Агрегирование и декомпозиция статистических данных и ключевых показате-лей в процессе управления социально-экономическим развитием Субъектов РФ. Часть 2. Расширение предложенного варианта модели подготовки данных и принятия решения ОГВ Субъекта РФ с испол

 МАНИЧЕВ С.В., аспирант Федерального государственного бюджетного образовательного учреждения высшего образования «Московский технологический университет», mgupi.mgupi2010@yandex.ru

Агрегирование и декомпозиция статистических данных и ключевых показателей в процессе управления социально-экономическим развитием Субъектов РФ
Часть 2. Расширение предложенного варианта модели подготовки данных и принятия решения ОГВ Субъекта РФ с использованием средств бизнес-аналитики на весь цикл управления

В статье описывается расширенный вариант принятия решений цикла и исполнения в органах государственной власти с помощью КПЭ и BI, а также показывается его связь с PDCA-циклом. Продемонстрированы дополнительные возможности работы с OLAP-кубами в рамках государственного управления

1. Введение

В предыдущей публикации автором была затронута одна из ключевых проблем государственного управления в РФ − проблема принятия решений в государственных органах и организациях, в частности:

• определены признаки некачественных управленческих решений;
• приведен краткий обзор состояния OLTP-систем в госсекторе РФ;
• выделены условия для принятия качественных решений, в том числе за счет использования средств бизнес-аналитики (BI);
• предложен вариант адаптации и наложения теории OLAP-анализа на процесс принятия решений в органах государственной власти (далее − ОГВ) Субъектов РФ и ОГВ других уровней государственного управления.

В публикации автор ставит своей целью продемонстрировать:

• дополнительные возможности адаптации теории OLAP-анализа для решения задач государственного управления в Российской Федерации, в том числе для решения задач социально-экономического развития Субъектов РФ;
• вариант расширения предложенной модели на весь цикл Шухарта-Деминга.

2. Методическая и информационная база

В качестве методической и информационной базы исследования выступили открытые источники [1-4] по проектам бизнес-аналитики для государственного сектора в России, а также административные регламенты государственных услуг игосударственных функций различных регионов, таких как Москва, Санкт-Петербург и других [5]. Также в процессе подготовки данной статьи автор ориентировался на опыт крупных отечественных системных интеграторов, работающих сгосударственным сектором [6-9], на существующие практики (организационные и технологические) взаимодействия между различными уровнями государственной власти в России и за рубежом.

3. Агрегирование и декомпозиция данных и ключевых показателей в рамках процесса принятия и реализации решений

3.1. Вариант модели принятия решения в ОГВ Субъекта РФ с использованием системы BI и OLAP

Автор в предыдущей публикации предложил один из вариантов модели принятия решения в ОГВ Субъекта РФ с использованием систем бизнес-аналитики на основе теории OLAP-анализа, а также эксплуатации систем BI приосуществлении государственных функций. Напомним основные этапы данной модели.

В соответствии с моделью процесс подготовки данных для принятия решения начинается с формирования потребности в данном управленческом решении (первое инициирующее действие в соответствии с блок-схемой последовательности действий исполнения государственной функции). Далее лицо, принимающее решение (ЛПР), либо аналитик формирует запрос к таблицам фактов, в которых собираются исторические данные от Поставщиков данных (более низких уровней государственного управления или других ведомств и организаций, обеспечивающих формирование данных для BI). Запрос формируется с помощью «искусственного языка», т.е. представляется в структурированном виде.

К сожалению, не все данные могут присутствовать в таблицах фактов. Причин этому множество − наиболее распространенным объяснением выступает отсутствие физического места на серверах и СХД, где можно было бы размещать исторические данные. К счастью, налаженная система получения информации от Поставщиков данных (задокументированная в административных регламентах или других НПА) позволяет оперативно получать данные, т.е. заполнять строчки в нужных таблицах фактов. Таким образом, оптимальным поведением системы бизнес-аналитики, если она не смогла в достаточной степени удовлетворить запрос лица, принимающего решение, является формирование электронных форм для сбора первичных данных. Ссылки на данные формы можно было бы размещать в сети Интернет (если только данные не содержат служебной и секретной информации), а подлинность предоставляемой информации (так же, как и идентификация организации − Поставщика данных) осуществлялась бы с помощью квалифицированной электронной подписи.

