Analýza dat za 1 s. Analýza a prognóza dat. Zahájení a ukončení obchodních procesů
Zahájení a ukončení obchodních procesů
Životní cyklus obchodního procesu začíná od jeho začátku. Pro tento bod trasy můžete definovat obslužnou rutinu pro událost Before Start. Tento postup má dva parametry. První parametr je bod trasy, ze kterého byla obslužná rutina volána (obchodní proces může mít několik výchozích bodů), druhým parametrem je Selhání. Když je hodnota True zapsána do proměnné Selhání, obchodní proces se nespustí. V obslužné rutině události Před spuštěním můžete zkontrolovat podmínky nezbytné pro spuštění obchodního procesu, vytvořit „doprovodné“ objekty, na které je nutné uložit odkazy v samotném obchodním procesu. Při definování obslužné rutiny pro tuto událost se nedoporučuje implementovat mechanismy, které organizují dialog s uživatelem (otevírání různých formulářů dialogu).
Samotný začátek obchodního procesu lze provést různými způsoby:
softwarové zahájení obchodního procesu (z kódu vloženého jazyka);
interaktivní spuštění (kliknutí na tlačítko OK ve formuláři obchodního procesu);
zahájení obchodního procesu jako vloženého.
Využití mechanismu analýzy a předpovědi dat v 1C
Mechanismus analýzy a předpovídání dat umožňuje implementovat do aplikovaných řešení různé prostředky k identifikaci vzorců, které se obvykle skrývají za velkým množstvím informací.
Mechanismus umožňuje pracovat jak s daty získanými z infobase, tak s daty získanými z jiného zdroje, předem načtenými do tabulky hodnot nebo tabulkového dokumentu. Použitím jednoho z typů analýzy na původní data můžete získat výsledek analýzy. Výsledkem analýzy je druh modelu chování dat. Výsledek analýzy lze zobrazit v konečném dokumentu nebo uložit pro další použití.
Další využití výsledku analýzy spočívá ve skutečnosti, že na jejím základě lze vytvořit model prognózy, který umožňuje předvídat chování nových dat v souladu s existujícím modelem. Můžete například analyzovat, které položky se nakupují společně (na jedné faktuře) a uložit prognózový model vygenerovaný z této analýzy do databáze.
Použití rozvržení textových dokumentů
Textový dokument 1C: Enterprise umožňuje prezentovat různé informace ve formě textů. Textový dokument lze číst z textového souboru a uložit do textového souboru. Může být umístěn ve formě nebo v rozvržení a lze s ním pracovat pomocí vestavěného jazyka. Obecně lze říci, že textový dokument umožňuje provádět tři logické skupiny akcí: - čtení a zápis textových souborů na disk; - práce s jednotlivými řádky textového dokumentu: získávání, přidávání, mazání, nahrazování; - vytvoření textového rozvržení a jeho použití k vytvoření výsledného textového dokumentu.
Kromě přímého vytváření obsahu textového dokumentu je možné textové dokumenty vyplňovat na základě rozvržení. Rozložení textového dokumentu popisuje neměnné části textového dokumentu, které obsahují rozložení, a pole, do kterých lze přidat data. Proces vyplňování textového dokumentu na základě rozvržení spočívá v načtení určitých oblastí rozvržení, jejich cyklickém plnění daty a postupném výstupu přijatých částí dokumentu do výsledného textového dokumentu.
Formát rozvržení textového dokumentu. Rozložení textového dokumentu je textový dokument, ve kterém jsou použity servisní řádky začínající znakem „#“. Za ovládacím znakem následují klíčová slova, která popisují určité prvky rozložení.
Také v rozvržení textového dokumentu se používají servisní symboly „[“ a „]“, které určují umístění proměnných polí rozvržení.
Celé rozložení textového dokumentu se skládá z oblastí. Jedna oblast kombinuje několik po sobě jdoucích řádků. Oblasti musí na sebe navazovat a nesmí se překrývat ani do sebe navzájem zasahovat. Klíčová slova Region a End Region se používají k popisu regionu. Za názvem oblasti následuje název oblasti.
Nástroj pro analýzu a předpovídání dat poskytuje uživatelům (ekonomům, analytikům atd.) Možnost vyhledávat nejasné vzorce v datech shromážděných v informační základně. Tento mechanismus umožňuje:
- hledání vzorů v počátečních datech informační základny;
- spravovat parametry analýzy prováděné programově i interaktivně;
- poskytnout programový přístup k výsledku analýzy;
- automaticky odešle výsledek analýzy do tabulkového dokumentu;
- vytvářet předpovědní modely, které automaticky předpovídají následné události nebo hodnoty určitých charakteristik nových objektů.
Modul pro analýzu dat je sada vložených jazykových objektů, které vzájemně interagují, což vývojáři umožňuje používat jeho součásti v libovolné kombinaci v libovolném aplikačním řešení. Integrované objekty vám umožní snadno uspořádat interaktivní nastavení parametrů analýzy uživatelem a také vám umožní zobrazit výsledek analýzy ve formě, která je vhodná pro zobrazení v tabulkovém dokumentu.
Mechanismus umožňuje pracovat jak s daty získanými z infobase, tak s daty přijatými z externího zdroje, předem načtenými do tabulky hodnot nebo tabulkového dokumentu:
Použitím jednoho z typů analýzy na původní data můžete získat výsledek analýzy. Výsledkem analýzy je druh modelu chování dat. Výsledek analýzy lze zobrazit v konečném dokumentu nebo uložit pro pozdější použití.
