ERP - системы (Enterprise Resource Planning – планирование ресурсов предприятия

Основные понятия электронного документооборота

Документооборот — движение документов в организации с момента их создания или получения до завершения исполнения или отправления (ГОСТ Р 51141-98); комплекс работ с документами: приём, регистрация, рассылка, контроль исполнения, формирование дел, хранение и повторное использование документации, справочная работа.

Электронный документооборот (ЭДО) — единый механизм по работе с документами, представленными в электронном виде, с реализацией концепции «безбумажного делопроизводства».

Машиночитаемый документ — документ, пригодный для автоматического считывания содержащейся в нём информации, записанный на магнитных, оптических и других носителях информации.

Электронный документ (ЭД) — документ, созданный с помощью средств компьютерной обработки информации, который может быть подписан электронной подписью (ЭП) и сохранён на машинном носителе в виде файла соответствующего формата.

14. Современные CASE – технологии

 

Многие организации-разработчики программного обеспечения информационных систем (ПО ИС), пытаясь внести усовершенствования в процесс разработки, обращаются к CASE-технологии. Согласно обзору передовых технологий (Survey of Advanced Technology), составленному фирмой Systems Development Inc. в 1996 г. по результатам анкетирования более 1000 американских фирм, CASE-технология в настоящее время попала в разряд наиболее стабильных информационных технологий (ее использовала половина всех опрошенных пользователей более чем в трети своих проектов, из них 85% завершились успешно). Однако, несмотря на все потенциальные возможности CASE-средств, существует множество примеров их неудачного внедрения, в результате которых CASE-средства становятся "полочным" ПО (shelfware). В связи с этим необходимо отметить следующее:

• CASE-средства не обязательно дают немедленный эффект; он может быть получен только спустя какое-то время;
• реальные затраты на внедрение CASE-средств обычно намного превышают затраты на их приобретение;
• CASE-средства обеспечивают возможности для получения существенной выгоды только после успешного завершения процесса их внедрения.

Ввиду разнообразной природы CASE-средств было бы ошибочно делать какие-либо безоговорочные утверждения  относительно реального удовлетворения тех или иных ожиданий от их внедрения. Доступная информация о реальных внедрениях крайне ограничена и противоречива. Она зависит от типа средств, характеристик  проектов, уровня сопровождения и  опыта пользователей. Некоторые  аналитики полагают, что реальная выгода от использования некоторых  типов CASE-средств может быть получена только после одно- или двухлетнего  опыта. Другие полагают, что воздействие  может реально проявиться в фазе эксплуатации жизненного цикла ИС, когда технологические улучшения  могут привести к снижению эксплуатационных затрат.

Ключом к успешному  внедрению CASE-средств является готовность организации, которая включает следующие  аспекты:

• Технология. Понимание ограниченности существующих возможностей и способность принять новую технологию;
• Культура. Готовность к внедрению новых процессов и взаимоотношений между разработчиками и пользователями;
• Управление. Четкое руководство и организованность по отношению к наиболее важным этапам и процессам внедрения.

 

15. Технологии OLAP (On-Line Analytical Processing)

OLAP (англ. online analytical processing, аналитическая обработка в реальном времени) — технология обработки данных, заключающаяся в подготовке суммарной (агрегированной) информации на основе больших массивов данных, структурированных по многомерному принципу. Реализации технологии OLAP являются компонентами программных решений класса Business Intelligence.

Основоположник  термина OLAP — Эдгар Кодд, предложил в 1993 году «12 законов аналитической обработки в реальном времени».

Причина использования OLAP для обработки  запросов — это скорость. Реляционные БД хранят сущности в отдельных таблицах, которые обычно хорошо нормализованы. Эта структура удобна для операционных БД (системы OLTP), но сложные многотабличные запросы в ней выполняются относительно медленно.

OLAP-структура,  созданная из рабочих данных, называется OLAP-куб. Куб создаётся из соединения таблиц с применением схемы звезды или схемы снежинки. В центре схемы звезды находится таблица фактов, которая содержит ключевые факты, по которым делаются запросы. Множественные таблицы с измерениями присоединены к таблице фактов. Эти таблицы показывают, как могут анализироваться агрегированные реляционные данные. Количество возможных агрегирований определяется количеством способов, которыми первоначальные данные могут быть иерархически отображены.

Например, все клиенты могут быть сгруппированы  по городам или по регионам страны (Запад, Восток, Север и т. д.), таким образом, 50 городов, 8 регионов и 2 страны составят 3 уровня иерархии с 60 членами. Также клиенты могут быть объединены по отношению к продукции; если существуют 250 продуктов по 20 категориям, 3 группы продукции и 3 производственных подразделения, то количество агрегатов составит 16560. При добавлении измерений в схему количество возможных вариантов быстро достигает десятков миллионов и более.

OLAP-куб  содержит в себе базовые данные  и информацию об измерениях (агрегаты). Куб потенциально содержит всю  информацию, которая может потребоваться  для ответов на любые запросы.  При огромном количестве агрегатов  зачастую полный расчёт происходит  только для некоторых измерений,  для остальных же производится  «по требованию».

Существуют  три типа OLAP:^[2]

• многомерная OLAP (Multidimensional OLAP — MOLAP);
• реляционная OLAP (Relational OLAP — ROLAP);
• гибридная OLAP (Hybrid OLAP — HOLAP).

 

 

 

16. Технологии глубинного  анализа текстов (Text Mining)

 

Необходимость в использовании  огромных объемов корпоративной  информации, которая существует в  неструктурированной форме, известна уже давно – еще с 80-х годов  прошлого века. Но специальные технологии, которые позволяют работать именно с текстами, а не с количественными  данными, появились только в конце 90-х годов. 

Технология Text Mining представляет собой одну из разновидностей методов Data Mining и подразумевает процессы извлечения знаний и высококачественной информации из текстовых массивов. Это обычно происходит посредством выявления шаблонов и тенденций с помощью средств статистического изучения шаблонов.

Такая технология глубинного анализа текстов способна «просеивать» большие объемы неструктурированной  информации и выявлять из них только самое значимое, чтобы человеку не приходилось самому тратить время  на добычу ценных знаний «вручную».

Text Mining – это алгоритмическое выявление и обнаружение в «сырых» данных доселе неизвестных корреляций и связей, ранее неизвестных практически полезных знаний, которые можно интерпретировать и использовать для принятия решений в самых разных сферах деятельности человека. Результаты Text Mining могут быть использованы для математического прогнозирования, анализа социальной обстановки и анализа рынков. 

Подобные технологии незаменимы для извлечения знаний и играют немаловажную роль во всей системе управления знаниями. 

Как правило, Техt Mining подразумевает процесс структурирования вводных текстовых данных, извлечение шаблонов из уже структурированных данных, и финальную оценку и интерпретацию полученных результатов.

Когда мы говорим о «высококачественной» информации, имеется в виду, что  она должна быть осмысленной, релевантной  и интересной исследователям. Типичные задачи Text Mining включают категоризацию, кластеризацию текстов, извлечение концептов и объектов, создание таксономий, смысловой анализ, обобщение документации и моделирование объектов, то есть установление связей между различными известными объектами.

Анализ текстов включает себя извлечение информации и лингвистический  анализ для выявления частоты  вхождений различных слов, выявление  шаблонов, расставление тэгов и аннотирование, техники Data Mining, включая анализ связей и ассоциаций, визуализацию и прогностический анализ. В конечном счете, общая цель всего этого состоит в том, чтобы превратить текст в данные, доступные для анализа.

 

 

17. Хранилища данных (Data Warehouse), их организация и назначение

 

Хранилище данных (англ. Data Warehouse) — предметно-ориентированная информационная база данных, специально разработанная и предназначенная для подготовки отчётов и бизнес-анализа с целью поддержки принятия решений в организации. Строится на базе систем управления базами данных и систем поддержки принятия решений. Данные, поступающие в хранилище данных, как правило, доступны только для чтения. Данные из OLTP-системы копируются в хранилище данных таким образом, чтобы построение отчётов и OLAP-анализ не использовал ресурсы транзакционной системы и не нарушал её стабильность. Как правило, данные загружаются в хранилище с определённой периодичностью, поэтому актуальность данных может несколько отставать от OLTP-системы.

 

Существуют  два архитектурных направления  – нормализованные хранилища  данных и хранилища с измерениями.

В нормализованных хранилищах, данные находятся в предметно ориентированных  таблицах третьей нормальной формы. Нормализованные хранилища характеризуются как простые в создании и управлении, недостатки нормализованных хранилищ – большое количество таблиц как следствие нормализации, из-за чего для получения какой-либо информации нужно делать выборку из многих таблиц одновременно, что приводит к ухудшению производительности системы.

Хранилища с измерениями используют схему «звезда» или схему «снежинка». При этом в центре «звезды» находятся данные (Таблица фактов), а измерения образуют лучи звезды. Различные таблицы фактов совместно используют таблицы измерений, что значительно облегчает операции объединения данных из нескольких предметных таблиц фактов (Пример – факты продаж и поставок товара). Таблицы данных и соответствующие измерениями образуют архитектуру «шина». Измерения часто создаются в третьей нормальной форме, в том числе, для протоколирования изменения в измерениях. Основным достоинством хранилищ с измерениями является простота и понятность для разработчиков и пользователей, также, благодаря более эффективному хранению данных и формализованным измерениям, облегчается и ускоряется доступ к данным, особенно при сложных анализах. Основным недостатком является более сложные процедуры подготовки и загрузки данных, а также управление и изменение измерений данных.

 

 

18. Цифровые библиотеки (Digital Libraries) – новый класс информационных систем.

Развитие  и широкое внедрение информационных технологий оказывает трансформирующее воздействие на все области современной жизни включая сферы экономики, власти, науки и образования. Для характеристики нового общественного строя, в котором главной ценностью являются информация и знание, используются такие эпитеты, как посткапиталистическое, постэкономическое, постиндустриальное, информационное, информациональное общество, общество знания и т. п. Несмотря на концептуальные различия, стоящие за этими определениями, общим является тот факт, что информация и знание становятся определяющим экономическим фактором, а также важнейшим национальным ресурсом, который в определенном смысле подобен недрам, воде, лесам и т. п. и который в значительной степени определяет благосостояние государства. Сохранение, развитие и рациональное использование национального информационного ресурса является задачей государственного значения.

Национальный  информационный ресурс складывается из двух составляющих: традиционной (рукописные и печатные материалы, живопись, скульптура, архитектура, аудиозаписи, фотографии, кино- и видеофильмы и т.п.) и  электронной (любые информационные объекты в цифровой форме). Различие между этими двумя составляющими состоит не только в способе представления информации, но и в стратегиях ее хранения, распространения и модификации.

Сохранение  и использование рукописных, печатных и иных документов традиционного  типа достаточно хорошо освоено в  ходе исследовательской и практической работы многих поколений специалистов. Но очевидно, что объемы информации, хранящейся в традиционной форме, делают все более затруднительной эффективную  работу с ней — хранение, распространение, поиски, учет и т. п. Решение этой фундаментальной проблемы лежит  на пути использования современных  средств вычислительной техники  и информационных технологий и теснейшим  образом связано с переводом  хранимой информации в электронную  форму.

Хотя  отмеченные составляющие информационного  ресурса развиваются параллельно, в перспективе вся наиболее значимая часть традиционной составляющей будет, безусловно, представлена и в электронной форме. С другой стороны, в последние десятилетия наблюдается стремительный рост объема информации, существующей только в электронной форме или создаваемой в этой форме изначально для последующего выпуска печатных, аудио-, видео- и прочих изданий. В России (не самой передовой стране в области информационной индустрии) объем информации, содержащейся только в официально зарегистрированных базах данных, превышает весь объем информации, хранимой в Российской государственной библиотеке. Общее число баз данных у организаций, проходивших в 1996 г. обследование Госкомстата, составило почти 800 тыс., в том числе около 400 тыс. собственного производства. Общий объем всех баз данных составил свыше 15 Тб (для собственных баз данных общий объем — свыше 5 Тб). Количество электронных документов, доступных через Интернет, оценивалось в 2000 г. в 300 млн, а к концу 2001 г. это число достигло 3 млрд.