Mekanisme 1C untuk analisis dan peramalan data. Analisis dan Peramalan Data
Analisis data dan mesin peramalan- ini adalah salah satu mekanisme untuk menghasilkan pelaporan ekonomi dan analitis. Ini memberi pengguna (ekonom, analis, dll.) kesempatan untuk mencari pola yang tidak jelas dalam data yang terakumulasi di basis informasi. Mekanisme ini memungkinkan:
- mencari pola pada sumber data basis informasi;
- mengelola parameter analisis yang dilakukan baik secara terprogram maupun interaktif;
- memberikan akses terprogram ke hasil analisis;
- secara otomatis menampilkan hasil analisis dalam dokumen spreadsheet;
- membuat model perkiraan yang memungkinkan Anda secara otomatis memprediksi peristiwa berikutnya atau nilai karakteristik tertentu dari objek baru.
Mekanisme analisis data adalah sekumpulan objek bahasa bawaan yang berinteraksi satu sama lain, yang memungkinkan pengembang untuk menggunakan komponennya dalam kombinasi apa pun dalam solusi aplikasi apa pun. Objek bawaan memudahkan pengguna untuk mengatur konfigurasi interaktif parameter analisis, dan juga memungkinkan Anda menampilkan hasil analisis dalam bentuk yang nyaman untuk ditampilkan dalam dokumen spreadsheet.
Mekanisme ini memungkinkan Anda untuk bekerja baik dengan data yang diterima dari basis informasi dan dengan data yang diterima dari sumber eksternal, yang dimuat sebelumnya ke dalam tabel nilai atau dokumen spreadsheet:
Dengan menerapkan salah satu jenis analisis pada sumber data, Anda dapat memperoleh hasil analisis tersebut. Hasil analisis mewakili model perilaku data tertentu. Hasil analisis dapat ditampilkan dalam dokumen akhir, atau disimpan untuk digunakan di kemudian hari.
Kegunaan lebih lanjut dari hasil analisis adalah atas dasar itu dapat dibuat model perkiraan yang memungkinkan seseorang untuk memprediksi perilaku data baru sesuai dengan model yang ada.
Misalnya, Anda dapat menganalisis produk mana yang dibeli secara bersamaan (dalam satu invoice) dan menyimpan hasil analisis tersebut ke dalam database. Di masa depan, saat membuat faktur berikutnya berdasarkan hasil analisis yang disimpan, Anda dapat membuat model perkiraan, memberinya "masukan" dengan data baru yang terdapat dalam faktur ini, dan "keluaran" menerima perkiraan - daftar barang yang rekanan B.S.Petrov. Kemungkinan besar dia juga akan memperolehnya jika ditawarkan kepadanya:
Mesin analisis dan peramalan data menerapkan beberapa jenis analisis data:
Jenis analisis yang diterapkan
Statistik umum
Merupakan mekanisme pengumpulan informasi tentang data dalam sampel yang diteliti. Analisis jenis ini dimaksudkan untuk penyelidikan awal terhadap sumber data yang dianalisis.
Analisis menunjukkan sejumlah karakteristik bidang kontinu dan diskrit. Bidang berkelanjutan berisi tipe seperti Nomor, tanggal. Untuk tipe lainnya, digunakan kolom terpisah.Saat mengeluarkan laporan ke dokumen spreadsheet, diagram lingkaran diisi untuk menampilkan komposisi kolom.
Cari asosiasi
Jenis analisis ini mencari kelompok objek atau nilai karakteristik yang sering muncul secara bersamaan, dan juga mencari aturan asosiasi. Pencarian asosiasi dapat digunakan, misalnya, untuk menentukan barang atau jasa yang sering dibeli secara bersamaan:
Jenis analisis ini dapat bekerja dengan data hierarki, yang memungkinkan, misalnya, menemukan aturan tidak hanya untuk produk tertentu, tetapi juga untuk kelompoknya. Fitur penting dari jenis analisis ini adalah kemampuan untuk bekerja baik dengan sumber data objek, di mana setiap kolom berisi beberapa karakteristik objek, dan dengan sumber peristiwa, di mana karakteristik objek berada dalam satu kolom.
Agar hasilnya lebih mudah dilihat, disediakan mekanisme untuk menghilangkan aturan-aturan yang berlebihan.
Pencarian Urutan
Jenis analisis pencarian urutan memungkinkan Anda mengidentifikasi rangkaian peristiwa berurutan dalam sumber data. Misalnya, ini bisa berupa rangkaian barang atau jasa yang sering dibeli pelanggan secara berurutan:
Jenis analisis ini memungkinkan dilakukannya penelusuran hierarkis, yang memungkinkan pelacakan tidak hanya rangkaian peristiwa tertentu, namun juga rangkaian kelompok induk.
Seperangkat parameter analisis memungkinkan seorang spesialis untuk membatasi jarak waktu antara elemen urutan yang dicari, serta menyesuaikan keakuratan hasil yang diperoleh.
Analisis klaster
Analisis klaster memungkinkan Anda untuk membagi kumpulan asli objek yang diteliti ke dalam kelompok-kelompok objek, sehingga setiap objek lebih mirip dengan objek dari kelompoknya dibandingkan dengan objek dari kelompok lainnya. Dengan menganalisis lebih lanjut kelompok yang dihasilkan, yang disebut cluster, Anda dapat menentukan bagaimana kelompok ini atau itu dikarakterisasi dan menentukan metode untuk bekerja dengan objek dari berbagai kelompok. Misalnya, dengan menggunakan analisis klaster, Anda dapat membagi klien yang bekerja dengan perusahaan ke dalam kelompok untuk menerapkan strategi berbeda saat bekerja dengan mereka:
Dengan menggunakan parameter analisis klaster, analis dapat mengonfigurasi algoritme yang digunakan untuk melakukan partisi, dan juga dapat secara dinamis mengubah komposisi karakteristik yang diperhitungkan dalam analisis dan mengonfigurasi koefisien pembobotannya.
Hasil clustering dapat ditampilkan dalam dendrogram – objek khusus yang dirancang untuk menampilkan hubungan berurutan antar objek.
Pohon keputusan
Jenis analisis pohon keputusan memungkinkan Anda membangun struktur hierarki aturan klasifikasi, yang disajikan dalam bentuk pohon.
Untuk membangun pohon keputusan, Anda perlu memilih atribut target di mana pengklasifikasi akan dibuat dan sejumlah atribut masukan yang akan digunakan untuk membuat aturan. Atribut target mungkin berisi, misalnya, informasi tentang apakah klien beralih ke penyedia layanan lain, apakah transaksi berhasil, apakah pekerjaan telah dilakukan dengan baik, dll. Atribut masukan misalnya dapat berupa usia karyawan, pengalaman kerja, kondisi keuangan klien, jumlah karyawan di perusahaan, dan lain-lain.
