Методы научных исследований в менеджменте

Правительство Российской Федерации

Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики" в Санкт-Петербурге

Факультет Менеджмента

Программа дисциплины «Методы научных исследований в менеджменте»

Версия авторов

Для направления 080200.62 «Менеджмент» подготовки бакалавра

2, 3 курс

Авторы программы:

, доцент Кафедры бизнес-информатики, *****@

, преподаватель Кафедры менеджмента, *****@***ru
, доцент Кафедры менеджмента, *****@

, старший преподаватель Кафедры менеджмента, *****@

Одобрена на заседании кафедры бизнес-информатики «___»____________ 20 г

Зав. кафедрой _____________

Одобрена на заседании кафедры менеджмента «___»____________ 20 г

Зав. кафедрой _____________

Утверждена УС Факультета менеджмента «___»_____________20 г.

Председатель _____________

Согласовано УМО

_____________

«___»_________________2012г.

Санкт-Петербург, 2012

Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.

1  Область применения и нормативные ссылки

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 080200.62 «Менеджмент», изучающих дисциплину «Методы научных исследований в менеджменте».

Программа разработана в соответствии с:

·  ОС НИУ ВШЭ по направлению подготовки 080200.62 «Менеджмент», уровень подготовки: бакалавр (утвержден ученым советом Национального исследовательского университета «Высшей школы экономики» Протокол от 01.01.2001 г. № 15).

·  Положением об организации контроля знаний (утверждено ученым советом НИУ ВШЭ, протокол от 21.г.)

·  Рабочим учебным планом университета по направлению подготовки 080200.62 «Менеджмент», утвержденным в 2012г.

2  Цели освоения дисциплины

Целями освоения дисциплины «Методы научных исследований в менеджменте» являются:

Знакомство обучаемых с базовыми элементами научно-исследовательской культуры в менеджменте и экономико-социальной области знаний в целом. Формирование у студентов основных навыков в области

◦  информационно-аналитической деятельности:

▪  сбор, обработка и анализ информации о факторах внешней и внутренней среды организации для принятия управленческих решений;

▪  построение внутренней информационной системы организации для сбора информации с целью принятия решений, планирования деятельности и контроля;

▪  создание и ведение баз данных по различным показателям функционирования организаций;

▪  оценка эффективности проектов и управленческих решений.

◦  научно-исследовательской деятельности:

▪  выявление и постановка актуальных проблем управления;

▪  подбор, адаптация и использование новых инструментов исследования;

▪  работа с литературой по научной проблеме.

Развитие у слушателей умения использовать результаты научных исследований в профессиональной деятельности менеджера, а также изучать и анализировать данные в следующих сферах: управление/организационная деятельность/маркетинговые стратегии/рыночные условия/социально-экономическая сфера и т. д. Приобретение студентами базовых компетенций по использованию и применению хранилищ данных, образующих основу функционирования корпоративных информационных систем и интеллектуального анализа данных, обеспечивающих базу для принятия управленческих решений.

3  Компетенции обучающегося, формируемые в результате освоения дисциплины

В результате освоения дисциплины студент должен:

·  Знать

·  Уметь

·  Иметь навыки (приобрести опыт)

В результате обучения студент осваивает следующие компетенции:

Компетенция	Код по ФГОС/ НИУ	Формы и методы обучения, способствующие формированию и развитию компетенции
Владение основными методами, способами и средствами получения, хранения, переработки информации, обладание навыками работы с компьютером как средством управления информацией, способность работать с информацией в глобальных компьютерных сетях.	(ОК - 8)	Доступ каждого студента к базам данных и библиотечным фондам; Проведение практических занятий в компьютерных классах с использованием специального программного обеспечения — различных пакетов для анализа данных; Активные и интерактивные формы проведения занятий: ◦  деловые и ролевые игры ◦  разбор практических задач и кейсов ◦  компьютерные симуляции ◦  психологические и иные тренинги ◦  мастер-классы экспертов и специалистов Использование современной учебной и бизнес-литературы в процессе обучения для подготовки к семинарам/практическим занятиям, а также самостоятельной работы студентов.
Способность к анализу и проектированию межличностных, групповых и организационных коммуникаций.	(ПК - 11)
Способность участвовать в разработке маркетинговой стратегии организаций, планировать и осуществлять мероприятия, направленные на ее реализацию.	(ПК - 17)
Владение методами управления проектами и готовность к их реализации с использованием современного программного обеспечения.	(ПК - 24)
Владение методами и программными средствами обработки деловой информации, способность взаимодействовать со службами информационных технологий и эффективно использовать корпоративные информационные системы в условиях развития экономики знаний.	(ПК-38)
Владение правилами постановки проблемы, формулирования и проверки научных гипотез, использование методов моделирования в научных исследованиях, знание основных источников социально-экономической информации: баз данных, журналов, конференций.	(ПК-54)
Владение методами количественного и качественного анализа и моделирования, теоретического и экспериментального исследования.	(ПК-55)
Способность осуществлять сбор, анализ и обработку данных, необходимых для решения поставленных исследовательских задач.	(ПК-56)
Способность выбрать инструментальные средства для обработки информации в соответствии с поставленной научной задачей, проанализировать результаты расчетов и обосновать полученные выводы.	(ПК-57)
Способность анализировать и интерпретировать финансовую, бухгалтерскую и иную информацию, содержащуюся в отчетности предприятий различных форм собственности, организаций, ведомств и т. д. и использовать ее в научной работе.	(ПК-58)
Способность анализировать и интерпретировать данные отечественной и зарубежной статистики о социально-экономических процессах и явлениях, выявлять закономерности изменения социально-экономических показателей.	(ПК-59)
Способность использовать для решения аналитических и исследовательских задач современные технические средства и информационные технологии.	(ПК-60)

