CC BY
65
ТЕХНИЧЕСКИЕ И ЕСТЕСТВЕННЫЕ НАУКИ
УДК 004.09
К. О. Андросова, В. Ю. Ганюков
АНАЛИЗ ПРОДАЖ АВТОМОБИЛЬНОГО ДИЛЕРСКОГО ЦЕНТРА НА ОСНОВЕ ТЕХНОЛОГИИ BUSINESS INTELLIGENCE
Растущие объемы продаж повышают значимость средств анализа, большая часть которых построена на принципах Knowledge Discovery in Databases, в связи с чем возникает проблема выбора оптимальных схем хранения и обработки OLAP-кубов. Представлена структура аналитической системы дилерского центра автомобилей. Разработана структура хранилища данных и комплекс моделей процесса анализа продаж дилерского автоцентра. Сформулирована методика анализа продаж дилерского центра автомобилей.
Ключевые слова: дилерский центр, интеллектуальный анализ, продажи, Data Mining, сегментация данных, нейронная сеть.
Введение
Сложная экономическая ситуация в России, снижение доходов населения привели в последние годы к падению продаж новых и подержанных автомобилей на 45 и 19 % соответственно. По данным консалтингового агентства «PricewaterhouseCoopers», при текущих ценах на нефть восстановление российского рынка автомобилей может растянуться на 7 лет, однако уже в 2017 г. рост продаж легковых автомобилей в России может вырасти до 11 % [1]. Многие автомобильные дилерские центры в таких нестабильных условиях вынуждены диверсифицировать свою деятельность и отказаться от реализации новых автомобилей, перейдя на реализацию запасных частей для подержанных машин.
В сложившихся условиях становится особенно актуальным отслеживать тенденции спада или роста в деятельности автоцентра, выявлять перспективные и бесперспективные виды комплектующих, а также такие товары, для продвижения которых на рынок следует приложить определенные усилия [2]. Проведение интеллектуального анализа данных позволяет формировать конкретные и целенаправленные управленческие решения в части повышения синергетического эффекта продаж товаров [3], что особенно важно в современных экономических условиях [4].
Этапы построения анализа продаж дилерского автоцентра
Для анализа продаж дилерского автоцентра предложена методика на основе подхода Knowledge Discovery in Databases (KDD) - извлечение знаний из баз данных. Она описывает последовательность действий, которую необходимо выполнить для обнаружения полезного знания. Подход KDD включает в себя этапы подготовки данных, выбора информативных признаков, построения моделей, постобработки и интерпретации полученных результатов [5, 6]. Ядром этого процесса являются методы Data Mining, которые позволяют обнаруживать закономерности и знания. Рассмотрим последовательность этапов анализа продаж дилерского центра автомобилей.
Этап 1. Формирование информационной базы для проведения анализа, включая проектирование хранилища данных и извлечение данных из корпоративной системы дилерского автоцентра.
Этап 2. Предобработка информационной базы и трансформация данных (приведение типов, выделение временных интервалов, сортировка, группировка).
Этап 3. Построение моделей анализа данных, разработка сценариев обработки с помощью методов Data Mining.
Этап 3.1. Сегментация абонентской базы алгоритмом Кохонена: обучение нейронной сети, установка и настройка входных полей, настройка параметров, определение весов входящих нейронов, выявление нейронов-победителей, вычисление нового состояния весов, завершение обучения сети, получение карт Кохонена.
Этап 3.2. Прогнозирование продаж: группировка данных, метод скользящего окна, построение нейросети.
Этап 3.3. Совмещенный ABC-XYZ-анализ (выборка данных, группировка, сортировка, нахождение доли в общем объеме продаж, доли с накопительным итогом, стандартного отклонения, коэффициента вариации, объединение методов).
Этап 4. Проверка модели на адекватность: если модель адекватна и применима для данного исследования, тогда выполняется следующий шаг (этап 5); если модель не применима, тогда выясняется, достаточно ли данных для анализа. Если данных недостаточно, тогда выполняется переход на первый шаг алгоритма и дополняются или изменяются исходные данные.