Hasil analisis disajikan dalam bentuk pohon yang setiap nodenya memuat kondisi tertentu. Untuk memutuskan di kelas mana objek baru harus ditugaskan, dengan menjawab pertanyaan di node, perlu melalui rantai dari akar ke daun pohon, berpindah ke node anak jika jawaban afirmatif. dan ke node tetangga jika jawabannya negatif.
Serangkaian parameter analisis memungkinkan Anda menyesuaikan keakuratan pohon yang dihasilkan:
Model perkiraan
Model prakiraan yang dibuat oleh mekanisme tersebut merupakan objek khusus yang dibuat dari hasil analisis data dan memungkinkan Anda melakukan prakiraan secara otomatis untuk data baru di masa mendatang.
Misalnya, model perkiraan pencarian asosiasi, yang dibangun dengan menganalisis pembelian pelanggan, dapat digunakan saat bekerja dengan pelanggan pembelian untuk menawarkan kepadanya barang yang kemungkinan besar akan dibelinya bersama dengan barang yang dipilihnya.
Mekanisme analisis dan peramalan data memberikan kesempatan kepada pengguna (ekonom, analis, dll.) untuk mencari pola yang tidak jelas dalam data yang terakumulasi dalam basis informasi. Mekanisme ini memungkinkan:
- mencari pola pada sumber data basis informasi;
- mengelola parameter analisis yang dilakukan baik secara terprogram maupun interaktif;
- memberikan akses terprogram ke hasil analisis;
- secara otomatis menampilkan hasil analisis dalam dokumen spreadsheet;
- membuat model perkiraan yang memungkinkan Anda secara otomatis memprediksi peristiwa berikutnya atau nilai karakteristik tertentu dari objek baru.
Mekanisme analisis data adalah sekumpulan objek bahasa bawaan yang berinteraksi satu sama lain, yang memungkinkan pengembang untuk menggunakan komponennya dalam kombinasi apa pun dalam solusi aplikasi apa pun. Objek bawaan memudahkan pengguna untuk mengatur konfigurasi interaktif parameter analisis, dan juga memungkinkan Anda menampilkan hasil analisis dalam bentuk yang nyaman untuk ditampilkan dalam dokumen spreadsheet.
Mekanisme ini memungkinkan Anda untuk bekerja baik dengan data yang diterima dari basis informasi dan dengan data yang diterima dari sumber eksternal, yang dimuat sebelumnya ke dalam tabel nilai atau dokumen spreadsheet:
Dengan menerapkan salah satu jenis analisis pada sumber data, Anda dapat memperoleh hasil analisis tersebut. Hasil analisis mewakili model perilaku data tertentu. Hasil analisis dapat ditampilkan dalam dokumen akhir, atau disimpan untuk digunakan di kemudian hari.
Kegunaan lebih lanjut dari hasil analisis adalah atas dasar itu dapat dibuat model perkiraan yang memungkinkan seseorang untuk memprediksi perilaku data baru sesuai dengan model yang ada.
Misalnya, Anda dapat menganalisis produk mana yang dibeli secara bersamaan (dalam satu invoice) dan menyimpan hasil analisis tersebut ke dalam database. Nanti, saat membuat invoice berikutnya:
Berdasarkan hasil analisis yang disimpan, Anda dapat membuat model perkiraan, memberinya "masukan" dengan data baru yang terdapat dalam faktur ini, dan "keluaran" menerima perkiraan - daftar barang yang rekanan B.S. Petrov. Kemungkinan besar dia juga akan memperolehnya jika ditawarkan kepadanya:
Mesin analisis dan peramalan data menerapkan beberapa jenis analisis data:
Jenis analisis yang diterapkan
Statistik umum
Merupakan mekanisme pengumpulan informasi tentang data dalam sampel yang diteliti. Analisis jenis ini dimaksudkan untuk penyelidikan awal terhadap sumber data yang dianalisis.
Analisis mengungkapkan sejumlah karakteristik bidang numerik dan kontinu. Saat mengeluarkan laporan ke dokumen spreadsheet, diagram lingkaran diisi untuk menampilkan komposisi bidang.
Cari asosiasi
Jenis analisis ini mencari kelompok objek atau nilai karakteristik yang sering muncul secara bersamaan, dan juga mencari aturan asosiasi. Pencarian asosiasi dapat digunakan, misalnya, untuk menentukan barang atau jasa yang sering dibeli secara bersamaan:
Jenis analisis ini dapat bekerja dengan data hierarki, yang memungkinkan, misalnya, menemukan aturan tidak hanya untuk produk tertentu, tetapi juga untuk kelompoknya. Fitur penting dari jenis analisis ini adalah kemampuan untuk bekerja baik dengan sumber data objek, di mana setiap kolom berisi beberapa karakteristik objek, dan dengan sumber peristiwa, di mana karakteristik objek berada dalam satu kolom.
Agar hasilnya lebih mudah dilihat, disediakan mekanisme untuk menghilangkan aturan-aturan yang berlebihan.
Pencarian Urutan
Jenis analisis pencarian urutan memungkinkan Anda mengidentifikasi rangkaian peristiwa berurutan dalam sumber data. Misalnya, ini bisa berupa rangkaian barang atau jasa yang sering dibeli pelanggan secara berurutan:
Jenis analisis ini memungkinkan dilakukannya penelusuran hierarkis, yang memungkinkan pelacakan tidak hanya rangkaian peristiwa tertentu, namun juga rangkaian kelompok induk.
Seperangkat parameter analisis memungkinkan seorang spesialis untuk membatasi jarak waktu antara elemen urutan yang dicari, serta menyesuaikan keakuratan hasil yang diperoleh.
Analisis klaster
Analisis klaster memungkinkan Anda untuk membagi kumpulan asli objek yang diteliti ke dalam kelompok-kelompok objek, sehingga setiap objek lebih mirip dengan objek dari kelompoknya dibandingkan dengan objek dari kelompok lainnya. Dengan menganalisis lebih lanjut kelompok yang dihasilkan, yang disebut cluster, Anda dapat menentukan bagaimana kelompok ini atau itu dikarakterisasi dan menentukan metode untuk bekerja dengan objek dari berbagai kelompok. Misalnya, dengan menggunakan analisis klaster, Anda dapat membagi klien yang bekerja dengan perusahaan ke dalam kelompok untuk menerapkan strategi berbeda saat bekerja dengan mereka:
Dengan menggunakan parameter analisis klaster, analis dapat mengonfigurasi algoritme yang digunakan untuk melakukan partisi, dan juga dapat secara dinamis mengubah komposisi karakteristik yang diperhitungkan dalam analisis dan mengonfigurasi koefisien pembobotannya.
