Список сокращений
Введение
Постановка задачи
Обзор Литературы
Глава 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ФОРМИРОВАНИЯ ПРИБЫЛИ, ВЛИЯНИЕ ФАКТОРОВ НА НЕЁ И РАЗБОР ОСНОВНЫХ МЕТОДОВ ПРОГНОЗА ДАННЫХ
1.1 Основные определения
1.2 Факторы, влияющие на уровень продаж
Глава 2.Обзор алгоритмов и Практическая реализация
2.1 Немного о предприятии
2.2 Обзор применяемых алгоритмов ML
2.2.а Градиентный бустинг: принцип метода и особенности реализации в xgboost
2.2.б Множественная (линейная) регрессия
2.2.в Наивный Байесовский алгоритм
2.2.г Библиотека TensorFl¬ow и Keras
2.3. Вывод формулы…
Глава 3. Анализ результатов и итоговые графики и таблицы
Заключение
Список используемых источников
Переход экономики РФ на формат рыночных отношений и связанное с этим появившееся многообразие форм собственности кардинальным образом поменяли информационную, правовую и экономическую среду функционирования предприятий. Преобразования коснулись всех сторон. В регулировании и ведении бизнеса предприятия обрели независимость, возможность владеть резервами и конечными итогами труда и нести всю полноту экономической ответственности за выбранные решения. В этих условиях процветание и коммерческий успех предприятия во многом зависят от того, какова его эффективность деятельности. Окончательную денежную оценку разных сторон финансовой и производственной деятельности предприятия можно получить на основе совокупности различных показателей, формирующих финансовый результат. Финансовый результат деятельности предприятия характеризуется показателями прибыли (убытка). Без прибыли предприятие не может прогрессировать в рыночной экономике, исключением могут являться организаций, финансируемые за счёт государства или других источников. Следовательно, задача увеличения финансового результата жизненно необходима для хозяйствующего субъекта. Для выявления возможности улучшения финансового положения будет применяться анализ финансовых показателей и по результатам расчётов приниматься экономически обоснованные решения. Благодаря прибыли осуществляется также часть обязательств предприятия перед бюджетом, банками и другими организациями. показывают Степень финансового роста и деловой активности компании характеризуют данные о прибыли.
По прибыли также можно определить уровень отдачи авансированных средств и рентабельность вложений в активы нынешнего предприятия. Уменьшение убытков и максимизация прибыли и будут являться первостепенными задачами предприятия. Для решения данной задачи требуется умение анализировать хозяйственную деятельность организации, владеть знаниями о механизме формирования прибыли; уметь обнаруживать и измерять факторы, оказывающие влияние на конечный итог деятельности и анализировать потенциальный его рост, прогнозировать рост компании в своей сфере. Одним из главных показателей эффективности деятельности предприятия будет являться величина чистой прибыли, характеризующая рентабельность работы компании на российском рынке.
Постановка задачи.
Целью данной работы является построение автоматизированной системы прогнозирования прибыли для предприятия-производителя продуктов питания, используя алгоритмы машинного обучения. Для достижения поставленной цели, необходимо решить следующие задачи:
1) Рассмотреть теоретические основы формирования и
планирования прибыли на предприятии.
2) Изучить существующую литературу по данной теме
3) Проанализировать динамику продаж и выявить
причины увеличения или уменьшения спроса на продукцию
4) Сформулировать факторы, влияющие на прибыль.
5) Выявить лучший алгоритм для прогнозирования прибыли, сравнив
результаты работы нескольких алгоритмов с реальными данными.
6) Оценить перспективы анализа в данной сфере деятельности.
Главными источниками информации для анализа финансовых результатов будут являться данные бухгалтерского учёта и бухгалтерской (финансовой)
отчётности.
Степень решённости проблемы. На текущее состояние есть множество исследований, которые охватывают широкую проблематику, начиная от теоретических проблем методологии построения алгоритмов и заканчивая проблемами прикладного порядка. Т.к. эта область будет находиться на стыке нескольких областей, таких как математика, программирование и экономика, то имеется возможность применения смежных областей знаний. Могу сказать, что при весьма обширном освещении этой темы, комплексных работ, хорошо раскрывающих полный процесс от формирования теоретической модели, до конечного программного продукта практически нет.
