Բիզնես գործընթացների սկիզբը և ավարտը

Բիզնես գործընթացի կյանքի ցիկլը սկսվում է դրա սկզբից: Այս երթուղու կետի համար դուք կարող եք սահմանել «Սկսելուց առաջ» միջոցառման կարգավար: Այս ընթացակարգը ունի երկու պարամետր: Առաջին պարամետրը երթուղու այն կետն է, որտեղից կանչվել է կարգավարը (բիզնես գործընթացը կարող է ունենալ մի քանի ելակետ), երկրորդ պարամետրը ՝ Ձախողում: Երբ «ueիշտ» արժեքը գրվում է «Չհաջողված» փոփոխականում, բիզնես գործընթացը չի սկսվի: Իրադարձությունների կարգավարողին Նախքան գործարկելը, դուք կարող եք ստուգել բիզնես գործընթաց սկսելու համար անհրաժեշտ պայմանները, ստեղծել «ուղեկցող» օբյեկտներ, որոնց հղումները պետք է պահվեն հենց բիզնես գործընթացում: Այս իրադարձության համար կարգավար սահմանելիս խորհուրդ չի տրվում իրականացնել օգտագործողի հետ երկխոսություն կազմակերպող մեխանիզմներ (բացելով երկխոսության տարբեր ձևեր):

Բիզնես գործընթացի մեկնարկը կարող է իրականացվել տարբեր ձևերով.

գործարար գործընթացի ծրագրային ապահովում (ներդրված լեզվի կոդից);

ինտերակտիվ սկիզբ (կտտացնելով գործարար գործընթացի ձևի OK կոճակին);

գործարար գործընթացի մեկնարկը որպես ներդրված:

1C- ում տվյալների վերլուծության և կանխատեսման մեխանիզմի օգտագործումը

Տվյալների վերլուծության և կանխատեսման մեխանիզմը հնարավորություն է տալիս կիրառական լուծումներում կիրառել ձևերի նույնականացման տարբեր միջոցներ, որոնք սովորաբար թաքնված են մեծ քանակությամբ տեղեկատվության ետևում:

Մեխանիզմը թույլ է տալիս աշխատել ինչպես ինֆոբազայից ստացված տվյալների, այնպես էլ մեկ այլ աղբյուրից ստացված տվյալների հետ, որոնք նախադրված են արժեքների աղյուսակում կամ աղյուսակային փաստաթղթում: Կիրառելով վերլուծության տեսակներից մեկը բնօրինակ տվյալների վրա, կարող եք ստանալ վերլուծության արդյունքը: Վերլուծության արդյունքը տվյալների վարքի մի տեսակ մոդել է: Վերլուծության արդյունքը կարող է ցուցադրվել վերջնական փաստաթղթում կամ պահպանվել հետագա օգտագործման համար:

Վերլուծության արդյունքի հետագա օգտագործումը կայանում է նրանում, որ դրա հիման վրա կարող է ստեղծվել կանխատեսման մոդել, որը հնարավորություն կտա կանխատեսել նոր տվյալների վարքագիծը `գոյություն ունեցող մոդելին համապատասխան: Օրինակ, դուք կարող եք վերլուծել, թե որ ապրանքները են գնվում միասին (մեկ հաշիվ) և պահպանել տվյալների բազայում այս վերլուծության հիման վրա ստեղծված կանխատեսման մոդելը:

Տեքստային փաստաթղթերի դասավորությունների օգտագործում

Տեքստային փաստաթուղթ 1C. Ձեռնարկությունը հնարավորություն է տալիս տարբեր տեղեկատվություն ներկայացնել տեքստերի տեսքով: Տեքստային փաստաթուղթը կարելի է կարդալ տեքստային ֆայլից, պահպանված տեքստային ֆայլում: Այն կարող է տեղադրվել ձևի կամ դասավորության մեջ, և դրա հետ աշխատելը հնարավոր է ՝ օգտագործելով ներկառուցված լեզուն: Մեծ հաշվով, տեքստային փաստաթուղթը թույլ է տալիս կատարել գործողությունների երեք տրամաբանական խումբ. - սկավառակից ընթերցում և տեքստային ֆայլերի սկավառակ գրելը. - աշխատել տեքստային փաստաթղթի անհատական \u200b\u200bտողերի հետ. ստացում, ավելացում, ջնջում, փոխարինում; - տեքստի դասավորության ստեղծում և դրա միջոցով արդյունքի տեքստային փաստաթուղթ կազմելու համար:

Բացի տեքստային փաստաթղթի բովանդակության ուղղակի ձևավորումից, հնարավոր է լրացնել դասագրքերի հիման վրա տեքստային փաստաթղթեր: Տեքստային փաստաթղթի դասավորությունը նկարագրում է տեքստի փաստաթղթի անփոփոխ մասերը, որոնք պարունակում են դասավորությունը և այն դաշտերը, որոնցում կարող են ավելացվել տվյալներ: Հատակագծի հիման վրա տեքստային փաստաթուղթ լրացնելու գործընթացը բաղկացած է դասավորության որոշակի տարածքներ կարդալուց, դրանք ցիկլիկորեն լրացնելով տվյալների հետ և փաստաթղթի արդյունքում ստացված մասերը հաջորդաբար դուրս բերելով ստացված տեքստային փաստաթղթում:

Տեքստային փաստաթղթի դասավորության ձևաչափը: Տեքստային փաստաթղթի դասավորությունը տեքստային փաստաթուղթ է, որում օգտագործվում են սպասարկման տողեր, որոնք սկսվում են "#" նիշից: Կառավարման նիշին հաջորդում են հիմնաբառեր, որոնք նկարագրում են դասավորության որոշակի տարրեր:

Տեքստային փաստաթղթի դասավորության մեջ օգտագործվում են նաև «[» և «]» ծառայության խորհրդանիշները, որոնք որոշում են դասավորության փոփոխական դաշտերի գտնվելու վայրը:

Տեքստային փաստաթղթի ամբողջական դասավորությունը բաղկացած է շրջաններից: Մի տարածքը միավորում է մի քանի անընդմեջ գծեր: Տարածքները պետք է հաջորդեն միմյանց և չեն կարող համընկնել կամ ներառվել միմյանց մեջ: Տարածաշրջանը նկարագրելու համար օգտագործվում են Տարածաշրջան և Տարածաշրջան հիմնաբառեր: Տարածքի անվանը հաջորդում է տարածքի անվանումը:

Տվյալների վերլուծության և կանխատեսման շարժիչը օգտվողներին (տնտեսագետներ, վերլուծաբաններ և այլն) ապահովում է տեղեկատվական բազայում կուտակված տվյալների ոչ ակնհայտ օրինաչափություններ որոնելու ունակությամբ: Այս մեխանիզմը թույլ է տալիս.

• որոնել նախշեր տեղեկատվական բազայի նախնական տվյալների մեջ;
• կառավարել ինչպես ծրագրային, այնպես էլ ինտերակտիվ կերպով կատարված վերլուծության պարամետրերը.
• ապահովել վերլուծության արդյունքին ծրագրային հասանելիություն.
• վերլուծության արդյունքն ավտոմատ կերպով դուրս բերեք աղյուսակային փաստաթուղթ;
• ստեղծել կանխատեսման մոդելներ, որոնք ավտոմատ կերպով կանխատեսում են հետագա իրադարձությունները կամ նոր օբյեկտների որոշակի բնութագրերի արժեքներ:

Տվյալների վերլուծության շարժիչը ներկառուցված լեզվական առարկաների ամբողջություն է, որոնք փոխազդում են միմյանց հետ, ինչը թույլ է տալիս մշակողին օգտագործել իր բաղկացուցիչ մասերը կամայական համադրությամբ ցանկացած կիրառական լուծման մեջ: Ներկառուցված օբյեկտները թույլ են տալիս հեշտությամբ կազմակերպել օգտագործողի կողմից վերլուծության պարամետրերի ինտերակտիվ կարգավորումը, ինչպես նաև թույլ են տալիս վերլուծության արդյունքը ցուցադրել այնպիսի ձևով, որը հարմար է աղյուսակային փաստաթղթում ցուցադրելու համար:

Մեխանիզմը թույլ է տալիս աշխատել ինչպես ինֆոբազայից ստացված տվյալների, այնպես էլ արտաքին աղբյուրից ստացված տվյալների հետ, որոնք նախադրված են արժեքների աղյուսակում կամ աղյուսակային փաստաթղթում.

Կիրառելով վերլուծության տեսակներից մեկը բնօրինակ տվյալների վրա, կարող եք ստանալ վերլուծության արդյունքը: Վերլուծության արդյունքը տվյալների վարքի մի տեսակ մոդել է: Վերլուծության արդյունքը կարող է ցուցադրվել վերջնական փաստաթղթում կամ պահպանվել հետագա օգտագործման համար:

Վերլուծության արդյունքի հետագա օգտագործումը կայանում է նրանում, որ դրա հիման վրա կարող է ստեղծվել կանխատեսման մոդել, որը հնարավորություն կտա կանխատեսել նոր տվյալների վարքագիծը `գոյություն ունեցող մոդելին համապատասխան:

Օրինակ, կարող եք վերլուծել, թե որ ապրանքները են գնվում միասին (մեկ հաշիվ) և վերլուծության այս արդյունքը պահպանել տվյալների բազայում: Հետագայում, հաջորդ հաշիվը ստեղծելու ժամանակ.

