ИСПОЛЬЗОВАНИЕ ЭФФЕКТИВНЫХ ИНСТРУМЕНТОВ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИХ СИСТЕМ ПРЕДПРИЯТИЯ В УСЛОВИЯХ ВЫНУЖДЕННОГО ИМПОРТОЗАМЕЩЕНИЯ

В условиях турбулентной внешней среды и ухудшением мировой экономической конъюнктуры, недобросовестной конкуренции со сто­роны западных стран, а также надвигающейся мировой рецессии – отечественному бизнесу требуется использовать доступные, но эффек­тивные методы и модели экономического анализа, с помощью которых можно своевременно реагировать на возможности и возникающие трудности.

Развитие указанных методов и моделей обусловлено постоянным развитием современных подходов, управленческих концепций, а также технологий и аналитических информационных систем, которые реша­ют появляющиеся задачи современной бизнес-аналитики.

Отечественная школа дает определение информационно-аналити­ческой системе следующим образом: ИАС – это современный высоко­эффективный инструмент поддержки принятия стратегических, такти­ческих и оперативных управленческих решений на основе наглядного и оперативного предоставления всей необходимой сово­купности данных пользователям, ответственным за анализ состояния дел и принятие управленческих решений.

Комплекс информационно-аналитических систем затрагивает всю управленческую вертикаль: корпоративную отчетность, финансо­во-экономическое и стратегическое планирование [1, с.175].

В настоящее время информационно-аналитические системы под­разумевают несколько подходов, методов и моделей, нацеленных на повышение эффективности принятия управленческих решений, кото­рые все больше и больше подкреплены, как огромной инфраструкту­рой больших данных, так и внушительной математической школой.

При рассмотрении ИАС в контексте информационной инфра­структуры предприятия значительную роль играет «аналитическая пирамида» Гартнера, которая спроектирована как несколько иерархи­ческих уровней агрегированной информации, имеющих собственную роль на разном уровне управлении предприятием. [2, c.120]

Программы сбора данных, локальная или облачная ИТ инфра­структура, транзакционные аппараты, витрины данных могут быть представлены как несколько иерархических уровней, каждый из кото­рых можно охарактеризовать степенью агрегированности информации и своей ролью в процессе деятельности предприятия как было замече­но выше.

Информационная инфраструктура предприятия может быть пред­ставлена как аналитическая пирамида (англ. analytical stack) [3, c.5]

Рисунок 1. Аналитическая пирамида

Аналитическая пирамида является комплексной иерархической структурой, включающую в себя разнообразные классы информаци­онных систем, расположенных на разных уровнях.

●   Нижний уровень − транзакционные системы, к которым отно­сятся к системы, выполняющие обработку данных на уровне операций к транзацкицонным системама относятся:

• ERP–системы
• автоматизированные банковские системы (АБС)
• биллинговые системы
• учетные системы

Как правило указанные системы используют онлайн-обработку транзакций – OLTP (англ. Online Transaction Processing), транзакцион­ная система – обработка транзакций в реальном времени. Способ орга­низации базы данных, при котором система работает с небольшими по размерам транзакциями, но идущими большим потоком, при том, кли­енту требуется от системы минимальное время отклика.[4, c.17]

Данные таких транзакционных систем как правило хорошо структурированы, имеют удобный формат выгрузки и доступа, что сильно упрощает работу аналитиков и инженеров с такими данными в целях их дальнейшего анализа.

• виртуализация

Доступ к релевантной информации является на сегодняшний день главным конкурентным преимуществом компании.

Принятие решений, основанных на данных является единствен­ным правильным подходом в рекордно конкурентной и сложной биз­нес-среде.

В настоящее время самые успешные компании используют соб­ственные и хорошо развитые хранилища с интегрированными между собой данными.

Хранилища данных, используемые как для управленческой от­четности, так и анализа данных, а также принятия правильных реше­ний получают данные из нескольких источников:

• веб-сайт
• системы бронирования,
• система управления взаимоотношениями с клиентами (англ. CRM)
• мигрированные данные из OLTP систем
• прочие источники данных

В настоящее время компании-разработчики программного обес­печения постоянно совершенствуют алгоритмы обработки данных, а поставщики услуг по анализу данных используют передовые методы для предоставления более эффективных решений для бизнеса.

Результатом являются все более и более эффективные решения для современной бизнес-аналитики внутри современных и хорошо спроек­тированных хранилищ.

Например, в ИТ-операциях все чаще встречаются атаки распре­деленного отказа в обслуживании (DDoS). Чтобы предотвратить такие атаки, необходимо иметь централизованную архитектуру ведения журналов для выявления подозрительных действий и выявления по­тенциальных угроз из тысяч записей.

Классические хранилища данных, а также их большинство явля­ются реляционными, что значительно упрощает запросы данных через SQL запросы.

Следует отметить, что в связи с тем, что мировой информацион­ный ландшафт значительно усложняется и совершенствуется, то и принятие решений осуществляется используя не только те данные, которые относятся к примеру к лидам, транзакциям или сумме продаж, но также более сложные и неструктурированные данные имеющие более сложную структур и не поддающиеся однозначному описанию, к примеру эмоциональная реакция: выражение лица, громкость голоса, переходы и поиск на сайте, движение глаз во время покупок и прочие метрики). Таким образом существует виды хранилищ построенные не по реляционному принципу: Nosql. Ввиду недостаточной популярно­сти данного вида хранилища данный тип хранилищ не будет рассмот­рен в данной работе.

