ИСПОЛЬЗОВАНИЕ ИНСТРУМЕНТОВ ГЕОАНАЛИТИКИ ДЛЯ ПОДГОТОВКИ БАКАЛАВРОВ И МАГИСТРОВ ПО НАПРАВЛЕНИЮ «БИЗНЕС-ИНФОРМАТИКА»

Полный текст

В соответствии с программой «Цифровая экономика Российской Федерации» (утверждена распоряжением Правительства РФ от 28 июля 2017 г. № 1632-р1) в качестве одного из ключевых направлений развития новой экономики обозначено направление «Кадры и образование» [15]. При этом основными целями данного направления являются создание ключевых условий для подготовки кадров и совершенствование системы образования, которая должна обеспечивать цифровую экономику компетентными кадрами. Вызовом для системы высшего образования в контексте программы «Цифровая экономика» служит имплементация в образовательный процесс новых технологий и инструментов их поддерживающих. В программе в частности выделены такие сквозные технологии, как большие данные, нейротехнологии и искусственный интеллект. На кафедре бизнес-информатики Института математики, информатики и естественных наук ГАОУ ВО МГПУ в процессах подготовки бакалавров по профилю «Технологическое предпринимательство» и магистров по профилю «Менеджмент и аналитика в сфере IT индустрии» применяются новые инструменты бизнесаналитики, ориентированные в том числе на развитие сотрудничества с партнерами кафедры - компаниями, заинтересованными в подготовке кадров для инновационного бизнеса. На занятиях по учебным дисциплинам «Основы социально-экономической статистики», «Управление предприятием на основе системы сбалансированных показателей», «Интеллектуальные системы» и другим дисциплинам преподаватели используют геоаналитические инструменты платформ BI Power BI, Qlik Sense, Tableau и Carto. Рабочими программами дисциплин предусмотрены кейсы, с помощью которых у студентов формируются первичные навыки по сбору необходимой информации и ее последующему анализу с применением разнообразных средств визуализации. Мотивация студентов повышается вследствие того, что профессия специалист в области бизнес-аналитики (Business Intelligence, BI) и больших данных (Big Data) предполагает быстрый карьерный рост. Так, в 2017 году в России спрос на специалистов Bi и Big Data увеличился в 5 раз по сравнению с началом 2016 года, а уровень средней заработной платы у работников данного направления ИТиндустрии превышает уровень заработной платы других специалистов, занятых в сфере информационных технологий [9]. Средство BI предназначено для извлечения знаний из больших объемов данных путем их анализа на основе применения разнообразных методологий и представления выявленных знаний в виде аналитической отчетности [3]. Инструментарий BI предусматривает применение следующих технологий: 1. ETL (от англ. Extract, Transform, Load - «извлечение, преобразование, загрузка»); 2. OLAP (On-Line Analytical Processing - многомерный анализ в реальном времени); 3. интеллектуального анализа данных и предиктивной аналитики; 4. произвольных запросов и информационных панелей мониторинга (dashboards). Объектом исследования, выполняемого с помощью платформ бизнес-аналитики, являются многомерные базы и хранилища данных. В свою очередь источники данных подразделяются на три основные категории: государственные источники (некоторые из них публичны); общедоступные источники, включая социальные сети и Интернет; коммерческие данные организации. Перечень источников с доступными для анализа данными продолжают расти, а темпы увеличения объемов данных будут только увеличиваться [2]. Большой кластер открытых данных включает сведения о местоположении объектов и связанной с ними информацией. Именно по этой причине в последние несколько лет в перечень важных методологий бизнес-аналитики добавился Location Intelligence (LI). LI - это метод бизнес-аналитики, в котором главным измерением, используемым для анализа, служит местоположение или география. Иными словами, анализ местоположения (LI) - это методика, способствующая преобразованию данных о местоположении в управленческие решения посредством обогащения, визуализации и интерактивного анализа данных. Обычно LI проводится путем просмотра точек данных, наложенных на интерфейс интерактивной карты. Одним из лидирующих на рынке инструментов LI - платформа Carto [10], предоставляющая государственным структурам и коммерческим организациям широкие возможности для поиска и извлечения ценной информации из данных о местоположении