Необязательно, чтобы Поставщики данных осуществляли ручное заполнение данных. В BI-системе могут быть за каждым из Поставщиков данных закреплены определенные «объекты» и «процессы» (государственные функции), покоторым Поставщик владеет актуальными сведениями. Информационная система Поставщика (не важно, будет ли это ведомственная или корпоративная ИС) может собирать сведения в автоматическом режиме и с помощью веб-сервисов передавать их в BI-систему. Примером построения такого автоматизированного взаимодействия может выступать сбор информации Банком России об Управляющих компаниях паевыми инвестиционными фондами [10, 11].

После того как с помощью системы бизнес-аналитики ЛПР организовал проведение мониторинга (т.е. выслал форму для заполнения всем Поставщикам данных), а Поставщики заполнили требуемые формы, необходимо обеспечить возможность проверки данных на корректность. И снова теория бизнес-анализа подсказывает оптимальное решение для государственного сектора, а именно сочетание:

• ручной верификации (специалисты по стороны ЛПР могут вручную проверять данные и допускать их в обработку с помощью собственной КЭП);
• автоматической верификации («очистка данных» или cleaning, или refinement).

Использование автоматической и ручной верификации подводит нас к необходимости определения качества данных.

3.2. Качество данных и ADQ

Понятие «качество данных» в бизнес-анализе не имеет однозначного определения, но [12] определяет качество данных как совокупность свойств и характеристик данных, определяющих их пригодность для анализа и, соответственно, длядальнейшего принятия решения. «Очистка данных» помогает повысить качество данных, но ее применение должно начинаться с ADQ (Assessment Data Quality или «Оценка качества данных»), иначе могут реализоваться риски слишком сложной и ресурсозатратной очистки данных или же качество данных будет только снижено. Правильнее было бы сказать, что «автоматическая верификация» данных от Поставщиков в государственном секторе − это ADQ + refinement.

Для ручной верификации могут применяться способы визуализации первичной информации не в виде строчек в конкретных таблицах фактов, а в виде графиков, диаграмм и т.п. В таком представлении эксперту предметной области легче зафиксировать аномальные отклонения, некорректные данные и т.п., в том числе заведомые искажения данных Поставщиками. Автоматическая верификация должна предусматривать:

• поиск орфографических ошибок (путем сравнения со словарем предметной области или даже административным регламентом);
• поиск пропущенных, дублирующих, логически неверных, противоречивых и фиктивных значений на уровне записей и таблиц (проверка нарушений в структуре данных, наименований таблиц и атрибутов; проверка на наличие значений для обязательных полей; проверка соответствия значения формату и кодировке; проверка на уникальность и устранение дубликатов).

Методы бизнес-аналитики позволяют (при невозможности получения дополнительной информации от Поставщика данных) в условиях ограниченного времени для подготовки данных для ЛПР осуществить заполнение пропусков спомощью аппроксимации (для упорядоченных данных, таких как временные ряды) или метода максимального правдоподобия (для неупорядоченных данных: определяется плотность распределения вероятностей и отсутствующие данные заменяются значениями, соответствующими ее максимуму) [13].

3.3. Принятие решения в области государственного управления на основе предложенной модели

После успешной подготовки данных достаточного качества аналитик или сам ЛПР может принимать решение на основе визуализации актуализированных данных. Концептуально решения в области государственного управления на уровне Субъектов РФ можно условно разделить на две категории:

• стратегические решения (для принятия которых потребуется определение общих трендов в исторических данных);
• «оперативные» финансовые решения (решения о выделении или распределении финансовых средств на определенную деятельность определенным ведомствам и организациям).

