- bendroji statistika
- Ieškokite asociacijų
- Sekos paieška
- Sprendimų medis
- Klasterinė analizė
- Duomenų analizė – objektas, atliekantis duomenų analizę. Tam reikia nurodyti duomenų šaltinį ir būtinus analizės parametrus.
- Duomenų analizės rezultatas yra objektas, kuris yra duomenų analizės darbo rezultatas.
- Prognozės modelis – sukurtas remiantis duomenų analizės rezultatu. Objektas yra paskutinė 1C analizės mechanizmo grandis ir generuoja verčių lentelę, kurioje yra numatytos vertės.
- Bendroji statistika – šio tipo analizė yra paprasta statistinė duomenų šaltinio atranka. Taikymo pavyzdys yra tam tikro laikotarpio pardavimų analizė pagal prekes. Analizės rezultatas bus informacija apie tai, kiek konkretaus produkto buvo parduota. Sistema taip pat apskaičiuos konkrečius laukus – maksimumą, minimumą, medianą, vidurkį, diapazoną, standartinį nuokrypį, reikšmių skaičių, unikalių reikšmių skaičių, režimą.
- Asociacijų paieška – šio tipo analizė skirta dažnai kartu pasitaikančių derinių paieškai. Labai tinka ieškant prekių, kurios dažnai perkamos kartu. Analizės rezultate sistema generuos tokią informaciją: informaciją apie apdorojamus duomenis, asociatyvias grupes, asociatyvines taisykles, pagal kurias grupės lyginamos.
- Ieškoti sekų – analizė, leidžianti nustatyti analizuojamų duomenų šablonus ir pasiūlyti tolesnes prognozes. Atlikus analizę, sistema parodys informaciją apie tam tikrų įvykių pasireiškimo galimybę procentais.
Duomenų analizės ir prognozavimo variklis– tai vienas iš ekonominių ir analitinių ataskaitų rengimo mechanizmų. Ji suteikia vartotojams (ekonomistams, analitikams ir kt.) galimybę ieškoti neakivaizdžių šablonų informacinėje bazėje sukauptuose duomenyse. Šis mechanizmas leidžia:
- ieškoti šablonų informacinės bazės šaltinio duomenyse;
- valdyti atliekamos analizės parametrus tiek programiškai, tiek interaktyviai;
- suteikti programinę prieigą prie analizės rezultato;
- automatiškai rodyti analizės rezultatą skaičiuoklės dokumente;
- sukurti prognozės modelius, leidžiančius automatiškai numatyti vėlesnius įvykius arba naujų objektų tam tikrų savybių reikšmes.
Duomenų analizės mechanizmas yra integruotų kalbos objektų, kurie sąveikauja tarpusavyje, rinkinys, leidžiantis kūrėjui naudoti jo komponentus bet kokiu deriniu bet kuriame programos sprendime. Integruoti objektai leidžia vartotojui lengvai organizuoti interaktyvią analizės parametrų konfigūraciją, taip pat leidžia rodyti analizės rezultatą tokia forma, kurią patogu rodyti skaičiuoklės dokumente.
Mechanizmas leidžia dirbti tiek su duomenimis, gautais iš informacijos bazės, tiek su duomenimis, gautais iš išorinio šaltinio, iš anksto įkeltais į verčių lentelę arba skaičiuoklės dokumentą:
Pradiniams duomenims taikydami vieną iš analizės tipų, galite gauti analizės rezultatą. Analizės rezultatas parodo tam tikrą duomenų elgesio modelį. Analizės rezultatas gali būti rodomas galutiniame dokumente arba išsaugotas naudoti ateityje.
Tolesnis analizės rezultato panaudojimas yra tas, kad jo pagrindu galima sukurti prognozės modelį, leidžiantį numatyti naujų duomenų elgseną pagal esamą modelį.
Pavyzdžiui, galite analizuoti, kurios prekės perkamos kartu (vienoje sąskaitoje faktūroje) ir šį analizės rezultatą išsaugoti duomenų bazėje. Ateityje, kurdami kitą sąskaitą pagal išsaugotą analizės rezultatą, galėsite sudaryti prognozės modelį, įvesti jį naujais duomenimis, esančiais šioje sąskaitoje faktūroje, o „išvestis“ gauti prognozę – prekių, kurias sandorio šalis Petrovas B.S. Jis taip pat greičiausiai juos įsigis, jei jam bus pasiūlyta:
Duomenų analizės ir prognozavimo variklis įgyvendina kelių tipų duomenų analizę:
Įdiegti analizės tipai
bendroji statistika
Tai informacijos apie tiriamos imties duomenis rinkimo mechanizmas. Šio tipo analizė skirta išankstiniam analizuojamo duomenų šaltinio tyrimui.
Analizė parodo daugybę ištisinių ir diskrečiųjų laukų charakteristikų. Ištisiniuose laukuose yra tokių tipų kaip Skaičius, data. Kitų tipų atveju naudojami atskiri laukai. Išvedant ataskaitą į skaičiuoklės dokumentą, užpildomos skritulinės diagramos, kad būtų rodoma laukų sudėtis.
Ieškokite asociacijų
Šio tipo analizė kartu ieško dažnai pasitaikančių objektų grupių ar būdingų reikšmių, taip pat ieško asociacijų taisyklių. Asociacijų paieška gali būti naudojama, pavyzdžiui, norint kartu nustatyti dažnai perkamas prekes ar paslaugas:
Tokio tipo analizė gali veikti su hierarchiniais duomenimis, o tai leidžia, pavyzdžiui, rasti taisykles ne tik konkretiems produktams, bet ir jų grupėms. Svarbus šio tipo analizės bruožas yra galimybė dirbti tiek su objekto duomenų šaltiniu, kurio kiekviename stulpelyje yra tam tikra objekto charakteristika, ir su įvykių šaltiniu, kai objekto charakteristikos yra viename stulpelyje.
