Аналитика данных

Привет, Хабр! Меня зовут Владимир, я бизнес-аналитик в офисе данных Ростелекома и занимаюсь развитием отчётности. Компания делает ставку на развитие data-driven культуры. Спрос на данные и аналитику со стороны бизнеса растёт, и соответственно развивается экосистема управления данными, в том числе организационная структура и бизнес-процессы.

К концу 2019 года объём задач отчётности очень сильно вырос и это стало своеобразным нагрузочным тестированием для наших процессов. Стало понятно, что работать по-старому и соблюдать SLA нам становится все сложнее. Были нужны новые правила игры, соблюдение которых сделает управление типовыми задачами проще, планирование более предсказуемым, а выполнение обязательств реалистичным даже в условиях, когда рост команды сильно ограничен, а рост количества заявок безграничен.

С начала 2020 года мы начали выстраивать проектный подход, рассматривая поступающие от бизнеса запросы как проекты. Спорным вопросом оказался выбор ответственного за задачу в целом, т.е. кто в этих проектах должен исполнять роль руководителя проекта. Здесь мы рассказываем, как решали этот вопрос и какие результаты получили.

Введение

Нужно бежать со всех ног, чтобы только оставаться на месте, а, чтобы куда-то попасть, надо бежать как минимум вдвое быстрее!, писал Льюис Кэрролл ещё во времена викторианской Англии. А сто лет спустя принципом Черной королевы назвали эволюционную гипотезу, сравнивающую борьбу за выживание с гонкой вооружений. Чем быстрее перемены окружающей среды, тем важнее скорость адаптации. Для организаций это правило работает так же: чтобы оставаться на плаву, нужно быстрее приспосабливаться к изменениям конкурентов, учиться и эффективнее перестраивать процессы.

Индустрия телекома и особенно управление данными бурно растут вместе со спросом на услуги, но этот же рост, вместе с возможностями, создает и множество проблем. Это особенно важно, когда деятельность организации разнообразна и содержит много специфики, из-за которой сложнее применять чужой опыт. Из-за этого приходится чаще импровизировать и вместо общепринятых хороших практик (почему в этом случае best practices скорее хорошие, а не лучшие рекомендую почитать у Романа Журавлева) искать альтернативы, оптимальные для конкретной ситуации.

Ситуация

Чтобы выбрать оптимальное решение, нужно знать условия, для которых оно предназначено, так что начну с обзора.

В корпоративном центре Ростелекома все профильные направления, работающие с отчётностью, объединены в Офис Данных. Это более двух сотен сотрудников в Москве и регионах, которые занимаются развитием платформы управления данными, работают в направлении глубокого анализа и развитии аналитической отчётности.

Направление обширно: отчёты используют данные нескольких сотен систем-источников, запросы поступают от всех подразделений компании, в которых свои особенности, бизнес-процессы и действующие регламенты. География бизнеса вся страна, разделенная на семь макрорегиональных филиалов, каждый из которых не так давно был отдельной компанией. Значение отчётности и требования к качеству аналитики растут, так как бизнес использует данные для принятия ежедневных управленческих решений и данные становятся важной частью операционных процессов компании.

Развитие отчётности организовано так: за сегментами бизнеса закреплены постоянные команды из 10-30 аналитиков и разработчиков, из которых формируют рабочие группы для отдельных задач. Различий в бизнес-процессах сегментов много и каждый раз в них разбираться непродуктивно. У разработчиков с этим проще, но всё равно хочется сохранять сработавшиеся команды. Командой сегмента руководит фронт-менеджер, который объединяет роль ресурсного менеджера для команды и аккаунт-менеджера для заказчика.

Обычно в работе у фронт-менеджера есть 10-12 задач, с каждой задачей на различных этапах может работать от 2 до 5 человек. Длительность таких задач от нескольких недель до полугода (это очень грубая оценка, чтобы показать масштабы). По каждой доработке требуется создать артефакты: комплект документов, которые будут использоваться сопровождением для работы над инцидентами, и отчётность в JIRA по объёмам трудозатрат, срокам работ и загруженности ресурсов, которая позволяет анализировать эффективность процессов.

Чтобы задача проходила маршрут и не буксовала, ей нужен владелец, погруженный в предмет и заинтересованный в её своевременном выполнении. Раньше этим занимались фронт-менеджеры, но к концу 2019 года объём задач вырос настолько, что на управление отдельными задачами у них уже не оставалось времени. У фронтов основные обязанности взаимодействие с бизнес-заказчиками, маршрутизация поступающих запросов и управление командой, а управление отдельными задачами можно делегировать, иначе будет как на картинке.

Поиск решения

По сути, мы выбирали между двумя вариантами: набрать выделенных исполнителей на роль РП или организовать совмещение этой роли кем-то из команды. Для этого нужно было разобраться, каким задачами РП будет управлять, в чём это управление будет заключаться и какие активности нужно координировать. Это позволило определить необходимые для наших РП навыки и оценить, с каким объемом задач один РП сможет работать параллельно. Отдельный важный вопрос как появление нового руководителя скажется на остальных членах команды.

Мы поняли, что в нашем случае многие классические компетенции руководителя проектов окажутся невостребованными: например, не требуется управлять бюджетом или поставщиками, проекты будут выполняться по одному и тому же регламенту, а предметная область всегда будет ограничена отчётностью для конкретного бизнес-сегмента. Задачи чаще всего типовые, но требуют погружения в предметную область, понимания процесса разработки и содержания работ на всех этапах.

Мы сделали вывод, что РП с небольшим количеством задач обойдется неоправданно дорого и будет недогружен, а в большем объёме задач не будет успевать разобраться, и его руководство будет ограничено чисто административными функциями. С другой стороны, добавление к небольшой команде выделенного РП заметно усложнит коммуникации придётся ещё одного начальника держать в курсе вопросов, которыми он непосредственно не занимается.

Расходы на команду увеличатся, но проблему это не решит. Исходя из этого, от выделенных исполнителей в роли РП мы отказались. С другой стороны, аналитики уже:

• погружены в предметную область, как никто другой;

• участвуют в выполнении задачи на всех этапах;

• выполняют интегрирующую роль для команды.

С этой перспективы идея совместить руководство проектом с ролью аналитика (бизнес или системного) стала выглядеть логичной.

Реализация

Дальше мы проектировали и документально оформляли процесс, совмещали с уже существующими операционными процессами, о некоторых из которых уже рассказывали мои коллеги (статьи на Хабре: раз, два). В общем процесс разработки приобрел вид:

Документацию составили в формате методики управления, скорее даже инструкции. Где-то брали собственные наработки, где-то транслировали рекомендации PMBoK на наше организационное окружение. Писали так, чтобы документа было достаточно для выполнения роли РП, и чтобы его мог использовать человек без опыта проектного управления.

Затем, дополнив документ всей сопутствующей мишурой вроде шаблонов, провели обучение и в начале 2020 года запустили процесс в пилотном режиме. Работа ещё не завершена, по части согласованности процессов ещё многое нужно сделать, но определенные выводы уже можно сделать.

Положительная динамика хорошо заметна на примере задач по подключению новых источников, длительность которых очень существенно сократилась.

К плюсам принятого решения можно отнести:

1. В первую очередь сам подход к вопросу, когда команда аналитиков разрабатывает процесс с учетом имеющейся практики и наработок;

2. На коммуникации внутри команды времени тратим не больше, чем тратили раньше;

3. Материалы задач легче использовать повторно, сроки в целом стали более прогнозируемыми.

Трудности:

1. Есть нестыковки с операционными процессами, особенно в нетиповых ситуациях, но это ожидаемо продолжаем шлифовать;

2. Аналитики заполняют больше бумажек, поддерживают актуальность проектных карточек и ведут протоколы совещаний. Ожидаемо, но иногда утомляет:

Предварительные выводы оптимистичные: для небольших, но требующих погружения, задач совмещение ролей РП и бизнес-

аналитика даёт больше плюсов, чем создает неудобств.

Вместо эпилога

Минуточку, управление работами по задаче Вы там что, открыли для себя дверь роль менеджера проекта и повесили на бизнес-аналитика?. Короткий ответ Да, ответ по существу длиннее Сначала мы оценили все, что нам нужно от роли, упростили её соответственно задачам и подготовили всё необходимое, чтобы даже начинающий РП мог её выполнять.

Важнее не название роли, а наполнение. Называть можно как кому привычнее Руководителем проекта, тех. лидом или как-то ещё это вопрос удобства и выбранного глоссария.

P.S. Только не миниРП, пожалуйста :)

Сегодня вашему вниманию представлена исследование(аналитика) возраста воздушного флота российских авиакомпаний, представленных на российском рынке для осуществления коммерческих перевозок. Полный список можно посмотреть тут.

Мотивация, планирование, выборка

Время от времени мы не раз слышим о том, что какой-нибудь борт самолета то задерживается, то возвращается в аэропорт, то совершает аварийную посадку, в большинстве случаях это происходит из-за технических неисправностей. В данном исследовании мы не хотим связать возраст воздушного парка гражданской авиации с их безаварийной эксплуатацией и прекрасно понимаем, что главное это профессиональное техническое обслуживание техники и оборудования, но вместе с тем мы не можем отрицать того, что у каждой техники есть свой ресурс.

Для начала хочется обозначить, что будем подразумевать под российскими авиакомпаниями те, которые есть в официальном списке эксплуатантов. В исследовании были отобраны топ российских авиакомпаний - Аэрофлот, Алроса, Аврора, Азимут(Azimuth), АзурЭйр(AzurAir), ИрАеро, НордСтар(NordStar), НордВинд(NordWind), Икар(PegasFly), Победа(входит в группу Аэрофлот), РэдВинг(RedWings), Россия(Rossiya), РоялФлайт (RoyalFlight), S7(АК Сибирь), СмартАвиа(SmartAvia), Уральские авиалинии(UralAirlines), Ютэйр(Utair), Якутия(Yakutia), Ямал(Yamal). Данная выборка охватывает 85% авиапарка российских авиакомпаний. В этот список не попала авиакомпания ГазпромАвиа у которой имеется большой авиапарк, но причина исключения - это отсутствие возраста в большинстве данных, что не представлялось возможным определить среднее значение, но модели авиапарка у компании очень разнообразны и интересны, но об этом позже.

Для получение данных о возрасте воздушного флота был использован сервис flightradar24 в закрытой части, пришлось брать бесплатный пробный период. Наше исследование конечно было бы более репрезентативно если мы использовали официальные технические паспорта воздушных судов, но такой возможности пока нет :)

Инструменты аналитики

В нашем исследовании будем применять стандартные инструменты для этого - язык программирования python с библиотеками numpy, pandas для анализа данных, библиотеки plotly для визуализации результата, и инструмент Тableau для дашборда, google sheets для первоначальной обработки и наш любимый brain.

Процесс обработки данных

Итак, наш исследуемый датафрейм содержит 7 переменных(колонок) и 834 строки. Посмотреть его можно тут.

Посмотрим гистограмму и посмотрим распределение данных.

Давайте сразу же посмотрим среднее значение и медиану возраста всей выборки. Получается среднее(mean) = 10.61 лет, медиана(median) = 9.0 лет.

Сгруппируем и отсортируем наш dataframe, чтобы вывести значения всех авиакомпаний с их средним и медианным значением и другими показателями описательной статистики.

ages = data.groupby(by='airlines').age.describe()ages.sort_values(by='count', ascending=False)

Из представленного результата мы видим, что топ-5 авиакомпаний с наибольшим количеством авиапарка это:

самый молодой флот у авиакомпаний:

Азимут (Azimuth) - среднее(mean) 2,9 лет, медиана(медиана) 3 года;

Победа - среднее(mean) 3,5 лет, медиана(медиана) 3 года;

Аэрофлот - среднее(mean) 5,1 лет, медиана(медиана) 5 лет;

S7 - среднее(mean) 9,5 лет, медиана(медиана) 9 лет,

Поговорим и о старичках флота, которые трудятся, как мы можем заметить это:

АзурЭйр (AzurAir) - среднее(mean) 20,3 года, медиана(медиана) 20 лет, минимальное значение - 13 лет, максимальное значение 30 лет.

