Analytisk bearbetning av information. Sätt att bearbeta analytisk data för beslutsstöd. Online Analytical Processing (OLAP) Analytisk bearbetningsteknik

Tema 6

FÖRETAGSINFORMATIONSSYSTEM FÖR BEHANDLING AV EKONOMISK INFORMATION

Begreppet företags informationsteknologi

Kärnan och betydelsen av företagsinformationsteknik

Bland mångfalden av program för företag, är termen "informationsteknologi i företagsstyrning" traditionellt förstås som "komplexa förvaltningsautomationssystem." Deras andra namn är också kända - företagsomfattande system, företagsinformationssystem (CIS), företags (eller komplexa) kontrollsystem (CMS), automatiserade kontrollsystem (ACS).

Som regel är komplexa styrautomationssystem "grundläggande" universella lösningar lämpliga för olika typer företag. Först och främst handlar det om ekonomistyrning, lagerhantering, inköp och försäljningshantering. Men samma system har ofta branschspecifika lösningar som återspeglar den eller den specificiteten och innehåller lämpliga reglerings- och referensbas.

Till exempel stöder SAP R/3-systemlösningen för flygindustrin redovisning och kontroll av serienummer för alla flygplansdelar, deras livslängd, planerat utbyte eller reparation, vilket säkerställer inte bara produktionstillförlitlighet, utan även passagerarsäkerhet.

Eftersom komplexa styrsystem främst är inriktade på stora företag som innehåller flerprofilstrukturer, erbjuder de inte bara en utvecklad uppsättning funktioner, utan tillhandahåller också tillförlitlig lagring och bearbetning av stora mängder information, med hjälp av kraftfulla plattformar och systemverktyg för fleranvändararbete ...

Modern informationsteknik, kommunikation och Internet gör att vi kan lösa problem fjärråtkomst till en enda databas, vilket även är relevant för bolagsstyrning.

Byggnadskoncept

Även om de flesta utvecklare kallar sina mjukvaruprodukter för hantering (företag, lager, ekonomi, etc.) är faktiskt nästan alla programvara, som används i företagsstyrning, är att registrera fakta och dokument om finansiella och ekonomiska aktiviteter, redovisningssystem med förmågan att bygga rapporter och certifikat i de sammanhang som analytiska funktioner tillåter. Det vill säga att strukturerad information läggs in i databasen. Denna struktur fastställs i viss mån av referensböcker, klassificerare, parametrar och former av standarddokument som är sammanlänkade. Enligt den information som finns tillgänglig i databasen är det så kallade "snittet" "byggt", "ritat", "monterat" av verktyg. Efter att ha fått rapporter och intyg baserade på sådana data, ofta kallade analytiska, kan ledningen fatta beslut. Detta är det typiska konceptet och typiska tekniken för att arbeta med system i den klass som övervägs.

Det är ingen slump att ett så annorlunda funktionsinnehåll, systemlösningar, syfte och användning av "hanterings"-programvara, såsom "Galaktika", "BEST" och "1C: Enterprise", är liknande när det gäller principerna för att organisera information, tekniken för dess bildande och bearbetning, såväl som metoderna av interaktion med system.

Ändå lägger företag, till exempel Uralelectromed OJSC, fram så strikta och olika krav för bolagsstyrningsverktyg att det blir nödvändigt att bygga dem på flera nivåer. Vanligtvis är kärnan kärnan i systemet, som endast innehåller programkoder. Nästa begreppsmässigt viktiga element är den inbyggda verktygslådan i systemet, som tillåter, utan att ändra programkoderna, åtminstone att konfigurera den på arbetsplatsen, utföra specifika operationer, ange nya och ändra befintliga former av primära och rapporterande dokument, och använd andra parametriska inställningar. Mer utvecklade system har inbyggda verktyg för att skapa olika företagsmodeller: informativa, organisatoriska, funktionella, etc. Och slutligen själva databasen.

Analytisk bearbetning av information

Att planera ett företags aktiviteter, få operativ information och fatta rätt beslut baserat på dess analys är förknippat med bearbetning av stora mängder data. Rapporter som genereras i bokföringen företagssystem ah management, vanligtvis saknar flexibilitet. De kan inte "tvinnas", "expanderas" eller "kollapseras" för att få den önskade representationen av data, inklusive grafisk representation. Ju fler "nedskärningar" och "nedskärningar" du kan göra, desto mer realistisk kan du föreställa dig bilden av företagets aktiviteter och fatta det bästa beslutet om att hantera affärsprocesser. Sådana uppgifter kräver matematisk och ekonomisk modellering, samt hög hastighet. Den analytiska modulen finns i "RepCo"-systemet, "Triumph-Analytics"-systemet (Corporation "PARUS" - "Tora Center") är mer känt. Det verkar som att redovisningssystem bygger certifikat i olika "sektioner" enligt den information som lagras i databasen, de representerar helt enkelt vad som är. Och analytiska system bygger ny information enligt specificerade parametrar eller kriterier, och optimerar den för specifika ändamål. Därför oftare specialverktyg för visning och visualisering av information, vilket är "online dataanalys" (OLAP - online analytical processing). Den tillhandahåller en uppsättning bekväma och snabba verktyg för åtkomst, visning och multidimensionell analys av information som samlats i förvaret.

OLAP-teknologier används för att modellera situationen enligt schemat "vad kommer att hända om...", för att sammanställa olika analytiska rapporter. Det finns specialiserade västerländska mjukvaruprodukter.

Vanligtvis överförs information från företagsledningssystem till specialiserade program för analytisk databehandling. Många inhemska utvecklare försöker lösa dessa problem på egen hand, till exempel företagen Nikos-Soft (NS-2000-system), Cepheus (företagsledningssystem Etalon), COMSOFT (mjukvarumetodologisk och verktygskomplex COMSOFT-STANDARD "2.0) och andra.

6.4. Utsikter för utveckling och användning av företagsinformationsteknik

Förutom utveckling och användning av moderna verktyg och plattformar, såväl som systemverktyg, innebär utvecklingen av inhemska företagssystem deras funktionella mättnad, särskilt när det gäller produktion.

Trots den utbredda entusiasmen för implementeringen av ledningsstandarder, utvecklar de ledande aktörerna på den inhemska mjukvarumarknaden industrilösningar för olika typer av industrier.

Företagens rädsla för att öppna "sekretessen" för sin utveckling minskar, vilket bidrar till att konsolidera deras ansträngningar att integrera sina produkter, snarare än att utveckla allt från "a" till "z" på egen hand. Idag har ingen tillräckligt med resurser. För förståelse nytt koncept, utvecklingen av ett projekt och ett system, nämligen ett system som ändrar sin kvalitet beroende på vad som finns i det, tar år. Dessutom framställs kravet på att integrera mjukvaruprodukter också av företag som vill fortsätta "fungera", som regel specialiserade system och informationsmässigt kombinera dem med nyförvärvade.

Integrering krävs också för produkter från olika tillverkare - i namnet av att kombinera komplexa lösningar med specialiserade:

– budgetering, finansiell och ekonomisk analys, kundservice, analytisk databehandling m.m.

Det bör noteras att det inte är själva kontrollsystemen som är mer lovande, utan ett enkelt och universellt verktyg för att skapa dem, avsett för kvalificerade mellanhänder mellan utvecklaren och slutanvändaren. Nu försöker dessa funktioner utföras systemadministratörer och analyser.

Om ett sådant verktyg är tillgängligt kommer "färdiga" standardlösningar för alla företag i alla branscher att efterfrågas.

Internet som ett extra verktyg för affärsutveckling kan endast användas effektivt om det finns ett integrerat ledningssystem.

Även om modern information och kommunikationsteknik, inklusive Internet, och låter dig organisera uthyrning av programvara, är det för tidigt att prata om kortsiktig användning av sådana möjligheter, särskilt i vårt land. Och inte så mycket av konfidentialitetsskäl, utan på grund av bristen på ordning och pålitliga kommunikationsmedel.

Försök att introducera och använda erfarenhet, även om den inte är fullständig, av informationsteknik på inhemska företag har i praktiken bevisat att "det är omöjligt att automatisera kaos." En preliminär omorganisation av verksamheten och själva företaget är nödvändig, liksom konstruktionen av ledningsbestämmelser (instruktioner). Det är svårt för företagets anställda att klara av sådant arbete på egen hand. Särskilt med tanke på tidsfaktorn i marknadsförhållandena. Därför utvecklas praxis för interaktion med konsultföretag överallt, vilket hjälper företag och lär sina anställda att "expandera flaskhalsar", etablera den huvudsakliga affärsprocessen, utveckla teknik, bygga informationsflöden, etc. Att automatisera en etablerad process är enklare, enklare, billigare, snabbare.

Alla måste göra sitt jobb. En revisor, butiksinnehavare, försäljningschef och andra "ämnes"-specialister bör inte förbättra formen på dokumentformulär, trycka isär kolumner eller byta plats på grund av förändringar i lagstiftning eller affärsmönster. Därför förvandlas mjukvarumarknaden gradvis från en "livsmedelsbutik" till en "service". Outsourcing börjar utvecklas - överföringen av vissa funktioner i företaget till specialister från inblandade företag. De är engagerade i underhåll av utrustning, systemprogramvara, modifiering av den tillämpade (funktionella) delen av system, etc.

Den viktigaste och mest relevanta i användningen av företagsledningssystem är informationsteknologin och metodtjänsten för deras användare och konsumenter.

UDC 621. 37/39. 061.2/4

METODER FÖR ANALYTISK INFORMATIONSBEHANDLING

GVOZDINSKYA.N., KLIMKO E.G., SOROKOVOY A.I.

