Современные информационные технологии/3. Программное обеспечение

Костюченко Г.Л., Ашарчук Л.М.

Белорусский торгово-экономический университет

потребительской кооперации, Беларусь

Использование аналитической платформы Deductor

в торговле

Применение информационных технологий во многом предопределяет успешность развития торговой организации.

Рассматриваемая аналитическая платформа Deductor является основой для создания законченных прикладных решений в области анализа данных.

Deductor состоит из нижеперечисленных интегрированных модулей.

Deductor Warehouse – многомерное хранилище данных, предназначенное для решения задачи консолидации информации из множества источников. Торговые организации, как правило, имеют сложную территориально распределенную структуру. Использование единого хранилища обеспечивает простой и прозрачный доступ к данным, контроль целостности и непротиворечивости информации, высокую скорость обработки.

Deductor Studio – аналитическое приложение, позволяющее пройти все этапы построения прикладного решения: импорт, обработку, визуализацию и экспорт данных.

На этапе импорта пользователь может выбрать данные, соответствующие условию задачи. Например, данные о товаре, клиенте и др.

Обработка данных выполняется по следующим алгоритмам:

· Очистка данных ‑ заполнение пропусков, редактирование аномалий, сглаживание, очистка от шумов, обнаружение дубликатов и противоречий, факторный и корреляционный анализ, фильтрация. Использование неочищенных данных может привести к выявлению ложных закономерностей, ошибочным прогнозам и неверным управленческим решениям.

· Трансформация данных позволяет решить промежуточные задачи (разбиение даты, квантование, замена данных, группировка, сортировка, преобразование даты, слияние). Например, оперативный анализ торговых процессов чаще всего проводят по заданным периодам.

· Data Mining ‑ моделирование, интеллектуальный анализ данных. К обработанным данным применяется широкий спектр самообучающихся алгоритмов анализа (линейная регрессия, автокорреляция, нейросеть, дерево решений, карта Кохонена, прогнозирование, ассоциативные правила). Модель имитирует некоторый процесс, например, изменение объема продаж некоторого товара, прогнозирование спроса и т.п.

· Анализ данных в Deductor Studio базируется на построении сценариев обработки. Последовательность действий отображается сценарием. Сценарии показаны в виде дерева с пояснительным текстом, что помогает проследить логику сценария и особенности его реализации.

Deductor Viewer является средством тиражирования знаний для конечных пользователей, которым не требуется знать механизм получения результатов. Полученные результаты можно просмотреть различными способами, начиная от таблиц и диаграмм до многомерных кубов и специализированных визуализаторов (что-если, дерево правил, дерево решений, таблица сопряженности).

Deductor Server – сервер удаленной аналитической обработки. Результаты обработки могут быть выгружены во множество приемников данных. Таким образом, обработанная и проанализированная информация попадает в бизнес-приложения, офисные программы и прочее.

Идеи, реализованные в Deductor, с успехом используются для решения самых разнообразных аналитических задач в оптовой и розничной торговле.

Многомерное хранилище данных позволяет организовать централизованное хранение данных, поступающих из различных подразделений, проводить необходимую предобработку и очистку данных.

Можно извлечь нужную информацию из хранилища, указав признаки и просмотреть результаты при помощи кросс-таблицы и кросс-диаграммы.

В Deductor имеются самообучающиеся алгоритмы для построения прогностических моделей, инструменты для работы с временными рядами. Наличие прогноза позволяет производить закупки в нужном объеме и в нужное время.

В Deductor включены самообучающиеся механизмы для сегментации, позволяющие учесть разнородные факторы, влияющих на поведение клиентов.

Знание предпочтений клиентов позволяет корректировать в соответствии с этим свою политику по отношению к ним.

Одним из методов стимулирования продаж является поиск ассоциативных связей между различными товарами, т.е. определение с какой вероятностью покупатель приобретет товар А, если до этого приобрел товар В.

В Deductor реализованы методы машинного обучения, автоматически выделяющие наиболее значимые факторы, извлекающие правила из данных и представляющие их в удобном для интерпретации иерархическом виде. Информация такого рода позволяет эффективнее строить рекламную компанию, грамотно проводить позиционирование.

Аномалии в поведении клиентов или сотрудников могут сигнализировать о возможных проблемах, например, о случаях воровства, мошенничестве. В Deductor включены механизмы, позволяющие строить модели наиболее характерного развития ситуации и автоматически выявлять случаи аномальных отклонений от стандартного поведения.

Для обеспечения бесперебойности продаж необходимо проводить мониторинг складских остатков, получая стандартные отчеты о наличии товара на складе с возможностью обработки нерегламентированных запросов.

Выше описана небольшая часть задач, которые можно решить с использованием аналитической платформы Deductor. В действительности список решаемых задач значительно шире.

Реализованная в Deductor архитектура позволяет добиться максимальной гибкости при создании законченного решения. Это позволяет собрать в одном аналитическом приложении все необходимые инструменты анализа и реализовать автоматическое выполнение подготовленного сценария (рис.1).

Например, нужно сделать прогноз объемов продаж на следующий месяц для магазина розничной торговли. Качественный прогноз является первым шагом в решении множества бизнес-задач: оптимизации закупок, распределении ресурсов, бюджетировании.

Первым шагом будет сбор истории продаж в каждом отделе магазина и объединение ее в общую выборку данных. Обычно в программу загружаются не все данные, а необходимые для дальнейшего анализа. После получения выборки можно получить статистику по ней, просмотреть данные на диаграммах.

Рис.1. Пример сценария прогноза модели на основе нейросети.

На следующем шаге принимается решение о необходимости предобработки данных. Например, применить фильтрацию для устранения пустых значений, выполнить преобразование даты, группировку по кварталам, сглаживание кривой продаж.

Нахождение линейной автокорреляционной зависимости применяется для определения периодичности (сезонности) при обработке временных рядов.

Далее следует построить модель зависимости объемов продаж от выбранных факторов. Это можно сделать с помощью линейной регрессии или нейронных сетей. Имея такую модель, можно получить заданный прогноз. Зная прогнозное значение, его можно использовать, например, для планирования закупок товара.

Deductor объединяет все необходимые для анализа инструменты, представляет пользователям огромные возможности:

· Единое хранилище данных;

· Мощная аналитическая платформа;

· Современные самообучающиеся механизмы анализа;

· Единый пользовательский интерфейс для любых механизмов анализа;

· Пакетное выполнение сценариев обработки;

· Отделение работы аналитика от конечного пользователя.

Литература:

1. Матвеев, М.Г. Модели и методы искусственного интеллекта. Применение в экономике: учебное пособие / М.Г. Матвеев, А.С. Свиридов, Н.А. Олейникова. – М.: Финансы и статистика; ИНФРА-М, 2008. – 448 с.

2. Романов, В.П. Интеллектуальные информационные системы в экономике. Учебное пособие / Под ред. д.э.н., проф. Н. П. Тихомирова. — М.: Издательство «Экзамен», 2003. — 496 с.

3. Компания BaseGroup Labs. Deductor. Руководство аналитика. Версия 5.2. б.м. : BaseGroup Labs, 2010.