Kad rezultatas būtų lengviau suvokiamas, numatytas perteklinių taisyklių panaikinimo mechanizmas.
Sekos paieška
Sekos paieškos analizės tipas leidžia identifikuoti nuoseklias įvykių grandines duomenų šaltinyje. Pavyzdžiui, tai gali būti prekių arba paslaugų, kurias klientai dažnai perka nuosekliai, grandinė:
Šio tipo analizė leidžia atlikti hierarchines paieškas, kurios leidžia sekti ne tik konkrečių įvykių, bet ir pirminių grupių sekas.
Analizės parametrų rinkinys leidžia specialistui apriboti laiko atstumus tarp ieškomų sekų elementų, taip pat koreguoti gautų rezultatų tikslumą.
Klasterinė analizė
Klasterinė analizė leidžia suskirstyti pradinį tiriamų objektų rinkinį į objektų grupes, kad kiekvienas objektas būtų panašesnis į objektus iš savo grupės nei į objektus iš kitų grupių. Toliau analizuodami gautas grupes, vadinamas klasteriais, galite nustatyti, kaip apibūdinama viena ar kita grupė, ir nuspręsti, kaip dirbti su įvairių grupių objektais. Pavyzdžiui, naudodami klasterių analizę, galite suskirstyti klientus, su kuriais įmonė dirba, į grupes, kad dirbdami su jais pritaikytumėte skirtingas strategijas:
Naudodamas klasterinės analizės parametrus, analitikas gali sukonfigūruoti algoritmą, pagal kurį bus atliekamas skaidymas, taip pat gali dinamiškai keisti charakteristikų, į kurias atsižvelgiama atliekant analizę, sudėtį ir sukonfigūruoti joms svorio koeficientus.
Klasterizacijos rezultatas gali būti rodomas dendrogramoje – specialiame objekte, skirtame rodyti nuoseklius ryšius tarp objektų.
Sprendimų medis
Sprendimų medžio tipo analizė leidžia sukurti hierarchinę klasifikavimo taisyklių struktūrą, pateiktą medžio pavidalu.
Norėdami sukurti sprendimų medį, turite pasirinkti tikslinį atributą, pagal kurį bus kuriamas klasifikatorius, ir keletą įvesties atributų, kurie bus naudojami taisyklėms kurti. Tikslo atribute gali būti, pavyzdžiui, informacija apie tai, ar klientas persijungė į kitą paslaugų teikėją, ar operacija buvo sėkminga, ar darbas atliktas gerai ir pan. Pavyzdžiui, įvesties atributai gali būti darbuotojo amžius, jo darbo patirtis, kliento finansinė būklė, darbuotojų skaičius įmonėje ir kt.
Analizės rezultatas pateikiamas medžio pavidalu, kurio kiekviename mazge yra tam tikra sąlyga. Norint nuspręsti, kuriai klasei priskirti naują objektą, reikia, atsakant į klausimus mazguose, pereiti grandinę nuo šaknies iki medžio lapo, teigiamo atsakymo atveju pereinant prie antrinių mazgų. o į gretimą mazgą neigiamo atsakymo atveju.
Analizės parametrų rinkinys leidžia reguliuoti gauto medžio tikslumą:
Prognozės modeliai
Mechanizmo kuriami prognozių modeliai yra specialūs objektai, kurie sukuriami iš duomenų analizės rezultato ir leidžia automatiškai atlikti naujų duomenų prognozę ateityje.
Pavyzdžiui, asociacijų paieškos prognozės modelis, sukurtas analizuojant pirkėjo pirkimus, gali būti naudojamas dirbant su perkančiu klientu, siekiant pasiūlyti jam prekes, kurias jis greičiausiai pirks kartu su pasirinktomis prekėmis.
Duomenų analizės ir prognozavimo mechanizmas suteikia vartotojams (ekonomistams, analitikams ir kt.) galimybę ieškoti neakivaizdžių šablonų informacinėje bazėje sukauptuose duomenyse. Šis mechanizmas leidžia:
- ieškoti šablonų informacinės bazės šaltinio duomenyse;
- valdyti atliekamos analizės parametrus tiek programiškai, tiek interaktyviai;
- suteikti programinę prieigą prie analizės rezultato;
- automatiškai rodyti analizės rezultatą skaičiuoklės dokumente;
- sukurti prognozės modelius, leidžiančius automatiškai numatyti vėlesnius įvykius arba naujų objektų tam tikrų savybių reikšmes.
Duomenų analizės mechanizmas yra integruotų kalbos objektų, kurie sąveikauja tarpusavyje, rinkinys, leidžiantis kūrėjui naudoti jo komponentus bet kokiu deriniu bet kuriame programos sprendime. Integruoti objektai leidžia vartotojui lengvai organizuoti interaktyvią analizės parametrų konfigūraciją, taip pat leidžia rodyti analizės rezultatą tokia forma, kurią patogu rodyti skaičiuoklės dokumente.
Mechanizmas leidžia dirbti tiek su duomenimis, gautais iš informacijos bazės, tiek su duomenimis, gautais iš išorinio šaltinio, iš anksto įkeltais į verčių lentelę arba skaičiuoklės dokumentą:
Pradiniams duomenims taikydami vieną iš analizės tipų, galite gauti analizės rezultatą. Analizės rezultatas parodo tam tikrą duomenų elgesio modelį. Analizės rezultatas gali būti rodomas galutiniame dokumente arba išsaugotas naudoti ateityje.
Tolesnis analizės rezultato panaudojimas yra tas, kad jo pagrindu galima sukurti prognozės modelį, leidžiantį numatyti naujų duomenų elgseną pagal esamą modelį.