Další využití výsledku analýzy spočívá ve skutečnosti, že na jejím základě lze vytvořit model prognózy, který umožňuje předvídat chování nových dat v souladu s existujícím modelem.
Můžete například analyzovat, které položky se nakupují společně (v jedné faktuře) a uložit tento výsledek analýzy do databáze. V budoucnu při vytváření další faktury:
na základě uloženého výsledku analýzy je možné sestavit model prognózy, zadat nová data obsažená v této faktuře „jako vstup“ a „na výstupu“ obdržet prognózu - seznam zboží, které protistrana B. Petrov. také s největší pravděpodobností získá, pokud mu budou nabídnuty:
V modulu pro analýzu a předpovídání dat je implementováno několik typů analýzy dat:
Implementované typy analýz
celkové statistiky
Jedná se o mechanismus pro sběr informací o datech ve studovaném vzorku. Tento typ analýzy je určen k předběžnému prozkoumání zdroje analyzovaných dat.
Analýza odhalila řadu charakteristik pro numerická a spojitá pole. Když je sestava vydávána do tabulkového dokumentu, jsou vyplněny výsečové grafy, které zobrazují složení polí.
Vyhledejte asociace
Tento typ analýzy hledá skupiny objektů nebo charakteristické hodnoty, které se často nacházejí společně, a také hledá pravidla přidružení. Vyhledávací sdružení lze použít například k společné identifikaci často nakupovaného zboží nebo služeb:
Tento typ analýzy může pracovat s hierarchickými daty, což umožňuje například vyhledání pravidel nejen pro konkrétní produkty, ale také pro jejich skupiny. Důležitým rysem tohoto typu analýzy je schopnost pracovat jak se zdrojem dat objektu, ve kterém každý sloupec obsahuje nějakou charakteristiku objektu, tak se zdrojem události, kde jsou charakteristiky objektu umístěny v jednom sloupci.
Pro usnadnění vnímání výsledku je poskytnut mechanismus pro omezení nadbytečných pravidel.
Sekvenční vyhledávání
Typ analýzy sekvenčního vyhledávání umožňuje identifikovat sekvenční řetězce událostí ve zdroji dat. Může to být například řetězec zboží nebo služeb, které zákazníci často nakupují postupně:
Tento typ analýzy umožňuje prohledávat hierarchii, která umožňuje sledovat nejen sekvence konkrétních událostí, ale také sekvence nadřazených skupin.
Sada parametrů analýzy umožňuje specialistovi omezit časové vzdálenosti mezi prvky požadovaných sekvencí a také upravit přesnost výsledků.
Shluková analýza
Clusterová analýza umožňuje rozdělit počáteční sadu studovaných objektů do skupin objektů, takže každý objekt je více podobný objektům ze své vlastní skupiny než objektům jiných skupin. Další analýzou získaných skupin zvaných klastry je možné určit, co tuto skupinu charakterizuje, rozhodnout o metodách práce s objekty různých skupin. Například pomocí klastrové analýzy můžete rozdělit zákazníky, se kterými společnost pracuje, do skupin, abyste při práci s nimi mohli použít různé strategie:
Pomocí parametrů klastrové analýzy může analytik přizpůsobit algoritmus, podle kterého bude rozdělení provedeno, a může také dynamicky měnit složení charakteristik zohledněných při analýze a upravit pro ně váhové faktory.
Výsledek shlukování lze odeslat do dendrogramu - speciálního objektu určeného k zobrazení sekvenčních spojení mezi objekty.
Rozhodovací strom
Typ analýzy rozhodovacího stromu vám umožňuje vytvořit hierarchickou strukturu klasifikačních pravidel, která je reprezentována ve formě stromu.
Chcete-li vytvořit rozhodovací strom, musíte vybrat cílový atribut, pomocí kterého bude sestavovač klasifikován, a počet vstupních atributů, které budou použity k vytvoření pravidel. Atribut target může obsahovat například informace o tom, zda zákazník přešel k jinému poskytovateli služeb, zda byla dohoda úspěšná, zda byla práce provedena dobře atd. Atributy vstupu mohou být například věk zaměstnance, délka služby, finanční stav klienta, počet zaměstnanců ve společnosti atd.
Výsledek analýzy je prezentován ve formě stromu, jehož každý uzel obsahuje nějakou podmínku. Chcete-li se rozhodnout, které třídě má být přiřazen nový objekt, je nutné při zodpovězení otázek v uzlech projít řetězcem od kořene k listu stromu, přejít k podřízeným uzlům v případě kladné odpovědi a do sousedního uzlu v případě záporné.
Sada parametrů analýzy umožňuje upravit přesnost výsledného stromu:
Předpovědní modely
Předpovědní modely vytvořené modulem jsou speciální objekty, které jsou vytvořeny z výsledku analýzy dat a umožňují vám v budoucnu automaticky provádět prognózu pro nová data.
Například prediktivní model hledání asociací, vytvořený v analýze nákupů zákazníků, lze použít při práci se zákazníkem, který provádí nákup, aby mu spolu s vybraným zbožím nabídl zboží, které zakoupí s určitou mírou pravděpodobnosti.
Využití enginu pro analýzu dat v aplikovaných řešeních
Aby se vývojáři aplikovaných řešení seznámili s mechanismem analýzy dat, je na disk ITS umístěna ukázková informační základna. Zahrnuje univerzální zpracování „Data Analysis Console“, které vám umožní provádět analýzu dat v jakémkoli aplikovaném řešení bez úpravy konfigurace.
