Авторы: Анохина И.Ю., Лапшина Е.В., Кобец А.А. МОДЕЛИРОВАНИЕ ПРОЦЕССОВ РАЗВИТИЯ ЭЛЕКТРОННОЙ КОММЕРЦИИ
Источник: Материалы VII Международной научно-технической конференции «Современные информационные технологии в образовании и научных исследованиях» (СИТОНИ-2021). – Донецк: ДонНТУ, 2021.
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.
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:
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].
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.
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:
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.
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.
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.
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.
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.