CC BY
223
УДК 004.942+004.048+004.896
ПРИМЕНЕНИЕ СРЕДСТВ BUSINESS INTELLIGENCE ДЛЯ МАЛОГО И СРЕДНЕГО БИЗНЕСА
APPLICATION OF BUSINESS INTELLIGENCE TOOLS FOR SMALL AND AVERAGE BUSINESS
© Чернышова Галина Юрьевна
Galina Yu. Chernyshova доцент, кандидат экономических наук, доцент кафедры информационных систем в экономике, Саратовский государственный социально-экономический университет.
PhD (Economics), Associated Professor, Saratov State Socio-Economic University, Russia.
В статье представлен современный подход к информационным технологиям бизнес-аналитики. Автор рассматривает возможность использования средств бизнес-аналитики для повышения эффективности принятия решений для предприятий малого и среднего бизнеса. Разработанное приложение для прогнозирования экономических показателей использует как статистические модели, так и методы интеллектуального анализа данных.
Ключевые слова: бизнес-аналитика, интеллектуальный анализ данных, модели и методы прогнозирования.
Иса
Использование интеллектуальных .аналитических инструментов для интерпретации данных в целях формирования стратегии становится всё более важным для бизнеса. В условиях конкурентного рынка и нестабильности экономических условий предъявляются повышенные требования к оперативности и качеству принимаемых решений на всех уровнях управления организацией, что предполагает наличие полной и достоверной информации о состоянии и тенденциях развития бизнеса. При этом сложность систем управления и объём информации, которую необходимо учитывать для принятия эффективных решений, постоянно растёт.
Бизнес-аналитика (Business Intelligence, BI) представляет собой процесс извлечения многоаспектной информации и превращение её в знания для эффективного управления бизнесом, осуществляемое конечными пользователями с применением специальных технологий, методов, инструментальных средств (далее - ИС).
Программное обеспечение бизнес-анализа (Business Intelligence Tools) (далее - ПО) даёт возможность исследовать сложные данные большого объёма.
The purpose of this article is to present the modern approach to Business Intelligence. The author considers possibility of using Business Intelligence Tools to increase the efficiency of decision-making for the enterprises of small and mid-sized business. The developed application for forecasting of economic indicators uses both statistical models and methods of the Data Mining.
Key words: business intelligence, data mining, predictive models.
В этой категории выделяют следующие типы инструментальных средств: 1) ИС многомерного анализа (OLAP, On-Line Analytical Processing) - ПО для исследования данных в различных измерениях; 2) ИС запросов (Query Tools) - ПО, позволяющее формировать запросы к данным; 3) ИС интеллектуального анализа данных (Data Mining) - ПО, которое осуществляет автоматический поиск зависимостей в данных.
С точки зрения интеграции данных современные BI-системы включают следующие базовые компоненты:
1) средства доставки и визуализации данных;
2) DWH (Data WareHouse), отвечающий за хранение данных;
3) ETL (Extract, Transform, Load) - набор инструментов интеграции, выполняющих задачи сбора, преобразования и консолидации данных;
4) Data Mining - набор инструментов и методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации закономерностей.
Если BI внедряется с целью получения единого, целостного взгляда на общее состояние бизнеса требуется использование хранилища данных и внедрение необходимых
ETL-инструментов. Процессы ETL для управления хранилищами данных обеспечивают извлечение сведений из внешних источников, трансформацию и очистку данных для соответствия бизнес-модели, загрузка в хранилище. Для реализации подобных задач используются ИС коммерческие и открытые ETL Tools: Microsoft SQL Server Integration Services, IBM InfoSphere DataStage, Oracle Warehouse Builder/ Data Integrator, Business Objects Data Integrator, Informatica PowerCenter, Pentaho Data Integration (Open Source), Jasper ETL (Open Source).
Методы Business Intelligence и соответствующие информационные технологии активно развиваются. Анализ рынка средств Business Intelligence показывает устойчивый рост объёмов продаж. В последнее время сформировалась тенденция приобретения крупными вендорами лучших решений в своей области и внедрения их в собственные разработки. Среди крупнейших производителей, лидеров рынка можно указать: Oracle, MicroStrategy, Microsoft, IBM, QlikTech, SAP, SAS. В то же время, несмотря на проблемы, связанные со сложностью внедрения и обеспечения безопасности данных, активно используется открытое программное обеспечение BI (Eclipse BIRT Project, KNIME, RapidMiner, SpagoBI, R и др.). На отечественном рынке имеется ряд компаний, предоставляющих разработки класса Business Intelligence: БАРС Груп, ФОРС-Центр разработки, Консультационная группа АТК, Вест Концепт. В частности, имеются программные средства «Прогноз», которые отмечены в международных аналитических обзорах как нишевой игрок на рынке платформ Business Intelligence.
