Содержание к диссертации
Введение
1. Исследование задач и методов управления запасами 17
1.1. Актуальность темы исследования 17
1.2. Степень разработанности проблемы 18
1.2.1. Управление запасами, как раздел теории операций 25
1.2.2. Управление запасами и теория управления хозяйственными рисками 29
1.2.3. Логистические методы управления запасами 34
1.2.4. Методы прогнозирования спроса 39
1.3. Выводы по материалам обзора литературы 44
1.4. Цель и задачи научных исследований 46
2. Методы и алгоритмы оценки коммерческих рисков в торговле 48
2.1. Цель и задачи исследований 48
2.2. Распределение вероятностей для объемов продаж 49
2.2.1. Основные математические определения для пуассоновских процессов 49
2.2.2. Вывод аналитического выражения для вероятности продаж заданного объема 51
2.2.3. Алгоритм вычисления вероятностей продаж 53
2.3. Свойства матрицы вероятностей покупательского спроса 59
2.4. Оценка скорости сходимости распределения вероятностей для объемов продаж к нормальному распределению 60
2.5. Алгоритмы оценки коммерческих рисков 66
2.5.1. Алгоритм оценки риска обеспечения спроса складским остатком товара 67
2.5.2. Оценка риска обеспечения спроса при случайном времени доставки 69
2.5.3. Оценка оптимистического и пессимистического прогноза продаж 69
2.5.4. Доверительный уровень спроса 70
2.6. Выводы по главе 2 70
3. Автоматизация экспериментальных методов оценки параметров покупательского спроса 72
3.1. Цель и задачи исследований 72
3.2. Автоматизация оценки плотности потока покупателей 72
3.3. Автоматизация оценки распределений потребностей покупателей 77
3.4. Построение, оценка и анализ критериев достоверности пуассоновской модели продаж 79
3.4.1. Статистические характеристики продаж в пуассоновской модели 79
3.4.2. Статистические оценки математического ожидания и дисперсии ряда продаж. 80
3.5. Прогнозирование объемов рыночного спроса и рисков их обеспечения 82
3.6. Выводы по главе 3 87
4. Автоматизированная система управления товарными запасами фирмы, построенная на основе пуассоновской модели продаж 89
4.1. Реляционная структура аналитической базы данных 89
4.2. Анализ доверительного уровня спроса на товар 93
4.3. Алгоритм расчета оптимального размера поставки 96
4.4. Алгоритм расчета даты заказа продукции 99
4.5. Сравнение адаптивного алгоритма расчета поставок с алгоритмом расчета поставок с установленной периодичностью 104
4.6. Годовое прогнозирование заказов товара 108
4.7. Выводы 112
Заключение 114
Список используемой литературы
- Актуальность темы исследования
- Распределение вероятностей для объемов продаж
- Автоматизация оценки плотности потока покупателей
- Реляционная структура аналитической базы данных
Введение к работе
Актуальность исследования. В последние годы в нашей стране наметилась тенденция усиления конкурентной борьбы в сфере торговли, сокращения нормы прибыли от торговых операций, снижения темпов развития рынка. В сложившейся ситуации руководители многих торговых организаций начали искать скрытые резервы, позволяющие снижать финансовую нагрузку на ресурсы организации и увеличивать рентабельность торговой деятельности. Одним из таких резервов является эффективное управление товарным запасом.
Вопросу управления товарными запасами посвящен ряд работ отечественных и зарубежных авторов, однако, несмотря на все многообразие представленных методов в торговых организациях для решения подобных задач по-прежнему при принятии управленческих решений полагаются, в основном, на опыт, не обращая внимания на теоретические наработки.
Отчасти это объясняется тем, что при применении существующих классических методов управления запасами рассматриваются идеальные внешние условия и эти методы оказываются мало применимыми в реальных ситуациях. Поэтому напрашивается вывод о необходимости проведения дальнейших исследований систем и моделей управления запасами для повышения конкурентоспособности организации.
Особую актуальность в рамках вопроса управления торговыми запасами приобретает прогнозирование спроса на товары и, как следствие, прогнозирование объемов продаж как оценки величины спроса. В методологически правильной постановке для прогнозирования спроса требуется построение достаточно сложных аналитических моделей спроса, что затрудняет их практическое применение. Поэтому на практике получили применение более простые статистические модели, использующие экстраполяционные методы, основанные на анализе временных рядов. Разработка таких методов имеет огромную важность и повсеместную применимость для современных торговых организаций, так как вся отчетность, и торговая и бухгалтерская, хранятся в форме временных рядов.
