управления данными, в котором бы осуществлялся доступ к источникам данных, их консолидация и предобработка;
вовлечение в процессы принятия УР большого числа лиц, не имеющих достаточного уровня знаний в области математики и статистики;
некоторые статистические подходы оказались плохо приспособлены для работы с «живыми» данными: мало реалистичные предположения о независимости и нормальности признаков, стремление навязать вероятностную сущность вполне детерминированным явлениям, оперирование фиктивными величинами типа средних, плохое отражение причинно-следственных связей, - все это ограничивало возможности использования методов прикладной статистики для извлечения знаний из реальных данных.
Между тем руководителей компаний, вкладывающих значительные средства в развитие IT-служб, в большей степени интересовала не математическая корректность и достоверность результатов, а практическая значимость сделанных выводов и суждений. В тех случаях, когда возможности статистических подходов не позволяли решить поставленную задачу, исследователи стали привлекать методы из других научных областей, таких, как базы данных, теория информации, искусственный интеллект, распознавание образов и машинное обучение, комплексировать их. В результате сформировалось направление, получившее название Data Mining (раскопка, разработка данных) или интеллектуальный анализ данных (ИАД), в котором статистические методы в основном играют вспомогательную роль, и используются только на некоторых этапах процесса анализа. Ядром ИАД являются методы машинного обучения (МО) - нейронные сети, деревья решений, самоорганизующиеся карты признаков, ассоциативные правила и др., которые позволяют автоматически, с минимальным вмешательством пользователя извлекать из данных зависимости и закономерности и визуализировать в наиболее удобном для восприятия и интерпретации виде.
Управленческие решения на основе методов ИАД активно разрабатываются и внедряются в следующих областях экономики:
в потребительском кредитовании - для оценки кредитоспособности клиентов (кредитный скоринг), разработки новых кредитных продуктов, выявления мошеннических действий с кредитными картами и др.;
в страховании - для анализа клиентской базы с целью разработки новых продуктов и привлечения клиентов, выявления мошенничеств со страховыми выплатами;
в телекоммуникациях - анализ клиентской базы с целью определения лояльности клиентов, выработке мер по удержанию имеющихся и привлечению новых клиентов, разработки новых конкурентоспособных продуктов, обнаружения мошеннических действий;
в медицине и здравоохранении - диагностика заболеваний, анализ эпидемиологической обстановки;
в науке - определение наиболее достойных претендентов на получение грантов научных фондов;
в поиске залежей полезных ископаемых, на основе данных геологоразведки, аэрофотосъемки и космических снимков.
2.2 Практическое проявление интеллектуального аспекта на примере принятия управленческих решений по профессиональному отборуОдним из направлений управленческих решений является принятие решений по профессиональному отбору. В настоящее время человеческий фактор является решающим в деятельности любой организации. Поэтому очень
Похожие работы
Тема: Принятие решения потребителем |
Предмет/Тип: Маркетинг (Реферат) |
Тема: Принятие решения потребителем |
Предмет/Тип: Маркетинг (Реферат) |
Тема: Принятие финансового решения |
Предмет/Тип: Финансовый менеджмент, финансовая математика (Реферат) |
Тема: Принятие решения человеком |
Предмет/Тип: Психология (Реферат) |
Тема: Принятие предпринимательского решения |
Предмет/Тип: Менеджмент (Реферат) |
Интересная статья: Быстрое написание курсовой работы