Deductor studio academic


Deductor 5.3 – что нового

С момента выхода версии 5.2 прошел немалый срок. За это время на базе Deductor было реализовано множество проектов, значительно расширился функционал платформы. Изменения коснулись практически всех модулей системы.

Веб-сервисы

Deductor 5.3 позволяет полноценно интегрироваться с веб-сервисами.

Платформа позволяет работать в режиме клиента для любого веб-сервиса, имеющего WSDL-описание. Обращения к внешнему сервису могут производиться на любом этапе обработки. Связывание и настройка XML-запросов производится без программирования, при помощи мастеров.

В состав Deductor включен новый серверный компонент – Deductor Integration Server, который является веб-сервисом. Таким образом, результат любой аналитической обработки становится доступным для всех продуктов, взаимодействующих при помощи обмена XML-запросами. WSDL-описание формируется автоматически, без программирования и использования дополнительных инструментов.

Масштабируемая архитектура

Использование Deductor Integration Server позволяет строить отказоустойчивые системы, поддерживающие автоматическую балансировку нагрузки, горячую замену аналитических серверов и повышение производительности обработки за счет включения в кластер дополнительных Deductor Analytic Server-ов.

Обработчики

Серьезно переработан блок очистки данных. Вместо одного обработчика "Парциальная обработка" появилось несколько модулей:

Обработчик "Оценка качества данных" предназначен для проведения профайлинга и аудита данных с целью определения степени их пригодности для решения задач анализа по объективным критериям. Выполнив единственную операцию, пользователь может сразу увидеть "масштаб бедствия" и наметить способы улучшения качества данных.

Добавлены новые обработчики:

Доработаны и значительно улучшены имеющиеся обработчики:

Визуализаторы

Многочисленные улучшения и новые возможности в диаграмме, OLAP-кубе и кросс-диаграмме.

Новые визуализаторы:

Существенная переработка визуализатора ROC-кривая, который переименован в Качество классификации с включением диаграмм Lift-кривых и расчетом индекса Gini.

Импорт и экспорт данных

Deductor Academic отныне, помимо csv-файлов и хранилища данных на базе Firebird, поддерживает быстрый "родной" формат Deductor Data File.

Добавлена поддержка импорта/экспорта данных из/в файлы MS Excel 2007, 2010.

Улучшена работа с платформой 1С: поддержка импорта 1С:Предприятия 8.2, а также построение запросов к 1С:Предприятие 8.0, 8.1, 8.2.

Добавлена возможность импорта данных из CRM-систем:

Переработан импорт и экспорт из XML-документов на основе хранилища XSD-схем.

Новый уровень аналитики

Deductor 5.3 поднимает возможности аналитической обработки на новый уровень.

Поддержка веб-сервисов и новых источников данных позволяет проще интегрировать систему в разнородное программное окружение. Теперь аналитика не ограничивается только внутрикорпоративными данными, любой внешний веб-сервис может быть встроен в конвейер принятия решений. Сам Deductor тоже может стать источником данных для других систем.

Новые обработчики и визуализаторы значительно упрощают процесс анализа: автоматический перебор вариантов обработки, выбор и предложение оптимальных способов очистки, удобная визуализация результатов анализа.

Включение многих новых обработчиков и изменение существующих, в значительной степени направлены на повышение уровня автоматизации работы аналитика. Они позволяют строить гибкие, универсальные, но при этом простые для понимания и поддержки сценарии обработки.

В новой версии значительное внимание уделено повышению скорости обработки больших объемов данных: добавлены новые масштабируемые Data Mining алгоритмы, оптимизирована работа существующих обработчиков. Применение Deductor Integration Server позволяет производить аналитические расчеты на кластере серверов, что значительно снижает время отклика и повышает отказоустойчивость комплекса.

basegroup.ru

Квантование экономических явлений средствами расчетно-аналитической платформы «deductor studio academic»

Квантование экономических явлений средствами

расчетно-аналитической платформы

«Deductor Studio Academic»

Решения прикладных задач и прогнозирование экономических показателей опираются на анализ непрерывно варьирующих величин, подверженных суммарному влиянию многих факторов. В настоящее время наиболее популярной в экономике является вероятностно-статисти-ческая модель, имеющая в основе функцию нормального распределения.

Расчет параметров кривой позволяет построить доверительные интервалы варьирования средних, осуществлять проверку гипотез, применять более сложные методы обработки данных (корреляция, регрессия и т.д.) для выявления связей и оценки их значимости.

Алгоритмы построения вероятностно-статистической модели поддерживаются различными приложениями (Statistics, Statgraph, GPSS и др.).

Тем не менее, стандартные наборы правил ориентируют пользователя на быстрое получение ожидаемого результата, в то время как волнообразная природа изменения многих экономических явлений остается в тени.

В этой связи квантование является первоочередным этапом обработки числовых рядов и позволяет обосновать переход от варьирования к дискретным оценкам наиболее наглядно. Если изучаемые явления статистически несопоставимы, следует использовать применять другие модели (нечеткие множества, интервалы) и, соответственно, методы обработки.

Наиболее просто и доступно механизм квантования информационных массивов реализован в расчетно-аналитической платформе "Deductor"(компания BaseGroup Labs). Основным преимуществом платформы является возможность параллельного изучения различных моделей с перестройкой параметров в интерактивном режиме (путем создания набора сценариев).

В качестве материала для примера рассмотрим официальные данные Госкомстата РФ (, экспорт таблиц в формат MS Excel), отражающие потребительские цены по регионам РФ по состоянию на конец декабря 2009 г. (срез по областям):

Таблица 1

Средние потребительские цены на хлеб и булочные изделия из пшеничной муки высшего сорта (руб./кг), декабрь 2009

№ области, п.п.

