«Разработка компьютеризированных систем маркетинга товаров широкого потребления в условиях Иордании»
 

Моя тема изучает ,Экономика Иордании является смешанной, государство играет значительную роль в таких отраслях, как транспорт, связь, энергетика, крупная обрабатывающая промышленность и туризм, тогда как частный бизнес полностью контролирует сельское хозяйство, мелкую промышленность и сферу обслуживания. Правительство стимулирует как иорданские, так и иностранные частные капиталовложения, а также финансирует долгосрочные проекты

Основными отраслями тяжелой промышленности являются производство цемента, суперфосфатных удобрений и нефтепродуктов (последние производятся из иракской сырой нефти).

Из потребительских товаров производятся текстиль, медикаменты, сигареты, бумага и продукты питания. Быстро растущей экспортной отраслью является производство одежды. Многообразие наименований производимых товаров, требования к быстрой смене моделей и ассортимента требует наличия постоянного контроля за процессом производства,  его динамики и сбыта.

Все это приводит к необходимости автоматизации процессов учета, анализа и контроля за производством и сбытом.

Главная цель маркетинга  - выявить и понять нужды потребителей, чтобы за счет создания товаров и услуг наивысшего качества, их продвижения и распределения по разумной цене удовлетворить нужды и потребности. Процесс маркетинга – выявление и удовлетворение нужд потребителя

Маркетинговый контроль позволяет выявить положительные и отрицательные моменты в конкурентных возможностях организации и внести соответствующие коррективы в ее маркетинговые программы и планы предпринимательской деятельности.

 Маркетинг, как правило, предполагает: контроль за реализацией;анализ возможностей сбыта; контроль прибыльности; анализ маркетинговых затрат.

Прогнозирование продаж - необходимый этап планирования для большинства торговых и производственных предприятий. Результаты прогноза влияют на распределение значительных ресурсов, и ошибки прогнозирования оборачиваются большими потерями. Качественная система прогнозирования должна обеспечивать высокую точность прогноза, оценивать возможные отклонения от прогнозных значений и обеспечивать получение результатов за приемлемое время. Последнее особенно актуально для компаний, предлагающих широкий ассортимент товаров.

В настоящее время разработано много информационных маркетинговых систем, но они в основном направлены на условия западного рынка, слишком дорогие и требуют постоянного контроля фирмы-производителя.

Исходя из того, какие функции выполняет маркетинговая служба автоматизацию их можно разбить следующим образом. прогнозирование продаж; обработка заказов; управление продажами и анализ продаж; управление складом;

управление сырьевыми запасами; управление закупками.

Одной  из задач, которые необходимо решать в системе – это прогноз.

Был проведен краткий обзор методов прогнозирования, их классификации.

Прогнозы бывают краткосрочные, среднесрочные и долгосрочные. Эти разделения определяются соотношением между периодом динамики исследуемого процесса и в периодом прогноза.

Методы прогнозирования также делятся на следующие категории2 качественные методы - где нет формальной математической модели часто из-за того, что имеющиеся данные не являются представителями будущего состояния (долгосрочный прогноз); метод регрессии - продолжение линейной регрессии, где предполагается, что переменная линейно зависит от ряда других переменных; методы множества уравнений - где имеется ряд переменных, которые взаимозависят посредством ряда уравнений (эконометрические модели); методы анализа рядов динамики - где мы имеем одну переменную, которая изменяется во времени и ее будущие значения зависят от прошлых.

В последние несколько лет  наблюдается взрыв интереса к нейронным сетям (НС), которые успешно применяются в самых различных областях - бизнеса. НС вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем.

Нейронные сети – специфический математический аппарат, позволяющий разрабатывать модели для широкого круга задач, в основном вероятностных случайного характера.

Искусственная нейронная сеть - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.

Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.

При работе (использовании) сети во входные элементы подаются значения входных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

Нейронные сети обладают целым рядом свойств,  привлекательных с точки зрения практического использования:

• сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
• толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
• способность к обучению; программирование вычислительной системы заменяется обучением;
• способность к распознаванию образов в условиях сильных помех и искажений.

Эти свойства позволяют с высокой эффективностью прогнозирования и диагностики.

Таким образом в магистерской работе будет представлена компьютеризированная система, которая с одной стороны будет собирать и хранить в соответствующей базе информацию о продажах товаров, а с другой  стороны используя аппарат нейронных сетей прогнозировать продажи с учетом сезонности, типа товара, фирмы-изготовителя, цены на товар и т.д.

Литература:

1. Данько Т.П., Ходимчук М.А, Системы искусственного интеллекта в разработке корпоративных маркетинговых стратегий., 2001
2. Комашинский В.И., Смирнов В.И. Нейронные сети и их применение в системах управления и связи. – М.: Горячая линия – Телеком, 2002.
3. С. Осовский. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002.
4. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические методы в экономике: Учебник. - М.: МГУ им. М.В. Ломоносова, Издательство "ДИС", 1998. - 368 с.
5. Стоцкая В.В. Методика комплексного анализа хозяйственной деятельности.Краткий курс.-Москва:Инфра-М, 2003.-303 стр.
6. Ансофф И. Стратегическое управление. М.: - Экономика, 1989.
7. Завьялов П.С., Демидов В.Е. Формула успеха: маркетинг. М.,1991.
8. Кеворков В.В., Конин В.Н., Лукьянов А.В., Шалимова Т.Г., Организация маркетинговой деятельности на предприятии (в организации): практические рекомендации. Загорск, 1991.
9. Грабауров В.А. Информационные технологии для менеджеров. - М.: Финансы и Статистика (ФиС), 2001, 368 с.
10. Joffie D.B. Strategic Management in Information Technology. - New Jersey: Prentice Hall. Englewood Cliffs, 1994 - 380 c.
11. Теория активных систем: состояние и перспективы/ Бурков В., Новиков Д. М.: Синтег, 1999.-128 с.