#история #статистика 

А вы знаете, когда появилась название у науки «статистики»?  
Слово «статистика» происходит от латинского status — состояние дел. Немецкий ученый Готфрид Ахенвалль в 1746 году заменил название курса «Государствоведение», преподававшегося в университетах Германии, на «Статистику», положив тем самым начало развитию статистики как науки и учебной дисциплины.  
 
Стал последователем Германа Конринга, который первым начал читать лекции по государствоведению в Гельмштедтском университете. Конринг стремился научить политических деятелей понимать причины государственно важных явлений, подразделяемых на четыре группы: материальные — описание территории и населения государства, формальные — политическое устройство, конечные (целевые) —благосостояние государства и его граждан, административные — управление государством, его аппарат (чиновники, армия и т. д.). Эти четыре части предопределили развитие демографии, политической географии, бюджетной статистики и административной статистики. 
Ахенваль широко распространил идеи Конринга, создав школу описательной статистики, безраздельно господствовавшую в Европе до середины XIX в. Предложенный Конрингом термин "государствоведение" (нем. -- Staatskunde, Staatswissenschaft) он заменил однокоренным, производя его от итальянского statista (государственный муж) и понимая под этим выражением "ту часть практической политики, которая заключается в знакомстве со всем современным государственным устройством наших государств".

#статистика #софт 

В июне 2020 года выпущена новая версия IBM SPSS Statistics – 27. Эксперты Predictive Solutions изучили нововведения очередного релиза и подготовили небольшой обзор. 

https://predictivesolutions.ru/software/new-ibm-spss-statistics-27.htm

#методы_анализа 
 
Факторный анализ 
Часто в социологических, экономических, психологических исследованиях мы имеем дело с многомерной информацией. Если изучаемые объекты - люди, а ответы на вопросы анкеты соответственно принаки изучаемых объектов, то очень часто трудно сгруппировать людей в однородные группы, поскольку при анкетировании задаются несколько десятков вопросов. даже если разбиение на группы удалось, то сложно описать характеристики этих групп. В этом случае можно попробовать перейти от исходного многомерного факторного пространства к новым факторам, которые обобщали бы в себе все ответы на вопросы. Техника факторного анализа в прикладном смысле нацелена на снижение размерности поля признаков. 
https://analytera.ru/about/stati/faktornyj-analiz/

#триз 

ТРИЗ сверху вниз. Про патентные стратегии. 

На днях собирали с коллегами-ТРИЗовцами опыт проектов по созданию патентной стратегии в компаниях. Ситуация неоднозначная, однако ж относится к нашей теме: как реальные задачи бизнеса дают поводы использовать базовые инструменты ТРИЗ. 
 
Проблематика. 
В компаниях, где есть R&D, рано или поздно встает задача создания патентной стратегии и политики использования результатов интеллектуальной деятельности (РИД) - патентовать/защищать, ограничивать действия конкурентов, отслеживать нарушения и "бороться" за эффективную реализацию своих имущественных прав на РИД. В этом направлении огромный опыт набрали американцы, а Корея и Китай - встречный опыт противостояния и обхода западных стратегий. В РФ компании сегодня начали осваивать это направление, и многим удается, учитывая, что интеллектуальный потенциал у нас все-таки не малый. Как же эффективно увязать усилия по патентованию и творческое использование собственного интеллектуального потенциала, т.е. R&D? 
 
Возьмем цитаты из патентной стратегии некой компании "ООО": 
Стратегия направлена на обеспечение инновационного развития "ООО", на повышение конкурентоспособности "ООО", на обеспечение лидирующей позиции на рынке. 
[...] Для реализации Стратегии необходимо обеспечить эффективное использование результатов интеллектуальной деятельности, которым предоставляется правовая охрана - интеллектуальной собственности. 
[...] Интеллектуальная собственность, принадлежащая "ООО", является важным фактором, способствующим повышению конкурентоспособности производимой продукции, товаров и услуг, мощным инструментом привлечения инвестиций. Правовая охрана результатов интеллектуальной деятельности способствует обеспечению деловой репутации, имиджа и экономической безопасности "ООО". 
 