Регион

Центральный

Северо-Западный

Южный

Приволжский

Уральский

Сибирский

Дальневосточный

1

34,66

51,71

28,59

37,05

35,09

35,78

54,01

2

35,22

45,71

26,10

33,16

44,28

35,41

67,95

3

37,60

48,34

33,77

37,80

38,13

43,41

45,63

4

34,68

59,49

32,44

32,70

36,52

57,70

54,65

5

24,75

50,98

44,61

46,19

42,46

30,25

31,56

6

35,27

53,73

30,54

29,67

36,41

37,54

47,09

7

40,43

55,47

30,90

36,66

 

42,90

73,86

8

39,14

67,33

32,44

36,78

 

46,16

50,61

9

33,07

48,21

20,30

39,12

 

42,71

66,17

10

40,62

46,21

28,64

28,40

 

49,72

 

11

33,72

 

28,92

39,58

 

41,45

 

12

34,38

 

23,44

39,79

 

38,65

 

13

42,45

 

26,05

34,48

 

 

 

14

33,51

 

36,47

33,88

 

 

 

15

37,48

 

 

 

 

 

 

16

43,78

 

 

 

 

 

 

17

32,48

 

 

 

 

 

 

Для обработки данных в демонстрационной версии платформы "Deductor Studio Academic 5.2" необходимо сохранить рабочий лист в формате txt и импортировать содержимое в систему: массив представляется в виде таблицы.

Активизируя "Мастер обработки" , выбираем позицию "Квантование"

Для каждого ряда (региона) настраиваем параметры квантования (назначение полей; количество интервалов; метку; вид данных) и указываем способ отображения информации:

Программа рассчитает основные характеристики вариационного ряда, а также построит распределение частот для каждого региона:

Анализ варьирования показателя по всем регионам позволит сделать вывод о сопоставимости данных и выбрать наиболее оптимальную модель для прогноза [1].

В настоящем примере аналитическая платформа функционирует, как надстройка над информационным массивом (или базой данных).

Тем не менее, успешное решение (импорт – экспорт) и совместимость с приложениями Windows определяют систему в качестве внутреннего звена технологической цепочки обработки экономической информации на любой ее стадии. Дружелюбный интерфейс, богатство инструментария, гибкость настроек и широкие возможности вывода данных позволяют конструировать модели и наблюдать экономические явления через "призму" Deductor наиболее всесторонне и объективно.

Библиографический список

1. Денисов Д.П. Рациональная организация расчетно-прикладных заданий в электронных таблицах MS Excel // Проблемы содержания и качества учебного процесса в высшей школе: сборник научных статей / Под ред. А.Э. Еремеева, Г.В. Косякова. – Омск: Изд-во ОГИ, 2005. – С. 54-60.

В.Ю. Епанчинцев

НОУ ВПО «Омская гуманитарная академия»

ГОСУДАРСТВЕННОЕ РЕГУЛИРОВАНИЕ

ИНВЕСТИЦИОННОЙ ДЕЯТЕЛЬНОСТИ В МОЛОЧНОМ

СКОТОВОДСТВЕ

Государственная поддержка российского аграрного сектора в национальном масштабе в последние десятилетия нашла отражение в крупных государственных социально-экономических программах. Наиболее масштабным шагом стала реализация национального проекта «Развитие АПК», основным направлением которого явилось ускоренное развитие животноводства. Реализация данного направления должна была способствовать увеличению объемов производства животноводческой продукции, повышению рентабельности отрасли, техническому перевооружению действующих животноводческих комплексов и введению в эксплуатацию новых мощностей. Достижение таких результатов планировалось за счет финансирования племенного животноводства, повышения доступности кредитов, роста льготных поставок по системе федерального лизинга племенного скота, техники и оборудования для животноводства, совершенствования мер таможенно-тарифного регулирования.

За 2006-2008 гг. реализации проекта целевые показатели по производству молока и стабилизации численности поголовья животных на уровне страны были выполнены. Производство молока за данный период в Российской Федерации возросло на 3,5%, однако численность поголовья крупного рогатого скота на 01.10.09 г. осталась на уровне 01.01.06 г. Однако при реализации проектов предприятиям пришлось столкнуться с рядом проблем, основная часть которых уже давно присуща кризисному состоянию животноводства России. В связи с этим особую актуальность приобретает более детальное рассмотрение такого инструмента государственного регулирования, как национальный проект «Развитие АПК» по направлению «Ускоренное развитие животноводства» в части молочного скотоводства, для выявления основных преимуществ и недостатков его реализации как на уровне Российской Федерации, его субъектов, так и конкретно для отдельных хозяйств [4].

Важной проблемой при решении этих вопросов является оптимизация структуры производства сельскохозяйственных предприятий, осуществивших реконструкцию и строительство молочных комплексов, как на современном этапе, так и на перспективу. В то же время новая аграрная политика государства, сформулированная в Федеральном Законе «О развитии сельского хозяйства», и опыт реализации приоритетного национального проекта требуют более детального рассмотрения направлений государственного регулирования аграрного сектора российской экономики в современных условиях. Остается нерешенным и вопрос перспективного развития предприятий–участников данного проекта в условиях мирового кризиса, что также подтверждает актуальность выбранной темы. Недостаточная разработанность этих проблем послужила основанием для проведения данного исследования.

В советское время при выделении финансовых ресурсов для сельского хозяйства, как правило, не обращали внимания на конечный результат, выделяемые ресурсы, в частности удобрения и горючее, были для производителей сельскохозяйственной продукции бесплатными, на уборку урожая широко привлекались горожане. В настоящее время на селе появились агрохолдинги с поголовьем крупного рогатого скота более 10 тыс. голов (в том числе не менее 2 тыс. – 5 тыс. молочных коров). С ними предпочитают работать инвесторы - банки и коммерческие структуры. Коммерческие банки, принимая решение о финансировании сельскохозяйственного предприятия, прежде всего, смотрят на его способность вернуть кредит. Проблемой является то, что закупочные цены на российскую сельхозпродукцию устанавливают коммерсанты, которые перекупают продукцию у производителей и перепродают в города.

