Главная / Образцы дипломных работ

Логистика и дистрибуция

Внимание: Акция! Курсовая работа, Реферат или Отчет по практике за 10 рублей!
Только в текущем месяце у Вас есть шанс получить курсовую работу, реферат или отчет по практике за 10 рублей по вашим требованиям и методичке!
Все, что необходимо - это закрепить заявку (внести аванс) за консультацию по написанию предстоящей дипломной работе, ВКР или магистерской диссертации.
Нет ничего страшного, если дипломная работа, магистерская диссертация или диплом ВКР будет защищаться не в этом году.
Вы можете оформить заявку в рамках акции уже сегодня и как только получите задание на дипломную работу, сообщить нам об этом. Оплаченная сумма будет заморожена на необходимый вам период.
В бланке заказа в поле "Дополнительная информация" следует указать "Курсовая, реферат или отчет за 10 рублей"
Не упустите шанс сэкономить несколько тысяч рублей!
Подробности у специалистов нашей компании.

Код работы:	W005029
Тема:	Логистика и дистрибуция

Содержание

содержание

ВВЕДЕНИЕ 4

1 АНАЛИЗ ДЕЯТЕЛЬНОСТИ КОМПАНИИ 5

1.1 Общие сведения о компании 5

1.2 Конкурентоспособность компании 6

1.3 Миссия, общие цели бизнеса 7

2 ОПИСАНИЕ БИЗНЕС-МОДЕЛИ КОМПАНИИ 9

2.1 Интеграционный процесс 9

2.2 Дизайн и моделирование 11

2.3 Поставка материалов 12

2.4 Производственный процесс и его обеспечение 15

2.5 Логистика и дистрибуция 18

2.6 Использование системы RFID 19

2.7 Продажа товара в магазинах 20

2.8 Риски и преимущества системы 21

3 ИДЕНТИФИКАЦИЯ МОДЕЛЕЙ ОДЕЖДЫ НА ОСНОВЕ СТАТИСТИЧЕСКИХ И НЕЧЕТКИХ МЕТОДОВ 23

3.1 Задача идентификации 23

3.2 Постановка задачи 24

ЗАКЛЮЧЕНИЕ 32

ЛИТЕРАТУРА 33

введение

1 Анализ деятельности компании

1.1 Общие сведения о компании

АО «ЗАРА СНГ» - основной бренд международной компании по производству и продаже одежды Inditex Group.

Основными сферами деятельности предприятия являются:

разработка дизайна;

изготовление и продажа одежды;

изготовление и продажа нижнего белья;

изготовление и продажа обуви;

изготовление и продажа аксессуаров;

изготовление и продажа предметов декора для дома.

Особенность компании – это быстрое реагирование на потребности покупателей.

Для обеспечения быстрой реакции на изменяющиеся желания покупателей и своевременного предоставления нового товара в магазины происходит постоянное взаимодействие между персоналом магазинов, командами дизайнеров и производителями.

Компания контролирует каждое звено распределительной цепи. Это позволяет добиться феноменальной скорости в дизайне и разработке новой продукции.

Основатель компании Амансио Ортега открыл свой первый магазин ЗАРА в Испании в городе Ла Корунья в 1975 году, вместе с ним появилась революционная концепция «Мода для каждого». До 2003 года активно открывались новые магазины ЗАРА во всем мире: город Порто (Португалия), Нью-Йорк, Барселона, в Европе и на Среднем Востоке. Компания создавала новые бренды и приобретала уже существующие, которые становились частью огромной корпорации.

В 2003 году открылся первый магазин ЗАРА в России. В настоящее время в группе Inditex насчитывается более 7 тыс. магазинов в 88 странах мира. Компания включает в себя девять брендов одежды и обуви: Bershka, Zara Home, Stradivarius, Oysho, Massimo Dutti, Uterque, Pull&Bear, Lefties, Zara.

Группа Inditex на данный момент объединяет около 130 тыс. сотрудников в разных странах мира.

Компания интегрирует сферы деятельности, которые являются ключевыми для бизнеса: дизайн, производство и логистику. В 2011 году основатель компании передал управление Пабло Исла, который до сих пор является ее генеральным директором.

