Početak i završetak poslovnih procesa

Životni ciklus poslovnog procesa počinje njegovim početkom. Možete definirati rukovalac događaja Prije početka za ovu točku rute. Ova procedura ima dva parametra. Prvi parametar je tačka rute iz koje je pozvan rukovalac (poslovni proces može imati nekoliko početnih tačaka), drugi parametar je Odbijanje. Kada upišete vrijednost True u varijablu Odbijanje, poslovni proces će biti odbijen od pokretanja. U obrađivaču događaja Prije početka možete provjeriti uslove potrebne za pokretanje poslovnog procesa, kreirati „srodne“ objekte, veze do kojih moraju biti pohranjene u samom poslovnom procesu. Prilikom definiranja rukovatelja ovog događaja Ne preporučuje se implementacija mehanizama koji organizuju dijalog sa korisnikom (otvaranje raznih dijaloških formi).

Sam početak poslovnog procesa može se obaviti na različite načine:

softversko pokretanje poslovnog procesa (iz koda na ugrađenom jeziku);

interaktivni početak (klikom na dugme OK na obrascu poslovnog procesa);

započinjanje poslovnog procesa kao ugniježđenog.

Korištenje mehanizma analize podataka i predviđanja u 1C

Mehanizam analize podataka i predviđanja vam omogućava da implementirate različite alate u aplikativnim rješenjima za identifikaciju obrazaca koji su obično skriveni iza velikih količina informacija.

Mehanizam vam omogućava da radite i sa podacima primljenim iz baze podataka i sa podacima primljenim iz drugog izvora, unapred učitanim u tabelu vrednosti ili tabelarni dokument. Primjenom jedne od vrsta analize na izvorne podatke, možete dobiti rezultat analize. Rezultat analize predstavlja određeni model ponašanja podataka. Rezultat analize se može prikazati u konačnom dokumentu ili sačuvati za buduću upotrebu.

Dalja upotreba rezultata analize je da se na osnovu njega kreira model prognoze koji omogućava predviđanje ponašanja novih podataka u skladu sa postojećim modelom. Na primjer, možete analizirati koji su proizvodi kupljeni zajedno (u jednoj fakturi) i sačuvati model prognoze kreiran na osnovu ove analize u bazi podataka.

Korištenje izgleda tekstualnih dokumenata

Tekstualni dokument 1C: Enterprise vam omogućava da predstavite različite informacije u obliku tekstova. Tekstualni dokument se može pročitati iz tekstualne datoteke, sačuvati u tekstualnoj datoteci. Može se postaviti u formu ili u izgled, a sa njim se može raditi pomoću ugrađenog jezika. Uglavnom, tekstualni dokument vam omogućava da izvršite tri logičke grupe radnji: - čitanje tekstualnih datoteka sa diska i pisanje tekstualnih datoteka na disk; - rad sa pojedinačnim redovima tekstualnog dokumenta: prijem, dodavanje, brisanje, zamena; - kreiranje izgleda teksta i njegovo korištenje za generiranje rezultirajućeg tekstualnog dokumenta.

Pored direktnog generisanja sadržaja tekstualnog dokumenta, moguće je popunjavanje tekstualnih dokumenata na osnovu izgleda. Izgled tekstualnog dokumenta opisuje nepromjenjive dijelove tekstualnog dokumenta koji sadrže dizajn i polja u koja se mogu dodati podaci. Proces popunjavanja tekstualnog dokumenta zasnovanog na izgledu uključuje čitanje određenih oblasti izgleda, ciklično njihovo popunjavanje podacima i uzastopno izvođenje rezultujućih delova dokumenta u rezultujući tekstualni dokument.

Format izgleda tekstualnog dokumenta. Izgled tekstualnog dokumenta je tekstualni dokument koji koristi servisne linije koje počinju sa znakom "#". Nakon kontrolnog znaka slijede ključne riječi koje opisuju određene elemente izgleda.

Također u izgledu tekstualnog dokumenta koriste se servisni znakovi “[” i “]” koji određuju lokaciju promjenjivih polja izgleda.

Cijeli izgled tekstualnog dokumenta sastoji se od područja. Jedna oblast kombinuje nekoliko uzastopnih linija. Oblasti moraju da prate jedna drugu i ne mogu se preklapati ili uključivati ​​jedna u drugu. Ključne riječi Area i AreaEnd se koriste za opisivanje područja. Poslije ključna riječ Regija je određena imenom regije.

Mehanizam analize podataka i predviđanja pruža korisnicima (ekonomistima, analitičarima, itd.) mogućnost da traže neočigledne obrasce u podacima akumuliranim u bazi podataka. Ovaj mehanizam omogućava:

• traženje obrazaca u izvornim podacima baze podataka;
• upravljati parametrima analize koja se izvodi i programski i interaktivno;
• omogućiti programski pristup rezultatima analize;
• automatski prikazati rezultat analize u dokumentu proračunske tablice;
• kreirajte modele prognoze koji vam omogućavaju da automatski predvidite sljedeće događaje ili vrijednosti određenih karakteristika novih objekata.

Mehanizam analize podataka je skup ugrađenih jezičkih objekata koji međusobno djeluju, što omogućava programeru da koristi njegove komponente u bilo kojoj kombinaciji na bilo koji način. aplikativno rješenje. Ugrađeni objekti olakšavaju organiziranje interaktivne konfiguracije parametara analize od strane korisnika, a također vam omogućavaju da prikažete rezultat analize u obliku pogodnom za prikaz u dokumentu proračunske tablice.

Mehanizam vam omogućava da radite i s podacima primljenim iz baze podataka i s podacima primljenim iz vanjskog izvora, unaprijed učitanim u tablicu vrijednosti ili dokument proračunske tablice:

Primjenom jedne od vrsta analize na izvorne podatke, možete dobiti rezultat analize. Rezultat analize predstavlja određeni model ponašanja podataka. Rezultat analize se može prikazati u konačnom dokumentu ili sačuvati za buduću upotrebu.

Dalja upotreba rezultata analize je da se na osnovu njega kreira model prognoze koji omogućava predviđanje ponašanja novih podataka u skladu sa postojećim modelom.

