Научный журнал

Международный журнал экспериментального образования

ISSN 2618–7159

ИФ РИНЦ = 0,425

• Авторы
• Файлы
• Литература

Милорадов К.А. 1

---

1 ФБГОУ ВПО «Российский экономический университет имени Г.В. Плеханова»

Статья в формате PDF

2166 KB

1. Белянский В.П., Милорадов К.А. Применение технологий бизнес-анализа на предприятиях индустрии гостеприимства // РИСК. – 2013. – № 4. – С. 229–232.

2. Дюк В., Самойленко А. Data Mining: учебный курс (+CD). СПб.: Питер, 2001. – 368 с.

3. Милорадов К.А. Применение CRM для повышения эффективности деятельности предприятий индустрии гостеприимства // РИСК. – 2012. – № 2. – С. 55–58.

4. Милорадов К.А., Эйдлина Г.М. Инновационные информационные системы Interfax в экономическом университете // Международный журнал прикладных и фундаментальных исследований. – 2012. – № 8. – С. 70–71.

5. Эйдлина Г.М. Инструментальные средства бизнес-анализа в экономическом образовании // Международный журнал экспериментального образования. – 2015. – № 3–1. – С. 57–58.

6. Эйдлина Г.М. «Облачная» информационная система управления бизнес-процессами компании Terrasoft // Международный журнал прикладных и фундаментальных исследований. – 2013. – № 10. – С. 87–88.

Современная экономическая ситуация приводит к усилению конкуренции как на глобальных, так и на локальных рынках. Одним из важных факторов конкурентоспособности современной компании является система управления корпоративными знаниями, которая должна выступать инструментом повышения эффективности деятельности организации.

Проблемы повышения эффективности использования знаний в организации состоят в сложности преобразования неявных знаний сотрудников в явные знания, сложности учета ценности корпоративных знаний, сложности финансовой оценки интеллектуальных активов организации. В решении этих проблем большую роль должна играть система управления корпоративными знаниями, понимаемая не только как информационная система обработки данных и поддержки принятия решений, но и как организационная система взаимодействия сотрудников компании.

Перечислим следующие функции системы управления знаниями:

– поддержка принятия решений на разных уровнях управления (на стратегическом, на оперативном и тактическом уровнях);

– поддержка процессов корпоративного обучения и переподготовки;

– приращение интеллектуального капитала организации;

– управление эффективностью бизнеса.

Источниками данных для системы управления корпоративными знаниями, на наш взгляд, должны выступать другие корпоративные информационные системы, в том числе:

– информационные системы ECM (Enterprise Content Management) управления корпоративными информационными ресурсами;

– информационные системы CRM (Customer Relationship Management), реализующие концепцию управления взаимоотношениями с клиентами (подробнее см. [3]);

– информационные cистемы управления корпоративными бизнес-процессами (см., например [6]);

– инструменты анализа интернет-публикаций, электронных СМИ и социальных медиа тоже являются частью системы управления знаниями (см. [4]);

– информационные системы электронной коммерции (B2B, B2C и другие);

– информационные системы управление бизнес-правилами BRM (Business Rule Management System);

– информационные системы LMS (Learning Management System) поддержки процесса корпоративного дистанционного обучения;

– информационные системы, относящиеся к «интернету вещей»;

– информационные системы, поддерживающие процессы операционной деятельности компании (учетные информационные системы, информационные системы ERP);

– информационные системы бизнес-аналитики BI (Business Intelligence).

Одним из источников корпоративных знаний являются результаты анализа статистических данных. На рынке средств бизнес-анализа присутствуют как компании-разработчики статистических пакетов, так и компании-разработчики аналитических платформ.

В [5] отмечается, что общей тенденцией развития многих статистических пакетов является дополнение функций классического статистического анализа возможностями интеллектуального анализа данных (data mining), что позволяет использовать статистические пакеты в качестве элемента аналитической информационной системы (корпоративной системы поддержки принятии решений).

