Analiza si prognoza datelor. Analiza si prognoza datelor Analiza si prognoza datelor in intreprinderea 1c

Începutul și sfârșitul proceselor de afaceri

Ciclul de viață al unui proces de afaceri începe de la început. Pentru acest punct de rută, puteți defini un handler de evenimente pentru evenimentul Înainte de începere. Această procedură are doi parametri. Primul parametru este punctul de rută de la care a fost apelat handlerul (procesul de afaceri poate avea mai multe puncte de plecare), al doilea parametru este Eșec. Când valoarea True este scrisă în variabila Eșec, procesul de afaceri va fi respins de la început. În gestionarea evenimentelor Înainte de a începe, puteți verifica condițiile necesare pentru demararea unui proces de afaceri, puteți crea obiecte „însoțitoare”, referințe la care trebuie stocate în procesul de afaceri propriu-zis. La definirea unui handler pentru acest eveniment, nu se recomandă implementarea mecanismelor care organizează un dialog cu un utilizator (deschiderea diferitelor forme de dialog).

Însuși începutul unui proces de afaceri se poate face în diferite moduri:

software-ul începerii unui proces de afaceri (din codul limbajului încorporat);

start interactiv (făcând clic pe butonul OK al formularului de proces de afaceri);

începerea unui proces de afaceri ca unul încorporat.

Utilizarea mecanismului de analiză și prognoză a datelor în 1C

Mecanismul de analiză și prognoză a datelor face posibilă implementarea în soluțiile aplicate a diferitelor mijloace de identificare a tiparelor care sunt de obicei ascunse în spatele unor cantități mari de informații.

Mecanismul vă permite să lucrați atât cu date obținute dintr-o bază de informații, cât și cu date obținute dintr-o altă sursă, preîncărcate într-un tabel de valori sau un document foaie de calcul. Aplicând unul dintre tipurile de analiză datelor originale, puteți obține rezultatul analizei. Rezultatul analizei este un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară.

Utilizarea ulterioară a rezultatului analizei constă în faptul că pe baza acestuia poate fi creat un model de prognoză, care permite prezicerea comportamentului noilor date în conformitate cu modelul existent. De exemplu, puteți analiza ce articole sunt achiziționate împreună (într-o singură factură) și puteți salva modelul de prognoză creat pe baza acestei analize în baza de date.

Utilizarea machetelor pentru documente text

Document text 1C: Enterprise vă permite să prezentați diverse informații sub formă de texte. Un document text poate fi citit dintr-un fișier text, salvat într-un fișier text. Poate fi plasat într-o formă sau într-un aspect, lucrul cu acesta este posibil prin intermediul limbajului încorporat. În general, un document text vă permite să efectuați trei grupuri logice de acțiuni: - citirea de pe disc și scrierea pe disc a fișierelor text; - lucrați cu linii individuale ale unui document text: obținerea, adăugarea, ștergerea, înlocuirea; - crearea unui aspect de text și utilizarea acestuia pentru a forma documentul text rezultat.

Pe lângă formarea directă a conținutului unui document text, este posibilă completarea documentelor text pe baza machetelor. Aspectul unui document text descrie părțile imuabile ale documentului text care conțin aspect și câmpurile la care pot fi adăugate date. Procesul de completare a unui document text pe baza unui aspect constă în citirea anumitor zone ale machetei, completarea lor ciclică cu date și scoaterea secvenţială a părților rezultate ale documentului în documentul text rezultat.

Formatul aspectului unui document text. Aspectul unui document text este un document text în care sunt folosite linii de serviciu care încep cu caracterul „#”. Caracterul de control este urmat de cuvinte cheie care descriu anumite elemente ale aspectului.

Tot în aspectul documentului text se folosesc simbolurile de serviciu „[” și „]”, care determină locația câmpurilor variabile ale machetei.

Întregul aspect al unui document text este format din regiuni. O zonă combină mai multe linii consecutive. Zonele trebuie să se succedă și nu se pot suprapune sau nu pot fi incluse unele în altele. Cuvintele cheie Regiune și Sfârșitul regiunii sunt folosite pentru a descrie regiunea. Numele zonei este urmat de numele zonei.

Mecanismul este reprezentat de un set de obiecte din limbajul încorporat 1C: Enterprise. Schema de interacțiune a principalelor obiecte ale mecanismului este prezentată în figură. Configurarea coloanelor de analiză a datelor - un set de setări pentru coloanele de analiză a datelor de intrare. Pentru fiecare coloană se indică tipul de date conținute în ea, rolul jucat de coloană, setari aditionaleîn funcţie de tipul de analiză efectuată. Parametri de analiză a datelor - un set de parametri pentru analiza datelor efectuată. Lista parametrilor depinde de tipul de analiză. De exemplu, pentru analiza grupului este indicat numărul de clustere în care este necesară împărțirea obiectelor originale, tipul de măsurare a distanței dintre obiecte etc. Datele brute sunt sursa datelor pentru analiză. Sursa de date poate fi un rezultat al unei interogări, o zonă de celule a unui document de foaie de calcul, un tabel de valori. Analizorul este un obiect care realizează direct analiza datelor. Sursa de date este setată la obiect, parametrii sunt setați. Rezultatul funcționării acestui obiect este rezultatul analizei datelor, al cărei tip depinde de tipul de analiză. Rezultatul analizei datelor este un obiect special care conține informații despre rezultatul analizei. Fiecare tip de analiză are propriul său rezultat. De exemplu, rezultatul analizei datelor - un arbore de decizie va fi un obiect de tipul DataAnalysisResultDecisionTree. În viitor, rezultatul poate fi afișat într-un document de foaie de calcul folosind generatorul de rapoarte de analiză a datelor, poate fi afișat prin acces programatic la conținutul său și poate fi folosit pentru a crea un model de prognoză. Orice rezultat al analizei datelor poate fi salvat pentru utilizare ulterioară. Un model de prognoză este un obiect special care vă permite să faceți o prognoză pe baza datelor de intrare. Tipul de model depinde de tipul de analiză a datelor. De exemplu, un model creat pentru analiza datelor - căutarea asocierilor va fi de tipPredictModelSearchAssociation. Sursa de date pentru prognoză este transmisă la intrarea modelului de prognoză. Rezultatul este un tabel de valori care conține valorile prezise. Selecția pentru o prognoză este un tabel de valori, un rezultat al unei interogări sau o zonă a unui document foaie de calcul care conține informații pe care este necesar să se construiască o prognoză. De exemplu, pentru modelul de prognoză - căutarea asociațiilor, selecția poate conține o listă de produse din documentul de vânzare. Rezultatul muncii modelului poate recomanda ce produse mai pot fi oferite cumparatorului. Selection Columns Setup - un set de obiecte speciale care arată corespondența dintre coloanele modelului de prognoză și coloanele selecției de prognoză. Configurarea coloanelor rezultate - vă permite să controlați ce coloane vor fi plasate în tabelul rezultat al modelului de prognoză. Rezultatul funcționării modelului este un tabel de valori, format din coloane, așa cum este specificat în setările coloanelor rezultate, și care conține datele prezise. Conținutul specific este determinat de tipul analizei. Data Analysis Report Builder - un obiect care vă permite să afișați un raport privind rezultatul analizei datelor. În plus, generatorul de rapoarte oferă un obiect special pentru conectarea cu date pentru a permite utilizatorului să controleze în mod interactiv parametrii de analiză, să personalizeze coloanele sursei de date, coloanele modelului de prognoză etc. Tipuri de analiză Motorul vă permite să efectuați următoarele tipuri de analiză:

statistici totale
Caută asociații
Căutare secvență
Arborele de decizie
Analiza grupului

Mecanismul de analiză a datelor din 1C 8.2 și 8.3 simplifică munca dezvoltatorului în ceea ce privește identificarea modelelor bazate pe diverse date. De exemplu, folosind acest mecanism, puteți afișa produse care sunt cel mai adesea cumpărate împreună. Un alt exemplu este construirea unei previziuni de vânzări bazate pe date istorice. Aceasta este departe de întreaga gamă de aplicare a mecanismului de analiză a datelor în 1C, să ne aprofundăm mai detaliat în capacitățile acestuia. Obiectele principale ale mecanismului de analiză a datelor în 1C Acest mecanism este reprezentat în sistemul 1C Enterprise de 3 obiecte de sistem:

Analiza datelor - un obiect care efectuează analiza datelor. Pentru aceasta, trebuie să specificați o sursă de date și parametrii necesari pentru analiză.
Rezultatul analizei datelor este un obiect care este rezultatul muncii de analiză a datelor.
Model de prognoză - creat pe baza rezultatului analizei datelor. Obiectul este legătura finală în motorul de analiză 1C și generează un tabel de valori care conține valorile prezise.

Tipuri de analiză a datelor 1C 8.3 Sistemul 1C pe care Enterprise le poate utiliza tipuri diferite analiză, luați-le în considerare mai detaliat.

Statistici generale - Acest tip de analiză este un eșantion statistic simplu dintr-o sursă de date. Un exemplu de aplicație este analiza vânzărilor pe articol pentru o perioadă. Rezultatul analizei va fi informații despre cât de mult a fost vândut un anumit produs. Sistemul va calcula, de asemenea, câmpuri specifice - maxim, minim, mediană, medie, interval, abatere standard, număr de valori, număr de valori unice, mod.
Căutare asocieri - acest tip de analiză este conceput pentru a căuta combinații care apar adesea împreună. Foarte bun pentru a găsi împreună articole cumpărate frecvent. Ca rezultat al analizei, sistemul va genera următoarea informație: informații despre datele prelucrate, grupuri de asociere, reguli de asociere prin care se potrivesc grupurile.
Căutare secvență - o analiză care vă permite să identificați modele în datele analizate și să oferiți prognoze suplimentare. În urma analizei, sistemul va afișa informații despre posibilitatea apariției anumitor evenimente în termeni procentuali.

Una dintre principalele tendințe de pe piața sistemelor de contabilitate și management este creșterea constantă a cererii pentru utilizarea instrumentelor de prelucrare a datelor analitice care asigură luarea deciziilor în cunoștință de cauză. De aceea, una dintre direcțiile strategice în dezvoltarea sistemului software 1C: Enterprise a devenit extinderea constantă a posibilităților de raportare economică și analitică. Cu toate acestea, astăzi, clienții nu mai sunt suficiente instrumente tradiționale care vă permit să generați o varietate de rapoarte, tabele pivot și diagrame care sunt create pe baza unor valori și relații predefinite și care trebuie analizate manual. Întreprinderile au nevoie din ce în ce mai mult de instrumente calitativ diferite care să le permită să caute automat reguli neevidente și să identifice modele necunoscute (Fig. 1). Așa poți genera cunoștințe calitativ noi pe baza informațiilor acumulate de companie și poți lua uneori decizii complet netriviale pentru a îmbunătăți eficiența afacerii folosind metodele de data mining (IAD).
Orez. 1. Logica dezvoltării „inteligentei” sarcinilor analitice în curs de rezolvare. Lansare din vara 2003 versiune noua Platforma tehnologică „1C: Enterprise 8.0” a permis extinderea semnificativă a capabilităților de business intelligence în sistem (vezi bara laterală). Cu toate acestea, există un punct important de subliniat aici. Software-ul platformei 1C se dezvoltă nu numai în „pași”, de la versiune la versiune, ci este în mod constant îmbunătățit și extins într-o singură versiune și în două direcții - tehnologic și aplicat. Deci, după primul anunț al G8, au fost deja lansate mai mult de o duzină de versiuni ale platformei, cea mai recentă versiune (din ianuarie 2006) are numărul 8.0.13 și este foarte diferită de ceea ce era două și acum jumătate de an! Una dintre direcțiile de dezvoltare a „1C: Enterprise 8.0” este doar mecanismele de business intelligence; în special, instrumentele IAD au apărut în el abia în 2005. Este important de remarcat că majoritatea funcțiilor de analiză sunt implementate la nivel de platformă tehnologică și devin disponibile utilizatorilor numai după ce sunt incluse în noile versiuni ale soluțiilor aplicate. Astfel, există un decalaj (uneori de câteva luni) între apariția de noi oportunități și furnizarea acestora către utilizatori. Ținând cont de această problemă, pentru a reduce decalajul, 1C Company a lansat în septembrie 2005 o soluție de aplicație specială „Data Analysis Subsystem” (DAD), care poate fi încorporată în orice configurație a platformei „1C: Enterprise 8.0”. Pe lângă o gamă largă de funcții de bază Peste 30 de modele preconfigurate sunt incluse pentru o configurație tipică de management al comerțului. PAD include acele mijloace calitativ noi IAD care au fost anterior absente în programele „1C”. Pentru analiza și prognoza directă a datelor, nu sunt necesare abilități și cunoștințe specifice. Se presupune o bună cunoaștere a domeniului analizat și o înțelegere a principalelor relații cauză-efect din aceasta. Pregătirea surselor de date și a modelelor predictive necesită abilitatea de a utiliza generatorul de interogări și cunoașterea principiilor de plasare a informațiilor în obiectele metadate de configurare. Algoritmii IAD incluși în noua configurație (versiunea 1.0.5) formează modele analitice (șabloane) care descriu tiparele din datele inițiale. Aceste modele sunt de valoare independentă (pot fi refolosite), și sunt folosite și pentru generarea automată de prognoze, inclusiv de scenarii, cu indicatori necunoscuți anterior (Fig. 2). Mecanismul IAD este un set de obiecte limbaj încorporate care interacționează între ele, astfel încât dezvoltatorul să își poată folosi părțile constitutive într-o combinație arbitrară în orice solutie aplicata... Obiectele încorporate vă permit să organizați cu ușurință setarea interactivă a parametrilor de analiză de către utilizator, precum și să afișați rezultatul analizei într-o formă convenabilă pentru afișare într-un document foaie de calcul. Aplicând unul dintre tipurile de analiză datelor originale, puteți obține un rezultat care va reprezenta un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară - pe baza acestuia, puteți crea un model de prognoză care vă permite să preziceți comportamentul noilor date.
Orez. 2. Schema generala funcționarea mecanismului de extragere a datelor. Versiunea actuală a subsistemului implementează metodele care au primit cea mai mare distribuție comercială în practica mondială, și anume:

clustering - realizează gruparea obiectelor, maximizând asemănarea intra-grup și diferențele inter-grup;
arborele decizional - asigură construirea unei ierarhii cauzale a condițiilor, care să conducă la anumite decizii;
căutare de asocieri - căutări de combinații stabile de elemente în evenimente sau obiecte.

Mai jos vom arunca o privire mai atentă asupra esenței și posibilităților aplicație practică dintre aceste metode IAD.

Clustering

Scopul grupării este de a selecta dintr-un set de obiecte de aceeași natură un anumit număr de grupuri relativ omogene (segmente sau clustere). Obiectele sunt împărțite în grupuri astfel încât diferențele intragrup să fie minime, iar diferențele intergrup să fie maxime (Fig. 3). Metodele de grupare vă permit să treceți de la reprezentarea obiect cu obiect la reprezentarea în grup a unui set de obiecte arbitrare, ceea ce simplifică foarte mult funcționarea acestora. Mai jos sunt descrise mai multe scenarii posibile pentru aplicarea grupării în practică. Segmentarea cliențilorîn funcție de un anumit set de parametri, ne permite să distingem între ele grupuri stabile care au preferințe de cumpărare, niveluri de vânzări și solvabilitate similare, ceea ce simplifică foarte mult managementul relațiilor cu clienții. La clasificarea mărfurilor sunt foarte des folosite mai degrabă principiile convenționale de clasificare. Alocarea segmentelor pe baza unui grup de criterii formale vă permite să definiți grupuri de mărfuri cu adevărat omogene. În contextul unei game largi și destul de eterogene de mărfuri, managementul sortimentelor la nivel de segment, în comparație cu managementul la nivel de nomenclatură, crește semnificativ eficiența promovării, stabilirii prețurilor, comercializarii și managementului lanțului de aprovizionare. Segmentarea managerilor vă permite să planificați mai eficient schimbările organizaționale, să îmbunătățiți schemele de motivare, să ajustați cerințele pentru personalul angajat, ceea ce vă permite în cele din urmă să creșteți gestionabilitatea companiei și stabilitatea afacerii în ansamblu.
Orez. 3. Analiza datelor prin metoda clustering. Asemănarea și diferența dintre obiecte este determinată de „distanța” dintre ele în spațiul factorilor. Modul în care se măsoară distanța depinde de metrica care indică principiul determinării asemănării/diferenței dintre obiectele din eșantion. Implementarea actuală acceptă următoarele valori:

„Metrica euclidiană” este distanța standard dintre două puncte dintr-un spațiu de atribut euclidian cu dimensiuni N;
„Metrica euclidiană pătrat” – sporește efectul diferenței (distanței) asupra rezultatului grupării;
„city metric” – reduce impactul emisiilor;
„metrica dominanței” - definește diferența dintre obiectele eșantionului ca diferența maximă existentă între valorile atributelor acestora, prin urmare, este utilă pentru a îmbunătăți diferențele dintre obiecte printr-un singur atribut.

Metoda de formare a clusterelor pe baza informațiilor despre distanța dintre obiectele grupate este determinată de metoda clustering. Versiunea actuală a „1C: Enterprise 8.0” implementează următoarele metode de grupare:

„conexiune strânsă” - obiectul se alătură grupului pentru care distanța până la cel mai apropiat obiect este minimă;
„comunicare la distanță” – obiectul se alătură grupului pentru care distanța până la cel mai îndepărtat obiect este minimă;
„centrul de greutate” - obiectul se alătură grupului pentru care distanța până la centrul clusterului este minimă;
metoda „k-means” - sunt selectate obiecte arbitrare, care sunt considerate a fi centrele clusterelor, apoi toate obiectele analizate sunt enumerate secvenţial și unite la cel mai apropiat cluster. După atașarea obiectului, acesta se calculează centru nou cluster, care este calculat ca media atributelor tuturor obiectelor din cluster. Procedura se repetă până când se schimbă centrele clusterelor.

Oricare dintre metodele de clusterizare implementate în platformă presupune o indicare explicită a numărului de clustere necesare. Puteți introduce ponderi pentru atributele obiectului, ceea ce vă permite să stabiliți prioritate între ele. Ca rezultat al analizei folosind clustering, se obțin următoarele date:

centre de cluster, care sunt agregatul valorilor medii ale coloanelor de intrare din fiecare cluster;
un tabel cu distanțele dintre clustere (distanțele dintre centrele clusterelor), care determină gradul de diferență dintre ele;
valorile coloanelor de prognoză pentru fiecare cluster;
evaluarea factorilor și arborele condițiilor care au determinat distribuția obiectelor în clustere.

