Вход

Интеллектуальный анализ данных (data mining) в логистике и управлении цепями поставок.

Рекомендуемая категория для самостоятельной подготовки:
Курсовая работа*
Код 78292
Дата создания 2013
Страниц 42
Источников 13
Мы сможем обработать ваш заказ 20 января в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
2 170руб.
КУПИТЬ

Содержание

Введение 4
1 Общая характеристика технологий интеллектуального анализа данных 5
1.1 Процесс анализа данных 5
1.1.1 Понятие, история создания и назначение 5
1.1.2 Этапы в процессе интеллектуального анализа данных 8
1.1.3 Компоненты систем интеллектуального анализа 9
1.2 Общая характеристика задач интеллектуального анализа данных 10
1.2.1 Примеры областей применения технологии Data mining 10
1.2.2 Характеризация и дискриминация классов 12
1.2.3 Классификация и прогнозирование 13
1.2.4 Кластерный анализ 15
1.2.5 Эволюционный анализ 15
1.3 Инструменты интеллектуального анализа данных 17
1.3.1 Предметно-ориентированные аналитические системы 18
1.3.2 Статистические пакеты 18
1.3.3 Нейронные сети 19
1.3.4 Системы рассуждений на основе аналогичных случаев 20
1.3.5 Эволюционное программирование 21
1.3.6 Алгоритмы ограниченного перебора 22
2 Применение методов интеллектуального анализа данных в логистике и управлении цепями поставок 24
2.1 Понятие логистики и место в ней информационных систем 24
2.2 Примеры применения методов интеллектуального анализа данных в логистике и управлении цепями поставок 25
2.2.1 Аналитическая платформа Deductor 25
2.2.2 Применение нейросетей в оперативной логистике 27
Заключение 30
Список литературы 33