объектов. Интерактивные карты, созданные в Carto, позволяют выявлять скрытые тенденции и шаблоны, что приводит к более быстрым и обоснованным решениям, принимаемым по итогам их анализа. Доступ к универсальному языку местоположения для создания интерактивных визуализаций предоставляется в Carto быстро и без какой-либо кодировки прямо из браузера. Имеется возможность синхронизации между серверной платформой и мобильными устройствами. В платной версии Carto поддерживаются администрирование разработанных визуализаций внутри организации, а также после их публикации в Интернете. Это позволяет организации трансформировать и применять результаты геопространственного анализа как свой ценный нематериальный актив [13; 14]. В качестве примера на рисунке 1 представлен проект, выполненный бакалаврами 3-го курса направления бизнес-информатика в рамках дисциплины «Основы социально-экономической статистики» по анализу численности и плотности населения в Калужской области с применением он-лайн сервиса Carto. В учебном проекте ставилась цель оценить демографические изменения в Калужской области. Наиболее важные функции определения местоположения: наглядная визуализация информации на основе карт; масштабирование и панорамирование; представление данных в виде интерактивной информационной панели (рис. 2). Например, из структурированных данных по производству в Российской Федерации в 2015 году мяса скота и птицы (см. рис. 2) видно, что лидирует Центральный федеральный округ с объемом производства, равным 242 131 тыс. т. Причем среди субъектов (республик, краев и областей) Центрального, Приволжского, Северо-Кавказского, Южного и Крымского округов лидер - Белгородская область с объемом производства 1619 тыс. т, что составляет 16,7% от общего объема производства скота и птицы во всех субъектах указанных округов1. Анализ соотношения производства яиц, молока, скота и птицы в 2015 году среди 47 субъектов РФ Центрального, Приволжского, Северо-Кавказского, Южного и Крымского округов показан на картах информационной панели (dashboard) (рис. 3). Рис. 1. Численность и плотность населения городов и сел Калужской области1 (код для вставки в адресную строку браузера: URL: https://pav-sahnyuk.carto.com/builder/c3f99a25-1f0c-46ab-b495-0c6c44da93f5/embed) Рис. 2. Информационная панель по итогам анализа объемов производства сельскохозяйственной продукции по округам и субъектам РФ за 2012-2015 годы Рис. 3. Информационная панель анализа соотношения объемов производства сельскохозяйственной продукции по округам и субъектам РФ за 2012-2015 годы Общая сумма производства скота и птицы в выбранных субъектах РФ в 2015 году составляет 9,729 млн голов. Объемы производства изменяются в пределах от 2,1 тыс. голов (г. Севастополь) до 1,619 млн голов (Белгородская область). Среднее значение составляет 207, медианное значение 134,3 тыс. голов. Как показывают результаты анализа, производство скота и птицы сконцентрировано в 18 из 47 субъектах РФ. В субъектах - лидерах производство составляет 74% от общего объема производства в РФ. В трех субъектах (Белгородской области, Краснодарском крае и Татарстане) производство составляют более четверти (26%) от общего объема производства. В Белгородской области (абсолютном лидере), производство скота и птицы (1,619 млн голов) почти в 8 раз больше, чем в среднем в выборке из 47 выбранных в исследовании субъектах РФ. Общий объем производства молока в выбранных федеральных округах составляет 21,169 млн т, минимальное значение наблюдается в г. Севастополе 4,8 тыс. т, а максимальное в Республика Башкортостан 1,812 млн т. Среднее значение 450,4 намного больше, чем медиана 309,9 тыс. т. Производство молока сконцентрировано в 17 субъектах РФ (т.е. в 36% от выборки 47 субъектов) и составляет 68% от общего объема производства. Среди лидеров такие регионы, как Республика Башкортостан, Татарстан, Краснодарский край и Ростовская область. В этих регионах производство молока составляет более четверти (28%) от общих объемов производства в 47 регионах РФ. В Республике Башкортостан производство молока более чем в 4 раза превышает среднее значение в выбранных 47 субъектах РФ. Также проанализированы объемы производства яиц. Всего произведено 26,026 млн шт. яиц. Минимальное значение наблюдается г. Москве - 8,7 млн шт., а максимальное - 1,907 млн шт. в Ростовской области. Среднее значение - 553,75 млн шт., медиана - 370,8 млн шт. Таким образом, в Ростовской области произведено в 3 раза больше яиц, чем в среднем в 47 субъектах РФ. Анализ производства основных видов сельскохозяйственной продукции представлен на карте справа (см. рис. 3). Общий объем собранного зерна в 47 регионах составляет 83,887 млн т. Распределение колеблется от 1,4 тыс. т (г. Севастополь) до 13,711 млн т (Краснодарский край), среднее значение - 1,785 млн т, медиана - 859,6 тыс. т. Сбор зерна сконцентрирован в 14-ти субъектах РФ и составляет 78% от суммарных объемов производства зерна. В первых двух по данному показателю субъектах - Краснодарском крае и Ростовской области производство зерна составляет более четверти (28%) от общих сборов зерна. В Краснодарском крае (13,711 млн т) сбор зерна почти в 8 раз превышает средние значения в 5-ти федеральных округах. Также в студенческих проектах проанализировано распределение производства овощей и других видов сельскохозяйственной продукции в регионах РФ. Информационные панели мониторинга важны в том числе и потому, что они представляют первоначально разрозненные сведения в виде, позволяющем их легко интерпретировать одновременно представителям разных целевых групп, например, государственным (муниципальным) служащим и гражданам. Государственные служащие и граждане могут «черпать» из специально обработанной и визуализированной информации ответы на интересующие их вопросы. Рис. 4. Информационная панель основных показателей социально-экономического развития Ставропольского края за 2011-2015 годы (в разрезе районов края)1 Рис. 5. Информационная панель основных показателей социально-экономического развития районов Ставропольского края за 2011-2015 годы 159 Студенческий проект, имеющий в качестве результата визуализированную аналитику основных показателей социально-экономического развития районов Ставропольского края за 2011-2015 годы (в рамках изучения дисциплины «Основы социально-экономической статистики»), показывает, например, для государственных служащих Ставропольского края наиболее важными будут такие показатели, как объемы инвестиций, объемы собственного производства, финансовый результат (доходы минус расходы муниципального бюджета), размер средней заработанной платы в разрезе разных районов края (рис. 4). На информационной панели представлено сопоставление значений финансового результата, инвестиций в основной капитал и уровня средней заработанной платы. В свою очередь граждан интересует изменение таких показателей, как средний уровень заработанной платы и уровень безработицы (рис. 5). Так, в 2014 году средняя заработная плата составила в Ставропольском крае 20 405 руб., а средняя численность занятых составила 9 608 чел. На карте (рис. 5) представлена раскраска районов и муниципалитетов по величине средней заработной платы (по состоянию на 2014 год): Изобильненский район - 29 330 руб., Ставрополь - 29 150 руб., Невинномысск - 27 740 руб., Пятигорск - 27 390 руб. В Пятигорске в тот период времени (в 2014 году) наблюдались наихудшие финансовые результаты и наивысший уровень заработной платы среди районов с отрицательным финансовым сальдо - 27 393 руб. Районами с высоким уровнем безработицы в течение анализируемого периода были Арзгирский, Курский и Апанасенковский районы. Одновременно в этих районах были зафиксированы низкие уровни заработанной платы, плотности и численности населения. Несмотря на наблюдающуюся слабую динамику социально-экономического развития в этих районах наблюдался приток населения, что требует дальнейших исследований. Интерактивные возможности сервиса позволяют повысить уровень понимания студентов о трендах в экономике региона. Например, студенты могут провести сортировку районов по любому из важных показателей социально-экономического развития края и районов для выявления первопричин возникающих социально-экономических проблем. На карте районов Ставропольского края (см. рис. 4) выделены финансовые результаты развития: красный цвет - отрицательные значения, синий цвет - выше среднего значения. Студенты, используя фильтр «Год», имеют возможность наблюдать динамику изменения показателей в течение последних 5-ти лет. Например, траектория изменения положения районов по показателям инвестиции и заработанная плата показывает, что в Буденовском районе и г. Пятигорске финансовый результат продолжает ухудшаться, при этом и Буденовский район, и