4  Место дисциплины в структуре образовательной программы

Настоящая дисциплина относится к Профессиональному циклу общих дисциплин направления 080200.62 «Менеджмент».

Изучение данной дисциплины базируется на следующих дисциплинах и владении следующими знаниями и компетенциями: для студентов, слушающих данный курс на 2-м и 3-м году обучения — дисциплины из блоков Б1, Б2 и Б3, а также соответствующие заявленным в программах данных курсов целям и соответствующим компетенциям (пункт 5.2, таблица 2 ОС НИУ ВШЭ по направлению подготовки 080200.62 «Менеджмент», стр. 11-12).

Для освоения учебной дисциплины, студенты должны:

·  Иметь представление об общих принципах и элементах структуры научного исследования;

·  Знать основные этапы и направления развития менеджмента как науки;

·  Знать общие положения и концепции современных социально-экономический наук, представленных в рамках курсов «Философия», «Психология», «Социология», «Экономическая теория и институциональная экономика»;

·  Владеть базовыми навыками работы с программным комплексом Microsoft SQL Server для создания корпоративных хранилищ данных и управляющих ими клиентских приложений;

·  Владеть базовыми навыками работы с языком структурированных запросов (SQL) к хранилищам данных.

Основные положения дисциплины должны быть использованы в дальнейшем при изучении следующих дисциплин:

·  Для студентов 2-го года обучения:

·  Экономический анализ фирмы

·  Теория организации и организационное поведение

·  Разработка и принятие управленческих решений

·  Финансовый менеджмент

·  Управление проектами

·  Стратегический менеджмент

·  Курсовая работа на 3-м курсе

·  Для студентов 3-го года обучения:

·  Информационный менеджмент

·  Корпоративное управление

·  Инновационный менеджмент

·  Управление изменениями

·  Перечень дисциплин в рамках Концентраций 2 и 3

·  ВКР

5  Тематический план учебной дисциплины

№	Название раздела	Кафедра, за которой закреплен раздел	Всего часов	Аудиторные часы	Самостоя­тельная работа
Лекции	Семинары	Практические занятия
1	Методы научных исследований в менеджменте (читается для студентов 2-го года обучения)	Кафедра менеджмента	72	20	20	0	32
2	Методы научных исследований в менеджменте (читается для студентов 3-го года обучения)	Кафедра менеджмента	72	20	16	0	36
3	Методы научных исследований в менеджменте (практика)	Кафедра бизнес-информатики	72	0	0	20	52

6  Формы контроля знаний студентов

Тип контроля	Форма контроля	1 год	2 год	Кафедра
1	2	3	4	1	2	3	4
Текущий	Контрольная работа							*		Кафедра бизнес-информатики
Эссе				*					Кафедра менеджмента
Домашнее задание							*		Кафедра менеджмента
Промежу­точный	Зачет				*					Кафедра менеджмента
Итоговый	Зачет							*		Кафедра менеджмента

6.1  Порядок формирования оценок по дисциплине

Преподаватель оценивает работу студентов на семинарских занятиях по следующим параметрам:

◦  Активность студентов в дискуссиях;

◦  Умение излагать содержание и предлагать собственную критическую оценку материалов, заданных для чтения и подготовки к семинару;

◦  Участия в групповых формах работы на семинаре (работа в командах с кейсами, деловые игры и др.)

Преподаватель оценивает работу студентов на практических занятиях по следующим параметрам:

◦  Оценка работы студента в аудитории (оценка за текущую успеваемость): практические задания на занятиях (максимальная оценка выполнения каждого задания 10 баллов)

◦  Оценка выполнения заданий для самостоятельной работы студентов: практические задания, проводимые на занятиях, содержат элементы из тем, заданных для самостоятельных проработок (баллы включены в оценку выполнения каждого задания).

