Ev » Yeni yıla » Veri analizi ve tahmin için 1C mekanizmaları. Veri Analizi ve Tahmin

Veri analizi ve tahmin için 1C mekanizmaları. Veri Analizi ve Tahmin

Veri analizi ve tahmin motoru- bu, ekonomik ve analitik raporlama üretme mekanizmalarından biridir. Kullanıcılara (ekonomistler, analistler vb.) bilgi tabanında biriken verilerde belirgin olmayan kalıpları arama fırsatı sağlar. Bu mekanizma şunları sağlar:

bilgi tabanının kaynak verilerindeki kalıpları aramak;
hem programlı hem de etkileşimli olarak gerçekleştirilen analizin parametrelerini yönetmek;
analiz sonucuna programlı erişim sağlamak;
analiz sonucunu otomatik olarak bir elektronik tablo belgesinde görüntüleyin;
sonraki olayları veya yeni nesnelerin belirli özelliklerinin değerlerini otomatik olarak tahmin etmenize olanak tanıyan tahmin modelleri oluşturun.

Veri analizi mekanizması, geliştiricinin bileşenlerini herhangi bir uygulama çözümünde herhangi bir kombinasyonda kullanmasına olanak tanıyan, birbirleriyle etkileşime giren bir dizi yerleşik dil nesnesidir. Yerleşik nesneler, analiz parametrelerinin kullanıcı tarafından etkileşimli konfigürasyonunu düzenlemeyi kolaylaştırır ve ayrıca analiz sonucunu bir elektronik tablo belgesinde görüntülemeye uygun bir biçimde görüntülemenize olanak tanır.

Mekanizma, hem bilgi tabanından alınan verilerle hem de harici bir kaynaktan alınan, değerler tablosuna veya elektronik tablo belgesine önceden yüklenmiş verilerle çalışmanıza olanak tanır:

Kaynak verilere analiz türlerinden birini uygulayarak analiz sonucunu elde edebilirsiniz. Analizin sonucu belirli bir veri davranışı modelini temsil eder. Analizin sonucu nihai belgede görüntülenebilir veya ileride kullanılmak üzere kaydedilebilir.

Analiz sonucunun daha ileri kullanımı, mevcut modele uygun olarak yeni verilerin davranışını tahmin etmeye olanak tanıyan bir tahmin modelinin oluşturulabilmesidir.

Örneğin hangi ürünlerin birlikte satın alındığını (tek faturada) analiz edebilir ve bu analiz sonucunu veri tabanına kaydedebilirsiniz. Gelecekte, kaydedilen analiz sonucuna göre bir sonraki faturayı oluştururken, bir tahmin modeli oluşturabilir, onu bu faturada yer alan yeni verilerle "girdi" olarak besleyebilir ve "çıktı" bir tahmin (malların listesi) alabilirsiniz. karşı taraf Petrov B.S. Ayrıca kendisine teklif edilirse büyük olasılıkla bunları elde edecektir:

Veri analizi ve tahmin motoru çeşitli veri analizi türlerini uygular:

Uygulanan analiz türleri

Genel istatistikler

Çalışılan örnekteki veriler hakkında bilgi toplamaya yönelik bir mekanizmadır. Bu analiz türü, analiz edilen veri kaynağının ön araştırması için tasarlanmıştır.

Analiz, sürekli ve ayrık alanların bir takım özelliklerini gösterir. Sürekli alanlar aşağıdaki gibi türleri içerir: Sayı, tarih. Diğer türler için ayrı alanlar kullanılır.Bir raporun bir elektronik tablo belgesine çıktısı alınırken, alanların kompozisyonunu görüntülemek için pasta grafikleri doldurulur.

Dernekleri arayın

Bu analiz türü, sıklıkla oluşan nesne gruplarını veya karakteristik değerleri bir arada arar ve ayrıca birliktelik kurallarını da arar. İlişkilendirme araması, örneğin sık satın alınan mal veya hizmetleri birlikte belirlemek için kullanılabilir:

Bu tür bir analiz hiyerarşik verilerle çalışabilir; bu, örneğin yalnızca belirli ürünler için değil aynı zamanda gruplar için de kurallar bulmaya olanak tanır. Bu tür analizin önemli bir özelliği, hem her sütunun nesnenin bazı özelliklerini içerdiği bir nesne veri kaynağıyla hem de nesnenin özelliklerinin bir sütunda yer aldığı bir olay kaynağıyla çalışabilmesidir.

Sonucun algılanmasını kolaylaştırmak için gereksiz kuralları ortadan kaldıran bir mekanizma sağlanmıştır.

Sıra Arama

Sıralı arama tipi analiz, bir veri kaynağındaki sıralı olay zincirlerini tanımlamanıza olanak tanır. Örneğin bu, müşterilerin sıklıkla sırayla satın aldığı bir mal veya hizmet zinciri olabilir:

Bu analiz türü, yalnızca belirli olayların sırasını değil aynı zamanda ana grupların sıralarını da izlemeyi mümkün kılan hiyerarşik aramalara olanak tanır.

Bir dizi analiz parametresi, bir uzmanın, aranan dizilerin öğeleri arasındaki zaman mesafelerini sınırlamasına ve elde edilen sonuçların doğruluğunu ayarlamasına olanak tanır.

Küme analizi

Küme analizi, incelenen orijinal nesne kümesini nesne gruplarına ayırmanıza olanak tanır; böylece her nesne, diğer gruptaki nesnelerden çok kendi grubundaki nesnelere benzer. Küme adı verilen sonuçta ortaya çıkan grupları daha ayrıntılı analiz ederek, şu veya bu grubun nasıl karakterize edildiğini belirleyebilir ve çeşitli grupların nesneleri ile çalışma yöntemlerine karar verebilirsiniz. Örneğin, kümeleme analizini kullanarak, bir şirketin çalıştığı müşterileri gruplara ayırarak onlarla çalışırken farklı stratejiler uygulayabilirsiniz:

Analist, kümeleme analizinin parametrelerini kullanarak, bölümlemenin gerçekleştirileceği algoritmayı yapılandırabilir ve ayrıca analizde dikkate alınan özelliklerin bileşimini dinamik olarak değiştirebilir ve bunlar için ağırlıklandırma katsayılarını yapılandırabilir.

Kümelemenin sonucu, nesneler arasındaki sıralı ilişkileri görüntülemek için tasarlanmış özel bir nesne olan bir dendrogramda görüntülenebilir.

Karar ağacı

Karar ağacı tipi analiz, bir ağaç şeklinde sunulan sınıflandırma kurallarından oluşan hiyerarşik bir yapı oluşturmanıza olanak tanır.

Bir karar ağacı oluşturmak için, sınıflandırıcının oluşturulacağı hedef niteliği ve kuralları oluşturmak için kullanılacak bir dizi girdi niteliğini seçmeniz gerekir. Hedef özelliği örneğin müşterinin başka bir servis sağlayıcıya geçip geçmediği, işlemin başarılı olup olmadığı, işin iyi yapılıp yapılmadığı vb. gibi bilgileri içerebilir. Girdi özellikleri örneğin çalışanın yaşı, iş deneyimi, müşterinin mali durumu, şirketteki çalışan sayısı vb. olabilir.

Analizin sonucu, her düğümü belirli bir koşulu içeren bir ağaç şeklinde sunulur. Yeni bir nesnenin hangi sınıfa atanacağına karar vermek için düğümlerdeki soruları yanıtlayarak ağacın kökünden yaprağına kadar zincir boyunca ilerlemek, olumlu cevap durumunda alt düğümlere geçmek gerekir. ve olumsuz bir cevap durumunda komşu düğüme.