En analytisk granskning av metoder för datautvinning (även kallad: IAD, datautvinning, kunskapsupptäckt i databaser) genomförs, med hänsyn till användningen av en viss metod för förhållandena i Ukraina. En genomgång av metoder för analytisk bearbetning av information i komplexa informationssystem övervägs utifrån datautvinningens hastighet, insamling av generaliserad information och ökad tillförlitlighet i processen.

Processen för datautvinning är den analytiska studien av stora mängder information för att fastställa mönster och samband mellan variabler som sedan kan tillämpas på ny data. Den mottagna informationen omvandlas till informationsnivån, som karakteriseras som kunskap. Denna process består av tre huvudsteg:

Forskning (avslöjar mönster);

Använda de identifierade mönstren för att bygga en modell;

Undantagsanalys för att upptäcka och förklara avvikelser i hittade mönster.

Att hitta ny kunskap med hjälp av IAD är en ny och snabbt utvecklande riktning som använder metoderna artificiell intelligens, matematik och statistik. Denna process inkluderar följande steg:

Problemdefinition (problemformulering);

Dataförberedelse;

Datainsamling: deras utvärdering, integration och rengöring, urval och omvandling;

Modellbyggande: utvärdering och tolkning, extern validering;

Modellanvändning;

Modellobservation.

För att bygga en modell och förbättra dess kvalitet hjälper formell datavalidering genom en sekvens av frågor eller preliminär datautvinning. Verktygen för en sådan analys inkluderar följande huvudmetoder: neurala nätverk, beslutsträd, genetiska algoritmer, såväl som deras kombinationer.

Neurala nätverk tillhör klassen av icke-linjära adaptiva system; till sin struktur liknar de villkorligt nervvävnaden hos neuroner.

Detta är en uppsättning noder kopplade till varandra som tar emot indata, bearbetar den och producerar något resultat vid utgången. Noderna i det nedre lagret levereras med värdena för ingångsparametrarna, på basis av deras beräkningar som är nödvändiga för att fatta beslut, förutsäga utvecklingen av situationen etc. utförs.

Dessa värden betraktas som signaler som sänds till det överliggande lagret, ökar eller minskar beroende på de numeriska värden (vikter) som tillskrivs de internuronala anslutningarna. Vid utgången av neuronen i det översta lagret genereras ett värde, som betraktas som ett svar, hela nätverkets reaktion på ingången initiala värden. Eftersom varje element i det neurala nätverket är delvis isolerat från sina grannar, har sådana algoritmer förmågan att parallellisera beräkningar. På fig. 1 visar en villkorlig

Figur 1. Neuralt nätverk

Nätverkets storlek och struktur måste motsvara essensen av det fenomen som studeras. Det konstruerade nätverket utsätts för processen med så kallad "träning". Nätverkets neuroner bearbetar indata för vilka både värdena för ingångsparametrarna och de korrekta svaren på dem är kända. Inlärning består i att välja vikten av internuronala anslutningar som ger den största närheten av nätverkssvaren till de kända korrekta svaren. Efter träning på tillgängliga data är nätverket redo att arbeta och kan användas för att förutsäga objektets beteende i framtiden, baserat på data från dess utveckling i det förflutna, för att analysera, för att identifiera avvikelser och likheter. Tillförlitliga prognoser kan skapas utan att specificera vilken typ av beroenden den baseras på.

Neurala nätverk används för att lösa problem med förutsägelse, klassificering eller kontroll.

Fördel - nätverk kan approximera vilken kontinuerlig funktion som helst, det finns inget behov av att göra några antaganden om modellen i förväg. Uppgifterna som undersöks kan vara ofullständiga eller bullriga.

Nackdelen är behovet av att ha en stor mängd träningsprov. Det slutliga beslutet beror på initiala inställningar nätverk. Data måste konverteras till numerisk form. Den resulterande modellen förklarar inte den upptäckta kunskapen (den så kallade "svarta lådan").

Beslutsträd använder uppdelningen av data i grupper baserat på variablernas värden. Resultatet är en hierarkisk struktur av "Om...Då..."-påståenden som ser ut som ett träd. För att klassificera ett objekt eller en situation måste du svara på frågorna vid noderna i detta träd, med början från dess rot. Om svaret är positivt, gå till höger nod på nästa nivå, om negativt - till vänster nod, och så vidare. Efter att ha avslutat svaren når de en av slutnoderna, där

RI, 2000, nr 4

anger vilken klass objektet i fråga ska tilldelas.

Beslutsträd är utformade för att lösa klassificeringsproblem och har därför mycket begränsad användning inom finans och affärer.

Fördelen med metoden är en enkel och begriplig presentation av funktioner för användarna. Som målvariabel används både uppmätta och icke-uppmätta egenskaper - detta utökar omfattningen av metoden.

Nackdelen är problemet med betydelse. Uppgifterna kan delas in i många specialfall, det finns en "buskighet" av trädet, som inte kan ge statistiskt giltiga svar. Användbara resultat erhålls endast i fallet med oberoende funktioner.

Genetiska algoritmer efterliknar processen med naturligt urval i naturen. För att lösa ett problem som är mer optimalt ur ett kriteriums synvinkel beskrivs alla lösningar av en uppsättning siffror eller kvantiteter av icke-numerisk karaktär. Sökandet efter den optimala lösningen liknar utvecklingen av en population av individer, som representeras av deras uppsättningar av kromosomer. Det finns tre mekanismer som fungerar i denna utveckling, som visas i fig. 2.

Följande mekanismer kan särskiljas:

Val av de starkaste uppsättningarna av kromosomer, som motsvarar de mest optimala lösningarna;

Korsning - erhållande av nya individer genom att blanda kromosomuppsättningar av utvalda individer;

Mutationer är slumpmässiga förändringar i gener hos vissa individer i en population.

Som ett resultat av generationsväxlingen utvecklas en lösning på problemet, som inte längre kan förbättras ytterligare.

Fördel - metoden är bekväm för att lösa olika problem med kombinatorik och optimering, den är att föredra mer som ett verktyg för vetenskaplig forskning.

Nackdelen är förmågan att effektivt formulera problemet, bestämma kriteriet för valet av kromosomer och själva urvalsförfarandet är heuristiskt och bara en specialist kan göra det. Problemformuleringen i termer gör det inte möjligt att analysera den statistiska signifikansen av den lösning som erhållits med deras hjälp.

Datorteknik för intelligent analytisk databehandling gör det möjligt att använda metoderna artificiell intelligens, statistik, databasteori och gör det möjligt att skapa moderna intelligenta system.

För närvarande finns det en akut fråga om att skapa informationslager (datalager, datalager) - optimalt organiserade databaser som ger den snabbaste och mest bekväma tillgången till den information som behövs för beslutsfattande. Lagringen samlar pålitlig information från olika källor under en lång tidsperiod, som förblir oförändrad. Data aggregeras och lagras enligt de områden den beskriver (domänspecifika) och uppfyller kraven från hela företaget (integrerat).

Med tanke på den relativt korta existensperioden för de flesta inhemska företag, bristen på analyserade data, instabiliteten hos företag som kan förändras på grund av förändringar i rättslig ram, finns det en svårighet att utveckla en effektiv beslutsstrategi med hjälp av datautvinningssystem. Därför förutspås genetiska algoritmer vara den mest acceptabla metoden för att undersöka data inom finans- och affärsområdet, och för uppgifterna att klassificera bilder och fakta är det bättre att använda beslutsträdsmetoder eller neurala nätverk.

Litteratur: 1. Shchavelev L.V. Data mining. http://www.citforum.ru/seminars/cis99/sch_04.shtml, 2. Burov K. Upptäckt av kunskap i datalager / / öppna system. 1999. Nr 5-6., http://www.osp.ru/os/l999/05-06/14.htm. 3. Kiselev M, Solomatin E. Medel för kunskapsutvinning inom företag och finans // Öppna system. 1997. Nr 4. s. 41-44. 4. Krechetov N, Ivanov P. Produkter för datautvinning // Computer Week - Moskva. 1997. Nr 14-15. s. 32-39. 5. Edelstein H. Intelligenta verktyg för att analysera och presentera data i informationslager // Computer Week - Moskva. 1996. Nr 16. s. 32-35.

Inkom till redaktionen 2000-06-22

Recensent: Dr. tech. vetenskaper, prof. Putyatin V.P.

Gvozdinsky Anatolij Nikolajevitj, Ph.D. tech. Sciences, professor vid institutionen för artificiell intelligens KhTURE. Vetenskapliga intressen: utvärdering av effektiviteten hos komplexa informationshanteringssystem. Intressen och hobbies: klassisk musik, turism. Adress: Ukraina, 61166, Kharkiv, st. acad. Lyapunova, 7, lägenhet. 9, tel. 32-69-08.

Klimko Elena Genrihovna, assistent vid avdelningen för datorteknik och informationssystem, Poltava State Technical University uppkallad efter Yuriy Kondratyuk. Forskarstuderande (på jobbet) vid Institutionen för artificiell intelligens vid KhTURE. Vetenskapliga intressen: analytisk dataanalys. Intressen och hobbies: läsning, stickning. Adress: Ukraina, 36021, Poltava, st. Diamant, 1-A, apt. 34, tel. (053-22) 3-43-12.

Sorokov Alexander Ivanovich, Ph.D. tech. i naturvetenskap, docent vid institutionen för datorteknik och informationssystem, Yuriy Kondratyuk Poltava State Technical University. Forskningsintressen: KDD (Knowledge Discovery). Intressen och hobbies: hundar. Adress: Ukraina, 36022, Poltava, per. Trasig, 37A, tel (053-2) 18-60-87, e-post: [e-postskyddad].ru

Efter att ha kontrollerat informationens fullständighet och tillförlitlighet utförs dess analytiska bearbetning. Det inkluderar definitionen av ett system av indikatorer, vars studie krävs för att uppnå målen för analysen. Dessa indikatorer finns antingen redan i den valda informationen eller beräknas i processen för dess analytiska bearbetning.

