📄Работа №206320
Тема: РАЗРАБОТКА ПОДСИСТЕМЫ ПРОГНОЗИРОВАНИЯ СПРОСА НА ТОВАРЫ РОЗНИЧНОЙ СЕТИ
Тип работы
Дипломные работы, ВКР
Предмет
Информационные системы
Объем:
72 листов
Год:
2020
Просмотров:
30
4375
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 5
1 АНАЛИТИЧЕСКАЯ ЧАСТЬ 9
1.1. Технико-экономическая характеристика предметной области 9
1.1.1 Характеристики временного ряда продаж товаров розничной сети 9
1.1.1. Компоненты временного ряда продаж 9
1.1.2. Дополнительные факторы, оказывающие влияние на временной ряд
продаж 10
1.2 Данные. Подготовка и препроцессинг 11
1.1.1. Восстановление данных по статистике 12
1.1.2. Очистка данных от выбросов 14
1.3 Построение прогноза и выбор оптимальной модели 18
1.1.3. Кластеризация временных рядов 20
1.1.4. Определение метода построения прогноза 22
1.4 Анализ информационной системы организации 25
1.5 Постановка задач для новой подсистемы и прогнозного модуля ... 27
1.6 Анализ существующих автоматизированных систем
прогнозирования спроса 30
1.1.5. SAP F&R 30
1.1.6. Symphony RetailAI 32
1.1.7. Сравнительная таблица продуктов и оценка актуальности внутренней
разработки 33
ВЫВОДЫ ПО РАЗДЕЛУ 1 34
2 РАЗРАБОТКА ПОДСИСТЕМЫ 35
2.1 Выбор средств реализации программного продукта 35
2.2 Выбор дополнительных библиотек для обеспечения требуемого
функционала 37
2.3 Построение модели базы данных проекта 38
2.3 Описание таблиц базы данных 40
2.4 Реализация алгоритмов формирования прогнозов 42
2.5 Реализация пользовательского интерфейса 49
2.5.1 Форма мониторинга 49
2.5.2 Форма загрузки коэффициентов 52
2.5.3 Форма настройки исключающих периодов 53
Выводы по разделу 54
3 ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКИЙ РАЗДЕЛ 54
ЗАКЛЮЧЕНИЕ 57
4 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 58
ПРИЛОЖЕНИЕ А 59
ПРИЛОЖЕНИЕ Б
1 АНАЛИТИЧЕСКАЯ ЧАСТЬ 9
1.1. Технико-экономическая характеристика предметной области 9
1.1.1 Характеристики временного ряда продаж товаров розничной сети 9
1.1.1. Компоненты временного ряда продаж 9
1.1.2. Дополнительные факторы, оказывающие влияние на временной ряд
продаж 10
1.2 Данные. Подготовка и препроцессинг 11
1.1.1. Восстановление данных по статистике 12
1.1.2. Очистка данных от выбросов 14
1.3 Построение прогноза и выбор оптимальной модели 18
1.1.3. Кластеризация временных рядов 20
1.1.4. Определение метода построения прогноза 22
1.4 Анализ информационной системы организации 25
1.5 Постановка задач для новой подсистемы и прогнозного модуля ... 27
1.6 Анализ существующих автоматизированных систем
прогнозирования спроса 30
1.1.5. SAP F&R 30
1.1.6. Symphony RetailAI 32
1.1.7. Сравнительная таблица продуктов и оценка актуальности внутренней
разработки 33
ВЫВОДЫ ПО РАЗДЕЛУ 1 34
2 РАЗРАБОТКА ПОДСИСТЕМЫ 35
2.1 Выбор средств реализации программного продукта 35
2.2 Выбор дополнительных библиотек для обеспечения требуемого
функционала 37
2.3 Построение модели базы данных проекта 38
2.3 Описание таблиц базы данных 40
2.4 Реализация алгоритмов формирования прогнозов 42
2.5 Реализация пользовательского интерфейса 49
2.5.1 Форма мониторинга 49
2.5.2 Форма загрузки коэффициентов 52
2.5.3 Форма настройки исключающих периодов 53
Выводы по разделу 54
3 ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКИЙ РАЗДЕЛ 54
ЗАКЛЮЧЕНИЕ 57
4 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 58
ПРИЛОЖЕНИЕ А 59
ПРИЛОЖЕНИЕ Б
📖 Аннотация
В данной работе разрабатывается подсистема прогнозирования спроса для крупной розничной сети с целью оптимизации управления товарными запасами. Актуальность исследования обусловлена необходимостью решения проблемы дисбаланса запасов, выражающейся в высоких уровнях списаний и случаев отсутствия товара в наличии (OOS), что напрямую влияет на финансовые результаты компании. Основной вывод заключается в том, что повышение точности прогнозов требует применения гибкого подхода, основанного на кластеризации товарного ассортимента по таким признакам, как оборачиваемость и волатильность спроса, с последующим подбором оптимальной прогнозной модели для каждой группы. Практическая значимость работы заключается в создании универсальной, интегрируемой в ERP-системы и расширяемой подсистемы с удобным интерфейсом, что позволяет снизить логистические издержки и повысить удовлетворенность покупателей. Научная ценность состоит в адаптации и комбинировании методов анализа временных рядов и машинного обучения к задачам розничной торговли. Теоретической основой послужили классические работы по анализу временных рядов (Бокс, Дженкинс), современные руководства по data science (Плас, Брюс), а также исследования в области розничной торговли (Селезнева).