Для принятия стратегически решений ЛПР необходимо увидеть либо показатели процесса за значительный временной интервал (т.е. агрегацию данных по измерению «Время»), либо на территории Субъекта РФ или даже страны (т.е. агрегацию по измерению «Административно-территориальная единица»). Также могут использоваться методы построения трендов, факторный и корреляционный анализ (для установления того, какие факторы на какие влияют, чтобы воздействовать на причину, а не на следствие), методы прогнозирования и т.п.

С «оперативными» финансовыми решениями возможностей бизнес-аналитика предоставляет гораздо больше. По своей сути, стратегические решения означают все большую консолидацию («движение вверх», иерархическую агрегацию) данных, тогда как «оперативные» решения по распределению финансовых средств представляют собой drill-down фактов («движение вниз», детализацию и декомпозицию данных). Здесь могут приняться методы ABC- и XYZ-анализа, методы кластеризации и т.п.

3.4. Расширение предложенной модели на весь цикл управления

Приведенная выше модель может быть расширена и укрупнена, если включить в нее не только процесс сбора данных для подготовки решений, но весь цикл управления («Планирование» − «Организация» − «Исполнение» − «Контроль»). Втаком случае фактами становятся не только фактические данные (данные о текущем состоянии процесса / объекта деятельности), но целевые показатели (данные о плановом состоянии процесса / объекта деятельности) (см. рис. 1).

Рисунок 1. Цикл принятия и исполнения решений в государственном управлении с использованием KPI и систем бизнес-аналитики

Цикл принятия и исполнения решений в государственном управлении согласно нижеприведенной интерпретации представляет собой:

1. Формулирование цели (основного стратегического показателя, например, «90% исполнение годового бюджета» или «достижение 85% наполняемости школьных зданий от их проектной мощности за 3 года») на верхнем уровне управления в критериях SMART (цель должна быть конкретной, измеримой, достижимой, актуальной и ограниченной во времени [14]).
2. Декомпозиция основного стратегического показателя на отдельные ключевые показатели (в зависимости от цели это могут быть плановые показатели результата либо KPI осуществляемого процесса).
3. Исполнение процесса на оперативном уровне управления приводит к созданию новых данных (фактических результатов деятельности).
4. Исполнение процесса сопровождается непрерывным мониторингом (который выражается в получении «моментальных снимков» − срезов KPI), что позволяет идентифицировать отклонения и аномалии в процессе осуществления деятельности, а не после получения результата, не соответствующего сформулированным целям.
5. Данные с нижних уровней иерархически консолидируются на верхние уровни, где происходит сравнение их с плановыми/целевыми.
6. На основании сравнения данных и ключевых показателей ЛПР принимает новое решение, формируя новую цель, запуская новый виток цикла.

Интересно, что BI обычно представляется ИТ, ключевыми пользователями которой являются стратегические руководители, однако в предлагаемой модели BI выступает связующим звеном и фактически инструментом кросс-взаимодействия уровней управления государственной власти. В рамках данной публикации фактически автор предлагает использовать BI + OLAP как средства постоянного и непрерывного мониторинга и сравнения показателей целевых (плановых) ифактических.

Подобное построение процесса принятия и исполнения решений полностью накладывается на цикл Шухарда-Деминга (Plan-Do-Check-Act) [15], однако имеет ряд недостатков, таких как:

1. При декомпозиции целевых показателей не учитывается доля того или иного объекта деятельности в достижении общего результата.
2. При агрегации данных не учитывается доля того или иного объекта деятельности в достижении общего результата.
3. Проблема соответствия KPI начальных подразделений KPI конечных подразделений.

3.5. Проблема учета доли конкретного объекта деятельности в достижении общего результата при декомпозиции целевого показателя и дополнительные возможности OLAP-анализа в государственном управлении

Остановимся подробнее на первой проблеме при декомпозиции целевых показателей. Чтобы пояснить, что имеется в виду, рассмотрим условный пример: в Субъекте РФ есть только два административных района – А и Б. В этом регионе орган исполнительной власти, отвечающий за агропромышленный комплекс (ИОГВ АПК), имеет цель на год – произвести как минимум 100 тонн зерна. Этот целевой показатель распределен поровну между двумя районами, т.е. и А, и Бдолжны произвести по 50 тонн зерна за год. Допустим, что район А произвел 80 тонн зерна, а район Б – 30 тонн зерна. Используя целевой показатель «Как минимум 50 тонн зерна для одного административного района Субъекта РФ», легко сделать вывод: район А смог достигнуть поставленной цели, а район Б – нет. Но этот вывод легко сделать на нижнем уровне управления, где есть доступ к детализации данных.

