Файл: Информационные технологии для бизнесанализа в коммерческой организации.pdf

65
Правило с очень большой достоверностью (> 85-90%) практической ценности в контексте решаемой задачи не имеет, так как товары, входящие в следствие, покупатель, скорее всего, уже приобрел.
Рассмотрим, правило № 6 масляный фильтр → промывочные маслаимеетS = 3,72%; С = 69,72%. Это говорит о том, что ожидаемая вероятность покупки наборапромывочные масла → масляный фильтр равна
3,72%. Если клиент приобрел масляный фильтр, то с вероятностью 69,72% он выберет и промывочные масла.
Рис. 50.
Правило № 6 масляный фильтр → промывочные масла
С помощью анализа правил приходим к выводу, что многие правила предсказуемы, т.к. являются лидерами продаж сети магазинов, хотя в результате данного анализа можно выявить интересные правила.
(например,свечи зажигания → провода автомобильные). И тот факт, что при достоверности 54% встречаются тривиальные ассоциативные правила
(например,чехлы для сидений → ароматизатор автомобильный), говорит о том, что можно найти интересные правила при меньших значениях достоверности.

66
Для получения дополнительных неочевидных правил необходимо запустить алгоритм Apriori, устанавливаем интервал допустимой достоверности от 25 до 40%. В результате получим правила, которые можно назвать полезными: они неочевидны, но понятны. Например, возьмем правилопровода автомобильные → электросвет/лампы.
В процессе внедрения и использовании аналитической платформы
Deductor было спроектировано и разработано хранилище данных, которое впоследствии стало основой для внедрения системы аналитической OLAP- отчетности. Так же используя алгоритм Apriori, были извлечены ассоциативные правила, при помощи которых, можно предсказать какой из товаров будет покупаться, учитывая товар, который уже был приобретен ранее, так же определены товарные наборы, пользующиеся покупательским спросом.
На практике результаты анализа при помощи ассоциативных правил могут применяться в осуществлении кросс-продаж, учитываться при размещении товара на полках в магазинах, выявление наиболее выгодных товарных позиций и подбор наиболее продаваемых наборов товаров.

67
Заключение
В ходе дипломной работы мною были изучены основные концепции бизнес-анализа, описаны основные современные технологии, такие как Data mining, KDD, OLAP-технологии. Подробно описаны наиболее популярные на мировом рынке аналитические платформы, выбрана наиболее подходящая, с учетом специфики розничной торговли и, непосредственно, предприятия
ООО «Автолидер», а именно система интеллектуального анализа данных –
Deductor Academic.
В данной системе были разработаны шаблоны сценариев, которыми впоследствии компания может пользоваться на практике. С помощью этих сценариев организация имеет возможность консолидировать данные и делать
OLAP-срезы о динамике продаж, загруженности магазинов, о самых покупаемых товарах, на основе спроектированного хранилища данных. Так же реализована возможность создавать необходимые для бизнеса отчеты.
При помощи ассоциативных правил выявлены часто выбираемые наборы товаров, выявлены наиболее выгодные товарные позиции.
В ходе дипломной работы были получены результаты, которые показывают, что при правильном выборе и внедрении системы интеллектуального анализа, бизнес получает существенные конкурентные преимущества и возможности для роста, посредством оптимизации бизнес- процессов.
Аналитическая платформа Deductor Studio содержит все необходимые функции, чтобы сделать бизнес-анализ прозрачным, управляемым и доступным.
Таким образом, платформа Deductor Studio доказывает свою жизнеспособность, эффективность и необходимость ее внедрения.

68
Список литературы
1. Абасова, С. Э. Информатизация профессиональной деятельности в сфере инженерного образования. Телекоммуникации и информатизация образования. [Текст]/ С.Э. Абасова. – СПб.: «Нестор». – 2013. – 428 с.
2. Аббакумов, В.Л. Бизнес-анализ информации. Статистические методы.
[Текст]/ В.Л. Аббакумов, Т.А. Лезина. - М.: ЗАО «Издательство
«Экономика». – 2012. – 374 с.
3. Абдикеев, Н.М. Управление знаниями корпорации и реинжиниринг бизнеса [Текст]/ Н.М. Абдикеев, А.Д. Киселев. – М.: Инфра-М. – 2013. –
384 с.
4. Бариленко, В.И. Основы бизнес-анализа [Текст]: учеб. пособие/ В.И.
Бариленко, В.В. Бердников, Р.П. Булыга; под ред. В.И. Бариленко. – М.:
Кнорус. – 2014. – 272 с.
5. Барсегян, А.А. Методы и модели анализа данных: OLAP и Data Mining.
[Текст]: учеб. пособие / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко,
И.И.Холод. – М.: ИНФРА-М, 2012. – 516 с.
6. Барсегян, А.А. Технологии анализа данных: Data Mining, Visual mining,
Text mining, OLAP. [Текст]: учеб. пособие / А.А. Барсегян, М.С.
Куприянов, В.В. Степаненко, И.И.Холод. – CПб.: «БХВ Петербург», 2014.
– 383 с.
7. Елиферов, В.Г. Бизнес-процессы: Регламентация и управление [Текст]: учеб. пособие / В.Г. Елиферов. – М.: НИЦ ИНФРА-М. – 2013. – 319 c.
8. Иванова, В.А. Путь аналитика. Практическое руководство IT- специалиста [Текст]/ В.А. Иванова, А.Д. Перерва. – СПб.: Питер. – 2016.
– 304 с.
9. Ильина, О.П. Информационные системы и технологии в экономике и управлении [Текст]: учеб. для вузов/ О.П. Ильина, В.И. Кияев, А.П.

69
Приходченко, В.В. Трофимов; под ред. В.В. Трофимова. – М.:
Издательство Юрайт. – 2015. – 542 с.
10.
Матвеева, Т.А. Информационная культура [Текст] : учеб. пособие
/ Т.А. Матвеева, Г.А. Гейн. – Екб.: Центр «Учебная книга». – 2012.– 416с.
11.
Паклин, Н.Б. Бизнес-аналитика: от данных к знаниям [Текст]: учеб. пособие/ Н.Б. Паклин, В.И. Орешков – СПб.: Питер. – 2013. – 704 с.
12.
Рафалович, В. Data mining или интеллектуальный анализ для занятых [Текст]: практическое пособие/ В. Рафалович – М.:SmartBook. –
2014. – 96 с.
13.
Репин, В.В. Бизнес-процессы. Моделирование, внедрение, управление [Текст] / В.В. Репин. – М.: Манн, Иванов и Фербер. – 2013. –
512 c.
14.
Кукьер, К. Большие данные [Текст]: пер. с англ. Гайдюк И./ К.
Кукьер, В. Майер-Шенбергер – М.: Издательство «Манн, Иванов и
Фербер». – 2014. – 310 с.
15.
Лесковец, Р. Анализ больших наборов данных [Текст]: пер. с англ. Слинкин А.А./ Р. Лесковец, А. Раджараман, Дж. Ульман – М.: ДМК
Пресс. – 2016. – 498 с.
16.
Фрэнкс, Б. Укрощение больших данных. Как извлекать знания из массивов информации с помощью глубокой аналитики [Текст]: пер. с англ./ сост. А.В. Баранов. – М.: Издательство «Манн, Иванов и Фербер». –
2014. – 352 с.
17.
Артемьев В.И. Что такое Business Intelligence [Элестронный ресурс]/ В.И. Артемьев// 2013. URL: http://citforum.ru/consulting/BI/whatis/
18.
Гудков Д.А. BI-платформы [Электронный ресурс]/ Д.А. Гудков//
IT для бизнеса. 2014. URL: http://ko.com.ua/gartnerovskie_kvadraty_po_bi- platformam_2014_prodolzhenie_47749

70 19.
Коваленко К.Г. Современные Business Intelligence (BI) системы на примере IBM Cognos BI [Электронный ресурс]/ К.Г. Коваленко//
Интернет журнал Хабрахабр. 2015. URL: https://habrahabr.ru/post/248829/
20.
Парамонов, С.П. Что такое Business Intelligence [Электронный ресурс]/ С.П. Парамонов// Блог компании Navicon. 2015. URL: https://habrahabr.ru/company/navicon/blog/250875/
21.
Сорокина, Т.И. Бизнес-анализ предприятия: потребности компании
[Электронный ресурс]/
Т.И.
Сорокина//
Журнал
«Коммерческий директор».
2016.
URL: https://www.kom- dir.ru/article/1732-biznes-analiz
22.
Большие данные
[Электронный ресурс].
–
URL https://ru.wikipedia.org/wiki/Большие_данные
23.
Основы бизнес-аналитики и науки о данных [Электронный ресурс]. – URL: https://basegroup.ru/service/learning/catalog/bg101 24.
Сайт программы Deductor Academic 5.2 [Электронный ресурс].
URL: http://www.basegroup.ru/deductor/
25.
Системы бизнес-аналитики (BI) [Электронный ресурс]. –
http://optima.ru/services/22/991/
26.
Системы бизнес-анализа (Business Intelligence) [Электронный ресурс].
–
http://fogsoft.ru/solutions/business_intelligence/business_intelligence.aspx
27.
BABOK
Guide
2.0
[Электронный ресурс]/
URL: https://www.iiba.org
28.
Business Intelligence. Системы бизнес-анализа: базовые понятия и решения [Электронный ресурс]/ URL: http://1solution.ru/sobytiya/stati/ sistemy-biznes-analiza-business-intelligence-bazovye-ponyatya-resheniya.html
29.
Business
Intelligence
[Электронный ресурс]/
URL: https://ru.wikipedia.org/wiki/Business_Intelligence

71 30.
Data
Mining
[Электронный ресурс]/
URL: https://ru.wikipedia.org/wiki/Data_mining
31.
IBM
Cognos
[Электронный ресурс]/
URL: https://www.ibm.com/analytics/ru/ru/technology/products/cognos-analytics
32.
Microsoft
Power
BI
[Электронный ресурс]/
URL: https://powerbi.microsoft.com/ru-ru/
33.
OLAP
[Электронный ресурс]/
URL: https://ru.wikipedia.org/wiki/OLAP
34.
Prognoz
Platform
[Электронный ресурс]/
URL: http://www.prognoz.ru/platform/download
35.
QlikView [Электронный ресурс]/ URL: http://global.qlik.com/ ru/landing/go-sm/qlikview/download-qlikview/
36.
Tableau
[Электронный ресурс]/
URL: https://www.tableau.com/products/trial
37.
Tibco
Spotfire
[Электронный ресурс]/
URL: https://spotfire.tibco.com/overview