Pavyzdžiui, galite analizuoti, kurios prekės perkamos kartu (vienoje sąskaitoje faktūroje) ir šį analizės rezultatą išsaugoti duomenų bazėje. Vėliau, kurdami kitą sąskaitą:
Remdamiesi išsaugotu analizės rezultatu, galite sukurti prognozės modelį, „įvesti“ jį su naujais šioje sąskaitoje esančiais duomenimis, o „išvestis“ gauti prognozę - prekių sąrašą, kurį sandorio šalis B.S. Jis taip pat greičiausiai juos įsigis, jei jam bus pasiūlyta:
Duomenų analizės ir prognozavimo variklis įgyvendina kelių tipų duomenų analizę:
Įdiegti analizės tipai
bendroji statistika
Tai informacijos apie tiriamos imties duomenis rinkimo mechanizmas. Šio tipo analizė skirta išankstiniam analizuojamo duomenų šaltinio tyrimui.
Analizė atskleidžia daugybę skaitmeninių ir ištisinių laukų charakteristikų. Išvedant ataskaitą į skaičiuoklės dokumentą, užpildomos skritulinės diagramos, kad būtų rodoma laukų sudėtis.
Ieškokite asociacijų
Šio tipo analizė kartu ieško dažnai pasitaikančių objektų grupių ar būdingų reikšmių, taip pat ieško asociacijų taisyklių. Asociacijų paieška gali būti naudojama, pavyzdžiui, norint kartu nustatyti dažnai perkamas prekes ar paslaugas:
Tokio tipo analizė gali veikti su hierarchiniais duomenimis, o tai leidžia, pavyzdžiui, rasti taisykles ne tik konkretiems produktams, bet ir jų grupėms. Svarbus šio tipo analizės bruožas yra galimybė dirbti tiek su objekto duomenų šaltiniu, kurio kiekviename stulpelyje yra tam tikra objekto charakteristika, ir su įvykių šaltiniu, kai objekto charakteristikos yra viename stulpelyje.
Kad rezultatas būtų lengviau suvokiamas, numatytas perteklinių taisyklių panaikinimo mechanizmas.
Sekos paieška
Sekos paieškos analizės tipas leidžia identifikuoti nuoseklias įvykių grandines duomenų šaltinyje. Pavyzdžiui, tai gali būti prekių arba paslaugų, kurias klientai dažnai perka nuosekliai, grandinė:
Šio tipo analizė leidžia atlikti hierarchines paieškas, kurios leidžia sekti ne tik konkrečių įvykių, bet ir pirminių grupių sekas.
Analizės parametrų rinkinys leidžia specialistui apriboti laiko atstumus tarp ieškomų sekų elementų, taip pat koreguoti gautų rezultatų tikslumą.
Klasterinė analizė
Klasterinė analizė leidžia suskirstyti pradinį tiriamų objektų rinkinį į objektų grupes, kad kiekvienas objektas būtų panašesnis į objektus iš savo grupės nei į objektus iš kitų grupių. Toliau analizuodami gautas grupes, vadinamas klasteriais, galite nustatyti, kaip apibūdinama viena ar kita grupė, ir nuspręsti, kaip dirbti su įvairių grupių objektais. Pavyzdžiui, naudodami klasterių analizę, galite suskirstyti klientus, su kuriais įmonė dirba, į grupes, kad dirbdami su jais pritaikytumėte skirtingas strategijas:
Naudodamas klasterinės analizės parametrus, analitikas gali sukonfigūruoti algoritmą, pagal kurį bus atliekamas skaidymas, taip pat gali dinamiškai keisti charakteristikų, į kurias atsižvelgiama atliekant analizę, sudėtį ir sukonfigūruoti joms svorio koeficientus.
Klasterizacijos rezultatas gali būti rodomas dendrogramoje – specialiame objekte, skirtame rodyti nuoseklius ryšius tarp objektų.
Sprendimų medis
Sprendimų medžio tipo analizė leidžia sukurti hierarchinę klasifikavimo taisyklių struktūrą, pateiktą medžio pavidalu.
Norėdami sukurti sprendimų medį, turite pasirinkti tikslinį atributą, pagal kurį bus kuriamas klasifikatorius, ir keletą įvesties atributų, kurie bus naudojami taisyklėms kurti. Tikslo atribute gali būti, pavyzdžiui, informacija apie tai, ar klientas persijungė į kitą paslaugų teikėją, ar operacija buvo sėkminga, ar darbas atliktas gerai ir pan. Pavyzdžiui, įvesties atributai gali būti darbuotojo amžius, jo darbo patirtis, kliento finansinė būklė, darbuotojų skaičius įmonėje ir kt.
Analizės rezultatas pateikiamas medžio pavidalu, kurio kiekviename mazge yra tam tikra sąlyga. Norint nuspręsti, kuriai klasei priskirti naują objektą, reikia, atsakant į klausimus mazguose, pereiti grandinę nuo šaknies iki medžio lapo, teigiamo atsakymo atveju pereinant prie antrinių mazgų. o į gretimą mazgą neigiamo atsakymo atveju.
Analizės parametrų rinkinys leidžia reguliuoti gauto medžio tikslumą:
Prognozės modeliai
Mechanizmo kuriami prognozių modeliai yra specialūs objektai, kurie sukuriami iš duomenų analizės rezultato ir leidžia automatiškai atlikti naujų duomenų prognozę ateityje.
Pavyzdžiui, asociacijų paieškos prognozės modelis, sukurtas analizuojant pirkėjo pirkimus, gali būti naudojamas dirbant su perkančiu klientu, siekiant pasiūlyti jam prekes, kurias jis greičiausiai pirks kartu su pasirinktomis prekėmis.