Algoritmii de grupare permit nu numai să efectueze analiza de grup a obiectelor pe un set de atribute specificate, ci și să prezică valoarea unuia sau mai multor dintre ele pentru eșantionul curent, pe baza atribuirii obiectelor din acest eșantion la un anumit cluster.

Caută asociații

Această metodă este concepută pentru a identifica combinații stabile de elemente în evenimente sau obiecte specifice. Rezultatele analizei sunt prezentate ca grupuri de elemente asociate. Aici, pe lângă combinațiile stabile de elemente identificate, este prezentată o analiză detaliată a elementelor asociate (Fig. 4).
Orez. 4. Prezentarea rezultatelor analizei prin metoda „căutare asocieri” sub formă de grupe de elemente asociate. Metoda a fost dezvoltată inițial pentru a găsi combinații tipice de articole în achiziții, motiv pentru care este uneori denumită analiza coșului de cumpărături. În acest scenariu, elementele asociate sunt de obicei grupuri de mărfuri sau mărfuri individuale. Iar obiectul de grupare care combină elementele eșantioanelor poate fi orice obiect al sistemului informațional care identifică tranzacția: de exemplu, o comandă a cumpărătorului, un act privind prestarea de servicii sau o chitanță de casierie. Informațiile despre tiparele în preferințele de produse ale cumpărătorilor măresc eficiența managementului relațiilor cu clienții (în ceea ce privește campaniile de publicitate și campaniile de marketing), prețurile (formarea de oferte complexe și un sistem de reduceri), managementul stocurilor și comercializarea (distribuirea mărfurilor). în zonele de vânzare). Un alt exemplu de utilizare a acestei metode este acela de a determina ce combinații de canale publicitare sunt preferate de clienți pentru a evita duplicarea în campaniile de anunțuri vizate. Acest lucru vă permite să reduceți semnificativ costurile unor astfel de evenimente. Algoritmul de găsire a asociațiilor implementat în platformă are controale destul de flexibile pentru adecvarea modelelor de analiză sau prognoză. Parametrul „Procentul minim de cazuri” definește „pragul” algoritmului pentru o anumită combinație de elemente dintr-un eveniment sau obiect, ceea ce vă permite să ignorați asocierile slab răspândite. Parametrul „Încredere minimă” definește stabilitatea necesară a asociațiilor dorite, iar parametrul „Încredere minimă” vă permite să le identificați pe cele mai prioritare. Parametrul „Reguli de tăiere”, care poate prelua valorile „Tăiere redundante” și „Tăiere acoperită de alte reguli”, facilitează foarte mult percepția rezultatelor analizei și prognozei. Pentru interpretarea practică a rezultatelor obținute cu ajutorul acestui algoritm, este de o importanță critică împărțirea setului inițial de elemente asociate în grupuri care sunt cu adevărat omogene din punctul de vedere al analizei efectuate.

Arborele de decizie

Ca urmare a aplicării acestei metode la datele inițiale, se creează o structură ierarhică (de tip arbore) de reguli de forma „dacă ... atunci ...”, iar algoritmul de analiză asigură izolarea în fiecare etapă a cele mai semnificative condiții și tranziții între ele. Acest algoritm a primit cea mai mare distribuție în identificarea relațiilor cauzale în date și descrierea tiparelor comportamentale. O zonă tipică de aplicare a arborilor de decizie este evaluarea diferitelor riscuri, de exemplu, închiderea unei comenzi de către un client sau transferul acestuia către un concurent, livrarea întârziată a mărfurilor de către un furnizor sau întârzierea plății unei mărfuri. credit (fig. 5). Factorii de intrare tipici ai modelului sunt valoarea și compoziția comenzii, soldul curent al decontărilor reciproce, limita de credit, procentul de plată anticipată, termenele de livrare și alți parametri care caracterizează obiectul prognozat. Evaluarea adecvată a riscurilor asigură luarea unor decizii informate pentru a optimiza raportul rentabilitate/risc în operațiunile companiei și este, de asemenea, utilă pentru creșterea realismului diferitelor bugete.

Orez. 5. Aplicarea metodei „arborele decizional” permite, pe baza factorilor de intrare ai modelului (a), să se obțină o evaluare a riscurilor de a face anumite decizii de management(b). Ca exemplu care ilustrează capacitatea algoritmului de a identifica relațiile cauză-efect, putem cita sarcina de optimizare a activității departamentului de vânzări. Pentru a o rezolva, vom alege un indicator al eficacității managerilor de vânzări ca valoare estimată, de exemplu, profitabilitatea specifică per client și ca factori - un set de date care pot afecta rezultatul. Algoritmul va determina factorii care au cel mai mare impact asupra rezultatului, precum și combinațiile tipice de condiții care conduc la un anumit rezultat. Mai mult decât atât, subsistemul „Analiza datelor” vă va permite să estimați (prevăd) valorile așteptate ţintă pe baza datelor reale și, de asemenea, faceți o prognoză „ce-ar fi dacă...” prin modificarea indicatorilor furnizați la intrarea modelului. Rezultatele analizei și previziunilor folosind arbori de decizie pot reduce semnificativ impactul incertitudinii mediului de afaceri asupra stării companiei, precum și rezolva o gamă largă de probleme asociate cu identificarea cauzelor și efectului complexe și neevidente. relatii. Algoritmul Decision Tree formează o ierarhie cauzală a condițiilor care conduc la anumite decizii. Ca urmare a aplicării acestei metode la setul de antrenament, este creată o structură ierarhică (de tip arbore) de reguli de împărțire de forma „dacă ... atunci ...”. Algoritmul de analiză (model training) se reduce la un proces iterativ de izolare a celor mai semnificative condiții și tranziții între ele. Condițiile pot fi atât cantitative, cât și calitative și formează „ramuri” ale acestui arbore abstract. „Frunzișul” său este format din valorile atributului (soluției) prezis, care, ca și condițiile de tranziție, admit atât interpretare calitativă, cât și cantitativă. Combinația acestor condiții, impuse factorilor, și structura tranzițiilor dintre ei la decizia finală, formează modelul de prognoză. Acest algoritm este utilizat pe scară largă în evaluarea rezultatelor diferitelor lanțuri de evenimente și în identificarea relațiilor cauzale în eșantioane. Semnificația și fiabilitatea modelului acestui algoritm este controlată folosind parametrii „Tipul de simplificare”, „Adâncimea maximă a arborelui” și „Numărul minim de elemente într-un nod”. Rezultatele analizei probei folosind algoritmul „Arborele de decizie” sunt:

rating factor, care este o listă de factori care au influențat decizia, sortați în ordinea descrescătoare a importanței („citări” în nodurile arborelui);
compararea deciziilor (valorile coloanei de prognoză) și a condițiilor care le-au determinat, cu alte cuvinte, arborele „Efect-Cauză”;
arborele „cauză-efect”, care este un set de tranziții între condiții care determină o anumită decizie (de fapt, o reprezentare vizuală a modelului de prognoză).