Bir dizi analiz parametresi, ortaya çıkan ağacın doğruluğunu ayarlamanıza olanak tanır:

Tahmin modelleri

Mekanizmanın oluşturduğu tahmin modelleri, veri analizi sonucunda oluşturulan ve gelecekte yeni veriler için otomatik olarak tahmin yapmanızı sağlayan özel nesnelerdir.

Örneğin, müşteri satın almalarını analiz ederek oluşturulan bir ilişki arama tahmin modeli, satın alan bir müşteriyle çalışırken, ona seçtiği malların yanı sıra satın alması muhtemel malları da teklif etmek için kullanılabilir.

Veri analizi ve tahmin mekanizması, kullanıcılara (ekonomistler, analistler vb.) bilgi tabanında biriken verilerde açık olmayan kalıpları arama fırsatı sağlar. Bu mekanizma şunları sağlar:

bilgi tabanının kaynak verilerindeki kalıpları aramak;
hem programlı hem de etkileşimli olarak gerçekleştirilen analizin parametrelerini yönetmek;
analiz sonucuna programlı erişim sağlamak;
analiz sonucunu otomatik olarak bir elektronik tablo belgesinde görüntüleyin;
sonraki olayları veya yeni nesnelerin belirli özelliklerinin değerlerini otomatik olarak tahmin etmenize olanak tanıyan tahmin modelleri oluşturun.

Analiz sonucunun daha ileri kullanımı, mevcut modele uygun olarak yeni verilerin davranışını tahmin etmeye olanak tanıyan bir tahmin modelinin oluşturulabilmesidir.

Örneğin hangi ürünlerin birlikte satın alındığını (tek faturada) analiz edebilir ve bu analiz sonucunu veri tabanına kaydedebilirsiniz. Daha sonra bir sonraki faturayı oluştururken:

Kaydedilen analiz sonucuna dayanarak, bir tahmin modeli oluşturabilir, onu bu faturada yer alan yeni verilerle "girdi" olarak besleyebilir ve "çıktı", karşı taraf Petrov B.S. Ayrıca kendisine teklif edilirse büyük olasılıkla bunları elde edecektir:

Veri analizi ve tahmin motoru çeşitli veri analizi türlerini uygular:

Uygulanan analiz türleri

Genel istatistikler

Çalışılan örnekteki veriler hakkında bilgi toplamaya yönelik bir mekanizmadır. Bu analiz türü, analiz edilen veri kaynağının ön araştırması için tasarlanmıştır.

Analiz, sayısal ve sürekli alanların bir takım özelliklerini ortaya koymaktadır. Bir raporun bir elektronik tablo belgesine çıktısı alınırken, alanların kompozisyonunu görüntülemek için pasta grafikleri doldurulur.

Dernekleri arayın

Bu analiz türü, sıklıkla oluşan nesne gruplarını veya karakteristik değerleri bir arada arar ve ayrıca birliktelik kurallarını da arar. İlişkilendirme araması, örneğin sık satın alınan mal veya hizmetleri birlikte belirlemek için kullanılabilir:

Bu tür bir analiz hiyerarşik verilerle çalışabilir; bu, örneğin yalnızca belirli ürünler için değil aynı zamanda gruplar için de kurallar bulmaya olanak tanır. Bu tür analizin önemli bir özelliği, hem her sütunun nesnenin bazı özelliklerini içerdiği bir nesne veri kaynağıyla hem de nesnenin özelliklerinin bir sütunda yer aldığı bir olay kaynağıyla çalışabilmesidir.

Sonucun algılanmasını kolaylaştırmak için gereksiz kuralları ortadan kaldıran bir mekanizma sağlanmıştır.

Sıra Arama

Sıralı arama tipi analiz, bir veri kaynağındaki sıralı olay zincirlerini tanımlamanıza olanak tanır. Örneğin bu, müşterilerin sıklıkla sırayla satın aldığı bir mal veya hizmet zinciri olabilir:

Bu analiz türü, yalnızca belirli olayların sırasını değil aynı zamanda ana grupların sıralarını da izlemeyi mümkün kılan hiyerarşik aramalara olanak tanır.

Bir dizi analiz parametresi, bir uzmanın, aranan dizilerin öğeleri arasındaki zaman mesafelerini sınırlamasına ve elde edilen sonuçların doğruluğunu ayarlamasına olanak tanır.

Küme analizi

Küme analizi, incelenen orijinal nesne kümesini nesne gruplarına ayırmanıza olanak tanır; böylece her nesne, diğer gruptaki nesnelerden çok kendi grubundaki nesnelere benzer. Küme adı verilen sonuçta ortaya çıkan grupları daha ayrıntılı analiz ederek, şu veya bu grubun nasıl karakterize edildiğini belirleyebilir ve çeşitli grupların nesneleri ile çalışma yöntemlerine karar verebilirsiniz. Örneğin, kümeleme analizini kullanarak, bir şirketin çalıştığı müşterileri gruplara ayırarak onlarla çalışırken farklı stratejiler uygulayabilirsiniz:

Analist, kümeleme analizinin parametrelerini kullanarak, bölümlemenin gerçekleştirileceği algoritmayı yapılandırabilir ve ayrıca analizde dikkate alınan özelliklerin bileşimini dinamik olarak değiştirebilir ve bunlar için ağırlıklandırma katsayılarını yapılandırabilir.

Kümelemenin sonucu, nesneler arasındaki sıralı ilişkileri görüntülemek için tasarlanmış özel bir nesne olan bir dendrogramda görüntülenebilir.

Karar ağacı

Karar ağacı tipi analiz, bir ağaç şeklinde sunulan sınıflandırma kurallarından oluşan hiyerarşik bir yapı oluşturmanıza olanak tanır.

Bir karar ağacı oluşturmak için, sınıflandırıcının oluşturulacağı hedef niteliği ve kuralları oluşturmak için kullanılacak bir dizi girdi niteliğini seçmeniz gerekir. Hedef özelliği örneğin müşterinin başka bir servis sağlayıcıya geçip geçmediği, işlemin başarılı olup olmadığı, işin iyi yapılıp yapılmadığı vb. gibi bilgileri içerebilir. Girdi özellikleri örneğin çalışanın yaşı, iş deneyimi, müşterinin mali durumu, şirketteki çalışan sayısı vb. olabilir.

Analizin sonucu, her düğümü belirli bir koşulu içeren bir ağaç şeklinde sunulur. Yeni bir nesnenin hangi sınıfa atanacağına karar vermek için düğümlerdeki soruları yanıtlayarak ağacın kökünden yaprağına kadar zincir boyunca ilerlemek, olumlu cevap durumunda alt düğümlere geçmek gerekir. ve olumsuz bir cevap durumunda komşu düğüme.

Bir dizi analiz parametresi, ortaya çıkan ağacın doğruluğunu ayarlamanıza olanak tanır:

Tahmin modelleri

Mekanizmanın oluşturduğu tahmin modelleri, veri analizi sonucunda oluşturulan ve gelecekte yeni veriler için otomatik olarak tahmin yapmanızı sağlayan özel nesnelerdir.

