CC BY
954 East European Scientific Journal #1(65), 2021 =AOvVaw3hmfZqekW2DBR3ngqKbbHc (дата звернення: 23.12.2020)
9 Курбанов А.Х. Методика оценки целесообразности аутсорсинга Режим доступу до тексту https://www.science-
education.ru/ru/article/view?id=5437 (дата
звернення: 23.12.2020)
10. Мiтюков 1.О., Александров В.Т., Ворона О.1., Недбаева С.М. & Роговий В.В. Фiнансовi послуги Украши: Енциклопедичний доввдник. Кшв : ВАТ «Укрбланковидав», 2002 Режим доступу до тексту https://www.finservice.com.ua/ (дата звернення: 23.06.2020)
УДК 519.872 ГРНТИ 06.56.21
Markelov M.M.
Reshetnev Siberian State University of Science and Technology
OPERATOR LOAD MANAGEMENT IN MASS SERVICE SYSTEMS USING INTELLEGENCE DATA ANALYSIS
Маркелов Матвей Михайлович
Сибирский Государственный Университет Науки и Технологий
УПРАВЛЕНИЕ НАГРУЗКОЙ НА ОПЕРАТОРОВ В СИСТЕМАХ МАССОВОГО ОБСЛУЖИВАНИЯ С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Summary. The paper proposes a method for managing operator workloads in queuing systems by data mining using the example of cashiers' work in grocery retail.
Аннотация. В работе предложен способ управления нагрузками операторов в системах массового обслуживания с использованием интеллектуального анализа данных на примере работы кассиров в продуктовом ритейле.
Key words: Management of queuing system, scheduling, computer vision, data mining.
Ключевые слова: Управление системами массового обслуживания, составление расписаний, компьютерное зрение, интеллектуальный анализ данных.
Введение.
В настоящее время все острее встает вопрос нехватки времени у людей. Люди пытаются экономить время на всем, на чем его только можно сэкономить. Все процессы, с которыми связан человек, с каждым днем становятся быстрее, а люди становятся нетерпеливее. Поэтому перед ретейлом становится вопрос: «Как обслужить покупателя быстрее, чтобы он остался доволен и с наибольшей вероятностью снова вернулся в магазин?»
В теории массового обслуживания, чтобы сократить время ожидания выполнения запроса, предлагается использование большего числа операторов или сокращение времени выполнения запроса. Но в реальном мире очень сложно повысить скорость выполнения запроса, поэтому для сокращения времени ожидания остается только увеличение числа операторов. Но неконтролируемый рост числа операторов ведет к повышенным расходам на них, что является обратной стороной проблемы [1].
Таким образом проблема заключается в нахождении баланса между временем ожидания выполнения запроса и затратами на поддержание единовременно работающих операторов.
В крупных компаниях давно используется анализ данных. Большие объемы информации ежедневно обрабатываются в автоматическом режиме, а конечный пользователь получает итоговый результат, на основании которого он
может принимать решения. Именно такой способ решения проблемы и предлагается в данной статье.
Цель статьи.
Целью статьи является предложить возможность использовать такой подход интеллектуального анализа данных, как компьютерное зрение, к задаче управления нагрузкой операторов в системе массового обслуживания на примере розничного магазина.
Часть 1. Организация управления торговым залом
В начале рассмотрим организацию работы в торговом зале. В настоящее время в торговом зале существует две роли сотрудников:
1) Администратор торгового зала. Данный сотрудник выполняет управленческую функцию, нацеленную на поддержание работы кассовой линии и порядка в торговом зале.
2) Персонал торгового зала. Данные сотрудники выполняют функции по обслуживанию клиентов на кассах, поддержанию чистоты в торговом зале, наличию на полках товара и ценников.
Соответственно администратор торгового зала оставляет за собой право на решение вопросов по работе персонала торгового зала. Он должен опираясь на свои знания и опыт балансировать работу персонала торгового зала между работой в торговом зале для создания комфортных условий для покупателя в зале, и работой на кассе для
ив
паям
сокращения времени ожидания обслуживания и недопущения появления очередей.