Оценки за работу на семинарских и практических занятиях преподаватель выставляет в рабочую ведомость. Накопленная оценка по 10-ти балльной шкале за работу на семинарских и практических занятиях определяется перед промежуточным или итоговым контролем - Оаудиторная.

Преподаватель оценивает самостоятельную работу студентов в рамках семинарских занятий следующим образом:

◦  Правильность выполнения домашних заданий, обсуждение и разбор которых сопровождает некоторые семинарские занятия (не более 1/3 от общего числа семинарских занятий);

◦  Полнота освещения темы и умения критически оценить тему, обсуждаемую на семинаре или ставшую предметом дискуссии в рамках одной из рабочих групп;

◦  Подготовка и презентация исследовательских планов и стратегий в рамках индивидуального или коллективного доклада по теме занятия.

Оценки за самостоятельную работу студента преподаватель выставляет в рабочую ведомость. Накопленная оценка по 10-ти балльной шкале за самостоятельную работу определяется перед промежуточным или итоговым контролем – Осам. работа.

Накопленная оценка за текущий контроль для студентов 2-го года обучения учитывает результаты по текущему контролю следующим образом:

Онакопленная 1= 0,4*Отекущий + 0,4*Оауд + 0,2*Осам. работа

Отекущий = Оэссе;

Накопленная оценка за текущий контроль для студентов 3-го года обучения учитывает результаты по текущему контролю следующим образом:

Онакопленная 2 = 0,6*Отекущий + 0,2*Оауд + 0,2*Осам. работа

Отекущий = 0,2*Од/з+0,8*Опрактика

Опрактика = N*0.3 +К*0.7, где N – накопительная оценка (накопительная оценка текущего контроля знаний и умений студентов рассчитывается как среднее арифметическое всех лабораторных работ.), К - оценка за контрольную работу (выполняется практическое задание на заданную тему (максимальная оценка выполнения 10 баллов))

Способ округления накопленной оценки текущего контроля: в пользу студента.

Опромежуточная (получаемая студентом в конце 2-го года обучения оценка) = 0,6*Онакопленная1 + 0,4*Опромежуточный зачет/экзамен

Онакопленная Итоговая= (Опромежуточная + Онакопленная 2):2

В диплом выставляет результирующая оценка по учебной дисциплине, которая формируется по следующей формуле:

Орезульт = 0,8*Онакопленная Итоговая + 0,2*Оитоговый

Способ округления результирующей оценки по учебной дисциплине: арифметический.

7  Содержание дисциплины

Раздел представляется в удобной форме (список, таблица). Изложение строится по разделам и темам. Содержание темы может распределяться по лекционным и практическим занятиям.

1.  Раздел 1. Методы научных исследований в менеджменте (лекции и семинары)