Таким образом, любое исследование экономических показателей современной фирмы, основывается на анализе временных рядов. Важность описанных проблем, а также необходимость усовершенствования методов прогнозирования спроса и управления запасами обусловливают актуальность выбранной темы, как с практической, так и с научной точки зрения.
Цель и задачи диссертационного исследования Цель диссертационной работы состоит в разработке и исследовании статистически обоснованной и адекватной модели процессов продаж как основы построения эффективной системы
прогнозирования спроса и управления торговыми запасами фирм розничной торговли.
Для достижения поставленной цели необходимо решить следующие научные задачи:
-
разработать алгоритмы оценок функций распределения вероятностей для объемов продаж товара в рамках пуассоновскои модели спроса с оценкой асимптотик полученных распределений и определением условий их сходимости к гауссовому распределению;
-
разработать алгоритмы оценок коммерческих рисков для управления запасами фирмы в рамках пуассоновскои модели и оценки её параметров спроса на основании экспериментальных данных по процессам продаж товара фирмой;
S. оценить точность пуассоновскои модели путем сравнения теоретических расчетов объемов продаж с экспериментальными данными по объемам продаж различных товаров;
df разработка алгоритмов прогноза покупательского спроса на основе пуассоновскои модели спроса и адаптивной модели Уинтерса прогнозирования временных рядов;
^'разработка системы управления складскими запасами товаров для коммерческой фирмы на основании разработанных алгоритмов прогноза покупательского спроса и алгоритмов оценки коммерческих рисков, связанных с обеспечением покупательского спроса складским остатком.
Полученные в диссертации существенные научные результаты и степень их научной новизны
К основным, существенным, определяющим научную новизну проведенного исследования, можно отнести следующие результаты:
-
обоснование пуассоновскои природы случайных процессов спроса на товар и доказательство этого факта на представительной выборке экспериментальных данных, полученных из статистического анализа временных рядов продаж различных товаров, позволяющее положить пуассоновскую модель в основу прогноза продаж, в первую очередь, розничных и мелкооптовых, для которых гауссова модель спроса не всегда применима;
-
доказательство того, что гауссова модель спроса, которая используется в логистике управления запасами, является предельным вариантом распределения по пуассоновскои модели спроса, когда среднее число покупателей на анализируемом интервале времени неограниченно возрастает, и, следовательно, того, что современные логистические принципы прогноза продаж являются частным случаем предложенной в работе модели;
-
в рамках пуассоновскои модели спроса получены аналитические выражения для вероятности возникновения на заданном интервале времени спроса заданного объема, имеющие, в общем случае, форму бесконечного ряда, что позволяет использовать их для потоков покупателей любой, в том числе и малой, плотности потока, когда существующие модели дают неточные результаты;
-
в рамках пуассоновскои модели спроса получены аналитические выражения для рисков обеспечения спроса товарным запасом на заданном интервале времени, и впервые доказано, что, в случае ограниченного ядра распределения потребностей покупателя, значения этих рисков могут быть вычислены за конечное число шагов с помощью рекурсивных алгоритмов конечной глубины, что даёт возможность построить эффективные алгоритмы вычисления коммерческих рисков, связанных с недостаком товарных запасов;
-
разработанная адаптивная система управления запасами точнее обеспечивает план выполнения поставок при полном обеспечении спроса, не создавая при этом неоправданного избытка товарного запаса, что достигается за счет более точного учета временной зависимости рисков, рассчитанных с помощью пуассоновскои модели, и за счет более точного, по сравнению с методами управления запасами, используемыми в логистике, и предсказания этих рисков с помощью адаптивной системы прогнозирования Уинтерса. ,
Практическая значимость результатов диссертации состоит в предоставлении информационным системам торговых предприятий эффективного инструмента - адаптивной системы управления запасами торговой фирмы, которая характеризуется повышенной точностью описания процессов продаж в рамках пуассоновскои модели спроса, и повышенной точностью прогнозирования спроса.
Методы исследования. В работе использованы методы теории вероятностей, математической статистики, теории временных рядов, линейной алгебры, теории матриц, общие методы математического анализа, а также современные технологии программирования.
Достоверность полученных результатов. Предложенные в диссертационной работе модели и алгоритмы обоснованы математически корректными теоретическими выкладками, подтверждены статистической обработкой представительных массивов данных и не противоречат известным положениям других авторов. Практическая апробация и внедрение в эксплуатацию результатов работы подтвердили точность и эффективность разработанных методов управления торговыми запасами фирмы.
