процессы, принципы организации и методы управления. В конечном счете, цифровая трансформация уже сегодня определяет рыночные перспективы и ценность предприятии на рынках товаров и услуг массового спроса (FMCG), финансовом, телекоммуникационном, масс медиа, электроннои коммерции и др.
В связи с этим для крупных компании, попавших в зону деиствия цифровои экономики,
особое значение приобретает качество и скорость информационно-аналитическои поддержки
корпоративного управления. Как было рассмотрено в работах [
управления на основе бизнес-аналитики Инструментарий Подходы
Решаемая задача Проектирование не завершено Оптимизационные модели Data mining Предиктивная аналитика CPM-системы Business Intelligence OLAP Статистическое моделирование на основе ретроданных ERP-системы Отчетность по
запросу Отчетность «планфакт» Оптимизация с вероятностными параметрами Оптимизация Прогнозирование Сценарное моделирование «Что если?» (what if) Детализация аналитики (drill down) Методы
эконометрики Ретро-анализ Отчетность параметрические отчеты (ad hoc) Регламентные (неизменяемые) отчеты Как достичь наилучшего результата, если ограничения имеют вероятностныи характер Как достичь наилучшего результата при заданных ограничениях Что произоидет в ближаишем будущем? Моделирование результатов взаимодеиствия нескольких факторов и их совместного влияния на результат Изучение того, как (где, когда, как часто) это происходило в прошлом. Изучение проблемы в прошлом на самых глубоких уровнях детализации Что произошло в прошлом? Стадия развития Стадия 5 Стадия 4 Стадия 3 Стадия 2 Стадия 1
В настоящее время (начало стадии 3) мы говорим о необходимости применения предиктивнои аналитики (Predictive analytics), которая дополняет и усиливает возможности Business intelligence и Corporate performance management в части прогнозирования будущих событии. Предиктивная аналитика использует множество методов интеллектуального анализа данных, статистики, моделирования, машинного обучения и искусственного интеллекта для анализа текущих данных, чтобы делать прогноз на будущее.
Наиденные закономерности в исторических и транзакционных данных могут быть использованы для выявления рисков и возможностеи будущих событии. Модели предиктивнои аналитики фокусируются на взаимосвязях между многими факторами для оценки риска с определенным набором условии. Успешное применение предиктивнои аналитики в компании позволяет эффективно интерпретировать большие данные в своих интересах. Интеллектуальныи анализ данных (Data mining, Text mining, Web mining, Social mining) в сочетании со статистическим анализом позволяет бизнес-пользователям создавать интеллектуальные системы прогнозирования, раскрывая закономерности и отношения в структурированных и неструктурированных данных. Источниками структурированных данных, например, могут являться любые справочные базы данных, корпоративные транзакционные системы и иные данные, имеющие четкую структуру. Неструктурированные (или слабоструктурированные) данные – данные, которые нам принесла, в значительнои мере, цифровая экономика. Они не имеют заранее определеннои структуры, либо она не организована в установленном порядке. Типичныи пример таких данных – текстовые данные социальных медиаконтентов, которые извлекаются с использованием семантического анализа, учитывающего эмоциональную составляющую, а затем используются в процессе построения модели.
Аналитики Gartner полагают, что дальнеишее развитие мирового рынка бизнес-анализа поидет по пути активного освоения продвинутои аналитики (advanced analytics), в том числе – предиктивного анализа, построения симуляторов и вариативных моделеи. Как видно из схемы, предложеннои компаниеи Forrester research (рис.1), подходы к внедрению инструментов предиктивнои аналитики подразумевают непрерывныи цикл обработки данных, превращающих их в знания, что хорошо согласуется с требованиями цифровои экономики.
Рис.1. Подходы к внедрению инструментов предиктивной аналитики Центральной сущностью предиктивной аналитики является задача определение предиктора или нескольких предикторов (параметров или сущностей, которые влияют на прогнозируемое событие). Чтобы предиктивный анализ был успешным, рекомендуется четко следовать следующим стадиям: постановка цели, получение данных из различных источников, подготовка данных, создание предиктивной модели, оценка модели, внедрение модели, мониторинг эффективности модели.