Тема	Содержание	Примерная структура семинарских занятий
Т_1 Формулировка темы исследования (2 часа)	·  Процесс формулировки и детализации темы исследования как наиболее важный момент начального этапа проекта ·  Признаки хорошей темы исследования ·  Рациональное и творческое мышление как основания методов формулировки и корректировки общего направления исследования ·  Контрольные вопросы и цели исследования ·  Отличие «исследования» от «целевого отбора фактов»; природа научного исследования и роль теоретической базы ·  Составление плана выполнения исследовательского проекта; «таблица Ганта» и другие методы проектирования этапов работы	Предполагается, что студенты на протяжении всего курса будут выполнять задания по 1 проекту. На этом занятии им необходимо определиться с направлением работы. Привожу примеры тем работ: ·  ИССЛЕДОВАНИЕ ВНЕШНЕЙ ПРЕДПРИНИМАТЕЛЬСКОЙ СРЕДЫ ·  ИССЛЕДОВАНИЕ РЫНКОВ ·  ИЗУЧЕНИЕ ПОТРЕБИТЕЛЕЙ ·  ИЗУЧЕНИЕ НОВОГО ТОВАРА ·  ИЗУЧЕНИЕ ЦЕН ·  МАРКЕТИНГОВЫЕ ИССЛЕДОВАНИЯ РЕКЛАМНОЙ ДЕЯТЕЛЬНОСТИ ·  ИЗУЧЕНИЕ КОНКУРЕНТОВ И ЗАВОЕВАНИЕ ПРЕИМУЩЕСТВ В КОНКУРЕНТНОЙ БОРЬБЕ Пример задания на семинар: ·  На основе изучения текстов с примерами исследований, выпишите основную цель, проблему, объект и предмет исследования, методы, результат и выводы исследования. Если данная информация в тексте отсутствует, предложите свой вариант. ·  Разработайте детальный план проведения исследования с использованием Диаграммы Ганта (либо в MS Project, либо вручную) ·  Разработайте план исследования, используя модель структуры «6W»
Т_2 Изучение литературы (2 часа)	·  Составление обзора литературных источников — всестороннее знакомство с результатами ранее проведенных исследований по теме проекта ·  «Правильной» структуры построения обзора литературы не существует: движение от более общего теоретического уровня к идеям из контрольных вопросов и цели исследования ·  Деление литературных источников на три вида: первичные, вторичные и третичные. Относительность этого разделения и связь с контрольными вопросами ·  Параметры поиска и выбор ключевых слов. Методы «мозговой атаки» и «дерева относительной важности» ·  Методы поиска: сеть Интернет, электронные базы публикаций, ресурсы библиотек ·  Определение ценности выбранных источников ·  Составление базы источников: библиографические данные, краткое содержание, необходимая дополнительная информация	1. Освоение техники эффективного поиска с помощью Электронных ресурсов НИУ ВШЭ – формирование поисковых запросов в базах данных статистики, журналов и книг 2. Формирование проблем и гипотез исследования – На основе своего курсового исследования, сформулируйте гипотезы, которые могли относится к теме исследования и которые подтверждены результатами.
Т_3 Методы организации исследований и исследовательские стратегии; доступ к информации и вопросы этики (2 часа)	·  Различные философские концепции в организации исследования: позитивизм, интерпретивизм и реализм ·  Индуктивный и дедуктивный методы организации исследовательского процесса ·  Основные исследовательские стратегии: эксперимент, опрос, изучение практической ситуации, обоснованная теория, этнография и исследование действием ·  Продольные и поперечные, поисковые, описательные и причинно-следственные типы исследований ·  Использование многометодного подхода: принцип триангуляции данных ·  Этические аспекты выбора определенной исследовательской стратегии	1.Подготовьте этический кодекс для фирмы, проводящей маркетинговые исследования 2. Выполните поиск в Internet, систематизировав все статьи, опубликованные за последние три года относительно доступа к личной жизни пользователей Internet и использования cookies-файлов. Напишите отчет по этой теме. 3. Обсуждение. Назовите поисковый вопрос, который требует сбора первичной информации. Опишите нравственные проблемы, с которыми вы можете столкнуться при сборе данных, а также способ их разрешения
Т_4 Выборочные методы в исследованиях (2 часа)	·  Генеральная совокупность и выборка: общее определение ·  Понятие репрезентаттивности ·  Случайная и детерминированная выборка ·  Размер выборки: доверительный уровень и допустимый предел погрешности ·  Роль ресурсов, которыми обладает исследователь, а также контрольных вопросов и целей исследования при определении размера выборки ·  Проблема доступа в организации: оценка реалистичности выборки	Примерная тематика заданий на семинар: 1. Решение задач на определение генеральной совокупности и выборки (см. пример) Для каждой из следующих ситуаций определите соответствующую изучаемую совокупность и основу выборочного наблюдения. a) Производитель нового вида сухих завтраков хочет провести домашнее тестирование продукта в Чикаго. b) Национальная сеть магазинов хочет определить потребительские предпочтения покупа- телей, имеющих платежную карточку этой сети. c) Местная телевизионная станция хочет определить, какие передачи пользуются попу- лярностью в семьях и каким именно программам зрители отдают предпочтение. d) Местное отделение Американской ассоциации маркетинга хочет оценить эффектив- ность работы своего нового представительства в Атланте. 2. Воспользовавшись Excel, создайте формулы, соответствующие различным методам определения объема выборки 3. Выберите несколько последних исследований из Web-сайта Института общественного мнения Гэллапа (www. ). Чему равны объемы выборок и каким образом они определены в этих исследованиях? 4. Дирекция местного ресторана хочет определить среднюю сумму ежемесячного расхода семей на посещение дорогих ресторанов. Некоторые семьи не тратят ни цента, тогда как другие тратят по 300 долларов, в месяц. Руководство ресторана хочет на 95% быть уверено в результатах и не хочет, чтобы ошибка превышала ±5 долларов. a) Какой объем выборки потребуется, чтобы определить средний ежемесячный расход семьи? b) В результате исследования обнаружено, что средний ежемесячный расход семьи составляет 90,30 доллара, а стандартное отклонение равно 45 долларов. Создайте 95%-ный доверительный интервал. Что можно сказать о степени точности?