Следует отметить преимущество этого сектора экономики, которое состоит в стабильности спроса на сельскохозяйственную продукцию, что является важным фактором при принятии решения о финансировании проектов в этой сфере. Основное условие успешности любого проекта - это возможность сбыта продукции, что привлекает сегодня многих инвесторов, в том числе крупные торгово-закупочные компании, которые получают финансирование в крупных банках.

Существует убеждение, что сельскохозяйственные проекты нерентабельны. Эта ситуация базируется на необходимости для сельхозпроизводителей рассчитываться по краткосрочным кредитам, взятым в том числе и у частных лиц часто под очень высокие проценты. Вместе с тем многие инвесторы опасаются вкладывать деньги в сельскохозяйственные проекты из-за общего тяжелого положения отрасли.

Еще одной проблемой, с которой сталкиваются банки при финансировании сельхозпроектов, является недостаток квалифицированных кадров в сельском хозяйстве. Эта проблема напрямую влияет на качество менеджмента проекта, поэтому она даже более критична, чем привлечение средств. Существуют стандартные методики оценки заемщика, и они могут использоваться, вместе с тем необходимо делать поправки на специфику этой сферы. В целом нужно помнить, что это - капиталоемкая отрасль с большими сроками окупаемости. Банк при финансировании предприятия оценивает устойчивость его финансово-хозяйственной деятельности, динамику показателей основной деятельности, например, объема продаж. Оптимальные финансовые показатели - значение показателя текущей ликвидности более 2-х, значение коэффициента финансовой зависимости - 0,5, рентабельности продаж - 30%. Также необходима оценка уровня прибыльности предприятия, возможность предоставления залога, страхование в соответствии с Положением Банка России «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» (далее - Положение №254-П).

Современный сельхозпроизводитель часто не может отвечать ни за качество продукции, ни за ее поставку в срок. Кроме того, у него часто существуют проблемы с залоговым имуществом. При принятии решения о кредитовании необходимо определить, каким имуществом обладает заемщик - основными фондами, запасами готовой продукции, землей. Залог земельных участков из земель сельскохозяйственного назначения осуществляется в соответствии с Федеральным законом от 16.07.1998 №102-ФЗ «Об ипотеке (залоге недвижимости)». Согласно Закону об обороте земель [2], пайщики получили возможность оформить землю в собственность. Тем не менее, около 70 - 75% земель в стране либо оформлено ненадлежащим образом, либо вовсе не оформлено. Брать землю в качестве залога не всегда правильно, так как она часто ничего не производит. Чтобы вернуть землю в производительное состояние, чтобы на ней могла расти даже не пшеница, а просто трава, необходимо минимум три года. Это, конечно же, влияет на сроки окупаемости проекта.

textarchive.ru

Практика использования Deductor в ННГАСУ

Продолжаем цикл интервью с наиболее активными участниками академической программы BaseGroup Labs.

Нижегородский государственный архитектурно-строительный университет представляет к.ф.-м.н., доцент кафедры прикладной информатики и статистики Прокопенко Наталья Юрьевна (доклад Н.Ю. Прокопенко с III межвузовской конференции преподавателей доступен здесь).

ННГАСУ вступил в академическую программу BaseGroup Labs в 2007 году по инициативе кафедры прикладной информатики и статистики. Информация о кафедре представлена в карточке вуза.

Беседу от BaseGroup Labs ведет Надежда Карпузова.

Наталья Юрьевна, расскажите историю знакомства кафедры с программными продуктами BaseGroup Labs.

Наталья Юрьевна Прокопенко (далее Н.Ю.): Кафедра прикладной информатики и статистики Нижегородского государственного архитектурно-строительного университета с 2007 г. участвует в академической программе BaseGroup Labs.

Понимание необходимости подготовки специалистов в области анализа данных было продиктовано временем. Термины «анализ данных», «методы искусственного интеллекта» все чаще стали появляться в литературе и в Интернете, большое количество русскоязычной литературы стало обращаться к теоретическим и организационно-методическим вопросам разработки и применения интеллектуальных информационных систем в экономике. Термин «искусственный интеллект» был включен в государственный образовательный стандарт Российской Федерации. В учебных планах университетов появились учебные дисциплины, такие как «Интеллектуальные информационные системы», «Интеллектуальные методы анализа данных». В связи с необходимостью введения в учебный план данных дисциплин и организации сотрудничества с соответствующими работодателями кафедрой был приглашён сотрудник Нижегородской компании BIGroup Labs (имела статус партнера BaseGroup Labs), который читал лекции и вел практические занятия со студентами, используя АП Deductor. Благодаря сотрудничеству с этой компанией, появились первые дипломные проекты и научно-исследовательские работы студентов в области анализа данных.

По итогам этой работы в дальнейшем на кафедре было определено в качестве одного из ключевых направлений специализации студентов направление «бизнес-аналитика на базе систем искусственного интеллекта». Для этого в учебные планы бакалавров и магистров были введены специальные дисциплины. Тематика бизнес-аналитики официально закреплена как одна из основных при выборе тем выпускных квалификационных работ.

В это же время компания BaseGroup выступила с академической инициативой: открыла электронный учебный центр, где предложила самые современные курсы по анализу данных и анонсировала свободно распространяемую версию аналитической платформы Deductor Academic, а также организовала возможность электронного обучения и сертификации для преподавателей вузов. В результате в рамках заключенного соглашения о сотрудничестве были получены методические материалы вместе с практическими примерами, необходимые для обучения студентов, был пройден полный курс электронного обучения и получен статус сертифицированного аналитика Deductor.

Как построены учебные планы с точки зрения изучения дисциплин, связанных с анализом данных? В каких дисциплинах используется аналитическая платформа Deductor?