Обратим внимание, что наряду с требованиями к качеству прогнозных данных, которые необходимы современному «цифровому предприятию», все более значимым становится требование к скорости их предоставления. Таким образом, «цифровая» аналитическая система ближайшего будущего, которая работает с большими данными, должна не только содержать интеллектуальные модели, управляемые данными (data driven model), но также отвечать требованиям реального времени (Real time system). В рамках предиктивного моделирования этого можно добиться следующим образом: 1) Механизм статистического моделирования создает ряд моделей, анализируя ретроспективные данные. 2) Полученные модели развертываются и проверяются на качество прогнозирования; 3) Неудачные модели заменяются более успешными.
Инструмент для построения моделей обеспечивает создание моделей на основе исторических данных. Такие модели могут исполняться в пакетном режиме или в реальном времени на потоковых данных. Результаты выполнения моделей могут использоваться компонентом итоговой оптимизации для сравнения результатов, полученных разными моделями, и отбора наиболее удачных. Модуль прогнозного моделирования может постоянно создавать сотни прогнозных моделей, непрерывно сверять их с реальными процессами и оптимизировать эти модели для получения оптимальных результатов.
В качестве распространенных примеров применения предиктивного анализа можно назвать директ–маркетинг, оценку эффективности промо-компаний (с учетом сегментов, местоположения или каналов доставки), таргетирование рекламы, выявление схем мошенничества, моделирование политических кампаний, разработку моделей ранней диагностики в медицине и многое другое. Сферы применения предиктивной аналитики весьма широки, и в настоящее время находимся лишь на начальном этапе их развития.
Важным условием обеспечения эффективности предиктивного моделирования сложных динамических систем является определение количественных и качественных закономерностеи, присущих данным системам. Сложность такои задачи заключается в том, что подобные системы являются слабоструктурированными, и получение необходимых дополнительных знании о них невозможно без участия человека. Вне зависимости от того, используется ли в предиктивнои модели дополнительная информация от эксперта (группы экспертов) или ее получают от других людеи (целевои группы привлеченных респондентов), указанная информация всегда носит субъективныи характер. Именно поэтому при моделировании сложных социально-экономических систем все чаще в настоящее время применяются не отдельно взятые математические методы, а комплексы когнитивных сетеи и гибридные модели с использованием теории нечетких игр, нечетких множеств, нечеткои логики, неиронные сети, когнитивные карты, эволюционные алгоритмы и др.
К когнитивным методам анализа, которые широко используются в интеллектуальных системах поддержки принятия решении также следует отнести: 1) когнитивные карты; 2) знаковые графы; 3) сетевые модели; 4) графы причин и следствии; 5) каузальные сети; 6) баиесовские сети; 7) сети доверия; 8) аналитические сети Саати.
Следует отметить, что на рынке представлены десятки программно-инструментальных средств для предиктивного анализа – как системы Open source (Orange, Python, R, RapidMiner, и др.), так и коммерческие системы предиктивного анализа (TIBCO, Mathematica, MATLAB, STATISTICA и др.). Отдельную группу составляют аналитические приложения в составе промышленных корпоративных систем от лидирующих поставщиков (Oracle Data Mining (ODM), SAS Enterprise Miner, IBM SPSS Statistics and IBM SPSS Modeler, и др.). Важным моментом является то, что предиктивная аналитика как когнитивная система предлагается на рынке не только в виде лицензируемого программного обеспечения, но и как облачныи сервис на основе SaaS.
Отдельно необходимо выделить лидирующую облачную платформу IBM Watson, которая обладает, пожалуи, самои богатои функциональностью для предиктивного моделирования. Watson представляет собои когнитивную систему, которая способна понимать, делать выводы и обучаться. В настоящее время IBM Watson является когнитивнои облачнои API-платформои, открытои для разработок различных приложении, сервисов и процессов, в основе которых лежат более 50 различных технологии. В системе Watson использованы современные достижения в области программирования, но она существенным образом отличается от существующих решении.
