Формирование умного локального рынка продовольствия с использованием информационно-коммуникационных технологий

Бесплатный доступ

В статье рассматривается влияние использования ИКТ-концепций на развитие локальных продовольственных рынков, в части получения, обработки и интерпретации больших баз данных. Приводится описание технологий «смарт-маркет» и методики проведения кластерного анализа. Автор, предлагая использование технологии кластерного анализа на практике, проводит исследование, рассматривая - каким образом применение этой технологии влияет на результат хозяйственной деятельности субъекта локального продовольственного рынка.

Информатизация локальных продовольственных рынков, концепция

Короткий адрес: https://sciup.org/148324770

IDR: 148324770

Текст научной статьи Формирование умного локального рынка продовольствия с использованием информационно-коммуникационных технологий

Информатизация региональной экономики связана с глобальными трансформациями мирового развития, основанными на интенсивном развитии информационно-коммуникационных технологий (ИКТ). Промышленная революция превратила аграрную экономику в индустриальную, а развитие технологических платформ в промышленном производстве, в том числе и с помощью ИКТ, превратило индустриальную экономику в постиндустриальную, в которой социально-экономическая модель использует информацию как полноценный экономический ресурс.

В подтверждение этого факта можно вспомнить определение информационных технологий (ИТ). В самом базовом понимании ИТ– это технологии переработки информации, а точнее данных, в том числе и касающихся экономических процессов. Региональная экономика в этом смысле не исключение,

ГРНТИ 06.61.33

EDN VDKGDK

Светлана Петровна Лавщенко – аспирант кафедры региональной, муниципальной экономики и управления Уральского государственного экономического университета (г. Екатеринбург)/

Статья поступила в редакцию 22.07.2022.

поскольку с внедрением ИТ существенно изменяются и основные ее постулаты, определяющие функционирование и развитие региональных экономических систем и подсистем. Региональная экономика становится частью национальной экономики, где начинают доминировать знания субъектов и нематериальное производство. Понятия «цифровая экономика», «экономика знаний», «информационное общество» и их аналоги становятся синонимичными и формируют новый этап развития региональной экономики, меняя прежнюю индустриальную парадигму на информационную и цифровую [1; 2].

Вопросами цифровизации экономики занимались многие отечественные и зарубежные ученые. В работах Бабкина А.В., Бодрунова С.Д., Добрынина А.П., Липатова С.И. и др. рассматриваются общие подходы к информатизации и цифровизации экономики в современных условиях [1; 2; 5; 6; 8; 10]. Некоторые аспекты информатизации локальных рынков можно изучить в работах [7; 9]. Концепция «Smart» индустрии и экономики в целом освещена в исследованиях [13; 14]. Однако исследований, связанных с конкретным применением информационных технологий в рамках локальных рынков продовольствия и переходом их в категорию «Smart» недостаточно, поэтому наше исследование актуально и своевременно. Цель этой статьи – показать применение конкретных информационных технологий для оптимизации бизнес-процессов на локальных рынках продовольствия, которые позволяют их трансформировать в категорию Smart market.

Роль ИКТ в формировании концепции Smart market / умный локальный рынок продовольствия Информатизация локальных рынков основана на четырех «китах» современного развития ИКТ: технологии больших данных, подразумевающие использование интеллектуальных алгоритмов и обработку данных «на лету»; социальные сети, как источник клиентского трафика, и ускорение процессов обратной связи; мобильные технологии, как возможность получать данные различного характера независимо от геопозиции и временных факторов; облачные технологии, как инструментальные средства, позволяющие существенно снизить затраты на покупку и разработку программного обеспечения, используемого в сервисной модели региональной экономики.

Сочетание всех 4 направлений позволяет существенно удешевить все бизнес-процессы, связанные с обработкой и хранением данных, точнее адаптировать продукты и услуги к потребностям каждого конкретного клиента (кастомизация) и поставлять товары и услуги тогда и туда, где они необходимы. Кастомизация и главное – ее приемлемая стоимость – являются одной из ключевых тенденций развития локальных рынков. Это развитие происходит в направлении концепции «Smart market».

В качестве ядра этой концепции выступает пул технологий, объединенных общим названием «Smart» (умный). Появление этой концепции обязано появлением новой промышленной революции «Индустрия 4.0» (новая индустриализация). Философия Индустрия 4.0 (Industry 4.0) впервые была представлена в Германии в 2011 году и символизирует инициацию четвертой промышленной революции [13; 14]. В качестве базовых технологий концепции «Индустрия 4.0» определяются: роботизация, блокчейн, моделирование и прогнозирование, большие данные и продвинутая аналитика, интернет вещей (IoT), кибербезопасность, облачные вычисления и хранение данных, горизонтальная и вертикальная интеграция, дополненная реальность, дополненное производство, непрерывная 3D-печать.