Предметом исследования являются процессы планирования и
формирования прибыли на предприятии.
Обзор литературы
В данной работе будет рассматриваться применение классификаторов машинного обучения для анализа «сырых» данных и составления прогноза прибыли определённого предприятия.
В книге [1] СОДЕРЖИТСЯ информация о методах формирования выборки для обучения, а также подробно описывается структуры нейросети. В книге [4] раскрывается понятие прибыли предприятия, а также её составляющей в виде чистой прибыли организации. В курсе лекций Воронцова [5] представлены теоретические описания алгоритмов и методов обучения.
В книге [7] рассмотрены основные преимущества применения к вычислениям языка Python, подробно описан модуль Scikit-learn и библиотеки, содержащиеся в нем: matplotlib (библиотека для рисования графиков в Python), NumPy - средство интеллектуальной обработки данных. В книгах [10] и [14] рассматривается алгоритм Tensorflow c подключаемой библиотекой Keras. В них представлен принцип работы алгоритма от Google и его основные преимущества, по сравнению с остальными классификаторами. В книге [7] рассказывается о принципе работы многомерной регрессии. Детально описывается каждый шаг в прогнозе таким методом.
В соответствии с поставленной целью мною была разработана и протестирована автоматизированная система прогнозирования прибыли для предприятия пищевой промышленности, которая содержит 4 алгоритма классификации на основе машинного обучения. Также в этой работе приведено сравнение эффективности каждого из протестированных алгоритмов. Предварительно тщательно изучив каждый из алгоритмов MachineLearningвыявлены плюсы и минусы каждого и объяснено почему выбраны именно они. Были рассмотрены получившиеся результаты работы и сказано почему получились такие итоговые показатели.
Возможным направлением для дальнейшей работы может быть проведена дальнейшая разработка и улучшение программы для точного прогнозирования прибыли, а также убытков предприятия на долгосрочный период. Также в дальнейшем будет осуществляться доработка программы в таком ключе, чтобы пользователь мог вводить желаемую величину прибыли, а программа могла бы на основе предыдущего обучения выводить величину каждого фактора, чтобы осуществить потребность пользователя.
1. C.Осовский. Нeйронные сети для обрабoтки инфoрмации. Финанcыи Cтатистика,2004.
2. GооgleRеsearchTeam. Tеnsorflow: Large-scale machine learning on heterogeneousdistributedsystems.arXiv:1603.04467[cs.DC],2016.
3. M.Sсhrimpf.Shouldiusetеnsorflow? arXiv:1611.08903 [cs.LG],2016.
4. Вакуленко Т.Г., Фомина Л.В. Анaлиз бухгалтерской (финансовой) отчетности для принятия управленческих решений. – Спб.: «Издательский Торговый Дом «Герда», 1999 – 160 с.
5. Машинное обучение (курс лекций, К.В.Воронцов) 2009.
6. Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006.
7. Коэльо Л.П., Ричарт В. Построение систем машинного обучения на языке Python. 2016.
8. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2014.
9. C. Manning and R.Socher. Лекции Стэнфордского университета по курсу “natural language processing with deeplearning”. http://web.stanford.edu/class/cs224n/.
10. Hello, TensorFlow. Библиотека машинного обучения от Google
11. Хейдт М. Изучаем pandas.
12. Hastie T.,Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction.
13. Кристофер Д. Мэннинг, Прабхакар Р, Х. Шютце. Введение в информационный поиск.
14. Джулли А., Пал С. Библиотека Keras — инструмент глубокого обучения.
15. Любушин Н.П. Комплексный экономический анализ хозяйственной деятельности / Н.П.Любушин. – 3-е изд. – М.: ЮНИТИ-ДАНА, 2006. – 448 с.
16. Экономический анализ активов организации / под ред. Д.А. Ендовицкого. – М.: Эксмо, 2009. – 608 с.
17. Tianqi Chen, C.Guestrin. XGBoost: A Scalable Tree Boosting System. 2016