Duomenų analizės mechanizmo naudojimas taikomųjų programų sprendimuose
Norint supažindinti taikomųjų programų sprendimų kūrėjus su duomenų analizės mechanizmu, „Informacijos ir technologijų palaikymo“ (ITS) diske yra patalpinta demonstracinė informacinė bazė. Jame yra universalus apdorojimas „Data Analysis Console“, leidžiantis atlikti duomenų analizę bet kuriame programos sprendime, nekeičiant konfigūracijos.
Viena pagrindinių apskaitos ir valdymo sistemų rinkos tendencijų – nuolat didėjanti paklausa naudoti analitinius duomenų apdorojimo įrankius, užtikrinančius pagrįstą sprendimų priėmimą. Būtent todėl viena iš strateginių programinės įrangos sistemos „1C:Enterprise“ kūrimo krypčių tapo nuolatinis ekonominių ir analitinių ataskaitų teikimo galimybių plėtimas. Tačiau šiandieniniai klientai nebetenkina tradiciniais įrankiais, leidžiančiais jiems generuoti įvairias ataskaitas, suvestines lenteles ir diagramas, kurios yra sukurtos remiantis iš anksto nustatytais rodikliais ir ryšiais ir kurias reikia analizuoti rankiniu būdu. Įmonėms vis labiau reikia kokybiškai skirtingų įrankių, leidžiančių automatiškai ieškoti neaiškių taisyklių ir nustatyti nežinomus modelius (1 pav.). Taip, pasitelkus duomenų gavybos (DAM) metodus, pagal įmonės sukauptą informaciją galima generuoti kokybiškai naujas žinias ir kartais priimti visiškai nebanalius verslo efektyvumo gerinimo sprendimus.
Ryžiai. 1. Išspręstų analitinių problemų „intelekto“ ugdymo logika. 2003 m. vasarą išleista nauja technologijų platformos „1C:Enterprise 8.0“ versija leido žymiai išplėsti verslo analitikos galimybes sistemoje (žr. šoninę juostą). Tačiau čia reikia padaryti vieną svarbią pastabą. 1C platformos programinė įranga vystoma ne tik „žingsniais“, nuo versijos iki versijos, bet nuolat tobulinama ir plečiama vienoje versijoje ir dviem kryptimis - technologine ir taikomąja. Taigi, po pirmojo G8 pranešimo, jau buvo išleista daugiau nei tuzinas platformos leidimų, naujausia versija (2006 m. sausio mėn.) pavadinta 8.0.13, ir ji labai ženkliai skiriasi nuo dviejų ir prieš pusę metų! Viena iš „1C:Enterprise 8.0“ kūrimo sričių yra būtent verslo analitikos mechanizmai; ypač IAD įrankiai jame atsirado tik 2005 m. Svarbu pažymėti, kad dauguma analizės funkcijų yra įdiegtos technologijų platformos lygmeniu ir tampa prieinamos vartotojams tik įtraukus į naujas taikomųjų programų sprendimų versijas. Taigi tarp naujų funkcijų atsiradimo ir jų pateikimo vartotojams yra tam tikras atotrūkis (kartais – keli mėnesiai). Atsižvelgdama į šią problemą, siekdama užpildyti spragą, 1C 2005 m. rugsėjį išleido specialų taikomosios programos sprendimą „Duomenų analizės posistemė“ (DAS), kurį galima integruoti į bet kurią 1C:Enterprise 8.0 platformos konfigūraciją. Be daugybės pagrindinių funkcijų, paketą sudaro daugiau nei 30 iš anksto sukonfigūruotų modelių, skirtų įprastai prekybos valdymo konfigūracijai. PAD apima tuos kokybiškai naujus IAD įrankius, kurių anksčiau nebuvo 1C programose. Norint tiesiogiai analizuoti ir numatyti duomenis, nereikia specialių įgūdžių ir žinių. Manoma, kad gerai išmanote analizuojamą dalyką ir suprantate pagrindinius joje priežasties ir pasekmės ryšius. Norint parengti duomenų šaltinius ir nuspėjamus modelius, reikia mokėti naudoti užklausų kūrimo priemonę ir žinoti, kaip įdėti informaciją į konfigūracijos metaduomenų objektus. IAD algoritmai, įtraukti į naują konfigūraciją (1.0.5 versija), sudaro analitinius modelius (šablonus), apibūdinančius šaltinio duomenų šablonus. Šie modeliai yra nepriklausomos vertės (jie gali būti naudojami pakartotinai), taip pat naudojami automatizuotai prognozėms, įskaitant scenarijus, generuoti su anksčiau nežinomais rodikliais (1 pav.). 2). IAD mechanizmas yra integruotų kalbos objektų, kurie sąveikauja tarpusavyje, rinkinys, kurio dėka kūrėjas gali naudoti jo komponentus bet kokiu deriniu bet kuriame programos sprendime. Integruoti objektai leidžia vartotojui lengvai organizuoti interaktyvią analizės parametrų konfigūraciją, taip pat pateikti analizės rezultatą lengvai atvaizduojama forma skaičiuoklės dokumente. Taikydami vieno tipo analizę šaltinio duomenims galite gauti rezultatą, kuris atspindės tam tikrą duomenų elgesio modelį. Analizės rezultatas gali būti atvaizduojamas galutiniame dokumente arba išsaugomas vėlesniam naudojimui – juo remiantis galima sukurti prognozės modelį, leidžiantį numatyti naujų duomenų elgseną.
Ryžiai. 2. Bendra duomenų gavybos mechanizmo veikimo schema. Dabartinė posistemio versija įgyvendina metodus, kurie pasaulyje buvo plačiai paplitę, būtent:
- klasterizavimas – įgyvendina objektų grupavimą, maksimaliai padidindamas grupės viduje panašumą ir tarpgrupinius skirtumus;
- sprendimų medis – sudaro sąlygų, lemiančių tam tikrus sprendimus, priežasties ir pasekmės hierarchiją;
- asociacijų paieška – įvykiuose ar objektuose ieško stabilių elementų derinių.
