10014

61

имеет ряд других преимуществ по сравнению со своими

предшественниками [2].

При создании конфигурации по управлению жилищно-бытовым

фондом решались следующие задачи:

1)формирование списочного состава зачисленных студентов,

2)создание справочников, документов, протоколов, необходимых для ведения учета за проживанием в общежитии,

3)создание учетных регистров,

4)автоматизация заполнения договоров на основании протокола заседания ЖБК и формирования начислений,

5)создание печатных форм документов,

6)создание отчетов по учету проживающих различных категорий,

анализу фонда общежитий,

7) для членов ЖБК создание разных ролей и настройка пользовательского интерфейса.

В автоматизированной информационной системе управления жилищно-бытовым фондом создан справочник «Зачисленные», где сформирован списочный состав зачисленных студентов. При создании документа «Протокол заседания ЖБК» информация об абитуриенте заполняется из этого справочника. На основании документа «Протокол заседания ЖБК» создается документ «Договор найма жилого помещения»,

где также автоматически заполняются цены, согласно тому, в какое общежитие был заселен студент. При нажатии кнопки Печать,

формируются печатные формы документов «В бухгалтерию ННГАСУ» и «Направление в общежитие».

Создан регистр накопления «Учет мест», где документ «Договор найма жилого помещения» проходит как расход, а документ «Договор

62

расторжения найма жилого помещения» как приход. На основании этого регистра формируется отчет «Количество свободных мест».

При реализации и внедрении автоматизированной информационной системы управления жилищно-бытовым фондом ННГАСУ, увеличивается эффективность работы служб, ответственных за работу в общежитиях.

Упрощается система документооборота. Появляется возможность более качественно и автоматизировано обеспечить поток претендентов на заселение.

Литература

1. Профессиональная разработка в системе 1С:Предприятие 8 / В.

А. Ажеронок, А. П. Габец, Д. И. Гончаров, Д. В. Козырев. – Москва : 1С-

Паблишинг ; Санкт-Петербург : Питер, 2006. – 807 с. : ил.

2. Радченко, М. Г. 1C:Предприятие 8.3. Практическое пособие разработчика. Примеры и типовые приемы / М. Г. Радченко, Е. Ю.

Хрусталева. – Москва : 1С-Паблишинг, 2014. – 857 с.

Т.С. Фузеева

РЕАЛИЗАЦИЯ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ ДЛЯ КОСМЕТОЛОГИЧЕСКОГО САЛОНА

Практически в любой области своей деятельности человеку прихо-

дится сталкиваться с кругом задач, алгоритмы (сценарии) решения кото-

рых заранее не известны. Существенную помощь в решении таких про-

блем может оказать экспертная система, объединяющая возможности ком-

пьютера со знаниями и опытом эксперта в такой форме, что способна предложить «разумный» совет или осуществить «разумное» решение по-

ставленной задачи.

63

В современных экономических условиях интенсивная конкуренция и рост количества предложений в сфере услуг и торговли предъявляют осо-

бые требования к ведению бизнеса. И, соответственно, клиентская база – один из ценных активов компании. Поэтому лояльность клиентов превра-

щается в один из главных критериев успешности бизнеса. Программы ло-

яльности требуют обработки больших объемов данных, тонкой настройки под клиента, учета и анализа разнородных данных, автоматического фор-

мирования актуальных предложений и многого другого, что реально мож-

но добиться только при использовании методов интеллектуального анали-

за данных Data Mining.

Целью данной работы является разработка рекомендательной систе-

мы на основе ассоциативных правил для косметологической компании

Desheli, которая предназначена для оперативного анализа данных, получа-

емых оператором (работником call-центра), и формирования адресных предложений клиентам с учетом их предпочтений. Очевидно, что чем точ-

нее можно предсказать, какой продукт или услуга заинтересуют клиента,

тем больший эффект можно ожидать от адресных обращений. Правильно сформированные предложения повышают лояльность и доходность, а не-

грамотно подготовленные не только не приносят пользу, но еще и раздра-

жают клиентов.

Разработка экспертной системы имеет существенные отличия от раз-

работки обычного программного продукта. Построение рекомендательной

(экспертной) системы всегда начинается с определения некоторых знаний исследуемой области. В качестве модели представления знаний нами была выбрана семантическая сеть, которая представляет собой ориентирован-

ный граф с поименованными дугами и вершинами. Каждая вершина графа помечена уточняющим вопросом экспертной системы к пользователю или ее ответом на задачу. Для удобства все вершины перенумерованы, начиная

65

Для реализации рекомендательной системы была выбрана аналити-

ческая платформа Deductor Academic версии 5.3 (отечественная разработка компании BaseGroup Labs) [3]. В нем сосредоточены самые современные методы извлечения, манипулирования, визуализации данных, кластериза-

ции, прогнозирования и многие другие технологии интеллектуального анализа данных. Инструменты Data Mining, реализованные в АП Deductor,

включают алгоритмы, такие как ассоциативные правила, позволяющие ав-

томатически находить взаимосвязи между услугами и формировать пред-

ложения, представляющие интерес для клиента.

В качестве информационной базы была взята база данных, состоящая из клиентских транзакций. Каждая транзакция – это набор услуг или това-

ров, выбранных клиентом компании за один визит. Транзакционная или операционная база данных (Transaction database) представляет собой дву-

мерную таблицу, которая состоит из номера транзакции (TID) и перечня услуг, приобретенных во время этой транзакции. TID – уникальный иден-

тификатор, определяющий каждую сделку или транзакцию.

Ассоциативное правило имеет вид: «Из события A следует событие

B». В результате анализа наборов услуг устанавливаем закономерность следующего вида: «Если в транзакции встретился набор услуг A, то можно сделать вывод, что в этой же транзакции должен появиться набор услуг B»

Установление таких закономерностей дает нам возможность находить очень простые и понятные правила, называемые ассоциативными [1].

Основными количественными характеристиками ассоциативного правила являются поддержка и достоверность правила.

Поддержкой называют количество или процент транзакций, содер-

жащих определенный набор данных. Правило имеет поддержку S, если S

% транзакций из всего набора содержат одновременно наборы элементов

A и B или, другими словами, содержат оба набора услуг.

66

Таким образом, набор услуг представляет интерес, если его под-

держка выше определенного пользователем минимального значения (min support). Эти наборы называют часто встречающимися (frequent).

Достоверность правила показывает, какова вероятность того, что из события A следует событие B. Правило «Из A следует B» справедливо с достоверностью C, если С % транзакций из всего множества, содержащих набор услуг или товаров A, также содержат набор услуг или товаров B.

Созданный в АП Deductor сценарий анализа услуг, предоставляемых косметологическим салоном, представлен на рис.2. Данный сценарий реа-

лизует поиск ассоциативных правил для разных пороговых значений до-

стоверности и поддержки. Варьируя верхним и нижним пределами под-

держки, можно избавиться от очевидных и неинтересных закономерно-

стей.

Рис.2. Сценарий поиска ассоциативных правил в АП Deductor

67

Рис.3. Полученные ассоциативные правила

На рис.3 можно увидеть пример работы обработчика «Ассоциатив-

ные правила»: услуги, указанные в столбце «Следствие», будут приобрете-

ны вместе с уже выбранными услугами, указанными в столбце «Условие» с вероятностью, определенной в столбце «Достоверность» [2].

Одной из важнейших составляющих аналитических технологий яв-

ляется визуализация – представление данных в виде, который обеспечива-

ет наиболее эффективную работу лиц, принимающих решения. Выбран-

ный способ визуализации должен максимально полно отражать поведение данных, содержащуюся в них информацию, тенденции, закономерности.

Правила в визуализаторе на рис.3 размещены в виде списка. Каждое правило, представленное как «условие-следствие», характеризуется значе-

нием поддержки в абсолютном и процентном выражении, а также досто-

верностью. Таким образом, мы видим поведение клиентов, описанное в виде набора правил. Например, первое правило говорит о том, что если клиент выберет процедуру «Аппаратная процедура для очищения кожи лица и Гидротерапия», то с достоверностью или вероятностью 46% он вы-

берет также «Профилактику морщин».

68

При большом количестве найденных правил и широком ассортимен-

те услуг и товаров анализировать полученные правила достаточно сложно.

Для удобства анализа таких наборов правил в АП Deductor есть визуализа-

торы «Дерево правил» и «Что-если» [2].

Рис.4. Дерево правил

Визуализатор «Что-если» удобен, если необходимо ответить на во-

прос, какие следствия могут получиться из данного условия. Например,

выбрав условие «Профилактика морщин», получаем четыре следствия

«Аппаратная процедура для очищения кожи лица и Гидротерапия», «Ваку-

умная подтяжка живота и Гидротерапия», «Вакуумная подтяжка живота и Увлажнение волос на клеточном уровне», «Гидротерапия и Увлажнение волос на клеточном уровне», для которых указаны уровень поддержки и достоверности.

Рассмотренная задача поиска ассоциативных правил является типич-

ной иллюстрацией задачи анализа покупательской корзины. В результате ее решения определяются часто встречающиеся наборы услуг и товаров, а

также наборы услуг и товаров, совместно приобретаемые клиентами. При-

менение ассоциативных правил позволяет узнать, что, вероятнее всего,

приобретет клиент, и предложить именно этот товар или услугу.

69

Найденные ассоциативные правила могут быть использованы для повышения эффективности проведения директ-маркетинговой компании косметологического салона. Менеджеры и call-операторы компании смогут предугадывать желания клиента, давать рекомендации клиентам, еще не определившимся в выборе услуги или товара. Без современных информа-

ционных технологий в полном объеме такую задачу не в состоянии решить даже очень опытный и талантливый менеджер, так как услуг и товаров много, и некоторые закономерности совсем не очевидны. Помочь мене-

джерам и call-операторам может такая рекомендательная система, которая будет показывать им список тех услуг и товаров, которые склонен купить клиент к уже приобретенным (в текущей транзакции).

Литература

1. Паклин, Н. Б. Бизнес-аналитика: от данных к знаниям / Н. Б. Па-

клин, В.И. Орешков. – Санкт-Петербург : Питер, 2010. – 704 с.

2. Кацко, И. А. Практикум по анализу данных на компьютере / И. А.

Кацко, Н. Б. Паклин ; под ред. Г. В. Гореловой. – Москва : КолосС, 2009. – 278 c.

70

С.И. Окунев

ПОСТРОЕНИЕ И РЕАЛИЗАЦИЯ ИМИТАЦИОННОЙ МОДЕЛИ РЕЧНОГО ШЛЮЗА

Имитационное моделирование способно решить большой спектр раз-

личных проблем, и нашло применение в различных сферах деятельности человека. Так наибольшее применение оно нашло в различных производ-

ственных процессах, а также для решения логистических и транспортных задач. В частности, существует проблема оптимизации судопропуска и обоснования пропускной способности при постройке или модернизации шлюзованных систем.

Начиная с 70-ых годов, в США был разработан ряд моделей, которые были предназначены для имитации работы, как отдельных систем движе-

ния речного транспорта, таких, как шлюзы, так и для моделирования рабо-

ты транспортной системы в целом [1].

Можно выявить основные факторы применимости имитационных мо-

делей. Одним из них является то, что исследования проводились для чисто теоретических и научных целей, таких как проверка правильности методик расчета пропускной способности или оценка будущей пропускной способ-

ности строящегося шлюза. Кроме того, модели давали возможность разра-

ботать методики оптимизации судопропуска, что связано с многочислен-

ной и очень развитой сетью каналов и шлюзов в США [2]. Стоит также за-

метить, часть имитационных моделей в сфере речного транспорта, разра-

ботанные не только в этой стране, но и в целом по миру, позволяют орга-

низовать стратегическое планирование транспортной инфраструктуры.

Имитационное моделирование – это метод исследования, при котором изучаемая модель заменяется моделью, с достаточной точностью описы-