Применение информационных технологий при разработке подсистемы анализа закупочных цен лекарств в условиях аптечной сети

Аннотация

Андриевская А.В., Андриевская Н.К. – Применение информационных технологий при разработке подсистемы анализа закупочных цен лекарств в условиях аптечной сети В последнее время чрезвычайно ускорились темпы внедрения последних научных разработок из области информационных технологий во все сферы социально-экономической жизни общества, в том числе и в сферу бизнеса. Наиболее передовыми в отношении использования современных ИТ являются торговые структуры, в том числе и аптечные холдинги, для которых внедрение аналитических информационных систем влечет за собой сильное конкурентное преимущество на быстро изменяющихся рынках. В нашей стране в силу сложившейся специфики закупок как бизнес - функции, а также относительной неразвитости самой закупочной логистики, процесс автоматизации закупочной деятельности несколько отстает от мировых трендов.

Общая постановка проблемы

Одной из основных коммерческих функций любого предприятия, в том числе и аптечной сети, является закупка товаров для их последующей реализации. Если система закупок работает только как интерфейс по приему предложений поставщиков, а их оценку осуществляют закупщики вручную, то это значит, что на данный момент ровным счетом ничего не автоматизировано. Автоматическая комплексная или интегральная оценка предложений поставщиков, основанная на критериально - бальном принципе, является ключевым элементом автоматизации работы закупщика.

С учетом всех описанных выше нюансов можно заключить, что выбор автоматизированного закупочного решения является сложным управленческим решением. Среди популярных рыночных предложений на рынке программного обеспечения для аптек представлено несколько видов продуктов: Аналит-аптека (Аналит), ФармаНет (Фарманет), СПО еФарма. В некоторых аптеках практически в чистом виде, с минимальными доработками, эксплуатируется 1С: Предприятие или Галактика. Однако ни одно из вышеописанных решений не обеспечивает требуемую функциональность в полной мере, следовательно, становится необходимой разработка собственной подсистемы анализа закупочной деятельности аптеки и применение целого ряда различных ИТ для решения ее задач.

Разработка оптимальной функциональной структуры

На нашем объекте в текущий момент используется доработанная Галактика до уровня, позволяющего вести предметно-количественный и посерийный учет товаров по партиям. Перед нами стоит задача спроектировать подсистему и связать ее с уже работающей частью. Так как задачи ведения классификаторов и все задачи по учету товаров уже решены, мы можем воспользоваться уже готовыми базами данных для анализа закупочных цен. Одной из постоянных задач менеджера по закупкам является проведение рутинного ежедневного анализа закупочных цен поставщика. Для решения этих задач работа по оптовым закупкам товаров должна включать в себя следующие функции:

1. Импорт данных из справочников и рабочих таблиц «Галактики», необходимых при решении аналитических задач подсистемы.
2. Импорт прайсов цен из файлов формата Excel (*.xls) и формирование своей собственной базы цен.
3. Подготовка данных к анализу, которая включает такие процедуры, как заполнение разреженных промежутков данными на основе методов интерполирования и экстраполирования, а также отбрасывание нетипичных пиковых значений, сильно искажающих среднестатистические тенденции.
4. Определение базовой эффективной цены, наиболее подходящей в данный момент для закупки.
5. Определение выгоды от применения различных планов закупок (до пяти вариантов) и выбор наиболее подходящего на текущий момент.
6. Формирование выборки данных по критериям.
7. Представление в графическом и цифровом выражении линии тренда изменения цен за выбранный период.

Основные методы и технологии

Закупочная функция, в свою очередь, также революционизирует под воздействием развития цифровых технологий, что означает внедрение принципиально новых средств анализа и обработки данных в систему управления предприятием. Реализация каждой из поставленных выше задач предусматривает использования целого набора различных информационных технологий, применения различных математических методов и моделей, в том числе статистических и интеллектуальных. При этом возможно решение одной и той же задачи различными методами, что чрезвычайно усложняет реализацию системы.

При решении же задачи подготовки данных к анализу и при определении базовой эффективной цены, наиболее подходящей в данный момент для закупки, возникает необходимость прогнозирования данных по историческому, т.е. накопленному массиву цен из прайс-листов [1].

Так вот только одну эту задачу возможно решать несколькими способами. Первая группа прогнозных моделей – модели на основе теории игр (модели равновесия по Нэшу, модель Курно, модель Бертрана и др.).

Ко второй группе моделей относят так называемые имитационные или фундаментальные модели. С учетом того, что эти модели требуют большого объема исходных данных, их использование для краткосрочного прогнозирования ограничено.

Третья группа прогнозных моделей основывается на анализе временных рядов, в котором используется совокупность математико- статистических методов, предназначенных для выявления структуры временных рядов, изучения исторической динамики исследуемых показателей и экстраполяции их на перспективу. В данной группе прогнозных моделей выделяют две подгруппы: традиционные статистические модели и модели искусственного интеллекта.

Представителями моделей искусственного интеллекта являются прогнозные модели на основе нейронных сетей. Использование данных моделей позволяет ассоциировать исследуемый показатель (цена на лекарственное средство) с набором различных факторов (не только исторических значений) и экстраполировать его значение на перспективу.

Решение задач с применением ИНС включает несколько этапов [2].

Задача прогнозирования закупочной цены обладает теми особенностями, которые делают целесообразным использование именно интеллектуальных нейросетевых методов моделирования и, в частности, топологии внутренний учитель: таблица данных может иметь небольшой размер; в таблице данных могут присутствовать пропуски данных; в данных возможны искажения (шум); возможность адаптации модели при поступлении новых данных; трудно получить линейную алгебраическую модель; большое количество позиций номенклатуры.

Выводы

В целом мы считаем результаты работы тем базисом, на основании которого возможно построение подсистемы анализа закупочных цен лекарств, являющейся составной частью общей системы управления отдела логистики аптечной сети.

Список использованной литературы

1. Sergii K, Yurii S, Tatyana V, et al. (2016) Feature Selection for Time-Series Prediction in Case of Undetermined Estimation. In: Biologically Inspired Cognitive Architectures (BICA) for Young Scientists. Springer, Cham: 85-97.
2. Землянская С.Ю. Структура модели для прогнозирования поведения групп лиц/С.Ю. Землянская, А.В. Сложеницын, Н.К. Андриевская//Информатика и кибернетика. – Д.: ДонНТУ, 2016. – No 4 (6).