Теперь отсортируем наиболее часто повторяющийся тип авиалайнеров и выведем топ-10 из них.

data.type.value_counts().to_frame('count').head(10)

Как можно видеть пятёрка наиболее часто встречающиеся судов это:

Airbus A320

Sukhoi Superjet 100

Boeing 737

Airbus A321

Топ-3 производителей авиалайнеров выглядит так:

Среди типов авиалайнеров был обнаружен Boeing 737 MAX, эксплуатация которых была приостановлена по решению международных воздушных организаций. Такие авиалайнеры были замечены у компаний S7, NordStar, UralAirlines, Utair,

Boeing 737 MAX

и один единственный новый авиалайнер Airbus A350-941 с регистрационным номером VQ-BFY в Аэрофлоте :)

Airbus A350-941

кстати, по сводке flightradar24 данный авиалайнер частенько летает маршрутом Москва - Майами(США) - Москва :)

А в завершении нашего исследования, как и говорил ранее, давайте поговорим о воздушном флоте авиакомпании ГазпромАвиа :) Итак, что мы имеем вернее они имеют, а имеют они 50 единиц флота в который входят такие разнообразные и интересном марки и модели как:

Airbus Helicopter H135 - 5 единиц;

Airbus Helicopter H155 - 1 единица;

Dassault Falcon 900 - 6 единиц;

Dassault Falcon 7X - 5 единиц;

Dassault Falcon 8X - 2 единицы;

и вот эта интересная модель Let L410UVP-E20 Turbolet

В завершении хочется напомнить, что вся представленная информация основываются на полученных данных с сервиса flightradar24, поэтому, возможно часть воздушного флота не попала в выборку, а часть была внесена сервисом с ошибками, всё может быть, но общее представление о возрасте флота российских авиалиний думаю получен ;)

И конечно же на десерт красивый dashboard на Tableau, который можно посмотреть тут.

Всем всего хорошего, ваш konstatic :)

Почему привычные нам BI-системы меняются? Куда движется их развитие, какие технологии сейчас внедряются, как можно улучшить аналитику для бизнеса? В этой статье мы коснемся этих вопросов и постараемся ответить, чего следует ожидать в ближайшем будущем от систем бизнес-аналитики.

Заметка от партнера IT-центра МАИ и организатора магистерской программы VR/AR & AI компанииPHYGITALISM.

Кратко о BI-системах и их преимуществах

BI-системы используются в большинстве сфер, поэтому этот термин широко известен в бизнес-сообществе. На пользовательском уровне BI-системы это программное обеспечение, которое помогает работать с данными, анализировать и обрабатывать большие объемы информации. Принцип их работы построен на загрузке всех имеющихся данных в единое хранилище, где информация обрабатывается, а затем появляется в виде готовых интерактивных отчетов и презентаций.

BI-системы собирают всю информацию в одном месте для удобной аналитики и помогают выявлять закономерности и тренды. Загружая в BI-систему данные о рынке мы получаем более полное представление о ситуации, а, значит, и лучшую аналитику.

Внедрение такого ПО, кстати, совсем не требует усилий, так как оно дополняет существующие инструменты. Аналитика становится простой и быстрой, так как для получения анализа BI-система сама собирает все данные о нужных показателях из множества источников и предоставляет информацию для анализа. Сокращение времени и сил за счет одного приложения, которое еще при этом повышает эффективность работы подтверждение актуальности этого инструмента.

Плюсы BI-систем для бизнеса уже давно известны, все больше компаний внедряют подобные инструменты не только для финансовой аналитики, но и маркетингового и рыночного анализа.

Расширяются границы их применения для стратегического и тактического планирования.

Внедрение BI-систем становится все более нужным и прибыльным для компаний.

Рынок BI-систем развивается в сторону кроссплатформенности и внедрения новых подходов к аналитике. Именно поэтому важно понимать, какие тренды сейчас есть.

Тренды в развитии BI-систем: эволюция до ABI

Изначально аналитические отчеты разрабатывались сторонними организациями и IT-специалистами. На все интересующие вопросы топ-менеджеров сотрудники отвечали с помощью подготовленных статистических отчетов, подготовка которых занимала много времени и сил. Сам цикл получения аналитики был слишком растянут, что приводило к долгому принятию решений.

Современная бизнес-аналитика устроена по-другому: она интерактивна и доступна. Доступ к данным можно предоставить любому, пользователь может сам найти ответы на вопросы, кликая на интерактивные визуализации: графики, карты, таблицы или диаграммы.

За все время настолько изменилось представление о BI-системах, что большинство специалистов называют используемые self-service BI-системы (такие как Tableau, Power BI или Qlik Sense) просто BI-системой, хотя различия тут есть в традиционных системах в аналитику были вовлечены IT-специалисты, а в self-service пользователи сами выполняют всю работу, без обращения к IT.

Появление ABI-систем

Эволюция BI-систем не стоит на месте, появляются новые подходы к аналитике, а данных становится все больше именно поэтому возникла новая концепция Augmented Business Intelligence, которую выделили Gartner.

Augmented Business Intelligence это модель партнерства людей и искусственного интеллекта, которая ориентирована на совместное взаимодействие машины и человека для улучшения аналитики, принятия решений, подготовки данных и получения инсайтов.

ABI это новая ступень развития BI-платформ, так как в ней есть сразу несколько преимуществ. В ней объединяется не только привычная аналитика и таблицы, но и также новые технологии: от дополненной и виртуальной реальности до решений с компьютерной графикой и 3D.

Становится очевидным, что BI-системы эволюционируют, они меняются вместе с обществом, наукой и человеком, и есть ряд трендов, которые свидетельствуют о движении в сторону простой, понятной, удобной и быстрой аналитики.

Тремя основными тенденциями бизнес-аналитики на 2020 год являются управление качеством данных (MD/DQ), DataViz и внедрение self-service BI-систем, и особое место занимает внедрение data-driven подхода в культуру компаний. Мы стараемся внедрять все эти подходы в наше решение с BI-системой для Ingrad, и хотели бы побольше рассказать о самых интересных, на наш взгляд.

Развитие предиктивной аналитики

Цель любой BI-системы систематизация и агрегация знаний, упрощение аналитического процесса для людей. С развитием технологий искусственного интеллекта аналитические системы смогут не только помочь выявить проблемы, но и дать рекомендации по их решению, а также сделать прогноз развития ситуации в будущем.

В этом контексте также говорят о концепции DIKW: Data-Information-Knowledge-Wisdom.

Основная ее суть заключается в том, что с помощью новых технологий сформированная из разрозненных данных информация становится знанием только в том случае, когда мы анализируем всю ситуацию и условия. Достичь мудрости можно лишь тогда, когда мы знаем, какие есть проблемы, как их решить и зачем их решать что позволяет выйти за границы конкретного явления и использовать выявленные решения для других целей.

BI-системы в этом случае выступают инструментом достижения верхушки пирамиды благодаря визуализации мы можем быстро проанализировать любые данные и информацию для получения знаний. Чтобы получить мудрость мы должны видеть всю ситуацию в пространстве, и здесь может помочь визуализация данных (Data Visualization) и 3D-технологии.

Визуализация данных (Data Visualization, DataViz)

Наше потребление информации становится больше визуальным во всем информационном шуме мы неосознанно обращаем больше внимания на изображения и видео, иногда пролистываем большие тексты.

Именно поэтому и существует визуализация данных (Data Visualization) ряд инструментов наподобие графиков, таблиц, диаграмм и схем, которые представляют информацию наглядно.

Донести информацию с помощью инфографики намного проще и быстрее, чем с помощью текста, но мы хотели бы отметить, что и здесь есть простор для развития, а именно уход в 3D.

Мы все привыкли к 2D-инфографикам, и, да, они прекрасно справляются со своей задачей, но информацию можно донести и более эффективными способами. Во многих случаях 3D-визуализации позволяют передать больше информации об объекте.

Мы считаем, что 3D визуализация данных это не просто тренд, а необходимость для некоторых сфер (AEC, например). Для девелопера на рынке российской недвижимости мы разработали BI-систему аналитики с 3D визуализацией данных, которая намного более эффективна благодаря интерактивности и наглядной демонстрации данных на карте.

3D в BI-системах может использоваться и для визуализации объектов например, BIM-модели зданий помогают быстро получать нужную аналитику и информацию о строительном объекте.

Мы идем к тому, что BI-системы могут интегрировать в себе намного больше инструментов для аналитики и совместной работы, и становятся единым приложением со всеми данными о компании, от документации до последних показателей эффективности и статистики продаж.

Data Storytelling

Одним из главных трендов, который был выделен исследованием Dresner это data storytelling. Чтобы человек лучше запомнил и воспринял суть информации и сообщения, он должен пережить опыт. Наблюдая за развитием ситуации в реальном времени, мы невольно попадаем в раскрытие какой-либо истории.

Похожая ситуация наблюдается и с данными если мы хотим донести важные сведения, мы должны сконцентрировать все внимание пользователя на них. Именно поэтому в интерактивных презентациях и BI системах мы все чаще встречаемся с визуальными анимированными эффектами, которые фокусируют взгляд на нужной информации.

С помощью сторителлинга можно подавать большие объемы информации просто и доступно. Если в обычной презентации специалист, взглянув на большой объем данных, не сразу сможет разобраться во показанных вводных, то при использовании сторителлинга мы сразу и наглядно демонстрируем, откуда берутся данные, какие выводы можно сделать из разных массивов.

Кроме того, аналитика, как правило, требует погружения в определенную ситуацию, а с помощью таких инструментов как сторителлинг мы ускоряем этот процесс, а, значит, и процесс принятия решений.

Возможность сторителлинга в BI-системах больше всего ценится среди отделов маркетинга и продаж, а также эта функция важна для презентации отчетности финансовым аналитикам, совету директоров или топ-менеджменту.

Наш BI-инструмент ориентирован на использование руководителем компании для бизнес-аналитики, маркетингового и конкурентного анализа, на презентацию финансовой отчетности топ-менеджменту или совету директоров, и в нем мы объединили тренды и технологии.

За какими технологиями нужно следить, чтобы быть в курсе развития BI-систем?

• Искусственный интеллект и машинное обучение для создания системы предиктивной аналитики, расшифровки данных и выявления тенденций

• 3D-технологии для внедрения новых инструментов Data Visualization, показа большего числа данных, в том числе с привязкой к географии

• XR для совместной работы и визуализации аналитики в интерактивном иммерсивном формате.

Заключение

Системы бизнес-аналитики совершенствуются, и внедрение передовых платформ помогает достичь высоких результатов. Уже сейчас проводятся исследования, которые показывают эффективность грамотно выстроенной системы аналитики:

Проследив эволюцию BI-систем, тренды и прогнозы развития, которые делают крупные исследовательские компании, выделим целый ряд трендов:

• MD/MQ Data management

• Внедрение data-driven культуры в работу

• Внедрение self-service BI систем

• Data Visualization

• Data Storytelling

• Развитие ABI систем

• Аналитика в real time

• Data warehouse modernization

• Data governance

• Предиктивная аналитика

• Внедрение моделей машинного обучения

• Cloud BI

• Самостоятельная работа с данными

• BI-системы для мобильных устройств

• Добавление и совершенствование уведомлений в BI-системах

Можно сделать вывод, что общая тенденция в развитии BI-систем это уход в сторону упрощения аналитики и предоставления быстрого и полного взгляда на проблему для любого заинтересованного человека (включая тех, кто может не разбираться в аналитике).

Бизнес-аналитика становится проще и доступнее, и развитие технологий только способствует этому.

Гистограммам не чужды систематические ошибки. Дело в том, что они достаточно условны и могут привести к неправильным выводам о данных. Если вы хотите визуализировать переменную, лучше выбрать другой график.

Независимо от того, находитесь ли вы на встрече с высшим руководящим составом или со специалистами по обработке данных, в одном вы можете быть уверены: в какой-то момент появится гистограмма.

И нетрудно догадаться почему. Гистограммы весьма интуитивно наглядны: любой поймет их с первого взгляда. Более того, они объективно представляют реальность, не так ли? А вот и нет.

Гистограмма может ввести в заблуждение и привести к ошибочным выводам даже на простейшем наборе данных!

В этой статье мы на примерах рассмотрим 6 причин, почему, когда дело доходит до визуализации данных, гистограммы точно не является лучшим выбором:

1. Они слишком сильно зависят от количества интервалов.

2. Они слишком сильно зависят от максимума и минимума переменной.

3. Они не дают возможности заметить значимые значения переменной.

4. Они не позволяют отличить непрерывные переменные от дискретных.

5. Они делают сравнение распределений сложным.

6. Их построение затруднено, если в памяти находятся не все данные.

Ладно, я понял: гистограммы не идеальны. Но есть ли у меня выбор? Конечно есть!

В конце статьи я порекомендую другой график, называемый CDP, который минует эти недостатки.

Итак, что же не так с гистограммой?

1. Она слишком сильно зависит от количества интервалов.

Чтобы построить гистограмму, вы должны сначала определить количество интервалов, также называемых корзинами (bins). Для этого существует множество различных практических методов (вы можете ознакомиться с их обзором на этой странице). Но насколько критичен этот выбор? Давайте возьмем реальные данные и посмотрим, как меняется гистограмма в зависимости от количества интервалов.

Переменная представляет собой максимальную частоту сердечных сокращений (ударов в минуту), полученную у 303 людей во время некоторой физической активности (данные взяты из набора данных UCI по сердечным заболеваниям: источник).

