6.3. Интеллектуальный анализ данных. Управление знаниями

Информационная составляющая играет важнейшую роль в эффективном управлении бизнесом, поэтому способность предприятий обеспечивать своих сотрудников всем необхо­димым для принятия взвешенных решений имеет огромное значение. С середины 90-х гг. XX в. стремительно растет ин­терес компаний к программным продуктам, которые позво­ляют аналитикам работать с большими объемами данных, накопленными в ERP-, CRM-системах и хранилищах данных, и извлекать из них полезную информацию. Следствием этого стало рождение новых информационных технологий и инстру­ментов, обеспечивающих безопасный доступ к источникам корпоративных данных и обладающих развитыми возможно­стями консолидации, анализа, представления данных и рас­пространения готовых аналитических документов внутри орга­низации и за ее пределами: витрин данных, обработки произ­вольных запросов (Ad-hoc query), выпуска отчетов (Reporting), инструментов OLAP (On-Line Analytical Processing), интел­лектуального анализа данных (DM — Data Mining), поиска знаний в БД (KDD — Knowledge Discovery in Databases) и т.д.

Под «анализом данных» понимают действия, направлен­ные на извлечение из них информации об исследуемом объ­екте и на получение по имеющимся данным новых данных. Интеллектуальный анализ данных (ИАД) — общий тер­мин для обозначения анализа данных с активным использованием математических методов и алгоритмов (методы опти­мизации, генетические алгоритмы, распознавание образов, статистические методы, Data Mining и т.д.), использующих визуальное представление данных. Общая схема интеллек­туального анализа приведена на рис. 6.4.

1) выявление закономерностей (свободный поиск);

2) использование выявленных закономерностей для пред­сказания неизвестных значений (прогнозирование);

3) анализ исключений для выявления и толкования ано­малий в найденных закономерностях.

Иногда выделяют промежуточную стадию проверки дос­товерности найденных закономерностей (стадия валидации) между их нахождением и использованием.

Все методы ИАД по принципу работы с исходными дан­ными подразделяются на две группы:

1. Методы рассуждений на основе анализа прецедентов — исходные данные могут храниться в явном детализирован­ном виде и непосредственно использоваться для прогнозиро­вания и/или анализа. Недостатком этой группы методов яв­ляется сложность их использования на больших объемах данных.

2. Методы выявления и использования формализован­ных закономерностей, требующие извлечения информации из первичных данных и преобразования ее в некоторые фор­мальные конструкции, вид которых зависит от конкретного метода. На рис. 6.6 представлены методы, входящие в эти группы.

В табл. 6.1 приведены примеры использования методов интеллектуального анализа данных в финансовых приложе­ниях и маркетинговом анализе.

Рассмотренные методы позволяют коммерческим банкам решать следующие задачи:

• получение отчетности банка и проверка ее полноты и корректности;

• проведение группировки статей баланса и расчет эконо­мических нормативов и аналитических коэффициентов (на­пример, по методу CAMEL);

• оценка состояния банка по системе аналитических ко­эффициентов;

• определение рейтинга банка;

• анализ динамики основных показателей, выявление тенденций и прогнозирование состояния банка;

Рис. 6.6. Классификация технологических методов ИАД

• анализ степени влияния тех или иных факторов на со­стояние банка;

• выработка рекомендаций по оптимизации банковского баланса и т.д.

В основу технологии ИАД положен не один, а несколько принципиальных подходов (табл. 6.1), причем использова­ние некоторых из них невозможно без специальной подго­товки.

Таблица 6.1 Подходы к технологии ИАД

Технология	Достоинства	Недостатки
1	2	3
Правила вывода	Удобны в случаях, когда данные связаны отноше­ниями, представимыми в виде правил «если — то»	При большом количестве правил теряется нагляд­ность; не всегда удается выделить отношения «ес­ли — то»
Нейронные сети	Удобны при работе с не­линейными зависимостя­ми, зашумленными и не­полными данными	«Черный ящик»: модель не может объяснить вы­явленные знания; данные обязательно должны быть преобразованы к число­вому виду
Нечеткая логика	Ранжируют данные по сте­пени близости к желае­мым результатам; нечет­кий поиск в базах данных	Технология новая, поэто­му разработано ограни­ченное число приложений
Визуализация	Многомерное графическое представление данных, по которому пользователь сам выявляет закономер­ности	Модели не исполняются, и их интерпретация пол­ностью зависит от анали­тика
Статистика	Существует множество алгоритмов и опыт их применения в научных и инженерных приложе­ниях	Ориентированы в основ­ном на проверку гипотез, а не на выявление новых закономерностей в дан­ных

Окончание табл. 6.1

1	2	3
К-ближайший сосед	Выявление кластеров, об­работка целостных ис­точников данных	Большие затраты памя­ти, проблемы с чувстви­тельностью
Интегрированные технологии	Возможность выбора под­ходов, адекватных зада­чам, или сравнения ре­зультатов применения раз­ных подходов	Сложность средств под­держки; высокая стои­мость; для каждой от­дельно взятой техноло­гии не всегда реализуется наилучшее решение

Существующие системы ИАД подразделяют на исследо­вательские, ориентированные на специалистов и предназна­ченные для работы с новыми типами проблем; прикладные, рассчитанные на аналитиков, менеджеров, технологов и ре­шающие типовые задачи. Если в исследовательских систе­мах ИАД важно разнообразие доступных методов обработки данных и гибкость используемых средств, то в прикладных системах целесообразно реализовывать не методы, а типовые виды рассуждений (анализа), характерные для проблемной области.

Для проведения автоматического анализа данных, на­копленных предприятием в течение жизненного цикла, ис­пользуются технологии под общим названием Data Mining. На рис. 6.7 приведена классификация уровней и инструмен­тарий извлечения знаний из данных.

Data Mining (DM) — это технология обнаружения в «сы­рых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретаций знаний, необхо­димых для принятия решений в различных сферах челове­ческой деятельности. Алгоритмы, используемые в Data Mi­ning, требуют большого количества вычислений, что ранее являлось сдерживающим фактором широкого практическо­го их применения, однако рост производительности совре­менных процессоров снял остроту этой проблемы. Задачи, решаемые методами DM:

• классификация — отнесение объектов (наблюдений, со­бытий) к одному из заранее известных классов;

• прогнозирование;

• кластеризация — группировка объектов на основе дан­ных, описывающих сущность этих объектов. Объекты внут­ри кластера должны обладать общими чертами и отличаться от объектов, вошедших в другие кластеры. Чем больше похо­жи объекты внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация;

• ассоциация — выявление закономерностей между свя­занными событиями;

• последовательные шаблоны — установление законо­мерностей между связанными во времени событиями;

• анализ отклонений — выявление наиболее нехарактер­ных шаблонов.

Решение большинства задач бизнес-анализа сводится к той или иной задаче Data Mining. Например, оценка рис­ков — решение задачи классификации; сегментация рын­ка — кластеризации; стимулирование спроса — ассоциации.

Технология Data Mining развивалась и развивается на стыке статистики, теории информации, машинного обуче­ния, теории баз данных. Наибольшее распространение полу­чили следующие методы Data Mining: нейронные сети, де­ревья решений, алгоритмы кластеризации, алгоритмы обна­ружения ассоциативных связей между событиями и т.д.

Деревья решений представляют собой иерархическую древовидную структуру классифицирующих правил типа «если — то». Для отнесения некоторого объекта или ситуа­ции к какому-либо классу следует ответить на вопросы, име­ющие форму «значение параметра А больше X» и располо­женные в узлах дерева. При положительном ответе осуществляется переход к правому узлу следующего уровня дерева, отрицательном — к левому узлу (рис. 6.8).

Рис. 6.8. Пример построения дерева решений

Если построенное дерево состоит из неоправданно боль­шого числа ветвей, то оно не будет обеспечивать получение статистически обоснованного ответа. Деревья решений вы­дают полезные результаты только в случае независимости признаков.

В настоящее время деревья решений применяются при решении таких задач, как описание данных (они позволяют хранить информацию о данных в компактной форме); клас­сификация (отнесение объектов к одному из заранее извест­ных классов); регрессия (определение зависимости целевой переменной, принимающей непрерывные значения, от неза­висимых — входных — переменных).

