А в электронном — продавец покупателя не видит и вынужден помогать ему «вслепую». Таким образом, менеджерам электронных магазинов приходится осваивать специальные методы работы и проводить почти детективные расследования, чтобы смоделировать клиента на основании особенностей его поведения при просмотре и истории его предыдущих покупок. Все это требует сложного анализа информации.
РАСШИРЕНИЕ АНАЛИТИЧЕСКИХ ВОЗМОЖНОСТЕЙ ЧЕЛОВЕКА
Программное обеспечение электронного анализа, избавляющее людей от рутинной работы и позволяющее им сконцентрироваться лишь на исключительных ситуациях (наподобие того, что применяет компания Marks amp; Spenser), меняет саму природу их деятельности. Это настолько мощный инструментарий, что некоторые из сотрудников Marks amp; Spenser поначалу даже опасались, не вытеснит ли компьютер их совсем. В них говорило естественное нежелание человека отказываться от какой-либо доли участия в принятии решений и тем более передавать эту функцию машине. Однако когда массив данных достигает определенных размеров и уровня сложности, выполнение начального поиска и сортировки компьютером оказывается гораздо эффективнее. Люди просто не способны замечать закономерности в больших объемах данных. А объемы эти — не только в базах данных, но и в файловых системах, в системах передачи сообщений и на веб-сайтах — растут сегодня экспоненциально. Единственная возможность реализовать их потенциал в полной мере — это использовать для выделения полезной информации компьютерные средства.
Применение программных алгоритмов для поиска полезных закономерностей в больших объемах данных называется интеллектуальным анализом данных. Первым серьезным шагом в этом направлении стало создание систем оперативной аналитической обработки (OLAP), которые существенно повышают эффективность обслуживания многих видов запросов. Благодаря им данные, собиравшиеся ранее только в целях бухгалтерского и финансового учета, стало возможным использовать в моделировании, прогнозировании и принятии решений. Для удовлетворения этих новых потребностей компании начали создавать корпоративные хранилища данных. Подмножество такого хранилища, отражающее какой-либо один аспект функционирования предприятия или охватывающее деятельность одного из его подразделений, часто называют киоском данных.
Издательская компания HarperCollins использует OLAP-систему на базе ПК для контроля за ходом книжной торговли в реальном масштабе времени. Это позволяет ей печатать ровно столько экземпляров, сколько требуется дистрибьюторам. Таким образом удается избежать образования в канале сбыта больших товарных остатков, которые пришлось бы потом принимать обратно. После всего лишь года эксплуатации новой системы возврат непроданных экземпляров наиболее популярных изданий HarperCollins сократился с более чем 30% приблизительно до 10%, а за каждым из этих процентов стоят миллионы долларов экономии.
Кроме того, OLAP-система HarperCollins позволяет специалистам компании получать ответы на вопросы типа: какова была прибыльность сбыта такого-то издания за такую-то неделю через такого-то дистрибьютора? Обратите внимание, что даже в этом случае невозможно обойтись без человека, который бы задавал вопросы; а кроме того, ни традиционная база данных, ни OLAP-система не способны находить ответы на такие более расплывчатые, но от этого не менее важные для бизнеса вопросы, как: «Какой из клиентов, вероятно, предпочтет продукт А продукту Б? Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют? Какие из клиентов в моей базе данных „сходны“ друг с другом?» При попытке обработать подобный неконкретный запрос на пользователя OLAP-системы обрушилась бы лавина данных, которые ему бы вряд ли для чего-нибудь пригодились. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных.
В числе сложных задач, справляться с которыми помогает интеллектуальный анализ данных, — прогнозирование вероятности покупки клиентом определенного товара на основании его возраста, пола, демографических характеристик и других признаков; выделение групп клиентов, характеризующихся сходным поведением при просмотре информации в сети; выявление предпочтений конкретного клиента с целью предоставления ему индивидуализированного обслуживания; определение времени суток и дней недели, когда наиболее часто посещаются те или иные страницы или наиболее часто поступают обращения по телефону; идентификация товаров, которые часто приобретаются вместе. Последнее очень ценно для выявления закономерностей покупательского поведения, однако известен случай, когда найденная корреляция между двумя кодами счетов за одну и ту же лечебную процедуру позволила австралийской компании, специализирующейся на медицинских услугах, вскрыть мошенничество с двойным выставлением счетов на общую сумму более 10 млн долларов.
