Интеллектуальный анализ данных (Data Mining) - это деятельность заинтересованных лиц по превращению необработанных больших массивов данных в полезную информацию.
Сущность интеллектуального анализа данных
В конце ХХ века в научно-практический оборот было ведено новое понятие - Data Mining. В приблизительном переводе на русский язык оно означает интеллектуальный анализ данных. По сути этот анализ заключается в обнаружении в необработанных больших данных ранее неизвестных, но практически полезных знаний, которые необходимы для принятия правильных управленческих решений в различных сферах человеческой деятельности.
Методы интеллектуального анализа данных в своей большей части находятся на стыке методов статистики и искусственного интеллекта.
К ним, в частности, можно отнести методы классификации, моделирования и прогнозирования. В их основе лежит использование деревьев решений, эволюционного программирования, генетических алгоритмов, искусственных нейронных сетей, ассоциативной памяти, нечёткой логики. Кроме того, находят применение такие разновидности статистического анализа, как факторный, корреляционный, дисперсионный, регрессионный, компонентный, дескриптивный, дискриминантный, а также анализ временных рядов, выживаемости, связей.
Перечисленные методы интеллектуального анализа данных должны отвечать требованиям визуализации, т. е. наглядного представления результатов вычислений. Благодаря этому инструментарий Data Mining может быть использован теми людьми, которые не имеют специальной подготовки в областях теории вероятностей и математической статистики.
Интеллектуальный анализ данных сегодня проводятся путем использования программного обеспечения, которое ищет и находит закономерности в больших пакетах данных. Этими возможностями активно пользуются коммерческие организации, которые разрабатывают маркетинговые стратегии, определяют настроения клиентов, управляют кредитными рисками, обнаруживают мошенничество и т. п.
Задачи и этапы интеллектуального анализа данных
Модели и методы интеллектуального анализа данных используются в настоящее время по большей части для того, чтобы решать задачи следующих категорий:
- разработка прогнозов продаж, нагрузки сервера или времени его простоя и т.п.;
- расчет вероятностей и оценка рисков, по результатам чего выбираются подходящие заказчики для целевой рассылки, определяются точки баланса для рискованных сценариев и т. п.;
- формулирование рекомендаций по совместной реализации конкретных продуктов, по тексту рассылаемых сообщений и т. д.;
- поиск последовательностей, который проявляется в анализе выбора заказчиков во время совершения покупок и в прогнозировании их поведения;
- осуществление группировок в виде разделения заказчиков или событий на кластеры, а также проведение анализа и прогнозирования общих черт этих кластеров.
Обычно интеллектуальный анализ данных проводится в несколько этапов. На первом этапе происходит постановка задачи. Она заключается в анализе бизнес-требований и в определении области проблемы, метрик, по которым будет выполняться оценка модели. Помимо этого, определяются задачи для проекта анализа.
На втором этапе данные подготавливают для добычи полезной информации: их объединяют и очищают. Ненужные данные подлежат удалению, в самом массиве данных происходит поиск скрытых зависимостей. Пытаются определить источники самых точных данных и создать таблицы для анализа.
Далее следуют этапы непосредственного изучения данных и построения соответствующих моделей. Затем модели исследуются и проверяются при помощи специальных средств (предметом проверок выступает точность получаемых прогнозов). На заключительном этапе осуществляют развертывание и обновление моделей по мере поступления новых данных. Затем проводится повторная обработка моделей.
Особенности интеллектуального анализа данных в логистике
Как уже было сказано, интеллектуальный анализ данных в настоящее время проводится во многих отраслях экономики. В том числе это касается сфер логистики и управления цепочками поставок, которые имеют ряд отличительных черт по применению его методов.
Интеллектуальный анализ данных может проводиться для решения разносторонних логистических проблем. Например, использование его методов может способствовать определению оптимального местоположения производственного цеха, распределительного центра, точки реализации продукции или иного объекта (в том числе, с привязкой к временному фактору), при котором минимизируются затраты или максимизируется прибыль предприятия.
Интеллектуальный анализ данных в транспортной логистике позволяет хозяйствующим субъектам отобрать перевозчиков и поставщиков логистических услуг, оценить их работу и составить расписание транспортных средств, задействованных в процессе распределения готовой продукции. Что касается складского хозяйства, то благодаря методам Data Mining осуществляется постоянное наблюдение за продуктами в разных местах и, среди прочего, разрабатываются модели их потребления.
Использование интеллектуального анализа данных в целях управления цепями поставок может принести еще больше преимуществ. Так, этим способом зачастую устанавливаются тенденции, которые оказывают прямое влияние на все звенья цепочки поставок, определяется наиболее подходящая конфигурация цепочки с точки зрения полного удовлетворения потребностей конкретных целевых групп потребителей.
Таким образом, интеллектуальный анализ данных находит на данный момент широкое применение в логистике и управлении цепями поставок, что способствует повышению экономической эффективности деятельности многих хозяйствующих субъектов.
