Пути увеличения объемов реализации ООО «БАДЕН»

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

СОДЕРЖАНИЕ

 

ВВЕДЕНИЕ……………………………………………………………………….	3
1 Теоретические основы  статистической классификации данных…………… 1.1 Статистическая классификация:  понятие, методы, виды………………….	5 5
1.2 Группы классификации  статистической информации…………………….	8
1.3 Методы компьютерной  классификации: алгоритмы, программы,  базы данных…………………………………………………………………………….	11
Критерии отбора данных…………………………………………………….	15
2 Статистический анализ  реализации обуви в ООО «БАДЕН»……………… 2.1 Организационно-экономическая  характеристика ОАО «Баден»…………	18 18
2.2 Статистический анализ  реализации обуви ООО «Баден»…………………	21
3 Пути увеличения объемов  реализации  ООО «БАДЕН»…………………….	38
ЗАКЛЮЧЕНИЕ…………………………………………………………………..	46
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ…………………………….	49
ПРИЛОЖЕНИЯ…………………………………………………………………..	51

 

 

 

 

 

 

 

 

 

 

 

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.