Практическое пособие разработчика (стр. 21 )

450

451

Использование основных объектов конфигурации

Анализ и прогнозирование данных

•  среднее значение - среднее арифметическое значений
выборки,

•  размах - разность между максимальным и минимальным
значением выборки,

•  стандартное отклонение - среднее квадратичное отклонение
равное корню квадратному из дисперсии выборки,

•  медиана - значение, лежащее в середине выборки
упорядоченной по возрастанию или убыванию. Другими
словами медиана делит выборку пополам; одна половина
выборки имеет значения меньше медианы, другая - больше. В
случае четного числа значений выборки, медиана
рассчитывается как среднее арифметическое двух значений
ближайших к центру выборки.

Для дискретных данных рассчитывается:

•  количество значений - общее количество значений,
присутствующих в исходной выборке,

•  количество уникальных значений - количество уникальных
значений, присутствующих в исходной выборке,

•  мода - значение, наиболее часто встречающееся в исходной
выборке. В выборке могут быть два или более значения, с
максимальной частотой (би - или мультимодальная выборка).
В этом случае в качестве моды будет взято первое найденное
значение с максимальной частотой.

Кроме того, для дискретных значений рассчитывается таблица частот, содержащая следующие показатели:

•  частота - количество вхождений уникального значения в
выборку,

•  относительная частота - частота, выраженная в процентах
от общего количества значений выборки,

•  накопленная частота - сумма частоты значения и частот всех
предыдущих значений выборки,

•  накопленная относительная частота - сумма относительной
частоты и относительных частот всех предыдущих значении
выборки.

При выводе отчета при помощи построителя отчета анализа данных, будет создана круговая диаграмма по относительной частоте значений в выборке.

Типы колонок источника данных:

•  Не используется - колонка не участвует в анализе,

•  Входная - содержит исходные данные для анализа.

Параметры анализа данных при общестатистическом анализе не задаются.

Пример

В

качестве примера общестатистического анализа рассмотрим анализ данных, содержащихся в регистре накопления «Продажи». Для анализа выберем все записи регистра, в которых нас будут интересовать значение ресурсов «Сумма», «Количество» и значение измерения «Контрагент».

Допустим, мы будем иметь следующие исходные данные для

анализа:

452

453

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

Результат анализа будет выглядеть следующим образом:

Общая статистика

Информация о данных

Количествообьектов: 20

Непрерывные поля

Дискретные поля Контрагент

Количество значений: 20

Количествоуникальных значений; 6

Мода:

Диаграмма частот

Таблица частот

Поиск ассоциаций

Т

ип анализа АнализДанныхПоискАссоциаций предназначен для поиска часто встречаемых вместе групп объектов или значений характеристик, а также выполняет поиск правил ассоциаций. Этот тип анализа может использоваться для определения часто приобретаемых вместе товаров или услуг.

Типы колонок источника данных:

•  Не используется - колонка не используется в анализе.

•  Объект - колонка содержит объект, например документ
«Оказание услуги».

•  Элемент - колонка содержит элемент, например
номенклатуру из документа «Оказание услуги».

Параметры:

•  МинимальныйПроцентСлучаев - (Число) - минимальный
процент случаев, в которых наблюдается группа элементов.
Найденные группы, у которых процент случаев меньше, в
отчет включены не будут.

•  МинимальнаяДостоверностъ - (Число) - минимальная
достоверность правила. Найденные правила, у которых
достоверность меньше, в отчет включены не будут.

•  МинималънаяЗначимостъ - (Число) - минимальная
значимость правила. Найденные правила, значимость которых
меньше, в отчет включены не будут. Значимость правила -
величина, характеризующая насколько правило важно. Чем
выше значимость, тем интересней правило.

•  ПоискПоИерархии - (Булево) - необходимость поиска по
иерархии. При помощи этого параметра можно указать
анализу, что необходимо искать ассоциации не только среди
элементов, но и среди групп.

•  ТипОтсеченияПравил - (избыточные, покрытые) - тип
отсечения найденных правил. Избыточные - отсекать
избыточные правила, покрытые - отсекать правила, покрытые
другими правилами.

•  ТипИсточникаДанных - (объектный, событийный) - тип
источника данных. Анализ работает с двумя типами
источника. Объектный - каждая строка источника содержит

454

455

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

В

объект с его характеристиками. Событийный - источник данных содержит список событий. Например, состав документа «Оказание услуги».

ИспользованиеЧисловыхЗначений ~ (как булево, как число) как интерпретировать числовые значения. Можно интерпретировать числовые значения как числа или как логические значения, т. е. рассматривать ноль как Ложь, а все остальные ненулевые значения как Истина. ИгнорироватьНезаполненныеЗначения ~ (Булево) - Как использовать незаполненные значения. Т. е. игнорировать их

или нет.

Порядок - (по достоверности, по значимости, по количеству случаев) - определяет порядок отображения данных в результате анализа.

Пример

качестве примера возьмем данные регистра «Продажи»: поле «Регистратор» и измерение «Номенклатура»:

456

457

Использование основных объектов конфигурации

Анализ и прогнозирование

данных

 

Результат анализа будет выглядеть следующим образом:

Поиск ассоциативных правил

Параметры анализа

Минимальный процент случаев:

Минимальнаядостоверность: 60

Минимальная значимость: 0

Отсечениеправил: Избыточные

Колонки источника данных Входные колонки

Информация о данньк

Количество элементов: 12

Количество обьектов: 11

Средиее количество элементов в объекте: 1,82

Результат анализа

Найдено часто встречаемых групп: 4

Найдено ассоциативных правил: 5

Часто встречаемые группы

Поиск последовательностей

Т

ип анализа АнализДанныхПоискПоследовательностей предназначен для выявления в источнике данных последовательных цепочек событий. Например, это может быть цепочка услуг, которые часто последовательно заказывают клиенты.

Поддерживается поиск по иерархии, что позволяет отслеживать не только последовательности конкретных событий, но и последовательности родительских групп.

Набор параметров анализа позволяет ограничивать временные расстояния между элементами искомых последовательностей, а также регулировать точность получаемых результатов.

Типы колонок источника данных:

•  Не используется - колонка не используется в анализе.

•  Элемент - колонка содержит исследуемый элемент.
Например, в случае исследования продаж, это может быть
колонка, содержащая товар.

•  Последовательность - колонка содержащая
последовательности. Например, это может быть контрагент.

•  Время - время события.

Параметры:

•  МинимальныйПроцентСлучаев - (Число) - минимальное
число последовательностей, в которых должен наблюдаться
шаблон последовательности.

•  ПоискПоИерархии - (Булево) - необходимо ли осуществлять
поиск по иерархии.

•  МинимальныйИнтервал - (Булево) - признак того, что
установлен минимальный интервал между наблюдаемыми
событиями. Установка минимального интервала означает, что
для того, чтобы элементы попали в искомую
последовательность необходимо, чтобы временной интервал
между элементами был не менее установленного.

•  ЕдиницаМинимальногоИнтервала - единица минимального
интервала

458

459

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

В

КратностъМинималъногоИнтервала - (Число) - кратность минимального интервала

МаксималъныйИнтервал - (Булево) - признак того, что установлен максимальный интервал между наблюдаемыми событиями. Установка максимального интервала означает, что для того, чтобы элементы попали в искомую последовательность необходимо, чтобы временной интервал между элементами был не более установленного. ЕдиницаМаксималъногоИнтервала - единица максимального интервала

КратностъМаксималъногоИнтервала - (Число) - кратность максимального интервала

ИнтервапЭквивалентностиВремени - (Булево) - признак того, что установлен интервал эквивалентности времени между наблюдаемыми событиями. Если установлен интервал эквивалентности времени, то события, временной интервал

между которыми меньше интервала эквивалентности времени

считаются произошедшими в одно время.

ЕдиницаИнтервалаЭквталентностиВремени — единица

интервала эквивалентности времени

КратностьИнтервалаЭквталентностиВремени - (Число) -

кратность интервала эквивалентности времени

Минимальная длина - (Число) - минимальная длина

последовательности.

Порядок - (по длине, по количеству случаев) - определяет

порядок отображения данных в результате анализа.