Soluții comune „1C”

Pe lângă funcțiile implementate direct în cadrul platformei 1C: Enterprise 8.0, arsenalul de instrumente de business intelligence 1C este completat cu soluții specializate create, printre altele, în cadrul proiectului 1C-Joint (http:/ /v8.1c.ru/ soluții) - cu participarea partenerilor firmei și a dezvoltatorilor independenți (a se vedea „Soluțiile comune ale firmei” 1C „și partenerii săi”, „BYTE / Rusia” nr. 9 „2005). vom nota două produse legate de utilizarea metodelor intelectuale de analiză - acesta este „1C: Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Contabilitatea de gestiune si calculul costurilor "(partener de dezvoltare - firma de consultanta„VIP Anatech”) și „1C-VIP Anatech-VDGB: ABIS. BSC. Balanced Scorecard” (parteneri de dezvoltare - companiile „VIP Anatech” și VDGB).

Scenarii tipice de afaceri pentru utilizarea metodelor IAD

Documentația PAD conține o secțiune dedicată exemplelor tipice de aplicare a extragerii de date în legătură cu Configurația „1C: Trade Management 8.0”. Iată câteva dintre aceste scenarii de afaceri.

Managementul relatiilor cu clientii

Scenariul de programare campanie publicitara" Planificarea viitoarei campanii de publicitate este luată în considerare din punctul de vedere al optimizării alocării bugetului alocat pe canalele de publicitate, pe baza indicatorilor regionali, de produs, de clienți și a altor indicatori ai segmentului țintă, precum și a eficacității publicității. canale în secțiunile indicate într-o perioadă de planificare anterioară. Algoritm- "Analiza grupului". Atribute predictive- proporția de răspunsuri la canalul de publicitate a segmentelor convențional omogene, alocate de algoritm. Coloane calculate- ponderea canalelor de publicitate in bugetul campaniei de publicitate, tinand cont de ponderea probabila a raspunsurilor si eficienta (din punct de vedere al veniturilor rezultate) a fiecarui canal de publicitate. Un exemplu de model: Clienții din clasa A din regiunea P, care preferă grupa de produse P, sunt atrași de același canal de publicitate ca și clienții din regiunea H, care preferă grupa de produse Y.

Managementul lanțului de aprovizionare

Scenariul „Optimizarea selecției furnizorilor pe grupe de mărfuri” Selectarea furnizorilor dominanti de primul nivel pentru grupurile cheie de produse este extrem de importantă pentru a stabiliza sistemul logistic în special și sistemul general de management al lanțului de aprovizionare în general, precum și pentru a reduce durata medie a lanțurilor de aprovizionare. Pe de altă parte, o integrare mai strânsă cu furnizorii importanți, de regulă, poate reduce semnificativ costul mărfurilor. În acest sens, este de interes să se analizeze combinații stabile de furnizori din diverse grupe de produse în comparație cu analitice pentru furnizorii asociați în cadrul grupurilor. Acest lucru vă permite să identificați „intersecțiile” furnizorilor din diverse grupuri de produse și să optimizați relațiile cu aceștia. Algoritm- „Căutare asociații”. Atribute predictive- combinatii stabile de furnizori. Principalii factori- grupe de mărfuri. Decodare- analitica de catre furnizori (volum de achizitii, venituri, termeni de livrare si plata, termeni de onorare a comenzii - pesimist, optimist, mediu). Un exemplu de model: o asociere stabilă a unui furnizor mare și imprevizibil A și a unui furnizor mediu previzibil B într-un număr mare de grupuri de produse. Este posibil, la plasarea comenzilor pentru grupe de produse competitive, poziționarea unui furnizor mediu ca principal dacă volumul unei comenzi către unul mare nu depășește un anumit prag (ceea ce conferă un câștig semnificativ de scară).

Managementul personalului

Scenariul „Profilarea managerilor de vânzări în funcție de indicatori cheie de performanță” Determinarea eficacității managerilor (reținerea, găsirea clienților, eficacitatea comunicării, încasarea creanțelor condiționate și necondiționate, indicatorii specifici de performanță per client etc.) prezintă interes nu numai din punctul de vedere al formării unui sistem de material stimulente pentru manageri, dar şi din punct de vedere al raţionalizării eficiente.parametrii activităţilor acestora. Algoritm- „Arborele de decizie”. Atribute predictive - indicatori cheie eficienta departamentului de vanzari (numar clienți cheie, ratele de abandon și de achiziție, veniturile pierdute pe lună, veniturile atrase pe lună, veniturile pe lună de la un client, încasările totale de la clienți etc.). Principalii factori- numarul de clienti activi, venituri, venituri, indicatori specifici pe client, eficienta comunicarii. În funcție de atributele prezise, compoziția factorilor poate varia semnificativ. Un exemplu de model: manageri care oferă cele mai bune rate de colectare creanțe de încasat(raportul dintre încasările DS și venituri), au o rată de reținere> 0,8; raport de atracție> 0,25; numărul de tranzacții deschise simultan nu este mai mare de 15, dar nu mai puțin de 10; intensitatea evenimentelor pe zi nu este mai mare de 10, dar nu mai puțin de 3; numărul de clienți activi în perioada nu este mai mic de 50, dar nu mai mult de 100.

