АНАЛИЗ ПРОДАЖ АВТОМОБИЛЬНОГО ДИЛЕРСКОГО ЦЕНТРА НА ОСНОВЕ ТЕХНОЛОГИИ BUSINESS INTELLIGENCE
Аннотация и ключевые слова
Аннотация (русский):
Растущие объемы продаж повышают значимость средств анализа, большая часть которых построена на принципах Knowledge Discovery in Databases, в связи с чем возникает проблема выбора оптимальных схем хранения и обработки OLAP-кубов. Представлена структура аналитической системы дилерского центра автомобилей. Разработана структура хранилища данных и комплекс моделей процесса анализа продаж дилерского автоцентра. Сформулирована методика анализа продаж дилерского центра автомобилей

Ключевые слова:
дилерский центр, интеллектуальный анализ, продажи, Data Mining, сегментация данных, нейронная сеть
Текст
Введение Сложная экономическая ситуация в России, снижение доходов населения привели в последние годы к падению продаж новых и подержанных автомобилей на 45 и 19 % соответственно. По данным консалтингового агентства «PricewaterhouseCoopers», при текущих ценах на нефть восстановление российского рынка автомобилей может растянуться на 7 лет, однако уже в 2017 г. рост продаж легковых автомобилей в России может вырасти до 11 % [1]. Многие автомобильные дилерские центры в таких нестабильных условиях вынуждены диверсифицировать свою деятельность и отказаться от реализации новых автомобилей, перейдя на реализацию запасных частей для подержанных машин. В сложившихся условиях становится особенно актуальным отслеживать тенденции спада или роста в деятельности автоцентра, выявлять перспективные и бесперспективные виды комплектующих, а также такие товары, для продвижения которых на рынок следует приложить определенные усилия [2]. Проведение интеллектуального анализа данных позволяет формировать конкретные и целенаправленные управленческие решения в части повышения синергетического эффекта продаж товаров [3], что особенно важно в современных экономических условиях [4]. Этапы построения анализа продаж дилерского автоцентра Для анализа продаж дилерского автоцентра предложена методика на основе подхода Knowledge Discovery in Databases (KDD) - извлечение знаний из баз данных. Она описывает последовательность действий, которую необходимо выполнить для обнаружения полезного знания. Подход KDD включает в себя этапы подготовки данных, выбора информативных признаков, построения моделей, постобработки и интерпретации полученных результатов [5, 6]. Ядром этого процесса являются методы Data Mining, которые позволяют обнаруживать закономерности и знания. Рассмотрим последовательность этапов анализа продаж дилерского центра автомобилей. Этап 1. Формирование информационной базы для проведения анализа, включая проектирование хранилища данных и извлечение данных из корпоративной системы дилерского автоцентра. Этап 2. Предобработка информационной базы и трансформация данных (приведение типов, выделение временных интервалов, сортировка, группировка). Этап 3. Построение моделей анализа данных, разработка сценариев обработки с помощью методов Data Mining. Этап 3.1. Сегментация абонентской базы алгоритмом Кохонена: обучение нейронной сети, установка и настройка входных полей, настройка параметров, определение весов входящих нейронов, выявление нейронов-победителей, вычисление нового состояния весов, завершение обучения сети, получение карт Кохонена. Этап 3.2. Прогнозирование продаж: группировка данных, метод скользящего окна, построение нейросети. Этап 3.3. Совмещенный ABC-XYZ-анализ (выборка данных, группировка, сортировка, нахождение доли в общем объеме продаж, доли с накопительным итогом, стандартного отклонения, коэффициента вариации, объединение методов). Этап 4. Проверка модели на адекватность: если модель адекватна и применима для данного исследования, тогда выполняется следующий шаг (этап 5); если модель не применима, тогда выясняется, достаточно ли данных для анализа. Если данных недостаточно, тогда выполняется переход на первый шаг алгоритма и дополняются или изменяются исходные данные. Этап 5. Интерпретация: полученная информация в виде графиков прогноза, таблиц OLAP-анализа и диаграмм передается экономическому отделу дилерского автоцентра для изучения и принятия управленческих решений. Для обеспечения эффективности формирования и принятия управленческих решений служат системы интеллектуального анализа данных - BI-системы (Business Intelligence) [7, 8]. BI-система представляет собой совокупность взаимосвязанных по целям, параметрам и условиям задач, методов (методик), программных средств и технических систем, позволяющих формировать в автоматизированном режиме набор отчетных форм, которые содержат информацию для принятия управленческих решений и/или варианты таких решений. Deductor является основой для создания законченных