Управление эффективностью бизнеса

Системы бизнес-интеллекта

Понятие систем бизнес-интеллекта {Business Intelligence, ВГ) объединя­ет различные средства и технологии анализа и обработки данных мас­штаба предприятия. Среди BI-систем можно выделить такие составляю­щие, как хранилища данных {Data Warehouse), витрины данных {Data

Marts), инструменты оперативной аналитической обработки (Оп-Ыпе Analytical Processing, OLAP), средства обнаружения знаний (Data Mining), а также инструменты конечного пользователя, предназначенные для выполнения запросов и построения отчетов[21].

Хранилища данных (Data Warehouse) находятся на следующем после транзакционных систем уровне аналитической пирамиды. Один из ав­торитетных специалистов в этой области — Билл Инмон — определяет хранилища как «предметно-ориентированные, интегрированные, ста­бильные, поддерживающие хронологию наборы данных, организованные для целей поддержки управления, призванные выступать в роли "еди­ного и единственного источника истины", обеспечивающего менеджеров и аналитиков достоверной информацией, необходимой для оперативно­го анализа и принятия решений». Ценность хранилищ данных для ме­неджеров и экономистов заключается в том, что это — некая база данных масштаба предприятия, которая содержит определенную аналитическую информацию, обеспечивает ее оперативное представление в удобном для пользователя виде и обладает структурой, учитывающей отраслевую специфику деятельности организации. Впрочем, данные, содержащиеся в хранилищах, как правило, бывают недостаточно доступными для об­работки в реальном времени, особенно при больших объемах. Эта про­блема решается на следующих уровнях иерархии — уровнях витрин данных и OLAP-систем.

Витрины данных (Data Marts), как и хранилища, представляют собой структурированные информационные массивы, но отличие состоит в том, что витрины в еще большей степени являются предметно-ориенти­рованными. Как правило, витрина содержит информацию, относящую­ся к какому-либо определенному направлению деятельности организа­ции. Поэтому информация в витрине данных хранится в специальном виде, наиболее подходящем для решения конкретных аналитических задач или обработки запросов определенной группы аналитиков.

Есть два взгляда на витрины данных. В одном случае витрина, по сути дела, представляет собой часть хранилища, оптимизированную для за­просов к данным конкретной предметной области, в том числе для пере­дачи этих данных для последующей обработки в OLAP-систему. В дру­гом случае витрина — это OLAP-куб или его часть, оптимизированная для запросов пользователей к данным конкретной предметной облас­ти. Поэтому с точки зрения организации хранения данных витрины могут быть как реляционными, так и многомерными, но в любом случае

Они обладают таким общим свойством, как предметная ориентиро­ванность.

Следующий уровень пирамиды — OLAP-системы (On-Line Analytical Processing). Под термином OLAP, как правило, понимают системы анали­тической обработки данных в режиме реального времени. OLAP-системы могут обеспечить решение многих аналитических задач: анализ ключевых показателей деятельности, маркетинговый и финансово-экономический анализ, анализ сценариев, моделирование, прогнозирование и т. д. Такие системы могут работать со всеми необходимыми данными, независимо от особенностей информационной инфраструктуры компании.

Особенность OLAP-систем состоит в многомерности хранения данных (в противовес реляционным таблицам), а также в предрасчете агреги­рованных значений. Это дает пользователю возможность строить опе­ративные нерегламентированные запросы к данным с использованием аналитических измерений. Кроме того, для OLAP-систем характерна предметная (а не техническая) структурированность информации, по­зволяющая пользователю оперировать привычными экономическими категориями и понятиями. Типичным представителем программных продуктов этого класса является разработка корпорации Hyperion — OLAP-сервер Hyperion Essbase.

Еще одним элементом BI-платформы, часто выделяемым в отдельную категорию, являются средства обнаружения знаний (Data Mining). Соответствующие программные продукты обеспечивают выявление закономерностей в данных, позволяя аналитику получать качественно новую информацию (возможно, не содержащуюся в источнике данных явным образом) и таким способом формировать знания на основе дан­ных. Один из ведущих мировых экспертов в данной области — Г. Пиа - тецкий-Шапиро — определяет Data Mining как «процесс обнаружения в "сырых" данных ранее неизвестных, нетривиальных, практически по­лезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности»[22]. Здесь ис­пользуются такие методы анализа данных, как фильтрация, дерево ре­шений, ассоциативные правила, генетические алгоритмы, нейронные сети, статистический анализ.

Наконец, следует упомянуть инструменты для выполнения запросов и построения отчетов (Query and Reporting tools). Такие системы обеспе­чивают функции построения запросов к информационно-аналитическим

Системам (в пользовательских терминах), интеграцию данных из несколь­ких источников, просмотр данных с возможностью детализации и обоб­щения, построение полноценных отчетов и их печать. Данные системы могут использоваться пользователями, обладающими «продвинутыми» техническими навыками. При этом профессиональных знаний в области информационных технологий не требуется, но тем не менее для эконо­мистов такие средства не всегда бывают удобны. Как правило, модули, содержащие функции Query & Reporting, входят в состав многих OLAP - систем, хотя есть и отдельные программные продукты этого класса.

Системы бизнес-интеллекта, включающие реляционные и многомерные базы данных, в свою очередь, служат основой для систем верхнего уров­ня аналитической пирамиды — аналитических приложений.