Н.Ю.: Для того чтобы студенты направления «Прикладная информатика» (профиль – Прикладная информатика в экономике) могли свободно пользоваться современными аналитическими информационными технологиями, учебный план составлен так, чтобы последовательно осваивать направление «бизнес-аналитика на базе систем искусственного интеллекта», опираясь как на специальные дисциплины, так и на дисциплины информатики вообще. Для освоения бизнес-аналитики, кроме базовых разделов в дисциплинах «математика» и «теория вероятностей и математическая статистика», введены специальные учебные дисциплины:

а также ряд дисциплин для магистров:

Главная цель этих дисциплин – получение базовых знаний в области интеллектуальных информационных систем, изучение методов и средств интеллектуального анализа данных, приобретение навыков работы с инструментами Data Mining. Основными задачами являются:

Для обучения студентов направления «Прикладная информатика» в качестве универсальной моделирующей среды для создания прикладных решений в области анализа данных используется Deductor Academic. Первое знакомство с АП Deductor и приобретение базовых навыков работы с ней происходит на втором курсе бакалавриата в рамках дисциплины «Методы искусственного интеллекта». Более углубленное изучение возможностей платформы продолжается на третьем курсе при изучении дисциплины «Системы поддержки принятия решений». Для тех выпускников ННГАСУ, которые хотят продолжить научную карьеру, открыты двери магистратуры по прикладной информатике в аналитической экономике. Магистранты, выполняя задания по предметам «Методы бизнес-аналитики» и «бизнес-аналитика в практике предприятий», используют уже профессиональную версию аналитической платформы (три ключа Deductor Professional были получены нашими студентами за победу в конкурсе выпускных работ).

Возможности профессиональной версии (интеграция с 1С, с различными СУБД, автоматизация выполнения сценариев обработки данных через пакетный режим) способствовали расширению тематики бакалаврских и магистерских выпускных работ, а также позволило студентам участвовать в различных конкурсах и научных конференциях.

При разработке учебных задач многие преподаватели сталкиваются с проблемой поиска исходных данных. Подобные затруднения зачастую возникают и у студентов при написании учебных, научных и выпускных квалификационных работ. Какие источники данных используются на кафедре прикладной информатики и статистики ННГАСУ?

Н.Ю.: Особенностью дисциплин направления «Бизнес-аналитика на базе систем искусственного интеллекта» является то, что практические работы должны быть выполнены на реальных данных. При организации практических и лабораторных занятий используются в наборы данных, специально подготовленные для максимальной демонстрации возможностей методов анализа, предоставленные компанией BaseGroup в рамках академической программы. Кроме того, уже накоплена своя база данных, которые мы используем для разработки индивидуальных заданий для курсовых и дипломных проектов. Это результаты социологических и маркетинговых опросов, базы данных, выгруженные из 1С и других учетных систем, полученные студентами во время прохождения производственной и преддипломной практики, интернет-данные, собранные с использованием технологии парсинга. На новых данных мы разработали методические указания по решению различных задач, в которых используются возможности АП Deductor: ХД, очистка данных, OLAP, Data Mining, а также издали два учебных пособия «Информационные технологии анализа данных (аналитические информационные системы поддержки принятия решений на базе Deductor Studio Academic 5.2)» и «Системы поддержки принятия решений на базе Deductor Studio Academic 5.3».

На ваш взгляд как ученого-математика и преподавателя с большим стажем, каковы основные особенности реализации математических методов в Deductor? Насколько доступны пониманию студентов работа алгоритмов и полученные результаты?

Н.Ю.: Основная особенность Data Mining – это сочетание широкого математического инструментария (от классического статистического анализа до новых методов машинного обучения) и последних достижений в сфере информационных технологий. В технологии Data Mining объединились строго формализованные методы и методы неформального анализа, т.е. количественный и качественный анализ данных.

Изучая в рамках дисциплины «Методы искусственного интеллекта» такие модели, как искусственные нейронные сети, деревья решений, ассоциативные правила, логистическую регрессию, кластеризацию, мы большое внимание на занятиях уделяем именно алгоритмам, используемым в этих моделях. Решаем задачи, на которых студенты разбираются с работой алгоритма обратного распространения ошибок при изучении нейронных сетей, с работой алгоритмов k-средних и k-медианы при кластеризации, как работает алгоритм Apriori при генерации ассоциативных правил; генетические алгоритмы. А вот программную реализацию этих алгоритмов, мы заменяем лабораторными занятиями с АП Deductor. В нем реализованы практически все модели Data Mining и современные технологии анализа структурированных данных. Использование самообучающихся методов и мастеров для настройки позволяют осваивать учебный материал студентам со стандартной математической подготовкой, а множество имеющихся там способов визуализации данных (граф нейронной сети, сети Кохонена, деревья решений, рок-диаграмма, таблица сопряженности и многие другие) значительно облегчают восприятие студентами содержания решаемых бизнес-задач. Благодаря доступности и наглядности методов анализа данных, реализованных в Deductor, студентам остается главным образом творческая работа: изучение предметной области, выбор методов решения, интерпретация результатов.

Расскажите о наиболее интересных проектах, реализованных в Deductor.

Н.Ю.: Уже более десяти лет кафедра активно ведет научно-исследовательскую работу со студентами в области бизнес-аналитики и систем искусственного интеллекта. За это время на основе аналитической платформы Deductor студентами МИЭПМ получены интересные аналитические решения, оформленные в виде выпускных квалификационных работ: «Анализ и прогнозирование макроэкономических региональных показателей Нижегородской области»; «Создание хранилища данных и аналитической отчетности для нижегородской детской областной больницы»; «Разработка системы прогнозирования результатов спортивных состязаний»; «Разработка автоматизированной информационной системы принятия инвестиционных решений на базе АП Deductor»; «Применение современных информационных средств и технологий для решения задач экологического мониторинга Нижегородской области» и много других.

Нашими студентами и выпускниками были получены интересные аналитические решения для ряда нижегородских компаний «Нижегород Металл» и «НПН», ООО «ФорматСервис», нижегородского филиала ОАО «Сады Придонья». Компания «Нижегород Металл» специализируется на оптовой и розничной торговле металлопрокатом. «НПН» – крупнейшая оптово-логистическая структура города Нижний Новгород, специализирующаяся на оптовой реализации автозапчастей для отечественных автомобилей, спецтехники. В рамках реализованных пилотных проектов были решены следующие задачи: оперативный многомерный анализ данных; формирование заказов товарных позиций; автоматическое построение прогнозов. Интеграция аналитической платформы Deductor и учетной системы «1С», используемой в деятельности этих торговых предприятий, позволила получить данные для реализации сценария анализа ассортимента и стабильности продаж.

Помимо непосредственно учебного процесса, как используется Deductor в ННГАСУ? Какие интересные исследовательские и образовательные проекты были реализованы с использованием его возможностей и в сотрудничестве с BaseGroup Labs?

Н.Ю.: В ННГАСУ уделяется большое внимание межкафедральному сотрудничеству, для решения многих задач даже был создан Международный центр междисциплинарных исследований. Одним из реализованных проектов этого центра, где использовалась АП Deductor, был проект, связанный с обработкой результатов анкетирования студентов для определения их приоритетов во время обучения в университете, для определения отношения студентов к научной работе, их понимания места научной работы в формировании профессиональных компетентностей будущих специалистов.

Полученные результаты определи степень мотивации студентов разных факультетов к научно-исследовательской деятельности; позволили выявить заинтересованность студентов к повышению качества учебного процесса, разработать комплекс мероприятий и практические рекомендации по привлечению к НИР заинтересованных в ней студентов.

Также в рамках деятельности Международного центра междисциплинарных исследований в феврале 2013 г. прошла зимняя школа «Современные методы анализа и управления».

Зимняя школа – это возможность для студентов принять участие в интересном и очень полезном событии вне учебного процесса, во время каникул, это возможность узнать нечто большее, выходящее за пределы обычного учебного курса, старт для проектной деятельности, знакомство с замечательными людьми. Там не было преподавателей, читающих предмет, но никогда не занимающихся им «вживую», а еще не было студентов, которые приходят в аудиторию только ради отметки о присутствии. Каждый студент знал, зачем он пришел, что хочет узнать и чему хочет научиться.

Занятия были посвящены знакомству с рядом методов, которые находятся на переднем крае современного управления. Это интеллектуальные методы бизнес-аналитики, методы имитационного моделирования экономических процессов и методы автоматизации управления бизнес-процессами. Кроме этого в отдельных докладах были рассмотрены актуальные вопросы экологического обоснования проектов, управления проектами, а также развития электронного документооборота. Преподавателями школы были сотрудники консалтинговых фирм из Рязани и Москвы, а также доценты ННГАСУ и РАНХиГС.

Контингент аудитории был весьма разнообразен: начиная от второкурсников МФЭПМ, заканчивая аспирантами и преподавателями из вузов Нижнего Новгорода, Москвы и Чебоксар: НГТУ, ННГУ, РГАУ-МСХА, ЧГУ.

Было действительно интересно, обсуждались серьезные практические проблемы и актуальные задачи автоматизации, моделирования, анализа, оптимизации и решение их современными методами.

Особое спасибо хочется сказать руководителю академической программы BaseGroup Labs к.техн.н., доценту Николаю Борисовичу Паклину, который прочитал лекции и провел мастер-классы в рамках секции зимней школы по анализу данных.

Данное мероприятие отмечала замечательная атмосфера, высокий профессионализм преподавателей, хороший уровень организации. Все участники получили сертификаты.

ННГАСУ является одним из самых активных вузов в академической программе BaseGroup Labs. Каковы основные результаты, достигнутые за период сотрудничества?

Н.Ю.: Подводя некоторые итоги десятилетнего опыта сотрудничества кафедры прикладной информатики и статистики и BaseGroup Labs в области образования, можно сказать, что за это время было решено много актуальных задач для целевой подготовки наших бакалавров и магистров, а именно:

Была проведена большая совместная работа по формированию имиджа профессии бизнес-аналитика.

Результатом сотрудничества является также издание двух учебных пособий, публикация статей и научных работ преподавателей, студентов и магистрантов в различных научных изданиях.

Кроме этого, такое сотрудничество имеет множество ценных преимуществ для наших выпускников. Теперь студенты, показавшие высокие результаты обучения, получают сертификаты об успешном прохождении курса обучения работе с Deductor. У нас больше 20 студентов уже получили такой сертификат. Получение профессионального сертификата даёт преимущество при трудоустройстве и потому дополнительно мотивирует студентов к изучению бизнес-аналитики.

Также следует отметить, что компанией BaseGroup Labs проводится большая работа по повышению квалификации преподавателей в сфере бизнес-аналитики и интеллектуальных информационных технологий (конференции, бесплатные обучающие курсы с возможностью получения сертификата).

Успешно развиваются также связи с академическими сообществом, благодаря тому, что ваш портал знаний https://basegroup.ru стал открытым ресурсом для преподавателей анализа данных всех вузов страны, ведь там есть блоги специалистов, интервью и презентации с разных конференций, банк сценариев и база примеров реальных внедрений. Думаю, что ученые, вузовские преподаватели, практики могли бы продолжать эту традицию, публично предоставляя интересные примеры для своих коллег, студентов, аспирантов.

Какими Вы видите основные направления дальнейшего использования программного продукта и сотрудничества с компанией?

Н.Ю.: В настоящее время нами решается проблема подбора новых задач для подготовки магистров, так как области применения методов машинного обучения очень разнообразны.

Рассматривается возможность применения технологии e-learning, так как при такой форме обучения значительно увеличивается доля самостоятельной работы студентов, повышается активность и качество обучения.

