 |
|
Популярные авторы:: Чехов Антон Павлович :: БСЭ :: Азимов Айзек :: Лесков Николай Семёнович :: Борхес Хорхе Луис :: Нортон Андрэ :: Сименон Жорж :: Желязны Роджер :: Шукшин Василий Макарович :: Толстой Лев Николаевич Популярные книги:: The Boarding House :: Жил-был щелкунчик :: Бурый волк :: Колдовской камень :: Живая хронология :: Бочка со зловещей меткой :: Бесприютный :: Авторитет :: Великие неторопливые короли :: Николай Черкасов |
Панели индикаторов как инструмент управления. Ключевые показатели эффективности, мониторинг деятельности, оценка результатовModernLib.Net / Уэйн У. Эккерсон / Панели индикаторов как инструмент управления. Ключевые показатели эффективности, мониторинг деятельности, оценка результатов - Чтение (Ознакомительный отрывок) (стр. 7)
рис. 3.7). Прелесть этих инструментов в том, что они позволяют запрашивать данные в ходе привычных для бизнеса размышлений – в определенных измерениях. И если инструменты для генерирования запросов и отчетности вынуждают пользователей выбирать таблицы, строки и столбцы, образующие элементы баз данных, то инструменты для генерирования запросов и отчетности позволяют им выбирать метрики и параметры, являющиеся элементами бизнеса. Типичный запрос OLAP может быть, например, таким: «Показать чистую прибыль с разбивкой по изделиям, каналам, географическим признакам и времени». Подобно электронным таблицам, инструменты онлайновой аналитической обработки позволяют пользователям выполнять над данными сложные вычисления и создавать иерархии в пределах каждого измерения. Пространственная иерархия может быть, например, такой: регион, страна, область, район, город, офис. Временная иерархия может быть, например, такой: год, квартал, месяц, неделя, день.
 Однако, в отличие от электронных таблиц, инструменты онлайновой аналитической обработки содержат намного больше данных, потому что они реализуются на специализированной многомерной базе данных. Работают они быстро (время реакции по большинству запросов составляет доли секунды), позволяя пользователям обрабатывать данные практически со скоростью мысли. Интересно, что пользователи, как правило, не могут явно обозначить различия между параметризованным отчетом и приложением для онлайновой аналитической обработки: ведь то и другое обеспечивает гибкую навигацию. Главное различие заключается в том, что пользователи приложений онлайновой аналитической обработки перемещаются в многомерной (параметризованной) базе данных, в то время как пользователи параметризованных сообщений перемещаются по фильтрам запросов, указанным разработчиком отчетов. Поэтому параметризованные отчеты идеально подходят для случаев наложения на систему навигации пользователя более крупной структуры, а «кубики» онлайновой аналитической обработки лучше использовать, если вы хотите открыть пользователям беспрепятственный доступ к заранее определенному массиву данных. Традиционные недостатки баз данных онлайновой аналитической обработки – это, во-первых, то, что они удерживают лишь сравнительно небольшие объемы данных (но намного больше, нежели крупноформатные электронные таблицы), а также то, что они реализуются на особых базах данных, которые, вообще говоря, могут не соответствовать ИТ-архитектуре вашей компании. Чаще всего для заполнения инструментов онлайновой аналитической обработки данными требуется много времени, потому что они сразу же выполняют расчет результатов для каждой «точки пересечения» размерности и иерархического уровня. Поэтому на практике они могут хранить лишь обобщенные данные. Однако в последние годы поставщики добились серьезных прорывов в масштабируемости и вычислительной мощности серверов онлайновой аналитической обработки. И теперь многие компании изучают возможности замены витрин данных, построенных по схеме «звезда», серверами онлайновой аналитической обработки, поскольку последние теперь обладают такой же масштабируемостью. Инструменты для добычи данных, иначе называемые инструментами поиска знаний в базах данных (KDD), представляют собой высокоспециализированные инструменты для статистиков и опытных бизнес-аналитиков. Эти инструменты автоматически «добывают», или, лучше сказать, выявляют наличие закономерностей в массивах данных и генерируют соответствующие статистические модели и правила. При этом, в отличие от инструментов для генерирования запросов и отчетности и аналитических инструментов, которые требуют, чтобы пользователь с самого начала отталкивался от какой-либо прослеживаемой в данных гипотетической тенденции, инструменты добычи данных не нуждаются в таких предположениях. Используя сложные методы статистического анализа и добычи данных, например нейронные сети, древовидные структуры решений и линейный регресс, эти инструменты выявляют в массивах данных закономерности, для самостоятельного выявления которых традиционными средствами пользователям понадобились бы дни или даже недели (и это при условии, что они вообще смогли бы их обнаружить!). Некоторые поставщики уже продают инструменты для добычи текстовых данных, которые могут обнаруживать закономерности в документах и, в частности, в текстовых документах, например в переговорах справочно-информационного центра, на сетевых форумах и веб-страницах. Те и другие инструменты трансформируют эти закономерности в правила и алгоритмы (то есть «модели»), которые можно применять к другим данным для прогнозирования, классификации, сегментирования и выработки рекомендаций. Например, некоторые компании используют модели добычи данных для выявления мошеннических операций с кредитными картами, прогнозирования поломок оборудования и составления списков рекомендуемых изделий для новых и уже существующих клиентов. По данным исследований уже упоминавшейся фирмы IDC, рентабельность инвестиций в прогностические приложения для добычи данных почти в пять раз выше, чем в непрогностические приложения, использующие стандартные инструменты для генерирования запросов и отчетности и аналитические инструменты. Их недостатком, по ее же данным, является то, что для их развертывания требуются высококлассные, а значит, дорогостоящие специалисты и специальное программное обеспечение, так что их развертывание и обслуживание обходятся почти вдвое дороже, нежели для других аналитических приложений. Пять вышеописанных категорий инструментов бизнес-анализа – для генерирования отчетов, запросов и отчетности конечных пользователей, онлайновой аналитической обработки и добычи данных – предоставляют разным группам пользователей разные функциональные возможности. Чтобы удовлетворить требования разных групп пользователей, организация должна купить много разных инструментов бизнес-анализа, а именно это большинству руководителей и не хочется делать. В течение многих лет руководители компаний ясно давали понять, что они хотят купить только один инструмент, но для всех пользователей, чтобы свести к минимуму первоначальные лицензионные выплаты и затраты на даунстрим-обслуживание, поддержку и обучение. Однако в реальности никакого «лучшего для всех» набора инструментов бизнес-анализа просто не существует. Компании, которые купили отдельный инструмент бизнес-анализа для всех пользователей, теперь горько расплачиваются за это. Пользователи разочаровываются в инструментах бизнес-анализа, возможности которых либо избыточны, либо недостаточны относительно их потребностей. Сейчас на полках у поставщиков лежит множество программных пакетов – это сотни миллионов долларов, потраченных впустую. Прелесть панелей индикаторов состоит в том, что они поддерживают множество разных категорий пользователей за счет того, что функциональные возможности различных инструментов бизнес-анализа располагаются в них послойно (а именно так пользователи чаще всего хотят просматривать информацию и работать с ней). Кроме того, панели индикаторов наконец-то предоставляют в распоряжение руководителей тот самый единый инструмент, который соответствует потребностям большинства пользователей в их организациях. Примечания 1 Исходная детальная информация, на основе которой рассчитываются витрины данных. – Прим. Ланит. 1, 2, 3, 4, 5, 6, 7 |
|||||||