Фрагмент работы для ознакомления

Сегодня на рынке представлены раз личные специализированные программные продукты, автоматизирующие складскую, транспортную, производственную логистику, которые содержат огромное число функций. При этом они дают возможность широко использовать средства анализа для получения достоверной информации о текущей ситуации на предприятии и принятия своевременных решений.Пример системы «Deductor», рассмотренный выше, объективно показал нам наиболее популярную схему применения технологии Datamining в логистике. Рассмотрим теперь возможность применения нетипичной для информационной логистики технологии нейронных сетей для решения задач оперативной логистики.В том, что касается самого понятия и основных принципов построения нейронных сетей, было достаточно сказано в соответствующем разделе теоретической главы. Здесь мы рассмотрим несколько практических примеров возможного применения технологии для решения задач оперативной логистики.При проведении погрузочно-разгрузочных работ на складе, бригада грузчиков под руководством кладовщика работает без применения терминалов сбора данных. Следовательно, зафиксировать и объективно оценить качество участия каждого сотрудника при производстве работ невозможно.В качестве входящих данных мы имеем только имена и фамилии задействованных в данной операции сотрудников, и в качестве результата — соблюдение заданных норм производительности. Однако, если фиксировать данные о работе всех бригад за определенный период, в итоге работы сети мы получим информацию о том, насколько каждый отдельный сотрудник влияет на благополучный исход операции, и даже при отсутствии данных о персональной производительности каждого из них, сможем сформировать сбалансированную бригаду, способную работать в соответствии с заданными нормами.Это означает, что при смене оперативного администратора новый сотрудник сможет сформировать график работы при помощи информационной системы и быстрее адаптироваться на новом рабочем месте.Кроме того, появляется возможность анализировать качество совместной работы нескольких сотрудников. Понятно, что учесть все нюансы и понять, что Петров поссорился с Сидоровым, тоже не получится, но определить, что именно в этой комбинации производительность работ падает – вполне вы полнимая задача.Рассмотрим другой пример из области транспортной логистики. Известный факт, что среди множества основных задач при планировании транспортных перевозок встречается одна, где человеческий фактор имеет приоритетное значение – это распределение личного состава.В зависимости от водителя, может сильно варьироваться и время, затрачиваемое транспортным средством на преодоление маршрута. В условиях, когда своевременность доставки (учитывая намеченные обратные маршруты) является наиболее острой проблемой, при планировании перевозок неплохо бы учитывать еще и личный опыт и качества каждого сотрудника.Практика показывает, что традиционные методы математического анализа оказываются достаточно эффективными, причем чаще используются самые простые методики. К примеру, понять, насколько ответственно тот или иной человек относится к доверенному ему грузу, особенно если он не является экспедитором и несет ответственность только за сохранность пломбы, можно простым сбором и последующим анализом статистических данных.Однако когда встает вопрос о назначении водителя и сменщика на конкретный маршрут, то основной вопрос – это личные качества каждого из них, и эффективность их совместной работы.Для решения подобных задач, особенно если неизвестно, насколько сильно те или иные факторы (погодные условия, продолжительность маршрута, его сложность и т.д.) влияют на производительность человека, опять же можно использовать такой простой и эффективный инструмент анализа, как нейронные сети.Конечно же, речь идет не об одной нейронной сети, а об их комплексе, который позволяет оценивать не один, а несколько разноплановых результатов: своевременность доставки, сохранность груза, безаварийность поездки и т.д.В качестве же входящей информации, которая необходима для определения влияния различных факторов на конечный результат, необходимо поставлять в систему данные о погоде, характеристиках маршрута, водителе и сменщике, а также множество других данных.2.2.3 Применение нейросетевой модели в логистическомконтроллингеЛогистика представляет собой определенную бизнес-концепцию, позволяющую оптимизировать ресурсы предприятия, связанные с управлением материальными и сопутствующими потоками. Как выяснилось, определить количественные параметры последствий логистических решений весьма сложно.Решение целого ряда проблем современной логистики состоит в том, чтобы чутко улавливать тенденции изменений и оперативно приспосабливаться к ним, используя во благо открывшиеся возможности. В качестве такой концепции можно использовать контроллинг.Основные постулаты современной философии контроллинга, сформулированные российскими и зарубежными учеными, звучат следующим образом:– приоритет рентабельности деятельности организации над ростом объемных показателей, то есть размеры организации, объемы выпуска, количество филиалов и клиентов, ассортимент продукции, сумма баланса и т.п. являются второстепенными по сравнению с эффективностью работы организации в целом и ее подразделений;– рост объемов бизнеса организации оправдан лишь при сохранении прежнего уровня или росте эффективности;– мероприятия по обеспечению роста доходности не должны повышать допустимые для конкретных условий функционирования организации уровни рисков.Рис. . Схема контроллингалогистических процессовНа предприятии возможна оптимизация следующих направлений связанных с логистикой:– финансы - оборачиваемость финансовых средств, размеры дебиторской и кредиторской задолженностей;– информация - скорость прохождения информации, точность и своевременность ее предоставления;– материально-технические ресурсы - загрузка и рациональное использование имеющихся и привлекаемых на условиях аутсорсинга ресурсов;– кадры - рациональное использование кадрового состава, соответствие выполняемых функций уровню подготовки и квалификации сотрудников.Следуя системному подходу, можно говорить о том, что все эти направления связаны между собой и имеют взаимное влияние. Исследуемое нами предприятие, под условным названием «ФТ», столкнулось с некоторыми проблемами, связанными с контроллингом, которые удалось разрешить с помощью разработки и внедрения нейросетевой модели определения загрузки основных подразделений выполняющих логистические функции в оперативном горизонте планирования и оценки деятельности (в рассматриваемом случае один рабочий день).Предприятие «ФТ» осуществляет дистрибьюцию товаров хозяйственного назначения постоянного ассортимента на территории центрального региона России.Система сбалансированных показателей, внедренная в «ФТ», позволяет оценивать деятельность предприятия на стратегическом уровне и довольно неплохо себя зарекомендовала. Но применение ССП выявило ряд проблем на оперативном уровне, что дало толчок к доработке и совершенствованию существующей системы контроллинга.Основные проблемы контроллинга в «ФТ» заключаются в слабой координации оперативной работы между различными подразделениями, различиями в целях и приоритетах отдельных руководителей и сотрудников, постфактное использование оценочной информации о результатах деятельности, наличие разрыва между балансировкой показателей стратегических целей и реальными их весами в различные периоды (начало сезона, пик сезона, спад сезона, межсезонье), отсутствием оперативного реагирования на изменения внешних условий.В целях поддержки оперативного контроллингалогистических процессов предприятия «ФТ» была разработана и внедрена нейросетеваямодель, построенная на основе существующей структуры взаимодействия подразделений. В модели учтены только подразделения, которые непосредственно реагируют на приоритетные для предприятия внешние воздействия (отдел логистики, отдел продаж, склад) и выполняют основные логистические функции (прием заказов, приемка товара, отгрузка товара, экспедирование).Рис. . Нейросетевая модель (схема) определения эффективности работы подразделений.Модель (схему см. Рис. 7) в силу свойств нейросетей, выстроенная и настроенная с учетом текущих условий внешней и внутренней среды, позволяет проверять эффективность оперативной деятельности предприятия в реализации своих основных логистических функций в зависимости от следующих критериев:– стоимость выполняемых работ;– время выполнения работ вчел/час;– пороги реагирования;– загрузка подразделений.