Анализ данных и прогнозирование, механизм (Data Analysis, Mechanism)

С помощью механизмов анализа данных и прогнозирование пользователи платформы «», - экономисты, финансовые директоры, аналитики и их коллеги, - получает возможность изучать отчетность и устанавливать неочевидные закономерности на основании данных, собранных в ИБ. Для удобства работы и получения корректных результатов система представляет пользователям обширный инструментарий, в т.ч.:

  • поиск закономерностей в исходных данных ИБ;
  • управление параметрами анализа (в т.ч. и интерактивное);
  • программный доступ к результатам анализа;
  • автоматический вывод результатов анализа в табличный вид;
  • модели прогноза, с помощью которых можно в автоматическом режиме спрогнозировать события или значения тех или иных характеристик новых объектов.
Схема механизма анализа данных и прогнозирования

Разработчик может использовать совокупность взаимодействующих объектов встроенного языка, составляющих механизм анализа, в произвольных комбинациях. С помощью этих объектов пользователь может организовать интерактивную настройку параметров проводимого анализа. По этой схеме можно работать не только с данными из самой ИБ, но с теми, что получены из внешнего источника. Достаточно загрузить в таблицу значения или целиком. Результаты анализа – некая модель поведения данных, - можно вывести в наглядной, удобной для восприятия табличной форме, он может быть отображен как итоговый документ, или же сохранен для дальнейшего использования с тем, чтобы на его основе моделировать прогнозы поведения данных, полученных в дальнейшем, в соответствии с уже полученной моделью.

Например, имеется набор товаров, приобретаемых по одному документу одним и тем же клиентам. Сохранив и проанализировав этот результат анализа, можно при формировании нового документа на основании ранее полученного результата анализа выстроить модель прогноза, подавая новые данные, содержащиеся в этом документе, и получить результат: прогноз того, что, скорее всего, приобретет данный контрагент и что имеет смысл предложить ему для повторного и последующего заказов.

Анализ данных и прогнозирование

В платформе «1С» реализованы следующие типы анализа данных в 1С:

  • общая статистика;
  • поиск ассоциаций;
  • поиск последовательностей;
  • кластерный анализ;
  • дерево решений.

«Общая статистика» – это механизм для первичного исследования, с помощью которого аккумулируется информация о данных в выборке, подлежащей исследованию. Анализ демонстрирует как непрерывные (число, дата и т.п.), так и дискретные поля. Для вывода отчета в таблицу формируются круговые диаграммы, отображающие состав полей.

Общая статистика

«Поиск ассоциаций» как тип анализа позволяет выявлять объекты и значения, наиболее часто встречающиеся вместе, в группе, и отыскивать правила ассоциации. Удобный инструмент для выявления наиболее популярных у клиентов и потребителей товаров (работ, услуг). Данный тип анализа поддерживает работу с иерархическими данными, позволяя устанавливать закономерности не только по отношению к конкретным товарам, но и для групп. Имеются возможности:

  • отсечь избыточные правила, что существенно облегчает восприятие результата;
  • работать с объектным источником данных, где в каждой колонке значится некая характеристика объекта;
  • работать с событийным источником (характеристики объекта указываются в одну колонку).
Поиск ассоциаций

С помощью анализа «Поиск последовательностей» можно выявить последовательности цепи событий, в т.ч. товаров, работ, услуг, которые наиболее часто интересуют клиентов. В параметрах можно ограничить временные промежутки элементов последовательностей, отрегулировать точность получаемых результатов.

Поиск последовательностей

С помощью «Кластерного анализа» можно группировать объекты исследования по критерию схожести с тем, чтобы впоследствии установить их характерные особенности и принимать обоснованные решения относительно методов работы с той или иной группой. Кластеризация – незаменимый инструмент для «сортировки» клиентуры и определения стратегии работы с каждой группой клиентов. Результаты кластеризации можно вывести в виде наглядной дендрограммы, чтобы сделать максимально очевидными последовательные связи объектов.

кластерный анализ

С помощью «Дерева решений» легко выстроить древовидную иерархию классифицирующих правил, достаточно задать целевой и ряд входных атрибутов. Целевым атрибутом, например, может выступать информация о том, увенчалась ли сделка успехом, а входными атрибутами, например:

  • опыт ведущего ее менеджера;
  • уровень обеспеченности клиента и т.п.

В итоге мы имеем «дерево», каждый узел в котором – это некое условие. Чтобы принимать решение о классификации нового объекта, достаточно будет отвечать на «узловые» вопросы, и, пройдя от «корня» до «листа», получить модель прогноза, т.е. специальный объект, сформированный по результатам анализа данных. В частности, по итогам обоснованного анализа предлагать клиенту то, что он приобретет с большей степенью вероятности.

дерево решений
Нашли ошибку на сайте? Напишите о ней нам!
Наверх Обратный звонок