При этом количество персонала торгового зала ограничено расходами на поддержание количества людей, работающих в магазине.
Торговый зал имеет определенную структуру, когда различные категории товара распределены по
Взяв за основу то, что покупатели проходят предопределенными маршрутами, можно спрогнозировать, когда возникнет очередь, зная сколько людей и где они сейчас находятся в торговом зале. Таким образом можно заранее открыть кассы, чтобы не допустить образования очередей.
Имея информацию за некоторый промежуток времени, можно узнать, в какое время и в какие дни происходит наибольшее число очередей и заранее составить расписание работы персонала торгового зала так, чтобы было достаточное сотрудников как работающих на кассах, так и работающих в торговом зале [1].
Таким образом появляется три направления для возможной оптимизации рабочих процессов:
1) Детектирование очередей и оповещение администратора, для открытия новых касс.
2) Детектирование повышенной плотности посетителей в определенных зонах торгового зала для прогнозирования возникновения очередей.
3) Составление расписания работы персонала торгового зала для наличия необходимого числа сотрудников, которые будут выполнять все необходимые задачи.
Часть 2. Детектирование очередей
Для детектирования очередей в кассовой зоне можно использовать камеры видеонаблюдения, изображение с которых анализируется с помощью искусственной нейронной сети. Искусственная нейронная сеть на входе имеет видеопотоки с камер, установленных в кассовой зоне, и на выходе дает информацию о том, сколько человек сейчас находится в очереди [2].
East European Scientific Journal #1(65), 2021 55 залу таким образом, что среднестатистический покупатель проходит по всему залу в поисках нужного ему товара и выходит на кассы в определенных точках, которые прогнозируются заранее. Пример такого движения среднестатистического покупателя по залу представлен на рисунке 1.
Далее информация о количестве человек передается в алгоритм, который с помощью заданных правил определяет дать сигнал на открытие новых касс или нет. К примеру, если нейронная сеть обнаружила на кадре из видеопотока, что в данный момент в очереди находится 2 человека, то алгоритм не подает сигнал, так как это недостаточно длинная очередь. При этом, если нейронная сеть обнаружила 5 человек- то алгоритм должен дать сигнал на открытие касс. Данное пороговое значение должно быть регулируемым для использования в магазинах различных размеров.
Сигнал о необходимости открытия новых касс может быть двух видов: требующий участия человека или автоматический.
В случае сигнала, требующего участия человека, администратору по средствам оповещения на мобильном телефоне или компьютере приходит сообщение о том, что на кассе обнаружена очередь и необходимо открыть новую кассу. Далее администратор самостоятельно принимает решение открыть новую кассу или нет. Так же, благодаря оповещению о том, на какой кассе образовалась очередь, администратор может принять решение какую кассу открыть, чтобы перенаправить посетителейЬ [1].
Плюсом такого типа сигнала является высокое качество принятия решения, так как администратор может перенаправить поток посетителей необходимым образом и уменьшить очереди на кассах.
Минусом такого типа сигнала является то, что администратор должен постоянно находится в
Рисунок 1. Пример передвижения потока покупателей
56 East European Scientific Journal #1(65), 2021 определенной точке торгового зала, чтобы вовремя среагировать на оповещение и направить персонал на кассы.
В случае автоматического оповещения подается сигнал на весь магазин, означающий что свободный сотрудник торгового зала должен прийти и начать работать на кассах, так как образуются очереди.
Плюсом такого типа сигнала является то, что он не требует участия человека в принятии решения. Система сама оповещает всех сотрудников о необходимости открыть кассу.
Минусом такого типа оповещения является неконтролируемость нагрузки сотрудников. Персонал должен сам принимать решения о том, кому идти открывать кассу или нет необходимости в этом, и если да, то какую кассу необходимо сейчас открыть.
Помимо сигнала на открытие новых касс, система должна давать сигнал на закрытие более не нужных касс. Для этого используется тот же алгоритм, который так же анализирует число человек в очереди, но при достижении минимального порогового значения дает сигнал на закрытие касс.
