Использование АИС «Финанализ» для анализа устойчивости сельскохозяйственной организации

Партнеры фирмы «БЭСТ»:

• ДАСО АудитИнформ (г.Москва)
• ПРО-Системы (г.Москва)
• СигмаПРО (г.Москва)
• Софт-Сервис (г.Сергиев-Посад)
• ООО Современные Информационные Технологии (г.Владивосток).

2.3 Понятие и назначение используемых в работе информационных технологий

При выполнении данной курсовой работы используются следующие информационные технологии и системы: ETL, Data Mining, KDD, которые являются технологиями сбора, трансформации, загрузки и обработки данных.

ETL-технологии

Под аббревиатурой ETL — extraction, transformation, loading, то есть извлечение, преобразование и загрузка, скрываются три основных процесса, используемые при переносе данных из одного приложения или системы в другие это:

Рисунок 1 - Подготовительные процессы

Цель практически любого ETL-приложения состоит в том, чтобы своевременно предоставить данные его пользователям. Традиционно предприятия использовали программы ETL для переноса информации из унаследованных приложений в новые или для передачи операционных данных в системы бизнес-интеллекта, такие как хранилища или киоски данных.

Инструментарий ETL имеют преимущество по сравнению с собственными программами в том, что они могут использоваться без дополнительной настройки; нет необходимости писать код для открытия файлов, чтения записей и слияния таблиц — ETL-продукты выполняют все эти функции. Более того, ведущие продукты ETL включают в себя предварительно созданные процедуры извлечения данных, предназначенные для популярных приложений планирования ресурсов предприятия (ERP — enterprise resource planning). Во многих случаях единый инструментарий ETL способен удовлетворить большую часть требований к переносу данных.

Рассмотрим место и алгоритм работы ETL-технологий в процессе построения хранилищ данных. ETL представляет собой совокупность трёх областей: источник данных (совокупность таблиц оперативной системы и дополнительных справочников (классификаторов, таблиц согласования), позволяющую создать многомерную модель данных с требуемыми измерениями), промежуточная область (совокупность таблиц, использующихся исключительно как промежуточные при загрузке ХД) и приёмник данных. Движение данных от источника к приёмнику называют потоком данных, в соответствии с рисунком 2.

Рисунок 2 - Структура процесса перегрузки данных

Процесс перегрузки данных – это реализация потока данных от единственного набора данных источника до одного или нескольких наборов данных ХД.

В заключение стоит отметить, что правильный подход в реализации процессов ETL позволят существенно оптимизировать затраты при построении современного аналитического информационного комплекса и повысить его эффективность.

Системы Data Mining

Data Mining — процесс анализа баз данных, направленный на поиск новой полезной информации, обычно представленной в форме ранее неизвестных отношений между переменными. Обнаружение новых знаний можно использовать для повышения маркетинговой эффективности базы данных. Анализируя соответствующие данные пользователей, можно предсказать поведение клиентов и даже повлиять на него. Термин введён Григорием Пятецким-Шапиро в 1989 году.

Компании в самых разных отраслях экономики используют преимущества этой технологии в следующих сферах деятельности:

Моделирование отклика. Основано на демографических показателях и истории продаж. Помогает определить, какие из клиентов вероятнее всего среагируют на некоторый продукт или рекламную кампанию.

Оценка времени работы с заказчиком. Основана на ряде повторяющихся покупок, потраченных суммах, продолжительности сотрудничества. Позволяет выяснить, какие из клиентов могут стать самыми ценными.

Приведем примеры применение Data Mining в различных отраслях:

• розничная торговля: выявление товаров, которые стоит продвигать совместно; выбор местоположения товара в магазине; анализ потребительской корзины; прогнозирование спроса;
• маркетинг: поиск рыночных сегментов, тенденций покупательского поведения;
• финансы: выявление правил экспертных систем для андеррайтинга; классификация дебиторских задолженностей по возможностям взыскания; прогноз изменений на валютных рынках;
• здравоохранение: определение результатов лечения пациентов; анализ контрактов;
• промышленное производство: диагноз неисправностей.

Методы DM можно подразделить на две группы: сегментация и прогнозирование.

Сегментация (также называемая обнаружением). Подразумевает анализ существующих данных с целью обнаружения некоторых групп. Она основана только на параметрах клиентов (демографических показателях и покупательском поведении), алгоритмы кластеризации позволяют выявить гомогенные группы или типы клиентов. Для этих групп можно определить присущий им тип клиентов. В результате, удается лучше оценить свою клиентскую базу и планировать более эффективные маркетинговые мероприятия.

Прогнозирование. Прогнозирование требует некоторой выборки данных для того отношения, которое нужно прогнозировать или моделировать. К наиболее распространенным методам моделирования относятся регрессия, нейронные сети и деревья решений. Эти типы алгоритмов "обучаются" на входных и выходных данных из иллюстративной выборки. Например, используя демографические показатели и покупательские характеристики за прошлые периоды, модель может сгенерировать некоторый балл для каждого потенциального клиента. Этот балл покажет, какова вероятность того, что данный заказчик вновь сделает покупку. Такие баллы используются для ранжирования клиентов при осуществлении целевых маркетинговых программ. Кроме того, можно выявить повторяющиеся и разовые покупки или предсказать отказ прежних клиентов от услуг. Анализ чувствительности позволяет выявить те характеристики клиентов, которые в наибольшей степени влияют на прогнозируемый фактор.

Вне зависимости от рода деятельности (продажи, оказание услуг и т. п.) использование средств Data Mining может принести определенную пользу. Изучив своих клиентов и грамотно направив рекламную деятельность на тех потребителей, которые вероятнее всего на нее откликнутся, можно не только повысить эффективность вложений, но и построить лучшие взаимоотношения с заказчиками. Методы сегментации и прогнозирования - мощные инструменты для извлечения новой информации. Data mining помогает найти самых выгодных клиентов для долговременного сотрудничества и повысить объем продаж. С помощью этих средств удается найти потенциальных покупателей и привлечь их внимание к своим услугам, а также разработать более эффективные маркетинговые компании, максимально используя данные, хранящиеся в базе.

KDD-технологии

Knowledge Discovery in Databases (KDD) - это процесс поиска полезных знаний в “сырых данных”. KDD включает в себя вопросы подготовки данных, выбора информативных признаков, очистки данных, применения методов Data Mining (DM), постобработки данных, интерпретации полученных результатов. Безусловно, сердцем всего этого процесса являются методы DM, позволяющие обнаруживать знания.

Этими знаниями могут быть правила, описывающие связи между свойствами данных (деревья решений), часто встречающиеся шаблоны (ассоциативные правила), а также результаты классификации (нейронные сети) и кластеризации данных (карты Кохонена) и т.д.

Процесс KDD, состоит из следующих шагов:

1. Подготовка исходного набора данных. Этот этап заключается в создании набора данных, в том числе из различных источников, выбора обучающей выборки и т.д. Для этого должны существовать развитые инструменты доступа к различным источникам данных. Желательна поддержка работы с хранилищами данных и наличие семантического слоя, позволяющего использовать для подготовки исходных данных не технические термины, а бизнес понятия.
2. Предобработка данных. Для того, чтобы эффективно применять методы Data Mining, следует обратить серьезное внимание на вопросы предобработки данных. Данные могут содержать пропуски, шумы, аномальные значения и т.д. Кроме того, данные могут быть избыточны, недостаточны ит.д. В некоторых задачах требуется дополнить данные некоторой априорной информацией. Наивно предполагать, что если подать данные на вход системы в существующем виде, то на выходе получим полезные знания. Данные должны быть качественны и корректны с точки зрения используемого метода DM. Поэтому первый этап KDD заключается в предобработке данных. Более того, иногда размерность исходного пространства может быть очень большой, и тогда желательно применение специальных алгоритмов понижения размерности. Это как отбор значимых признаков, так и отображение данных в пространство меньшей размерности.
3. Трансформация, нормализация данных. Этот шаг необходим для  приведения информации к пригодному для последующего анализа виду. Для чего нужно проделать, например, такие операции как приведение типов, квантование, приведение к 'скользящему окну' и прочее. Кроме того, некоторые методы анализа, которые требуют, чтобы исходные данные были в каком-то определенном виде. Нейронные сети, скажем, работают только с числовыми данными, причем они должны быть нормализованы.
4. Data Mining. На этом шаге применяются различные алгоритмы для нахождения знаний. Это нейронные сети, деревья решений, алгоритмы кластеризации и установления ассоциаций и т.д.
5. Постобработка данных. Интерпретация результатов и применение полученных знаний в бизнес приложениях.

Knowledge Discovery in Databases не задает набор методов обработки или пригодные для анализа алгоритмы, он определяет последовательность действий, которые необходимо сделать для того, чтобы из исходных данных получить знания. Данный подход универсальный и не зависит от предметной области, что является его несомненным достоинством.

 

3 Практическая часть

3.1 Технология поиска, сбора, подготовки данных

Для выполнения анализа финансовой устойчивости сельскохозяйственной организации, зарегистрированной в г. Оренбурге, ОАО «Оренбургский комбикормовый завод» за 2012г. с использованием АИС «Финанализ» и системы финансового анализа «БЭСТ-Ф» были использованы такие источники данных, как Бухгалтерский баланс и Отчет о прибылях и убытках. Они были найдены с помощью поисковой системы Google (рис.3), была извлечена информация, т.е. был выполнен E-процесс (поиск информации и извлечение данных из внешних источников).

