а другая часть — в реляционной. При этом инструментальные средства, поддерживающие эту технологию, обеспечивают прозрачность данных для пользователя, который на логическом уровне всегда работает с многомерными данными.
Выбор способа хранения зависит от нескольких факторов, таких как объем и структура данных, скорость выполнения запросов, частота обновления OLAP -кубов.
Средства формирования запросов и визуализации данных
Функциональность
Средства формирования запросов и построения отчетов обеспечивают функции построения запросов к информационно-аналитическим системам , интеграцию данных из нескольких источников, просмотр данных с возможностью их детализации и обобщения, построение и печать отчетов, в том числе презентационного качества. Некоторые из программных продуктов этого класса могут использоваться конечными пользователями, с минимальной поддержкой ИТ-департамента, другие же требуют определенного программирования и настраиваются техническими специалистами [45].
С точки зрения конечного пользователя, такие системы — удобный инструмент, позволяющий решить уже упоминавшуюся проблему «единого взгляда» на управленческую информацию. В этом плане BI-решения позволяют существенно упростить и ускорить сбор информации, унифицировать ее и представить в удобной и наглядной форме. Такая информация — надежная база для принятия управленческих решений, при этом рутинные процедуры сводятся к минимуму, а время специалистов высвобождается для решения аналитических задач.
Источник: intuit.ru
Введение в BI-технологии
Самойлова, И. А. Введение в BI-технологии / И. А. Самойлова. — Текст : непосредственный // Молодой ученый. — 2015. — № 3 (83). — С. 78-80. — URL: https://moluch.ru/archive/83/15330/ (дата обращения: 29.05.2023).
Историю возникновения термина «business intelligence» (BI) связывают с работами американского ученого Ханса Петера Луна. В 1958 году он опубликовал работу, в которой описал системы, обеспечивающие взаимодействие различных видов деятельности в бизнесе (разумная деятельность — intelligence system). Эти теоретические работы намного опередили свое время и были вновь востребованы в конце 80-х годов. Аналитик Ховард Дреснер тогда предложил использовать BI в качестве «термина для различных технологий, предназначенных для поддержки принятия решений». В 1996 году определение BI уточнили — «инструменты для анализа данных, построения отчетов и запросов, которые помогают бизнес-пользователям преодолеть море данных для выделения из них значимой информации» [1].
Но даже сейчас нет однозначного определения что же такое BI (business intelligence). Большинство современных определений трактуют это понятие как процессы, методы, средства получения и представления знаний.
Для организации хранения информации и получения знаний чаще всего применяют хранилища данных, а для получения этих знаний пользователю — различные инструменты BI. Количество данных постоянно увеличивается, поэтому из-за больших объемов информация не совсем подходит для принятия решений без определенных средств извлечения и обработки. Средства BI и хранилища данных предназначены находить, упорядочивать, предоставлять запрошенную информацию из массивов данных, человеку для принятия конкретного решения.
И так, Business intelligence включает в себя:
— процесс обработки данных в информацию и получения знаний для принятия решений;
— информационные технологии сбора, хранения данных, слияние информации и обеспечение доступа пользователей к этим знаниям;
— знания о бизнес-процессах, полученные в результате анализа и консолидирования информации.
Рассмотрим архитектуру BI (рис.1).
Рис.1.Схема BI архитектуры
Data sources — источники данных для базы данных (БД):
— CRM (Customer Relationship Management) — специальные приложения, пакеты для управления взаимодействием с клиентами.
— ERP (Enterprise Resource Planning) — система для планирования ресурсов предприятия. Сюда входит стратегия интеграции производства и операций управления трудовыми ресурсами, финансового менеджмента и управления активами, обеспечивающего общую модель данных и процессов для всех сфер деятельности предприятия. ERP-система — это некий программный пакет, реализующий стратегию ERP.
— SCM (Supply Chain Management) — управление цепями поставок — интегрированный подход к планированию и управлению всем потоком информации о сырье, материалах, продуктах, услугах, возникающих и преобразующихся в логистических и производственных процессах предприятия, нацеленном на измеримый совокупный экономический эффект (снижение издержек, удовлетворение спроса на конечную продукцию).
— Внешние массивы данных и другие источники
Data Warehouse (хранилище данных) — предметно-ориентированная информационная БД, специально разработанная и предназначенная для подготовки отчётов и бизнес-анализа для поддержки принятия решений в организации. Данные из OLTP-системы копируются в хранилище данных таким образом, чтобы при построении отчётов и OLAP-анализе не использовались ресурсы транзакционной системы и не нарушалась её стабильность.
