РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ АНАЛИЗА И ОПТИМИЗАЦИИ ДЕЯТЕЛЬНОСТИ ПОДПИСНОГО АГЕНТСТВА

Кравченко Е.А.
Донецкий национальный технический университет

В последние годы в Украине наблюдается стремительное развитие сектора периодических печатных изданий. Так, в 2006 году объём 
подписки периодических изданий вырос на 43.8% по сравнению с прошлогодним показателем. По Украине на 2006 год оформлена 
подписка на 23 млн 679,2 тыс. экземпляров отечественных периодических печатных изданий общегосударственной и местной сфер 
распространения, а также зарубежных изданий, что составляет 143,8% к уровню тиражей 2005 года. Среди них – 16 млн 254,8 тыс.
 экземпляров изданий общегосударственной сферы распространения (173,5% от подписных объемов этих изданий в предыдущем году),
 7 млн 363,8 тыс. экземпляров газет и журналов местной сферы распространения (104,6% к уровню тиражей соответствующих 
изданий в 2005 году), а также 61,2 тыс. экземпляров зарубежных изданий. На 2006 год ассортимент периодических изданий в
 Украине (без учёта региональных изданий в областях, с учётом российских изданий, доступных для подписки в Украине)
насчитывает более 3500 наименований.
Очевидно, что при увеличении объёма оборотов в данном секторе, усложнении его структуры, задача наблюдения и анализа
 происходящих процессов также усложняется. Для её решения не достаточно ручных средств подсчёта и анализа данных.
Адекватным по сложности решаемой задачи в данном случае является автоматизированная система для статистической обработки 
данных и построения прогнозов. 
В последнее время для решения задач такого рода всё большую популярность приобретают системы поддержки принятия решений 
(Decision Support Systems — DSS). DSS-система — это интерактивная компьютерная система, предназначенная для помощи лицу, 

принимающему решения, в использовании связей, данных, документов, знаний и моделей для идентификации и решения проблем и 
формирования решений.
Существует связное понятие — Business Intelligence Tools (инструментальные средства бизнес-интеллекта) — программное 
обеспечение, которое дает возможность пользователям наблюдать и использовать большие объемы сложных данных. Выделяют три 
типа таких инструментальных средств: 
Средства многомерного анализа — программное обеспечение, которое дает пользователю возможность наблюдать данные в различных
 измерениях. 
Инструментальные средства запросов (Query Tools) — программное обеспечение, позволяющее формировать запросы к данным по
 содержанию или образцу. 
Инструментальные средства поиска данных (Data Mining Tools) — программное обеспечение, которое осуществляет автоматический 
поиск важных образцов (моделей), или зависимостей в данных. 
Исходные данные для Data Mining.
Применение Data Mining оправданно при наличии достаточно большого количества данных, в идеале — содержащихся в корректно
 спроектированном хранилище данных (собственно, сами хранилища данных обычно создаются для решения задач анализа и 
прогнозирования, связанных с поддержкой принятия решений). Данные в хранилище представляют собой пополняемый набор, 
единый для всего предприятия и позволяющий восстановить картину его деятельности на любой момент времени. 
Типы закономерностей, выявляемых методами Data Mining
Cогласно В.А.Дюку выделяют пять стандартных типов закономерностей, выявляемых методами Data Mining:
- ассоциация — высокая вероятность связи событий друг с другом (например, один товар часто приобретается вместе с другим);
- последовательность — высокая вероятность цепочки связанных во времени событий (например, в течение определенного срока 
после приобретения одного товара будет с высокой степенью вероятности приобретен другой); 
классификация — имеются признаки, характеризующие группу, к которой принадлежит то или иное событие или объект (обычно при
 этом на основании анализа уже классифицированных событий формулируются некие правила); 
кластеризация — закономерность, сходная с классификацией и отличающаяся от нее тем, что сами группы при этом не заданы — 
они выявляются автоматически в процессе обработки данных; 
- временные закономерности — наличие шаблонов в динамике поведения тех или иных данных (типичный пример — сезонные 
колебания спроса на те или иные товары либо услуги), используемых для прогнозирования. 
Методы исследования данных в Data Mining.
Cегодня существует довольно большое количество разнообразных методов исследования данных. Основываясь на вышеуказанной 
классификации, предложенной В.А.Дюком, среди них можно выделить:
- регрессионный, дисперсионный и корреляционный анализ (реализован в большинстве современных статистических пакетов, в 
частности в продуктах компаний SAS Institute, StatSoft и др.); 
- методы анализа в конкретной предметной области, базирующиеся на эмпирических моделях (часто применяются, например, в 
недорогих средствах финансового анализа);
- нейросетевые алгоритмы, идея которых основана на аналогии с функционированием нервной ткани и заключается в том, что 
исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися связями между «нейронами»,
 а в качестве ответа, являющегося результатом анализа, рассматривается отклик всей сети на исходные данные. Связи в этом 
случае создаются с помощью так называемого обучения сети посредством выборки большого объема, содержащей как исходные 
данные, так и правильные ответы; 
- алгоритмы — выбор близкого аналога исходных данных из уже имеющихся исторических данных. Называются также методом 
«ближайшего соседа»; 
- деревья решений — иерархическая структура, базирующаяся на наборе вопросов, подразумевающих ответ «Да» или «Нет»; 
несмотря на то, что данный способ обработки данных далеко не всегда идеально находит существующие закономерности, он 
довольно часто используется в системах прогнозирования в силу наглядности получаемого ответа; 
- кластерные модели (иногда также называемые моделями сегментации) применяются для объединения сходных событий в группы 
на основании сходных значений нескольких полей в наборе данных; также весьма популярны при создании систем прогнозирования; 
- алгоритмы ограниченного перебора, вычисляющие частоты комбинаций простых логических событий в подгруппах данных; 
- эволюционное программирование — поиск и генерация алгоритма, выражающего взаимозависимость данных, на основании изначально
 заданного алгоритма, модифицируемого в процессе поиска; иногда поиск взаимозависимостей осуществляется среди каких-либо 
определенных видов функций (например, полиномов). 
В рамках написания магистерской диссертации планируется создать программную оболочку, ориентированную на решение задач 
анализа данных и прогнозирования, основанную на технологии Data Mining.


Кравченко Е. А., "Разработка программного обеспечения для анализа и оптимизации деятельности подписного агентства", тезисы 
на международную конференцию студентов и молодых учёных, ДонНТУ, 2007г.