Этап 5. Интерпретация: полученная информация в виде графиков прогноза, таблиц OLAP-анализа и диаграмм передается экономическому отделу дилерского автоцентра для изучения и принятия управленческих решений.
Для обеспечения эффективности формирования и принятия управленческих решений служат системы интеллектуального анализа данных - BI-системы (Business Intelligence) [7, 8]. BI-система представляет собой совокупность взаимосвязанных по целям, параметрам и условиям задач, методов (методик), программных средств и технических систем, позволяющих формировать в автоматизированном режиме набор отчетных форм, которые содержат информацию для принятия управленческих решений и/или варианты таких решений. Deductor является основой для создания законченных BI-систем, в том числе и для анализа продаж [9].
Архитектура аналитической системы дилерского автоцентра
Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов. Архитектура аналитической системы дилерского автоцентра на базе Deductor включает в себя следующие компоненты: источники данных о продажах, хранилище данных, хранилище моделей и модули визуализации и составления отчетов (рис. 1).
Рис. 1. Архитектура аналитической системы дилерского автоцентра
Внедрение технологий интеллектуального анализа данных на основе платформы Deductor сводит задачи аналитика к корректному выбору сценария обработки данных, а выполнение и формирование отчетов перекладываются на аналитическую платформу Deductor [10]. Важной задачей для реализации этих этапов становится формирование хранилища данных, пополнение
которого происходит периодически из различных внешних источников, в том числе из статистических отчетов. Структура хранилища данных «Analysis» включает информацию о продажах по кварталам (рис. 2).
(3 DW Firebird [Analysis] DDW2 В dD Кубы
РП Продажи за первые 3 месяца р1
РП Продажи за 2 квартал р4
Ш Продажи за 3 квартал рЗ
Ш Продажи за 4 квартал р5 В |в) Процессы
В Щ) Продажи рО [?П Атрибуты В Ги1 Измерения
Дата Щ а2
^ Клиент.Код 12 d1
Товар.Код 12 d3 В 21] Факты
[Щ Количество 9.0 fO
ЬдЦиДЯВЯ 9.0 П В ful Измерения
Ш Дата Ш а2_1
В Товар.Код 12 d2
±} Клиент.Код 12 d0
В Группа. Код 12 d4
В Возраст 12 d7
Рис. 2. Семантический слой хранилища данных «Analysis»
Входные данные импортируются из «1С: Предприятие» и представляют следующие сущности: товар, клиент, поставщик, продажи, договор с поставщиком, автомобили, комплектация. Основными документами аналитического приложения являются таблицы «Продажи», «Договор с поставщиком» и «Клиент». Документ «Продажи» содержит информацию о продажах по клиенту и дате покупки. В процессе работы информация данной таблицы интегрируется с таблицами «Товар», «Клиент» и «Поставщик» для построения прогноза и анализа продаж. Документ «Номенклатура товара» содержит информацию о товаре, о его группе. Информация данной таблицы интегрируется с таблицами «Товар» и «Продажи» в процессе извлечения знаний из хранилища данных. Документ «Клиент» содержит информацию о клиентах, которые проходят сервисное обслуживание в автоцентре. Обмен сообщениями между отдельными объектами аналитической системы в рамках одного прецедента продемонстрирован на диаграмме взаимодействия (рис. 3).
Рис. 3. Диаграмма взаимодействия
Следующая задача - загрузка данных в измерение с помощью «мастера экспорта». Сценарий загрузки имеет древовидную форму, его узлами является последовательность таких операций, как импорт данных из внешних источников; экспорт данных в измерения с атрибутами, начиная с самого верхнего уровня иерархии; экспорт данных в процессы. Фрагмент сценария загрузки изображен на рис. 4.
