CC BY
37
6. Соколова А П. Влияние обеспеченности техникой на экономические показатели растениеводства / А П. Соколова, Ю. К Кастиди, Г. Ф. Бершицкая, М Е Трубилин. Сельский механизатор. 2015. №» 2. - С. 22-23.
7. Соколова А. П. Перспективные направления развития животноводства в сельскохозяйственных предприятиях РФ / А П. Соколова, В. Д. Можегова KANT: Экономика & Управление. 2014. № 1 (3). - С. 7-11.
References:
1. Sokolova A P. Directions and efficiency of innovative development of agricultural enterprises / Sokolova A P., Sukhareva O. A Studies in Systems, Decision and Control. 2020. Т. 282. - С. 401407.
2. Sokolova A P. Innovation as a source of agribusiness development / Sokolova A P., Litvinenko G.N. // В сборнике: IOP Conference Series: Earth and Environmental Science. conference proceedings. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. 2020. С. 22053.
3. Belova L.A., Vertiy M.V. Implementation of the import substitution policy and its impact on the potential of the agro-industrial complex of the Krasnodar Territory / Bulletin of the Academy of Knowledge.
2019. No. 5 (34). S. 45-49.
4. Reprintseva E.S., Belova L.A Conditions for the formation of the investment climate in Russia In the collection: scientific support of the agro-industrial complex. a collection of articles based on the materials of the 71st scientific-practical conference of students on the results of research work in 2015. Ministry of Agriculture of the Russian Federation; FSBEI HE "Kuban State Agrarian University named after I T. Trubilin ". 2016.S. 605-608.
5. Sokolova A. P. Economic conditions and priority directions of innovative development of the Russian economy / A P. Sokolova, E. A Kabannik // Bulletin of the Altai Academy of Economics and Law,
2020. No. 1. - P. 86-94.
6. Sokolova AP Influence of equipment provision on economic indicators of crop production / AP Sokolova, Yu. K. Kastidi, GF Bershitskaya, ME Trubilin. Rural machine operator. 2015. No. 2. - P. 22-23.
7. Sokolova AP Perspective directions of development of animal husbandry in agricultural enterprises of the Russian Federation / AP Sokolova, VD Mozhegova KANT: Economics & Management. 2014. No. 1 (3). - S. 7-11.
DOI: 10.24412/2304-6139-2021-5-298-304
В.В. Ткаченко - к.э.н., доцент кафедры компьютерных технологий и систем, ФГБОУ ВО Кубанский ГАУ, tkachenkovasso@yandex.ru,
V.V. Tkachenko - Candidate of Economic Sciences, assistant professor of the Department of Computer Technologies and Systems, FSBEI HE Kuban SAU;
КА. Кравченко - магистрант, ФГБОУ ВО Кубанский ГАУ, kkit1501@mail.ru, KA. Kravchenko - undergraduate, FSBEI HE Kuban SAU; О.Д. Молько - магистрант, ФГБОУ ВО Кубанский ГАУ, omolko@yandex.ru, O.D. Molko - undergraduate, FSBEI HE Kuban SAU.
ТЕХНОЛОГИЯ РАЗРАБОТКИ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ОБЪЕМА ПРОДАЖ РИТЕЙЛЕРОВ TECHNOLOGY FOR DEVELOPING AN INFORMATION SYSTEM BASED ON NEURAL NETWORKS FOR PREDICTING THE SALES VOLUME OF RETAILERS
Аннотация. Одной из центральных и до конца не решенных проблем в современной науке по-прежнему остаются вопросы прогнозирования временных последовательностей. В последние годы для различных областей было разработано и применено множество сложных статистических методов прогнозирования. В противовес им выступают нейросетевые технологии, которые многократно подтвердили целесообразность своего использования в различных областях: прогнозирование динамики фондового рынка и валютного курса, анализ сырьевых рынков и построение прогнозных климатических моделей.
На сегодняшний день почти все крупные финансовые компании используют увеличивающийся стек высоких технологий, в число которых входит нейросетевое прогнозирование. Используемый ранее жесткий технический анализ становится неэффективным, все больше факторов необходимо учитывать при расчете прогнозируемых показателей.
