В статье исследуются особенности технологии интеллектуального анализа данных, описываются управленческие задачи, в решении которых целесообразно использовать данную технологию. Уделено отдельное внимание использованию интеллектуального анализа данных для повышения конкурентоспособности организаций.
Ключевые слова: интеллектуальный анализ данных, конкурентоспособность, типы закономерностей, бизнес аналитика.
Стремление организаций эффективно использовать концепцию маркетинга в условиях растущей конкуренции обращает производителей товаров и услуг к потребителю. Организациям необходимо не только выяснить, удовлетворены ли клиенты их продуктами и услугами, но и понять, почему они удовлетворены и что заставит их остаться такими в долгосрочной перспективе. В первом случае важны внешние показатели, во втором — поиск причин этих показателей. Применение аналитических инструментов к большому объёму собранной информации способствует более глубокому пониманию поведения покупателей.
Это значит, что в эпоху информационной эры предприятия должны рассматривать собранные данные как источник конкурентного преимущества. Data Mining — многообещающий метод, позволяющий выяснить потенциальную ценность данных, хранящихся в организациях. Применение интеллектуального анализа и других инструментов анализа данных предоставляет менеджерам полезную информацию для принятия управленческих решений. Применяя интеллектуальный анализ данных, они действуют как «информационные сыщики» — анализируют данные для лучшего пониманию текущих и прошлых хозяйственных операций, делают прогноз будущих результатов, чтобы потом затормозить развитие нежелательных явлений и создать положительные условия для развития прогрессивных.
В интеллектуальном анализе данных используются алгоритмы для поиска в выборке исходных данных ранее неизвестных, нестандартных, практически полезных и доступных интерпретации знаний, которые помогают организациям более эффективно конкурировать на рынке. Раскрывая шаблоны в наборе данных, интеллектуальный анализ может более эффективно прогнозировать, связывать и кластеризовывать события, продукты или клиентов, чтобы организация могла предоставлять покупателям более качественные продукты или услуги.
Чтобы описать возможности интеллектуального анализа данных, можно провести следующую аналогию. На сегодняшний день существует различное программное обеспечение для баз данных, которое способно выполнять различные запросы к ним. Эти запросы позволяют пользователю извлекать информацию из больших баз данных. Но для того чтобы их выполнить, пользователь должен сначала знать и указать конкретный запрос, прежде чем программное обеспечение базы данных сможет извлечь данные по нему.
В работе интеллектуального анализа данных все наоборот. Пользователь не знает, какие запросы он хочет задать заранее. Он просто использует интеллектуальный анализ, чтобы осуществить поиск в огромных базах данных и выявить в них закономерности, которые могут быть ему полезны. Выполняя запрос к базе данных, пользователь точно уверен, что в ней есть искомая информация, в то время как в интеллектуальном анализе пользователь находит знания, про существование которых в базе данных ему может быть ничего не известно. Такой анализ называется «извлечением знаний», нетривиальным процессом, позволяющим идентифицировать действительные, новые, практичные и узнаваемые шаблоны данных, хранящихся в огромных базах данных.
Сегодня организации начинают понимать, что эффективное использование аналитической отчётности дает им конкурентное преимущество. Это также верно и для бизнеса в интернете. Это обусловлено главным образом большим количеством данных, сформированных благодаря достижению информационных и коммуникационных технологий, а также растущим использованием интернета для ведения деловых операций. Различные методы получения данных, такие как ассоциация, кластеризация, классификация, оценка и прогнозирование, в настоящее время используются во многих отраслях [1].
Технология интеллектуального анализа данных широко применяется в розничной торговле. Например, если сеть продуктовых магазинов использует модель ассоциации, то она может выявить, что большой процент людей, покупающих спортивные принадлежности по выходным, также приобретают спортивные журналы вместе с ними. Результаты данного анализа помогают розничным компаниям осуществлять перекрестную продажу продуктов, разрабатывать целевые рекламные акции и разрабатывать более эффективные схемы размещения продуктов на полках. Хорошим примером является интернет-магазин книг или музыки, в котором при покупке или при выборе конкретного предмета, онлайн продавец предлагает покупателю другие предметы аналогичного жанра. На веб-сайтах интернет-компании также могут размещать свои товары, которые обычно покупаются вместе, на одной веб-странице, чтобы побудить онлайн-клиентов купить больше товаров, чем обычно.