Глядя на верхний левый график (который мы получим по умолчанию в Python и R), у нас сложится впечатление хорошего распределения с одним пиком (модой). Однако если бы мы рассмотрели бы другие варианты гистограммы, мы получили бы совершенно другую картину. Разные гистограммы одних и тех же данных могут привести к противоречивым выводам.

2. Она слишком сильно зависит от максимума и минимума переменной.

Даже после того, как количество интервалов установлено, интервалы зависят от положения минимума и максимума переменной. Достаточно, чтобы один из них немного изменился, и все интервалы также изменятся. Другими словами, гистограммы не являются надежными.

Например, давайте попробуем изменить максимум переменной, не меняя количество интервалов.

Отличается только одно значение, а весь график получается другим. Это нежелательное свойство, потому что нас интересует общее распределение: одно значение не должно так влиять на график!

3. Не дает возможности заметить значимые значения переменной.

Если в общем, то когда переменная содержит некоторые часто повторяющиеся значения, нам конечно нужно об этом знать. Однако гистограммы этому препятствуют, поскольку они основаны на интервалах, а интервалы скрывают отдельные значения.

Классическим примером является случай, когда отсутствующим значениям массово присваивается 0. В качестве примера давайте рассмотрим набор данных переменной, состоящий из 10 тысяч значений, 26% из которых нули.

График слева это то, что вы получаете по умолчанию в Python. Глядя на него, вы не заметите скопление нулей, и вы даже можете подумать, что эта переменная имеет плавную динамику.

График справа получен путем сужения интервалов и дает более четкое представление о реальности. Но дело в том, что как бы вы ни сужали интервалы, вы никогда не будете уверены, содержит ли первый интервал только 0 или какие-то другие значения.

4. Не позволяет отличить непрерывные переменные от дискретных.

Зачастую мы бы хотели знать, является ли числовая переменная непрерывной или дискретной. По гистограмме это практически невозможно сказать.

Возьмем переменную Возраст (Age). Вы можете получить Возраст = 49 лет (когда возраст округлен) или Возраст = 49,828884325804246 лет (когда возраст рассчитывается как количество дней с момента рождения, деленное на 365,25). Первая дискретная переменная, вторая непрерывная.

Тот, что слева, непрерывен, а тот, что справа, дискретен. Однако на верхних графиках (по умолчанию в Python) вы не увидите никакой разницы между ними: они выглядят совершенно одинаково.

5. Сложно сравнивать распределения.

Часто бывает необходимо сравнить одну и ту же переменную в разных кластерах. Например, в отношении данных UCI о сердечных заболеваниях, приведенных выше, мы можем сравнить:

• все население (для справки)

• люди моложе 50 страдающие сердечными заболеваниями

• люди моложе 50 НЕ страдающие сердечными заболеваниями

• люди старше 60 лет страдающие сердечными заболеваниями

• люди старше 60 и НЕ страдающие сердечными заболеваниями.

Вот что мы получили бы в итоге:

Гистограммы основаны на областях, и, когда мы пытаемся провести сравнение, области в конечном итоге перекрываются, что делает эту задачу практически невыполнимой.

6. Сложно построить, если в памяти находятся не все данные.

Если все ваши данные находятся в Excel, R или Python, построить гистограмму легко: в Excel вам просто нужно кликнуть по иконке гистограммы, в R выполнить команду hist(x), а в Python plt.hist(х).

Но предположим, что ваши данные хранятся в базе данных. Вы же не хотите выгружать все данные только для того, чтобы построить гистограмму, верно? По сути, все, что вам нужно, это таблица, содержащая для каждого интервала крайние значения и количество наблюдений. Примерно такая:

| INTERVAL_LEFT | INTERVAL_RIGHT | COUNT |

|---------------|----------------|---------------|

| 75.0 | 87.0 | 31 |

| 87.0 | 99.0 | 52 |

| 99.0 | 111.0 | 76 |

| ... | ... | ... |

Но получить ее с помощью SQL-запроса не так просто, как кажется. Например, в Google Big Query код будет выглядеть так:

WITHSTATS AS (  SELECT     COUNT(*) AS N,    APPROX_QUANTILES(VARIABLE_NAME, 4) AS QUARTILES  FROM    TABLE_NAME),BIN_WIDTH AS (  SELECT    -- freedman-diaconis formula for calculating the bin width    (QUARTILES[OFFSET(4)]  QUARTILES[OFFSET(0)]) / ROUND((QUARTILES[OFFSET(4)]  QUARTILES[OFFSET(0)]) / (2 * (QUARTILES[OFFSET(3)]  QUARTILES[OFFSET(1)]) / POW(N, 1/3)) + .5) AS FD  FROM     STATS),HIST AS (  SELECT     FLOOR((TABLE_NAME.VARIABLE_NAME  STATS.QUARTILES[OFFSET(0)]) / BIN_WIDTH.FD) AS INTERVAL_ID,    COUNT(*) AS COUNT  FROM     TABLE_NAME,    STATS,    BIN_WIDTH  GROUP BY     1)SELECT   STATS.QUARTILES[OFFSET(0)] + BIN_WIDTH.FD * HIST.INTERVAL_ID AS INTERVAL_LEFT,  STATS.QUARTILES[OFFSET(0)] + BIN_WIDTH.FD * (HIST.INTERVAL_ID + 1) AS INTERVAL_RIGHT,  HIST.COUNTFROM   HIST,   STATS,   BIN_WIDTH

Немного громоздко, не правда ли?

Альтернатива: график кумулятивного распределения.

Узнав 6 причин, по которым гистограмма не является идеальным выбором, возникает естественный вопрос: Есть ли у меня альтернатива? Хорошие новости: существует лучшая альтернатива, которая называется График кумулятивного распределения (Cumulative Distribution Plot - CDP). Я знаю, что это название не такое запоминающееся, но гарантирую, оно того стоит.

График кумулятивного распределения это график квантилей переменной. Другими словами, каждая точка CDP показывает:

• по оси x: исходное значение переменной (как в гистограмме);

• по оси y: сколько наблюдений имеют такое же или меньшее значение.

Давайте посмотрим на пример с переменной максимальной частотой пульса.

Возьмем точку с координатами x = 140 и y = 90 (30%). По горизонтальной оси вы видите значение переменной: 140 ударов сердца в минуту. По вертикальной оси вы видите количество наблюдений, у которых частота сердцебиение равна или ниже 140 (в данном случае 90 человек, что означает 30% выборки). Следовательно, у 30% нашей выборки максимальная частота сердцебиения составляет 140 или менее ударов в минуту.

Какой смысл в графике, показывающем, сколько наблюдений равно или ниже заданного уровня? Почему не просто равно? Потому что в противном случае результат зависел бы от отдельных значений переменной. И это не сработает, потому что каждое значение имеет очень мало наблюдений (обычно только одно, если переменная непрерывна). Напротив, CDP полагаются на квантили, которые более стабильны, выразительны и легко читаются.

Вдобавок CDP намного полезнее. Если задуматься, вам часто приходится отвечать на такие вопросы, как у скольких из них от 140 до 160? Или у скольких из них больше 180?. Имея перед глазами CDP, вы можете дать немедленный ответ. С гистограммой это было бы невозможно.

CDP решает все проблемы, которые мы видели выше. Фактически, по сравнению с гистограммой:

1. Не требует пользовательского выбора. Для одного набора данных, существует только один возможный CDP.

2. Не страдает от выпадающих значений. Экстремальные значения не влияют на CDP, поскольку квантили не меняются.

3. Позволяет определять значимые значения. Если существует концентрация точек данных на каком-то конкретном значении, это сразу видно, поскольку будет вертикальный сегмент, соответствующий значению.

4. Позволяет с первого взгляда распознать дискретную переменную. Если существует только конкретный набор возможных значений (т.е. переменная дискретна), это сразу видно, поскольку кривая примет форму лестницы.

5. Упрощает сравнение распределений. На одном графике легко сравнить два или более распределения, поскольку это просто кривые, а не области. Кроме того, ось y всегда находится в диапазоне от 0 до 100%, что делает сравнение еще более простым. Для сравнения, это пример, который мы видели выше:

6. Его легко построить, даже если у вас нет всех данных в памяти. Все, что вам нужно, это квантили, которые можно легко получить с помощью SQL:

SELECT   COUNT(*) AS N,  APPROX_QUANTILES(VARIABLE_NAME, 100) AS PERCENTILESFROM  TABLE_NAME

Как построить график кумулятивного распределения в Excel, R, Python

В Excel вам нужно построить два столбца. Первый с 101 числом, равномерно распределенными от 0 до 1. Второй столбец должен содержать процентили, которые могут быть получены по формуле: =PERCENTILE(DATA, FRAC), где DATA - это вектор, содержащий данные, а FRAC - это первый столбец: 0,00, 0,01, 0,02, 0,03,, 0,98, 0,99, 1. Затем вам просто нужно построить график по этим двум столбцам, разместив значения переменной на оси x.

В R это делается в одну строчку:

plot(ecdf(data))

В Python:

from statsmodels.distributions.empirical_distribution import ECDFimport matplotlib.pyplot as pltecdf = ECDF(data)plt.plot(ecdf.x, ecdf.y)

Спасибо за внимание! Надеюсь, эта статья оказалась для вас полезной.

Я ценю отзывы и конструктивную критику. Если вы хотите поговорить об этой статье или других связанных темах, вы можете написать мне в Linkedin.

Перевод материала подготовлен в рамках онлайн-курса "Machine Learning. Basic". Всех заинтересованных приглашаем на день открытых дверей курса, где можно будет узнать все подробности об обучении и пообщаться с преподавателем.

- Узнать подробнее о курсе "Machine Learning. Basic"

- Смотреть онлайн-встречу "День открытых дверей"

В России аномально жаркая весна. Вы же на забыли, что на дворе все еще последний весенний месяц? Это, самой собой, должно было вызвать ажиотажный спрос на сезонные летние товары - товары для отдыха, дачи и позиции, которые помогают пережить майский зной.

И вот, вчера, аналитики AliExpress Россия подтвердили это предположение. За май спрос на вентиляторы и кондиционеры на площадке вырос в 1,5 и 2 раза по сравнению с этим же периодом 2020 года. Мы посмотрим на мнение экспертов и проанализируем продажи на других отечественных маркетплейсах, чтобы узнать какая климатическая техника и товары в почете у россиян. Заодно выясним, чем в народе спасаются от жары - вентиляторами, кондиционерами или чем-то более инновационным?

Али дует, али кроет

У экспертов AliExpress Россия уже все подсчитано. Лидером продаж среди вентиляторов на площадке стали USB-вентиляторы. Не гиганты, занимающие половину квартиры, а компактные модели с низким уровнем шума. Средняя цена такого устройства - 899 рублей.

С кондиционерами все примерно также. Россияне чаще выбирают на маркетплейсе не громоздкие сплит-системы, а компактные модели с водяной системой охлаждения. Устройства с USB привлекают внимание покупателей больше других, а стоят в среднем 970 рублей.

Озонируем воздух

Взглянем на те же категории товаров с позиции маркетплейса Ozon. Правда ли именно эти товары популярны среди россиян или среди климатической техники встречаются и другие герои? С помощью сервиса аналитики SellerFox смотрим на объемы продаж и выручки за последние 30 дней года. Первым делом идем в категорию "Климатическая техника".

Заметьте, спрос на товары категории стал расти именно в мае этого года. При этом средняя цена продажи, наоборот, стала стремиться вниз. Почти удивительная ситуация при торговле сезонными товарами. В пиковый день отчетного периода селлерам удалось заработать на продаже климатической техники общую выручку в размере 20589121 рублей. Смотрим за что покупатели отдали все эти деньги.

В битве кондиционеров и вентиляторов побеждили увлажнители воздуха. В топе популярных товаров по количеству заказов, вся первая пятерка состоит из этого оборудования. Стоимость лидеров колеблется от 1 000 до 10 000 рублей. У топа продаж за 30 дней сразу 534 заказа и 343 138 рублей выручки.

Модель, стоимостью около 10 000 рублей, заказывали чуть реже, но за счет высокой стоимости товара, выручка продавца достигла значения в 2689272рублей. Это суммарный показатель по итогам 266 заказов.

Первый вентилятор, который встречается в топе вовсе не похож на привычное всем устройство - в лидеры выбилась встраиваемая вытяжная модель. Средняя стоимость ее продажи 3 260 рублей. Товар заказали за месяц 236 раз, что принесло продавцу общую выручку в 769 000 рублей. Что

Что касается кондиционеров, то их вообще сложно найти в списке лидеров по объему продаж, хотя в нем чего только не встречается. Например, водонагреватели и обогреватели. Возможно, дорогостоящие сплит-системы просто неудобно покупать на маркетплейсах - высок риск ошибиться с выбором подходящей модели.

