Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Любое торговое предприятие в современных условиях представляет собой довольно сложный комплекс различного рода звеньев, от слаженной работы которых зависит успех предприятия в целом. Одна из важных составляющих успеха предприятия – эффективное прогнозирование продаж. Правильно составленный прогноз позволяет более эффективно вести процесс учета, прежде всего, контролировать и оптимизировать расходы. Кроме того, если речь идет о товаре, это в первую очередь позволяет составить оптимальные запасы товара на складе.

1. Актуальность темы

Для управления предприятием необходимо уметь предвидеть будущее состояние предприятия и среды, в которой оно существует, вовремя предупредить сбои и срывы в работе, поэтому стал актуальным вопрос о применении прогнозирования в деятельности данного предприятия.

Согласно экспертных оценок, качественное управление потоками товаров и ценовая политика предприятия при использовании систем автоматизации позволяет повысить прибыль на 50–70% [1].

Повышение прибыли происходит за счет:

  1. снижения необходимости товарного запаса, что избавляет от затоваривания и освобождает оборотные средства;
  2. повышает эффективность закупок;
  3. увеличивает скорость прохождения товара по цепочке Поставщик–Склад–Покупатель.

Таким образом актуальность данной темы заключается в том что, при нынешнем нестабильном состоянии экономики многие предприятия, занимающиеся торговой деятельностью, терпят убытки из–за отсутствия или завышенного количества товара на складе. Исходя из этого, можно сделать вывод, что управление товарооборотом не возможно без современных автоматизированных средств учета и планирования.

Подсистема, которая разрабатывается, предоставит руководству широкие возможности по оперативному контролю и управлению торговыми точками. Например, она позволит оперативно определить номенклатуру товаров, которые имеют наибольший спрос, выяснить, сколько их осталось в наличии и у какого поставщика выгоднее всего купить следующую партию этого товара. Руководитель сможет получить информацию о состоянии складских запасов и по продажам, как в аналитическом разрезе, так и в динамике.

2. Цель и задачи исследования, планируемые результаты

Целью работы является разработка компьютеризированной подсистемы управления товарооборотом частного предприятия с учетом прогнозирования спроса, позволяющей снизить затраты на закупку материалов.

Подсистема позволит:

  1. обеспечить наличие товара в нужном количестве;
  2. снизить уровень упущенных продаж;
  3. повысить эффективность контроля по управлению товарооборотом.

Основные задачи исследования:

  1. выполнить анализ функционирования предприятия на предмет управления товарооборотом;
  2. произвести анализ существующих методов составления плана закупок;
  3. выполнить анализ, обосновать и выбрать метод прогнозирования спроса на товар.

Объект исследования: частное предприятие с большими объемами реализации товара.

Предмет исследования: организация управления товарооборотом на частном предприятии с учетом прогнозирования спроса.

В результате разработки компьютеризированной подсистемы управления товарооборотом частного предприятия с учетом прогнозирования спроса планируется достижение следующих научных результатов:

  1. разработка алгоритма прогнозирования спроса продаж на базе нейронных сетей;
  2. разработанная модель прогнозирования позволит прогнозировать закупки с точностью не менее 85%.

Теоретическую основу работы составили труды ученых в областях управленческого учета и компьютерного моделирования, прогнозирования спроса, таких как Бушуева Л.И., Тихонов Э.Е., Костина Л.Н., Гареева Г.А.

3. Обзор существующих систем

В данный момент на рынке программных продуктов представлено огромное количество систем бухгалтерского учета, движения товаров и учета продаж на предприятиях [1]. Все эти продукты имеют законченный вид, но они не приспособлены к конкретным условиям отдельно взятого предприятия.

Популярными разработками являются:

  1. SAP WMS: Система управления складами;
  2. WMS–система RS–Balance 3;
  3. Система ПАРУС–Предприятие 7.

SAP WMS: Система управления складами позволит организовать работу предприятия с учетом всех факторов влияющих на работу склада.

Использование модуля SAP WMS позволяет оптимизировать работу руководителей и менеджеров по складской логистике, благодаря широкому спектру возможностей, позволяющих:

  1. автоматизировать учет на складе в режиме реального времени;
  2. создать прозрачный складской учет;
  3. увеличить производительность складского комплекса;
  4. выполнять мониторинг состояния складского запаса;
  5. оптимизировать затраты на материально–технические и кадровые ресурсы [2].

WMS–система RS–Balance 3 предназначена для автоматизации работы складов различных видов деятельности: торговых, дистрибуторских, распределительных, производственных, складов сырья и материалов, а также для 3PL–операторов. Система разработана на базе программного комплекса RS–Balance 3, который за долгие годы успешной работы зарекомендовал себя как надежное решение в сфере автоматизации бизнеса. Система RS–Balance 3 WMS позволяет осуществлять управление складом, оптимизировать все бизнес–процессы склада, повысить эффективность использования складских площадей, а также обеспечить высокую производительности работы складского персонала и техники [3].

Система ПАРУС–Предприятие 7 используется малыми и средними предприятиями, которые занимаются торговлей, производством, рекламой и т.д. Она позволяет автоматизировать торговые процессы и складской учет, также бухгалтерский и кадровый учет. Система построена по модульному принципу и представляет собой набор модулей, каждый из которых предназначен для автоматизации одного из основных видов деятельности предприятия и может работать как в автономном режиме, так и совместно с другими модулями комплекса.

Как видно из обзора выше рассмотренных самых распространенных систем, они позволяют выполнять весь спектр учетной деятельности, но при этом они сложны в освоении и громоздки, требуют больших капиталовложений, определенного подбора нужных модулей, подходящих для данного предприятия, и точной настройки этих модулей. И именно эти недостатки данных систем мешают их использованию для учета продаж и перемещения товаров в условиях небольшого частного предприятия. К тому же данные продукты требуют серьезных доработок с учетом специфики предприятия, а это приведет в свою очередь к дополнительным тратам.

4. Методы прогнозирования

Для управления предприятием необходимо уметь предвидеть будущее состояние предприятия и среды, в которой оно существует, вовремя предупредить сбои и срывы в работе, поэтому стал актуальным вопрос о применении прогнозирования.

Прогнозирование – одна из основных составляющих управленческого процесса. Игнорируя прогнозирование и планирование своей работы, руководитель предприятия может столкнуться с такими ситуациями:

  1. товар находится на складе, не принося прибыль, так как нет на него спроса;
  2. отсутствие товара из–за большого спроса.

Любая из этих ситуаций отрицательно скажется на работе предприятия в целом.

В работе рассмотрены такие методы прогнозирования как:

  1. регрессионный анализ;
  2. метод экспоненциального сглаживания;
  3. прогнозирование с помощью нейронных сетей.

Регрессионный анализ — статистический метод исследования влияния одной или нескольких независимых переменных на зависимую переменную [4].

Основная цель регрессионного анализа это определение аналитической формы связи, в которой изменение результативного признака вызвано влиянием одного или нескольких факторных признаков, а множество всех других факторов, также проявляющих влияние на результативный признак, принимается за постоянные и средние значения.

Задачи регрессионного анализа [5]:

  1. Установление формы зависимости. Относительно характера и формы зависимости между явлениями, различают положительную линейную и нелинейную и отрицательную линейную и нелинейную регрессию.
  2. Определение функции регрессии в виде математического уравнения того или иного типа и установление влияния объясняющих переменных на зависимую переменную.
  3. Оценка неизвестных значений зависимой переменной. С помощью функции регрессии можно воспроизвести значения зависимой переменной внутри интервала заданных значений объясняющих переменных (т. е. решить задачу интерполяции) или оценить течение процесса вне заданного интервала (т. е. решить задачу экстраполяции). Результат представляет собой оценку значения зависимой переменной.

Метод экспоненциального сглаживания был открыт в середине XX века Броуном и Холтом отдельно друг от друга. Он чаще применяется для разработки среднесрочных прогнозов. Данный метод подходит для прогнозирования не более чем на один период вперед. Основные достоинства метода простота вычислений и возможность учета весов исходной информации. Рабочая формула метода экспоненциального сглаживания (рис. 1) [6]:

Формула метода экспоненциального сглаживания

Рисунок 1 – Формула метода экспоненциального сглаживания

где

t – период, предшествующий прогнозному;

t+1 – прогнозный период;

Ut+1 – прогнозируемый показатель;

а – параметр сглаживания;

Уt – фактическое значение исследуемого показателя за период, предшествующий прогнозному;

Ut – экспоненциально взвешенная средняя для периода, предшествующего прогнозному.

При прогнозировании с помощью метода экспоненциального сглаживания основной проблемой является выбор значения параметра сглаживания а (при разных значениях а результаты будут различны), а также определение начального значения Uo.

Достоинства рассматриваемого метода:

Недостатки:

Одним из известных методов прогнозирования является прогнозирования с использованием искусственных нейронных сетей.

Искусственные нейронные сети – это математические модели, их программные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма.

Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких–то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой–то степени предопределяют будущие [7].

5. Анализ статистических данных для системы прогнозирования

В данной магистерской работе в качестве исследуемых данных были рассмотрены данные, отражающие объемы продаж строительных материалов за 2015 – 2016 года. На основе этих данных были построены временные ряды (рис. 2)[8]. Временной ряд — это последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления [9].

График продаж за 2015–2016 года

Рисунок 2 – График продаж за 2015–2016 года
(анимация: кадров 9; повторов не ограниченно; размер 44,8 КБ)

Цель анализа временного ряда – описание характерных особенностей ряда, для дальнейшего построения модели ряда для предсказания будущих значений на основе прошлых наблюдений.

Для этого использовался аппарат корреляционного анализа. Корреляция – взаимосвязь двух или более величин, при этом изменения значений одной из величин сопутствует изменению значений другой величины [10].

Корреляционный анализ позволяет прийти к следующим заключениям о поведении временного ряда [8]:

  1. Если ряд содержит тренд, то степень взаимной зависимости между последовательными значениями ряда и корреляция между ними очень высоки. При этом коэффициент автокорреляции значителен для первых нескольких сдвигов ряда, а в дальнейшем убывает до нуля.
  2. Если действие случайной компоненты велико, то коэффициенты автокорреляции для любого значения сдвига будут близки к нулю. Высокая изменчивость ряда, являющаяся следствием воздействия случайной компоненты, приводит к уменьшению взаимной связи между последовательными значениями ряда и, соответственно, к уменьшению коэффициента автокорреляции.
  3. Если ряд содержит сезонную компоненту, то коэффициент автокорреляции будет большим для значений сдвига, равных периоду сезонной составляющей или кратных ему.

При анализе временных рядов вычисляется автокорреляция ряда и строится автокорреляционная функция (рис. 3).Для вычисления автокорреляции ряда, использовалась его копия, сдвинутая в сторону запаздывания на определенное количество отсчетов.

Автокорреляционная функция временного ряда продаж

Рисунок 3 – Автокорреляционная функция временного ряда продаж

При анализе автокорреляционных функций и визуальном анализе временных рядов можно сделать выводы о наличии сезонной компоненты. Также наблюдается высокая степень корреляции для некоторых сдвигов, что будет учтено при построении прогнозирующей модели.

Выводы

При выполнении магистерской работы были рассмотрены основные методы прогнозирования, описаны существующие системы для управления товарооборотом на предприятии. Был выполнен анализ и предварительная обработка статистических данных для системы прогнозирования продаж. Построены и исследованы временные ряды продаж строительных материалов за 2015 – 2016 гг. Так же проведены экспериментальные исследования с использованием данных, предоставленных частным предприятием.

При написании данного реферата магистерская работа еще не завершена. Предполагаемая дата завершения: май 2018 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Безрукова Т.Л., Борисов А.Н., Шанин И.И. Совершенствование управления эффективным развитием экономической деятельности предприятий / Общество: политика, экономика, право – Научная электронная библиотека «Киберленинка».
  2. Система управления складами (WMS) [Электронный ресурс] // URL: http://www.itctg.ru/solutions/sap-wms
  3. Управление складом [Электронный ресурс] //URL: http://www.rs-wms.ru/system/
  4. Регрессионный анализ // Википедия. [2017-2017]. URL: https://ru.wikipedia.org/wiki
  5. Пример регрессионного анализа [Электронный ресурс] // URL: https://math.semestr.ru
  6. Прогнозирование на основе метода экспоненциального сглаживания [Электронный ресурс] // URL: http://www.ekonomika-st.ru/drugie/metodi
  7. Искусственная нейронная сеть // Википедия. [2017-2017]. URL: https://ru.wikipedia.org/wiki
  8. Вудвуд Е.Ю., доц. Васяева Т.А. Анализ статистических данных для системы прогнозирования продаж // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ – 2017). – Донецк, ДонНТУ – 2017, с. 247-254.
  9. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: Учебник. — М.: Финансы и статистика, 2001.
  10. Корреляция // Википедия. [2017—2017]. URL: http://ru.wikipedia.org