Пятигорск располагают инвестициями на среднем уровне и относительно высоким уровнем средней заработанной платы. Для выполняемых студентами учебных проектов важно то, что используемые в образовательном процессе BI-платформы Tableau Desktop, Qlik Sense Desktop и Power BI Desktop могут подключаться к популярной среде с открытым исходным кодом для статистического анализа функции R1 ее применения, библиотеки, пакеты и даже готовые модели. Эти вычисления динамически вызывают среду R, передают значения через пакет Rserve и возвращаются обратно для визуализации. Интеграция указанных доступных версий популярных BI-платформ со средой R позволяет, в том числе, в ходе учебного проектирования провести и интеллектуальный анализ данных, наглядно отобразить результаты проделанной работы [1; 3-8; 11; 12]. Существенное преимущество современных сервисов бизнес-аналитики в том, что они позволяют осуществлять безопасный обмен результатами анализа с разными заинтересованными группами: общественными организациями, гражданами, средствами массовой информации. В процессе изучения дисциплин студенты проводят в сервисе коллективную работу над проектом и анализируют его результаты. Например, сервис Tableau предоставляет следующие возможности для информирования о результатах, полученных в dashboards: · скопировать код для вставки и вставить его в HTML-код веб-страницы; · скопировать ссылку и отправить своим коллегам; · отправить электронное письмо с помощью почтового клиента по умолчанию, нажав на значок электронной почты; · поделиться в Twitter или Facebook, щелкнув соответствующий значок. Разработанные студентами учебные проекты (в том числе и проекты, выполненные по заданиям органов власти и управления) помогают им осознать мотивы лиц, принимающих решения, изучить практику эффективного управления, основанного на доступности результатов анализа и прозрачности решений (для всех заинтересованных групп), которые принимаются органами власти и управления. Компетенции, формируемые в процессе выполнения учебных проектов с применением он-лайн сервисов, соответствуют компетенциям специалистовпрактиков в области бизнес-аналитики. Таким образом, можно выделить следующие преимущества применения современных инструментов геоаналитики в образовательном процессе по направлению бизнес-информатики: · студенты рассматривают варианты решений по итогам анализа на реальных данных и на этой основе приобретают практические навыки, необходимые бизнес-аналитику; · студенты знакомятся с современными инструментами бизнес-аналитики, которые обеспечивают точную привязку, систематизацию и интеграцию на dashboards географической информация вместе с ключевыми показателями эффективности; · студенты учатся готовить аналитические отчеты, основанные на реальных статистических данных. В заключении подчеркнем, что геоаналитические инструменты платформ BI Power BI, Qlik Sense, Tableau и Carto, используемые кафедрой бизнес-информатики института математики, информатики и естественных наук ГАОУ ВО МГПУ на занятиях со студентами по учебным дисциплинам, позволяют повысить качество подготовки и сформировать у студентов первичные навыки по подготовке оптимальных решений на основе применения современных он-лайновых сервисов бизнес-аналитики. При этом уровень мотивации студентов повышается путем их вовлечения в конкурсы, организуемые разработчиками аналитических платформ и работодателями, нуждающимися в подготовленных для профессиональной деятельности аналитиках1.

Об авторах

Юрий Викторович Фролов

Московский городской педагогический университет

Автор, ответственный за переписку.
Email: jury_frolov@mail.ru

доктор экономических наук, профессор, заведующий кафедрой бизнес-информатики Московского городского педагогического университета

Шереметьевская ул., 29, Москва, Россия, 127521

Павел Анатольевич Сахнюк

Московский городской педагогический университет

Email: pav-sahnyuk@yandex.ru

кандидат технических наук, доцент, доцент кафедры бизнесинформатики Московского городского педагогического университета

Шереметьевская ул., 29, Москва, Россия, 127521

Татьяна Ивановна Сахнюк

Московский городской педагогический университет

Email: tatiana-sahnyuk@yandex.ru

кандидат экономических наук, доцент, доцент кафедры бизнес-информатики Московского городского педагогического университета

Шереметьевская ул., 29, Москва, Россия, 127521

Список литературы