Маркет жарких цен

На Яндекс.Маркет ситуация вообще странная. Спрос на климатическую технику с приходом мая сначала восстановил апрельские значения и подрос, а после праздников свалился вниз.

Во-первых, даже у лидера по объему продаж в копилке всего 60 заказов за месяц. Во-вторых, покупатели маркетплейса явно обживают частные дома и коттеджи - у них в любимчиках огромное количество водонагревателей. Возможно, пользователи Маркета очень рассчетливы и закупают все необходимое до наступления сезона. Именно поэтому в числе заказываемых весной товаров - обогреватели и сотни комплектующих для увлажнителей и очистителей воздуха. То есть сами устройства у покупателей уже есть.

У лидера по объему продаж - метеостанции Xiaomi всего 60 заказов и 23 100 рубле месячной выручки. Впрочем, кондиционеры на Яндекс.Маркет тоже заказывают. Все они стали лидерами по объему принесенной выручки, но лишь за счет свой высокой стоимости. Продажи устройств измеряются даже не десятками, а штуками.

Если же загадывать "что раньше?" - "курица или яйцо",то тут вопрос решается просто. Кондиционеры среди пользователей Яндекс.Маркета популярнее. Хотя популярность эта крайне надуманная.

Ультрафиолетовые продажи

Приближаемся к витринам Wildberries. Что видим? Продажи климатической техники здесь всегда стабильно высокие. Они проседали в первые дни мая, но сейчас вновь набрали обороты.

Ну а дальше все по старой схеме. Очевидно, что увлажнители воздуха стали неким трендом сезонных продаж. В списке лидеров по объему продаж почти все позиции - именно эти устройства. Так что и тут в споре "кондиционер-вентилятор" победу одержит охранник влажного климата.

У лидера продаж - ультразвукового увлажнителя - по итогам месяца 642 заказа и 1 686 811 рублей выручки. За ним стройной колонной выстроилась техника всех мастей: погодная станция с 515 заказами и выручкой в 142 129 рублей, тепловентилятор с 293 заказами и 252 240 рублями в копилке. А дальше, смотрите сами, весь свет и цвет увлажнителей воздуха. У ближайшего кондиционера, попавшего на первую страницу аналитической выдачи 141 328 рублей выручки и 120 заказов. Он, как и прописал AliExpress - компактный и водяной.

Ни холодно ни жарко

Вообще, такое положение дел на электронном рынке климатической техники выглядит логичным. Во-первых, как мы и сказали выше, выбор крупногабаритных сплит-систем на маркетпейсах может вызывать у покупателей массу проблем. Например, сложно понять насколько громоздким окажется устройство и возможно ли его будет установить в их помещении.

Во-вторых, кондиционеры существуют на рынке не первый год, при этом их частая смена не требуется. То есть некогда купив такое оборудование, покупатели уже закрыли свою потребность и в следующий раз вернутся к покупке техники, например, в случае ее поломки. Поэтому в другое время они рассматривают для заказа дополнительное оборудование - увлажняющее или очищающее. Оно недорого стоит и доступно в сотнях вариантов.

С AliExpress отдельная история. Сама площадка предлагает покупателям в десятки раз больше различных моделей техники. Многие из них просто не дошли до других отечественных маркетплейсов, либо не продаются там в виду низкой стоимости (у Ali такого ограничения нет, продавцы могут выгодно торговать даже дешевыми товарами). Поэтому и статистика популярных товаров на этом маркетплейсе выглядит иначе и, в целом, менее консервативно.

На одном из интенсивов по BI-аналитике от коуча услышал высказывание: BI-аналитика создает ценность для предприятия, но определить величину денежного эквивалента этой ценности невозможно.

Я не согласился с этим высказыванием так как, на мой взгляд, менеджмент создает систему метрик бизнес-аналитики с целью видеть векторы развития предприятия и скрытые проблемы, приводящие к снижению итоговых результатов. И если с помощью метрик вектора развития сложно конкретизировать, то кризисные явления идентифицируются достаточно надежно, при качественном исследовании исторических данных. То есть проявляется явная функция пространства метрик, показывающая зоны, в которые предприятию предпочтительно не попадать и система бизнес-метрик является инструментом риск-менеджмента. В настоящий момент технологии монетизации мероприятий риск-менеджмента хорошо отлажены. Так же ресурс Reports and Data прогнозирует объем рынка анализа рисков к 2026 в объеме 65 млрд. долл.

Посерфил обнаружил в сети, что существует всего лишь один университет, у которого есть программа обучения по данному курсу в The Hong Kong University of Science and Technology и нижепредставленную статью. После таких результатов мне стало ясно, что тема исследована слабо и причина в том, что риск-менеджмент отдельное направление с достаточно широким диапазоном и риски в операционной деятельности предприятия - подраздел этих мероприятий.

Чтобы читатель мог представить широту задач даю ссылку на статью об инструментах в этой области The 19 Best Risk Management Software of 2021.

После переведенной статьи изложил свои размышления о том, как сделать набор бизнес-метрик инструментом риск-менеджмента.

Business intelligence in risk management: Some recent progresses (2014 год)

Предисловие

Управление рисками стало важной темой, как в академических кругах, так и на практике в течение последних нескольких десятилетий. Большинство инструментов бизнес-аналитики использовалось для улучшения управления рисками, а инструменты управления рисками извлекли выгоду из подходов бизнес-аналитики. Эта вводная статья представляет собой обзор современных исследований в области бизнес-аналитики, в области управления рисками, а также работ, которые были приняты для публикации в этом выпуске.

Ключевые слова: бизнес-аналитика, управление рисками, исследование операций.

1. Введение

Мы очень рады видеть завершение этого специального выпуска по информационным наукам: Бизнес-аналитика в управлении рисками. Риски существуют во всех аспектах нашей жизни и могут означать разные вещи для разных людей, хотя в негативном плане они всегда в целом причиняют большой потенциальный ущерб и неудобства для заинтересованных сторон. Например, недавние риски стихийных бедствий включают террористические акты, приведшие к отравлению газом в японском метро, терракту 11 сентября 2001 г., взрывам транспортных систем Испании и Великобритании, а также вирус атипичной пневмонии, нарушающий общественную и деловую деятельность, в частности в Азии.

Совсем недавно вирус H1N1 обострил осведомленность о системе реагирования во всем мире, а глобальный финансовый кризис привел к рецессии во всех аспектах экономики (59).

Для управления рисками, с которыми сталкивается организация, требуются комплексные подходы, и иногда эффективные стратегии принятия рисков могут включать в себя новые бизнес-концепции, такие как управление корпоративными рисками. Большинство инструментов бизнес-аналитики использовалось для улучшения управления рисками, и инструменты управления рисками выигрывают от подходов бизнес-аналитики. Например, модели искусственного интеллекта, такие как нейронные сети и метод опорных векторов, широко используются для создания системы предварительного предупреждения, для мониторинга финансового состояния компании (38, 2, 36). Агентно-ориентированные теории используются в управлении рисками цепочки поставок (27, 34). Модели бизнес-аналитики также полезны для хеджирования финансовых рисков путем включения рыночных рисков, кредитных рисков и операционных рисков (59). Исследование инструментов бизнес-аналитики в области управления рисками полезно как практикам, так и академическим исследователям.

В этом выпуске мы представляем статьи, посвященные последним достижениям в использовании бизнес-аналитики для управления.

2. Риски и управление рисками

Все человеческие усилия связаны с неопределенностью и риском. В области производства продуктов питания наука добилась больших успехов в генетическом управлении. Но есть опасения по поводу некоторых манипуляций, связанных с различными взглядами, преобладающими во все мире. В Соединенных Штатах генетическое управление обычно рассматривается как способ получения качественных и продуктивных источников пищи более надежным способом. Тем не менее, существуют серьезные возражения против биоинженерных продуктов питания в Европе и Азии. Появились некоторые естественные болезни, например, коровье бешенство, с которыми очень трудно бороться. Степень достигнутого контроля часто оспаривается. В Европе существует строгий контроль над биоинженерией, но даже тогда произошел скандал по свиноводству, связанный с опасными кормами и запрещенными лекарствами (57). Риски, связанные с биоинженерией, являются важными факторами в пищевой цепочке (50, 14). Генетическое картирование предлагает огромный прорыв в мире науки, но сопряжено с политическими рисками в применении к управлению человеческими ресурсами (37).

Даже применение информационных технологий для лучшего управления рисками в оказании медицинской помощи сопряжено с рисками (54). Использование компьютерного управления применялось к летающим самолетам, но не всегда работало (13). Риски можно рассматривать как угрозы, но бизнес существует, чтобы справляться с рисками (45). В разных дисциплинах используются разные способы классификации рисков. Чтобы объяснить уроки управления рисками из кредитного кризиса, Jorion (26) классифицировал риски на: известные - известные, известные - неизвестные и неизвестные - неизвестные. Фактически это основано на степени риска и аналогично тому, что обсуждали Olson and Wu (45).

Мы предлагаем следующую общую классификацию рисков: отраслевые и качественные.

- Финансовые риски отраслевого кластера, в основном включают в себя всевозможные риски, связанные с финансовыми секторами и финансовыми аспектами в других секторах. Они включают, но не ограничивают рыночный риск, кредитный риск, операционный риск и риск ликвидности. Нефинансовые риски, включающие риски из источников, не связанных с финансами. К ним относятся, но не ограничиваются ими, политические риски, репетиционные риски, биоинженерные риски и риски стихийных бедствий.

- Качественные риски могут иметь четыре свойства: неопределенность, динамика, взаимосвязь и зависимость, а также сложность. Первые два свойства были широко признаны в межвременных моделях из областей поведенческих решений и поведенческой экономики (3); последние два свойства хорошо изучены в финансовых дисциплинах. Существование риска требует применения различные распределения теории вероятностей для моделирования рисков. Этот подход может быть датирован 1700-ми годами, что привело к созданию моделей событий Бернулли, Пуассона и Гаусса, а также общих распределений Парето и общих распределений экстремальных значений для моделирования экстремальных событий. Динамика рисков в основном предполагает использование теории стохастических процессов в управлении рисками. Это можно отнести к 1930-м годам, когда были разработаны Марковские процессы, броуновские движения и процессы Леви. Взаимосвязь и зависимость рисков имеет дело с корреляцией между факторами риска. Строятся различные функции связки, а также используются преобразования Фурье. Сложность риска требует дальнейшего управления за счет использования различных моделей, основанных на науке о сложности, таких как подходы к моделированию на основе агентских моделей.

Управление рисками можно определить как процесс идентификации, анализа и принятия или уменьшения неопределенности при принятии инвестиционных решений.

Управление рисками - это управление неопределенностью возможного сценария событий. Традиционное управление рисками сосредоточено на рисках, связанных с физическими или юридическими причинами, такими как стихийные бедствия или пожары, несчастные случаи, смерть и судебные иски. Управление финансовыми рисками имеет дело с рисками, которыми можно управлять с помощью имеющихся финансовых инструментов. Самая последняя концепция, управление рисками предприятия, предоставляет инструмент для повышения ценности систем, как коммерческих, так и коммунальных, с систематической точки зрения. Исследование операций (OR) всегда полезно для оптимизации управления рисками.

В литературе можно выделить различные области, связанные с бизнес-аналитикой в управлении рисками.

3. Различные точки зрения и инструменты

Последние несколько десятилетий стали свидетелями огромного прогресса в области вычислительного интеллекта, включая нечеткую логику, нейронные сети и генетические алгоритмы, эволюционные вычисления и подходы к оптимизации, а также такие, как линейное программирование, нелинейное программирование, теория игр и многокритериальный анализ решений. Оптимизационные подходы широко применяются в промышленности во многих областях прогнозирования, оценки производительности, автоматического управления и аппроксимации функций. В этом разделе представлен обзор ключевых областей, а также связанных с ними методов.

3.1. Системы раннего предупреждения

Во многих работах рассматривалась ценность систем раннего предупреждения как средства контроля риска. Krstevska (30) приводит их использование в макроэкономических моделях с учетом специфики экономики Македонии. Ряд моделей был реализован с помощью компьютерных систем. Flores (15) рассматривал раннее предупреждение в страховании с помощью стохастической оптимизации. Castell and Dacuycuy (9) анализировали механизмы макроэкономического и финансового надзора. Hua (23) рассмотрел методы, используемые для раннего предупреждения в сфере недвижимости. В рамках промышленного применения Xie et al. (61) описал процедуру выявления логистических рисков для малых и средних предприятий.

