ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Разработка информационной системы для управления и анализа сферы исполнения заказов

Содержание

Введение

В условиях современной динамичной экономики эффективное управление и анализ сферы исполнения заказов являются важными факторами успеха для любого предприятия.

Система управления заказами (Order Management System, OMS) — комплексное решение, предназначенное для автоматизации и оптимизации приёма, обработки и выполнения заказов. [1]

Основная задача системы управления заказами — это автоматизация сегмента продаж, что особенно актуально при расширении предприятия, появлении филиалов или подразделений. [2] Бесперебойная поставка товаров и удовлетворение потребностей клиентов напрямую зависят от оптимизированных процессов планирования производства и управления запасами. Анализ данных о заказах позволяет не только отслеживать ключевые показатели производительности, но и прогнозировать спрос, предотвращая как дефицит, так и избыток товаров, что приводит к существенному снижению финансовых рисков.

Однако, нерациональное управление этой сферой, обусловленное, например, неэффективной обработкой информации о спросе, несовершенством системы прогнозирования или отсутствием интегрированной системы управления запасами, может привести к серьезным негативным последствиям: неудовлетворенности клиентов, финансовым потерям из-за нехватки или избытка продукции, а также неспособности оперативно реагировать на изменения рыночной конкуренции. Поэтому разработка и внедрение современной информационной системы, обеспечивающей комплексный анализ и управление процессами исполнения заказов, является необходимым шагом для повышения конкурентоспособности и достижения устойчивого роста бизнеса. Данная работа посвящена разработке такой системы.

1. Актуальность темы

Нерациональное управление запасами может привести к нехватке или избытку товаров, что влечет за собой финансовые потери и потерю клиентской удовлетворенности. Изменения в поведении потребителей и рыночной конкуренции могут создавать нестабильность спроса, что затрудняет точное планирование производства и управление запасами. Недостаточная или некорректная обработка данных о спросе может привести к неправильным решениям по управлению запасами. Отсутствие четкой системы прогнозирования спроса и планирования производства может приводить к недостаточной гибкости и некорректному управлению запасами. Непредвиденные изменения спроса или поставок могут привести к нехватке или избытку товаров, что отрицательно сказывается на бизнесе и финансовых показателях компании. [3]

Прогнозирование спроса в сфере заказов осуществляется на основании следующих данных:

  1. Исторические данные о продажах и спросе на товары или услуги.
  2. Внешние факторы, такие как сезонность, рыночные тенденции, макроэкономические показатели.
  3. Данные о рекламных кампаниях, акциях, и мероприятиях, которые могут влиять на спрос.
  4. Информация о конкурентной среде, новых продуктах или услугах, которые могут повлиять на спрос.

В результате прогнозирования получим следующую информацию:

  1. Прогнозные показатели спроса на определенный период времени (неделя, месяц, квартал, год).
  2. Доверительные интервалы для прогнозов, позволяющие оценить степень уверенности в предсказаниях.
  3. Проекции спроса на различные товары или услуги, учитывая различные сценарии изменения входных данных.

Управление запасами и исполнение заказов заключается в оптимизация уровня запасов для обеспечения достаточного товарного ассортимента и предотвращения излишних запасов, а также использование методов прогнозирования спроса для оптимизации управления запасами, чтобы минимизировать издержки на хранение и одновременно обеспечить непрерывность поставок.

Выбор методов прогнозирования, таких как временные ряды, методы сглаживания (например, экспоненциальное сглаживание), регрессионный анализ и машинное обучение, зависит от характеристик предоставленных данных и особенностей спроса. Необходимо развитие баланса между точностью прогнозов и затратами на их разработку и обработку, а также между уровнем запасов и операционной эффективностью. [4]

Вышеуказанные источники проблемы подчеркивают важность исследований, а также разработки эффективной модели прогнозирования спроса для снижения рисков и оптимизации управления запасами.

2. Цель и задачи исследования

Цель исследования – формирование модели управления и анализа в сфере исполнения заказов, обеспечивающей оптимизацию процессов, улучшения качества обслуживания клиентов и снижения операционных затрат, управления и анализа задач связанных с выполнением заказов.

Для достижения поставленной цели были поставлены следующие задачи:

  1. Анализ существующих методов и технологий управления исполнением заказов: Изучение лучших практик и существующих решений в данной области, выявление их недостатков и преимуществ.
  2. Разработка математических моделей: Формирование математической модели управления, которая будет реализовываться в информационной системе.
  3. Разработка функциональной модели информационной системы: Определение функциональных требований к системе, включая модули для обработки заказов, управления запасами, анализа данных и отчетности.
  4. Проектирование архитектуры информационной системы: Выбор подходящей архитектуры, базы данных и технологий разработки.
  5. Разработка и реализация программного обеспечения информационной системы: Создание программного обеспечения, реализующего разработанную функциональную модель и архитектуру системы.
  6. Тестирование и отладка информационной системы: Проведение всестороннего тестирования системы для выявления и устранения ошибок, а также проверка соответствия функциональным требованиям.

