ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ КАК ИНСТРУМЕНТ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ Русакович А.С.
Русакович Александр Сергеевич - аспирант, кафедра веб-технологий и компьютерного моделирования, Белорусский государственный университет, г. Минск, Республика Беларусь
Аннотация: в статье актуализирована значимость применения информационных технологий в системе поддержки принятия решений в различных областях экономики. Рассматривается возможность использования технологий интеллектуального анализа данных как одного из инструментов поддержки принятия решений в оценочной деятельности.
Ключевые слова: технологии интеллектуального анализа данных, базы данных, нейросети, инструменты поддержки принятия решений, оценочная деятельность.
В результате развития информационных технологий количество данных, накопленных в электронном виде, растет быстрыми темпами. Эти данные существуют в различных форматах: тексты, изображения, аудио, видео, гипертекстовые документы, реляционные базы данных и т.д. Однако подавляющая часть доступной информации не несет какой-либо пользы, так как пользователь специалист в той или иной области не в состоянии переработать такое количество сведений. Возникает проблема извлечения полезной для пользователя информации из большого объема данных [1].
Одним из инструментов, позволяющих решить эту проблему, являются технологии DataMining (технологии интеллектуального анализа данных, ИАД) - технологии выявления значимых корреляций и тенденций в больших объемах данных, которые способны работать в условиях неполного описания объекта или процесса; недостаточности информации или ее отсутствии о характере связей между характеристиками объекта (процесса), а также между его характеристиками и внешними факторами; задержек в получении необходимых данных, связанных с нерациональной организацией их управления (процессами сбора, подготовки и обработки) и пр.
Сейчас, технологии DataMining используются практически во всех сферах деятельности человека, где накоплены ретроспективные данные и, будучи эффективным инструментом поддержки принятия решений, позволяют с определенной степенью точности принимать эффективные управленческие решения. Основные направления применения: банковское дело, финансы, страхование, производство, телекоммуникации, электронная коммерция, маркетинг, фондовый рынок и другие [2].
В сфере электронной коммерции DataMining применяется для формирования рекомендательных систем и решения задач классификации посетителей Webсайтов. Такая классификация позволяет компаниям выявлять определенные группы клиентов и проводить маркетинговую политику, в соответствии с обнаруженными интересами и потребностями клиентов.
Основные задачи DataMining в промышленном производстве: комплексный системный анализ производственных ситуаций; краткосрочный и долгосрочный прогноз развития производственных ситуаций; выработка вариантов оптимизационных решений; прогнозирование качества изделия в зависимости от некоторых параметров технологического процесса; обнаружение скрытых тенденций и закономерностей развития производственных процессов; прогнозирование закономерностей развития производственных процессов; обнаружение скрытых факторов влияния; обнаружение и идентификация ранее неизвестных взаимосвязей между производственными параметрами и факторами влияния; анализ среды взаимодействия производственных процессов и прогнозирование изменения ее характеристик; выработка оптимизационных рекомендаций по управлению производственными процессами; визуализация результатов анализа, подготовка предварительных отчетов и проектов допустимых решений с оценками достоверности и эффективности возможных реализаций. Изучению также могут быть подвержены динамические процессы, происходящие в региональной экономике по сферам и отраслям жизнедеятельности [3].
В сфере маркетинга и торговли DataMining находит очень широкое применение, например, алгоритмы поиска ассоциативных правил (для определения часто встречающихся наборов товаров, которые покупатели приобретают одновременно). Выявление таких правил помогает размещать товары на прилавках торговых залов, вырабатывать стратегии закупки товаров и их размещения на складах и т.д.; использование временных последовательностей, например, для определения необходимых объемов запасов товаров на складе; методы классификации и кластеризации для определения групп или категорий клиентов, знание которых способствует успешному продвижению товаров [4].
Современные реалии оценочной деятельности таковы, что развивается не только теория оценки стоимости, но и практические технологии, совершенствуются методы оценки, пополняются и становятся
доступными различные базы данных. Современные оценщики вряд ли могут представить проведение оценки без специальных справочников по тем или иным ценовым показателям, информации аналитических агентств и сайтов о ценах и доходности различных активов. Оценка - это, прежде всего, работа с информацией. В оценочной деятельности технологии DataMining, при оценке стоимости объектов, позволят снизить издержки на всех этапах проведения оценочных работ, таких как поиск информации, ввод информации, расчет стоимости, формирование итоговых отчетных документов, экономический анализ результатов.
Таким образом, технологии интеллектуального анализа данных, независимо от области их применения (в производстве, бизнесе, медицине, образовании, оценке, страховании, других областях народного хозяйства), обеспечивают должностных лиц (или лиц принимающих решение) информацией, необходимой для принятия решений в области их деятельности.
Список литературы
1. Русакович A.C. Обнаружение синтезированных изображений и видеороликов I A.C. Русакович II Радиолокация, навигация, связь: сб. трудов XXVII междунар. науч.-техн. конф., посвященной памяти Б.Я. Осипова, Воронеж, 27-29 сентября 2022 г. I Воронежский государственный университет. Издательский дом ВГУ, 2022. № 1. С. 352-361.
2. Sarvani A., Venugopal B., Devarakonda N. Anomaly Detection Using K-means Approach and Outliers Detection Technique. In: Ray K., Sharma T., Rawat S., Saini R., Bandyopadhyay A. (eds) Soft Computing: Theories and Applications. Advances in Intelligent Systems and Computing. Vol. 742. Springer, Singapore, 2019.
3. Guansong Pang, Chunhua Shen, Longbing Cao, and Anton van den Hengel. Deep Learning for Anomaly Detection: A Review. ACM Comput. Surv. 1, 1, Article 1 (January 2020). 36 p., 2020.
4. Головко В.А. Нейронные сети: обучение, организация и применение. М.: Радиотехника, 2001.