В качестве новых подходов, используемых в бизнес-аналитике, следует отметить концепцию облачных технологий. Хранилища данных и облачные технологии совместимы благодаря применению масштабируемых архитектур. Несмотря на специфические особенности BI, решения с использованием облаков BIaaS (Business Intelligence As A Service) экономичнее, не требует установки и последующего поддержания ПО, сокращают сроки внедрения. В настоящее время пользователями Business Intelligence являются крупные предприятия и организации, решения BIaaS позволяют шире использовать средства бизнес-аналитики для малого и среднего бизнеса.
С точки зрения пользователей, которая отличается от экспертных оценок ранга критериев, выделяются следующие основные факторы, по которым осуществляется выбор средств BI: функциональные возможности приложения; простота использования для конечных пользователей; возможность интегрирования с другими продуктами, которые применяются в рамках
информационной системы организации; производительность; цена.
Разработка BI-проекта предполагает либо горизонтальные решения, реализующие набор общеприменимых инструментов, либо специализированные вертикальные BI-решения под конкретные отрасли или задачи. В первом случае решения обычно могут охватывать все направления деятельности и подразделения компании, но при этом необходима более длительная и тщательная настройка решений, адаптация под конкретные запросы, стоимость проекта внедрения увеличивается, требования к ИТ-специалистам возрастают. Во втором случае не нужна особая настройка для решения специфических задач промышленных, финансовых, банковских организаций, однако различные подразделения в рамках одной структуры не смогут использовать единое решение, потребуется освоение и интеграция нескольких различных систем для бизнес-анализа.
Реализация BI-проекта предполагает многокритериальную оценку представленных на рынке BI-систем. Выполнение конкурентного сравнения систем данного класса не всегда в интересах вендоров, поэтому они стараются его избегать. Часто организации считают полноценный выбор системы затратным и требующим большого количества времени. В результате компании стремятся пропустить эту фазу внедрения. Исследования показывают, что выбор BI-системы осуществляют по следующим критериям: используется ли другое ПО этого же вендора в компании; как система сочетается с уже установленными продуктами; насколько хорошо персонал ознакомлен с системой по предыдущим проектам.
Опыт внедрения проектов бизнес-аналитики показывает, что большинство из этих инструментов довольно сложны в применении, в практической деятельности используется только часть возможностей масштабных систем, проекты не в состоянии обеспечить нужное ROI.
В настоящее время на рынке представлено большое количество инструментов, позволяющих строить прогнозы. Но большинство из них требуют квалификации пользователя в области анализа данных и информационных технологий, имеют высокую стоимость и мало пригодны для малых и средних предприятий. Рост глобальной экономики и усиление рыночной конкуренции диктует необходимость использования небольших, но эффективных систем, доступных даже малому и среднему бизнесу.
В то же время важным требованием современного подхода к средствам Business Intelligence является наличие широкого спектра средств интеллектуального анализа данных. Cредства
Data Mining обеспечивают возможность ставить и решать разнообразные задачи анализа: классифицировать категориальные переменные, оценивать непрерывные переменные с помощью математических моделей и методов, осуществлять поиск функциональных и логических закономерностей в накопленных данных, строить модели и правила для объяснения найденных закономерностей, прогнозировать с определённой вероятностью развитие описываемых процессов.
В результате комплексного анализа предлагаемых инструментов в сфере бизнес-аналитики возникла задача разработки приложения для предприятий малого и среднего бизнеса. Для сегмента пользователей, представляющих малый и средний бизнес регионального уровня необходимы специализированные ИС, облегчающие процесс построения математических моделей для анализа данных, выполняющие оптимизацию параметров моделей в условиях ограниченности IT-бюджета.
Для малых и средних предприятий важнейшим этапом принятия решения о внедрении средств Business Intelligence является определение чёткой стратегии: какие именно показатели требуется анализировать, как будут использоваться результаты. Это позволит позиционироваться на конкретных ИС, избежав реализации крупномасштабных и неэффективных проектов.
Для определения потребностей в подобных инструментах было проведено анкетирование представителей средних и малых предприятий Саратовской области. В анкете присутствовали вопросы, касающиеся конкретных аналитических задач, необходимости осуществления прогнозирования, как часто возникает необходимость решения задач прогнозирования для управления предприятием (организацией), IT-бюджета. В результате анализа был сделан вывод о том, что задача прогнозирования финансово-экономических показателей регулярно появляется в большинстве опрошенных организаций, фирмы готовы к определённым финансовым затратам на приобретение программного продукта, которое не требует специальных навыков бизнес-аналитика и избавляет от необходимости строить сложные модели данных.
Для Business Intelligence актуальной является задача прогнозирования, например: составление бизнес-прогнозов, определение тенденций рынка, формирование бизнес-планов и т. д. Основная проблема при решении данной задачи - большие объёмы и разнородность хранимых данных, а также множественность моделей описания данных и формирования прогноза [1].
В рамках разработанного приложения используются как стандартные статистические методы, так современные модели и методы прогнозирования, в том числе интеллектуального анализа данных. К последним относятся методы:
- скользящей средней;
- на основе линейной и логистической регрессии;
- на основе деревьев решений, лесов деревьев решений;
- на основе нейронных сетей, комитетов нейронных сетей;
- фрактальный анализ.
В приложении реализован рандомизированный алгоритм R/S-анализа временных рядов, позволяющий вычислить показатель Херста для зашумлённых данных для оценки персистентности временного ряда.
Функциональные возможности разработанного приложения обеспечивают импорт данных, представленных в ряде распространённых форматов; предварительную обработку данных; построение модели; возможность автоматического подбора модели прогнозирования; вычисление прогнозных значений; визуализация прогнозов, которая включает в себя построение графика прогнозных значений; экспорт полученных результатов в файл.
Архитектура подобной системы поддержки принятия решений должна включать, помимо базы данных и базы моделей, подсистему экспертных правил оценивания математических моделей и методов для решения задачи прогнозирования и осуществления оптимального подбора параметров модели. Данная подсистема реализована в виде базы правил продукционного вида (рис.1).
Программный продукт был разработан в среде Visual Studio 2010 на языке C# для платформы NET Framework. Интерфейс программы реализован с помощью технологии WPF (Windows Presentation Foundation). В разработке была использована кросс-платформенная библиотека численного анализа AlgLib, в которой содержатся методы анализа данных, такие как нейронные сети, деревья решений, линейная и логистическая регрессия. Также база моделей была дополнена методами собственной разработки, например, рандомизированный алгоритм R/S-анализа, взвешенное скользящее среднее.
В качестве первоочередной задачи при подборе математической модели необходимо оценивать объём выборки, вид шкал, используемых для различных показателей. На следующем этапе выполняется оценка возможности применения статистических методов. Если анализируются слабо структурированные временные ряды
Рис. l. Архитектура приложения для прогнозирования экономических показателей
или категориальные данные большого объёма, то возникает необходимость использования средств Data Mining. В этом случае целесообразна метаоптимизация параметров моделей, в частности для нейронных сетей и деревьев решений. Если построенные модели не удовлетворительны по стандартным критериям, возможно, потребуется использование методов фрактального анализа, позволяющих оценить направление изменения характера данных.
Подбор модели является весьма нетривиальной задачей, в том числе из-за большого количества разнообразных способов оценивания качества моделей. Критерии выбора модели сформулированы для статистических методов. В частности, информационный критерий Акаике (Akaike Information Criterion, AIC), Байесовский информационный критерий Шварца (Bayesian Information Criterion, BIC) учитывают качество приближения и штрафуют за использование излишнего количества параметров модели [2]. Однако при сравнении статистических и интеллектуальных методов была использована среднеквадратическая ошибка (RMS) как
универсальная мера для принципиально различных моделей.
Разработанный программный продукт был успешно внедрён и использовался для поддержки принятия решений в процессе бюджетирования в ряде фирм Саратовской области.
В качестве методических разработок вуза подобное приложение позволит обучающимся наглядно продемонстрировать весь спектр современных подходов к прогнозированию данных. Наиболее перспективным направлением развития моделей прогнозирования с целью повышения точности является создание комбинированных моделей. Для повышения качества экономических прогнозов может быть использована процедура комбинирования, суть которой заключается в использовании результатов двух или нескольких прогнозов, полученных разными методами. Наибольший эффект даёт сопоставление результатов таких расчётов с параметрами, полученными на основе экспертных оценок.
Материалы поступили в редакцию 29.03.2013 г.
Библиографический список (References)
1. Чернышова Г. Ю. Математические модели и методы прогнозирования тенденций фондового рынка / Г. Ю. Чернышова, Н. Б. Фролова // Экономика XXI века: Модернизация в аспекте глобализации : матер. междунар. научно-практ. конф. Ч. 2. Саратов : Академия Бизнеса, 20l2. С. l63-l67.
2. Burnham K., Anderson D. Multimodel inference. Understanding AIC and BIC in model selection. Sociological Methods and Research. Sage Publications. 2004. No 2, Vol. 33, pp. 26l-304.
1. Chernyshova G. Yu., Frolova N. B. (2012 ) Mathematical Models and Methods for Predicting Stock Market Trends. Jekonomika XXI veka: Modernizacija v aspekte globalizacii, mater. mezhdunar. nauchno-prakt. konf, Ch. 2, Saratov, Akademija Biznesa, pp. 163-167.
2. Burnham K., Anderson D. (2004) Multimodel inference. Understanding AIC and BIC in model selection. Sociological Methods and Research. Sage Publications. No 2, Vol. 33, pp. 261-304.