Существует два способа обновления данных в хранилище [2]: захват данных и репликация. Первый способ позволяет полностью обновить данные в хранилище, при этом старые данные удаляются и загружаются новые. При втором способе обновляются только те данные, которые изменились в OLTP-системе. Чаще всего это оn-line обновление данных.
OLTP-система («Online Transaction Processing») — обработка транзакций в реальном режиме. Здесь система работает с небольшими по размерам транзакциям, которые идут большим потоком, при этом пользователю необходимо от системы минимальное время отклика.
OLAP-анализ («OnLine Analytical Processing») — технология обработки данных для подготовки объединенной информации, полученной из больших массивов данных.
ETL («Extract — Transform — Load») — один из основных процессов в управлении хранилищами данных, включающий извлечение данных, их преобразование и очистку, а также загрузку этих данных в хранилища.
Мета-данные — это данные о данных, информация об информации, описание контента. Структурированные данные представляют собой характеристики описываемых сущностей для целей их идентификации, поиска, оценки, управления ими.
MDM («Master Data Management») — совокупность процессов и инструментов для постоянного определения и управления основными данными компании (в том числе справочными). Применяется и другой термин — RDM («Reference Data Management»), управление справочными данными.
Data Mart (витрина данных) — подготовленный срез данных, представленный в виде массива узконаправленной информации, ориентированной, например, на запрос пользователя.
«BI» Analytics — это BI-продукты для обработки и предоставления данных пользователю.
За сравнительно небольшое время информационно-аналитические системы (EIS — «Еxecutive information systems») прошли эволюцию от информационных систем (ИС) руководителя к системам поддержки принятия решений (DSS — «Decision support systems»), а затем и к современным системам бизнес-интеллекта. Эта эволюция напрямую связана с развитием техники.
В эпоху развития больших ЭВМ и первых ПК, большинство пользователей не имели прямого доступа к данным. Пользователи заказывали стандартные или заранее созданные параметрические отчеты у своих IT-подразделений. При возникновении нестандартных запросов необходимо было предварительно заказывать их разработку.
EIS-приложения позволяли руководителям и менеджерам получать основную информацию о бизнесе в виде отчетов-таблиц или диаграмм. Обычно это были параметризированные запросы к данным предприятия. В основном такое ПО разрабатывалось IT-подразделениями предприятия. При появлении дополнительной информации для ее обработки писалось новое приложение или дорабатывалось старое.
Приложения DSS — это обычно пакеты прикладных программ с динамической генерацией SQL-скриптов на основе запроса пользователя. Они позволяли получить информацию из БД, не требуя знания SQL. DSS позволяют получить много вариантов представления данных, но гибкость таких приложений ограничена из-за реализации для конкретного набора данных и задач.
Сейчас, с развитием информационных сетей, приложения строятся на основе BI и позволяют пользователю оперативно извлекать информацию из различных источников, настраивать собственные отчеты, производить глубокий анализ данных. Развитие BI-систем пришло к созданию Web-приложений. Пользователь имеет доступ к данным через браузер и может работать удаленно с любого места. Чаще всего пользователи BI находятся внутри локальной корпоративной сети. Но сами технологии позволяют осуществить подключение внешних пользователей и создание систем для всех пользователей Internet.
Технология BI неразрывно связана с технологиями хранения данных [2]. Реализация хранилища данных определяет методы сбора, хранения, очистки и интеграции информации, предназначенной для анализа. Технология BI определяет методы, а так же средства доступа для анализа информации в терминах соответствующей предметной области.
BI-средства не обязательно должны работать с хранилищем данных, но тогда все проблемы согласования данных возлагается на них. Желательно осуществлять эти операции на лету (on-the-fly), обеспечивая надежность системы обработки транзакций. Поэтому хорошим решением является разделение транзакционной и аналитической частей. Стыковка систем идет не только на уровне информации, но и на уровне мета-данных. В случае хранилища данных можно обеспечить централизованное управление мета-данными.
Прогнозируется, что в ближайшем будущем все большее распространение получат сети бизнес-интеллекта (BI Networks), использующие такие возможности, как [4]:
1. XML/A(XML для анализа) — в настоящее время пока имеет большие проблемы производительности и пока применяется лишь для «облегченного» OLAP-клиента. Если эта проблема будет решена, то XML/A возможно сможет стать языком общения между разными BI-средами.