Внешние воздействия определяются путем прогноза, если происходит процесс прогнозирования или разработки новых состояний подразделений, либо на основании поступивших данных. Например, объем принятых заказов и информация о прибытии клиентов могут дать необходимые данные по воздействиям «отгрузка» и «экспедирование» на последующие дни. Внешние воздействия учитываются в одинаковых единицах измерения - тоннах.Рис. . Структура Модели с примером числовых значений параметровГрафическое изображение модели, с соответствующими числовыми значениями синаптических весов для одного из наборов внешних воздействий приведено наРис.8. Первоначально модель формировалась и обкатывалась на основе электронных таблиц аналогичных Excel. В дальнейшем отлаженная модель была внедрена в КИС предприятия «ФТ».Синаптические веса первого слоя нейронов показывают степень воздействия каждого внешнего возмущения на соответствующие подразделения. Следует отметить, что внешние возмущения оказывают влияние не только на те подразделения, которые дают непосредственный отклик, но также на смежные подразделения. Степень воздействия отдельно взятого внешнего возмущения на каждое из подразделений изначально устанавливалась методом экспертных оценок спривлечением руководителей подразделений и внешних экспертов. В последствии вес каждого воздействия корректировался, проводилась балансировка, в соответствии с реальными результатами, полученными на практике и требуемой для модели точностью.В первом входящем слое нейронов определены подразделения, на которые приходятся внешние воздействия: отдел продаж, отдел логистики, склад. В следующем слое нейронов определены состояния подразделений, в которых они могут находиться. Синаптические веса между ними показывают необходимость взаимодействия между подразделениями и выражены в условных долях времени.Переход к оценке деятельности руководителей и сотрудников по внедряемой модели позволяет оперативно учитывать динамические изменения внешней среды, на которые явно влияние ими не оказывается. Основными критериями оценки оперативной деятельности подразделений выполняющих логистические функции становится достижение оперативной эффективности предприятия в целом по выполняемым логистическим процессам признанным приоритетными. При этом для сравнения берется стандартная эффективность, полученная при максимальной нагрузке и отсутствии изменений состояний подразделений предприятия, которая измеряется в периоде - один рабочий день, в соответствии с принятыми нормами на выполнение работ.Новый подход к оценке оперативной деятельности подразделений позволил преодолеть местническое отношение к труду со стороны руководителей подразделений.Повысилась мобильность предприятия, за счет более гибкого подхода к реакции на внешние воздействия со стороны подразделений.Применение нейросетевой модели предприятием «ФТ» в оценке эффективности загрузки подразделений и привлекаемых людских ресурсов - не столько дань моде, сколько желание иметь в своем арсенале достаточно гибкий инструмент контроллинга, который позволяет не иметь достаточно большого уровня специфических знаний для его использования в работе, не требует серьезной подготовки пользователей и достаточно прост в модернизации.ЗаключениеТехнология интеллектуального анализа является междисциплинарной областью исследований. В ней используется множество других технологий: базы данных, теория информации, системы искусственного интеллекта, нейронные сети, теория вероятностей и статистика, хранилища данных, высокопроизводительные вычисления, визуализация данных, распознавание образов и т.д.Отличительной чертой технологии интеллектуального анализа данных является то, что особое внимание здесь уделяется эффективным и масштабируемым методам для обработки больших баз данных. При этом масштабируемым считается алгоритм, время которого растет линейно при увеличении размеров базы данных, при заданных системных ресурсах, таких как память и дисковое пространство.Резюмируя проведенную работу, можно сделать ряд выводов.1. Рынок систем, основанных на принципе DataMining развивается поэкспоненте. В этом,несомненно, принимают участие почти все крупнейшие корпорации (см., например,http://www.kdnuggets.com, http://www.basegroup.ru). В том числе,мегагигант корпорацияMicrosoftосуществляет непосредственное руководство крупным сектором этого рынка (издается специальный журнал, проводятся конференции, разрабатываются собственные продукты).2. Системы по принципуDataMiningнаходят свое применение по двум основным направлениям: 1) в качестве массового продукта для бизнес-приложений; 2) в качестве инструментов, предназначенных для выполнения уникальных исследований (в области генетики, химии, медицины и пр.).На сегодняшний день стоимость массового продукта колеблется в пределах от $1000 до $10000. Как показывают имеющиеся данные, число инсталляций массовых продуктов, сейчас достигает нескольких десятков тысяч.Лидерами в областиDataMiningбудущее подобных систем связывается с применением их как интеллектуальных приложений, встраиваемых в корпоративные хранилища данных.3. Несмотря на общее изобилие методов DataMining, с течением времени и развитием технологии приоритет все больше смещается в направлении логических алгоритмов поиска в данных «if-then» правил. С помощью этих алгоритмов находят свое решение задачи прогнозирования, классификации, распознавания образов, сегментации БД, извлечения из данных «скрытых» знаний, интерпретации данных, установления ассоциаций в БД и др. Результаты работы подобных алгоритмов весьма эффективны и легко интерпретируются.4. Вместе с тем, основная проблема логических методов по обнаружению закономерностей по прежнему состоит в трудности осуществления перебора вариантов за приемлемое время.Известные сейчас методы либо прибегают к искусственному ограничению такого перебора (алгоритмы КОРА, WizWhy), либо выполняют построение деревьев решений (алгоритмы CART, CHAID, ID3, See5, Sipina и др.). Оба средстваимеют принципиальные ограничения эффективности поиска if-then правил.Другие проблемы вызваны тем, что известными методами поиска логических правил не поддерживаются функции обобщения найденных правил и функция поиска оптимальной композиции таких правил. Удачное решение указанных проблем в состоянии составить предмет новых конкурентоспособных разработок.Современная логистика совершенно непредставима без активного участия в ней информационных технологий. Сложно представить себе организацию работы цепей по доставке товаров без интенсивного, непрерывного оперативного обмена информацией, без четкого реагирования на потребности рынка.Сейчас практически невозможно организовать поставку требуемого потребителями качества и количества товаров и услуг,избегая применения информационных систем и программных комплексов, предназначенных для анализа, планирования и поддержки принятия коммерческих решений в ЛС.Более того, именно развитию информационных систем и технологий по автоматизации типовых технологических операций логистика должна быть благодарна за то, что стала доминирующей формой организации товародвижения на рынках экономически развитых стран с высокоразвитой конкуренцией.Список литературыАйвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. – М.: Финансы и статистика. – 1989.Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и DataMining. – СПб.: БХВ-Петербург. – 2004.Дюк В., Самойленко А. DataMining: учебный курс (+ CD-ROM). 2008 г. Издательство: Питер. Серия: Учебный курс. – 368 с.Сайт компании BI Partner: http://www.bipartner.ru/.Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами. // Открытые системы. –№ 4-5, 2009Барсегян А.А. Методы и модели анализа данных: OLAP и DataMining: учебное пособие. – С.-Пб. : БХВ-Санкт-Петербург, 2004. – 336 с.Титоренко Г.А. Информационные системы в экономике: учебник / Под ред. Проф. Г.А.Титоренко.- 2-е изд., перераб. и доп..-М.: ЮНИТИ-ДАНА, 2008.- 463с.ХейвудДж.Бр. Аутсорсинг: в поисках конкурентных преимуществ - М.: Издательский дом "Вильямс", 2002. - 176 с.Сергеев В.И. Корпоративная логистика. 300 ответов на вопросы профессионалов / под ред. В.И. Сергеева. – М. : Инфра-М, 2005. – 976 с.Барсегян А.А., Куприянов М.С., Степаненко. Технологии анализа данных: DataMining, VisualMining, TextMining, OLAP – СПб.: БХВ-Петербург, 2007. – 384 с.Уайт Т. Чего хочет бизнес от IT: Стратегия эффективного сотрудничества руководителей бизнеса и IT-директоров – Минск: ГревцовПаблишер, 2007. – 256 с.Д.В. Блинов «Применение нейросетей в оперативной логистике».http://www.basegroup.ru/solutions/iso/.

