О некоторых специфических ограничениях применения Data Mining

Задача. В современных рыночных условиях субъекты экономики решают вопросы, связанные с прогнозированием, принятием своевременных управленческих решений, от которых зависит эффективное ведение бизнеса. Для принятия управленческих решений используется информация, поступающая из разных источников (внешних и внутренних) и не только в большом объеме, но и разных видов. Чтобы решение было оптимальным, используемая информация должна быть точной, качественной, очищенной и преобразованной от влияния различных факторов. Для получения такой информации используются современные методы анализа данных (Data Mining), позволяющие выявлять скрытые в них закономерности и взаимосвязи. В этой связи актуальной является задача изучения принципиальных ограничений, присущих методам Data Mining, которая до сих пор недостаточно исследована. В статье рассматривается типовые задачи Data Mining и выявляются общие ограничения, используемые при решении методов анализа данных. Приводятся примеры ограничений общности выявляемых на основе анализа данных закономерностей. Модель. В статье исследованы различные методы анализа данных для решения типовых задач классификации и кластеризации данных, выявления ассоциаций и последовательностей, что позволяет осуществлять прогнозирование, проводить анализ отклонений и выполнять визуализацию данных в требуемых пользователю разрезах для принятия управленческих решений. Выводы. Полученные авторами результаты говорят о том, что методы Data Mining следует применять с большой осторожностью относительно перспектив и широты их возможностей. В частности, исследованиями авторов выявлено, что при их применении необходимо учитывать уровень агрегирования содержательно разнородных данных в показатели, формирующие информационную базу аналитических моделей. Практическое значение. Практическая важность исследования заключается в том, что показана возможность получения неоднозначных результатов при использовании разных методов решения одной и той же задачи, что в свою очередь, приводит к проблемам, связанным с объективизацией полученных результатов. С этой целью необходимо развивать формально-логический инструментарий обработки Больших Данных, усиливая соответствие формальных моделей их биологическому прототипу.

Большие данные, информационные технологии, анализ данных, классификация, кластеризация, математическая статистика, нейронные сети