Effektiv affärsintelligens och kvalitativ dataanalys. Affärsinformationsanalys - Core Principles Big Data Connectors

Små företag i OSS-länderna använder ännu inte dataanalys för affärsutveckling, bestämning av samband, sökning efter dolda mönster: entreprenörer nöjer sig med rapporter från marknadsförare och revisorer. Ledarna för små och delvis medelstora företag förlitar sig mer på sin intuition än på analys. Men samtidigt har analys en enorm potential: den hjälper till att minska kostnaderna och öka vinsten, fatta beslut snabbare och mer objektivt, optimera processer, förstå kunderna bättre och förbättra produkten.

En revisor kommer inte att ersätta en analytiker

Småföretagsledare antar ofta att marknadsförings- och revisorsrapporter är en ganska korrekt representation av ett företags resultat. Men på grundval av torr statistik är det mycket svårt att fatta ett beslut, och ett fel i beräkningar utan specialiserad utbildning är oundvikligt.

Fall 1. Efteranalys av reklamkampanjer. Vid nyåret tillkännagav entreprenören en kampanj där vissa varor erbjöds med rabatt. Efter att ha utvärderat intäkterna för nyårsperioden såg han hur försäljningen ökade och var nöjd med sin fyndighet. Men låt oss ta hänsyn till alla faktorer:

Försäljningen är särskilt stark på fredagen, dagen då intäkterna är maximala - det här är en veckotrend.
Jämfört med försäljningstillväxt som vanligtvis sker under Nyår, då är vinsten inte så stor.
Om man filtrerar bort reklamartiklar visar det sig att försäljningssiffrorna har försämrats.

Fall 2. Studie av omsättning. I affären Damkläder svårigheter med logistik: varorna i vissa lager är en bristvara, och i andra ligger de i månader. Hur bestämmer man, utan att analysera försäljningen, hur många byxor man ska ta med till en region och hur många rockar man ska skicka till en annan, samtidigt som man får maximal vinst? För att göra detta måste du beräkna omsättningen, förhållandet mellan försäljningshastigheten och det genomsnittliga lagret för en viss period. Enkelt uttryckt är omsättningen en indikator på hur många dagar butiken kommer att sälja varorna, hur snabbt det genomsnittliga lagret säljs, hur snabbt varorna betalar sig. Det är ekonomiskt olönsamt att lagra stora reserver, eftersom det fryser kapital och bromsar utvecklingen. Om lagret minskas kan det bli brist, och företaget kommer återigen att förlora vinst. Var hittar man den gyllene medelvägen, förhållandet där produkten inte stagnerar i lagret, och samtidigt kan man ge en viss garanti för att kunden hittar rätt enhet i butiken? För att göra detta bör analytikern hjälpa dig att avgöra:

önskad omsättning,
omsättningsdynamik.

Vid avräkning med leverantörer med försening måste du även beräkna förhållandet mellan kreditgräns och omsättning. Omsättning i dagar = Genomsnittligt lager * antal dagar / Omsättning för denna period.

Beräkning av sortimentsaldon och total omsättning i butik hjälper till att förstå vart det är nödvändigt att flytta en del av varorna. Det är också värt att beräkna vilken omsättning varje enhet i sortimentet har för att kunna fatta ett beslut: nedsättning med minskad efterfrågan, beställning med ökad efterfrågan, flytt till annat lager. Per kategori kan du ta fram en rapport om omsättning i detta formulär. Det kan ses att T-shirts och jumprar säljs snabbare, men kappor säljs under lång tid. Kan en vanlig revisor göra det här jobbet? Vi tvivlar. Samtidigt kan regelbunden beräkning av omsättning och tillämpning av resultaten öka vinsten med 8-10%.

Inom vilka områden är dataanalys tillämplig?

