Вариант контрольной работы соответствует порядковому номеру студента по журналу учебной группы.
Составными элементами структуры контрольной работы являются: титульный лист, введение, основная часть, заключение, список использованных источников.
Практическая часть контрольной работы состоит в решении ситуационной задачи по проведению ABC-анализа по базе данных таможенных деклараций для торгующих стран указанной (в индивидуальном варианте2) группы товаров по ТНВЭД ЕАЭС. В качестве параметра анализа выступает размер таможенных платежей и объем товара (вес нетто, кг). ABC-анализ выполняется с использованием аналитической Low-code платформы Loginom.
Порядок проведения АВС-анализа:
1. Определяем действия по итогам анализа (что будем делать с полученными результатами?).
2. Выбираем объект анализа (что будем анализировать?) и параметр анализа (по какому признаку будем анализировать?).
Обычно объектами АВС-анализа являются поставщики, товарные группы, товарные категории, товарные позиции. Каждый из этих объектов имеет разные параметры описания и измерения: объём продаж (в денежном или количественном измерении), доход (в денежном измерении), товарный запас, оборачиваемость и т.д.
3. Составляем рейтинговый список объектов по убыванию значения параметра.
4. Рассчитываем долю параметра от общей суммы параметров с накопительным итогом. Доля с накопительным итогом высчитывается путём прибавления параметра к сумме предыдущих параметров.
5. Выделяем группы А, В и С: присваиваем значения групп выбранным объектам.
Методов выделения групп существует порядка десяти, наиболее применимы из них:
- эмпирический метод – разделение происходит в классической пропорции 80/15/5;
- метод суммы – складывается доля объектов и их совокупная доля в результате, таким образом значение суммы находится в диапазоне от 0 до 200%. Группы выделяют так: группа А – 100%, В – 45%, С – остальное. Достоинства метода – большая гибкость;
- метод касательных – самый гибкий метод, в котором к кривой АВС проводится касательная, отделяя сначала группу А, а затем С.
Вероятности возникновения спроса на материальные ресурсы А, В и С подчинены различным законам. Установлено, что в большинстве промышленных и торговых фирм примерно 80% стоимости объёма продаж составляют всего около 10% наименований номенклатуры (группа А), 15% стоимости – 25% наименований (группа В), 5% стоимости – 65% наименований (группа С). Существует множество способов выделения групп в ABCанализе.
АВС-анализ широко используется при планировании и формировании ассортимента на различных уровнях гибких логистических систем, в производственных системах, системах снабжения и сбыта.
Порядок выполнения работы:
1. Выполнить подключение в Loginom к базе данных MS Access.
2. Выполнить расчет показателей для ABC анализа по таможенным платежам.
2.1. Расчет накопительной суммы4 по платежам осуществляется по выражению (рис. 1):
if(rownum()=0,Plategi,data("AccmSum",rownum()-1)+Plategi), где:
RowNum()– функция возвращает номер текущей строки источника данных. Нумерация строк начинается с 0;
Plategi – поле, содержащее значение платежа;
AccmSum – имя поля, содержащего накопительную сумму по платежам (текущее поле, для которого вводите указанное выражение);
Data("ИмяПоля", НомерСтроки) – функция возвращает значение поля
ИмяПоля взятое из строки НомерСтроки.
Рис. 1. Выражение для определения накопительной суммы
2.2. Расчет общей суммы платежа определяется с помощью функции: Stat("ИмяПоля", "Тип") – функция возвращает значение одного из статистических показателей. Тип может принимать одно из следующих значений:
- Min – минимальное значение;
- Max – максимальное значение;
- Avg – среднее значение;
- Sum – сумма значений.
2.3. Расчет накопительного процента:
<накопительная сумма>/<общая сумма платежа>.
2.4. Определение группы А, В и С в зависимости от значения накопительного процента (используем эмпирический метод с классической пропорцией):
if(AccPer<= A_per/100, "A", if(AccPer<=(A_per+B_per)/100,"B","C")), где:
AccPer – накопительный процент; A_per – параметр равный 80%; B_per – параметр равный 15%.
3. Постройте визуализатор Куб, отражающий полученное распределение стран по группам А, В и С.
4. Расчет показателей для ABC анализа по весу нетто проводится аналогичным образом.
5. Оформить отчет по контрольной работе, отражающий все этапы выполнения контрольной работы и ее результаты.
ПЕРЕЧЕНЬ ВАРИАНТОВ КОНТРОЛЬНЫХ РАБОТ
|
№
|
Задание 1 – теоретическая часть
|
Задание 2 – практическая часть (Группа по ТН ВЭД ЕАЭС)
|
|
1
|
1. Каково понятие и основные признаки больших данных?
2. Что такое хранилище данных?
3. Каково назначение консолидации данных?
|
07 – Овощи и некоторые съедобные корнеплоды и клубнеплоды
|
|
2
|
1. Какие схемы построения реляционного хранилища данных вы знаете и каковы их преимущества и недостатки?
2. Что понимают под неполной загрузкой данных в хранилище?
3. Каково визуализации?
|
08 – Съедобные фрукты и орехи; кожура цитрусовых плодов или корки дынь
|
|
3
|
1. Какова структура многомерного куба?
2. Как осуществляется многопоточная организация процесса загрузки данных в хранилище данных?
3. Каково назначение классификации?
|
10 – Злаки
|
|
4
|
1. Что понимают под работой с измерениями?
2. Что понимают под постзагрузочными операциями хранилищ данных?
3. Каково назначение регрессионного анализа?
|
12 – Масличные семена и плоды; прочие семена, плоды и зерно; лекарственные растения и растения для технических целей; солома и фураж
|
|
5
|
1. Многомерные хранилища данных (понятие), основы многомерного представления данных.
2. Что понимается под преобразованием данных в ETL?
3. Каково назначение анализа ассоциативных правил?
|
15 – Жиры и масла животного или растительного происхождения и продукты их расщепления; готовые пищевые жиры; воски животного или растительного происхождения
|
|
6
|
1. Базовые понятия многомерной модели данных – измерения и факты.
2. Что такое агрегирование данных в хранилищах данных?
3. Каково назначение нейронных сетей?
|
20 – Продукты переработки овощей, фруктов, орехов или прочих частей растений
|
|
7
|
1. Что понимают под архитектурой хранилищ данных (и каковы особенности)?
2. Что понимают под очисткой данных в хранилищах данных?
3. Каково назначение кластерного анализа?
|
27 – Топливо минеральное, нефть и продукты их перегонки; битуминозные вещества; воски минеральные
|
|
8
|
1. Что понимают под детализированными, агрегированными и метаданными?
2. Что понимают под очисткой данных в ETL и каковы их уровни?
3. Что понимают под кластером и каковы его параметры?
|
28 – Продукты неорганической химии; соединения неорганические или органические драгоценных металлов, редкоземельных металлов, радиоактивных элементов или изотопов
|
|
9
|
1. Какие основные требования, предъявляемыми к хранилищам данных вы знаете?
2. Каковы критерии оценки качества данных хранилища данных?
3. Что понимают под мерами близости?
|
38 – Прочие химические продукты
|
|
10
|
1. Концепция хранилищ данных.
2. В чем заключаются основные виды проблем в данных, из-за которых они нуждаются в очистке?
3. Что относится к метрикам кластерного анализа?
|
39 – Пластмассы и изделия из них
|
|
11
|
1. Что понимают под хранилищем данных? Каковы предпосылки его появления?
2. Что понимают под извлечением данных в ETL?
3. Каковы базовые алгоритмы кластеризации?
|
40 – Каучук, резина и изделия из них
|
|
12
|
1. Что понимают под хранилищем данных? Какие задачи решаются хранилищами данных?
2. Каковы основные способы реализации процедуры извлечения данных в ETL?
3. Что понимают под технологией MapRaduce? Каковы его компоненты и функции?
|
48 – Бумага и картон; изделия из бумажной массы, бумаги или картона
|
|
13
|
1. Что такое консолидация? Какие виды консолидации вы знаете и чем они отличаются?
2. Каковы особенности организации процесса извлечения данных в хранилищах данных?
3. Как осуществляется взаимодействие между компонентами в технологии MapRaduce?
|
68 – Изделия из камня, гипса, цемента, асбеста, слюды или аналогичных материалов
|
|
14
|
1. Понятие многомерного куба. Какова структура многомерного куба?
2. Каковы особенности извлечения данных из различных типов источников в хранилищах данных?
3. Каковы стадии входящие в реализацию технологии MapRaduce?
|
70 – Стекло и изделия из него
|
|
15
|
1. Для чего предназначена технология Hadoop и как она реализована в Российской Федерации?
2. Каковы основные цели и задачи процесса ETL?
3. Что понимают под обогащением данных и в чем заключается необходимость обогащения данных?
|
72 – Черные металлы
|
|
16
|
1. Какие ключевые признаки больших данных вы знаете?
2. Какова обобщенная структура процесса ETL?
3. Каковы методы обогащения данных и их особенности?
|
73 – Изделия из черных металлов
|
|
17
|
1. Когнитивный анализ данных и особенности его реализации.
2. Что понимают под виртуальными хранилищами данных и каковы их преимущества и недостатки?
3. Каковы преимущества и недостатки отказа от хранилищ данных?
|
76 – Алюминий и изделия из него
|
|
18
|
1. Какие методы обогащения данных вы знаете?
2. Что понимают под витринами данных?
3. Какие проблемы возникают при работе с локальными источниками данных?
|
84 – Реакторы ядерные, котлы, оборудование и механические устройства; их части
|
|
19
|
1. Какие техники больших данных вы знаете?
2. Что понимают под гибридными хранилищами данных и каковы преимущества и недостатки гибридной архитектуры хранилища данных?
3. Как осуществляется загрузка данных из локальных источников?
|
85 – Электрические машины и оборудование, их части; звукозаписывающая и звуковоспроизводящая аппаратура, аппаратура для записи и воспроизведения телевизионного изображения и звука, их части и принадлежности
|
|
20
|
1. Какие технологии больших данных вы знаете?
2. Что понимают под реляционными хранилищами данных и каковы преимущества и недостатки этой архитектуры?
3. Какова организация процесса загрузки данных в хранилище данных?
|
90 – Инструменты и аппараты оптические, фотографические, кинематографические, измерительные, контрольные, прецизионные, медицинские или хирургические; их части и принадлежности
|
| 