Խնայված վերլուծության արդյունքի հիման վրա հնարավոր է կառուցել կանխատեսման մոդել, ներկայացնել այս հաշիվ-ապրանքագրում պարունակվող նոր տվյալներ «որպես մուտքագրում», իսկ «արդյունքի վրա» ստանալ կանխատեսում `ապրանքների ցանկ, որոնք գործընկեր Կ. Պետրովը: նույնպես, ամենայն հավանականությամբ, ձեռք կբերի, եթե դրանք առաջարկվեն իրեն.

Տվյալների վերլուծության և կանխատեսման շարժիչում իրականացվում են տվյալների վերլուծության մի քանի տեսակներ.

Իրականացված վերլուծության տեսակները

ընդհանուր վիճակագրություն

Այն ուսումնասիրված նմուշի տվյալների վերաբերյալ տեղեկատվություն հավաքելու մեխանիզմ է: Վերլուծության այս տեսակը նախատեսված է վերլուծված տվյալների աղբյուրի նախնական ուսումնասիրության համար:

Վերլուծությունը բացահայտում է մի շարք բնութագրեր թվային և շարունակական դաշտերի համար: Երբ հաշվետվությունը դուրս է գալիս աղյուսակային փաստաթուղթ, կարկանդակ գծապատկերները լրացվում են ՝ դաշտերի կազմը ցուցադրելու համար:

Ասոցիացիաների որոնում

Վերլուծության այս տեսակը որոնում է օբյեկտների խմբերի կամ բնութագրական արժեքների, որոնք հաճախ հանդիպում են միասին, ինչպես նաև որոնում է ասոցացման կանոնները: Ասոցիացիաների որոնումը կարող է օգտագործվել, օրինակ, հաճախ գնվող ապրանքները կամ ծառայությունները միասին հայտնաբերելու համար.

Վերլուծության այս տեսակը կարող է աշխատել հիերարխիկ տվյալների հետ, ինչը թույլ է տալիս, օրինակ, գտնել կանոններ ոչ միայն հատուկ ապրանքների, այլ նաև դրանց խմբերի համար: Վերլուծության այս տեսակի կարևոր առանձնահատկությունն է ինչպես օբյեկտի տվյալների աղբյուրի հետ աշխատելու ունակությունը, որում յուրաքանչյուր սյուն պարունակում է օբյեկտի որոշ բնութագիր, այնպես էլ իրադարձության աղբյուրի հետ, որտեղ օբյեկտի բնութագրերը տեղակայված են մեկ սյունակում:

Արդյունքի ընկալումը հեշտացնելու համար տրամադրվում է ավելորդ կանոնների կտրման մեխանիզմ:

Հաջորդականության որոնում

Հաջորդականության որոնման վերլուծության տեսակը թույլ է տալիս բացահայտել տվյալների աղբյուրում իրադարձությունների հաջորդական շղթաները: Օրինակ, դա կարող է լինել ապրանքների կամ ծառայությունների շղթա, որոնք հաճախորդները հաճախ գնում են հաջորդաբար.

Վերլուծության այս տեսակը թույլ է տալիս որոնել հիերարխիայում, ինչը հնարավորություն է տալիս հետևել ոչ միայն հատուկ իրադարձությունների հաջորդականություններին, այլ նաև ծնողական խմբերի հաջորդականություններին:

Վերլուծության պարամետրերի ամբողջությունը մասնագետին թույլ է տալիս սահմանափակել ցանկալի հաջորդականությունների տարրերի ժամանակային հեռավորությունները, ինչպես նաև ճշգրտել արդյունքների ճշգրտությունը:

Կլաստերի վերլուծություն

Կլաստերի վերլուծությունը թույլ է տալիս ուսումնասիրվող օբյեկտների նախնական հավաքածուն բաժանել օբյեկտների խմբերի, այնպես որ յուրաքանչյուր առարկա ավելի նման լինի իր սեփական խմբի օբյեկտներին, քան այլ խմբերի օբյեկտներին: Հետագայում վերլուծելով ստացված խմբերը, որոնք կոչվում են կլաստերներ, հնարավոր է որոշել, թե ինչն է բնութագրում այս կամ այն \u200b\u200bխմբին, որոշել տարբեր խմբերի օբյեկտների հետ աշխատելու մեթոդները: Օրինակ ՝ կլաստերի վերլուծության միջոցով դուք կարող եք բաժանորդներին բաժանել խմբերի, որպեսզի ընկերությունն աշխատում է նրանց հետ աշխատելիս տարբեր ռազմավարություններ կիրառելու համար.

Օգտագործելով կլաստերի վերլուծության պարամետրերը, վերլուծաբանը կարող է հարմարեցնել ալգորիթմը, որով կկատարվի բաժանումը, և կարող է նաև դինամիկ փոխել վերլուծության մեջ հաշվի առնված բնութագրերի կազմը և կարգավորել դրանց համար կշռման գործոնները:

Կլաստերի արդյունքը կարող է դուրս գալ դենդրոգրամ ՝ հատուկ օբյեկտ, որը նախատեսված է օբյեկտների միջև հաջորդական կապերը ցուցադրելու համար:

Որոշման ծառ

Որոշման ծառի վերլուծության տեսակը թույլ է տալիս կառուցել դասակարգման կանոնների հիերարխիկ կառուցվածք, որը ներկայացված է ծառի տեսքով:

Որոշման ծառ կառուցելու համար հարկավոր է ընտրել նպատակային հատկանիշ, որով կկառուցվի դասակարգիչը և մի շարք մուտքային հատկանիշներ, որոնք կօգտագործվեն կանոններ ստեղծելու համար: Թիրախային հատկանիշը կարող է պարունակել, օրինակ, տեղեկատվություն այն մասին, թե արդյոք հաճախորդը անցել է այլ ծառայություններ մատուցող ընկերություն, արդյոք գործարքը հաջող է եղել, արդյոք աշխատանքը լավ է կատարվել և այլն: Ներածման հատկանիշները, օրինակ, կարող են լինել աշխատողի տարիքը, աշխատանքային ստաժը, հաճախորդի ֆինանսական վիճակը, ընկերությունում աշխատողների քանակը և այլն:

Վերլուծության արդյունքը ներկայացված է ծառի տեսքով, որի յուրաքանչյուր հանգույց պարունակում է որոշակի պայման: Որոշելու համար, թե որ դասին պետք է նշանակվի նոր օբյեկտ, անհրաժեշտ է, պատասխանելով հանգույցներին տրվող հարցերին, արմատից արմատախիլից անցնել ծառի տերևին, հաստատուն պատասխանի դեպքում գնալ մանկական հանգույցների, իսկ բացասական դեպքում հարևան հանգույցի:

Վերլուծության մի շարք պարամետրեր թույլ են տալիս կարգավորել ստացված ծառի ճշգրտությունը.

Կանխատեսման մոդելներ

Շարժիչի ստեղծած կանխատեսման մոդելները հատուկ օբյեկտներ են, որոնք ստեղծվում են տվյալների վերլուծության արդյունքում և թույլ են տալիս ինքնաբերաբար կատարել ապագայում նոր տվյալների կանխատեսում:

Օրինակ, հաճախորդների գնումների վերլուծության արդյունքում կառուցված ասոցիացիաների որոնման կանխատեսող մոդելը կարող է օգտագործվել գնում կատարող հաճախորդի հետ աշխատելիս `նրան առաջարկելու ապրանքներ, որոնք նա ձեռք է բերելու որոշակի հավանականության աստիճանի` ընտրված ապրանքների հետ միասին:

Կիրառական լուծումներում տվյալների վերլուծության շարժիչի օգտագործումը

Կիրառական լուծումների մշակողներին տվյալների վերլուծության մեխանիզմին ծանոթանալու համար Դեմո-տեղեկատվական բազա է տեղադրվում Տեղեկատվական տեխնոլոգիաների աջակցության (ԱՏՍ) սկավառակի վրա: Այն ներառում է «Տվյալների վերլուծության վահանակ» ունիվերսալ մշակումը, որը թույլ է տալիս տվյալների վերլուծություն կատարել ցանկացած կիրառական լուծումներում ՝ առանց կազմաձևը փոփոխելու:

Մեխանիզմը ներկայացված է ներկառուցված 1C- ի օբյեկտների ամբողջությամբ. Ձեռնարկությունների լեզու: Մեխանիզմի հիմնական օբյեկտների փոխազդեցության սխեման ներկայացված է նկարում: Տվյալների վերլուծության սյունների կազմաձևում - մուտքային տվյալների վերլուծության սյունակների պարամետրերի ամբողջություն: Յուրաքանչյուր սյունակի համար նշվում են դրանում պարունակվող տվյալների տեսակը, սյունակի դերը, կատարված վերլուծության տեսակից կախված լրացուցիչ կարգավորումները: Տվյալների վերլուծության պարամետրեր - կատարված տվյալների վերլուծության պարամետրերի ամբողջություն: Պարամետրերի ցանկը կախված է վերլուծության տեսակից: Օրինակ ՝ կլաստերի վերլուծության համար նշվում է այն կլաստերների քանակը, որոնց մեջ պետք է բաժանվեն բուն օբյեկտները, օբյեկտների միջև հեռավորության չափման տեսակը և այլն: Հում տվյալները վերլուծության համար տվյալների աղբյուր են: Տվյալների աղբյուրը կարող է լինել հարցման արդյունք, աղյուսակային փաստաթղթի բջիջների տարածք, արժեքների աղյուսակ: Վերլուծիչ - օբյեկտ, որն ուղղակիորեն իրականացնում է տվյալների վերլուծություն: Տվյալների աղբյուրը դրված է օբյեկտի վրա, պարամետրերը սահմանված են: Այս օբյեկտի շահագործման արդյունքը տվյալների վերլուծության արդյունք է, որի տեսակը կախված է վերլուծության տեսակից: Տվյալների վերլուծության արդյունքը հատուկ օբյեկտ է, որը պարունակում է տեղեկություններ վերլուծության արդյունքի մասին: Վերլուծության յուրաքանչյուր տեսակ ունի իր արդյունքը: Օրինակ, տվյալների վերլուծության արդյունքը. Որոշման ծառը կլինի DataAnalysisResultDecisionTree տեսակի օբյեկտ: Ապագայում արդյունքը կարող է ցուցադրվել աղյուսակային փաստաթղթում `օգտագործելով տվյալների վերլուծության զեկույցի կառուցողը, կարող է ցուցադրվել դրա բովանդակությանը ծրագրային հասանելիության միջոցով և կարող է օգտագործվել կանխատեսման մոդել ստեղծելու համար: Տվյալների վերլուծության ցանկացած արդյունք կարող է պահվել հետագա օգտագործման համար: Կանխատեսման մոդելը հատուկ օբյեկտ է, որը թույլ է տալիս կանխատեսում անել ՝ ելնելով մուտքային տվյալներից: Մոդելի տեսակը կախված է տվյալների վերլուծության տեսակից: Օրինակ, տվյալների վերլուծության համար ստեղծված մոդելը `ասոցիացիաների որոնումը կլինի typePredictModelSearchAssociation: Կանխատեսման տվյալների աղբյուրը փոխանցվում է կանխատեսման մոդելի ներդրմանը: Արդյունքը կանխատեսված արժեքները պարունակող արժեքների աղյուսակ է: Կանխատեսման ընտրությունը արժեքների աղյուսակ է, հարցման արդյունք կամ աղյուսակային փաստաթղթի տարածք, որը պարունակում է տեղեկատվություն, որի վրա անհրաժեշտ է կանխատեսում կազմել: Օրինակ, կանխատեսման մոդելի համար `ասոցիացիաների որոնում, ընտրությունը կարող է պարունակել վաճառքի փաստաթղթի ապրանքների ցուցակ: Մոդելի աշխատանքի արդյունքը կարող է խորհուրդ տալ, թե ինչ ապրանքներ դեռ կարող են առաջարկվել գնորդին: Ընտրության սյունակների տեղադրում - հատուկ օբյեկտների ամբողջություն, որոնք ցույց են տալիս կանխատեսման մոդելի սյունակների և կանխատեսման ընտրության սյունակների համապատասխանությունը: Արդյունքների սյունների կարգաբերում - թույլ է տալիս վերահսկել, թե որ սյունակները կտեղադրվեն կանխատեսման մոդելի ստացված աղյուսակում: Մոդելի արդյունքը արժեքների աղյուսակ է, որը բաղկացած է սյունակներից, ինչպես նշված է ստացված սյունակների պարամետրերում և պարունակում է կանխատեսված տվյալներ: Հատուկ բովանդակությունը որոշվում է ըստ վերլուծության տեսակի: Տվյալների վերլուծության զեկույցի կառուցող - օբյեկտ, որը թույլ է տալիս ցուցադրել զեկույց տվյալների վերլուծության արդյունքի վերաբերյալ: Բացի այդ, զեկույցը կառուցողը հատուկ օբյեկտ է տրամադրում տվյալների հետ կապելու համար, որպեսզի թույլ տա օգտվողին ինտերակտիվ կերպով վերահսկել վերլուծության պարամետրերը, տվյալների աղբյուրի սյունները հարմարեցնել, կանխատեսել մոդելի սյունները և այլն: Վերլուծության տեսակները Շարժիչը թույլ է տալիս կատարել հետևյալ վերլուծության տեսակները.

• ընդհանուր վիճակագրություն
• Ասոցիացիաների որոնում
• Հաջորդականության որոնում
• Որոշման ծառ
• Կլաստերի վերլուծություն

Տվյալների վերլուծության մեխանիզմը 1C 8.2 և 8.3-ում պարզեցնում է մշակողի աշխատանքը տարբեր տվյալների հիման վրա նախշեր հայտնաբերելու հարցում: Օրինակ, օգտագործելով այս մեխանիզմը, կարող եք ցուցադրել այն ապրանքները, որոնք առավել հաճախ գնում են միասին: Մեկ այլ օրինակ է պատմական տվյալների հիման վրա վաճառքի կանխատեսման կառուցումը: Սա հեռու է 1C- ի տվյալների վերլուծության մեխանիզմի կիրառման ամբողջ շրջանակից, եկեք ավելի մանրամասն խորանանք դրա հնարավորությունների մեջ: 1C- ում տվյալների վերլուծության մեխանիզմի հիմնական օբյեկտները Այս մեխանիզմը 1C Enterprise համակարգում ներկայացված է համակարգի 3 օբյեկտներով.

• Տվյալների վերլուծություն - տվյալների վերլուծություն իրականացնող օբյեկտ: Դրա համար դուք պետք է նշեք տվյալների աղբյուրը և վերլուծության համար անհրաժեշտ պարամետրերը:
• Տվյալների վերլուծության արդյունք - օբյեկտ, որը տվյալների վերլուծության աշխատանքի արդյունք է:
• Կանխատեսման մոդել - ստեղծվում է տվյալների վերլուծության արդյունքի հիման վրա: Օբյեկտը 1C վերլուծության շարժիչի վերջին օղակն է և առաջացնում է արժեքների աղյուսակ, որոնք պարունակում են կանխատեսված արժեքներ:

Տվյալների վերլուծության տեսակները 1 Գ 8.3 Համակարգ 1 Գ Ձեռնարկությունը կարող է օգտագործել տարբեր տեսակի վերլուծություններ, մենք դրանք ավելի մանրամասն կքննարկենք:

1. Ընդհանուր վիճակագրություն - Վերլուծության այս տեսակը պարզ վիճակագրական նմուշ է տվյալների աղբյուրից: Կիրառության օրինակ է վաճառքի վերլուծությունը ըստ առարկայի որոշակի ժամանակահատվածի համար: Վերլուծության արդյունքը կլինի տեղեկատվությունն այն մասին, թե որքան է վաճառվել որոշակի ապրանք: Համակարգը նաև հաշվարկի հատուկ դաշտեր `առավելագույն, նվազագույն, միջին, միջին, միջակայք, ստանդարտ շեղում, արժեքների քանակ, եզակի արժեքների քանակ, ռեժիմ:
2. Ասոցիացիաների որոնում. Վերլուծության այս տեսակը նախատեսված է համադրություններ որոնելու համար, որոնք հաճախ լինում են միասին: Շատ լավ է հաճախ գնված իրերը միասին գտնելու համար: Վերլուծության արդյունքում համակարգը կստեղծի հետևյալ տեղեկատվությունը. Տեղեկություններ մշակված տվյալների, ասոցիատիվ խմբերի, ասոցիացիայի կանոնների մասին, որոնցով խմբերը համընկնում են:
3. Հաջորդականությունների որոնումը վերլուծություն է, որը թույլ է տալիս բացահայտել վերլուծված տվյալների օրինաչափությունները և առաջարկել հետագա կանխատեսում: Վերլուծության արդյունքում համակարգը տոկոսադրույքով կցուցադրի տեղեկություններ որոշակի իրադարձությունների առաջացման հավանականության մասին:

Informationամանակակից տեղեկատվական տեխնոլոգիաներ / 3. Րագրակազմ

Բ.գ.թ. Unունուսով Կ.Մ.

Կոստանայի Ա. Բայտուրսինովի անվան պետական \u200b\u200bհամալսարան

Տվյալների վերլուծության և կանխատեսման մեխանիզմների ձևավորում

1C: Ձեռնարկությունների հարթակում

Կանխատեսման գործընթացը հիմնված է տնտեսական կանխատեսման մշակման վրա: Այն ներկայացնում է ապագայում օբյեկտի հնարավոր վիճակների կամ այդ վիճակներին հասնելու այլընտրանքային ձևերի և ժամանակի վերաբերյալ գիտականորեն հիմնավորված դատողություն: Այլ կերպ ասած, դա փորձ է նայել դեպի ապագա, կանխատեսել այն, կանխատեսել ուսումնասիրվող օբյեկտի վիճակը որոշակի ժամանակահատվածից հետո:

Կանխատեսումը սերտորեն կապված է պլանավորման հետ: Գիտական \u200b\u200bշրջանակներում աֆորիզմը բավականին տարածված է. «Առանց ծրագրի կանխատեսումը գրական ձեռնարկություն է, առանց կանխատեսման ՝ վարչական գործողություն»:

Ընդհանուր մեթոդները, ինչպես կանխատեսման, այնպես էլ պլանավորման համար, հաշվարկային և վերլուծական, տնտեսական և վիճակագրական մեթոդներն են, և տնտեսական և մաթեմատիկական մոդելավորումը:

Տվյալների վերլուծության և կանխատեսման մեխանիզմները, որպես 1C Ձեռնարկության մաս, օգտվողներին (տնտեսագետներ, վերլուծաբաններ և այլն) հնարավորություն են տալիս տեղեկատվական բազայում կուտակված տվյալների մեջ ոչ ակնհայտ օրինաչափություններ որոնել և թույլ են տալիս կատարել հետևյալ գործողությունները.