В статье рассмотрены понятия ритейла и основы нейронных технологий для прогнозирования объемов продаж. Проанализированы методы разработки информационных систем и определен стек технологий, подходящих для реализации информационной системы в рамках заданной темы. Описаны потоки входных и выходных данных, способ корректировки для повышения точности прогноза. Указаны преимущества и недостатки аналогичных систем на рынке.
Abstract. One of the central and not fully resolved problems in modern science is still the issue of forecasting time sequences. In recent years, many sophisticated statistical forecasting methods have been developed and applied for various fields. In contrast to them, neural network technologies act, which have repeatedly confirmed the feasibility of their use in various fields: forecasting the dynamics of the stock market and the exchange rate, analyzing commodity markets and building predictive climatic models.
Today, almost all large financial companies use an increasing stack of high technologies, which includes neural network forecasting. The previously used rigorous technical analysis becomes ineffective, more and more factors must be taken into account when calculating predicted indicators.
The article discusses the concepts of retail and the basics of neural technologies for predicting sales volumes. Methods for the development of information systems are analyzed and a stack of technologies suitable for the implementation of an information system within a given topic is determined. The streams of input and output data are described, as well as the correction method to improve the accuracy of the forecast. The advantages and disadvantages of similar systems on the market are indicated.
Ключевые слова: нейронные сети, прогнозирование, ритейл, разработка, веб-интерфейс, базы данных, информационная система, анализ рынка.
Keywords: neural networks, forecasting, retail, development, web interface, databases, information system, market analysis.
Ритейл (или «розничная торговля») - это очень широкое понятие, охватывающее огромную отрасль, в которой работают миллионы людей и приносит большие выручки и доходы от продаж. Розничные точки продаж каждого ритейлера полагаются на систему, которая поставляет им товары для последующей продажи потребителям. Чтобы заготовить для своих точек продаж товарные запасы и убедиться, что у них есть необходимые объемы товаров, предназначенные для реализации и удовлетворения повседневного спроса потребителей, необходимо установить отношения с предприятиями, работающими в рамках розничной цепочки поставок.
Проще говоря, главное предприятие-ритейлер объединяет множество торговых точек, управляет ими, и поставками товаров между производителями и магазинами. За счет больших объемов запрашиваемого товара ритейлер договаривается об оптовых поставках на специальных условиях, из-за чего и получает дополнительную выгоду.
Чтобы не терять часть доходов, связанную с избыточным хранением товаров на складах, либо из-за перебоев с поставками некоторых видов продукции, предприятиям нужно уметь грамотно прогнозировать потребительский спрос. В рамках работы будет рассматриваться реализация долгосрочного прогноза (на несколько недель или месяцев) c помощью нейросетевой технологии.
Нейронные сети - это набор алгоритмов, смоделированных по образу человеческого мозга, которые предназначены для распознавания закономерностей в данных. Они интерпретируют полученные массивы посредством машинного восприятия - вычисления функций зависимостей, маркировки или кластеризации необработанных входных данных. Они распознают числовые шаблоны, содержащиеся в векторах, в которые должны быть переведены все данные реального мира, будь то изображения, звук, текст или временные ряды. Основа работы нейронной сети отображена на рисунке 1.
Рисунок 1 - Схема работы нейросети с одним нейроном
Простой способ реализации нейросети можно получить с помощью языка программирования Python, для этой цели уже существует множество библиотек, но для текущей разработки будет использоваться tensorflow, включающий модуль keras. Тип нейросети - LSTM, а для обучения был выбран способ обратного распространения ошибки.
Входными данными для нейросети послужат:
- статистика продаж за определяемый пользователем период;
- тип дня (будни, выходные, праздники);
- акции и скидки.
Выходными данными будут являться прогнозируемые значения объемов продаж. Стоит отметить, что размер магазина, его регион и тип товара также имеют значение, поэтому статистика продаж должна быть сгруппирована до требуемого формата торговой точки и/или типа товарной позиции, если это необходимо. При наличии значительных вычислительных ресурсов и возможности долгосрочного их содержания без больших дополнительных затрат, прогноз можно считать в исходной метрике день-магазин-товар.
Информационная система предприятия (ИС) - это соединение техники, программ и людей, обеспечивающее получение своевременной и достоверной информации, необходимой для принятия управленческих решений.
