CC BY
10
Regression analysis and correlation comparison at various stages of defect detection allows localizing areas for analyzing and improving the effectiveness of measures to eliminate defects in the electronic component base at the early stages of the life cycle. The analysis was carried out using statistical methods (histograms, Pareto diagrams, scattering diagrams, stratification, Ishikawa causal diagrams) and the mathematical apparatus of probability theory.
Key words: defect of electronic component base, statistical methods of quality management, life cycle, complaint, correlation.
Ostapenko Sergey Nikolaevich, doctor of technical sciences, professor, olya-ryn-kova@,mail.ru, Russia, Moscow, «Almaz - Antey» Air and Space Defence Corporation»,
Rynkova Olga Gennadievna, chief technologist, Russia, Ulyanovsk, JSC «NPP «Iskra
Plant»
УДК 336.581
DOI: 10.24412/2071-6168-2022-8-17-23
НОВЫЙ ПОДХОД К ОЦЕНКЕ ПРИВЛЕКАТЕЛЬНОСТИ ТОРГОВЫХ ПРЕДПРИЯТИЙ
В.П. Димитров, И.Н. Нурутдинова, О.И. Фомочкина
Предложен лингвистический подход к оценке привлекательности торговых предприятий для потребителей с использованием нечеткой логики. В современных условиях высокой конкуренции возрастает актуальность задачи обеспечения большого потока потребителей, выбирающих данную торговую сеть. В настоящей статье разработаны критерии, определяющие оценку привлекательности торговых предприятий для потребителей, введены лингвистические переменные, определены базовые и расширенные терм-множества. На основе экспертной информации построены функции принадлежности, вычислены показатели согласованности, создана база продукционных правил. Проведено исследование трех торговых предприятий, проведена статистическая обработка результатов анкетирования и получены значения критериев. Нечеткий логический вывод оценки привлекательности выполнен в пакете Fuzzy Logic Toolbox в среде Matlab, проанализированы результаты и сформулированы рекомендации для повышения привлекательности объектов исследования.
Ключевые слова: лингвистическая переменная, функция принадлежности, нечеткий логический вывод.
Актуальность задачи обеспечения привлекательности для потребителя в сфере обслуживания в современных условиях все большей конкуренции непрерывно возрастает. Данная тенденция обусловлена появлением новых видов услуг, увеличением количества игроков на рынке, эпидемиологической и экономической ситуацией в мире. Условия рыночной системы таковы, что предприятиям необходимо обеспечить потребителя не только качественной продукцией, но и соответствующим уровнем сервиса. Успешность торговых предприятий определяется прибылью, количеством продаж и другими подобными характеристиками, которые прямо зависят от интенсивности потока потребителей. В свою очередь поток потребителей определяется привлекательностью данного объекта торговли. В настоящей работе введено понятие привлекательности торгового предприятия, выделены влияющие на неё факторы, среди которых важное место занимает качество обслуживания [1,2]. Также существенную роль играют и такие факторы, как расположение, транспортная доступность, наличие систем скидок и бонусных программ и т.п., их можно рассматривать как качество обслуживания в широком смысле. В настоящей статье систематизированы факторы, влияющие на степень удовлетворенности потребителя качеством обслуживания, понимаемым в широком смысле, куда включены все упомянутые выше сопутствующие характеристики. Для описания этих характеристик использован лингвистический подход, который целесообразно использовать в подобных задачах [3]. Вопросы оценки удовлетворенности уровнем сервиса не являются тривиальными. В [4] вводится понятие «воспринятое качество», для описания которого используется два параметра - качество выхода (то, что получает потребитель), и качество процесса взаимодействия (то, как получает). Модель качества сервиса [5], которой на сегодняшний день пользуется большое количество как отечественных,
так и зарубежных предприятий, сосредоточена на измерении разницы между ожидаемым качеством и воспринимаемым. В любом случае целый ряд факторов оценивается качественно, которые трудноизмеримы, а используемая при этом информация имеет нечеткий характер и несвободна от субъективных суждений. Для принятия решений и получения объективных оценок, в том числе в сфере менеджмента, в условиях неопределенной исходной информации в последние годы успешно применяется математический аппарат теории нечетких множеств [6 - 10]. В рамках этого подхода в данной работе рассмотрена задача оценки привлекательности торговых предприятий. В качестве объекта исследования выбраны различные сети продуктовых магазинов, как одни из наиболее востребованных направлений сферы розничной торговли. В дальнейшем объекты исследования будем для краткости именовать магазинами.