2. Web-сервисы BI. Новые продукты EBIS часто идентифицируют как BI-порталы, так как эти продукты для Web обеспечивают точку доступа к корпоративным данным. Ориентированная на сервисы, новая архитектура SOA является современным развитием серверов приложений и корпоративных порталов.
3. Беспроводные и мобильные коммуникации. Еще одна тенденция по доставке BI-информации просматривается у поставщиков, предоставляющих возможность при помощи BI-продуктов доставлять отчеты посредством мобильной технологии: персональных электронных помощников (PDA), Internet-телефонов и т. п.
4. Совместная работа. Разделение результатов анализа на несколько пользователей и добавление аннотаций к отчетам (Workflow) было и в EIS, но сейчас эта функциональность добавлена и во многие BI-приложения. Много пользователей смогут работать одновременно с одной моделью данных при обеспеченной связи разных BI-приложений в реальном времени.
5. Средства мониторинга бизнес-деятельности («Business activity monitoring»). Новая технология BAM сочетает в себе интеграцию приложений реального времени с возможностями BI. Используя исходные данные, BI-инструменты анализируют их и выдают предупреждения о важных событиях и информацию пользователям, принимающим непосредственные решения управления.
Cлишком быстрые изменения в BI-технологии, использование непроверенных решений и средств на сегодня является риском. Необходимо отслеживать поставщиков, оценивать их устойчивость, направления развития, регулярно пробовать новые средства, проводить типизацию и унификацию «business intelligence».
1. Корнеев В. В., Гареев А. Ф., Васютин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации. — М.: Нолидж, 2001.
2. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том.1: Пер. с англ. — М.: Вильямс, 2001
Основные термины (генерируются автоматически): DSS, XML, данные, хранилище данных, EIS, ERP, пользователь, BAM, CRM, реальное время.
Источник: moluch.ru
Что такое искусственный интеллект (ИИ) в бизнесе?
Бизнес-ИИ или искусственный интеллект в бизнесе (AI, artificial intelligence) — это применение технологий с имитацией человеческого труда для выполнения рутинных задач быстрее и точнее, чем на то способен живой организм.
Технология представляет собой набор машинных алгоритмов для быстрой повторяющейся обработки больших массивов данных. Машина объединеняет и анализирует их, чтобы автоматически без участия живого оператора научиться определять шаблоны и использовать особенности информации. Тем самым с помощью ИИ в бизнесе можно решить множество проблем, с которыми сталкиваются руководители предприятий.
Использование искусственного интеллекта в бизнесе
Готовые решения искусственного интеллекта в повседневных бизнес-операциях помогают:
- увеличивать продажи,
- повышать качество обслуживания клиентов,
- выявлять риски,
- прогнозировать тенденции,
- минимизировать трудоёмкие операционные расходы.
ИИ обладает беспрецедентным потенциалом для организаций. В обозримом будущем с ростом массивов данных отдельные компании будут процветать или увядать в зависимости от того, осознают они этот потенциал или нет.
Внедрение искусственного интеллекта в бизнес опирается на поэтапную подготовку предприятия. Превратить способности машины в конкретные коммерческие результаты возможно исключительно при комплексном подходе. С чего здесь начать?
Проведите модернизацию
Собирайте данные
Организуйте аналитику
Запустите ИИ-решения
Внедряйте и масштабируйте ИИ
В наше время использование искусственного интеллекта в бизнесе помогает организациям получать прибыль там, где раньше она была неочевидна. Руководители получают инструменты точечного сокращения операционных убытков, устранения неожиданных рисков и прогнозирования управленческих ошибок.
Для перехода к ИИ бизнесу требуется модернизация данных. Их нужно подготовить к оцифровке и виртуализации. Прежде всего, важна оценка, на каком из этапов вы находитесь на пути к интеграции машинного труда.
Компания ZEL-Услуги
Обратитесь в компанию ИТ-аутсорсинга для дальнейшей экспертной поддержки и консультации по этой теме и любым другим техническим вопросам.
- AR — что это такое?
- 6G-интернет: что значит связь 6G-поколения для России?
- Что такое API: простыми словами, что значит и что делает.
- Что такое фишинг, простыми словами?
- IT-Директор — кто это, что делает, чем занимается ИТ-директор?
Может быть интересно
- Онлайн конструктор тарифов
- Цены и тарифы на ИТ-аутсорсинг
- Абонентское обслуживание компьютеров
- ИТ-директор
- Настройка и обслуживание серверов
Источник: www.zeluslugi.ru