Часть 3. Детектирование повышенной плотности посетителей
Следующим направлением является детектирование повышенной плотности посетителей в определенных зонах торгового зала для прогнозирования возникновения очередей. Для этого используются камеры видеонаблюдения, установленные в зале. Данные с этих камер являются входными данными для другой искусственной нейронной сети. Целью данной искусственной нейронной сети является определение плотности людей на участке торгового зала, на который направленна камера в данный момент. В этом случае нет необходимости считать людей, а достаточно понимать какую площадь кадра занимают движущиеся объекты [2].
Такой подход позволит снизить вычислительные нагрузки на сервер, на котором будут производится вычисления, а также это снижает уровень технических требований к камерам видеонаблюдения, что поможет сэкономить на оборудовании.
Далее данные о плотности, полученные посредством искусственной нейронной сети, отправляются в алгоритм для определения необходимости открыть новые кассы. Открытие новых касс происходит по средством сигналов, как и в случае с детектированием очередей на кассах.
В начале работы системы необходимо анализировать данные о плотности со всех камер видеонаблюдения в зале. В дальнейшем система, анализируя данные о плотностях и возникавших очередях, с помощью алгоритмов машинного обучения назначит весовые коэффициенты для различных камер, тем самым повысив точность прогноза.
Часть 4. Составление расписания для персонала
Последним направлением является составление расписания для персонала на основании информации, полученной из предыдущих направлений. Используя полученную информацию, система может прогнозировать возникновение очередей в различные часы работы. Для увеличения точности используется алгоритм машинного обучения. Система может самостоятельно находить закономерности в числе посетителей магазина в зависимости от дня недели, времени суток, праздников и прочих внешних условий [3].
Для корректной работы системы необходимо ввести некоторые искусственные и естественные ограничения такие, чтобы не оказалось дробного или недостаточного числа сотрудников, и чтобы смены сотрудников длились не менее восьми часов.
Для обучения системы потребуется некоторое время. Чтобы найти закономерности между датами и очередями должен пройти минимум один календарный год. Так же могут возникнуть некоторые случайные события, в виде ремонта окрестных дорог, ремонта магазина, климатических условий, которые могут повлиять на частоту посещения магазина. Система должна уметь восстанавливать данные в таких случаях, чтобы избежать их влияния в дальнейшем.
Вывод
Рассмотренная система не требует большого количества оборудования, большинство магазинов уже располагает достаточным числом камер наблюдения, информация с которых практически никак не используется. Анализ подобной информации способен дать большой объем знаний о поведении покупателей в зале, о критериях их выбора и точках роста для магазина. Рассмотренная система дает лишь часть представления о том, какие объемы полезных знаний можно получить, анализируя видеопоток с камер в магазинах.
Рассмотренная система, используя методы интеллектуального анализа данных, способна увеличить скорость обслуживания клиентов в магазине, сократив время ожидания клиента в очереди, своевременно давая сигнал на открытие новых касс. Так же методы интеллектуального анализа данных способны облегчить управленческие задачи по формированию расписания, предлагая наиболее эффективное решение по расписанию персонала магазина, основанного на истории возникновения очередей при различных внешних условиях.
Список литературы:
1. Маркелов М.М., Шугалей А.П. Обзор методов управления системами массового обслуживания/ Актуальные проблемы авиации и космонавтики. - 2020. - Т. 2. - C.54-55
2. Markelov M.M. Algorithms of recognition images and tracking object on video/ Молодежь.
ив
паям
Общество. Современная наука, техника и инновации. - 2020. - №. 19. - С. 312-313.
3. Шугалей А.П., Маркелов М.М., Камшилова Ю.А. Система поддержки принятия решений при исследовании эффективности сложных систем/ Решетневские чтения. Материалы
East European Scientific Journal #1(65), 2021 57 XXIII Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М.Ф. Решетнева. - 2019. - Т.2. -С. 471-472.
UDC 332.122, 332.13 (477)
Markovych V. V.