Отметим ряд особенностеи, сочетание которых делает Watson лидирующеи когнитивнои системои: 1. Обработка естественного языка – позволяет разобраться в сложностях неструктурированных данных, которые составляют 80% данных, имеющихся в мире на сегодняшний день; 2. Построение и оценка гипотез – применяет средства расширенного анализа для сравнения и оценки группы ответов на основе только существенных фактов; 3. Динамическое обучение – позволяет улучшить обучение на основе получаемых результатов, чтобы система становилась умнее с каждой итерацией и взаимодействием. Сочетание указанных возможностеи в одном решении позволяет: 1) раздвинуть рамки ограничении, сложившихся в области программирования; 2) не ограничиваться только структурированными данными, хранящимися в локальных системах, а начать пользоваться огромным массивом глобальных неструктурированных данных; 3) заменить детерминированные приложения, управляемые деревом решении, на вероятностные системы, способные развиваться вместе со своими пользователями; 4) вместо поиска по ключевым словам, которыи работает со списком источников, где потенциально можно наити ответ, Watson использует интуитивно понятныи диалоговыи инструмент поиска ответов с оценкои по степени уверенности.
Сочетание средств обработки естественного языка, динамического обучения, построения и оценки гипотез позволяет Watson выдавать прямые ответы с учетом степени достоверности.
Подобные когнитивные системы усваивают многочисленные способы поведения, которые люди считают “естественными”, и будут применять их в массовом порядке, помогая решать задачи, которые сегодня являются частью цифровои трансформации и часто лежат за гранью человеческого понимания.
Исходя из анализа лидирующих на мировом рынке промышленных платформ продвинутой аналитики, материалов глобальных исследовательских групп, а также собственной проектной практики внедрения аналитических систем в корпоративном секторе экономики, мы предлагаем следующую функциональную архитектуру корпоративной информационно-аналитической системы (ИАС) с использованием продвинутой бизнес-аналитики (рис.2).
Рис.2. Функциональная архитектура корпоративной информационной системы (ИАС) с использованием продвинутой бизнес-аналитики Как видно из представленнои архитектуры, технологические инновации коснулись всех уровнеи проектирования системы: 1) уровень интеграции в гибридных сетях отличают новые возможности обработки внешних данных, к которым можно отнести большие данные (в первую очередь, это касается неструктурированных данных из социальных сетеи); 2) уровень высокоскоростнои обработки данных на основе новых вычислительных технологии (например, использование технологии InMemory, колоночных баз данных, параллельных вычислении и т.п.); 3) обеспечение доступа к данным на основе многоагентных систем и технологии извлечения и очистки данных из специализированных хранилищ; 4) типовые решения продвинутои аналитики, включающие не только инструменты статистического и сценарного моделирования, но и когнитивные технологии бизнесаналитики, построенные на описанном выше предиктивном моделировании, а также оптимизационных инструментах, которые будут предложены рынку в ближаишие годы. Одним из интересных примеров реализации рассмотреннои архитектуры является IBM Planning analytics – облачныи продукт компании IBM,* одного из мировых лидеров рынка Advanced * http://www-03.ibm.com/software/products/ru/planning-analytics analytics. IBM Planning Analytics является однои из первых попыток выити за пределы традиционнои автоматизации процессов планирования, составления бюджета и прогноза. Решение совмещает в себе функциональность систем классов CPM, BI, а также возможности предиктивного анализа и моделирования, присущие инновационному облачному продукту IBM Watson Analytics. IBM Planning analytics уже доступен ведущим интеграторам – россииским партнерам IBM*, поэтому первых россииских проектов по внедрению ИАС нового поколения следует ожидать в обозримом будущем.
IBM Planning Analytics локализовано в «облаке», поэтому не нуждается в развертывании специальной ИТ-инфраструктуры у заказчика. По оценкам экспертов облачная локализация является одной из ключевых особенностей данного аналитического решения. Такой подход к организации ИТ-инфраструктуры в полной мере отвечает интересам заказчиков, которые стремятся к снижению капитальных вложений в ИТ. По оценке IDC к 2019 г. почти половина ИТбюджетов корпоративных структур будет уходить именно на облачную инфраструктуру.
Таким образом, развитие систем продвинутой бизнес-аналитики предоставляет корпорациям методы, модели и технологии принципиально нового качества – в соответствии с вызовами цифровой экономики.
Тем не менее, не следует думать, что новое поколение аналитических приложений и
сервисов избавит корпорации от необходимости той цифровой трансформации, с которой мы
начали разговор. Практика разработки отдельных компонент Advanced business analytics, как
описано в работах [
References