Количественная оценка потенциала торговых точек

Цель. Повышение  скорости и эффективности принятия  решений по развитию  объемов продаж продукции компаниями-производителями на основе применения  количественных оценок потенциала торговых точек с использованием автоматизированных  методов интеллектуального анализа  больших данных. Для  создания  новых  механизмов  интеллектуального управления  предприятиями (экономическими  агентами) в концепции цифровой  экономики необходимо  смоделировать  процессы  их взаимодействия в организационной рыночной  среде с позиции мультиагентного подхода. Подход описывает кибернетические механизмы  взаимодействия агентов с возможностью  адаптации к потребностям  населения  на базе анализа  рыночных ситуаций с целью разработки интеллектуальных систем управления предприятиями  для  повышения   их  рыночного  потенциала и конкурентоспособности. Для  моделирования и анализа  механизмов  и процессов взаимодействия агентов  в рыночной среде сегодня используется  парадигма  открытых  сложных  систем. Основной  современного  функционирования предприятий являются  корпоративные информационные  системы,  телекоммуникационные сети, Интернет технологии, мобильные системы связи, большие данные, технологии  интеллектуального анализа, прогнозирования и машинного обучения. При этом информация для моделирования, исследования  и анализа  рынка и поведения агентов может собираться из открытых источников сети Интернет. В сфере массовых продаж результатом  внедрения инновационных технологий является  поддержка принятия решений  в процессе  управления продажами  товаров  и услуг  с целью синтеза  эффективных бизнес-стратегий производства и продажи товаров, направленных на увеличение прибыли компании.

С  точки   зрения  компании  – производителя  – необходимо проводить  стратегическое и тактическое планирование развертывания и поддержания  сети продаж через сети торговые точки,  реализующие или потенциально способные реализовать продукцию  компании. В подавляющем  большинстве случаев сбор и анализ объективных  данных о торговых точках  производится экспертами, а модели для построения  количественных оценок потенциала торговых  точек  используют только  внутренние данные о продаже товара  или данные партнеров.

Материалы  и методы.  В основе решения  лежит  аналоговый метод оценки  привлекательности торговой  точки,  используемый в маркетинге. Для решения поставленной задачи также используются   методы  интеллектуального  анализа   данных (различные  методы кластеризации) и метод математической статистики – дисперсионный  анализ.

Современные   методы  обработки  больших  объемов  данных  и их интеллектуального анализа  позволяют  предложить  новые методы количественной оценки потенциала, базирующиеся на анализе  всего многообразия  данных,  хранящихся  в открытых источниках информации.

Результаты. Предложен многоэтапный метод количественной оценки  потенциала торговых  точек  в рублевом  эквиваленте. Разработан   метод  деления  торговых  точек  на  страты  на основе признаков, описывающих  положение ТТ, конкурентную среду, транспортную доступность, типового потребителя. Предложена  модификация метода  К-средних.

Заключение. В работе предложен подход к решению задачи продвижения  широкой номенклатуры товаров производителем через существующие торговые сети. Предложен метод количественной  оценки потенциала торговых точек.  Предложенный метод базируется на основе аналогового метода сравнения торговых  точек  и  использует   методы  кластеризации  торговых точек по широкому перечню показателей. Приведены результаты  апробации  подхода на данных по 33 регионам РФ. Результаты работы в дальнейшем  планируется использовать для решения задачи построения матрицы потребительских предпочтений торговых  точек.

1. Буреш О.В., Жук М.А. Интеллектуальные информационные системы управления социально-экономическими объектами. М.: Красанд, 2012. 192 c.

2. Ларичев О. И., Петровский А. Б. Системы поддержки принятия решений: современное состояние и перспективы развития // Итоги науки и техники. 1987. Т. 21. С. 131–164.

3. Торопов В.Д. Метод построения статистических моделей с неполными данными на основе экспертной информации // Проблемы теории и практики управления. 2006. № 5. С. 22–34.

4. Рассел Б.А. и др. Искусственный интеллект: современный подх / Под Под ред. Б.А. Рассела. 2-е изд. М.: Издательский дом «Вильяме», 2006. 1408 с.

5. Люгер Л. В., Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е изд. М.: Издательский дом «Вильяме», 2003. 864 с.

6. Трофимова Л.А., Трофимов В.В. Методы принятия управленческих решений. М.: Юрайт, 2014. 336 с.

7. Тебекин А.В. Методы принятия управленческих решений. М.: Юрайт, 2014. 572 с.

8. Power D. J. What is a DSS? [Electronic resource] // The On-line Executive Journal for Data-Intensive Decision Support. 2013. URL: www. dssresources.com/vita/djphomepage.html.

9. Юдин Д.Б. Вычислительные методы теории принятия решений. М.: КД Либроком, 2014. 320 c.

10. Cheng K. Chen, H. Sun, Y. Zhang, F. Tao Data and knowledge mining with big data towards smart production. J. Indust. Inf. Integr., 2018. Vol. 9. P. 1–13. doi: 10.1016/j.jii.2017.08.001

11. Dubow J. Big Data and Urban mobility – Cairo June 2, 2014. The World Bank Group, 2014. 22 p.

12. Фрэнкс Б. Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики. Альпина Паблишер, 2016.

13. Литвак Б.Г. Управленческие решения. М.: Московская Финансово-Промышленная Академия, 2012. 512 с.

14. Финогеев А.Г. Построение систем поддержки принятия решений в рамках информационно-синергетической концепции управления // Известия Вузов (Поволжский регион). 2003. № 1. С. 108–120.

15. Шмид А. В. и др. Новые методы работы с большими данными: победные стратегии управления в бизнес-аналитике: Научно-практический сборник. М.: ПАЛЬМИР, 2016. 528 с.

16. A. McAfee, E. Brynjolfsson. Big data: the management revolution // Harvard business review. 2012. Vol. 90 (10). P. 60–68.

17. Салливан М., Эдкок Д., Маркетинг в розничной торговле. СПб.: Нева, 2004. 137 с.

18. Клемашев Н.И., Комаров И.В., Позин Б.А. Определение потенциала продаж розничных магазинов с использованием информации о других магазинах и гео-данных // Аналитика и управление данными в областях с интенсивным использованием данных. Сборник трудов XVIII Международной конференции RCDL’2016 (11–14 октября 2016 года, Ершово, Московская обл., Россия). М.: ФИЦ ИУ РАН, 2016.

19. Дубров А.М. Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2003. 345 c.

20. Колемаев В.А., Калинина В.Н. Теория вероятностей и математическая статистика. M.: ИНФРА-M, 2001. 302 c.

21. Зотов В.В. Ассортиментная политика фирмы // М.: Эксмо, 2006.

22. Zhukova L.V., Chugunov V.R., Kovaleva A.S., Kovalchuk I.M. Mathematical Methods of Grouping Data for Making Managerial Solutions in the Tasks of Planning // Actual Problems of System and Software Engineering 2017. Proceedings of the 5th International Conference on Actual Problems of System and Software Engineering. Moscow, Russia, November 14–16. Aachen: CEUR Workshop Proceedings, 2017. Vol. 1989. 408 P. P. 333–341.

23. Phillips S.J. Acceleration of k-means and related clustering algorithms // Workshop on Algorithm Engineering and Experimentation. Springer Berlin Heidelberg, 2002. P. 166–177.

24. Elkan C. Using the triangle inequality to accelerate k-means // ICML. 2003. Vol. 3. P. 147–153.