Методы исследования. Согласно лингвистическому подходу исследована предметная область и выделены шесть групп критериев: «Скорость обслуживания», «Ценовая политика», «Расположение магазина», «Ассортимент», «Внимание к покупателю», «Качество продукции». В соответствии с критериями введены входные лингвистические переменные (ЛП), кортежи которых имеют вид:
<Скорость облуживания, мин., {низкая, средняя, высокая}, [0, 10]>;
<Ценовая политика, балл, {дешевые, дорогие}, [0, 50]>;
<Расположение магазина, балл, {близко, на среднем расстоянии, далеко}, [0, 9]>;
<Ассортимент, балл, {узкий, широкий}, [0, 9]>;
<Внимание к покупателю, балл {недостаточное, достаточное}, [0, 6]>;
<Качество продукции, балл {низкое, среднее, высокое}, [0, 8]>.
Первоначально рассматривались модели с различным количеством термов, в приведенном выше описании представлены модели, которые имели наилучшие показатели согласованности. Для оценки критериев была разработана анкета. Выбор носителя определялся в соответствии со шкалой анкеты. В табл. 1 приведен фрагмент анкеты, касающийся первых двух критериев «Скорость обслуживания» и «Ценовая политика».
Для построения функций принадлежности (ФП) использовали стандартные функции трапецеидального вида [11], параметры которых оценивали три эксперта. Анализ согласованности проводился согласно алгоритму [12]. Результаты расчетов матриц парной согласованности К, индексов нечеткости В, аддитивного ка и мультипликативного кт показателей общей согласованности [13], выполненные с помощью оригинального программного комплекса [14], представлены в табл. 2.
Таблица1
Фрагмент анкеты для оценки критериев «Скорость обслуживания»
и «Ценовая политика»
1.Какое количество времени в среднем вы проводите на кассе данного магазина?
До 3 минут
3 балла
До 5 минут
5 баллов
До 7 минут
7 баллов
До 10 минут и более
10 баллов
2. Оцените в баллах (от 0 до 10) все показатели для данного магазина
Широкий ценовой сегмент (представлены товары низкого, среднего и высокого ценового сегмента)
Наличие скидок для определенных категорий населения (многодетные семьи, пенсионеры, ветераны ВОВ и т.д.)_
Наличие кэшбека
Начисление бонусных баллов
Скидки в зависимости от времени (например, скидки на выпечку после 20.00 и т.п.)
Анализ табл. 2 показал высокую согласованность экспертных суждений. Для дальнейшего использования в алгоритме нечеткого логического вывода область определения ФП нормирована к отрезку [0, 1], а в качестве параметров ФП выбраны средние значения параметров, заданных экспертами. В качестве иллюстрации на рис. 1 приведены графики ФП лингвистических переменных «Скорость обслуживания и «Ценовая политика».
На основе экспертных представлений определена выходная ЛП «Привлекательность торгового предприятия»:
<Привлекательность, % {низкая, ниже средней, средняя, выше средней, высокая}, [0,
100]>;
На рис. 2 представлен график ФП ЛП «Привлекательность торгового предприятия» со средними значениями параметров.
Таблица 2
Показатели парной и общей согласованности
ЛП Матрица К Матрица Б
Скорость обслуживания 1 0,972 0,944 0 0,017 0,04
0,972 1 0,949 0,017 0 0,038 0,933 0,932
0,944 0,949 1 0,04 0,038 0
1 0,815 0,961 0 0,142 0,028
Ценовая политика 0,815 1 0,783 0,142 0 0,171 0,783 0,782
0,961 0,783 1 0,028 0,171 0
Расположение магазина 1 0,85 0,852 0 0,091 0,088
0,85 1 0,757 0,091 0 0,157 0,744 0,739
0,852 0,757 1 0,088 0,157 0
Широта ассортимента 1 0,817 0,905 0 0,16 0,08
0,817 1 0,739 0,16 0 0,24 0,739 0,739
0,905 0,739 1 0,08 0,24 0
Внимание к покупателю 1 0,905 0,951 0 0,083 0,042
0,905 1 0,905 0,083 0 0,083 0,882 0,882
0,951 0,905 1 0,042 0,083 0
1 0,786 0,942 0 0,155 0,042
Качество продукции 0,786 1 0,786 0,155 0 0,155 0,764 0,75
0,942 0,786 1 0,042 0,155 0
С
е
. \
■Высокая — — Средняя 'Низкая
А
С
е
л
■Дешёвые товары
Дорогие товары
б
Рис. 1. Графики функций принадлежности лингвистических переменных: а - «Скорость обслуживания»; б - «Ценовая политика»
а
\ 1 \ / 4 ' \ '
\ ! \ ■ у ' \ / X/
X X У <
/ \ ' Ч / \ »
/ \ / \ * • ! / / \
Низкая — — —Ниже средней
Рис. 2. График функции принадлежности лингвистической переменной «Привлекательность торгового предприятия»
19
Выбор пятитермовой модели выходной ЛП позволит существенно дифференцировать продукционные правила. База нечетких правил создана на основе экспертных знаний и содержит 216 правил. Каждое из правил имеет вид «ЕСЛИ ..., ТО...», то есть состоит из двух частей, первая - антецендент правила, включает элементарные предложения, соединенные логическими связками «и», а вторая часть - консеквент, включает предложение, выражающее заключение. Ниже приведен фрагмент правил:
1 ЕСЛИ Скорость облуживания «Высокая» И Ценовая политика «Дешевые товары» И Расположение магазина «Близко» И «Ассортимент «Узкий» И Внимание к покупателю «Достаточное» и Качество продукции «Низкое», ТО Привлекательность «Средняя» (1)
2 ЕСЛИ Скорость облуживания «Высокая» И Ценовая политика «Дешевые товары» И Расположение магазина «Близко» И «Ассортимент «Узкий» И Внимание к покупателю «Достаточное» и Качество продукции «Среднее», ТО Привлекательность «Выше средней» (1)
3 ЕСЛИ Скорость облуживания «Высокая» И Ценовая политика «Дешевые товары» И Расположение магазина «Близко» И «Ассортимент «Узкий» И Внимание к покупателю «Достаточное» и Качество продукции «Высокое», ТО Привлекательность «Выше средней» (1)
215. ЕСЛИ Скорость облуживания «Низкая» И Ценовая политика «Дорогие товары» И Расположение магазина «Далеко» И «Ассортимент «Широкий» И Внимание к покупателю «Недостаточное» и Качество продукции «Среднее», ТО Привлекательность «Низкая» (1)
216. ЕСЛИ Скорость облуживания «Низкая» И Ценовая политика «Дорогие товары» И Расположение магазина «Далеко» И «Ассортимент «Широкий» И Внимание к покупателю «Недостаточное» и Качество продукции «Высокое», ТО Привлекательность «Ниже средней» (1)
Для проверки обоснованности созданной базы знаний в пакете прикладных программ Fuzzy Logic Toolbox (MatLab) построены поверхности отклика, две из которых для иллюстрации представлены на рис. 3.
Рис. 3. Поверхности отклика: а - зависимость выходной ЛП «Привлекательность» от «Ценовой политики» и «Ассортимента»; б - зависимость выходной ЛП «Привлекательность» от «Расположения магазина» и «Ценовой политики»
Анализ поверхностей подтвердил согласованность и адекватность правил, что позволяет использовать сформулированные правила для нечеткого логического вывода.