Systemet med indikatorer betyder en sådan ordnad uppsättning av dem, där varje indikator ger en kvalitativ och kvantitativ egenskap för en viss aspekt av en ekonomisk enhets verksamhet, är sammankopplad med andra indikatorer, men duplicerar dem inte och har egenskaperna av reducerbarhet och delbarhet.

Antalet indikatorer i processen för analytisk bearbetning av information kan öka nästan obegränsat genom deras differentiering eller integration, beroende på analysprogrammet, studiedjupet av resultaten av aktiviteter och faktorerna som påverkar dem.

Eftersom ekonomiska enheters verksamhet, deras strukturella uppdelningar, såväl som deras olika sammanslutningar i allmänhet är ganska stabila, har systemet av indikatorer med vilket det analyseras en viss stabilitet, men berikas gradvis med nya indikatorer när nya uppgifter uppstår, förändringar i den allmänna ekonomiska situationen, externa och interna verksamhetsförhållanden för ekonomiska enheter.

En nödvändig förutsättning för utvecklingen av ett system av analytiska indikatorer och dess korrekta tillämpning är grupperingen av dessa indikatorer enligt olika kriterier (se fig. 4.1).

Indelning av indikatorer i absolut och släktingär avgörande för att bestämma omfattningen och komplexiteten av analytisk bearbetning av information.

Informationen som samlas in från olika källor innehåller huvudsakligen absoluta indikatorer som kännetecknar aktivitetsvolymen för den analyserade ekonomiska enheten (till exempel volymen av försäljning av varor, mängden kostnader för produktion av varor eller tjänster, volymen av grossist eller detaljhandel handel, mängden förskott

Ris. 4.1. Klassificering av analytiska indikatorer enligt olika

grupperingsegenskaper

kapital, beloppet av vinst eller förlust, antalet anställda, kostnaden för anläggningstillgångar, storleken på varulagret).

Relativa indikatorer, som är av största vikt för att bedöma resultatet av den analyserade organisationen som helhet eller dess interna strukturella uppdelningar, beräknas redan av olika matematiska operationer i processen för analytisk bearbetning av information. Sådan analytisk bearbetning kan delvis tillhandahållas av de relevanta bestämmelserna som uppgifterna för redovisningsavdelningen och andra interna strukturella avdelningar av en ekonomisk enhet (till exempel fastställande av kostnaden för enskilda produkter, vinstnivån i förhållande till kapitalet, beräkningen av ekonomiska standarder som en del av rapportering från affärsbanker).

Beräkningen av relativa indikatorer förbättrar jämförbarheten av data för olika kronologiska perioder, eftersom alla absoluta indikatorer som används för detta ändamål i matematiska formler är beräknade i en valuta som har samma köpkraft, d.v.s. inflationens inflytande elimineras. Dessutom bildas alla absoluta indikatorer relaterade till en given period under påverkan av samma interna och externa situation. Därför görs dynamiska och rumsliga jämförelser i analysen till övervägande del med relativa snarare än absoluta indikatorer.

För att förbättra jämförbarheten av data används de där det är möjligt, naturlig och omvandlas till naturliga med hjälp av särskilt fastställda koefficienter, de s.k villkorligt naturligt meter. För samma ändamål ges i vissa fall företräde till arbetskraft och elementkostnad meter, vilket gör det möjligt att vid behov eliminera inflytandet på absoluta indikatorer för förändringar i varukostnaden och i relativa indikatorer härledda från detta värde, skillnader i varukostnaden orsakad av fluktuationer i förhållandet mellan den överförda kostnaden för anläggningstillgångar, löner för levande arbete och vinst i priset på produkter. Det bör beaktas att även när en hård utländsk valuta används för kostnadsmätning av absoluta indikatorer, elimineras inte effekten av strukturella förändringar på bedömningen av volymen av en ekonomisk enhets verksamhet och dess kvalitativa egenskaper. Därför, i följande presentation, kommer frågorna och användningen av olika naturliga, villkorligt naturliga, arbets- och icke-fullkostnadsmätare att särskilt beaktas för att uppnå vissa mål med analysen.

Gruppering av analytiska indikatorer i kvantitativ och kvalitet ligger mycket nära deras indelning i absolut och relativ, men sammanfaller inte helt med den. Till exempel är det totala vinstbeloppet en kvantitativ indikator, men när det gäller dess ekonomiska innehåll hänvisar den till de kvalitativa egenskaperna hos objektets aktivitet, eftersom själva faktumet att göra en vinst och inte en förlust, även utan att härleda relativ lönsamhet indikatorer, verkar redan vara ett positivt resultat av aktiviteten.

En oerhört viktig roll i ekonomisk analys spelar uppdelningen av indikatorer enl generalisera och privat.

Sammanfattande indikatorer anses vara indikatorer med hjälp av vilka ges sammanfattande egenskaper den analyserade ekonomiska enhetens tillstånd, graden av användning av de resurser som står till dess förfogande och effektiviteten i förvaltningen, uttryckt i uppnåendet av de eftersträvade målen. De primära målen kan vara att få en högre vinst jämfört med refinansieringsräntan eller med annat alternativa sätt användning av det kapital som är tillgängligt för försökspersonen; uppnå en högre kvalitet på varor och tjänster än konkurrenter till samma eller lägre kostnadsnivå för deras produktion och cirkulation; erövringen på denna grund av nya marknader och en ökning av företagets pris. Generaliserande indikatorer inkluderar också indikatorer som generellt kännetecknar en viss sida eller inriktning av företaget eller dess individuella strukturella divisioner, storleken på de resurser de använder och deras omsättning. Varje generaliserande indikator kan delas upp i ett antal särskilda indikatorer som spelar en underordnad roll i förhållande till den. Dessa privata indikatorer bidrar till identifiering och mätning av påverkan av individuella interna och externa faktorer som bestämmer storleken och dynamiken hos den generaliserande indikatorn. Med hjälp av privata indikatorer uppnås underordnandet av de lokala målen för enskilda enheter och aktiviteter för en ekonomisk enhet till de allmänna målen för dess funktion. Det allmänna målet för en ekonomisk enhets funktion är inte entydigt, det innebär att ett antal mål samtidigt och sammankopplade uppnås, och därför återspeglas graden av dess uppnående inte av en utan av ett helt system av generaliserande och särskilda indikatorer. .

För att hantera verksamheten för en ekonomisk enhet som helhet, dess individuella områden och handlingar för varje utförare, utvecklas först en modell för denna verksamhet. Det beskrivs av ett system med generaliserande och särskilda indikatorer som fastställs i affärsplanen, vars nivå och sammankoppling bör säkerställa att de planerade prestationsresultaten uppnås.

Systemet med planerade indikatorer är som regel sämre än systemet med redovisningsindikatorer, eftersom redovisningen återspeglar effekten av inte bara faktorer som kan förutses i förväg, utan också många oförutsägbara faktorer - objektiva och subjektiva, till exempel naturkatastrofer , oärlighet av artister, bedrägeri och stöld. Följaktligen återspeglar redovisning effekten på generalisering och särskilda indikatorer för hela mångfalden av verkligheten.

Systemet med analytiska indikatorer är till och med bredare än i plan och redovisning, eftersom det bör ge en återspegling av förvaltningens resultat och en bedömning av nivån på dess effektivitet inom alla planerade områden och många mål, och inte bara som helhet för relativt oberoende ekonomiska system som studeras (företag, affärsbank), men också för dess stora och små divisioner; identifiera enskilda enheters roll i slutresultat verksamhet och olika faktorers inverkan på den ekonomiska utvecklingen. Därför innehåller systemet med analytiska indikatorer både generaliserande indikatorer differentierade efter verksamhetsområden (resultat) och privata (faktoriella) indikatorer.

Partiella indikatorer bildade genom nedbrytning av en generaliserande indikator eller aggregerade i en generaliserande indikator kallas också faktorindikatorer i analysen av ekonomisk aktivitet, eftersom deras användning gör det möjligt att avslöja och mäta inverkan av vissa ekonomiska faktorer på generaliserande indikatorer. Som du vet sker förändringar i det analyserade objektets tillstånd under inverkan av ekonomiska och sociala faktorer. Vanligtvis används termen "orsak" på en grupp faktorer, vars inverkan kan fastställas direkt från redovisnings- och rapporteringsdata. Med den ytterligare nedbrytningen av gruppen i dess komponenter kallas de erhållna partialfaktorindikatorerna också orsaker, om deras koppling till den analyserade indikatorn är funktionell och de kan beräknas genom att utföra olika matematiska operationer på rapporteringsindikatorerna.

I de fall då påverkan på den analyserade indikatorn för andra relaterade till den i en korrelation avslöjas och mäts, och styrkan av deras inflytande mäts med statistiska och matematiska metoder, kallas de särskilda indikatorer som erhållits för att detaljera analysen vanligtvis inte längre orsaker, men faktorer.

Därför är skillnaden mellan termerna "orsak" och "faktor" mycket villkorad. Den är huvudsakligen baserad på möjligheterna att direkt eller indirekt mäta deras inflytande, med hänsyn till vilken typ av samband med den analyserade generaliserande indikatorn.

Till exempel kan avvikelser från produktionsvolymplanen orsakas av en diskrepans mellan planen för antalet och sammansättningen av personal och samtidigt den genomsnittliga produktionen per arbetare för den analyserade perioden. Värdena för ovanstående aggregerade grupper av faktorer och deras avvikelser från planen återspeglas direkt i rapporteringen och kallas i analysen skäl till avvikelser. Var och en av dessa orsaker kan dock betraktas som en funktion av många variabler. Så förändringen i antalet anställda är detaljerad per personalkategori, produktionen per anställd presenteras som produkten av produktionen per arbetare och andelen arbetare av det totala antalet anställda. Dessa analytiska indikatorer kan beräknas genom att direkt använda rapporteringsdata och därför kallas de också för mer differentierade skäl för att ändra den sammanfattande indikatorn.