В рамках технической реализации текущего проекта было рассмотрено несколько вариантов по реализации ИС, основными из которых стали веб-приложение (клиент-серверное приложение, в котором клиент взаимодействует с веб -сервером при помощи браузера) и де-сктопное приложение (программы, способные работать на любой машине, используя только аппаратные ресурсы компьютера, код самого приложения, который находится локально на рабочем компьютере и библиотеки, предназначенные для этого приложения и находящиеся на локальном хосте). Для удобства пользователей (разработчиков предприятия - ритейла и аналитиков) было выбрано веб-приложение, поскольку оно проще в реализации, его можно самостоятельно доработать при необходимости, а также обновление и поставка на всех клиентов занимает мало времени.
Разрабатываемая система будет состоять из веб -интерфейса, базы данных и микросервиса для расчета нейросети и управления связанными с ней входящими и выходящими потоками данных.
В рамках научного исследования рассматриваются общедоступные, находящиеся в свободном пользовании, технологии, поэтому в качестве хранилища данных будет использоваться Microsoft SQL Server Development, а основой для веб-интерфейса послужит высокоуровневый язык программирования Java и его фреймворк Vaadin. На рисунке 2 представлена схема работы разрабатываемой информационной системы.
Рисунок 2 - Схема работы ИС
База данных может быть любой, имеющейся на предприятии, но в данной работе рассматривается MS SQL. Стандартно у продуктовых ретейлеров имеются данные о товарных позициях, торговых точках, скидках, акциях, остатках, а также статистика продаж. Из совокупности всех массивов данных необходимо сформировать единый фрейм, содержащий основные показатели, которые можно группировать до удобной метрики. Так делать необязательно, если достаточно вычислительных мощностей и один расчет и его обработка до корректного состояния занимает не более 8 часов (нормированный рабочий день).
Ключевые поля входного пула данных могут быть указаны не только в виде дата -товар-магазин, а в более общем виде, например, дата-товар-формат магазина, или дата-товарная группа-магазин (таблица 1). В текущей работе рассматривается массив данных в виде дата-товарная группа-формат магазина-тип даты-скидки- продажи. По сути, все данные по продажам накапливаются через чеки, актуализация праздничных/выходных дней, справочников товаров, акций и магазинов может происходить автоматом или вручную аналитиками, зависит от конкретного предприятия.
Таблица 1 - Исходные данные для нейронной сети
№ Системное имя Тип данных Описание
1 date date, not null Дата (кол-во дней задается пользователем и зависит от типа прогноза)
2 group id int, not null Группа товара
3 format id int, not null Формат магазина
4 date_type smallint, not null Тип даты (будни, выходные, праздничные дни, предпраздничные)
5 discount int, not null Размер скидки на товар
6 sales decimal(18,6), not null Кол-во проданного товара
Здесь же стоит упомянуть исторические (темпоральные) таблицы, которые позволят отменить некорректные изменения или провести ретро-тесты и так далее. В SQL Server, начиная с версии 2016, добавлена поддержка темпоральных таблиц (таблиц с системным управлением версиями). Являясь встроенным компонентом базы данных, эти таблицы предоставляют сведения о хранящихся в них данных на любой, а не только на текущий момент времени. В каждой темпоральной таблице есть два явно определенных столбца, каждый из которых имеет тип данных datetime2, они называются столбцами периода. Эти столбцы периода используются исключительно системой для записи периода действия каждой строки при каждом изменении строки. Такой тип сохранения позволяет экономить место, например, при изменении 3 строк таблицы в 10 тыс. строк, сохранятся именно 3 измененных записи, а не вся старая версия таблицы, как при обычных методах сохранения изменений.
Под ретро-расчетами подразумеваются запуски нейронной сети на старых данных за предыдущие несколько дней, недель, месяцев или годов. Причем в них учитываются про-
шлые данные справочников и накопительных источников. Ретро-расчеты, использующие историчные данные, позволят оценить точность результатов прогноза нейронной сети.
Выходном для первоначальной версии нейронной сети будет являться массив в метрике дата-группа товара-формат магазина-прогноз. Т.е. весь исходный массив учитывается и обрабатывается нейросетью, формируя одно требуемое поле - продажи. Для определения прогноза по магазинам и товарам можно использовать раздолевку по исход ным продажам. На рисунке 3 изображен процесс возможных потоков данных для системы.
