В информационной системе активно работающего предприятия накапливаются большие объемы разнообразных сведений. Пользователи могут анализировать эти сведения с помощью классических аналитических инструментов, встроенных в прикладное решение — отчетов, сводных таблиц, диаграмм. Эти инструменты позволяют представить картину хозяйственной деятельности предприятия в удобном для анализа виде, определить отклонения от плана, подготовить принятие управленческих решений, спланировать новые показатели на основе тенденций прошлых периодов.
    Но при использовании классических инструментов анализируемые показатели и взаимосвязи должны быть определены заранее. Обычные отчеты не рассчитаны на поиск неочевидных правил и на извлечение неизвестных закономерностей — то есть на генерацию новых знаний.
    Для решения подобных задач предназначена специальная конфигурация «Подсистема анализа данных», которая может быть встроена в любую конфигурацию платформы «1С Предприятие 8.0» и представляет собой после встраивания отдельную аналитическую подсистему. Поставка специальной конфигурации содержит более 30 предварительно настроенных моделей для типовой конфигурации «Управление торговлей».

    Современный бизнес столь многогранен, что количество факторов, потенциально оказывающих влияние на то или иное решение, может исчисляться десятками. Конкуренция усиливается день ото дня, жизненный цикл товаров укорачивается, предпочтения клиентов меняются все быстрее. Для развития бизнеса необходимо максимально динамично реагировать на стремительно меняющееся бизнес-окружение, учитывая тонкие, а подчас трудноуловимые закономерности развития событий. Какие группы клиентов откликнутся на рекламную акцию, а какие безвозвратно уйдут к конкурентам? Открывать новую бизнес-линию или пока повременить? Не просрочит ли покупатель платеж, а поставщик - отгрузку? Каковы возможности для роста и где скрываются потенциальные угрозы?
    Эти и им подобные вопросы ежедневно задают себе и коллегам тысячи менеджеров.

    Подсистема анализа данных призвана помочь пользователям корпоративной информационной системы быстрее находить ответы на нетривиальные вопросы, обеспечивая автоматизированное преобразование данных, накопленных в корпоративной информационной системе, в практически полезные и хорошо интерпретируемые закономерности. Она обеспечивает поддержку принятия разнообразных управленческих решений с помощью алгоритмов интеллектуального анализа данных (ИАД).


    Алгоритмы ИАД формируют аналитические модели, которые описывают закономерности в исходных данных. Эти модели представляют самостоятельную аналитическую ценность, а также используются для автоматизированного формирования прогнозов с заранее неизвестными показателями.

    Интеллектуальный анализ данных использует взаимодополняющие методы обнаружения знаний. В подсистеме реализованы методы, получившие наибольшее коммерческое распространение в мировой практике:

• кластеризация — реализует группировку относительно сходных объектов;
• поиск ассоциаций — реализует поиск устойчивых комбинаций событий и объектов;
• дерево решений — обеспечивает построение причинно-следственной иерархии условий, приводящей к определенным решениям.

    Выбор метода зависит от состава исходных данных и от того, какого рода закономерности требуется выявить.
    Для визуального отображения результатов анализа и прогноза применяются эргономичные элементы управления.

    Ожидается, что подсистема анализа данных будет востребована для управления коммерческими рисками и ассортиментной политикой, оптимизации процессов логистики и бюджетирования, планирования программ стимулирования персонала и маркетинговых мероприятий, а также для реинжиниринга бизнес-процессов и в области оптимизационного консалтинга.

    Для проведения анализа и прогнозирования пользователи должны хорошо владеть предметной областью и понимать основные причинно-следственные связи. А для подготовки источников данных и прогнозных моделей требуются некоторые навыки в области конфигурирования платформы «1С:Предприятие 8.0»: умение использовать построитель запросов, знание принципов размещения информации в объектах метаданных.

    Целью кластеризации является выделение из множества объектов одной природы некоторого количества относительно однородных групп — сегментов или кластеров. Объекты распределяются по группам таким образом, чтобы внутригрупповые отличия были минимальными, а межгрупповые — максимальными.