Hasil clustering dapat ditampilkan dalam dendrogram – objek khusus yang dirancang untuk menampilkan hubungan berurutan antar objek.
Pohon keputusan
Jenis analisis pohon keputusan memungkinkan Anda membangun struktur hierarki aturan klasifikasi, yang disajikan dalam bentuk pohon.
Untuk membangun pohon keputusan, Anda perlu memilih atribut target di mana pengklasifikasi akan dibuat dan sejumlah atribut masukan yang akan digunakan untuk membuat aturan. Atribut target mungkin berisi, misalnya, informasi tentang apakah klien beralih ke penyedia layanan lain, apakah transaksi berhasil, apakah pekerjaan telah dilakukan dengan baik, dll. Atribut masukan misalnya dapat berupa usia karyawan, pengalaman kerja, kondisi keuangan klien, jumlah karyawan di perusahaan, dan lain-lain.
Hasil analisis disajikan dalam bentuk pohon yang setiap nodenya memuat kondisi tertentu. Untuk memutuskan di kelas mana objek baru harus ditugaskan, dengan menjawab pertanyaan di node, perlu melalui rantai dari akar ke daun pohon, berpindah ke node anak jika jawaban afirmatif. dan ke node tetangga jika jawabannya negatif.
Serangkaian parameter analisis memungkinkan Anda menyesuaikan keakuratan pohon yang dihasilkan:
Model perkiraan
Model prakiraan yang dibuat oleh mekanisme tersebut merupakan objek khusus yang dibuat dari hasil analisis data dan memungkinkan Anda melakukan prakiraan secara otomatis untuk data baru di masa mendatang.
Misalnya, model perkiraan pencarian asosiasi, yang dibangun dengan menganalisis pembelian pelanggan, dapat digunakan saat bekerja dengan pelanggan pembelian untuk menawarkan kepadanya barang yang kemungkinan besar akan dibelinya bersama dengan barang yang dipilihnya.
Menggunakan mekanisme analisis data dalam solusi aplikasi
Untuk membiasakan pengembang solusi aplikasi dengan mekanisme analisis data, basis informasi demonstrasi ditempatkan pada disk “Dukungan Informasi dan Teknologi” (ITS). Ini mencakup pemrosesan universal “Konsol Analisis Data”, yang memungkinkan Anda melakukan analisis data dalam solusi aplikasi apa pun, tanpa mengubah konfigurasi.
Teknologi informasi modern/3. Perangkat lunak
Ph.D. Zhunusov K.M.
Universitas Negeri Kostanay dinamai A. Baitursynov
Pembentukan mekanisme analisis dan peramalan data
pada 1C: Platform perusahaan
Inti dari proses peramalan adalah pengembangan ramalan ekonomi. Ini mewakili penilaian berbasis ilmiah tentang kemungkinan keadaan suatu objek di masa depan atau tentang cara-cara alternatif dan waktu untuk mencapai keadaan ini. Dengan kata lain, ini adalah upaya untuk melihat ke masa depan, meramalkannya, meramalkan keadaan objek yang diteliti setelah jangka waktu tertentu.
Peramalan berkaitan erat dengan perencanaan. Ada pepatah yang cukup umum di kalangan ilmiah: “Perkiraan tanpa rencana adalah upaya sastra, rencana tanpa perkiraan adalah tindakan administratif.”
Metode umum untuk peramalan dan perencanaan adalah metode perhitungan-analitis, metode statistik ekonomi, dan pemodelan ekonomi-matematis.
Mekanisme analisis dan peramalan data sebagai bagian dari 1C Enterprise memberi pengguna (ekonom, analis, dll.) kemampuan untuk mencari pola yang tidak jelas dalam data yang terakumulasi di basis informasi dan memungkinkan mereka untuk melakukan operasi berikut:
Pencarian pola pada sumber data basis informasi;
Kelola parameter analisis yang dilakukan baik secara terprogram maupun interaktif;
Akses perangkat lunak ke hasil analisis;
Output otomatis hasil analisis ke dokumen spreadsheet;
Pembuatan model perkiraan yang memungkinkan Anda secara otomatis memprediksi peristiwa berikutnya atau nilai karakteristik tertentu dari objek baru.
Mekanisme analisis dan peramalan data adalah sekumpulan objek bahasa bawaan yang berinteraksi satu sama lain, yang memungkinkan pengembang untuk menggunakan komponennya dalam kombinasi apa pun dalam solusi aplikasi apa pun. Objek bawaan memudahkan pengguna untuk mengatur konfigurasi interaktif parameter analisis, serta menampilkan hasil analisis dalam bentuk yang nyaman untuk ditampilkan dalam dokumen spreadsheet, sesuai dengan Gambar 1. Penting juga bahwa mekanisme tersebut dapat bekerja dengan data yang diperoleh baik dari basis informasi 1C dan dari sumber eksternal (dalam kasus terakhir, dimuat sebelumnya ke dalam tabel nilai atau dokumen spreadsheet).
Gambar 1. Skema umum berfungsinya mekanisme penambangan data dan peramalan
Dengan menerapkan salah satu jenis analisis pada sumber data, Anda dapat memperoleh hasil yang mewakili model perilaku data tertentu. Hasil analisis dapat ditampilkan dalam dokumen akhir atau disimpan untuk digunakan nanti (berdasarkan data tersebut, model perkiraan dapat dibuat yang memungkinkan Anda memprediksi perilaku data baru).
Salah satu tren utama di pasar sistem akuntansi dan manajemen adalah peningkatan permintaan yang terus-menerus akan penggunaan alat pemrosesan data analitis yang memastikan keputusan manajemen yang tepat. Namun, pelanggan saat ini tidak lagi puas dengan penggunaan alat tradisional yang memungkinkan mereka membuat berbagai laporan, tabel pivot, dan bagan berdasarkan metrik yang telah ditentukan sebelumnya dan hubungan yang dianalisis secara manual. Perusahaan semakin membutuhkan alat yang berbeda secara kualitatif yang memungkinkan mereka secara otomatis mencari aturan yang tidak jelas dan mengidentifikasi pola yang tidak diketahui, sehingga memungkinkan untuk memperolehpengetahuan baru berdasarkan informasi yang dikumpulkan oleh perusahaan dan terkadang membuat keputusan yang tidak sepele untuk meningkatkan efisiensi bisnis berdasarkan metode penambangan data.
Literatur:
1 Peramalan Glushchenko V.V. - M.: Buku Universitas, 2005.
2 Dubrova T. A. Masalah metodologis peramalan produksi spesies yang paling penting produk industri // Pertanyaan statistik. -2004. -No.1.-S. 52-57.