Характерными чертами концепции «Smart» являются: максимальная автоматизация и интеллектуализация всех бизнес-процессов на локальных рынках, и она тесно связана с такими инновациями как умный (цифровой) город; умная (цифровая) дорога и умный (цифровой) транспорт; умный дом и умные товары. Эта концепция предполагает формирование единого взаимосвязанного комплекса вычислительных ресурсов и физических процессов как на отдельном предприятии, так и в отрасли, регионе, занятых в реализации последовательных переделов в цепочках создания ценности и включенных в единый контур управления сквозными бизнес-процессами и обмена данными, их интеллектуального анализа и построения умных систем поддержки принятия решений в «режиме онлайн».

Одной из конкретных интеллектуальных технологий, позволяющих осуществить трансформацию локальных рынков продовольствия к формату «Smart market» является технология кластерного анализа данных. Кластеризация (или кластерный анализ) – это разбиение множества объектов на группы, называемые кластерами. Внутри каждой группы должны оказаться «похожие» объекты, а объекты разных группы должны быть как можно более отличны [11]. Главное отличие кластеризации от классификации состоит в том, что перечень групп чётко не задан и определяется в процессе работы алгоритма.

Применение кластерного анализа в общем виде сводится к следующим этапам [12]: отбор выборки объектов для кластеризации; определение множества переменных, по которым будут оцениваться объекты в выборке, а при необходимости – нормализация значений переменных; вычисление значений меры сходства между объектами; применение метода кластерного анализа для создания групп сходных объектов (кластеров); представление результатов анализа. После получения и анализа результатов возможна корректировка выбранной метрики и метода кластеризации до получения оптимального по тому или иному критерию результата.

Для начала важно понять и научиться определять степень «похожести» объектов. Необходимо составить вектор характеристик для каждого объекта. Как правило, это набор числовых значений, которые получены, например, путем опроса респондентов. Можно выделить две основные классификации алгоритмов кластеризации: иерархические и плоские. Иерархические алгоритмы, также называемые алгоритмами таксономии, строят не одно разбиение выборки на непересекающиеся кластеры, а систему вложенных разбиений. Таким образом на выходе получается дерево кластеров, корнем которого является вся выборка, а листьями – наиболее мелкие кластеры. Плоские алгоритмы строят одно разбиение объектов на кластеры.

С развитием информационно-коммуникационных технологий методы интеллектуального анализа данных стали доступны не только крупным компаниям и организациям, но и всем участникам локального рынка продовольствия, включая несетевые магазины продуктов. Определенное масштабирование таких исследований среди агентов локального рынка продовольствия приведет к тому, что локальный рынок продовольствия постепенно будет трансформироваться в категорию Smart market.

Кластерный анализ потребителей молочной продукции локальных продовольственных рынков Проведение различных исследований, связанных с опросами респондентов, на локальных продовольственных рынках является практически нормой для крупного бизнеса; малый и средний бизнес такого рода исследования практически не проводят в силу их дороговизны и неумения обработать результаты таких исследований должным образом – с использованием современных технологий интеллектуального анализа данных. Развитие и доступность ИКТ на современном этапе позволяет решить эту проблему и для малого, и для среднего бизнеса. Во многих научных исследованиях авторы заявляют о том, что современные ИКТ и цифровые технологии оптимизируют различные бизнес-процессы, но в таких исследованиях нет ответа на вопросы: Каким образом это происходит, и сколько это стоит?

В рамках нашей работы ставится задача – продемонстрировать реальную эффективность таких исследований на локальных продовольственных рынках, изучив предпочтения потребителей относительно молочной продукции, как основного и конкурентоспособного продукта на локальных продовольственных рынках.

Одной из задач сегментации потребителей молочной продукции может быть классификация потребителей по потребностям. Такая сегментация в дальнейшем может помочь выявить, какие бренды молочной продукции более популярны среди представителей разных сегментов, а также то, каким образом можно было бы изменить закупки молочной продукции у поставщика для удовлетворения потребностей каждого сегмента локального продовольственного рынка. С точки зрения экономической сущности процесса и результата, сегменты должны быть интерпретируемыми, измеримыми и достаточно большими.

Для получения такого результата была составлена анкета и представлена респондентам в двух формах: электронной (Google-форма) и бумажной. В течение 2 недель потенциальные респонденты заполняли анкеты. Всего было собрано 543 анкеты, из них в электронном виде 381, остальные – в бумажном виде. Набор данных содержит оценки степени согласия респондентов с высказываниями, отражающими цель потребления молочной продукции. Всего каждый респондент выставлял оценки по 11 высказываниям (от 1 – низкая степень до 5 – высокая степень):

  • V 1: Я употребляю молочные продукты, потому что это полезно;

  • V 2: Я употребляю молочные продукты, чтобы чувствовать себя комфортнее;

  • V 3: Я употребляю молочные продукты по совету врача;

  • V 4: Я употребляю молочные продукты, так эта продукция – источник белка;

  • V 5: Я употребляю молочные продукты, как заменитель других более дорогих продуктов животного происхождения;

  • V 6: Я употребляю молочные продукты, когда мне хочется чего-нибудь вкусного;

  • V 7: Употребление молочных продуктов – это тренд современной культуры потребления полезных продуктов;

  • V 8: Я употребляю молочные продукты, так как считаю, что они имеют натуральный состав;

  • V 9: Я употребляю молочные продукты, так как их рекомендуют в рекламе;

  • V 10: Я употребляю молочные продукты так как это делают большинство членов моей семьи;

  • V 11: Я не употребляю молочные продукты, так как они ухудшают мое самочувствие.

В результате первоначального этапа исследования был отобран 381 ответ респондента. Эти данные были импортированы в Open Source систему интеллектуального анализа данных RStudio и с помощью встроенных инструментов и библиотек был проведен кластерный анализ данных (рис. 1-3). В результате применения алгоритмов были выявлены 4 кластера (см. рис. 2 и рис. 3).

Рис. 2. Результаты кластерного анализа данных опроса респондентов с помощью алгоритма иерархического кластерного анализа

При этом полученные результаты можно интерпретировать следующим образом:

  •    в первую группу (кластер) вошли покупатели молочной продукции, которые употребляют молочную продукцию осознанно для того, чтобы получать достаточное количество белка и экономить при этом денежные средства. Они предпочитают вкусную молочную продукцию, употребляют ее много и часто;

  •    во вторую группу (кластер) вошли покупатели молочной продукции, употребляющие ее в оздоровительных целях, однако покупают они ее не так часто;

  •    в третью группу (кластер) вошли покупатели молочной продукции, покупающие ее из-за вкусовых особенностей. К этой же группе можно отнести любителей трендов в потреблении молочной продукции;

  •    в четвертую группу (кластер) вошли покупатели молочной продукции, которым эта продукция не нравится, они равнодушны ко вкусу и употребляют ее «за компанию» время от времени.

Программное средство также позволяет просмотреть и другие характеристики потребителей по кодам их в выборке, если они оставили свои данные в результате заполнения анкеты. Результаты анализа позволяют магазину продуктов изменить конфигурацию полок молочной продукции и представить ее в разных форматах для каждой группы потребителей. Например, для первой группы может быть сделана большая упаковка, выставлены самые дорогие бренды и увеличена цена. Эти клиенты приносят больше всего прибыли. Для третьей группы могут быть представлены бренды с яркой упаковкой и низкой ценой. Для второй группы можно подготовить полку с продуктами (не только молочными), которые стимулируют здоровый образ жизни.

Рис. 3. Результаты кластерного анализа данных опроса респондентов с помощью плоского алгоритма кластерного анализа

Также в результате анализа были даны рекомендации по оптимизации закупки молочной продукции у различных поставщиков в соответствии с размерами кластеров. Общее увеличение выручки от продажи молочной продукции в течение первых двух месяцев после реализации на практике авторских предложений в одной из торговых точек составило 398 760 рублей, что превышает предыдущие показатели на 10%

Теперь перейдем к затратам. Применение информационных технологий действительно резко их снизило. На составление и печать анкеты было затрачено 2 674 рубля, поскольку большинство респондентов пользовалось электронной формой, доступ к которой осуществлялся по QR-коду. Написание скрипта, обработка данных и составление отчета заняли примерно 2 рабочих дня, при стоимости услуг аналитика 1000 рублей в час с учетом всех начислений было потрачено на оплату труда 23 346 рублей. Эта услуга была оказана на условиях аутсорсинга. Таким образом, валовая прибыль от реализации авторских рекомендаций составила 372 740 рублей.

Следует учесть, что разработанная технология универсальна относительно вида продукции и с небольшими модификациями может быть распространена на них. При этом затраты на аналитику будут снижены примерно в 2 раза в связи с тем, что будут тиражироваться готовые решения.

Выводы

Исследования такого рода на локальных рынках продовольствия практически единичны. Крупному бизнесу они, возможно, неинтересны, так как закупка продукции стандартизирована, а ее ассортимент изначально достаточно широк по своей номенклатуре. Однако представителям малого и среднего бизнеса это позволяет выдерживать конкурентную борьбу на локальных рынках продовольствия, представляя удобную для покупателя концепцию формирования полок молочной продукции в соответствии с их вкусами. Кроме этого, такой поход позволит опередить и конкурентов в сегменте малого и среднего бизнеса.

Таким образом, с одной стороны, информатизация оказывается тесно связанной с опережающим развитием локальных рынков и трансформацией их к концепции Smart-market, наблюдаемом начиная с последней четверти ХХ века и по настоящее время, а с другой – приводит к сокращению затрат, улучшению качества услуг и продуктов и увеличению рентабельности практически всех предприятий и организаций, присутствующих на локальных рынках. Масштабирование таких исследований, по мнению автора, приведет к качественному изменению расстановки сил на локальных продовольственных рынках.

Список литературы Формирование умного локального рынка продовольствия с использованием информационно-коммуникационных технологий

  • Бабкин А.В., Буркальцева Д.Д., Костень Д.Г., Воробьев Ю.Н. Формирование цифровой экономики в России: сущность, особенности, техническая нормализация, проблемы развития // Научно-технические ведомости СПбГПУ. Экономические науки. 2017. № 3. С. 9-25.
  • Бодрунов С.Д. Нооиндустриальное производство: шаг к неэкономическому развитию // Экономическое возрождение России. 2018. № 1 (55). С. 5-15.
  • Волкова А.А. Стратегия развития предприятий сферы услуг // Новая парадигма науки об управлении в XXI веке и ее практическое приложение к проблемам Севера / Государственная полярная академия. СПб., 2016. С. 102-106.
  • Грибанов Ю.И., Репин Н.В. Перспективы IT-аутсорсинга в цифровой экономике. [Электронный ресурс]. Режим доступа: http://www.e-rej.ru/Articles/2018/Gribanov_Repin.pdf (дата обращения 20.06.2022).
  • Добрынин А.П., Черных К.Ю., Куприяновский В.П., Куприяновский П.В., Синягов С.А. Цифровая экономика -различные пути к эффективному применению технологий (BIM, PLM, CAD, IOT, Smart City, BIG DATA и другие) // International Journal of Open Information Technologies. 2016. № 1. С. 4-11.
  • Куприяновский В.П., Синягов С.А., Липатов С.И., Намиот Д.Е., Воробьев А.О. Цифровая экономика - «умный способ работать» // International Journal of Open Information Technologies. 2016. № 2. С. 26-33.
  • Лысюк В.М., Серов А.О. Локальные рынки в системе рыночной экономики // Экономический вестник Донбасса. 2016. № 3. С. 19-23.
  • Назаров Д.М., Фитина Е.К. Возможности Instagram как инструмента цифрового маркетинга // Известия Санкт-Петербургского государственного экономического университета. 2019. № 6 (120). С. 116-122.
  • Пирогова О.Е., Сморчкова Т.М. Укрепление конкурентоспособности компаний сферы услуг на основе клиен-тоориентированного подхода // Перспективы науки. 2018. № 2 (101). С. 77-81.
  • Плотников В.А. Цифровизация производства: теоретическая сущность и перспективы развития в российской экономике // Известия Санкт-Петербургского государственного экономического университета. 2018. № 4 (112). С. 16-24.
  • Anderberg M. Cluster Analysis for Applications. Academic Press, 1973.
  • Miyamoto S., Huynh V., Fujiwara S. Methods for clustering categorical and mixed data: An overview and new algorithms / In: Integrated Uncertainty in Knowledge Modelling and Decision Making. 2018. Р. 75-86.
  • PfohlH., Yahsi B., Kurnaz T. The impact of Industry 4.0 on the supply chain // HICL - Conference proceedings. 2015. Р. 31-58.
  • Qin J., Liu Y., Grosvenor R. A categorical framework of manufacturing for Industry 4.0 and beyond // Procedia CIRP. 2016. № 52. Р. 173-178.
Еще
Статья научная