Несмотря на обилие методов Data Mining, приоритет по­степенно все более смещается в сторону логических алгорит­мов поиска в данных «если — то» правил. С их помощью ре­шаются задачи прогнозирования, классификации, распозна­вания образов, сегментации БД, извлечения из данных скрытых знаний, интерпретации данных, установления ас­социаций в БД и др. Результаты таких алгоритмов эффек­тивны и легко интерпретируются.

Главной проблемой логических методов обнаружения за­кономерностей является проблема перебора вариантов за приемлемое время. Известные методы либо искусственно ог­раничивают такой перебор (алгоритмы КОРА, WizWhy), ли­бо строят деревья решений (алгоритмы CART, CHAID, ID3, See5, Sipina и др.). имеющие принципиальные ограничения.

Программное обеспечение для реализации технологий Data Mining: Poly Analyst, Scenario, 4Thought, MineSet.

Поиск данных в базах данных (Knowledge Discovery in Databases) определяет последовательность действий, необ­ходимую для получения знаний, а не набор методов обработ­ки или алгоритмов анализа, и включает следующие этапы:

1. Подготовка исходного набора данных — создание набо­ра данных из различных источников, для чего должен обес­печиваться доступ к источникам данных.

2. Предобработка данных — удаление пропусков, иска­жений, аномальных значений, дополнение данных неко­торой априорной информацией. Данные должны быть ка­чественны и корректны с точки зрения используемого ме­тода DM.

3. Трансформация, нормализация данных — приведение информации к пригодному для последующего анализа виду.

4. Data Mining — применение различных алгоритмов на­хождения знаний.

5. Постобработка данных — интерпретация результатов и применение полученных знаний в бизнес-приложениях.

Динамические системы поддержки принятия решений (СППР) ориентированы на обработку нерегламентированных (ad hoc) запросов аналитиков к данным. Работа аналити­ков с этими системами заключается в интерактивном форми­ровании запросов и изучении их результатов. Поддержка принятия управленческих решений на основе накопленных данных может выполняться в следующих областях: поиск данных; формирование комплексного взгляда на собранную в хранилище данных информацию, ее обобщение и агрега­ция, гиперкубическое представление и многомерный ана­лиз; интеллектуальная обработка методами ИАД, главными задачами которых являются поиск функциональных и логи­ческих закономерностей в накопленной информации, построение моделей и правил, которые объясняют найденные аномалии и/или прогнозируют развитие процессов.

Обобщенная структура информационно-аналитической системы, построенной на основе хранилища данных, показа­на на рис. 6.9. В конкретных реализациях отдельные компо­ненты этой схемы часто отсутствуют.

В основе концепции OLAP лежит принцип многомерного представления данных. Э. Кодд определил 12 правил, кото­рым должен удовлетворять программный продукт класса OLAP (табл. 6.2).

Таблица 6.2 Оценка программных продуктов класса OLAP

Критерий оценки	Пояснение
1	2
Многомерное концеп­туальное представле­ние данных	Концептуальное представление модели данных в продукте OLAP должно быть многомерным по своей природе