(3 Загрузка данных в Хранилище данных - 00\*/2 : Распределение товара на группы
(3 Загрузка данных в Хранилище данных - 00\*/2 : Номенклатура товара
(3 Загрузка данных в Хранилище данных • 00\*/2 : Продажи 2016 3 Загрузка данных в Хранилище данных • 00\*/2: Прогноз на последний квартал
Рис. 4. Экспорт в хранилище данных
Важнейшим компонентом аналитической системы является совокупность математических моделей [11, 12]. Совокупность моделей аналитического приложения дилерского автоцентра включает модели сегментации клиентов, прогнозирования, а также совмещенного ABC-XYZ-анализа. Одним из классических способов оптимизации работы с клиентами является их кластеризация (сегментация) - разбиение на достаточно однородные группы, выявление особенностей каждого сегмента, формирование предложений с учетом выявленных закономерностей [13]. Deductor включает в себя алгоритмы, позволяющие проводить качественную кластеризацию с учетом влияния разнородных факторов.
Кластеризация данных в аналитическом приложении дилерского автоцентра осуществляется по возрасту и объему покупок клиентами в узле «Кластеризация клиентской базы» (рис. 5).
9 9 Кластеризация клиентской базы
Ё Н Преобразование даты (Клиент.Код I Дата рождения: Год)
В {1 Группировка (Измерения: Возраст; Факты: Количество I Сумма) В Внешнее левое соединение (Калькулятор: Возраст)
Рис. 5. Узел «Кластеризация клиентской базы»
С помощью обработчика «Калькулятор» обрабатывается информация о возрасте клиента и определяется его возрастная группа. На основе построенной карты Кохонена (рис. 6) строится кросс-диаграмма (рис. 7), на которой показана зависимость продаж от возрастной группы клиента.
Для анализа товаров по группе данные группируются с измерениями (Товар. Код, Товар. Наименование) и фактами (Возрастная группа, Количество единиц продаж) и визуализируются в ОЬЛР-отчет в виде кросс-диаграммы. Информация в дальнейшем может использоваться для разработки маркетинговых акций, направленных на определенные группы клиентов; предотвращения оттока клиентов в другие компании.
Рис. 6. Карта Кохонена
Рис. 7. Кросс-диаграмма на основе карты Кохонена
Для построения прогноза продаж на определенное время вперед использован метод скользящего окна [14]. Основная идея метода состоит в замене факторов уравнения исследуемого временного ряда их средними значениями, поглощающими случайные колебания. Метод предоставляет прогноз у\ в виде среднего значения т предыдущих наблюдаемых значений:
i+(m+1)/2
I
X j
У г
j=i-(m-1)/2
m
где m - размер окна; x - значение фактора.
Построена модель временного ряда, результат прогноза сохраняется в хранилище данных «Analysis». Для «наивной» модели скользящего среднего использован обработчик нейронная сеть [15, 16]. После каждого такого обработчика при помощи узла «Прогноз» рассчитывается прогноз на заданное число периодов. Соответствующий сценарий обработки приведен на рис. 8.
В Н Преобразование даты (Дата: Год + Месяц)
В Щ Парциальная предобработка (Восстановление, Аномалии, Фильтрация)
Рис. 8. Сценарий получения прогноза продаж в Deductor
АВС-анализ позволяет изучить товарный ассортимент, определить рейтинг товаров по указанным критериям и выявить ту часть, которая обеспечивает максимальный эффект компании [17]. Ассортимент продукции делится на 3 группы: группа А - важные, составляют 20 % ассортимента и дают 80 % оборота; группа В - средние, составляют 30 % ассортимента и дают 15 % оборота; группа С - менее важные, составляют 50 % ассортимента и дают 5 % оборота. Данный метод можно использовать также для ранжирования поставщиков, покупателей. Результатом анализа является группировка объектов по степени влияния на общий результат.
XYZ-анализ - это инструмент, позволяющий разделить продукцию по степени стабильности продаж и уровню колебаний потребления [18]. Метод заключается в расчете каждой товарной позиции коэффициента вариации или колебания расхода. Результатом XYZ-анализа является группировка товаров по трем категориям, исходя из стабильности их поведения: категория Х - стабильные (товары с колебанием продаж до 10 %); категория Y - сезонные колебания (товары с колебанием продаж от 10 до 25 %); категория Z - нерегулярное потребление (товары с колебанием продаж выше 25 %).