Concluzie

Afacerile moderne sunt atât de multifațete încât factorii care pot influența o anumită decizie pot fi numărați în zeci. Concurența este din ce în ce mai puternică pe zi ce trece ciclu de viață produsele se micșorează, preferințele clienților se schimbă mai repede. Pentru dezvoltarea afacerilor, este necesar să reacționăm cât mai dinamic posibil la mediul de afaceri în schimbare rapidă, ținând cont de tiparele subtile și uneori subtile ale desfășurării evenimentelor. La care grupuri de clienți vor răspunde campanie publicitara, și care vor merge irevocabil către concurenți? Deschideți o nouă linie de afaceri sau așteptați puțin? Va întârzia cumpărătorul cu plata și furnizorul cu expedierea? Care sunt oportunitățile de creștere și unde se ascund potențialele amenințări? Mii de manageri își pun astfel de întrebări în fiecare zi și își pun colegilor lor. Subsistemul de analiză a datelor implementat în platforma 1C: Enterprise 8.0 este conceput pentru a ajuta utilizatorii sistemului informațional corporativ să găsească mai rapid răspunsuri la întrebări non-triviale, oferind o transformare automată a datelor acumulate în Sistem informatic, în modele utile în practică și bine interpretate.

Raportare economică și analitică în „1C: Enterprise 8.0”

Platforma 1C: Enterprise 8.0 include o serie de mecanisme pentru formarea de raportare economică și analitică, permițând formarea de documente interactive (și nu doar formulare tipărite) în cadrul anumitor soluții aplicate. Astfel, utilizatorul poate lucra cu rapoarte în același mod ca și cu orice formular de ecran, inclusiv modificarea parametrilor raportului, reconstruirea acestuia, utilizarea „transcrierilor” (obținerea de rapoarte suplimentare pe baza elementelor individuale ale unui raport deja generat), etc. În plus, există mai multe universale instrumente software, permițându-vă să generați orice rapoarte arbitrare, în funcție de sarcini. Acest lucru poate fi realizat de utilizatorii înșiși (destul de experimentați), care sunt bine familiarizați cu structura soluției aplicate care este utilizată. Mai jos vom analiza pe scurt principalele instrumente de raportare din „1C: Enterprise 8.0”. Întrebări- aceasta este una dintre modalitățile de accesare a datelor în „1C: Enterprise 8.0”, cu ajutorul căreia informațiile sunt preluate din baza de date în anumite condiții, de regulă, în combinație cu cea mai simplă prelucrare a datelor primite: grup , sortează, calculează. Modificarea datelor folosind interogări este imposibilă, deoarece acestea au fost concepute inițial pentru a obține rapid informații din cantități mari de informații. Baza de date este implementată sub forma unui set de tabele interconectate, care pot fi accesate fie individual, fie la mai multe tabele interconectate. Pentru a-și implementa proprii algoritmi, un dezvoltator poate folosi un limbaj de interogare bazat pe SQL și care conține multe extensii care reflectă specificul problemelor financiare și economice și reduc efortul depus pentru crearea de soluții aplicate. Platforma include un designer de interogări care vă permite să compuneți textul corect de interogare folosind doar instrumente vizuale (Fig. 6).

Orez. 6. Constructorul de interogări (a) permite dezvoltatorului să compună textul de interogare (b) prin mijloace pur vizuale. Document foaie de calcul este un mecanism puternic de vizualizare și editare a informațiilor, inclusiv utilizarea citirii dinamice a informațiilor dintr-o bază de date. Documentul foaie de calcul poate fi folosit singur sau poate face parte din oricare dintre formularele utilizate în soluția aplicată. În esență, seamănă foi de calcul(constă din rânduri și coloane care conțin date), dar capacitățile sale sunt mult mai largi. Suporta operațiuni de grupare, decriptare, includere de note. Documentul se poate aplica tipuri diferite proiectarea raportului, inclusiv diagrame grafice. Un document de foaie de calcul poate conține tabele pivot, care servesc ele însele instrument eficient prezentarea programatică și interactivă a datelor multidimensionale. Constructor de formulare de ieșire ajută dezvoltatorul să creeze rapoarte și să prezinte datele raportului într-o formă tabelară sau grafică convenabilă. Include toate caracteristicile Generatorului de interogări și crearea și personalizarea unui formular. Generator de rapoarte este un obiect al limbajului încorporat care oferă capacitatea de a crea în mod dinamic un raport atât programatic, cât și interactiv (Fig. 7). În centrul activității sale se află o interogare, conform căreia utilizatorului i se oferă posibilitatea de a configura în mod interactiv toți parametrii principali conținuti în textul interogării. Rezultatele acestei interogări sunt afișate într-un document de foaie de calcul, care poate utiliza și informații din surse de date arbitrare. Dezvoltatorul, folosind comenzile generatorului de rapoarte, poate modifica setul de parametri disponibili pentru personalizare.
Orez. 7. Schema de lucru a constructorului de rapoarte. Scheme geografice vă permit să prezentați vizual informații care au o referință teritorială: către țări, regiuni, orașe. Datele despre ele pot fi afișate căi diferite: sub formă de text, histogramă, culoare, imagine, cercuri de diferite diametre și culori, diagrame circulare. Acest lucru vă permite să afișați, de exemplu, volumele vânzărilor pe regiune într-o formă grafică. Utilizatorul poate schimba scara diagramei afișate, poate primi decriptări făcând clic pe obiectele diagramei și chiar poate crea noi diagrame geografice. O diagramă geografică poate fi utilizată pur și simplu pentru a afișa informații geografice specifice, cum ar fi indicații de orientare către un birou sau indicații de conducere pentru un vehicul. Exploatarea datelor. Aceste mecanisme vă permit să identificați modele neevidente care sunt de obicei ascunse în spatele unor cantități mari de informații. Folosește metode complementare de descoperire a cunoștințelor care au primit cea mai mare distribuție comercială în practica mondială: gruparea (gruparea obiectelor relativ similare), căutarea asocierilor (căutarea combinațiilor stabile de evenimente și obiecte) și arborele de decizie (construirea unei ierarhii cauzale a condițiilor care conduc la anumite decizii). Consola de interogări și Consola de raportare. Ambele console nu fac parte din platforma tehnologică, ci sunt rapoarte externe care pot fi rulate în orice soluție de aplicație. Ele ajută un dezvoltator sau, respectiv, un utilizator experimentat să compună un text de interogare și să analizeze rezultatele acestuia sau să întocmească un raport arbitrar.