3 Radchenko M.G., Khrustaleva E.Yu. Alat untuk membuat aplikasi yang direplikasi "1C:Enterprise 8.2". - M.: Rumah penerbitan "1C-Publishing", 2011.
Mekanismenya diwakili oleh sekumpulan objek dari bahasa 1C:Enterprise bawaan. Diagram interaksi objek utama mekanisme ditunjukkan pada gambar. Menyiapkan kolom analisis data – serangkaian pengaturan untuk kolom analisis data masukan. Untuk setiap kolom, jenis data yang terkandung di dalamnya ditunjukkan, peran yang dilakukan oleh kolom tersebut, pengaturan tambahan , tergantung pada jenis analisis yang dilakukan. Parameter analisis data – sekumpulan parameter untuk analisis data yang dilakukan. Komposisi parameter bergantung pada jenis analisis. Misalnya, untuk analisis cluster, jumlah cluster di mana objek asli harus dibagi, jenis pengukuran jarak antar objek, dll. ditunjukkan. Data awal merupakan sumber data untuk dianalisis. Sumber data dapat berupa hasil query, area sel dokumen spreadsheet, atau tabel nilai. Analyzer adalah objek yang secara langsung melakukan analisis data. Objek diberikan sumber data dan parameter ditentukan. Hasil kerja objek ini merupakan hasil analisis data yang jenisnya tergantung pada jenis analisisnya. Hasil analisis data merupakan suatu benda khusus yang berisi informasi tentang hasil analisis. Setiap jenis analisis memiliki hasil tersendiri. Misalnya, hasil analisis data - pohon keputusan - akan menjadi objek bertipe DataAnalysisResultDecisionTree. Nantinya, hasilnya dapat ditampilkan dalam dokumen spreadsheet menggunakan pembuat laporan analisis data, dapat ditampilkan melalui akses terprogram ke kontennya, dan dapat digunakan untuk membuat model perkiraan. Hasil analisis data apa pun dapat disimpan untuk digunakan nanti. Model perkiraan adalah objek khusus yang memungkinkan Anda membuat perkiraan berdasarkan data masukan. Jenis model bergantung pada jenis analisis data. Misalnya, model yang dibuat untuk analisis data - pencarian asosiasi akan memiliki tipe Model Prakiraan Pencarian Asosiasi. Sumber data perkiraan diteruskan ke masukan model perkiraan. Hasilnya adalah tabel nilai yang berisi nilai prediksi. Contoh perkiraan adalah tabel nilai, hasil kueri, atau area dokumen spreadsheet yang berisi informasi untuk membuat perkiraan. Misalnya, untuk model perkiraan - mencari asosiasi, pilihannya mungkin berisi daftar produk dalam dokumen penjualan. Hasil kerja model dapat merekomendasikan produk apa saja yang masih bisa ditawarkan kepada pembeli. Menyiapkan kolom sampel adalah sekumpulan objek khusus yang memperlihatkan korespondensi antara kolom model perkiraan dan kolom sampel perkiraan. Menyiapkan kolom hasil - memungkinkan Anda mengontrol kolom mana yang akan ditempatkan di tabel hasil model perkiraan. Hasil dari model ini adalah tabel nilai, terdiri dari kolom-kolom, seperti yang ditentukan dalam pengaturan kolom yang dihasilkan dan berisi data prediksi. Konten spesifik ditentukan oleh jenis analisis. Pembuat laporan analisis data adalah objek yang memungkinkan Anda menampilkan laporan hasil analisis data. Selain itu, pembuat laporan menyediakan objek khusus untuk dihubungkan dengan data guna memungkinkan pengguna mengelola parameter analisis secara interaktif, menyiapkan kolom sumber data, menyiapkan kolom model perkiraan, dll. Jenis analisis Mekanisme ini memungkinkan Anda melakukan jenis analisis berikut:- Statistik umum
- Cari asosiasi
- Pencarian Urutan
- Pohon keputusan
- Analisis klaster
- Analisis data – objek yang melakukan analisis data. Untuk itu, Anda perlu menentukan sumber data dan parameter yang diperlukan untuk analisis.
- Hasil analisis data merupakan suatu objek yang merupakan hasil kerja analisis data.
- Model perkiraan – dibuat berdasarkan hasil analisis data. Objek tersebut merupakan link terakhir dalam mekanisme analisis 1C dan menghasilkan tabel nilai yang berisi nilai prediksi.
- Statistik Umum – Jenis analisis ini adalah pengambilan sampel statistik sederhana dari suatu sumber data. Contoh penerapannya adalah analisis penjualan berdasarkan item untuk suatu periode. Hasil analisisnya berupa informasi berapa banyak produk tertentu yang terjual. Sistem juga akan menghitung bidang tertentu - maksimum, minimum, median, rata-rata, rentang, deviasi standar, jumlah nilai, jumlah nilai unik, mode.
- Pencarian asosiasi – jenis analisis ini dirancang untuk mencari kombinasi yang sering terjadi bersamaan. Sangat bagus untuk mencari barang yang sering dibeli bersamaan. Sebagai hasil analisis, sistem akan menghasilkan informasi berikut: informasi tentang data yang diproses, kelompok asosiatif, aturan asosiatif yang digunakan untuk membandingkan kelompok-kelompok tersebut.
- Pencarian urutan - analisis yang memungkinkan Anda mengidentifikasi pola dalam data yang dianalisis dan menawarkan prediksi lebih lanjut. Hasil analisis, sistem akan menampilkan informasi kemungkinan terjadinya peristiwa tertentu dalam persentase.
Salah satu tren utama di pasar sistem akuntansi dan manajemen adalah meningkatnya permintaan akan penggunaan alat pemrosesan data analitis yang memastikan pengambilan keputusan yang tepat. Itulah sebabnya salah satu arah strategis untuk pengembangan sistem perangkat lunak 1C:Enterprise adalah perluasan kemampuan pelaporan ekonomi dan analitis secara terus-menerus. Namun, pelanggan saat ini tidak lagi puas dengan alat tradisional yang memungkinkan mereka menghasilkan berbagai laporan, tabel pivot, dan grafik yang dibuat berdasarkan indikator dan hubungan yang telah ditentukan sebelumnya dan harus dianalisis secara manual. Perusahaan semakin membutuhkan alat yang berbeda secara kualitatif yang memungkinkan mereka secara otomatis mencari aturan yang tidak jelas dan mengidentifikasi pola yang tidak diketahui (Gbr. 1). Ini adalah bagaimana Anda dapat menghasilkan pengetahuan baru secara kualitatif berdasarkan informasi yang dikumpulkan oleh perusahaan dan terkadang membuat keputusan yang tidak sepele untuk meningkatkan efisiensi bisnis, menggunakan metode data mining (DAM).