Итак, с точки зрения ТРИЗ, из этого текста: 
1 Главный объект Стратегии - интеллектуальная собственность (ИС) компании "ООО", Главная полезная функция Стратегии: управлять ИС. 
2 В данном случае "управлять" описывается более детальными глагольными формулировками: создавать ИС (из результатов интеллектуальной деятельности), перемещать ИС, накапливать ИС, объединять/соединять ИС. 
3 Дополнительные функции патентной стратегии: Направлять действия R&D при создании РИД. 
4 Функция "ограничивать действие ИС конкурентов", упомянутая в стратегии, выполняется не самой стратегией, а интеллектуальной собственностью. Так же комендант не обороняет крепость — это делают бойцы, но с комендантом оборона эффективнее. 
И если по п.1 департамент R&D может поучаствовать только в оформлении ИС - помочь перевести РИД на "патентный язык", то по пп.2-3 требуется уже активное участие R&D. Безусловно - рука об руку с патентными поверенными. 
 
Ответ. 
Наши обсуждения в ТРИЗ-сообществе завершились на следующем: 
Текст патента - как формула изобретения, так и описание изобретения - легко раскладываются на функциональную модель. Для дальнейшей работы с этой моделью, в зависимости от целей, определяемых Стратегией, можно применять (а это уже ТРИЗ): процедуры свертывания, функционально ориентированный поиск, ЗРТС и поиск сверх-эффектов. Картинка про это внизу поста. Наиболее убедительные примеры подберу и покажу на R&D конференции https://t.me/analytera/167 - заходите! 
Извиняюсь за спойлер - уж больно хотелось поделиться, намекнуть на свежие наработки. Всем удачи! 
- Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#софт #статметоды #статья 
Статистическое Программное Обеспечение  
 
Сегодня в мире существуют множество программ, в которых реализованы те или иные статистические методы. Те из них, которые заслужили признание научного сообщества и прикладников были выбраны нами в качестве рабочих инструментов для обучения, анализа и исследований. Вашему вниманию предлагается краткий сравнительный обзор статистических программ. Изложенное ниже мнение представляет собой наше личное мнение и не претендует на то, чтобы умалить достоинства одной программы и скрыть недостатки другой. Мы старались показать вам объективные возможности программ 
 
https://analytera.ru/about/stati/statisticheskoe-programmnoe-obespechenie/

#вебинар #АКР #Егоров
 
Аналитические компетенции руководителя. Управление производственной и коммерческой информацией. Вебинар. 

Принятие решений на основе анализа информации - ключевой навык руководителя нового поколения. В ходе вебинара разворачивается "дорожная карта" компетенции руководителя, позволяющей ему совершить качественный рывок в развитии. Более детально о программе и дорожной - Программа подготовки аналитиков-руководителей "Эксперт" 
Ведущий - руководитель научной части Analytera, директор «Центр Статистических Технологий» - Егоров Артём Михайлович.
 
https://www.youtube.com/watch?v=BnqsnQ3gdMA&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=12

#история 

С точки зрения истории развития экономической мысли Древний Египет представляет особенный интерес, так как в третьем тысячелетии до нашей эры начинают формироваться и укрупняться основные структуры государственного аппарата, что приводит к росту количества чиновников, которым для осуществления контроля над государственной деятельностью приходилось применять различные формы учета.  
В статье по ссылке Малыхина И.В. рассматривает эти формы и такой интереснейший археологический артефакт как Палермский камень с точки зрения истории учетных операций.  
https://cyberleninka.ru/article/n/o-razvitii-gosudarstvennogo-uchyota-v-drevnem-egipte/viewer

#инженер_аналитик 
 
Сегодня о том, что входит в основы инженерной аналитики с точки зрения наших экспертов. С разбивкой на изучаемые темы и виды решаемых производственных задач. 
Изучаемые темы:  
1. Классификация основных аналитических инженерных задач. Логика решения аналитических задач 
2. Разновидности технической информации и влияние вида информации на метод анализа. Количественные и неколичественные измерения. Ключевые KPI’s инженерных служб и современные требования 
3. Описательные статистики: среднее, медиана, мода, стандартное отклонение, размах, дисперсия, 95%-ные доверительные интервалы, стандартная ошибка, квартили, персентили, риски, правила 2-х и 3-х сигм и стандартных ошибок, правило сложения дисперсий. Оценка пригодности процессов на основе показателей Рр, Ррк 
4. Визуализация данных: разновидности графиков и диаграмм. Правила выбора адекватного инструмента визуализации 
5. Анализ распределений данных: подбор вида распределения, нормальное и ненормальное распределения. Свойства распределений и их практическое использование при анализе рисков и прогнозировании 
6. Выбросы: способы определения, действия с выбросами. Рекомендации по выбору стратегии работы с выбросами 
7. Правила работы с неколичественными данным 
8. Методология первичного описательного анализа данных 
9. Практические приемы и задачи, требующие использования описательных статистик и графиков 
 
 
Практические задачи: 
• Изучение динамики процесса, оценка разброса и качества процесса 
• Расчет риска появления несоответствующей продукции. Прогнозирование уровня несоответствий 
• Сравнение нескольких процессов 
• Первичный анализ информации о химическом составе, механических свойствах продукции 
• Выявление подтасовок, некорректных измерений, лабораторных ошибок и т.п. 
• Анализ информации о времени изготовления деталей, продолжительности процессов, сроках выдержки и других временных характеристик 
• Изучение нестабильного и стабильного процесса 
• Анализ периодических выходов за границы спецификаций 
• Статистическая обработка результатов измерения геометрических размеров выпускаемой продукции 
 
Все это рассматривается в модуле 1 нашей программы инженер-аналитик. 
 Подробнее о программе https://analytera.ru/course/programma-inzhener-analitik/ 

Отправить заявку на обучение можно через форму внизу страницы.

#методы_анализа 

Дискриминантный анализ 

Задачи дискриминантного анализа в экономике можно разделить на два типа. 
Задачи первого типа часто встречаются в производственной практике. Допустим, что мы располагаем информацией о некотором числе бракованных деталей, дефект каждой из которых может быть следствием ряда разладок производственного процесса. На основе этой информации нужно найти функцию, позволяющую определить, какая разладка (несоблюдение температурного режима, качество сырья…) вызвала причину конкретного дефекта. Построение такой функции и составляет задачу дискриминации. 
Задачи второго типа связаны с предсказанием будущих событий на основании имеющихся данных. Примером может служить определение вероятности, с которой, если соответствующие предписания производственного были соблюдены, деталь окажется стандартной. (с какой вероятностью покупатель купит продукт, если ... и т.д.). 
https://analytera.ru/about/stati/diskriminantnyj-analiz/

#триз 
ТРИЗ. Микроскоп под новогодней ёлкой. 
  
Декабрь перевалил за середину, дело идет к сочельнику, и настроение все более пасторальное. Этот пост про старый добрый АРИЗ - алгоритм решения изобретательских задач. 
  
Гениальность этого инструмента в одновременной реализации двух подходов. 
Во-первых - цепочка шагов из несколько способов моделирования задачи. И, создавая последовательно разные модели, решатель "вынужден" продвигаться вперед от исходной ситуации к будущему, пока еще неизвестному решению, отбрасывая лишнее: на каждом следующем шаге - еще одна модель, еще более сфокусированный взгляд в глубь.  
Пройдусь по используемым моделям: 
1. Задача моделируется через техническое противоречие: что-то пытаемся улучшить, что-то при этом ухудшается; 
2. Функциональное моделирование в конфликтующей паре - изделии и инструменте: есть положительное, полезное взаимодействие между элементами, есть и вредное; 
3. Еще одно моделирование - из веществ и полей (ВеПоль); 
4. Задача как физическое противоречие - противоположные требования к состоянию оперативной зоны;  
5. Моделирование маленькими человечками (ММЧ) 
Теперь про фокусировки: 
1. Выбор для дальнейших шагов только одного противоречия - того, которое связано с выполнением главной функции; 
2. Усиление формулировки до предельного состояния конфликтующей пары, вплоть до "отсутствующих элементов". 
3. Физическое противоречие на микроуровне 
4. Формулирование идеального конечного результата (ИКР) 
  
