Информационное обеспечение менеджмента

Какие методы решения или подходы используются при "добыче данных"? Фирма "KnowledgeSeeker" использует только одну технологию - дерево решений. Это структура в виде дерева, полученная из данных, чтобы представить наборы решений, приводящих к различным результатам. Когда создан новый набор решений в виде информации относительно частного покупателя, дерево решений предсказывает

результат. Нейронные сети, область искусственного интеллекта, которые будут обсуждаться позже в курсовой работе, включены в пакеты программ Marksman, Intelligent Miner и Darwin (последние два также используют дерево решений). Другие популярные технологии включают правила предположений, извлечение из правил "если, то", основанные на статистическом значении; сортировку записей, основанных на наиболее близких им в базе данных; генетические алгоритмы, т.е. методы оптимизации, основанные на концепциях генетической комбинации, мутации и естественного выбора.

Конечно, менеджеру более важно то, что может быть выполнено с "добычей данных", чем использованные в технологии решения. Ниже даны типичные приложения обработки данных. Для бизнеса любого вида эти приложения хороши, если смогут увеличить прибыль организации. Большинство этих приложений сосредоточивается на извлечении ценной информации для клиентов. Таблица 3.1. показывает возможное использование добычи данных [2].

Популярная пресса рассказывает о примерах успешной добычи данных.

Таблица 3.1.-Использование добычи данных

"Firster Bank", холдинговая компания с оборотом 20 млрд. долл., основанная в Милуоки (США), использовала добычу данных для прямой отправки по почте набора заказов, чтобы увеличить быстродействие. Firster применила пакет обработки данных Marksman, сгруппировав карточки заказов клиентов на основе банка данных, который они уже использовали (типа карт расходов, акций домашних займов, сберегательных счетов и выполнения инвестиций), и затем предсказала, какие изделия будут предложены каждому клиенту и в какое время.

Bank of America, основанный в Сан-Франциско, был завален запросами клиентов. Банк был заинтересован в новых способах текущего контроля за счетами клиентов при наборе новых клиентов. Сначала банковские маркетологи хотели выяснить, кто из клиентов имел тенденцию использовать конкретные изделия и какое сочетание услуг лучше соответствует потребностям различных групп клиентов. Через обширный процесс добычи данных, использующий различные программные изделия, Bank of America сгруппировал клиентов в небольшие группы, которые имели близкие интересы и потребности. "Некоторые клиенты неправильно использовали платежи, так что мы приступаем к их преобразованию", - говорит вице-президент по маркетингу Bank of America. - "Мы вошли в контакт с ними по почте или по телефону и нашли, что реакция была обычно очень благоприятная. Иногда это означало несколько долларов в месяц дополнительно, но зато мы чувствовали, что клиенты будут испытывать большее доверие к банку, который смотрел за их деньгами".

Добыча данных требует разработанной и хорошо построенной базы (склада) данных с сохраняемыми в ней данными. Прежде чем любая организация подумает относительно добычи данных, нужно сначала убедиться, что необходимые данные имеются и что они являются полными и точными. Например, отделение заказов по почте фармацевтического гиганта Merck-Medco, основанного в Нью-Джерси, потратило 4 года на работу над громоздкой базой данных пациентов и обращений прежде, чем сделать банки данных готовыми к добыче данных. В Merek-Medco главными задачами реинжиниринга стали очистка данных и объединение их в значимую структуру [2].

3.1.4 Искусственный интеллект (Artificial Intelligence)

Идея искусственного интеллекта (AI), т.е. изучение того, как компьютеры могут "думать", имеет приблизительно 30-летний возраст, но только недавно появились достаточно мощные компьютеры, чтобы делать коммерчески привлекательными AI-приложения. А1-исследования развились в пять отдельных, но связанных областей: естественные языки, робототехника, системы ощущения (системы зрения и слуха), экспертные системы и нейронные сети. Чтобы работать с естественными языками, необходимо создание систем, которые переводят обычные человеческие инструкции в язык, который компьютеры могут понимать и выполнять. Робототехника в большей степени относится к промышленности. Исследование систем ощущения направлено на создание машин, обладающих визуальными и слуховыми способностями, которые воздействуют на их физическое поведение. Другими словами, это исследование нацелено на создание роботов, которые могут "'видеть" или "слышать" и реагировать соответственно тому, что они видят или слышат [2].

Заключительные две ветви AI наиболее пригодны для поддержки управления. Экспертные системы - это системы, которые используют логику принятия решения человеческого эксперта. Самая новая отрасль AI - нейронные сети, которые устроены по аналогии с тем, как работает человеческая нервная система, но фактически используют статистический анализ, чтобы распознать модели из большого количества информации посредством адаптивного изучения.

3.1.5 Экспертные системы (Expert Systems)

Как применяет логику эксперта компьютерная система? Чтобы спроектировать экспертную систему, специалист, называемый инженером знания (специально подготовленный системный аналитик), очень тесно работает с одним или большим количеством экспертов в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Если строится экспертная система для планирования оборудования, то инженер знания работает с опытными планировщиками оборудования, чтобы видеть, как они работают. Знание, полученное инженером знания, затем загружается в компьютерную систему, в специализированном формате, в блоке, названном базой знаний (рис. 3.3).

 Скачать реферат