Курсовая работа на тему "МОИ (МТИ) | База данных для решения задач анализа и прогноза спроса на продукцию"

Курсовая работа МОИ (синергия) на тему: База данных для решения задач анализа и прогноза спроса на продукцию
Направление подготовки: 09.02.07 Информационные системы и программирование
Специальность профиль/ специализация: Специалист по информационным системам
Работа была сдана на 4-ку.
На момент публикации готовой работы- оригинальность составляет 50% по версии антиплагиат.ру. Так же прилагаю заявление на выбор темы.

Описание работы

Образовательная автономная некоммерческая организация высшего образования
«МОСКОВСКИЙ ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ»

Специальность 09.02.07 Информационные системы и программирование
Квалификация Специалист по информационным системам

КУРСОВАЯ РАБОТА
по дисциплине МДК.05.01 Управление и автоматизация баз данных
на тему База данных для решения задач анализа и прогноза спроса на продукцию

Обучающийся _____________

МОСКВА 2023 г.

Содержание
Введение 3
1Теоретическая глава 6
1.1 Основы анализа и прогноза спроса на продукцию 6
1.2 Инструменты для анализа и прогноза спроса на продукцию 12
2 Практическая глава 15
2.1 Метод линейной перспективы для прогнозирования спроса 15
2.2 Выбор средств разработки программного продукта 16
2.3 Разработка модели UML для решаемой задачи 17
2.4 Условия применимости программы и руководство пользователя 22
Заключение 27
Список использованных источников 28

Введение
В современной ситуации для любого предприятия одним из самых перспективных направлений повышения конкурентоспособности оказывается оптимизация планирования ее деятельности. Как свидетельствует мировой опыт, лидерство в конкурентной борьбе приобретает тот, кто компетентен в области логистики, владеет ее методами. Прогнозирование спроса — это неотъемлемая часть любой логистической системы.
Для эффективного планирования и координации производственных процессов нужны точные прогнозы, которые дают менеджерам возможность заранее распределять ресурсы, позволяют заранее предотвращать возникновения "узких мест" и напряженность спроса на мощности и запасы. Прогнозирование повышает эффективность логистики, поскольку создает возможности для обмена информацией, а не запасами.
Информационное обеспечение при прогнозировании спроса и продаж, как и других элементов логистической системы, имеет большое значение.
Система информационного обеспечения прогнозирования представляет собой механизм сбора и анализа данных, составления прогноза и передачи пользователям результатов прогнозирования. Внутреннее устройство системы информационного обеспечения должно позволять не только выявлять изменения, но и реально использовать их. Однако если система не предусматривает простых способов корректировки данных, на которых строится месячный прогноз, то никаких поправок в окончательном прогнозе может не оказаться. Поэтому очень важно, чтобы процесс прогнозирования спроса опирался на систему информационного обеспечения, облегчающую ведение, корректировку, обновление и преобразование базы статистических и прогнозных данных.
Основным носителем неопределенности при планировании закупок является прогноз будущих продаж. Поэтому основной компонентой разработанного программного продукта является модуль прогнозирования, который выполняет ежедневный расчет прогноза продаж по всему ассортименту товаров. Высокая точность прогноза обеспечивает эффективный выбор моментов и объемов закупок, а также размера страхового запаса. Точность прогноза продаж — фактор, определяющий прибыльность или убыточность системы планирования закупок. Чаще всего точность прогнозирования характеризуют величиной ошибки — отклонения прогноза от реальных данных. В то же время очевидно, что завышение и занижение прогноза не равноценны с точки зрения возможных потерь, поэтому стратегия минимизации возможных потерь предпочтительнее стандартной стратегии минимизации ошибок. Решение основано на специальных алгоритмах прогнозирования, минимизирующих не ошибку прогноза, а величину ожидаемых суммарных потерь прогноза.
В процессе эксплуатации на основе получаемых новых данных осуществляется контроль точности алгоритмов и при необходимости их перенастройка. Кроме того, система может проводить сравнение полученных прогнозов и прогнозов, вводимых пользователем, с фактическими данными о продажах.
Немаловажным фактором при ежедневном расчете прогноза является эффективность вычислений. Ассортимент современного магазина составляют десятки тысяч позиций. Часто торговая сеть состоит из нескольких десятков магазинов. В результате количество позиций, прогноз по которым должен быть рассчитан за время, не превышающее нескольких часов, может насчитывать миллионы. При этом предполагается, что для проведения расчетов может быть использован вычислительный сервер начального уровня или даже рабочая станция. Модуль прогнозирования платформы спроектирован и реализован таким образом, чтобы выполнять операции расчета прогноза и настройки прогнозирующих алгоритмов максимально эффективно.

Список использованных источников
1. Багриновский К.А., Матюшок В.М. Экономико-математические методы и модели (микроэкономика).
М., 1999.
2. Егорова Н.Е., Мудунов А.С. Применение методов и моделей прогнозирования спроса на продукцию сферы услуг. М., 2000.
3. Иванова Е.Б. Java 2 Enterprise Edition. Технологии проектирования и разработки. СПб., 2003.
4. Клейнер Г.Б., Тамбовцев В.Л., Качалов Р.М. Предприятие в нестабильной экономической среде: риски, стратегия, безопасность. М., 1997.
5. Чеканский А.Н., Фролова Н.Л. Теория спроса, предложения и рыночных структур. М., 1999.
6. Черкесов А.Г. // Проблемы прогнозирования. 2005. № 5 (11). С. 18–41.
7. Sales Forecasting for Fashion Retailing Service Industry: A Review [Electronic resource] / N. Liu [et al.] // Mathematical Problems in Engineering. — 2013, January.
8. Tsan-Ming, Choi. Intelligent Fashion Forecasting Systems: Models and Applications / Tsan-Ming Choi, Chi-Leung Hui, Young Yu. — Berlin : Springer, 2013. — P. 3—8.
9. Armstrong, J. Scott. Principles of forecasting — a handbook for researchers and practitioners / J. Scott Armstrong. — N. Y., Boston, Dordrecht, London, Moscow : Kluwer Academic Publishers, 2001. — P. 365.
10. Stefanescu, C. Multivariate Customer Demand: Modeling and Estimation from Censored Sales [Electronic resource] / C. Stefanescu // SSRN Electronic Journal. — 2009, January.trips: An analysis with the 2009 NHTS data [Electronic resource] / Y. Zhou, X. Wang // Transportation Research Part A: Policy and Practice. — 2014, June.
11. Del Mar Roldan Garcia, M. An ontology-based data integration approach for web analytics in e-commerce [Electronic resource] / M. del Mar Roldan Garcia, J. Garcia-Nieto, J. F. Aldana-Montes // Expert Systems with Applications. — 2016, Nowember.
12. Senecal, S. Consumers’ decision-making process and their online shopping behavior: a clickstream analysis [Electronic resource] / S. Senecal, P. J. Kalczynski, J. Nantel // Journal of Business Research. — 2005, Nowember.
13. Van den Poel, D. Predicting online-purchasing behavior [Electronic resource] / D. Van den Poel, W. Buckinx // European Journal of Operational Research. — 2005, October.
14. Sismeiro, C. Modeling purchase behavior at an e-commerce web site: A taskcompletion approach [Electronic resource] / C. Sismeiro, R. E. Bucklin // Journal of Marketing Research. — 2004, August.
15. . Tennent, J. Guide to Business Modelling / J. Tennent, G. Friend. — London : Economist Books, 2005. — P. 6.