С формальной точки зрения целевой показатель для ИОГВ АПК выполнен – Субъектом РФ произведено 110 тонн зерна. То есть на верхний уровень управления (например, на федеральный уровень) придет информация, что Субъект РФ смог достигнуть поставленной цели и даже превысил плановое производство зерна на 10 тонн. Лицо, принимающее решение, получив такой показатель, в следующий раз будет увеличивать плановый показатель со 100 тонн, к примеру, до 108тонн. Этот показатель снова спуститься на уровень административных районов: на этот раз им «придется» произвести не 50, а 54 тонны зерна. Для района Б (который не может произвести 50 тонн в силу природных причин – размера посевных площадей) подобное управленческое решение покажется более чем странным и необоснованным. Фактически «простая» (без учета доли в общем результате) агрегация и декомпозиция данных и целевых показателей потенциально приводит к неправильным управленческим решениям.

Автор предлагает в качестве решения данной проблемы внедрение в информационно-аналитические системы необходимого инструментария для определения и фиксации доли конкретного объекта деятельности в общем результате. Впоследствии такой инструментарий должен использовать рассчитанные доли для корректировки показателей при трансляции их на нижние уровни управления и тем самым повышать качество планирования. Причем чем чаще будет выполняться описанный выше цикл (т.е. чем короче будет период измерения либо чем больше итераций будет совершено), тем точнее будет декомпозиция целевых показателей.

При этом данный инструментарий не должен заменять изучение причин отклонений (как положительных, так и отрицательных) от целевых показателей. Для нашего условного примера государственным служащим все равно необходимо получить информацию о том, что район Б не имеет соответствующей посевной площади либо такой технологии производства зерна, которая даже в существующих условиях позволила бы ему достигнуть целевого показателя. Но этапроблема лежит в плоскости управления коммуникациями между различными уровнями государственного управления, а не в плоскости систем бизнес-аналитики.

В завершение представления возможностей применения такого метода бизнес-аналитики в госуправлении, как OLAP-анализ, необходимо также отметить, что этот метод обеспечивает ЛПР // аналитика дополнительными возможностями работы с данными и восприятия данных, гораздо большими, чем обычные методы предоставления данных в текстовом или табличном виде. При работе с измерениями OLAP-куба извлечение нужной информации можно получить спомощью:

• сечения (среза) − т.е. выделения подмножества ячеек гиперкуба при фиксировании значения одного или нескольких измерений (пример: имеются данные по всем государственным закупкам Субъекта РФ, а ЛПР должен оценить потенциальные «подозрительные» ИТ-сделкам конкретного ОГВ − для удобства назовем его «Министерством государственных закупок». Для этого он может выполнить сечение по значению «Министерство государственных закупок» измерения «Заказчик» − полученный срез можно представить в виде таблицы, которая содержит все сделки этого ОГВ, а затем выполнить еще одно сечение по измерению «ОКПД», например по «Производство готового программного обеспечения и предоставление прав на его использование» и «Консультации системного и технического характера». Два этих среза позволят ему увидеть ряд ИТ-сделок с указанием организаций, выигравших конкурсы заопределенные периоды, причем результат запроса представляет собой кросс-таблицу и воспринимается даже неспециалистом);
• изменения порядка следования измерений;
• частного случая изменения порядка следования измерений:
  • транспонирования (вращения) − используется для того, чтобы сделать плоские таблицы более наглядными путем измерения порядка представления измерений таким образом, что измерения, бывшие в столбцах, будут отображаться в строках и наоборот;
  • свертки (группировки) − применяется в случае иерархической подчиненности данных, подразумевает замену одного или нескольких подчиненных значений измерений теми значениями, которым они подчинены (что очень удобно для широкой сети подведомственных ведомствам бюджетных, муниципальных и автономных организаций);
  • операции, обратной операции группировки − детализации (декомпозиции), − применяется в случае иерархической подчиненности данных, подразумевает замену значений измерений более высокого иерархического порядка одним или несколькими значениями более низкого порядка (например, вместо категории учреждений «Льготные аптеки» отображаются конкретные наименования льготных аптек в том или ином районе Субъекта РФ);
  • замены измерений − подразумевает замену одних измерений другими − например, измерения «Количество работников» на измерение «Количество государственных служащих» (чтобы оценить, сколько людей работает введомстве на государственной службе, а не просто задействовано в проектной деятельности и т.п.);
  • добавления измерений − увеличение числа измерений (например, добавление рядом с измерением «Размер очереди в МФЦ» измерений «Количество окон приема» и «Среднее время ожидания в очереди» − и увидеть более объективную картину);
  • удаления и скрытия измерений − уменьшение числа измерений (например, если значения измерения не проясняют картину, а лишь вносят дополнительный «информационный шум»);
  • фильтрации значений измерений.