Т_5 Использование вторичных данных (2 часа)	·  Три основных типа вторичных данных: документальные данные, данные опросов и множественных источников ·  Использование вторичных данных в исследованиях ◦  в качестве основного набора данных ◦  для проведения продольных исследований ◦  для компиляции региональных данных ◦  в контекстуальных целях ·  Этапы поиска вторичных данных: (1) определение наличия необходимого типа данных и (2) нахождение необходимых данных ·  Качество источников данных (валидность измерения и охват генеральной совокупности исследования) и их пригодность для использования в проекте	Примерная тематика заданий: 1. Решение задач (пример ниже) Выберите какую-либо отрасль экономики. Используя вторичные данные, получите сведения о продажах этой отрасли и продажах ведущих фирм, работающих в этой отрасли, за последний год. Подсчитайте рыночные доли каждой из фирм. Из другого источника получите информацию о рыночных долях тех же фирм. Сходятся ли результаты произведенных вами подсчетов? 2. Посетите Web-сайт какой-либо компании на ваш выбор. Предположите, что перед руково- дством компании стоит задача — расширить долю своей компании на рынке. Получите как можно больше вторичных данных, относящихся к этой проблеме из Web-сайта этой компании и других источников в Internet.
Т_6 Сбор первичных данных методами наблюдения, частично структурированных и неструктурированных интервью (2 часа)	·  Различные виды наблюдения: внутреннее и внешнее/открытое и закрытое ·  Основные возможности использования метода ·  Роли наблюдателя и протокол наблюдения/дневник ·  Индуктивный подход при анализе данных наблюдения ·  Структурированное наблюдение: процесс сбора данных и последующий анализ ·  Риски в использовании метода: (а) ошибка при выборе участника, (б) временная ошибка и (в) эффект присутствия наблюдателя ·  Типология интервью по степени их структуризации и стандартизации ·  Необходимость установления личного контакта, постановки определенного типа вопросов и продолжительность собеседования ·  Структура и содержание гайда интервью	Примерная тематика заданий на семинар: разработка формы проведения интервью в соответствии с тематикой исследования. Проведение интервью и анализ данных в качестве домашней работы.
Т_7 Сбор первичных данных посредством анкетирования (2 часа)	·  Анкетирование как один из методов сбора данных в описательных и причинно-следственных исследованиях ·  Выбор метода анкетирования: интерактивное, почтовое, телефонное, структурированное интервью ·  Степень валидности и надежности собранных данных ·  Формулировка вопросов анкеты, ее структура и качество проведения пилотного тестирования ·  Порядок вопросов в анкете ·  Категории закрытых вопросов: структурированные, категорийные, ранговые, рейтинговые, количественные и матричные ·  Использование фильтрующих вопросов ·  Полузакрытые и открытые вопросы ·  Дизайн анкеты и инструкции для респондентов ·  Пилотное тестирование анкеты	Процесс разработки анкеты. Определение необходимой информации. Метод проведения опроса. Содержание вопросов анкеты. Преодоление затруднений с ответами. Преодоление нежелания отвечать. Структура вопроса. Словесная формулировка вопроса. Порядок расположения вопросов. Форма и расположение вопросов. Проверка и редактирование анкет, схемы работы с неудовлетворительными ответами (повторные полевые работы, присвоения пропущенных значений и отсеивание неудовлетворительных ответов). Методы мотивации респондентов (мотивация к ответу). Принципы кодирования анкет. Процесс "очищения" данных и методы, используемые для работы с пропущенными ответами: замена их нейтральными значениями, использование вмененных ответов, исключение наблюдения целиком и попарное исключение переменных. Методы статистической корректировки данных: умножение на весовой коэффициент, переопределение переменной и преобразование шкалы. Примерная тематика заданий на семинар: разработка и кодирование анкеты исследования (по выбранной теме). Тестирование анкет и последующая корректировка полученных данных (подготовка к анализу). Кейс Hershey в борьбе за сладкую долю рынка (анализ рынка и вывод нового товара)
Т_8 Анализ количественных данных (4 часа)	·  Кодирование количественных данных; структура массива данных ·  Проверка массива на наличие ошибок ·  Использование таблиц и диаграмм в предварительном анализе данных ·  Исследование с помощью методов статистики: ◦  Нормальное распределение ◦  Среднее значение и другие меры центральность ◦  Стандартное отклонение ◦  Критерий хи-квадрат ◦  Критерий Колмогорова-Смирнова ◦  t-критерий ◦  Дисперсионный анализ ◦  Дискриминационный анали ◦  Коэффициент корреляции ◦  Регрессионный анализ ·  Сравнение и использование в анализе разных выборок	Выбор стратегии анализа данных и факторы, влияющие на это решение. Вариационный ряд, статистики и теория гипотез исследования. Дисперсионный и ковариационный анализ. Корреляция и регрессия. Дискриминантный и факторный анализ Примерная тематика заданий на семинар: Используя статистические пакеты (SPSS, Eviews, Excel) вычислить показатели выборки, проверить гипотезы (расчитать статистические критерии). Решение тематических расчетных примеров (см. Пример ниже) Получив ряд жалоб от читателей, редколлегия студенческой газеты решила переоформить первую страницу. Разработали два новых варианта — В и С, которые сравнили со старым вариантом А. Сформирована случайным образом выборка из 75 студентов и по 25 студентов распределены для оценки каждого из трех вариантов. Студентов попросили оценить эффективность варианта по одиннадцатибальной шкале (1 бал— плохо, 11 —отлично). A) Сформулируйте нулевую гипотезу. B) Какой статистический критерий вам следует использовать? C) Сколько степеней свободы связано со статистикой, лежащей в основе критерия для проверки гипотезы?
Т_9 Анализ качественных данных (2 часа)	·  Обоснованная теория ·  Разработка системы категорий, распределение элементов набора данных, выявление связи между различными категориями, построение гипотезы и ее проверка ·  Дискурс-анализ ·  Контент-анализ	Примерная тематика заданий на семинар: 1. разработайте план проведения фокус-группы для определения отношений и предпочтений потребителей к импортным автомобилям. Сформулируйте цели проведения фокус-группы, составьте перечень вопросов и подготовьте план для ведущего. 2. Контент-анализ материалов учебных кейсов

2.  Раздел 2. Практические занятия

Что такое интеллектуальный анализ данных?

Интеллектуальный анализ данных предоставляет доступ к данным, которые необходимы для принятия интеллектуальных решений сложных бизнес-проблем. Службы Microsoft SQL Server Analysis Services (SSAS) предоставляют средства для интеллектуального анализа данных, позволяющие определить правила и закономерности в данных, чтобы можно было определить, почему произошло то или иное событие и выполнить прогноз на будущее. При создании решения интеллектуального анализа данных в службах Analysis Services сначала создается модель, которая описывает бизнес-проблему, а затем обрабатываются данные алгоритмом, формирующим математическую модель данных.

Службы Analysis Services являются основными службами по обеспечению быстрого анализа бизнес-данных, интерактивной аналитической обработки (OLAP) и функций интеллектуального анализа данных для использования в приложениях бизнес-аналитики.

Службы Analysis Services могут использовать наборы данных из реляционных баз данных и баз данных OLAP, и включают различные алгоритмы, которые можно использовать для анализа этих данных.

Основной целью большинства проектов интеллектуального анализа данных является создание прогнозов с помощью модели интеллектуального анализа данных. После просмотра и сравнения моделей интеллектуального анализа данных для создания прогнозов можно использовать один или несколько средств. Службы Analysis Services имеют язык запросов, называемый расширениями интеллектуального анализа данных, который является основой для создания прогнозов.

После создания модели интеллектуального анализа данных, возможно, потребуется распространить результаты для различных пользователей.

Тема 1. Основные понятия интеллектуального анализа данных. Службы Analysis Services

К ключевым факторам, определяющим развитие СУБД, относятся следующие: появление новых типов данных, новых форм-факторов для устройств хранения данных, новые стандарты представления и обмена данными, а также существенное снижение стоимости хранения самих данных.

Но самым значительным фактором является объем данных, производимых во всем мире. Если посмотреть на данные, хранимые в электронном виде, то к 1999 году мире насчитывалось 12 Эбайт (1018 байт) информации. К середине 2002 года было создано еще столько же. При этом, 92% этой информации хранится на жестких дисках. Интересна еще одна цифра — все страницы Интернета занимают порядка 21 Тбайт, тогда как объем информации, пересылаемой по электронной почте, перекрывает объем интернет_страниц больше чем в 500 раз.

Но настоящим «взрывом» в производстве цифровых данных стали не Интернет и не электронные документы, а различные цифровые устройства — телефоны, фотоаппараты, видеокамеры, проигрыватели и т. п. 55% всех цифровых данных хранится на компьютерах пользователей и только 16% — в корпоративных хранилищах данных. Более того, скоро все телевидение будет цифровым, что должно существенно увеличить объем хранимых в электронном виде данных. Это означает, что мы храним все больше и больше информации, в структурированном и неструктурированном виде.

И еще один малоизвестный факт — различные датчики поставляют значительные объемы информации. Так, исследование Земли выражается на 2007 год в 15 петабайтах данных, медицинские данные о пациентах приносят еще 1 Эбайт в год, видео_мониторинг — 100 Эбайт в год, двигатели самолетов — 30 петабайт в год и т. д.

В процессе своего развития приложения все больше и больше включают поддержку различных типов данных — XML, электронной почты, календарей, файлов, документов, гео_данных и т. п. в дополнение к традиционным типам данных, поддерживаемым на уровне баз данных и файловой системы. Для обеспечения работоспособности таких приложений нужна соответствующая платформа, которая позволяла бы безопасно хранить такие данные, выполнять по ним поиск, анализировать их, синхронизировать и т. д..

Надстройки интеллектуального анализа данных Microsoft SQL Server 2005 для Office 2007 предоставляют мастера и средства, которые максимально упрощают получение из данных полезных сведений.

Основные понятия интеллектуального анализа данных (службы Analysis Services — интеллектуальный анализ данных)

Клиент интеллектуального анализа данных для Excel 2007.

Литература

Макленнен, Дж., Танг Чж., Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных: Пер. с англ. – СПб.: БХВ-Петербург, 200с. Долженков, В. А., Microsoft Office 2007.- СПб.:БХВ-Петербург, 2007.-1200с. Балабанов коммерция. – СПб: Питер, 200с. – (Серия «Учебник для вузов») , Макаров данных на компьютере. – М.: Инфра. – М, 2003. Дж., Разработка приложений на основе Microsoft SQL Server 2008: Пер. с англ. – М.: Русская редакция; СПб.: БХВ-Петербург, 2010. – 1024 с. Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1.: Пер. с англ. – М.: Издательский дом «Вильямс», 2001. – 400 с.

Тема 2. . Особенности установки службы Analysis Services

Службы SQL Server Analysis Services устанавливаются с помощью программы установки SQL Server. Службы Analysis Services можно установить вместе с другими компонентами SQL Server или установить Analysis Services в виде отдельного компонента.

Познакомиться с требованиями к оборудованию и программному обеспечению и с компонентами SQL Server 2005. Знакомство с различными подходами к установке служб Analysis Services.

Установить службы Analysis Services для Excel 2007.

Средства анализа таблиц для Excel. Эта надстройка предоставляет простые в использовании задачи, которые использует интеллектуальный анализ данных SQL Server 2005 для гибкой аналитической обработки данных в электронных таблицах без необходимости изучения каких-либо понятий относительно интеллектуального анализа данных.

Клиент интеллектуального анализа данных для Excel. Использование этой надстройки позволяет создавать, тестировать, просматривать и управлять моделями интеллектуального анализа данных в Excel 2007, используя табличные данные или внешние источники данных, доступные через экземпляр служб SQL Server 2005 Analysis Services.

Литература

3.  Макленнен, Дж., Танг Чж., Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных: Пер. с англ. – СПб.: БХВ-Петербург, 200с.

4.  Долженков, В. А., Microsoft Office 2007.- СПб.:БХВ-Петербург, 2007.-1200с.

5.  Дж., Разработка приложений на основе Microsoft SQL Server 2008: Пер. с англ. – М.: Русская редакция; СПб.: БХВ-Петербург, 2010. – 1024 с.

Тема 3. Средства анализа таблиц для Excel

Надстройка «Средства анализа таблиц для Excel» представляет собой набор простых, но достаточно мощных средств, позволяющих выполнять интеллектуальный анализ данных в Microsoft Office Excel. С ее помощью можно просматривать распределение данных, выполнять простые задачи по очистке данных или использовать сложные алгоритмы интеллектуального анализа данных, содержащихся в таблицах Excel.

Средства интеллектуального анализа данных автоматически анализируют распределение и тип данных и рекомендуют лучший способ обработки данных для получения допустимых результатов, используя следующие средства аналитики:

Анализ ключевых факторов влияния (Analize Key Influencers) - Определение столбцов данных с наибольшим влиянием на выбранное значение или столбец значений.

Поиск категорий - Определение строк с похожими свойствами.

Заполнение по примеру - Поиск отсутствующих значений данных в выбранном столбце и предложение новых значений на основе закономерностей в данных.

Прогноз - Прогнозирование будущих значений с учетом ряда значений.

Выделение исключений - Поиск значений в столбце данных, не соответствующих шаблонам, обнаруженным в данных.

Анализ сценария: поиск решения - Позволяет указать целевое значение и затем определяет базовые факторы, подлежащие изменению для соответствия цели на основе анализа шаблонов данных.

Анализ сценария: гипотетические ситуации - Позволяет использовать значения для определения результата изменения на основе анализа закономерностей в данных.

Литература

Макленнен, Дж., Танг Чж., Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных: Пер. с англ. – СПб.: БХВ-Петербург, 200с. Долженков, В. А., Microsoft Office 2007.- СПб.:БХВ-Петербург, 2007.-1200с. Дж., Разработка приложений на основе Microsoft SQL Server 2008: Пер. с англ. – М.: Русская редакция; СПб.: БХВ-Петербург, 2010. – 1024 с.

Тема 4. Клиент интеллектуального анализа данных для Excel

Клиент интеллектуального анализа данных для Excel передает мощь SQL Server Analysis Services настольным компьютерам. Можно работать с теми же сложнейшими алгоритмами, структурами и средствами просмотра для интеллектуального анализа данных, которые доступны в экземпляре SQL Server Analysis Services, но исходные или проверочные данные можно хранить в таблицах Excel.

Клиент интеллектуального анализа данных для Excel поддерживает активное соединение с сервером, поэтому можно определять закономерности в данных, хранящихся в таблицах Excel, а затем сохранять модель интеллектуального анализа данных на сервере и использовать ее для дальнейшего тестирования или прогнозирования. Можно также применять данные Excel к существующим моделям интеллектуального анализа данных и повторно обрабатывать эту модель в целях повышения точности или применять другие модели к тем же данным для более углубленного анализа.

Панель инструментов клиент Интеллектуального анализа данных имеет следующие группы средств анализа данных:

·  Подготовка данных.

·  Моделирование данных.

·  Точность и проверка.

·  Использование модели и Управление моделью.

·  Соединения.

Эти средства анализа данных используют следующие типы алгоритмов службы Analysis Services :

Алгоритмы классификации осуществляют прогнозирование одной или нескольких дискретных переменных на основе других атрибутов в наборе данных. Примером алгоритма классификации является Алгоритм дерева принятия решений.

Регрессивные алгоритмы осуществляют прогнозирование одной или нескольких непрерывных переменных, например прибыли или убытков, на основе других атрибутов в наборе данных. Примером регрессивного алгоритма является Алгоритм временных рядов.

Алгоритмы сегментации делят данные на группы или кластеры элементов, имеющих схожие свойства. Примером алгоритма сегментации является Алгоритм кластеризации.

Алгоритмы взаимосвязей осуществляют поиск корреляции между различными атрибутами в наборе данных. Наиболее частым применением этого типа алгоритма является создание правил взаимосвязи, которые могут использоваться для анализа потребительской корзины. Примером алгоритма взаимосвязей является Алгоритм взаимосвязей.

Алгоритмы анализа последовательностей обобщают часто встречающиеся последовательности в данных, например поток данных в Интернете. Примером алгоритма анализа последовательностей является Алгоритм кластеризации последовательностей.

Литература

Макленнен, Дж., Танг Чж., Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных: Пер. с англ. – СПб.: БХВ-Петербург, 200с. Долженков, В. А., Microsoft Office 2007.- СПб.:БХВ-Петербург, 2007.-1200с.

6.  Дж., Разработка приложений на основе Microsoft SQL Server 2008: Пер. с англ. – М.: Русская редакция; СПб.: БХВ-Петербург, 2010. – 1024 с.

Тематика практических занятий

1.  На первом практическом занятии, после обзора бизнес-моделей и направлений электронного бизнеса и знакомства с примерами таких систем в сети Internet, каждый студент производит первоначальную установку службы Analysis Services для Excel 2007 и настройку интеллектуального анализа Microsoft SQL Server 2005.

Так же устанавливает свою учебную базу данных.

2.  Используя учебную базу (каждая подруппа – подключает свою базу) провести анализ с помощью модели интеллектуального анализа данных:

·  Алгоритмы интеллектуального анализа данных

·  Алгоритм дерева принятия решений (Майкрософт)

·  Алгоритм кластеризации (Майкрософт)

·  Упрощенный алгоритм Байеса (Майкрософт)

·  Алгоритм взаимосвязей (Майкрософт)

·  Алгоритм кластеризации последовательностей (Майкрософт)

·  Алгоритм временных рядов (Майкрософт)

·  Алгоритм нейронной сети (Майкрософт)

·  Алгоритм логистической регрессии (Майкрософт)

·  Алгоритм линейной регрессии (Microsoft)

·  Подключаемые алгоритмы

·  Выбор характеристик в интеллектуальном анализе данных

·  Отсутствующие значения.

ОСНОВНАЯ ЛИТЕРАТУРА

1.  Макленнен, Дж., Танг Чж., Microsoft SQL Server 2008: Data Mining – интеллектуальный анализ данных: Пер. с англ. – СПб.: БХВ-Петербург, 200с.

2.  Долженков, В. А., Microsoft Office 2007.- СПб.:БХВ-Петербург, 2007.-1200с.

ДОПОЛНИТЕЛЬНАЯ ЛИТЕРАТУРА

1.  Балабанов коммерция. – СПб: Питер, 200с. – (Серия «Учебник для вузов»)

2.  Office 2007. Изучаем самостоятельно. - СПб.: Питер, 20c.

3.  , Макаров данных на компьютере. – М.: Инфра. – М, 2003.

4.  Дж., Разработка приложений на основе Microsoft SQL Server 2008: Пер. с англ. – М.: Русская редакция; СПб.: БХВ-Петербург, 2010. – 1024 с.

5.  Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1.: Пер. с англ. – М.: Издательский дом «Вильямс», 2001. – 400 с.