Прогнозирование спроса на рынке дорожно-строительной техники с использованием инструментов интеллектуального анализа данных

Автор: Габдулин Рамиль Ринатович, Лясковская Елена Александровна, Коровин Александр Михайлович, Рец Евгения Анатольевна

Журнал: Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника @vestnik-susu-ctcr

Рубрика: Управление в социально-экономических системах

Статья в выпуске: 3 т.22, 2022 года.

Бесплатный доступ

Развитие цифровой экономики, высокий уровень неопределённости внешней среды, политические и экономические конфликты, изменение глобальных сырьевых рынков диктуют потребность в разработке и применении новых методов управления социально-экономическими системами, среди которых задачи прогнозирования спроса являются одними из самых значимых и сложных. От точности определения доли рынка и оценок факторов конкурентоспособности зависят не только показатели использования ресурсного потенциала предприятия, его ликвидности и рентабельности, но также и стратегическая эффективность и устойчивость. Цель исследования: разработка и апробация метода прогнозирования спроса на промышленном предприятии с использованием метода интеллектуального анализа данных, позволяющего принимать превентивные управленческие воздействия на потребительские характеристики товара для достижения целевой доли рынка. Материалы и методы: логические индукция и дедукция, анализа и синтеза, логический и статистический анализ, экономико-математическое моделирование, методы интеллектуального анализа данных, построение деревьев решений. В работе рассмотрены ключевые особенности, главные факторы и основные подходы прогнозирования спроса на промышленных предприятиях в современных условиях, современные методы, используемые для прогнозирования спроса в условиях нестабильной среды; обоснована целесообразность использования методов интеллектуального анализа данных для решения задач прогнозирования спроса на промышленных предприятиях. Использовано программное обеспечение Deductor, See5, WizWhy. Результаты. Разработаны метод прогнозирования спроса на промышленном предприятии, основанный на использовании интеллектуального анализа данных - построении деревьев решений - с использованием автоматических программных комплексов. Особенностью метода является его универсальный характер - он может быть использован для построения прогнозов в различных отраслях промышленности. Заключение. Практическая значимость разработанного метода заключается в возможности его использования в принятии организационно-управленческих решений, направленных на изменение потребительских свойств продукции, реализация которых позволит достичь заданных значений доли рынка. Выявлены ключевые факторы конкурентоспособности продукции на рынке дорожно-строительной техники; даны рекомендации по дальнейшему развитию метода прогнозирования доли рынка и объема спроса. Апробация метода проведена на российском рынке дорожно-строительной техники. Рассмотрены возможности использования программ WizWhy, Deductor и See5 в рамках реализации метода на практике и сделаны выводы о достоверности результатов прогнозов, полученных с их использованием.

Еще

Интеллектуальный анализ данных, дерево решений, маркетинговые исследования, прогнозирование спроса

Короткий адрес: https://sciup.org/147238568

IDR: 147238568   |   DOI: 10.14529/ctcr220311

Список литературы Прогнозирование спроса на рынке дорожно-строительной техники с использованием инструментов интеллектуального анализа данных

  • Прогнозирование продаж на рынках отдельных групп товаров и услуг с применением методов интеллектуального анализа данных / О.А. Лукинова, Н.Д. Писаренко, Л.В. Смарчкова, П.В. Самойлов // Вестник Самарского государственного экономического университета. 2015. № 9. С. 73-77.
  • Николаев С.В., Пронина О.Ю., Баженов Р.И. Исследование методов интеллектуального анализа для формирования краткосрочного прогноза в программной среде Statistica // Экономика и менеджмент инновационных технологий. 2015. № 7. [Электронный ресурс]. URL: https://ekonomika.snauka.ru/2015/07/9500 (дата обращения: 01.05.2022).
  • Дюк В.А., Флегонтов А.В., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия Российского государственного педагогического университета им. А.И. Герцена. 2011. № 138. С. 77-84.
  • Указ Президента Российской Федерации от 09.05.2017 г. № 203 «О стратегии развития информационного общества в Российской Федерации на 2017-2030 годы». Вступил в силу с 9 мая 2017 года [Электронный ресурс]. URL: http://static.kremlin.ru/media/acts/files/0001201705100002.pdf (дата обращения: 01.05.2022).
  • Амирханова П.М. Методы прогнозирования спроса // Вестник науки. 2020. № 4 (25). С. 40-43.
  • Юшин А.А. Методические основы прогнозирования спроса // Национальная ассоциация ученых. 2015. № 2-2 (7). С. 111-115.
  • Миролюбова А.А., Ермолаев А.Д, Прокофьев М.Б. ARIMA - прогнозирование спроса производственного предприятия // Современные наукоемкие технологии. Региональное приложение. 2021. № 2 (66). С. 50-55. DOI: 10.6060/snt.20216602.0007
  • Горчакова Д.А., Шабалов В.А. Нечеткая регрессионная модель планирования поставок продукции металлургического предприятия // Вестник Череповецкого государственного университета. 2019. № 3 (90). С. 9-16. DOI: 10.23859/1994-0637-2019-3-90-1
  • Поспелова Л.Я., Шананин А.А. Прогнозирование потребительского спроса с помощью композиции обобщенного непараметрического и нейросетевого методов // Международный научно-исследовательский журнал. 2019. № 1-2 (79). С. 23-28. DOI: 10.23670/IRJ.2019.79.1.033
  • Мастепанов А.М. Большие циклы и «черные лебеди» // Энергетическая политика. 2020. № 6 (148). С. 4-19.
  • Многомерный (OLAP) анализ данных в управлении процессом создания ценности продукта / О.В. Логиновский, А.М. Коровин, Р.Р. Габдулин, Е.А. Лясковская // Умные технологии в современном мире: сб. тр. IV Всерос. науч-практ. конф., Челябинск, 24-25 ноября 2021 года. 2021. С. 97-105.
  • Нейский И.М. Характеристика технологий и процессов интеллектуального анализа данных // Интеллектуальные технологии и системы: сб. учеб.-метод. раб. и стат. аспирантов и студентов, М.: Изд-во ООО «Эликс+», 2005. Вып. 7. С. 111-122.
  • Кирьянова Е.А., Серебрякова Т.А. Методы интеллектуального анализа данных // Вестник науки. 2018. № 2 (2). С. 3-5.
  • Платформа Loginom: деревья решений [Электронный ресурс]. URL: https://loginom.ru/ blog/ decision-tree-p1 (дата обращения: 01.05.2022).
  • BaseGroup Labs: онтология анализа данных [Электронный ресурс]. URL: https://basegroup.ru/community/articles/ontology (дата обращения: 01.05.2022).
  • Таможенная статистика внешней торговли РФ: анализ данных таможенной статистики внешней торговли РФ [Электронный ресурс]. URL: http://stat.customs.ru/analysis (дата обращения: 01.05.2022).
  • Росспецмаш-Стат: рынок и производство специализированной техники и оборудования в Российской Федерации [Электронный ресурс]. URL: https://stat.rosspetsmash.ru/authorization (дата обращения: 01.05.2022).
  • Автосельхозмаш-холдинг: производство и отгрузка тракторной техники предприятиями России [Электронный ресурс]. URL: https://www.asm-holding.ru/ (дата обращения: 01.05.2022).
  • RuleQuest Research: Data Mining Tools See5 and C5.0 [Электронный ресурс]. URL: https://www.rulequest.com/see5-info.html (дата обращения: 01.05.2022).
  • WizSoft: WizWhy Overview [Электронный ресурс]. URL: https://www.wizsoft.com/products/ wizwhy/ (дата обращения: 01.05.2022).
  • Base Group Labs: руководство аналитика Deductor [Электронный ресурс]. URL: https://basegroup.ru/system/files/documentation/guide_analyst_5.2.0.pdf (дата обращения: 01.05.2022).
Еще
Статья научная