Տեղեկատվական բազայի աղբյուրի տվյալների մեջ նմուշների որոնում;

Վերլուծության պարամետրերի կառավարում և՛ ծրագրային, և՛ ինտերակտիվ եղանակով:

Analysisրագրային հասանելիություն վերլուծության արդյունքին;

Վերլուծության արդյունքի ավտոմատ արդյունքը աղյուսակային փաստաթղթին;

Կանխատեսման մոդելների ստեղծում, որոնք ավտոմատ կերպով կանխատեսում են հետագա իրադարձությունները կամ նոր օբյեկտների որոշակի բնութագրերի արժեքներ:

Տվյալների վերլուծության և կանխատեսման մեխանիզմները ներկառուցված լեզվական առարկաների մի շարք են, որոնք փոխազդում են միմյանց հետ, ինչը հնարավորություն է տալիս մշակողին օգտագործել իր բաղկացուցիչ մասերը ցանկացած համադրությամբ ցանկացած կիրառական լուծման մեջ: Ներկառուցված օբյեկտները թույլ են տալիս հեշտությամբ կազմակերպել օգտագործողի կողմից վերլուծության պարամետրերի ինտերակտիվ կոնֆիգուրացիան, ինչպես նաև վերլուծության արդյունքը ցուցադրել աղյուսակային փաստաթղթում ցուցադրման համար հարմար ձևով `համաձայն Նկար 1-ի: Կարևոր է նաև, որ մեխանիզմը կարողանա աշխատել ինչպես 1C տեղեկատվական բազայից, այնպես էլ և արտաքին աղբյուրներից (վերջին դեպքում ՝ նախադրված արժեքների աղյուսակում կամ աղյուսակային փաստաթղթում):

Գծապատկեր 1. Տվյալների վերլուծության և տվյալների արդյունահանման կանխատեսման մեխանիզմի գործունեության ընդհանուր սխեմա

Կիրառելով վերլուծության տեսակներից մեկը բնօրինակ տվյալների վրա, կարող եք ստանալ արդյունք, որը տվյալների վարքի մի տեսակ մոդել է: Վերլուծության արդյունքը կարող է ցուցադրվել վերջնական փաստաթղթում կամ պահպանվել հետագա օգտագործման համար (դրա հիման վրա կարող է ստեղծվել կանխատեսման մոդել, որը թույլ է տալիս կանխատեսել նոր տվյալների վարքագիծը):

Հաշվապահական հաշվառման և կառավարման համակարգերի շուկայում հիմնական միտումներից է պահանջարկի անընդհատ աճը `տվյալների վերլուծության մշակման գործիքների օգտագործման համար, որոնք ապահովում են կառավարման տեղեկացված որոշումներ: Այնուամենայնիվ, հաճախորդներն այսօր այլևս գոհ չեն ավանդական գործիքներից, որոնք թույլ են տալիս նրանց ստեղծել տարբեր զեկույցներ, առանցքային աղյուսակներ և գծապատկերներ ՝ նախապես որոշված \u200b\u200bչափորոշիչների և ձեռքով վերլուծված հարաբերությունների հիման վրա: Ձեռնարկություններին ավելի ու ավելի շատ անհրաժեշտ են որակապես տարբեր գործիքներ, որոնք թույլ են տալիս նրանց ավտոմատ կերպով որոնել աննկատելի կանոններ և բացահայտել անհայտ օրինաչափությունները, ինչը հնարավորություն է տալիս ձեռք բերելնոր գիտելիքներ `հիմնված ընկերության կողմից կուտակված տեղեկատվության վրա և երբեմն կատարելապես ոչ տրիվիալ որոշումներ կայացնել` տվյալների արդյունահանման մեթոդների հիման վրա բիզնեսի արդյունավետությունը բարելավելու համար:

Գրականություն

1 Glushchenko V.V. Կանխատեսում. - Մ. ՝ Համալսարանական գիրք, 2005 թ.

2 Dubrova T.A. Արդյունաբերական արտադրանքի ամենակարևոր տեսակների արտադրության կանխատեսման մեթոդաբանական հարցեր // Վիճակագրության հարցեր: -2004 թ. -Ոչ 1.-C. 52-57 թվականներին:

3 Radchenko M.G., Khrustaleva E.Yu. Կրկնօրինակված ծրագրեր ստեղծելու գործիքներ «1C: Ձեռնարկություն 8.2»: - Մ. ՝ «1C- հրատարակչություն» հրատարակչություն, 2011:

Հաշվապահական հաշվառման և կառավարման համակարգերի շուկայում հիմնական միտումներից մեկը պահանջարկի անընդհատ աճն է տվյալների վերլուծության մշակման գործիքների օգտագործման համար, որոնք ապահովում են տեղեկացված որոշումներ կայացնելը: Այդ պատճառով 1C: Ձեռնարկությունների ծրագրային համակարգի մշակման ռազմավարական ուղղություններից մեկը տնտեսական և վերլուծական հաշվետվությունների հնարավորությունների անընդհատ ընդլայնումն է: Այնուամենայնիվ, այսօր հաճախորդներն այլևս բավարար ավանդական գործիքներ չունեն, որոնք թույլ են տալիս ստեղծել մի շարք զեկույցներ, առանցքային աղյուսակներ և գծապատկերներ, որոնք ստեղծվում են կանխորոշված \u200b\u200bչափումների և հարաբերությունների հիման վրա, և որոնք պետք է ձեռքով վերլուծվեն: Ձեռնարկությունները գնալով ավելի ու ավելի են փնտրում որակապես տարբեր գործիքներ, որոնք թույլ են տալիս ավտոմատ կերպով որոնել աննկատելի կանոններ և բացահայտել անհայտ օրինաչափությունները (նկ. 1): Այս կերպ Դուք կարող եք որակապես նոր գիտելիքներ առաջացնել ընկերության կողմից կուտակված տեղեկատվության հիման վրա և երբեմն կատարելապես ոչ տրիվիալ որոշումներ կայացնել ՝ բիզնեսի արդյունավետությունը բարելավելու համար ՝ օգտագործելով տվյալների արդյունահանման մեթոդներ (IAD):
Նկար: 1. Լուծվող վերլուծական առաջադրանքների «հետախուզության» զարգացման տրամաբանությունը: 2003 թվականի ամռանը 1C: Enterprise 8.0 տեխնոլոգիական պլատֆորմի նոր տարբերակի թողարկումը հնարավորություն տվեց զգալիորեն ընդլայնել համակարգում գործարար հետախուզության հնարավորությունները (տե՛ս կողային տող): Այնուամենայնիվ, այստեղ կարևոր է մեկ կարևոր կետ: 1C պլատֆորմի ծրագրակազմը զարգանում է ոչ միայն «քայլերով» ՝ տարբերակից տարբերակ, այլ անընդհատ կատարելագործվում և ընդլայնվում է մեկ տարբերակի շրջանակներում, և երկու ուղղությամբ ՝ տեխնոլոգիական և կիրառական: Այսպիսով, G8- ի առաջին հայտարարությունից հետո արդեն թողարկվել են տասնյակից ավելի պլատֆորմների թողարկումներ, վերջին տարբերակը (2006 թ. Հունվարի դրությամբ) ունի 8.0.13 համարը, և այն շատ տարբերվում է այն բանից, ինչ եղել է երկուսուկես տարի առաջ: «1C: Ձեռնարկություն 8.0» -ի զարգացման ուղղություններից մեկը պարզապես բիզնեսի հետախուզության մեխանիզմներն են. Մասնավորապես, IAD գործիքները դրանում հայտնվել են միայն 2005 թ.-ին: Կարևոր է նշել, որ վերլուծության գործառույթների մեծ մասն իրականացվում են տեխնոլոգիական պլատֆորմի մակարդակում և հասանելի են դառնում օգտվողներին միայն կիրառական լուծումների նոր թողարկումներում ընդգրկվելուց հետո: Այսպիսով, նոր հնարավորությունների առաջացման և օգտվողներին դրանց տրամադրման միջև կա անջրպետ (երբեմն մի քանի ամիս): Հաշվի առնելով այս խնդիրը, բացը փակելու համար, 1C ընկերությունը 2005-ի սեպտեմբերին թողարկեց «Տվյալների վերլուծության ենթահամակարգ» (DAD) կիրառական հատուկ լուծում, որը կարող է ներկառուցվել «1C: Enterprise 8.0» պլատֆորմի ցանկացած կազմաձևում: Բացի հիմնական հիմնական գործառույթների լայն շրջանակից, առաքման շրջանակը ներառում է ավելի քան 30 նախաձևավորված մոդելներ `Տիպիկ առևտրի կառավարման կազմաձևի համար: PAD- ն ընդգրկում է որակապես նոր IAD- միջոցներ, որոնք նախկինում բացակայում էին «1C» ծրագրերում: Տվյալների ուղղակի վերլուծության և կանխատեսման համար հատուկ հմտություններ և գիտելիքներ չեն պահանջվում: Ենթադրվում է, որ վերլուծված առարկայի ոլորտի լավ տիրապետումը և հիմնական պատճառահետեւանքային կապերի ըմբռնումը դրանում: Տվյալների աղբյուրների և կանխատեսող մոդելների նախապատրաստումը պահանջում է հարցումների կառուցողն օգտագործելու ունակություն և կազմաձևման մետատվյալների օբյեկտներում տեղեկատվության տեղադրման սկզբունքների իմացություն: Նոր կազմաձևում (1.0.5 տարբերակ) ներառված IAD ալգորիթմները կազմում են վերլուծական մոդելներ (ձևանմուշներ), որոնք նկարագրում են նախնական տվյալների օրինաչափությունները: Այս մոդելներն ունեն անկախ արժեք (դրանք կարող են վերաօգտագործվել) և օգտագործվում են նաև կանխատեսումների ավտոմատացված գեներացման համար, ներառյալ սցենարայինը, նախկինում անհայտ ցուցանիշներով (նկ.): 2) IAD մեխանիզմը ներկառուցված լեզվական առարկաների մի շարք է, որոնք փոխազդում են միմյանց հետ, որի շնորհիվ մշակողը կարող է օգտագործել իր բաղկացուցիչ մասերը ցանկացած կիրառական լուծման ցանկացած համադրության մեջ: Ներկառուցված օբյեկտները թույլ են տալիս հեշտությամբ կազմակերպել օգտագործողի կողմից վերլուծության պարամետրերի ինտերակտիվ կարգավորումը, ինչպես նաև վերլուծության արդյունքը ցուցադրել այնպիսի ձևով, որը հարմար է աղյուսակային փաստաթղթում ցուցադրելու համար: Կիրառելով վերլուծության տեսակներից մեկը բնօրինակ տվյալների վրա, կարող եք ստանալ արդյունք, որը կներկայացնի տվյալների վարքի մի տեսակ մոդել: Վերլուծության արդյունքը կարող է ցուցադրվել վերջնական փաստաթղթում կամ պահպանվել հետագա օգտագործման համար. Դրա հիման վրա կարող եք ստեղծել կանխատեսման մոդել, որը թույլ է տալիս կանխատեսել նոր տվյալների վարքագիծը:
Նկար: 2. Տվյալների արդյունահանման մեխանիզմի ընդհանուր սխեմա: Ենթահամակարգի ներկայիս տարբերակը իրականացնում է այն մեթոդները, որոնք համաշխարհային պրակտիկայում ստացել են ամենամեծ առևտրային բաշխումը, այն է.

