Интеллектуальная аналитика сбыта торговой компании на платформе Tableau Desktop Public 2020.3

На нынешний день мы являемся очевидцами интенсивного развития технологии интеллектуального анализа данных (data mining), возникновение которой связано, в первую очередь, с необходимостью аналитической обработки сверхбольших размеров информации, накапливаемой в современных хранилищах данных. Возможность применения хорошо известных методов математической статистики и машинного обучения для решения задач подобного рода открыло новые возможности перед аналитиками, исследователями, а также теми, кто принимает решения - менеджерами и руководителями компаний.

Выбор темы выпускной квалификационной работы определен возможностью внедрения качественного управления сбытом торговой компании.

Объект исследования – исходные данные по управлению сбытом продукции торговой компании.

Предметом исследования является процесс применения интеллектуальной аналитики на платформе Tableau Desktop Publish 2020.3.

Цель выпускной квалификационной работы – это разработка дашбордов сбыта торговой компании на платформе Tableau Desktop Publish 2020.3. Интеллектуальная аналитика позволит повысить эффективность управленческих решений в сфере управления сбытом.

Задачи для достижения цели:

• изучить характеристику управления сбытом;
• изучить научную литературу касающегося интеллектуального анализа;
• рассмотреть и провести сравнительный анализ платформы интеллектуального аналитики;
• разработать дашборды для управления сбытом торговой компании;
• провести интеллектуальную аналитику управления сбытом торговой компании.

Первая глава посвящена теоретическим аспектам управления сбыта, рассмотрим виды сбыта, приведем преимущества и недостатки каждого, также рассмотрим интеллектуальную аналитику и ее основные задачи. Заключением первой главы является сравнительный анализ платформ интеллектуального анализа данных.

Во второй главе будут рассмотрены методики интеллектуального анализа на платформе Tableau Dekstop Publish 2020.3.

Последняя глава содержит в себе создание дашбордов для визуализации товарных потоков, геопространнственного анализа экспортно/импортных потоков товаров при взаимодействии с Китаем и определение когорты для каждой категории товаров.

1 Основы интеллектуальной аналитики управления сбытом

1.1 Основная характеристика управления сбытом

Сбыт – это комплекс всех мероприятий, осуществляемых после производства продукта или услуги и завершающийся его продажей [2] или же простыми словами, сбыт – это организация транспортировки и распространения товара, конечной целью которого является продажа товара.

Управление сбытом – это планирование, организация, мотивация и контроль за всеми процессами в сфере сбытовой деятельности [2]. Сбытовая политика фирмы должна органически объединяться с характеристиками товара или услуги, позиционированием на рынке, ценовыми стратегиями, методами продвижения.

Систематизируя подходы ученых маркетологов к определению «сбытовая деятельность», предложим собственное: это система, которая обеспечивает доставку товаров или услуг в места продажи в точно определенное время и с максимально высоким уровнем обслуживания покупателей.

Роль и значение сбытовой деятельности состоят в следующем:

• сбытовая деятельность в определенном смысле является продолжением производственной деятельности;
• сбытовая деятельность, будучи направлена на коммерческое завершение маркетинговой производственной деятельнoсти предприятия, одновременно обнаруживает, фoрмирует и реализует не только конкретные экономические результаты деятельности, но и конкретные потребности конкретных потребителей.

Самыми важными из задач являются:

• размещение трансформационных центров на маркетинговом полигоне;
• формирование маркетинговых целей с целью эффективного управления поточными процессами [3].

В данном случае назначение сбытовой политики заключается в обеспечении на уровне предприятия должного уровня планирования, организации, управления и контроля процессов перемещения услуг, информации и т.п.

Заключение прoблем в сфере рассредотачивания произведено в обеспечивании планирования, подготовки, реализации и контроля процессов движения готовой продукции и предложений, инфы, валютной наличности и т.п. на локальном уровне. Менеджмент на предоставленном урoвне значит использование более действенных методик работы по физиологическому движению, базирующихся на достоверной, абсолютной и животрепещущей инфы, которая отражает запросы определенных клиентов.

В целом политика сбыта – это целенаправленная деятельность предприятия относительно планирoвания, реализации и контроля передвижения услуг от товаропроизводителя к потребителю с целью максимального удовлетворения спроса и, как результат, получение прибыли в будущем.

Система управления сбытом продукции – является центральным звеном в системе экономической устойчивости работа предприятия. Этому есть подтверждение. Именно в процессе сбыта и реализации готовой продукции можнo определить, насколько эффективны были концепции, используемые в той или иной сбытовой стратегии предприятия.

Как и всякая другая отрасль материального производства, транспорт имеет свой производственный процесс.

На транспорте производственный процесс и продукция этого процесса совпадают во времени и в пространстве. Перемещение грузов является одновременно произвoдственным (автотранспортным) процессом и продукцией транспорта.

Продукция транспорта имеет следующие особенности:

• материальный характер транспортной продукции заключается в изменении пространственного положения перевозимых товаров;
• на транспорте процессы производства и потребления продукции не разделены во времени, продукция транспорта потребляется как полезный эффект, а не вещь;
• транспортную продукцию нельзя накопить впрок, повышение спроса на перевозки потребует использование дополнительных провозных возможностей; в процессе работы транспорта не создается новой продукции, этот процесс сопровождается потерей физических объемов грузов;
• транспортная продукция вызывает дополнительные затраты в производящих отраслях, что вызывает несовпадение интересов экономики в целом и транспортной отрасли [1].

Позиции, занимаемые компаниями по отношению к сбыту, имеют признаки, позволяющие разделять сбыт по видам.

В таблице 1 представлены два основных вида сбыта.

Таблица 1 – Виды сбыта

Для некоторых компаний считается, что прямой метод сбыта (и личную продажу, в частности) наиболее эффективным среди орудий сбытовой политики. Такие мысли основываются на том, что в случае прямого метода сбыта общения с конечным потребителем происходит через работников фирмы-производителя, которые лучше всего знают толк в собственной продукции и услугах. Этo и является основой для решения проблем сбыта, которые характерны для современного рынка.

Прямой метод сбыта характеризуется перечнем определенных преимуществ и недостатков. Эти преимущества и недостатки можно рассмотреть ниже в таблице 2.

Таблица 2 – Преимущества и недостатки прямого метода сбыта

Косвенный метод сбыта являет собой распределение товаров от производителя к потребителю через посредников, то есть предусматривает формирование собственной сети каналов сбыта.

Кoсвенный метод сбыта также характеризуется перечнем определенных преимуществ и недостатков, предложенных в таблице 3.

Таблица 3 – Преимущества и недостатки косвенного метода сбыта

Компании, которые используют косвенный метод сбыта, мотивируют его целесообразность именно возможностями решения проблем сбыта на современном рынке.

Поскольку каждому из этих методов присущи как преимущества, так и недостатки, то зачастую предприятия стремясь увеличить количество преимуществ и уменьшить действие недостатков обращаются к интеллектуальной аналитике для управления сбытом продукции на предприятии.

• Основные аспекты интеллектуальной аналитики

Интеллектуальный анализ данных обычно определяют, как метод поддержки принятия решений, основанный на анализе зависимостей между данными. В рамках такой oбщей формулировки обычный анализ отчетов, построенных по базе данных, также может рассматриваться как разновидность интеллектуальный анализ данных [5].

Целью ИАД является обнаружение неявных закономерностей в наборах данных. Как научное направление он стал активно развиваться в 90-х годах XX века, что было вызвано широким распространением технологий автоматизированной обработки информации и накоплением в компьютерных системах больших объемов данных. И хотя существующие технологии позволяли, например, быстро найти в базе данных нужную информацию, этого во многих случаях было уже недостаточно. Возникла потребность поиска взаимосвязей между отдельными событиями среди больших объемов данных, для чего понадобились методы математической статистики, теории баз данных, теории искусственного интеллекта и ряда других областей [5].

В ходе проведения интеллектуального анализа данных проводится исследование множества объектов (или вариантов). В большинстве случаев его можно представить в виде таблицы, каждая строка которой соответствует одному из вариантов, а в столбцах содержатся значения параметров, его характеризующих. Зависимая переменная – параметр, значение которого рассматриваем как зависящее от других параметров (независимых переменных). Собственно, эту зависимость и необходимо определить, используя методы интеллектуального анализа данных [7].

Рассмотрим основные задачи интеллектуального анализа данных.

Задача классификации заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит. В роли образца можно привести оценку кредитоспособности возможного заемщика: выявляем, что заемщики могут быть разделены на два класса: "кредитоспособен" и "некредитоспособен". Для решения задачи необходимо, чтобы множество классов было известно заранее и было бы конечным и счетным.

Задача регрессии во многом схожа с задачей классификации, но в задачах регрессии решения производится с помощью поиска шаблонов для определения числового значения. Другими словами, предсказываемый параметр здесь, как правило, число из непрерывного диапазона.

Отдельно выделяется задача прогнозирования новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей, между значениями в которых наблюдается корреляция). При этом могут учитываться имеющиеся тенденции (тренды), сезонность, другие факторы. Классическим примером является прогнозирование цен акций на бирже.

Задача кластеризации заключается в группировании множества объектов на основе схожих параметров. При этом, в отличие от классификации, число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров.

Другое название этой задачи – сегментация. Например, интернет-магазин может быть заинтересован в проведении подобного анализа базы своих клиентов для того, чтобы потом сформировать специальные предложения для выделенных групп, учитывая их особенности.

1. Балалаев С.А. Эффективность управления сбытом материальной продукции на предприятиях промышленности и транспорт: ДГУПС, Хабаровск, 2001.
2. Байбардина Т. Н. Снабженческо-сбытовая деятельность: учеб. пособие /– Минск: ЗАО «Техноперспектива», 2004. – 320 с.
3. Болт Г.Дж. Практическое руководство по управлению сбытом / пер. с англ. Крутикова. – М.: Экономика 1991.
4. Новиков О. А. [и др.]. Коммерческая деятельность производственных предприятий (фирм): учебник /– СПб.: С.-Петерб. гос. ун-т экономики и финансов, 1999. – 416 с.
5. Титоренко Г. А Информационные системы в экономике: учебник, / Под ред. Проф. Г.А. Титоренко. – 2-е изд., перераб. и доп. – М.:ЮНИТА-ДАНА, 2008.- 463с.
6. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. М. СИНТЕГ 2002. 306 с.
7. Уайт Т. Чего хочет бизнес от IT: Стратегия эффективного сотрудничества руководителей бизнеса и IT-директоров – Минск Гревцов Паблишер, 2007. –256с.
8. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами./ Открытые систмы. – №4-5, 2009
9. Дюк В., Самойленко А. Data Mining. Издательский дом "Питер". СПб, 2001.
10. Кречетов Н. Продукты для интеллектуального анализа данных. – Рынок программных средств, № 14, 1997 с.32-39
11. Титма М.Х. Социальное расслоение возрастной когорты: Выпускники 80-х в постсоветском пространстве / Отв. ред. М.: ИС РАН, 1997.
12. Райан С. Анализ данных в Tableau на практике. 100 советов, уроков и стратегий от мастера дзен в Tableau. / пер. с англ. А. Ю. Гинько. – М.: ДМК Пресс, 2021. – 546 с.: ил.
13. Официальные материалы по работе с Tableau [Электронный ресурс]. – Режим доступа : http://www.tableau.com/learn/training/20211, свободный.
14. Данные прекрасны: 10 лучших примеров визуализации данных от истории до наших дней [Электронный ресурс]. – Режим доступа : http://www.tableau.com/learn/articles/best-beautiful-data-visualization-examples, свободный.
15. Малынкин К.В. Мухин И. Б. Ситуационная адаптация пространственных данных для бортовых геоиформационных задач. – Прикладная информатика №6 (36), 2011.