Motor de analiză și prognoză a datelor- acesta este unul dintre mecanismele de formare a raportării economice și analitice. Oferă utilizatorilor (economiști, analiști etc.) posibilitatea de a căuta modele neevidente în datele acumulate în baza de informații. Acest mecanism permite:

căutarea tiparelor în datele inițiale ale bazei de informații;
gestionează parametrii analizei efectuate atât programatic, cât și interactiv;
oferiți acces programatic la rezultatul analizei;
scoateți automat rezultatul analizei într-un document foaie de calcul;
creați modele de prognoză care prezic automat evenimentele ulterioare sau valorile anumitor caracteristici ale obiectelor noi.

Motorul de analiză a datelor este un set de obiecte limbaj încorporate care interacționează între ele, ceea ce permite dezvoltatorului să folosească părțile sale constitutive în orice combinație în orice soluție de aplicație. Obiectele încorporate vă permit să organizați cu ușurință setarea interactivă a parametrilor de analiză de către utilizator și, de asemenea, vă permit să afișați rezultatul analizei într-o formă convenabilă pentru afișare într-un document foaie de calcul.

Mecanismul vă permite să lucrați atât cu date obținute dintr-o bază de informații, cât și cu date obținute dintr-o sursă externă, preîncărcate într-un tabel de valori sau un document foaie de calcul:

Aplicând unul dintre tipurile de analiză datelor originale, puteți obține rezultatul analizei. Rezultatul analizei este un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară.

De exemplu, puteți analiza ce articole sunt achiziționate împreună (într-o singură factură) și puteți salva acest rezultat al analizei într-o bază de date. În viitor, atunci când creați o altă factură, pe baza rezultatului analizei salvate, puteți construi un model de prognoză, puteți trimite date noi conținute în această factură ca intrare și puteți primi o prognoză la ieșire - o listă de bunuri care contrapartea B. Petrov . de asemenea, cel mai probabil, vor dobândi dacă i se oferă:

În motorul de analiză și prognoză a datelor sunt implementate mai multe tipuri de analiză a datelor:

Tipuri de analiză implementate

statistici totale

Este un mecanism de colectare a informațiilor despre datele din eșantionul studiat. Acest tip de analiză este destinat investigației preliminare a sursei de date analizate.

Analiza arată o serie de caracteristici ale câmpurilor continue și discrete. Câmpurile continue conțin tipuri precum Număr, Data... Pentru alte tipuri, sunt folosite câmpuri discrete. Când un raport este scos într-un document de foaie de calcul, diagramele circulare sunt completate pentru a afișa compoziția câmpurilor.

Caută asociații

Acest tip de analiză caută grupuri de obiecte sau valori caracteristice întâlnite frecvent și, de asemenea, caută reguli de asociere. Căutarea asociațiilor poate fi folosită, de exemplu, pentru a identifica împreună bunuri sau servicii achiziționate frecvent:

Acest tip de analiză poate funcționa cu date ierarhice, ceea ce face posibilă, de exemplu, găsirea de reguli nu numai pentru anumite produse, ci și pentru grupurile acestora. O caracteristică importantă a acestui tip de analiză este capacitatea de a lucra atât cu o sursă de date obiect, în care fiecare coloană conține o anumită caracteristică a unui obiect, cât și cu o sursă de evenimente, în care caracteristicile unui obiect sunt situate într-o coloană.

Pentru a facilita percepția rezultatului, este prevăzut un mecanism de eliminare a regulilor redundante.

Căutare secvență

Tipul de analiză de căutare secvențială vă permite să identificați lanțuri secvențiale de evenimente într-o sursă de date. De exemplu, poate fi un lanț de bunuri sau servicii pe care clienții le cumpără adesea secvențial:

Acest tip de analiză vă permite să căutați printr-o ierarhie, ceea ce face posibilă urmărirea nu numai a secvențelor unor evenimente specifice, ci și a secvențelor grupurilor părinte.

Setul de parametri de analiză permite specialistului să limiteze distanțele de timp dintre elementele secvențelor dorite, precum și să ajusteze acuratețea rezultatelor obținute.

Analiza grupului

Analiza cluster vă permite să împărțiți setul inițial de obiecte studiate în grupuri de obiecte, astfel încât fiecare obiect să fie mai asemănător cu obiectele din propriul său grup decât cu obiectele altor grupuri. Analizând în continuare grupurile obținute, numite clustere, este posibil să se determine ce caracterizează acest sau acel grup, să se decidă metodele de lucru cu obiecte din diferite grupuri. De exemplu, folosind analiza clusterului, puteți împărți clienții cu care compania lucrează în grupuri pentru a aplica diferite strategii atunci când lucrați cu ei:

Folosind parametrii analizei cluster, analistul poate personaliza algoritmul prin care va fi efectuată partiția și, de asemenea, poate modifica dinamic compoziția caracteristicilor luate în considerare în analiză, poate ajusta coeficienții de greutate pentru acestea.

Rezultatul grupării poate fi afișat într-o dendrogramă - un obiect special conceput pentru a afișa conexiuni secvențiale între obiecte.

Arborele de decizie

Tipul de analiză arbore de decizie vă permite să construiți o structură ierarhică a regulilor de clasificare, reprezentată sub forma unui arbore.

Pentru a construi un arbore de decizie, este necesar să selectați un atribut țintă prin care va fi construit clasificatorul și un număr de atribute de intrare care vor fi folosite pentru a crea reguli. Atributul țintă poate conține, de exemplu, informații despre dacă clientul a trecut la alt furnizor de servicii, dacă afacerea a avut succes, dacă munca a fost făcută bine etc. Atributele de intrare, de exemplu, pot fi vârsta angajatului, vechimea în muncă, starea financiară a clientului, numărul de angajați din companie etc.

Rezultatul analizei este prezentat sub forma unui arbore, al cărui nod conține o anumită condiție. Pentru a decide cărei clase trebuie să i se aloce un nou obiect, este necesar, răspunzând la întrebările de la noduri, să treci prin lanțul de la rădăcină până la frunza copacului, mergând la nodurile copil în cazul unui răspuns afirmativ. iar la nodul vecin în cazul unuia negativ.

Un set de parametri de analiză vă permite să ajustați precizia arborelui rezultat:

Modele de prognoză

Modelele de prognoză generate de motor sunt obiecte speciale care sunt create din rezultatul analizei datelor și vă permit să efectuați automat o prognoză pentru date noi în viitor.

De exemplu, un model predictiv al căutării asocierilor, construit în analiza cumpărăturilor clienților, poate fi utilizat atunci când se lucrează cu un client care efectuează o achiziție, pentru a-i oferi bunuri pe care le va achiziționa cu un anumit grad de probabilitate împreună cu bunurile pe care le-a ales.

Mecanismul de analiză și prognoză a datelor oferă utilizatorilor (economiști, analiști etc.) posibilitatea de a căuta modele neevidente în datele acumulate în baza de informații. Acest mecanism permite:

căutarea tiparelor în datele inițiale ale bazei de informații;
gestionează parametrii analizei efectuate atât programatic, cât și interactiv;
oferiți acces programatic la rezultatul analizei;
scoateți automat rezultatul analizei într-un document foaie de calcul;
creați modele de prognoză care prezic automat evenimentele ulterioare sau valorile anumitor caracteristici ale obiectelor noi.

De exemplu, puteți analiza ce articole sunt achiziționate împreună (într-o singură factură) și puteți salva acest rezultat al analizei într-o bază de date. În viitor, la crearea următoarei facturi:

pe baza rezultatului analizei salvate, este posibil să se construiască un model de prognoză, să îi transmită noile date conținute în această factură „la intrare”, iar „la ieșire” să se primească o prognoză - o listă de bunuri care contraparte B. Petrov. de asemenea, cel mai probabil, vor dobândi dacă i se oferă:

În motorul de analiză și prognoză a datelor sunt implementate mai multe tipuri de analiză a datelor:

Tipuri de analiză implementate

statistici totale

Este un mecanism de colectare a informațiilor despre datele din eșantionul studiat. Acest tip de analiză este destinat investigației preliminare a sursei de date analizate.

Analiza relevă o serie de caracteristici ale câmpurilor numerice și continue. Când raportul este scos într-un document de foaie de calcul, diagramele circulare sunt completate pentru a afișa compoziția câmpurilor.

Caută asociații

Acest tip de analiză caută grupuri de obiecte sau valori caracteristice întâlnite frecvent și, de asemenea, caută reguli de asociere. Căutarea asociațiilor poate fi folosită, de exemplu, pentru a identifica împreună bunuri sau servicii achiziționate frecvent:

Acest tip de analiză poate funcționa cu date ierarhice, ceea ce face posibilă, de exemplu, găsirea de reguli nu numai pentru anumite produse, ci și pentru grupurile acestora. O caracteristică importantă a acestui tip de analiză este capacitatea de a lucra atât cu o sursă de date obiect, în care fiecare coloană conține o anumită caracteristică a unui obiect, cât și cu o sursă de evenimente, în care caracteristicile unui obiect sunt situate într-o coloană.

Pentru a facilita percepția rezultatului, este prevăzut un mecanism de eliminare a regulilor redundante.

Căutare secvență

Tipul de analiză de căutare secvențială vă permite să identificați lanțuri secvențiale de evenimente într-o sursă de date. De exemplu, poate fi un lanț de bunuri sau servicii pe care clienții le cumpără adesea secvențial:

Acest tip de analiză vă permite să căutați printr-o ierarhie, ceea ce face posibilă urmărirea nu numai a secvențelor unor evenimente specifice, ci și a secvențelor grupurilor părinte.

Setul de parametri de analiză permite specialistului să limiteze distanțele de timp dintre elementele secvențelor dorite, precum și să ajusteze acuratețea rezultatelor obținute.

Analiza grupului

Analiza cluster vă permite să împărțiți setul inițial de obiecte studiate în grupuri de obiecte, astfel încât fiecare obiect să fie mai asemănător cu obiectele din propriul său grup decât cu obiectele altor grupuri. Analizând în continuare grupurile obținute, numite clustere, este posibil să se determine ce caracterizează acest sau acel grup, să se decidă metodele de lucru cu obiecte din diferite grupuri. De exemplu, folosind analiza clusterului, puteți împărți clienții cu care compania lucrează în grupuri pentru a aplica diferite strategii atunci când lucrați cu ei:

Folosind parametrii analizei cluster, analistul poate personaliza algoritmul prin care va fi efectuată partiția și, de asemenea, poate modifica dinamic compoziția caracteristicilor luate în considerare în analiză, poate ajusta coeficienții de greutate pentru acestea.

Rezultatul grupării poate fi afișat într-o dendrogramă - un obiect special conceput pentru a afișa conexiuni secvențiale între obiecte.

Arborele de decizie

Tipul de analiză arbore de decizie vă permite să construiți o structură ierarhică a regulilor de clasificare, reprezentată sub forma unui arbore.

Pentru a construi un arbore de decizie, este necesar să selectați un atribut țintă prin care va fi construit clasificatorul și un număr de atribute de intrare care vor fi folosite pentru a crea reguli. Atributul țintă poate conține, de exemplu, informații despre dacă clientul a trecut la alt furnizor de servicii, dacă afacerea a avut succes, dacă munca a fost făcută bine etc. Atributele de intrare, de exemplu, pot fi vârsta angajatului, vechimea în muncă, starea financiară a clientului, numărul de angajați din companie etc.

Rezultatul analizei este prezentat sub forma unui arbore, al cărui nod conține o anumită condiție. Pentru a decide cărei clase trebuie să i se aloce un nou obiect, este necesar, răspunzând la întrebările de la noduri, să treci prin lanțul de la rădăcină până la frunza copacului, mergând la nodurile copil în cazul unui răspuns afirmativ. iar la nodul vecin în cazul unuia negativ.

Un set de parametri de analiză vă permite să ajustați precizia arborelui rezultat:

Modele de prognoză

Modelele de prognoză generate de motor sunt obiecte speciale care sunt create din rezultatul analizei datelor și vă permit să efectuați automat o prognoză pentru date noi în viitor.

Utilizarea motorului de analiză a datelor în soluții aplicate

Pentru a familiariza dezvoltatorii de soluții aplicate cu mecanismul de analiză a datelor, o bază de informații demonstrative este plasată pe discul de suport pentru tehnologia informației (ITS). Include o procesare universală „Consola de analiză a datelor”, care vă permite să efectuați analiza datelor în orice soluție de aplicație, fără a modifica configurația.

Ar putea fi util să citiți: