Условия проведения реинжиринга



Проведение реинжиринга необходимо, когда предприятие находится в состоянии глубокого кризиса; текущее его положение удовлетворительным, а прогнозы деятельности явл. неблагоприятными; предприятие является быстрорастущим и агрессивыным на рынке. Кризисный реинжиринг необходим в случае решения крайне сложных проблем предприятия, связ. с его тяжелым экон. положением. реинжиринг развития применяется тогда, еогда ухудшилась динамика развития, продукция становится неконкурентоспособной на рынке. Для проведения реинжиниринга используются специальные инструментальные средства: 1) Средства построения диаграмм – продукты создания образа бизнес-процесса: пирамиды эффективности, модель балансовых ведомостей; 2) Средства описания бизнес-процессов графическими методами: SA/SD – структурный анализ/структурный дизайн – одна из самых известных методик описания бизнес-процессов, основанная на методе функциональной декомпозиции, IDEF – стандарт описания бизнес-процессов; включает специальные обозначения для описания готовых работ и моделей бизнеса; 3) Средства имитационного моделирования – методы и модели, позволяющие описать функционирование системы в реальных условиях; 4) Oracle Design, Oracle Developer – моделирование через БД; 5) Экспертные системы (Gensym)

Интеллектуальный анализ данных

Интеллектуальный анализ данных (англ. Data Mining) — выявление скрытых закономерностей или взаимосвязей между переменными в больших массивах необработанных данных. ИАД включает методы и модели статистического анализа и машинного обучения, дистанцируясь от них в сторону автоматического анализа данных. Инструменты ИАД позволяют проводить анализ данных предметными специалистами (аналитиками), не владеющими соответствующими математическими знаниями.

Задачи решаемые ИАД: 1) Классификация — отнесение входного вектора (объекта, события, наблюдения) к одному из заранее известных классов. 2) Кластеризация — разделение множества входных векторов на группы (кластеры) по степени «похожести» друг на друга. 3) Сокращение описания — для визуализации данных, лаконизма моделей, упрощения счета и интерпретации, сжатия объемов собираемой и хранимой информации. 4) Ассоциация — поиск повторяющихся образцов. 5) Прогнозирование, 6) Анализ отклонений — Например, выявление нетипичной сетевой активности позволяет обнаружить вредоносные программы. 7) Визуализация

Управление знаниями— это методология, направленная на повышение уровня конкурентоспособности и защищенности компании за счет использования полного набора инструментов охраны, управления и экономики нематериальных активов компании. Рассматривает стратегии, направленные на предоставление вовремя нужных знаний тем членам сообщества, которым эти знания необходимы для того, чтобы повысить эффективность деятельности сообщества.

Причины появления управлением знаниями:

1. Социальная причина В компании материальное производство становится вторичным по отношению к нематериальному(информации и знанию), появляется новая роль компании, это работник со знаниями. Характеристики работника: 1) безраздельно владеет средствами производства: интеллект, память, опыт, инициатива. 2) его знания специфичны и м.б. применены в рамках строго определенного бизнес процесса.

2. Экономическая причина Экон. оценка от внедрения IT строится с учетом знаний, как экон. фактора, следовательно IT сами по себе не явл. прибыльными, прибыль формируется через операции со знаниями(данными).

3. Технологическая причина Техн. причина заключается в эволюционном процессе развития IT: 1. Вычисление 2. Коммуникация 3. Поддержка мыслительной деятельности

43.Системы интеллектуального анализа данных Data Mining переводится как "добыча" или "раскопка данных". Нередко рядом с Data Mining встречаются слова "обнаружение знаний в базах данных" (knowledge discovery in databases) и "интеллектуальный анализ данных". Их можно считать синонимами Data Mining. Возникновение всех указанных терминов связано с новым витком в развитии средств и методов обработки данных

Специфика современных требований к такой обработке следующие:

- Данные имеют неограниченный объем

- Данные являются разнородными (количественными, качественными, текстовыми)

- Результаты должны быть конкретны и понятны

- Инструменты для обработки сырых данных должны быть просты в использовании

Основу современной технологии Data Mining (discovery-driven data mining) положена концепция шаблонов (паттернов), отражающих фрагменты многоаспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные подвыборкам данных, которые могут быть компактно выражены в понятной человеку форме. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборке и виде распределений значений анализируемых показателей.

Сфера применения Data Mining ничем не ограничена — она везде, где имеются какие-либо данные. Но в первую очередь методы Data Mining сегодня, мягко говоря, заинтриговали коммерческие предприятия, развертывающие проекты на основе информационных хранилищ данных (Data Warehousing). Опыт многих таких предприятий показывает, что отдача от использования Data Mining может достигать 1000%. Например, известны сообщения об экономическом эффекте, в 10–70 раз превысившем первоначальные затраты от 350 до 750 тыс. дол. Пример — годовая экономия 700 тыс. дол. за счет внедрения Data Mining в сети универсамов в Великобритании.

 


Дата добавления: 2018-02-18; просмотров: 575; Мы поможем в написании вашей работы!

Поделиться с друзьями:






Мы поможем в написании ваших работ!