1.2 Конкурентоспособность компании

Принципиальный аспект бизнес-модели Inditex – это география производства. Как правило, все сети недорогой одежды отшивают свою продукцию на фабриках стран третьего мира, пользуясь преимуществами дешевой рабочей силы. Две трети продукции Inditex производится в Испании, Португалии и Марокко — особенно если речь идет о дорогих, остромодных или сложных по фасону предметах одежды. Базовые вещи вроде футболок закупаются на фабриках Восточной Европы, Африки и Азии. Собственные фабрики, находящиеся по близости, позволяют выигрывать в сроках и не переплачивать за доставку товара в Европу.

В логистике компания ориентируется на принцип «точно в срок», поэтому ей необходимо свести к минимуму вероятность сбоев на участках, полностью контролировать которые крайне сложно. Товар распределяется по централизованной схеме: магазины по всему миру получают продукцию со складов в Испании. В каждый магазин отправляются именно те модели, размеры и цветовые гаммы, спрос на которые достаточно высок; их заранее заказывают менеджеры магазинов. Система доставки отработана очень четко, новые товары попадают в европейские магазины в течение одного дня, а в США и Азию – всего за двое суток.

Такую скорость позволяет достичь грузовая авиация. Небольшие, быстро распродающиеся партии товара дают покупателям ощущение эксклюзивности. К стимулирует быстрые : в следующий визит вещи в магазине уже не быть, и : среднестатистическая покупательница магазин ЗАРА семнадцати раз в год.

1.3 , общие бизнеса

Свою Inditex, капи которой составляет 55 миллиардов , оттачивала на протяжении лет, нарушив за это время все правила розничной . Успех в усовершенствовании модели и продажи одежды.

контролирует каждое распределительной . Это позволяет достигнуть скорости в разработке продукции: между , когда разрабатывает эскиз модели одежды, , когда готовая оказывается в , проходит всего две . Вместе с тем тщательно занимается производства , стремясь сохранять на максимально низком . Концепция быстрой «fast » поначалу лишь , но со временем превратилась для подражания.

Менеджеры ЗАРА, корпорации свыше дохода, ежедневно «горячие» позиции . Они собственными оптимизируют бизнес: популярный товар на место, если не может найти его, отслеживают тренды, выслушивают и пожелания. В итоге в неделю предложения и заказы в отдел, где немедленно ывается новый продукт.

2 бизнес-модели компании

2.1 процесс

Основатель создал принципиально бизнес-модель ( 2), включающую в себя с вертикальной интеграцией. , которые поддерживают эту , можно в четырех базовых : гибкость поставок, обработка запросов , скорость и инновационность технологий ( 3). Inditex превзошла развития, где требуется от до девяти на создание коллекции, и а убеждения тех времен, бренды управляли , ведь за месяцев может многое измениться: от условий до иных покупателей.

Г модели позволяет ть изменения в последнюю , в зависимости от желаний , что позволяет коллекцию за четыре или даже за две, если потребует рынок. У есть полностью отказ от какой-то линии, она не продается, или же наполнить новыми и создать новый всего за несколько .

Рисунок 2 – Интеграционный компании

2 – Интеграционный процесс

Рисунок 3 – Интеграционный компании

Рисунок 3 – процесс

2.2 Дизайн и моделирование

шаг в этом процессе – трендов. Есть три :

Первый действует ограниченно и из маленького офиса в , где дизайнеры следят за в моде, реагировать на них максимально . Сотрудники путешествуют по миру, смотрят, что люди и как покупатели на улице. Их могут превратиться в нескольких коллекций, потом на внутренних собраниях в офисе. Это происходит в ограниченном масштабе, что дизайнеры другие методы.

второй основан на информации о том, что интересует , при помощи магазинов. Дизайнеры в Нью-Йорк, Париж, , Милан или Токио, погрузиться в тренды в мировых столицах. Они смотрят на цвета и материалы, а подробно конкретные элементы.

метод состоит из вещей - информации из журналов, коллекций на подиумах, или нарядов звезд с ковровых дорожек, и т. д.

также формальный, но не менее метод получения . Она приходит непосредственно из ЗАРА и тавляется менеджерами, сообщают дизайнерам покупателей.

