Применение алгоритмов анализа данных в системах поддержки принятия управленческих решений Текст научной статьи по специальности «Компьютерные и информационные науки»

ПРИМЕНЕНИЕ АЛГОРИТМОВ АНАЛИЗА ДАННЫХ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ Савенков П.А.

Савенков Павел Анатольевич - аспирант, кафедра вычислительной техники, Тульский государственный университет, г. Тула

Аннотация: в этой статье рассматриваются методы и алгоритмы машинного обучения, а также осуществляется выбор наиболее подходящего для применения в системе поддержки принятия управленческих решений посредствам анализа поведенческих биометрических характеристик персонала предприятия метода машинного обучения.

Ключевые слова: Big Data, Data science, большие данные, программное обеспечение, информационная система машинное обучение, структурированные и неструктурированные данные, динамическая модель, нейронная сеть.

В современном мире, большинство предприятий, так или иначе, используют информационные технологии и вычислительную технику для решения задач обработки информации различного рода. Практически ежедневно, возникают задачи анализа деятельности сотрудников для принятия различных управленческих решений.

По статистике, в компании с более пятидесяти человек средний сотрудник тратит 38% времени на работу, 36% - на нерабочие нужды и 26% - на непонятное действие, а заработную плату получает на все 100%.

Чаще всего руководители предприятий не воспринимают данные проблемы надлежащим образом. Для решения данной проблемы предлагается использование методов машинного обучения, анализа и сбора данных. Благодаря их применению, в системах поддержки принятия управленческих решений, возможно быстрое получение высокодостоверных данных, благодаря нахождению новых и обработке известных ранее зависимостей.

Методы и алгоритмы обработки информации в системе поддержки принятия управленческих решений посредством анализа поведенческих биометрических характеристик персонала предприятия, для анализа и формирования решения, должны использовать такие входные данные как:

• история перемещений сотрудника (GPS);

• набираемый текст;

• получаемый текст;

• история браузеров;

• история звонков;

• фотографии по событиям;

• запись звука обстановки рядом;

• запись звонков;

• архив информации об устройстве.

Работа системы поддержки принятия управленческих решений посредством анализа поведенческих биометрических характеристик персонала предприятия, основывается на обучении искусственной нейронной сети учителем и получении от нее дальнейшего ответа. На рисунке представлена схема нейронной сети, где

• xb xn - входные параметры;

• Input - входной слой;

• Hidden - скрытый слой;

• Output - выход.

Input Hidden Output

Рис. 1. Схема нейронной сети

Благодаря применению методов и алгоритмов, основанных на машинном обучении, в системах поддержки принятия решений, можно добиться высокого качества анализа данных, найти в них сложные зависимости, что в конечном итоге позволит принимать взвешенные управленческие решения и сократить операционные затраты, увеличить выручку, повысить конкурентоспособность. Актуальность систем поддержки принятия решений в настоящее время, очень высока и по мере развития новых информационных технологий будет только увеличиваться со временем.

Список литературы

1. Баресягин А.А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / Баресягин А.А., Куприянов М.С., Степаненко В.В., Холод И.И. 2-е изд., перераб. и доп. СПб.: БХВ - Петербург, 2007. 384 с.

2. Волков А.А. Конспект лекций по Системам искусственного интеллекта М.: МГСУ, 2009. 72 с.

3. Воронцов К.В. Лекции по метрическим алгоритмам классификации, 2008.

4. Гмурман В.Е. Теория вероятностей и математическая статистика. 9-е изд., стер. М.: Высшая школа, 2003. 479 с.

5. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1984. 80 с.

6. Чубукова И.А. Курс лекций по Data Mining, 2009.