CC BY
181
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_
сырья различного размера, недостаточно выраженный вкус, не достаточно упругая консистенция.
На основании проведенных исследований с целью повышения уровня качества вырабатываемых колбасных изделий ОАО «Птицефабрика «Дружба» можно дать следующие рекомендации:
— усилить контроль за соблюдением рецептурного состава и технологии производства;
—наладить производство вареных колбас функционального назначения (с повышенным содержанием кальция, белковых обогатителей, витаминно-минеральных препаратов (B1, В2, В6, РР, Са);
— рассмотреть возможность освоения технологии производства вареных колбас для детского питания, для беременных женщин.
Список использованной литературы: 1 Рощина, Е. В. Товароведение и экспертиза продовольственных товаров, товарная экспертиза : пособие по выполнению дипломных и курсовых работ / Е. В. Рощина, Д.П. Лисовская, Н.Т. Пехтерева. - Гомель : БТЭУПК, 2012. - 124 с.
© Рощина Е Е., Латипов К.М., Апанасик Н.А., 2016
УДК 004.65
Салмин Алексей Александрович
канд. техн. наук, доцент ПГУТИ, г. Самара, РФ E-mail: [email protected] Кистанова Ирина Александровна магистрант ПГУТИ, г. Самара, РФ E-mail:[email protected]
СОВЕРШЕНСТВОВАНИЯ БИЗНЕС-ПРОЦЕССОВ ПРЕДПРИЯТИЯ СРЕДСТВАМИ
ТЕХНОЛОГИИ DATA MINING
Аннотация
В работе рассматриваются вопросы интеллектуального анализа данных применительно к бизнес-процессам промышленного предприятия. Раскрываются основные принципы технологии Data Mining для оценки деятельности промышленного предприятия. Приводятся рекомендации по использованию интеллектуальных систем и методик анализа данных для улучшения деятельности предприятия
Ключевые слова
Анализ данных, бизнес-процесс, Data Mining, бизнес аналитика, оценка деятельности промышленных
предприятий, улучшение качества.
На сегодняшний день особенности производства промышленных предприятий и соответствующие им бизнес-процессы (БП) имеют предпосылки для применения технологий Data Mining при решении широкого круга производственных задач. Качество бизнес-процессов и их эффективность в сфере промышленного предприятия в нашей стране имеют достаточно большие резервы для их совершенствования.
Технологии Data Mining представляют набор инструментов, которые направлены на извлечение потенциально полезной информации из больших массивов данных. Особенностью этих технологий в том, что получение знаний идёт без участия человека, а использование современных алгоритмов и методов позволяет представить данные в виде, который четко отражает бизнес-процессы и позволяет строить модель, которая поможет спрогнозировать критически важные процессы производственных предприятий.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_
Data Mining является мультидисциплинарной областью, возникшей и развивающейся на базе достижений прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. Отсюда обилие методов и алгоритмов, реализованных в различных действующих системах Data Mining. Многие из таких систем интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждой системе имеется какая-то ключевая компонента, на которую делается главная ставка.
В общем случае данные, которые были получены в результате использования средств Data Mining, описывают новые связи между свойствами, предсказывают одни значения признаков на основе других. В круг задач, которые решает Data Mining входят:
1. Классификация.
Задача разбиения множества объектов или наблюдений на априорно заданные группы, называемые классами, внутри каждой из которых они предполагаются похожими друг на друга, имеющими примерно одинаковые свойства и признаки. При этом решение получается на основе анализа значений атрибутов (признаков).
2. Ассоциация.
В ходе решения задачи поиска ассоциативных правил отыскиваются закономерности между связанными событиями в наборе данных.
3. Кластеризация.
Кластеризация является логическим продолжением идеи классификации. Это задача более сложная, особенность кластеризации заключается в том, что классы объектов изначально не предопределены. Результатом кластеризации является разбиение объектов на группы.
4. Прогнозирование.
В результате решения задачи прогнозирования на основе особенностей исторических данных оцениваются пропущенные или же будущие значения целевых численных показателей. Для решения таких задач широко применяются методы математической статистики, нейронные сети и др.
5. Анализ изменений (последовательность или последовательная ассоциация).
