Пути увеличения объемов реализации ООО «БАДЕН»

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

На практике экономического и любого другого  вида анализа метод статистической группировки данных используется также часто, как и расчет средней величины. Примеров здесь миллионы. Это и группировка товаров, и классификация химических элементов, растений, стран и т.д. и т.п. Сгруппированные данные встречаются повсеместно, о чем мы даже не задумываемся.

Зачем же нужны группировки и классификации? Как уже сказано, статистическая классификация данных – это один из методов анализа. Анализ в буквальном смысле означает расщепление информации о некотором объекте или явлении для его детального изучения, обнаружения взаимосвязей с другими элементами, анализа развития, прогнозирования. Правильная классификация – это основа дальнейшего анализа. Однако классификация и сама по себе может дать очень ценные знания об объекте анализа. Она может отразить структуру данных, однородность, расставить приоритеты и т.д. Статистическая классификация позволяет взглянуть на объект с разных сторон, под разным углом зрения, в разном разрезе. В общем, без владения методами классификации данных хорошим аналитиком стать невозможно. С другой стороны, многие виды группировок очевидны и интуитивно понятны. К примеру, разделение товаров на продовольственные и промышленные. Необязательно быть статистиком, чтобы понимать смысл такой классификации.

Объектом  и предметом исследования является реализации  обуви ООО «Баден» за 2009-2011 гг.

Цель  работы изучить структуру реализации обуви ОО «Баден», проанализировать ее динамику и структуру, а также с учетом  выявленных тенденции  предложить  пути  увеличения объемов реализации и увеличения товарооборота ООО «Баден».

При этом решаются следующие задачи:

- изучение ключевых статистической классификации данных, ее методов и принципов построения;

- проведение анализа структуры и динамики  объемов реализации обуви ООО «Баден» за 2009-2011 гг.;

- разработать методические подходы и практические рекомендации по  увеличению потока покупателей и , как следствие, увеличение объемов продаж ОО «Баден», а также  совершенствования  процесса учета   продукции.

В процессе  выполнения работы  были проведены  статистическое  измерение  структурных  изменений в объемах реализации  обуви по классификационным признакам, анализ динамики объема реализации обуви, а также реализации  товаров по  дисконтным системам.

1 ТЕОРЕТИЧЕСКИЕ  ОСНОВЫ СТАТИСТИЧЕСКОЙ КЛАССИФИКАЦИИ ДАННЫХ

1. Статистическая классификация: понятие, методы, виды

В современной  теории классификации можно выделить два относительно самостоятельных  направления. Одно из них опирается  на опыт таких наук, как биология, геогра фия, геология; библиотечное дело также анализировалось в атом направлении. Типичные объекты рассмотрения - классификация химических элементов (таблица Менделеева), биологическая  систематика, универсальная десятичная классификация (УДК). Опыт этого направления  с гносеологических позиций обобщен  в [10], соответствующий математический аппарат в [11, с. 112],

Другое  направление опирается на опыт технических  исследований, медицины, социологии, экономики. Типичные задачи - техническая и  медицинская диагностика, разбиение  на группы отраслей промышленности, тесно  связанных между собой, выделение  групп однородной продукции. Наиболее развитая область - распознавание образов, или дискриминантный анализ [13, с. 115]. Он опирается на математические модели; для проведения расчетов интенсивно используется ЭВМ. Однако относить его к математике столь же нецелесообразно, как астрономию или квантовую механику. Рассматриваемые математические модели можно и нужно изучать на формальном уровне, и такие исследования проводятся. Но направление в целом сконцентрировано на решении конкретных задач прикладных областей и вносит вклад в технические или экономические науки, медицину, социологию, но, как правило, не в математику. Использование математических методов как инструмента исследования нельзя относить к чистой математике. В 60-х годах XX века внутри прикладной статистики достаточно четко оформилась область, посвященная методам классификации. Несколько модифицируя формулировки М.Дж.Кендалла и А.Стьюарта 1966 г., выделим три подобласти: дискриминация, кластеризация, группировка. В дискриминантном анализе классы предполагаются заданными - плот костями вероятностей или обучающими выборками. Задача состоит в том, чтобы вновь поступающий объект отнести в один из этих классов. У понятия «дискриминация» имеется много синонимов: распознавание образов, диагностика, автоматическая классификация с учителем, статистическая классификация и т.д.