    Сегментация клиентов по определенной совокупности параметров позволяет выделить среди них устойчивые группы, имеющие сходные покупательские предпочтения, уровни продаж и платежеспособности, что значительно упрощает управление взаимоотношениями с клиентами.
    При классификации товаров очень часто используются достаточно условные принципы классификации. Выделение сегментов на основе группы формальных критериев позволяет определить действительно однородные группы товаров. В условиях широкой и довольно разнородной номенклатуры товаров управление ассортиментом на уровне сегментов по сравнению с управлением на уровне номенклатуры существенно повышает эффективность продвижения, ценообразования, мерчендайзинга, управления цепочками поставок.
    Сегментация менеджеров позволяет эффективнее спланировать организационные изменения, улучшить мотивационные схемы, скорректировать требования к нанимаемому персоналу, что, в конечном счете, позволяет повысить управляемость компании и стабильность бизнеса в целом.
     Методы кластеризации позволяют перейти от по-объектного к групповому представлению совокупности произвольных объектов, что существенно упрощает оперирование ими.

    Этот метод интеллектуального анализа данных предназначен для выявления устойчивых комбинаций элементов в определенных событиях или объектах.

    Первоначально метод поиска ассоциаций был разработан для поиска типичных сочетаний товаров в покупках, поэтому иногда его еще называют анализом покупательской корзины. Применительно к этому сценарию в качестве ассоциируемых элементов, как правило, выступают товарные группы или отдельные товары. А группирующим объектом, объединяющим элементы выборок, может быть любой объект информационной системы, идентифицирующий сделку, например: заказ покупателя, акт об оказании услуг или кассовый чек.

    Информация о закономерностях в товарных предпочтениях покупателей позволяет повысить эффективность CRM (в части рекламных кампаний и маркетинговых акций), ценообразования (формирование комплексных предложений и системы скидок), управления запасами и мерчендайзинга (распределение товаров в торговых залах).
    Другим примером использования этого метода является определение предпочитаемых клиентами комбинаций рекламных каналов для исключения их дублирования при проведении целевых рекламных кампаний. Это позволяет существенно снизить издержки на подобные мероприятия.

Результаты анализа представляются подсистемой в виде групп ассоциированных элементов.



    В результатах анализа помимо выявленных устойчивых комбинаций элементов приводится развернутая аналитика по ассоциированным элементам.

    В результате применения этого метода к исходным данным создается иерархическая (древовидная) структура правил вида «Если... то...», а алгоритм анализа обеспечивает процесс вычленения на каждом этапе наиболее значимых условий и переходов между ними.
    Рассматриваемый алгоритм получил наибольшее распространение при выявлении причинно-следственных связей в данных и описании поведенческих моделей. Типичная зона применимости деревьев решений — оценка различных рисков, например, закрытия заказа клиентом или его перехода к конкуренту, несвоевременной поставки товара поставщиком или просрочки оплаты товарного кредита. В качестве типичных входных факторов модели выступают сумма и состав заказа, текущее сальдо взаиморасчетов, кредитный лимит, процент предоплаты, условия поставки и иные параметры, характеризующие объект прогноза. Адекватная оценка рисков обеспечивает принятие информированных решений по оптимизации отношения доходность/риск в деятельности компании, а также полезна для увеличения реалистичности различных бюджетов.


    В качестве примера, иллюстрирующего способность этого алгоритма выявлять причинно-следственные связи, можно привести задачу оптимизации работы отдела продаж. Для ее решения в качестве прогнозируемой величины выберем интересующий показатель эффективности менеджеров по продажам, например удельную доходность на клиента, а в качестве факторов — совокупность данных, потенциально влияющих на результат. Алгоритм определит факторы, оказывающие наибольшее влияние на результат, а также типичные комбинации условий, приводящих к тому или иному результату.
    Более того, подсистема «Анализ данных» позволит оценить (спрогнозировать) ожидаемые значения целевого показателя на основании актуальных данных, а также провести прогноз «Что, если ?», изменяя подаваемые на вход модели показатели.
    Результаты анализа и прогноза с помощью деревьев решений позволяют существенно снизить влияние неопределенности бизнес-окружения на состояние компании, а также решить широкий спектр задач, связанных с выявлением сложных и неочевидных причинно-следственных связей.