Låt oss anta att analysen fördjupas ytterligare för att ta reda på påverkan på förändringen av den generaliserande indikatorn - produktionsvolymen av faktorer som i sin tur påverkar uppfyllandet av planen för produktion per arbetare, vars förhållande med denna indikator kan inte fastställas direkt. Till exempel är uppgiften att bestämma inverkan på den genomsnittliga produktionsnivån för den arbetande organisatoriska och tekniska produktionsnivån (graden av mekanisering och automatisering av de viktigaste tekniska processer och hjälparbete, införande av metoder för vetenskaplig organisation av arbetet, externt samarbete, etc.) och personliga faktorer (allmän och specialutbildning, arbetslivserfarenhet, kön, ålder).

Enligt de generaliserade uppgifterna för redovisning och statistisk redovisning är det omöjligt att mäta inverkan av de listade faktorerna på produktionen och genom den på produktionsvolymen eller på dess tillväxttakt. För detta ändamål samlas primära redovisnings- och dokumentationsdata in och bearbetas med särskilda ekonomiska och matematiska metoder (främst korrelation). tekniska tjänster, avdelningar för personal, arbete och löner, samt speciellt insamlad extra redovisningsinformation (enkätundersökning, fotografier och självfotografier av arbetsdagen, protokoll från produktionsmöten, etc.). Med sådan ytterligare detaljering av orsakerna kallas deras egenskaper redan faktorer.

Mätning av individuella faktorers inflytande på dynamiken i ekonomisk utveckling, resultaten av genomförandet av planen och effektiviteten i förvaltningen hjälper till att fastställa deras relativa betydelse i företagets arbete, fokusera på de viktigaste och avgörande och öka analysens effektivitet för att identifiera reserver.

Enheten i systemet med indikatorer och metoden för deras beräkning bör säkerställas för företag med samma profil. Försök att tillämpa samma uppskattade indikatorer i ekonomiska enheter i olika sektorer av den nationella ekonomin förverkligades inte, eftersom det inte är identiteten på de använda indikatorerna som krävs, utan deras överensstämmelse med den grundläggande strategin för att bedöma resultaten som uppnåtts av de analyserade ur synvinkeln av målen för dess verksamhet, lokala och globala kriterier för deras uppnående.

Företaget lyckas inte alltid uppnå alla sina mål och lösa alla de uppgifter som tilldelats det. Dessutom, tillsammans med genomförandet av planen för vissa indikatorer, kan ett negativt resultat för andra erhållas. I detta avseende, när man bestämmer betyget för en ekonomisk enhet, dess strukturella uppdelningar, är det tillrådligt att beräkna en villkorad integrerad indikator, vars nivå skulle återspegla både graden av uppfyllelse av planerade mål för var och en av indikatorerna och deras relativa värde.

Den integrerade indikatorn, härledd på grundval av ett antal andra mycket olika i deras ekonomiska innehåll och praktiska syfte, karakteriserar inte de specifika resultaten av arbetet med det analyserade ämnet och graden av uppnående av de många mål som ställts upp för honom. Denna indikator kan användas för att bestämma betyget. I alla andra fall motsvarar dess användning inte mångsidigheten hos ekonomiska enheters funktion.

För att bedöma genomförandet av planen och dessutom nivån på ekonomisk effektivitet är det nödvändigt att ta hänsyn till alla indikatorer som ingår i systemet, eftersom överuppfyllelse av planen för en av dem inte befriar den analyserade ekonomiska kopplingen från skyldighet att säkerställa uppnåendet av den planerade nivån för andra indikatorer. En ovan planerad förbättring av en av indikatorerna kompenserar vanligtvis inte för skadan som orsakas av en fördröjning i en annan indikator, vilket återspeglar misslyckandet med att uppfylla, kanske, en ännu viktigare uppgift som tilldelats denna ekonomiska enhet. Till exempel utesluter inte ett betydande överskott av den planerade produktionsnivån av varor (arbeten, tjänster) behovet av att säkerställa en given kostnadsnivå per produktionsenhet; överuppfyllelse av planen i fråga om produktionsvolym och vinst kan inte kompensera för underlåtenhet att uppfylla planen för idrifttagande av reningsanläggningar och andra miljöskyddsåtgärder.

Det mest acceptabla sättet att konstruera en integrerad indikator är att lösa det matematiska problemet med att beräkna avstånden mellan punkter som kännetecknar värdena för samma indikatorer på de jämförda ekonomiska enheterna och på det villkorade bästa företaget för alla dessa indikatorer, dvs. kallas utvecklingsstandard, och på detta sätt bestämma indikatorn för "utvecklingsnivån" var och en av dem. Dess fördel gentemot andra metoder för att beräkna den integrerade indikatorn är objektiviteten hos uppskattningar, eftersom den är baserad på matematiska beräkningar.

Andra sätt att aggregera indikatorer är inte tillräckligt objektiva. Till exempel, vid beräkning av en integral indikator, kan betydelsen av en eller annan indikator i deras allmänna system också bestämmas med hjälp av en poängsättning. Så om på grund av bristen på sällsynta metaller som används är deras mest ekonomiska användning särskilt viktig, så tilldelas den högsta poängen till indikatorn för att minska materialintensiteten i produktionen för dessa metaller. Om det först och främst är nödvändigt att säkerställa ytterligare utvidgning av sortimentet, genom att tilldela en högre poäng till denna indikator, presenteras den i första hand i ett antal utvärderingsindikatorer. Trots det faktum att bedömningen av produktionseffektiviteten i enskilda sektorer av den nationella ekonomin och deras företag baseras på samma system av indikatorer, kan var och en av dem tilldelas olika poäng även i samma bransch eller företag under olika perioder av tid. Poängsättningen för varje indikator bör återspegla dess betydelse för att uppnå målen för de analyserade ekonomiska enheternas funktion. Samtidigt kan dessa punkter, precis som alla subjektiva bedömningar, sättas godtyckligt.

För den period som omfattas finns det indikatorer som fastställer tillståndet för den analyserade ekonomiska enheten och resultaten av dess verksamhet, eller de anställdas handlingar i ett visst område med ett visst antal, dvs. i statisk, eller för den analyserade perioden, dvs. i dynamik. Till exempel återspeglar balansräkningen det finansiella tillståndet, fördelningen av egendom, källorna till dess bildande vid sammanställningsdatumet, och kassaflödesanalysen täcker deras saldon, intäkter och avyttringar, d.v.s. deras dynamik under hela den analyserade perioden.

I förhållande till den analyserade ekonomiska enhetens verksamhet och möjligheterna att påverka dess resultat, visar indikatorer som speglar objektivt oberoende skäl och subjektiv beroende på det.

I analysprocessen är det mycket viktigt att eliminera påverkan av faktorer av en objektiv ordning, som inte kan tillskrivas användbara resultat eller omvänt till bristerna i den ekonomiska enhetens verksamhet.

Tillsammans med valet av ett system med indikatorer för analys enligt det planerade programmet är generaliseringen av information i analytiska tabeller och figurer av stor betydelse. Analytiska tabeller används för att jämföra analytiskt bearbetade data efter kronologiska perioder och på grundval av detta bestämma dynamiken hos de studerade indikatorerna, jämföra deras uppnådda eller förutspådda värden med basdata, som kan vara motsvarande indikatorer för planen för tidigare och förutspådda framtida perioder, obligatoriska normer, indikatorer för andra ekonomiska enheter, genomsnitt för branschen eller något annat valt av analytikern baserat på syftet med studien.

För sådana jämförelser används vanligtvis horisontella rader i en analytisk tabell, där namnen på de jämförda data och deras absoluta och relativa värden anges. Sådana tabellradsjämförelser kallas horisontell analys.

Enligt kolumnerna i den analytiska tabellen jämförs de generaliserande indikatorerna med deras komponenter - särskilda indikatorer - för att identifiera relativt värde dessa privata indikatorer i bildandet av generaliserande sådana, i synnerhet strukturen för generaliserande indikatorer bestäms. Detta sätt att reflektera analytiskt bearbetad information kallas vertikal eller strukturell analys.

Den analytiska tabellen har text (vänster) och numeriska (höger) delar. För datorbehandling av information kan textdelen av tabellen krypteras med hjälp av alfabetiska eller numeriska beteckningar. Siffrorna placeras i tabellens kolumner på separata linjer som korsar dem.

Den vänstra sidan av tabellen, där namnen på dess rader är placerade, kallas "ämnet", och den högra, bestående av kolumner, ovanför vilka deras namn också anges, kallas "predikatet".

Generalisering insamlad information i sammanlänkade, kompletterande eller detaljerade analytiska tabeller, möjliggör den så kallade textlösa analysen; noggrant analytiskt bearbetad information som placeras i tabellerna gör det möjligt att dra de nödvändiga slutsatserna och ta fram sunda förvaltningsbeslut. I dessa fall finns det inget behov av att presentera resultatet av analysen i form av en text, eller samma text presenteras extremt kortfattat.

Förberedelse av en uppsättning analytiska tabeller, som med tillräcklig objektivitet och fullständighet skulle återspegla alla frågor i analysprogrammet och dess resultat, kräver hög professionalism från utvecklarna av layouterna för dessa tabeller och instruktioner för att fylla i dem.

Därför används i praktiken standardmetoder för detta ändamål och endast ändringar görs i de tabeller som rekommenderas i dem som härrör från de individuella egenskaperna hos den analyserade ekonomiska enheten eller den situation som har utvecklats på den.