Beras. 1. Logika pengembangan “kecerdasan” dari masalah analitis yang terpecahkan. Dirilis pada musim panas 2003 versi baru platform teknologi "1C:Enterprise 8.0" memungkinkan perluasan kemampuan analisis bisnis dalam sistem secara signifikan (lihat sidebar). Namun, ada satu hal yang perlu Anda lakukan di sini catatan penting. Perangkat lunak platform 1C berkembang tidak hanya dalam “langkah”, dari versi ke versi, tetapi terus ditingkatkan dan diperluas dalam satu versi, dan dalam dua arah - teknologi dan terapan. Jadi, setelah pengumuman pertama G8, lebih dari selusin rilis platform telah dirilis, versi terbaru (per Januari 2006) diberi nomor 8.0.13, dan ini sangat berbeda dengan dua setengah tahun yang lalu! Salah satu bidang pengembangan "1C:Enterprise 8.0" adalah mekanisme analisis bisnis; khususnya, alat IAD baru muncul di dalamnya pada tahun 2005. Penting untuk dicatat bahwa sebagian besar fungsi analisis diimplementasikan pada tingkat platform teknologi dan tersedia bagi pengguna hanya setelah dimasukkan dalam rilis baru solusi aplikasi. Oleh karena itu, terdapat kesenjangan (terkadang beberapa bulan) antara kemunculan fitur-fitur baru dan penyediaannya kepada pengguna. Dengan mengingat masalah ini, untuk menjembatani kesenjangan tersebut, 1C merilis pada bulan September 2005 solusi aplikasi khusus “Subsistem Analisis Data” (DAS), yang dapat dibangun ke dalam konfigurasi apa pun pada platform 1C:Enterprise 8.0. Selain beragam fungsi dasar, paket ini mencakup lebih dari 30 model pra-konfigurasi untuk konfigurasi Manajemen Perdagangan pada umumnya. PAD mencakup alat IAD baru secara kualitatif yang sebelumnya tidak ada dalam program 1C. Untuk menganalisis dan memprediksi data secara langsung, tidak diperlukan keterampilan dan pengetahuan khusus. Diasumsikan penguasaan yang baik terhadap bidang subjek yang dianalisis dan pemahaman tentang hubungan sebab-akibat utama di dalamnya. Mempersiapkan sumber data dan model prediktif memerlukan kemampuan untuk menggunakan pembuat kueri dan pengetahuan tentang cara menempatkan informasi dalam objek metadata konfigurasi. Algoritma IAD, termasuk dalam konfigurasi baru (versi 1.0.5), membentuk model analitik (templat) yang menggambarkan pola dalam data sumber. Model-model ini memiliki nilai independen (dapat digunakan berulang kali), dan juga digunakan untuk pembuatan prakiraan otomatis, termasuk prakiraan skenario, dengan indikator yang sebelumnya tidak diketahui (Gbr. 2). Mekanisme IAD adalah sekumpulan objek bahasa bawaan yang berinteraksi satu sama lain, sehingga pengembang dapat menggunakan komponennya dalam kombinasi apa pun dalam solusi aplikasi apa pun. Objek bawaan memudahkan pengguna untuk mengatur konfigurasi interaktif parameter analisis, serta menampilkan hasil analisis dalam bentuk yang mudah ditampilkan dalam dokumen spreadsheet. Dengan menerapkan satu jenis analisis pada sumber data, Anda dapat memperoleh hasil yang mewakili model perilaku data tertentu. Hasil analisis dapat ditampilkan dalam dokumen akhir atau disimpan untuk digunakan nanti - berdasarkan analisis tersebut, Anda dapat membuat model perkiraan yang memungkinkan Anda memprediksi perilaku data baru.
Beras. 2. Skema umum berfungsinya mekanisme data mining. Versi subsistem saat ini mengimplementasikan metode yang paling banyak digunakan secara komersial dalam praktik dunia, yaitu:
- pengelompokan - mengimplementasikan pengelompokan objek, memaksimalkan kesamaan intragrup dan perbedaan antargrup;
- pohon keputusan - menyediakan konstruksi hierarki sebab-akibat dari kondisi yang mengarah pada keputusan tertentu;
- mencari asosiasi - mencari kombinasi elemen yang stabil dalam peristiwa atau objek.
Kekelompokan
Tujuan pengelompokan adalah untuk memilih dari sekumpulan objek yang sifatnya sama sejumlah kelompok (segmen atau cluster) yang relatif homogen. Objek-objek tersebut didistribusikan ke dalam kelompok-kelompok sedemikian rupa sehingga perbedaan intragrup menjadi minimal, dan perbedaan antargrup menjadi maksimal (Gbr. 3). Metode pengelompokan memungkinkan perpindahan dari objek demi objek ke representasi grup dari kumpulan objek arbitrer, yang sangat menyederhanakan penanganannya. Di bawah ini beberapa di antaranya skenario yang mungkin penerapan clustering dalam praktiknya. Segmentasi pelanggan berdasarkan serangkaian parameter tertentu, memungkinkan untuk mengidentifikasi kelompok stabil di antara mereka yang memiliki preferensi pembelian, tingkat penjualan, dan solvabilitas yang serupa, yang sangat menyederhanakan pengelolaan hubungan pelanggan. Pada klasifikasi barang Prinsip klasifikasi yang cukup konvensional sangat sering digunakan. Isolasi segmen berdasarkan sekelompok kriteria formal memungkinkan untuk mengidentifikasi kelompok barang yang benar-benar homogen. Dalam konteks rangkaian produk yang luas dan agak heterogen, manajemen bermacam-macam di tingkat segmen, dibandingkan dengan manajemen tingkat produk, secara signifikan meningkatkan efisiensi promosi, penetapan harga, merchandising, dan manajemen rantai pasokan. Segmentasi manajer memungkinkan Anda merencanakan perubahan organisasi secara lebih efektif, meningkatkan skema motivasi, menyesuaikan persyaratan untuk personel yang direkrut, yang pada akhirnya memungkinkan Anda meningkatkan pengelolaan perusahaan dan stabilitas bisnis secara keseluruhan.Beras. 3. Analisis data menggunakan metode clustering. Persamaan dan perbedaan antar benda ditentukan oleh “jarak” antar benda dalam ruang faktor. Cara mengukur jarak bergantung pada metrik yang menunjukkan prinsip penentuan persamaan/perbedaan antar objek sampel. Implementasi saat ini mendukung metrik berikut:
- "Metrik Euclidean" adalah jarak standar antara dua titik dalam ruang atribut Euclidean berdimensi-N;
- "Euclidean metric squared" - meningkatkan pengaruh perbedaan (jarak) pada hasil pengelompokan;
- "metrik kota" - mengurangi dampak emisi;
- "metrik dominasi" - mendefinisikan perbedaan antara objek sampel sebagai perbedaan maksimum yang ada antara nilai atributnya, oleh karena itu berguna untuk meningkatkan perbedaan antar objek untuk satu atribut.