Klasterizavimas
Klasterizacijos tikslas – iš tos pačios prigimties objektų rinkinio atrinkti tam tikrą skaičių santykinai vienarūšių grupių (segmentų arba klasterių). Objektai paskirstomi į grupes taip, kad vidiniai skirtumai būtų minimalūs, o tarpgrupiniai – didžiausi (3 pav.). Klasterizacijos metodai leidžia pereiti nuo objekto po objekto į grupinį savavališkų objektų rinkinio atvaizdavimą, o tai žymiai supaprastina jų tvarkymą. Toliau aprašomi keli galimi klasterizacijos naudojimo praktikoje scenarijai. Klientų segmentavimas remiantis tam tikru parametrų rinkiniu, tarp jų galima išskirti stabilias grupes, turinčias panašius pirkimo pageidavimus, pardavimo lygius ir mokumą, o tai labai supaprastina santykių su klientais valdymą. At prekių klasifikacija Labai dažnai naudojami gana įprasti klasifikavimo principai. Segmentų išskyrimas pagal formalių kriterijų grupę leidžia identifikuoti tikrai vienarūšes prekių grupes. Plataus ir gana nevienalyčio prekių asortimento kontekste asortimento valdymas segmento lygmeniu, lyginant su produktų lygmens valdymu, žymiai padidina reklamos, kainodaros, prekybinės prekybos ir tiekimo grandinės valdymo efektyvumą. Vadovo segmentavimas leidžia efektyviau planuoti organizacinius pokyčius, tobulinti motyvacines schemas, koreguoti reikalavimus samdomam personalui, kas galiausiai leidžia padidinti įmonės valdomumą ir viso verslo stabilumą.Ryžiai. 3. Duomenų analizė klasterizacijos metodu. Objektų panašumą ir skirtumą lemia „atstumas“ tarp jų veiksnių erdvėje. Atstumo matavimo metodas priklauso nuo metrikos, kuri nurodo pavyzdinių objektų panašumo/skirtumo nustatymo principą. Dabartinis diegimas palaiko šią metriką:
- „Euklidinė metrika“ – tai standartinis atstumas tarp dviejų taškų N dimensijos euklido atributų erdvėje;
- „Euklido metrika kvadratu“ – padidina skirtumo (atstumo) įtaką klasterizacijos rezultatui;
- „miesto metrika“ – sumažina emisijų poveikį;
- "dominavimo metrika" - apibrėžia skirtumą tarp pavyzdinių objektų kaip didžiausią esamą skirtumą tarp jų atributų reikšmių, todėl ji yra naudinga norint padidinti skirtumus tarp objektų vienam atributui.
- „trumpojo nuotolio komunikacija“ - objektas prisijungia prie grupės, kuriai atstumas iki artimiausio objekto yra minimalus;
- „tarpinis ryšys“ - objektas prisijungia prie grupės, kuriai atstumas iki tolimiausio objekto yra minimalus;
- „svorio centras“ - objektas prisijungia prie grupės, kuriai atstumas iki klasterio centro yra minimalus;
- „k-means“ metodas – pasirenkami savavališki objektai, kurie laikomi klasterių centrais, tada visi analizuojami objektai iš eilės išrūšiuojami ir sujungiami į arčiausiai jų esantį klasterį. Sujungus objektą, apskaičiuojamas naujas klasterio centras, kuris apskaičiuojamas kaip vidutinė visų į klasterį įtrauktų objektų atributų reikšmė. Procedūra kartojama tol, kol pasikeičia klasterių centrai.
- klasterių centrai, kurie yra kiekvieno klasterio įvesties stulpelių vidutinių verčių rinkinys;
- tarpklasterių atstumų (atstumų tarp klasterių centrų) lentelė, pagal kurią nustatomas jų skirtumo laipsnis;
- kiekvieno klasterio prognozių stulpelių reikšmės;
- veiksnių reitingas ir sąlygų medis, nulėmęs objektų pasiskirstymą į grupes.
Ieškokite asociacijų
Šis metodas skirtas nustatyti stabilius elementų derinius tam tikruose įvykiuose ar objektuose. Analizės rezultatai pateikiami susijusių elementų grupių forma. Čia, be nustatytų stabilių elementų derinių, pateikiama išsami susijusių elementų analizė (4 pav.).Ryžiai. 4. Analizės „asociacijų paieškos“ metodu rezultatų pateikimas asocijuotų elementų grupių forma. Metodas iš pradžių buvo sukurtas norint rasti tipiškus prekių derinius perkant, todėl kartais jis dar vadinamas pirkinių krepšelio analize. Pagal šį scenarijų susiję elementai dažniausiai yra produktų grupės arba atskiri produktai. O grupavimo objektu, jungiančiu pavyzdžių elementus, gali būti bet kuris operaciją identifikuojantis informacinės sistemos objektas: pavyzdžiui, pirkėjo užsakymas, paslaugų suteikimo aktas ar kasos kvitas. Informacija apie pirkėjų prekių pageidavimų dėsningumus padidina ryšių su klientais valdymo (reklaminių kampanijų ir rinkodaros akcijų), kainodaros (sudėtingų pasiūlymų ir nuolaidų sistemų formavimo), atsargų valdymo ir prekybos (prekių paskirstymo prekybos vietose) efektyvumą. Kitas šio metodo naudojimo pavyzdys – nustatyti klientų pageidaujamus reklamos kanalų derinius, kad būtų išvengta dubliavimo vykdant tikslines reklamos kampanijas. Tai leidžia žymiai sumažinti tokių renginių išlaidas. Platformoje įdiegtas asociacijų paieškos algoritmas turi gana lanksčias analizės ar prognozių modelių adekvatumo kontrolės priemones. Parametras „Minimalus atvejų procentas“ nustato algoritmo „sujungimo slenkstį“ tam tikram įvykio ar objekto elementų deriniui, kuris leidžia nepaisyti silpnai bendrų asociacijų. Parametras „Minimalus patikimumas“ nustato reikiamą ieškomų asociacijų stabilumą, o parametras „Minimalus reikšmingumas“ leidžia nustatyti aukščiausio prioriteto. Parametras „Taisyklių atkarpos tipas“ labai palengvina analizės ir prognozių rezultatų suvokimą, kuris gali turėti reikšmes „Iškirpti perteklinį“ ir „Iškirpti tuos, kuriems taikomos kitos taisyklės“. Praktiškai interpretuojant rezultatus, gautus naudojant šį algoritmą, labai svarbu suskaidyti pradinį susijusių elementų rinkinį į grupes, kurios atliekamos analizės požiūriu yra tikrai vienalytės.