Руководствуясь информацией, создают прототипы при помощи модельеров-художников ( 22 тыс. вещей в год). тестируют на людях и манекенах, и на - в случае с детскими . После создания показывают , поставщикам и клиентам.

, прошедшие тест, снова в руки мо, которые, программное обеспечение CAD, выкройки. Фрагменты размещают на ткани пазлу, найти наиболее вариант использования . Затем ткань на фабрику, где ее в соответствии с инструкциями.

маркетинг дает одобрение на производство , отправляются на разные фабрики, предлагают свои и сроки на выполнение работы. Тот, кто наиболее близкий к вариант, получает .

2.3 Поставка материалов

Офис принимает количество предложений в от поставщиков, желающих с самой крупной по производству . Огромное количество поставляет сырье для тканей и воплощения .

Inditex около 65 процентов на сырье для ЗАРА компанию Conditel – компанию из , специализирующуюся на текстильном , которой владеет . Они более-менее могут , что будет : замша, вельвет, и т. д., и делают заранее заказ, чтобы проблем на компании. Остающиеся 35 % заказываются, когда дизайн коллекции.

поставки и коллекции одежды на рисунке 4. Производственный заканчивается покраской . Это делают фабрики группы.

передоверяет работу над вещами своим поставщикам. Они прибывают уже в готовом , и проходят проверку у экспертов ЗАРА.

4 – Процесс материалов и создания одежды

Рисунок 4 – поставки материалов и коллекции

2.4 Производственный процесс и его

Обладая выкройками и , фабрики и мастерские вещи. Все это в каталог, и при помощи PDA менеджеры магазинов просмотреть, что доступно в момент, и там свои заказы( 5). Если было 20 тыс. единиц продукции, а сделан на количество, проблем нет. заказано больше, согласовывает отпускаемое единиц с запасами. Если очень популярна, еще один цикл , и в магазины новая партия, хотя это не во всех случаях. это «рискованная» коллекция, что она вышла из или зависит от погоды, к , магазину она больше не (рисунок 6). Непроданные уничтожаются определенный период .

Рисунок 5 – Процесс

Рисунок 6 – заказа

Фабрики, ющие только над « модой», не растут, на то что бизнес в последние годы. причина этого – затрат на оплату . Это привело к , что эту работу перевели в страны, такие как и Марокко. Каждый заводы ткань и сопутствующие в мастерские, чтобы там они в одежду. Хотя получаются , чем в Азии, Inditex может гарантировать «точно в срок» по миру. В если доставка во все невозможна, тогда -500 магазинов получают то. Продукция в линии по ценам, отделом маркетинга, обрабатывает всю информацию, от магазинов.

неделю менеджеры делают заказ и обуви. Это продукция, заказывают из склада для продажи в . Чтобы сделать заказ, необходимо осведомленным о , а именно, знать, ассортимент имеется в наличии, что из подойдет для в магазине, а также способность предвидеть будущих продаж.

магазин в мире получает товар дважды в , при этом, в каждой всегда новые модели. система позволяет лять товары из дистрибуции в магазины в течение 24 , а в магазины Америки и – в течение 48 часов.

дистрибуции в организован таким , чтобы обеспечивать обновление товаров, в магазинах. Все , вне зависимости от места их , распределяются по магазинам из центра каждого .

С каждой магазин получает товар. Поставка овождается товарной .

Логистика и

Inditex обычно 25 процентов своей до начала сезона. Это компании преимущество над традиционными системами, так как снижает на склады и позволяет риска не требованиям покупателей ( 7). Но это также связано с сложностями, потому что важно, дистрибуция работала . Логистика работает на магазинов, которые поток , которые постоянно из центров дистрибуции.

7 – Управление прибылью

Логистика – это часть цикла едуры вертикальной . Контроль остатков в по всему так же важен, как быстрое дизайна и самой . Именно поэтому инвестировала , усилия и значительные денег в создание центров, оборудованных по (рисунок 8).

8 – Информационные системы центров и магазинов

у Inditex есть возврата в , куда прибывают вещи или товары для в другие магазины. сети, немного отличным от способом, имеют логистические центры. вные транспортировки – наземные. все вещи перевозят в , кроме заказов в США и Америку, туда самолетом. магазины обслуживаются море, что добавляет к доставке.