Среди информационно-аналитических систем, реализующие методы интеллектуального анализа данных, можно назвать следующие:

– аналитическая платформа Deductor (разработчик – компания Basegroup, г. Рязань, http://www.basegroup.ru), поддерживающая технологии Data Warehouse, ETL, OLAP, Knowledge Discovery in Databases и Data Mining;

– аналитическая платформа «Прогноз» (разработчик – компания «Прогноз», г. Пермь, 1992 год, http://www.prognoz.ru), которая позволяет разрабатывать настольные, web и мобильные приложения для визуализации и оперативного анализа данных, формирования отчетности, моделирования и прогнозирования бизнес-процессов;

– БАРС. Бизнес-Аналитика (компания «БАРС-груп», г. Казань, 1991 год, http://bars-open.ru/solution/corporate/bars-biznes-analitika/);

– аналитическая платформа QlikView класса Business Discovery (компания Qlik, http://www.qlik.com/ru/), а также Qlik Sense Desktop – бесплатное средство интерактивной визуализации и исследования данных;

– аналитическая платформа IBM Cognos 8 Business Intelligence (в составе компании IBM с 2008 года), которая предоставляет возможности непрерывного создания отчетов, анализа, скоринга, создания информационных панелей и управления событиями, обеспечивая доступ к информации для каждого сотрудника;

– программные продукты для бизнес-аналитики компании SAS (http://www.sas.com);

– аналитическая платформа MicroStrategy (компания MicroStrategy, http://www.microstrategy.com);

– программные продукты для бизнес-аналитики компании Oracle (http://www.oracle.com).

Информационные механизмы функционирования корпоративных систем управления знаниями реализуются с помощью технологий интеллектуального анализа данных (BI). Бизнес-аналитика или Business Intelligence (BI) – это совокупность технологий, программного обеспечения и практик, направленных на достижение целей бизнеса путём наилучшего использования имеющихся данных.

К методам Business Intelligence относят, в частности, нейронные сети, деревья решений, иерархические и неиерархические методы кластерного анализа, методы ограниченного перебора, эволюционное программирование и генетические алгоритмы, алгоритмы на основе нечетких множеств и нечеткой логики.

Несмотря на различия в терминах и определениях, приводимых исследователями (www.gartner.com, citforum.ru, www.tadviser.com), есть общее понимание того, что Business Intelligence включает:

– процесс превращения данных в информацию и знания о бизнесе для поддержки принятия улучшенных и неформальных решений;

– информационные технологии (методы и средства) сбора данных, консолидации информации и обеспечения доступа бизнес-пользователей к знаниям;

– знания о бизнесе, добытые в результате углубленного анализа детальных данных и консолидированной информации.

Использование технологии бизнес-анализа успешно позволяет:

– проводить классификацию и кластеризацию клиентов по многим признакам;

– анализировать предпочтения клиентов;

– выявлять и исследовать шаблоны поведения клиентов;

– прогнозировать изменения поведения клиентов во времени;

– анализировать уровень лояльности клиентов и предлагать пакеты услуг в соответствии с уровнем лояльности;

– снижать риски потерь из-за мошенничества;

– прогнозировать результаты вывода на рынок новых продуктов;

– формировать гибкую политику управления доходами.

Как отмечено в [1], крупные и средние компании используют базы данных (клиентов, поставщиков), объем данных которых достаточно велик. Вопрос в том, насколько эффективно компании используют имеющиеся у них данные? Происходит ли переход имеющихся «сырых» данных в новое качество – в корпоративные знания? В [2] отмечается, что в «сырых» данных можно выделить следующие уровни знаний: поверхностный, неглубокий, скрытый. Для обработки поверхностных знаний традиционно используется язык запросов к базам данных. Инструменты оперативной аналитической обработки (OLAP) позволяют добраться до следующего уровня знаний. Технология «интеллектуального анализа данных» (Data Mining), являющаяся составной частью Business Intelligence, позволяет обнаруживать и использовать скрытые знания. Согласно [2], Data Mining – это процесс обнаружения в «сырых» данных ранее неизвестных, нетривиальных, практически полезных, доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. К задачам, успешно решаемым методами интеллектуального анализа данных, относятся: поиск ассоциаций (связей между отдельными событиями), поиск последовательностей (цепочек связанных фактов или событий), классификация (выявление признаков группы, к которой принадлежит изучаемый объект), кластеризация (выявление близких по заданным признакам групп данных), прогнозирование (в частности, путем поиска шаблонов в исторических данных и предсказания с их помощью будущего поведения объекта).

Возможности информационных систем бизнес-анализа делают их незаменимым помощником лиц, принимающих решения. Однако эффективность их использования во многом зависит от степени зрелости системы управления корпоративными знаниями.

Библиографическая ссылка