3.2. Анализ рисков на основе нейронных сетей

Нейронные сети - это инструменты искусственного интеллекта, которые оказались очень полезными для выявления закономерностей в сложных структурах данных, особенно тех, которые связаны с нелинейными отношениями. Schneidewind (51) представил результаты работ по применению нейронных сетей для оценки надежности программного обеспечения, цель которых заключалась в снижении риска провала проекта. Jin and Zhang (25) представили другое приложение, демонстрирующее ценность моделей искусственных нейронных сетей в проектах, в данном случае в проектах, предполагающих государственно-частное партнерство. К отраслевым приложениям относятся банки, использующие модели искусственных нейронных сетей для анализа приложений кредитных карт (62), что позволяет банкам более эффективно контролировать свои риски после пузыря 2008 года. Модели нейронных сетей также были объединены с приложениями для тестового майнинга, такими как Groth и Muntermann (20), где модель применялась к финансовому риску, в дейтрейдинге. (12) применили модели искусственных нейронных сетей для управления риском дефолта малых предприятий в Италии.

3.3. Принятие решений на основе рисков

Использование компьютерных средств для принятия решений на основе риска широко изучается в области информационных систем в качестве систем поддержки принятия решений с 1970-х годов (28,56) Warenski (58) использовал искусственный интеллект для другого применения анализа кредитного риска, в данном случае демонстрируя финансовое моделирование в целлюлозно-бумажной промышленности. Otim et al. (46) представили недавний анализ, специально посвященный оценке стоимости и риска инвестиций в информационные технологии. Такие инвестиции включают в себя сложный набор заинтересованных сторон, что приводит к необходимости учитывать политику организации. Kozhikode and Li (29) изучали роль политического плюрализма в экспансии коммерческих банков в Индии, включая рассмотрение управления рисками. Принятие отраслевых решений включает не только множество заинтересованных сторон, но и множество критериев (44), отчасти обусловленных самим существованием этих многочисленных заинтересованных сторон. Silvestri et al. (53) представили методику многокритериальной оценки рисков для анализа рисков в области безопасности производства. Lakemond et al. (32) дали метод учета риска при разработке продукта, позволяющий на ранней стадии оценить риск и другие проблемы.

3.4. Анализ рисков на основе игр

Nash создал одну из самых плодотворных работ в теории игр (42), изучив роль конкурентной стратегии. Эта хорошо изученная область является одной из основных направлений в менеджменте промышленными рисками. Zhao and Jianq (63) рассмотрели модель полной информационной игры без взаимодействия, которая рассматривает множество возникающих рисков в среде управления проектами. Merrick and Parnell (39) расширили теоретико-игровые модели, включив в них вероятностный анализ рисков в контексте борьбы с терроризмом. Их применение включало в себя экранирование контейнеров для радиологических материалов. Lin et al. (35) использовали теорию игр для моделирования вертикальной дифференциации в онлайн-рекламе, обнаружив, что более высокий уровень дохода от рекламы может привести к снижению цен на услуги. Теория игр также применялась Gnyawali and Park (19) к управлению рисками малых и средних предприятий.

3.5. Определение кредитного риска

Основная задача финансового сектора в управлении рисками - оценка вероятности дефолта. Gurny и Tichy (21) представили скоринговую модель для банков США с использованием линейного дискриминантного анализа. Chen et al. (11) предложили другое исследование, в данном случае с использованием методологии Six Sigma DMAIC для снижения финансового риска.

Wu and Olson (60) продемонстрировали, как прогностические системы оценки использовались для управления крупными банковскими рисками кредитоспособности. Caracota et al. (8) предоставили скоринговую модель для малых и средних предприятий, ищущих банковский кредит. Poon (48) проанализировал эффективность кредитного скоринга финансируемых государством предприятий (Freddie Mac и Fannie Mae), показывая, как скоринг кредитного бюро приводит к поддержке противоположных стратегий избегания риска и скупого инвестирования.

3.6. Data mining в управлении рисками предприятия

Data mining стал очень популярным средством применения инструментов статистического и искусственного интеллекта для анализа больших массивов данных. Среди множества приложений для управления рисками Shiri et al. (52) применили инструменты интеллектуального анализа данных к корпоративным финансам, включая выявление мошенничества в управлении, оценку кредитного риска и прогнозирование результатов деятельности компании. Jans et al. (24) сосредоточили свое исследование интеллектуального анализа данных на устранении риска внутреннего мошенничества, обнаружив, что инструменты интеллектуального анализа данных дают лучшие результаты, чем одномерный анализ. Holton (22) также обратился к профессиональному мошенничеству, применив интеллектуальный анализ текста для поддержки аудита мошенничества. В других отраслях Nateghi et al. (43) применили методы data mining для более точного прогнозирования отключений электроэнергии, особенно, связанных с ураганами. Ghadge et al. (17) проанализировали приложения для интеллектуального анализа текста для поддержки управления рисками в цепочках поставок. Два исследования специально посвящены использованию интеллектуального анализа данных для снижения риска профессиональных травм. (5, 41)

3.7. Агентно-ориентированное управление рисками

Искусственный интеллект часто реализуется с помощью агентных систем, в которых компьютеры имитируют людей, принимающих решения. Этот подход был применен к управлению рисками в цепочках поставок Smeureanu et al. (55) с конкретным исследованием риска банкротства компании-партнера. Giannakis and Louis (18) также рассмотрели управление рисками в цепочке поставок с помощью агентских моделей, в данном случае исследуя риски, присущие как спросу на ресурсы, так и их предложению в период экономических спадов. Агенты также были специально применены к имитационным моделям, что позволяет использовать имитационные модели для анализа более сложных проблем. Caporale et al. (7) представили оптимальную модель финансовых рынков в условиях кризиса, сочетающую моделирование и теорию игр через агентов. Родственным подходом является оптимизация роя частиц, которая была применена Chang Lee et al. (10) для управления проектными рисками и Kumar et al. (31) для разработки более надежных конструкций цепочек поставок. Было обнаружено, что этот подход позволяет моделировать более сложные ситуации. Mizgier et al. (40) прикладное агентно-ориентированное моделирование цепочек поставок, моделирующее риск банкротства фирм-участников саморазвивающихся сетей.

3.8. Анализ инженерных рисков на основе инструментов оптимизации

Инструменты оптимизации имеют фундаментальное значение для инженерных усилий по разработке более совершенных систем. (4) Существование неопределенности нарушает некоторые из требуемых допущений для многих моделей оптимизации. Наличие риска подразумевает наличие неопределенности, что затрудняет разработку моделей оптимизации. Однако были представлены модели оптимизации инженерных систем. Ahmadi and Kumar (1) представили модель, учитывающую повышенную вероятность отказа механических систем из-за старения. Buurman et al. (6) ввел основу для динамического стратегического планирования инженерных систем с использованием анализа реальных вариантов, обнаружив, что этот подход имеет значительные преимущества перед статическим проектированием. Popovic et al. (49) применили комплексную оптимизацию к системам обслуживания, связанным с риском.

3.9. Управление знаниями и data mining для управления рисками стихийных бедствий в промышленности

Управление знаниями - это очень широкая область исследования, развивающаяся от систем поддержки принятия решений, экспертных систем и искусственного интеллекта до интеллектуального анализа данных и бизнес-аналитики. Управление знаниями также включает в себя рассмотрение того, как неявные знания в организациях могут быть зафиксированы в компьютерных системах, таких как аргументация на основе конкретных случаев. Несколько статей можно найти в применении управления знаниями к управлению промышленными рисками. Folino et al. (16) использовали сеточные технологии в геонауках посредством интеллектуального анализа данных для анализа и управления стихийными бедствиями, такими как оползни, землетрясения, наводнения и лесные пожары. Их система предназначалась для оказания помощи в предотвращении стихийных бедствий и реагировании на них. Li et al. (33) сосредоточились на прогнозировании стихийных бедствий с использованием знаний предметной области и пространственных данных для разработки байесовской сети.

4. Краткое содержание статьи

Документы, собранные в этом специальном выпуске, включают четыре документа, моделирующих управление рисками: два - об управлении финансовыми рисками, один - об управлении рисками безопасности и один - об управлении рисками проекта планирования ресурсов предприятия. Первый набор документов по управлению финансовыми рисками охватывает все типичные темы: новый метод торговли акциями с использованием оценки Kansei, интегрированный с самоорганизующейся картографической моделью для улучшения системы торговли акциями, гибридные модели рассуждений на основе конкретных случаев для прогнозирования неудач финансового бизнеса и фондовый рынок с агентскими аукционами, основанный на масштабном анализе.

В статье Динамическое моделирование рисков в проектах сопровождения ERP с помощью FCM, написанной Cristina Lopez and Jose Salmeron, изучаются риски в проектах планирования ресурсов предприятия (ERP). В частности, они построили нечеткие когнитивные карты (FCM) рисков обслуживания ERP. Главное преимущество FCM заключается в их способности моделировать сложные явления на основе мнений экспертов. Этот инструмент моделирует неопределенность и связанные с ней события, имитируя человеческое мышление. Предлагаемый инструмент специально моделирует результаты проекта технического обслуживания ERP и восприятие рисков, а также их скрытые взаимодействия. Авторы показывают, что FCMS позволяют разрабатывать упражнения по прогнозированию с помощью моделирования. Таким образом, специалисты-практики будут оценивать совместное влияние рисков обслуживания ERP на результаты проекта. Предлагаемый инструмент поможет специалистам-практикам более эффективно и проактивно управлять рисками проекта сопровождения ERP.

В статье Hybrid Kansei-SOM Model using Risk Management and Company Assessment for Stock Trading, авторами Hai Pham, Eric Cooper, Thang Cao и Katsuari Kamei, представлен новый метод торговли акциями с использованием оценки Kansei, интегрированной с самоорганизующейся моделью карты для совершенствования системы биржевой торговли. Предлагаемый подход направлен на объединение нескольких экспертных решений, достижение наибольшей доходности инвестиций и снижение потерь за счет работы со сложными ситуациями в динамичной рыночной среде. Оценка Kansei и модели нечеткой оценки применяются для количественной оценки чувствительности трейдера в отношении торговли акциями, рыночных условий и факторов фондового рынка с неопределенными рисками. В оценке Kansei групповая психология и чувствительность трейдеров измеряются количественно и представляются нечеткими весами. Наборы данных Kansei и фондового рынка визуализируются SOM вместе с совокупными экспертными предпочтениями для того, чтобы найти потенциальные компании, соответствующие торговым стратегиям в нужное время и исключающие рискованные акции.

Авторы апробируют предложенный подход в ежедневных биржевых торгах на фондовых рынках HOSE, HNX (Вьетнам), NYSE и NASDAQ (США). Авторы показывают, что новый подход применения оценки Kansei повышает возможности получения инвестиционной отдачи и снижает потери. Авторы также показывают, что предложенный подход работает лучше, чем другие современные методы, при работе с различными рыночными условиями.

В статье Модель анализа рисков безопасности для информационных систем: причинно-следственные связи факторов риска и анализ распространения уязвимости, авторами которой являются Nan Feng, Harry Jiannan Wang, and Minqiang Li, разработана модель анализа рисков безопасности для выявления причинно-следственных связей между факторами риска и анализа, сложность и неопределенность распространения уязвимости. В предложенной модели разработана байесовская сеть (BN) для одновременного определения факторов риска и их причинно-следственных связей на основе знаний из наблюдаемых случаев и экспертов в предметной области. Авторы проводят анализ распространения уязвимостей безопасности, чтобы определить путь распространения с наибольшей вероятностью и наибольшей подверженностью риску на пути. Оптимизация муравьиной колонии используется в SRAM для установления структуры BN и определения путей распространения уязвимостей и их вероятностей. SRAM позволяет организациям создавать планы упреждающего управления рисками безопасности для информационных систем.

В статье Calibration of the Agent-based Continuous Double Auction Stock Market Scaling Analysis, авторами которой являются Yuelei Li, Wei Zhang, Yongjie Zhang, Xiaotao Zhang, and Xiong, предлагается метод калибровки для фондового рынка с непрерывным двойным аукционом (CDA) и использованием агентов. масштабного анализ на основе работы Pasquini and Serva. (47) Авторы разрабатывают и строят фондовый рынок CDA, основанный на агентах, и используют тот же торговый механизм, что и китайский фондовый рынок. Авторы также проводят масштабный анализ абсолютной доходности, как на искусственных, так и на реальных фондовых рынках и показывают корреляции волатильности в виде степенных законов на всех рынках, где показатель степени не является уникальным, и все такие показатели следуют многомасштабному поведению.

5. Заключительные замечания

Модели бизнес-аналитики применялись и применяются в контексте управления рисками по всему миру. Они доказали свою эффективность уже более полувека. Мы надеемся, что этот специальный выпуск дает представление о том, как можно применять бизнес-аналитику для большего числа читателей, сталкивающихся с корпоративными рисками.