● Центральным уровнем аналитической пирамиды являются витрины данных. Витрины данных. (англ. Data Mart) – подмножество (срез) хранилища данных, представляющее собой массив тематиче­ской, узконаправленной информации, ориентированной, на пользова­телей одной рабочей группы или целого департамента [7, c.8].

В целом витрины данных обычно организуются в виде структу­ры, ориентированных на конкретную предметную область, каждая витрина имеет данные для решения конкретной бизнес-задачи.

Организация витрины данных, называемая звездной схемой, очень проста: анализируемые данные или факты составляют центр звезды; вокруг центра другие данные описывают размеры, вдоль кото­рых может быть выполнен анализ данных.

В архетипическом случае фактами являются продажи организа­ции, а измерения позволяют анализировать побочный продукт, клиен­та, точку продажи или время продажи.

В простых хранилищах витрины данных могут извлекать свое содержимое непосредственно из операционных баз данных, а в слож­ных ситуациях архитектура хранилища данных может быть много­уров­невой, а содержимое витрин данных может загружаться из про­межу­точных хранилищ, часто обозначаемых как «операционные хранилища данных».

Таблица 1.

Сравнительная таблица видов хранилищ данных

Как видно из таблицы основными отличиями между витринами данных, и хранилищами данных является то, что они служат разным целям и потребностям.

Витрины данных являются чрезвычайно распространенным ана­литическим инструментом в банковской сфере где требуется четко разграничивать использование имеющейся информации между депар­таментами и соблюдение конфиденциальности данных.

Данный аналитический инструмент используется для решения таких аналитических задач как проведение финансового мониторинга клиентов, автоматизированное обновление требований центрального банка, отражение данных об активах банка для принятия решений по инвестиционной деятельности.

● Второй уровень пирамиды − OLAP-системы, является классом программного обеспечения, которое обеспечивает поддержку приня­тия решений и создание отчетов на основе хранилища данных [8, c.23]. Базовой структурой OLAP является куб, состоящий из данных. Куб определяется количеством измерений данных, однако иногда куб OLAP может иметь менее трех измерений. Таким образом в зависимо­сти от размерности данных, измерения кубов OLAP могут иметь лю­бое количество уровней (иерархий).

Куб предназначен для агрегирования данных и последующего анализа рис 1.2.

Рисунок 2. Кубы OLAP

Рисунок отражает схему хранения и потока данных, которые ре­шают многие аналитические задачи, к примеру аналитика ключевых показателей доходности, уровень продаж прогнозирование прибыли и т.д. такая система может функционировать автономно вне зависимости от информационной инфраструктуры компании, ее открытости, место­расположения или отрасли.

Проектирование OLAP кубов требует глубокого понимания ис­пользуемых при проектировании технологий и типов данных, к при­меру при использовании Apache Kylin требуется понимание принци­пов, как построения самих кубов, так и процесс запросов. В таких техно­логиях как Hadoop: Map Reduce, Hive, HBase, Spark, а также Kafka при неправильном проектировании главная цель, а именно по­лучение релевантных и качественных данных может быть не достиг­нута.

Проектирование кубов OLAP является оправданным в случае многомерности СУБД, которая функционирует как многомерная мо­дель данных, система которой позволяет анализировать множество разных параметров с разных сторон. OLAP кубы осуществляют функ­цию по обработке многомерных массивов данных где каждый элемент массива связан с другими элементами.

Таким образом выбор инструментов ИАС должен быть обосно­ван и хорошо продуман учитывая существующую технологическую инфраструктуру, ресурсы предприятия и прочие указанные выше фак­торы, влияющие на эффективность ИАС.

К примеру использование систем разных разработчиков передача данных которых между собой невозможна может свести процесс авто­матизации к типичному ручному вводу данных в таблицы эксель.

Список литературы:

1. Алексеева Т. В. Информационно-аналитические системы / Т. В. Алексеева, М. Г. Лужецкий, Е. В. Курганова. М. : Московская финансово-промышленная академия, 2015. 175 с.
2. Асратян Р. Э. Распределенные аналитические системы на основе средств информационного взаимодействия в гетерогенной глобально сетевой среде / Р. Э. Асратян, В. Н. Лебедев. М. : ЛЕНАНД, 2010. 120 с. ISBN 978-5-9710-0366-3.
3. Исаев Д.В. Аналитические информационные системы. – М.: Издательство ГУ-ВШЭ, 2008.
4. Anja Bog. Benchmarking transaction and analytical processing systems : the creation of a mixed workload benchmark and its application. – Berlin: Springer, 2014. – 1 online resource с. – ISBN 978-3-642-38070-9, 3-642-38070-0.
5. Golfarelli, Matte and Stefano Rizzi. (2009) “A Survey on Temporal Data
6. Warehousing.” Int Journal of data Warehousing & Mining 5(1): 1–17. Salinas, Sonia Ordonez and Alba C.N. Lemus. (2017) “Data Warehouse and Big Data integration” Int. Journal of Comp. Sci. and Inf. Tech. 9(2): 1-17.
7. Fon Silvers. Building and Maintaining a Data Warehouse. – CRC Press, 2008. – С. 128. – ISBN 978-1-4200-6462-9.