Mechanismus je představován sadou objektů vloženého jazyka 1C: Enterprise. Schéma interakce hlavních objektů mechanismu je znázorněno na obrázku. Konfigurace sloupců analýzy dat - sada nastavení pro sloupce analýzy vstupních dat. U každého sloupce je uveden typ dat v něm obsažených, role, kterou sloupec hraje, další nastavení v závislosti na typu provedené analýzy. Parametry analýzy dat - sada parametrů pro provedenou analýzu dat. Seznam parametrů závisí na typu analýzy. Například pro shlukovou analýzu je uveden počet shluků, na které musí být původní objekty rozděleny, typ měření vzdálenosti mezi objekty atd. Surová data jsou zdrojem dat pro analýzu. Zdrojem dat může být výsledek dotazu, oblast buněk tabulkového dokumentu, tabulka hodnot. Analyzer - objekt, který přímo provádí analýzu dat. Zdroj dat je nastaven na objekt, jsou nastaveny parametry. Výsledek operace tohoto objektu je výsledkem analýzy dat, jejíž typ závisí na typu analýzy. Výsledkem analýzy dat je speciální objekt obsahující informace o výsledku analýzy. Každý typ analýzy má svůj vlastní výsledek. Například výsledek analýzy dat - rozhodovací strom bude objektem typu DataAnalysisResultDecisionTree. Výsledek lze v budoucnu zobrazit v tabulkovém dokumentu pomocí nástroje pro tvorbu sestav analýzy dat, lze jej zobrazit prostřednictvím programového přístupu k jeho obsahu a lze jej použít k vytvoření modelu prognózy. Jakýkoli výsledek analýzy dat lze uložit pro pozdější použití. Model předpovědi je speciální objekt, který umožňuje vytvářet předpovědi na základě vstupních dat. Typ modelu závisí na typu analýzy dat. Například model vytvořený pro analýzu dat - hledání asociací bude typuPredictModelSearchAssociation. Zdroj dat pro předpověď je předán na vstup modelu prognózy. Výsledkem je tabulka hodnot obsahující předpokládané hodnoty. Výběr pro prognózu je tabulka hodnot, výsledek dotazu nebo oblast tabulkového dokumentu obsahující informace, na kterých je nutné sestavit prognózu. Například pro model předpovědi - hledání asociací může výběr obsahovat seznam produktů prodejního dokladu. Výsledek práce modelu může doporučit, jaké produkty mohou být kupujícímu stále nabízeny. Nastavení sloupců výběru - sada speciálních objektů, které zobrazují korespondenci mezi sloupci modelu předpovědi a sloupci výběru předpovědi. Konfigurace sloupců výsledků - umožňuje určit, které sloupce budou umístěny do výsledné tabulky modelu prognózy. Výsledkem modelu je tabulka hodnot, skládající se ze sloupců, jak je uvedeno v nastavení výsledných sloupců, a obsahující předpokládaná data. Konkrétní obsah je určen typem analýzy. Tvůrce sestav analýzy dat - objekt, který umožňuje zobrazit zprávu o výsledku analýzy dat. Tvůrce sestav navíc poskytuje speciální objekt pro propojení s daty, aby uživateli umožnil interaktivně řídit parametry analýzy, přizpůsobit sloupce zdroje dat, nastavení sloupců předpovědi modelu atd. Typy analýz Engine umožňuje provádět následující typy analýz:- celkové statistiky
- Vyhledejte asociace
- Sekvenční vyhledávání
- Rozhodovací strom
- Shluková analýza
- Analýza dat - objekt, který provádí analýzu dat. K tomu musíte určit zdroj dat a nezbytné parametry pro analýzu.
- Výsledek analýzy dat - objekt, který je výsledkem práce s analýzou dat.
- Forecast model - je vytvořen na základě výsledku analýzy dat. Objekt je konečným odkazem v analytickém stroji 1C a generuje tabulku hodnot, která obsahuje předpokládané hodnoty.
- Obecné statistiky - Tento typ analýzy je jednoduchý statistický vzorek ze zdroje dat. Příkladem aplikace je analýza tržeb podle položek za období. Výsledkem analýzy budou informace o tom, kolik konkrétního produktu bylo prodáno. Systém také vypočítá konkrétní pole - maximum, minimum, medián, průměr, rozsah, standardní odchylka, počet hodnot, počet jedinečných hodnot, režim.
- Hledat asociace - typ analýzy je navržen k hledání často se vyskytujících kombinací. Velmi dobré pro společné vyhledání často zakoupených položek. Výsledkem analýzy bude, že systém vygeneruje následující informace: informace o zpracovávaných datech, asociativní skupiny, asociační pravidla, podle kterých se skupiny shodují.
- Hledání sekvencí je analýza, která vám umožní identifikovat vzory v analyzovaných datech a nabídnout další předpověď. Na základě analýzy systém zobrazí informace o možnosti výskytu určitých událostí v procentech.
Moderní informační technologie / 3. Software
Ph.D. Zhunusov K.M.
Kostanay State University pojmenovaná po A. Baitursynovovi
Tvorba mechanismů analýzy a předpovědi dat
na platformě 1C: Enterprise
Proces predikce je založen na vývoji ekonomické prognózy. Jedná se o vědecky podložený úsudek o možných stavech objektu v budoucnosti nebo o alternativních způsobech a načasování dosažení těchto stavů. Jinými slovy, jedná se o pokus nahlédnout do budoucnosti, předvídat ji, předvídat stav zkoumaného objektu po určité době.
Prognózování úzce souvisí s plánováním. Ve vědeckých kruzích je aforismus velmi rozšířený: „Předpověď bez plánu je literární podnik, plán bez prognózy je správní akce.“
Obecné metody pro předpovídání a plánování jsou výpočetní a analytické, ekonomické a statistické metody a ekonomické a matematické modelování.