Апробация диссертационной работы Материалы
диссертационной работы докладывались на международной научной конференции (МНК) "Математические методы в технике и технологиях": XVIII МНК - ММТТ-18 (КГГУ, Казань, 2005); XX МНК - ММТТ-20 (ЯГТУ, Ярославль, 2007). Отдельные материалы диссертационного исследования докладывались на ежегодных научно-технических конференциях Донского государственного технического университета в 2006 - 2008 гг.
Публикации. Всего по теме диссертации опубликовано 7 работ, в которых освещены наиболее существенные ее результаты. Часть работ опубликовано в сборниках научных трудов международных конференций ММТТ-18 и ММТТ-20. Несколько статей вышло в межвузовском сборнике «Системный анализ, управление и обработка информации» издательства ДГГУ - ТТИ ЮФУ, и в сборнике научно-исследовательских работ «Научное знание: новые реалии» Кисловодского гуманитарно-технического института. По определяющим результатам исследований опубликована статья в журнале «Вестник ДГГУ», входящем в перечень изданий ВАК РФ.
Структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка и приложений.
Актуальность темы исследования
Долгое время пока в нашей стране действовала плановая социалистическая экономика, в практике управления торговым предприятием не было надобности в использовании методов управления складскими запасами товаров, поскольку план продаж "спускался сверху", а в идеале предполагалось, что товары для продажи поступают на склад также согласно этому плану.
При переходе к рыночной экономике важным является фактор совершенствования системы управления хозяйствующего субъекта, оптимизации его деятельности и повышения конкурентной устойчивости на рынке. В этих условиях особую актуальность в маркетинговой деятельности коммерческой фирмы приобретает прогнозирования спроса на товары и, как следствие, прогнозирование объемов продаж как оценки величины спроса.
Задача прогнозирования потребительского спроса возникает тогда, когда необходимо спланировать товарные запасы предприятия на заданном интервале времени. Правильно определенный объем спроса позволяет эффективно функционировать организации, полностью удовлетворяя потребности покупателей и таким образом достигать поставленных целей.
Каждое торговое предприятие, среди прочих проблем, сталкивается с такими, как планирование закупок товаров, скорость их реализации и минимизация потерь от дефицита продукции или от ее простоя на складах [6]. Принятие таких решений главным образом зависит от величины потребительского спроса. Именно прогноз спроса на будущий период определяет потенциал сбыта, требующийся объем поставок продукции, площадь необходимых складских помещений и рабочего персонала, и как следствие объемы издержек и прибыли торговой организации. Поэтому актуальной является задача разработки модели спроса, позволяющей точно предсказывать величину спроса на рассматриваемом интервале времени.
Прогнозирование спроса является сложной задачей, которая в полном объеме не может быть решена с использованием лишь одного метода. В ме тодологически правильной постановке оно осуществляется в три этапа. Вначале разрабатывается прогноз внешней среды, затем прогноз развития данной отрасли, и, наконец, разрабатывается прогноз величины спроса на товары конкретной компании. Такие комплексные, тем более аналитические модели спроса разработать чрезвычайно сложно. Поэтому на практике получили применение более простые статистические модели, использующие экст-раполяционные методы, основанные на анализе временных рядов. Разработка таких методов имеет огромную важность и повсеместную применимость для современных торговых организаций, так как вся отчетность, и оперативная, и управленческая, и бухгалтерская, хранятся в форме упорядоченных во времени данных, на основании которых можно строить интересующие нас временные ряды. Таким образом, любое исследование экономических показателей современной фирмы, основывается на анализе временных рядов. Важность описанных проблем, а также необходимость усовершенствования методов прогнозирования в плане их применения к используемым моделям спроса, обуславливают актуальность исследуемой проблемы с практической и научной точек зрения.
Степень разработанности проблемы
Исторически проблема управления запасами товаров на основании прогнозирования спроса существует с самого начала развития экономики. Но в нашей работе рассматривается потребительский спрос, адресованный коммерческой фирме. Переход к рыночной экономике принципиально изменил место и роль спроса в системе принятия решений на внутрифирменном уровне, а, следовательно, и спрос должен рассматриваться в контексте достижения фирмой целей своего функционирования в рыночной среде.
Традиционно при разработке методов управления торговыми запасами фирмы наибольшее внимание уделялось разработке управленческих решений, а вопросы прогнозирования спроса на товары рассматривались лишь косвенно. В то же время, проблема прогнозирования спроса не менее важна для оптимального управления коммерческой организацией. Часто рассмат риваются модели, в соответствии с которыми спрос носит детерминированный характер, либо подчинен некоторому простому и стабильному закону распределения. Практические исследования показывают наличие ряда ситуаций, когда данный упрощенный подход неприемлем. В особенности это касается спроса на отдельные товары на коротких интервалах времени.
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых изменений внешней среды, за последнее десятилетие стала особенно сложной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты высказывали мнение о невозможности получения точного прогноза. Но, не смотря на это, прогнозирование — это задача, которую в явной или неявной форме неизбежно должны решать все организации.
Помимо получения оценок тех или иных исследуемых параметров, целью прогнозирования также является побуждение к размышлению о том, что может произойти во внешней среде и к каким последствиям для фирмы это приведет. Прогнозирование повышает бдительность менеджеров и, следовательно, их способность реагировать на изменения. Этот эффект достигается даже тогда, когда план не выполнен в связи с тем, что некоторые гипотезы, положенные в основу прогнозного сценария, не материализовались.
Если фирма в настоящее время получает хорошую прибыль, то вовсе не следует, что так будет всегда. Может измениться конъюнктура рынка, могут появиться неблагоприятные обстоятельства деятельности. Фирма, ориентирующаяся только на текущий экономический успех, может выиграть в прибыли сегодня, но, потеряв время, проиграть будущую прибыль и, в конечном счете, потерять свой рынок товара. На смену цели, направленной на максимизацию сегодняшней прибыли, приходит иная, выигрыш в перспективной борьбе за рынок. И эта цель оказывается более значимой. Борьба за рынок требует предвидения, начальным этапом которого является прогноз.
Распределение вероятностей для объемов продаж
Процессы продаж рассматриваются как разновидность потоков коммерческих сделок, для которых в основу стохастических моделей положен пуас-соновский характер потока сделок, характеризующийся, как случайный нестационарный поток независимых событий без последействия.
Обозначим /1(0 плотность потока покупателей. Тогда количество продаж т за интервал времени длиной z, начинающийся в точке /., подчиняется закону Пуассона
Распределение вероятностей рк потребности покупателя в к единицах товара будем называть в дальнейшем распределением потребностей покупателя в товаре. Тогда случайная величина N,, равная количеству проданного товара за интервал (ti,tl +т) может быть выражена следующим образом где mt - случайное число покупателей на отрезке {ti,ti +т), имеющее распределение (2.1), а к, - количество товара, купленное 1-ым покупателем: случайная величина, имеющая распределение вероятностей рк, к =1,2,... (рк - вероятность того события, что один покупатель купит к единиц товара). Случайные величины N, образуют интервальный временной ряд, который в [52] назван сложным пуассоновским потоком, а в [29] - пуассоновским процессом.
Соотношения (2.4) и (2.5) являются достаточными для описания статистических характеристик сложного пуассоновского потока [52] Nt, только в том случае, когда величина Nt распределена по нормальному закону. Именно на этом предположении о том, что величина Nt распределена нормально, строится современная логистика управления запасами.
Однако, в работе [21] это фундаментальное предположение подвергается сомнению, и приводятся примеры эмпирических оценок распределений вероятностей сложных товарных потоков, которые не похожи на гауссовские распределения. Более того, поскольку в общем случае поток покупателей имеет сезонный характер, из соотношений (2.4) и (2.5) следует, что временной ряд N, нестационарный, у которого от времени зависит и математическое ожидание и дисперсия.
В работе [52] отмечается, что сложные пуассоновские потоки имеют сложные распределения, не имеющие аналитического выражения. Тем не менее, такие распределения нужно рассчитывать для построения систем управления товарными и финансовыми потоками фирмы. Поэтому рассмотрим алгоритм вычисления вероятности события того, что на произвольном интервале (t0,t0 + Т) будет продано N единиц товара. Ниже мы опустим нижний индекс у случайных величин Nt и ml, имея в виду, что выкладки относятся к произвольному интервалу.
Используя метод половинного деления, можно легко найти min(w), при котором выполняется неравенство (2.26), в зависимости от a(tQ,T) для заданного є. Из вида неравенства (2.26) следует, что при є { 27ia{tQ,T)e) x, (2.28) это неравенство будет выполняться только при п a(t0,T)e. Действительно, при п —»0левая часть (2.26) стремится к 1 и поэтому неравенство не выполняется. При наложенных ограничениях на є оно не будет выполняться ни при каких п a(tQ,T)e, т.к. левая часть неравенства будет не меньше единицы, а правая - меньше единицы. При n a(t0,T)e левая часть неравенства становится убывающей функцией от п, а правая — возрастающей. Поэтому, если обозначить М = [a(t0,Т) е] + AM (где [а] -целая часть числа а; М = п-\ - число слагаемых в сумме (2.27)), то при є = 0,001, методом половинного деления получим зависимость AM от a{t0,T) е, представленную в табл. 2.1.
Таким образом, видно, что поправка AM существенна лишь при малых значениях a(t0,T) e, и для любых a(t0,T) можно выбирать число членов ряда равным М = [a(t0,T) е] + 4, что обеспечивает погрешность вычисления вероятностей не более чем 0,001.
В выражении (2.27) распределение потребностей покупателя, а значит и матрица вероятностей покупательского спроса, в общем виде имеют бесконечные размерности.
Рассмотрим случай, когда область значений /, в которой pt 0, конечно и ограничено сверху 1 L. Назовем ядром столбца{р} множество первых L элементов столбца {р}, содержащих все отличные от нуля вероятности. Величина L фактически является размером максимальной покупки когда-либо сделанной одним покупателем.
Автоматизация оценки плотности потока покупателей
Автоматизация оценки плотности потока покупателей В предыдущей главе показано, что для оценки распределения объемов продаж на некотором интервале времени необходимо знать среднее число покупателей на этом интервале времени. В работе рассматриваются интервалы, кратные одному дню, т.е. в качестве единицы измерения времени выбирается день и рассматриваются однодневные интервальные ряды объемов продаж и числа покупателей.
Если рассмотреть случайный временной ряд nk,k = l,...,T, где щ - число покупателей товара в i-ый день, то среднее число покупателей Nlm на отрезке от 1-го до т-го дня определится выражением т »=/ где п1 - среднее число покупателей в i-ый день (плотность потока покупателей).
Как отмечалось в гл.1, временной ряд покупателей, в общем случае, является нестационарным, имеющий, как минимум, сезонный характер. Поэтому оценка математического ожидания такого ряда возможна только методом типа скользящего среднего. Однако, применение скользящего среднего с симметричным окном в нашем случае невозможно, поскольку для наиболее актуальных значений z, близких к Т, не хватает информации. Другими словами, для і є[Т-М + 1,Т] оценить математическое ожидание с помощью скользящего среднего с симметричным окном невозможно, поскольку для этого нужны значения ряда при і Т. Но значения торговых рядов при /, близких к Г, являются наиболее актуальными, потому что с помощью этих значений строится прогноз покупательского спроса на очередной торговый период.
Для выделения и исследования трендов на концах временных рядов можно использовать метод скользящего среднего с несимметричным окном (метод экспоненциального среднего, несимметричное треугольное окно и др.) [18]. Однако, данные методы имеют существенный недостаток: они дают смещенную оценку значений тренда. На рис 3.1 представлены оценки трендов потока покупателей чугунных радиаторов, полученных с помощью симметричного и несимметричного треугольных окон [45].
На рис.3.1 хорошо видно, что в осенний период относительная ошибка в оценке тренда, достигает 100%, поэтому данный метод также не пригоден для оценки трендов потоков покупателей.
Значительно более точные результаты восстановления и прогнозирования математического ожидания временного ряда можно получить с помощью модели авторегрессии и скользящего среднего (АРиСС) временного ряда [40, 87] (l-cPxB-...- ppBp)(\-B)dnt={\-QxB-...-QqB )st где nt - исследуемый временной ряд; st - случайный временной ряд типа "белый шум"; q t - коэффициенты авторегрессии; Q, - коэффициенты скользящего среднего; p,d,q — параметры, определяющие порядок модели.
При идентификации модели АРиСС по реальным значениям временного ряда необходимо определить параметры моделир,d,q, ср., Qt. В работе [40] отмечается, что эта процедура идентификации требует сложной и тонкой интерактивной работы пользователя. Поэтому модель АРиСС, несмотря на все ее достоинства, нельзя применить в практике работы коммерческой фирмы, поскольку, как правило, необходимо исследовать процессы продаж очень большого количества товаров.
До последнего времени также большой степени интерактивности требовал и метод сингулярного спектрального анализа временных рядов "Гусеница" (метод SSA). [9,13,14,15,16, 69, 88,89]
Однако, недавние исследования [1,91] показали, что метод SSA может успешно применяться и в автоматическом режиме. Сингулярный спектральный анализ временных рядов выполняется в несколько этапов: По отношению к методам статистической обработки рядов, перечисленным выше, метод SSA имеет ряд преимуществ: главные компоненты разложения временного ряда определены на всем участке [1,Т] определения временного ряда на участке определения оценки тренда [L+1,T-L], полученной методом скользящего среднего с симметричным треугольным окном с полушири ной окна, равной L, первая главная компонента разложения методом SSA совпадает с этой оценкой, при величине лага метода SSA равном L (рис.3.2). метод SSA эквивалентен методу авторегрессии, причем порядок регрессии задается количеством главных компонент разложения, а коэффициенты разложения определяются с помощью собственных чисел и векторов сингулярного разложения траекторной матрицы. Поэтому метод SSA обеспечивает точность восстановления статистических средних временного ряда, сопоставимую с методом АРиСС.
Реляционная структура аналитической базы данных
Исследования, проведенные в данной главе, показали, что:
3.6.1. Наилучшие оценки плотности потока покупателей, используемой при прогнозировании продаж, удается получить методом SSA (сингулярного спектрального анализа временных рядов), а для анализа исторических данных, можно использовать метод скользящего среднего. При этом ширина окна метода скользящего среднего и величина лага метода SSA совпадают. Для торговых временных рядов, полученных в ЗАО "Билд" при обработке данных, эта величина составила -30 дн.;
3.6.2. Разработанные критерии оценки достоверности пуассонов-ской модели продаж достаточно эффективны, и с их помощью удалось показать, что торговые временные ряды сантехникой в ЗАО "БИЛД" не противоречат гипотезе о пуассоновском характере процессов продаж.
3.6.3. Распределения потребности покупателей можно оценить методом статистических вероятностей только в предположении, что потребности покупателей не зависят от времени. Предположение о стационарности распределения потребности покупателей не противоречит данным, полученным на основании временных торговых рядов в ЗАО "Билд".
3.6.4. Прогноз плотности потока покупателей на период, не превышающий 30 дн., удовлетворительно осуществляется адаптивным методом Уин-терса (3.17) с параметрами, заданными в (3.18). Если характер спроса на товар не меняется, то прогнозируемая плотность потока не выходит за пределы 90%-го доверительного интервала для оценки плотности потока покупателей методом скользящего среднего. Индикатором изменения характера спроса является стабильный и значительный выход прогноза за пределы 90%-го доверительного интервала для оценки плотности потока покупателей.
. Предложенные методы анализа экспериментальных данных и их прогноза в достаточной мере точны и не сложны, поэтому возможно их применение в автоматизированных системах управления бизнесом для анализа и прогноза процессов продаж. 4. Автоматизированная система управления товарными запасами фирмы, построенная на основе пуассоновской модели продаж 4.1 .Реляционная структура аналитической базы данных В ЗАО "Билд" для управления запасами и прогнозирования спроса на товары разработана Аналитическая база данных (АБД). АБД реализована средствами СУБД "1С предприятие 7.7" и содержит информацию об ежедневных продажах товаров предприятия, поэтому данные о продажах загружаются в АБД один раз в сутки. Схема загрузки данных показана на рис. 4.1.
Драйвер продаж - это документ СУБД "1С предприятие". Он средствами OLE Automation открывает оперативную БД и скачивает из нее всю информацию о продажах и остатках товаров на дату документа. При проведении документа записи о продажах товаров за дату документа записываются в хранилище данных АБД.
Аналогично в АБД закачиваются изменения в справочнике товаров и групп товаров. Только эту операцию выполняет обработка "Закачка Справочников".
Все закачки выполняются автоматически в пакетном режиме. Хранилище данных о продажах АБД состоит из двух реляционных хранилищ данных типа "Снежинка": хранилище ежедневных продаж и остатков товаров и хранилище данных о размерах покупок. Хранилище ежедневных продаж и остатков содержит сведения для построения интервальных рядов регистрации покупателей и рядов продаж товаров и товарных групп. Структура хранилища представлена на рис. 4.2.
Реляционная структура хранилища данных о продажах и остатках С помощью регистра "Продажи и Остатки" рассчитываются дневные объемы продаж и количество покупателей товара в день, а регистр "Распределение продаж" используется для построения распределения потребностей покупателя.
