CC BY
32Программные редктва и информационные технологии
http://www.cals.ru/policy/material/concept_ipi.pdf (дата обращения: 02.04.2013).
2. Черепашков А. А., Носов Н. В. Компьютерные технологии, моделирование и автоматизированные системы в машиностроении : учебник для студ. высш. учеб. заведений. Волгоград : Издат. дом «Ин-Фолио», 2009. 640 с.
3. Бикчентаев А. А. Информационная поддержка данных технологических процессов в интегрированной информационной среде предприятия [Электронный ресурс] // Вестник СибГАУ. 2013. № 2(48). Систем. требования: программа распаковки zip-архива и Adobe Acrobat Reader. URL: http://www.vestnik.sibsau.rU/images/stories/Statii/2013/V estnik.zip (дата обращения: 02.09.2013).
References
1. Sudov E. V., Levin A. I. Kontseptsiya razvitiya CALS-tekhnologiy v promyshlennosti Rossii (Conception
of development of CALS technologies in Russia). Research center of CALS technologies «Prikladnaya logistika». Moscow, 2002. Available at: http://www.cals.ru/policy/material/concept_ipi.pdf (accessed 02 April 2013).
2. Cherepashkov A. A., Nosov N. V. Komp'yuternye tekhnologii, modelirovanie i avtomatizirovannye sistemy v mashinostroenii (Computer technologies, design, modeling and computer-aided systems in mechanical engineering). Textbook for higher school students. Volgograd : Publishing House «In-Folio», 2009, 640 p.
3. Bikchentaev A. A. Informatsionnaya podderzhka dannykh tekhnologicheskikh protsessov v integrirovannoy informatsionnoy srede predpriyatiya (Support of data of technological processes in integrated information environment of enterprise) // Vestnik SibGAU. 2013. № 2(48). Available at: http://www.vestnik.sibsau.ru/images/stories/Statii/2013/V estnik.zip (accessed 02 September 2013).
© EHKHern-aeB A. A., 2013
УДК 681.3:519
МЕТОДИКА ПРОГНОЗИРОВАНИЯ ЦЕН НА ТОВАРЫ В ИНТЕРНЕТ-МАГАЗИНАХ
К. В. Богданов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: 2519869@gmail.com
Описывается алгоритм сбора и подготовки информации о ценах на товары в интернет-магазинах для последующего анализа с целью определения направления движения цен на заданный товар. Методика адаптирует технический анализ, применяющийся на фондовых и валютных рынках, для работы с ценами на потребительские товары.
Ключевые слова: интернет-коммерция, технический анализ, прогнозирование.
THE METHOD OF PREDICTING PRICES OF GOODS IN ONLINE STORES
K. V. Bogdanov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: 2519869@gmail.com
An algorithm to collect and prepare information on the good prices in the shops for further analysis to determine the direction of the price of a given commodity is described. Methodology adapts technical analysis, which is used in the stock and currency markets for the consumer good prices.
Keywords: internet-business, technical analysis, prognosis.
Электронная коммерция сейчас переживает
период лавинообразного роста, особенно такая т
форма электронной коммерции, как интернет- в
магазины. Предлагая весьма широкий перечень по- м
требительских товаров по конкурентоспособной и
цене, интернет-магазин обычно гибко следует це- к
новому тренду. в
Следовательно, ценовая информация, получаемая л
от таких сайтов, может быть весьма полезна с точки р
зрения data minig [1; 2]. и
Задача прогнозирования цен на потребительские товары актуальна для различных типов пользователей: во-первых, это конечные покупатели, которые принимают решение о покупке того или иного товара; прогноз цены может повлиять не только на выбор момента покупки, но и на сам факт покупки товара как таковой; во-вторых, это владельцы магазинов (необязательно онлайн), которые планируют закупки и ассортимент товаров; в-третьих, маркетологи, формирующие аналитику изменения рынка тех или иных товаров.
Решетневскуе чтения. 2013
Осуществление прогнозирования цены на конкретный товар предлагается проводить в несколько этапов:
1. Определение принадлежности товара к той или иной номенклатурной группе. Например, фотоаппараты зеркальные.
2. Определение принадлежности товара к линейке товаров конкретного производителя (если она есть) и позиционирование товара в этой линейке (топовый, бюджетный и т. п.), а также определение товара-предшественника, которому текущий товар пришёл. В вырожденном случае линейка может содержать единственный (выбранный для анализа) товар.
3. Определение товаров-аналогов, не принадлежащих номенклатурной линейке данного производителя.
4. Сбор цен на товары, определённые в шагах 1-3. Крайне желательно организовать отслеживание изменения цены в нескольких источниках одновременно, так как в реальных интернет-магазинах возможны не только общерыночные отклонения цены, но и флуктуации, связанные с локальными акциями, наличием/отсутствием товара в магазине и т. п. Территориальная принадлежность источника при этом не столь принципиальна, так как нам более необходим тренд изменения цены, а не её абсолютные значения. Возможно также использование заранее собранных данных, получаемых от соответствующих сервисов, таких, например, как БетапйсзЗ.
5. Фильтрация «шумовых» данных (связанных с локальными изменениями цен, временным отсутствием информации о цене и т. п.).
6. Построение тренда цены на выбранный товар.
7. Построение объединённого тренда для последовательности товаров-предшественников. Данный шаг необходим для определения цикличности обновления версий товаров.
8. Построение усреднённого тренда всей линейки товаров данного производителя.
9. Построение разностного тренда между средними ценами на линейку товаров текущего производителя и конкурентов.
Полученную информацию можно использовать для прогнозирования методом технического анализа [3] так же, как это делается для рынка ценных бумаг или рынка валют.
Фактически, аксиомы технического анализа («движение цен на рынке учитывает всю информацию», «движение цен подчинено тенденциям» и «история повторяется») для цен на потребительские товары выражены даже более ярко, чем для ценных бумаг или валюты, где «точки разворота» трендов могут быть инспирированы внешними относительно рынка событиями.
В итоге, конечному пользователю может быть предоставлена информация в виде двух типов утверждений:
1) цена на данный товар повысится/снизится на N рублей в течение K дней;
2) в данный момент покупка этого товара рекомендуется/не рекомендуется.
Библиографические ссылки
1. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+ СБ). СПб. : Изд. Питер, 2009. 624 с.
2. Ian H. Witten, Eibe Frank and Mark A. Hall Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann, 2011. P. 664.
3. Швагер Дж. Технический анализ. Полный курс. М. : Альпина Паблишер, 2012. 804 с.
References
1. Paklin N. B., Oreshkov V. I. Biznes-analitika: ot dannyh k znaniyam (+CD). SPb. : Izd. Piter, 2009, 624s.
2. Ian H. Witten, Eibe Frank and Mark A. Hall Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann, 2011. P. 664. ISBN 978-0-1237-4856-0.
3. Shwager G. Technicheskiy analiz. Polnyi kurs. -М. : Alpina pablisher, 2012. 804 s. ISBN 978-5-96141544-5, 0-471-02051-6.
© Богданов К. В., 2013
УДК 004.932.2
АДАПТАЦИЯ АЛГОРИТМА КАРТ КОХОНЕНА ДЛЯ ВОССТАНОВЛЕНИЯ ФОНОВЫХ ПИКСЕЛЕЙ ИЗОБРАЖЕНИЯ
А. Н. Болгов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Рассматривается решение задачи восстановления фоновых пикселей изображения, базирующееся на алгоритме на основе карт Кохонена. Приводится адаптация алгоритма обучения карты Кохонена и восстановления пикселей фонового пространства изображения на основе обученной карты.
Ключевые слова: реконструкция изображений, карты Кохонена.