BI-систем, в том числе и для анализа продаж [9]. Архитектура аналитической системы дилерского автоцентра Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов. Архитектура аналитической системы дилерского автоцентра на базе Deductor включает в себя следующие компоненты: источники данных о продажах, хранилище данных, хранилище моделей и модули визуализации и составления отчетов (рис. 1). Рис. 1. Архитектура аналитической системы дилерского автоцентра Внедрение технологий интеллектуального анализа данных на основе платформы Deductor сводит задачи аналитика к корректному выбору сценария обработки данных, а выполнение и формирование отчетов перекладываются на аналитическую платформу Deductor [10]. Важной задачей для реализации этих этапов становится формирование хранилища данных, пополнение которого происходит периодически из различных внешних источников, в том числе из статистических отчетов. Структура хранилища данных «Analysis» включает информацию о продажах по кварталам (рис. 2). Рис. 2. Семантический слой хранилища данных «Analysis» Входные данные импортируются из «1С: Предприятие» и представляют следующие сущности: товар, клиент, поставщик, продажи, договор с поставщиком, автомобили, комплектация. Основными документами аналитического приложения являются таблицы «Продажи», «Договор с поставщиком» и «Клиент». Документ «Продажи» содержит информацию о продажах по клиенту и дате покупки. В процессе работы информация данной таблицы интегрируется с таблицами «Товар», «Клиент» и «Поставщик» для построения прогноза и анализа продаж. Документ «Номенклатура товара» содержит информацию о товаре, о его группе. Информация данной таблицы интегрируется с таблицами «Товар» и «Продажи» в процессе извлечения знаний из хранилища данных. Документ «Клиент» содержит информацию о клиентах, которые проходят сервисное обслуживание в автоцентре. Обмен сообщениями между отдельными объектами аналитической системы в рамках одного прецедента продемонстрирован на диаграмме взаимодействия (рис. 3). Рис. 3. Диаграмма взаимодействия Следующая задача - загрузка данных в измерение с помощью «мастера экспорта». Сценарий загрузки имеет древовидную форму, его узлами является последовательность таких операций, как импорт данных из внешних источников; экспорт данных в измерения с атрибутами, начиная с самого верхнего уровня иерархии; экспорт данных в процессы. Фрагмент сценария загрузки изображен на рис. 4. Рис. 4. Экспорт в хранилище данных Важнейшим компонентом аналитической системы является совокупность математических моделей [11, 12]. Совокупность моделей аналитического приложения дилерского автоцентра включает модели сегментации клиентов, прогнозирования, а также совмещенного ABC-XYZ-анализа. Одним из классических способов оптимизации работы с клиентами является их кластеризация (сегментация) - разбиение на достаточно однородные группы, выявление особенностей каждого сегмента, формирование предложений с учетом выявленных закономерностей [13]. Deductor включает в себя алгоритмы, позволяющие проводить качественную кластеризацию с учетом влияния разнородных факторов. Кластеризация данных в аналитическом приложении дилерского автоцентра осуществляется по возрасту и объему покупок клиентами в узле «Кластеризация клиентской базы» (рис. 5). Рис. 5. Узел «Кластеризация клиентской базы» С помощью обработчика «Калькулятор» обрабатывается информация о возрасте клиента и определяется его возрастная группа. На основе построенной карты Кохонена (рис. 6) строится кросс-диаграмма (рис. 7), на которой показана зависимость продаж от возрастной группы клиента. Для анализа товаров по группе данные группируются с измерениями (Товар. Код, Товар. Наименование) и фактами (Возрастная группа, Количество единиц продаж) и визуализируются в OLAP-отчет в виде кросс-диаграммы. Информация в дальнейшем может использоваться для разработки маркетинговых акций, направленных на определенные группы клиентов; предотвращения оттока клиентов в другие компании. Рис. 6. Карта Кохонена Рис. 7. Кросс-диаграмма на основе карты Кохонена Для построения прогноза продаж на определенное время вперед использован метод скользящего окна [14]. Основная идея метода состоит в замене факторов уравнения исследуемого временного ряда их средними значениями, поглощающими случайные колебания. Метод предоставляет прогноз yi в виде среднего значения m предыдущих наблюдаемых значений: где m - размер окна; x - значение фактора. Построена модель временного ряда, результат прогноза сохраняется в хранилище данных «Analysis». Для «наивной» модели скользящего среднего использован обработчик нейронная сеть [15, 16]. После каждого такого обработчика при помощи узла «Прогноз» рассчитывается прогноз на заданное число