Продолжение табл. 6.2

1	2
Прозрачность	Пользователь не должен знать о том, какие конкретные средства используются для хране­ния и обработки данных, как данные организо­ваны и откуда берутся
Доступность	Инструментарий OLAP должен накладывать свою логическую схему на физические массивы данных, выполняя все преобразования, требу­ющиеся для обеспечения единого, согласован­ного и целостного взгляда пользователя на ин­формацию
Устойчивая произво­дительность	Увеличение числа измерений и размеров базы данных не должно уменьшать производитель­ность
Клиент-серверная архитектура	Способность продуктов OLAP работать в среде клиент-сервер, серверный компонент должен быть интеллектуальным и обладать способно­стью строить концептуальную схему на основе обобщения и консолидации различных логиче­ских и физических схем корпоративных баз данных для обеспечения эффекта прозрачности
Равноправие измере­ний	Все измерения данных должны быть равно­правны
Динамическая обра­ботка разреженных матриц	Обеспечение оптимальной обработки разрежен­ных матриц. Скорость доступа должна сохра­няться вне зависимости от расположения ячеек данных и быть постоянной величиной для мо­делей, имеющих разное число измерений и раз­личную разреженность
Поддержка многополь­зовательского режима	OLAP-система должна предоставлять доступ, обеспечивать целостность и защиту данных
Неограниченная под­держка кроссмерных операций	Вычисления и манипуляция данными по лю­бому числу измерений не должны запрещать или ограничивать любые отношения между ячейками данных; преобразования, требующие произвольного определения, должны задавать­ся на функционально полном формульном языке
Интуитивное манипу­лирование данными		Консолидация, детализация данных, агрегация и другие манипуляции должны выполняться в максимально удобном, естественном и ком­фортном пользовательском интерфейсе
Гибкий механизм ге­нерации отчетов		Должны поддерживаться различные способы визуализации данных
Неограниченное ко­личество измерений и уровней агрегации		Должно допускаться практически неограничен­ное количество определенных пользователем уровней агрегации по любому направлению консолидации

Все продукты OLAP делятся на классы (табл. 6.3).

Таблица 6.3 Классы программных продуктов OLAP

Класс		Характеристика		ПО
1		2		3
MOLAP — систе­мы оперативной аналитической обработки много­мерных данных		Работают только с собственны­ми многомерными базами дан­ных, основываются на патен­тованных технологиях для мно­гомерных СУБД и являются наиболее дорогими, обеспечи­вают полный цикл OLAP-обработки, включают в себя, по­мимо серверного компонента, собственный интегрированный клиентский интерфейс либо ис­пользуют для связи с пользова­телем внешние программы рабо­ты с электронными таблицами		Essbase (Arbor Soft­ware), Oracle Express Server (Oracle)
ROLAP — систе­мы оперативной аналитической обработки реля­ционных данных		Позволяют представлять дан­ные, хранимые в реляционной базе, в многомерной форме, обеспечивая преобразование информации в многомерную модель через промежуточный		DSS Suite (Micro-Strategy), MetaCube (Informix), Decision-Suite (Information Advantage), Инфо-Визор (РФ)
	слой метаданных, хорошо при­способлены для работы с круп­ными хранилищами, преду­сматривают многопользователь­ский режим работы
Hybrid OLAP, HOLAP - гиб­ридные системы	Объединяют аналитическую гибкость и скорость ответа МОLАР с постоянным досту­пом к реальным данным, свой­ственным ROLAP		Media/MR (Speed-ware)
Инструменты ге­нерации запро­сов и отчетов для настольных ПК	Осуществляют выборку дан­ных из исходных источников, преобразуют их и помещают в динамическую многомерную БД, функционирующую на клиентской станции конечного пользователя		BusinessObjects (BusinessObjects), BrioQuery (Brio Technolo­gy), PowerPlay (Cognos)

Достоинства использования многомерных БД в сис­темах оперативной аналитической обработки:

• поиск и выборка данных осуществляются значительно быстрее, так как многомерная БД денормализована, содер­жит заранее агрегированные показатели и обеспечивает оптимизированный доступ к запрашиваемым ячейкам;

• простота включения в информационную модель разно­образных встроенных функций.

Ограничения использования многомерных СУБД в системах OLAP:

• не позволяют работать с большими БД;

• денормализация и предварительно выполненная агре­гация данных в многомерной базе приводят к уменьшению объема исходных детализированных данных;

• неэффективно используют внешнюю память. Использование многомерных СУБД оправдано при следу­ющих условиях:

• объем исходных данных для анализа не слишком ве­лик, т.е. уровень агрегации данных достаточно высок;

• набор информационных измерений стабилен;

• время ответа системы на нерегламентированные запро­сы является наиболее критичным параметром;

• требуется широкое использование сложных встроен­ных функций для выполнения кроссмерных вычислений над ячейками гиперкуба.

В большинстве случаев корпоративные хранилища дан­ных реализуются средствами реляционных СУБД, инстру­менты ROLAP позволяют производить анализ непосред­ственно над ними. При этом размер хранилища не является таким критичным параметром, как в случае MOLAP.