Mechanismy analýzy a předpovědi dat jako součást 1C Enterprise poskytují uživatelům (ekonomům, analytikům atd.) Možnost vyhledávat nejasné vzorce v datech nahromaděných v informační databázi a umožňují provádět následující operace:
Hledání vzorů ve zdrojových datech informační základny;
Správa parametrů analýzy prováděné programově i interaktivně;
Programový přístup k výsledku analýzy;
Automatický výstup výsledku analýzy do tabulkového dokumentu;
Vytváření předpovědních modelů, které automaticky předpovídají následné události nebo hodnoty určitých charakteristik nových objektů.
Mechanismy analýzy a předpovědi dat jsou sada vložených jazykových objektů, které vzájemně interagují, což vývojáři umožňuje používat jeho součásti v libovolné kombinaci v jakémkoli aplikačním řešení. Integrované objekty vám umožňují snadno uspořádat interaktivní konfiguraci parametrů analýzy uživatelem a zobrazit výsledek analýzy ve formě vhodné pro zobrazení v tabulkovém dokumentu v souladu s obrázkem 1. Je také důležité, aby mechanismus mohl pracovat s daty získanými jak z infobáze 1C, tak z a z externích zdrojů (v druhém případě předem načteno do tabulky hodnot nebo tabulkového dokumentu).
Obrázek 1. Obecné schéma fungování mechanismu analýzy a předpovědi dolování dat
Použitím jednoho z typů analýzy na původní data můžete získat výsledek, který je jakýmsi modelem chování dat. Výsledek analýzy lze zobrazit v konečném dokumentu nebo uložit pro další použití (na základě toho lze vytvořit model prognózy, který umožňuje předvídat chování nových dat).
Jedním z hlavních trendů na trhu účetních a řídicích systémů je neustálý nárůst poptávky po použití analytických nástrojů pro zpracování dat, které zajišťují informovaná rozhodnutí vedení. Zákazníci však dnes již nejsou spokojeni s tradičními nástroji, které jim umožňují vytvářet různé sestavy, kontingenční tabulky a grafy na základě předdefinovaných metrik a ručně analyzovaných vztahů. Podniky stále častěji potřebují kvalitativně odlišné nástroje, které jim umožňují automaticky vyhledávat nenápadná pravidla a identifikovat neznámé vzorce, což umožňuje získatnové znalosti založené na informacích nashromážděných společností a někdy zcela netriviální rozhodnutí ke zlepšení efektivity podnikání na základě metod dolování dat.
Literatura:
1 Prognózy Glushchenko V.V. - M.: University book, 2005.
2 Dubrova T.A. Metodické otázky prognózování výroby nejdůležitějších typů průmyslových výrobků // Statistické otázky. -2004. -Ne 1.-C. 52-57.
3 Radchenko M.G., Khrustaleva E.Yu. Nástroje pro vytváření replikovaných aplikací „1C: Enterprise 8.2“. - M.: Vydavatelství „1C-Publishing“, 2011.
Jedním z hlavních trendů na trhu účetních a řídicích systémů je neustálý nárůst poptávky po použití nástrojů pro analytické zpracování dat, které zajišťují informované rozhodování. Proto je jedním ze strategických směrů ve vývoji softwarového systému 1C: Enterprise neustálé rozšiřování možností ekonomického a analytického výkaznictví. Dnes však zákazníci již nestačí tradičním nástrojům, které vám umožňují generovat různé sestavy, kontingenční tabulky a grafy, které jsou vytvářeny na základě předdefinovaných metrik a vztahů a které je třeba analyzovat ručně. Podniky stále častěji hledají kvalitativně odlišné nástroje, které by jim umožňovaly automaticky vyhledávat nenápadná pravidla a identifikovat neznámé vzorce (obr. 1). Takto můžete generovat kvalitativně nové znalosti založené na informacích nashromážděných společností a provádět někdy zcela netriviální rozhodnutí ke zlepšení efektivity podnikání pomocí metod dolování dat (IAD).