«Термином «классификация» обозначают, по крайней  мере, три разные вещи: процедуру  построения классификации, построенную  классификацию и процедуру ее использования» [10, с. 6]. Статистический анализ полученных, в частности экспертами, классификаций - часть статистики бинарных отношений и тем самым - статистики объектов нечисловой природы. Процедура использования классификации, т.е. отнесения вновь поступающего объекта к одному из классов — предмет дискриминантного анализа.

Часто рекомендуют  сначала проводить классификацию, а потом регрессионный анализ (в классическом смысле). Однако при  этом нельзя опираться на нормальную модель, так как не будет нормальности в кластерах [18, с. 231].

В основе любой группировки лежит классификационный  или группировочный признак. Это  показатель, по которому происходит разделение совокупности данных на группы. Каждая единица в совокупности данных обладает общим признаком, и в зависимости  от его значения относится к той  или иной группе. Например, товары могут  делиться по потребительским свойствам, по поставщикам, по торговым маркам и  проч. Уверен, здесь все понятно. Не буду томить читателя примитивными рассуждениями.

Все виды группировок можно разделить  на два типа в зависимости от характера  группировочного признака. Первый тип  – это логическая группировка, когда  в качестве классификационного показателя выступает логический признак. Второй тип – статистическая группировка, когда в качестве классификатора используется статистический показатель. Примером первого типа группировки (логической) может служить разделение товаров по поставщикам или предприятий по регионам. То есть по признакам, которые существуют сами по себе и не требуют проведения каких-либо расчетов. Второй вид группировок (статистический) – это, к примеру, разделение товаров по объемам продаж или стоимости складских запасов. Такая группировка подразумевает расчет некоторого статистического показателя для каждой единицы анализируемой совокупности и, в зависимости от его значения, разбиение данных на группы по заданным границам.

Зачастую  группировка данных осуществляется сразу по нескольким признакам, в  том числе по разным типам (логическим и статистическим). В результате получается многомерная группировка, когда каждому элементу анализируемой  совокупности соответствует несколько  характеристик, а их сочетание определяет группу, в которую попадает данный элемент.

Для того, чтобы классификация данных выполняла  свою функцию (разделение анализируемой  совокупности на группы данных по общему признаку) необходимо, чтобы эта  группировка удовлетворяла некоторым  требованиям. Вот основные из них:

- классификационный признак должен охватывать всю совокупность. Если это требование не выполняется, то часть данных будет разделена на группы, а часть нет. На практике такая проблема встречается, поэтому часто в перечне групп можно увидеть «прочие» или «другие», куда попадают все элементы, не отнесенные к какой-либо группе.

- значение группировочного признака у каждой единицы совокупности должно быть однозначным и единственным. Иначе может получиться, что одна и та же единица будет относиться к разным группам. Эта проблема тоже встречается, и для ее решения специально оговаривают, куда следует отнести «спорные» данные.

Любая группировка  должна иметь логический смысл. Вряд ли кому-нибудь будет интересно разделить  данные о продажах в зависимости  от солнечной активности. Гораздо  полезнее будет разбить продажи  по регионам или типам магазинов.

В прикладных исследованиях  применяют различные методы дискриминантного анализа, основанные на вероятностных  моделях (см., например, [19, с. 117]), а также с ними несвязанные, т.е. эвристические, в частности алгоритм «Кора». Независимо от «происхождения», каждый подобный алгоритм должен быть исследован как нa вероятностных моделях, так и на массивах реальных данных. Цель исследования - выбор наилучшего в определенной области применимости, включение его в стандартный пакет программ, учебные пособия. Но для этого надо уметь сравнивать алгоритмы по качеству. Часто используют показатель «вероятность правильной классификации» (при обработке конкретных данных - «частота правильной классификации»).

Процедуры построения классификации  делятся на вероятностные и детерминированные. К первым относятся задачи расщепления  смесей. Как при выборе степени  поля нома в регрессии [22, с. 223], встает вопрос оценки числа элементов смеси. Применение критерия Уилкса дает результаты типа, демонстрирующие несостоятельность обычно используемых оценок.

Задачи построения классификации  целесообразно разбить на два  типа: с четко разделенными кластерами (задач кластер-анализа) и с условными  границами, непрерывно переходящими друг в друга классами (задачи группировки). Такое деление полезно, хотя в  обоих случаях могут применяться  одинаковые алгоритмы. Их бесконечно много, что нетрудно доказать.

2. Группы классификации статистической информации

Статистические методы делятся  на одно- и многомерные. Одномерные методы (univariate techniques) используются тогда, когда все элементы выборки оцениваются  единым измерителем, либо если этих измерителей  несколько для каждого элемента, но каждая переменная анализируется  при этом отдельно ото всех остальных.

Многомерные методы (multivariate techniques) прекрасно подходят для анализа  данных, если для оценки каждого  элемента выборки используется два  или больше измерителей, а эти  переменные анализируются одновременно. Такие методы применяются для  определения одновременных взаимосвязей между двумя или больше явлениями.

Многомерные методы отличаются от одномерных прежде всего тем, что  при их использовании центр внимания смещается с уровней (средних  показателей) и распределений (дисперсий) явлений и сосредотачивается  на степени взаимосвязи (корреляции или ковариации) между этими явлениями. Оба этих вида статистических методов  анализа подробно описаны в последующих  главах, но сейчас мы покажем, как разные методы взаимосвязаны в общей  схеме классификации [12, с. 107].

Одномерные методы можно  классифицировать на основе того, какие  данные анализируются: метрические  или неметрические. Метрические  данные (metric data) измеряются по интервальной шкале или относительной шкале.

Неметрические данные (nonmetric data) оцениваются по номинальной или  порядковой шкале

Затем эти методы делят  на классы на основе того, сколько выборок  — одна, две или более —  анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется работа с данными  для конкретного анализа, а не тем, каким способом собирались данные. Например, данные по лицам мужского и женского пола можно получить в пределах одной выборки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки считаются независимыми, если они выделены из разных генеральных совокупностей произвольно. Для анализа данные, относящиеся к разным группам респондентов, например собранные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки.

С другой стороны, если данные по двум выборкам относятся к одной  и той же группе респондентов, выборки  считаются объединенными в пары.

Что касается метрических  данных, то если существует только одна выборка, может использоваться z- и ^-критерий. Если же независимых выборок две  или больше, в первом случае можно> воспользоваться z- и ^-критерием для двух выборок, в во втором — методом однофакторного дисперсионного анализа. Для двух связанных выборок используется парный ^-критерий. Если речь идет о неметрических данных по одной выборке, исследователь может воспользоваться критериями частотного распределения, хи-квадратом, критерием Колмогорова—Смирнова (K-S), критерием серий и биномиальным критерием. Для двух независимых выборок с неметрическими данными можно прибегнуть к следующим методам анализа: хи-квадрат, Манна—Уитни, медианы, К—С, однофакторным дисперсионным анализом Крускала—Уоллиса (ДА К-У). В отличие от этого, если существует две или больше взаимосвязанных выборок, следует воспользоваться критериями знаков, Мак-Немара и Уилкоксона.

Многомерные статистические методы можно разделить на методы зависимости и методы взаимозависимости.

Методы зависимости (dependence techniques) применяются в случаях, когда  одна или больше переменных идентифицированы как зависимые, а остальные —  как независимые [24, с. 236].

Если есть только одна зависимая  переменная, используются такие методы анализа, как кросс-табуляция, дисперсионный  и ковариационный анализ, регрессионный  анализ, двух-групповой. дискриминантный  анализ и совместный анализ. Однако, если имеется больше одной зависимой  переменной, следует воспользоваться  многомерными методами анализа: дисперсионным  и ковариационным, методом канонической корреляции и множественным дискриминантный  анализом. При применении методов  взаимозависимости (interdependent techniques) переменные не подразделяются на зависимые и  независимые; напротив, исследуется  весь набор взаимозависимых взаимосвязей.

Методы данного типа нацелены прежде всего на выявление взаимозависимости  переменных либо межобъектного сходства. При исследовании взаимозависимости  переменных чаще всего применяется  факторный анализ. Анализ межобъектного  сходства можно вести, используя  методы кластерного анализа и  многомерного шкалирования.

3. Методы компьютерной классификации: алгоритмы, программы, базы данных

Нзначение подсистемы информационного обеспечения состоит в своевременном формировании и выдаче достоверной информации для принятия управленческих решений.

Информационное обеспечение  — это совокупность единой системы  классификации и кодирования  информации, унифицированных систем документации, схем информационных потоков, циркулирующих в организации, а  также методология построения БД [22, с. 225].

Системы классификации и  кодирования информации

Классификаторы представляют собой систематический свод, перечень каких-либо объектов, позволяющий находить каждому их них свое место, и имеют  определенное (обычно числовое) обозначение. Система классификации позволяет  сгруппировать объекты выделить определенные классы, которые будут  характеризоваться рядом общих  свойств. Классификация объектов —  это процедура группировки на качественном уровне, направленная на выделение однородных свойств. Применительно  к информации как к объекту  классификации выделенные классы называют информационными объектами.

В любой стране разработаны  и применяются государственные, отраслевые, региональные классификаторы. Например, классифицированы: отрасли  промышленности, оборудование, профессии, единицы измерения, статьи затрат и  т.д.

Классификатор — систематизированный  свод наименований и кодов классификационных  группировок.

Назначение классификатора:

систематизация наименований кодируемых объектов;

однозначная интерпретации  одних и тех же объектов в различных  задачах;

возможность обобщения информации по заданной совокупности признаков;

возможность сопоставления  одних и тех же показателей, содержащихся в формах статистической отчетности;

возможность поиска и обмена информацией между различными внутрифирменными подразделениями и внешними информационными  системами;

экономия памяти компьютера при размещении кодируемой информации.

Разработаны три метода классификации  объектов, которые различаются разной стратегией применения классификационных  признаков.

Методы классификации  объектов [18, с. 116]:

Иерархический метод классификации

 Учитывая достаточно  жесткую процедуру построения  структуры классификации, необходимо  перед началом работы определить  ее цель, т.е. какими свойствами  должны обладать объединяемые  в классы объекты. Эти свойства  принимаются в дальнейшем за  признаки классификации. В иерархической  системе классификации каждый  объект на любом уровне должен  быть отнесен к одному классу, который характеризуется конкретным  значением выбранного классификационного  признака. Для последующей группировки  в каждом новом классе необходимо  задать свои классификационные  признаки и их значения. Таким  образом, выбор классификационных  признаков будет зависеть от  семантического содержания того  класса, для которого необходима  группировка на последующем уровне  иерархии. Количество уровней классификации,  соответствующее числу признаков, выбранных в качестве основания деления, характеризует глубину классификации. Достоинства иерархической системы классификации: простота построения и использование независимых классификационных признаков в различных ветвях иерархической структуры. Недостатки иерархической системы классификации: жесткая структура, которая приводит к сложности внесения изменений, так как приходится перераспределять все классификационные группировки; невозможность группировать объекты по заранее не предусмотренным сочетаниям признаков.  

Фасетный метод классификации

В отличие от иерархической  позволяет выбирать признаки классификации  независимо как друг от друга, так  и от семантического содержания классифицируемого  объекта. Признаки классификации называются фасетами (facet — рамка). Каждый фасет  содержит совокупность однородных значений данного классификационного признака. Причем значения в фасете могут располагаться  в произвольном порядке, хотя предпочтительнее их упорядочение. Схема построения фасетной системы классификации  представляется в виде таблицы. Названия столбцов соответствуют выделенным классификационным признакам (фасетам). В каждой клетке таблицы хранится конкретное значение фасета. Процедура  классификации состоит в присвоении каждому объекту соответствующих  значений из фасетов. Достоинства фасетной системы классификации: возможность  создания большой емкости классификации, т.е. использования большого числа  признаков классификации и их значений для создания группировок; возможность простой модификации  всей системы классификации без  изменения структуры существующих группировок. Недостатком фасетной системы классификации является сложность ее построения, так как  необходимо учитывать все многообразие классификационных признаков [18, с. 119].

Дескрипторный метод классификации

Для организации поиска информации, для ведения тезаурусов (словарей) эффективно используется дескрипторная (описательная) система классификации, язык которой приближается к естественному языку описания информационных объектов. Особенно широко она используется в библиотечной системе поиска.

Система кодирования

 Применяется для замены  названия объекта на условное  обозначение (код) в целях обеспечения  удобной и более эффективной  обработки информации. Система кодирования  -  совокупность правил кодового  обозначения объектов. Код строится  на базе алфавита, состоящего  из букв, цифр и других символов. Код характеризуется: длиной  - число позиций в коде, и структурой  — порядок расположения в коде  символов, используемых для обозначения  классификационного признака.

Унифицированные системы  документации создаются на государственном, республиканском, отраслевом и региональном уровнях. Главная цель — это обеспечение  сопоставимости показателей различных  сфер общественного производства. Разработаны  стандарты, где устанавливаются  требования:

— к унифицированным системам документации;

— к унифицированным формам документов различных уровней управления;

— к составу и структуре реквизитов и показателей;

— к порядку внедрения, ведения и регистрации унифицированных форм документов.

Однако, несмотря на существование  унифицированной системы документации, при обследовании большинства организаций  постоянно выявляется целый комплекс типичных недостатков:

— чрезвычайно большой объем документов для ручной обработки;

— одни и те же показатели часто дублируются в разных документах;

— работа с большим количеством документов отвлекает специалистов от решения непосредственных задач;

— имеются показатели, которые создаются, но не используются, и др.

Поэтому устранение указанных  недостатков является одной из задач, стоящих при создании информационного  обеспечения.

Схемы информационных потоков  отражают маршруты движения информации и ее объемы, места возникновения  первичной информации и использования  результатной информации. За счет анализа  структуры подобных схем можно выработать меры по совершенствованию всей системы  управления.

4. Критерии отбора данных

Прежде чем приступить к анализу данных, исследователь  должен обеспечить сравнимость единиц измерения. Кроме того, для проведения значимых сравнений и получения достоверных и состоятельных результатов нередко необходимо провести стандартизацию или нормализацию данных.

При определении объема выборки  следует также принимать во внимание некоторые качественные факторы: важность принимаемого решения, характер исследования, количество переменных, характер анализа, объемы выборки, которые использовались в подобных исследованиях, коэффициент  охвата, коэффициент завершенности, а также ограниченность ресурсов. Статистически определенный объем  выборки — это чистый или конечный объем выборки, т.е. элементы выборки, остающиеся после исключения потенциальных  респондентов, которые не отвечают заданным критериям или не закончили  интервью. В зависимости от коэффициентов  охвата и завершенности может  потребоваться намного больший  объем исходой выборки. В коммерческих маркетинговых исследованиях недостаток времени, денег и хороших специалистов может иметь решающее значение при определении объема выборки. В проекте исследования постоянных покупателей универсального магазина объем выборки определялся на основе именно этих соображений,

Статистический метод  определения объема выборки, рассмотренный  в этой книге, основан на традиционном статистическом заключении. В соответствии с этим методом заранее определяется уровень (степень) точности. Этот метод основан на создании доверительных интервалов вокруг средних или долей выборки.

Поскольку в ООО «Баден» используется платформа «1С:Предприятии 8.1», то критерии отдора данных для анализа производияться в следующей очередности:

— механизм быстрого поиска. Этот механизм позволяет быстро найти в каком-либо списке нужный элемент, набрав первые символы. Но в динамических списках (например, список элементов справочника или список документов) быстрый поиск работает только по реквизитам, по которым доступна сортировка;

— просмотр всех доступных для сортировки реквизиты списка можно, открыв окно "Отбор и сортировка". Это окно, как правило, доступно на панели действий либо в контекстном меню списка, открывающемся правой кнопкой мыши. В окне "Отбор и сортировка" нужно перейти на закладку "Сортировка", где показаны все доступные реквизиты, по которым возможна сортировка;

— для списка документов "Реализации товаров и услуг" доступна сортировка по двум реквизитам: "Дата" и "Номер". Однако информативность окна сортировок этим не ограничивается. Здесь можно посмотреть, какая сортировка включена в данный момент (левая часть окна) и список всех доступных для сортировки реквизитов (правая часть). Тут же можно настроить нужную сортировку и ее порядок. Обратите внимание: текущий реквизит сортировки будет помечен в списке специальным символом - стрелочкой, обозначающей направление сортировки;

— в каждом списке можно индивидуально сохранить нужную сортировку. Достаточно включить галочку "Использовать эту настройку сортировки при открытии" и нажать "ОК". Система запомнит настройку и при следующем открытии этого списка установит сохраненную сортировку. Быстро отсортировать список по нужному реквизиту можно, щелкнув мышкой по шапке с названием этого реквизита.

Таким образом,  на основании  изученного теоретического материла можно  сделать следующие выводы:

Классификация в статистике — это систематизированное распределение  явлений и объектов на определенные секции, группы, классы, позиции, виды на основании их сходства и различия. Основанием классификации служит признак (критерий) или несколько признаков (критериев).

Классификатор в статистике — это систематизированный перечень объектов (отраслей, предприятий, продукции, занятий, основных фондов и т. п.), каждому  из которых присваивается код. Код  заменяет название объекта и служит средством его идентификации, так  как код — это знак или совокупность знаков, принятых для обозначения классификационных группировок и объектов классификации.

В основе любой группировки  лежит классификационный или  группировочный признак.

Статистические методы делятся  на одно- и многомерные. Многомерные  статистические методы можно разделить  на методы зависимости и методы взаимозависимости.

Система классификации позволяет  сгруппировать объекты выделить определенные классы, которые будут  характеризоваться рядом общих  свойств. Классификация объектов —  это процедура группировки на качественном уровне, направленная на выделение однородных свойств.

Прежде чем приступить к анализу данных, исследователь  должен обеспечить сравнимость единиц измерения. Кроме того, для проведения значимых сравнений и получения  достоверных и состоятельных  результатов нередко необходимо провести стандартизацию или нормализацию данных.

2 СТАТИСТИЧЕСКИЙ  АНАЛИЗ  РЕАЛИЗАЦИИ ОБУВИ В  ООО «БАДЕН»

2.1 Организационно-экономическая  характеристика ОАО «Баден»

В марте 2003 года открылся первый обувной магазин  ООО «Баден»  по адресу проспект Независимости 164. Этот день по праву можно считать днем основания и начала существования  Общества с Ограниченной Ответственностью «Баден». Через некоторое время руководством предприятия было принято решение о расширении компании и выходе на другой географический рынок. Таким образом ООО «Баден» появился и в городе Могилеве. Однако, данный магазин не оправдал связанных с ним надежд. Хотя нельзя говорить, что эксперимент не удался, но результат был не сравним с опытом минского магазина. В дальнейшем руководство ООО «Баден» решило твердо обосноваться в городе Минске, о чем говорит открытие за период с 2004 по апрель 2008 года еще четырех магазинов в разных районах. Предпочтительными районами, в которых расположились магазины, оказались спальные районы. Итак, на сегодняшний день в сети насчитывается шесть магазинов «Баден», из них один в городе Могилеве и пять  – в Минске.