Александр Бурьяк - Аналитическая разведка

- универсальные, настраиваемые, специальные;

- однопользовательские, многопользовательские;

- открытые (получающие данные из глобальных сетей), закрытые;

- для поддержки оперативных решений, для поддержки стратегических решений.

СПР также можно классифицировать по типам проблемных ситуаций, типам проблем, способам программной реализации и т. п.

Существуют программные средства для анализа дерева решений, для сопоставления вариантов решений, Пример последних - Decision рad (фирма Apian Software, США), пакет многокритериального выбора решений. Его особенности: анализу подвергается до 150 альтернатив, до 60 критериев в каждой; число экспертов от 1 до 20; критерии взвешиваются с помощью коэффициентов 1..10 или оцениваются качественно (от “плохо” до “превосходно”); может осуществляться анализ чувствительности решений к изменению весов и оценок; используются текстовые комментарии и графические иллюстрации.

18.2. Системы оперативного прогнозирования

Назначение системы оперативного прогнозирования - предсказание состояния некоторых объектов в ближайшем будущем, осуществляемое на основе известного их состояния в настоящем и в недавнем прошлом и, возможно, известных случаев прохождения этих или аналогичных объектов через рассматриваемые состояния.

Прогнозное моделирование - построение моделей, позволяющих предсказывать будущие ситуации по данным о прошлых. Основные методы прогнозного моделирования - методы индукции, методы нейронных сетей. В системах прогнозирования используются данные, хранящиеся в базах данных в виде временных рядов, которые отражают динамику исследуемой системы в прошлом. Если удается построить математическую модель, адекватно описывающую такую динамику, то появляется возможность с некоторой вероятностью предсказывать поведение системы в будущем.

Прогнозное моделирование может осуществляться посредством нейросимуляторов - программных систем, использующих механизм нейронных сетей. Нейронная сеть - совокупность взаимосвязанных вычислительных элементов (нейронов), каждый из которых генерирует выходной сигнал в ответ на несколько входных. Выход элемента является входом для других. Каждый вход получает вес (в виде коэффициента в соответствующем уравнении), который корректируется в процессе обучения сети. Обучение сводится к подбору таких весов, при которых нейронная сеть безошибочно распознает эталонную выборку. Как правило, для реализации алгоритмов нейронных сетей требуются мощные вычислительные ресурсы, поскольку во время обучения приходится обрабатывать сотни тысяч наборов тестовых данных.

Следует иметь в виду, что поддержка решений в некоторой предметной области на основе анализа ее истории эффективна лишь при постоянстве процессов в этой области: наличии устойчивых циклов, устойчивых тенденций, опробованной системы показателей.

18.3. Экспертные системы

Экспертные системы используются более или менее эффективно для постановки медицинских диагнозов и для поиска неисправностей в технических системах, то есть при решении типовых задач, в которых необходимо формальным образом учитывать большое количество параметров. Если параметры плохо формализуются и/или решаемые задачи не являются типовыми, то экспертные системы неэффективны. Экспертная система, осуществляющая исключительно дедуктивный вывод из предложений, имеющихся в ее “базе знаний”, может найти подходящее сочетание известных ей элементов решения, но не может предложить новые элементы.

18.4. Системы поддержки нетипового анализа числовых данных

Нетиповой анализ (ad-hoc analysis) - нестандартный, нерегулярный, неформализованный и потому не автоматизированный анализ больших массивов числовых данных. Цель нетипового анализа - визуальное обнаружение закономерностей и отклонений. Системы поддержки нетипового анализа обеспечивают легко варьируемые представления больших массивов числовых данных, оперативно или с малой задержкой извлекаемых из баз данных.

Нетиповой анализ реализуется в системах так называемой “оперативной аналитической обработки” данных (online analytical рrocessing - OLAP). Суть технологии OLAP - в быстром получении удобно представленных многомерных данных (исходных, выборочных, интегрированных), извлекаемых из базы данных сообразно заранее сформулированным или текущим требованиям пользователя.

В OLAP-системах используется двумерная или многомерная модель данных.

При использовании многомерной модели основная единица данных - многомерная переменная: массив размерности N (то есть имеющий N измерений). На экране компьютера многомерная переменная демонстрируется в виде того или иного двумерного среза, оформленного примерно следующим образом:

“край колонок”

“край ––-+ +–––––––––—+

страниц” =========== ================== ===========

+–––+ | | | | |

|–––+ | | | | |

=========== | | | | |

+- ============|=======|=======| ==|========|

| +–––—+––-+––-+- -+––—+

| +–––—+––-+––-+- -+––—+

“край | +–––—+––-+––-+ —+––—+

рядов”| +–––—+––-+––-+- -+––—+

|

| +–––—+––-+––-+ —+––—+

+- ============================== ===========

На “крае страниц” представляются все измерения многомерной переменной, не попавшие в отображаемый срез.

Многомерная модель данных считается наиболее подходящей для отображения экономической информации - обычно группируемой по трем-четырем характеристикам одновременно, к примеру, по дате, подразделениям, продуктам, показателям.

Операции в системе анализа многомерных данных:

1. Поворот “многомерного куба”: к примеру, на экране колонки становятся строками, строки - колонками.

2. Переход к другому срезу данных (на другую “страницу”).

3. Перераспределение измерений многомерной переменной между краями таблицы (в одном крае можно демонстрировать одно или несколько измерений).

4. Переход к другому уровню интеграции данных.

5. Агрегирование данных (устранение одного или нескольких измерений).

6. Изменение состава и порядка следования колонок, строк, страниц.

7. Создание выборки колонок, строк, страниц по указанному признаку.

8. Демонстрация в одной таблице нескольких многомерных переменных, имеющих одинаковые измерения.

9. Отключение показа строк, в которых имеются только нули и/или неопределенные значения.

10. Выделение цветом тех ячеек, значения которых больше указанного верхнего порога, меньше указанного нижнего порога.

11. Представление данных графиком некоторого типа. Быстрая смена типа графика.

18.5. Системы для контент-анализа

Назначение программной системы для контент-анализа - получение числовых характеристик содержания текста или набора текстов, например, подсчет количества упоминаний некоторых ключевых слов, количества публикаций на некоторую тему.