- "komunikasi jarak pendek" - objek bergabung dengan grup yang jaraknya minimal ke objek terdekat;
- "komunikasi jarak jauh" - objek bergabung dengan grup yang jaraknya minimal ke objek terjauh;
- "pusat gravitasi" - objek bergabung dengan grup yang jaraknya minimal ke pusat cluster;
- Metode "k-means" - objek arbitrer dipilih, yang dianggap sebagai pusat cluster, kemudian semua objek yang dianalisis diurutkan secara berurutan dan digabungkan ke cluster yang paling dekat dengannya. Setelah objek dipasang, dihitung pusat baru cluster, yang dihitung sebagai nilai rata-rata atribut seluruh objek yang termasuk dalam cluster. Prosedur ini diulangi selama pusat cluster berubah.
- pusat klaster, yaitu sekumpulan nilai rata-rata dari kolom masukan pada setiap klaster;
- tabel jarak antar klaster (jarak antar pusat klaster), yang menentukan derajat perbedaan di antara keduanya;
- nilai kolom perkiraan untuk setiap cluster;
- peringkat faktor dan pohon kondisi yang menentukan distribusi objek ke dalam kelompok.
Cari asosiasi
Metode ini dirancang untuk mengidentifikasi kombinasi elemen yang stabil dalam peristiwa atau objek tertentu. Hasil analisis disajikan dalam bentuk kelompok unsur-unsur yang terkait. Di sini, selain kombinasi elemen stabil yang teridentifikasi, analisis terperinci tentang elemen terkait juga disediakan (Gbr. 4).Beras. 4. Penyajian hasil analisis dengan metode “pencarian asosiasi” dalam bentuk kelompok unsur-unsur yang terkait. Metode ini awalnya dikembangkan untuk menemukan kombinasi khas barang-barang dalam pembelian, itulah sebabnya kadang-kadang disebut juga analisis keranjang belanja. Dalam skenario ini, elemen terkait biasanya berupa kelompok produk atau produk individual. Dan objek pengelompokan yang menggabungkan unsur-unsur sampel dapat berupa objek apa pun dari sistem informasi yang mengidentifikasi transaksi: misalnya, pesanan pembeli, tindakan penyediaan layanan, atau tanda terima tunai. Informasi tentang pola preferensi produk pelanggan meningkatkan efisiensi manajemen hubungan pelanggan (dalam hal kampanye periklanan dan promosi pemasaran), penetapan harga (pembentukan penawaran kompleks dan sistem diskon), manajemen inventaris dan merchandising (distribusi barang di area penjualan). Contoh lain penggunaan metode ini adalah menentukan kombinasi saluran periklanan pilihan pelanggan untuk menghindari duplikasi saat menjalankan kampanye iklan bertarget. Hal ini memungkinkan Anda untuk secara signifikan mengurangi biaya acara tersebut. Algoritme pencarian asosiasi yang diterapkan dalam platform memiliki cara yang cukup fleksibel untuk mengontrol kecukupan model analisis atau perkiraan. Parameter "Persentase minimum kasus" menentukan "ambang pemicu" algoritme untuk kombinasi elemen tertentu dalam suatu peristiwa atau objek, yang memungkinkan Anda mengabaikan asosiasi umum yang lemah. Parameter "Keandalan Minimum" menentukan stabilitas yang diperlukan dari asosiasi yang dicari, dan parameter "Signifikansi Minimum" memungkinkan Anda mengidentifikasi asosiasi dengan prioritas tertinggi. Parameter "Jenis batas aturan" sangat memudahkan persepsi hasil analisis dan perkiraan, yang dapat mengambil nilai "Potong yang berlebihan" dan "Potong yang tercakup dalam aturan lain". Untuk interpretasi praktis dari hasil yang diperoleh dengan menggunakan algoritma ini, sangat penting untuk membagi kumpulan awal elemen terkait menjadi kelompok-kelompok yang benar-benar homogen dari sudut pandang analisis yang dilakukan.
Pohon keputusan
Sebagai hasil dari penerapan metode ini pada data awal, struktur aturan hierarki (seperti pohon) dalam bentuk "jika... maka..." dibuat, dan algoritme analisis memastikan identifikasi kondisi yang paling signifikan. dan transisi di antara mereka pada setiap tahap. Algoritma ini paling banyak digunakan dalam mengidentifikasi hubungan sebab-akibat dalam data dan menggambarkan pola perilaku. Area penerapan pohon keputusan yang umum adalah penilaian berbagai risiko, misalnya, penutupan pesanan oleh klien atau pengalihannya ke pesaing, pengiriman barang yang tidak tepat waktu oleh pemasok, atau keterlambatan pembayaran pinjaman perdagangan ( Gambar 5). Faktor masukan yang khas dari model ini adalah jumlah dan komposisi pesanan, saldo penyelesaian bersama saat ini, batas kredit, persentase pembayaran di muka, kondisi pengiriman, dan parameter lain yang menjadi ciri objek perkiraan. Penilaian risiko yang memadai memastikan keputusan yang tepat diambil untuk mengoptimalkan rasio keuntungan/risiko aktivitas perusahaan, dan juga berguna untuk meningkatkan realisme berbagai anggaran.Beras. 5. Penggunaan metode “pohon keputusan” memungkinkan, berdasarkan faktor masukan model (a), untuk memperoleh penilaian risiko penerimaan tertentu keputusan manajemen(B). Contoh yang menggambarkan kemampuan algoritma untuk mengidentifikasi hubungan sebab-akibat adalah tugas mengoptimalkan pekerjaan departemen penjualan. Untuk mengatasinya, kami akan memilih indikator efektivitas manajer penjualan, misalnya profitabilitas spesifik per klien, sebagai nilai prediksi, dan sebagai faktor - sekumpulan data yang berpotensi mempengaruhi hasil. Algoritma akan menentukan faktor-faktor yang mempengaruhi pengaruh terbesar pada hasil, serta kombinasi kondisi yang khas yang mengarah pada hasil tertentu. Selain itu, subsistem “Analisis Data” akan memungkinkan Anda memperkirakan (memprediksi) nilai yang diharapkan dari indikator target berdasarkan data saat ini, serta membuat perkiraan “bagaimana jika…” dengan mengubah indikator yang dipasok ke masukan model. Hasil analisis dan perkiraan menggunakan pohon keputusan dapat secara signifikan mengurangi dampak ketidakpastian lingkungan bisnis terhadap keadaan perusahaan, serta memecahkan berbagai masalah terkait dengan identifikasi sebab-akibat yang kompleks dan tidak jelas. hubungan. Algoritma Pohon Keputusan membentuk hierarki sebab-akibat dari kondisi yang mengarah pada keputusan tertentu. Sebagai hasil dari penerapan metode ini pada sampel pelatihan, struktur hierarki (seperti pohon) dari aturan pemisahan tipe "jika... maka..." dibuat. Algoritme analisis (pelatihan model) merupakan proses berulang untuk mengidentifikasi kondisi paling signifikan dan transisi di antara kondisi tersebut. Kondisi dapat bersifat kuantitatif dan kualitatif dan membentuk “cabang” dari pohon abstrak ini. “Dedaunan”-nya dibentuk oleh nilai-nilai atribut yang diprediksi (keputusan), yang, seperti kondisi transisi, memungkinkan interpretasi kualitatif dan kuantitatif. Kombinasi kondisi-kondisi ini yang dikenakan pada faktor-faktor dan struktur transisi di antara faktor-faktor tersebut hingga solusi akhir membentuk model perkiraan. Algoritme ini paling banyak digunakan dalam menilai hasil dari berbagai rantai peristiwa dan mengidentifikasi hubungan sebab-akibat dalam sampel. Signifikansi dan keandalan model algoritma ini dikontrol menggunakan parameter “Jenis penyederhanaan”, “Kedalaman pohon maksimum” dan “Jumlah elemen minimum dalam sebuah node”. Hasil analisis sampel menggunakan algoritma “Pohon Keputusan” adalah:
- peringkat faktor, yaitu daftar faktor-faktor yang mempengaruhi keputusan, diurutkan berdasarkan tingkat kepentingannya (“kutipan” di simpul pohon);
- perbandingan keputusan (nilai kolom perkiraan) dan kondisi yang menentukannya, dengan kata lain, pohon “Efek-Penyebab”;
- Pohon “Sebab-Akibat”, yang merupakan serangkaian transisi antar kondisi yang menentukan keputusan tertentu (pada dasarnya, representasi visual dari model perkiraan).
| Solusi bersama "1C" Selain fungsi yang diimplementasikan secara langsung dalam kerangka platform 1C:Enterprise 8.0, gudang alat analisis bisnis 1C diisi ulang dengan solusi khusus yang dibuat, antara lain, dalam kerangka proyek 1C-Joint (http:// v8.1c.ru/ solution) - dengan partisipasi mitra perusahaan dan pengembang independen (lihat "Solusi bersama 1C dan mitranya", "BYTE / Russia" No. 9 "2005). Di sini kami mencatat dua produk yang terkait dengan penggunaan metode analisis cerdas - Ini adalah "1C:Enterprise 8.0. Anatech 1C-VIP: ABIS. ABC. Akuntansi manajemen dan perhitungan biaya" (mitra pengembang - perusahaan konsultan "VIP Anatech") dan "1C-VIP Anatech-VDGB: ABIS. BSC Balanced Scorecard" (mitra-pengembang - perusahaan VIP Anatech dan VDGB). |
Skenario bisnis umum untuk menggunakan metode IAD
Dokumentasi PAD memiliki bagian yang dikhususkan untuk contoh umum penggunaan data mining sehubungan dengan konfigurasi "1C: Trade Management 8.0.". Di sini kami menyajikan beberapa skenario bisnis tersebut.Pengelolaan hubungan pelanggan
Perencanaan skenario" Kampanye iklan" Perencanaan kampanye periklanan yang akan datang dipertimbangkan dari sudut pandang optimalisasi distribusi anggaran yang dialokasikan melalui saluran periklanan, berdasarkan indikator regional, produk, pelanggan dan segmen sasaran lainnya, serta efektivitas saluran periklanan di bagian tertentu dalam beberapa periode perencanaan sebelumnya. Algoritma- "Analisis klaster". Atribut Ramalan- bagian tanggapan terhadap saluran periklanan dari segmen homogen bersyarat yang diidentifikasi oleh algoritme. Kolom Terhitung- bagian saluran periklanan dalam anggaran kampanye periklanan, dengan mempertimbangkan kemungkinan pembagian tanggapan dan efektivitas (dalam hal pendapatan yang dihasilkan) dari setiap saluran periklanan. Contoh pola: Klien Kelas A di wilayah P, yang lebih menyukai kelompok produk P, tertarik oleh saluran periklanan yang sama dengan klien di wilayah N, yang lebih menyukai kelompok produk Y.Manajemen rantai persediaan
Skenario "Optimalisasi pemilihan pemasok berdasarkan kelompok produk" Pemilihan pemasok lini pertama yang dominan untuk kelompok produk utama sangat penting untuk menstabilkan sistem logistik pada khususnya dan sistem manajemen rantai pasokan secara keseluruhan, serta mengurangi durasi rata-rata rantai pasokan. Di sisi lain, integrasi yang lebih erat dengan pemasok besar biasanya memungkinkan pengurangan harga pokok barang secara signifikan. Dalam hal ini, menarik untuk menganalisis kombinasi stabil pemasok dalam berbagai kelompok produk dibandingkan dengan analisis untuk pemasok yang terkait dalam kelompok tersebut. Hal ini memungkinkan Anda mengidentifikasi “persimpangan” pemasok di berbagai kelompok produk dan mengoptimalkan hubungan dengan mereka. Algoritma- "Cari asosiasi." Atribut Ramalan- kombinasi pemasok yang berkelanjutan. Faktor Utama- kelompok produk. Penguraian kode- analisis pemasok (volume pembelian, pendapatan, syarat pengiriman dan pembayaran, waktu penyelesaian pesanan - pesimistis, optimis, rata-rata). Contoh pola: asosiasi yang stabil dari pemasok A yang besar dan tidak dapat diprediksi dan pemasok berukuran sedang B yang dapat diprediksi dalam sejumlah besar kelompok produk. Saat melakukan pemesanan untuk kelompok produk kompetitif, dimungkinkan untuk memposisikan pemasok menengah sebagai pemasok utama, jika volume pesanan untuk kelompok besar tidak melebihi ambang batas tertentu (memberikan peningkatan skala yang signifikan).Manajemen Personalia
Skenario: Membuat Profil Manajer Penjualan berdasarkan Indikator Kinerja Utama Menentukan efektivitas manajer (retensi, pencarian pelanggan, efisiensi komunikasi, pengumpulan piutang bersyarat dan tidak bersyarat, indikator kinerja spesifik per klien, dll.) menarik tidak hanya dari sudut pandang menciptakan sistem insentif material bagi manajer, tetapi juga dari sudut pandang parameter standardisasi yang efektif dari kegiatan mereka. Algoritma- "Pohon keputusan". Atribut Ramalan- indikator kinerja utama departemen penjualan (jumlah pelanggan utama, tingkat churn dan akuisisi, hilangnya pendapatan per bulan, pendapatan yang ditarik per bulan, pendapatan per bulan per klien, total pendapatan dari klien, dll.). Faktor Utama- jumlah klien aktif, pendapatan, pendapatan, indikator spesifik per klien, efisiensi komunikasi. Bergantung pada atribut prediktif, komposisi faktor dapat sangat bervariasi. Contoh pola: manajer yang memberikan indikator penagihan piutang (rasio penerimaan DS terhadap pendapatan) terbaik memiliki rasio retensi > 0,8; koefisien tarik-menarik > 0,25; jumlah transaksi yang dibuka secara bersamaan tidak lebih dari 15, tetapi tidak kurang dari 10; intensitas kejadian per hari tidak lebih dari 10, tetapi tidak kurang dari 3; jumlah klien aktif dalam periode tersebut minimal 50, tetapi tidak lebih dari 100.Kesimpulan
Bisnis modern mempunyai banyak segi sehingga faktor-faktor yang berpotensi mempengaruhi keputusan tertentu bisa berjumlah puluhan. Persaingan semakin meningkat dari hari ke hari, lingkaran kehidupan produk menjadi lebih pendek, preferensi pelanggan berubah semakin cepat. Untuk mengembangkan suatu bisnis, kita perlu merespons lingkungan bisnis yang berubah dengan cepat sedinamis mungkin, dengan mempertimbangkan pola perkembangan yang tidak kentara dan terkadang sulit dipahami. Kelompok pelanggan mana yang akan merespons promosi tersebut, dan kelompok pelanggan mana yang akan beralih ke pesaing tanpa dapat ditarik kembali? Apakah sebaiknya saya membuka lini bisnis baru atau menundanya dulu? Apakah pembeli akan terlambat membayar atau pemasok akan terlambat mengirim? Apa peluang pertumbuhannya dan apa potensi ancamannya? Ribuan manajer menanyakan pertanyaan ini pada diri mereka sendiri dan rekan kerja mereka setiap hari. Subsistem analisis data yang diterapkan dalam platform 1C:Enterprise 8.0 dirancang untuk membantu pengguna sistem informasi perusahaan dengan cepat menemukan jawaban atas pertanyaan-pertanyaan non-sepele, menyediakan transformasi otomatis dari data yang terakumulasi di sistem Informasi, ke dalam pola yang praktis dan dapat ditafsirkan dengan baik.Pelaporan ekonomi dan analitis di "1C:Enterprise 8.0"Platform 1C:Enterprise 8.0 mencakup sejumlah mekanisme untuk menghasilkan pelaporan ekonomi dan analitis yang memungkinkan Anda menghasilkan dokumen interaktif (dan bukan hanya formulir cetak) dalam kerangka solusi aplikasi tertentu. Dengan demikian, pengguna dapat bekerja dengan laporan dengan cara yang sama seperti formulir layar apa pun, termasuk mengubah parameter laporan, membangunnya kembali, menggunakan "decoding" (mendapatkan laporan tambahan berdasarkan elemen individual dari laporan yang sudah dibuat), dll. Selain itu, ada beberapa perangkat lunak universal yang memungkinkan Anda membuat laporan sewenang-wenang, bergantung pada tugasnya. Hal ini juga dapat dilakukan oleh pengguna itu sendiri (yang cukup berpengalaman) yang memahami dengan baik struktur solusi aplikasi yang digunakan. Di bawah ini kita akan melihat secara singkat alat pelaporan utama di 1C:Enterprise 8.0. Permintaan- ini adalah salah satu cara untuk mengakses data di "1C:Enterprise 8.0", dengan bantuan informasi yang diambil dari database sesuai dengan kondisi tertentu, biasanya dikombinasikan dengan pemrosesan paling sederhana dari data yang diterima: mengelompokkan, mengurutkan, menghitung. Mengubah data menggunakan kueri tidak mungkin dilakukan, karena kueri pada awalnya dirancang untuk memperoleh informasi dengan cepat dari sejumlah besar informasi. Basis data diimplementasikan sebagai sekumpulan tabel yang saling berhubungan yang dapat diakses baik secara individual atau beberapa tabel secara bersamaan. Untuk mengimplementasikan algoritmenya sendiri, pengembang dapat menggunakan bahasa kueri berdasarkan SQL dan berisi banyak ekstensi yang mencerminkan kekhususan masalah keuangan dan ekonomi dan mengurangi upaya yang dihabiskan untuk menciptakan solusi aplikasi. Platform ini menyertakan perancang kueri yang memungkinkan Anda membuat teks kueri yang benar hanya dengan menggunakan alat visual (Gbr. 6).Beras. 6. Pembuat kueri (a) memungkinkan pengembang untuk menyusun teks kueri (b) secara eksklusif dengan cara visual. dokumen spreadsheet adalah mekanisme yang kuat untuk memvisualisasikan dan mengedit informasi, termasuk menggunakan pembacaan informasi dinamis dari database. Dokumen spreadsheet dapat digunakan sendiri atau menjadi bagian dari formulir apa pun yang digunakan dalam solusi aplikasi. Pada intinya menyerupai spreadsheet(terdiri dari baris dan kolom tempat data ditempatkan), tetapi kemampuannya jauh lebih luas. Ini mendukung operasi pengelompokan, dekripsi, dan anotasi. Dalam dokumen yang dapat Anda gunakan jenis yang berbeda desain laporan, termasuk diagram grafis. Dokumen tabel dapat berisi tabel pivot, yang berfungsi sebagai alat efektif untuk menyajikan data multidimensi secara terprogram dan interaktif. Konstruktor formulir keluaran membantu pengembang membuat laporan dan menyajikan data laporan dalam bentuk tabel atau grafik yang nyaman. Ini mencakup semua fitur perancang kueri, serta pembuatan dan penyesuaian formulir. Pembuat Laporan adalah objek bahasa bawaan yang menyediakan kemampuan untuk membuat laporan secara dinamis baik secara terprogram maupun interaktif (Gbr. 7). Pengoperasiannya didasarkan pada permintaan, dimana pengguna diberi kesempatan untuk mengkonfigurasi secara interaktif semua parameter utama yang terdapat dalam teks permintaan. Hasil kueri ini dikeluarkan ke dokumen spreadsheet, yang juga dapat menggunakan informasi dari sumber data arbitrer. Pengembang, dengan menggunakan perintah pembuat laporan, dapat mengubah parameter yang tersedia bagi pengguna untuk konfigurasi. |