2.6 системы RFID

-система магазина (25R) – это система управления м, которая выполнение большинства производственных процессов. Эта основана на технологии (радиочастотной и).

С помощью RFID- осуществлены улучшения в торговых операциях:

при с клиентами могут точно и проинформировать покупателя о том, где необходимое ему изделие (в зале или на );

при продажах и возвратах устройство для радиочастотной бирки подключено к аппарату, при снятии противокражной , изделие автоматически (без необходимости штрих-кода);

и может быть гораздо быстрее с данными о продукции ;

прием осуществляется гораздо и точнее;

продукт в е лучше пополняется за количество ;

улучшение контроля за .

2.7 Продажа товара в

Магазины – это первый и пункт в интегрированной системе. магазина полностью свою территорию, или маленькую, со от 10 до 120 человек.

Магазины заказ согласно предпочтениям, и товары к ним в кратчайшие сроки. Вещи на складе месяц или две в сезон продаж. , что из 10 человек, в магазин, трое покупку. Inditex в клиентах опасение, что то, что они сегодня, уже может исчезнуть, а то, еще нет сегодня, может завтра (рисунок 9).

9 – Повышение обслуживания клиентов

9 – Повышение уровня клиентов

2.8 Риски и системы

сложность, с которой компания сегодня, - это гибкости в период роста, что именно дистрибуция такие впечатляющие продаж. Любой центр, в любой точке , вне зависимости от страны, лучшие условия для магазинов , потому что их продажи выше.

Хотя эта с вертикальной интеграцией Inditex к , она не лишена рисков. предпочтений потребителей - это к ней. Очень важно уровень и способности производить точно в срок, что сложнее из-за ния и роста на оплату труда.

Еще серьезная проблема, с сталкивается компания в международной , появляется из-за компании в странах, конфликтами. Большая подобных решается через , совместные предприятия или , хотя, если все же запущен и , обычно они поглощают часть подобных .

3 идентификация моделей на основе методов идентификции

сбыта многоассортиментрой

Сбыт многоассортиментной , характеризующийся обновлениями колл (не менее 6 раз в год), - из аспектов коммерческой промышленного , являющийся средством поставленных целей и завершающим выявления и предпочтений покупателей.

продукции для предприятия по ряду причин: сбыта другие показатели (величину доходов, , уровень рентабельности). того, от зависят производство и риально-техническое обеспечение. образом, в процессе оконча определяется результат предприятия, направленный на рас объемов деятельности и максимальной .

Коммерческая деятельность по продукции на предприятии многогранна, она начинается с интересов с требованиями рынка. продукции заинтере в снижении издержек , а это возможно при больших объемах и небольшой номенклатуре продукции. Однако требует : потребители заинтересованы в выборе качественной, продукции с различными скими по приемлемой цене. В итоге производственная предприятия, номенклатура, продукции определяться и платежеспособным спросом : предприятий, фирм и .

Расширение продукции усложняет процесс, при выпуске партий изделий себестоимость каж изделия, усложняется управления.

. Поэтому, скоординировать интересы и рынка, планирование ассорти продукции, как новой, так и уже на предприятии. Планирование является составной частью ской деятельности предприятия. Выполняться эта должна по управлению продуктом в взаимодействии с отделом предприятия.

Наряду с ассортимента частью коммерче деятельности является сбыта продукции. сбыта составление плана предприятия, формирование феля заказов, наиболее каналов сбыта , распределение объема товаров по регионам. сбыта разрабатывать , выпускающие продукцию на « рынок».

Портфель формируют , производящие и поставляющие на рынок.

Для того разработать план , предприятие-изготовитель составить прогноз сбыта, являющийся плана сбыта. товара знать зависимость предложением своего на рынке и его сбытом. товара его ценой, ценами аналогичных товаров, технологией изго товара, налогов и дотаций, условиями. Спрос на товар предприятия, а, , и сбыт товара зависят в от цены данного , уровня дохода и покупателей, и предпочтений, а также покупателей о перспективах, сезонности товара.

прогнозирование объема многоассортиментной продукции с помощью неколичественных и методов.

методы прогнозирования на экспертных оценках высшего звена, торговых и покупателей (настоящих и ). Эти методы прогнозирования свои преимущества и . Прогнозирование продукции на основе оценок руководителей звена предприятия следующие : возможность оценки точек зрения, что недорого, а также получения . Недостатком этого является распределение между руко.

Преимущество сбыта на основе торговых агентов в том, что такой прогноз быть : в разрезе товаров, и покупателей. Недостатком метода прогноза быть неправильной оценки из-за неполноты торговыми агентами факторов и компании. Прогнозирование продукции на основе покупателей имеет не - субъективный . Например, покупатель не может ответить с степенью точностью, количество товара он собирается в обозримом будущем.

неколичественных методов сбыта место занимает метод оценок Дельфи. Он широкое распространение в странах. метод заключается в том, что мнений экспертов о объемах сбыта товара ствляется путем анкетного опроса в туров. При этом эксперт прогноз дает от других. В процессе ботки результатов каждого можно оценить с специального коэффициента.

методом прогнозирования сбыта являются: экстраполяции, корреляционного и анализа, анализа рядов и др.

Метод основан на сложившихся в законо развития изучаемого явления и распространения0 закономерностей на исходя из того, что они быть устой в течение некоторого времени.

С корреляционного анализа отобрать факторы, на сбыт продукции, степень между выбранными и объемом сбыта и прогноз сбыта товара в периоде.

Регрессионный позволяет выразить , влияющие на объем , в виде модели и воспользоваться моделью для прогнозирования продукции.

Анализ рядов к статистическим методам про, сущность которых в том, чтобы на основе ческих сформировать прогнозы сбыта продукции.

прогнозы являются рабочими о тех или иных показателях в будущем, поэтому их полностью зависит от той , на которой они . Прогноз объема служит составной плана сбыта.

объема многоассортиментной продукции, чающее маркетинговое рынка, прогнозирование поку на основе данных за периоды и определяющее на бу вероятностные характеристики управления , позволяет получить показатели эффективности компании как: величину , прибыль, рентабельности.

1.2 Анализ продукции ЗАРА

, в отличие от своих , таких как Gap, , H&М, не использует азиатский . Восемьдесят процентов ЗАРА производятся в , при этом 50% в регионе Галисия в возле штаб-квартиры. стоимость производства в на 17-20% , чем в Азии, ЗАРА конкурентное преимущество в операций. Близость дает большую гибкость в своих продуктов к рынка и поведению . Это также расходы на проведение .

ЗАРА тратит , чем 0,5% от общего дохода на IT и IТ-сотрудников лишь 0,5% от общей рабочей силы . Это отличается от своих , которые в среднем 2% от общего компании на IТ-расходы и 2,5% от их численности рабочей посвященных IТ. использует человеческий (от менеджеров магазинов и исследований) и информационные (таких, как их ), чтобы иметь модель для потока из магазинов в штаб. , менеджеры в ЗАРА используют устройства для отправки информации в отношении связи клиентами. Это не только дизайнерам ЗАРА в курсе быстро тенденций и , но и обеспечивает компании о менее желательном . В отличие от гибридной ЗАРА( включает в себя разум и IT-приложения), практически полностью на информационные . Уникальный подход к человеческому интеллекту IТ-решениям приходить к управлению , связи между и предложением, а также расходов за счет товаров. образом, гибридные и коммуникационные системы, обеспечивает ЗАРА, ценовые для операций ЗАРА и соблюдать их основополагающий , чтобы иметь быстро на изменения потребительского .

Сбыт продукции «ЗАРА» происходит интернет-магазин и торговые центры в и по всей стране. У ЗАРА есть в интернете, на можно посмотреть всю сезона, в разделах , женской, молодежной и одежды, каталог фотосессий с . В каталоге одежды быстро найти модель по характеристикам, размеру, и цене. Можно понравившиеся модели. Так же описание , из которых изготовлена , как правильно ухаживать за вещью.

Анализ интеллектуального данных и постановка идентификации

При моделировании интеллектуального анализа используется число различных и их комбинаций. Наиболее и часто используемые приведены :

– кластеризация;

– ассоциация;

– решений;

– анализ с действием;

– сети ;

– метод соседей;

– нейронные ;

– нечеткая логика;

– алгоритмы;

– регрессионные ;

– эволюционное .

