Автоматизация стратегических задач планирования и управления
4.7. Зарубежный рынок систем стратегического управления
Состояние зарубежного рынка аналитических систем стратегического уровня напоминает ситуацию на российском рынке. Главное сходство в том, что его доля по отношению ко всему рынку программных продуктов для бизнеса так же невелика. Известные на рынке зарубежные аналитические системы создавались в конце 80-х - начале 90-х годов. То есть примерно в то же время, что и аналогичные российские продукты. Структура рынка также сходна с тем, что мы видим у нас. Наиболее распространенные аналитические системы, решают следующие задачи:
- диагностика финансового состояния предприятия на основании финансовой отчётности;
- прогнозирование финансовых показателей;
- бизнес-планирование;
- анализ и планирование маркетинга.
Большой класс информационных систем - системы поддержки принятия решений (аналитические системы). Эти системы ориентированы на выполнение сложных запросов, требующих статистической обработки исторических (накопленных за некоторый промежуток времени) данных, моделирования процессов предметной области, прогнозирования развития тех или иных явлений. Аналитические системы часто включают средства обработки информации на основе методов искусственного интеллекта и средств графического представления данных. Такие системы работают с большими объёмами исторических данных, позволяя выделить из них содержательную информацию - получить знания из данных.
Современные требования к скорости и качеству анализа привели к появлению систем оперативной аналитической обработки (ОLAP - On-Line Analysis Processing). Оперативность обработки больших объёмов данных в этих системах достигается за счёт применения мощной, в том числе многопроцессорной, вычислительной техники, сложных методов анализа, а также специальных хранилищ данных, накапливающих информацию из различных источников за большой период времени и обеспечивающих быстрый доступ к ней.
Оперативный анализ данных - On-Line Analytical Processing (OLAP) - информационная технология, которая позволяет аналитикам формулировать и решать следующие классы задач:
Аналитические - вычисление заданных показателей и статистических характеристик на основе ретроспективной информации из БД.
Визуализация данных - наглядное графическое и табличное представление имеющейся информации.
Data mining (Добыча знаний) - интеллектуальный анализ данных, который заключается в определении взаимосвязей и взаимозависимостей информационных процессов на основе существующей информации. К данному классу можно отнести задачи: проверки статистических гипотез, кластеризации, нахождения ассоциаций и временных шаблонов.
Имитационные - проведение на ЭВМ экспериментов с математическими моделями, описывающими поведение сложных систем в течение заданного или формируемого интервала времени. Задачи этого класса применяются для анализа возможных последствий принятия того или иного управленческого решения.
Синтез управления - используется для определения допустимых управляющих воздействий, обеспечивающих достижение заданной цели. Задачи этого типа применяются для оценки достижимости намеченных целей, определения множества возможных управляющих воздействий, приводящих к заданной цели.
Оптимизационные - основаны на интеграции имитационных, управленческих, оптимизационных и статистических методов моделирования и прогнозирования. Задачи данного класса позволяют выбрать из множества возможных управлений те из них, которые обеспечивают наиболее эффективное (с точки зрения определённого критерия) продвижение к поставленной цели.
В отличие от традиционных систем искусственного интеллекта технология OLAP не пытается моделировать естественный интеллект, а усиливает его возможности мощностью современных вычислительных серверов и хранилищ данных.
Универсальность законов психологии, положенных в основу OLAP, позволяет разработчику приложений мало заботиться о характере возможных запросов данных конечным пользователем. Законы человеческого мышления мало изучены. Вместе с тем вряд ли кто-нибудь сомневается в том, что общие законы мышления существуют и действуют. Существует 12 признаков OLAP-систем, декларированных Коддом (Codd), но основная их часть сформировалась под влиянием каких-то, пока не познанных, законов человеческого мышления. К признакам OLAP, основанным на законах психологии, следует отнести:
- разделение данных на показатели (переменные) и измерения, определяющие, соответственно, состояние и пространство бизнеса;
- логическое представление значений показателей в виде многомерных кубов, упорядоченных по равноправным измерениям;
- неограниченное число уровней иерархических связей между значениями измерений;
- гибкое манипулирование данными. Возможность построения подмножества значений показателя по любому дискриминирующему правилу, определённому на множестве значений его измерений. Возможность построения подмножества значений измерения по любому дискриминирующему правилу, определённому на множестве значений любой из переменных, связанных с ним. Логические операции над полученными множествами;
- неограниченные возможности агрегирования заданного подмножества значений показателя. При этом должна предоставляться возможность вычислять не только сумму значений, но и любой другой определённый пользователем функционал, например, минимум, максимум, среднее, медиана и пр.;
- возможность обработки запросов в реальном времени - в темпе процесса аналитического осмысления данных пользователем;
- развитые средства табличного и, главное, графического представления данных конечному пользователю.
