|
Издательская компания HarperCollins использует OLAP-систему на базе ПК для контроля за ходом книжной торговли в реальном масштабе времени. Это позволяет ей печатать ровно столько экземпляров, сколько требуется дистрибьюторам. Таким образом удается избежать образования в канале сбыта больших товарных остатков, которые пришлось бы потом принимать обратно. После всего лишь года эксплуатации новой системы возврат непроданных экземпляров наиболее популярных изданий HarperCollins сократился с более чем 30% приблизительно до 10%, а за каждым из этих процентов стоят миллионы долларов экономии. Кроме того, OLAP-система HarperCollins позволяет специалистам компании получать ответы на вопросы типа: какова была прибыльность сбыта такого-то издания за такую-то неделю через такого-то дистрибьютора? Обратите внимание, что даже в этом случае невозможно обойтись без человека, который бы задавал вопросы; а кроме того, ни традиционная база данных, ни OLAP-система не способны находить ответы на такие более расплывчатые, но от этого не менее важные для бизнеса вопросы, как: "Какой из клиентов, вероятно, предпочтет продукт А продукту Б? Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют? Какие из клиентов в моей базе данных "сходны" друг с другом?" При попытке обработать подобный неконкретный запрос на пользователя OLAP-системы обрушилась бы лавина данных, которые ему бы вряд ли для чего-нибудь пригодились. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных. В числе сложных задач, справляться с которыми помогает интеллектуальный анализ данных, - прогнозирование вероятности покупки клиентом определенного товара на основании его возраста, пола, демографических характеристик и других признаков; выделение групп клиентов, характеризующихся сходным поведением при просмотре информации в сети; выявление предпочтений конкретного клиента с целью предоставления ему индивидуализированного обслуживания; определение времени суток и дней недели, когда наиболее часто посещаются те или иные страницы или наиболее часто поступают обращения по телефону; идентификация товаров, которые часто приобретаются вместе. Последнее очень ценно для выявления закономерностей покупательского поведения, однако известен случай, когда найденная корреляция между двумя кодами счетов за одну и ту же лечебную процедуру позволила австралийской компании, специализирующейся на медицинских услугах, вскрыть мошенничество с двойным выставлением счетов на общую сумму более 10 млн долларов. — 93 —
|