Postava: 1. Logika vývoje „inteligence“ řešených analytických úkolů. Vydání nové verze technologické platformy 1C: Enterprise 8.0 v létě 2003 umožnilo významně rozšířit možnosti business intelligence v systému (viz postranní panel). Zde je však třeba učinit jeden důležitý bod. Software platformy 1C se vyvíjí nejen v „krocích“, od verze k verzi, ale neustále se zdokonaluje a rozšiřuje v rámci jedné verze a ve dvou směrech - technologickém a aplikovaném. Takže po prvním ohlášení G8 již bylo vydáno více než tucet vydání platforem, nejnovější verze (k lednu 2006) má číslo 8.0.13 a je velmi odlišné od toho, co bylo před dvěma a půl lety! Jedním ze směrů vývoje „1C: Enterprise 8.0“ jsou pouze mechanismy business intelligence; zejména se v něm nástroje IAD objevily až v roce 2005. Je důležité si uvědomit, že většina analytických funkcí je implementována na úrovni technologické platformy a uživatelům je k dispozici až po zahrnutí do nových verzí aplikovaných řešení. Mezi vznikem nových funkcí a jejich poskytováním uživatelům tedy existuje mezera (někdy i několik měsíců). S ohledem na tento problém uvedla společnost 1C Company v září 2005 v září 2005 speciální aplikační řešení „Data Analysis Subsystem“ (DAD), které lze zabudovat do jakékoli konfigurace platformy „1C: Enterprise 8.0“. Kromě široké škály základních funkcí zahrnuje rozsah dodávky více než 30 předkonfigurovaných modelů pro typickou konfiguraci Trade Management. PAD zahrnuje ty kvalitativně nové prostředky IAD, které dříve chyběly v programech „1C“. Pro přímou analýzu a předpovídání dat nejsou vyžadovány specifické dovednosti a znalosti. Předpokládá se dobrá znalost analyzované oblasti předmětu a porozumění hlavním vztahům příčin a následků v ní. Příprava zdrojů dat a prediktivních modelů vyžaduje schopnost používat nástroj pro vytváření dotazů a znalost zásad umisťování informací do objektů metadat konfigurace. Algoritmy IAD obsažené v nové konfiguraci (verze 1.0.5) tvoří analytické modely (šablony), které popisují vzory v počátečních datech. Tyto modely mají nezávislou hodnotu (lze je znovu použít) a používají se také pro automatizované generování prognóz, včetně scénářů, s dříve neznámými indikátory (obr. 2). Mechanismus IAD je sada vložených jazykových objektů, které vzájemně interagují, díky čemuž může vývojář používat jeho součásti v libovolné kombinaci v jakémkoli aplikovaném řešení. Integrované objekty vám umožňují snadno uspořádat interaktivní nastavení parametrů analýzy uživatelem a zobrazit výsledek analýzy ve formě, která je vhodná pro zobrazení v tabulkovém dokumentu. Použitím jednoho z typů analýzy na původní data můžete získat výsledek, který bude představovat jakýsi model chování dat. Výsledek analýzy lze zobrazit v konečném dokumentu nebo uložit pro pozdější použití - na základě toho můžete vytvořit model prognózy, který vám umožní předpovědět chování nových dat.
Postava: 2. Obecné schéma mechanismu dolování dat. Současná verze subsystému implementuje metody, které získaly největší komerční distribuci ve světové praxi, a to:
- shlukování - realizuje seskupení objektů, maximalizuje vnitroskupinovou podobnost a meziskupinové rozdíly;
- rozhodovací strom - poskytuje konstrukci kauzální hierarchie podmínek vedoucí k určitým rozhodnutím;
- hledat asociace - hledá stabilní kombinace prvků v událostech nebo objektech.
Shlukování
Účelem shlukování je vybrat řadu relativně homogenních skupin (segmentů nebo shluků) ze sady objektů stejné povahy. Objekty jsou rozděleny do skupin takovým způsobem, že rozdíly uvnitř skupiny jsou minimální a rozdíly mezi skupinami jsou maximální (obr. 3). Metody shlukování vám umožňují přejít od objektu k objektu ke skupinové reprezentaci kolekce libovolných objektů, což značně zjednodušuje jejich provoz. Níže je popsáno několik možných scénářů pro použití klastrování v praxi. Segmentace zákazníků podle určité sady parametrů umožňuje rozlišovat mezi nimi stabilní skupiny s podobnými nákupními preferencemi, úrovněmi prodeje a solventnosti, což výrazně zjednodušuje řízení vztahů se zákazníky. Když klasifikace zboží velmi často se používají spíše konvenční klasifikační principy. Přiřazení segmentů na základě skupiny formálních kritérií umožňuje definovat skutečně homogenní skupiny zboží. V kontextu široké a poměrně heterogenní škály zboží řízení sortimentu na úrovni segmentů ve srovnání s řízením na úrovni nomenklatury významně zvyšuje efektivitu propagace, tvorby cen, merchandisingu a řízení dodavatelského řetězce. Segmentace manažerů umožňuje efektivněji plánovat organizační změny, zlepšovat motivační schémata, upravovat požadavky na najímané zaměstnance, což vám v konečném důsledku umožňuje zvýšit ovladatelnost společnosti a stabilitu podnikání jako celku.Postava: 3. Analýza dat metodou shlukování. Podobnost a rozdíl mezi objekty je určena „vzdáleností“ mezi nimi v prostoru faktorů. Způsob, jakým se měří vzdálenost, závisí na metrice, která označuje princip určování podobnosti / rozdílu mezi objekty ve vzorku. Aktuální implementace podporuje následující metriky:
- „Euklidovská metrika“ je standardní vzdálenost mezi dvěma body v prostoru N-dimenzionálních euklidovských atributů;
- „Euclidean metric squared“ - zvyšuje účinek rozdílu (vzdálenosti) na výsledek shlukování;
- „městská metrika“ - snižuje dopad emisí;
- „metrika dominance“ - definuje rozdíl mezi objekty vzorku jako maximum stávajícího rozdílu mezi hodnotami jejich atributů, proto je užitečné pro zvýšení rozdílů mezi objekty o jeden atribut.
- „úzké spojení“ - objekt se připojí ke skupině, pro kterou je vzdálenost k nejbližšímu objektu minimální;
- „komunikace na velké vzdálenosti“ - objekt se připojí ke skupině, pro kterou je vzdálenost k nejvzdálenějšímu objektu minimální;
- „těžiště“ - objekt se připojí ke skupině, pro kterou je vzdálenost do středu kupy minimální;
- metoda „k-means“ - jsou vybrány libovolné objekty, které jsou považovány za středy shluků, poté jsou všechny analyzované objekty postupně vyjmenovány a spojeny s nejbližším shlukem. Po připojení objektu se vypočítá nový střed klastru, který se vypočítá jako průměrná hodnota atributů všech objektů zahrnutých do klastru. Postup se opakuje, dokud se středy klastrů nezmění.