Рисунок 3 - DFD диаграмма информационных потоков ИС
Для обработки итоговых данных аналитикам потребуется интерфейс по внесению корректировок, его можно реализовать с помощью ЯП Java, предполагается, что это будет совокупность функционала интерактивных графиков и выгрузок по выбранным параметрам в excel, а также обратная заливка этих значений для корректировки. В БД должны быть реализованы соответствующие обработки с помощью хранимых процедур, т.е. пользователь импортировал файл в специальную импортную таблицу БД, после чего запустилось применение (перезапись) корректировок к итоговым значениям. Прототип страницы работы с графиком представлен на рисунке 4.
Рисунок 4 - Пример графика для корректировки расчета
Разумеется, на рынке уже есть готовые аналогичные решения. Среди них можно отметить SAP, Blue Yonder, Oracle Demantra [3]. Каждое из упомянутых средств прогнозирования имеет свои преимущества и недостатки, среди которых в основном стоимость обслуживания, долгое реагирование технической поддержки и устаревший интерфейс. В случае самостоятельной разработки функциональность интерфейса ограничивается лишь воображением разработчиков, а стоимость обслуживания упирается в поддержку сервера MS SQL.
Таким образом, среди очевидных достоинств разрабатываемой системы можно выделить доступность всех технологий, легкость доработки, доступность информации по теме и решение проблемы затянутой обратной связи от технической поддержки. К недостаткам относятся стоимость покупки и поддержки вычислительных мощностей для больших предприятий, а также время, потраченное на изучение описанных технологий и реализацию информационной системы.
Торговые сети активно используют нейронные сети не только для прогнозирования спроса, но и для увеличения объемов продаж, работы с ассортиментом, настройки системы лояльности, а также в области управлении запасами. С помощью нейронных сетей можно оптимизировать запасы скоропортящихся продуктов на складах или точно спрогнозировать требуемое количество необходимых товаров в зависимости от географии или сезона.
Так, например, система прогнозирования спроса и пополнения товарного запаса была внедрена X5 Retail Group в магазинах «Карусель» и «Перекресток». Такая система использует данные за два года по продажам и их активностям, а также информацию о событиях, которые могут повлиять на выбор покупателей и на работу торговых точек. По официальным данным, возврат инвестиций от внедрения произошел за два месяца вместо восьми.
Кроме продуктовых ритейлеров алгоритмы прогнозирования на основе нейросетей также используют другие отрасли, например, обувные сети «Эконика», RALF RINGER и ZENDEN применяют их для построения графиков персонала. Прогноз клиентопотока и вывод оптимального количества сотрудников под трафик увеличивают продажи на 6-19%.
В современном мире существует большое количество многофункциональных систем для управления ритейлерами, но подходят они не для всех предприятий из -за дорогостоящей поддержки, устаревшего интерфейса и т.д. Однако преимущества использования современных информационных технологий на больших предприятиях, в частности нейронных сетей, были неоднократно подтверждены различными исследованиями. Данная научная работа позволяет ознакомиться с одной из многочисленных вариаций разработки информационной системы прогнозирования продаж на основе нейронной сети и применяемых для этой цели технологиями.
Источники:
1. Кравченко К.А Применение нейросетевых технологий в прогнозировании продаж / К.А Кравченко, В.В. Ткаченко // В сборнике: Наука XXI века: проблемы, перспективы и актуальные вопросы развития общества, образования и науки. Материалы международной межвузовской осенней научно-практической конференции. 2020. С. 145-150.
2. Ливенцева А.В. Использование нейронной сети при прогнозировании объема продаж торговой фирмы / А.В. Ливенцева // Вестник науки и образования. Компьютерные и информационные науки, 2017 г.
3. Программное обеспечение для прогнозирования продаж. [Электронный ресурс]: https://gmdhs oftware. com/ru/ sales -forec asting- software.
4. Кравченко К.А Разработка концепции мобильного приложения для анализа ингредиентов блюд на основе нейронной сети / КА Кравченко, АС. Щутский, АС. Креймер // British Journal of Innovationin Scienceand Technology. 2018. Т. 3. № 4. С. 39-47.
5. Кравченко КА. Обзор нейронных сетей в современных технологиях / КА Кравченко, К.А Ковалева // В сборнике: Цифровизация экономики: направления, методы, инструменты. Сборник материалов I всероссийской студенческой научно-практической конференции. - Краснодар, 2019. С. 173-176.