Рисунок 3 - Поиск информации

Далее отобрана нужная нам информация для финансового анализа, в данной работе это Бухгалтерский баланс за 2012год и Отчет о прибылях и убытках за данный период. Был отрыт Бухгалтерский баланс и Отчет о прибылях и убытках с помощью программы Adobe Reader (Рис.4). Это этап T-процесса, следовательно, этап на котором производится очистка и трансформация данных.

Рисунок 4 – Программное окно Adobe Reader

2. Технология загрузки данных

В данной части последовательность ввода исходных данных в АИС «Финанализ» и Систему финансового анализа «БЭСТ - Ф».

Последовательность ввода исходных данных в АИС «Финанализ»:

1. загрузить АИС «Финанализ»;
2. ввести исходные данные за 2012 год ОАО «Оренбургский комбикормовый завод» на листы «Баланс» и «ОПУ», в соответствии с рисунками 5 и 6 (Это третий этап KDD-технологии - Анализ с использованием технологий Data Mining);

Рисунок 5 –Загрузка Бухгалтерского баланса в АИС «Финанализ»

Рисунок 6 – Загрузка ОПУ в АИС «Финанализ»

3. убедиться в правильности введения данных;

Последовательность ввода исходных данных в системы финансового анализа «БЭСТ - Ф»:

1. Загрузить программу Пуск – Программы - Система БЭСТ-5 (3.4) – БЭСТ – ОФИС - Система финансового анализа;
2. Ввести в справочник предприятий ОАО «Оренбургский комбикормовый завод»: Рабочий стол – Справочники – Предприятия - ОАО «Оренбургский комбикормовый завод».
3. Активизировать пункт меню Годовой отчет с 2003 г.: Публичная отчётность – Отчетные формы – Ручной ввод – Годовой отчет с 2003 г.
4. Загрузить баланс предприятия: Шаблон – Баланс предприятия.
5. Ввести исходные данные баланса на начало и конец года. Ячейки с формулами не заполнять в соответствии с рисунком 7.

Рисунок 7 – Загрузка Бухгалтерского баланса в «БЭСТ-Ф»

6. Провести расчет баланса с использованием пиктограммы Начать расчет (Рис. 8)

Рисунок 8 – Расчеты Бухгалтерского балансав «БЭСТ-Ф»

7. Выбрать по псевдокнопке дату - 1февраля 2012 г.
8. Выбрать по псевдокнопке Ваше предприятие в пункте меню Предприятие и нажать [ОК].
9. Сохранить и закрыть документ по псевдокнопке .

То же самое проделать с Отчетом о прибылях и убытках, в соответствии с рисунками 9 и 10

Рисунок 9 – Загрузка Отчета о прибылях и убытках в «БЭСТ-Ф»

 

Рисунок 10 - Расчеты Отчета о прибылях и убытках в «БЭСТ-Ф»

3. Технология обработки, визуализации и анализ данных

Технология обработки, визуализации и анализ данных – это четвертый этап KDD-технологии

Провести аудит–анализ по двум формам с учетом условий:

• процентная ставка за кредит по периодам – 15% и 10%;
• налог на прибыль – 20%.

Выходные формы сохранить в формате MS Excel.

Последовательность получения выходной информации в автоматизированных информационных системах Финанализ и Система финансового анализа «БЭСТ - Ф»

1. открыть лист «таблица 7»;

2. проанализировать основные соотношения доходов, расходов и финансовых результатов и оценить их в динамике (рис.11);

Рисунок 11 - Визуализация данных

3. открыть лист «таблица 9»
4. проанализировать эффективность использования капитала по показателям рентабельности с помощью диаграммы (рис.12);

Рисунок 12 - Визуализация данных с помощью диаграммы

Построение диаграммы:

1. выбрать область исходных данных (значение показателей рентабельности);
2. выбрать вкладку Вставить;
3. выбрать группы Диаграммы;
4. выбрать тип и подтип диаграммы (объемная круговая);
5. 1ПКМ: добавить подпись данных на диаграмме.

 

5. Сделать экономический вывод о финансовой устойчивости  сельскохозяйственной организации на основе данных таблиц, полученных в АИС Финанализ и Система финансового анализа «БЭСТ - Ф».

При анализе финансовых результатов деятельности предприятия оцениваем чистую выручку, прибыли или убытки, полученные предприятием в 2012г. по показателям анализа эффективности использования капитала.