периодов. Соответствующий сценарий обработки приведен на рис. 8. Рис. 8. Сценарий получения прогноза продаж в Deductor АВС-анализ позволяет изучить товарный ассортимент, определить рейтинг товаров по указанным критериям и выявить ту часть, которая обеспечивает максимальный эффект компании [17]. Ассортимент продукции делится на 3 группы: группа А - важные, составляют 20 % ассортимента и дают 80 % оборота; группа B - средние, составляют 30 % ассортимента и дают 15 % оборота; группа С - менее важные, составляют 50 % ассортимента и дают 5 % оборота. Данный метод можно использовать также для ранжирования поставщиков, покупателей. Результатом анализа является группировка объектов по степени влияния на общий результат. XYZ-анализ - это инструмент, позволяющий разделить продукцию по степени стабильности продаж и уровню колебаний потребления [18]. Метод заключается в расчете каждой товарной позиции коэффициента вариации или колебания расхода. Результатом XYZ-анализа является группировка товаров по трем категориям, исходя из стабильности их поведения: категория Х - стабильные (товары с колебанием продаж до 10 %); категория Y - сезонные колебания (товары с колебанием продаж от 10 до 25 %); категория Z - нерегулярное потребление (товары с колебанием продаж выше 25 %). Сочетание АВС- и XYZ-анализа выявляет безусловных лидеров (группа АХ) и аутсайдеров (СZ) продаж. В результате проведения такого многомерного совмещенного анализа получается 9 групп товаров (рис. 9). Рис. 9. Функция АВС-XYZ-анализа продаж в Deductor Studio Результаты АВС-XYZ-анализа используются для оптимизации ассортимента, оценки рентабельности товарных групп, оценки логистики и клиентов дилерского автоцентра. На рис. 10 изображен куб и кросс-диаграмма, построенная на его основе. Рис 10. Результаты АВС-XYZ-анализа дилерского автоцентра Кубом является таблица, разделяющая товары на 9 групп. Из таблицы видно, что сформировалось 7 групп. В столбце «Количество|Значение» представлены данные о попадании в ту или иную группу товара, где каждой группе соответствует объем продаж. Например, группа АХ: количество наименования товара в группе - 6; объем продаж в группе - 193 497 руб. Товары группы АХ и ВХ отличает высокий товарооборот и стабильность. Необходимо обеспечить постоянное наличие товара, но для этого не нужно создавать избыточный страховой запас. Расход товаров этой группы стабилен и хорошо прогнозируется. Товары группы AY и BY при высоком товарообороте имеют недостаточную стабильность продаж, и, как следствие, для того чтобы обеспечить их постоянное наличие, нужно увеличить страховой запас. Товары группы AZ и BZ при высоком товарообороте отличаются низкой прогнозируемостью продаж. Попытка обеспечить гарантированное наличие по всем товарам данной группы только за счет избыточного страхового товарного запаса приведет к тому, что средний товарный запас компании значительно увеличится. По товарам данной группы следует пересмотреть систему заказов. Часть товаров нужно перевести на систему заказов с постоянной суммой (объемом) заказа, по другой части товаров необходимо обеспечить более частые поставки, выбрать поставщиков, расположенных близко к складу (и снизить тем самым сумму страхового товарного запаса), повысить периодичность контроля, поручить работу с данной группой товаров самому опытному менеджеру компании. По товарам группы СХ можно использовать систему заказов с постоянной периодичностью и снизить страховой товарный запас. По товарам группы CY можно перейти на систему с постоянной суммой (объемом) заказа, но при этом формировать страховой запас, исходя из имеющихся у дилерского автоцентра возможностей. В группу товаров CZ попадают все новые товары, товары спонтанного спроса, поставляемые под заказ и т. п. Часть этих товаров можно безболезненно выводить из ассортимента, а другую часть нужно регулярно контролировать, т. к. именно из товаров этой группы возникают неликвидные или труднореализуемые товарные запасы, от которых компания несет убытки. Выводить из ассортимента необходимо остатки товаров, взятых под заказ или уже не выпускающихся. Внедрение метода АВС-XYZ-анализа способствует сокращению количества упущенных продаж, уменьшению излишек товаров, минимизации суммарных затрат дилерского автоцентра. Заключение Разработана архитектура аналитической системы дилерского центра автомобилей на основе применения технологий Knowledge Discovery in Databases. Сформулирована методика анализа продаж дилерского центра автомобилей. Разработана структура хранилища данных, собраны статистические данные, сформированы массивы данных для анализа, комплекс моделей и отчетов для процесса анализа продаж дилерского автоцентра. Показана результативность предложенных исследований.
Список литературы