Для решения задачи традиционно используются кластеризации и регрессии. данные о объектах и процессах многоплановый и разнотипный , то это значительно усложняет, а делает выявление и построение их моделей. С целью таких трудностей на этапе выполнить идентификацию структуры таких . Для этого применяют кластеризации, недостатками которых : директивное априорное о количестве кластеров, выбора метрики для определения объектов и кластеров, большого количества сравнений , недостаточное статистическое результатов кластеризации и значительное количество вариантов на кластеры. На втором для решения задач зависимостей традиционно методы множественной регрессии (). Использование данного базируется на ряде и ограничений, из которых является о наличии линейной в многомерной структуре между характеристикой и входными . Однако такое не всегда является . Уменьшить указанных недостатков методов при разработке прогнозирования характеристик объектов использовать методы логики.

Нечеткая

В окружающем нас мире редко сталкиваться с зада, лишенными какого-либо неопределенности. Управленческое практически приходится принимать в частичного отсутствия информации.

Неопределенность , как правило, дефицита информации, отношение к решаемой . Это может быть , неточная, , не полностью надежная, информация. Присутствие такого типа в базе не вызывает сомнений. тип неопределенности наиболее к элементарным ошибкам и принципиально . Допустим, что в результате новой информации или фрагмента ошибочной мации уменьшилась. Тогда полученной или исключенной в этого действия может принято за изменение .

Нечеткая логика и применяются для анализа наборов , когда невозможно данные к какой-либо . Мы можем только отнести к какой-либо с некоторой вероятностью ( упрощая разницу нечетким и вероятностным ) находящейся в от 0 до 1, но не принимающей крайние . Четкая логика манипулирует , которые могут либо , либо ложью. Нечеткая применяется в тех случаях, необходимо манипулировать "может " в дополнении к "да" и "".

С середины шестидесятых , после разработки Л. теории не множеств, было несколько теорий, формализовать . Эта область интенсивно развивается в на время. Естественной и альтернативой числу соотнесение показателю х не одного значения, а функции rx(u), собой распределение величины х и также функцией принадлежности.

название происходит , что нечеткую величину х интерпретировать как множество X. Происхождение названия связано с интерпретации нечеткой х как нечеткого X. Функция rx(u) есть того, что значение х находится и. Функция быть как детерминированной однозначной функцией, так и сложной конструкцией. В случае это быть, например, плотности вероятности fx(u), интеграл от функции по всех возможных равен единице.

распределения нечеткости , зависящих от , можно проводить тренда (рисунок 2.4), а значит, прогнозировать параметр с его нечеткости. Подобно числам, нечеткие ве можно сравнивать, и умножать, нечеткие функции от них, разумеется, предварительно эти операции.

Методы оценок быть использованы при тельной обработке .

2.2 Постановка задачи

INDITEX три магазина под брендом в г.Ростове-на-Дону. пользуются особой у разных населения, модная и демократические цены женщин, мужчин и разных . Потребности покупателей в моделях одежды каждый сезон, в с этим обеспечивать магазины количеством необходимого точно в срок.

Для задачи моделей одежды на статистических и нечетких определили ряд критериев, по будем тип модели одежды: четкие критерии, нечеткие критерии, критерии.

1 – Критерии идентификации

[0; 1]

Нечеткие [0..1]

[0..1]

Наличие (a)

Стиль (g)

Материал (m)

Наличие на брюках (z)

Цвет (h)

одежда (b)

Наличие (c)

Вид выреза (i)

одежда (p)

Наличие (d)

Узор (k)

Летняя (t)

Наличие заклёпок (e)

Вид (x)

Наличие на ткани (f)

Наличие (y)

Абсолютно четкие оцениваются как 0 или 1, абсолютно – от 0 до 1, смешанные могут принимать как оценки: 0 или 1, так и нечеткие: от 0 до 1.

расшифровку для нечетких .

Стиль (g):

– классика (g1);

– мода (g2);

– (g3).

Цвет (h):

– белый (h1);

– (h2);

– синий (h3);

– зеленый (h4);

– (h5);

– коричневый (h6);

– (h7);

– пастельные тона (h8);

– (h9);

– золотой (h10).

Вид выреза (i):

– (i1);

– v-образный (i2);

– трапецеидальный (i3).

Вид (x):

– прямой (x1);

– (x2);

– внутренний (x3);

– накладной (x4).

(m):

– хлопок (m1);

– полиамид (m2);

– (m3);

– шерсть (m4);

– лён (m5);

– акрил (m6);

– (m7);

– нейлон (m8);

– (m9).

Узор (k):

– полоска (k1);

– (k2);

– принт (k3);

– рисунок (k4);

– рисунок (k5).

Определим моделей :

– куртка;

– пальто;

– ;

– жилетка;

– ветровка;

– ;

– кардиган;

– толстовка;

– ;

– футболка;

– ;

– майка;

– брюки;

– ;

– бермуды;

– комбинезон.

постановку задачи в виде.

Y – результирующая характеристика, X ,..., X n – факторы. С помощью сенсора проведены n параметров m . Для каждого объекта k измерений.

Таким , получим обучающую данных, матрицей M , которая n +1 столбцов и m? k строк (. 2).

Таблица 2 – Обучающая данных в виде

№ объекта

№

Значения выходных

Выходная характеристика

…

матрицы , идентифицирующих тип модели , для 2014-2016 гг.

Информационная , куда эксперт оценки, базу данных из с четкими и нечеткими .

Таблица 3 – Матрица оценок

Таблица 4 – Матрица оценок 2014

5 - Матрица четких 2015

6 - Матрица нечетких 2015

Таблица 7 - четких оценок

Таблица 8 - нечетких оценок

Таким образом, оценки типов одежды более точно ту или иную вещь. близости между разных , позволяет понять, что идентифицировали одну и ту же , несмотря на то, что оценки отличаются. система, которая базу данных нечетких оценок , в дальнейшем решить задачу объемов продаж .

Кластеризация

Методы анализа разделить изучаемую ность объектов на "схожих" объектов, кластерами, ти записи в различные , или сегменты. Кластеризация в аналогична , но отличается от нее тем, что для анализа не требуется выделенную целевую . Ее удобно использовать на этапах , когда о данных что известно. В большинстве методов анализа начинается, данные уже предварительно расклассифицированы, хотя бы на множество данных и , по которым найденная модель или для надо предсказать переменную. Для этапа характерно каких-либо различий как переменными, так и между . Напротив, ищутся наиболее , похожих записей.

автоматического разбиения на редко используются по себе, для получения групп объектов. Анализ начинается с разбиения на . Если обнаружены, естественно другие методы mining, чтобы установить, а что такое разбиение на , чем оно вызвано.

Существует число методов . В data наиболее популярны расщепления, непосредственно всю совокупность записей на кластеров. Из них распространение различные модификации К-средних.

К недостаткам следует зависимость результатов от метода кластеризации и от преобразования данных, результатов от параметров алгоритма ния/объединения и от выбора . Поэтому результаты часто быть дискуссионными. того, методы анализа не дают способа для достоверности разбиения на кла, для проверки статистической об адекватности разбиения.

особенностей компании «ЗАРА» необходимость в метода предварительной исходной мации на основе кластеризации многоассортиментной ции позиционированием по целевым потребителей с экспертных оценок, повысить точность .

После определения идентификации и продукции, методом оценок определим критериев (таблица…).

одежды (g)

рукава (z)

Узор (k)

(h)

Материал (m)

Верхняя (n)

Нижняя одежда (o)

Вид (x)

Вид выреза (i)

одежда (b)

Зимняя (p)

Летняя одежда (t)

Эксперт2

Эксперт3

Эксперт5

2,8

1,8

2,8

1,2

2,8

Проранжируем критерии по важности от 1 до 3, где 3 – важный , 2 – критерий средней , 1 – наименее критерий, и определим близости между от разных экспертов для разной важности (таблица…).

критерий

Критерий важности

Наименее критерий

одежды (g)

Узор (k)

Вид (x)

Длина рукава (z)

(h)

Вид выреза (i)

Верхняя (n)

Материал (m)

одежда (o)

Демисезонная (b)

Зимняя одежда (p)

одежда (t)

Предполагаем, что одним из вещь является той же вещью в матрице идентификации другого , если: для критериев различие в от разных экспертов до 0,19, для критериев средней – до 0,25, для наименее критериев – до 0, 35.

В качестве для моделирования применяется Deductor 5.3.

Deductor аналитической – основой для создания прикладных решений в анализа данных. Deductor для решения широкого задач, связанных с структурированных и представленных в таблиц . При этом область системы может практически любой – , реализованные в , с успехом применяются на рынках, в страховании, , телекоммуникациях, промышленности, , в логистических и задачах и множестве .

Data Mining – это извлечения из исходных ранее , нетривиальных и практически зависимостей (знаний). применения Data не ограничена прикладной областью. Он использоваться везде, где потребность в глубоком данных, чаще всего идет об анализе информации. Среди задач, при помощи методов Mining, можно такие:

– анализ и рисками;

– кредитоспособности физических и лиц;

– определение профилей , т. е. наиболее характерных их поведения;

– диагностика, обнаружение и причин возникновения ;

– идентификация критических ;

– стимулирование ;

– сегментация клиентов, , услуг;

– оценка , влияющих на лояльность .

Большинство анализа можно на классы, внутри они решаются схожим . Этих немного, но для каждого использовать свои . Законченное решение быть из блоков, собранных из компонентов для решения задачи. Именно комбинировать механизмы анализа при прикладных решений говорить, что Deductor аналитической .

Прогнозирование – одна из востребованных задач . В Deductor включено механизмов прогностических моделей, в том с использованием самообучающихся . Кроме того, в имеются очистки данных, приносят особенно пользу при решении прогнозирования. набор позволяет качественные прогнозы и большими возможностями по , т. е. способен под изменяемую ситуацию.

Еще механизмы, позволяющие строить прогнозы на временного на несколько шагов . Достаточно построить , прогнозирующую изменение на 1 шаг, и использовать ее на количество отсчетов .

Построение моделей - универсальный способ . В действительности при мы в том или ином виде имеем некую исследуемого процесса или . Но не всегда эта формализована, т. е. описана образом, чтобы ей мог кто-то в режиме " ящика": данные на вход, а на получили результат.

, просматривая отчеты, может некий объект, от остальных, и сделать из некие выводы, т. е. в у эксперта представление о том, на что нужно внимание. Но объяснить это в случаев он не в состоянии, все на опыте, . Построив же модель, мы тиражировать знания , т. к. модель является формальным , которое легко на машинных носителях.

построения моделей множество, но в основной акцент на самообучающиеся методы и обучение. Данные являются , решающими большой задач и при этом в применении. Полученные можно в виде таблиц, , карт, деревьев и . В систему встроены формальной качества полученной .

На основе определенного ассортимента товара и , которые наибольшую важность для объемов продаж, обучающую выборку.

скрин с

- определили кластеры ( и схему из дедуктора)

На полученной звезды изделию кластер (целевая ), наименование которого в динамически обнов таблицу хранилища данных и при построении прогноза.

полученных кластеров на основе объемов сбыта, где схожесть динамики изделий в группе; а маркетинговых по восприятию продукции ми потребителями. В случае расхождений (например, при рас угловых линейных трендов продаж на 10%) динамической кластеризации для конкретной про.

Моделирование прогноза продаж многоассортиментной про ведется отдельно по из полученных в ходе динами кластеризации.

прогнозирование продаж одежды на ос нечетких идентификции

Нейроимитационное

На самом начальном решения задачи краткосрочных и тенденций рынков следующие основные ее решения:

сбор и данных - участников прогноза ( в качестве критерия, в качестве прогнозируемой , либо как и то и );

определение для рассматриваемого прогнозируемой величины и критериев (причем не могут использованы данные, хранящиеся в базе , зачастую требуется некоторые данных, например, ра в качестве критериев относительные изме величин);

зависимости между величиной и набором в виде обученной сети;

прогноза на обученной на будущие моменты ни.

Процедура выполнения прогноза от процедуры на 1) и 4) этапах. В случае прогноза считается, что все в нем критерии на дату известны и в базе данных. В долгосрочного прогноза , что критерии на дату не известны и быть указаны.......................

Для получения полной версии работы нажмите на кнопку "Узнать цену"

Узнать цену

Каталог работ

Похожие работы: