RU   ENG
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Інтелектуальна система (ІС) – автоматизована система, заснована на знаннях, або комплекс програмних, лінгвістичних та логіко-математичних засобів для реалізації основного завдання – здійснення підтримки діяльності людини та пошуку інформації в режимі просунутого діалогу природною мовою. [1]

У технологіях прийняття рішень ІС – це інформаційно-обчислювальна система з інтелектуальною підтримкою, яка вирішує завдання без участі людини — особи, яка приймає рішення. [2]

Ресурси будь-якої організації постійно перебувають у стані руху. У будь-який момент часу в наявності є більша чи менша кількість товарних запасів, готівки, прибуткових та видаткових рахунків. Навіть відносно маленьке підприємство має опрацьовувати великий обсяг інформації. Швидкість, з якою ця інформація змінюється, робить необхідним керівництва застосування формальних методів збору та обробки інформації.

Необхідно організувати поставки таким чином, щоб продукції на складах підприємства було достатньо задоволення потреб клієнтів у продукції підприємства на деякий проміжок часу. Час, на який має вистачити запасів продукції підприємства, визначається залежно від того, скільки потрібно часу для усунення найчастіших причин збоїв у роботі підприємства.

У роботі розглядається підприємство аптечної мережі з великим обсягом номенклатури. Підприємству необхідно іноді виконувати пошук постачальників продукції та організовувати його підвезення до місць реалізації.

Ефективне управління запасами дозволяє підприємству задовольняти чи перевищувати очікування споживачів, створюючи такі запаси кожного товару, які максимізують чистий прибуток. [3]

1. Актуальність теми

Ситуація над ринком носить непередбачуваний характер, і вона неминуче відбивається на виробничому процесі. Назвати точну цифру, скільки буде продано продукції наступного місяця, не береться жоден фахівець. Однак планувати роботу підприємства все ж таки необхідно, тому обсяг продажів на майбутні періоди з деякою часткою ймовірності визначається або за допомогою експертів, або за допомогою спеціального програмного забезпечення.

Таким чином, сучасне підприємство стикається з низкою завдань, пов'язаних із забезпеченням оптимальних обсягів запасів. Із цього випливає необхідність створення спеціального програмного забезпечення.

Система, що розробляється, буде призначена для використання у відділі постачання, т.к. саме цей відділ займається визначенням потреб компанії у певних товарах, а також організацією їх зберігання та видачі.

2. Мета і задачі дослідження та заплановані результати

Мета створення системи – зменшення витрат підприємства у процесі закупівель товару, за рахунок оптимізації планування закупівель.

Задачі для виконання поставленої мети:

Об'єкт досліджень: діяльність менеджерів відділів закупівельної логістики аптечної мережі.

Предмет досліджень: організація управління запасами складі з використанням сучасних методів моделювання та прогнозування.

Передбачувана наукова новизна:

3. Огляд існуючих інструментальних засобів

На ринку існує багато систем, призначених для управління закупівлями. Нижче наведені одні з найбільших програм.

SAP Ariba.

Перша система у списку програмного забезпечення для відділу закупівель, розробленого компанією Supply Chain Digital (реліз від травня 2020 р.), пропонує серію рішень в галузі управління постачальниками, продажами, послугами для покупців. За допомогою SAP Ariba компанії можуть повністю цифровизувати та спростити свої процеси управління витратами в інтегрованій хмарній платформі. [4, 7] Рішення включає стратегічні модулі для виконання різних операцій – від управління постачальниками та аналізу витрат до закупівель та контрактів – що дозволяє компаніям оптимізувати процеси управління закупівлями та витратами, виявляти можливості для економії та вибудовувати стабільний ланцюжок поставок на основі єдиного джерела достовірної інформації . Користувачі також стають частиною найбільшої B2B мережі, в якій компанії можуть взаємодіяти один з одним, співпрацювати у цифровому форматі та здійснювати угоди з мільйонами постачальників та партнерів із віртуальних каналів. [9]

Система реалізує такі функції:

Рішення призначене для великих та середніх організацій, які хочуть перевести на цифрові рейки усі свої процеси закупівель та постачання – від вибору постачальника до укладання контракту. SAP Ariba Snap є відповідним розширенням портфеля Ariba для швидкорослих компаній.

Зовнішній вигляд програми представлено малюнку 1.

Интерфейс SAP Ariba

Малюнок 1 – Інтерфейс SAP Ariba

Oracle: Ланцюги поставок та виробництво.

Не менш популярна система представлена у Oracle. Це рішення управління прямими і непрямими витратами на різних етапах закупівель (укладання договору, купівля і оплата). Ця платформа також полегшує відносини з постачальниками за допомогою пристроїв взаємодії та обміну документами. Oracle дає можливість автоматизувати процеси виробничого планування та управління логістикою на різних рівнях: від щоденного цехового планування та управління з поопераційним контролем якості продукції до укрупненого календарного планування виробництва, у тому числі по групі підприємств. [4, 6]

Oracle надає такі можливості:

Зовнішній вигляд програми представлено малюнку 2.

Интерфейс Oracle

Малюнок 2 – Інтерфейс Oracle

Microsoft Dynamics AX (Axapta).

Багатофункціональна ERP-система управління ресурсами підприємства для середніх та великих компаній. Axapta надає такі можливості:

Основними модулями системи Axapta є:

Зовнішній вигляд програми представлено малюнку 3.

Интерфейс MX Axapta

Малюнок 3 – Інтерфейс MX Axapta

Представлені вище інструментальні засоби мають велику кількість функцій і мають наступні переваги:

Дані інструментальні засоби є хорошими представниками у своїй сфері, але також мають ряд недоліків:

У ході порівняння представлених засобів було виявлено, що системи мають великий функціонал і мають безліч переваг. Але через відсутність безкоштовних версій їх використання стає доступним меншому колу користувачів. Також, недоліком для систем і перевагою для системи, що розробляється, є наявність планування закупівель по всіх чотирьох моделях планування закупівель.

4. Методи прогнозування

Завдання прогнозування даних із історичного, тобто, накопиченому масиву значень обсягів продажу та цін можна вирішувати кількома способами.

Перша група прогнозних моделей – моделі на основі теорії ігор (моделі рівноваги по Нешу, модель Курно, модель Бертрана та ін.)

До другої групи моделей відносять так звані імітаційні чи фундаментальні моделі. Враховуючи те, що ці моделі потребують великого обсягу вихідних даних, їх використання для короткострокового прогнозування обмежене.

Третя група прогнозних моделей ґрунтується на аналізі часових рядів, у якому використовується сукупність математико-статистичних методів, призначених для виявлення структури часових рядів, вивчення історичної динаміки досліджуваних показників та екстраполяції їх на перспективу.

У цій групі прогнозних моделей виділяють дві підгрупи: традиційні статистичні моделі та моделі штучного інтелекту.

Представниками моделей штучного інтелекту є прогнозні моделі на основі нейронних мереж. Використання даних моделей дозволяє асоціювати досліджуваний показник із набором різних факторів (не тільки історичних значень) та екстраполювати його значення на перспективу.

4.1 Метод ковзного середнього

Один з методів, що найчастіше використовуються, для вирівнювання часового ряду – метод ковзного середнього, т.к. він простий у розумінні та реалізації. Змінні середні зазвичай використовуються з даними тимчасових рядів для згладжування короткострокових коливань та виділення основних тенденцій або циклів. Метод використовується при короткостроковому прогнозуванні:

yt+1 = mt-1 + 1/n(yt – yt-1)

де t + 1 – прогнозний період; t – період, що передує прогнозному періоду (рік, місяць тощо); yt+1 – прогнозований показник; mt-1 – ковзна середня за два періоди до прогнозного; n=3 – кількість рівнів, що входять до інтервалу згладжування; yt – фактичне значення досліджуваного явища за попередній період; yt-1 – фактичне значення досліджуваного явища за період, попередніх прогнозному. [8]

Для визначення ковзної середньої формуються укрупнені інтервали, що складаються з однакового числа рівнів. Кожен наступний інтервал виходить поступовим зрушенням початкового рівня динамічного ряду однією рівень. Перший інтервал включає рівні y1, y2, .... ym; другий - рівні y2, y3, .... ym +1 і т.д. Таким чином, інтервал згладжування ніби ковзає по динамічному ряду з кроком, рівним одиниці. По сформованим укрупненим інтервалам визначається сума значень рівнів, виходячи з яких розраховуються ковзаючі середні. [11]

Математична постановка задачі для методу ковзних середніх: дано масив цін за попередні дні. Необхідно спрогнозувати ціни на прогнозований майбутній період. Для прогнозування цін для планування закупівлі:

yt+1 = mt-1 + 1/n(yt – yt-1)

де t + 1 – прогнозована дата; t – попередня дата; yt+1 – прогнозована ціна; mt-1 – ковзна середня за два дні до прогнозного; n – кількість рівнів, що входять до інтервалу згладжування; yt – значення ціни на попередню дату; yt-1 – значення ціни за два дні до прогнозної дати.

Для часового ряду визначається інтервал згладжування. Якщо необхідно згладити дрібні безладні коливання, то інтервал згладжування беруть якомога більшим; інтервал згладжування зменшують, якщо потрібно зберегти дрібніші коливання. За інших рівних умов інтервал згладжування рекомендують брати непарним.

Ці обчислення будуть повторюватися до тієї дати, яка нас цікавить.

Алгоритм також застосовується для прогнозування обсягів продажу.

Переваги:

Недоліки:

Висновок: метод є простим і легким у використанні, але має безліч недоліків, які збільшують похибку прогнозування.

4.2 Метод експоненційного згладжування

Експоненційне згладжування часових рядів – модифікація методу найменших квадратів для аналізу часових рядів, при якому пізнішим спостереженням надається більша вага, іншими словами, ваги точок ряду зменшуються (експоненційний закон) у міру видалення в минуле.

Розрахунок здійснюється за допомогою експоненційно-зважених ковзних середніх. Метод експоненційного згладжування є найбільш ефективним при розробці середньострокових прогнозів.

Ut+1 = aYt + (1-a)Ut

де t – період, що передує прогнозному; t+1 – прогнозний період; Ut+1 – прогнозований показник; a – параметр згладжування; Yt – фактичне значення досліджуваного показника за період, що передує прогнозному; Ut – експоненційно зважена середня для періоду, що передує прогнозному.

Оптимальна величина параметра згладжування а обчислюється за формулою:

a= 2/n +1

де n – кількість спостережень, що входять до інтервалу згладжування.

Для вибору Uo (експоненційно зваженого середнього початкового) як Uo використовують вихідне перше значення бази прогнозу. [8]

Математична постановка задачі для методу експоненційного згладжування: дано масив цін за попередні дні. Необхідно спрогнозувати ціни на прогнозований майбутній період. Для прогнозування цін для планування закупівлі:

Ut+1 = aYt + (1-a)Ut

де t – попередня дата; t+1 – прогнозована дата; Ut+1 – прогнозована ціна; a – параметр згладжування; Yt – ціна за попередню дату; Ut – експонентно зважена середня для попередньої дати.

Оптимальної величини параметра згладжування а обчислюється за формулою: a = 2/n +1 де n – кількість спостережень, що входять до інтервалу згладжування. При побудові прогнозів з допомогою методу експоненційного згладжування однією з основних проблем вибір оптимального значення параметра згладжування a. Зрозуміло, що з різних значеннях результати прогнозу будуть різними. Якщо a близька до одиниці, це призводить до обліку у прогнозі переважно впливу лише останніх спостережень; якщо близька до нуля, то ваги, якими зважуються обсяги продажу в часовому ряду, зменшуються повільно, тобто, при прогнозі враховуються всі (або майже всі) спостереження.

Експоненційне зважене середнє початкове дорівнюватиме першому значенню ціну з масиву даних.

Ці обчислення будуть повторюватися до тієї дати, яка нас цікавить.

Алгоритм також застосовується для прогнозування обсягів продажу.

Переваги:

Недоліки:

Висновок: метод корисний при середньострокових прогнозах, простий у реалізації, але має значний недолік – вибір константного значення згладжування, від якого залежить точність розрахунку.

4.3 Нейронні мережі

Ще одним популярним методом прогнозування є прогнозування з використанням штучних нейронних мереж.

Штучні нейронні мережі (ШНС) – це математичні моделі, а також їх програмні або апаратні реалізації, побудовані за принципом організації та функціонування біологічних нейронних мереж – мереж нервових клітин живого організму.

Нейромережевий метод прогнозування, підходить як для вирішення лінійних та складних завдань, так і для задач класифікації. Навчання нейронної мережі залежить від значень вагових коефіцієнтів. Нейросетевий підхід дозволяє вирішувати завдання різних масштабів.

Головною особливістю мережі, що свідчить про її широкі можливості та високий потенціал, є методика, що дозволяє відчутно прискорити процес обробки інформації, а також мережа набуває стійкості до помилок, які можуть виникати на деяких лініях. [8]

Загальний алгоритм прогнозування за допомогою нейронної мережі представлений на малюнку 4.

Загальний алгоритм прогнозування за допомогою нейронної мережі

Малюнок 4 — Загальний алгоритм прогнозування за допомогою нейронної мережі
(анімація: 17 кадрів, 3 циклів повторення, 42,1 кілобайт)

Переваги нейронних мереж:

Недоліки:

Висновок: метод є найперспективнішим і гнучкішим із вищеописаних, може вирішувати різні завдання, але також є досить складним у реалізації.

5. Математична постановка завдання дослідження

Для досягнення максимального прибутку від реалізації необхідно застосувати існуючі методи вирішення багатокритеріальних завдань теорії ухвалення рішення.

Багатокритеріальна задача вибору формулюється в наступному вигляді. Дано безліч допустимих альтернатив, кожна з яких оцінюється безліччю критеріїв. Потрібно визначити найкращу альтернативу. При її вирішенні основна складність полягає у неоднозначності вибору найкращого рішення.

Розглядаються методи:

У нашій задачі можна виділити кілька критеріїв:

Надамо критеріям змінні:

витрати на постачання товару – A, витрати на зберігання товару – B, витрати на відсутність товару – C, прибуток від роботи за прогнозований період – D.

Тоді вийде, що:

{A-> min; B-> min; C-> min; D-> max

Висновки

З усіх вищеописаних методів прогнозування для системи, що розробляється, найбільше підходить метод прогнозування на основі нейронних мереж здатний вирішувати різноманітні завдання.

На даному етапі виконання магістерської роботи було визначено мету та завдання для системи, проведено порівняльний аналіз існуючих інструментальних засобів.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: травень 2023 року. Повний текст роботи та матеріали на тему можуть бути отримані у автора або його керівника після зазначеної дати.

Список використаних джерел

  1. Интеллектуальная информационная система (ИИС) кратко [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  2. Интеллектуальная система [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  3. Шрайбфедер Д., Эффективное управление запасами [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  4. ТОП 10 ПРОГРАММ ДЛЯ ОТДЕЛА ЗАКУПОК, О КОТОРЫХ НУЖНО ЗНАТЬ [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  5. Microsoft Dynamics AX [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  6. Oracle Procurement [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  7. SAP Ariba [Електронний ресурс]. – Режим доступу: [Посилання] – Загл. з екрану.
  8. Андриевская А.В., Экстраполяционные методы прогнозирования закупочных цен лекарств в условиях аптечной сети [Текст] / А. В. Андриевская, В. О. Вовченко, Н. К. Андриевская// Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2021). Материалы XII Международной научно-технической конференции в рамках VII Международного Научного форума Донецкой Народной Республики к 100-летию ДонНТУ. 2021, 169-175
  9. SAP Ariba. Цифровое управление расходами и поставщиками с помощью облачной торговой площадки SAP Ariba [Електронний ресурс]. – Режим доступу: [Посилання]. – Загл. з екрану.
  10. AXAPTA [Електронний ресурс]. – Режим доступу: [Посилання]. – Загл. з екрану.
  11. Метод скользящей средней в статистике [Електронний ресурс]. – Режим доступу: [Посилання]. – Загл. з екрану.