Sprendimų medis
Pritaikius šį metodą pirminiams duomenims, sukuriama hierarchinė (medžio pavidalo) „jei... tai...“ formos taisyklių struktūra, o analizės algoritmas užtikrina reikšmingiausių sąlygų identifikavimą. ir perėjimus tarp jų kiekviename etape. Šis algoritmas plačiausiai naudojamas nustatant duomenų priežasties ir pasekmės ryšius bei apibūdinant elgesio modelius. Tipiška sprendimų medžių taikymo sritis yra įvairių rizikų įvertinimas, pavyzdžiui, kliento užsakymo uždarymas ar jo perdavimas konkurentui, nesavalaikis tiekėjo prekių pristatymas ar pavėluotas prekybos paskolos mokėjimas ( 5 pav.). Tipiški modelio įvesties veiksniai yra užsakymo suma ir sudėtis, esamas tarpusavio atsiskaitymų likutis, kredito limitas, išankstinio apmokėjimo procentas, pristatymo sąlygos ir kiti prognozuojamą objektą apibūdinantys parametrai. Tinkamas rizikos įvertinimas užtikrina, kad būtų priimti pagrįsti sprendimai optimizuojant įmonės veiklos grąžos/rizikos santykį, be to, jis yra naudingas didinant įvairių biudžetų realumą.Ryžiai. 5. „Sprendimų medžio“ metodo naudojimas leidžia, remiantis modelio įvesties veiksniais (a), gauti tam tikrų valdymo sprendimų priėmimo rizikos įvertinimą (b). Pavyzdys, iliustruojantis algoritmo gebėjimą nustatyti priežasties ir pasekmės ryšius, yra pardavimo skyriaus darbo optimizavimo užduotis. Jai išspręsti kaip prognozuojamą vertę parinksime pardavimų vadybininkų efektyvumo rodiklį, pavyzdžiui, konkretų pelningumą vienam klientui, o kaip veiksnius – duomenų rinkinį, kuris gali turėti įtakos rezultatui. Algoritmas nustatys veiksnius, kurie turi didžiausią įtaką rezultatui, taip pat tipinius sąlygų derinius, lemiančius konkretų rezultatą. Be to, „Duomenų analizės“ posistemis leis įvertinti (numatyti) numatomas tikslinio rodiklio reikšmes, remiantis dabartiniais duomenimis, taip pat sudaryti prognozę „kas būtų, jei...“, keičiant į pateiktus rodiklius. modelio įvestis. Analizės ir prognozės rezultatai naudojant sprendimų medžius gali žymiai sumažinti verslo aplinkos neapibrėžtumo įtaką įmonės būklei, taip pat išspręsti daugybę problemų, susijusių su sudėtingų ir neakivaizdžių priežasčių ir pasekmių nustatymu. santykiai. Sprendimų medžio algoritmas sudaro sąlygų, lemiančių tam tikrus sprendimus, priežasties ir pasekmės hierarchiją. Pritaikius šį metodą mokymo pavyzdžiui, sukuriama hierarchinė (panaši į medį) „jei... tada...“ tipo skaidymo taisyklių struktūra. Analizės algoritmas (modelio mokymas) susiveda į pasikartojantį svarbiausių sąlygų ir perėjimų tarp jų nustatymo procesą. Sąlygos gali būti tiek kiekybinės, tiek kokybinės ir sudaryti šio abstraktaus medžio „šakas“. Jos „lapiją“ sudaro numatomo požymio (sprendimo) reikšmės, kurios, kaip ir perėjimo sąlygos, leidžia interpretuoti tiek kokybiškai, tiek kiekybiškai. Šių veiksnių derinys ir perėjimų tarp jų į galutinį sprendimą struktūra sudaro prognozės modelį. Šis algoritmas tapo plačiausiai paplitęs vertinant įvairių įvykių grandinių rezultatus ir nustatant priežasties ir pasekmės ryšius pavyzdžiuose. Šio algoritmo modelio reikšmingumas ir patikimumas kontroliuojamas naudojant parametrus „Supaprastinimo tipas“, „Maksimalus medžio gylis“ ir „Mažiausias elementų skaičius mazge“. Mėginio analizės naudojant „Sprendimų medžio“ algoritmą rezultatai yra tokie:
- veiksnių įvertinimas, tai yra veiksnių, turėjusių įtakos sprendimui, sąrašas, surūšiuotas pagal svarbą mažėjančia tvarka („citatai“ medžio mazguose);
- sprendimų (prognozės stulpelio reikšmių) ir juos nulėmusių sąlygų palyginimas, kitaip tariant, medis „Poveikis-priežastis“;
- „Priežasties-pasekmės“ medis, kuris yra perėjimų tarp sąlygų rinkinys, lemiantis konkretų sprendimą (iš esmės vizualinis prognozuojamo modelio vaizdas).
