УДК [658.7:339.1]:004.8
ББК 65.40
Л-86
Луценко Евгений Вениаминович, профессор, доктор экономических наук, кандидат технических наук, профессор кафедры компьютерных технологий и систем факультета прикладной информатики ФГБОУ ВО «Кубанский государственный аграрный университет им. И.Т. Трубилина»; 350044, г. Краснодар, ул. Калинина, 13; e-mail: [email protected], http://lc.kubagro.ru;
Лойко Валерий Иванович, Заслуженный деятель науки Российской Федерации, профессор, доктор технических наук, заведующий кафедрой компьютерных технологий и систем факультета прикладной информатики ФГБОУ ВО «Кубанский государственный аграрный университет им. И.Т. Трубилина»; 350044, г. Краснодар, ул. Калинина, 13; e-mail: [email protected];
Барановская Татьяна Петровна, профессор, доктор экономических наук, заведующая кафедрой системного анализа и обработки информации факультета прикладной информатики ФГБОУ ВО «Кубанский государственный аграрный университет им. И.Т. Трубилина»; 350044, г. Краснодар, ул. Калинина, 13; e-mail: [email protected]
СИНТЕЗ И ВЕРИФИКАЦИЯ СК-МОДЕЛЕЙ МОДЕЛЕЙ УПРАВЛЕНИЯ НОМЕНКЛАТУРОЙ И ОБЪЕМАМИ РЕАЛИЗАЦИИ В ТОРГОВОЙ ФИРМЕ*
(рецензирована)
В предыдущих работах авторов в результате решения ряда задач созданы все необходимые условия для синтеза и оценки достоверности системно-когнитивной модели влияния инвестиций на качество жизни населения региона.
Ключевые слова: управление номенклатура закупки реализация товары торговая фирма.
Lutsenko Evgeniy Veniaminovich, a professor, Doctor of Economics, Candidate of Technical Sciences, a professor of the Department of Computer Technologies and Systems of the Faculty of Applied Informatics of the Kuban State Agrarian University named after I.T. Trubilin"; 350044, Krasnodar, 13 Kalinin str.; e-mail: [email protected], http://lc.kubagro.ru;
Loyko Valery Ivanovich, an honored scientist of the Russian Federation, a professor, Doctor of Technical Sciences, head of the Department of Computer Technologies and Systems, Faculty of Applied Computer Science of FSBEI HE "Kuban State Agrarian University named after I.T. Trubilin"; 350044, Krasnodar, 13 Kalinin str.; e-mail: [email protected];
Baranovskaya Tatyana Petrovna, a professor, Doctor of Economics, head of the Department of System Analysis and Information Processing of the Faculty of Applied Computer Science of FSBEI HE "Kuban State Agrarian University named after I.T. Trubilin"; 350044, Krasnodar, 13 Kalinin St.; e-mail: [email protected]
* Работа выполнена при финансовой поддержке РФФИ, проект №17-02-00064-ОГН.
SYNTHESIS AND VERIFICATION OF SC-MODELS OF MODELS OF NOMENCLATURE AND SALES REVENUE MANAGEMENT
IN A TRADING FIRM
(reviewed)
In the previous works of the authors, as a result of solving a number of problems, all the necessary conditions have been created for the synthesis and assessment of the reliability of a system-cognitive model of the impact of investments on the quality of life of the population of the region.
Keywords: management, nomenclature, procurement, implementation, goods, trading company.
В работе авторов: «Системно-когнитивный анализ в управлении номенклатурой и объемами закупки-реализации продукции в торговой агрофирме: когнитивная структуризация и формализация предметной области» (2018), решена задача создания всех необходимых условий для решения задачи синтеза и верификации модели. Данная работа и посвящена решению этой задачи.
1. Синтез системно-когнитивной модели объекта моделирования.
На рисунке 1 приведен скриншот режима синтеза и оценки достоверности моделей системы «Эйдос».
Рис. 1. Скриншот режима синтеза и оценки достоверности моделей На рисунке 2 приведен фрагмент модели !пО.
ф 5.5. Модель: "6.1№3 - частный критерий; Хи-квадрат, разности между фактическими и ожидаемыми абс.частотамиг
Код признака Наименование описательной шкалы и градации 1. ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС. РУБ.) 1/3 {12935.0, 61536.0} 2. ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС. РУБ.] 2/3 {61536.0, 110137.0} 3. ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС. РУБ.] 3/3 {110137.0, 158738.0} 4. РЕНТАБЕЛЬН... 1/3 {58.0, 65.7} 5. РЕНТАБЕЛЬН... 2/3 {65.7, 73.3} 6. РЕНТАБЕЛЬН... 3/3 {73.3, 81.0} Сумма Сроднее Средн. квадр. откл.
1 МОЛОКО, 1Л-БУТ, (ШТ)-1/12-{19.0000000,36.91... 0.167 2,250 -2.417 1.250 -0.083 -1.167 1.665
2 МОЛОКО, 1Л-ЕУТ, (ШТ]-2Л2-{36.9166667,54.83... -0.667 0.667 -0.667 0.667 0.596
3 МОЛОКО, 1Л-БУТ, (ШТ)-ЗЛ 2-ШЗЗЗЗЗЗ, 72.75... -0.333 0,500 -0.167 -0.500 1.167 -0.667 0.699
4 МОЛОКО, 1Л-ЕУТ, (ШТ)-4Л 2-{72.7500000,90.66... -0.167 -1.250 1.417 -0.250 -0.917 1.167 1.083
5 МОЛОКО, 1 Л-ЕУТ, (ШТ)-5/1 2-90.6666667,108.5... -0.167 0,750 -0.583 -0.250 1.083 -0.833 0.756
6 МОЛОКО, 1 Л-ЕУТ, (ШТ)-6/12-{108.5833333,126.... -0.167 -0.250 0.417 -0.250 0.083 0.167 0.269
7 МОЛОКО, 1 Л-ЕУТ, (ШТ)-7Л 2-{126.5000000.144...
а МОЛОКО, 1 Л-БУТ. (ШТ)-8Л 2-{144.4166667,162...
9 МОЛОКО, 1 Л-ЕУТ, (ШТ)-ЭЛ 2-{162.3333333.180.... 0.917 -0.625 -0.292 0.875 -0.458 -0.417 0.702
10 МОЛОКО, 1 Л-БУТ. (ШТ)-ЮЛ 2-{180.2500000,19... 0.750 -0.875 0.125 -0.375 -0.375 0.750 0.661
11 МОЛОКО, 1 Л-БУТ, (ШТ)-11 Л 2-{198.1666667.21... -0.167 -0.250 0.417 -0.250 0.083 0.167 0.269
12 МОЛОКО, 1 Л-БУТ. (ШТ)-12Л2-{216.0833333,23... -0.167 -0.250 0.417 -0.250 о.оез 0.167 0.269
13 СМЕТАНА ВЕСОВАЯ (КГЦ Л2-{2.0000000,6.83... 0.250 2,375 -2.625 -0.125 2.875 -2.750 2.385
14 СМЕТАНА ВЕСОВАЯ (КГ)-2Л2-{6.8333333,11.6...
15 СМЕТАНА ВЕСОВАЯ (КГ)-ЗЛ 2-{11.6666667,16...
16 СМЕТАНА ВЕСОВАЯ (КГ)-4Л2-{16.5000000.21....
17 СМЕТАНА ВЕСОВАЯ [КГ)-5Л2-{21.3333333,26... 0.667 -0.500 -0.167 0.500 0.167 -0.667 0.537
18 СМЕТАНА ВЕСОВАЯ (КГ)-6Л2-{26.1666667.31.... -0.250 0.125 0.125 -0.375 0.625 -0.250 0.371
19 СМЕТАНА ВЕСОВАЯ [КГ)-7Л2-{31.0000000,35.... -0.500 -1.750 2.250 0.250 -2.750 2.500 2.110
20 СМЕТАНА ВЕСОВАЯ (КГ)-8Л 2-{35.8333333.40....
Рис. 2. Фрагмент модели 1^3 2. Достоверность модели.
На рисунке 3 приведен скришот с информацией о достоверности моделей:
Рис. 3. Скриншот с информацией о достоверности различных моделей Из рисунка 4 видно, что в достоверность лучшей модели составляет 0,949 при максимуме 1.
Суть критериев достоверности моделей описана в Help режима 4.1.3.6, приведенном на рисунке 4:
£) Помощь по режимам: 4,1.3.6,4.1,3.7,4.1.3.8,4,1.3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х++"
Помощь по режимам: 4.1.3.6,4.1.3.7,4.1.3.8,4.1.3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз: выпадет 1,2,3,4,5 или 6, В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом буает очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с G гранями, и модель предсказывает, что не выпадет: 1,2,3,4,5 и G, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации. ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2,3,4,5, и G, то это идеальный прогноз, имеющий,
если он осуществляется, 100% достоверность идентификации и не идентификации, Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта
прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3,4,5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью. Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
Таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированнын объектов, а затем разделить на число всех объектов то это и будет критерий качества модели [классификатора], учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, Этот критерий предложен и реализован в системе "Эйдос" проф. Е.В.Луценко в 1994 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0,1}: L1 =( TP + TN - FP - FN ] i[ TP + TN + FP + FN ] (нормировка: {-1,+1}] L2 = (1 + (TP + TN - FP - FN ] / [ TP + TN + FP + FN ] ] / 2 (нормировка: {0,1}]
где количество: TP - истино-положигельных решений; TN - истино-отрицательных решений; FP - ложно-положительных решений; FN • ложно-отрицательных решений;
Классическая F-мера достоверности моделей Ван Ризбергена (колонка выделена ярко-годубым фоном): F-mera = 2*(PrecisionliRecall)/(Preci$ion+Recall) Precision = TP/(TP+FP] - точность модели; Recall = TP/(TP+FN] - полнота модели;
L1 -мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым Фоном): L1 -meia = 2*(SPrecisiorfSRecall]/(SPrecision+SRecall] S Precision = STP^[STP+SFP) - точность с учетом сумм уровней сходства; SRecall = STP/(STP+SFN) -полнота с учетом сумм уровней сходства;
STP ■ Сумма модулей сходства истино-положигельных решений; STN • Сумма модулей сходства истино-отрицательных решений; SFP • Сумма модулей сходства ложно-положительных решений; SFN - Сумма модулей сходства ложно-отрицательных решений.
L2-Mepa проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым Фоном):
L2-mera = 2*(APrecisioifARecall]/(APrecision+ARecall]
APiecision=ATP/(ATP+AFP) - точность с учетом средних уровней сходства;
ARecall =ATP/(ATP+AFN) -полнота с учетом средних уровней сходства;
ATP=STP/TP • Среднее модулей сходства истино-положительных решений; AFN=SFN/FN • Среднее модулей сходства истино-отрицательных решений; AFP=SFP/FP ■ Среднее модулей сходства ложно-положительных решений; AFN=SFN/FN • Среднее модулей сходства ложно-отрицательных решений,
Строки с максимальными значениями F-меры, Li-меры и 1.2-меры выделены Фоном цвета, соответствующего колонке.
Луценко E.G. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе 'Эйдос" / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ei.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.
Рис. 4. Help режима 4.1.3.6 (оценка достоверности моделей) Рассмотрим частотные распределения на рисунке 5.
Рис. 5. Частотные распределения
Из этих частотных распределяй видно, что и при идентификации, и не идентификации количество истинных решений при всех уровнях сходства/различия превосходит количество ложных решений, причем при уровнях сходства выше 22% и уровнях различия больше 54% ложные решения вообще не встречаются.
Эти результаты вполне разумны.
3. Выводы и перспективы.
Если модель объекта достаточно адекватна, то на ее основе корректно решать задачи прогнозирования (задача 5) и поддержки принятия решений (задача 6), а также задачу исследования модели предметной области (задача 7).
Системно-когнитивное исследование моделируемой предметной области позволяет получить следующие научные результаты:
- информационные портреты классов и значений факторов;
- SWOT-анализ влияния значений факторов на параметры качества жизни;
- когнитивные диаграммы классов и когнитивные диаграммы признаков (значений факторов);
- дендрограммы когнитивной кластеризации классов и значений факторов;
- нелокальные нейроны и слой нелокальной нейронной сети;
- 3d интегральные когнитивные карты;
- когнитивные функции, отражающие какое количество информации содержится в значениях факторов о классах;
- когнитивные диаграммы содержательного сравнения классов;
- когнитивные диаграммы содержательного сравнения значений факторов по их влиянию на принадлежность к классам;
- Парето-кривую ценности значений факторов.
Литература:
1. Луценко Е.В. Автоматизация функционально-стоимостного анализа и метода «Директ-костинг» на основе АСК-анализа и системы «Эйдос» (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) [Электронный ресурс] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). Краснодар:КубГАУ, 2017. №07(131). С. 1-18. Режим доступа http://ej .kubagro.ru/2017/07/pdf/01.pdf
2. Луценко Е.В., Лойко В.И., Барановская Т.П. Системно-когнитивный анализ в управлении номенклатурной и объемами закупки-реализации продукции в торговой агрофирме: постановка задачи [Электронный ресурс ] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). Краснодар: КубГАУ, 2017. №09(133). С. 730-734. Режим доступа: http://ej .kubagro.ru/2017/09/pdf/55.pdf
Literature:
1. Lutsenko E.V. Automation of functional -cost analysis and the "Direct Costing" method based on ASA analysis and Eidos system (automation of management of physical and financial efficiency of costs without meaningful technological and financial-economic calculations based on information and cognitive technologies and control theory) [Electronic resource] // Polythematic network electronic scientific journal of Kuban State Agrarian University (Scientific journal of KubSAU). Krasnodar: KubSAU, 2017. No. 07 (131). P. 1-18. Access mode: http://ej.kubagro.ru/2017/07/pdf/01.pdf
2. Lutsenko E.V., Loiko V.I., Baranovskaya T.P. System-cognitive analysis in the management of the nomenclature and sales revenue in a trading agrofirm: problem statement [Electronic resource] // Polythematic network electronic scientific journal of Kuban State Agrarian University (Scientific journal of KubSAU). Krasnodar: KubSAU, 2017. No. 09 (133). P. 730-734. Access mode: http://ej.kubagro.ru/2017/09/pdf/55.pdf