Последовательность позволяет найти временные закономерности между транзакциями. Задача
последовательности подобна ассоциации, но её целью является установление закономерностей не между одновременно наступающими событиями, а между событиями, связанными во времени (т.е. происходящими с некоторым определенным интервалом во времени). Другими словами, последовательность определяется высокой вероятностью цепочки связанных во времени событий. Фактически, ассоциация является частным случаем последовательности с временным лагом, равным нулю. Эту задачу Data Mining также называют задачей нахождения последовательных шаблонов (sequentialpattern).
Применение технологии Data Mining для совершенствования бизнес-процессов промышленного предприятия поможет решить следующие задачи:
1. Комплексный системный анализ производственных ситуаций.
2. Краткосрочный и долгосрочный прогноз развития производственных ситуаций.
3. Выработка вариантов оптимизационных решений.
4. Прогнозирование качества изделия в зависимости от некоторых параметров технологического процесса.
5. Обнаружение скрытых тенденций и закономерностей развития производственных процессов.
6. Обнаружение и идентификация ранее неизвестных взаимосвязей между производственными параметрами и факторами влияния.
7. Анализ среды взаимодействия производственных процессов и прогнозирование изменения ее характеристик.
8. Выработку оптимизационных рекомендаций по управлению производственными процессами.
9. Визуализацию результатов анализа, подготовку предварительных отчетов и проектов допустимых решений с оценками достоверности и эффективности возможных реализаций.
Сюда входит и установление закономерностей между различными временными событиями, равно как и обнаружение зависимостей и причинно-следственных связей.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_
Интеллектуальный анализ данных можно использовать для решения бизнес-проблем, в которых фигурирует изменяющаяся с течением времени информация. Примерами таких проблем являются:
1. Увеличение прибыльности подразделения или целого предприятия.
2. Анализ желаний и потребностей.
3. Идентификация клиентов, приносящих прибыль, и приобретение новых.
4. Сохранение клиентов и повышение лояльности.
5. Увеличение отдачи от инвестиций (ROI) и снижение расходов на продвижение товаров и услуг.
6. Продажа дополнительных товаров и услуг существующим клиентам.
7. Выявление случаев мошенничества, нерационального и нецелевого расходования средств.
8. Оценка кредитных рисков.
9. Повышение пропускной способности торговой единицы и оптимизация распределения товаров для увеличения продаж.
10. Общий мониторинг эффективности бизнеса.
Существующие методики промышленных предприятий постоянно совершенствуются, но главными недостатками современных подходов являются: высокая стоимость данных разработок, длительный процесс внедрения, а также ограниченность в выбранных направлениях совершенствования. Следовательно, главной задачей становится разработка эффективной комплексной методики совершенствования бизнес-процессов промышленных предприятий с использованием возможностей технологий Data Mining.
Для решения этой проблемы понадобится провести оценку современных бизнес-процессов. Это позволит создать планы и решения выявленных проблем. На основе полученной информации необходимо описать методы к решению текущих проблем и разработать комплексную методику для совершенствования бизнес-процессов. Использование технологии Data Mining в ходе решения проблем и производственных задач позволит контролировать технический процесс и держать отклонения в заранее известных пределах, что говорит о стабильности. Таким образом, создание эффективной системы улучшения БП на предприятиях представляет собой сложную задачу, требующую использования различных подходов. Комплексное решение этих вопросов позволит создать на промышленных предприятиях высокоэффективную систему улучшения БП.
Список использованной литературы:
1. Крюкова, А.А. Процесс обеспечения принятия решений в телекоммуникационной компании с учетом жизненного цикла клиентов / А.А. Крюкова // Экономика и управление: анализ тенденций и перспектив развития. - 2012. - №1-2. - С. 116-120.
2. Богомолова, М.А. Интеллектуализация систем принятия управленческих решений по взаимодействию с клиентами / М.А. Богомолова // Экономика и социум. - 2014. - №3-1 (12). - С. 264-266.
© Салмин А.А., Кистанова И.А., 2016
УДК 004.93; 004.8
Сикулер Денис Валерьевич
к.т.н., доцент РГПУ им. А.И. Герцена г. Санкт-Петербург, РФ
ИСПОЛЬЗОВАНИЕ МОДЕЛИ ГОЛОСОВАНИЯ В РАМКАХ РЕШЕНИЯ ЗАДАЧ КОЛЛЕКТИВНОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ
Аннотация
Представлена модель классификации объектов на базе применения совокупности различных методов распознавания. Рассмотрены сложности, возникающие в связи с использованием коллектива методов для