• կլաստերացում - գիտակցում է օբյեկտների խմբավորումը ՝ առավելագույնի հասցնելով ներխմբային նմանությունն ու միջխմբային տարբերությունները.
• որոշման ծառ - ապահովում է պայմանների պատճառահետեւանքային հիերարխիայի կառուցում, ինչը հանգեցնում է որոշակի որոշումների.
• ասոցիացիաների որոնում - իրադարձությունների կամ առարկաների տարրերի կայուն համակցությունների որոնում:

Ստորև մենք ավելի մանրամասն կքննարկենք IAD- ի այս մեթոդների գործնական կիրառման էությունը և հնարավորությունները:

Կլաստերացում

Կլաստերի նպատակն է նույն բնույթի օբյեկտների շարքից ընտրել մի շարք համեմատաբար միատարր խմբեր (հատվածներ կամ կլաստերներ): Օբյեկտները բաժանվում են խմբերի այնպես, որ ներխմբային տարբերությունները նվազագույն են, իսկ միջխմբային տարբերությունները ՝ առավելագույն (նկ. 3): Կլաստերի մեթոդները թույլ են տալիս օբյեկտ առ առարկա անցնել կամայական օբյեկտների հավաքածուի խմբային ներկայացում, ինչը մեծապես հեշտացնում է դրանց գործողությունը: Կլաստերացումը գործնականում կիրառելու մի քանի հնարավոր սցենարներ նկարագրված են ստորև: Հաճախորդի սեգմենտացիա որոշակի պարամետրերի համաձայն `հնարավոր է դառնում տարբերակել նրանց մեջ կայուն խմբերը` գնման նմանատիպ նախասիրություններով, վաճառքի մակարդակներով և վճարունակությամբ, ինչը մեծապես հեշտացնում է հաճախորդների հետ հարաբերությունների կառավարումը: Երբ ապրանքների դասակարգում բավականին հաճախ օգտագործվում են դասակարգման պայմանական սկզբունքները: Բաժինների բաշխումը, որը հիմնված է մի խումբ ֆորմալ չափանիշների վրա, թույլ է տալիս սահմանել ապրանքների իսկապես միատարր խմբեր: Ապրանքների լայն և բավականին տարասեռ տեսականի համատեքստում, տեսականու կառավարումը սեգմենտային մակարդակում, ի տարբերություն նոմենկլատուրայի մակարդակի կառավարման, էապես բարձրացնում է խթանման, գնագոյացման, առևտուր և մատակարարման շղթայի կառավարման արդյունավետությունը: Կառավարիչների սեգմենտացիան թույլ է տալիս ավելի արդյունավետ պլանավորել կազմակերպական փոփոխությունները, բարելավել մոտիվացիայի սխեմաները, հարմարեցնել վարձու անձնակազմի պահանջները, ինչը, ի վերջո, թույլ է տալիս բարձրացնել ընկերության կառավարելիությունը և ընդհանուր առմամբ բիզնեսի կայունությունը:
Նկար: 3. Տվյալների վերլուծություն կլաստերացման մեթոդով: Օբյեկտների նմանությունն ու տարբերությունը որոշվում է գործոնային տարածքում նրանց միջեւ եղած «հեռավորությամբ»: Հեռավորության չափման եղանակը կախված է նմուշի օբյեկտների նմանության / տարբերության որոշման սկզբունքը ցույց տվող մետրից: Ընթացիկ իրականացումը աջակցում է հետևյալ չափանիշներին.

• «Էվկլիդեսի չափանիշը» N- ծավալային էվկլիդյան հատկանիշի տարածության երկու կետերի ստանդարտ հեռավորությունն է.
• «Էվկլիդեսի մետրային քառակուսի» - ուժեղացնում է տարբերության (հեռավորության) ազդեցությունը կլաստերի արդյունքի վրա.
• «քաղաքային չափանիշ» - նվազեցնում է արտանետումների ազդեցությունը.
• «գերակայության մետրիկ» - սահմանում է նմուշի օբյեկտների տարբերությունը որպես դրանց հատկանիշների արժեքների միջև եղած տարբերության առավելագույնը, ուստի օգտակար է օբյեկտների միջև տարբերությունները մեկ հատկանիշով մեծացնելու համար:

Կլաստերային առարկաների միջեւ հեռավորության մասին տեղեկատվության վրա հիմնված կլաստերների ձևավորման մեթոդը որոշվում է կլաստերացման մեթոդով: «1C: Ձեռնարկություն 8.0» -ի ներկայիս տարբերակում իրականացվում են կլաստերավորման հետևյալ մեթոդները.

• «սերտ կապ» - օբյեկտը միանում է այն խմբին, որի համար հեռավորությունը մոտակա օբյեկտին նվազագույն է.
• «միջքաղաքային հաղորդակցություն». օբյեկտը միանում է այն խմբին, որի համար հեռավորությունը դեպի ամենահեռավոր օբյեկտը նվազագույն է.
• «ծանրության կենտրոն» - օբյեկտը միանում է այն խմբին, որի համար հեռավորությունը կլաստերի կենտրոնից նվազագույն է.
• «k- միջոցներ» մեթոդ. ընտրվում են կամայական օբյեկտներ, որոնք համարվում են կլաստերի կենտրոններ, այնուհետև վերլուծված բոլոր օբյեկտները հաջորդաբար թվարկվում և միանում են մոտակա կլաստերին: Օբյեկտը կցելուց հետո հաշվարկվում է կլաստերի նոր կենտրոն, որը հաշվարկվում է որպես կլաստերում ներառված բոլոր օբյեկտների հատկությունների միջին արժեք: Պրոցեդուրան կրկնվում է մինչև կլաստերի կենտրոնների փոփոխությունը:

Պլատֆորմում ներդրված կլաստերի մեթոդներից որևէ մեկը ենթադրում է պահանջվող կլաստերի քանակի հստակ նշում: Կարող եք օբյեկտների հատկանիշների համար կշիռներ մուտքագրել, ինչը թույլ է տալիս առաջնահերթություն դնել դրանց միջև: Կլաստերացման միջոցով վերլուծության արդյունքում ստացվում են հետևյալ տվյալները.

• կլաստերի կենտրոններ, որոնք յուրաքանչյուր կլաստերի մուտքային սյունակների միջին արժեքների ագրեգատն են.
• միջբջջային հեռավորությունների աղյուսակ (կլաստերի կենտրոնների միջև հեռավորություններ), որոնք որոշում են դրանց միջև տարբերության աստիճանը.
• յուրաքանչյուր կլաստերի համար կանխատեսվող սյունակների արժեքները.
• գործոնների գնահատումը և պայմանների ծառը, որոնք որոշեցին օբյեկտների բաշխումը կլաստերների մեջ:

Կլաստերային ալգորիթմները թույլ են տալիս ոչ միայն իրականացնել օբյեկտների կլաստերային վերլուծություն նշված հատկանիշների հավաքածուի վրա, այլև կանխատեսել դրանցից մեկի կամ մի քանիսի արժեքը ընթացիկ նմուշի համար `հիմնվելով այս նմուշի օբյեկտների որոշակի կլաստերի նշանակման վրա:

Ասոցիացիաների որոնում

Այս մեթոդը նախատեսված է որոշակի իրադարձությունների կամ առարկաների տարրերի կայուն համակցությունները բացահայտելու համար: Վերլուծության արդյունքները ներկայացվում են որպես հարակից տարրերի խմբեր: Այստեղ, բացի տարրերի բացահայտված կայուն համադրություններից, ներկայացված է հարակից տարրերի մանրամասն վերլուծություն (նկ. 4):
Նկար: 4. «Ասոցիացիաների որոնում» մեթոդով վերլուծության արդյունքների ներկայացում ՝ կապված հարակից տարրերի խմբերի տեսքով: Մեթոդն ի սկզբանե մշակվել է գնումների իրերի բնորոշ համադրություններ որոնելու համար, այդ պատճառով այն երբեմն անվանում են նաև զամբյուղի վերլուծություն: Այս սցենարում հարակից տարրերը սովորաբար ապրանքային խմբեր են կամ առանձին ապրանքներ: Իսկ նմուշների տարրերը միավորող խմբավորման օբյեկտը կարող է լինել գործարքը նույնականացնող տեղեկատվական համակարգի ցանկացած օբյեկտ. Օրինակ ՝ գնորդի պատվեր, ծառայությունների մատուցման մասին ակտ կամ ՀԴՄ կտրոն: Գնորդների արտադրանքի նախապատվությունների օրինաչափությունների վերաբերյալ տեղեկատվությունը մեծացնում է հաճախորդների հետ հարաբերությունների կառավարման արդյունավետությունը (գովազդային արշավների և շուկայավարման տեսանկյունից), գնագոյացման (համալիր առաջարկների և զեղչերի համակարգի ձևավորում), գույքագրման կառավարման և առևտուր (ապրանքների բաշխում վաճառքի տարածքներում) Այս մեթոդի օգտագործման մեկ այլ օրինակ է պարզել, թե որ գովազդային կապուղիներն են նախընտրում հաճախորդները `նպատակային գովազդային արշավներում կրկնօրինակումները խուսափելու համար: Սա թույլ է տալիս զգալիորեն կրճատել նման միջոցառումների ծախսերը: Հարթակում ներդրված ասոցիացիայի որոնման ալգորիթմը վերլուծության կամ կանխատեսման մոդելների համարժեքությունը վերահսկելու բավականին ճկուն միջոցներ ունի: «Գործերի նվազագույն տոկոս» պարամետրը սահմանում է ալգորիթմի «շեմը» իրադարձության կամ առարկայի տարրերի որոշակի համադրության համար, ինչը հնարավորություն է տալիս անտեսել վատ տարածված միավորումները: «Նվազագույն վստահություն» պարամետրը սահմանում է որոնվող ասոցիացիաների պահանջվող կայունությունը, իսկ «Նվազագույն նշանակություն» պարամետրը թույլ է տալիս որոշել առավել առաջնայինները: «Կտրել կանոնները» պարամետրը, որը կարող է ստանալ «Կտրել ավելորդ» և «Կտրված ծածկված այլ կանոններով» արժեքները, մեծապես նպաստում է վերլուծության և կանխատեսման արդյունքների ընկալմանը: Այս ալգորիթմի միջոցով ստացված արդյունքների գործնական մեկնաբանման համար կարևոր է կապված տարրերի սկզբնական շարքը բաժանել իսկապես միատարր խմբերի `իրականացվող վերլուծության տեսանկյունից:

Որոշման ծառ

Այս մեթոդը նախնական տվյալների վրա կիրառելու արդյունքում ստեղծվում է «եթե ... ապա ...» ձևի կանոնների հիերարխիկ (ծառանման) կառուցվածք, և վերլուծության ալգորիթմը յուրաքանչյուր փուլում ապահովում է առավելագույն նշանակալի պայմանների և դրանց միջև անցումների մեկուսացումը: Այս ալգորիթմը առավել լայնորեն օգտագործվում է տվյալների պատճառահետեւանքային կապերը բացահայտելու և վարքային օրինաչափությունները նկարագրելու համար: Որոշման ծառերի կիրառման բնորոշ տարածքը տարբեր ռիսկերի գնահատումն է, օրինակ `հաճախորդի կողմից պատվերի փակումը կամ նրա մրցակցին փոխանցումը, մատակարարի կողմից ապրանքների ուշ առաքումը կամ ապրանքային վարկի վճարման ուշացումը (նկ. 5): Մոդելի բնորոշ ներդրման գործոններն են պատվերի չափը և կազմը, փոխադարձ հաշվարկների ընթացիկ մնացորդը, վարկային սահմանը, կանխավճարի տոկոսը, առաքման ժամկետները և կանխատեսվող օբյեկտը բնութագրող այլ պարամետրեր: Ռիսկի համարժեք գնահատումը ապահովում է, որ տեղեկացված որոշումներ կայացվեն `ընկերության գործունեության մեջ եկամտաբերություն / ռիսկի գործակիցը օպտիմալացնելու համար, և նաև օգտակար է տարբեր բյուջեների իրատեսականությունը մեծացնելու համար:

Նկար: 5. «Որոշման ծառ» մեթոդի կիրառումը թույլ է տալիս, հիմնվելով (ա) մոդելի ներդրման գործոնների վրա, գնահատել որոշ կառավարչական որոշումներ կայացնելու ռիսկերի (բ): Որպես օրինակ-պատճառ, որ ալգորիթմը բացահայտում է պատճառահետեւանքային կապերը, մենք կարող ենք բերել վաճառքի բաժնի աշխատանքը օպտիմալացնելու խնդիրը: Այն լուծելու համար, որպես կանխատեսված արժեք, մենք կընտրենք վաճառքի մենեջերների արդյունավետության ցուցիչ, օրինակ `հատուկ շահութաբերություն յուրաքանչյուր հաճախորդի համար, և որպես գործոններ` տվյալների մի շարք, որոնք կարող են ազդել արդյունքի վրա: Ալգորիթմը որոշելու է արդյունքի վրա ամենամեծ ազդեցությունն ունեցող գործոնները, ինչպես նաև որոշակի արդյունքի տանող պայմանների բնորոշ համակցությունները: Ավելին, «Տվյալների վերլուծություն» ենթահամակարգը թույլ կտա գնահատել (կանխատեսել) թիրախային ցուցանիշի ակնկալվող արժեքները `հիմնվելով ընթացիկ տվյալների վրա, ինչպես նաև կանխատեսել« ինչ կլինի, եթե ... »` փոխելով մոդելի մուտքին մատակարարվող ցուցանիշները: Որոշման ծառերի միջոցով վերլուծության և կանխատեսման արդյունքները կարող են էապես նվազեցնել գործարար միջավայրի անորոշության ազդեցությունը ընկերության վիճակի վրա, ինչպես նաև լուծել խնդիրների լայն շրջանակ `կապված բարդ և ոչ ակնհայտ պատճառահետեւանքային կապերի բացահայտման հետ: Որոշման ծառի ալգորիթմը կազմում է պայմանների պատճառահետեւանքային հիերարխիա, որոնք հանգեցնում են որոշակի որոշումների: Դասընթացի համար այս մեթոդը կիրառելու արդյունքում ստեղծվում է «եթե ... ուրեմն ...» ձևի պառակտման կանոնների հիերարխիկ (ծառանման) կառուցվածք: Վերլուծության ալգորիթմը (մոդելի ուսուցում) վերածվում է դրանց միջև ամենաէական պայմանների և անցումների մեկուսացման կրկնվող գործընթացի: Պայմանները կարող են լինել ինչպես քանակական, այնպես էլ որակական և կազմել այս վերացական ծառի «ճյուղերը»: Դրա «սաղարթը» ձեւավորվում է կանխատեսված հատկության (լուծույթի) արժեքներից, որոնք, ինչպես անցումային պայմանները, ընդունում են ինչպես որակական, այնպես էլ քանակական մեկնաբանություն: Գործոնների վրա դրված այս պայմանների համադրությունը և դրանց միջև անցումային կառուցվածքը մինչև վերջնական որոշում կազմում են կանխատեսման մոդելը: Այս ալգորիթմը առավել լայնորեն օգտագործվում է տարբեր իրադարձությունների շղթաների արդյունքների գնահատման և նմուշների պատճառահետեւանքային կապերը պարզելու համար: Այս ալգորիթմի մոդելի նշանակությունն ու հուսալիությունը վերահսկվում է «Պարզեցման տեսակ», «treeառի առավելագույն խորություն» և «Հանգույցում տարրերի նվազագույն քանակ» պարամետրերով: Որոշման ծառի ալգորիթմի միջոցով նմուշի վերլուծության արդյունքներն են.

• գործոնների վարկանիշը, որը որոշման վրա ազդած գործոնների ցուցակ է, ըստ տեսակարար նշանակության նվազման կարգի («վկայակոչումներ» ծառի հանգույցներում);
• որոշումների (կանխատեսվող սյունակի արժեքների) և դրանք որոշող պայմանների համեմատություն, այլ կերպ ասած `« Արդյունք-պատճառ »ծառը.
• «Պատճառ-հետեւանք» ծառը, որը պայմանների միջև անցումների ամբողջություն է, որը որոշում է որոշակի որոշում (փաստորեն, կանխատեսման մոդելի տեսողական ներկայացում):

«1C» համատեղ լուծումներ Բացի 1C: Enterprise 8.0 պլատֆորմի ուղղակիորեն իրականացված գործառույթներից, 1C բիզնեսի հետախուզական գործիքների զինանոցը համալրվում է 1C-Joint նախագծի շրջանակներում ստեղծված մասնագիտացված լուծումներով (http://v8.1c.ru/): լուծումներ) - ֆիրմայի գործընկերների և անկախ մշակողների մասնակցությամբ (տե՛ս «Ֆիրմայի« 1C »և նրա գործընկերների համատեղ լուծումներ», «BYTE / Ռուսաստան» թիվ 9 2005 թ.): Այստեղ մենք նշելու ենք վերլուծության խելացի մեթոդների օգտագործման հետ կապված երկու արտադրանք. սա «1C. ձեռնարկություն 8.0. 1C-VIP Anatech: ABIS: ABC. Կառավարման հաշվառում և ծախսերի հաշվարկ »(գործընկեր-մշակող ՝ VIP Anatech խորհրդատվական ընկերություն) և 1C-VIP Anatech-VDGB ՝ ABIS: BSC- ն: Հավասարակշռված գնահատման քարտ »(զարգացման գործընկերներ ՝ VIP Anatech և VDGB):

Բնորոշ բիզնեսի սցենարներ IAD մեթոդների օգտագործման համար

PAD փաստաթղթերը պարունակում են մի հատված, որը նվիրված է տվյալների արդյունահանման կիրառման բնորոշ օրինակներին `կապված« 1C: Trade Management 8.0 »կազմաձևի հետ: Ահա այս բիզնեսի սցենարներից մի քանիսը:

Հաճախորդների հարաբերությունների կառավարում

«Գովազդային արշավի պլանավորում» սցենարԱռաջիկա գովազդային արշավի պլանավորումը դիտարկվում է ըստ գովազդային ալիքների միջև հատկացված բյուջեի բաշխման օպտիմալացման տեսանկյունից `ելնելով տարածաշրջանային, արտադրանքի, հաճախորդի և թիրախային հատվածի այլ ցուցանիշներից, ինչպես նաև նշված նախորդ բաժիններում գովազդային ալիքների արդյունավետության վրա: Ալգորիթմ - «Կլաստերի վերլուծություն»: Կանխատեսող հատկություններ - պայմանական միատարր հատվածների գովազդային ալիքին պատասխանների բաժինը, որը հատկացվել է ալգորիթմի կողմից: Հաշվարկված սյուններ - գովազդային ալիքների մասնաբաժինը գովազդային արշավի բյուջեում `հաշվի առնելով պատասխանների հավանական մասնաբաժինը և յուրաքանչյուր գովազդային ալիքի արդյունավետությունը (ստացված եկամտի տեսանկյունից): Օրինակի օրինակ. P տարածաշրջանի Ա դասի հաճախորդները, ովքեր նախընտրում են P ապրանքախումբը, գրավվում են նույն գովազդային ալիքով, ինչ H տարածաշրջանի հաճախորդները, ովքեր նախընտրում են Y ապրանքային խումբը:

Մատակարարման շղթայի կառավարում

«Մատակարարի ընտրության օպտիմալացում ըստ ապրանքախմբի» սցենարԱռևտրային հիմնական խմբերի համար առաջին մակարդակի գերիշխող մատակարարների ընտրությունը չափազանց կարևոր է, մասնավորապես, լոգիստիկ համակարգը և, ընդհանուր առմամբ, մատակարարման շղթայի կառավարման համակարգը կայունացնելու, ինչպես նաև մատակարարման շղթաների միջին տևողությունը նվազեցնելու համար: Մյուս կողմից, խոշոր մատակարարների հետ սերտ ինտեգրումը, որպես կանոն, կարող է էապես նվազեցնել ապրանքների գինը: Այս առումով հետաքրքրություն է առաջացնում վերլուծել տարբեր ապրանքային խմբերում մատակարարների կայուն համադրությունները `համեմատած խմբերի հարակից մատակարարների վերլուծությունների հետ: Սա թույլ է տալիս տարբերել մատակարարների «խաչմերուկները» տարբեր ապրանքային խմբերում և օպտիմալացնել նրանց հետ հարաբերությունները: Ալգորիթմ - «Ասոցիացիաների որոնում»: Կանխատեսող հատկություններ - մատակարարների կայուն համակցություններ: Հիմնական գործոնները - ապրանքախմբեր. Վերծանում - մատակարարների կողմից վերլուծություններ (գնումների ծավալը, եկամուտը, առաքման և վճարման ժամկետները, պատվերի կատարման ժամկետները `հոռետեսական, լավատես, միջին): Օրինակի օրինակ. մեծ և անկանխատեսելի մատակարար A- ի և կանխատեսելի միջին մատակարարի կայուն միավորում մեծ թվով ապրանքախմբերում: Հնարավոր է, երբ մրցակցային ապրանքախմբերի պատվերներ դնելիս, միջին մատակարարը դնել որպես հիմնական, եթե պատվերի ծավալը մեծին չի գերազանցում որոշակի (մասշտաբով զգալի շահույթ) շեմը:

Անձնակազմի կառավարում

Սցենար «Պրոֆիլային վաճառքի մենեջերներին ըստ կատարման հիմնական ցուցանիշների»Managersեկավարների արդյունավետության որոշումը (պահպանում, հաճախորդների որոնում, հաղորդակցության արդյունավետություն, պայմանական և անվերապահ դեբիտորական պարտքերի հավաքագրում, ըստ հաճախորդի համար կատարողականի հատուկ ցուցանիշներ և այլն) հետաքրքրություն է ներկայացնում ոչ միայն ղեկավարների համար նյութական խթանների համակարգի ձևավորման տեսանկյունից, այլև արդյունավետ ռացիոնացիայի տեսանկյունից: իրենց գործունեության պարամետրերը: Ալգորիթմ - «Որոշման ծառեր»: Կանխատեսող հատկություններ - վաճառքի բաժնի գործունեության հիմնական ցուցանիշները (հիմնական հաճախորդների քանակը, փոփոխման և ձեռքբերման տեմպերը, ամսական կորցրած եկամուտները, ամսական ներգրավված եկամուտները, հաճախորդներից ամսական եկամուտները, հաճախորդներից ստացված ընդհանուր եկամուտները և այլն) Հիմնական գործոնները - ակտիվ հաճախորդների քանակը, եկամուտը, եկամուտը, հատուկ հաճախորդները ըստ հաճախորդի, հաղորդակցության արդյունավետությունը: Կախված կանխատեսված հատկություններից ՝ գործոնների կազմը կարող է զգալիորեն տարբեր լինել: Օրինակի օրինակ. ղեկավարները, որոնք տրամադրում են դեբիտորական պարտքերի հավաքագրման լավագույն ցուցանիշները (DS մուտքերի հարաբերակցությունը եկամուտների հետ), ունեն պահպանման տոկոսադրույք\u003e 0,8; ներգրավման գործակիցը\u003e 0.25; միաժամանակ բաց գործարքների քանակը ոչ ավելի, քան 15 է, բայց ոչ պակաս, քան 10; Իրադարձությունների ինտենսիվությունը մեկ օրում ոչ ավելի, քան 10, բայց ոչ պակաս, քան 3; ակտիվ հաճախորդների թիվը ժամանակահատվածում ոչ պակաս, քան 50 է, բայց ոչ ավելի, քան 100:

Եզրակացություն

Modernամանակակից բիզնեսն այնքան բազմաբնույթ է, որ որոշակի որոշման վրա ազդող գործոնները կարելի է հաշվել տասնյակներով: Մրցակցությունն օրեցօր սրվում է, ապրանքների կյանքի ցիկլը կրճատվում է, հաճախորդների նախասիրություններն ավելի ու ավելի արագ են փոխվում: Բիզնեսի զարգացման համար անհրաժեշտ է հնարավորինս դինամիկ կերպով արձագանքել արագ փոփոխվող բիզնես միջավայրին ՝ հաշվի առնելով իրադարձությունների զարգացման նուրբ և երբեմն նուրբ օրինաչափությունները: Հաճախորդների ո՞ր խմբերը կպատասխանեն խթանմանը, և որո՞նք են անվերադարձ գնան մրցակիցների: Նոր բիզնես գիծ բացե՞լ, թե՞ սպասել հիմա: Գնորդը ուշանա՞լ է վճարումից, իսկ մատակարարը ՝ առաքմամբ: Որո՞նք են աճի հնարավորությունները և որտե՞ղ են թաքնված հավանական սպառնալիքները: Հազարավոր մենեջերներ ամեն օր իրենց ու գործընկերներին այդպիսի հարցեր են տալիս: 1C: Enterprise 8.0 պլատֆորմում ներդրված տվյալների վերլուծության ենթահամակարգը նախատեսված է օգնելու կորպորատիվ տեղեկատվական համակարգի օգտվողներին ավելի շուտ գտնել ոչ տրիվիալ հարցերի պատասխանները `ապահովելով տեղեկատվական համակարգում կուտակված տվյալների ավտոմատ վերափոխումը գործնականում և լավ մեկնաբանված օրինաչափությունների:

Տնտեսական և վերլուծական հաշվետվություններ «1C. Ձեռնարկություն 8.0» -ում 1C: Enterprise 8.0 պլատֆորմը ներառում է տնտեսական և վերլուծական հաշվետվությունների ձևավորման մի շարք մեխանիզմներ, որոնք թույլ են տալիս ձևակերպել ինտերակտիվ փաստաթղթեր (և ոչ միայն տպագիր ձևեր) որոշակի կիրառական լուծումների շրջանակներում: Այսպիսով, օգտվողը կարող է աշխատել հաշվետվությունների հետ այնպես, ինչպես ցանկացած էկրանի ձևով, ներառյալ զեկույցի պարամետրերի փոփոխումը, վերակառուցումը, «վերծանումները» օգտագործելը (արդեն իսկ ստացված զեկույցի առանձին տարրերի հիման վրա լրացուցիչ հաշվետվությունների ստացում) և այլն , կան մի քանի ունիվերսալ ծրագրային ապահովման գործիքներ, որոնք թույլ են տալիս գեներացնել ցանկացած կամայական հաշվետվություն ՝ կախված առաջադրանքներից: Դա կարող են անել նաև օգտվողները (բավականին փորձառու), ովքեր քաջատեղյակ են կիրառվող լուծույթի կառուցվածքին: Ստորև մենք հակիրճ կքննարկենք «1C: Ձեռնարկություն 8.0» –ում զեկուցելու հիմնական գործիքները: Հարցումներ - սա «1C: Ձեռնարկություն 8.0» –ում տվյալների մուտք գործելու եղանակներից մեկն է, որի միջոցով տեղեկատվությունը տվյալների շտեմարանից ստացվում է ըստ որոշակի պայմանների, որպես կանոն, ստացված տվյալների ամենապարզ մշակման հետ համատեղ ՝ խմբավորել, տեսակավորել, հաշվարկել Հարցումների միջոցով տվյալների փոփոխություն հնարավոր չէ, քանի որ դրանք ի սկզբանե նախատեսված են մեծ քանակությամբ տեղեկատվությունից արագ տեղեկատվություն ստանալու համար: Տվյալների շտեմարանն իրականացվում է միմյանց հետ կապված աղյուսակների տեսքով, որոնք կարող են մուտք գործել ինչպես առանձին, այնպես էլ հարաբերությունների մի քանի աղյուսակներ: Իրենց սեփական ալգորիթմներն իրականացնելու համար մշակողը կարող է օգտագործել SQL- ի վրա հիմնված հարցման լեզու, որը պարունակում է բազմաթիվ ընդլայնումներ, որոնք արտացոլում են ֆինանսատնտեսական խնդիրների առանձնահատկությունները և նվազեցնում կիրառական լուծումներ ստեղծելու վրա ծախսված ջանքերը: Պլատֆորմը պարունակում է հարցումների ձևավորող, որը թույլ է տալիս կազմել հարցման ճիշտ տեքստ ՝ օգտագործելով միայն տեսողական գործիքներ (նկ. 6): Նկար: 6. Հարցումների կոնստրուկտորը (ա) թույլ է տալիս մշակողին կազմել հարցման տեքստը (բ) բացառապես տեսողական միջոցներով: Աղյուսակի փաստաթուղթ տեղեկատվության պատկերացման և խմբագրման հզոր մեխանիզմ է, ներառյալ տվյալների բազայից տեղեկատվության դինամիկ ընթերցումը օգտագործելը: Աղյուսակային փաստաթուղթը կարող է օգտագործվել ինքնուրույն կամ մաս կազմել որևէ ձևի, որն օգտագործվում է կիրառական լուծման մեջ: Իր հիմքում այն \u200b\u200bհիշեցնում է աղյուսակ (բաղկացած է տողերից և սյունակներից, որոնք պարունակում են տվյալներ), բայց դրա հնարավորությունները շատ ավելի լայն են: Այն աջակցում է խմբավորման, վերծանման, գրառումների ներառման գործողություններին: Ձեր փաստաթղթում կարող եք օգտագործել զանազան զեկույցների ձևավորման ձևեր, ներառյալ գրաֆիկական գծապատկերներ: Աղյուսակային փաստաթուղթը կարող է պարունակել առանցքային աղյուսակներ, որոնք ինքնին ծառայում են որպես արդյունավետ գործիք բազմաչափ տվյալների ծրագրային և ինտերակտիվ ներկայացման համար: Ելքի ձևի կոնստրուկտոր օգնում է մշակողին ստեղծել հաշվետվություններ և ներկայացնել զեկույցի տվյալները հարմար աղյուսակային կամ գրաֆիկական ձևով: Այն ներառում է հարցման դիզայների բոլոր հատկությունները, ինչպես նաև ձևի ստեղծում և անհատականացում: Հաշվետվություն կառուցող ներկառուցված լեզվի օբյեկտ է, որն ապահովում է զեկույց դինամիկ կերպով ստեղծելու հնարավորություն ինչպես ծրագրային, այնպես էլ ինտերակտիվ եղանակով (նկ. 7): Դրա գործողությունը հիմնված է հարցման վրա, ըստ որի ՝ օգտագործողին հնարավորություն է տրվում ինտերակտիվ կերպով կարգավորել հարցման տեքստում պարունակվող բոլոր հիմնական պարամետրերը: Այս հարցման արդյունքները ցուցադրվում են աղյուսակային փաստաթղթում, որը կարող է նաև օգտագործել տեղեկատվություն կամայական աղբյուրներից: Մշակողը, օգտագործելով զեկույցի կառուցողի հրամանները, կարող է փոխել օգտագործողի ՝ անհատականացման համար մատչելի պարամետրերի ցանկը: Նկար: 7. Հաշվետվություն կազմողի սխեման: Աշխարհագրական սխեմաներ թույլ են տալիս տեսողականորեն ներկայացնել տեղեկատվություն, որն ունի տարածքային հղում `դեպի երկրներ, տարածաշրջաններ, քաղաքներ: Նրանց վերաբերյալ տվյալները կարող են ցուցադրվել տարբեր ձևերով. Տեքստի, հիստոգրամայի, գույնի, նկարի, տարբեր տրամագծերի և գույների օղակների, կարկանդակների գծապատկերների տեսքով: Սա թույլ է տալիս գրաֆիկական տեսքով ցուցադրել, օրինակ, վաճառքի ծավալներն ըստ տարածաշրջանների: Օգտատերը կարող է փոխել ցուցադրվող դիագրամի մասշտաբը, ստանալ վերծանումներ, երբ կտտացնում են դիագրամի օբյեկտները, և նույնիսկ ստեղծել նոր աշխարհագրական սխեմաներ: Աշխարհագրական դիագրամը կարող է օգտագործվել նաև պարզապես աշխարհագրական որոշակի տեղեկատվություն ցուցադրելու համար, ինչպիսիք են գրասենյակ վարելու ուղղությունները կամ մեքենա վարելը: Տվյալների արդյունահանում: Այս մեխանիզմները թույլ են տալիս բացահայտել ոչ ակնհայտ օրինաչափություններ, որոնք սովորաբար թաքնված են մեծ քանակությամբ տեղեկատվության հետեւում: Այն օգտագործում է գիտելիքների հայտնաբերման կոմպլեմենտար մեթոդներ, որոնք ստացել են ամենամեծ առևտրային բաշխումը համաշխարհային պրակտիկայում. Հարցման վահանակ և հաշվետվությունների վահանակ: Այս երկու կոնսոլներն էլ տեխնոլոգիական պլատֆորմի մաս չեն, բայց արտաքին զեկույցներ են, որոնք հնարավոր է գործարկել ցանկացած կիրառական լուծման մեջ: Դրանք, համապատասխանաբար, մշակողին կամ փորձառու օգտագործողին օգնում են կազմել հարցումի տեքստը և վերլուծել դրա արդյունքները կամ կազմել կամայական հաշվետվություն: