Нейронечеткая система поддержки принятия решений гостиничного комплекса тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Карнизьян, Роман Оганесович

• Карнизьян, Роман Оганесович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Карнизьян, Роман Оганесович

Оглавление

Введение

Глава 1. Системы поддержки принятия решений

1.1 Исторический обзор СППР

1.2 Классификация СППР

1.3 Современное состояние развития СППР

1.3.1 Системы Business Intelligence

1.4 Обзор российских современных СППР

1.5 Архитектуры современных СППР

1.6 Перспективные СППР

1.6.1 Имитационные модели СППР

1.6.2 Анализ внешней и внутренней среды

1.6.3 Процесс разработки СППР

1.7 Задача принятия решений

1.8 Генерация принятия решений в СППР

1.8.1 Взаимодействие СППР с внешней средой

1.9 Методы и алгоритмы искусственного интеллекта применяемые в СППР

1.9.1. Деревья решений

1.9.2. Нейронные сети

1.9.3. Генетические алгоритмы

1.9.4. Регрессионные модели

1.9.5. Нечеткая логика

1.10 Технология OLAP

Выводы 1-й главы

Глава 2. Нейронечеткий алгоритм принятия решений

Введение

2.1 Алгоритм поиска правил

2.2 Вариант расчета влияния управляемых параметров с коэффициентом

забывания

2.3 Нейронечеткая система управления

2.4 Общий алгоритм работы

2.5 Реализация нечеткого контроллера с помощью гибридной сети АМЧЗ

2.6 Модифицированная схема нечеткого вывода с АМЧБ

2.7 Реализация нечеткого контроллера с помощью сети КШЪС

Выводы 2-й главы

Глава 3. Система поддержки принятия решений гостиницы

3.1 Информационная система гостиничного комплекса

3.2 Общее описание гостиничного комплекса и окружающей его среды

3.3 Гостиница с точки зрения системного анализа

3.4 Проблема принятия управленческих решений при управлении гостиницей

3.5 Требования к СППР гостиничного комплекса

3.6 Структура разработанной СППР

3.7 Правила управления гостиницей

3.9 Реализация правил вывода с помощью нейронных сетей

Выводы 3-й главы

Глава 4. Экспериментальная часть

4.1 Оценка блока поиска правил управления

4.2 Найденные правила управления

4.3 Оценка эффективности разработанной модели управления

гостиницы

4.4 Дальнейшее развитие СППР

Выводы 4-й главы

Заключение

Список литературы

Приложение 1. Обзор информационных систем гостиничных

комплексов

Приложение 2. Показатели работы гостиничного комплекса

Приложение 3. Краткое руководство пользователя разработанной СППР

Введение диссертации (часть автореферата) на тему «Нейронечеткая система поддержки принятия решений гостиничного комплекса»

Введение

Во многих сферах деятельности человека необходимо принимать решения, опираясь на набор альтернатив [10, 15, 21, 23, 24, 34, 38, 40, 54, 63]. Учитывая сильно возросший поток учитываемых данных, возрастает актуальность автоматизированной системы подготовки альтернатив с их ранжированием по выделенным критериям. При этом в первой половине 2000-х годов произошел масштабный революционный переход от традиционных систем обработки данных (СОД) к системам, ориентированным на анализ данных.

Над задачей интеллектуализации принятия решений трудятся и трудились многие известные ученые со всего мира, в частности: R.Ackoff, R.Brachman, L.Byars, C.Christensen, A.Brooking, I.Dahlberg, D.DeCenzo, A.Doan, P.Drucker, J.Galbraith, D.Luger, I.Palmer, Jl. Канторович, О. Ларичев, С. Князев, Ю. Осипов, Ю. Журавлев, А. Шрубенко и др.

Вопросами, связанными с поддержкой принятия решений на предприятиях, занимались отечественные ученые В. И. Данилов — Данильян, Б. В. Литвак, Л. Г. Макарова, Л. Ф. Суходоева и др.

В настоящее время наиболее важным помощником руководителя или менеджера предприятия становится информационная система поддержки принятия управленческих решений (далее СППР) [2, 5, 36, 37, 45, 56, 60, 61, 62]. Данные системы позволяют смоделировать ситуацию и сделать правильный, обоснованный выбор управленческого решения в данной ситуации [2]. Наличие таких систем, безусловно является конкурентным преимуществом предприятия.

В современных технологиях в качестве СППР нередко применяют технологии Data - mining ("добыча данных") [3, 5]. При этом можно сказать, что Data - mining - это набор методов искусственного интеллекта: нейронных сетей, генетических алгоритмов, нечеткой логики, деревьев

решений и т.д., которые опираются на современные средства хранения и обработки данных. В дальнейшем мы будем рассматривать Data - mining, как часть разрабатываемой СППР.

Область применения СППР очень широка. Мы лишь отметим некоторые решаемые задачи и области применения. Более подробную информацию можно найти в [5].

Интернет - технологии. Учитывая, что Интернет превратился в жизненно необходимую «вещь» практически для половины населения и его глубокое проникновение в бизнес - сферу, начнем обзор применения СППР со среды Интернет. Системы поддержки принятия решений в Интернет — среде многогранны - это системы продвижения сайтов, системы реферальных ссылок, элементы RAD - средств создания сайтов и т.д.

Торговля. В торговле СППР применяются для многих задач. В первую очередь для анализа продаваемых товаров, составления шаблонов потребителей, оптимизации поставок продукции и т.д. Классическим примером является создание OLAP-кубов для торговых организаций и работа методов Data - mining [5].

Промышленное производство. В промышленном производстве СППР применяются на всех уровнях, как надстройка над АСУТП, как часть САПР, планировании технологических операций, так и финансово -экономической деятельности предприятия - на уровне систем MRP, ERP и BI.

Медицина. В медицине СППР применяются, как в качестве диагностирования анализов, определении заболеваний, так и в назначении лечения. Одно из самых известных применений СППР в медицине — это диагностика глазных заболеваний. Другим мощным направлением применения СППР являются томографические исследования.

Существует также много других сфер применения систем поддержки принятия решений.

В то же время опыт разработки информационных систем и консультирования по информационным технологиям большого количества предприятий позволил сделать следующие выводы:

- зачастую экономические информационные системы являются лишь средством фиксации производственных транзакций (финансовых, логистических и т.д.), а интеллектуальная составляющая таких систем, как правило, не используется;

- в планировании практически не применяются современные компьютерные технологии и математическое моделирование;

- как правило, планирование производится на безальтернативной основе [2];

- планирование нередко носит субъективный характер и сильно зависит от предпочтений специалистов (или специалиста), его составлявших;

И именно для исправления таких вышеперечисленных недостатков предназначены СППР. Применение СППР позволяет имитационно экспериментировать с моделью предприятия и помогает понять возможные последствия применения управленческих решений, иметь возможность рассмотрения множества альтернатив управленческих решений и математически обосновывать лучший или группу лучших вариантов развития ситуации.

Актуальность этой диссертационной работы заключается в следующих выводах:

• разработка новой архитектуры современной системы поддержки принятия решений является серьезным вкладом в развитие данного направления информационных систем;

• разработка метода поддержки принятия решений на основе нейронечетких систем является передовым методом построения систем данного класса;

• программная реализация, как системы поддержки принятия решений, так и метода поддержки принятия решений на основе нейронечетких систем позволяет получить мощное и доступное средство управления предприятием;

• создание системы поддержки принятия решений позволяет получить доступное средство для оперативного анализа и управления предприятием;

• реализация системы поддержки принятия решений гостиничного комплекса с использование современных методов искусственного интеллекта позволяет получить конкурентное преимущество.

На основании перечисленных требований к современным системам поддержки принятия решений и методам принятия решений, сформулированы вопросы, отражающие научную проблему:

• Возможно ли использование правил нечеткого вывода с несколькими выходными переменными в гибридной сети?

• Возможно ли создание системы вывода правил управления системы поддержки принятия решений полностью в автоматическом режиме?

• Как обеспечить интерпретируемость результатов работы гибридной нейронечеткой сети?

• Каким образом реализовать доступность нейронечеткого моделирования для конечного пользователя?

Целью исследования является разработка архитектуры современной СППР предприятия, разработка нейронечеткой гибридной сети для вывода правил принятия решений, программная реализация СППР и нейронечеткой гибридной сети.

С помощью разработанного моделирующего комплекса, созданного в рамках функционирующей информационной системы предприятия, необходимо создать имитационную модель управления гостиничным

комплексом, отличающуюся высокой адекватностью. Модель должна давать возможность проведения различных экспериментов с данными. При работе с моделью пользователю должна быть представлена возможность устанавливать зависимости, допущения и соотношения, описывающих взаимосвязи различных компонент системы. Возможность диагностировать их влияние на функциональное состояние системы.

Задачи исследования. Достижение поставленной цели потребовало постановки и решения следующих задач:

- исследовать архитектуры современных систем поддержки принятия решений;

- исследовать алгоритмы и методы поддержки принятия решений в современных СППР;

- исследовать качественное содержание процесса принятия решений в управлении предприятием;

- провести анализ существующих гибридных нейронечетких сетей и разработать гибридную сеть для управления сложным социально — экономическим объектом;

- реализовать СППР предприятия гостиничного комплекса и разработанную нейронечеткую сеть;

- разработать математическую модель управления гостиничным комплексом;

- оценить эффективность разработанных СППР и нейронечеткой сети;

- исследовать основные факторы повышения эффективности управления предприятием за счет использования СППР.

В первой главе диссертации проведен анализ существующих методов построения современных СППР и алгоритмов вывода альтернатив для поддержки принятия решений. Выявлены достоинства и недостатки существующих архитектур и алгоритмов вывода.

Во второй главе предложен алгоритм нахождения управляющих правил с помощью оригинального анализа ретроспективной выборки и его реализация на нейронечетких сетях.

В третьей главе описана архитектура разработанной обобщенной СППР и представлена СППР гостиничного комплекса. Также приведены возможные типы нечетких правил управления.

В четвертой главе приведены основные результаты экспериментов с найденными правилами управления. Также рассмотрены дальнейшие пути развития разработанной СППР и алгоритма нейронечеткого вывода управляющих правил.

В заключении описаны выводы и результаты проделанной работы.

В Приложении 1 приведен обзор распространенных информационных систем гостиничного бизнеса.

В Приложении 2 приведены основные показатели деятельности предприятий гостиничного бизнеса.

В Приложении 3 приведена структура разработанной СППР и краткая инструкция пользователя.

Объект исследования: система поддержки принятия решений в управлении предприятием сферы услуг (социально — экономический объект).

Предмет исследования: имитационные модели поддержки принятия решений, информационные модели предприятия.

Основные методы исследования: системный анализ и синтез, теория и методы принятия решений, имитационное моделирование, методы искусственного интеллекта.

Научная новизна работы заключается в следующих положениях:

• разработана структура современной системы поддержки принятия решений;

• разработан метод управления социально — экономическими системами;

• разработан подход к поиску управляющих правил и реализация их с помощью нейронечетких систем;

• модифицирована нейронечеткая сеть АМЧБ;

Практическая значимость исследований: на основании разработанных теоретических положений и рекомендаций создана информационная система поддержки предприятия для объектов гостиничного бизнеса.

Основные положения, выносимые на защиту:

- архитектура современной системы поддержки принятия решений;

- подход к поиску управляющих правил сложной социально -экономической системы;

- реализация управляющих правил с помощью нейронечетких сетей;

- результаты функционирования СППР и подхода к реализации управляющих правил;

Разработанная автором СППР внедрена и используется на предприятиях . В конце диссертации приложены акты внедрения.

Публикации. Основные результаты работы опубликованы в 2 научных статьях в журналах из списка ВАК и 5 тезисах научных конференций. Подана заявка на патент на изобретение.

Апробация. Основные положения диссертации доложены и обсуждены на XXXI Международной научно - технической конференции "Математические методы и информационные технологии в экономике, социологии и образовании" (г. Пенза, 2013 год), на XXX Международной научно - технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (г. Пенза, 2012 год) и II Межвузовской научно-практической конференции

"Автоматизированные информационные и электроэнергетические системы" (г. Краснодар, 2012 год).

Диссертация состоит из введения, четырех разделов, заключения, списка использованной литературы и трех приложений. Ее общий объем составляет 123 страниц текста, в котором содержится 20 рисунков и 6 таблиц.

Глава 1. Системы поддержки принятия решений 1.1 Исторический обзор СППР

Под Системой Поддержки Принятия Решений (далее СППР) обычно понимают информационную систему, которая позволяет разгрузить человека при обработке данных и последующим принятии решении, базирующемся на полученных данных.

Приведем несколько определений СППР.

1) Система поддержки принятия решений - это компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности1.

2) Системы поддержки принятия решений - это особые интерактивные ИСМ (институциональные или на случай), использующие оборудование, программное обеспечение, данные, базу моделей и труд менеджера с целью поддержки всех стадий принятия полуструктурируемых и неструктурируемых решений непосредственными пользователями-менеджерами в процессе аналитического моделирования на основе предоставленного набора технологий2.

3) Системы поддержки принятия решений - это компьютерная система, которая путем сбора и анализа большого количества информации может влиять на процесс принятия решений организационного плана в бизнесе и предпринимательстве [5].

За рубежом СППР (по англ. - DSS - Decision support system) начали применяться параллельно с развитием вычислительной техники и технологий программирования. Одним из главных инициаторов таких систем стало Министерство Обороны США, в первую очередь логистический департамент для планирования грузоперевозок. Также

' http://ru.wikipedia.org/wiki/CnnP

2 http://emerecu.ukma.kiev.ua

активно развивался сценарный подход для планирования различных военных операций.

В СССР подобные системы активно внедрялись на уровне министерств и ведомств. В частности, одной из мощнейших СППР являлось АСУ Министерства Путей и Сообщений. Но основным заказчиков и разработчиком подобных систем являлось Министерство Обороны СССР. Приведем научные труды, посвященные истории развития СППР [40,

104].

По некоторым данным первые СППР начали появляться во второй половине 50-х годов прошлого века [40]. Одними из первых финансовых СППР являются информационные системы корпораций «Сан Ойл» (1964) и «Остриен Индастриз» (1975). Подключение аналитических моделей к внешним базам данных датируется серединой 70-х годов прошлого века [40].

1.2 Классификация СППР

На уровне пользователя СППР можно разделить на пассивные, активные и кооперативные. Различие между ними следующее: пассивная только помогает процессу принятия решений, но не выносит предположение какое решение выбрать. Активная СППР может сделать предположение, какое из решений выбрать, а кооперативная СППР J11 IP изменять, пополнять, улучшать решения в диалоге с СППР.

На концептуальном уровне СППР делятся на следующие категории

[104]:

1. СППР, ориентированные на данные (англ. - Data-oriented

DSS);

2. СППР, ориентированные на сообщения (Communication-driven DSS);

3. СППР, ориентированные на модели (Model-oriented DSS);

4. СППР, ориентированные на знания (Knowledge-driven

DSS);

5. СППР, ориентированные на документы (Document-driven

DSS);

6. Групповые СППР (Group DSS);

7. Интер-организованные и интра-организованные СППР

(Inter-organizational DSS and Intra-organizational DSS);

8. СППР общего назначения (General Purpose DSS);

9. Веб-ориентированные СППР (Web-based DSS).

По вышеперечисленным СППР отметим, что второй тип еще называется групповая СППР, то есть это система, которая поддерживает группу пользователей работающих над одной задачей. Четвертый тип, наверно самый интересный, он подразумевает способность системы понять запрос пользователя. К третьему типу, то есть к Model-oriented DSS могут быть отнесены OLAP - системы.

В зависимости от данных СППР можно разделить на оперативные и стратегические. Первые предназначены для оперативного реагирования на текущую ситуации, а вторые предназначены на анализ больших объемов информации собираемых из разных источников.

По видам воспроизводимых данных СППР можно классифицировать и следующим образом [67] (Рисунок 1).

По возникновению ситуации, требующей принятия решений СППР делят на СППР с решениями планового характера и с решениями, возникающими с новыми идеями, технологиями и предложениями [2].

По назначению современные СППР можно разделить на системы для теоретического исследования и для практического управления.

Рисунок 1. Классификация СППР по отражению знаний

По периоду планирования СППР делят следующим образом: для стратегического планирования и для оперативного планирования.

Некоторые авторы также выделяют интеллектуальные системы поддержки принятия решений (ИСППР) [36, 60], но мы считаем, что термин интеллектуальные в названии лишний, так как в современной СППР элементы искусственного интеллекта просто обязаны быть.

Ряд авторов выделяет адаптивные СППР, которые способны за счет изменения своей внутренней структуры и базы знаний производить такую выработку решений, которая наиболее полно удовлетворит требованиям оперативности и эффективности в любой обстановке [62]. При этом адаптивная СППР должна иметь в своем составе адаптивную базу знаний, оперативно накапливающую информацию об изменяющейся обстановке; адаптивную расчетно-логистическую составляющую, способную выбирать

оптимальный план вычислений; адаптивный интерфейс способный подстраиваться под конкретного пользователя. Адаптивная система также должна обладать свойством «забывать» неактуальный опыт.

1.3 Современное состояние развития СППР

Интеллектуализация принятия решений является одним из важных элементов во многих областях человеческой деятельности, как в политических процессах, финансах, военном деле и др. В ведущих странах и политических союзах приняты целые программы на государственном уровне касающиеся развитию, как интеллектуализации принятия решений, так и в построении соответствующих информационных систем, в частности: «Framework Programs for Research and Technological Development» (EC), «Government ICT strategy» (Великобритания), «Computational Science: Ensuring America's competitiveness» (США) и др. [13]. При этом в процесс вовлекаются и суперкомпьютеры из списка ТОП500, в частности целый ряд суперкомпьютеров участвует в процессе принятия решений по политическим, экономическим, военным и другим направлениям.

В настоящее время наблюдается частичный уход от классического названия СППР в сторону красивых, звучных рекламных названий. При этом часто используются названия на английском языке. В тоже время сильно развивается функционал СППР, появляются все новые и новые функциональные блоки, новые методы обработки данных и принятия решений. Ну и конечно не стоит на месте интерфейсная часть, в настоящее время происходит масштабный переход в Интернет — пространство. В данной работе будем считать все новые виды СППР систем, как подвиды классической СППР.

Перечислим основные современные подвиды СППР.

1) Системы класса Business Intelligence (сокращено - BI). Название с английского можно перевести, как системы Бизнес - Интеллекта, что не совсем звучит на русском языке. К системам обычно относят SAP/R3, Oracle Business Suite, PeopleSoft, Crystal Décisions, Actuate, MicroStrategy и Др.

2) ERP - системы. Enterprise Resource Planning - Система Планирования ресурсов Предприятия. Данные системы, а лучше сказать -данный подход к построению ИТ - инфраструктуры предприятия, предназначены системного (совместного) управления производством, финансовой деятельностью, трудовыми ресурсами и остальным непосредственно связанным с предприятием функционалом. Данные системы опираются на программные платформы, позволяющие разворачивать необходимые модули и интегрировать их. Наиболее известные ERP - системы (разработка фирм):

• BaaN;

• Oracle;

• PeopleSoft;

• SAP;

• JD Edwards.

3) MRP - системы. Material Requirements Planning - системы планирования потребности в материалах. Существует также расширенная версия - MRP II (системы планировании производственных ресурсов). По ряду источников из сети Интернет- MRP являлся прообразом для ERP систем.

Самую распространенную российскую бизнес — ориентированную платформу 1С.8.Х в конфигурации «Управление производственным предприятием» можно отнести к ERP - системам, а некоторые ее конфигурации к MRP I и II - системам.

Дополнительно отметим распространенные системы Data — mining (точнее конструкторы систем Data - mining):

• Clementine 7.0 -www.KDnuggets.com;

• DBminer 2.0 - www.dbminer.com;

• PolyAnalyst 4.6 - www.megaputer.com;

• MS SQL server: Analysis Services - www.microsoft.com/sql/;

• WEKA (www.cs.waikato.ac.nz")

Информацию о современном состоянии CliliP можно найти в журналах «Pattern analysis and machine intelligence (IEEE)» . Из отечественных журналов отметим «Открытые системы».

1.3.1 Системы Business Intelligence

Кратко рассмотрим наиболее близкие к СППР по «духу» системы класса Business Intelligence. Сам термин «Business Intelligence» впервые был введен аналитиками фирмы Gartner в 1988 году, как «пользовательский процесс, включающий доступ и исследование информации, ее анализ, выработку интуиции и понимания, которые ведут к улучшенному и неформальному принятию решений».

Другая часть определений рассматривает BI не как процесс, а как результат процесса извлечения знаний — как сами знания о бизнесе для принятия решений.

Общая схема систем BI представлена на Рисунке 2. Основной элемент верхнего уровня BI - систем - это интеллектуальные методы поиска сценариев развития, прогнозирования, планирования и т.д. Также к верхнему уровню обычно относят технологию ETL - инструмент интеграции и очистки данных.

Рисунок 2. Одно из представлений систем Бизнес - аналитики

Несмотря на явное указание в названии систем на бизнес приложения, такие системы можно применять и в других сферах.

Упрощенный принцип работы BI - систем представлен на Рисунке 3.

Близким направлением к BI является Knowledge Management (KM) — технология управления знаниями. КМ обеспечивает классификацию, разведку и семантическую обработку текстов и данных, расширенный поиск информации и т.д., с последующей категоризацией и выводом.

Данные

I

Сбор и добыча данных Описательный и визуальный анализ Построение зависимостей

Выбор действия Прогноз развития Прогноз изменения факторов

Рисунок 3. Упрощенная схема работы систем Бизнес-Аналитики На основании проработанной литературы и Интернет - источников можно сделать вывод, что BI - системы являются дальнейшим «разворачиванием» ERP - систем, по сути следующим поколением.

1.4 Обзор российских современных СППР

Отдельно рассмотрим российский рынок СППР, отметив, что он довольно широк и уходит корнями еще в советские времена.

В первую очередь необходимо отметить платформу 1С 8.x и богатый выбор конфигураций на ее основе - http://solutions.lc.ru/ .

Далее необходимо отметить систему «Галактика Bisiness Suite» -полнофункциональный комплекс бизнес-решений, позволяющий в едином информационном пространстве выполнять типовые и специализированные задачи управления предприятием, холдингом, группой компаний в условиях современной экономики. Система «Галактика» включает в себя многие новаторские решения и реализует практически полный необходимый функционал систем управления предприятием: CRM, управление

эффективностью бизнеса - СРМ (Corporate Performance Management), предприятие реального времени — RTE (Real-Time Enterprise), сервисная шина предприятия — ESB (Enterprise Service Bus), система управления бизнес процессами предприятия - ВРМ (Business Process Management), мобильный бизнес и Интернет - магазины и т.д. Также выделим отдельную надстройку класса MRP II - «Галактика Enterprise Resource Planning (ERP)».

Также отметим малораспространенные, но удачные прикладные программные продукты отечественного производства:

а) СППР «Выбор» - аналитическая система, основанная на методе анализа иерархий СППР [36]. «Выбор» является СППР широкого спектра применения, включая проектные и конструкторские решения, оценку инвестиций и т.д.;

б) СППР «Logist-ICS» предназначена для управления закупками, товарными потоками и другими задачами логистики;

в) «Marketing Expert» предназначена для решения задач маркетинговых исследований;

г) СППР «Курс» предназначена для поддержки управленческих решений для эффективного освоения морских биологических ресурсов;

Также отметим отечественные платформы имитационного моделирования «AI Trilogy» и «Anylogic».

Отдельным классом выделим полностью веб — ориентированные СППР, но к сожалению конкретных, законченных, известных разработок пока не много. Выделим ERP - систему «Augur», российской разработки. Web - система «Augur» позволяет как реализовать внутренний управленческий учет и анализировать данные в различных аспектах деятельности компании (организационная структура, затратные центры, виды продукции, рынки сбыта, каналы распределения), так и получать отчеты по требованиям международных стандартов (IAS, GAAP, FASB,

SSAP), и, наконец, вести внешнюю отчетность по российским стандартам бухучета .

1.5 Архитектуры современных СППР

СППР обычно состоит из следующих блоков (подсистем): блока ввода данных, блока поиска данных, баз знаний, хранилища данных, оперативных баз данных и блоков анализа данных. База знаний в ряде интерпретаций может быть составной и состоять из базы общих знаний, базы системных знаний и базы прикладных знаний. База общих знаний хранит общие знания, необходимые для решения всего ряда задач принятия решений. База общих знаний хранит знания о всех внутренних связях самой системы. В базе прикладных знаний хранится информация о прикладных знаниях, например, правила и ограничения на процесс принятия решений, алгоритмы, описания предметных коллекций и т.д. Для хранения практически всех типов знаний можно использовать, наряду со стандартными БД, современные языки метаописания XML, YAML и т.д. Отметим, что не надо путать БД с БД, при этом БЗ может БД.

Приведем несколько примеров современных СППР. Ряд авторов [56] СППР должна состоять из четырех основных подсистем: адаптивной, интерактивной, обрабатывающей, подсистемы управления и блока «внешняя среда». При этом первая подсистема состоит из нескольких уровней: микро-, макро- и метауровней. Между данными уровнями организовывается связь на основе полных и неполных, четких и нечетких графов и гиперграфов. Обобщенная целевая функция такой системы является агрегированной функцией целевых функций на всех уровнях (эффект «матрешки», англ. nesting), т. е.

ЦФ1 = ахКх + а2К2 +.... + апКп

Список литературы диссертационного исследования кандидат наук Карнизьян, Роман Оганесович, 2013 год

Список литературы:

1. Анфилатов B.C., Емельянов A.A., Кукушкин A.A. Системный анализ в управлении. -М.: Финансы и статистика, 2002. - 368 с.

2. Аристов С.А. Методология разработки и применения многофункциональных систем поддержки принятия решений на предприятиях агропромышленного комплекса. Автореферат дисс. на соис. уч. степени д.э.н. M.: МСХА им. К.А. Тимирязева. 2008. 44 с.

3. Артемьев // Открытые системы. 2004. №4. [Электронный ресурс] — режим доступа: http://www.osp.ru/os/2003/04/182900/

4. Балдин К.В., Уткин В.Б. Информационные системы в экономике. Учебник. - М.: Издательско-торговая корпорация «Дашков и К°», 2005. - 395 с.

5. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data - mining. — СПб.: БХВ-Петербург, 2004. - 336 с.

6. Бегман Ю.В. Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой связи. Дисс. соис. уч. степ, канд. техн. наук. Краснодар: КубГТУ. 2009. 185 с.

7. Биржаков М.Б. Введение в ТУРИЗМ: Учебник. - Издание 8-е, перераб. и доп.- СПб.: «Издательский дом Герда», 2006. - 512 с.

8. Борисов А.Н., Алексеев A.B., Меркурьев Г.В. и др. Обработка нечеткой информации в системах принятия решений. — М.: Радио и связь, 1989.-304 с.

9. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG. — M.: Издательство «Вильяме», 2004.

10. Бурякова Е. С. Разработка и принятие управленческих решений, постановка задач, делегирование полномочий. - М.: Издательство: MBS, 2010.-563 с.

П.Бычков А. В. Нейросетевое управление рентабельностью предприятия: дис. Канд. техн. наук. — Краснодар, 2001. - 156 с.

12. Бэстенс Д.-Э., ссо ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. — Москва: ТВП, 1997. - 236 с.

13. Виссия X. Модели, алгоритмы и технология интеллектуализации принятия решений на основе предметных коллекций. Автор, дисс. канд. техн. наук. Минск, БГУ, 2012 - 24 с.

14. Волкова В.Н., Емельянов А.А.Теория систем и системный анализ в управлении организациями — М.: Финансы и статистика, 2006. — 848 с.

15. Воробьев С.Н., Уткин В.Б., Балдин К.В. Управленческие решения: Учебник для вузов. - М.: ЮНИТИ-ДАНА, 2003. - 317 с.

16. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2000.

17. Галушкин. А.И. Нейрокомпьютерные системы. — М.: Издательское предприятие журнала «Радиотехника», 2000.- 205с.

18. Галыгин А.Н. Алгоритмы автоматического формирования базы правил для систем управления на нечеткой логике: дисс. ... канд. техн. наук. Красноярск, 2004. 152 с.

19. Гаскаров Д.В. Интеллектуальные информационные системы. — М.: Высш. Шк., 2003. - 392 с.

20. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере - Новосибирск: Наука, Сибирская издательская фирма РАН, 1996.-276 с.

21.Грешилов A.A. Математические методы принятия решений. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2006.

22. Демурин В.Б. Математическое обеспечение информационной системы гостиничного комплекса. Дисс. канд. техн. наук. Краснодар: КубГТУ 2011. 157 с.

23. Дик B.B. Методология формирования решений в экономических системах и инструментальные средства их поддержки. -М.: Финансы и статистика, 2000.

24. Дубов Ю.А., Травкин С.И., Якимец В.Н. Многокритериальные модели и выбор вариантов систем. - М.: Наука, 1986. - 296 с.

25. Егоров Н.В., Карпов А.Г. Диагностические информационно-экспертные системы - М.: Вильяме, 2002

26. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. - М.: Финансы и статистика, 1996. — 368 с.

27. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. -М.: Физматлит, 2003.

28. Заложнев А. Ю. Модели и методы внутрифирменного управления. — М.: Сторм-Медиа, 2004. - 320 с

29. Ильин В. Экзафлопсы против математического моделирования // Открытые системы. 2013. №5. [http://www.osp.ru/os/2013/05/13035990/]

30. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. - 1997. - № 4. - С. 41-44.

31.Ключко В.И., Шумков Е.А., Власенко A.B., Карнизьян P.O. Архитектуры систем поддержки принятия решений // Политематический сетевой электронный научный журнал КубГАУ. №2, 2013

32. Ключко В.И., Шумков Е.А., Власенко A.B., Карнизьян P.O. Моделирование работы гостиницы // Политематический сетевой электронный научный журнал КубГАУ. №7, 2013.

33. Ключко В.И., Шумков Е.А., Карнизьян P.O. Прогнозирование потока постояльцев гостиницы с помощью ИНС. //Материалы II Межвузовской научно-практической конференции

«Автоматизированные информационные и электроэнергетические системы», Краснодар, КубГТУ, 2012.

34. Колпаков В.М. Теория и практика принятия управленческих решений. -М.: МАУП, 2004. - 504 с.

35.Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. 382 с.

36. Кузнецов М.А., Парамонов С.С. Современная классификация систем поддержки принятия решений // Прикаспийский журнал: управление и высокие технологии. 2009, №3. сс. 52-58.

37.Ларичев О. И., Петровский А. В. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. Техническая кибернетика.— Т.21. М.: ВИНИТИ, 1987, с. 131—164

38. Ларичев О.И. Теория и методы принятия решений. - М.: Логос, 2000.

39. Лорьер Ж. Л. Системы искусственного интеллекта. — М.: Мир, 1991.

40. Лычкина H.H. Имитационные модели в процедурах и системах поддержки принятия стратегических решений на предприятиях // Бизнес-информатика, 2007, №1 с. 29 - 35.

41. Лычкина H.H. Современные технологии имитационного моделирования и их применение в информационных бизнес-системах и системах поддержки принятия решений [Электронный ресурс]. — Режим доступа: http://it-

claim.ru/Library/Books/SC/articles/sovremennve tehnologii immitacionn ogo/sovremennye tehnologii irnrnitacionnogo.html.

42. Методы классической и современной теории автоматического управления: Учебник в 5-и тт.; 2-е изд., перераб. и доп. Т.4.: Теория оптимизации систем автоматического управления / Под ред. К.А.

Пупкова и Н.Д. Егупова. - М.: Издательство МГТУ им. Н.Э.Баумана. 2004. 744 с.

43. Мкртчян С. О. Нейроны и нейронные сети. - М: Энергия, 1971. -232 с.

44. Морозов М.А. Управление отелем: ставка на информационные технологии // Туризм: практика, проблемы, перспективы. - 2008. — № 8.

45. Москаленко В.В., Захарова Т.В. Разработка СППР для оценки риска инвестиционных проектов на основе нечетких множеств // Сютадш системы I процеси, 2007, №1 с.76 - 83.

46. Мошков М.Ю. О глубине деревьев решений // Доклады РАН. 1998. Т. 358. 1.-С.26.

47. Недосекин А.О. Применение теории нечетких множеств к задачам управления финансами // Аудит и финансовый анализ, 2000. - №2. — с. 18-22.

48. ссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика. 2002. 344 с.

49. Подиновский В.В., Подиновская О.В. О некорректности метода иерархий//Проблемы управления. 2001, №1. с. 8-13.

50. Продеус А. Н., Захрабова Е. Н. Экспертные системы в медицине — М.: Век+, 1998.

51. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. — Винница: УНИВЕРСУМ-Винница, 1999.

52. Румянцев Е.А. Маркетинговые стратегии управления малыми гостиницами в России. Автор, дисс. .. канд. экон. наук. М.: ГОУ ВПО ГУУ. 2009. 25 с.

53. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия — Телеком. 2006. 452 с.

54. Саати Т. Принятие решений. Метод анализа иерархий. - М.: Радио и связь. 1989.-316 с.

55.Сараев А. Д., Щербина О. А. Системный анализ и современные информационные технологии //Труды Крымской Академии наук. — Симферополь: СОНАТ, 2006. — С. 47-59

56. Сороколетов П.В. Построение интеллектуальных систем поддержки принятия решений . // Известия ЮФУ. Технические науки. С. 117124.

57.Строгалев В.П., Толкачева И.О. Имитационное моделирование. — МГТУ им. Баумана, 2008. — с. 737.

58. Суровцев И. С., Клюкин В. И., Пивоварова Р. П., Нейронные сети. — Воронеж: ВГУ, 1994. - 224с.

59. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1990.

60.Терелянский, П. В. Системы поддержки принятия решений. Опыт проектирования : монография / П. В. Терелянский ; ВолгГТУ. — Волгоград, 2009. — 127 с.

61. Тихонов А.Н., Цветков В .Я. Методы и системы поддержки принятия решений. -М.: МАКС Пресс, 2001.

62. Ткачук Е.О. Требования к адаптивным системам поддержки принятия управленческих решений // Известия ТРТУ.

63. Трухаев Р.И. Модели принятия решений в условиях неопределенности. М.: Наука, 1981, 258 с.

64. Ульянченко Л.А. Теория и методология реализации кластерного подхода в индустрии туризма (на примере московской области). Автореф. док. экон. наук. С-Пт: РГУТиС, 2012. 50 с.

65. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. — М.: Мир, 1992.-240 с.

66.Уткин В.Б., Балдин К.В. Информационные системы и технологии в экономике. - М.: Юнити, 2005.

67. Шарабаева Л.Ю. Теоретические основы и ключевые технологии построения системы управления знаниями ВУЗа // Управленческое консультирование, 2008. - №2. - с. 147 - 161.

68. Шумков Е.А., Карнизьян P.O. Использование OLAP технологий в Q-обучении // «Математические методы и информационные технологии в экономике, социологии и образовании». Сборник статей XXX Международной научно - технической конференции. — Пенза: Приволжский Дом знаний. 2012. С. 125-126.

69. Карнизьян P.O., Кушнир A.B. Автоматизация документооборота // Инновационные процессы в высшей школе // Материалы ХУПВсероссийской научно-практической конференции / КубГТУ.-Краснодар, 2011.- С. 60-62.

70. Карнизьян P.O., Кушнир A.B. Информационная система гостиничного бизнеса // Инновационные процессы в высшей школе // Материалы XVIII Всероссийской научно-практической конференции / КубГТУ. - Краснодар, 2012.- С. 84-86.

71.Карнизьян P.O. Моделирование работы гостиничного комплекса // IV Международная научно-практическая конференции "Модернизация экономики России на новом этапе развития" - Пенза: Приволжский Дом знаний. 2013.

72. Эддоус М., Стэнфилд Р. Методы принятия решений / Пер. с англ. — М.: Аудит, ЮНИТИ, 1997. - 590 с.

73. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. Пособие. -М.: Финансы и статистика. 2004. 320 с.

74.Bishop С. М., Neural Networks for Pattern Recognition, Oxford Univ. Press, 1995.

75. Caudill M., Butler C., Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, MA: the MIT Press, 1992.

76. Codd E.F., Codd S.B., and Salley C.T., Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. Technical report, 1993.

77. Codd, Edgar F. Providing OLAP to User-Analysts: An IT Mandate // Computerworld. — T. 27. — № 30.

78. Cordon O., Herrera F., Hoffmann F., Magdalena L. "Genetic fuzzy systems. Evolutionary tuning and learning of fuzzy knowledge bases", 2001.

79. Cox E. The Fuzzy Systems Handbook. Academic Press, London 1994.

80. Driankov D., Hellendorn H., Reinfrank M. An introduction to fuzzy control. Springer - Verlag. Berlin. 1993.

81.Druzdzel M. J., Flynn R. R. Decision Support Systems. Encyclopedia of Library and Information Science. — A. Kent, Marcel Dekker, Inc., 1999.

82. Dubois D., Prade H. Fuzzy sets and systems: theory and applications. San Diego. Academic Press. 1980.

83.Edwards J.S. Expert Systems in Management and Administration— Are they really different from Decision Support Systems? // European Journal of Operational Research, 1992. — Vol. 61. — pp. 114—121.

84.Eom H., Lee S. Decision Support Systems Applications Research: A Bibliography (1971—1988) // European Journal of Operational Research, 1990. — N 46. — pp. 333—342.

85.Finlay P. N. Introducing decision support systems. — Oxford, UK Cambridge, Mass., NCC Blackwell: Blackwell Publishers, 1994

86. Gallant S. I. Neural Network Learning and Expert Systems . MIT Press, Cambridge, MA, 1993.

87. Ganti V., Gehrke J., Ramakrishann R., "Mining Very Large Data Sets", Computer, Aug. 1999

88.Ginzberg M.I., Stohr E.A. Decision Support Systems: Issues and Perspectives // Processes and Tools for Decision Support / ed. By H.G. Sol.. — Amsterdam: North-Holland Pub.Co, 1983.

89.Golden B., Hevner A., Power D.J. Decision Insight Systems: A Critical Evaluation // Computers and Operations Research, 1986.— v. 13.— N2/3.—p. 287—300.

90. Hagan M. T., Demuth H. B., and Beale M. H., Neural Network Design, Boston, MA: PWS Publishing, 1996

91. Harinarayan V., et al., "Implementing Data Cubes Efficiently", Proc. SIGMOD Conf., CAN Press, New York, 1996.

92. Hirota K., Ed. Industrial applications of fuzzy technology. Springer. 1993.

93. Holland J.H., Holyoak K.J., Nisbett R.E., Thagard P. Induction: Processes of Inference, Learning, and Discovery. Cambridge: MIT Press, 1986. 416

P-

94. Holsapple C.W., Whinston A.B. Decision Support Systems: A Knowledge based Approach. - Minneapolis: West Publishing Co., 1996.

95. Intelligent Systems for Finance and Business, Edited By Suran Goonatilake and Philip Treleaven -John Wiley & Sons Inc., 1995.

96. Janikow C.Z. "Fuzzy Decision Trees: Issues and Methods", 1996.

97.Keen P.G.W. Decision support systems: a research perspective. Decision support systems : issues and challenges. G. Fick and R. H. Sprague. Oxford ; New York: Pergamon Press, 1980.

98.Keen P.G.W. Decision Support Systems: The next decades // Decision Support Systems, 1987. — v. 3. —pp. 253—265.

99. Kohonen, Т., Self-Organizing Maps, Second Edition, Berlin: SpringerVerlag, 1997.

100. Kosko B. Neural networks and fuzzy systems. Prentice Hall. Englewood Cliffs. 1992.

101. Marakas G. M. Decision support systems in the twenty-first century. Upper Saddle River, N.J.: Prentice Hall, 1999.

102. Parsaye K. A Characterization of Data Mining Technologies and Processes //The Journal of Data Warehousing. -1998.-№ 1.

103. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. - 1997. - № 2.

104. Power D. J. A Brief History of Decision Support Systems // DSSResources.COM. World Wide Web. Version 2.8. May 31 2003. [Доступ: http://DSSResources.COM/history/dsshistory.html]

105. Sarawagi S, "User Adaptive Exploration of OLAP Data Cubes", Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 2000.

106. Scott Morton M. S. Management Decision Systems: Computer-based Support for Decision Making. — Boston: Harvard University, 1971

107. Sprague R. H., Carlson E. D. Building Effective Decision Support Systems. — Englewood Cliffs, NJ: Prentice-Hall, 1982.

108. Sprague R.H. A Framework for the Development of Decision Support Systems // MIS Quarterly, 1980. — v. 4. — pp. 1-26.

109. Sutton R., Barto A. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998. 432 p.

110. Thierauf RJ. Decision Support Systems for Effective Planing and Control. -Englewood Cliffs, N.J: Prentice Hall, Inc, 1982. — 536 p.

Приложение 1. Обзор информационных систем гостиничных комплексов

Выделим следующие зарубежные информационные системы автоматизации гостиничного бизнеса:

• Fidelio (фирма «Micros Fidelio»)

• «Amadeus Front Office System» (фирма «Amadeus»)

• Lodging Touch (фирма «Libra International»)

Также выделим следующие отечественные успешные информационные системы автоматизации гостиничного бизнеса:

• «Барсум» (фирма «Рек-Софт»);

• «Hotel-2000» (фирма «Интур-Софт»);

• «Русский отель» (фирма «Сервис плюс»);

• «Отель-Симпл» (фирма «Nortel»);

• «Kei-Hotel» (фирма «Kei-Company»);

И конечно следует отметить конфигурации на базе платформы 1С: «1С. Управление гостиницей», «Бит. Отель 8», «1С. Отель» и др.

Все выше обозначенные системы включают в себя следующие модули: бронирование, интернет - бронирование, поселение, выезд (расчет с гостем), работа с путевками, бухгалтерия, администрирование, управление номерным фондом, ведение договоров, работа с архивом, формирование сводок и отчетов.

Приложение 2. Показатели работы гостиничного комплекса

Деятельность гостиниц характеризуется обычно следующими показателями: номерным фондом, коэффициентом загруженности, категоричностью, классом обслуживания, а также набором дополнительных услуг.

Номерной фонд представляет собой совокупность мест и номеров различных категорий. Коэффициент загруженности используется для характеристики эффективности работы гостиницы и других предприятий размещения туристов. Нормальной считается загруженность гостиниц 60— 70 %, недопустимой — 100 % и более, так как это свидетельствует об отсутствии возможности своевременной уборки, проветривания и ремонта номеров.

Выделим следующие общепринятые показатели:

1. Доход с доступного номера (ДДН)27.

2. Средняя цена за гостиничный номер (СЦГН).

3. Среднее число гостей на один проданный номер (СКГ).

4. Выручка номерного фонда на один номер за сутки (ВНФ).

5. Загрузка номерного фонда (ЗНФ).

6. Коэффициент двойной загрузки.

7. ЕВ ГОТА - доходы без вычета подоходного налога и амортизации;

8. вОРРАЯ - валовая операционная прибыль на один номер за сутки;

При этом загрузка номерного фонда считается в процентах:

ЗНФ - Число _ проданных _ номеров * 100%

Число _ номеров, _ предложенныхкпродаже

Среднее число гостей на один проданный номер считается, как:

27 Общепринятой обозначение геуРАЯ, но мы не будем отклоняться от русского алфавита.

Общее _ число _ гостей _ на _ 1 _ проданный _ номер

С Kl --

Число _ проданных _ номеров

Данные показатели обычно рассчитываются за определенный период времени: за день, за месяц (на определенное число), за год (на конец года).

Также приведем краткую расшифровку используемых показателей работы в главе 4.

Чистый оборотный капитал: текущие активы минус текущие пассивы (обязательства).

Коэффициент обновления основных средств: балансовая стоимость введенных за период основных средств, деленная балансовую стоимость основных фондов на конец периода.

Коэффициент выбытия основных средств: балансовая стоимость выбывших за период основных фондов, деленная на балансовую стоимость основных фондов на начало периода.

Коэффициент текущей ликвидности: текущие оборотные средства, деленные на текущие краткосрочные обязательства.

Коэффициент маневренности капитала: запасы плюс затраты, деленные на краткосрочные обзательства.

Коэффициент срочной ликвидности: денежные наличные средства плюс дебиторская задолженность плюс краткосрочные финансовые вложения, деленные текущие краткосрочные обязательства.

Коэффициент покрытия: текущие оборотные средства, деленные на текущие краткосрочные обязательства.

Коэффициент, отражающий долю оборотных средств в активах: текущие оборотные средства, деленные всего хозяйственных средств.

Коэффициент, отражающий соотношение заемных и собственных средств предприятия: все обязательства предприятия, деленные на собственный капитал.

Коэффициент финансовой зависимости: всего хозяйственных средств, деленное на собственный капитал.

Коэффициент структуры привлеченного капитала: долгосрочные обязательства, деленные на привлеченный капитал.

Коэффициент соотношения привлеченного и собственного капитала: привлеченный капитал, деленный на собственный капитал.

Приложение 3. Краткое руководство пользователя разработанной СППР

Программный продукт "1С:Предприятие 8. Отель" предназначен для автоматизации гостиниц, пансионатов, домов отдыха. В конфигурации реализованы рабочие места портье (администратора), менеджера отдела бронирования, супервайзера службы номерного фонда, менеджера службы бронирования конференц-залов, сотрудника планово-экономической службы.

Логическая модель

Г

Функции

Информационные потоки

Д

Профили

Физическая модель

шш

метаданных, алгоритмы

Ш

• ■■■ ■ ■ ■ ' .....

«&»'£ " <■„ >'■' ' .... у • . ,

Формы,

алгоритмы работы форм

—---—

Доступ

Требования

вин Г 1 .............................................- Изменения

(технические проекты) ............,..........................

ни

Рисунок П. 1. Основные процессы Схема работы основных процессов функционирующих в базе, их

взаимодействия и изменение в зависимости от требований предоставлены

на Рисунке П. 1.

ici - u Объекты метаданных-Система проектирования прикладных реш... (1С:Предприятие) да M M* M" * _ □ X

Обьешы метаданных

»-►Создать (j £ QНайти ER-яиаграмма Описание ф Справка Контроль» Все действия » !

В В

Имя

Объекты метаданных

Общие +■ Общие модули + t Роли + да Планы обмена ■ ií Критерии отбора

- ,1 Подписки на события + О Регламентные задани

* ÍE Функциональные опии

- ríí Хранилища настроек + - j Общие Формы

+ ) Общие команды

* Группы команд

- 3 ХОТО-пакеты

- Jt Web-сервисы Jt WS-ссылки

+ Э? Константы - Ш! Справочники

Щ] АвансовыйОтчетПрисс lili БлнкпппкиеГ.чртаКпнт

»

Метаданные разрабатываются в конфигураторе и загружаются в СППР, отображаются в привычном для разработчика виде

5 .Г w З31" (1С:Предприятие) ^ Л] R JÏI > -г - □ X

Загрузка метаданных

Загрузить метаданные Зарегистрировать comcntr.dll Щ X Закрыть (т) Проект

УТ 11

5.

Каталог программы C:\Progratm Ries Çt86)\1cv8\8 3 3.658"\bri\

Подключение к информационной базе ----

Каталог НЕ Е: \Trade Подключение к хранилищу S3 Обновлять конфигурацию из хранилища Каталог хранилища Е \3torageTrade

Рисунок П.2. Разработка СППР Интерфейс разработчика при изменении и дополнении конфигурации.

(Рисунок П.2)

График ошибок

ir* Сформировать Q Найти fj? -¿j} L4 j ш! Ы Отправить -

Рисунок П.З. График ошибок

Q СП СП Л СП СП СО СО СП СП СО СО СО СП СП СП (п СП СО СП со" сн^сн"сп

Wf yr*î3f"î'СЙшиЯанййзпокеттепе^равоты-КЬ'нФ^раиия (1С:Предл;

srca ы rw ^ш^т^н^ттгт-агаг

Общий ан.кип пикпл<11 елей рабслы

Вариант отчета: (Основной

► Сформироватьj | Щ Настройка...

Период

Чистая прибыль

! Заполняемое«. ; [Оборот (номерного |

Ресторан ¡Бассейн Доп услуги

110.07.2013 56 000.00: 76,50 " 248 000,00! 21 000,00! 12 000,00 9 000,00

Il 1.07.2013 53 000,00 . 76.50 ; 245 000,00; 18 000,00:" 11 000,00 10 000,00

¡12.07.2013 55 000,00 " 76,50 250 000,00! 17'000,00! " 11750,00 "'эбоо.оо'

; 13.07.2013 54 000,00 76,50 250 000,001 16 800,00' 12300,00" 9 300,00

• 14.07.2013 "52 000,00 " 75,00! "242 000,00! 14 800,00:" 12 000,00" """"8 500,00

И5.07.2013 57 000,00 77,00! 252 000,00; 14 800,00! 12000,00. 9 500,00

"16.07.2013 55 000,00: 76,50 ' 248 000.00! 14300,00! 11 ооо,оо' 9800,00

И 7.07.2013 55 000,00 76,50 245 000.00 : 13 900,00! 11 000,00! 9 300,00

18.07.2013 57 000,00 77,00," 250 000,ООГ 13 500,00" 14 000,00 10 800,00

И9.07.2013 56 000,00 77,00 : 248 000,00: 13 500.00; 12 500,00 11000,00

20.07.2013 56 500,00 77,00" 247 500.00 ' ' 13 000,00 12 700,00, ю'400,00

Внимание'? Наблюдается регулярное ладанке доходов в сервисе "Ресторан". Рекомендуется: Увеличить количество блюд. Улучшить качество питания.

Выбрать вариант... I Все действия » [

Рисунок П.4. Общий анализ Основные отчеты для анализа показателей и выдвижения предложений по

сложившейся ситуации.(Рисунок П.4. и Рисунок П.5.)

,4.1

Семйые гокЕзатели - Конфигурация {1С Предприятие)

■uj «iv-*» :.••!'M hîm-," n x

Сводные показатели

Вариант отчета: [Основной

i Сформировать J s Щ Настройка

Всего номеров

j L Выбрать вариант... J Все действи!

НА ТЕКУЩУЮ ДАТУ | ПОСЛ. 30 ДНЕЙ ПОСЛ. 90 ДНЕЙ

Ремонт

Номеров к продаже

Продано номеров

102

л!

99 74

3060

9180

3056

2296

% загрузки

74.74 %

75.13%

9173

7247

79.00 %

Средняя цена номера 1850 руб 1750 руб 1700 руб

Внимание* За период "последние 90 дней* наблюдает снижение загрузки номерного фонда на 4 26% Рекомендуется: Увеличить расходы на рекламу на 10-12 %(лрогно:ируемое увеличение ЗНО 3,75-1,12%)_____________________

Рисунок П.5. Сводные показатели

500CIÛ

00000

50000

00000

50000

232 389 00

1Э0 650,00

103085.00

57 300 00

21 400 00

f 400 00

3 970.00

р- Î120.00

„

■ • -,..

■ Г".

V: ^¿т

' ■

в ■■

-

Шт 1

200.00

148.00

/

•

| Продажи

600 00 №

01 03 1303 1403. 1803 1903 20.01... 21 03 22 03 23 03 24 03,. 2503 2603 2703 28.03 29 03 30 03

Рисунок П.6. Доходность и загрузка Данные для дальнейшего анализа показателей работы и их

планирование.(Рисунок П.6.)