Na primjer, možete analizirati koji su proizvodi kupljeni zajedno (u jednoj fakturi) i sačuvati rezultat analize u bazi podataka. Kasnije, prilikom kreiranja sljedeće fakture:

Na osnovu sačuvanog rezultata analize, možete izgraditi model prognoze, nahraniti ga „ulazom“ novim podacima sadržanim u ovoj fakturi, a „izlaz“ dobiti prognozu - listu robe koju je druga strana Petrov B.S. Takođe će ih najvjerovatnije nabaviti ako mu se ponude:

Mehanizam za analizu podataka i predviđanje implementira nekoliko vrsta analize podataka:

Implementirani tipovi analiza

opšta statistika

To je mehanizam za prikupljanje informacija o podacima u uzorku koji se proučava. Ova vrsta analize namijenjena je preliminarnom istraživanju izvora podataka koji se analizira.

Analiza otkriva niz karakteristika numeričkih i kontinuiranih polja. Prilikom izlaza izvještaja u tabelarni dokument, tortni grafikoni se popunjavaju kako bi se prikazao sastav polja.

Tražite asocijacije

Ova vrsta analize zajedno traži grupe objekata ili karakteristične vrijednosti koje se često pojavljuju, a također traži i pravila asocijacije. Pretraživanje asocijacija može se koristiti, na primjer, za određivanje često kupljenih roba ili usluga zajedno:

Ova vrsta analize može raditi sa hijerarhijskim podacima, omogućavajući, na primjer, pronalaženje pravila ne samo za specifične robe, ali i za njihove grupe. Važna karakteristika Ova vrsta analize je mogućnost rada kako sa izvorom podataka objekta, u kojem svaka kolona sadrži neke karakteristike objekta, tako i sa izvorom događaja, gdje se karakteristike objekta nalaze u jednoj koloni.

Da bi rezultat bio lakši za percipiran, obezbeđen je mehanizam za odsecanje suvišnih pravila.

Sequence Search

Analiza tipa pretrage sekvence omogućava vam da identifikujete sekvencijalne lance događaja u izvoru podataka. Na primjer, ovo može biti lanac roba ili usluga koje kupci često kupuju uzastopno:

Ova vrsta analize omogućava hijerarhijsko pretraživanje, što omogućava praćenje ne samo sekvenci specifičnih događaja, već i nizova roditeljskih grupa.

Skup parametara analize omogućava stručnjaku da ograniči vremenske udaljenosti između elemenata traženih sekvenci, kao i da prilagodi točnost dobijenih rezultata.

Klaster analiza

Klaster analiza vam omogućava da originalni skup objekata koji se proučavate podijelite u grupe objekata, tako da je svaki objekt sličniji objektima iz svoje grupe nego objektima iz drugih grupa. Daljnjom analizom rezultirajućih grupa, koje se nazivaju klasteri, možete odrediti kako je ova ili ona grupa okarakterisana i odlučiti o metodama za rad sa objektima različitih grupa. Na primjer, pomoću klaster analize možete podijeliti klijente s kojima kompanija radi u grupe kako biste se prijavili različite strategije kada radite sa njima:

Koristeći parametre klaster analize, analitičar može konfigurirati algoritam po kojem će se vršiti particioniranje, a može i dinamički promijeniti sastav karakteristika koje se uzimaju u obzir u analizi i konfigurirati težinske koeficijente za njih.

Rezultat grupiranja može se prikazati u dendrogramu - posebnom objektu dizajniranom za prikaz sekvencijalnih odnosa između objekata.

Stablo odluka

Analiza tipa stabla odluka omogućava vam da izgradite hijerarhijsku strukturu klasifikacionih pravila, predstavljenih u obliku stabla.

Da biste izgradili stablo odlučivanja, trebate odabrati ciljni atribut na kojem će se graditi klasifikator i određeni broj ulaznih atributa koji će se koristiti za kreiranje pravila. Ciljni atribut može sadržavati, na primjer, informacije o tome da li je klijent prešao na drugog provajdera usluge, da li je transakcija bila uspješna, da li je posao obavljen dobro, itd. Ulazni atributi, na primjer, mogu biti starost zaposlenog, njegovo radno iskustvo, finansijsko stanje klijenta, broj zaposlenih u kompaniji itd.

Rezultat analize je predstavljen u obliku stabla, čiji svaki čvor sadrži određeni uslov. Da bi se odlučilo kojoj klasi treba dodijeliti novi objekt, potrebno je, odgovarajući na pitanja u čvorovima, proći kroz lanac od korijena do lista stabla, prelazeći na podređene čvorove u slučaju potvrdnog odgovora i susjednom čvoru u slučaju negativnog odgovora.

Skup parametara analize omogućava vam da prilagodite tačnost rezultujućeg stabla:

Modeli prognoze

Modeli prognoze koje kreira mehanizam su posebni objekti koji se kreiraju iz rezultata analize podataka i omogućavaju vam da automatski izvršite prognozu za nove podatke u budućnosti.

Na primjer, model predviđanja pretraživanja asocijacije, izgrađen analizom kupovina kupaca, može se koristiti kada se radi s kupcem koji kupuje kako bi mu se ponudila dobra za koju je vjerovatno da će kupiti zajedno s robom koju je odabrao.

Korištenje mehanizma analize podataka u aplikativnim rješenjima

Kako bi se programeri aplikativnih rješenja upoznali sa mehanizmom analize podataka, na disku „Informaciona i tehnološka podrška“ (ITS) postavljena je demonstraciona baza podataka. Uključuje univerzalnu obradu „Konzola za analizu podataka“, koja vam omogućava da izvršite analizu podataka u bilo kojem aplikacijskom rješenju, bez mijenjanja konfiguracije.

Savremene informacione tehnologije/3. Softver

dr.sc. Žunusov K. M.

Državni univerzitet Kostanay po imenu A. Baitursynov

Formiranje mehanizama za analizu i predviđanje podataka

na platformi 1C: Enterprise

U srži procesa predviđanja je izrada ekonomske prognoze. Predstavlja naučno utemeljen sud o mogućim stanjima objekta u budućnosti ili o alternativnim načinima i vremenu postizanja ovih stanja. Drugim riječima, ovo je pokušaj da se gleda u budućnost, predvidi je, predvidi stanje objekta koji se proučava nakon određenog vremenskog perioda.

Predviđanje je usko povezano sa planiranjem. U naučnim krugovima postoji prilično uobičajen aforizam: „Prognoza bez plana je književni poduhvat, plan bez prognoze je administrativna radnja“.

Uobičajene metode i za predviđanje i za planiranje su računsko-analitičke, ekonomsko-statističke metode i ekonomsko-matematičko modeliranje.

Mehanizmi za analizu i predviđanje podataka u sklopu 1C Enterprise pružaju korisnicima (ekonomistima, analitičarima, itd.) mogućnost traženja neočiglednih obrazaca u podacima akumuliranim u bazi informacija i omogućavaju im da izvrše sljedeće operacije:

Traženje obrazaca u izvornim podacima baze podataka;

Upravljajte parametrima analize koja se izvodi i programski i interaktivno;

Softverski pristup rezultatu analize;

Automatski izlaz rezultata analize u tabelarni dokument;

Kreiranje modela prognoze koji vam omogućavaju da automatski predvidite naredne događaje ili vrijednosti određenih karakteristika novih objekata.

Analiza podataka i mehanizmi predviđanja su skup ugrađenih jezičkih objekata koji međusobno komuniciraju, što omogućava programeru da koristi njegove komponente u bilo kojoj kombinaciji u bilo kojem aplikativnom rješenju. Ugrađeni objekti olakšavaju organizaciju interaktivne konfiguracije parametara analize od strane korisnika, kao i prikazivanje rezultata analize u obliku pogodnom za prikaz u tabelarnom dokumentu, u skladu sa slikom 1. Takođe je važno da mehanizam može rad s podacima dobivenim i iz 1C informacijske baze i iz vanjski izvori(u potonjem slučaju, unaprijed učitano u tablicu vrijednosti ili u tabelarni dokument).

Slika 1. Opća shema funkcioniranje mehanizma rudarenja podataka i predviđanja

Primjenom jedne od vrsta analize na izvorne podatke, možete dobiti rezultat koji predstavlja određeni model ponašanja podataka. Rezultat analize se može prikazati u konačnom dokumentu ili sačuvati za kasniju upotrebu (na osnovu njega se može kreirati model prognoze koji vam omogućava da predvidite ponašanje novih podataka).

Jedan od glavnih trendova na tržištu računovodstvenih i upravljačkih sistema je stalno povećanje potražnje za korištenjem analitičkih alata za obradu podataka koji osiguravaju informirane upravljačke odluke. Međutim, današnji kupci više nisu zadovoljni korištenjem tradicionalnih alata koji im omogućavaju da kreiraju razne izvještaje, zaokretne tabele i grafikone zasnovane na unaprijed definiranim metrikama i odnosima analiziranim ručno. Preduzećima su sve više potrebni kvalitativno različiti alati koji im omogućavaju da automatski traže neočigledna pravila i identifikuju nepoznate obrasce, što im omogućava da dobijunova znanja zasnovana na informacijama koje je akumulirala kompanija i ponekad donose potpuno netrivijalne odluke za poboljšanje poslovne efikasnosti zasnovane na metodama rudarenja podataka.

književnost:

1 Glushchenko V.V. Predviđanje. - M.: Univerzitetska knjiga, 2005.

2 Dubrova T. A. Metodološka pitanja predviđanja proizvodnje najvažnijih vrsta industrijskih proizvoda // Pitanja statistike. -2004. -Br. 1.-S. 52-57.

3 Radchenko M.G., Khrustaleva E.Yu. Alati za kreiranje repliciranih aplikacija "1C:Enterprise 8.2". - M.: Izdavačka kuća "1C-Publishing", 2011.

Jedan od glavnih trendova na tržištu računovodstvenih i upravljačkih sistema je stalni porast potražnje za korištenjem analitičkih alata za obradu podataka koji osiguravaju informirano donošenje odluka. Zato je jedan od strateških pravaca razvoja softverskog sistema 1C:Enterprise postalo stalno širenje mogućnosti ekonomskog i analitičkog izvještavanja. Međutim, današnji kupci više nisu zadovoljni tradicionalnim alatima koji im omogućavaju da generišu različite izveštaje, pivot tabele i grafikone koji su kreirani na osnovu unapred definisanih indikatora i odnosa i koji se moraju analizirati ručno. Preduzećima su sve više potrebni kvalitativno različiti alati koji im omogućavaju da automatski traže neočigledna pravila i identifikuju nepoznate obrasce (slika 1). Tako možete generirati kvalitativno nova znanja na osnovu informacija koje je akumulirala kompanija i ponekad donijeti potpuno netrivijalne odluke za poboljšanje poslovne efikasnosti, koristeći metode rudarenja podataka (DAM).
Rice. 1. Logika razvoja “inteligencije” riješenih analitičkih problema. Objavljeno u ljeto 2003 nova verzija tehnološka platforma "1C:Enterprise 8.0" omogućila je značajno proširenje mogućnosti poslovne analitike u sistemu (vidi sidebar). Međutim, ovdje je potrebno napomenuti jednu važnu napomenu. Softver 1C platforme razvija se ne samo u "koracima", od verzije do verzije, već se stalno poboljšava i proširuje unutar jedne verzije, i to u dva smjera - tehnološkom i primijenjenom. Dakle, nakon prve najave G8, već je objavljeno više od desetak platformskih izdanja, najnoviju verziju(od januara 2006.) je pod brojem 8.0.13, i dosta se razlikuje od onoga što je bilo prije dvije i po godine! Jedna od oblasti razvoja „1C:Enterprise 8.0“ su upravo mehanizmi poslovne analitike; Konkretno, IAD alati su se u njemu pojavili tek 2005. godine. Važno je napomenuti da se većina funkcija analize implementira na nivou tehnološke platforme i postaje dostupna korisnicima tek nakon uključivanja u nova izdanja aplikativnih rješenja. Dakle, postoji određeni jaz (ponekad nekoliko mjeseci) između pojave novih funkcija i njihovog pružanja korisnicima. Imajući na umu ovaj problem, kako bi premostio jaz, 1C je u septembru 2005. godine objavio posebno aplikativno rješenje „Podsistem za analizu podataka“ (DAS), koje se može ugraditi u bilo koju konfiguraciju platforme 1C:Enterprise 8.0. Pored širokog spektra osnovnih funkcija, paket uključuje više od 30 unapred konfigurisanih modela za tipična konfiguracija"Upravljanje trgovinom". PAD uključuje one kvalitativno nove IAD alate koji su ranije bili odsutni u 1C programima. Za direktnu analizu i predviđanje podataka nisu potrebne posebne vještine i znanja. Pretpostavlja se dobro poznavanje analiziranog predmetnog područja i razumijevanje glavnih uzročno-posljedičnih veza u njemu. Priprema izvora podataka i prediktivnih modela zahtijeva sposobnost korištenja graditelja upita i znanje o tome kako smjestiti informacije u objekte metapodataka konfiguracije. IAD algoritmi, uključeni u novu konfiguraciju (verzija 1.0.5), formiraju analitičke modele (šablone) koji opisuju obrasce u izvornim podacima. Ovi modeli su nezavisne vrijednosti (mogu se višekratno koristiti), a koriste se i za automatizirano generiranje prognoza, uključujući scenarije, sa prethodno nepoznatim indikatorima (Sl. 2). IAD mehanizam je skup ugrađenih jezičkih objekata koji međusobno djeluju, zahvaljujući kojima programer može koristiti svoje komponente u bilo kojoj kombinaciji u bilo kojem aplikativnom rješenju. Ugrađeni objekti olakšavaju organizaciju interaktivne konfiguracije parametara analize od strane korisnika, kao i prikaz rezultata analize u obliku koji je jednostavan za prikaz u dokumentu proračunske tablice. Primjenom jedne vrste analize na izvorne podatke, možete dobiti rezultat koji će predstavljati određeni model ponašanja podataka. Rezultat analize se može prikazati u konačnom dokumentu ili sačuvati za kasniju upotrebu - na osnovu njega možete kreirati model prognoze koji vam omogućava da predvidite ponašanje novih podataka.
Rice. 2. Opća shema funkcionisanja mehanizma data mininga. Trenutna verzija podsistema implementira metode koje su dobile najveću komercijalnu distribuciju u svjetskoj praksi, a to su:

• grupisanje - implementira grupisanje objekata, maksimizirajući unutargrupnu sličnost i međugrupne razlike;
• stablo odlučivanja - obezbeđuje konstrukciju uzročno-posledične hijerarhije uslova koji dovode do određene odluke;
• traži asocijacije - traži stabilne kombinacije elemenata u događajima ili objektima.

U nastavku ćemo detaljnije pogledati suštinu i mogućnosti praktična primjena ove IAD metode.

Grupiranje

Svrha grupisanja je da se iz skupa objekata iste prirode izabere određeni broj relativno homogenih grupa (segmenata ili klastera). Objekti su raspoređeni u grupe na način da su unutargrupne razlike minimalne, a međugrupne maksimalne (slika 3). Metode klasteriranja omogućavaju prelazak sa objekta po objekt na grupni prikaz kolekcije proizvoljnih objekata, što značajno pojednostavljuje njihovo rukovanje. U nastavku je opisano nekoliko mogućih scenarija za korištenje klasteriranja u praksi. Segmentacija kupaca na osnovu određenog skupa parametara, omogućava da se među njima identifikuju stabilne grupe koje imaju slične kupovne preferencije, nivo prodaje i solventnost, što u velikoj meri pojednostavljuje upravljanje odnosima sa kupcima. At klasifikacija robe Vrlo često se koriste sasvim konvencionalni principi klasifikacije. Izolovanje segmenata na osnovu grupe formalnih kriterijuma omogućava istinsko određivanje homogene grupe robe. U kontekstu širokog i prilično heterogenog asortimana proizvoda, upravljanje asortimanom na nivou segmenta, u poređenju sa upravljanjem na nivou proizvoda, značajno povećava efikasnost promocije, određivanja cijena, merchandisinga i upravljanja lancem opskrbe. Segmentacija menadžera Omogućava vam efikasnije planiranje organizacijskih promjena, poboljšanje motivacijskih šema, prilagođavanje zahtjeva za unajmljenim osobljem, što vam u konačnici omogućava da povećate upravljivost kompanije i stabilnost poslovanja u cjelini.
Rice. 3. Analiza podataka metodom klasteriranja. Sličnost i razlika između objekata određena je „udaljenošću“ između njih u prostoru faktora. Metoda mjerenja udaljenosti ovisi o metrici koja ukazuje na princip određivanja sličnosti/razlike između uzoraka objekata. Trenutna implementacija podržava sljedeće metrike:

• "Euklidska metrika" je standardna udaljenost između dvije tačke u N-dimenzionalnom euklidskom prostoru atributa;
• “Euklidska metrika na kvadrat” - pojačava uticaj razlike (udaljenosti) na rezultat grupisanja;
• "gradska metrika" - smanjuje uticaj emisija;
• “metrika dominacije” - definira razliku između uzoraka objekata kao maksimalnu postojeću razliku između vrijednosti njihovih atributa, stoga je korisna za poboljšanje razlika između objekata za jedan atribut.

Metodom formiranja klastera na osnovu informacija o udaljenosti između klasteriranih objekata određuje se metoda klasteriranja. Trenutna verzija "1C:Enterprise 8.0" implementira sledećim metodama grupiranje:

• „komunikacija kratkog dometa“ - objekat se pridružuje grupi za koju je udaljenost do najbližeg objekta minimalna;
• “komunikacija na daljinu” - objekt se pridružuje grupi za koju je udaljenost do najudaljenijeg objekta minimalna;
• “centar gravitacije” - objekt se pridružuje grupi za koju je udaljenost do centra klastera minimalna;
• "k-means" metoda - odabiru se proizvoljni objekti koji se smatraju centrima klastera, zatim se svi analizirani objekti sekvencijalno sortiraju i spajaju u klaster koji im je najbliži. Nakon spajanja objekta, izračunava se novi centar klastera koji se izračunava kao prosječna vrijednost atributa svih objekata uključenih u klaster. Postupak se ponavlja sve dok se centri klastera mijenjaju.

Bilo koja metoda klasteriranja implementirana u platformi zahtijeva eksplicitnu naznaku broja potrebnih klastera. Možete unijeti težine za atribute objekta, što vam omogućava da im odredite prioritet. Kao rezultat analize korištenjem klasteriranja dobijaju se sljedeći podaci:

• centri klastera, koji su skup prosječnih vrijednosti ulaznih stupaca u svakom klasteru;
• tabela međuklastera udaljenosti (udaljenosti između centara klastera), koje određuju stepen razlike između njih;
• vrijednosti kolona prognoze za svaki klaster;
• rangiranje faktora i stablo uslova koji su odredili distribuciju objekata u klastere.

Algoritmi klasteriranja omogućavaju ne samo provođenje klaster analize objekata na skupu datih atributa, već i predviđanje vrijednosti jednog ili više njih za trenutni uzorak na osnovu dodjele objekata u ovom uzorku određenom klasteru.

Tražite asocijacije

Ova metoda je dizajnirana da identifikuje stabilne kombinacije elemenata u određenim događajima ili objektima. Rezultati analize su predstavljeni u obliku grupa povezanih elemenata. Ovdje je, pored identifikovanih stabilnih kombinacija elemenata, data detaljna analitika pridruženih elemenata (slika 4).
Rice. 4. Prezentacija rezultata analize metodom „traga za asocijacijama“ u obliku grupa povezanih elemenata. Metoda je prvobitno razvijena da pronađe tipične kombinacije artikala u kupovini, zbog čega se ponekad naziva i analiza korpe za kupovinu. U ovom scenariju, povezani elementi su obično grupe proizvoda ili pojedinačni proizvodi. A objekat grupisanja koji kombinuje elemente uzoraka može biti bilo koji objekat informacionog sistema koji identifikuje transakciju: na primer, nalog kupca, akt za pružanje usluga ili gotovinski račun. Informacije o obrascima u preferencijama proizvoda kupaca povećavaju efikasnost upravljanja odnosima s kupcima (u smislu reklamnih kampanja i marketinških promocija), određivanja cijena (formiranje složenih ponuda i sistema popusta), upravljanja zalihama i merchandisinga (distribucija robe u prodajnim prostorima). Još jedan primjer korištenja ove metode je određivanje preferiranih kombinacija kanala oglašavanja od strane kupaca kako bi se izbjeglo dupliciranje prilikom pokretanja ciljanih reklamnih kampanja. To vam omogućava značajno smanjenje troškova takvih događaja. Algoritam pretraživanja asocijacija implementiran u platformi ima prilično fleksibilna sredstva za kontrolu adekvatnosti modela analize ili prognoze. Parametar "Minimalni postotak slučajeva" određuje "prag pokretanja" algoritma za određenu kombinaciju elemenata u događaju ili objektu, što vam omogućava da zanemarite slabo uobičajene asocijacije. Parametar "Minimalna pouzdanost" određuje potrebnu stabilnost traženih asocijacija, a parametar "Minimalna značajnost" vam omogućava da identifikujete one sa najvišim prioritetom. Parametar “Vrsta granične vrijednosti pravila” uvelike olakšava percepciju rezultata analize i prognoze, koji mogu uzeti vrijednosti “Odsjeći suvišno” i “Odsjeći one obuhvaćene drugim pravilima”. Za praktično tumačenje Za rezultate dobijene ovim algoritmom, od ključne je važnosti da se početni skup pridruženih elemenata podeli u grupe koje su zaista homogene sa stanovišta analize koja se sprovodi.

Stablo odluka

Kao rezultat primjene ove metode na izvorne podatke, kreira se hijerarhijska (stablosta) struktura pravila oblika „ako... onda...“, a algoritam analize osigurava identifikaciju najznačajnijih uslova. i prijelazi između njih u svakoj fazi. Ovaj algoritam se najčešće koristi u identifikaciji uzročno-posledičnih veza u podacima i opisivanju obrazaca ponašanja. Tipično područje primjene stabala odlučivanja je procjena različitih rizika, na primjer, zatvaranje narudžbe od strane klijenta ili njezin prijenos na konkurenta, neblagovremena isporuka robe od strane dobavljača ili kašnjenje u plaćanju trgovinskog zajma ( Slika 5). Tipični ulazni faktori modela su iznos i sastav naloga, trenutno stanje međusobnih obračuna, kreditni limit, procenat prevremene otplate, uslovi isporuke i drugi parametri koji karakterišu objekat prognoze. Adekvatna procjena rizika osigurava donošenje informiranih odluka kako bi se optimizirao odnos povrata/rizika aktivnosti kompanije, a korisna je i za povećanje realnosti različitih budžeta.

Rice. 5. Upotreba metode „stabla odlučivanja“ omogućava da se na osnovu ulaznih faktora modela (a) dobije procjena rizika prihvatanja određenih upravljačke odluke(b). Primjer koji ilustruje sposobnost algoritma da identificira uzročno-posljedične veze je zadatak optimizacije rada odjela prodaje. Da bismo to riješili, izabraćemo indikator efektivnosti menadžera prodaje, na primjer, specifičnu profitabilnost po klijentu, kao predviđenu vrijednost, a kao faktore - skup podataka koji potencijalno utiču na rezultat. Algoritam će odrediti faktore koji imaju najveći uticaj na rezultat, kao i tipične kombinacije uslova koji vode do određenog rezultata. Štaviše, podsistem "Analiza podataka" će vam omogućiti da procijenite (predvidite) očekivane vrijednosti ciljnog indikatora na osnovu trenutnih podataka, kao i da napravite prognozu "šta ako ..." promjenom indikatora koji se dostavljaju unos modela. Rezultati analize i prognoze korišćenjem stabala odlučivanja mogu značajno smanjiti uticaj neizvesnosti poslovnog okruženja na stanje kompanije, kao i rešiti širok spektar problema vezanih za identifikaciju složenih i neočiglednih uzročno-posledičnih. odnosima. Algoritam stabla odluka formira uzročno-posledičnu hijerarhiju uslova koji dovode do određenih odluka. Kao rezultat primjene ove metode na uzorak za obuku, kreira se hijerarhijska (stablo) struktura pravila cijepanja tipa “ako... onda...”. Algoritam analize (obuka modela) svodi se na iterativni proces identifikacije najznačajnijih uslova i prelaza između njih. Uslovi mogu biti i kvantitativne i kvalitativne prirode i formirati „grane“ ovog apstraktnog stabla. Njegovo "lišće" formiraju vrijednosti predviđenog atributa (odluke), koje, kao i uvjeti prijelaza, omogućavaju i kvalitativnu i kvantitativnu interpretaciju. Kombinacija ovih uslova nametnutih faktorima i struktura prijelaza između njih do konačnog rješenja formiraju model prognoze. Ovaj algoritam je postao najrašireniji u procjeni ishoda različitih lanaca događaja i identifikaciji uzročno-posljedičnih veza u uzorcima. Značaj i pouzdanost modela ovog algoritma se kontroliše pomoću parametara „Tip pojednostavljenja“, „Maksimalna dubina stabla“ i „Minimalni broj elemenata u čvoru“. Rezultati analize uzorka korištenjem algoritma "Decision Tree" su:

• ocjenjivanje faktora, što je lista faktora koji su utjecali na odluku, sortiranih po opadajućem redoslijedu važnosti („citati“ u čvorovima stabla);
• poređenje odluka (vrijednosti kolone prognoze) i uslova koji su ih odredili, drugim riječima, stablo „Učinak-uzrok“;
• „Uzročno-posledično“ stablo, koje je skup prelaza između uslova koji određuje određenu odluku (u suštini, vizuelni prikaz modela prognoze).

Zajednička rješenja "1C" Pored funkcija implementiranih direktno u okviru platforme 1C:Enterprise 8.0, arsenal alata za poslovnu analitiku 1C dopunjen je specijalizovanim rješenjima kreiranim, između ostalog, u okviru projekta 1C-Joint (http:// v8.1c.ru/ solutions) - uz učešće partnera kompanije i nezavisnih programera (pogledajte "Zajednička rešenja 1C i njegovih partnera", "BYTE/Rusija" br. 9 "2005). Ovde napominjemo dva proizvoda vezana za upotreba inteligentnih metoda analize - Ovo je "1C:Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Upravljačko računovodstvo i kalkulacija troškova" (partner za razvoj - konsultantska kuća "VIP Anatech") i "1C-VIP Anatech-VDGB: ABIS. B.S.C. Balanced Scorecard" (partneri-programeri - kompanije VIP Anatech i VDGB).

Tipični poslovni scenariji za korištenje IAD metoda

PAD dokumentacija ima odjeljak posvećen tipičnim primjerima korištenja rudarenja podataka u odnosu na konfiguraciju "1C: Trade Management 8.0." Ovdje predstavljamo nekoliko takvih poslovnih scenarija.

Upravljanje odnosima s klijentima

Scenario "Planiranje" Reklamna kampanja" Planiranje predstojeće reklamne kampanje razmatra se sa stanovišta optimizacije distribucije dodijeljenog budžeta po kanalima oglašavanja, na osnovu regionalnih, proizvodnih, potrošačkih i drugih pokazatelja ciljnog segmenta, kao i efikasnosti kanala oglašavanja u navedene dionice u nekom prethodnom planiranom periodu. Algoritam- "Klaster analiza". Atributi prognoze- udio odgovora na kanal oglašavanja uslovno homogenih segmenata identificiranih algoritmom. Izračunate kolone- udio kanala oglašavanja u budžetu reklamne kampanje, uzimajući u obzir vjerojatni udio odgovora i efektivnosti (u smislu rezultirajućeg prihoda) svakog kanala oglašavanja. Primjer uzorka: Klijente klase A regije P, koji preferiraju grupu proizvoda P, privlači isti kanal oglašavanja kao i klijente regije N, koji preferiraju grupu proizvoda Y.

Upravljanje lancem snabdevanja

Scenarij "Optimizacija izbora dobavljača po grupama proizvoda" Odabir dominantnih dobavljača prve linije za ključne grupe proizvoda izuzetno je važan za stabilizaciju logističkog sistema posebno i cjelokupnog sistema upravljanja lancem snabdijevanja općenito, kao i za smanjenje prosječnog trajanja lanaca nabavke. S druge strane, bliža integracija sa glavnim dobavljačima obično omogućava značajno smanjenje troškova robe. U tom smislu, od interesa je analizirati stabilne kombinacije dobavljača u različitim grupama proizvoda u poređenju sa analitikom za dobavljače povezane unutar grupa. Ovo vam omogućava da identifikujete „raskrsnice“ dobavljača u različitim grupama proizvoda i optimizujete odnose sa njima. Algoritam- "Traži asocijacije." Atributi prognoze- održive kombinacije dobavljača. Glavni faktori- grupe proizvoda. Dekodiranje- analitiku o dobavljačima (obim nabavki, prihod, rokovi isporuke i plaćanja, rokovi izvršenja narudžbi - pesimistično, optimistično, prosječno). Primjer uzorka: stabilna povezanost velikog i nepredvidivog dobavljača A i predvidljivog srednjeg dobavljača B u velikom broju grupa proizvoda. Prilikom narudžbe za konkurentne grupe proizvoda, moguće je pozicionirati srednjeg dobavljača kao glavnog, ako obim narudžbe za veliki ne prelazi određeni prag (dajući značajan dobitak u razmjeru).

Menadžment osoblja

Scenarij: Profiliranje menadžera prodaje prema ključnim pokazateljima učinka Utvrđivanje efektivnosti menadžera (zadržavanje, traženje kupaca, efikasnost komunikacije, naplata uslovnih i bezuslovnih potraživanja, specifični pokazatelji uspješnosti po klijentu i sl.) je od interesa ne samo sa stanovišta kreiranja sistema materijalnih poticaja za menadžere, ali i sa stanovišta efektivnih standardizacijskih parametara njihovih aktivnosti. Algoritam- "Stabla odluka". Atributi prognoze- ključni pokazatelji uspješnosti odjela prodaje (broj ključnih kupaca, stope odljeva i akvizicije, mjesečni izgubljeni prihod, privučeni prihod mjesečno, mjesečni prihod po klijentu, ukupan prihod od klijenata itd.). Glavni faktori- broj aktivnih klijenata, prihod, prihod, specifični pokazatelji po klijentu, efikasnost komunikacije. U zavisnosti od prediktivnih atributa, sastav faktora može značajno varirati. Primjer uzorka: menadžeri koji pružaju najbolji učinak prikupljanja potraživanja(odnos DS primitaka i prihoda) imaju stopu zadržavanja > 0,8; koeficijent privlačnosti > 0,25; broj istovremeno otvorenih transakcija nije veći od 15, ali ne manji od 10; intenzitet događaja dnevno nije veći od 10, ali ne manji od 3; broj aktivnih klijenata u periodu je najmanje 50, ali ne više od 100.

Zaključak

Moderno poslovanje je toliko višestruko da se faktori koji potencijalno utiču na određenu odluku mogu brojiti na desetine. Konkurencija se povećava iz dana u dan, životni ciklusi proizvoda se skraćuju, a preferencije kupaca se mijenjaju sve brže i brže. Za razvoj poslovanja potrebno je što dinamičnije odgovoriti na brzo promjenjivo poslovno okruženje, uzimajući u obzir suptilne i ponekad neuhvatljive obrasce razvoja. Koje grupe kupaca će se odazvati promociji, a koje će neopozivo pripasti konkurenciji? Da li da otvorim novu poslovnu liniju ili da odložim za sada? Hoće li kupac kasniti s plaćanjem ili dobavljač kasniti s isporukom? Koje su prilike za rast, a gdje potencijalne prijetnje? Hiljade menadžera svakodnevno postavljaju sebi i svojim kolegama ova pitanja. Podsistem za analizu podataka implementiran na platformi 1C:Enterprise 8.0 je dizajniran da pomogne korisnicima korporativnog informacionog sistema da brzo pronađu odgovore na netrivijalna pitanja, omogućavajući automatsku transformaciju podataka akumuliranih u informacioni sistem, u praktične i dobro razumljive obrasce.

Ekonomsko i analitičko izvještavanje u "1C:Enterprise 8.0" Platforma 1C:Enterprise 8.0 uključuje cela linija mehanizme za generisanje ekonomskog i analitičkog izvještavanja, omogućavajući generiranje interaktivnih dokumenata (a ne samo štampanih obrazaca) u okviru određenih aplikativnih rješenja. Dakle, korisnik može raditi sa izvještajima na isti način kao i sa bilo kojim ekranskim obrascem, uključujući promjenu parametara izvještaja, njegovu ponovnu izgradnju, korištenjem „dekodiranja“ (pribavljanje dodatnih izvještaja na osnovu pojedinačni elementi već generirani izvještaj) itd. Osim toga, postoji nekoliko univerzalnih softver, što vam omogućava da generišete proizvoljne izveštaje, u zavisnosti od dodeljenih zadataka. To mogu učiniti i sami korisnici (dovoljno iskusni) koji su dobro upoznati sa strukturom aplikativnog rješenja koje se koristi. U nastavku ćemo ukratko pogledati glavne alate za izvještavanje u 1C:Enterprise 8.0. Zahtjevi- ovo je jedan od načina pristupa podacima u "1C:Enterprise 8.0", uz pomoć kojih se informacije preuzimaju iz baze podataka pod određenim uslovima, obično u kombinaciji sa najjednostavnijom obradom primljenih podataka: grupiranje, sortiranje, izračunati. Promjena podataka pomoću upita je nemoguća, jer su prvobitno dizajnirani da brzo dobiju informacije iz velike količine informacija. Baza podataka je implementirana kao skup međusobno povezanih tabela kojima se može pristupiti pojedinačno ili nekoliko tabela zajedno. Za implementaciju vlastitih algoritama, programer može koristiti jezik upita baziran na SQL-u i koji sadrži mnoga proširenja koja odražavaju specifičnosti financijskih i ekonomskih problema i smanjuju trud utrošen na kreiranje aplikativnih rješenja. Platforma uključuje dizajner upita koji vam omogućava da sastavite ispravan tekst upita koristeći samo vizuelne alate (slika 6). Rice. 6. Kreator upita (a) dozvoljava programeru da sastavi tekst upita (b) isključivo vizuelnim sredstvima. tabelarni dokument je moćan mehanizam za vizualizaciju i uređivanje informacija, uključujući korištenje dinamičkog čitanja informacija iz baze podataka. Tablični dokument se može koristiti samostalno ili biti dio bilo kojeg od obrazaca koji se koriste u aplikacijskom rješenju. U svojoj srži liči na tabelarni prikaz (sastoji se od redova i kolona u kojima se pohranjuju podaci), ali su njegove mogućnosti mnogo šire. Podržava operacije grupisanja, dešifriranja i označavanja. U dokumentu koji možete koristiti različite vrste dizajn izvještaja, uključujući grafičke dijagrame. Dokument proračunske tablice može sadržavati zaokretne tablice, koje same služe efikasan alat programsko i interaktivno predstavljanje višedimenzionalnih podataka. Konstruktor izlazne forme pomaže programeru da kreira izvještaje i prezentira podatke izvještaja u zgodnoj tablici ili grafički oblik. Uključuje sve karakteristike dizajnera upita, kao i kreiranje i prilagođavanje obrazaca. Report Builder je objekat ugrađenog jezika koji pruža mogućnost dinamičkog kreiranja izveštaja i programski i interaktivno (slika 7). Njegov rad se zasniva na zahtjevu, kojim se korisniku daje mogućnost da interaktivno konfigurira sve glavne parametre sadržane u tekstu zahtjeva. Rezultati ovog upita izlaze u dokument proračunske tablice, koji također može koristiti informacije iz proizvoljnih izvora podataka. Programer, koristeći naredbe graditelja izvještaja, može promijeniti parametre dostupne korisniku za konfiguraciju. Rice. 7. Šema graditelja izvještaja. Geografske šeme omogućavaju vam da vizuelno predstavite informacije koje imaju teritorijalnu referencu: na zemlje, regione, gradove. Na njima se mogu prikazati podaci Različiti putevi: u obliku teksta, histograma, boje, slike, krugova raznih prečnika i boje, tortni grafikoni. Ovo vam omogućava da prikažete, na primjer, obim prodaje po regijama u grafičkom obliku. Korisnik može promijeniti skalu prikazanog dijagrama, dobiti transkripte kada klikne na objekte dijagrama, pa čak i kreirati nove geografske dijagrame. Geografski dijagram se također može koristiti jednostavno za prikaz određenih geografskih podataka, kao što su upute za vožnju do ureda ili ruta vozila. Data mining. Ovi mehanizmi omogućavaju identifikaciju neočiglednih obrazaca koji se obično kriju iza velikih količina informacija. Ovdje koristimo komplementarne metode otkrivanja znanja, koje su dobile najveću komercijalnu rasprostranjenost u svjetskoj praksi: grupiranje (grupiranje relativno sličnih objekata), pretraživanje asocijacija (potraga za stabilnim kombinacijama događaja i objekata) i stablo odlučivanja (konstrukcija uzroka-i objekata). -hijerarhija efekata uslova koji dovode do određenih odluka). Konzola upita i konzola za izvještavanje. Obje ove konzole nisu dio tehnološke platforme, već su eksterni izvještaji koji se mogu pokrenuti u bilo kojem aplikativnom rješenju. Oni pomažu programeru ili iskusnom korisniku da sastavi tekst upita i analizira njegove rezultate ili generira prilagođeni izvještaj.

Mehanizam je predstavljen skupom objekata ugrađenog jezika 1C:Enterprise. Dijagram interakcije glavnih objekata mehanizma prikazan je na slici. Postavljanje kolona za analizu podataka – skup postavki za kolone za analizu ulaznih podataka. Za svaku kolonu je naznačen tip podataka sadržanih u njoj, uloga koju kolona obavlja, dodatna podešavanja, u zavisnosti od vrste izvršene analize. Parametri analize podataka – skup parametara za izvršenu analizu podataka. Sastav parametara zavisi od vrste analize. Na primjer, za analizu klastera, naznačen je broj klastera u koje se originalni objekti moraju podijeliti, vrsta mjerenja udaljenosti između objekata itd. Početni podaci su izvor podataka za analizu. Izvor podataka može biti rezultat upita, područja ćelije dokumenta proračunske tablice ili tablice vrijednosti. Analizator je objekt koji direktno vrši analizu podataka. Objektu se daje izvor podataka i specificiraju se parametri. Rezultat rada ovog objekta je rezultat analize podataka, čiji tip zavisi od vrste analize. Rezultat analize podataka je poseban objekat koji sadrži informacije o rezultatu analize. Svaka vrsta analize ima svoj rezultat. Na primjer, rezultat analize podataka - stablo odluka - bit će objekt tipa DataAnalysisResultDecisionTree. U budućnosti, rezultat se može prikazati u dokumentu proračunske tablice pomoću alata za izradu izvještaja o analizi podataka, može se prikazati kroz programski pristup njegovom sadržaju i može se koristiti za kreiranje modela prognoze. Bilo koji rezultat analize podataka može se sačuvati za kasniju upotrebu. Model prognoze je poseban objekat koji vam omogućava da napravite prognozu na osnovu ulaznih podataka. Tip modela zavisi od vrste analize podataka. Na primjer, model kreiran za analizu podataka – traženje asocijacija imat će tip Model prognoze pretraživanja asocijacija. Izvor podataka za prognozu se prosljeđuje na ulaz modela prognoze. Rezultat je tabela vrijednosti koja sadrži predviđene vrijednosti. Uzorak za prognozu je tabela vrijednosti, rezultat upita ili područje dokumenta proračunske tablice koje sadrži informacije na osnovu kojih se gradi prognoza. Na primjer, za model predviđanja - traženje asocijacija, izbor može sadržavati listu proizvoda u prodajnom dokumentu. Rezultat rada modela može preporučiti koji proizvodi se još mogu ponuditi kupcu. Podešavanje kolona za odabir - set specijalnih objekata, koji pokazuje korespondenciju između kolona modela prognoze i kolona uzorka prognoze. Postavljanje kolona rezultata - omogućava vam da kontrolirate koje će stupce biti smještene u tablicu rezultata modela prognoze. Rezultat modela je tabela vrijednosti, koja se sastoji od kolona, ​​kako je navedeno u postavkama rezultujućih kolona i koja sadrži predviđene podatke. Specifičan sadržaj je određen vrstom analize. Graditelj izvještaja o analizi podataka je objekt koji vam omogućava da prikažete izvještaj o rezultatu analize podataka. Osim toga, graditelj izvještaja pruža posebne objekte za povezivanje s podacima kako bi korisniku omogućio interaktivno upravljanje parametrima analize, postavljanje kolona izvora podataka, postavljanje stupaca modela prognoze itd. Vrste analize Mehanizam vam omogućava da izvršite sljedeće vrste analiza:

• opšta statistika
• Tražite asocijacije
• Sequence Search
• Stablo odluka
• Klaster analiza

Mehanizam analize podataka u 1C 8.2 i 8.3 pojednostavljuje rad programera u identifikaciji obrazaca na osnovu različitih podataka. Na primjer, pomoću ovog mehanizma možete prikazati proizvode koji se najčešće kupuju zajedno. Drugi primjer je izrada predviđanja prodaje na osnovu istorijskih podataka. Ovo nije cijeli raspon primjena mehanizma za analizu podataka u 1C; hajde da se pozabavimo njegovim mogućnostima detaljnije. Glavni objekti mehanizma analize podataka u 1C Ovaj mehanizam je predstavljen u sistemu 1C Enterprise sa 3 sistemska objekta:

• Analiza podataka – objekat koji vrši analizu podataka. Za to morate navesti izvor podataka i potrebne parametre za analizu.
• Rezultat analize podataka je objekat koji je rezultat rada na analizi podataka.
• Model prognoze – kreiran na osnovu rezultata analize podataka. Objekt je konačna veza u mehanizmu 1C analize i generira tablicu vrijednosti koja sadrži predviđene vrijednosti.

Vrste analize podataka 1C 8.3 Sistem 1C Enterprise može koristiti različite vrste analize, razmotrimo ih detaljnije.

1. Opšta statistika – Ova vrsta analize je jednostavno statističko uzorkovanje izvora podataka. Primjer primjene je analiza prodaje po artiklima za period. Rezultat analize će biti informacija o tome koliko je određenog proizvoda prodato. Sistem će takođe izračunati određena polja - maksimum, minimum, medijan, prosek, opseg, standardna devijacija, broj vrijednosti, broj jedinstvenih vrijednosti, način rada.
2. Traženje asocijacija – ova vrsta analize je dizajnirana da traži kombinacije koje se često javljaju zajedno. Vrlo dobro za pronalaženje predmeta koji se često kupuju zajedno. Kao rezultat analize, sistem će generisati sljedeće informacije: informacije o obrađenim podacima, asocijativnim grupama, asocijativnim pravilima po kojima se grupe upoređuju.
3. Pretraga sekvenci - analiza koja vam omogućava da identifikujete obrasce u analiziranim podacima i ponudite dalja predviđanja. Kao rezultat analize, sistem će prikazati informacije o mogućnosti nastanka određenih događaja u procentima.