- •1.Система поддержки принятия решений (сппр), ее основные задачи. Классификация сппр. Схема типичной сппр.
- •2.Сравнительный анализ аналитической и oltp систем.
- •3.Хранилище данных. История возникновения понятия, определение, основные свойства.
- •4.Основные подходы к реализации хранилищ данных.
- •Реализация хранилищ и витрин данных
- •Понятие и суть etl-процесса, основные преобразования данных.
- •Определение качества данных. Методика оценки качества, основанная на 4-х основных показателях.
- •8.Определение качества данных.Уровневая методика оценки качества.
- •11.Повышение качества данных: предварительная замена, классификация, структуризация.
- •12.Повышение качества данных: верификация, нормализация.
- •14.Понятия запроса и объекта запроса. Основные этапы поиска информации. Классификация задачи поиска.
- •15.Особенности решение задачи поиска в структурированных источниках на всех этапах.
- •Методы поиска Адресный поиск
- •Семантический поиск
- •Документальный поиск
- •Фактографический поиск
- •16.Оценка эффективности поисковых инструментов.
- •17. Суть многомерного анализа данных, основные понятия. Возможные операции над гиперкубом. Понятие olap.
- •18. 12 Правил Кодда.
- •19. 6 Дополнительных правил Кодда. Группы правил.
- •20.Определение olap через 5 ключевых понятий теста fasmi.
- •21.Основные подходы к реализации olap, их преимущества и недостатки.
- •23.Единая система нси. Требования идентифицируемости и уникальности, принципы построения.
- •Принципы построения единой системы нси.
- •24. Система нси: 1-3 типовые ошибки.
- •25.Система нси: 4-6 типовые ошибки.
- •26. Система нси: 7-10 типовые ошибки.
- •27.Понятие Data Mining. Дисциплины, использованные при создании Data Mining. Основные действия выполняемые Data Mining. Основные ограничения использования.
- •28.Основные задачи Data Mining. Классификация и кластеризация: суть, сравнительный анализ.
- •29.Основные задачи Data Mining. Поиск ассоциативных правил, прогнозирование, анализ отклонений.
- •30.Определение метода и алгоритма. Классификация стадий Data Mining. Свободный поиск.
- •31.Определение метода и алгоритма. Классификация стадий Data Mining. Прогностическое моделирование.
- •32.Определение метода и алгоритма. Классификация стадий Data Mining. Анализ исключений.
- •33.Основные этапы процесса подготовки к Data Mining. Анализ предметной области, постановка задачи, подготовка данных.
- •34.Понятие Text Mining. Основные этапы.
- •35.Понятие Text Mining. Основные задачи.
- •36. Предварительная обработка данных, основные приемы.
- •38.Oracle Data Mining (odm). Возможности, архитектура, характеристики. Используемые алгоритмы.
- •39.Функциональные возможности odm. Алгоритм Naïve Bayes.
- •40.Функциональные возможности odm. Алгоритм Support Vector Machine.
- •41.Функциональные возможности odm. Алгоритм k-means. Проверка качества кластеризации.
- •Алгоритм k-means.
- •42.Функциональные возможности odm. Алгоритмы Apriori.
- •43.Workflow.(поток работы) Суть, базовые понятия и их взаимосвязь.
- •44.Workflow. Структура системы, основные компоненты и их взаимосвязь.
- •45.Workflow. Условия представления бизнес-процесса как процесса Workflow. Порядок представления бизнес процесса в графическом виде (idef0).
- •49.Категории операций бизнес-процесса. Типовые параметры описания бизнес-процесса. Условия перехода между операциями.
- •46.Типовые цели внедрения проекта Workflow. Цикл управления эксплуатацией и развитием системы.
- •47.Понятие агентов. Типы агентов. Способности обучающихся агентов.
- •48.Понятие субагентов, типы субагентов. Свойства автономного агента
- •49.Мультиагентная система (мас). Определение, основные характеристики, классификация мас.
- •50.Методы организации работы в мас. Условия размещения агента на сервере. Операции над агентами. Примеры использования мас.
25.Система нси: 4-6 типовые ошибки.
Ошибка 4: Можно приобрести готовые справочники и классификаторы у других компаний аналогичного профиля деятельности. На рынке действительно появляются и предлагаются готовые наполненные справочники-классификаторы, разработанные другими компаниями, как правило, «под себя». Это в большинстве своем хорошо и добротно наполненные системы.
Ошибка 5: Проблема решается просто – посадим несколько своих людей и они быстренько наполнят нам все необходимые справочники. По этому пути уже все прошли. В результате имеем характерные проблемы (на примере справочника материалов):
неоднозначное и некорректное наименование позиций в справочниках;
дублирование записей;
Отсутствие разграничения описаний продукции, независимых от маркировки поставщиков, и полных описаний, содержащих такую маркировку. Все это создает существенные проблемы при решении конкретных прикладных задач:
сведение документов потребности (заявочная кампания и планирование программы МТО);
качественная подготовка лотов для проведения конкурсного отбора поставщиков и заключения договоров по номенклатуре централизованных поставок;
оперативный контроль и мониторинг ключевых показателей.
Ошибка 6: В качестве программного обеспечения для ведения справочников и классификаторов можно использовать обычные ERP (АСУ)-системы. В обычных ERP-системах средства ведения справочников и классификаторов слабо развиты и ориентированы, в основном, на небольшие справочники. Такие справочники, как, например, справочник материалов, содержащий сотни тысяч записей, связанный с другими справочниками (справочники поставщиков, цен, альтернативных единиц измерения и т. д., нуждаются в специализированных средствах поддержки и поиска информации.
26. Система нси: 7-10 типовые ошибки.
Ошибка 7: Классификаторы не нужны, если есть справочники. При количестве записей в справочнике более 20 000 без классификатора не обойтись. Классификатор можно воспринимать как иерархическую надстройку над справочником. Количество уровней иерархии в классификаторе должно зависеть от количества записей в справочнике: одной классификационной группе нижнего уровня должно соответствовать не более 10 (в отдельных случаях – до 50) записей классифицируемого справочника (например, справочника материалов), иначе поиск и выбор позиций (записей справочника) по классификатору становится крайне затруднителен. Принятые в большинстве используемых систем двухуровневые классификационные группировки объектов (группа-подгруппа) неудобны для больших справочников. Необходимо создавать в таких случаях отдельные классификаторы с учетом функциональных требований к использованию данного справочника. Ошибка 8: НСИ – это просто некая база данных, содержащая справочники и классификаторы. НСИ – это не просто база данных. Это сложно организованная система со множеством перекрестных ссылок между отдельными справочниками и классификаторами. Особенно важен механизм поддержки актуальности справочной информации. Требования к полноте, точности и актуальности информации в системе НСИ гораздо более жесткие, чем в обычной БД, так как при функционировании любой информационной системы, в том числе АСУ, информационное наполнение прикладных задач зависит от данных НСИ. НСИ является «кровеносной системой» всего информационного организма компании. Ошибка 9: Сама по себе система НСИ является вспомогательной и не решает какие-либо прикладные задачи. Это не так. При правильной организации справочников и классификаторов система НСИ может помочь решить такие прикладные задачи, как, например, поиск аналогов и заменяющей продукции, подбор запчастей к оборудованию, поиск поставщиков заданного вида продукции, ценовой анализ по видам продукции. Кроме того, качественная система НСИ – залог работоспособности систем планирования и контроля, финансового учета и отчетности, а также мониторинга бизнес-процессов компании. Ошибка 10: Проблема построения системы НСИ является узковедомственной и должна решаться каждой компанией отдельно. Стандартизация информации не является узковедомственным вопросом.