Пример

качестве примера снова возьмем данные регистра «Продажи»: измерения «Номенклатура», «Контрагент» и поле «Период»:

460

461

Использование основных объектов конфигурации

Анализ и прогнозирование данных

Результат анализа будет выглядеть следующим образом:

Поиск последовательностей

Параметры анализа

Минимальный процент случаев: 10

Минимальный интервал:

Максимальный интервал:

Интервал эквивалентности времени:

Минимальная длина последовательности: 2

Информация о данных

Количество элементов: 12

Количество последовательностей: 6

Результат анализа

Найдено последовательностей: 2

Последовательности

Дерево решений

Т

ип анализа АнализДанныхДеревоРешении дерево решений позволяет построить иерархическую структуру классифицирующих правил, представленную в виде дерева.

Для построения дерева решений необходимо выбрать целевой атрибут, по которому будет строиться классификатор и ряд входных атрибутов, которые будут использоваться для создания правил. Целевой атрибут может содержать, например информацию о том, перешел ли клиент к другому поставщику услуг, удачна ли была сделка, качественно ли была выполнена работа и т. д. Входными атрибутами, для примера, могут выступать возраст сотрудника, стаж его работы, материальное состояние клиента, количество сотрудников в компании и т. п.

Результат работы анализа представляется в виде дерева, каждый узел которого содержит некоторое условие. Для принятия решения к

какому классу следует отнести некий новый объект, необходимо отвечая на вопросы в узлах пройти цепочку от корня до листа дерева, переходя к дочерним узлам в случае утвердительного ответа и к соседнему узлу в случае отрицательного.

Набор параметров анализа позволяет регулировать точность полученного дерева.

Типы колонок источника данных:

•  Неиспользуемая - колонка не используется в анализе,

•  Входная - колонка будет использоваться как атрибут для
создания узлов дерева, содержит характеристику
исследуемого объекта.

•  Прогнозируемая - колонка, содержащая классификацию.
Например - признак того, что контрагент перешел к другому
поставщику.

Параметры:

•  МинимальноеКоличествоСлучаев - (Число) - минимальное
количество случаев в узле.

•  МаксимальнаяГлубина - (Число) - максимальная глубина
дерева.

•  ТипУпрощения - (не упрощать, упрощать) - тип упрощения
дерева решений. Упрощать или не упрощать построенное
дерево решений.

462

463

Использование основных объектов конфигурации

Анализ и прогнозирование данных

Пример

Н

а этот раз мы проанализируем данные справочника
«Контрагенты». В качестве входных колонок мы используем
поля реквизитов справочника

«КоличествоРозничныхТочек», «КоличествоАвтомобилей»

«ВремяРаботыОрганизации» и «ВремяЗаключенияДоговора»' Прогнозируемой колонкой будет поле реквизита справочника «Контрагенты» - «ПрекращениеОтношений».

Результат анализа будет иметь следующий вид:

Дерево решений

Параметры анализа

Минимальноеколичествоэлементов вузле: 0

Максимальная глубина дерева: 1 000

Тип упрощения дерева решений: Упрошать

Колонки источника данных Входные колонки

Имя колонки	Тип данных
Количест в оРозничныхТочек	Непреры в ный
Количест во А в томобилей	Непрерывный
ВремяРаботыОрганизации	Дискретный
ВремяЗаключенияДоговора	Дискретный

Прогнозируемые колонки

Имя колонки	Тип данных
ПрекрашениеОтношений	Дискретный

Информация о данных

Количество объектов Количество классов:

Результат анализа

Глубина дерева решений: Количество внутренних узлов: Количество листьев' Ошибка, %:

ч 3

3 2

3

11,11

Дерево решений

464

465

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

Ошибки кпассиФикзции

Кластерный анализ

Т

ип анализа АнализДанныхКластеризация позволяет разделить исходный набор исследуемых объектов на группы объектов, таким образом, чтобы каждый объект был более схож с объектами из своей группы, чем с объектами других групп. Анализируя в дальнейшем полученные группы, называемые кластерами, можно определить, чем характеризуется та или иная группа, принять решение о методах работы с объектами различных групп.

Например, при помощи кластерного анализа можно разделить клиентов, с которыми работает компания на группы, для того, чтобы применять различные стратегии при работе с ними.

При помощи параметров кластерного анализа аналитик может настроить алгоритм, по которому будет производиться разбиение, а также может динамически изменять состав характеристик, учитываемых при анализе, настраивать для них весовые коэффициенты.

Результат кластеризации может быть выведен в дендрограмму специальный объект, предназначенный для отображения последовательных связей между объектами.

Типы колонок источника данных:

•  Не используется - колонка не используется при анализе.