Сочетание АВС- и XYZ-анализа выявляет безусловных лидеров (группа АХ) и аутсайдеров (CZ) продаж. В результате проведения такого многомерного совмещенного анализа получается 9 групп товаров (рис. 9).
Ш Список выражений □ Ф
Выражение
i I О «
ab ABC XVZ
Описание
|if (Concat (ABC;XYZ) = ' (if(Concat(ABC;XYZ): (if(Concat(ABC;XYZ): (if(Concat(ABC;XYZ): (if(Concat(ABC;XYZ): (if(Concat(ABC;XYZ)i (if(Concat(ABC;XYZ)= (if(Concat(ABC;XYZ)«
'АХ";"Высокий товарооборот и стабильность. 1 ="АУ";"Высокий товарооборот. Нестабильность ■"к!";"Высокий товарооборот. Отрывочное пот] :"ВХ";"Достаточно высокий товарооборот и вы« ¡"ВУ";"Достаточно высокий товарооборот. Нес ¡"Вг";"Достаточно высокий товарооборот. Отр; :"СХ";"Низкий товарооборот и высокая стабил: :"СУ";"Низкий товарооборот. Нестабильность I
Рис. 9. Функция ABC-XYZ-анализа продаж в Deductor Studio
Результаты АВС-XYZ-анализа используются для оптимизации ассортимента, оценки рентабельности товарных групп, оценки логистики и клиентов дилерского автоцентра. На рис. 10 изображен куб и кросс-диаграмма, построенная на его основе.
Рис 10. Результаты АВС-XYZ-анализа дилерского автоцентра
Кубом является таблица, разделяющая товары на 9 групп. Из таблицы видно, что сформировалось 7 групп. В столбце «Количество|Значение» представлены данные о попадании в ту или иную группу товара, где каждой группе соответствует объем продаж. Например, группа АХ: количество наименования товара в группе - 6; объем продаж в группе - 193 497 руб. Товары группы АХ и ВХ отличает высокий товарооборот и стабильность. Необходимо обеспечить постоянное наличие товара, но для этого не нужно создавать избыточный страховой запас. Расход товаров этой группы стабилен и хорошо прогнозируется. Товары группы AY и BY при высоком товарообороте имеют недостаточную стабильность продаж, и, как следствие, для того чтобы обеспечить их постоянное наличие, нужно увеличить страховой запас.
Товары группы AZ и BZ при высоком товарообороте отличаются низкой прогнозируемо-стью продаж. Попытка обеспечить гарантированное наличие по всем товарам данной группы только за счет избыточного страхового товарного запаса приведет к тому, что средний товарный
запас компании значительно увеличится. По товарам данной группы следует пересмотреть систему заказов. Часть товаров нужно перевести на систему заказов с постоянной суммой (объемом) заказа, по другой части товаров необходимо обеспечить более частые поставки, выбрать поставщиков, расположенных близко к складу (и снизить тем самым сумму страхового товарного запаса), повысить периодичность контроля, поручить работу с данной группой товаров самому опытному менеджеру компании. По товарам группы СХ можно использовать систему заказов с постоянной периодичностью и снизить страховой товарный запас. По товарам группы CY можно перейти на систему с постоянной суммой (объемом) заказа, но при этом формировать страховой запас, исходя из имеющихся у дилерского автоцентра возможностей.
В группу товаров CZ попадают все новые товары, товары спонтанного спроса, поставляемые под заказ и т. п. Часть этих товаров можно безболезненно выводить из ассортимента, а другую часть нужно регулярно контролировать, т. к. именно из товаров этой группы возникают неликвидные или труднореализуемые товарные запасы, от которых компания несет убытки. Выводить из ассортимента необходимо остатки товаров, взятых под заказ или уже не выпускающихся.
Внедрение метода ABC-XYZ-анализа способствует сокращению количества упущенных продаж, уменьшению излишек товаров, минимизации суммарных затрат дилерского автоцентра.