3. Планируемые результаты

Планируемые результаты данной работы включают в себя:

  1. Разработанная информационная система.
    Система обеспечивает полный цикл управления заказами: от приема до завершения, включая отслеживание статуса, управление запасами. Конкретные функции, выбор архитектуры и технологий определены и описаны.
  2. Аналитика и отчетность.
    Система предоставляет аналитические отчеты по ключевым метрикам, таким как время выполнения заказов, процент выполнения заказов в срок, а также использование данных для прогнозирования спроса, планирования ресурсов и оптимизации бизнес-процессов.
  3. Оптимизация ресурсов.
    Эффективное использование человеческих и материальных ресурсов, сокращая издержки и повышая производительность. Благодаря анализу данных, система позволит минимизировать простои и задержки в выполнении заказов.

4. Анализ существующих решений

Рынок информационных систем для управления и анализа исполнения заказов очень широк и разнообразен, предлагая решения для различных отраслей и масштабов бизнеса. На рынке есть несколько решений, которые являются либо самостоятельными продуктами класса OMS, либо включают её как часть функционала:

  1. 1С:Предприятие — это ERP-система, которая используется для управления бизнес-процессами, включая учет, финансы, логистику и управление заказами. Она предлагает гибкость в настройке и возможность интеграции с различными модулями. Подходит для автоматизации широкого спектра бизнес-процессов, включая бухгалтерию, управленческий учёт, кадры и зарплату. Имеет возможность доработки под конкретные нужды предприятия и поддержку больших объемов данных, что делает систему пригодной для крупных предприятий.
    Однако данная система имеет сложность в настройке и эксплуатации, высокую стоимость внедрения и поддержки, а также недостаточно удобный и современный интерфейс, что может замедлить работу пользователей.
    2. 1С:Предприятие.

    Рисунок 1 – Интерфейс программы 1С:Предприятие

  2. Starfish24 — это облачная CRM-система, которая ориентирована на управление заказами, продажами и клиентской базой. Она подходит для малого и среднего бизнеса.
    Данная система простая в использовании и имеет интуитивно понятный интерфейс. Имеет интеграцию с популярными сервисами, такими как телефония и мессенджеры.
    Из минусов данной системы можно выделить ограниченную функциональность для крупных предприятий, низкую кастомизацию и отсутствие поддержки сложных аналитических функций.
    3. Starfish24.

    Рисунок 2 – Интерфейс программы Starfish24

  3. InSales — это платформа для интернет-магазинов, которая включает в себя управление заказами, каталогами и клиентами. Она ориентирована на малый и средний бизнес, занимающийся электронной коммерцией, а также имеет поддержку мультиканальных продаж.
    Платформа подходит только для интернет-магазинов, не универсальна для других типов бизнеса, имеет ограниченную функциональность за пределами электронной коммерции и недостаточную гибкость для сложных бизнес-процессов.
    4. InSales.

    Рисунок 3 – Интерфейс программы InSales

  4. RetailCRM — это CRM-система, ориентированная на розничную торговлю и управление заказами. Она предлагает инструменты для автоматизации процессов продаж, управления клиентами, возможность аналитики и отчетности по продажам. Специализируется на розничной торговле, что делает ее удобной для магазинов.
    Однако система ориентирована на интернет-магазины и может не подходить для комплексного управления заказами в розничных сетях или предприятиях с большим объемом данных. Система имеет высокую стоимость при масштабировании на крупные предприятия, сложность в настройке автоматизации и отчетности.
    5. RetailCRM.

    Рисунок 4 – Интерфейс программы RetailCRM

  5. Битрикс24 — это мультифункциональная CRM-система, которая включает управление заказами, проектами, задачами и коммуникациями. Она подходит для малого и среднего бизнеса, а также для командной работы.
    Система предлагает широкую функциональность, включая управление заказами, проектами, задачами и CRM, интеграцию с другими сервисами, такими как почта, телефония и мессенджеры, а также поддержку автоматизации бизнес-процессов.
    Минусами данной системы являются недостаточная гибкость для крупных предприятий с уникальными процессами, ограниченные возможности для сложной аналитики и отчетности, высокая стоимость при масштабировании на большие команды, сложность в настройке.
    6. Битрикс24.

    Рисунок 5 – Интерфейс программы Битрикс24

Каждая из этих систем имеет свои особенности, преимущества и недостатки, которые могут быть критичными для бизнеса в зависимости от его масштабов и задач.

Каждая из рассмотренных систем имеет свои ограничения. Например, 1С:Предприятие сложна в настройке, а Starfish24 и InSales недостаточно гибки для сложных бизнес-процессов. Большинство систем ориентированы на конкретные ниши (например, InSales — на интернет-магазины, RetailCRM — на розничную торговлю). Новая система могла бы объединить лучшее из всех решений, предоставляя универсальный инструмент для различных отраслей.

Некоторые системы, такие как 1С:Предприятие, имеют устаревший интерфейс, что снижает эффективность работы пользователей. Многие системы предоставляют базовые возможности для аналитики, но не справляются с задачами сложной отчетности и прогнозирования.

Таким образом, вышеперечисленные недостатки существующих систем говорят о необходимости разработки новой информационной системы, предназначенной для управления и контроля сферы выполнения заказов.

5. Методы прогнозирования спроса и оптимизации запасов

Прогнозирование спроса является ключевым элементом в управлении и анализе сферы заказов, так как позволяет компаниям оптимизировать запасы, планировать производство, улучшать обслуживание клиентов и снижать издержки. Рассмотрим методы прогнозирования спроса:

  1. Временные ряды. Этот метод основан на анализе исторических данных спроса для выявления сезонных колебаний, трендов и цикличности, что позволяет делать прогнозы на будущее. [5]
  2. Экспертные оценки. При этом методе эксперты или специалисты в области прогнозирования делятся своими знаниями и опытом, чтобы разработать прогноз спроса.
  3. Методы машинного обучения. Применение алгоритмов машинного обучения, таких как линейная регрессия, деревья принятия решений или нейронные сети, для анализа больших объемов данных и создания моделей прогнозирования спроса. [6]
  4. Эконометрические методы. Использование статистических моделей и методов для анализа взаимосвязей между различными переменными, что позволяет строить прогнозы спроса на основе эмпирических данных.
  5. Методы опросов и маркетинговых исследований: Использование опросов, фокус-групп, и маркетинговых исследований для оценки потребностей, и предпочтений потребителей, что может быть использовано для прогнозирования спроса.

Применение нейронных сетей для прогнозирования спроса стало популярным в последние годы благодаря их способности моделировать сложные зависимости в данных и работать с большими объемами информации. Нейронные сети позволяют автоматически обнаруживать и использовать скрытые закономерности, адаптироваться к изменениям в данных и строить более точные прогнозы спроса.

Для прогнозирования спроса обычно используются рекуррентные нейронные сети (RNN) или сверхточные нейронные сети (CNN). RNN подходят для временных рядов и последовательных данных, в то время как CNN эффективны при работе с пространственными данными, такими как изображения.

При построении моделей нейронной сети выбираются слои нейронов, включая входной слой, скрытые слои и выходной слой. Количество и тип слоев зависит от выбранной архитектуры сети. Применяются активационные функции к выходам каждого нейрона для внесения нелинейности в модель. Далее выбирается алгоритм оптимизации и функцию потерь для обучения модели. [7]

После создания архитектуры нейронной сети происходит обучение нейронной сети на исторических данных, используя метод обратного распространения ошибки и минимизируя функцию потерь. После обучения модель используется для прогнозирования уровня спроса на будущий период, передавая новые данные о факторах, влияющих на спрос.

Применение нейронных сетей для прогнозирования спроса позволяет улучшить точность прогнозов, выявлять сложные нелинейные зависимости между данными и адаптироваться к изменениям во времени. Однако для успешного применения нейронных сетей необходимо обладать достаточным объемом данных, правильно настроить параметры модели и провести тщательную проверку результатов. [8]

Использование методов машинного обучения для прогнозирования спроса требует сбора и подготовки качественных данных, выбора подходящей модели и обучения на обучающем наборе данных. После этого модель может быть применена для прогнозирования спроса и оптимизации управления запасами в реальном времени.

Модели оптимизации запасов играют важную роль в управлении цепями поставок, помогая компаниям поддерживать баланс между предложением и спросом, минимизировать издержки и повышать эффективность работы. Эти модели используют математические и статистические методы для определения оптимальных уровней запасов и объемов заказов. [9]

Наиболее распространенные модели оптимизации запасов:

  1. Модель экономического заказа — это классическая модель оптимизации запасов, которая определяет оптимальный размер заказа, минимизирующий суммарные издержки на запасы. Используется для оптимизации уровней запасов при заказах определенного размера с учетом затрат на удержание запасов и заказов.
  2. Модель оптимального времени заказа определяет эффективное время между последовательными заказами, учитывая скорость оборота запасов и стоимость заказа. Используется для оптимизации регулярности заказов и обеспечения постоянного снабжения при минимальных издержках.
  3. Модель оптимального управления запасами учитывает неопределенность в спросе и других факторах, принимая решения о заказах на основе вероятностных распределений. Используется для управления запасами в условиях неопределенности, что делает ее более гибкой и адаптивной.
  4. Многокритериальные модели оптимизации. Эти модели учитывают несколько критериев оптимизации одновременно, такие как затраты, обслуживание клиентов и риски. Позволяют компаниям принимать решения о запасах, учитывая разнообразные аспекты в оптимизации.
  5. Модели стохастической оптимизации. Эти модели учитывают случайные факторы, такие как изменчивость спроса, для принятия решений о заказах и уровнях запасов. Используются в случаях, когда спрос подвержен значительным колебаниям или неопределенности.
  6. Модели оптимизации цепочки поставок. Эти модели учитывают взаимосвязи между различными звеньями цепочки поставок при принятии решений о запасах. Используются для синхронизации и оптимизации уровней запасов на различных этапах производства и поставок.

Модели оптимизации запасов разработаны для помощи компаниям принимать обоснованные решения по управлению запасами. [10] Путем использования анализа данных и математических алгоритмов эти модели стремятся найти наиболее эффективные способы управления уровнями запасов, обеспечивая доступность продукции и удовлетворение потребностей клиентов.

Выводы

В результате проведенного исследования было выявлено, что использование методов машинного обучения для прогнозирования спроса позволит улучшить точность прогнозов и адаптироваться к изменениям в данных, что особенно важно в условиях нестабильного спроса. Линейная регрессия и нейронные сети могут быть использованы для прогнозирования спроса на основе множества факторов, таких как цены, маркетинговые акции, сезонность и другие. Линейная регрессия проста в интерпретации и подходит для начального анализа, если зависимость между переменными линейна. Нейронные сети, особенно рекуррентные, эффективны для анализа последовательных данных, таких как временные ряды, и могут учитывать сложные нелинейные зависимости.

В сфере исполнения заказов важна поддержка баланса между спросом и предложением. Оптимизация запасов с помощью моделей экономического заказа и управление запасами в условиях неопределенности определяет оптимальные уровни запасов и объемы заказов, чтобы минимизировать издержки и избежать дефицита или избытка продукции.

Разработка информационной системы для управления и анализа сферы исполнения заказов, решает актуальную проблему оптимизации бизнес-процессов в условиях повышенной конкуренции и изменяющихся потребительских предпочтений. Внедрение системы позволит обеспечить автоматизацию рутинных операций и точность прогнозирования спроса, повысить эффективность управления запасами и сокращение времени обработки заказов.

Список источников

  1. OMS системы управления заказами [Электронный ресурс]. URL: https://www.goodsforecast.ru/blog/goodsforecast-planning/sistemy-upravleniya-zakazami-oms/. (Дата обращения: 08.12.2024).
  2. How to Choose the Right Order Management System [Электронный ресурс]. URL: https://kibocommerce.com/blog/order-management-system/. (Дата обращения: 08.12.2024).
  3. OMS система управления заказами в электронной коммерции: ключевые особенности [Электронный ресурс]. URL: https://www.agora.ru/blog/oms-sistema/. (Дата обращения: 08.12.2024).
  4. Садовникова, Н.А.Анализ временных рядов и прогнозирование: учебное пособие / Н.А. Садовникова, Р.А. Шмойлова; Московский государственный университет экономики, статистики и информатики – М., 2001. – 67 с.
  5. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: Учебник. [Текст] — Ай Пи Эр Медиа, Саратов Оренбург, 2020. — 286 с.
  6. Системы искусственного интеллекта: учеб. пособие. В 2-х частях. [Текст] / С. Н. Павлов. — Томск: Эль Контент, 2011. — Ч. 1. — 176 c.
  7. Грицай А.А. Расчет оптимального запаса товаров частого спроса с использованием нейронных сетей [Текст] // Математика, статистика и информационные технологии в экономике, управлении и образовании: сб. тр. III Междунар. науч.-практич. конф. — Тверь: Изд-во Тверского гос. ун-та, 2014.
  8. Козлов, А.Н. Интеллектуальные информационные системы: учебник [Текст] /А.Н. Козлов; Мин-во с-х. РФ, ФГБОУ ВПО Пермская ГСХА. – Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2013.– 278 с.
  9. Гранберг, А.Г. Статистическое моделирование и прогнозирование:учебное пособие / Г.М. Гамбаров, Н.М. Журавель, Ю.Г. Королев и др.; под ред. А.Г. Гранберга. – М.: Финансы и статистика, 1990. – 383 с.
  10. Ценина Е.В., Слепенкова Е.В. Модель прогнозирования спроса для оптимизации запасов: пример малого предприятия [Текст] // Вестник Алтайской академии экономики и права, 2023. – 355-364с.