Список литературы [ всего 13]

1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. – М.: Финансы и статистика. – 1989.
2. 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.
3. Дюк В., Самойленко А. Data Mining: учебный курс (+ CD-ROM). 2008 г. Издательство: Питер. Серия: Учебный курс. – 368 с.
4. Сайт компании BI Partner: http://www.bipartner.ru/.
5. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами. // Открытые системы. –№ 4-5, 2009
6. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining: учебное пособие. – С.-Пб. : БХВ-Санкт-Петербург, 2004. – 336 с.
7. Титоренко Г.А. Информационные системы в экономике: учебник / Под ред. Проф. Г.А.Титоренко.- 2-е изд., перераб. и доп..-М.: ЮНИТИ-ДАНА, 2008.- 463с.
8. Хейвуд Дж.Бр. Аутсорсинг: в поисках конкурентных преимуществ - М.: Издательский дом "Вильямс", 2002. - 176 с.
9. Сергеев В.И. Корпоративная логистика. 300 ответов на вопросы профессионалов / под ред. В.И. Сергеева. – М. : Инфра-М, 2005. – 976 с.
10. Барсегян А.А., Куприянов М.С., Степаненко. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP – СПб.: БХВ-Петербург, 2007. – 384 с.
11. Уайт Т. Чего хочет бизнес от IT: Стратегия эффективного сотрудничества руководителей бизнеса и IT-директоров – Минск: Гревцов Паблишер, 2007. – 256 с.
12. Д.В. Блинов «Применение нейросетей в оперативной логистике».
13. http://www.basegroup.ru/solutions/iso/.
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
© Рефератбанк, 2002 - 2022