OLAP - это не отдельно взятый программный продукт, не язык программирования и даже не конкретная технология. Если постараться охватить OLAP во всех его проявлениях, то это совокупность концепций, принципов и требований, лежащих в основе программных продуктов, облегчающих аналитикам доступ к данным. Несмотря на то, что с таким определением вряд ли кто-нибудь не согласится, сомнительно, чтобы оно хоть на йоту приблизило неспециалистов к пониманию этого предмета. Поэтому в своем стремлении к познанию OLAP мы пойдем другим путём. Для начала выясним, зачем аналитикам надо как-то специально облегчать доступ к данным. Дело в том, что аналитики - это особые потребители корпоративной информации. Задача аналитика - находить закономерности в больших массивах данных. Поэтому аналитик не будет обращать внимание на отдельно взятый факт, что в четверг четвертого числа контрагенту Чернову была продана партия чёрных чернил - ему нужна информация о сотнях и тысячах подобных событий. Одиночные факты в базе данных могут заинтересовать, к примеру, бухгалтера или начальника отдела продаж, в компетенции которого находится сделка. Аналитику одной записи мало - ему, к примеру, могут понадобиться все сделки данного филиала или представительства за месяц, год. Заодно аналитик отбрасывает ненужные ему подробности вроде ИНН покупателя, его точного адреса и номера телефона, индекса контракта и тому подобного. В то же время данные, которые требуются аналитику для работы, обязательно содержат числовые значения - это обусловлено самой сущностью его деятельности. Итак, аналитику нужно много данных, эти данные являются выборочными, а также носят характер "набор атрибутов – число". Последнее означает, что аналитик работает с таблицами.
Здесь "Страна", "Товар", "Год" являются атрибутами, а "Объём продаж" - тем самым числовым значением. Задачей аналитика является выявление стойких взаимосвязей между атрибутами и числовыми параметрами. Посмотрев на таблицу, можно заметить, что её легко можно перевести в три измерения: по одной из осей отложим страны, по другой - товары, по третьей - годы. А значениями в этом трёхмерном массиве будут соответствующие объёмы продаж. Трёхмерное представление таблицы показано на рис.4.7. Серым сегментом показано, что для Аргентины в 1988 году данных нет.
Именно такой трёхмерный массив в терминах OLAP и называется кубом. На самом деле, с точки зрения строгой математики, кубом такой массив будет далеко не всегда: у настоящего куба количество элементов во всех измерениях должно быть одинаковым, а у кубов OLAP такого ограничения нет.
Тем не менее, несмотря на эти детали, термин "кубы OLAP" ввиду своей краткости и образности стал общепринятым. Куб OLAP совсем не обязательно должен быть трёхмерным. Он может быть и двух - и многомерным - в зависимости от решаемой задачи. Особым аналитикам может понадобиться порядка 20 измерений - и серьёзные OLAP-продукты именно на такое количество и рассчитаны. Более простые настольные приложения поддерживают где-то 6 измерений.
Измерения OLAP- кубов состоят из так называемых меток или членов (members). Например, измерение "Страна" состоит из меток "Аргентина", "Бразилия", "Венесуэла" и так далее.
Должны быть заполнены далеко не все элементы куба: если нет информации о продажах резиновых изделий в Аргентине в 1988 году, значение в соответствующей ячейке просто не будет определено. Совершенно необязательно также, чтобы приложение OLAP хранило данные непременно в многомерной структуре - главное, чтобы для пользователя эти данные выглядели именно так. Кстати, именно специальным способом компактного хранения многомерных данных, "вакуум" (незаполненные элементы) в кубах не приводят к бесполезной трате памяти.
Однако куб сам по себе для анализа не пригоден. Если ещё можно адекватно представить или изобразить трёхмерный куб, то с шести- или девятнадцатимерным дело обстоит значительно хуже. Поэтому перед употреблением из многомерного куба извлекают обычные двумерные таблицы. Эта операция называется "разрезанием" куба. Термин этот, опять же, образный. Аналитик как бы берёт и "разрезает" измерения куба по интересующим его меткам. Этим способом аналитик получает двумерный срез куба и с ним работает.
Соответственно, "неразрезанными", как правило, остаются только два измерения - по числу измерений таблицы. Бывает, "неразрезанным" остаётся только измерение - если куб содержит несколько видов числовых значений, они могут откладываться по одному из измерений таблицы.
Например, год делится на кварталы, кварталы на месяцы, месяцы на недели, недели на дни. Страна состоит из регионов, а регионы - из населённых пунктов. Наконец, в самих городах можно выделить районы и конкретные торговые точки. Товары можно объединять в товарные группы и так далее. В терминах OLAP такие многоуровневые объединения называются иерархиями. Средства OLAP дают возможность в любой момент перейти на нужный уровень иерархии. Причём, как правило, для одних и тех же элементов поддерживается несколько видов иерархий: например, день-неделя-месяц или день-декада-квартал. Исходные данные берутся из нижних уровней иерархий, а затем суммируются для получения значений более высоких уровней. Для того чтобы ускорить процесс перехода, просуммированные значения для разных уровней хранятся в кубе. Таким образом, то, что со стороны пользователя выглядит одним кубом, грубо говоря, состоит из множества более примитивных кубов (рис.4.8).
Концепция OLAP появилась для разрешения различных проблем. Кубы OLAP представляют собой, по сути, мета - отчёты. Разрезая мета – отчёты, (кубы) по измерениям, аналитик получает, фактически, интересующие его "обычные" двумерные отчёты (это не обязательно отчёты в обычном понимании этого термина - речь идёт о структурах данных с такими же функциями). Преимущества кубов очевидны - данные необходимо запросить из реляционной СУБД всего один раз - при построении куба. Поскольку аналитики, как правило, не работают с информацией, которая дополняется и меняется "на лету", сформированный куб является актуальным в течение достаточно продолжительного времени. Благодаря этому не только исключаются перебои в работе сервера реляционной СУБД (нет запросов с тысячами и миллионами строк ответов), но и резко повышается скорость доступа к данным для самого аналитика. Кроме того, производительность повышается и за счёт подсчёта промежуточных сумм иерархий и других агрегированных значений в момент построения куба. То есть, если изначально наши данные содержали информацию о дневной выручке по конкретному товару в отдельно взятом магазине, то при формировании куба OLAP-приложение считает итоговые суммы для разных уровней иерархий (недель и месяцев, городов и стран).
Критерии OLAP (всего 12) были сформулированы в 1993 году Е.Ф. Коддом. Позднее они были переработаны в так называемый тест FASMI, который определяет требования к продуктам OLAP. FASMI - это аббревиатура от названия каждого пункта теста:
- Fast (Быстрый). Приложение OLAP должно обеспечивать минимальное время доступа к аналитическим данным - в среднем порядка 5 секунд;
- Analysis (Анализ). Приложение OLAP должно давать пользователю возможность осуществлять числовой и статистический анализ;
- Shared (Разделяемый доступ). Приложение OLAP должно предоставлять возможность работы с информацией многим пользователям одновременно;
- Multidimensional (Многомерность);
- Information (Информация). Приложение OLAP должно давать пользователю возможность получать нужную информацию, в каком бы электронном хранилище данных она не находилась.
Контрольные вопросы и упражнения
- Как можно классифицировать планирование деятельности в зависимости от содержания назначения и задач?
- В каких случаях используется стратегическое планирование?
- Какой период времени охватывает стратегическое планирование?
- Что включает стратегическое планирование?
- Что является основой стратегического планирования?
- Что является основой прогнозирования?
- Какие документы являются результатом перспективного финансового планирования?
- Что характерно для текущего планирования?
- Что является заключительным документом финансового плана?
- Что включает оперативное планирование?
- Какие преимущества даёт автоматизированная форма ведения бухгалтерского учёта?
- Что является исходными данными для подсистемы бухгалтерского учёта?
- Какие мероприятия включает стратегическое планирование?
- Поясните процесс стратегического планирования.
- Покажите различие и связь между стратегическими и оперативными решениями.
- Из каких ключевых звеньев состоит стратегическое управление?
- Какие преимущества даёт автоматизация процесса стратегического планирования и управления?