Ищутся формы взаимодействия с организациями, интересующиеся внедрением современных информационных технологий на основе методов машинного обучения, для того, чтобы готовить специалистов, умеющих использовать полученные знания на реальных задачах.

Ну и конечно, мы готовы осваивать новый продукт компании – аналитическую платформу Loginom 6, который был представлен нам на IV межвузовской конференции в Москве в июне этого года. Ждем специализированных обучающих курсов в электронном учебном центре на сайте компании. В наших планах – непрерывно повышать квалификацию, в том числе путем участия в вебинарах, посещения семинаров и мастер-классов.

А также мы ждем таких форм сотрудничества, как проведение конкурсов ВКР, олимпиад и хакатонов.

Как Вы оцениваете проводимые BaseGroup конференции преподавателей по использованию Deductor в учебном процессе вуза? Насколько полезными, на Ваш взгляд, являются такие мероприятия?

Н.Ю.: Межвузовские конференции по использованию Deductor – это очень значимые для академического сообщества мероприятия, которые собирают преподавателей из разных вузов страны с тем, чтобы поделиться результатами последних прикладных и исследовательских проектов по анализу данных, предложить возможные варианты теоретико-методологических решений, обсудить наиболее актуальные вопросы формирования программ учебных дисциплин, установить партнерские отношения с коллегами, обменяться новыми пособиями.

Я всегда приезжаю на такие конференции, интересно узнавать что-то новое и дальше развиваться в этом направлении. Они являются мостом между академической теорией и реальной практикой. Это уникальная возможность окунуться в среду интересных, творческих, очень увлеченных людей. На конференции создается очень приятная доброжелательная атмосфера, которая позволяет поделиться опытом, представить результаты собственного труда. Ключевым моментом последней конференции стал мастер-класс с демонстрацией решения задач на Loginom.

Очень хорошо организован и досуг – программа включает интересную экскурсию по территории Тимирязевской академии и вечернюю экскурсию на теплоходе по Москве-реке. Спасибо всем организаторам.

В ноябре 2017 г. выходит новая версия аналитической платформы — Loginom. Каковы Ваши первые впечатления от знакомства с ним?

Н.Ю.: Демонстрация нового продукта на межвузовской конференции в июне, а также закрытый вебинар в сентябре уже дают представление о том, что его выход будет несомненно сопровождается расширением и углублением знаний в области анализа данных, что конечно же повлечет изменение и усовершенствование учебных программ и для бакалавров, и для магистров. Мы готовы к дальнейшему тесному взаимодействию с компанией BaseGroup Labs, готовы формировать новое поколение специалистов в области бизнес-аналитики с новыми знаниями, умениями, «компетенциями», с использованием новых возможностей нового программного продукта.

Держать «руку на пульсе» в области современных технологий анализа данных возможно только в теснейшем взаимодействии с ведущими российскими IT-компаниями. И благодаря академической программе BaseGroup Labs, мы получим уникальный опыт применения в учебном процессе полнофункционального программного обеспечения, которое будет уже в скором времени востребовано не только российскими бизнес-заказчиками.

Насколько полезно для современных выпускников изучение технологий и инструментария анализа данных? Каковы, на ваш взгляд, перспективы востребованности этих знаний работодателями?

Н.Ю.: Каждому выпускнику высшего учебного заведения очень важно обладать по окончании обучения именно теми знаниями, которые пригодятся на будущем месте работы. В ННГАСУ построена система обратной связи о качестве подготовки выпускников и востребованности их компетенций. Учитывая, что технологии анализа данных, не привязаны к конкретной предметной среде, студенты направления «прикладная информатика» в ННГАСУ получают универсальные знания, необходимые для эффективного использования в различных областях человеческой деятельности – в экономике, торговле, управлении, образовании и т.д.

К сожалению, наблюдается некоторое опережение темпов развития инструментария анализа данных по отношению к пониманию со стороны работодателей, какую полезную информацию можно извлечь из данных при помощи современных средств обработки и анализа. Но, несомненно, интерес со стороны государственных структур, бизнеса, здравоохранения, образования и др. к современным технологиям и методам анализа данных будет расти, а значит выпускники вузов, владеющие инструментарием анализа данных, будут все более востребованы потенциальными работодателями. В связи с этим необходимость приближения теории обучения к практике использования новых программных продуктов не вызывает сомнений, так как известно, что шансы выпускника вуза на успешную карьеру резко увеличиваются, если кроме теоретических знаний он обладает еще и прочными практическими навыками. Так что наша совместная цель – подготовка грамотных специалистов, понимающих потребности бизнеса и умеющих применить современные информационные технологии и программное обеспечение по анализу данных для их удовлетворения.

basegroup.ru

ИСПОЛЬЗОВАНИЕ DEDUCTOR STUDIO ACADEMIC - PDF

Анкета участника. Конкурс ВКР- 2010

Анкета участника Информация ФИО студента Направление/специальность Вуз Вуз-партнер Город Кафедра ФИО зав. кафедрой Тема ВКР Описание Ильин Илья Викторович 080800.62 «Прикладная информатика (бакалавриат)»

Подробнее

Теория систем и системный анализ (ОНЦ.Б.01)

Примерные вопросы по темам, предназначенные для предъявления на государственном экзамене студентам, обучающимся по направлению подготовки магистров 080500 «Бизнес-информатика» Теория систем и системный

Подробнее

Квалификация (степень) Магистр

Приложение 2. Содержательно-логические связи учебных дисциплин (модулей), практик ООП ВПО МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение

Подробнее

Комплексная предобработка

Золотарюк А.В. Интеллектуальные компьютерные технологии обработки социологической информации Практическое занятие 3 Комплексная предобработка Комплексная предобработка служит для понижения размерности

Подробнее

Семестр РГЗ. Внешние требования

Кафедра теоретической и прикладной информатики Образовательная программа: 02.04.0 Математическое обеспечение и администрирование информационных систем, магистерская программа: Математическое и программное

Подробнее

ПРОГРАММА ПРЕДДИПЛОМНОЙ ПРАКТИКИ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное образовательное учреждение высшего образования «Новосибирский национальный исследовательский государственный

Подробнее

Тематика выпускных квалификационных работ

Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования «Российский экономический университет имени Г.В. Плеханова» Факультет

Подробнее

СТАТИСТИКА Цель и задачи дисциплины

СТАТИСТИКА 1. Цель и задачи дисциплины Целью изучения дисциплины «Статистика» является ознакомление студентов с содержанием статистики как научной дисциплины, с ее основными понятиями, методологией и методиками

Подробнее

ПЛАТФОРМА «DATASTORM»

ПЛАТФОРМА «DATASTORM» +7 (905) 729-00-34 [email protected] ПОДРОБНЕЙ О НАШЕЙ ПЛАТФОРМЕ DataStorm это интеллектуальная система управления бизнесом. С нами любой член команды четко знает что и когда он должен делать,

Подробнее

О модернизации ГАС «Управление»

О модернизации ГАС Начальник Управления интегрированных информационных систем государственных финансов Федерального казначейства Матвеенко Владимир Владимирович Задачи Федерального казначейства в рамках

Подробнее

Введение в нейронные сети [M.160]

Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,

Подробнее

«Философские проблемы науки и техники»

Аннотации дисциплин основной образовательной программы высшего профессионального образования Направление подготовки: 230700 Прикладная информатика (код и наименование направления подготовки) Программа

Подробнее

Современные проблемы н а у к и

Л. Н. Ясницкий, Т. В. Данилевич Современные проблемы н а у к и Учебное пособие Рекомендовано НМС по математике и механике УМО по классическому университетскому образованию РФ в качестве учебного пособия

Подробнее

План учебного процесса

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФГБОУВО "Пермский государственный национальный исследовательский университет" Экономический факультет Форма обучения очная УЧЕБНЫЙ ПЛАН Направление

Подробнее

СТАТИСТИКА СТРАХОВОГО РЫНКА

Министерство образования и науки Российской Федерации федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Российский экономический университет имени

Подробнее

Платформа Microsoft для бизнес-аналитики

Платформа Microsoft для бизнес-аналитики Сергей Минюров Октябрь, 2013 В области разработки интеграционных и аналитических решений продукты Microsoft является признанным лидером мирового рынка. Рисунок

Подробнее

АННОТАЦИЯ РАБОЧЕЙ ПРОГРАММЫ ДИСЦИПЛИНЫ

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ ДЕПАРТАМЕНТ НАУЧНО-ТЕХНОЛОГИЧЕСКОЙ ПОЛИТИКИ И ОБРАЗОВАНИЯ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «КОСТРОМСКАЯ

Подробнее

«Деньги, кредит, банки»

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ ДЕПАРТАМЕНТ НАУЧНО-ТЕХНОЛОГИЧЕСКОЙ ПОЛИТИКИ И ОБРАЗОВАНИЯ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «КОСТРОМСКАЯ

Подробнее

Программноаналитический ГРАДИС

Программноаналитический комплекс ГРАДИС Москва 2016 Цель создания Системы: Система предназначена для консолидации региональных и муниципальных данных об объектах градостроительной, инвестиционной деятельности,

Подробнее

Программа учебной дисциплины

Министерство образования Российской Федерации Санкт-Петербургский государственный университет Экономический факультет Рассмотрено и рекомендовано на заседании кафедры Информационных систем в экономике

Подробнее

docplayer.ru

Studio | BaseGroup Labs

Цель работы Deductor - формализовать процесс принятия решений и поставить его "на поток". Например, сотрудник, оформляющий кредиты, должен внести данные по потребителю, а система автоматически выдать ответ, на какую сумму данный потребитель может рассчитывать, либо сотрудник отдела закупок при оформлении заказа получить автоматически рассчитанный, рекомендуемый объем закупки каждого товара.

Ключевым лицом в данном процессе является аналитик. Для него необходим инструмент, позволяющий формализовать и гибко перестраивать логику принятия решений. Таким инструментом является Deductor Studio – рабочее место аналитика.

Работа аналитика со Studio сводится к визуальному построению сценариев. Сценарий – последовательность действий, позволяющих получить из данных знания. Вся работа выполняется при помощи мастеров и сводится к комбинированию всего 5 операций:

Схема работы Deductor Studio:

Deductor Studio позволяет аналитику автоматизировать рутинные операции по обработке данных и сосредоточиться на интеллектуальной работе: формализация логики принятия решений, построение моделей, прогнозирование. Остальные сотрудники компании могут легко воспользоваться готовыми результатами, не вникая в сложности анализа:

Объединение всех описанных выше механизмов в Deductor Studio обеспечивает принципиально новое качество анализа: быстрая разработка и адаптация решений, интеграция в существующую инфраструктуру, эволюционное развитие от простой отчетности к глубокой аналитике.

basegroup.ru

Парциальная обработка данных в аналитической платформе Deductor Studio Academic

Комплексная предобработка

Золотарюк А.В. Интеллектуальные компьютерные технологии обработки социологической информации Практическое занятие 3 Комплексная предобработка Комплексная предобработка служит для понижения размерности

Подробнее

Преобразование и фильтрация данных

Практическое занятие 4 Преобразование и фильтрация данных С помощью инструментов предварительной обработки данных в Deductor Studio можно добиться решения ряда промежуточных аналитических задач по обогащению

Подробнее

Руководство пользователя

Руководство пользователя Содержание Введение... 1 ВАЖНЫЕ ПРИМЕЧАНИЯ... 1 Официальные уведомления... 2 Установка и настройка... 3 Системные требования... 3 Установка... 3 Активация... 6 Автоматическое обновление...