Genom att använda analytiska tabeller och särskilt göra ändringar i dem är det nödvändigt att följa de allmänna reglerna för deras design:

1) ovanför tabellen bör dess namn och serienummer placeras;

2) om samma måttenheter används i alla rader och kolumner i tabellen, är det inom parentes under namnet på tabellen i högra hörnet nödvändigt att placera standardbeteckningen för måttenheten, till exempel (tusen rubel) eller ($). Om olika måttenheter används i tabellens rader, placeras deras beteckningar i radrubrikerna, åtskilda av ett kommatecken efter dess namn. Om olika måttenheter används i kolumnerna, bör de också anges i kolumnrubrikerna;

3) tabellens kolumner numreras sekventiellt, med början från den första, där radnumren anges. I de fall då indikatorerna för olika kolumner beräknas på basis av värdena som visas i föregående kolumner, förutom namnet och serienummer denna kolumn bör en beräkningsalgoritm ges som anger numren på kolumnerna som innehåller de initiala data, såväl som de matematiska operationerna som ska utföras med dem för att erhålla de värden som anges i denna kolumn, till exempel: [ (kolumn 4 - kolumn 3) ∙ 100: 3];

4) rubriker i "predikatet" är enkla i de fall där dess kolumner inte har ett gemensamt innehåll, eller komplexa - när innehållet som är gemensamt för flera kolumner är detaljerat i var och en av dem. Då indikeras rubriken i form av flera nivåer, till exempel:

För att öka synligheten för materialen i analysen används den ofta grafiska metoder. Till exempel, tabeller som registrerar dynamiken hos indikatorer åtföljs av figurer där denna dynamik presenteras i form av kurvor eller staplar. Strukturen av generaliserande indikatorer i kolumnerna i analytiska tabeller illustreras i form av cirkeldiagram. Andra former av diagram används också.

Anna Ivanova

Idag använder nästan alla företag, vare sig de är stora eller mycket små, privata eller offentliga, informationssystem i sin verksamhet, och i regel är det inte det första året. Detta innebär att de flesta företag redan äger en viss mängd ackumulerad data, och denna mängd är ofta av stort värde - åtminstone bekräftas det av det faktum att ganska mycket uppmärksamhet i pressen har ägnats åt läckor av företag de senaste åren. data, som anses vara en lönsam vara för den kriminella marknaden.

Observera att värdet av företagsdata inte bara ligger i det aggregerade värdet av de enskilda posterna, utan också i det ofta mycket större värdet av datamängden som en källa till ytterligare information som inte kan erhållas från en eller flera poster, såsom information om mönster, trender eller ömsesidiga beroenden mellan data som gör att du kan fatta vissa affärsbeslut. Det är därför som moderna verktyg för hantering av företag och försörjningskedjor, bankinformationssystem och andra affärsapplikationer vanligtvis inte bara inkluderar verktyg för inmatning och redigering av data, utan också verktyg för analytisk bearbetning som på ett eller annat sätt gör det möjligt att identifiera och presentera mönster och trender i data. . Idag är dessa verktyg väldigt olika. De inkluderar verktyg för att bygga relationsdatalager – specialdesignade databaser som gör att du snabbt kan köra frågor för att välja data; Server- och klientverktyg för att bygga flerdimensionella datalager innehållande aggregerade data (summor, medelvärden) i en icke-relationell struktur; klientapplikationer för tillhandahållande av användargränssnitt till relations- och multidimensionella datalager; verktyg för att skapa lösningar baserade på sådana lagringar, analysera multidimensionell och relationsdata, generera rapporter om multidimensionell och relationell data. Nedan kommer vi att diskutera vilka produkterna i var och en av dessa kategorier är.

Datalager

Data Warehouse kallas vanligtvis en databas, vars huvudsakliga syfte är att utföra analytiska frågor för att välja data. Datalagrar kan vara både relationella och flerdimensionella.

Ralph Kimball, en av upphovsmännen till datalagerkonceptet, beskrev ett datalager som "en plats där människor kan komma åt sin data" (se t.ex. Ralph Kimball, Data Warehouse Toolkit: Praktiska tekniker för att bygga dimensionella datalager, John Wiley & Sons, 1996 och Data Webhouse Toolkit: Bygga ett webbaktiverat datalager, John Wiley & Sons, 2000). Han formulerade också de grundläggande kraven för datalager:

• stöd för höghastighetsdatahämtning från lagring;
• stöd för intern datakonsistens;
• förmågan att erhålla och jämföra de så kallade dataskivorna (slice and dice);
• tillgänglighet av praktiska verktyg för att visa data i lagringen;
• fullständighet och tillförlitlighet av lagrad data;
• stöd för en kvalitetsdatapåfyllningsprocess.

Det är ofta omöjligt att uppfylla alla angivna krav inom ramen för samma produkt. Därför, för implementering av datalager, används vanligtvis flera produkter, av vilka några faktiskt är sätt att lagra data, andra är sätt att extrahera och visa dem, andra är medel för att fylla på dem, etc.

Observera att när man designar lager, görs alltid a priori-antaganden om arten av det ömsesidiga beroendet av data som placeras i dem, och fördelarna med att använda ett datalager för att fatta förvaltningsbeslut beror till stor del på riktigheten av dessa antaganden.

Relationsdatalager

Till skillnad från så kallade onlinedatabaser, som används av applikationer som modifierar data, är relationsdatalagrar utformade på ett sådant sätt att de uppnår den minsta exekveringstiden för läsbegäranden (onlinedatabaser minimerar oftast exekveringstiden för begäranden om dataändring). Vanligtvis kopieras data till lagring från onlinedatabaser enligt ett specifikt schema.

Den typiska strukturen för ett datalager skiljer sig väsentligt från strukturen för ett konventionellt relations-DBMS. Vanligtvis är denna struktur denormaliserad (vilket förbättrar frågeprestanda) och kan tillåta dataredundans. En typisk datalagerstruktur visas i fig. 1. Huvudkomponenterna i denna struktur är faktatabellen och dimensionstabellerna.

Faktatabell(i exemplet i figur 1 kallas det Sales_Fact) är huvudtabellen för datalagret. Som regel innehåller den information om föremål eller händelser, vars helhet kommer att analyseras ytterligare. Vanligtvis innehåller en sådan tabell en unik sammansatt nyckel som kombinerar dimensionstabellernas primärnycklar. Oftast är dessa heltalsvärden eller värden av typen "datum / tid" - trots allt kan en faktatabell innehålla hundratusentals eller till och med miljontals poster, och att lagra upprepade textbeskrivningar i den är vanligtvis olönsamt. Dessutom innehåller faktatabellen ett eller flera numeriska fält, baserat på vilka aggregerade data erhålls under utförandet av analytiska frågor.

Observera att det inte finns någon information i faktatabellen om hur man grupperar poster vid beräkning av aggregerad data. Denna information finns i dimensionstabeller.

Måtttabeller innehålla oföränderlig eller sällan ändrad data. De har minst ett beskrivande fält och vanligtvis ett heltalsnyckelfält (vanligtvis en surrogatnyckel). Ofta (men inte alltid) kan en dimensionstabell också innehålla fält som pekar på ytterligare attribut som fanns i den ursprungliga operationsdatabasen, eller till attribut som ansvarar för att gruppera sina egna data. Varje dimensionstabell måste vara i en en-till-många-relation med faktatabellen.

Observera att tillväxthastigheten för dimensionstabellerna bör vara försumbar jämfört med tillväxttakten för faktatabellen; till exempel, ny ingång i mättabellen som kännetecknar varorna läggs endast till när en ny, tidigare osåld produkt dyker upp.

Moderna datadesignverktyg, som CA AllFusion Modeling Suite, inkluderar vanligtvis mallar för att designa datalager. Det bör sägas att specialiserade DBMS ibland används för att skapa relationsdatalager, där datalagring är optimerad när det gäller exekveringshastighet. Ett exempel på en sådan produkt är Sybase Adaptive Server IQ, som implementerar ett okonventionellt sätt att lagra data i tabeller. Du kan dock skapa lagring i konventionella relationella DBMS.

OLAP och multidimensionella datalager

Flerdimensionella datalager utgör grunden för OLAP-verktyg (On-Line Analytical Processing) designade för komplex multidimensionell dataanalys. Konceptet OLAP beskrevs 1993 av E. F. Codd, författaren till den relationella datamodellen, och OLAP-stöd är för närvarande implementerat i många DBMS och dataanalysverktyg.

Flerdimensionella butiker innehåller vanligtvis aggregerade data (till exempel summor, medelvärden, antal) för olika prover. Oftast bildar dessa aggregerade funktioner en flerdimensionell datauppsättning som kallas en kub, vars axlar (kallade dimensioner) innehåller parametrarna, och vars celler innehåller de aggregerade data som beror på dem (kallas ibland mått). Längs varje axel kan data organiseras i hierarkier som återspeglar olika detaljnivåer. Som regel erhålls aggregerad data genom att utföra en serie frågor för att gruppera data av typen:

Observera att ganska ofta som en datakälla för liknande förfrågningar relationsdatalager. I det här fallet innehåller dimensionstabellerna vanligtvis källdata för att generera kubdimensionerna, och faktatabellen innehåller källdata för beräkning av kubmåtten.

Flerdimensionella datalager innehåller aggregerade data med varierande detaljeringsgrad, såsom försäljning per dag, månad, år, produktkategori, etc. Syftet med att lagra aggregerad data är att minska exekveringstiden för frågor, eftersom analyser och prognoser i de flesta fall inte är det av intresse, detaljerade snarare än sammanfattande data. Att spara all aggregerad data är dock inte alltid motiverad – trots allt, när nya dimensioner läggs till växer mängden data som utgör kuben exponentiellt (ibland talar man om "explosiv tillväxt" av mängden data). För att lösa problemet med "explosiv tillväxt" används olika scheman som gör det möjligt att, när man beräknar långt ifrån alla möjliga aggregerade data, uppnå en acceptabel hastighet för exekvering av frågor.

