Анализ данных с помощью ИС

прибыль и уменьшить расходы. В этом ей помогают новые компьютерные

технологии, использование разнообразных программ автоматизации бизнес-процессов. Это учетные, бухгалтерские и складские системы, системы управленческого учета и многие другие.
Современные носители информации позволяют хранить десятки и сотни гигабайт информации, но без использования специальных средств анализа накопленной информации такие носители превращаются просто в свалку бесполезных сведений.
Очень часто принятие правильного решения затруднено тем, что хотя данные и имеются, они являются неполными, или, наоборот, избыточными, замусорены информацией, которая вообще не имеет отношения к делу, несистематизированными или систематизированными неверно.

больше продается некоторого товара, тем больше прибыль.
С другой стороны,

чем больше предоставляется скидка, тем меньше наценка на товар и тем меньше прибыли приносят продажи этого товара.
Пусть есть история продаж, представленная таблицей со столбцами: дата, объем продаж, скидка в процентах, наценка и прибыль.
При проведении анализа «вручную» можно рассмотреть диаграмму.

скидке 22%.

Mining

в реальном времени генерировать описательные и сравнительные сводки данных и

получать ответы на различные другие аналитические запросы.
OLAP-кубы представляют собой проекцию исходного куба данных на куб данных меньшей размерности. При этом значения ячеек агрегируются, то есть объединяются с применением функции агрегации – сумма, среднее, количество, минимум, максимум.
Такие проекции или срезы исходного куба представляются на экране в виде кросс-таблицы.

каждого из товаров по городам?

необходимо добавить еще одно измерение данных, т.е. привлечь дополнительную информацию

по анализируемым параметрам.
Например, если в базе данных предусмотрена информация о квартальном объеме продаж каждого товара по всем городам, то номер квартала может стать этим дополнительным измерением.

соответствующие сечения (срезы) OLAP-куба.
Нет необходимости пытаться произвести геометрическую интерпретацию OLAP-куба

с размерностью более 3.
Сложные задачи, требующие анализа данных большой размерности, следует по возможности сводить к нескольким более простым.
Аналогично, сложные таблицы, которые содержат большое количество полей и записей, являющихся трудными для чтения, восприятия и анализа, можно разбить на несколько более простых таблиц.

данных (процесс поиска полезных знаний в «сырых данных»).
KDD включает

в себя:
вопросы подготовки данных,
выбора информативных признаков,
очистки данных,
применения методов Data Mining (DM),
постобработки данных и интерпретации полученных результатов.
Привлекательность этого подхода заключается в том, что вне зависимости от предметной области мы применяем одни и те же операции.

в «сырых» данных ранее неизвестных, нетривиальных, практически полезных и доступных

для интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.
Data Mining чаще всего решает четыре задачи:
ассоциация,
кластеризация,
классификация,
регрессия.

–
описательные (дескриптивные)
предсказательные (предиктивные).

в том плане, что результат моделирования – компактное описание множества

объектов в виде кластеров, правил, групп, а для построения моделей не требуется задания целевой переменной.
В первую очередь к описательным моделям относятся ассоциативные правила и кластеры.
Основным недостатком описательных моделей является их относительная простота, не позволяющая эффективно решать задачи прогнозирования, предсказания новых состояний объектов.

предвосхищение ожиданий клиента и другие, что позволяет управлять рисками, программами

лояльности и прочими воздействиями.
Однако требования, как к данным, так и к уровню знаний аналитика здесь значительно повышаются: большое внимание требуется уделять подготовке, очистке и предобработке выборок, борьбе с несбалансированностью классов в целевой переменной, калибровке моделей на реальные условия.
В предсказательной аналитике в основном применяются алгоритмы Data Mining для задач классификации и регрессии.
Кроме того, могут быть использованы результаты описательного моделирования – например, модели оценки вероятности отклика строятся отдельно по сегментам, которые были предварительно выделены кластеризацией.

наиболее нехарактерных шаблонов; анализ связей (link analysis) – процесс анализа

совокупности взаимоотношений между разными объектами для выявления тенденций и характеристик;
анализ выживаемости (survival analysis) – модели для оценивания зависимостей между характеристиками объектов с временем его жизни.
Нередко эти задачи при помощи специальных приемов сводятся к перечисленным выше четырем основным задачам Data Mining.

полезно для более удобного размещения товара на прилавках, стимулирования продаж.

Тогда человек, купивший пачку спагетти, не забудет купить к ним бутылочку соуса.
Или поможет оперативно решить вопрос, какой товар-заменитель предложить оптовому дилеру вместо отсутствующего на складе.

понимания (и сжатого описания) логики действий покупателя.
Например, сначала клиент

подключил услугу международного роуминга, а затем заказал GPRS-роуминг.

профилей клиентов (покупателей).
При достаточно большом количестве клиентов становится трудно

подходить к каждому индивидуально.
Поэтому клиентов удобно объединить в группы – сегменты со сходными признаками.
Выделять сегменты клиентов можно по нескольким группам признаков. Это могут быть сегменты по сфере деятельности, по географическому расположению.
После сегментации можно узнать, какие именно сегменты являются наиболее активными, какие приносят наибольшую прибыль, выделить характерные для них признаки.
Эффективность работы с клиентами повышается за счет учета их персональных или групповых предпочтений.

объектов.
Например, отнесение клиента к какой-либо категории.
При кредитовании это может

быть, например, отнесение клиента по каким-то признакам к одной из групп риска.
В клиентской аналитике – прогнозирование отклика или ухода клиента.

в этом случае зависимой величиной являются объемы продаж, а факторами,

влияющими на эту величину, могут быть предыдущие объемы продаж, изменение курса валют, активность конкурентов и т.д.
Регрессия часто идет рядом с бинарной классификацией – например, когда требуется не только предсказать событие, но и оценить его вероятность наступления (например, вероятность выхода на просрочку у заемщика).

типичного поведения изучаемого объекта.
Например, поведение человека при использовании кредитных

карт.
Тогда будет известно, что клиент (покупатель) использует карту регулярно два раза в месяц и приобретает товар в пределах определенной суммы.
Отклонением будет, например, не запланированное приобретение товара по данной карте на большую сумму.
Это может говорить об ее использовании другим лицом, то есть о факте мошенничества.

широко востребован при изучении социальных сетей, как закрытых, так и

открытых, а также при выявлении случаев мошенничества.
Анализ выживаемости применяется для прогнозирования момента, в который вероятность ухода клиента максимальная, с целью проведения превентивных мер для удержания клиентской базы.

систем и подсистем.
Причем, под такой системой (подсистемой) понимается не

только какая-то одна программа.
Некоторые механизмы анализа могут быть реализованы на бумаге, некоторые на компьютере с использованием электронных таблиц, баз данных и других приложений.
Однако такой подход при частом использовании неэффективен.
Намного лучшие результаты даст применение единого хранилища данных и единой программы, содержащей в себе всю функциональность, необходимую для реализации концепции KDD.