6. Параскевов АВ. Особенности применения методов многокритериальной оптимизации в сфере общественного питания / А.В. Параскевов, О. Д. Молько, К А Кравченко // Политематиче-
ский сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017.
7. Здановская Л.Б. Анализ системы государственных закупок и рассмотрение практических вопросов контрактной системы по Федеральному закону № 44-ФЗ. / Л.Б. Здановская, В. В. Тка-ченко, Н.А Ткаченко // Вестник Академии знаний. 2020. N° 2 (37). С. 117-123. References:
1. Kravchenko К A Application of neural network technologies in forecasting sales / KA Kravchen-ko, V.V. Tkachenko // In the collection: Science of the XXI century: problems, prospects and topical issues of the development of society, education and science. Materials of the international interuni-versity autumn scientific-practical conference. 2020. P. 145-150.
2. Liventseva A V. The use of a neural network in predicting the volume of sales of a trading company / AV. Liventseva // Bulletin of Science and Education. Computer and Information Sciences, 2017.
3. Software for forecasting sales. [Electronic resource]: https://gmdhsoftware.com/ru/sales-forecasting-software.
4. Kravchenko K.A Development of the concept of a mobile application for analyzing food ingredients based on a neural network / K.A Kravchenko, AS. Shchutsky, AS. Cramer // British Journal of Innovation in Science and Technology. 2018. Т. 3. № 4. P. 39-47.
5. Kravchenko K.A Review of neural networks in modern technologies / KA Kravchenko, KA Ko-valeva // In the collection: Digitalization of the economy: directions, methods, tools. Collection of materials of the I All-Russian student scientific-practical conference. - Krasnodar, 2019. P. 173-176.
6. Paraskevov AV. Features of the application of multicriteria optimization methods in the field of public catering / AV. Paraskevov, O.D. Molko, K.A Kravchenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal KubSAU) [Electronic resource]. - Krasnodar: KubSAU, 2017.
7. Zdanovskaya LB Analysis of the public procurement system and consideration of practical issues of the contract system under Federal Law No. 44-FZ. / L.B. Zdanovskaya, V.V. Tkachenko, N.A Tkachenko // Bulletin of the Academy of Knowledge. 2020. № 2 (37). P. 117-123.
DOI: 10.24412/2304-6139-2021-5-304-313
Н.В. Фалина - к.э.н., доцент кафедры экономики и внешнеэкономической деятельности, ФГБОУ ВО Кубанский ГАУ, falinanv@mail.ru,
N.V. Falina - Cand. Ekon.D., associate Professor of the Department of Economics and foreign economic activity, Kuban state agrarian University;
О.С. Ковтун - магистрант, FSBEIHE Kuban SAU, ok_lesik_97@bk.ru, O.S Kovtun - undergraduate, Kuban state agrarian University.
РЕГИОНАЛЬНЫЕ ИНСТРУМЕНТЫ ПРОГРАММНО-ЦЕЛЕВОГО МЕХАНИЗМА ГОСУДАРСТВЕННОГО РЕГУЛИРОВАНИЯ АПК КРАСНОДАРСКОГО КРАЯ REGIONAL INSTRUMENTS OF THE PROGRAM-TARGET MECHANISM OF STATE REGULATION OF THE AGRO-INDUSTRIAL COMPLEX OF THE KRASNODAR TERRITORY
Аннотация. В работе рассмотрены региональные инструменты программно-целевого механизма государственного регулирования АПК Краснодарского края. В период 2014-2017 гг. развитие сектора АПК находилось под влиянием стратегических инициатив на построение рыночной инфраструктуры, отлаженной системы по сельскохозяйственной переработке с целью максимального удовлетворения покупательских потребностей и ожиданий, возникающих на рынке, с учётом достижения продовольственной безопасности. С целью нивелирования отрицательных последствий различного рода угроз АПК Краснодарского края и развития сельского хозяйства региона необходима активизация государственной поддержки отрасли. Региональный уровень государственного регулирования развития агропромышленного комплекса и сельскохозяйственного рынка представлен несколькими важнейшими целевыми документами, в том числе принятой конце 2018 года «Стратегии социально-экономического развития Краснодарского края до 2030 года», в ней предусмотрены тенденции экономического развития Краснодарского края, распределённые по глобальным вызовам, которые необходимо достичь к 2030 году. Кроме того, высокая деловая активность в Краснодарском крае