| Jungčių sprendimai "1C" Be funkcijų, įgyvendinamų tiesiogiai platformoje 1C:Enterprise 8.0, 1C verslo analizės įrankių arsenalas papildytas specializuotais sprendimais, sukurtais, be kita ko, įgyvendinant projektą 1C-Joint (http:// v8.1c.ru/ solutions) - dalyvaujant įmonės partneriams ir nepriklausomiems kūrėjams (žr. „1C ir jos partnerių bendri sprendimai“, „BYTE / Rusija“ Nr. 9 „2005“). Čia atkreipiame dėmesį į du produktus, susijusius su išmaniųjų analizės metodų naudojimas – tai „1C:Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Valdymo apskaita ir kaštų apskaičiavimas“ (kūrėjo partneris – konsultacijų įmonė „VIP Anatech“) ir „1C-VIP Anatech-VDGB: ABIS. B.S.C. Balanced Scorecard“ (partneriai kūrėjai – VIP Anatech ir VDGB įmonės). |
Tipiški IAD metodų naudojimo verslo scenarijai
PAD dokumentacijoje yra skyrius, skirtas tipiniams duomenų gavybos pavyzdžiams, susijusiems su „1C: Trade Management 8.0“. Pateikiame keletą tokių verslo scenarijų.Ryšių su klientais valdymas
Scenarijus „Reklamos kampanijos planavimas“ Planuojant būsimą reklaminę kampaniją, atsižvelgiama į skiriamo biudžeto paskirstymo reklamos kanalams optimizavimo požiūriu, remiantis regioniniais, produkto, klientų ir kitais tikslinio segmento rodikliais, taip pat reklamos kanalų efektyvumu. tam tikru ankstesniu planuojamu laikotarpiu nurodytas dalis. Algoritmas- „Klasterių analizė“. Prognozės atributai- algoritmu identifikuotų sąlyginai vienarūšių segmentų atsakymų dalis reklamos kanale. Apskaičiuoti stulpeliai- reklamos kanalų dalis reklamos kampanijos biudžete, atsižvelgiant į kiekvieno reklamos kanalo tikėtiną atsakymų dalį ir efektyvumą (atsižvelgiant į gaunamas pajamas). Šablono pavyzdys: P regiono A klasės klientus, kurie teikia pirmenybę P produktų grupei, traukia tas pats reklamos kanalas, kaip ir N regiono klientus, teikiančius pirmenybę Y produktų grupei.Tiekimo grandinės valdymas
Scenarijus „Tiekėjų pasirinkimo pagal prekių grupę optimizavimas“ Dominuojančių pirmos eilės tiekėjų parinkimas pagrindinėms prekių grupėms yra itin svarbus siekiant stabilizuoti ypač logistikos sistemą ir apskritai tiekimo grandinės valdymo sistemą, taip pat sumažinti vidutinę tiekimo grandinių trukmę. Kita vertus, glaudesnė integracija su pagrindiniais tiekėjais paprastai leidžia gerokai sumažinti prekių savikainą. Šiuo atžvilgiu įdomu išanalizuoti stabilius tiekėjų derinius įvairiose prekių grupėse, palyginti su grupėse susijusių tiekėjų analize. Tai leidžia nustatyti įvairių prekių grupių tiekėjų „sankirtos taškus“ ir optimizuoti santykius su jais. Algoritmas– „Ieškoti asociacijų“. Prognozės atributai- tvarūs tiekėjų deriniai. Pagrindiniai veiksniai- produktų grupės. Dekodavimas- tiekėjų analizė (pirkimų apimtys, pajamos, pristatymo ir apmokėjimo sąlygos, užsakymų įvykdymo laikas - pesimistinis, optimistiškas, vidutinis). Šablono pavyzdys: stabili didelio ir nenuspėjamo tiekėjo A ir prognozuojamo vidutinio tiekėjo B asociacija daugelyje prekių grupių. Pateikiant užsakymus konkurencingoms prekių grupėms, pagrindiniu tiekėju galima pozicionuoti vidutinio dydžio tiekėją, jei užsakymo apimtis dideliam neviršija tam tikros ribos (suteikia didelį masto prieaugį).Personalo valdymas
Scenarijus: Pardavimo vadybininkų profiliavimas pagal pagrindinius veiklos rodiklius Nustatyti vadovų efektyvumą (išlaikymas, klientų paieška, komunikacijos efektyvumas, sąlyginių ir besąlyginių gautinų sumų surinkimas, konkretūs veiklos rodikliai vienam klientui ir kt.) įdomu ne tik vadovų materialinio skatinimo sistemos sukūrimo požiūriu, t. bet ir efektyvių savo veiklos standartizavimo parametrų požiūriu. Algoritmas– „Sprendimų medžiai“. Prognozės atributai- pagrindiniai pardavimų skyriaus veiklos rodikliai (pagrindinių klientų skaičius, klientų pasitraukimo ir įsigijimo rodikliai, negautos pajamos per mėnesį, pritrauktos pajamos per mėnesį, pajamos per mėnesį vienam klientui, bendros pajamos iš klientų ir kt.). Pagrindiniai veiksniai- aktyvių klientų skaičius, pajamos, pajamos, specifiniai rodikliai vienam klientui, komunikacijos efektyvumas. Priklausomai nuo nuspėjamųjų savybių, veiksnių sudėtis gali labai skirtis. Šablono pavyzdys: vadovų, kurie pateikia geriausius gautinų sumų išieškojimo rodiklius (DS įplaukų ir pajamų santykis), išlaikymo koeficientas > 0,8; traukos koeficientas > 0,25; vienu metu atidarytų operacijų skaičius yra ne daugiau kaip 15, bet ne mažiau kaip 10; įvykių intensyvumas per dieną ne didesnis kaip 10, bet ne mažesnis kaip 3; laikotarpiu aktyvių klientų skaičius yra ne mažesnis kaip 50, bet ne daugiau kaip 100.Išvada
Šiuolaikinis verslas yra toks daugialypis, kad veiksnių, galinčių turėti įtakos tam tikram sprendimui, gali būti dešimtys. Konkurencija kasdien didėja, produktų gyvavimo ciklai trumpėja, o klientų pageidavimai keičiasi vis greičiau. Norint plėtoti verslą, būtina kuo dinamiškiau reaguoti į greitai besikeičiančią verslo aplinką, atsižvelgiant į subtilius ir kartais sunkiai suvokiamus vystymosi modelius. Kurios klientų grupės atsilieps į akciją, o kurios neatšaukiamai atiteks konkurentams? Ar turėčiau atidaryti naują verslo liniją ar kol kas atidėti? Ar pirkėjas vėluos atsiskaityti, o tiekėjas vėluos pristatyti? Kokios yra augimo galimybės ir kur galimos grėsmės? Tūkstančiai vadovų kasdien užduoda sau ir savo kolegoms šiuos klausimus. 1C:Enterprise 8.0 platformoje įdiegtas duomenų analizės posistemis skirtas padėti įmonės informacinės sistemos vartotojams greitai rasti atsakymus į nereikšmingus klausimus, užtikrinantis automatizuotą informacinėje sistemoje sukauptų duomenų transformavimą į naudingus ir gerai interpretuojamus šablonus.Ekonominės ir analitinės ataskaitos „1C:Enterprise 8.0“1C:Enterprise 8.0 platforma apima daugybę ekonominių ir analitinių ataskaitų generavimo mechanizmų, leidžiančių generuoti interaktyvius dokumentus (o ne tik spausdintas formas) naudojant tam tikrus taikomųjų programų sprendimus. Taigi vartotojas su ataskaitomis gali dirbti taip pat, kaip ir su bet kuria ekrano forma, įskaitant ataskaitos parametrų keitimą, atkūrimą, „dekodavimą“ (papildomų ataskaitų gavimą pagal atskirus jau sugeneruotos ataskaitos elementus) ir kt. yra keletas universalių programinės įrangos įrankių, leidžiančių generuoti bet kokias savavališkas ataskaitas, atsižvelgiant į užduotis. Tai gali padaryti ir patys vartotojai (pakankamai patyrę), gerai susipažinę su naudojamo taikomosios programos sprendimo struktūra. Žemiau trumpai apžvelgsime pagrindinius ataskaitų teikimo įrankius 1C:Enterprise 8.0. Prašymai- tai vienas iš būdų pasiekti duomenis „1C:Enterprise 8.0“, kurio pagalba informacija iš duomenų bazės gaunama pagal tam tikras sąlygas, dažniausiai kartu su paprasčiausiu gautų duomenų apdorojimu: grupavimas, rūšiavimas, apskaičiuoti. Duomenų pakeisti naudojant užklausas neįmanoma, nes iš pradžių jos buvo skirtos greitai gauti informaciją iš didelio kiekio informacijos. Duomenų bazė įgyvendinama kaip tarpusavyje sujungtų lentelių rinkinys, prie kurio galima prieiti atskirai arba kartu su keliomis lentelėmis. Norėdami įgyvendinti savo algoritmus, kūrėjas gali naudoti užklausų kalbą, pagrįstą SQL ir turinčią daug plėtinių, atspindinčių finansinių ir ekonominių problemų specifiką ir sumažinančių pastangas kuriant taikomųjų programų sprendimus. Platformoje yra užklausų dizaineris, leidžiantis sudaryti teisingą užklausos tekstą naudojant tik vaizdinius įrankius (6 pav.).Ryžiai. 6. Užklausos kūrimo priemonė (a) leidžia kūrėjui sudaryti užklausos tekstą (b) tik vaizdinėmis priemonėmis. skaičiuoklės dokumentas yra galingas informacijos vizualizavimo ir redagavimo mechanizmas, įskaitant dinaminį informacijos nuskaitymą iš duomenų bazės. Skaičiuoklės dokumentas gali būti naudojamas atskirai arba būti bet kurios formos, naudojamos programos sprendime, dalis. Iš esmės ji primena skaičiuoklę (susideda iš eilučių ir stulpelių, kuriuose saugomi duomenys), tačiau jos galimybės yra daug platesnės. Jis palaiko grupavimo, iššifravimo ir anotacijos operacijas. Savo dokumente galite naudoti įvairių tipų ataskaitų dizainą, įskaitant grafines diagramas. Lenteliniame dokumente gali būti suvestinių lentelių, kurios pačios yra veiksminga priemonė programiškai ir interaktyviai pateikti daugiamačius duomenis. Išvesties formos konstruktorius padeda kūrėjui kurti ataskaitas ir pateikti ataskaitos duomenis patogia lentelės arba grafine forma. Tai apima visas užklausų kūrėjo funkcijas, taip pat formų kūrimą ir pritaikymą. Ataskaitų kūrėjas yra integruotos kalbos objektas, suteikiantis galimybę dinamiškai kurti ataskaitą tiek programiškai, tiek interaktyviai (7 pav.). Jo veikimas pagrįstas užklausa, kuria vartotojui suteikiama galimybė interaktyviai konfigūruoti visus pagrindinius užklausos tekste esančius parametrus. Šios užklausos rezultatai išvedami į skaičiuoklės dokumentą, kuriame taip pat gali būti naudojama informacija iš savavališkų duomenų šaltinių. Kūrėjas, naudodamas ataskaitų kūrėjo komandas, gali pakeisti vartotojui prieinamus konfigūravimo parametrus. |
Įkeliama...
