Ресторанное и гостиничное дело как объект управления

Данный рисунок  приведен по причине его универсальности. Системы строятся в архитектуре  клиент-сервер. На центральном сервере  системы хранится вся информация когда-либо занесенная в систему. По периметру располагаются рабочие  места пользователей. На рисунке они сопоставлены конкретным отделам, а количество рабочих мест в каждом отделе устанавливается по необходимости. Стрелками показаны основные информационные потоки, протекающие между рабочими станциями и сервером.

Информационные потоки, показанные на рисунке, следует рассмотреть поподробнее. Данные о таких потоках представлены в табл. 1.

Таковы основные информационные потоки, протекающие  между рабочими станциями и сервером. Конкретное распределение функций  между отделами, названия и количество структурных подразделений могут меняться от гостиницы к гостинице. При этом может меняться и количество необходимых рабочих станций, и список функций, ими выполняемых.

Слайд 7.

Управление  данными

Важная сторона  автоматизации управления гостиницами — это управление данными.

В основе современных  систем управления гостиницами лежат  мощные базы данных, позволяющие аккумулировать и хранить детальную информацию по работе гостиницы и её взаимоотношениям с каждым гостем. И если автоматизацию  процессов функционирования гостиницы можно назвать обязательным условием для успешной работы гостиницы, то эффективное использование собранных данных является ключевым фактором для достижения гостиницей конкурентного преимущества на рынке.

Накопленные данные становятся бесценным капиталом для гостиницы. Базы данных постояльцев позволяют детально изучать целевой рынок гостиницы, прогнозировать спрос на услуги, проводить эффективную маркетинговую политику. Закрытость информации, характерная для рыночных отношений, не позволяет с системных позиций подойти к проблеме переработки данных, но дает возможность использовать ее более тщательно и эффективно.

Любое производство связано с потоками внутренней и  внешней информации. Среди многообразия поступающих сведений менеджеру для принятия решения нужны лишь строго определенные, а все остальные представляют собой информационный шум. Большая часть информации возникает не там, где в ней нуждаются; разрешение проблемы коммуникации оказывает влияние на скорость поступления информации и ее своевременность, что способствует более эффективной работе предприятия. Этот далеко не полный круг проблем выявляет необходимость построения специальной управляющей информационной системы, которая бы способствовала их оптимальному решению.

Для принятия любого решения приходится проводить сложные и трудоемкие исследования, связанные с анализом разноплановой информации Современная вычислительная техника и программные средства являются основой всей оперативной деятельности, прогнозирования и контроля. Комплексное изучение информационных потоков требует анализа крупных массивов сведений коммерческого и статистического характера.

Специалистам  требуется не просто информация о  некоторой проблемной ситуации, а  недостающее знание. Чтобы решить проблему, информационная система должна обладать знаниями о конкретных предметных областях, а также о том, как связаны между собой отдельные факты и как выявленные зависимости могут использоваться при различных обстоятельствах. Такие системы становятся интеллектуальными. Действительно, в процессе решения задач, которые характеризуются отсутствием, противоречивостью и нечеткостью данных, альтернативностью возможных путей решения возрастает значение не количественных методов, а эвристического опыта. В таких случаях применяются информационно-экспертные системы, которые, по сути становятся системами принятия решений. Они воспроизводят рассуждения экспертов при решении задач, в которых первостепенное значение приобретает извлечение знаний из накопленной фактографии. Использование возможностей таких систем в исследованиях позволяет специалистам оперативно ориентироваться на внешнем и внутреннем рынках, чутко реагировать на изменения потребительского спроса.

Интеллектуальный  анализ данных (Data Mining). Острая конкурентная борьба, стремление компаний получать отдачу от инвестиций в информационные технологии, рост числа сотрудников, принимающих решения, стимулировали активное развитие новой области информатики — технологии интеллектуального анализа данных (ИАД, или Data Mining — DM). Ее основное назначение — автоматизированный поиск ранее неизвестных закономерностей в базах данных деятельности компаний, и использование добытых знаний в процессе принятия решений. С помощью DM можно выявить, например, профиль потребителей данного товара, предотвратить махинации с кредитными карточками или предсказать изменение ситуации на рынке. Структура DM приведена на рис. 2. 

 

Рис. 2. Data Mining — извлечение знаний из данных. 

 

DM — удачный пример того, как информационные технологии помогают компаниям быстро и относительно легко производить анализ накопленных данных и по его результатам принимать мотивированные решения.

Системы DM реализуют новую форму анализа данных, основанную на интеллектуальном подходе. Они просматривают горы информации и автоматически выявляют скрытые правила и закономерности, которые могут быть неочевидными для пользователя. Полученные знания помогают оптимизировать бизнес-процессы в самых ответственных областях деятельности — маркетинге, производстве, обслуживании клиентов. DM как систему доставки информации необходимо включать в информационные системы уровня предприятия.

DM — набор из нескольких техник; это не просто готовое для использования решение частной деловой задачи. Это не та технология, которую можно просто купить в виде программного пакета, вся работа с которым заключается в выполнении рекомендации вида «нажмите на эту клавишу…». «Необходимо иметь достаточную подготовку в моделировании, статистическом анализе и бизнесе, чтобы определить структуру, оценить и утвердить любую модель, является ли она моделью древа решений, нейронной сетью, дискриминантным анализом или еще чем. Таким образом, инструмент — еще не решение».

Слайд 8.

С целью облегчить  вышеуказанную ситуацию, компанией SAS Institute была предложена методология  приложения DM к любой бизнес-задаче, названная SEMMA (Sample Þ Explore Þ ManipulateÞ Model Þ Assess — Определение выборки Þ Разведывательный анализ Þ Манипулирование Þ Моделирование Þ Оценивание). Внутренние потоки DM представлены на рис. 3.

Рис. 3. Внутренние потоки системы DM  

 

SEMMA-подход отвечает динамической природе DM, что отвечает сложившимся в последнее время требованиям к этим системам.

Базы данных, подаваемые в системы DM, обычно имеют размеры в несколько гигабайт, поэтому правильная организация выборки уменьшает время разработки, снижает размерность данных и повышает качество моделей в части нахождения скрытых закономерностей. Разведывательный анализ позволяет несколько снизить неопределенность выбора метода дальнейшего анализа. Манипулирование данными и моделирование включают понятные элементы. Что касается оценивания результатов, то оно вытекает из цели DM — обеспечить лучшее объяснение проблемы и обобщить его до новых но простых данных.

Слайд 9.

Рынок систем DM активно развивается. По данным исследовательской компании Meta Group «…почти 80% из 2000 самых больших мировых предприятий считают, что в 21 веке DM будет критическим фактором успеха в бизнесе». В качестве основных причин, способствующих распространению новой технологии, указываются следующие:

— осознание  того, что в больших по объемам БД содержатся не горы бесполезной информации, а скрытые ценные знания, характеризующие бизнес компаний и их клиентов и способные, в конечном счете, повысить эффективность управления компаниями;

— развитие технологии информационных хранилищ (Data Warehousing). Решать аналитические задачи внутри существующих систем неудобно, поскольку последние по своей природе гетерогенны, функционируют на разных платформах, территориально разобщены, а главное, базы данных изначально не были ориентированы на решение аналитических задач. Гораздо удобнее иметь дело с единым информационным пространством, собрав требуемые для анализа данные в центральной БД (информационном хранилище), очистив их от ошибок, приведя к единым форматам и представив в удобном для пользователя-аналитика виде;

— снижение стоимости  устройств хранения информации привело  к возможности хранить первичные  данные с высокой степенью детализации  и за длительные интервалы времени;

— уменьшение стоимости  компьютеров с параллельной архитектурой позволяет распараллеливать выполнение SQL-запросов, что сильно повышает производительность систем DM;

— увеличение числа  сотрудников компаний, принимающих  решения. Благодаря внедрению хранилищ данных корпоративная информация становится доступна широким слоям пользователей, не являющихся профессионалами в области СУБД и программирования;

— обострение конкурентной борьбы между фирмами за клиента  вынуждает компании улучшать качество обслуживания и предлагать все новые  и новые услуги, причем основным направлением здесь являются современные информационные технологии;

— переход от массового обслуживания к сегментному  и индивидуальному. Индустриальная революция шла по пути массового  производства, массового маркетинга и массового сервиса. Преобразования в области информационных технологий открывают возможности для индивидуального подхода. В деловой практике появился термин de-massification, обозначающий отказ от массовых форм обслуживания.