PhD in Economics, research fellow, Ivan Franko National University of Lviv
EXPERIENCE IN IMPLEMENTING SPECIAL ECONOMIC ZONES IN UKRAINE (ON THE EXAMPLE OF LVIV OBLAST)
ОПЫТ ВНЕДРЕНИЯ СПЕЦИАЛЬНЫХ ЭКОНОМИЧЕСКИХ ЗОН В УКРАИНЕ (НА ПРИМЕРЕ ЛЬВОВСКОЙ ОБЛАСТИ)
Summary. The conditions, features and results of the functioning of special economic zones (SEZ) in Ukraine are studied. The main reasons for the unsuccessful experience of using the SEZ have been determined. The evaluation of the efficiency of functioning of the FEZ in Lviv oblast (on the example of the SEZ Yavoriv and SEZ of tourist-recreational type Health Resort Truskavets) for the period 2000-2019 was carried out. Their influence on the socio-economic development of the Lviv oblast in general and the city of Truskavets and Yavoriv district in particular is shown. Based on the results of the study, the need for the use of new spatial and organizational forms of stimulating economic activity in the regions of Ukraine has been established.
Аннотация. Исследованы условия, особенности и результаты функционирования специальных экономических зон (СЭЗ) в Украине. Определены основные причины неудачного опыта применения СЭЗ. Проведено оценивание эффективности функционирования СЭЗ в Львовской области (на примере СЭЗ "Яворив" и СЭЗ туристическо-рекреационного типа "Курортополис Трускавец") за период 2000-2019 гг. Показано их влияние на социально-экономическое развитие Львовской области в целом и г. Трускавец и Яворивского района в частности. Основываясь на полученных результатах исследования, установлена необходимость применения новых пространственно-организационных форм стимулирования экономической деятельности в регионах Украины.
Key words: special economic zones; regional economy; foreign direct investment; Ukraine.
Ключевые слова: специальные экономические зоны; региональная экономика; прямые иностранные инвестиции; Украина
Problem statement. Special Economic Zones (SEZs) are an important factor in the development of the world economy. According to the Bay Area Council Economic Institute, today there are more than 3.5 thousand special economic zones in 130 countries, which account for $200 billion in world exports and employ about 66 million people [1]. The most successful practice of using SEZ is observed in China, the USA, Brazil, the United Kingdom, Switzerland, the countries of Southeast Asia and others [2].
In Ukraine, 11 SEZs were established by 2001, but since 2005 special preferences for business entities in SEZs have been abolished, including the customs regime of the free customs zone [3]. In 2019 and 2020, the legislative term of SEZs, which operated in the Lviv region (SEZ Yavoriv and SEZ of tourist-recreational type Health Resort Truskavets), came to an end. To date, the question of the feasibility of further use of this form of spatial organization of business is acute again, given the need to accelerate the development of depressed regions of Ukraine and those affected by hostilities since 2014. Thus, in October 2020, President of Ukraine Volodymyr Zelensky initiated a discussion on the creation of free economic zones in Donbass and Western Ukraine. Given the above, there is an
important scientific problem in a determining the effectiveness of implementing SEZs in Ukraine.
Analysis of recent research and publications. Many works of leading economists are devoted to the study of theoretical and applied aspects of SEZ issues. In particular, World Bank experts periodically conduct a thorough study of the productivity and prospects of SEZ development in the world [4, 5]. Among the scientists who studied a set of problems related to the creation and activities of SEZs were N. Armstrong, D. Dowall, W. Fulton, G. Riposa, J. B. Steinberg, J. Taylor, V. Kravtsiv, P. Zhuk, M. Melnyk, O. Butkevych, O. Zeldin, V. Borshchevsky, V. Zasadko, S. Tkach, V. Vyshnevsky, Y. Galasyuk, B. Danylyshyn, S. Dolishniy, Y. Makogon.
Selection of previously unsolved parts of the general problem. Despite the extensive coverage of SEZ issues by scientists and practitioners, it still remains undisclosed and contains many controversial issues. Estimates of the effectiveness of the application of these economic tools in the scientific literature, periodicals and government documents are ambiguous - from extremely negative to positive. The impact of SEZs on regional development is insufficiently studied in Ukraine. Therefore, it is now obvious that it is