Подробнее

Основные операции с файлами и папками

Основные операции с файлами и папками С файлами и папками можно делать следующие операции: Копировать файл (папку) создавать копию файла (папки) в другом месте компьютера; Удалить файл (папку) убрать файл

Подробнее

Работа с табличным процессором Microsoft Excel

Работа с табличным процессором Microsoft Excel Краткие теоретические сведения Приложение Windows Excel позволяет формировать и выводить на печать документы, представленные в табличном виде, выполнять расчеты

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 4

ЛАБОРАТОРНАЯ РАБОТА 4 1. ТЕМА: «Настройки текстового процессора Microsoft Word» 2. ОБЩАЯ ЦЕЛЬ РАБОТЫ: получить навыки выполнения первичных настроек текстового редактора; ознакомления с элементами строки

Подробнее

ПРАКТИЧЕСКАЯ РАБОТА 1

ПРАКТИЧЕСКАЯ РАБОТА 1 Создание и редактирование таблиц, построение диаграмм Цель работы: Изучение возможностей пакета MS Excel при создании и редактировании таблиц. Приобретение навыков работы с таблицами

Подробнее

Занятие 3. Наполнение хранилища данных

Занятие 3. Наполнение хранилища данных После создания структуры хранилища данных оно представляет с собой «пустое» ХД Deductor Warehouse 6 с настроенным семантическим слоем. В таком виде оно готово к загрузке

Подробнее

Антивирус Касперского Карантин.

Карантин http://support.kaspersky.ru/kav2012/ecourse Карантин и резервное хранилище Карантин это специальное хранилище, в которое помещаются файлы, возможно зараженные вирусами или неизлечимые на момент

Подробнее

Ваша инструкция SAMSUNG PC STUDIO 3.2

Вы можете прочитать рекомендации в руководстве пользователя, техническом руководстве или руководстве по установке. Вы найдете ответы на вопросы о в руководстве (характеристики, техника безопасности, размеры,

Подробнее

Руководство пользователя

Руководство пользователя Содержание Введение... 1 ВАЖНЫЕ ПРИМЕЧАНИЯ... 1 Официальные уведомления... 3 Установка и настройка... 5 Системные требования... 5 Установка... 5 Активация... 7 Автоматическое обновление...

Подробнее

Т.В. Глотова. Методические указания

Т.В. Глотова Методические указания для выполнения практических и самостоятельных работ раздел Основы работы с офисным пакетом OpenOffice.org 3.2 Часть 6 История OpenOffice.org. Платформы и системные требования

Подробнее

Новая таблица ГЛАВА 1

ГЛАВА 1 Новая таблица Для того чтобы начать работу с Microsoft Excel 2007, надо щелкнуть на кнопке Пуск (появится список программ, с которыми пользователь работал в последнее время) и в появившемся меню

Подробнее

ГИДРОСТАТИСТИКА версия 2.1

Программа для гидростатистических расчетов ГИДРОСТАТИСТИКА версия 2.1 Краткое руководство пользователя Барнаул - 2001 г. АВТОРЫ: Е. В. Воробьев В. А. Жоров О. В. Ловцкая С. Г. Яковченко Внимание! По всем

Подробнее

Основы работы в Microsoft Word

глава 1 Основы работы в Microsoft Word 1.1. Установка Microsoft Word Перед тем как начать работу с программой, ее обязательно нужно установить. В процессе установки (инсталляции) на компьютер копируются

Подробнее

Характеристика тары. Количество сырья, кг, шт. Допустимая нагрузка, кг/м 2. Количество тары, шт. Скорректированная масса продукта, кг

Количество сырья, кг, шт. Длина Ширина Высота Ёмкость тары, кг, шт, л. Количество тары, шт Скорректированная масса продукта, кг Вид складского оборудования Количество оборудования Длина Ширина Высота Площадь

Подробнее

Модуль 2. Работа с программой

Модуль 2. Работа с программой Минимальные требования к системе для установки и работы ИАС «Аверс: Библиотека» Подготовительные операции Установка ИАС «Аверс: Библиотека» Установка Web-сайта ИАС «Аверс:

Подробнее

The Bat! Voyager Ritlabs, SRL

The Bat! Voyager Содержание 1. Введение... 3 2. Рекомендации... 4 3. Установка... 5 4. Создание почтового ящика... 9 1. Введение The Bat! Voyager это портативная версия почтового клиента, созданная, чтобы

Подробнее

Экспорт объектов базы данных.

Экспорт объектов базы данных. Для экспорта информации из объектов БД Источник следует щелкнуть левой кнопкой мышки на узле Экспорт объектов БД в дереве задач Источниками данных могут являться следующие

Подробнее

Лабораторная работа 3.8

Лабораторная работа 3.8 СВОДНЫЕ ТАБЛИЦЫ Что осваивается и изучается? Создание сводной таблицы. Создание диаграмм по сводной таблице. Группировка элементов по сводной таблице. Сводные таблицы предназначены

Подробнее

Система электронной торговли OTC-market

Руководство Поставщика Создание предложения Москва 2014 Оглавление 1. СОЗДАНИЕ ПРЕДЛОЖЕНИЯ... 3 2. ЗАПОЛНЕНИЕ КАРТОЧКИ ПРЕДЛОЖЕНИЯ... 4 Вкладка Описание... 4 Вкладка Характеристики... 9 Вкладка Цена...

Подробнее

Seagate Dashboard Руководство пользователя

Seagate Dashboard Руководство пользователя Модель: Нажмите, чтобы перейти к актуальной онлайн-версии этого документа. Особенностью этой версии являются иллюстрации в высоком разрешении, более удобная навигация

Подробнее

Руководство по инсталляции ИСБ

Руководство по инсталляции ИСБ 777 версии 7 Автор:Бахтизин О.В. 2013 ООО РовалэнтСофт www.rovalant.com Данный документ является руководством по инсталляции, и описывает последовательность действий по установке

Подробнее

docplayer.ru


Смотрите также