Развертывание проектов на базе технологии информационных хранилищ и DM требует крупных инвестиций. Опыт многих организаций доказывает, что отдача от них при этом может быть весьма высокой, вплоть до 1000%.

Слайд 10.

Масштабируемые  хранилища данных (DATA WAREHOUSING). Масштабируемые хранилища данных (МХД) предназначены для сбора и управления данными с целью получить прежде недоступные ответы на вопросы. МХД особенно важны и актуальны в компаниях, чья работа связана непосредственно с обслуживанием клиентов. Одно из главных понятий — независимый киоск данных — соотносится либо по предметной области, либо по группе пользователей. Эволюция хранилищ данных выглядит следующим образом:

1. Киоски данных  для каждого отдела

2. Дублирование  данных

Достоинствами такого метода реализации являются быстрое  внедрение системы, ее невысокая  стоимость и быстрая окупаемость.

3. Хранилища  масштаба предприятия

Недостаток —  разрастание связей и предприятия  приводит к некоторому несоответствию данных. Такой способ сбора и обработки  информации позволяет представлять детальные и усредненные данные, а также проводить многомерный анализ.

МХД используются в анализе продаж, целевом маркетинге, анализе доходов, риск-менеджменте, финансовом контроле, менеджменте, анализе  продвижения.

Слайд 11.

Эволюция постановки вопросов в процессе анализа данных:

1. Что произошло?	2. Что произошло?  Почему это произошло? Что будет  если?
3. Что произойдет (прогнозирование развития)?	Таким образом, доля заранее предопределенных запросов уменьшается, на смену им приходит увеличение доли непредвиденных запросов, а также появление моделирования.

МХД обеспечивает интерактивные запросы, управление загрузкой, систему финансового  менеджмента, планирование ресурсов, передачу знаний пользователям всех уровней.

Слайд 12.

Схема использования  МХД представлена на рис. 4. 

 

Рис. 4. Схема использования масштабируемых хранилищ данных 

 

Слайд 13.

Процесс интеллектуального анализа данных. Существующие программные средства DM в общем случае можно использовать с любыми источниками данных, в том числе и БД. Однако целесообразнее «приложить» этот инструментарий к информационным хранилищам предприятий, в которых неоднородные данные, полученные из разных гетерогенных источников, синхронизированы, очищены и приведены к единым форматам.

В общем случае информационная система на основе технологии МХД состоит из четырех компонентов  — одного или нескольких серверов баз данных, ПО промежуточного слоя, обеспечивающего функционирование систем клиент/сервер, программы загрузки данных в МХД из внешних источников, которая сопровождается предварительной обработкой данных, и клиентских приложений, предназначенных для поддержки принятия решений. Процесс интеллектуального анализа данных обычно проходит в три этапа.

Выбор данных. Как  правило, для решения конкретной задачи нужны не все данные из МХД. Сначала необходимо выбрать то их подмножество, которое будет подвергнуто анализу. При этом возможно, потребуется объединение и фильтрация нескольких таблиц

Трансформация данных. После подготовки рабочих  таблиц обычно проводится предварительная  обработка данных, характер которой  определяется методами, применяемыми в ходе анализа. Трансформация может заключаться в удалении зашумленных данных и дублирующих записей, преобразовании типов данных, добавлении новых атрибутов и др.

Анализ. Трансформированные данные последовательно обрабатываются по одной или нескольким методикам  с целью извлечения требуемой информации или знаний.

Классы  операций и методы интеллектуального  анализа данных. В ходе DM могут выполняться различные операции, реализуемые при помощи разнообразных алгоритмов. В основе большинства из них лежит мощный аппарат современной математической статистики. Методы DM условно делят на два класса: операции проверки гипотез и операции поиска зависимостей, направленные на автоматическое выявление закономерностей или правил, которым подчиняются данные информационного хранилища. К недостаткам процедур первого типа можно отнести ограниченность анализа жесткими рамками заранее указанной гипотезы; проблема заключается в том, что другие возможные корреляции попросту выпадут из рассмотрения. Во втором случае системы DM самостоятельно обрабатывают информацию с целью обнаружения внутренних закономерностей. Полученные результаты часто оказываются весьма неожиданными и ведут к нетривиальным выводам. Комбинируя операции двух типов, возможно реализовать самые замысловатые стратегии анализа.