Försäljning. Det är viktigt att förstå varför försäljningen går bra (eller dåligt), vad är dynamiken. För att lösa detta problem är det nödvändigt att undersöka de faktorer som påverkar vinst och intäkter - till exempel för att analysera längden på kvittot och intäkter per kund. Sådana faktorer kan undersökas av grupper av varor, säsonger, butiker. Du kan identifiera försäljningstoppar och gropar genom att analysera returer, avbokningar och andra transaktioner.
Finansiera.Övervakning av indikatorer är nödvändig för att alla finansiärer ska kunna övervaka kassaflödet och fördela tillgångar över olika affärsområden. Detta hjälper till att utvärdera effektiviteten av beskattning och andra parametrar.
Marknadsföring. Några marknadsföringsföretag behovsprognoser och efteranalys av bestånd. I stadiet för att utveckla idén är det nödvändigt att bestämma vilka grupper av varor (kontroll och mål) som vi skapar ett erbjudande för. Detta är också ett jobb för en dataanalytiker, eftersom en vanlig marknadsförare inte har de nödvändiga verktygen och färdigheterna för bra analys.Till exempel om för kontrollgruppen intäkter och antal kunder är desamma som målgruppen , kampanjen fungerade inte. För att fastställa detta behövs intervallanalys.
Kontrollera. Att ha ledaregenskaper räcker inte för en företagsledare. I alla fall är kvantitativa bedömningar av personalens arbete nödvändiga för den kompetenta ledningen av företaget. Det är viktigt att förstå effektiviteten av lönefondförvaltningen, förhållandet mellan löner och försäljning, såväl som effektiviteten i processer - till exempel arbetsbelastningen på kassadiskar eller anställning av lastare under dagen. Detta hjälper till att fördela arbetstiden på rätt sätt.
Webbanalys. Sajten måste marknadsföras ordentligt så att den blir en försäljningskanal, och detta kräver rätt marknadsföringsstrategi. Det är här webbanalys kan hjälpa dig. Hur applicerar man det? Att studera beteende, ålder, kön och andra egenskaper hos kunder, aktivitet på vissa sidor, klick, trafikkanal, utskick, etc. Detta kommer att bidra till att förbättra verksamheten och webbplatsen.
Sortimentshantering. ABC-analys är avgörande för sortimentshantering. Analytikern måste fördela produkten efter egenskaper för att kunna genomföra denna typ av analys och förstå vilken produkt som är mest lönsam, vilken är grunden och vilken som bör kasseras. För att förstå stabiliteten i försäljningen är det bra att göra en XYZ-analys.
Logistik. Mer förståelse för inköp, varor, deras lagring och tillgänglighet kommer att ges genom studiet av logistikindikatorer. Förluster och behov av varor, lager är också viktigt att förstå för framgångsrik företagsledning.

Dessa exempel visar hur kraftfull dataanalys är, även för småföretag. En erfaren direktör kommer att öka företagets vinster och dra nytta av den minsta informationen, använda dataanalys korrekt, och visuella rapporter kommer att förenkla arbetet för en chef avsevärt.

Huvudmålet med all dataanalys är att söka och upptäcka mönster i mängden data. I affärsanalys blir detta mål ännu bredare. Det är viktigt för alla ledare att inte bara identifiera mönster, utan också att hitta deras orsak. Att känna till orsaken kommer att tillåta i framtiden att påverka verksamheten och gör det möjligt att förutsäga resultatet av en viss åtgärd.

Mål för dataanalys för företaget

Om vi pratar om affärer så är målet för varje företag att vinna tävlingen. Så dataanalys är din främsta fördel. Han hjälper dig:

Minska företagets kostnader
Öka intäkterna
Minska tiden för att slutföra affärsprocesser (ta reda på den svaga punkten och optimera den)
Öka effektiviteten i företagets affärsprocesser
Uppfyll alla andra mål som syftar till att förbättra företagets effektivitet och effektivitet.

Så, seger över konkurrenter är i dina händer. Lita inte på intuition. Analysera!

Dataanalysmål för avdelningar, divisioner, produkter

Märkligt nog, men målen som anges ovan är fullt tillämpliga på analys av avdelningarnas verksamhet, produktanalys eller reklamkampanj.

Målet med all dataanalys på vilken nivå som helst är att identifiera ett mönster och använda denna kunskap för att förbättra kvaliteten på en produkt eller ett företags eller en avdelnings arbete.

Vem behöver dataanalys?

Alla. Ja, vilket företag som helst, från vilket verksamhetsområde som helst, vilken avdelning som helst och vilken produkt som helst!

Inom vilka områden kan dataanalys tillämpas?

Tillverkning (konstruktion, olja och gas, metallurgi, etc.)
Detaljhandeln
E-handel
Tjänster
Och många andra

Vilka avdelningar kan analyseras inom företaget?

Bokföring och finans
Marknadsföring
Reklam
Administrering
Och andra.

Faktum är att företag från alla områden, alla avdelningar inom företaget, alla verksamhetsområden kan, bör och det är viktigt att analysera.

Hur BI-analyssystem kan hjälpa

BI analyssystem, automatiserade system analytics, big data för big data-analys, är mjukvarulösningar som redan har inbyggd funktionalitet för att bearbeta data, förbereda den för analys, själva analysen och, viktigast av allt, för att visualisera analysresultat.

Inte alla företag har en analytikeravdelning, eller åtminstone en utvecklare som kommer att underhålla analyssystemet och databaserna. I det här fallet kommer sådana BI-analyssystem till undsättning.

Det finns mer än 300 lösningar på marknaden idag. Vårt företag bestämde sig för Tableau-lösningen:

2018 blev Tableau ledare för Gartners forskning bland BI-lösningar för sjätte gången.
Tableau är lätt att lära sig (och våra workshops bevisar det)
Ingen utvecklarkunskap eller statistik krävs för att komma igång med Tableau

Samtidigt säger företag som redan arbetar med Tableau att rapporter som tidigare samlades in i Excel på 6-8 timmar nu inte tar mer än 15 minuter.

Tror du inte? Prova själv - ladda ner testversionen av Tableau och få handledningar om hur du arbetar med programmet:

Ladda ner tablå

Ladda ner gratis full version Tableau Desktop, 14 dagar och få Tableau Business Intelligence utbildningsmaterial som en GÅVA

Prisvärt arbete med Big Data med hjälp av visuell analys

Förbättra affärsintelligens och lös rutinuppgifter med hjälp av informationen gömd i Big Data med hjälp av TIBCO Spotfire-plattformen. Det är den enda plattformen som ger företagsanvändare ett intuitivt, användarvänligt användargränssnitt som gör att de kan använda hela utbudet av Big Data-analystekniker utan behov av IT-proffs eller specialutbildning.

Spotfire-gränssnittet gör det lika bekvämt att arbeta med både små datamängder och multi-terabyte-kluster av stor data: sensoravläsningar, information från sociala nätverk, försäljningsställen eller geolokaliseringskällor. Användare på alla kompetensnivåer får lätt tillgång till rika instrumentpaneler och analytiska arbetsflöden helt enkelt genom att använda visualiseringar, som är grafiska representationer av aggregeringen av miljarder datapunkter.

Predictive analytics är learning by doing baserat på delad erfarenhet företag att fatta bättre informerade beslut. Med hjälp av Spotfire Predictive Analytics kan du upptäcka nya marknadstrender från din business intelligence-insikt och vidta åtgärder för att minska riskerna för att förbättra ledningens beslut.

Översikt

Ansluta till Big Data för högpresterande analys

Spotfire erbjuder tre huvudtyper av analys med sömlös integration med Hadoop och andra stora datakällor:

Datavisualisering på begäran (On-Demand Analytics): inbyggda, användarkonfigurerbara dataanslutningar som förenklar supersnabb, interaktiv datavisualisering
Analys i databasen (In-Database Analytics): integration med den distribuerade datorplattformen, som låter dig göra databeräkningar av vilken komplexitet som helst baserat på big data.
Analys i RAM (In-Memory Analytics): integration med plattformen Statistisk analys, som tar data direkt från vilken datakälla som helst, inklusive traditionella och nya datakällor.

Tillsammans representerar dessa integrationsmetoder en kraftfull kombination av visuell utforskning och avancerad analys.
Det låter företagsanvändare komma åt, kombinera och analysera data från vilken datakälla som helst med kraftfulla, lättanvända instrumentpaneler och arbetsflöden.

Big data-anslutningar

Spotfire Big Data Connectors stöder alla typer av dataåtkomst: In-datasource, In-memory och On-demand. Inbyggda Spotfire-datakontakter inkluderar:

Certifierade Hadoop Data Connectors för Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill och Pivotal HAWQ
Andra certifierade big data-anslutningar inkluderar Teradata, Teradata Aster och Netezza
Kontakter för historiska och aktuella data från källor som OSI PI touchsensorer

Distribuerad datoranvändning i datakällan

Utöver Spotfires praktiska visuella urval av operationer för SQL-frågor som kommer åt data distribuerade över datakällor, kan Spotfire skapa statistiska och maskininlärningsalgoritmer som fungerar inom datakällor och returnerar endast de resultat som behövs för att skapa visualiseringar i Spotfire-systemet.

Användare arbetar med instrumentpaneler med visuell valfunktion som får åtkomst till skript med hjälp av de inbyggda funktionerna i TERR-språket,
TERR-skript anropar distribuerad datorfunktion i kombination med Map/Reduce, H2O, SparkR eller Fuzzy Logix,
Dessa applikationer får i sin tur åtkomst till högpresterande system som Hadoop eller andra datakällor.
TERR kan distribueras som en avancerad analysmotor på Hadoop-noder som hanteras med MapReduce eller Spark. TERR-språket kan också användas för Teradata-datanoder.
Resultaten visualiseras på Spotfire.

TERR för avancerad analys

TIBCO Enterprise Runtime for R (TERR) - TERR är ett statistiskt paket företagsnivå, som utvecklades av TIBCO för att vara helt kompatibel med R-språket, och implementerar företagets år av erfarenhet av det analytiska systemet som är associerat med S+. Detta gör att kunderna kan fortsätta att utveckla applikationer och modeller, inte bara med öppen källkod R, utan också att integrera och distribuera sin R-kod på en kommersiellt säker plattform utan att behöva skriva om sin kod. TERR är effektivare, har bättre minneshantering och ger snabbare databehandlingshastigheter över stora volymer än R-språket med öppen källkod.

Kombinera all funktionalitet

Kombinationen av ovannämnda kraftfulla funktionalitet gör att även för de mest komplexa uppgifter som kräver analyser på hög nivå interagerar användare med enkla och lättanvända interaktiva arbetsflöden. Detta gör att affärsanvändare kan visualisera och analysera data och dela analysresultat, utan att behöva känna till detaljerna i den dataarkitektur som ligger till grund för business intelligence.

Exempel: Spotfire-gränssnitt för att konfigurera, köra och visualisera resultaten av en modell som kännetecknar förlorad last. Genom detta gränssnitt kan företagsanvändare utföra beräkningar med hjälp av TERR och H2O (ett distribuerat datorsystem) på transaktions- och leveransdata lagrade i Hadoop-kluster.

Analytiskt utrymme för big data

Avancerad och prediktiv analys

Användare använder Spotfires instrumentpaneler för visuellt urval för att lansera en rik uppsättning avancerade funktioner som gör det enkelt att göra förutsägelser, bygga modeller och optimera dem i farten. Med hjälp av big data kan analys göras inuti datakällan (In-Datasource), vilket endast returnerar den samlade information och resultat som behövs för att skapa visualiseringar på Spotfire-plattformen.

Maskininlärning

Ett brett utbud av verktyg för maskininlärning finns i Spotfires lista över inbyggda funktioner som kan användas med ett enda klick. Statistiker har tillgång till programkoden skriven på R-språket och kan utöka den funktionalitet som används. Maskininlärningsfunktioner kan delas med andra användare för enkel återanvändning.

Följande maskininlärningsmetoder är tillgängliga för kontinuerliga kategoriska variabler på Spotfire och på TERR:

Linjär och logistisk regression
Beslutsträd, Random forest-algoritm, Gradient-förstärkningsmaskiner (GBM)
Generaliserade linjära (additiva) modeller ( Generaliserade tillsatsmodeller)
Neurala nätverk

Innehållsanalys

Spotfire tillhandahåller analyser och datavisualisering, varav mycket inte har använts tidigare - det är ostrukturerad text som lagras i källor som dokument, rapporter, anteckningar CRM-system, webbplatsloggar, publikationer i i sociala nätverk och mycket mer.

Platsanalys

Skiktade kartor högupplöstär ett bra sätt att visualisera big data. Spotfires rika kartfunktionalitet gör att du kan skapa kartor med så många referens- och funktionslager du behöver. Spotfire ger dig också möjligheten att använda sofistikerad analys medan du arbetar med kartor. Förutom geografiska kartor skapar systemet kartor för att visualisera användarbeteende, lager, produktion, råvaror och många andra indikatorer.

Varje stora affärer och de flesta medelstora strukturer står inför problemet att förse ledningen med felaktiga uppgifter om företagets tillstånd. Orsakerna kan vara olika, men konsekvenserna är alltid desamma - felaktiga eller otidiga beslut som negativt påverkar effektiviteten av finansiella transaktioner. För att undvika sådana situationer utformas ett professionellt business intelligence- eller BI-system ( från engelska. – Business Intelligence). Dessa högteknologiska "assistenter" bidrar till konstruktionen av systemet ledningskontroll varje aspekt av verksamheten.

I kärnan är BI-system avancerad analytisk programvara för affärsanalys och rapportering. Dessa program kan använda data från olika informationskällor och tillhandahålla dem i en bekväm form och sektion. Som ett resultat får ledningen snabb tillgång till fullständig och transparent information om företagets tillstånd. Ett kännetecken för de rapporter som erhålls med hjälp av BI är förmågan hos chefen att självständigt välja i vilket sammanhang man ska få information.

Moderna Business Intelligence-system är multifunktionella. Det är därför man i stora företag successivt tränger undan andra sätt att få fram affärsrapportering. Deras huvudsakliga funktioner inkluderar:

Anslutningar till olika databaser, i synnerhet till;
Framställning av rapporter av varierande komplexitet, struktur, typ och layout med hög hastighet. Det är också möjligt att sätta ett schema för generering av rapporter på ett schema utan direkt deltagande och datadistribution;
Transparent arbete med data;
Säkerställa en tydlig koppling mellan information från olika källor;
Flexibel och intuitiv konfiguration av åtkomsträttigheter för anställda i systemet;
Spara data i valfritt format som är bekvämt för dig - PDF, Excel, HTML och många andra.

Förmågan hos informationssystem för business intelligence gör att chefen inte är beroende av IT-avdelningen eller hans assistenter för att lämna in den information som krävs. Det är också ett utmärkt tillfälle att visa rätt riktning för dina beslut, inte med ord, utan med exakta siffror. Många stora nätverksföretag i väst har använt BI-system under en lång tid, inklusive världsberömda Amazon, Yahoo, Wall-Mart, etc. De ovan nämnda företagen spenderar anständiga pengar på business intelligence, men de implementerade BI-systemen ger ovärderliga fördelar.

Fördelarna med professionella business intelligence-system är baserade på principer som stöds i alla avancerade BI-applikationer:

synlighet. Huvudgränssnittet för alla affärsanalysprogram bör återspegla nyckeltal. Tack vare detta kommer chefen snabbt att kunna bedöma läget i företaget och börja göra något om det behövs;
Anpassning. Varje användare ska kunna anpassa gränssnittet och funktionstangenterna på det bekvämaste sättet för sig själv;
Skiktning. Varje datamängd bör ha flera klipp (lager) för att ge den information som behövs på en viss nivå;
Interaktivitet. Användare ska kunna samla in information från alla källor och åt flera håll samtidigt. Det är nödvändigt att systemet har funktionen att ställa in varningar med nyckelparametrar;
Multithreading och åtkomstkontroll. BI-systemet ska kunna implementera samtidigt arbete av ett stort antal användare med möjlighet att ställa in olika åtkomstnivåer för dem.

Det är hela IT-gemenskapen överens om Informationssystem affärsanalys är ett av de mest lovande områdena för branschens utveckling. Deras genomförande hämmas dock ofta av tekniska och psykologiska hinder, okoordinerat arbete av chefer och avsaknaden av föreskrivna ansvarsområden.

När man överväger implementeringen av klass BI-system är det viktigt att komma ihåg att projektets framgång till stor del kommer att bero på företagets anställdas inställning till innovationen. Detta gäller alla IT-produkter: skepsis och rädsla för neddragningar kan omintetgöra alla implementeringsinsatser. Därför är det mycket viktigt att förstå hur business intelligence-systemet får framtida användare att känna. Den ideala situationen kommer att vara när företagets anställda kommer att behandla systemet som en assistent och ett verktyg för att förbättra arbetet.

Innan man startar ett projekt för att introducera BI-teknik är det nödvändigt att göra en grundlig analys av företagets affärsprocesser och principerna för ledningsbeslut. Det är trots allt dessa data som kommer att ingå i analysen av situationen i företaget. Det kommer också att hjälpa till att göra ett val av ett BI-system tillsammans med andra huvudkriterier:

Mål och mål för implementering av BI-system;
Krav på datalagring och förmåga att arbeta med dem;
Dataintegreringsfunktioner. Utan att använda data från alla källor i företaget kommer ledningen inte att kunna få en helhetsbild av sakernas tillstånd;
Visualiseringsmöjligheter. För varje person ser den ideala BI-analysen olika ut, och systemet måste möta varje användares behov;
Universalitet eller snäv specialisering. I världen finns det system riktade mot en specifik bransch, samt universella lösningar som gör att du kan samla in information i alla sammanhang;
Krav på resurser och pris för programvara. Valet av ett BI-system, som all programvara, beror på företagets kapacitet.

Ovanstående kriterier kommer att hjälpa ledningen att göra ett välgrundat val bland de olika kända business intelligence-systemen. Det finns andra parametrar (till exempel datalagringsstruktur, webbarkitektur), men de kräver kompetens inom smala IT-områden.

Det räcker inte att bara göra ett val, köpa programvara, installera och konfigurera den. Framgångsrik implementering av BI-system oavsett riktning baseras på följande regler:

Data korrekthet. Om data för analys är felaktiga, finns det en möjlighet för ett allvarligt systemfel;
Fullständig utbildning för varje användare;
Snabbt genomförande. Det är nödvändigt att fokusera på korrekt utformning av de nödvändiga rapporterna på alla nyckelställen, och inte på den ideala tjänsten för en användare. Justera utseende rapportera eller lägga till ett annat avsnitt för enkelhetens skull, kan du alltid efter implementeringen;
Förstå avkastningen på investeringen i ditt BI-system. Effekten beror på många faktorer och är i vissa fall synlig först efter några månader;
Utrustningen bör utformas inte bara för den nuvarande situationen, utan också för den närmaste framtiden;
Förstå varför BI-implementeringen startades och inte kräver programvara omöjlig.

Enligt statistiken är endast 30 % av företagsledningen nöjda med implementeringen av BI-system. Under de långa åren det har funnits programvara för affärsanalys har experter formulerat 9 viktiga misstag som kan minska effektiviteten till ett minimum:

Obetydlighet av syftet med genomförandet för ledningen. Ofta skapas projektet av IT-avdelningen utan nära medverkan av chefer. I de flesta fall, i processen för implementering och drift, uppstår frågor om syftet och målen för BI-systemet, fördelarna och användarvänligheten;
Bristande transparens i ledning, medarbetares arbete och beslutsfattande. Chefer kanske inte vet hur anställda arbetar på fältet, och ledningsbeslut kan accepteras inte bara på grundval av torra fakta. Detta kommer att leda till omöjligheten att upprätthålla det befintliga paradigmet som ett resultat av implementeringen av BI-systemet. Och bryter ofta den kultur som har utvecklats genom åren företagsstyrning omöjlig;
Otillräcklig tillförlitlighet för data. Det är oacceptabelt att falsk information kommer in i affärsanalyssystemet, annars kommer anställda inte att kunna lita på den och använda den;
Fel val av ett professionellt business intelligence-system. Många exempel i historien när ledningen anlitar en tredjepartsorganisation för att implementera ett BI-system och inte deltar i urvalet talar för sig själva. Som ett resultat av detta införs ett system som inte tillåter erhållande av den erforderliga rapporten eller med vilket det är omöjligt att integrera någon av de befintliga mjukvarorna i företaget;
Brist på en plan för framtiden. Det speciella med BI-system är att det inte är statisk programvara. Det är omöjligt att avsluta ett implementeringsprojekt och inte tänka på det. Det finns många krav från användare och ledning när det gäller förbättringar;
Överföring av BI-system tredje parts organisation för support. Som praktiken visar leder sådana situationer oftast till isolering av produkten och isolering av systemet från det verkliga tillståndet. Egen supporttjänst svarar mycket snabbare och mer effektivt på användarfeedback och ledningskrav;
Lust att spara. I näringslivet är detta normalt, men BI-analys fungerar bara om den tar hänsyn till alla aspekter av företagets verksamhet. Det är därför djupa analytiska system med höga kostnader är de mest effektiva. Önskan att få flera rapporter om intresseområden leder till frekventa fel i uppgifterna och ett stort beroende av IT-specialisternas kvalifikationer;
Olika terminologi i företaget. Det är viktigt att alla användare förstår de grundläggande termerna och deras betydelse. Ett enkelt missförstånd kan leda till feltolkningar av BI-systemets rapporter och indikatorer;
Brist på en enhetlig strategi för affärsanalys i företaget. Utan en enda kurs vald för alla anställda kommer alla BI-klasssystem bara att vara en uppsättning olika rapporter som uppfyller individuella chefers krav.

Att implementera BI-system är ett viktigt steg som kan hjälpa till att ta ditt företag till nästa nivå. Men detta kommer att kräva inte bara en ganska stor infusion av ekonomi, utan också tiden och ansträngningen för varje anställd i företaget. Inte alla företag är redo att på ett kompetent sätt slutföra projektet med att implementera ett affärsanalyssystem.

(Business Intelligence).

Som talare på seminariet bjuds in unga yrkesverksamma som gör framgångsrik karriär analytiker i högteknologiska företag som Microsoft, IBM, Google, Yandex, MTS etc. Vid varje seminarium får eleverna veta om några affärsuppgifter som löses i dessa företag, om hur data ackumuleras, hur analysuppgifter uppstår data och hur de kan lösas.

Alla inbjudna specialister är öppna för kontakter och studenter kommer att kunna kontakta dem för råd.

Mål för seminariet:

bidra till att eliminera den befintliga klyftan mellan universitetsforskning och lösningen av praktiska problem inom området för dataanalys;
främja utbyte av erfarenheter mellan nuvarande och framtida yrkesverksamma.

Seminariet hålls regelbundet vid fakulteten vid CMC vid Moscow State University på fredagar kl 18:20 , publik P5(första våningen).

Seminariumnärvaro - gratis(Om du inte har ett pass till MSU, vänligen informera arrangörerna av seminariet i förväg om ditt fullständiga namn för att skicka in deltagarlistan för rotation).

Seminarium program

datum för	Föreläsare och seminarieämne
10 september 2010 18:20	Alexander Efimov , chef för analytiska avdelningen detaljhandelsnät MTS. Prognostisera effekten av marknadsföringskampanjer och optimera utbudet av butiker. Ansökningssida: Optimering av sortimentet av uttag (uppgift med data) .
17 september 2010 18:20	Vadim Strizhov , Forskare Computing Center för den ryska vetenskapsakademin. Bankkreditvärdering: metoder för automatisk generering och val av modeller. Klassisk och ny teknologi bygga styrkort. Seminariet förklarar hur kunddata är uppbyggt och hur man genererar den mest rimliga poängmodellen som även uppfyller kraven i internationella bankstandarder.
24 september 2010 18:20	Vladimir Krekoten , chef för marknads- och försäljningsavdelningen på mäklarhuset Otkritie. Ansökan matematiska metoder att förutsäga och motverka kundförlust. De praktiska problem som uppstår i analysen kundbas inom marknadsföring. Uppgifterna att klustera och segmentera kunder, poängsätta nya kunder, spåra dynamiken i målsegmenten är fastställda. Ansökningssida: Brokerage Client Clustering (Data Task) .
1 oktober 2010 18:20	Nikolay Filipenkov , och om. Chef för kreditvärderingsavdelningen vid Bank of Moscow. Tillämpa matematiska metoder för att hantera kreditrisker i detaljhandeln. Några praktiska aspekter av att bygga poängmodeller och riskbedömning beaktas. Ansökningssida: Retail Credit Risk Management (Data Task) .
8 oktober 2010 18:20	Fedor Romanenko , avdelningschef för sökkvalitet, Yandex. Historik och principer för webbsökningsrankning. Frågorna med att använda och utveckla metoder för informationsinhämtning, från text- och länkrankning till maskininlärning till rangordning i sökproblemet på Internet, beaktas. De grundläggande principerna bakom modern webbrankning anges i relation till sökmotorernas framgångshistorier. Särskild uppmärksamhet ägnas åt inverkan av sökkvalitet på marknadsindikatorer och det avgörande behovet av att ständigt arbeta för att förbättra det.
15 oktober 2010 18:20	Vitaly Goldstein , utvecklare, Yandex. Geografiska informationstjänster Yandex. Den berättar om Yandex.Probki-projektet och andra Yandex geoinformationsprojekt, om varifrån källdata för att bygga geoinformationssystem kommer, om en ny skalbar databehandlingsteknik, om matematiktävlingen på Internet och några lovande uppgifter. Data tillhandahålls och en formell redogörelse för problemet med restaurering av vägkartor ges. Applikationssida: Bygga en väggraf från fordonsspårdata (datauppgift) .
22 oktober 2010	Seminariet är inställt.
29 oktober 2010 18:20	Fedor Krasnov , vice VD för affärsprocesser och informationsteknologi, AKADO. Hur får man fram kunddata?