Кластеризация, как метод анализа данных, обычно используется предприятиями для сегментации клиентов. Так же её используют для поддержки маркетинговых акций, целевых продаж и для определения клиентских сегментов с хорошей и плохой кредитной историей. Последнее особенно важно в страховой и банковской отраслях. Кластеризация также может применяться для обнаружения мошенничества. Например, в процессе проверки кредитных карт модели интеллектуального анализа данных могут использоваться для обнаружения возможных мошеннических транзакций по кредитным картам. Одним из наиболее распространенных методов, используемых в кластеризации, является алгоритм к-средних, использующий евклидово расстояние для идентификации различных кластеров в данных [2].
Для бизнеса в интернете способность определить сегменты клиентов, кредитные риски или мошеннические транзакции в режиме реального времени имеет решающее значение для конкурентоспособности организации и для снижения её финансовых рисков. В случае онлайн-покупки, данные кредитной карты будут введены на веб-сайте. Затем информация передастся через интернет в процессинговый центр для проверки, аутентификации и одобрения. Именно в процессинговом центре можно применять модели обнаружения мошенничества, предоставляемые интеллектуальным анализом данных (кластеризация), для оценки возможности поддельных и украденных карт. С помощью быстрого анализа платеж по карте может быть отнесен к категориям низкой или высокой вероятности риска мошенничества, и может быть инициировано автоматическое решение: принимать или отклонять платеж по карте.
Помимо кластеризации и ассоциации, другими часто используемыми задачами интеллектуального анализа данных в бизнес-приложениях являются классификация, оценка и прогноз. Они основаны на индуктивном обучении. В классификации цель состоит в том, чтобы отнести записи в определенные классы. Зависимая переменная обычно является категориальной. Оценка схожа с классификацией, однако зависимая переменная обычно числовая. Оба метода пытаются предсказать, в каком определенном классе должен быть размещен новый объект (запись в наборе данных). В прогнозировании цель состоит в том, чтобы определить будущий результат, а не отнести новые объекты в заранее определенные классы.
Применяя эти методы для выявления мошенничества с кредитными картами, классификацию можно использовать для обнаружения покупок, совершаемых с использованием поддельных и украденных кредитных карт. Для выявления вероятности того, что кредитная карта может быть украдена, используют оценку. А для нахождения приблизительного числа карт, которые могут быть украдены в следующие 6 месяц, используется прогноз. Хотя классификация, оценка и прогноз могут использоваться для различного круга задач, чаще всего их применяют для моделирования ситуаций по снижению клиентооборота.
Моделирование оттока клиентов показывает, какие покупатели, вероятно, перестанут пользовать услугами организации в ближайшем будущем. Это может помочь руководству определить вероятность того, что текущий онлайн-клиент переключится на конкурирующую фирму для приобретения её товаров и услуг. Если такая вероятность в ближайшем будущем высока, могут быть предприняты специальные меры для предотвращения переключения клиентов на конкурентов. Они включают в себя предоставление скидок, снижение цен и другие заманчивые предложения для клиента.
Таким образом, по мере увеличения объёма данных в организациях становится всё более востребованным использование интеллектуального анализа в бизнес аналитике. Руководители начинают понимать, что его применение обеспечивает им конкурентное преимущество. Интеллектуальный анализ данных выступает как стратегический инструмент для улучшения ключевых областей бизнеса, таких как клиенты, бизнес-операции, цепочка поставок и т. д.
Литература:
- Паклин Н. Б., Орешков В.И Бизнес-аналитика от данных к знаниям — СПб.: Питер ISBN, 2016. — 858 с
- Барсегян, А. А. Анализ данных и процессов СПб: БХВ-Петербург, 2009. — 488 с.