Благодарности

Приглашенные редакторы хотели бы поблагодарить всех рецензентов, включая Patrick Paulson, Karl Leung, Colin Johnson, Daniel Zeng, Guo H. Huang, Chuen-Min Huang, Ching Huei Huang, Xiaoding Wang, Chichen Wang, Guixiang Wang, Cheng Wang, Magnus Johnsson, Guangquan Zhang, Futai Zhang, and David Mercie.

Мы благодарим редактора W. Pedrycz, редактора специального выпуска P. P. Wang и руководителей журнала за их многочисленные ценные предложения и усилия по выпуску этого специального выпуска. Второй автор также признателен за поддержку исследований в виде гранта NSC 101-2410-H-004-010-MY2.

References

1 A. Ahmadi, U. Kumar, Cost based risk analysis to identify inspection and restoration intervals of hidden failures subject to aging, IEEE Transactions on Reliability 60 (1) (2011) 197209.

2. E. Alfaro, N. Garcia, M. Gamez, D. Elizondo, Bankruptcy forecasting: an empirical comparison of AdaBoost and neural networks, Decision Support Systems 45 (1) (2008) 110122.

3. M. Baucells, F.H. Heukamp, Probability and time tradeoff, SSRN working paper, 2009. http://ssrn.com/abstract=970570

4. Y. Ben-Haim, Doing our best: optimization and the management of risk, Risk Analysis: An International Journal 32 (8) (2012) 13261332.

5. M. Bevilacqua, F.E. Ciarapica, G. Giacchetta, Data mining for occupational injury risk: a case study, International Journal of Reliability, Quality & Safety Engineering 17 (4) (2010) 351380.

6. J. Buurman, S. Zhang, V. Babovic, Reducing risk through real options in systems design: the case of architecting a maritime domain protection system, Risk Analysis: An International Journal 29 (3) (2009) 366379.

7. G.M. Caporale, A. Serguieva, H. Wu, Financial contagion: evolutionary optimization of a multinational agent-based model, Intelligent Systems in Accounting, Finance & Management 16 (1/2) (2009) 111125.

8. R.C. Caracota, M. Dimitriu, M.R. Dinu, Building a scoring model for small and medium enterprises, Theoretical & Applied Economics 17 (9) (2010) 117128.

9. M.R.F. Castell, L.B. Dacuycuy, Exploring the use of exchange market pressure and RMU deviation indicator for early warning system (EWS) in the ASEAN+3 region, DLSU Business & Economics Review 18 (2) (2009) 130.

10. K. Chang Lee, N. Lee, H. Li, A particle swarm optimization-driven cognitive map approach to analyzing information systems project risk, Journal of the American Society for Information Science & Technology 60 (6) (2009) 12081221.

11. Y.C. Chen, S.C. Chen, M.Y. Huang, C.L. Tsai, Application of six sigma DMAIC methodology to reduce financial risk: a study of credit card usage in Taiwan, International Journal of Management 29 (2012) 166176.

12. F. Ciampi, N. Gordini, Small enterprise default prediction modeling through artificial neural networks: an empirical analysis of Italian small enterprises, Journal of Small Business Management 51 (1) (2013) 2345.

13. D. Dalcher, Why the pilot cannot be blamed: a cautionary note about excessive reliance on technology, International Journal of Risk Assessment and Management 7 (3) (2007) 350366.

14. A.L. Fletcher, Reinventing the pig: the negotiation of risks and rights in the USA xenotransplantation debate, International Journal of Risk Assessment and Management 7 (3) (2007) 341349.

15. C. Flores, Management of catastrophic risks considering the existence of early warning systems, Scandinavian Actuarial Journal 2009 (1) (2009) 3862.

16. G. Folino, A. Forestiero, G. Papuzzo, G. Spezzano, A grid portal for solving geoscience problems using distributed knowledge discovery services, Future Generation Computer Systems 26 (1) (2010) 8796.

17. A. Ghadge, S. Dani, R. Kalawsky, Supply chain risk management: present and future scope, International Journal of Logistics Management 23 (3) (2012) 313339.

18. M. Giannakis, M. Louis, A multi-agent based framework for supply chain risk management, Journal of Purchasing & Supply Management 17 (1) (2011) 2331.

19. D.R. Gnyawali, B. Park, Co-opetition and technological innovation in small and medium-sized enterprises: a multilevel conceptual model, Journal of Small Business Management 47 (3) (2009) 308330.

20. S.S. Groth, J. Muntermann, Intraday market risk management approach based on textual analysis, Decision Support Systems 50 (4) (2011) 680691.

21. P. Gurny, T. Tichy, Estimation of future PD of financial institutions on the basis of scoring model, in: 12th International Conference on Finance & Banking: Structural & Regional Impacts of Financial Crises, 2009, pp. 215228.

22. C. Holton, Identifying disgruntled employee systems fraud risk through text mining: a simple solution for a multi-billion dollar problem, Decision Support Systems 46 (4) (2009) 853864.

23. Y. Hua, On early-warning system for Chinese real estate, International Journal of Marketing Studies 3 (3) (2011) 189193.

24. M. Jans, N. Lybaert, K. Vanhoof, Internal fraud risk reduction: results of a data mining case study, International Journal of Accounting Information Systems 11 (1) (2010) 1741.

25. X.H. Jin, G. Zhang, Modelling optimal risk allocation in PPP projects using artificial neural networks, International Journal of Project Management 29 (5) (2011) 591603.

26. P. Jorion, Risk management lessons from the credit crisis, European Financial Management 15 (5) (2009) 923933.

27. N. Julka, R. Srinivasan, I. Karimi, Agent-based supply chain management-1: framework, Computers & Chemical Engineering 26 (12) (2002) 17551769.

28. P.G.W. Keen, M.S. Scott Morton, Decision Support Systems: An Organizational Perspective, Addison-Wesley, Reading, MA, 1978.

29. R.K. Kozhikode, J. Li, Political pluralism, public policies, and organizational choices: banking branch expansion in India, 19482003, Academy of Management Journal 55 (2) (2012) 339359.

30. A. Krstevska, Early warning systems: testing in practice, IUP Journal of Financial Risk Management 9 (2) (2012) 722.

31. S.K. Kumar, M.K. Tiwari, R.F. Babiceanu, Minimisation of supply chain cost with embedded risk using computational intelligence approaches, International Journal of Production Research 48 (13) (2010) 37173739.

32. N. Lakemond, T. Magnusson, G. Johansson, et al, Assessing interface challenges in product development projects, Research-Technology Management 56 (1) (2013) 4048.

33. L. Li, J. Wang, H. Leung, C. Jiang, Assessment of catastrophic risk using Bayesian network constructed from domain knowledge and spatial data, Risk Analysis: An International Journal 30 (7) (2010) 11571175.

34. W. Liang, C. Huang, Agent-based demand forecast in multi-echelon supply chain, Decision Support Systems 42 (1) (2006) 390407.

35. M. Lin, X. Ke, A.B. Whinston, Vertical differentiation and a comparison of on-line advertising models, Journal of Management Information Systems 29 (1) (2012) 195236.

36. P. Lin, J. Chen, FuzzyTree crossover for multi-valued stock valuation, Information Sciences 177 (5) (2007) 11931203.

37. K.S. Markel, L.A. Barclay, The intersection of risk management and human resources: an illustration using genetic mapping, International Journal of Risk Assessment and Management 7 (3) (2007) 326340.

38. D. Martens, B. Baesens, T. Van Gestel, J. Vanthienen, Comprehensible credit scoring models using rule extraction from support vector machines, European Journal of Operational Research 183 (3) (2007) 14661476.

39. J. Merrick, G.S. Parnell, A comparative analysis of PRA and intelligent adversary methods for counterterrorism risk management, Risk Analysis: An International Journal 31 (9) (2011) 14881510.

40. K.J. Mizgier, S.M. Wagner, J.A. Holyst, Modeling defaults of companies in multistage supply chain networks, International Journal of Production Economics 135 (1) (2012) 1423.

41. S. Murayama, K. Okuhara, J. Shibata, H. Ishii, Data mining for hazard elimination through text information in accident report, Asia Pacific Management Review 16 (1) (2011) 6581.

42. J. Nash, Equilibrium points in n-person games, Proceedings of the National Academy of Sciences 36 (1) (1950) 4849.

43. R. Nateghi, S.D. Guikema, S.M. Quiring, Comparison and validation of statistical methods for predicting power outage durations in the event of hurricanes, Risk Analysis: An International Journal 31 (12) (2011) 18971906.

44. D.L. Olson, Decision Aids for Selection Problems, Springer, NY, 1996.

45. D.L. Olson, D. Wu, Enterprise Risk Management Models, Springer, 2010.

46. S. Otim, K.E. Dow, V. Grover, J.A. Wong, The impact of information technology investments on downside risk of the firm: alternative measurement of the business value of IT, Journal of Management Information Systems 29 (1) (2012) 159194.

47. M. Pasquini, M. Serva, Multiscale behaviour of volatility autocorrelations in a financial market, Economics Letters 65 (3) (1999) 275279.

48. M. Poon, From new deal institutions to capital markets: commercial risk scores and the making of subprime mortgage finance, Accounting, Organizations & Society 34 (5) (2009) 654674.

49. V.M. Popovic, B.M. Vasic, B.B. Rakicevic, G.S. Vorotovic, Optimisation of maintenance concept choice using risk-decision factor A case study, International Journal of Systems Science 43 (10) (2012) 19131926.

50. L.A. Reilly, O. Courtenay, Husbandry practices, badger sett density and habitat composition as risk factors for transient and persistent bovine tuberculosis on UK cattle farms, Preventive Veterinary Medicine 80 (2-3) (2007) 129142.

51. N. Schneidewind, Applying neural networks to software reliability assessment, International Journal of Reliability, Quality & Safety Engineering 17 (4) (2010) 313329.

52. M.M. Shiri, M.T. Amini, M.B. Raftar, Data mining techniques and predicting corporate financial distress, Interdisciplinary Journal of Contemporary Research in Business 3 (12) (2012) 6168.

53. A. Silvestri, F. De Felice, A. Petrillo, Multi-criteria risk analysis to improve safety in manufacturing systems, International Journal of Production Research 50 (17) (2012) 48064821.

54. D.H. Smaltz, R. Carpenter, J. Saltz, Effective IT governance in healthcare organizations: a tale of two organizations, International Journal of Healthcare Technology Management 8 (1/2) (2007) 2041.

55. I. Smeureanu, G. Ruxanda, A. Diosteanu, C. Delcea, L.A. Cotfas, Intelligent agents and risk based model for supply chain management, Technological & Economic Development of Economy 18 (3) (2012) 452469.

56. R.H.J. Sprague, E.D. Carlson, Building Effective Decision Support Systems, Prentice-Hall, Englewood Cliffs, NJ, 1982.

57. G. Suder, D.W. Gillingham, Paradigms and paradoxes of agricultural risk governance, Internat Journal of Risk Assess Manage 7 (3) (2007) 444457.

58. L. Warenski, Relative uncertainty in term loan projection models: what lenders could tell risk managers, Journal of Experimental & Theoretical Artificial Intelligence 24 (4) (2012) 501511.

59. D. Wu, D.L. Olson, Introduction to the special section on optimizing risk management: methods and tools, Human and Ecological Risk Assessment 15 (2) (2009) 220226.

60. D. Wu, D.L. Olson, Enterprise risk management: coping with model risk in a large bank, Journal of the Operational Research Society 61 (2) (2010) 179190.

61. K. Xie, J. Liu, H. Peng, G. Chen, Y. Chen, Early-warning management of inner logistics risk in SMEs based on label-card system, Production Planning & Control 20 (4) (2009) 306319.

62. M. Yazici, Combination of discriminant analysis and artificial neural network in the analysis of credit card customers, European Journal of Finance & Banking Research 4 (4) (2011) 110.

63. L. Zhao, Y. Jiang, A game theoretic optimization model between project risk set and measurement, International Journal of Information Technology & Decision Making 8 (4) (2009) 769786.

Размышления переводчика

Естественно понятно, что за созданием пространства метрик BI-Аналитики обращаются компании, которым сложные информационные системы управления не очень-то подходят, так как операционные процессы хорошо просматриваемые и менеджменту достаточно отслеживать определенный набор индикаторов.

Когда указанные компании обращаются к BI-аналитику, то предоставляют все данные, которые они мониторят и других данных нет. На основе имеющихся данных BI-аналитик создает пространство метрик.

Это пространство может не только отслеживать текущие значения, но и также в ретроспективе. Простой ответ менеджмента на вопрос: Какие периоды в прошлой своей деятельности Вы считаете напряженными, кризисными? дают интервалы на которых, отследив показания метрик, можно с помощью скоринговых инструментов вычленить критические значения метрик. Далее привязываем полученные граничные значения к текущему мониторингу по принципу: нормально - зеленый, опасно - красный и пользователь получает работающий инструмент с детализацией участков, требующих обратить на них внимание.

Не спорю, что вероятность реализовать универсальную модель, практически, равна нулю, так как меняются условия деятельности организации, но и само пространство бизнес-метрик не вечно. С другой стороны, трудоемкость процесса реализации данной фичи в каждом случае непредсказуема. Но, в принципе, просчитывается эффект для заказчика от снижения рисков деятельности предприятия, то есть можно определить стоимость данных индикаторов.

Обратимся к прогнозу Reports and Data где объем рынка анализа рисков к 2026 в объеме 65 млрд.долл.

Чтобы представить в сравнении этот объем, скажу, что они прогнозируют:

- объем рынка автомобильных шин на 2028 год в объеме 118,09 млрд.долл.;

- объем рынка альтернативных двигателей для автомобилей на 2027 год в объеме 541,53 млрд.долл.

Сегодня популярность проектов data science очень высока и бизнес понимает их важность и значимость. Рынок наполнен специалистами в этой области, которые умеют добиваться впечатляющих результатов. Но такие проекты нередко бывают дорогостоящими, и не всегда для простых задач нужно привлекать профессионалов в этой области. Создание некоторых прогнозов вполне по силам самим бизнес-пользователям. Например, специалисты из отдела маркетинга могут прогнозировать отклик на маркетинговые кампании. Это становится возможным при наличии инструмента, позволяющего за несколько минут построить прогноз и легко интерпретировать результаты с точки зрения бизнес-смысла.

SAP Analytics Cloud (SAC) облачный инструмент, совмещающий в себе функции BI, планирования и прогнозирования, он также оснащен множеством функций расширенной аналитики: интеллектуальными подсказками, автоматизированным анализом данных и возможностями автоматического прогнозирования.

В этой статье мы расскажем о том, как построено прогнозирование в SAP Analytics Cloud, какие сценарии доступны на сегодняшний день, а также как этот процесс может быть интегрирован с планированием.

Функциональность Smart Predict ориентирована на бизнес-пользователя и позволяет строить прогнозы высокой точности без привлечения специалистов Data Science. Со стороны пользователя системы прогноз происходит в черном ящике, но в реальности это, конечно же, не так. Алгоритмы прогнозирования в SAC идентичны алгоритмам модуляAutomated Analytics инструмента SAP Predictive Analytics. Об алгоритмах, лежащих в основе этого продукта, есть множество материалов, мы предлагаем прочитать эту статью. На вопрос: Получается, Automated Analytics переехал в SAP Analytics Cloud? - мы отвечаем - Да, но пока только частично. Вот какая разница и сходство в функциональных возможностях инструментов (рис.1)

SAP Analytic Cloud в настоящее время предлагает 3 прогнозных сценария:

Классификация. В данном случае предполагается бинарная классификация: предсказываются значения целевой переменной, которая может иметь только два значения -да и нет или 0 и 1. Примерами сценария классификации могут быть:

Прогноз оттока клиентов, где целевая переменная предсказывает, уйдет клиент или нет.

Прогноз склонности клиента к покупке с целевой переменной, прогнозирующей будет ли клиент покупать предложенный ему товар или нет.

Выявление мошенничества с целевой переменной, указывающей, была ли транзакция или требование мошенническим, или нет.

Регрессия. Предсказывает числовое значение целевой переменной в зависимости от переменных, описывающих ее. Примеры регрессионных сценариев:

Количество клиентов, посещающих магазин в обеденное время.

Выручка от каждого клиента в следующем квартале.

Цена продажи подержанных автомобилей.

Прогнозирование временного ряда. Предсказывает значение переменной с течением времени с учетом дополнительных описательных переменных. Примеры сценария прогнозирования временных рядов:

Выручка по каждой продуктовой линейке в течение следующих нескольких кварталов.

Количество велосипедов, арендованных в городе в течение следующих нескольких дней.

Командировочные расходы в ближайшие несколько месяцев.

В процессе прогнозирования мы будем работать с тремя типами датасетов: тренировочным, прикладным и результирующим (рис. 2)

Процесс прогнозирования в SAP Analytics Cloud осуществляется в несколько простых этапов. Мы рассмотрим его на примере прогнозирования оттока клиентов интернет-магазина. Для начала нам необходимо загрузить в систему тренировочный датасет из системы-источника или excel файла. Также SAP Analytics Cloud позволяет прогнозировать в режиме Live (избегая загрузки данных в облако) на таблицах SAP HANA. В этом случае для пользователя SAC процесс остается неизменным, но построение прогноза происходит на стороне SAP HANA с использованием библиотеки Automated Predictive Library (APL).

Наш тренировочный датасет имеет следующие поля:

Следующим шагом построение прогноза будет выбор сценария прогнозирования.

Под каждой опцией есть описание, чтобы облегчить пользователю выбор правильного сценария для каждого варианта использования. Сейчас мы хотим создать модель, позволяющую предсказать, какие клиенты интернет-магазина наиболее склонны к оттоку. Исходя из описаний прогнозных типов сценариев, мы видим, что классификация сможет удовлетворить наши потребности. Итак, мы выбираем Классификация.

После этого мы создаем прогнозную модель и выбираем заранее подготовленный датасет, как источник данных для обучения. У пользователя также есть возможность редактировать метаданные. Далее мы выбираем целевую переменную, ее мы будем прогнозировать. В нашем случае это переменная Contract Activity, идентифицирующая отток клиентов. Также мы можем исключить некоторые переменные, если понимаем, что они никак не повлияют на формирование прогноза. Например, в нашем случае точно можно исключить Customer ID. Это может ускорить процесс выполнения прогноза, но их сохранение не мешает процессу моделирования.

После указания всех желаемых вводных мы отправляем модель на обучение. На основе исторических данных модель выявляет закономерности, то есть находит шаблоны по характеристикам клиента, который с большой вероятностью может отказаться от услуг интернет-магазина. При этом в наборе данных обучения должно быть достаточно целевых примеров, то есть данных об ушедших клиентах.

Во время обучения инструмент автоматически протестирует и попытается уменьшить количество переменных в модели, в зависимости от критериев качества, которые мы опишем ниже. Этот выбор выполняется последовательными итерациями, и сохраняются только те переменные, которые влияют на цель.

После обучения модели нам выдается подробный отчет о ее качестве, как показано на рисунке ниже. Мы видим два ключевых показателя эффективности: прогностическая сила и достоверность прогноза.

Прогностическая сила (KI) указывает на долю информации в целевой переменной, которую могут описать другие переменные модели (объясняющие переменные). Гипотетическая модель с прогностической силой 1,0 является идеальной, поскольку позволяет объяснить 100% информации целевой переменной, а модель с прогностической силой 0 является чисто случайной.

Достоверность прогноза (KR) показывает способность модели достичь той же производительности, когда она применяется к новому набору данных, имеющему те же характеристики, что и обучающий набор данных. Приемлемой считается достоверность прогноза не менее 95%.

Также отчет предоставляет информацию о переменных, которые в процессе генерации прогнозной модели были идентифицированы как ключевые, и упорядочивает их по степени влияния на целевую переменную.

Кроме этого, на рисунке ниже мы видим кривую производительности AUC ROC. Ось X показывает, какой процент от общей выборки составляют положительные цели; ось Y представляет их верно идентифицированный процент, который обнаружил алгоритм. Здесь необходимо пояснить, что положительными целями в данном случае считается целевая группа, а именно клиенты, отказавшиеся от услуг интернет-магазина.

Зеленая кривая олицетворяет некую идеальную модель с максимально возможным процентом обнаруженной цели. Например, если 25% общей выборки будут составлять ушедшие клиенты, то идеальная модель правильно классифицирует все 25% таких клиентов.

Красная кривая показывает минимальный процент обнаруженной цели, полученный случайной моделью. То есть случайно взяв 10% населения, вы бы определили 10% клиентов.

Синяя кривая показывает процент обнаруженной цели с использованием нашей модели. Например, если 10% выборки составляют ушедшие клиенты, мы обнаруживаем примерно 75%. Чем ближе синяя линия подходит к зеленой, тем лучше модель. Чем больше расстояние между красной и синей линиями, тем больше лифт модели.

Кроме того, SAC предоставляет возможность увидеть, как именно ключевые факторы влияют на целевую переменную.

Например, посмотрим более подробную аналитику по предиктору Average Visit Time, показывающему среднее количество времени, которое клиент проводит на портале интернет-магазина. По умолчанию предлагается отследить влияние этого фактора на столбчатой диаграмме, но также существует возможность настройки различных типов визуализации.

Мы видим, что клиенты, проводившие на страницах интернет-магазина от 10 до 22 и от 1 до 3 минут, имеют наибольшую склонность отказаться от услуг. Напротив, покупатели, находящиеся на портале от 3 до 7 и от 7 до 10 минут, показывают наименьшую вероятность уйти. Результаты выглядят волне логично: уходят те, кто проводили на сайте или слишком мало, или слишком много времени. Подобный анализ можно провести по всем ключевым предикторам.

Также для оценки качества получившейся модели SAC предлагает проанализировать матрицы неточностей, различные графики, иллюстрирующие эффективность модели (лифт, чувствительность, кривая Лоренца и плотность) и смоделировать возможные выигрыши и проигрыши от использования данного прогноза.

После того, как мы проанализировали модель и убедились в качестве, мы можем ее применить. Для этого мы находим датасет, который идентичен тренировочному по структуре, но содержит данные о новых клиентах, уход которых мы хотим предсказать. Далее мы выбираем переменные, которые надо увидеть в финальном датасете, а также указываем, какие характеристики получившегося прогноза мы хотим добавить.

На выходе мы получаем датасет с прогнозными значениями целевой переменной, на основе которого может быть легко сформирована модель данных. Она, в свою очередь, может являться источником данных для построения аналитической отчетности в SAC. Например, для этого кейса мы использовали интеллектуальную функцию Smart Discovery и получили автоматических дашборд на спрогнозированных данных.

Таким образом, прогнозирование легко вписывается в процесс анализа данных в SAC. С недавних пор функционал прогнозирования в решении также может быть легко интегрирован в процесс планирования.

Теперь SAC также позволяет использовать модели планирования, как данные для обучения предиктивных моделей. Даже если модель уже есть в отчетах и плановых формах ввода, можно создать частную версию прогноза или бюджета, и использовать алгоритм прогноза временного ряда для желаемого показателя. В качестве данных для тренировки модели может быть использован как факт, так и прогноз, бюджет или любая другая существующая версия данных. В дальнейшем процесс не будет отличаться от вышеописанного: пользователю будет предоставлен подробный отчет о качестве модели. В итоге спрогнозированные показатели будут записываться в созданную нами частную версию модели планирования.

Кроме того, в процессе создания отчетов пользователи также могут использовать прогностические функции, например, автоматический прогноз. Он позволяет продлить график временного ряда.

Алгоритм выполнения такого прогноза описан здесь, линейная регрессия или тройное экспоненциальное сглаживание. Результаты прогноза видны ниже, рядом с графиком факта появляется пунктирная линия прогноза и доверительный интервал.

Также прогноз можно добавлять в таблицы и использовать оттуда данные, например, как базу для будущего плана.

Таким образом, процесс прогнозирования в SAP Analytics Cloud достаточно прост и максимально ориентирован на бизнес-пользователя, но дает возможность получения прогностических моделей высокого качества для решения типовых бизнес-задач.

Данный инструмент является stand-alone решением и может стать частью мультивендорной архитектуры. Интеграция SAP Analytics Cloud с решениями SAP нативна. Кроме того, существует стандартный бизнес контент для различных индустрий и линий бизнеса. Отчеты могут быть дополнены прогнозными и плановыми данными, а также обогащены функциями расширенной аналитики.

Автор Анастасия Николаичева, архитектор бизнес-решений SAP CIS

На днях, надругойнебезызвестной вам площадке появился большой сравнительный анализ сервисов внешней аналитики маркетплейсов. Автор постарался разобраться в преимуществах и недостатках каждого и выдал свою оценку. Она, конечно, субъективная, поскольку у каждого продавца собственные ресурсы и требования к работе маркетплейсов. Но как основу для рассуждений материал взять можно - в нем сразилось 20 сервисов аналитики. Чтобы вы не убегали с Хабра и с позволения автора, мы разместим здесь выдержки из его обзора,. Вдруг вы найдете для себя что-то полезное или убедите других, что лучший сервис должен выглядеть чуть иначе.

Зачем нужны сервисы аналитики?