Средства интеллектуального анализа данных могут также быть очень полезны в плане прогнозирования сбыта и ознакомления партнеров и клиентов с полученными результатами. Эта технология применяется в производственных отраслях, в банковском деле, телекоммуникациях, планетарной геологии (для обработки данных дистанционного зондирования поверхности планет) и для управления интерактивными электронными магазинами. Например, ПО Microsoft Site Server Commerce 3.0 способно распознавать закономерности в покупательском поведении посетителей веб-сайта, прогнозировать их интерес к различным продуктам и услугам и индивидуализировать общение с ними. В частности, электронный магазин может предлагать каждому конкретному покупателю рассчитанные именно на него рекламные объявления, специальные предложения и комплекты продуктов. Методика интеллектуального анализа данных гарантирует, что в массовую рассылку рекламы по электронной почте не будут включены те клиенты, которых предлагаемый товар вряд ли заинтересует. Это позволит избежать издержек, на которые часто не обращают внимания, а именно: раздражения клиентов навязыванием ненужной информации.
В числе менее типичных, но от этого не менее интересных приложений интеллектуального анализа данных — изучение положения приемных детей для повышения эффективности социальной помощи и исследование особенностей стиля отдельных игроков Национальной баскетбольной ассоциации США (НБА). В частности, известно, что тренер команды «Utah Jazz» использовал этот инструментарий для составления «полного портрета» Майкла Джордана из «Chicago Bulls», включая его склонность, играя в одиночку, проводить двойной или тройной дриблинг перед броском. Однако анализ бесполезен, если вы не можете воспользоваться его результатами. Даже зная привычки Джордана, игроки «Utah» не смогли предотвратить его решающий бросок в игре, которая принесла «Chicago» победу в чемпионате НБА 1998 года.
В бизнесе интеллектуальный анализ данных наиболее широко применяется в маркетинге, когда компании анализируют свои базы данных для выявления предпочтений клиентов, а затем делают им специальные адресные предложения.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134
РАСШИРЕНИЕ АНАЛИТИЧЕСКИХ ВОЗМОЖНОСТЕЙ ЧЕЛОВЕКА
Программное обеспечение электронного анализа, избавляющее людей от рутинной работы и позволяющее им сконцентрироваться лишь на исключительных ситуациях (наподобие того, что применяет компания Marks amp; Spenser), меняет саму природу их деятельности. Это настолько мощный инструментарий, что некоторые из сотрудников Marks amp; Spenser поначалу даже опасались, не вытеснит ли компьютер их совсем. В них говорило естественное нежелание человека отказываться от какой-либо доли участия в принятии решений и тем более передавать эту функцию машине. Однако когда массив данных достигает определенных размеров и уровня сложности, выполнение начального поиска и сортировки компьютером оказывается гораздо эффективнее. Люди просто не способны замечать закономерности в больших объемах данных. А объемы эти — не только в базах данных, но и в файловых системах, в системах передачи сообщений и на веб-сайтах — растут сегодня экспоненциально. Единственная возможность реализовать их потенциал в полной мере — это использовать для выделения полезной информации компьютерные средства.
Применение программных алгоритмов для поиска полезных закономерностей в больших объемах данных называется интеллектуальным анализом данных. Первым серьезным шагом в этом направлении стало создание систем оперативной аналитической обработки (OLAP), которые существенно повышают эффективность обслуживания многих видов запросов. Благодаря им данные, собиравшиеся ранее только в целях бухгалтерского и финансового учета, стало возможным использовать в моделировании, прогнозировании и принятии решений. Для удовлетворения этих новых потребностей компании начали создавать корпоративные хранилища данных. Подмножество такого хранилища, отражающее какой-либо один аспект функционирования предприятия или охватывающее деятельность одного из его подразделений, часто называют киоском данных.
