Анализ наиболее известных моделей информационных систем маркетинга

Широкое распространение концепция ИСМ получила в конце 1980;х — 1990;х гг., но со временем интерес к данной концепции не уменьшился. В результате появилось множество моделей ИСМ разных авторов. Рассмотрим наиболее популярные из них.

Начнем с модели Ф. Котлера, который определил ИСМ как постоянно действующую структуру взаимосвязи людей, оборудования и методических приемов. Предложенная в 1991 г. Ф. Котлером модель ИСМ (рис. 13.2) стала эталонной для множества теоретиков и легла в основу их моделей, которые несущественно дополнялись самими авторами, при этом оставляя центральную идею Ф. Котлера.

Структура ИСМ, описанная Ф. Котлером, состоит из четырех находящихся в тесной взаимосвязи систем:

• • система внутренней отчетности (internal records) — совокупность данных, отражающих текущее состояние фирмы, совершенные хозяйственные операции; внутренняя отчетность включает показатели текущего сбыта, суммы издержек, объемы материальных запасов, движение денежной наличности, данные о дебиторской и кредиторской задолженностях;
• • система маркетинговой разведки (marketing intelligence) — упорядоченная совокупность источников информации и процедур ее получения, используемых менеджерами для воссоздания текущей картины происходящих в рыночной среде перемен;
• • система маркетинговых исследований (marketing research) — совокупность постоянно функционирующих приемов и ресурсов, предоставляющих эксклюзивную информацию для решения нестандартных проблем предприятия;
• • система анализа маркетинговой информации (information analysis) совокупность постоянно функционирующих приемов и ресурсов (моделей и алгоритмов), необходимых для анализа различных видов маркетинговой информации принятия управленческих решений.

Рис. 13.2. Модель информационной системы маркетинга (по Ф. Котлеру).

В некоторой литературе описание ИСМ ограничивается перечислением входящих в ее структуру четырех указанных выше систем и выполняемых ими функций. При этом могут быть использованы другие названия входящих в модель Ф. Котлера элементов, например, (рис. 13.3): подсистема «Первичная информация», подсистема «Вторичная информация», подсистема «Маркетинговые исследования», подсистема «Поддержка маркетинговых решений» и др.

Рис. 13.3. Модель информационной системы маркетинга (по А. Разумовской).

В крупных компаниях, которые осуществляют обширную маркетинговую деятельность, используются более сложные модели ИСМ. Примером может послужить предложенная Рональдом Россом модель, которая состоит из восьми подсистем, каждая из которых связана с отдельной областью маркетинга: продажами, прогнозированием, маркетинговыми исследованиями, ценообразованием, распределением, продвижением продукции, разработкой новой продукции и планированием производства^[1].

Одну из возможных форм реализации модели ИСМ для крупных предприятий также предложил Джордж М. Скоп^[2]. Его модель в упрощенном виде представлена на рис. 13.4. Для того чтобы избежать путаницы, на модели показаны только основные информационные потоки. Эта система преследует следующие основные цели: обнаружение и оценка потенциально рентабельных возможностей продаж; быстрое реагирование на изменения и колебания рыночных условий; формирование оптимальных цен на товары и услуги; контроль маркетинговых издержек; усовершенствование работоспособности и качества торгового персонала; помощь в распределении денежных средств, направленных на продвижение товаров и услуг.

Рис. 13.4. Модель информационной системы маркетинга (по Дж. М. Скотту).

Подсистема ценообразования в таких моделях находится над всей системой, гак как при выборе стратегии ценообразования нужно принимать во внимание стратегические и тактические средства, стоимость факторов производства, издержки производства, издержки сбыта продукции, потребительский спрос, товары и цены конкурентов, склонность потребителя приобретать товар, а также все оттенки макроокружения.

Интересная модель была разработана Г. Л. Багиевым и соавторами (рис. 13.5). Особенностью этой модели выступает наличие отрицательной обратной связи, которая показывает влияние принятого маркетингового решения на изменение рыночной информации.

Рис. 13.5. Модель информационной системы маркетинга (по Г. Л. Багиеву, В. М. Тарасевичу и X. Анн).

^[3]

На основе рассмотренных ранее моделей и учитывая существующие тенденции, можно составить обобщенную модель ИСМ (рис. 13.6).

В результате возросших требований к модели информационной системы маркетинга произошли существенные изменения в подсистемах модели. Рассмотрим некоторые из ее подсистем.

Система сбора, упорядочивания и храпения информации. Система сбора, упорядочивания и хранения информации (система СУХИ) служит фундаментом ИСМ: именно здесь хранятся все данные и информация, собранные компанией за период ее существования. Иными словами, данные и информация систематически поступают в систему из окружающей среды: из внутренней среды напрямую, из внешней — посредством других подсистем ИСМ.

Система СУХИ состоит из комплекса информационных технологий, формализованных методик упорядочивания и обработки, а также персонала, отвечающего за сбор и внесение данных. Множество бизнес-систем, используемых в организации, имеют ежедневно пополняющиеся базы данных (БД), которые содержат большие объемы ценной информации, и данных, без которых компания не сможет функционировать эффективно. Одновременно эти БД выступают одним из основных источников информации и данных для СУХИ. В дополнение к этому, СУХИ имеет соб;

ственную БД, содержащую, как правило, информацию и данные, собранные исключительно в поддержку маркетинговых задач.

Так как система берет данные и информацию из всех подразделений компании, ее инфраструктура весьма сложна. Однако если нет постоянного доступа к нужным данным, можно считать, что этих данных нет. Поэтому важной частью инфраструктуры выступает оборудование, обеспечивающее хранение и сохранность данных. Эго оборудование может находиться внутри самой компании в виде сетей, системы хранения данных, вычислительных ресурсов, а может быть представлено внешними облачными сервисами.

В немалой степени на развитие системы СУХИ влияет то, на каком этапе жизненного цикла находится сам объект автоматизации, т. е. уровень развития бизнеса. Чем сложнее структура внедренного программного обеспечения и оборудования в компании, тем важнее, как устроены информационные потоки и интерфейс работы с данными. В крупных организациях для управления информационными потоками может использоваться специализированное программное обеспечение. Например, системы управления бизнес-правилами позволяют адаптировать привычные термины и понятия к языкам программирования и позволяют работникам взаимодействовать с информационными системами без привлечения ИТ-специалистов.

Вернемся к системам хранения данных как наиболее бурно развивающемуся направлению информационных технологий в России.

Система хранения данных (storage area network) — конгломерат специализированного оборудования и программного обеспечения, который предназначен для хранения и передачи больших массивов данных и позволяет организовать хранение данных на дисковых площадках с оптимальным распределением ресурсов.

Аналитики и эксперты во всем мире сходятся во мнении, что в организациях по всему миру ежеминутно вырастают объемы хранимых и обрабатываемых данных. Точные данные сильно расходятся, но достоверным можно считать тот факт, что уникальная информация становится все дороже, ее объем каждый год увеличивается многократно, а ее хранение требует все больших затрат. Ввиду этого организации стремятся не только формировать развитие инфраструктуры хранения данных, но и находить возможности улучшения и повышения экономической эффективности систем хранения данных: снижения энергопотребления, расходов на сервис, общей стоимости владения и закупки систем резервного копирования и хранения.

Рост объемов данных, возросшие требования к надежности хранения и быстродействию доступа к данным делают необходимым выделение средств хранения в отдельную подсистему вычислительного комплекса. Возможность доступа к данным и управления ими — необходимое условие для выполнения бизнес-процессов. Безвозвратная потеря данных подвергает бизнес серьезной опасности. Утраченные вычислительные ресурсы можно восстановить, а утраченные данные при отсутствии грамотно спроектированной и внедренной системы резервирования уже не подлежат восстановлению.

Происходит заметное развитие потребности не только в приобретении систем хранения данных корпоративными клиентами, но и в строгом учете, аудите и мониторинге использования дорогостоящих ресурсов. Остановка бизнес-процессов из-за невозможности своевременно получить необходимые данные (или полной их утраты) может повлечь за собой необратимые последствия.

Факторы, способствующие развитию систем хранения данных:

• • рост конкуренции и усложнение ее характера во всех сегментах рынка;
• • рост популярности бизнес-систем и автоматизации корпоративной бизнес-системы;
• • смещение интересов пользователей в сторону сервисов, а не отдельных продуктов.

Что касается последнего пункта, то до некоторого времени производители приложений самостоятельно разрабатывали разные версии своих решений для разных серверных платформ, предлагали открытые решения. Важной для отрасли технологической тенденцией стало создание адаптируемых платформ для решения различных аналитических задач, которые включают аппаратную составляющую и систему управления базами данных. Пользователей уже не волнует, кто сделал для их компьютера процессор или оперативную память, — они рассматривают хранилище данных как некую услугу. И это важнейший сдвиг в сознании потребителей.

Система сбора внешней маркетинговой информации. Система сбора внешней маркетинговой информации, часто называемая системой разведки, отвечает за сбор информации из окружающей среды. Ф. Котлер определяет ее следующим образом:

Маркетинговая разведывательная система — упорядоченная совокупность источников информации и процедур ее получения, используемых менеджерами для воссоздания текущей картины происходящих в рыночной среде перемен^[4].

Система сбора внешней маркетинговой информации берет информацию с нескольких ключевых направлений:

• • информация, полученная от поставщиков и посредников, с которыми постоянно общается персонал компании;
• • специализированные мероприятия: выставки, семинары, конференции, дни открытых дверей и др.;
• • вторичная информация, включая интернет-источники: мониторинг СМИ и системы извлечения мнений.

Подробнее остановимся на последних двух.

Мониторинг СМИ. Мониторинг СМИ используется для изучения эффективности пиари рекламных кампаний, составления формируемого СМИ портрета организации или персоналии, оценки общественного резонанса того или иного действия, отслеживания действий других компаний или индивидуумов.

Как правило, мониторинг СМИ включает в себя следующие фазы:

• • наблюдение за рядом источников (телевизионными каналами, радиостанциями, периодическими печатными или интернет-изданиями, блогами, социальными сетями, форумами и т. п.);
• • сохранение найденного материала;
• • фильтрация и категоризация;
• • анализ собранного материала и распространение полученой информации.

Продуктом мониторинга СМИ может быть фрагмент или полный текст статьи периодического печатного или интернет-издания, клиппинг (бумажный или электронный документ, включающий в себя графическое изображение статьи в том виде, как она была опубликована в оригинале), транскрипт эфирного вещания, видеоили аудиозапись эфира, эфирная справка, статистический отчет, дайджест (краткое изложение, резюме).

В современном мире мониторинг СМИ позволяет напрямую взаимодействовать с сетевым пространством. Сотрудники компании самостоятельно могут осуществлять мониторинг СМИ посредством поисковых систем или специализированных баз СМИ (например, Public.ru). Помимо этого, существуют множество компаний, предлагающих различные сервисы, такие как мониторинг по ключевым словам, тематический дайджест (англ, digest — краткое изложение), календарь событий (подборка анонсированных событий по отрасли или сектору экономики), мониторинг прямой речи (отслеживание упоминания представителей компании, высказывания третьих лиц о деятельности компании); мониторинг телевидения (в том числе регионального) и радио (центрального, дециметрового, спутникового); прессклиннинг (англ, press-clipping — подборка газетных вырезок по определенному направлению), мониторинг мультимедиа-контента (аудиои видеохостингов) и зарубежной прессы и многое другое.

Системы извлечения мнений. Большинством методов автоматизированной обработки информации, включая поисковые системы, определяется только наличие интересующих нас тем, причем по ключевым словам.

Извлечение мнений (opinion mining) — класс методов контент-анализа в компьютерной лингвистике, предназначенный для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки мнений авторов по отношению к объектам, речь о которых идет в тексте.

Системы извлечения мнений — компьютерные системы для интеллектуального автоматического извлечения «субъективной» информации — мнений, оценочных суждений, аттитюдов, эмоций, чувств, верований и т. д. — из текстовых данных.

Системы извлечения мнений относятся к разделу извлечения данных из текста (text mining), который включает в себя:

• 1. Поиск информации и выявление исходных данных — подготовительный шаг, состоящий из сбора или выявления набора текстовых материалов для анализа. Такие материалы могут содержаться в Интернете, базах данных, файловых системах или системах управления контентом.
• 2. Использование сугубо статистических методов анализа, а также процессов обработки естественного языка и средств лингвистического анализа.
• 3. Выявление смыслов — использование статистических и прочих техник для выявления поименованных признаков текста — упоминаний людей, организаций, мест, символов, аббревиатур и т. д. Контекст помогает определить, что именно обозначает то или иное слово в конкретном вхождении.
• 4. Выявление шаблонов — можно выявить, в каких шаблонах в тексте представлены те или иные смыслы.
• 5. Выявление перекрестных ссылок — обнаружение определений и прочих признаков, которые относятся к одним и тем же объектам.
• 6. Выявление взаимосвязей, фактов и событий — поиск связей между разными смыслами, заключенными в текстовой информации.
• 7. Смысловой анализ — распознавание субъективного (а не фактического) материала и выявление различных форм оценочной информации смыслов, мнений, настроений, эмоций. Технологии анализа позволяют изучать смыслы на уровне тем, концептов, а также выделять законодателей мнений и объекты мнений.
• 8. Количественный анализ текста — использование набора техник, заимствованных из социальных наук, которые заключаются в том, что человек (компьютер) извлекает семантические либо грамматические связи между отдельными словами, чтобы понять смысл стилистических шаблонов, провести психологическое профилирование и т. д.

Системы извлечения мнений широко используются для автоматической оценки (позитивной, негативной, нейтральной) новостных событий, продуктов, персоналий, организаций, стран мира и т. д., поступающих в режиме реального времени из сообщений электронных средств массовой информации, сообщений блоггеров, дискуссионных форумов в Интернете, т. е. всего того, что обозначается общим термином «социальные медиаресурсы» (social media). Социальные медиа-ресурсы имеют ряд существенных отличий от традиционных средств массовой коммуникации. Социальные формы коммуникации посредством Интернета представляют собой исторически новый вид коммуникации производителей содержания сообщений (контента) с потребителями, которые при этом сами вовлекаются в его производство, когда каждый читатель (подписчик) блога может выполнять функции автора, в том числе действуя в качестве комментатора, репортера, фотокорреспондента и (или) редактора данного сервиса.

Системы извлечения мнений давно широко и успешно используются в системной социологии, поскольку оценки, субъективные мнения и т. п. относятся к социально-психологическим системам. В частности, разработана новая алгебра оценочных суждений, которая включает амбивалентные^[5] оценки.

На данный момент не существует полнофункциональных автоматических систем мониторинга на русском языке. По отзывам нескольких коммерческих фирм, наилучшие результаты на русском языке дает программа Visible Intelligence, которая позволяет работать в полуавтоматическом режиме. При помощи этой системы можно изучать блоги, форумы, социальные сети, новостные ленты, проводя мониторинг источников, определение тональности, эмоциональной оценки (по ключевым словам — нейтральным, положительным, отрицательным).

Система маркетинговых исследований. В некоторых случаях собранной в системе СУХИ информации недостаточно для принятия обдуманного решения. Например, при наличии неблагоприятных симптомов, оказывающихся следствием неизвестной проблемы, или же когда проблема уже известна, но не определен способ се решения.

Предположим, компания столкнулась с нетипичным проявлением сезонности спроса: обычно в рассматриваемый период времени должен быть «высокий» сезон и поэтому ожидался прирост объема продаж, но вместо этого наблюдается стагнация. С чем это связано? С началом некой отрицательной тенденции, которую компания должна оценить, как угрозу и, соответственно, найти от нее меры защиты, или это просто конъюнктура колебаний рынка?

Могут быть и более приятные причины в необходимости проведения маркетинговых исследований, например, при бурном росте компании и возможности проведения стратегий корпоративного роста. Во всех этих случаях лицо, принимающие решение (ЛПР), нуждается в более подробном изучении ситуации. Задача системы маркетинговых исследований заключается в том, чтобы оценить информационные потребности и обеспечить ЛПР в компании точной, надежной, обоснованной, своевременной и относящейся к делу информацией. Система маркетинговых исследований совокупность постоянно функционирующих приемов и ресурсов, предоставляющих эксклюзивную информацию для решения нестандартных проблем организации.

Маркетинговые исследования могут проводиться как собственными силами компании, так и внешними организациями аутсорсинговыми исследовательскими или консалтинговыми компаниями. Последние, в свою очередь, могут быть крупными, всемирно известными организациями с большим опытом или, наоборот, небольшим компаниям, специализирующимися в какой-то одной проблеме или на одном рынке.

Большинство крупных компаний имеет собственные отделы маркетинговых исследований, в которых численность персонала может быть от одного аналитика до нескольких десятков. Среди сотрудников отдела могут встречаться разработчики планов исследований, статистики, социологи, психологи, специалисты по моделированию. Но даже в случае наличия профессионального отдела аналитики компании стоит сотрудничать с аналитическими агентствами или компаниями, хотя бы для получения расширенной информации о конкурентах и о развитии рынка, на котором работает та компания.

Анализатору или система анализа маркетинговой информации и прогнозирования. Система анализа маркетинговой информации и прогнозирования (анализатор) — совокупность приемов, методов и ресурсов, предоставляющих возможность обработки и анализа информации для поддержки принятия решений. Основа системы анализа маркетинговой информации и прогнозирования составляет комплекс мероприятий (рис. 13.7):

• 1) обработка данных и информации, поступающей в систему: первым делом, данные проверяются на достоверность, надежность и применимость, в дальнейшем идет очищение данных и статистическая корректировка;
• 2) низкоуровневый анализ: расчет стандартных показателей для компании;
• 3) высокоуровневый анализ: статистический анализ и анализ по известным или принятым в компании моделям (за последние несколько десятилетий теоретики, консультанты или просто маркетологи-практики из различных компаний создали огромное количество моделей, призванных помогать менеджерам среднего и высшего уровня управления оперативно принимать решения в области маркетинга и в итоге лучше справляться с профессиональной деятельностью, однако, несмотря на это, во многих компаниях подобный анализ отсутствует до сих пор);
• 4) составление оценок и выявление тенденций на основе информации полученной из системы анализа маркетинговых данных (пункты 2 и 3), разработка рекомендаций для дальнейшей стратегии развития компании;
• 5) прогнозирование, которое учитывается в рекомендациях.

Рис. 13.7. Система анализа маркетинговых данных.

^[6]

Для расчетов стандартных показателей обычно используются системы обработки больших данных.

Введение

термина «большие данные» (big data) приписывают Клиффорду Линчу, редактору журнала Nature, подготовившему к 3 сентября 2008 г. специальный номер журнала с темой «Как могут повлиять на будущее науки технологии, открывающие возможности работы с большими объемами данных?». В этом номере были собраны материалы о феномене взрывного роста объемов и многообразия обрабатываемых данных и технологических перспективах в парадигме вероятного скачка «от количества к качеству»; термин был предложен по аналогии с расхожими в деловой англоязычной среде метафорами «большая нефть», «большая руда» .

Несмотря на то что термин вводился в академической среде и, прежде всего, разбиралась проблема роста и многообразия научных данных, начиная с 2009 г. термин широко распространился в деловой прессе, а в 2010 г. появились первые продукты и решения, относящиеся исключительно и непосредственно к проблеме обработки больших данных. К 2011 г. большинство крупнейших поставщиков информационных технологий для организаций в своих деловых стратегиях используют понятие «большие данные», в том числе IBM, Oracle, Microsoft, Hewlett-Packard, EMC, а основные аналитики рынка информационных технологий посвящают концепции отдельные исследования.

Для «больших данных» нет четкого определения. По названию можно понять, что речь идет о больших объемах данных, а именно об управлении и анализе таких данных. Согласно докладу института Маккинзи «Большие данные: следующий рубеж для инноваций, конкуренции и производительности», термин «большие данные» относится к наборам данных, размер которых превосходит возможности типичных программных средств баз данных по их сбору, хранению, управлению и анализу^[7].

Отметим, что исследователями пока не установлен конкретный объем информации (например, 1000 гигабайт), при превышении которого массивы данных следует считать «большими». Однако подразумевается, что с постепенным совершенствованием технологий размер наборов данных, подходящих под определение «больших данных», также будет увеличиваться. Кроме того, этот размер может отличаться для различных отраслей, который зависит от используемых программных средств и размеров наборов данных, типичных для данного сектора экономики. Таким образом, «большие данные» во многих отраслях могут представлять собой набор данных величиной от нескольких десятков до тысяч терабайт.

Тем не менее «большие данные» предполагают нечто большее, чем просто анализ огромных объемов информации. Основная проблема состоит не в том, что организациям приходится работать с большими объемами данных, а в том, что большая их часть представлена в «неструктурированном» формате, плохо соответствующем традиционному формату баз данных. Это могут быть музыка, видео, веб-журналы, текстовые документы, машинный код, геопространственные данные или даже сообщения из «Твиттера». Все эти данные хранятся во множестве разнообразных хранилищ, часто за пределами организации. Таким образом, компании могут иметь доступ к огромному объему данных, но не владеть необходимыми инструментами для установки взаимосвязи между ними. В результате представляется практически невозможным сделать на основе анализа имеющихся данных значимых выводов. Принимая во внимание тот факт, что объем данных постоянно растет и они постоянно обновляются, традиционные методы анализа информации не дают должных результатов для компании, и это открывает дорогу использованию технологий big data.

Подобно тому как для описания маркетинговых активностей используются «4Р», в качестве характеристики различных аспектов «больших данных» используются «3V»: volume (объем как величина физического объема данных), velocity (скорость как измеритель прироста объема и обработки данных в единицу времени) и variety (разнообразие как возможность одновременной обработки различных форматов данных)^[8]:

• • Если говорить о первой «V» (volume), то размер доступных нам данных в последнее время растет ускоренными темпами. Это относится как к компаниям, гак и к отдельным людям. Текстовый файл обычно размером в несколько килобайт, аудиозапись — несколько мегабайт, а полнометражный фильм — несколько гигабайт. Постоянно появляются и новые источники данных. Ранее компании получали данные силами своих сотрудников. Сейчас данные получают от сотрудников, партнеров и покупателей, большая часть из которых автоматически сгенерирована. Например, сотни миллионов смартфонов отправляют различные данные в сетевую инфраструктуру, что было невозможным всего лишь 10 лет назад. Больше источников данных и возрастающий размер файлов приводят к тому, что генерируется огромный объем данных для анализа. И это главная и одновременно довольно сложная задача для тех, кто хочет извлечь выгоду из этих данных вместо того, чтобы дать им пропасть напрасно.
• • Вторая «V» (velocity) касается скорости обработки данных. Изначально компании анализировали данные с помощью процесса пакетной обработки. Порция данных отправлялась на сервер, а затем ждали результата обработки. Это работает только в том случае, если скорость получения новых данных меньше, чем скорость их обработки, а также при условии, что полученная информация будет нам полезна для дальнейшего использования даже несмотря на задержку. Так как в современном мире существуют новые источники данных, такие как социальные сети и мобильные приложения, процесс пакетной обработки данных уже не дает преимуществ. Данные теперь поступают на сервер в режиме реального времени, а результат их обработки приносит пользу, только если есть несущественная задержка по времени.
• • Третья «V» (variety) относится к различным типам и форматам получаемых и собираемых данных. Существует множество форматов данных — обычный текст, аудио, видео, веб, GPS, данные сенсорных датчиков, реляционные базы данных, смс, pdf-файлы и т. д. По мере появления новых приложений возникают и новые форматы данных. Мы не всегда можем контролировать формат поступающих данных, а структурировать их по определенному правилу — еще более сложная задача.

Кроме того, иногда при определении того, что такое «большие данные», употребляют и другие «V»: veracity (достоверность, точность), validity (правильность, надежность) и volatility (изменчивость, нестабильность). Точность и достоверность данных относится к ошибкам, неправильности и искажениям данных, которых следует избегать при сборе и дальнейшем хранении данных. Правильность и надежность означает, что данные должны быть точными и подходящими для их предполагаемого использования. Изменчивость и нестабильность говорит о том, что компании должны понимать, насколько их данные актуальны и достоверны. Во времена, когда данные поступают в режиме реального времени, следует определять, в какой момент данные теряют релевантность для текущего анализа и бизнеса^[9].

Исходя из того, что сейчас подразумевают под «большими данными» в науке и бизнесе, получаем, что big data — это работа с постоянно обновляемыми данными огромного объема и разнообразного формата, находящимися в разных источниках, с помощью различных подходов, методов и инструментов в целях увеличения эффективности работы, создания новых продуктов и повышения конкурентоспособности компании на рынке.

Система поддержки маркетинговых решений. Система поддержки маркетинговых решений {marketing decisions support software — MDSS) — это поддерживаемый соответствующим программным обеспечением взаимосвязанный набор данных, инструментов и методик, с помощью которого организация собирает и интерпретирует выступающую основанием маркетинговых действий внутреннюю и внешнюю деловую информацию. Систему поддержки принятия решения (СПОР) многие теоретики ставят отдельно от ИСМ, или даже противопоставляют ей, но для стратегических решений, требующих немедленных ответов, данная система незаменима.

Система идентификации и управления доступом. Ввиду постоянного увеличения числа пользователей, которым нужен доступ к той или иной информации, компаниям необходим такой компонент, как система идентификации и управления доступом, которая предназначена для защиты собранной информации и ограничения доступа к конфиденциальной или составляющей коммерческую тайну информации.

Система позволяет организовать пропуск сотрудников к ИСМ по принципу «свой — чужой» и регистрирует время прохода. Сотрудникам могут задаваться индивидуальные права доступа. Доступ может разграничиваться по времени, по сетевому подсоединению и по статусу.

Программно-аппаратный комплекс осуществляет защиту информации по следующим направлениям.

• 1. Конфиденциальность. Обычно в этом случае используются системы контроля и управления доступом, которые разграничивают доступ лицам определенных иерархических, структурных и функциональных категорий к определенным данным и знаниям организации. Под нравами доступа понимаются: право на чтение, изменение, копирование, уничтожение информации, а также права на изменение, использование, уничтожение ресурсов. Система контроля доступа помогает не только ограничить доступ к информации лицам, не нуждающимся в ней, но и организовать учет рабочего времени сотрудника, и анализировать востребованность и использование информации и данных в компании.
• 2. Целостность. Системы, которые следят за тем, чтобы данные не были изменены при выполнении любой операции над ними, будь то передача, хранение или представление.
• 3. Доступность. Системы, которые позволяют субъектам, имеющим соответствующие права доступа, беспрепятственно обращаться к ресурсам, где ресурсами служат соответствующие данные и информация автоматизированной информационной системы. Задача таких систем — обеспечить доступность в любых условиях, в том числе и при отказах и сбоях отдельных узлов системы.

Под защитой от человеческого фактора понимается защита информации от случайной или злонамеренной утечки от лица, имеющего право на использование данной информации. Осуществляется такая защита как с помощью соответствующих технологий (tights management system — система управления правами) и методик (блокирование возможности передачи информации вовне, например, через отключение портов ввода-вывода на ПК и доступа в открытую сеть), так и законодательной, через соответствующие нормативы и акты, которые препятствуют злонамеренной (или случайной) передаче информации или доступу к информационным системам управления лиц, не имеющих на это права.

Системы идентификации и управления доступом обеспечивают ИСМ повышенными мерами безопасности и создают автоматизированный комплекс ограничений допуска персонала. Все действия сотрудников в любой организации будут незамедлительно фиксироваться и заноситься в базу данных, поэтому данная система — одна из важнейших составляющих, формирующих уровень безопасности компании.

• [1] Cm.: Ross R. G. The Business Rule Book: Classifying, Defining and Modeling Rules. 2^nd ed. Boston: Datcbase Research Group. 1997.
• [2] Cm.: Scott G. M. Principles of Management Information System. London: McGraw-Hill, 1986.
• [3] Маркетинг / Г. Л. Багиев, В. М. Тарасевич, X. Анн. 2-е изд., перераб. и доп. М.: Экономика. 2001. С. 82.
• [4] Котлер Ф., Келлер К. Л. Маркетинг менеджмент. СПб.: Питер, 2007. Мониторинг СМИ (media monitoring service) — отслеживание сообщений СМИ, соответствующих заданной тематике.
• [5] Амбивалентность — двойственность отношения к чему-либо, в особенности — двойственность переживания, выражающаяся в том, что один объект вызывает у человека одновременно два противоположных чувства.
• [6] Рыжикова Т. Н. Аналитический маркетинг: что должен знать маркетинговый аналитик: учеб, пособие. М.: ИНФРА-М, 2013.
• [7] Big data: The Next Frontier For Innovation. Competition And Productivity // McKinsey Global Institute. 2011. May. URL: mckinsey.com/insights/business_technology/ big_data_the_next_frontier_for_innovation.
• [8] The 3Vs that Define Big Data // Data Science Central. 2012. July 5. URL: vww. datasciencecentral.com/forum/topics/the-3vs-that-define-big-data.
• [9] Nonnandeau K. Beyond Volume, Variety and Velocity is the Issue of Big Data Veracity // Inside BIGDATA. 2013. September 12. URL: inside-bigdata.com/2013/09/12/beyondvolume-variety-velocitv-issue-big-data-veracity.