📖 Введение
Объектом исследования выпускной квалификационной работы является крупное предприятие розничной и оптовой торговли, имеющее несколько десятков розничных точек продаж и насчитывающее в товарном ассортименте десятки тысяч SKU. В условиях рыночной экономики организация стремится повысить свою эффективность, конкурентоспособность продукции и услуг на основе внедрения достижений научно-технического прогресса, эффективных форм управления финансами, частью чего является правильное управление товарными запасами. Основными инструментами такого управления являются:
- Формирование прогноза продаж высокой точности
- Настройка бесперебойной складской логистики
- Формирование бизнес-решений по выбору уровня запасов, позволяющего эффективно балансировать риски дефицита и задержек поставок, а также издержки хранения излишков.
Анализ динамики уровня КР12показателей компании в совокупности с оценкой метрики качества прогноза продаж позволяет сделать вывод об эффективности управления товарными запасами .
В данный момент компания оценивает неудовлетворительными такие показатели, как OOS Uуровень списаний в рублях в разрезе отдельных категорий товаров. Данную ситуацию можно интерпретировать следующим образом :одни товары конкретной товарной категории закупаются с избытком и списываются, другие товары той же категории закупаются с нехваткой и спрос не покрывается полностью. Причиной может являться некорректность прогноза в одном или нескольких параметрах: прогноз не гибко реагирует на изменение трендов, отсутствует корректный расчет сезонности, прогноз не учитывает факторы, которые влияют на спрос и т.п.
Так как при условии наличия OOS, оценка качества прогноза продаж современными метриками некорректна (спрос всегда равен прогнозу, что соответствует 100% качеству прогноза), оценку можно произвести визуально. На рисунке 1 представлен график сравнения прогнозов и фактических продаж товара.
Как видно на графике, текущая динамика прогноза недостаточно соответствует реальной динамике продаж, что требует детального анализа данных компании, поиска причин и их устранения.
В настоящее время существует несколько стандартов анализа данных, которые рассматривают организацию процесса и разработку систем DataMining :
- KDD Process
- CRISP-DM
- SEMMA
Каждый из приведенных стандартов описывает фазы анализа данных.
Выбор стандарта зависит от предметной области исследования и поставленных задач на анализ. Для дальнейшего анализа данных выбран стандарт CRISP-DM, так как важное свойство данной методологии - уделение внимания бизнес-целям компании. Это позволяет руководству воспринимать проекты по анализу данных не как «песочницу» для экспериментов, а как полноценный элемент бизнес - процессов компании. Методология не является жесткой. Она допускает вариацию в зависимости от конкретного проекта - можно возвращаться к предыдущим шагам, можно какие-то шаги пропускать, если для решаемой задачи они не важны. Фазы анализа данных приведены на рисунке 2.
Согласно CRISP-DM, аналитический проект состоит из шести основных этапов, выполняемых последовательно:
1) Бизнес-анализ (Businessunderstanding)
2) Анализ данных (Dataunderstanding)
3) Подготовка данных (Datapreparation)
4) Моделирование (Modeling)
5) Оценка результата (Evaluation)
6) Внедрение(Deployment)
Целью бизнеса является улучшение показателей КР1компании, поддержка высокого уровня лояльности клиентов к розничной сети.
В соответствии с поставленной бизнес-целью сформулированы следующие цели и задачи проекта:
- Изучение предметной области, исследование временных рядов продаж розничной сети.
- Сбор и систематизация информации, хранящейся в ERP.
- Анализ существующих разработок для решения поставленной цели бизнеса.
- Разработка оптимального алгоритма построения прогноза
- Определение списка задач для автоматизации.
- Разработка информационного обеспечения задачи.
- Разработка программного проекта решения задачи.
- Тестирование полученного проекта, устранение недостатков.
Оценка актуальности разработки данного проекта включает в себя несколько пунктов.
- Оценку скорости расчета прогнозов.
- Оценку качества используемых методов.
- Оценку функционала для управления процессом пополнения товарного запаса.
- Оценку скорости и трудозатрат на настройку системы.
- Оценку затрат на внедрение разработки.
- Формирование прогноза продаж высокой точности
- Настройка бесперебойной складской логистики
- Формирование бизнес-решений по выбору уровня запасов, позволяющего эффективно балансировать риски дефицита и задержек поставок, а также издержки хранения излишков.
Анализ динамики уровня КР12показателей компании в совокупности с оценкой метрики качества прогноза продаж позволяет сделать вывод об эффективности управления товарными запасами .
