Аннотация
Анохина И.Ю., Лапшина Е.В. Моделирование процессов развития электронной коммерции.
Рассмотрен пример моделирования тенденций изменения финансовых показателей интернет-магазина. С использование среды программирования RStudio выполнена реализация поиска точек бифуркации для временных рядов, характеризующих процессы развития электронной торговли.
Постановка проблемы
Электронная коммерция появилась практически одновременно с возникновением интернета. Она подразумевает покупку или продажу товаров и услуг с помощью электронной сети. Индустрия e-commerce развивается очень динамично и оказывает большое влияние на всю сферу торговли.
Мировой рынок электронной коммерции делят на категории:
- рынки верхнего эшелона – США, Канада, Западная и Центральная Европа, Китай, Япония и Австралия;
- рынки второй волны – Бразилия, Мексика, страны Скандинавии и Восточной Европы, Турция, Саудовская Аравия, Индия, страны Восточной Азии;
- рынки выжидания – Аргентина, РФ, ЮАР, Нигерия.
По данным исследовательского онлайн-портала Statista, объем мирового рынка электронной коммерции в 2018 году более чем удвоился по сравнению с 2014-м годом, превысив 2,8 трлн долларов. Лидером по объемам мировых продаж является Китай (35% общего оборота), второе место занимает Великобритания – 18 %, и третье США – 10%.
На рис. 1 показан объем розничных продаж электронной коммерции во всем мире с 2014 по 2024 год (в миллиардах долларов США), красным цветом отмечены прогнозируемые значения на период 2021-2024г.г. [1]. Наблюдается устойчивая тенденция к стабильному росту мирового рынка электронной коммерции. Уже сейчас e-commerce поглощает 17,5% мирового розничного рынка продаж [2].
В современном мире конкурентоспособность компании во многом зависит от ее присутствия в интернете, т.е. использования всех возможностей электронной коммерции. Через свои сайты и онлайн-рекламу компании могут общаться с клиентами, предоставлять информацию о новых продуктах и осуществлять продажи.
2020 год в этом плане оказался знаковым и для российской розничной торговли, и для Интернет-торговли. Так как в условиях пандемии и введения локдауна, потребители стали избегать покупок в традиционных физических торговых точках, компаниям пришлось быстро перестраивать свои бизнес-процессы, чтобы приспособиться к увеличенному спросу на интернет-покупки и сохранить свои конкурентные преимущества в части объемов продаж, количества активных покупателей и качества предлагаемых сервисов [3].
Рис. 1. Объем розничных продаж электронной коммерции во всем мире с 2014 по 2024 год
В работе рассматривались тенденции изменения финансовых показателей крупных российских интернет-магазинов. Строились тренды их развития. Как показали исследования, крайне редко исследуемые процессы можно описать одной моделью, одним трендом. Это обусловлено и общей нестабильностью процессов торговли, и беспрецедентным воздействием, которое оказал Covid – 19 на все мировые процессы. Авторами ставилась задача разработки алгоритма поиска точек глобального изменения процессов развития, требующих применения других моделей и алгоритмов.
Исследования.
Исходные данные для моделирования получены из результатов рейтинга [4], включающего сто крупнейших по объему онлайн-продаж российских магазинов по итогам 2016-2020 года.
Самыми крупными универсальными маркетплейсами России по данным DataInsight на декабрь 2020 года считались Wildberries и Ozon. В качестве показателей, характеризующих положение магазинов на рынке, использовались такие характеристики, как:
- онлайн-продажи – объем продаж через сайт за год в млн рублей;
- заказы – количество выполненных онлайн-заказов;
- средний чек – средняя стоимость выполненного заказа.
Для описания процессов развития электронной коммерции использовались временные ряды. Существуют множество методик, позволяющих с их помощью выполнять прогнозирование, однако часто временные ряды характеризуются таким уровнем изменчивости, что описать тенденции с помощью одного уравнения тренда невозможно, т.к. погрешность модели будет столь велика, что ее использование станет нецелесообразным. В этом случае нужен алгоритм, позволяющий найти точки смены тренда (если они есть).
На рис. 2. показано окно платформы TradingView, которая предоставляет данные по акциям, индексам, позволяет осуществлять технический бизнес - анализ, имеет встроенный симулятор рынка. Приведены еженедельные данные по стоимости акций магазина Ozon.ru с 20.11.20г. по 13.11.2021г. [5]. Как видно из рисунка, за рассматриваемый период несколько раз происходила смена тренда, следовательно, методы экстраполяции, допустимые в рамках одного процесса, не дадут хороших результатов при их смене. Аналогичные тренды строились для магазинов Wildberries.ru, Citilink.ru, apteka.ru.
Рис. 2. Динамика курса акций магазина Ozon
Мы рассматривали точки смены трендов как точки бифуркации. Разработан алгоритм и реализована программа в среде программирования RStudio, позволяющая оценить наличие точек бифуркации и если они есть, определения их координат с использованием полинома нулевой степени.
Значения временного ряда разбиваются на два отрезка, в каждом из которых строился тренд, граница между отрезками рассматривалась как точка бифуркации. Ряд с N точками разбивали на два отрезка с числом точек [1.. n1] и [n1+1.. N], где n1=2..N-1.
Для каждого отрезка по известным значениям временного ряда yi определяли параметры:
Минимизируя значения среднеквадратического отклонения тренда от значений временного ряда, находили значение n1, при котором будет выполняться условие:
Найденное значение n1 и определяло положение точки бифуркации [6].
На рис.3. показан фрагмент программы (цифра 1). Программно в датафрейм считывались данные из электронных таблиц Excel, производились расчеты значений SS, определялось минимальное значение и соответствующее значение n1. Цифра 2 – представление данных Excel в RStudio. Цифрой 3 отмечен график значений SS.
Рис. 3. Фрагмент программы поиска точек бифуркации
Для оценки точности разбиения рассчитывали отношение дисперсии всего временного ряда к суммарной дисперсии аппроксимирующих отрезков, а также определяли значение критерия Фишера.
Как показали исследования, алгоритм работоспособен и с достаточно высокой степенью точности позволяет определять наличие или отсутствие режимов смены трендов временных рядов.
Выводы.
Изучение таких нелинейных явлений, как бифуркации, имеет большое значение, т.к. они соответствуют переломным моментам в развитии рассматриваемых систем. Предложенный в работе алгоритм позволяет автоматизировать поиск наличия и положения точек бифуркации во временных рядах. Необходимы дальнейшие разработки в этом направлении с целью совершенствования модели.
Литература
1. Retail e-commerce sales worldwide from 2014 to 2024 – statista.com – Режим доступа: https://www.statista.com/statistics/379046/worldwide-retail-e-commerce-sales/
2. E-commerce share of total global retail sales from 2015 to 2024 - statista.com – Режим доступа: https://www.statista.com/statistics/534123/e-commerce-share-of-retail-sales-worldwide/
3. Лапшина Е.В., Анохина И.Ю. Оптимизация web-сайта Интернет-магазина. Материалы VI Международной научно-технической конференции «Современные информационные технологии в образовании и научных исследованиях» (СИТОНИ-2019). – Донецк: ДонНТУ, 2019. .- С. 85-94
4. Рейтинг ТОП-100 крупнейших интернет-магазинов России – Data Insight 2015-2019 – Режим доступа: https://www.top100.datainsight.ru
5. TraidingView. Биржевые котировки онлайн – TraidingView – Режим доступа: https://ru.tradingview.com/chart/dM278Now/ ?symbol=NASDAQ%3AOZON
6. А. Д. Кузнецов, А. Г. Саенко, О. С. Сероухова, Т. Е. Симакина, Алгоритм поиска момента смены тренда во временных рядах метеорологических величин, Вестник ТвГУ. Серия: Прикладная математика, 2019, выпуск 3, 74–89.