- centra klastrů, což jsou agregované zprůměrované hodnoty vstupních sloupců v každém klastru;
- tabulka meziklastrových vzdáleností (vzdáleností mezi středy klastrů), které určují stupeň rozdílu mezi nimi;
- hodnoty sloupců prognózy pro každý klastr;
- hodnocení faktorů a stromu podmínek, které určovaly rozložení objektů do shluků.
Vyhledejte asociace
Tato metoda je určena k identifikaci stabilních kombinací prvků v konkrétních událostech nebo objektech. Výsledky analýzy jsou prezentovány jako skupiny asociovaných prvků. Zde je kromě identifikovaných stabilních kombinací prvků uvedena podrobná analýza souvisejících prvků (obr. 4).Postava: 4. Prezentace výsledků analýzy metodou „hledání asociací“ ve formě skupin asociovaných prvků. Metoda byla původně vyvinuta k hledání typických kombinací položek v nákupech, a proto se jí někdy také říká analýza nákupního košíku. V tomto scénáři jsou přidruženými prvky obvykle komoditní skupiny nebo jednotlivé komodity. A seskupovacím objektem, který kombinuje prvky vzorků, může být jakýkoli objekt informačního systému, který identifikuje transakci: například objednávka kupujícího, zákon o poskytování služeb nebo pokladní doklad. Informace o vzorcích v preferencích produktů kupujících zvyšují efektivitu řízení vztahů se zákazníky (z hlediska reklamních kampaní a marketingových kampaní), cen (tvorba komplexních nabídek a systém slev), správy zásob a merchandisingu (distribuce zboží v prodejních oblastech). Dalším příkladem použití této metody je stanovení kombinací reklamních kanálů, kterým zákazníci dávají přednost, aby se vyhnuli duplicitě v cílených reklamních kampaních. To vám umožní výrazně snížit náklady na takové události. Algoritmus pro vyhledávání asociací implementovaný v platformě má docela flexibilní prostředky pro řízení adekvátnosti analytických nebo předpovědních modelů. Parametr „Minimální procento případů“ definuje „práh“ algoritmu pro konkrétní kombinaci prvků v události nebo objektu, což umožňuje nebrat v úvahu špatně rozšířené asociace. Parametr „Minimální důvěra“ určuje požadovanou stabilitu hledaných asociací a parametr „Minimální význam“ umožňuje identifikovat ty nejdůležitější. Parametr „Cut off rules“, který může nabývat hodnot „Cut off redundant“ a „Cut off closed by other rules“, výrazně usnadňuje vnímání výsledků analýzy a prognózy. Pro praktickou interpretaci výsledků získaných pomocí tohoto algoritmu je kriticky důležité rozdělit počáteční sadu asociovaných prvků do skutečně homogenních skupin z hlediska prováděné analýzy.
Rozhodovací strom
V důsledku použití této metody na počáteční data je vytvořena hierarchická (stromová) struktura pravidel ve tvaru „if ... then ...“ a analytický algoritmus zajišťuje izolaci v každé fázi nejvýznamnějších podmínek a přechodů mezi nimi. Tento algoritmus se nejčastěji používá při identifikaci kauzálních vztahů v datech a popisu vzorců chování. Typickou oblastí použití rozhodovacích stromů je hodnocení různých rizik, například uzavření objednávky klientem nebo jeho převod na konkurenci, pozdní dodání zboží dodavatelem nebo zpoždění platby úvěru na zboží (obr.5). Typickými vstupními faktory modelu jsou výše a složení objednávky, aktuální zůstatek vzájemných plateb, úvěrový limit, procento zálohy, dodací podmínky a další parametry, které charakterizují objekt prognózy. Adekvátní posouzení rizik zajišťuje, že jsou učiněna informovaná rozhodnutí k optimalizaci poměru návratnosti a rizika v operacích společnosti, a je také užitečná pro zvýšení realismu různých rozpočtů.Postava: 5. Použití metody „rozhodovacího stromu“ umožňuje na základě vstupních faktorů modelu (a) získat hodnocení rizik přijímání určitých manažerských rozhodnutí (b). Jako příklad, ilustrující schopnost algoritmu identifikovat vztahy příčiny a následku, můžeme uvést problém optimalizace práce obchodního oddělení. Abychom to vyřešili, jako predikovanou hodnotu zvolíme ukazatel efektivity prodejních manažerů, například konkrétní ziskovost na klienta, a jako faktory - soubor dat potenciálně ovlivňujících výsledek. Algoritmus určí faktory, které mají největší vliv na výsledek, stejně jako typické kombinace podmínek vedoucích ke konkrétnímu výsledku. Subsystém „Analýza dat“ vám navíc umožní vyhodnotit (předpovědět) očekávané hodnoty cílového indikátoru na základě aktuálních dat a také provést prognózu „co kdyby ...“ změnou indikátorů dodaných do modelu. Výsledky analýz a prognóz pomocí rozhodovacích stromů mohou významně snížit dopad nejistoty podnikatelského prostředí na stav společnosti a vyřešit celou řadu problémů souvisejících s identifikací složitých a nejasných vztahů příčin a následků. Algoritmus rozhodovacího stromu tvoří kauzální hierarchii podmínek vedoucích k určitým rozhodnutím. V důsledku použití této metody na tréninkovou sadu je vytvořena hierarchická (stromová) struktura pravidel rozdělení ve tvaru „if ... then ...“. Algoritmus analýzy (trénink modelu) se redukuje na iterativní proces izolace nejvýznamnějších podmínek a přechodů mezi nimi. Podmínky mohou být kvantitativní i kvalitativní a mohou tvořit „větve“ tohoto abstraktního stromu. Jeho „listí“ je tvořeno hodnotami predikovaného atributu (řešení), které stejně jako podmínky přechodu připouštějí kvalitativní i kvantitativní interpretaci. Kombinace těchto podmínek uložených na faktory a struktura přechodů mezi nimi k konečnému rozhodnutí tvoří model prognózy. Tento algoritmus se nejčastěji používá při hodnocení výsledků různých řetězců událostí a identifikaci kauzálních vztahů ve vzorcích. Význam a spolehlivost modelu tohoto algoritmu je řízen pomocí parametrů „Typ zjednodušení“, „Maximální hloubka stromu“ a „Minimální počet prvků v uzlu“. Výsledky analýzy vzorku pomocí algoritmu Rozhodovací strom jsou:
- hodnocení faktorů, což je seznam faktorů, které ovlivnily rozhodnutí, seřazené v sestupném pořadí podle důležitosti („citace“ v uzlech stromu);
- srovnání rozhodnutí (hodnoty sloupce prognózy) a podmínek, které je určovaly, jinými slovy strom „Effect-Cause“;
- strom „Cause-Effect“, což je sada přechodů mezi podmínkami, které určují konkrétní rozhodnutí (ve skutečnosti vizuální reprezentace modelu předpovědi).
| Společná řešení "1C" Kromě funkcí implementovaných přímo v rámci platformy 1C: Enterprise 8.0 je arzenál nástrojů business intelligence 1C doplňován o specializovaná řešení vytvořená mimo jiné v rámci projektu 1C-Joint (http://v8.1c.ru/ řešení) - za účasti partnerů firmy a nezávislých vývojářů (viz „Společná řešení firmy„ 1C “a jejích partnerů„, „BYTE / Rusko“ č. 9 „2005). Zde si všimneme dvou produktů souvisejících s využitím inteligentních metod analýzy - toto je „1C: Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Manažerské účetnictví a výpočet nákladů “(partner-vývojář - poradenská společnost VIP Anatech) a 1C-VIP Anatech-VDGB: ABIS. BSC. Balanced Scorecard "(vývojoví partneři - VIP Anatech a VDGB). |
Typické obchodní scénáře pro použití metod IAD
Dokumentace PAD obsahuje část věnovanou typickým příkladům aplikace dolování dat ve vztahu ke konfiguraci „1C: Trade Management 8.0.“. Zde jsou některé z těchto obchodních scénářů.Management vztahu se zákazníky
Scénář „Plánování reklamní kampaně“Plánování nadcházející reklamní kampaně je zvažováno z hlediska optimalizace alokace alokovaného rozpočtu napříč reklamními kanály na základě regionálních, produktových, zákaznických a dalších ukazatelů cílového segmentu, jakož i na účinnosti reklamních kanálů ve specifikovaných sekcích v určitém předchozím plánovacím období. Algoritmus - „Klastrová analýza“. Prediktivní atributy - podíl odpovědí na reklamní kanál konvenčně homogenních segmentů, přidělený algoritmem. Vypočítané sloupce - podíl reklamních kanálů na rozpočtu reklamní kampaně s přihlédnutím k pravděpodobnému podílu odpovědí a účinnosti (z hlediska výsledných příjmů) každého reklamního kanálu. Příklad vzoru: Klienty třídy A regionu P, kteří dávají přednost skupině produktů P, přitahuje stejný reklamní kanál jako klienti regionu H, kteří upřednostňují skupinu produktů Y.Řízení dodavatelského řetězce
Scénář „Optimalizace výběru dodavatele podle skupiny produktů“Výběr dominantních dodavatelů první úrovně pro klíčové skupiny produktů je nesmírně důležitý pro stabilizaci zejména logistického systému a celkového systému řízení dodavatelského řetězce obecně, jakož i pro snížení průměrné doby trvání dodavatelských řetězců. Na druhé straně užší integrace s hlavními dodavateli může zpravidla výrazně snížit náklady na zboží. V tomto ohledu je zajímavé analyzovat stabilní kombinace dodavatelů v různých skupinách produktů ve srovnání s analýzou pro přidružené dodavatele v rámci skupin. To vám umožní identifikovat „křižovatky“ dodavatelů v různých skupinách produktů a optimalizovat vztahy s nimi. Algoritmus - "Hledat asociace". Prediktivní atributy - stabilní kombinace dodavatelů. Hlavní faktory - komoditní skupiny. Dekódování - analytika pro dodavatele (objem nákupů, výnosy, dodací a platební podmínky, podmínky plnění objednávek - pesimistické, optimistické, průměrné). Příklad vzoru: stabilní sdružení velkého a nepředvídatelného dodavatele A a předvídatelného průměrného dodavatele B ve velkém počtu skupin produktů. Při zadávání objednávek u konkurenčních skupin produktů je možné umístit průměrného dodavatele jako hlavního, pokud objem objednávky u velké nepřesáhne určitou prahovou hodnotu (což významně zvýší rozsah).Personální management
Scénář "Profilování prodejních manažerů podle klíčových ukazatelů výkonu"Stanovení efektivity manažerů (retence, hledání klientů, efektivita komunikace, inkaso podmíněných a nepodmíněných pohledávek, konkrétní výkonnostní ukazatele na klienta atd.) Je zajímavé nejen z hlediska vytvoření systému věcných pobídek pro manažery, ale také z hlediska efektivní regulace parametry jejich činnosti. Algoritmus - "Rozhodovací stromy". Prediktivní atributy - klíčové ukazatele výkonnosti obchodního oddělení (počet klíčových zákazníků, míra odlivu a akvizice, ztráta příjmů za měsíc, přilákání příjmů za měsíc, příjem za měsíc od klienta, celkové tržby od zákazníků atd.). Hlavní faktory - počet aktivních klientů, příjem, příjem, konkrétní ukazatele na klienta, efektivita komunikace. V závislosti na předpokládaných atributech se složení faktorů může výrazně lišit. Příklad vzoru: manažeři, kteří poskytují nejlepší ukazatele inkasa pohledávek (poměr příjmů DS k výnosům), mají míru retence\u003e 0,8; poměr přitažlivosti\u003e 0,25; počet současně otevřených transakcí není větší než 15, ale ne menší než 10; intenzita událostí za den není větší než 10, ale ne méně než 3; počet aktivních klientů v období není nižší než 50, ale nejvýše 100.Závěr