Результаты исследования. Для исследования были выбраны три магазина различных торговых сетей, обозначим их М1, М2 и М3. Проведено анкетирование и статистическая обработка полученных данных. Значения критериев, нормированные к единице, представлены в табл. 3. Процедура дефаззификации проводилась в пакете Fuzzy Logic Toolbox (MatLab), в котором для вывода конкретного значения оценки выходной ЛП используется метод «центра тяжести». Результаты нечеткого логического вывода значений оценки привлекательности магазинов представлены в табл. 4
Критерии привлекательности магазинов
Таблица 3
Критерий Значение критерия для магазина
М1 М2 М3
Скорость обслуживания 0,5 0,7 0,3
Ценовая политика 0,46 0,52 0,64
Расположение магазина 0,555 0,888 0,7222
Ассортимент 0,444 0,666 0,556
Внимание к покупателю 0,333 0,666 0,5
Качество продукции 0,875 1 0,75
Таблица 4
Значения оценок привлекательности магазинов_
Магазин Значение оценки привлекательности Терм ЛП «Привлекательность»
М1 0,158 Ниже средней
М2 0,442 Средняя
М3 0,306 Средняя
Полученная с помощью нечеткого логического вывода оценка обладает большой информативностью, поскольку устанавливает не только принадлежность оценки к определенному уровню привлекательности, но и дает численное значение оценки. Так при средней привлекательности магазинов М2 и М3 по конкретному значению оценки (Табл. 4) видно, что для магазина М3 она скорее промежуточная между средней и ниже средней (Рис. 2).
Анализ правил, использованных для логического вывода, позволяет классифицировать причины, обуславливающие тот или иной уровень привлекательности. Так причиной недостаточной привлекательности магазина М1 явился низкий уровень внимания к покупателю и средний уровень всех остальных показателей за исключением качества продукции, в то время как магазину М2 следует обратить внимание на средний уровень ценовой политики и широту ассортимента. Для магазина М3 причиной недостаточной привлекательности для потребителей послужило долгое время пребывания на кассе и средние уровни широты ассортимента и внимания к покупателю.
Заключение. Интенсивность потока покупателей играет существенную роль в обеспечении успешного функционирования торговых предприятий. В условиях нарастающей конкуренции привлекательность торговых сетей одно из важных условий привлечения потребителей. В результате проведенного исследования выделены факторы, влияющие на привлекательность магазинов, а предложенный подход позволил свести к минимуму влияние субъективности и нечеткости исходной информации на оценку привлекательности. Кроме того, помимо получения оценки данный подход дает возможность четко определить причины недостаточной успешности работы магазинов и дать соответствующие рекомендации. Другой важной особенностью разработанного подхода является возможность программной реализации метода и создания экспертной системы, позволяющей осуществлять мониторинг состояния торгового предприятия и оперативно принимать решения по совершенствованию его функционирования для обеспечения привлекательности для потребителей.
Список литературы
1. Донскова Л.И. Сфера сервиса: сущность, уровень развития, проблемы // Известия Томского политехнического университета. 2006. Т. 309. № 6. С. 178-182.
2. Белозерова М.Н. Разработка и внедрение стандартов обслуживания в клиентоориени-рованных организациях // Вестник Омского университета. Серия Экономика. 2008. № 3. С. 8082.
3. Димитров В.П., Нурутдинова И.Н., Филина М.А. Лингвистический подход к задаче выбора поставщика // Известия Тульского государственного университета. Технические науки. 2022. Вып. 6. С. 81-87.
4. Gronroos C.A. Service Quality Model and its Marketing Implications // European Journal of Marketing. 1984. V. 18(4). Р. 36-44.
5. Parasuraman A., Zeuthaml V.A., Berry L.L. A Conceptual Model of Service Quality and its Implications for Future Research // Journal of Marketing. 1985. V. 49(4). Р. 41-50.