•  Входная - колонка используется для группирования объектов.

•  Прогнозируемая - будет создан прогноз для значения колонки
для каждого кластера.

•  ВходнаяИПрогнозируемая - колонка используется как
входная и как прогнозируемая.

•  Ключ - ключевая колонка, предназначенная для
идентификации объекта.

Параметры:

•  КоличествоКластеров - (Число) - количество искомых
кластеров.

•  ТипЗаполненияТаблицы - (все поля, используемые поля,
ключевые поля, не заполнять) - какие поля выводить в таблицу
кластеризации.

•  Стандартизация - (не стандартизировать, стандартизировать) -
необходимость стандартизации данных. Если необходимо
стандартизировать данные, то анализатор предварительно
приведет все характеристики объектов к одной весовой
категории.

•  МераРасстояния - (ЕвклидоваМетрика,
ЕвклидоваМетрикаВКвадрате, МетрикаГорода,
МетрикаДоминирования) - каким образом вычислять
расстояние между объектами.

•  МетодКластеризации - (БлижняяСвязь, ДальняяСвязь,
КСредних, ЦентрТяжести) - каким методом выполнять
кластеризацию.

Пример

д

ля анализа мы возьмем те же поля справочника «Контрагенты», что и в предыдущем примере: «КоличествоРозничныхТочек», «КоличествоАвтомобилей»,

466

467

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

«ВремяРаботыОрганизации» «ПрекращениеОтношений». значение поля «Ссылка»:

«ВремяЗаключенияДоговора» и В качестве ключа мы используем

Центры кластеров

Результат анализа будет выглядеть следующим образом:

Расстояния между кластерами

Кластерный анализ

Денрограмма связей

Параметры анализа

Количество искомых кластеров: 3

Стандартизация: Стандартизировать

Мера расстояния: Евклидова метрика в квадрате

Метод кластеризации: Метод центра тяжести

Колонки источника данных Входные колонки

Информация о данных

Количествообъектов: 9

Результат анализа

Найденокластеров: 3

 

468

469

Использование основных объектов конфигурации

Анализ и прогнозирование данных

Модель прогноза

О

бъект модель прогноза представляет собой специальный объект, который создается из результата анализа данных, и позволяет в дальнейшем строить прогнозы для новых данных.

Например, модель прогноза поиска ассоциаций, созданная при анализе покупок клиентов, может быть использована при работе с осуществляющим покупку клиентом, для того, чтобы предложить ему товары, которые он с определенной степенью вероятности приобретет вместе с теми товарами, которые он уже выбрал.

Объект Модель прогноза можно получить из соответствующих объектов результат анализа путем выполнения метода СоздатьМодельПрогноза().

В дальнейшем для модели прогноза можно задать некоторый набор исходных данных и получить результат прогноза в виде таблицы значений.

Источник данных для модели прогноза задается при помощи свойства ИсходныеДанные, а для получения результата прогноза необходимо выполнить метод Выполнить().

Используя соответствующие свойства модели прогноза можно настраивать для нее входные колонки, колонки самой модели и колонки результата.

Кроме этого каждая из моделей прогноза содержит дополнительные свойства, определяемые типом анализа, к которому относится модель прогноза.

Пример

В

качестве примера мы рассмотрим использование модели прогноза данных при оформлении покупки, выполняемой контрагентом.

Предположим, что периодически проводится анализ данных базы типа поиск ассоциаций, и сохраняется актуальная модель прогноза.

Тогда, при формировании расходной накладной контрагента, мы можем использовать эту модель прогноза для того, чтобы исходя из состава расходной накладной, предложить контрагенту дополнительные товары, которые он, с большой долей вероятности, может приобрести.

Предположим, контрагент оформляет следующую покупку:

470

471

Использование основных объектов конфигурации

Анализ и прогнозирование данных

 

Тогда менеджер, нажав на кнопку «Предложение», может откры список товаров, которые, с большой долей вероятности, также имеет смысл предложить этому клиенту:

Построитель отчета анализа данных

О

бъект ПостроительОтчетаАнализаДанных позволяет представить данные анализа в виде табличного документа. Структура такого табличного документа определяется типом анализа, для каждого из типов анализа документ будет содержать определенный набор областей.

Объект ПостроительОтчетаАнализаДанных может