Пандемия сильно повлияла на российский сегмент e-commerce и пошатнула его в сторону стремительного развития. Чтобы не заниматься погрузкой из пустого в порожнее, продавцам пришлось изучать рынок и потребности покупателей. Одни были очевидны: например, антисептики весной 2020 года были топом продаж - для этого не нужно выстраивать сложные графики. Другие запросы покупателей не всегда ясны. Например, мы изучали топ продаж детских игрушек на OZON и обнаружили, что плюшевый Тоторо и кукла Гарри Поттера приносят продавцу по 15 миллионов рублей в неделю. Вот как бы вы догадались?

Чтобы это узнать нужно тонко разбираться в определенной сфере: например, знать, что ДжоанРоулинг готовит к выходу новую книгу и фанаты скоро сорвутся с цепей. Другой вариант - использовать сервисы внешней аналитики маркетплейсов, которые наглядно показывают какие товары пользуются спросом. Они же помогают понять - взрывной ажиотаж - следствие начавшейся распродажи или новый тренд. И если поначалу существовала всего пара таких сервисов аналитики, то с ростом популярности маркетплейсов они просто заполонили рынок.

Как их оценивать?

Для анализа автор взял сразу 20 сервисов аналитики. Часть из них все еще находится на стадии тестирования, часть работает лишь по запросу или через телеграммной-бота. В любом случае, список получился внушительный.

HunterSales/LookFor.sale/MarketGuru/Mayak/MoneyPlace/MPStats/MScout/RetailTool/SellerFox/Shopstat/Sloy/Stat4Market/WBExpert/WonderSell /MarketVision/Pi-Data/Whisla/MPHelp/Adapter/AYO

За каждый пункт в сравнении селлер решил выставлять баллы: по 10-бальной системе для наиболее важных характеристик и по 5-бальной системе для менее важных пунктов. Все результаты сведены в таблицы - увидите их в нужное время.

Часть сервисов на момент написания статьи находятся на бета-тестировании... поэтому такие сервисы я тоже включу в таблицу сравнения, для наглядности, но баллы выставлять не буду.Также сервис WonderSell имеет только лэндинг - основной функционал через телеграм-бота; Mayak имеет лэндинг, расширение браузера и телеграм-бота, но не имеет непосредственно сайта для работы с ним; AYO имеет только лэндинг - отчёты по товарам предоставляются по запросу в ручном режиме. По ним тоже не буду выставлять баллы.

Можно всё попробовать?

Критерий наличия полноценного тестового периода, автор анализа почему-то поставил на второе место. Не согласимся. Все-таки много важно разобраться в работе сервиса еще до оплаты. Он может не отвечать запросам селлера, сильно ограничивать временные рамки для поиска или анализировать данные ненужных площадок.

Мы ставим наличие тестового периода на первое место - для нас именно это важный шаг при выборе системы аналитики. А еще мы полностью согласны с автором материала - цитата ниже. Так что "тест" - всему голова.

...в каком-то из сервисов Вам может банально не понравиться интерфейс, а в другом скорость получения данных.

С тестовым периодом все оказалось просто. Самый долгий доступ (14 дней) готов предоставить сервис MarketVision. За ним следом встает MarketGuru, предоставляющий клиентам 7 демо-дней. У всех остальных конкурентов предложение ограничивается сроком от 1-3 дней. Еще 3 проекта находятся на тестировании и доступ к ним полностью бесплатный, но и вопросов к работе таких систем возникать не может - ошибки имеют место быть.

Лучший или дешёвый?

Стоимость подписки особенно важна начинающим продавцам и небольшим предпринимателям. Сначала хочется заработать, а после уже после тратить десятки тысяч на всякие сервисы.Сравнить стоимость подписки на разные сервисы - хорошее решение. При этом автор решил поставить всех участников в равные весовые категории и оценивать только стоимость 30-дневного тарифа. Для некоторых систем это потолок, у других продолжительность подписки может доходить до 1 года.

Видно, что тут на первом месте оказался Stat4Market с ценой подписки всего в 870 рублей в месяц. На другой стороне, с 30-ти дневным тарифом за 7 900 рублей остановился HunterSales. Золотую середину заняли сразу два игрока - MoneyPlace и SellerFox. Тут месячная подписка обходится клиентам в 4 тысячи рублей. Разница между стоимостью сервисов всего 9 рублей.

Про сервисы, которые находятся на тестировании я уже говорил ими Вы можете пользоваться бесплатно... В основном, тарифы растянуты на 1,3 и 6 месяцев. В некоторых сервисах они отличаются по возможностям анализа того или иного параметра и по количеству дней, за которое Вы можете получить информацию.

Что должен анализировать сервис?

Понятно, что информацию, удающуюся собраться с маркетплейсов. Но у каждого продавца своя задача. Например, кто-то торгует только на Wildberries и хочет анализировать конкурентов по площадке. С другой стороны, если у него будет возможность отслеживать статистику продаж того же OZON, он сможет спланировать своевременный выход на его склады.

В основном, как Вы видите, большинство сервисов анализируют только один маркетплейс WildBerries, меньшая часть 2 и более. AliExpress анализируют только 2 сервиса, Яндекс.Маркет и Lamoda по одному.

Очевидно, что самыми интересными на рынке пока являются сервисы, которые анализируют данные сразу всех маркетплейсов. Если цена у таких сервисов приемлемая, то их покупка - хороший вклад в будущее.

Возможности для самоанализа

Внутренняя аналитика это аналитика собственных продаж на маркетплейсах. Для этих целей существуют специализированные сервисы, но некоторые из нашего списка имеют внутри себя и такой функционал. Достаточно подключить магазин на маркетплейсе по API и проанализировать свои продажи. Бонус приятный.

7 сервисов из рассматриваемых нами имеют функционал для внутренней аналитики. В некоторых из них он откровенно слабый для галочки. Еще 3 сервиса сообщают о том, что в скором времени такой функционал у них появится.

...остановился на промежуточном значении в баллах: за наличие внутренней аналитики выставлял 7 баллов, за информацию о её появлении в будущем 2 балла.

Начало летоисчисления

Поскольку продавцы анализируют данные о продажах и выручке не только в разрезе 7 дней, важно, чтобы сервисы аналитики имели весомую базу информации. Автор сравнительного материала задался логичным вопросом - с какого периода сервисы собирают данные.

Зачем нам это? Существуют сезонные и трендовые товары, чьи популярность или спад продаж связаны с внешними факторами. Чтобы их отследить нужен большой период анализа.

На первом месте по данному показателю MPStats, они собирают данные с января 2020 года, 10 баллов. Далее WBExpert май 2020 и замыкает тройку SellerFox и MarketVision июль 2020 года. Часть сервисов предоставляет данные за последние 30 дней они получают по 2 балла, так как такие данные пригодятся не для всех случаев, а это основной функционал сервиса аналитики и парсинга. MPHelp даёт показывает информацию всего лишь за 7 дней, Pi-data в тестовом тарифе тоже за 7 дней, по основному тарифу на мой запрос ответа не поступило.

Мы только спросить

Для малого и среднего бизнеса анализ маркетплейсов - важная часть ведения бизнеса на первых этапах. Но для них же оплата дополнительных сервисов - дополнительная финансовая нагрузка. Именно поэтому многие продавцы просто не могут позволить себе покупку дорогих сервисов и модулей, а значит не могут и масштабироваться. Хорошее решение - тарифы, предоставляющие доступ к сервисам на короткий период. А значит - дешевые.

Показатель, наряду с ценой тоже очень важный, поэтому 10 баллов я поставил сервисам HunterSale и MPHelp. Они дают возможность оплатить 24 часовой доступ, пусть и достаточно дорогой. 7 баллов получил SellerFox за 3-х и 14-ти дневные доступы к сервису. А 5 баллов я поставил LookForSale за семидневный дневный доступ. У всех остальных есть возможность оплаты только 30-дневного периода, поэтому - 3 балла.

Поддержим молодых и неопытных

Служба поддержки сервиса важный параметр в работе сервиса. Новички могут просто не разбираться в каких-то вещах, графики могут казаться им страшными и непонятными. Автор указал на важность этого параметра, но отменил, что он не является сервисообразующим, поэтому оценивал его по 5-бальной шкале.

Для оценки я пользовался следующими способами: либо смотрел историю вопросов пользователей и ответов на них службы поддержки у сервисов, которые имеют телеграммной-чаты и прикидывал примерное время ответа; либо писал в телеграм-боты поддержки, телеграм-аккаунты лиц, указанных на сайте как служба поддержки и в формы обратной связи, установленные на сайтах.

Спам - не результат аналитики

Сервисы аналитики любят практиковаться в рассылках существующим и потенциальным клиентам. Аудитория понятная - люди, увлеченные торговлей и продажами; посетители маркетплейсов и url-адресов, привязанных к личным кабинетам таких площадок. По словам авторам материала, который мы обсуждаем, большая часть сервисов аналитики продвигается через телеграм. Именно там они могут использовать серые методы продвижения, рассылая предложения участникам профильных каналов.

Так как этот показатель очень субъективный и многим легко спутать спам с рекламой, а также из-за того, что этот показатель никак не влияет на качество работы сервисов аналитики, то он проходит вне конкурса за него я не выставлял баллы.

Заработать на своих

Реферальная программа - тренд современности. Приведи друга и получи пончик в подарок. Подключи приятеля и получи бонус на карту. Какие еще варианты вам знакомы? Можно, например, подключиться к реферальной программе сервисов внешней аналитики и заработать сверх того, что принесут вам данные графиков и диаграмм. Будем плюсовать в карму разработчикам, использующим такой подход?

Оценивался мною также по 5-бальной шкале. Если реферальная программа есть 5 баллов, нет 0 баллов. Конечно, можно было бы углубиться в этот параметр и рассмотреть в рамках него такие факторы как финансовые и временные условия, а также минимальная сумма вывода денег с баланса.

Выгружать на склад или данные?

Не все клиенты сервисов используют их интерфейсы для анализа. Некоторые покупают доступ к сервисам для выгрузки данных по API, а кто-то просто скачивает результаты в excel, печатает и анализирует данные под светом настольной лампы. Поэтому возможность выгружать данные из сервисов аналитики - полезная фича.

Так как возможность выгрузки дополнительная опция, то оценивал её тоже по 5-бальной шкале. Чем больше вариантов выгрузки тем выше балл. Возможно, в каком-то из сервисов, я просто не нашёл кнопочки выгрузки. В этом случае, собственники сервисов, не нужно меня ругать, а перенесите эту кнопочку на более видное место.

Визуализируй это

Визуализация наше всё. Кому как, но мне очень нравится работать с данными, представленными в визуальном виде с помощью различных графиков и диаграмм. Поэтому ввёл и этот параметр для сравнения сервисов. Оценивал также по 5-бальной шкале. Без учёта проработанности самих графиков и диаграмм.

Автор отметил, что среди анализируемых сервисов, ему пришлось выделить MSCout и поставить по данному критерию баллов. Просто потому, что сам сервис не предоставляет пользователям тестового периода и получить данные для просмотра и анализа ему не удалось.

О, мой бот

Последнее на что обратил внимание автор - дополнительный функционал сервисов, позволяющий удобно управлять анализируемыми данными в мобильном приложении, через телеграм-бота или прямо на сайте маркетплейса. Оказывается такой зверь встречается, но пока крайне редко.

Сводный анализ

По итогам сравнения сервисов, автор объединил данные в итоговую таблицу. Тут все наглядно. Если не верите в подсчеты, можете сами суммировать показатели.

Если вглядываться в цифры неудобно, сложим и прочитаем за вас. Итоговый топ сервисов по мнению одного селлера-аналитика получился таким:

1 местоSellerFox

2 местоMPStats

3 местоMoneyPlace

Я по максимуму, старался быть объективным, но у каждого из Вас может быть своё мнение по распределению баллов: кому-то важна цена, кто-то пользуется сервисом из-за наличия в нём внутренней аналитики. Для кого-то никакого значения не будут иметь диаграммы и графики, а кому-то не нужна реферальная программа. Поэтому и удельный вес каждого параметра у каждого может быть свой.

Для нас материал оказался полезным. И даже если не присматриваться к тройке сервисов-победителей, саму методику сравнения, которую создал автор мы плюсуем. Ему удалось рассмотреть огромное количество сервисов внешней аналитике в одном материале, а значит упростить жизнь селлерам, которые вряд ли найдут время на самостоятельно изучение каждого.

Даже если вы не согласны с результатами такого сравнения, нам кажется, что все используемые для него критерии - хороши. Попробуйте сами, используя и дополняя их, составить свой топ сервисов аналитики маркетплейсов. Очевидно, что у вас могут получить несколько иные результаты.

Если захотите задать вопросы автору всех этих таблиц и цифр - пишите. Мы передадим. А если у вас есть свои вопросы к сервисам аналитики и в материале упущены данные о суперкрутом сервисе или функции - пишите. Будем рады узнать еще больше.

Не самим же считать всё, в конце концов.