Moderní podnikání je tak mnohostranné, že faktory potenciálně ovlivňující konkrétní rozhodnutí lze počítat v desítkách. Konkurence se každým dnem stupňuje, životní cyklus výrobků se zkracuje a preference zákazníků se mění stále rychleji. Pro rozvoj podnikání je nutné co nejdynamičtěji reagovat na rychle se měnící podnikatelské prostředí s přihlédnutím k jemným a někdy jemným vzorům vývoje událostí. Které skupiny zákazníků budou reagovat na propagaci a které budou neodvolatelně zaslány konkurenci? Otevřít novou obchodní linku nebo počkat? Přijde kupující s platbou pozdě a dodavatel se zásilkou? Jaké jsou příležitosti pro růst a kde jsou skryté potenciální hrozby? Tisíce manažerů si kladou takové otázky každý den sebe i své kolegy. Subsystém datové analýzy implementovaný v platformě 1C: Enterprise 8.0 je navržen tak, aby pomohl uživatelům podnikového informačního systému rychleji najít odpovědi na netriviální otázky a poskytl automatickou transformaci dat nahromaděných v informačním systému na užitečné v praxi a dobře interpretované vzory.Ekonomické a analytické výkaznictví v „1C: Enterprise 8.0“Platforma 1C: Enterprise 8.0 obsahuje řadu mechanismů pro vytváření ekonomických a analytických zpráv, které umožňují vytváření interaktivních dokumentů (nejen tištěných formulářů) v rámci určitých aplikovaných řešení. Uživatel tedy může pracovat se zprávami stejným způsobem jako s jakoukoli formou obrazovky, včetně změny parametrů zprávy, její opětovné sestavení, pomocí „dešifrování“ (získání dalších zpráv na základě jednotlivých prvků již vygenerované zprávy) atd. Kromě toho , existuje několik univerzálních softwarových nástrojů, které vám umožňují generovat libovolné zprávy podle úkolů. Toho mohou dosáhnout i samotní uživatelé (docela zkušení), kteří dobře znají strukturu použitého aplikovaného řešení. Níže stručně vezmeme v úvahu hlavní nástroje pro vytváření zpráv v „1C: Enterprise 8.0“. Dotazy - toto je jeden ze způsobů přístupu k datům v „1C: Enterprise 8.0“, s jejichž pomocí se informace z databáze získávají podle určitých podmínek, zpravidla v kombinaci s nejjednodušším zpracováním přijatých dat: skupina, třídění, výpočet. Změna dat pomocí dotazů není možná, protože jsou původně navrženy tak, aby rychle získaly informace z velkého množství informací. Databáze je implementována ve formě sady vzájemně propojených tabulek, ke kterým lze přistupovat jak samostatně, tak k několika tabulkám ve vztahu. K implementaci vlastních algoritmů může vývojář použít dotazovací jazyk založený na SQL a obsahující mnoho rozšíření, která odrážejí specifika finančních a ekonomických problémů a snižují úsilí vynaložené na vytváření aplikovaných řešení. Platforma obsahuje návrháře dotazů, který umožňuje sestavit správný text dotazu pouze pomocí vizuálních nástrojů (obr.6).Postava: 6. Konstruktor dotazu (a) umožňuje vývojáři sestavit text dotazu (b) výhradně vizuálními prostředky. Tabulkový dokument je mocný mechanismus pro vizualizaci a úpravy informací, včetně použití dynamického čtení informací z databáze. Tabulkový dokument lze použít samostatně nebo být součástí kteréhokoli z formulářů použitých v aplikačním řešení. V jádru to připomíná tabulku (skládá se z řádků a sloupců, které obsahují data), ale její možnosti jsou mnohem širší. Podporuje operace seskupování, dešifrování, vkládání poznámek. V dokumentu můžete použít různé typy návrhů zpráv, včetně grafických diagramů. Tabulkový dokument může obsahovat kontingenční tabulky, které samy slouží jako efektivní nástroj pro programové a interaktivní prezentování vícerozměrných dat. Konstruktor výstupního formuláře pomáhá vývojáři vytvářet sestavy a prezentovat data sestav v pohodlné tabulkové nebo grafické formě. Zahrnuje všechny funkce Návrháře dotazů a také vytváření a přizpůsobení formuláře. Tvůrce sestav je objekt vloženého jazyka, který poskytuje schopnost dynamicky vytvářet zprávu programově i interaktivně (obr.7). Jeho provoz je založen na dotazu, podle kterého má uživatel příležitost interaktivně konfigurovat všechny hlavní parametry obsažené v textu dotazu. Výsledky tohoto dotazu se zobrazují v tabulkovém procesoru, ve kterém lze také použít informace z libovolných zdrojů dat. Vývojář pomocí příkazů v nástroji pro tvorbu sestav může změnit seznam parametrů, které má uživatel k dispozici pro přizpůsobení. |