Область применения

Deductor предназначен для решения широкого спектра задач, связанных с обработкой структурированных, представленных в виде таблиц, данных. Прикладная область значения не имеет: механизмы, реализованные в Deductor, с успехом применяются на финансовых рынках, в страховании, торговле, телекоммуникациях, промышленности, медицине, в логистических и маркетинговых задачах и множестве других.

Большинство задач анализа делятся на некоторые классы, решаемых схожим образом. Этих классов немного, но для каждого класса задач необходимо использовать свои механизмы. Законченное решение же состоит по сути из блоков, скомбинированных специальным образом из унифицированных компонентов для решения прикладной задачи. Именно возможность комбинировать различные механизмы анализа при создании прикладных решений позволяет говорить, что Deductor является аналитической платформой.

Чтобы дать общее представление опишем некоторые, наиболее популярные задачи, решаемые при помощи Deductor:

• Системы отчетности
• Data Mining проекты
• Очистка данных
• Прогнозирование
• Моделирование
• Анализ 'что-если'

Системы отчетности

В Deductor включено многомерное хранилище данных Deductor Warehouse, позволяющее быстро создавать системы корпоративной отчетности – финансовой, аналитической, маркетинговой и прочих. Хранилище данных решает задачи консолидации, обеспечения целостности и непротиворечивости данных. Оно оптимизировано под обработку больших объемов данных, поэтому пользователю не придется долго ждать отклика системы. К тому же в Deductor Warehouse имеется богатый семантический слой, обеспечивающий простоту извлечения данных конечными пользователями, которые оперируют при этом привычными бизнес терминами.

Хранящиеся в Deductor Warehouse данные можно просмотреть различными способами, благодаря наличию большого набора визуализаторов. В частности, в виде OLAP кубов, таблиц, диаграмм, гистограмм. Дополнительную ценность системе обеспечивает и то, что можно провести любую обработку и анализировать не "сырые", а предобработанные и очищенные данные. Например, очень интересно просматривать данные о продажах после удаления аномалий и сглаживания – обработанные таким образом данные наиболее точно передают тенденции, отсекая нехарактерные выбросы и шумы.

Data Mining проекты

Data Mining – это процесс извлечения из исходных данных ранее неизвестных, нетривиальных и практически ценных зависимостей (знаний). Сфера применения Data Mining не ограничена одной прикладной областью. Он может применяться везде, где возникает потребность в глубоком анализе данных, но чаще всего речь идет об анализе коммерческой информации.

Вот только некоторые задачи, решаемые при помощи методов Data Mining:

• Анализ и управление рисками
• Оценка кредитоспособности физических и юридических лиц
• Определение профилей клиентов, наиболее характерных особенностей их поведения
• Промышленная диагностика, обнаружение источников и причин возникновения дефектов
• Идентификация критических ситуаций
• Стимулирование продаж
• Сегментация клиентов, продуктов, услуг
• Оценка факторов, влияющих на лояльность клиентов

и множество других…

Очистка данных

Очистка данных сама по себе представляет значительный интерес. На практике исходные данные чаще всего бывают плохого качества. Это связано с объективными причинами и избавиться от этого применением каких-либо административных или организационных методов невозможно. Поэтому необходимо использовать методы очистки данных. Очищенные данные содержат наиболее ценную для анализа информацию, из которой исключены противоречивые и дублирующиеся данные, устранены аномальные выбросы и шумы. Во многих случаях достаточно провести только очистку данных, и выводы будут очевидны. Кроме того, очистка данных позволяет получить лучшие результаты при использовании в дальнейшем любых методов построения моделей.

Прогнозирование

Прогнозирование – одна из самых востребованных задач анализа. В Deductor включено несколько механизмов построения прогностических моделей, в том числе с использованием самообучающихся алгоритмов. Кроме этого в системе имеются механизмы очистки данных, которые приносят особенно большую пользу при решении задачи прогнозирования. Имеющийся набор позволяет получать качественные прогнозы и обладает большими возможностями по адаптации, т.е. способен подстраиваться под изменяемую ситуацию.

Реализованы механизмы, позволяющие автоматически строить прогнозы на основе временного ряда на несколько шагов вперед. Достаточно построить модель, прогнозирующую изменение на 1 шаг, и автоматически использовать ее на произвольное количество отсчетов вперед.

Моделирование

Построение моделей – универсальный способ анализа. В действительности при анализе мы в том или ином виде всегда имеем некую модель исследуемого процесса/объекта. Но не всегда эта модель формализована, т.е. описана таким образом, чтобы ею мог воспользоваться кто-то в режиме "черного ящика": подали данные на вход – на выходе получили результат.

Например, просматривая отчеты, эксперт может обнаружить некий объект, отличающийся от остальных и сделать из этого некие выводы, т.е. в голове у эксперта есть представление о том, на что нужно обратить внимание. Но объяснить это в большинстве случаев он не в состоянии – все базируется на опыте, интуиции. Построив же модель, мы можем тиражировать знания эксперта, т.к. модель является неким формальным описанием, которое легко переносится на машинных носителях.

Способов построения моделей существует множество, но в Deductor основной акцент сделан на самообучающиеся методы и машинное обучение. Данные алгоритмы являются универсальными, решающими большой спектр задач и при этом просты в применении. Полученные результаты можно просмотреть в виде таблиц, кубов, карт, деревьев и прочее. В систему встроены механизмы формальной оценки качества полученной модели.

Анализ "что-если"

При помощи Deductor можно не только построить модели, но и провести анализ по принципу 'что-если', т.е. оценить, как может измениться тот или иной показатель при изменении любого влияющего фактора. Для реализации этого простого в использовании и одновременно мощного механизма предназначен специальный визуализатор. При этом способ, который вы использовали для построения модели не имеет значения, работа со всеми алгоритмами производится одинаково. Результаты 'что-если' анализа можно просмотреть как в табличном виде, так и графическом. Такого рода механизмы визуализации являются готовым инструментом для оптимизации процессов.