Заключение
Разработана архитектура аналитической системы дилерского центра автомобилей на основе применения технологий Knowledge Discovery in Databases. Сформулирована методика анализа продаж дилерского центра автомобилей. Разработана структура хранилища данных, собраны статистические данные, сформированы массивы данных для анализа, комплекс моделей и отчетов для процесса анализа продаж дилерского автоцентра. Показана результативность предложенных исследований.
СПИСОК ЛИТЕРА ТУРЫ
1. Синичкина В. Обзор автомобильного рынка России в первом полугодии 2017 г. и перспективы развития. URL: http://www.pwc.ru/ru/publications/auto-market-in-russia.html (дата обращения: 25.08.2017).
2. Андросова К. О. Интеллектуальный анализ деятельности дилерского центра автомобилей в условиях устойчивого развития общества // Материалы Междунар. мультидисц. науч.-практ. конф. «Современная наука и практика высшего образования в формате устойчивого развития общества» (Астрахань, 26-27 мая 2017 г.). Астрахань: Изд-во ООО ПКФ «Триада», 2017. C. 117-123.
3. Khanova A. A., Protalinsky O. M., Dorokhov A. F., Bolshakov A. A. Socio-economic systems strategic management concept based on simulation // World Applied Sciences Journal. 2013. Т. 24. № 24. P. 74-79.
4. Ханова А. А. Синергетический эффект управления организацией на основе сбалансированной системы показателей // Прикаспийский журнал: управление и высокие технологии. 2010. № 4. С. 36-41.
5. Казаков А. В., Казаков Е. В. Обнаружение знаний в базах данных // Изв. Рос. экон. ун-та им. Г. В. Плеханова. 2013. № 2 (12). С. 26-30.
6. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. 336 с.
7. Павлова В. С., Зубрилина Т. В. Анализ подходов к созданию интегрированной системы бизнес-аналитики для предприятия // Науч.-техн. ведом. Санкт-Петерб. гос. политехн. ун-та. Экономические науки. 2012. № 4 (151). С. 110-113.
8. Ханова А. А. Концепция системы интеллектуального управления стратегически-ориентированным предприятием // Статистика и экономика. Вестн. УМО. 2011. № 1. С. 187-193.
9. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям: учебн. пособ. СПб.: Питер, 2010. 704 с.
10. Зинченко М. Н., Артюшина Е. А. Реализация OLAP-технологии на базе аналитической платформы DEDUCTOR ACADEMIC // Современные наукоемкие технологии. 2014. № 5 (2). С. 88-90.
11. Щербатов И. А., Проталинский И. О. Математическое моделирование сложных многокомпонентных систем // Вестн. Тамбов. гос. техн. ун-та. 2014. Т. 20. № 1. С. 17-26.
12. Щербатов И. А. Математические модели сложных слабоформализуемых систем: компонентный подход // Системы. Методы. Технологии. 2014. № 2 (22). С. 70-78.
13. Галямов А. Ф., Тархов С. В. Управление взаимодействием с клиентами коммерческой организации на основе методов сегментации и кластеризации клиентской базы // Вестн. Уфим. гос. авиац. техн. ун-та. 2014. Т. 18. № 4 (65). С. 149-156.
14. Ханова А. А. Интерполяция функций: метод. пособ. для студ. Ин-та информ. технологий и коммуникаций. Астрахань, Изд-во АГТУ, 2001. 36 с.
15. Проталинский О. М., Щербатов И. А., Беляев И. О. Гибридный метод обучения нейронных сетей для классификации каталитической стадии процесса Клауса // Вестн. Саратов. гос. техн. ун-та. 2010. Т. 4. № 2 (50). С. 38-43.
16. Ханова А. А., Шубина О. В. Формирование сбалансированной системы показателей предприятия на основе искусственных нейронных сетей (на примере грузового порта) // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. 2011. № 1. С. 187-194.
17. Бочкарев П. А. АВС-анализ при планировании запасов // Вестн. ИНЖЭКОНа. Сер.: Экономика. 2014. № 2 (69). С. 122-124.
18. Бузукова Е. А. Анализ ассортимента и стабильности продаж с использованием АВС-анализа и ХУ2-анализа // Управление продажами. 2006. № 3. С. 166-185.