Uygulama çözümlerinde veri analizi mekanizmasının kullanılması

Uygulama çözümleri geliştiricilerine veri analizi mekanizmasını tanıtmak için “Bilgi ve Teknoloji Desteği” (ITS) diskine bir tanıtım bilgi tabanı yerleştirilir. Yapılandırmayı değiştirmeden herhangi bir uygulama çözümünde veri analizi yapmanıza olanak tanıyan evrensel bir işleme "Veri Analizi Konsolu" içerir.

Modern bilgi teknolojileri/3. Yazılım

Doktora Zhunusov K.M.

A. Baitursynov'un adını taşıyan Kostanay Devlet Üniversitesi

Veri analizi ve tahmin için mekanizmaların oluşturulması

1C: Kurumsal platformda

Tahmin sürecinin temelinde ekonomik bir tahminin geliştirilmesi yer alır. Bir nesnenin gelecekteki olası durumları veya bu durumlara ulaşmanın alternatif yolları ve zamanlaması hakkında bilimsel temelli bir yargıyı temsil eder. Başka bir deyişle bu, geleceğe bakma, onu tahmin etme, incelenen nesnenin belirli bir süre sonra durumunu öngörme girişimidir.

Tahmin, planlamayla yakından ilişkilidir. Bilim çevrelerinde oldukça yaygın bir aforizma vardır: "Plansız tahmin edebi bir çabadır, tahminsiz plan ise idari bir eylemdir."

Hem tahmin hem de planlama için ortak yöntemler hesaplama-analitik, ekonomik-istatistiksel yöntemler ve ekonomik-matematiksel modellemedir.

1C Enterprise'ın bir parçası olarak veri analizi ve tahmin mekanizmaları, kullanıcılara (ekonomistler, analistler vb.) bilgi tabanında biriken verilerde açık olmayan kalıpları arama yeteneği sağlar ve aşağıdaki işlemleri gerçekleştirmelerine olanak tanır:

Bilgi tabanının kaynak verilerindeki kalıpları arayın;

Hem programlı hem de etkileşimli olarak gerçekleştirilen analizin parametrelerini yönetin;

Analiz sonucuna yazılım erişimi;

Analiz sonuçlarının bir elektronik tablo belgesine otomatik çıktısı;

Sonraki olayları veya yeni nesnelerin belirli özelliklerinin değerlerini otomatik olarak tahmin etmenize olanak tanıyan tahmin modellerinin oluşturulması.

Veri analizi ve tahmin mekanizmaları, geliştiricinin bileşenlerini herhangi bir uygulama çözümünde herhangi bir kombinasyonda kullanmasına olanak tanıyan, birbirleriyle etkileşime giren bir dizi yerleşik dil nesnesidir. Yerleşik nesneler, analiz parametrelerinin kullanıcı tarafından etkileşimli konfigürasyonunu düzenlemeyi kolaylaştırmanın yanı sıra, analiz sonucunu Şekil 1'e uygun olarak bir elektronik tablo belgesinde görüntülenmeye uygun bir biçimde görüntülemeyi kolaylaştırır. Ayrıca mekanizmanın, hem 1C bilgi tabanından hem de dış kaynaklardan elde edilen verilerle çalışın (ikinci durumda, bir değerler tablosuna veya bir elektronik tablo belgesine önceden yüklenmiştir).

Resim 1. Genel şema veri madenciliği ve tahmin mekanizmasının işleyişi

Kaynak verilere analiz türlerinden birini uygulayarak, belirli bir veri davranışı modelini temsil eden bir sonuç elde edebilirsiniz. Analizin sonucu nihai belgede görüntülenebilir veya daha sonra kullanılmak üzere kaydedilebilir (buna dayanarak, yeni verilerin davranışını tahmin etmenize olanak tanıyan bir tahmin modeli oluşturulabilir).

Muhasebe ve yönetim sistemleri pazarındaki ana trendlerden biri, bilinçli yönetim kararları sağlayan analitik veri işleme araçlarının kullanımına olan talebin sürekli artmasıdır. Ancak günümüzün müşterileri artık önceden tanımlanmış ölçümlere ve manuel olarak analiz edilen ilişkilere dayalı çeşitli raporlar, pivot tablolar ve grafikler oluşturmalarına olanak tanıyan geleneksel araçları kullanmaktan memnun değil. İşletmeler, açık olmayan kuralları otomatik olarak aramalarına ve bilinmeyen kalıpları belirlemelerine olanak tanıyan, niteliksel olarak farklı araçlara giderek daha fazla ihtiyaç duyuyor;Şirketin biriktirdiği bilgilere dayanarak yeni bilgiler edinir ve bazen veri madenciliği yöntemlerine dayanarak iş verimliliğini artırmak için tamamen önemsiz olmayan kararlar alırlar.

Edebiyat:

1 Glushchenko V.V. Tahmin. - M.: Üniversite Kitabı, 2005.

2 Dubrova T. A. Üretim tahmininin metodolojik sorunları en önemli türler endüstriyel ürünler // İstatistik soruları. -2004. -No.1.-S. 52-57.

3 Radchenko M.G., Khrustaleva E.Yu. Çoğaltılmış uygulamalar oluşturmaya yönelik araçlar "1C:Enterprise 8.2". - M .: "1C-Publishing" yayınevi, 2011.

Mekanizma, yerleşik 1C:Enterprise dilinin bir dizi nesnesiyle temsil edilir. Mekanizmanın ana nesnelerinin etkileşim şeması şekilde gösterilmiştir. Veri analizi sütunlarını ayarlama – giriş veri analizi sütunlarına yönelik bir dizi ayar. Her sütun için, içerdiği veri türü, sütunun gerçekleştirdiği rol belirtilir, ek ayarlar Gerçekleştirilen analizin türüne bağlı olarak. Veri analizi parametreleri – gerçekleştirilen veri analizi için bir dizi parametre. Parametrelerin bileşimi analizin türüne bağlıdır. Örneğin, küme analizi için orijinal nesnelerin bölünmesi gereken kümelerin sayısı, nesneler arasındaki mesafenin ölçüm türü vb. belirtilir. Başlangıç verileri analize yönelik verilerin kaynağıdır. Veri kaynağı bir sorgunun sonucu, bir elektronik tablo belgesinin hücre alanı veya bir değerler tablosu olabilir. Analizör, doğrudan veri analizini gerçekleştiren bir nesnedir. Nesneye bir veri kaynağı verilir ve parametreler belirtilir. Bu nesnenin çalışmasının sonucu, türü analiz türüne bağlı olan veri analizinin sonucudur. Veri analizinin sonucu, analizin sonucu hakkında bilgi içeren özel bir nesnedir. Her analiz türünün kendi sonucu vardır. Örneğin, veri analizinin sonucu - bir karar ağacı - DataAnalyticResultDecisionTree türünde bir nesne olacaktır. Gelecekte sonuç, veri analizi raporu oluşturucu kullanılarak bir elektronik tablo belgesinde görüntülenebilir, içeriğine programlı erişim yoluyla görüntülenebilir ve bir tahmin modeli oluşturmak için kullanılabilir. Herhangi bir veri analizi sonucu daha sonra kullanılmak üzere kaydedilebilir. Tahmin modeli, girdi verilerine dayanarak tahmin yapmanıza olanak tanıyan özel bir nesnedir. Modelin türü veri analizinin türüne bağlıdır. Örneğin, veri analizi için oluşturulan bir model (ilişkilerin aranması), İlişki Arama Tahmin Modeli türünde olacaktır. Tahmin için veri kaynağı, tahmin modelinin girişine aktarılır. Sonuç, tahmin edilen değerleri içeren bir değerler tablosudur. Tahmin örneği, bir değerler tablosu, bir sorgu sonucu veya tahminin oluşturulacağı bilgileri içeren bir elektronik tablo belgesi alanıdır. Örneğin, ilişkilendirmelerin arandığı bir tahmin modeli için seçim, bir satış belgesindeki ürünlerin listesini içerebilir. Modelin çalışmasının sonucu, alıcıya hala hangi ürünlerin sunulabileceği konusunda öneride bulunabilir. Örnek sütunların ayarlanması, tahmin modeli sütunları ile tahmin örneği sütunları arasındaki uyumu gösteren bir dizi özel nesneden oluşur. Sonuç sütunlarını ayarlama - tahmin modelinin sonuç tablosuna hangi sütunların yerleştirileceğini kontrol etmenizi sağlar. Modelin sonucu, ortaya çıkan sütunların ayarlarında belirtildiği gibi sütunlardan oluşan ve tahmin edilen verileri içeren bir değerler tablosudur. Spesifik içerik analiz türüne göre belirlenir. Veri analizi raporu oluşturucu, veri analizinin sonucuna ilişkin bir rapor görüntülemenize olanak tanıyan bir nesnedir. Ayrıca rapor oluşturucu, kullanıcının analiz parametrelerini etkileşimli olarak yönetmesine, veri kaynağı sütunlarını ayarlamasına, tahmin modeli sütunlarını ayarlamasına vb. olanak sağlamak amacıyla verilerle bağlantı kurmak için özel nesneler sağlar. Analiz türleri Mekanizma aşağıdaki analiz türlerini gerçekleştirmenize olanak sağlar:

Genel istatistikler
Dernekleri arayın
Sıra Arama
Karar ağacı
Küme analizi

1C 8.2 ve 8.3'teki veri analizi mekanizması, geliştiricinin çeşitli verilere dayalı kalıpları belirleme işini basitleştirir. Örneğin bu mekanizmayı kullanarak en sık birlikte satın alınan ürünleri sergileyebilirsiniz. Başka bir örnek, geçmiş verilere dayalı bir satış tahmini oluşturmaktır. Bu, 1C'deki veri analiz mekanizmasının tüm uygulamaları değildir; yeteneklerini daha ayrıntılı olarak inceleyelim. 1C'deki veri analiz mekanizmasının ana nesneleri Bu mekanizma, 1C Enterprise sisteminde 3 sistem nesnesi ile temsil edilir:

Veri analizi – veri analizini gerçekleştiren bir nesne. Bunun için veri kaynağını ve analiz için gerekli parametreleri belirtmeniz gerekir.
Veri analizinin sonucu, veri analizi çalışmasının sonucu olan bir nesnedir.
Tahmin modeli – veri analizinin sonucuna göre oluşturulur. Nesne, 1C analiz mekanizmasındaki son bağlantıdır ve öngörülen değerleri içeren bir değerler tablosu oluşturur.

1C 8.3 System 1C Enterprise'ın kullanabileceği veri analizi türleri farklı şekiller analiz, bunları daha ayrıntılı olarak ele alalım.

Genel İstatistikler – Bu analiz türü, bir veri kaynağının basit bir istatistiksel örneklemesidir. Bir uygulama örneği, bir dönem için ürün bazında satışların analizidir. Analizin sonucu belirli bir ürünün ne kadar satıldığına dair bilgi olacaktır. Sistem aynı zamanda maksimum, minimum, medyan, ortalama, aralık gibi belirli alanları da hesaplayacaktır. standart sapma, değer sayısı, benzersiz değer sayısı, mod.
İlişkilendirmeleri arayın – bu analiz türü, sıklıkla birlikte ortaya çıkan kombinasyonları aramak için tasarlanmıştır. Sıklıkla birlikte satın alınan eşyaları bulmak için çok iyi. Analiz sonucunda sistem şu bilgileri üretecektir: işlenen verilere ilişkin bilgiler, ilişkisel gruplar, grupların karşılaştırılacağı ilişkisel kurallar.
Dizi arama - analiz edilen verilerdeki kalıpları tanımlamanıza ve daha fazla tahmin sunmanıza olanak tanıyan analiz. Analiz sonucunda sistem, belirli olayların gerçekleşme olasılığına ilişkin bilgileri yüzde cinsinden görüntüleyecektir.

Muhasebe ve yönetim sistemleri pazarındaki ana trendlerden biri, bilinçli karar almayı sağlayan analitik veri işleme araçlarının kullanımına olan talebin sürekli artmasıdır. Bu nedenle 1C:Enterprise yazılım sisteminin geliştirilmesindeki stratejik yönlerden biri, ekonomik ve analitik raporlama yeteneklerinin sürekli genişletilmesi olmuştur. Ancak günümüzün müşterileri, önceden tanımlanmış göstergelere ve ilişkilere dayalı olarak oluşturulan ve manuel olarak analiz edilmesi gereken çeşitli raporlar, pivot tablolar ve grafikler oluşturmalarına olanak tanıyan geleneksel araçlardan artık memnun değil. İşletmeler, açık olmayan kuralları otomatik olarak aramalarına ve bilinmeyen kalıpları belirlemelerine olanak tanıyan niteliksel olarak farklı araçlara giderek daha fazla ihtiyaç duyuyor (Şekil 1). Bu şekilde, şirketin biriktirdiği bilgilere dayanarak niteliksel olarak yeni bilgiler üretebilir ve bazen veri madenciliği (DAM) yöntemlerini kullanarak iş verimliliğini artırmak için tamamen önemsiz olmayan kararlar alabilirsiniz.
Pirinç. 1. Çözülmüş analitik problemlerin “zekasını” geliştirmenin mantığı. 2003 yazında yayınlandı Yeni sürüm"1C:Enterprise 8.0" teknoloji platformu, sistemdeki iş analitiği yeteneklerini önemli ölçüde genişletmeyi mümkün kıldı (kenar çubuğuna bakın). Ancak burada yapmanız gereken bir şey var önemli Not. 1C platformunun yazılımı, sürümden sürüme yalnızca "adımlarla" gelişmekle kalmaz, aynı zamanda tek bir sürümde ve iki yönde - teknolojik ve uygulamalı - sürekli olarak geliştirilir ve genişletilir. Yani G8'in ilk duyurusunun ardından bir düzineden fazla platform sürümü yayınlandı. En son sürüm (Ocak 2006 itibariyle) 8.0.13 numaralıdır ve iki buçuk yıl öncesinden oldukça farklıdır! "1C:Enterprise 8.0"ın geliştirme alanlarından biri de tam olarak iş analitiği mekanizmalarıdır; özellikle IAD araçları yalnızca 2005 yılında ortaya çıktı. Çoğu analiz işlevinin teknoloji platformu düzeyinde uygulandığını ve yalnızca uygulama çözümlerinin yeni sürümlerine dahil edildikten sonra kullanıcılara sunulduğunu belirtmek önemlidir. Bu nedenle, yeni özelliklerin ortaya çıkması ile kullanıcılara sunulması arasında bir miktar boşluk (bazen birkaç ay) vardır. Bu sorunu göz önünde bulundurarak, boşluğu kapatmak amacıyla 1C, Eylül 2005'te 1C:Enterprise 8.0 platformunun herhangi bir konfigürasyonuna yerleştirilebilen özel bir uygulama çözümü olan "Veri Analizi Alt Sistemi"ni (DAS) piyasaya sürdü. Paket, çok çeşitli temel işlevlere ek olarak, tipik bir Ticaret Yönetimi yapılandırması için 30'dan fazla önceden yapılandırılmış model içerir. PAD, daha önce 1C programlarında bulunmayan niteliksel olarak yeni IAD araçlarını içerir. Verileri doğrudan analiz etmek ve tahmin etmek için özel beceri ve bilgi gerekli değildir. Analiz edilen konu alanına iyi derecede hakim olunduğu ve bu alandaki ana neden-sonuç ilişkilerinin anlaşıldığı varsayılmaktadır. Veri kaynaklarını ve tahmine dayalı modelleri hazırlamak, sorgu oluşturucuyu kullanma becerisini ve bilgilerin yapılandırma meta veri nesnelerine nasıl yerleştirileceğine ilişkin bilgiyi gerektirir. Yeni konfigürasyona (sürüm 1.0.5) dahil edilen IAD algoritmaları, kaynak verilerdeki kalıpları tanımlayan analitik modeller (şablonlar) oluşturur. Bu modeller bağımsız değere sahiptir (defalarca kullanılabilirler) ve önceden bilinmeyen göstergelere sahip senaryo modelleri de dahil olmak üzere tahminlerin otomatik olarak üretilmesi için de kullanılırlar (Şekil 2). IAD mekanizması, geliştiricinin bileşenlerini herhangi bir uygulama çözümünde herhangi bir kombinasyonda kullanabileceği sayesinde birbiriyle etkileşime giren bir dizi yerleşik dil nesnesidir. Yerleşik nesneler, analiz parametrelerinin kullanıcı tarafından etkileşimli konfigürasyonunu düzenlemeyi ve analiz sonucunu bir elektronik tablo belgesinde görüntülenmesi kolay bir formda görüntülemeyi kolaylaştırır. Kaynak verilere bir tür analiz uygulayarak, belirli bir veri davranışı modelini temsil edecek bir sonuç elde edebilirsiniz. Analizin sonucu son belgede görüntülenebilir veya daha sonra kullanılmak üzere kaydedilebilir - buna dayanarak, yeni verilerin davranışını tahmin etmenize olanak tanıyan bir tahmin modeli oluşturabilirsiniz.
Pirinç. 2. Veri madenciliği mekanizmasının genel işleyiş şeması. Alt sistemin mevcut sürümü, dünya pratiğinde en büyük ticari dağıtımı alan yöntemleri uygulamaktadır:

kümeleme - nesnelerin gruplandırılmasını uygulayarak grup içi benzerliği ve gruplar arası farklılıkları en üst düzeye çıkarır;
karar ağacı - belirli kararlara yol açan koşulların neden-sonuç hiyerarşisinin oluşturulmasını sağlar;
çağrışımları ara - olaylar veya nesnelerdeki kararlı öğe kombinasyonlarını arar.

Aşağıda öze ve yeteneklere daha yakından bakacağız. pratik uygulama bu IAD yöntemleri.

Kümeleme

Kümelemenin amacı, aynı doğadaki bir dizi nesneden belirli sayıda nispeten homojen grupları (bölümler veya kümeler) seçmektir. Nesneler, grup içi farklılıklar minimum, gruplar arası farklılıklar maksimum olacak şekilde gruplara dağıtılır (Şekil 3). Kümeleme yöntemleri, nesne nesneden, rastgele nesnelerin bir koleksiyonunun grup temsiline geçmeyi mümkün kılar, bu da bunların işlenmesini önemli ölçüde kolaylaştırır. Aşağıda birkaçı var olası senaryolar kümelemenin pratikte uygulanması. Müşteri segmentasyonu belirli bir dizi parametreye dayanarak, aralarında benzer satın alma tercihlerine, satış seviyelerine ve ödeme gücüne sahip istikrarlı grupların belirlenmesini mümkün kılar ve bu da müşteri ilişkilerinin yönetimini büyük ölçüde kolaylaştırır. Şu tarihte: malların sınıflandırılması Oldukça geleneksel sınıflandırma ilkeleri sıklıkla kullanılmaktadır. Segmentlerin bir grup resmi kritere dayalı olarak izole edilmesi, gerçekten homojen mal gruplarının tanımlanmasını mümkün kılar. Geniş ve oldukça heterojen bir ürün yelpazesi bağlamında, segment düzeyinde ürün çeşitliliği yönetimi, ürün düzeyindeki yönetimle karşılaştırıldığında promosyon, fiyatlandırma, satış ve tedarik zinciri yönetiminin verimliliğini önemli ölçüde artırır. Yönetici segmentasyonu organizasyonel değişiklikleri daha etkili bir şekilde planlamanıza, motivasyon planlarını iyileştirmenize, işe alınan personel gereksinimlerini ayarlamanıza olanak tanır, bu da sonuçta şirketin yönetilebilirliğini ve bir bütün olarak işin istikrarını artırmanıza olanak tanır.
Pirinç. 3. Kümeleme yöntemini kullanarak veri analizi. Nesneler arasındaki benzerlik ve farklılık, faktörler uzayında aralarındaki “mesafe” tarafından belirlenir. Mesafeyi ölçme yöntemi, örnek nesneler arasındaki benzerliği/farklılığı belirleme ilkesini belirten metriğe bağlıdır. Mevcut uygulama aşağıdaki ölçümleri desteklemektedir:

"Öklid metriği", N boyutlu Öklid öznitelik uzayındaki iki nokta arasındaki standart mesafedir;
“Öklid metrik karesi” - farkın (mesafenin) kümeleme sonucu üzerindeki etkisini artırır;
"şehir ölçüsü" - emisyonların etkisini azaltır;
“baskınlık ölçüsü” - örnek nesneler arasındaki farkı, özniteliklerinin değerleri arasında mevcut maksimum fark olarak tanımlar, bu nedenle, bir öznitelik için nesneler arasındaki farkları geliştirmek için kullanışlıdır.

Kümelenmiş nesneler arasındaki mesafeye ilişkin bilgilere dayanarak küme oluşturma yöntemi, kümeleme yöntemi ile belirlenir. 1C:Enterprise 8.0'ın mevcut sürümü aşağıdaki kümeleme yöntemlerini uygular:

“kısa mesafeli iletişim” - nesne, en yakın nesneye olan mesafenin minimum olduğu gruba katılır;
“uzun mesafeli iletişim” - nesne, en uzaktaki nesneye olan mesafenin minimum olduğu gruba katılır;
“ağırlık merkezi” - nesne, kümenin merkezine olan mesafenin minimum olduğu gruba katılır;
"k-means" yöntemi - küme merkezleri olarak kabul edilen rastgele nesneler seçilir, ardından analiz edilen tüm nesneler sırayla sıralanır ve kendilerine en yakın kümeye birleştirilir. Nesneyi ekledikten sonra hesaplanır yeni merkez kümede yer alan tüm nesnelerin niteliklerinin ortalama değeri olarak hesaplanır. Küme merkezleri değiştiği sürece prosedür tekrarlanır.