21
6. Захарова А.А. Интегральная оценка инновационного развития региона на основе нечетких множеств // Современные проблемы науки и образования. 2013. 3. С. 25.
7. Борисова Л.В., Димитров В.П. Нурутдинова И.Н., Сербин Д.М. Особенности экспертного контроля качества в сфере обслуживания // Качество продукции: контроль, управление, повышение, планирование. Сборник научных трудов Международ. молодеж. науч.-практ. конф. (Курск 18-19 ноября, 2014). Курск, 2014. С.110-113.
8. Wang G., Chen S., Zhou Z., Liu J. Modelling and Analyzing Trust Conformity in E-Commerce Based on Fuzzy Logic // WSEAS Transactions on Systems. 2015. № 14. Р. 1-10.
9. Nurutdinova I., Dimitrovа L. Intelligent system for assessing organization's possibilities to achieve sustained success. Advances in Intelligent Systems and Computing. 2019. V. 875. P. 379-388.
10. Nurutdinova I., Dimitrova L. Risk significance assessment on the basis of a fuzzy model // E3S Web of conference. XIV Scientific and Practical Conference «State and Prospects for the Development of Agribusiness - INTERAGROMASH 2021». Rostov-on-Don, 2021 P. 08037.
11. Кофман Л. Введение в теорию нечётких множеств. М.: Радио и связь, 1982. 432 с.
12. Borisova L., Dimitrov V., Nurutdinova I. Algorithm for Assessing Quality of Fuzzy Expert Information // Proceedings of IEEE East-West Design & Test Symposium (EWDTS'2017). Novi Sad, Serbia, 2017. P. 319-322.
13. Dimitrov V., Borisova L., Nurutdinova I. Modelling of Fuzzy Expert Information in the Problem of a Machine Technological Adjustment // MATEC Web of conference. 2017. С. 04009.
14. Димитров В.П., Борисова Л.В., Нурутдинова И.Н., Богатырёва Е.В. Программная система для ввода экспертных знаний // Вестник Донского государственного технического университета. 2011. Т. 11. № 1 (52). С. 83 - 90.
Димитров Валерий Петрович, д-р техн. наук, профессор, заведующий кафедрой, [email protected], Россия, Ростов-на-Дону, Донской государственный технический университет,
Нурутдинова Инна Николаевна, канд. физ.-мат. наук, доцент, [email protected], Россия, Ростов-на-Дону, Донской государственный технический университет,
Фомочкина Оксана Ивановна, бакалавр, [email protected], Россия, Ростов-на-Дону, Донской государственный технический университет
A NEW APPROACH TO ASSESSING THE ATTRACTIVENESS OF TRADING ENTERPRISES V.P. Dimitrov, I.N. Nurutdinova, O.I. Fomochkina
A linguistic approach to assessing the attractiveness of trade enterprises for consumers using fuzzy logic is proposed. In modern conditions of high competition, the urgency of the problem of ensuring a large flow of consumers choosing this retail chain is increasing. In this paper, criteria have been developed that determine the assessment of the attractiveness of trade enterprises for consumers, linguistic variables have been introduced, and basic and extended term sets have been determined. On the basis of expert information, membership functions are built, consistency indicators are calculated, and a base of production rules is created. A study of three trade enterprises was carried out, statistical processing of the results of the survey was carried out and the values of the criteria were obtained. Fuzzy logical inference of the attractiveness assessment was made in the Fuzzy Logic Toolbox package in the Matlab environment, the results were analyzed and recommendations were formulated to increase the attractiveness of the objects of study.
Key words: linguistic variable, membership function, fuzzy logical inference.
Dimitrov Valery Petrovich, doctor of technical sciences, professor, head of department, [email protected], Russia, Rostov-on-Don, Don State Technical University,
Nurutdinova Inna Nikolaevna, candidate of physical and mathematical sciences, docent, [email protected], Russia, Rostov-on-Don, Don State Technical University,
Fomochkina Oksana Ivanovna, bachelor, [email protected], Russia, Rostov-on-Don, Don State Technical University