Статья поступила в редакцию 18.09.2017
ИНФОРМАЦИЯ ОБ АВТОРАХ
Андросова Кристина Олеговна — Россия, 414056, Астрахань; Астраханский государственный университет; магистрант кафедры информационных технологий; [email protected].
Ганюков Владимир Юрьевич — Россия, 414056, Астрахань; Астраханский государственный технический университет; канд. экон. наук; доцент кафедры экономики и управления предприятием; [email protected].
K. O. Androsova, V. Ju. Ganjukov
PROCESSING SALES OF THE AUTOMOBILE DEALER CENTER ON THE BASIS OF BUSINESS INTELLIGENCE TECHNOLOGY
Abstract. The growing sales volumes increase the importance of processing means, most part of which is constructed on the principles of Knowledge Discovery in Databases. That is why the problem of choosing the optimum schemes of storage and processing of an OLAP cubes appears relevant. The structure of analytical system of the automobile dealer center has been provided. The structure of data storage and the complex of models of sales processing of the automobile dealer center have been developed. The technique of the sales analysis of the car dealer center has been formulated.
Key words: dealer center, intellectual analysis, sales, Data Mining, segmentation of data, neural network.
REFERENCES
1. Синичкина Sinichkina V. Obzor avtomobil'nogo rynka Rossii v pervom polugodii 2017 g. i perspektivy razvitiia [The overview of the automobile market of Russia in the first half of 2017 and development perspectives]. Available at: http://www.pwc.ru/ru/publications/auto-market-in-russia.html (accessed: 25.08.2017).
2. Androsova K. O. Intellektual'nyi analiz deiatel'nosti dilerskogo tsentra avtomobilei v usloviiakh ustoichivogo razvitiia obshchestva [Intellectual analysis of activity of the car dealer center in the conditions of the sustainable development of society]. Materialy Mezhdunarodnoi mul'tidistsiplinarnoi nauchno-prakticheskoi konferentsii «Sovremennaia nauka i praktika vysshego obrazovaniia v formate ustoichivogo razvitiia obshchestva.» (Astrakhan\ 26-27 maia 2017g'). Astrakhan, Izd-vo OOO PKF «Triada», 2017. Pp. 117-123.
3. Khanova A. A., Protalinsky O. M., Dorokhov A. F., Bolshakov A. A. Socio-economic systems strategic management concept based on simulation. World Applied Sciences Journal, 2013, vol. 24, no. 24, pp. 74-79.
4. Khanova A. A. Sinergeticheskii effekt upravleniia organizatsiei na osnove sbalansirovannoi sistemy pokazatelei [Synergetic effect of management of the organization on the basis of the balanced scorecard]. Pri-kaspiiskii zhurnal: upravlenie i vysokie tekhnologii, 2010, no. 4, pp. 36-41.
5. Kazakov A. V., Kazakov E. V. Obnaruzhenie znanii v bazakh dannykh [Detection of knowledge in databases]. Izvestiia Rossiiskogo ekonomicheskogo universiteta im. G. V. Plekhanova, 2013, no. 2 (12), pp. 26-30.
6. Barsegian A. A., Kupriianov M. S., Stepanenko V. V., Kholod I. I. Metody i modeli analiza dannykh: OLAP i Data Mining [Methods and models of data analysis: OLAP and Data Mining]. Saint-Petersburg, BKhV-Peterburg Publ., 2004. 336 p.
7. Pavlova V. S., Zubrilina T. V. Analiz podkhodov k sozdaniiu integrirovannoi sistemy biznes-analitiki dlia predpriiatiia [The analysis of approaches to creation of the integrated system of business analytics for the enterprise]. Nauchno-tekhnicheskie vedomosti Sankt-Peterburgskogo gosudarstvennogo politekhnicheskogo universiteta. Ekonomicheskie nauki, 2012, no. 4 (151), pp. 110-113.
8. Khanova A. A. Kontseptsiia sistemy intellektual'nogo upravleniia strategicheski-orientirovannym predpriiatiem [The concept of the system of intellectual management of the strategically oriented enterprise]. Statistika i ekonomika. Vestnik UMO, 2011, no. 1, pp. 187-193.
9. Paklin N. B., Oreshkov V. I. Biznes-analitika: ot dannykh k znaniiam: uchebnoeposobie [Business intelligence: from data to knowledge: teaching aid]. Saint-Petersburg, Piter Publ., 2010. 704 p.
10. Zinchenko M. N., Artiushina E. A. Realizatsiia OLAP-tekhnologii na baze analiticheskoi platformy DEDUCTOR ACADEMIC [Implementation of OLAP technology on the basis of analytical platform DEDUCTOR ACADEMIC]. Sovremennye naukoemkie tekhnologii, 2014, no. 5 (2), pp. 88-90.
11. Shcherbatov I. A., Protalinskii I. O. Matematicheskoe modelirovanie slozhnykh mnogokomponentnykh sistem [Mathematical modeling of complex multicomponent systems]. Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo universiteta, 2014, vol. 20, no.1, pp. 17-26.
12. Shcherbatov I. A. Matematicheskie modeli slozhnykh slaboformalizuemykh sistem: komponentnyi pod-khod [Mathematical models of the complex ill-formalizable systems: component approach]. Sistemy. Metody. Tekhnologii, 2014, no. 2 (22), pp. 70-78.
13. Galiamov A. F., Tarkhov S. V. Upravlenie vzaimodeistviem s klientami kommercheskoi organizatsii na osnove metodov segmentatsii i klasterizatsii klientskoi bazy [Management of interaction with clients of the commercial organization using methods of segmentation and clustering the client base]. Vestnik Ufimskogo gosudarstvennogo aviatsionnogo tekhnicheskogo universiteta, 2014, vol. 18, no. 4 (65), pp. 149-156.
14. Khanova A. A. Interpoliatsiia funktsii: metodicheskoe posobie dlia studentov Instituta informatsionnykh tekhnologii i kommunikatsii [Interpolation of functions: teaching aid for the students of Information and Communication Technology Institute]. Astrakhan, Izd-vo AGTU, 2001. 36 c.
15. Protalinskii O. M., Shcherbatov I. A., Beliaev I. O. Gibridnyi metod obucheniia neironnykh setei dlia klassifikatsii kataliticheskoi stadii protsessa Klausa [Hybrid method of training neural networks for classification of a catalytic stage of the Claus process]. Vestnik Saratovskogo gosudarstvennogo tekhnicheskogo universiteta, 2010, vol. 4, no. 2 (50), pp. 38-43.
16. Khanova A. A., Shubina O. V. Formirovanie sbalansirovannoi sistemy pokazatelei predpriiatiia na osnove iskusstvennykh neironnykh setei (na primere gruzovogo porta) [Formation of the balanced system of indices of the enterprise on the basis of artificial neural networks (on the example of a cargo port)]. Vestnik Astra-khanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriia: Upravlenie, vychislitel'naia tekhnika i in-formatika, 2011, no. 1, pp. 187-194.
17. Bochkarev P. A. ABC-analiz pri planirovanii zapasov [ABC analysis when planning stocks]. Vestnik INZhEKONa. Seriia: Ekonomika, 2014, no. 2 (69), pp. 122-124.
18. Buzukova E. A. Analiz assortimenta i stabil'nosti prodazh s ispol'zovaniem ABC-analiza i XYZ-analiza [Analysis of the choice of goods and stability of sales using ABC analysis and XYZ analysis]. Upravlenie proda-zhami, 2006, no. 3, pp. 166-185.
The article submitted to the editors 18.09.2017
INFORMATION ABOUT THE AUTHORS
Androsova Kristina Olegovna - Russia, 414056, Astrakhan; Astrakhan State University; Master's Course Student of the Department of Information Technologies; [email protected].
Ganyukov Vladimir Yuryevich - Russia, 414056, Astrakhan; Astrakhan State Technical University; Candidate of Economics; Assistant Professor of the Department of Economy and Business Management; [email protected].