Подводя итог, отмечу, что системы бизнес-аналитики, правильно применяемые, способны обеспечить исполнение государственных функций условиями принятия качественных управленческих решений, о которых говорилось в начале данной публикации:

• BI-системы используют научные подходы, основанные на математическом анализе, методах оптимизации и аналитических методах решения задач, а также теории систем и системном анализе и моделирования и прогнозирования экономических систем;
• постоянная актуализация данных обеспечивается с помощью SOA-интеграции с учетными ведомственными и корпоративными системами Поставщиков данных и применении КЭП для подтверждения данных;
• использование иерархии измерений обеспечивает структуризацию предметной области (т.е. объекта деятельности ОГВ);
• возможность манипулирования измерениями OLAP-куба позволяет обеспечить сравнительный анализ в процессе принятия управленческого решения;
• предварительная верификация обеспечивает соответствие данных для принятия решения действующим нормативно-правовым актам;
• BI-системы, КЭП и веб-сервисы обеспечивают автоматизацию процессов сбора и обработки информации, а также процесса по разработке и реализации решения.

4. Выводы и перспективы будущей работы

В данной статье рассмотрена одна из ключевых проблем государственного управления в РФ − принятие решений в государственных органах и организациях. Автором был предложен расширенный вариант цикла принятия и исполнения решений в государственном управлении с использованием KPI и BI, а также показана его взаимосвязь с циклом PDCA. Также были продемонстрированы на примерах дополнительные возможности работы с OLAP-кубами в рамках госуправления. В последующих публикациях автор планирует подробнее рассмотреть следующие проблемы:

• учет долей объектов деятельности при агрегации данных;
• соответствие целевых показателей для взаимосвязанных объектов деятельности (например, начальной школы и основной школы).

1. http://www.idc.com – международная исследовательская и консалтинговая компания IDC (дата обращения: 01.11.2016).
2. http://www.cnews.ru – ИТ-обозреватель CNews (дата обращения: 01.11.2016).
3. http://www.tadviser.ru – ИТ-обозреватель Tadviser (дата обращения: 01.11.2016).
4. http://www.crn.ru/research – ИТ-обозреватель CRN (дата обращения: 01.11.2016).
5. http://docs.cntd.ru – электронный фонд правовой и нормативно-технической документации. Консорциум «Кодекс» (дата обращения: 01.11.2016).
6. http://www.prognoz.ru – ЗАО «Прогноз» (дата обращения: 01.11.2016).
7. http://bars-open.ru – «Барс-Груп» (дата обращения:01.11.2016).
8. https://basegroup.ru – ООО «Аналитические технологии» (дата обращения: 01.11.2016).
9. http://www.fors.ru – Группа компаний «ФОРС» (дата обращения: 01.11.2016).
10. Информационное письмо Банка России от 15.08.2014 исх. № 06-57-2/6659 «О представлении отчетности и уведомлений».
11. http://www.cbr.ru/finmarkets/print.aspx?file=files/account/edocs/programma-anketa_arch2.htm − электронная анкета ФСФР России (Банк России), которую заполняют УК паевыми инвестиционными фондами (дата обращения: 01.11.2016).
12. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. Учебное пособие. 2-е издание, исправленное [Текст]. − М.: Питер, 2013. − ISBN 978-5-459-00717-6.
13. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере [Текст]/ Под ред. В.Э. Фигурнова. − М.: ИНФРА-М, 1998. − 528 с.
14. Друкер Питер. Практика менеджмента [Текст]. − М.: МИФ, 2015. − 416 с. – ISBN 978-5-00057-332-7.
15. Репин В.В., Елиферов В.Г. Процессный подход к управлению. Моделирование бизнес-процессов. − М.: РИА «Стандарты и качество», 2008. − 408 с. − ISBN 978-5-94938-063-5.
16. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining [Текст]. − Спб: БВХ-Петербург, 2004. − 336 с.

Ключевые слова: бизнес-аналитики, государственные функции, интерактивная аналитическая обработка (OLAP), обработка транзакций в реальном времени (OLTP), измерения, качество управленческих решений, цикл Деминга-Шухарта, оценка качества данных (ASQ).

Aggregation and decomposition of statistical data and key performance indicators in the management of socio-economic development of subjects of the Russian Federation. Part 2. Expansion of the proposed variant model for data preparation and decision-making by public authorities of the subjects of the Russian Federation using the means Business Intelligence to the entire management cycle

Manichev S.V., graduate student of Federal State Institution of Higher Education «Moscow Technological University», mgupi.mgupi2010@yandex.ru

Abstract: The article describes an expanded version of the cycle decision making and execution in public authorities using of KPI and BI, and also shows its relationship with the PDCA-cycle. There have also been demonstrated by the additional opportunities to work with OLAP-cubes in the framework of public administration.

Keywords: business intelligence, government functions, Online Analytical Processing (OLAP), Online Transaction Processing (OLTP), measurements, quality of management decisions, Deming-Shewhart cycle, Assessment Data Quality (ASQ).

References:

1. http://www.idc.com (date: 01.11.2016).
2. http://www.cnews.ru (date: 01.11.2016).
3. http://www.tadviser.ru (date: 01.11.2016).
4. http://www.crn.ru/research (date: 01.11.2016).
5. http://docs.cntd.ru (date: 01.11.2016).
6. http://www.prognoz.ru (date: 01.11.2016).
7. http://bars-open.ru (date: 01.11.2016).
8. https://basegroup.ru (date: 01.11.2016).
9. http://www.fors.ru (date: 01.11.2016).
10. Information Letter of the Bank of Russia from 15.08.2014 ref. № 06-57-2 / 6659 «On reporting and notifications».
11. http://www.cbr.ru/finmarkets/print.aspx?file=files/account/edocs/programma-anketa_arch2.htm (date: 01.11.2016).
12. Paklin N.B., Oreshkov V.I. Business Intelligence: from data to knowledge. Tutorial. 2nd edition, revised [Text]. − M.: Piter, 2013. − ISBN 978-5-459-00717-6.
13. Tyurin Yu.N., Makarov A.A. Statistical analysis of the data on the computer [Text] / Ed. V.E. Figurnova. − M.: INFRA-M, 1998. − 528 p.
14. Drucker P. Practice of Management [Text]. − M.: MYTH, 2015. − 416 p. − ISBN 978-5-00057-332-7.
15. Repin V.V., Eliferov V.G. Process approach to management. Business Process Modeling. − M.: RIA «Standards and quality», 2008. − 408 p. − ISBN 978-5-94938-063-5.
16. Barseghyan A.A., Kupriyanov M.S., Stepanenko V.V., Holod I.I. Methods and data analysis model: OLAP and Data Mining [Text]. − St. Petersburg: CVS-Petersburg, 2004. − 336 p.

Комментарии могут оставлять только зарегистрированные пользователи