Platformda uygulanan kümeleme yöntemlerinden herhangi biri, gerekli küme sayısının açık bir şekilde belirtilmesini gerektirir. Nesne nitelikleri için ağırlıklar girerek, bunlara öncelik vermenizi sağlayabilirsiniz. Kümeleme kullanılarak yapılan analiz sonucunda aşağıdaki veriler elde edilir:

her kümedeki giriş sütunlarının ortalama değerlerinin bir kümesi olan küme merkezleri;
aralarındaki farkın derecesini belirleyen kümeler arası mesafelerin (küme merkezleri arasındaki mesafeler) tablosu;
her küme için tahmin sütunlarının değerleri;
faktörlerin derecelendirilmesi ve nesnelerin kümelere dağılımını belirleyen koşullar ağacı.

Kümeleme algoritmaları yalnızca belirli bir dizi özellik üzerindeki nesnelerin küme analizini yürütmeye değil, aynı zamanda bu örnekteki nesnelerin belirli bir kümeye atanmasına dayalı olarak mevcut örnek için bunlardan bir veya daha fazlasının değerini tahmin etmeye de olanak tanır.

Dernekleri arayın

Bu yöntem, belirli olaylar veya nesnelerdeki kararlı öğe kombinasyonlarını tanımlamak için tasarlanmıştır. Analizin sonuçları, ilişkili unsurların grupları şeklinde sunulur. Burada, belirlenen kararlı öğe kombinasyonlarına ek olarak, ilgili öğelere ilişkin ayrıntılı analizler sağlanmaktadır (Şekil 4).
Pirinç. 4. Analiz sonuçlarının “ilişki arama” yöntemiyle ilişkili unsur grupları şeklinde sunulması. Yöntem başlangıçta satın alımlardaki tipik ürün kombinasyonlarını bulmak için geliştirildi, bu yüzden bazen alışveriş sepeti analizi olarak da adlandırılıyor. Bu senaryoda ilişkili öğeler genellikle ürün grupları veya tek tek ürünlerdir. Ve örneklerin unsurlarını birleştiren gruplandırma nesnesi, bilgi sisteminin işlemi tanımlayan herhangi bir nesnesi olabilir: örneğin, bir alıcının siparişi, hizmetlerin sağlanmasına yönelik bir işlem veya bir nakit makbuz. Müşterinin ürün tercihlerindeki kalıplara ilişkin bilgi, müşteri ilişkileri yönetiminin (reklam kampanyaları ve pazarlama promosyonları açısından), fiyatlandırmanın (karmaşık tekliflerin ve indirim sistemlerinin oluşturulması), envanter yönetiminin ve mağazacılığın (satış alanlarında malların dağıtımı) verimliliğini artırır. Bu yöntemi kullanmanın bir başka örneği, hedefli reklam kampanyaları yürütürken kopyaların önlenmesi için müşterilerin tercih ettiği reklam kanalı kombinasyonlarının belirlenmesidir. Bu, bu tür etkinliklerin maliyetlerini önemli ölçüde azaltmanıza olanak tanır. Platformda uygulanan ilişkilendirme arama algoritması, analiz veya tahmin modellerinin yeterliliğini kontrol etmek için oldukça esnek araçlara sahiptir. "Minimum vaka yüzdesi" parametresi, bir olay veya nesnedeki belirli bir öğe kombinasyonu için algoritmanın "tetikleme eşiğini" belirler; bu, zayıf derecede yaygın olan ilişkileri göz ardı etmenize olanak tanır. "Minimum Güvenilirlik" parametresi aranan ilişkilerin gerekli kararlılığını belirler ve "Minimum Önem" parametresi en yüksek öncelikli olanları belirlemenize olanak tanır. "Kural kesme türü" parametresi, analiz ve tahmin sonuçlarının algılanmasını büyük ölçüde kolaylaştırır; bu, "Gereksiz olanı kes" ve "Diğer kurallar kapsamında olanları kes" değerlerini alabilir. Bu algoritma kullanılarak elde edilen sonuçların pratik yorumlanması için, başlangıçtaki ilişkili öğeler kümesinin, yürütülen analiz açısından gerçekten homojen olan gruplara bölünmesi kritik öneme sahiptir.

Karar ağacı

Bu yöntemin kaynak verilere uygulanması sonucunda “eğer… o zaman…” biçiminde hiyerarşik (ağaç benzeri) bir kural yapısı oluşturulur ve analiz algoritması en önemli koşulların tanımlanmasını sağlar. ve her aşamada aralarındaki geçişler. Bu algoritma en yaygın olarak verilerdeki neden-sonuç ilişkilerinin belirlenmesinde ve davranış kalıplarının tanımlanmasında kullanılır. Karar ağaçlarının tipik bir uygulama alanı, çeşitli risklerin değerlendirilmesidir; örneğin, bir müşteri tarafından bir siparişin kapatılması veya bir rakibe devredilmesi, bir tedarikçi tarafından malların zamanından önce teslim edilmesi veya bir ticari kredinin geç ödenmesi ( Şekil 5). Modelin tipik girdi faktörleri, siparişin miktarı ve bileşimi, karşılıklı ödemelerin mevcut dengesi, kredi limiti, ön ödeme yüzdesi, teslimat koşulları ve tahmin nesnesini karakterize eden diğer parametrelerdir. Yeterli risk değerlendirmesi, bir şirketin faaliyetlerinin getiri/risk oranını optimize etmek için bilinçli kararların alınmasını sağlar ve aynı zamanda çeşitli bütçelerin gerçekçiliğini artırmak için de faydalıdır.

Pirinç. 5. "Karar ağacı" yönteminin kullanılması, model (a)'nın girdi faktörlerine dayanarak, belirli kararları kabul etmenin risklerine ilişkin bir değerlendirme elde edilmesini sağlar. yönetim kararları(B). Algoritmanın neden-sonuç ilişkilerini belirleme yeteneğini gösteren bir örnek, satış departmanının çalışmasını optimize etme görevidir. Bunu çözmek için, satış yöneticilerinin etkinliğinin bir göstergesini, örneğin müşteri başına belirli karlılığı, tahmin edilen bir değer olarak ve faktörler olarak, sonucu potansiyel olarak etkileyen bir dizi veriyi seçeceğiz. Algoritma, etkileyen faktörleri belirleyecektir. en büyük etki sonucun yanı sıra belirli bir sonuca yol açan koşulların tipik kombinasyonları. Ayrıca, “Veri Analizi” alt sistemi, mevcut verilere dayanarak hedef göstergenin beklenen değerlerini tahmin etmenize (tahmin etmenize) ve aynı zamanda sisteme sağlanan göstergeleri değiştirerek bir “ya olursa…” tahmini yapmanıza olanak sağlayacaktır. modeli girişi. Karar ağaçlarını kullanan analiz ve tahmin sonuçları, iş ortamındaki belirsizliğin şirketin durumu üzerindeki etkisini önemli ölçüde azaltabilir ve ayrıca karmaşık ve açık olmayan neden-sonuçların belirlenmesiyle ilgili çok çeşitli sorunları çözebilir. ilişkiler. Karar Ağacı algoritması, belirli kararlara yol açan koşulların neden-sonuç hiyerarşisini oluşturur. Bu yöntemin eğitim örneğine uygulanması sonucunda, "eğer... o zaman..." tipinde bölme kurallarının hiyerarşik (ağaç benzeri) bir yapısı oluşturulur. Analiz algoritması (model eğitimi), en önemli koşulları ve bunlar arasındaki geçişleri belirlemeye yönelik yinelemeli bir sürece indirgenir. Koşullar doğası gereği hem niceliksel hem de niteliksel olabilir ve bu soyut ağacın “dallarını” oluşturur. "Yeşilliği", geçiş koşulları gibi hem niteliksel hem de niceliksel yoruma izin veren, tahmin edilen niteliğin (kararın) değerlerinden oluşur. Faktörlere uygulanan bu koşulların ve bunlar arasındaki geçişlerin yapısının nihai çözüme kadar birleşimi tahmin modelini oluşturur. Bu algoritma, çeşitli olay zincirlerinin sonuçlarının değerlendirilmesinde ve örneklerdeki neden-sonuç ilişkilerinin belirlenmesinde en yaygın hale gelmiştir. Bu algoritmanın modelinin önemi ve güvenilirliği “Basitleştirme türü”, “Maksimum ağaç derinliği” ve “Bir düğümdeki minimum öğe sayısı” parametreleri kullanılarak kontrol edilir. “Karar Ağacı” algoritmasını kullanan örnek analizinin sonuçları:

kararı etkileyen faktörlerin azalan önem sırasına göre sıralanmış bir listesi olan faktörlerin derecelendirilmesi (ağaç düğümlerinde “alıntılar”);
kararların (tahmin sütununun değerleri) ve bunları belirleyen koşulların, diğer bir deyişle “Sonuç-Neden” ağacının karşılaştırılması;
Belirli bir kararı belirleyen koşullar arasındaki geçişlerin bir kümesi olan "Neden-Sonuç" ağacı (esasen tahmin modelinin görsel bir temsili).

Ortak çözümler "1C"

Doğrudan 1C:Enterprise 8.0 platformu çerçevesinde uygulanan işlevlere ek olarak, 1C iş analitiği araçlarının cephaneliği, diğer şeylerin yanı sıra 1C-Joint projesi çerçevesinde oluşturulan özel çözümlerle doldurulmaktadır (http:// v8.1c.ru/ çözümleri) - şirketin ortaklarının ve bağımsız geliştiricilerin katılımıyla (bkz. "1C ve ortaklarının ortak çözümleri", "BYTE / Rusya" No. 9 "2005). Burada aşağıdakilerle ilgili iki ürünü not ediyoruz: akıllı analiz yöntemlerinin kullanımı - Bu "1C:Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Yönetim muhasebesi ve maliyet hesaplaması" (geliştirici ortak - danışmanlık şirketi "VIP Anatech") ve "1C-VIP Anatech-VDGB: ABIS. B.S.C. Balanced Scorecard" (ortak geliştiriciler - VIP Anatech ve VDGB şirketleri).

IAD yöntemlerini kullanmaya yönelik tipik iş senaryoları

PAD belgelerinde "1C: Trade Management 8.0." yapılandırmasıyla ilişkili olarak veri madenciliği kullanımına ilişkin tipik örneklere ayrılmış bir bölüm bulunmaktadır. Burada buna benzer birkaç iş senaryosu sunuyoruz.

Müşteri ilişkileri yönetimi

Senaryo "Planlama" reklam kampanyası" Gelecek reklam kampanyasının planlanması, tahsis edilen bütçenin reklam kanallarına dağılımının, hedef segmentin bölgesel, ürün, müşteri ve diğer göstergelerine ve ayrıca reklam kanallarının bölgedeki etkinliğine göre optimize edilmesi açısından ele alınmaktadır. Daha önceki bazı planlı dönemlerde belirtilen bölümler. Algoritma- "Küme analizi". Tahmin Nitelikleri- Algoritma tarafından tanımlanan koşullu olarak homojen segmentlerin reklam kanalına verilen yanıtların payı. Hesaplanan Sütunlar- her bir reklam kanalının yanıtlarının ve etkinliğinin (sonuç olarak elde edilen gelir açısından) muhtemel payı dikkate alınarak, reklam kanallarının reklam kampanyası bütçesindeki payı. Bir model örneği: P ürün grubunu tercih eden P bölgesinin A sınıfı müşterileri, Y ürün grubunu tercih eden N bölgesinin müşterileri ile aynı reklam kanalından etkilenir.

Tedarik zinciri yönetimi

Senaryo "Ürün grubuna göre tedarikçi seçiminin optimizasyonu" Temel ürün grupları için baskın birinci basamak tedarikçilerin seçimi, özellikle lojistik sisteminin ve genel olarak genel tedarik zinciri yönetim sisteminin istikrara kavuşturulması ve ayrıca tedarik zincirlerinin ortalama süresinin azaltılması açısından son derece önemlidir. Öte yandan, büyük tedarikçilerle daha yakın entegrasyon genellikle mal maliyetlerinde önemli düşüşlere olanak tanır. Bu bağlamda, çeşitli ürün gruplarındaki istikrarlı tedarikçi kombinasyonlarını, gruplarla ilişkili tedarikçilere yönelik analizlerle karşılaştırmalı olarak analiz etmek ilgi çekicidir. Bu, çeşitli ürün gruplarındaki tedarikçilerin "kesişme noktalarını" belirlemenize ve onlarla ilişkileri optimize etmenize olanak tanır. Algoritma- "Dernekleri arayın." Tahmin Nitelikleri- sürdürülebilir tedarikçi kombinasyonları. Ana Faktörler- ürün grupları. Kod çözme- tedarikçilere ilişkin analizler (satın alma hacmi, gelir, teslimat ve ödeme koşulları, sipariş tamamlama süreleri - kötümser, iyimser, ortalama). Bir model örneği:Çok sayıda ürün grubunda büyük ve öngörülemeyen A tedarikçisi ile öngörülebilir orta ölçekli tedarikçi B'nin istikrarlı bir birlikteliği. Rekabetçi ürün grupları için sipariş verirken, büyük bir tedarikçinin sipariş hacmi belirli bir eşiği aşmıyorsa (ölçekte önemli bir kazanç sağlar), orta ölçekli bir tedarikçiyi ana tedarikçi olarak konumlandırmak mümkündür.

Personel Yönetimi

Senaryo: Satış Yöneticilerinin Temel Performans Göstergelerine Göre Profilinin Çıkarılması Yöneticilerin etkinliğinin belirlenmesi (elde tutma, müşteri arama, iletişim verimliliği, koşullu ve koşulsuz alacakların tahsilatı, müşteri başına belirli performans göstergeleri vb.) yalnızca yöneticiler için maddi teşvik sistemi oluşturulması açısından ilgi çekici değildir, aynı zamanda faaliyetlerinin etkin standardizasyon parametreleri açısından da. Algoritma- "Karar ağaçları". Tahmin Nitelikleri- satış departmanının temel performans göstergeleri (kilit müşteri sayısı, kayıp ve satın alma oranları, aylık gelir kaybı, aylık çekilen gelir, müşteri başına aylık gelir, müşterilerden elde edilen toplam gelir vb.). Ana Faktörler- aktif müşteri sayısı, gelir, gelir, müşteri başına özel göstergeler, iletişim verimliliği. Tahmin edici özelliklere bağlı olarak faktörlerin bileşimi önemli ölçüde değişebilir. Bir model örneği: alacakların tahsilatına ilişkin en iyi göstergeleri sağlayan yöneticilerin (DS tahsilatlarının gelire oranı) elde tutma oranı > 0,8'dir; çekim katsayısı > 0,25; eşzamanlı olarak açık olan işlemlerin sayısı 15'ten fazla değil, 10'dan az değildir; olayların günlük yoğunluğu 10'dan fazla değil, 3'ten az değildir; Dönem içindeki aktif müşteri sayısı en az 50, en fazla 100'dür.

Çözüm

Modern iş dünyası o kadar çok yönlüdür ki, belirli bir kararı potansiyel olarak etkileyen faktörlerin sayısı onlarca olabilir. Rekabet her geçen gün artıyor yaşam döngüsüürünler kısalıyor, müşteri tercihleri giderek daha hızlı değişiyor. Bir iş geliştirmek için, hızla değişen iş ortamına mümkün olduğunca dinamik bir şekilde yanıt vermek, gelişmelerin incelikli ve bazen anlaşılması zor kalıplarını hesaba katmak gerekir. Promosyona hangi müşteri grupları yanıt verecek ve hangileri geri dönülmez bir şekilde rakiplere gidecek? Yeni bir iş alanı mı açmalıyım yoksa şimdilik beklemeli miyim? Alıcı ödemede mi gecikecek yoksa tedarikçi sevkiyatta mı gecikecek? Büyüme fırsatları nelerdir ve potansiyel tehditler nerede? Binlerce yönetici her gün kendilerine ve meslektaşlarına bu soruları soruyor. 1C:Enterprise 8.0 platformunda uygulanan veri analizi alt sistemi, kurumsal bilgi sistemi kullanıcılarının önemsiz sorulara hızlı bir şekilde yanıt bulmasına yardımcı olmak ve biriken verilerin otomatik olarak dönüştürülmesini sağlamak için tasarlanmıştır. bilgi sistemi, pratik ve iyi yorumlanabilir kalıplara dönüştürür.

"1C:Enterprise 8.0"da ekonomik ve analitik raporlama

1C:Enterprise 8.0 platformu, etkileşimli belgeler (ve yalnızca basılı formlar) belirli uygulama çözümleri çerçevesinde. Böylece kullanıcı, rapor parametrelerini değiştirmek, yeniden oluşturmak, "kod çözme" (önceden oluşturulmuş bir raporun bireysel öğelerine dayalı ek raporlar elde etmek) vb. dahil olmak üzere herhangi bir ekran formuyla aynı şekilde raporlarla çalışabilir. Buna ek olarak, Görevlere bağlı olarak herhangi bir rastgele rapor oluşturmanıza olanak tanıyan çeşitli evrensel yazılım araçları vardır. Bu aynı zamanda, kullanılan uygulama çözümünün yapısını iyi bilen kullanıcılar (yeterince deneyimli) tarafından da yapılabilir. Aşağıda 1C:Enterprise 8.0'daki ana raporlama araçlarına kısaca bakacağız. İstekler- bu, "1C:Enterprise 8.0" içindeki verilere erişmenin yollarından biridir; bu sayede, belirli koşullara göre, genellikle alınan verilerin en basit işlenmesiyle birlikte veritabanından bilgi alınır: gruplama, sıralama, hesaplamak. Sorguları kullanarak verileri değiştirmek imkansızdır çünkü sorgular başlangıçta büyük miktarda bilgiden hızlı bir şekilde bilgi elde etmek için tasarlandılar. Veritabanı, tek tek veya birden fazla tabloya birlikte erişilebilen, birbirine bağlı tablolardan oluşan bir dizi olarak uygulanır. Geliştirici, kendi algoritmalarını uygulamak için SQL tabanlı ve finansal ve ekonomik sorunların özelliklerini yansıtan birçok uzantı içeren bir sorgulama dili kullanabilir ve uygulama çözümleri oluşturmak için harcanan çabayı azaltabilir. Platform, yalnızca görsel araçları kullanarak doğru sorgu metnini oluşturmanıza olanak tanıyan bir sorgu tasarımcısı içerir (Şekil 6).

Pirinç. 6. Sorgu oluşturucu (a), geliştiricinin sorgu metnini (b) yalnızca görsel yollarla oluşturmasına olanak tanır. elektronik tablo belgesi bir veritabanındaki bilgilerin dinamik olarak okunmasını kullanmak da dahil olmak üzere, bilgileri görselleştirmek ve düzenlemek için güçlü bir mekanizmadır. Bir elektronik tablo belgesi kendi başına kullanılabilir veya uygulama çözümünde kullanılan formlardan herhangi birinin parçası olabilir. Özünde buna benziyor elektronik tablolar(verilerin yerleştirildiği satır ve sütunlardan oluşur), ancak yetenekleri çok daha geniştir. Gruplandırma, şifre çözme ve açıklama işlemlerini destekler. Kullanabileceğiniz bir belgede Farklı türde Grafik diyagramları içeren rapor tasarımı. Tablolu bir belge, çok boyutlu verileri programlı ve etkileşimli olarak sunmak için etkili bir araç görevi gören pivot tabloları içerebilir. Çıkış formu oluşturucusu geliştiricinin raporlar oluşturmasına ve rapor verilerini uygun bir tablo veya grafik biçiminde sunmasına yardımcı olur. Sorgu tasarımcısının tüm özelliklerinin yanı sıra form oluşturma ve özelleştirmeyi de içerir. Rapor Oluşturucu hem programlı hem de etkileşimli olarak dinamik olarak rapor oluşturma yeteneği sağlayan yerleşik dilin bir nesnesidir (Şekil 7). İşlemi, kullanıcıya istek metninde yer alan tüm ana parametreleri etkileşimli olarak yapılandırma fırsatının verildiği bir isteğe dayanmaktadır. Bu sorgunun sonuçları, isteğe bağlı veri kaynaklarından gelen bilgileri de kullanabilen bir elektronik tablo belgesine çıkarılır. Geliştirici, rapor oluşturucu komutlarını kullanarak kullanıcının yapılandırma için kullanabileceği parametreleri değiştirebilir.
Pirinç. 7. Rapor oluşturucunun şeması. Coğrafi şemalar bölgesel referansı olan bilgileri görsel olarak sunmanıza olanak tanır: ülkelere, bölgelere, şehirlere. Veriler üzerlerinde görüntülenebilir Farklı yollar: metin, histogram, renk, resim, çeşitli çap ve renklerde daireler, pasta grafikleri şeklinde. Bu, örneğin bölgelere göre satış hacimlerini grafik biçiminde görüntülemenize olanak tanır. Kullanıcı, görüntülenen diyagramın ölçeğini değiştirebilir, diyagram nesnelerine tıklandığında transkript alabilir ve hatta yeni coğrafi diyagramlar oluşturabilir. Coğrafi diyagram, bir ofise veya bir aracın rotasına giden yol tarifleri gibi belirli coğrafi verileri görüntülemek için de kullanılabilir. Veri madenciliği. Bu mekanizmalar, genellikle büyük miktarda bilginin arkasında gizlenen açık olmayan kalıpların belirlenmesini mümkün kılar. Burada, dünya pratiğinde en büyük ticari dağılıma sahip olan tamamlayıcı bilgi keşfi yöntemlerini kullanıyoruz: kümeleme (nispeten benzer nesnelerin gruplanması), birliktelik araştırması (olay ve nesnelerin kararlı kombinasyonlarının araştırılması) ve karar ağacı (bir neden ve sonuç oluşturma) -belirli kararlara yol açan koşulların etki hiyerarşisi). Sorgu konsolu ve raporlama konsolu. Bu konsolların her ikisi de teknoloji platformunun parçası değildir ancak herhangi bir uygulama çözümünde çalıştırılabilen harici raporlardır. Bir geliştiricinin veya deneyimli bir kullanıcının bir sorgu metni oluşturmasına ve sonuçlarını analiz etmesine veya özel bir rapor oluşturmasına yardımcı olurlar.

Görüntüleme