ROLAP системы с динамическим представлением раз­мерности являются оптимальным решением в случае, когда изменения в структуру измерений приходится вносить дос­таточно часто, так как в этих системах модификация не тре­бует физической реорганизации БД.

Реляционные СУБД обеспечивают высокий уровень за­щиты данных и возможности разграничения прав доступа.

Главный недостаток ROLAP по сравнению с много­мерными СУБД — меньшая производительность.

Оперативная аналитическая обработка и интеллектуаль­ный анализ данных — две составные части процесса поддерж­ки принятия решений (рис. 6.10). Эти два вида анализа долж­ны быть объединены.

В настоящее время немногие производители предостав­ляют мощные средства интеллектуального анализа многомерных данных в рамках систем OLAP. Проблема заключа­ется в том, что некоторые методы ИАД неприменимы для за­дач многомерного интеллектуального анализа, так как не способны работать с агрегированными данными.

Под «управлением знаниями» (Knowledge Management) обычно понимают систематическое приобретение, синтез, обмен и использование опыта для достижения успеха в биз­несе или в управлении компанией.

Обычно выделяют два типа знаний: явные и неявные.

Явные знания — знания, представленные в компании в виде должностных инструкций, регламентов и положений о деятельности подразделений, корпоративные учебные по­собия и другое. Управление такими знаниями осуществляет­ся с использованием следующих технологий:

• корпоративные архивы и таксономия (от греч. taxis — строй, порядок, расположение по порядку и nomos — закон, теория классификации и систематизации сложноорганизованных областей действительности, имеющих обычно иерар­хическое строение);

• создание систем обеспечения разграниченного доступа персонала компании к необходимым знаниям;

• навигация в системе формальных знаний;

• поиск необходимых формальных знаний.

Неявные знания — знания, носителем которых является человек (продукт личного опыта), их нельзя увидеть, сложно задокументировать, передать их можно только посредством личного и непосредственного общения (совместной работы). Они могут содержаться в корпоративном хранилище данных (понимание конкретного корпоративного процесса, получен­ное в ходе ИАД), для извлечения которых используются тех­нологии искусственного интеллекта и статистики.

Для извлечения неявных знаний можно использовать различные методы извлечения знаний:

• экспертное интервью, проводимое инженером по зна­ниям с целью формализации знаний, интервью при увольне­нии сотрудника с целью сохранения знаний, обучающее ин­тервью;

• заполнение анкет и форм учета знаний (CRM, описание лучших практик);

• время ответа системы на нерегламентированные запро­сы является наиболее критичным параметром;

• требуется широкое использование сложных встроен­ных функций для выполнения кроссмерных вычислений над ячейками гиперкуба.

В большинстве случаев корпоративные хранилища дан­ных реализуются средствами реляционных СУБД, инстру­менты ROLAP позволяют производить анализ непосред­ственно над ними. При этом размер хранилища не является таким критичным параметром, как в случае MOLAP.

ROLAP системы с динамическим представлением раз­мерности являются оптимальным решением в случае, когда изменения в структуру измерений приходится вносить дос­таточно часто, так как в этих системах модификация не тре­бует физической реорганизации БД.

Реляционные СУБД обеспечивают высокий уровень за­щиты данных и возможности разграничения прав доступа.

Главный недостаток ROLAP по сравнению с много­мерными СУБД — меньшая производительность.

Оперативная аналитическая обработка и интеллектуаль­ный анализ данных — две составные части процесса поддерж­ки принятия решений (рис. 6.10). Эти два вида анализа долж­ны быть объединены.

В настоящее время немногие производители предостав­ляют мощные средства интеллектуального анализа многомерных данных в рамках систем OLAP. Проблема заключа­ется в том, что некоторые методы ИАД неприменимы для за­дач многомерного интеллектуального анализа, так как не способны работать с агрегированными данными.

Под «управлением знаниями» (Knowledge Management) обычно понимают систематическое приобретение, синтез, обмен и использование опыта для достижения успеха в биз­несе или в управлении компанией.

Обычно выделяют два типа знаний: явные и неявные.

Явные знания — знания, представленные в компании в виде должностных инструкций, регламентов и положений о деятельности подразделений, корпоративные учебные по­собия и другое. Управление такими знаниями осуществляет­ся с использованием следующих технологий:

• корпоративные архивы и таксономия (от греч. taxis — строй, порядок, расположение по порядку и nomos — закон, теория классификации и систематизации сложноорганизованных областей действительности, имеющих обычно иерар­хическое строение);

• создание систем обеспечения разграниченного доступа персонала компании к необходимым знаниям;

• навигация в системе формальных знаний;

• поиск необходимых формальных знаний.

Неявные знания — знания, носителем которых является человек (продукт личного опыта), их нельзя увидеть, сложно задокументировать, передать их можно только посредством личного и непосредственного общения (совместной работы). Они могут содержаться в корпоративном хранилище данных (понимание конкретного корпоративного процесса, получен­ное в ходе ИАД), для извлечения которых используются тех­нологии искусственного интеллекта и статистики.

Для извлечения неявных знаний можно использовать различные методы извлечения знаний:

• экспертное интервью, проводимое инженером по зна­ниям с целью формализации знаний, интервью при увольнении сотрудника с целью сохранения знаний, обучающее ин­тервью;

• заполнение анкет и форм учета знаний (CRM, описание лучших практик);

• формализация экспертных дискуссий (инженер по зна­ниям может преобразовать дискуссию, прошедшую на фору­ме или совещании, в обучающую аннотацию или справку);

• наблюдение.

Результат, полученный в ходе применения интеллекту­альных методов и методов статистики, принимается как конкретное знание только при соблюдении следующих ус­ловий:

• четкая формулировка вопроса;

• структура собранных данных позволяет обработать БД согласно сформулированному запросу.

Система хранения знаний должна регламентировать до­ступ персонала к знаниям, обладать понятной для использо­вания навигацией, обеспечивать эффективный поиск необ­ходимых знаний.

Обмен является одним из ключевых способов распростра­нения неявных знаний в компании. Для его организации компания должна понимать, кто в ее среде является носите­лем ключевых знаний, и способствовать обмену знаниями в среде корпоративных специалистов; создать благоприят­ную среду обмена знаниями.

Управлять знаниями так, как управляют, например, фи­нансовыми ресурсами, нельзя, но можно управлять взаимо­действиями явных и неявных знаний, способствовать их об­мену на уровне групп, индивидуальном и корпоративном уровнях, управлять переходом знаний из одной формы в другую. Процедуры взаимодействия могут быть реализованы в портале управления знаниями.

Портал управления знаниями — это корпоративный ин­формационный портал для управления взаимодействием на уровне знаний сотрудников организации, рабочих групп и собственно организации. Он обеспечивает поиск, извлечение и представление знаний и предназначен для выявления, сох­ранения и эффективного использования знаний и информа­ции в организации и ее окружении.

В зависимости от функциональной направленности или ориентации на определенную категорию пользователей су­ществуют различные варианты порталов управления знани­ями: кадровый, проектного офиса, управления взаимодействием с клиентами. Принципы, на которых строится пор­тал, сочетают в себе специфику пользователей и перечень функций, с которыми данная категория пользователей будет работать.

Как правило, подобные порталы не реализуются на базе единого программного продукта, а формируются из отдель­ных функциональных модулей, реализующих конкретные решения.

Система управления содержимым /контентом (Content management system, CMS) — программный комплекс, кото­рый позволяет управлять электронным контентом (масси­вы текстовых и мультимедиадокументов, форумы, каталоги и др.).

Функции систем управления контентом:

• предоставление авторам удобных и привычных средств создания контента;

• храпение контента в едином репозитории, что позволя­ет отслеживать версии документов, контролировать их изме­нения и авторство, обеспечивать интеграцию с существу­ющими информационными источниками и ИТ-системами, осуществлять управление потоком документов;

• автоматическое размещение контента на терминале пользователя, управление внешним видом страниц;

• дополнительные функции для улучшения формы пред­ставления данных.