Издательская компания HarperCollins использует OLAP-систему на базе ПК для контроля за ходом книжной торговли в реальном масштабе времени. Это позволяет ей печатать ровно столько экземпляров, сколько требуется дистрибьюторам. Таким образом удается избежать образования в канале сбыта больших товарных остатков, которые пришлось бы потом принимать обратно. После всего лишь года эксплуатации новой системы возврат непроданных экземпляров наиболее популярных изданий HarperCollins сократился с более чем 30% приблизительно до 10%, а за каждым из этих процентов стоят миллионы долларов экономии.
Кроме того, OLAP-система HarperCollins позволяет специалистам компании получать ответы на вопросы типа: какова была прибыльность сбыта такого-то издания за такую-то неделю через такого-то дистрибьютора? Обратите внимание, что даже в этом случае невозможно обойтись без человека, который бы задавал вопросы; а кроме того, ни традиционная база данных, ни OLAP-система не способны находить ответы на такие более расплывчатые, но от этого не менее важные для бизнеса вопросы, как: «Какой из клиентов, вероятно, предпочтет продукт А продукту Б? Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют? Какие из клиентов в моей базе данных „сходны“ друг с другом?» При попытке обработать подобный неконкретный запрос на пользователя OLAP-системы обрушилась бы лавина данных, которые ему бы вряд ли для чего-нибудь пригодились. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных.
В числе сложных задач, справляться с которыми помогает интеллектуальный анализ данных, — прогнозирование вероятности покупки клиентом определенного товара на основании его возраста, пола, демографических характеристик и других признаков; выделение групп клиентов, характеризующихся сходным поведением при просмотре информации в сети; выявление предпочтений конкретного клиента с целью предоставления ему индивидуализированного обслуживания; определение времени суток и дней недели, когда наиболее часто посещаются те или иные страницы или наиболее часто поступают обращения по телефону; идентификация товаров, которые часто приобретаются вместе. Последнее очень ценно для выявления закономерностей покупательского поведения, однако известен случай, когда найденная корреляция между двумя кодами счетов за одну и ту же лечебную процедуру позволила австралийской компании, специализирующейся на медицинских услугах, вскрыть мошенничество с двойным выставлением счетов на общую сумму более 10 млн долларов.
Средства интеллектуального анализа данных могут также быть очень полезны в плане прогнозирования сбыта и ознакомления партнеров и клиентов с полученными результатами. Эта технология применяется в производственных отраслях, в банковском деле, телекоммуникациях, планетарной геологии (для обработки данных дистанционного зондирования поверхности планет) и для управления интерактивными электронными магазинами. Например, ПО Microsoft Site Server Commerce 3.0 способно распознавать закономерности в покупательском поведении посетителей веб-сайта, прогнозировать их интерес к различным продуктам и услугам и индивидуализировать общение с ними. В частности, электронный магазин может предлагать каждому конкретному покупателю рассчитанные именно на него рекламные объявления, специальные предложения и комплекты продуктов. Методика интеллектуального анализа данных гарантирует, что в массовую рассылку рекламы по электронной почте не будут включены те клиенты, которых предлагаемый товар вряд ли заинтересует. Это позволит избежать издержек, на которые часто не обращают внимания, а именно: раздражения клиентов навязыванием ненужной информации.
В числе менее типичных, но от этого не менее интересных приложений интеллектуального анализа данных — изучение положения приемных детей для повышения эффективности социальной помощи и исследование особенностей стиля отдельных игроков Национальной баскетбольной ассоциации США (НБА). В частности, известно, что тренер команды «Utah Jazz» использовал этот инструментарий для составления «полного портрета» Майкла Джордана из «Chicago Bulls», включая его склонность, играя в одиночку, проводить двойной или тройной дриблинг перед броском. Однако анализ бесполезен, если вы не можете воспользоваться его результатами. Даже зная привычки Джордана, игроки «Utah» не смогли предотвратить его решающий бросок в игре, которая принесла «Chicago» победу в чемпионате НБА 1998 года.
В бизнесе интеллектуальный анализ данных наиболее широко применяется в маркетинге, когда компании анализируют свои базы данных для выявления предпочтений клиентов, а затем делают им специальные адресные предложения.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134