1. Синичкина В. Обзор автомобильного рынка России в первом полугодии 2017 г. и перспективы развития. URL: http://www.pwc.ru/ru/publications/auto-market-in-russia.html (дата обращения: 25.08.2017).

2. Андросова К. О. Интеллектуальный анализ деятельности дилерского центра автомобилей в условиях устойчивого развития общества // Материалы Междунар. мультидисц. науч.-практ. конф. «Современная наука и практика высшего образования в формате устойчивого развития общества» (Астрахань, 26-27 мая 2017 г.). Астрахань: Изд-во ООО ПКФ «Триада», 2017. C. 117-123.

3. Khanova A. A., Protalinsky O. M., Dorokhov A. F., Bolshakov A. A. Socio-economic systems strategic management concept based on simulation // World Applied Sciences Journal. 2013. Т. 24. № 24. P. 74-79.

4. Ханова А. А. Синергетический эффект управления организацией на основе сбалансированной системы показателей // Прикаспийский журнал: управление и высокие технологии. 2010. № 4. С. 36-41.

5. Казаков А. В., Казаков Е. В. Обнаружение знаний в базах данных // Изв. Рос. экон. ун-та им. Г. В. Плеханова. 2013. № 2 (12). С. 26-30.

6. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. 336 с.

7. Павлова В. С., Зубрилина Т. В. Анализ подходов к созданию интегрированной системы бизнес-аналитики для предприятия // Науч.-техн. ведом. Санкт-Петерб. гос. политехн. ун-та. Экономические науки. 2012. № 4 (151). С. 110-113.

8. Ханова А. А. Концепция системы интеллектуального управления стратегически-ориентированным предприятием // Статистика и экономика. Вестн. УМО. 2011. № 1. С. 187-193.

9. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям: учебн. пособ. СПб.: Питер, 2010. 704 с.

10. Зинченко М. Н., Артюшина Е. А. Реализация OLAP-технологии на базе аналитической платформы DEDUCTOR ACADEMIC // Современные наукоемкие технологии. 2014. № 5 (2). С. 88-90.

11. Щербатов И. А., Проталинский И. О. Математическое моделирование сложных многокомпонентных систем // Вестн. Тамбов. гос. техн. ун-та. 2014. Т. 20. № 1. С. 17-26.

12. Щербатов И. А. Математические модели сложных слабоформализуемых систем: компонентный подход // Системы. Методы. Технологии. 2014. № 2 (22). С. 70-78.

13. Галямов А. Ф., Тархов С. В. Управление взаимодействием с клиентами коммерческой организации на основе методов сегментации и кластеризации клиентской базы // Вестн. Уфим. гос. авиац. техн. ун-та. 2014. Т. 18. № 4 (65). С. 149-156.

14. Ханова А. А. Интерполяция функций: метод. пособ. для студ. Ин-та информ. технологий и коммуникаций. Астрахань, Изд-во АГТУ, 2001. 36 c.

15. Проталинский О. М., Щербатов И. А., Беляев И. О. Гибридный метод обучения нейронных сетей для классификации каталитической стадии процесса Клауса // Вестн. Саратов. гос. техн. ун-та. 2010. Т. 4. № 2 (50). С. 38-43.

16. Ханова А. А., Шубина О. В. Формирование сбалансированной системы показателей предприятия на основе искусственных нейронных сетей (на примере грузового порта) // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. 2011. № 1. С. 187-194.

17. Бочкарев П. А. ABC-анализ при планировании запасов // Вестн. ИНЖЭКОНа. Сер.: Экономика. 2014. № 2 (69). С. 122-124.

18. Бузукова Е. А. Анализ ассортимента и стабильности продаж с использованием ABC-анализа и XYZ-анализа // Управление продажами. 2006. № 3. С. 166-185.