Både källdata och aggregerade data kan lagras i antingen relationella eller flerdimensionella strukturer. Därför finns det för närvarande tre sätt att lagra data:

• MOLAP (Multidimensional OLAP) - källdata och aggregerade data lagras i en flerdimensionell databas;
• ROLAP (Relational OLAP) - källdata finns kvar i samma relationsdatabas där de ursprungligen fanns, medan den aggregerade informationen placeras i tjänstetabeller speciellt skapade för deras lagring i samma databas;
• HOLAP (Hybrid OLAP) - källdata finns kvar i samma relationsdatabas där den ursprungligen fanns, medan den aggregerade data lagras i en flerdimensionell databas.

Vissa OLAP-verktyg stöder endast datalagring i relationsstrukturer, andra endast i flerdimensionella strukturer. De flesta moderna OLAP-serververktyg stöder dock alla tre datalagringsmetoderna. Valet av lagringsmetod beror på volymen och strukturen för källdata, kraven på hastigheten för exekvering av frågor och frekvensen för uppdatering av OLAP-kuber.

DBMS för de ledande tillverkarna som släppts de senaste åren - IBM, Microsoft, Oracle, innehåller verktyg för att skapa flerdimensionella datalager (denna tradition startades för flera år sedan av Microsoft, som inkluderade en OLAP-server i SQL Server 7.0). Det finns också separata produkter för att skapa OLAP-lagringar - de släpps av Hyperion, Sybase, Business Objects och några andra.

datautvinning

Termen Data Mining (mining på engelska betyder "mining") syftar på processen att söka efter korrelationer, trender, samband och mönster mellan data med hjälp av olika matematiska och statistiska algoritmer: klustring, skapa delsampler, regression och korrelationsanalys. Exempel på den information som efterfrågas kan vara information om vilka kategorier av köpare som oftast köper en viss produkt, vilken del av köparna av en specifik produkt som köper en annan specifik produkt, vilken kategori av kunder som oftast inte betalar lånet som lämnats i tid. Denna typ av information används vanligtvis i prognoser, strategisk planering, riskanalys, och dess värde för företaget är mycket högt.

Observera att traditionell matematisk statistik och OLAP-verktyg inte alltid är lämpliga för att lösa sådana problem. Vanligtvis används statistiska metoder och OLAP för att testa förformulerade hypoteser, men ofta är det formuleringen av en hypotes som visar sig vara den svåraste uppgiften när man gör affärsanalyser för efterföljande beslutsfattande, eftersom inte alla mönster i data är uppenbart vid första anblicken.

Grunden för modern teknologier Data Gruvdrift baseras på konceptet med mönster som återspeglar mönstren som finns i delprover av data. Sökandet efter mönster utförs med metoder som inte använder några initiala antaganden om dessa delprover. Om statistisk analys eller OLAP-ansökan vanligtvis formulerar frågor som "Vad är det genomsnittliga antalet bankkunder som inte betalade tillbaka lånet i tid bland ogifta män från 40 till 50 år?", då är användningen av Data Mining som regel, innebär svar på frågor som "Det finns Är det en typisk kategori kunder som inte betalar tillbaka lån i tid?". Samtidigt är det svaret på den andra frågan som ofta säkerställer antagandet av ett framgångsrikt affärsbeslut.

En viktig egenskap hos Data Mining är att mönstren som eftersträvas inte är standard och inte är självklara. Data Mining-verktyg skiljer sig med andra ord från verktyg för statistisk databehandling och OLAP-verktyg det faktum att de istället för att kontrollera de ömsesidiga beroenden som användarna förutsatt i förväg, kan hitta sådana ömsesidiga beroenden på egen hand utifrån tillgängliga data och bygga hypoteser om deras natur. Användningen av Data Mining-verktyg utesluter dock inte användningen av statistiska verktyg och OLAP-verktyg, eftersom resultaten av databearbetning med de sistnämnda i regel bidrar till en bättre förståelse av arten av de mönster som bör eftersträvas. Därför finns det Data Mining-verktyg som kan söka efter mönster, korrelationer och trender i både relationella och multidimensionella datalager.

Vanligtvis finns det fem standardtyper av mönster som identifieras av Data Mining-metoder:

• association - en hög sannolikhet att koppla evenemang med varandra (till exempel köps alpin skidåkning ofta med pjäxor);
• sekvens - en hög sannolikhet för en kedja av händelser relaterad i tid (till exempel inom en viss period efter köpet av en skrivare med hög sannolikhet förbrukningsmaterial till honom);
• klassificering - det finns tecken som kännetecknar den grupp som den eller den händelsen eller objektet tillhör (vanligtvis formuleras vissa regler baserat på analysen av redan klassificerade händelser);
• klustring - ett mönster som liknar klassificering och skiljer sig från det genom att grupperna själva inte är inställda samtidigt - de upptäcks automatiskt under databehandling;
• tidsmässiga mönster - förekomsten av mönster i dynamiken i beteendet hos vissa data (ett typiskt exempel är säsongsmässiga fluktuationer i efterfrågan på vissa varor eller tjänster) som används för prognoser.

Idag finns det ett ganska stort antal olika datautvinningsmetoder, bland vilka följande kan urskiljas.

Regressions-, spridnings- och korrelationsanalys- implementeras i de flesta moderna statistikpaket, i synnerhet i produkter från SAS Institute, StatSoft, etc.

Analysmetoder inom ett specifikt ämnesområde baserat på empiriska modeller. Används ofta till exempel i billiga finansiella analysverktyg.

Neurala nätverksalgoritmer, idén om vilken är baserad på analogin med nervvävnadens funktion och ligger i det faktum att de initiala parametrarna betraktas som signaler som omvandlas i enlighet med de befintliga kopplingarna mellan "neuronerna" och svaret (resultatet av analysen) är svaret från hela nätverket på de initiala uppgifterna. Länkar i detta fall skapas med hjälp av så kallad nätverksinlärning genom ett stort urval som innehåller både originaldata och rätt svar.

Närmaste granne metod- Val av en nära analog till de initiala uppgifterna från redan tillgängliga ackumulerade data.

Beslutsträd- En hierarkisk struktur baserad på en uppsättning frågor, som innebär svaret "ja" eller "nej"; även om denna metod för databehandling inte alltid idealiskt hittar befintliga mönster, används den ganska ofta i prognossystem på grund av tydligheten i svaret (fig. 3).

Begränsade uppräkningsalgoritmer- beräkna frekvenserna av kombinationer av enkla logiska händelser i undergrupper av data.

evolutionär programmering- sökning och generering av en algoritm som uttrycker det ömsesidiga beroendet av data, baserat på den initialt specificerade algoritmen, modifierad i sökprocessen; ibland utförs sökningen efter ömsesidigt beroende bland vissa typer av funktioner (till exempel polynom).

Datautvinningsverktyg hör traditionellt till dyra mjukvaruverktyg - priset för några av dem når flera tiotusentals dollar. Tills nyligen var de största konsumenterna av denna teknik därför banker, finans- och försäkringsbolag, stora handelsföretag, och de viktigaste uppgifterna som krävde användningen av Data Mining ansågs vara bedömningen av kredit- och försäkringsrisker och utvecklingen av en marknadsföring. politik, tariffplaner och andra principer för arbete med kunder. På senare år har situationen förändrats något: relativt billiga Data Mining-verktyg från flera tillverkare (inklusive Microsoft) har dykt upp på mjukvarumarknaden, vilket gjort denna teknik tillgänglig för små och medelstora företag som inte tänkt på det tidigare.

Visualiseringsverktyg för OLAP-data och Data Mining-resultat

Universella visualiseringsverktyg för OLAP-data släpps av många företag, som Business Objects, Cognos, Panorama, ProClarity. Dessa verktyg är i regel utformade för användare som har viss kunskap om databaser och statistiska analysmetoder. Vanligtvis tillåter sådana verktyg dig att komma åt datalager och OLAP-källor från olika leverantörer (till exempel flerdimensionella lagringar baserade på Oracle, Microsoft och IBM DBMS), erhålla delar av flerdimensionell data och bygga diagram baserade på dem. Ofta tillhandahåller leverantörer av dessa verktyg även mellanprogramservrar för att utföra dataanalys och tillhandahålla resultat för visning i klientapplikationer, samt verktyg för att skapa lösningar baserade på klientverktyg och mellanprogramservrar (till exempel klassbibliotek eller ActiveX-kontroller). Med tanke på att situationen med business intelligence-standarder fortfarande är långt ifrån idealisk (till skillnad från relationell DBMS, för multidimensionell DBMS finns det varken en allmänt accepterad standard för ett frågespråk som liknar SQL, eller universella dataåtkomstmekanismer som liknar ODBC eller OLEDB), användes av sådana verktyg kan i en eller annan grad lösa problemet med att skapa analytiska applikationer i företag som använder DBMS- och OLAP-verktyg från flera olika tillverkare.

Tillverkare av OLAP-verktyg, som Oracle och IBM, släpper ofta klientapplikationer som är utformade för att användare ska få tillgång till OLAP-arkiv skapade på basis av deras egna serververktyg. Så, Oracle Corporation har till och med flera av dessa produkter, kombinerade i Oracle Business Intelligence-paketet. Dessutom har kalkylarkstillägg för visualisering av OLAP-data nyligen blivit utbredda. Till exempel är Microsoft SQL Server Analytic Services datavisningsverktyg tillgängliga för användare Microsoft excel 2000 och senare versioner, och Oracle och Hyperion släpper ytterligare åtkomstmoduler inbyggda i samma Excel för att komma åt sina egna OLAP-lagringar.

Det är värt att notera de senaste årens expansion av utbudet av analytiska produkter inriktade på att betjäna vissa branscher (till exempel detaljhandel eller partihandel, finansiella tjänster). De tillverkas av företagen som anges ovan, och ett antal andra tillverkare, i synnerhet leverantörer av företagsledningssystem och andra branschspecifika affärsapplikationer.

Verktyg för rapportgenerering

En rapport är ett dokument vars innehåll genereras dynamiskt baserat på informationen i databasen. Det finns många rapporteringsverktyg på mjukvarumarknaden nu: både fristående produkter och inkluderade i eller DBMS, och implementerade som antingen servertjänster eller klientapplikationer. Som regel stöder rapporteringsverktyg ett brett utbud av universella dataåtkomstmekanismer (ODBC, OLE DB, ADO.NET), ofta - verktyg för direkt åtkomst till de mest populära DBMS med deras klient-API:er, innehåller affärsgrafikverktyg, integrerar med kontorsapplikationer, låter dig publicera rapporter på Internet, inkludera klasser eller komponenter som är utformade för att skapa applikationer som implementerar (bland andra funktioner) rapportgenerering.

Den obestridda marknadsledaren inom rapporteringsverktyg är Crystal Reports, som ägs av Business Objects. Det finns både separat och som en del av produkter från andra tillverkare, från applikationsutvecklingsverktyg till geografiska informationssystem. Det finns också en serverversion av denna produkt utformad för att ge rapporter till ett stort antal användare. Förutom Crystal Reports finns det flera mindre populära produkter av denna klass.

Slutsats

I den här recensionen granskade vi de viktigaste teknologierna som ligger till grund för moderna analytiska applikationer. Som du kan se är valet av både teknologier och produkter som implementerar dem ganska brett, särskilt med tanke på att sådana verktyg är tillgängliga i moderna server-DBMS och ett brett utbud av klientverktyg för att visualisera analysresultat och skapa analytiska rapporter. Men bristen på allmänt accepterade standarder inom området business intelligence hittills skapar vissa problem när man skapar lösningar som använder det.

8.3.1. Verktyg för on-line analytisk bearbetning (OLAP).

On-Line Analytical Processing - medel för operationell (realtids) analytisk bearbetning av information som syftar till beslutsstöd och hjälper analytiker att svara på frågan "Varför är objekt, miljöer och resultaten av deras interaktion sådana och inte andra?". Samtidigt bildar analytikern själv versioner av sambanden mellan mycket information och kontrollerar dem utifrån tillgänglig data i motsvarande strukturerade informationsdatabaser.

ERP-system kännetecknas av närvaron av analytiska komponenter som en del av funktionella delsystem. De tillhandahåller formationen analytisk information i realtid. Denna information är grunden för de flesta förvaltningsbeslut.

OLAP-tekniker använder hyperkuber - speciellt strukturerade data (annars kallade OLAP-kuber). I hyperkubens datastruktur finns det:

Åtgärder - kvantitativa indikatorer (detaljbaser) som används för att bilda sammanfattande statistiska resultat;

Dimensioner - beskrivande kategorier (detaljer-funktioner), i samband med vilka åtgärderna analyseras.

Dimensionen för en hyperkub bestäms av antalet dimensioner för ett mått. Till exempel innehåller SALES hyperkuben data:

Mätningar: konsumenter, transaktionsdatum, grupper av varor, nomenklatur, ändringar, förpackning, lager, typer av betalning, typer av försändelser, tariffer, valuta, organisationer, divisioner, ansvariga, distributionskanaler, regioner, städer;

Åtgärder: planerad kvantitet, faktisk kvantitet, planerat belopp, faktiskt belopp, planerade betalningar, faktiska betalningar, planerat saldo, faktisk saldo, försäljningspris, orderutförandetid, återbetalningsbelopp.

En sådan hyperkub är avsedd för analytiska rapporter:

Klassificering av konsumenter efter köpvolym;

Klassificering av sålda varor enligt ABC-metoden;

Analys av villkoren för utförande av beställningar från olika konsumenter;

Analys av försäljningsvolymer efter perioder, produkter och produktgrupper, regioner och konsumenter, interna divisioner, chefer och distributionskanaler;

Prognos för ömsesidiga uppgörelser med konsumenter;

Analys av returer av varor från konsumenter; etc.

Analytiska rapporter kan ha en godtycklig kombination av dimensioner och mått, de används för att analysera ledningsbeslut. Analytisk bearbetning tillhandahålls med instrumentella och språkliga medel. Informationstekniken "Pivottabeller" presenteras i det offentliga MS Excel-kalkylarket, de första uppgifterna för att skapa dem är:

Lista (databas) MS Excel - relationstabell;

En annan MS Excel-pivottabell;

Konsoliderat utbud av MS Excel-celler som finns i samma eller olika arbetsböcker;

Extern relationsdatabas eller OLAP-kub, datakälla (.dsn-, .ode-formatfiler).

För att bygga pivottabeller baserade på externa databaser används ODBC-drivrutiner, liksom programmet MS Query. Pivottabellen för MS Excel-källdatabasen har följande struktur (Fig. 8.3).

Pivottabellens layout har följande datastruktur (fig. 8.4): dimensioner - avdelningskod, position; åtgärder - tjänstgöringstid, lön och bonus. Nedan finns en sammanfattningstabell. 8.2, som låter dig analysera förhållandet mellan genomsnittlig arbetserfarenhet och lön, genomsnittlig arbetserfarenhet och bonusar, lön och bonusar.

Tabell 8.2

Pivottabell för länkanalys

Slutet av bordet. 8.2

För att fortsätta analysen med hjälp av pivottabellen kan du:

Lägg till nya summor (till exempel genomsnittlig lön, genomsnittlig bonusbelopp, etc.);

Använd filtrering av poster och summor i pivottabellen (till exempel på basis av "Kön", som placeras i layouten i området * Sida ");

Beräkna strukturella indikatorer (till exempel fördelningen av lönefonder och bonusfonden på avdelningar - med hjälp av medel ytterligare bearbetning pivottabeller, andelar av summan per kolumn); etc.

MS Office-programsviten låter dig publicera kalkylbladsdata, inklusive pivottabeller och diagram, i XTML-format.

Microsoft Office Web Components stöder arbete med publicerade data i Internet Explorer-miljön, vilket ger fortsatt analys (ändringar i pivottabellens datastruktur, beräkning av nya sammanfattande summor).

8.3.2. Data Mining (DM) verktyg

DM-verktyg involverar att extrahera (“gräva”, “bryta”) data och syftar till att identifiera relationer mellan information lagrad i digitala databaser hos ett företag, som en analytiker kan använda för att bygga modeller som gör det möjligt för honom att kvantifiera graden av påverkan av faktorer av intresse för honom. Dessutom kan sådana verktyg vara användbara för att bygga hypoteser om den möjliga karaktären av informationsrelationer i digitala företagsdatabaser.

Text Mining (TM)-teknologi är en uppsättning verktyg som låter dig analysera stora uppsättningar information i jakt på trender, mönster och relationer som kan hjälpa dig att fatta strategiska beslut.

Image Mining-teknik (IM) innehåller verktyg för igenkänning och klassificering av olika visuella bilder lagrade i företagsdatabaser eller erhållna som ett resultat av onlinesökning från externa informationskällor.

För att lösa problemen med att bearbeta och lagra all data används följande tillvägagångssätt:

1) skapandet av flera säkerhetskopieringssystem eller ett distribuerat arbetsflödessystem som låter dig spara data, men har långsam tillgång till lagrad information på användarens begäran;

2) bygga Internetsystem som är mycket flexibla, men inte anpassade för genomförandet av sökning och lagring av textdokument;

3) införandet av internetportaler som är väl inriktade på användarförfrågningar, men som inte har beskrivande information om textdata som laddas in i dem.

Bearbetningssystem textinformation, fria från de problem som anges ovan, kan delas in i två kategorier: språkliga analyssystem och textdataanalyssystem.

Huvudelementen i Text Mining-tekniken är:

sammanfattning;

Tematisk sökning (funktionsextraktion);

Klustring;

Klassificering (klassificering);

Besvara förfrågningar (besvara frågor);

Tematisk indexering;

Sök med nyckelord (sökordssökning);

Skapande och underhåll av taxonomi (oftaxonomier) och synonymordbok (thesauri).

Programvaruprodukter som implementerar Text Mining-teknik inkluderar:

IBM Intelligent Miner for Text - set enskilda verktyg, kör från kommandoraden, eller skript; oberoende av varandra (huvudvikten ligger på datautvinningsmekanismer - informationsinhämtning);

Oracle InterMedia Text - en uppsättning integrerad i DBMS som gör att du kan arbeta mest effektivt med användarförfrågningar (låter dig arbeta med modern relations DBMS i samband med komplex sökning och analys av textdata med flera syften);

Megaputer Text Analyst är en uppsättning objekt inbyggda i COM-programmet designat för att lösa Text Mining-problem.

8.3.3. Intelligent informationsteknik

Idag, inom området för förvaltningsautomatisering, dominerar informationsanalys i det preliminära skedet av beslutsförberedelser - bearbetning av primär information, nedbrytning av en problemsituation, vilket gör det möjligt att lära sig endast fragment och detaljer i processer, och inte situationen som en hela. För att övervinna denna brist är det nödvändigt att lära sig hur man bygger kunskapsbaser med hjälp av erfarenheten från de bästa specialisterna, samt genererar den saknade kunskapen.

Användningen av informationsteknik inom olika områden av mänsklig verksamhet, den exponentiella ökningen av informationsvolymer och behovet av att reagera snabbt i alla situationer krävde sökandet efter adekvata sätt att lösa nya problem. Den mest effektiva av dem är sättet att intellektualisera informationsteknik.

Under intelligent informationsteknik(ITT) förstår vanligtvis sådan informationsteknik, som ger följande funktioner:

Närvaron av kunskapsbaser som återspeglar erfarenheterna från specifika människor, grupper, samhällen, mänskligheten som helhet, när man löser kreativa problem inom vissa verksamhetsområden, traditionellt betraktas som det mänskliga intellektets privilegium (till exempel sådana dåligt formaliserade uppgifter som beslut framställning, design, utdrag av mening, förklaring, träning, etc.);

Förekomsten av tankemodeller baserade på kunskapsbaser: regler och logiska slutsatser, argumentation och resonemang, erkännande och klassificering av situationer, generalisering och förståelse, etc.;

Förmågan att fatta ganska tydliga beslut baserade på suddiga, icke-striktiga, ofullständiga, underbestämda data;

Förmåga att förklara slutsatser och beslut, d.v.s. närvaron av en förklaringsmekanism;

Förmågan att lära sig, omskola sig och följaktligen att utvecklas.

Teknologier för informell sökning efter dolda mönster i data och information Knowledge Discovery (KD) baseras på den senaste tekniken bildning och strukturering av informationsbilder av objekt, vilket ligger närmast principerna för informationsbehandling av intelligenta system.

Decision Support (DS) informationsteknik för beslutsstöd är expertskal

system eller specialiserade expertsystem som gör det möjligt för analytiker att fastställa relationer och relationer mellan informationsstrukturer i grunderna för strukturerad information om företaget, såväl som för att förutsäga de möjliga resultaten av beslutsfattande.

IIT-utvecklingstrender. System för kommunikation och kommunikation. Globala informationsnätverk och IIT kan i grunden förändra vårt sätt att tänka på företag och själva kunskapsarbetet. Närvaron av anställda på arbetsplatsen kommer att bli nästan onödig. Människor kan arbeta hemifrån och interagera med varandra när det behövs via nätverk. Känd är till exempel den framgångsrika erfarenheten av att skapa en ny modifiering av Boeing 747-flygplanet av ett distribuerat team av specialister som interagerar via Internet. Placeringen av deltagare i någon utveckling kommer att spela en allt mindre roll, men betydelsen av deltagarnas kompetensnivå kommer att öka. En annan orsak som avgjorde den snabba utvecklingen av IIT är relaterad till komplikationen av kommunikationssystem och de uppgifter som lösts på grundval av dem. En kvalitativt ny nivå av "intellektualisering" av sådana mjukvaruprodukter som system för att analysera heterogen och icke-strikt data, säkerställa informationssäkerhet, utveckla lösningar i distribuerade system etc. krävdes.

Utbildning. Redan idag distansutbildning börjar spela en viktig roll i utbildningen, och införandet av IIT kommer att avsevärt individualisera denna process i enlighet med varje elevs behov och förmågor.

Liv. Informatiseringen av vardagen har redan börjat, men med utvecklingen av IIT kommer i grunden nya möjligheter att dyka upp. Efter hand kommer fler och fler nya funktioner att överföras till datorn: kontroll över användarens hälsa, kontroll av hushållsapparater som luftfuktare, luftfräschare, värmare, jonisatorer, stereoapparater, medicinsk diagnostik m.m. Med andra ord kommer systemen också att bli diagnostiker av tillståndet hos en person och hans hem. Komfort kommer att tillhandahållas informationsutrymme i lokaler där informationsmiljön kommer att bli en del av den mänskliga miljön.

Utsikter för utvecklingen av IIT. Det verkar som att IIT för närvarande har närmat sig ett fundamentalt nytt stadium i sin utveckling. Så under de senaste 10 åren har IITs kapacitet utökats avsevärt på grund av utvecklingen av nya typer av logiska modeller, uppkomsten av nya

vyh teorier och idéer. Nyckelpunkterna i utvecklingen av IIT är:

Övergången från logisk slutledning till modeller för argumentation och resonemang;

Sök efter relevant kunskap och generering av förklaringar;

Förståelse och syntes av texter;

Kognitiv grafik, d.v.s. grafisk och figurativ representation av kunskap;

Multi-agent system;

Intelligenta nätverksmodeller;

Beräkningar baserade på fuzzy logik, neurala nätverk, genetiska algoritmer, probabilistiska beräkningar (genomförda i olika kombinationer med varandra och med expert system);

Problemet med metakunskap.

Multi-agent system har blivit ett nytt paradigm för att skapa lovande IITs. Här förutsätts att ombudet är en oberoende intelligent system, som har sitt eget system för målsättning och motivation, sitt eget verksamhetsområde och ansvar. Interaktion mellan agenter tillhandahålls av ett system på högre nivå - meta-intelligens. I multi-agent system modelleras en virtuell gemenskap av intelligenta agenter - objekt som är autonoma, aktiva, ingår i olika sociala relationer - samarbete och samarbete (vänskap), konkurrens, konkurrens, fiendskap, etc. Den sociala aspekten av att lösa moderna problem är den grundläggande egenskapen i den konceptuella nyheten hos avancerad intellektuell teknik - virtuella organisationer, virtuella samhällen.

(?) Kontrollfrågor och uppgifter

1. Ge en beskrivning av företaget som ett informationsobjekt. Vilka är de viktigaste indikatorerna som kännetecknar utvecklingen av företagsledningssystemet.

2. Lista de ledande informationsteknikerna för industriell företagsledning.

3. Nämn de viktigaste informationsteknikerna för organisatorisk och strategisk utveckling av företag (företag).

4. Vilka är grunderna för strategiska ledningsstandarder som syftar till att förbättra affärsprocesser? Vad är förhållandet mellan informationsteknologins BPM och BPI?

5. Definiera filosofin för total kvalitetsledning (TQM). Hur är faserna av kvalitetsutveckling och informationsteknologi relaterade?

6. Nämn de viktigaste bestämmelserna för den organisatoriska utvecklingen av företaget, beskriv stadierna av strategisk ledning. Namnge gruppstrategierna.

7. Hur skapas företagets affärsmodell? Vilka är de viktigaste metoderna för att utvärdera effektiviteten av en affärsmodell.

8. Vad är ett balanserat styrkort? Namnge huvudkomponenterna i SSP. Vilka är sambanden mellan grupper av BSC-indikatorer?

9. Lista de metodologiska grunderna för att skapa informationssystem. Vad är ett systemupplägg?

10. Vad är en informationsstrategi för bildandet av informationssystem och teknologier?

11. Vad är ett strategiskt tillvägagångssätt för bildandet av informationssystem och teknik?

12. Vad är innehållet i ett objektorienterat förhållningssätt för att beskriva agenternas beteende på marknaden? Ge definitionen av objektet, ange analoger av agentsystem.

13. Vilka är de metodologiska principerna för att förbättra företagsledning baserad på informations- och kommunikationsteknik? Vad är syftet med IKT?

14. Ge definitioner av ett dokument, dokumentflöde, arbetsflöde, dokumenthanteringssystem.

15. Hur är dokumentformulärets layout utformad? Namnge zonerna i dokumentet, sammansättningen av deras detaljer.

16. Nämn de grundläggande informationsteknikerna för dokumenthanteringssystemet.

17. Vad är ett enhetligt dokumentationssystem? Vilka är de allmänna principerna för enande?

18. Beskriv organisatorisk och administrativ dokumentation, ge exempel på dokument.

19. Vilka krav ska ett elektroniskt dokumenthanteringssystem uppfylla?

20. Vad är ett företagsinformationssystem? Namnge huvudkontrollslingorna, sammansättningen av funktionsmoduler.

21. Namnge de programvaruprodukter för CIS som du känner till. Ge dem en jämförande beskrivning.

SH Litteratur

1. Vernet J., Moriarty S. Marknadskommunikation. Integrerad strategi. St. Petersburg; Kharkov: Peter, 2001.

2. Brooking E. Intellektuellt kapital. Nyckeln till framgång under det nya millenniet. St Petersburg: Peter, 2001.

3. Godin V.V., Korpev I.K. Kontrollera informationsresurser. M.: INFRA-M, 1999.

4. Informationssystem och teknik i ekonomi: Lärobok. 2:a uppl., tillägg. och omarbetat. / M.I. Semenov, I.T. Trubilin, V.I. Loiko, T.P. Baranovskaya; Ed. IN OCH. Loiko. M.: Finans och statistik, 2003.

5. Informationsteknologi i näringslivet / Ed. M. Zheleny. St Petersburg: Peter, 2002.

6. Kaplan Robert S., Norton David P. Balanced Scorecard. Från strategi till handling / Per. från engelska. M.: CJSC "Olimp-Business", 2003.

7. Karagodin V.I., Karagodina BJI. Information är grunden för livet. Dubna: Phoenix, 2000.

8. Karminsky AM., Nesterov PZ. Affärsinformation. M.: Finans och statistik, 1997.

9. Likhacheva T.N. Informationsteknik i informationssamhällets tjänst // Ny informationsteknik i ekonomiska system. M., 1999.

10. Ostreykovsky V.A. Teori om system. Moskva: Högre skola, 1997.

11. Piterkin S.V., Oladov N.A., Isaev D.V. Lagom till Ryssland. Praktiken att använda ERP-system. 2:a uppl. Moskva: Alpina Publisher, 2003.

12. Sokolov D.V. Introduktion till teorin om social kommunikation: Proc. ersättning. St Petersburg: Förlaget SP6GUP, 1996.

13. Trofimov V.Z., Tomilov V.Z. Informations- och kommunikationsteknik inom förvaltning: Proc. ersättning. St Petersburg: SPbGUEF, 2002.