Вторая составляющая - постоянное расширение "поля зрения": только решатель заглубился, сфокусировался, и - стоп! - оглянись из новой модели, посмотри ближайшие ресурсы, что могут быть применены для решения, посмотри на производные от этих ресурсов. 
Еще один шаг, следующая модель - еще прицельнее фокусировка, но и взгляд на ресурсы расширяется. 
  
Говорят, что Альтшуллер описывал этот эффект как две пересекающиеся встречные воронки - жаль, я не смог пока найти каких-либо ссылок... 
Но идея красивая - этакое креативное путешествие, вроде как по оптической схеме микроскопа в микро-мир, но с постоянно расширяющимся полем зрения! 
При работе в проектах, типа повышения производительности или снижения себестоимости, не часто появляются объекты для такого микроскопа. Но когда в результате детального анализа выходит парочка "нерешаемых" задач, не откажите себе в удовольствии, поместите их на предметный столик микроскопа под названием АРИЗ. 
  
И пусть в будущем году у нас почаще захватывает дух от целенаправленного творчества! Всех с наступающим! 
 
- Станислав Колчанов, консультант по ТРИЗ ЦСТ Analytera

#статья #маркетинг #прогнозирование 

Какое-то время назад мы публиковали пост о методах прогнозирования, их классификации  https://t.me/analytera/64  Сегодня вторая часть статьи, продолжим обзор и систематизацию знаний.  
https://analytera.ru/about/stati/prognozirovanie-v-marketinge-obzor-metodov-chast-2/

#вебинар #datascience #Егоров 

Представляем вашему вниманию вебинар по бизнес-аналитике и data science от директора ЦСТ Analytera Артема Егорова: 
 - Текущая потребность бизнеса в профессиональной аналитике: мировые тренды и российские специфики 
 - Почему просто знание методов анализа уже не устраивает бизнес 
 - Новые методики и приемы анализа бизнес-информации: классификация и разбор типовых кейсов 
 - Программное обеспечение для анализа данных и прогнозирования 
 - Как выстроить карьеру в области аналитики: карьерные лифты и ограничения. Четыре стратегии выхода на высокие заработные платы 
 - Карта необходимых компетенций: необходимые знания и навыки. Что должно быть в резюме 
 - Варианты профессиональной подготовки коммерческих аналитиков, Data Scientist, поясов Six Sigma - Ответы на вопросы и персональные рекомендации 
 - Комментарии и ответы на вопросы для абитуриентов третьего потока Программы подготовки аналитиков высшего уровня «Эксперт»  
https://www.youtube.com/watch?v=UUAh-2oxs6Q&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=38

#история 

Однажды в 1939 году Джордж Бернард Данциг, докторант Калифорнийского университета в Беркли, опоздал на занятия по статистике для выпускников и обнаружил на доске две задачи. Не зная, что это были примеры «нерешаемых» статистических задач, он принял их за часть домашнего задания, записал их и решил.   
Шесть недель спустя профессор, преподававший статистику, уведомил Данцига, что он подготовил одно из двух доказательств своего «домашнего задания» для публикации, и несколько лет спустя Данциг получил признание в качестве соавтора другой статьи, когда другой математик независимо разработал такое же решение для второй проблемы. 
Джордж Данциг рассказал об этом случае в интервью 1986 года для College Mathematics Journal: 
“Это произошло потому, что в первый год обучения в Беркли я опоздал на один из классов [Ежи] Неймана. На доске было две задачи, которые, как я решил, были заданы для домашнего задания. Я скопировал их. Несколько дней спустя я извинился перед Нейманом за то, что так долго делал домашнее задание - проблемы казались немного сложнее, чем обычно. Я спросил его, необходимо ли его еще сдавать. Он сказал мне бросить его на стол. Я сделал это неохотно, потому что его стол был завален такой грудой бумаг, что я опасался, что моя домашняя работа будет потеряна там навсегда. Примерно шесть недель спустя, одним воскресным утром, около восьми часов, мы с [моей женой] Энн были разбужены кем-то, кто постучал в нашу дверь. Это был Нейман. Он вбежал с бумагами в руках, весь взволнованный: «Я только что написал введение к одной из ваших статей. Прочтите его, и я сразу же отправлю его для публикации». В течение минуты я не понимал, о чем он говорит. Короче говоря, задачи на доске, которые я решил, считая их домашним заданием, на самом деле были двумя известными нерешаемыми проблемами статистики.” 
 Эта легенда используется в качестве сюжета в фильме 1997 года «Умница Уилл Хантинг». Кроме того, одна из сцен в фильме 1999 года «Рашмор» показывает главного героя, мечтающего о решении невозможного вопроса и получении одобрения от всех.

#методы_анализа

Кластерный анализ

Кластерный анализ предназначен для разбиения совокупности объектов на однородные группы (кластеры или классы). Это задача многомерной классификации данных.
Существует около 100 разных алгоритмов кластеризации, однако, наиболее часто используемые - иерархический кластерный анализ и кластеризация методом k-средних.
Где применяется кластерный анализ? В маркетинге это сегментация конкурентов и потребителей. В менеджменте: разбиение персонала на различные по уровню мотивации группы, классификация поставщиков, выявление схожих производственных ситуаций, при которых возникает брак. В медицине - классификация симптомов, пациентов, препаратов. В социологии - разбиение респондентов на однородные группы. По сути кластерный анализ хорошо зарекомендовал себя во всех сферах жизнедеятельности человека.
https://analytera.ru/about/stati/klasternyj-analiz/
 

Добрый день, коллеги!

С наступившим вас Новым годом! Мы рады, что вы были с нами в 2020, надеемся радовать вас интересным контентом и дальше.

Сегодня, в первый рабочий день 2021го, вместо стандартных поздравлений у нас для вас подарок. Директор ЦСТ Analytera Артем Егоров записал лекцию «Прогнозирование и анализ сроков жизни клиента» Вы можете посмотреть ее на нашем канале https://www.youtube.com/watch?v=rqAF_6m5fhA

#вебинар #sixsigma 

Введение в концепцию Lean Six Sigma.Вебинар. 

Навигация по концепции Лин Шесть Сигм. Обзор, дорожная карта, методология, пример проекта. Все это и другие особенности и преимущества системы вы узнаете в ходе вебинара. 
Ведущий - LSS мастер черный пояс, Константин Соловых. 
https://www.youtube.com/watch?v=pQTc4dJi4rg&list=PL4DoKxTcB8CDDr_VC00qpiNicgvnoaI7t&index=32

#история 
 
А мы продолжаем знакомить вас со знаковыми личностями в истории статистики. 1 января 1924 года родился Гэнъити Тагучи, разработавший концепцию «инжиниринг качества».  

Важное отличие методов Тагучи заключается в отношении к основополагающим характеристикам произведенной продукции - качеству и стоимости. Отдавая приоритет экономическому фактору (стоимости), он тем не менее увязывает стоимость и качество в одной характеристике, названной функцией потерь. При этом одновременно учитываются потери как со стороны потребителя, так и со стороны производителя. Задачей проектирования является удовлетворение обеих сторон. Тагучи создал надежный метод расчета, использовав отношение сигнал - шум, применяемое в электросвязи, которое стало основным инструментом инжиниринга качества. Тагучи ввел понятие идеальной функции изделия, определяемой идеальным отношением между сигналами на входе и выходе.  
Исследования Тагучи оказались востребованы при становлении концепции шесть сигма.