Инструментарий управления контентом предлагается компаниями Glyphica (система Portalware), Autonomy (Portal-in-a-Box, Content Server и др.), Plumtree Software (Plumtree Server), Hyperknowledge (Hyperknowledge Builder), Intraspect Software (Intraspect Knowledge Server 2.0), Documentum (Documentum Enterprise Document Management System), Open Text (Livelink) и др.

Системы бизнес-интеллекта (Business Intelligence, BI) — класс информационных систем, которые позволяют преобра­зовать разрозненные и необработанные данные операцион­ной деятельности предприятия в структурированную инфор­мацию и знания, используемые для принятия управленче­ских решений. В отличие от стандартных систем отчетности, BI-системы основаны на технологиях моделирования ситуа­ции, поведения объектов и визуализации их деятельности и играют ключевую роль в процессе стратегического плани­рования деятельности корпорации. Как правило, В1-решения являются надстройкой к ERP-системе.

Архитектура BI-системы представлена на рис. 6.11. BI-инструменты включают корпоративные ВТ-наборы (Enter­prise BI Suites, EBIS), предназначенные для генерации зап­росов и отчетов, и BI-платформы, представляющие собой набор инструментов для создания, внедрения, поддержки и сопровождения BI-приложений. ВI-приложения содержат встроенные BI-инструменты (OLAP, генераторы запросов и отчетов, средства моделирования, статистического анализа, визуализации и Data Mining).

По оценкам агентства IDC рынок Business Intelligence состоит из 5 секторов:

1. OLAP-продукты.

2. Инструменты добычи данных.

3. Средства построения Хранилищ и Витрин данных (Data Warehousing).

4. Управленческие информационные системы и приложе­ния.

5. Инструменты конечного пользователя для выполнения запросов и построения отчетов.

Классификация BI-систем базируется на методе функцио­нальных задач, где программные продукты каждого класса выполняют определенный набор функций с использованием специальных технологий (прил. А). Как правило, функции BI включают поддержку принятия решений, запросы и от­четность, аналитическую обработку online, статистический анализ, прогнозирование и количественный анализ.

Интеграция BI-систем и ERP-систем обеспечивает ис­пользование качественных и количественных данных при выборе варианта решения, комбинацию внешних данных и совместных сценариев, что представляет собой новое поко­ление средств управления предприятием и бизнес-средой.

Для отслеживания финансовых и операционных показа­телей необходимо, чтобы BI-системы могли одновременно обращаться к данным из различных источников (БД автома­тизированных систем, CRM-приложений и т.д.). Обработка таких данных невозможна без применения технологий ин­теграции на основе сервисно-ориентированной архитектуры.

Сектор BI-систем на белорусском рынке представлен сла­бо. Компания ЕРАМ представляет Hyperion® System™ 9, ко­торая объединяет BI-платформу с финансовыми приложени­ями, легко адаптируемую под конкретные требования бизне­са (комплекс внедряется на Белорусском моторном заводе и в концерне «Белнефтехим»). Фирма ТопСофт представляет модуль Галактика Business Intelligence — комплекс прило­жений для поддержки принятия решений в сбытовой дея­тельности. На данный момент Галактика BI-Сбыт внедрена в Республике Беларусь в компаниях «British-American To­bacco» и «МАВ» (производство красок). Потенциальными потребителями BI-систем являются телекоммуникационные компании, которые испытывают потребность в глубоком анализе базы клиентов; банки, нуждающиеся в средствах аналитики услуг по кредитованию предприятий и частных лиц; промышленные предприятия и сфера торговли; госу­дарственные управленческие структуры; крупные компании и холдинги, требующие полнофункциональных BI-решений, интегрированных с системами планирования и бюджети­рования; отрасли энергетики, нефтехимии — требуются BI-системы для повышения эффективности системы уп­равления.

Потребность в системах искусственного интеллекта воз­никает по мере достижения предприятием достаточно высо­кой культуры управления.

Лидерами в области разработки корпоративных ВI-плат-форм являются MicroStrategy, Business Objects, Cognos, Hy­perion Solutions, Microsoft, Oracle, SAP, SAS Institute и дру­гие (в прил. Б).