В данный момент компания оценивает неудовлетворительными такие показатели, как OOS Uуровень списаний в рублях в разрезе отдельных категорий товаров. Данную ситуацию можно интерпретировать следующим образом :одни товары конкретной товарной категории закупаются с избытком и списываются, другие товары той же категории закупаются с нехваткой и спрос не покрывается полностью. Причиной может являться некорректность прогноза в одном или нескольких параметрах: прогноз не гибко реагирует на изменение трендов, отсутствует корректный расчет сезонности, прогноз не учитывает факторы, которые влияют на спрос и т.п.
Так как при условии наличия OOS, оценка качества прогноза продаж современными метриками некорректна (спрос всегда равен прогнозу, что соответствует 100% качеству прогноза), оценку можно произвести визуально. На рисунке 1 представлен график сравнения прогнозов и фактических продаж товара.
Как видно на графике, текущая динамика прогноза недостаточно соответствует реальной динамике продаж, что требует детального анализа данных компании, поиска причин и их устранения.
В настоящее время существует несколько стандартов анализа данных, которые рассматривают организацию процесса и разработку систем DataMining :
- KDD Process
- CRISP-DM
- SEMMA
Каждый из приведенных стандартов описывает фазы анализа данных.
Выбор стандарта зависит от предметной области исследования и поставленных задач на анализ. Для дальнейшего анализа данных выбран стандарт CRISP-DM, так как важное свойство данной методологии - уделение внимания бизнес-целям компании. Это позволяет руководству воспринимать проекты по анализу данных не как «песочницу» для экспериментов, а как полноценный элемент бизнес - процессов компании. Методология не является жесткой. Она допускает вариацию в зависимости от конкретного проекта - можно возвращаться к предыдущим шагам, можно какие-то шаги пропускать, если для решаемой задачи они не важны. Фазы анализа данных приведены на рисунке 2.
Согласно CRISP-DM, аналитический проект состоит из шести основных этапов, выполняемых последовательно:
1) Бизнес-анализ (Businessunderstanding)
2) Анализ данных (Dataunderstanding)
3) Подготовка данных (Datapreparation)
4) Моделирование (Modeling)
5) Оценка результата (Evaluation)
6) Внедрение(Deployment)
Целью бизнеса является улучшение показателей КР1компании, поддержка высокого уровня лояльности клиентов к розничной сети.
В соответствии с поставленной бизнес-целью сформулированы следующие цели и задачи проекта:
- Изучение предметной области, исследование временных рядов продаж розничной сети.
- Сбор и систематизация информации, хранящейся в ERP.
- Анализ существующих разработок для решения поставленной цели бизнеса.
- Разработка оптимального алгоритма построения прогноза
- Определение списка задач для автоматизации.
- Разработка информационного обеспечения задачи.
- Разработка программного проекта решения задачи.
- Тестирование полученного проекта, устранение недостатков.
Оценка актуальности разработки данного проекта включает в себя несколько пунктов.
- Оценку скорости расчета прогнозов.
- Оценку качества используемых методов.
- Оценку функционала для управления процессом пополнения товарного запаса.
- Оценку скорости и трудозатрат на настройку системы.
- Оценку затрат на внедрение разработки.
✅ Заключение
При современных условиях функционирования рыночной экономики, невозможно успешно управлять коммерческой фирмой, без эффективного прогнозирования её деятельности. От того на сколько прогнозирование будет точным и своевременным, а также соответствовать поставленным проблемам, будут зависеть, в конечном счете, показатели прибыли, получаемой предприятием. Для улучшения качества прогноза необходимо улучшать качество информации, необходимой при его разработке. Эта информация, в первую очередь, должна обладать такими свойствами, как достоверность, полнота, своевременность и точность.
Результаты проведенного исследования позволили сделать следующие выводы.
При прогнозировании спроса в розничных сетях для более высокой точности необходимо применять и тестировать несколько методов, моделей и подходов в каждой категории или группе товаров, выбирая наилучшую модель. Товары для этого можно кластеризовать, например, по их оборачиваемости, сроку годности, разбросу дисперсии и так далее. Также товары можно кластеризовать в зависимости от влияющих на спрос критериев (цена, погодные условия и т.п).
Цели, поставленные для данного проекта достигнуты. Достоинствами разработанной подсистемы являются:
- Универсальность. Данные алгоритмы легко внедряются в любые коммерческие организации
- Удобность использования, простой и понятный интерфейс
- Интегрируемость с современными ERP
- Расширяемость системы. При необходимости в систему можно добавлять новые методы расчетов
Результаты проведенного исследования позволили сделать следующие выводы.
При прогнозировании спроса в розничных сетях для более высокой точности необходимо применять и тестировать несколько методов, моделей и подходов в каждой категории или группе товаров, выбирая наилучшую модель. Товары для этого можно кластеризовать, например, по их оборачиваемости, сроку годности, разбросу дисперсии и так далее. Также товары можно кластеризовать в зависимости от влияющих на спрос критериев (цена, погодные условия и т.п).
Цели, поставленные для данного проекта достигнуты. Достоинствами разработанной подсистемы являются:
- Универсальность. Данные алгоритмы легко внедряются в любые коммерческие организации
- Удобность использования, простой и понятный интерфейс
- Интегрируемость с современными ERP
- Расширяемость системы. При необходимости в систему можно добавлять новые методы расчетов
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.