Разработка программы повышения эффективности использования финансовых ресурсов фирмы

Интенсивное освоение российскими компаниями технологий database marketing (DВМ - маркетинг, основанный на базах данных) предполагает использование адекватного аналитического инструментария в виде автоматизированных средств обнаружения данных и их углубленного анализа database marketing. DATA MINING (DМ) - это процесс обнаружения в «сырых» данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия управленческих решений. DATA MINING является одним из шагов KNOWLEDGE DISCOVERY IN DATABASES (КDD-исследовательский анализ данных).

Основной процесс анализа данных и получения конкретных решений состоит из множества шагов, начиная с формулировки целей и заканчивая оценкой результатов. Он может включать петлю обратной связи, направленную на переформулирование целей на основе полученных результатов. Информация, найденная в процессе применения методов DМ, должна быть нетривиальной и ранее неизвестной. Знания должны описывать новые связи между свойствами, предсказывать значения одних признаков на основе других. С определенной степенью достоверности найденные знания должны быть применимы и на новых данных. Полезность заключается в том, чтобы эти знания могли принести определенную выгоду при их применении. При этом знания должны быть представлены в виде, понятном для пользователя, не имеющего математического образования.

В случае, когда извлеченные знания неочевидны для пользователя, должны существовать методы постобработки, позволяющие привести их к интерпретируемому  виду.

К основным задачам, решаемым методами DМ, относятся:

Классификации - отнесение объектов (наблюдений, событий) к одному из заранее известных классов.

Кластеризация - группировка объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность объектов. Объекты внутри кластера должны быть «похожими» друг на друга и отличаться от объектов, вошедших в другие кластеры. Чем больше сходство объектов внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация.

Регрессия, в том числе задачи прогнозирования, установление функциональной зависимости между зависимыми и независимыми переменными.

Ассоциация - выявление закономерностей между связанными событиями, ассоциативных правил, указывающих, что из события Х следует событие У. Примером является анализ рыночной корзины (MARKET BASKET ANALISYS).

Такой анализ позволяет обнаружить статистически устойчивые наборы продуктов и услуг, которые приобретаются клиентом на протяжении всей истории его взаимоотношений с компанией, а также найти ассоциативные правила типа: «если клиент имеет определенный профиль (демографический, психографический) и приобрел продукт Х, то с повышенной вероятностью он приобретет и продукт У».

Последовательны в шаблоны — установление закономерностей между связанными во времени событиями.

Анализ отклонений — выявление наиболее нехарактерным из шаблонов.

Для решения указанных задач используются различные методы и алгоритмы DМ. Вследствие того, что DМ возникла и развивается на стыке ряда дисциплин, таких, как статистика, теория информации, машинное обучение, теория баз данных, вполне закономерным является тот факт, что большинство алгоритмов и методов DМ были разработаны на основе различных методов из этих областей знаний. К ним относятся алгоритмы распознавания образов, многомерный статистический анализ, генетические алгоритмы, нейронные сети.

Нейронные сети представляют собой совокупность математических методов, которые могут быть использованы для обработки сигналов, прогнозирования и кластеризации. Их можно представить также как нелинейные, многослойные и параллельные методы регрессии. Нейросетевое моделирование подобно проведению линии, плоскости или гиперплоскости через определенный набор информационных точек. Линию, плоскость или гиперплоскость можно с наилучшим приближением провести через любой набор данных и по выбору пользователя определить взаимосвязи, которые могут существовать между входами и выходами сети.

Обычные нейронные сети выявляют закономерности между входными данными и прогнозируемой величиной. Если такие закономерности есть, то нейросеть их выделит, и прогноз будет успешным.

Моделирования проблемы. Построив карту на обучающей выборке, можно легко обнаружить аномалии, нехарактерные показатели, пересекающиеся кластеры. Это поможет уже на начальных стадиях найти проблемные объекты и минимизировать время, необходимое для качественного анализа.

Моделирование конкурентной среды позволяет качественно провести конкурентный анализ, входящий в состав стратегического анализа. Одним из наиболее интересных подходов к исследованию конкурентной среды является концепция стратегических групп М. Портера. Стратегическую группу можно определить как группу компаний, действующих в одной и той же отрасли и имеющих много сходных черт в отношении структуры затрат, степени диверсификации деятельности, организационной структуры и мотивации. Стратегическая группа представляет собой совокупность, большую, чем отдельная компания, но меньшую, чем сектор экономики. Каждый сектор может включать в себя различные стратегические группы, сформированные в зависимости от стратегии, которой придерживаются образующие ее компании.

Иметь представление о существующих в той или иной отрасли стратегических группах очень полезно для действующих в ней компаний. Если какая-либо компания желает изменить свое стратегическое положение, она должна предварительно ознакомиться с фундаментальными проблемами, с которыми ей придется столкнуться при разработке приемлемого плана действий. Это знание может оказаться полезным также для компаний, намеревающихся проникнуть в тот или иной сектор экономики, с точки зрения оценки его привлекательности, возможностей для извлечения прибыли, а также происходящих в нем структурных изменений, которыми они могли бы воспользоваться в своих интересах.

Концепция стратегических групп позволяет строить карты конкуренции по каждой паре стратегических переменных, что приводит к неоднозначности разбиения конкурентной среды на группы ближайших конкурентов (каждая пара дает свое разбиение).

Данная методика предполагает 3 подхода.

Первый подход нацелен на обнаружение изменений стратегических позиций каждой из рассматриваемых компаний и состоит из нескольких этапов. Базы данных компаний за начальный (базовый) и текущий периоды объединяются и строится карта кластеров, на которой одна и та же компания имеет различные позиции на базовый и текущий периоды. По величине смещения позиции компании по сравнению с базовым периодом и по смене принадлежности первоначальному кластеру делается вывод об улучшении или ухудшении ее текущего состояния.

Второй подход используется для анализа структурных изменений. Он проводится методом визуального сравнения двух карт, построенных для базового и текущего периодов. Обычно такое сравнение позволяет выделить изменения количества, состава и расположения на карте кластеров, что позволяет сделать качественные выводы об общих тенденциях на рынке продукции данной отрасли.

Третий подход позволяет определить основные тенденции в развитии отраслевого рынка. Для этого составляются базы по динамике компаний по ряду выбранных показателей, для которых важно проследить эволюцию компаний во времени и оценить их тенденции развития. Для каждого показателя строится карта самообследования, кластеры, центроиды которых задают тип динамической кривой поведения для данной группы компаний. Результатом такого рода анализа является временной график, на котором отражены всего несколько типов кривых развития с указанием их принадлежности к группе компаний, по которым можно сделать вывод о доминирующих тенденциях развития отрасли.

Этот инструментарий позволяет исследователю предметной области не только видеть для множества объектов «все и сразу», но и обнаруживать нечто принципиально новое, что практически недоступно или сильно затруднено при использовании других аналитических средств.

 

3.2. Экономико – математическая модель оптимальной финансовой стратегии по закупке сырья

 

Для оптимизации закупки сырья для посева необходимо определить оптимальную модель.

В настоящее время основными задачами ООО «ЮГонсК-Агро» являются:

- обеспечение стопроцентной загруженности производственных мощностей в частности комбайнов для посева, что позволит снизить долю постоянных и условно-постоянных издержек в себестоимости продукции;

- поддержание высокого по отношению к конкурентам уровня рентабельности продаж.

- достижение обозначенных выше задач возможно за счет реализации следующих мероприятий;

- увеличение длительности финансового цикла, что требует большего объема оборотных средств;

- снижение себестоимости сельскохозяйственной продукции продукции.

Основным направлением снижения себестоимости продукции является уменьшение стоимости закупаемого сырья. Характер цен на приобретаемое сырье носит сезонный характер. С момента сбора урожая текущего года до момента сбора урожая следующего года указанное сырье значительно дорожает. При условии постоянных закупок, т.е. равномерно в течение года, себестоимость готовой продукции существенно возрастает.

Для реализации предложенного мероприятия потребуется увеличить оборотные средства предприятия ООО «ЮГонсК-Агро» в период низких сезонных цен для закупки основных позиций сырья.

Принятие решения относительно закупки всего объема требуемого сырья в летний период связано с неравномерным распределением цен на зерно в течение года. Такая ситуация связана с высокой степенью неопределенности, так как цена на зерно зависит не только от времени года, но и от количества урожая, полученного в определенный период времени ООО «ЮГонсК-Агро».

Решения, принимаемые в условиях неопределенности порождают необходимость моделирования развития ситуации, что позволит учесть все возможные исходы и принять оптимальное решение для своевременной закупки сырья.

Таблица 3.1

Потребность в сырье, тыс. тн.

Вид сырья	01.07. 2010г.	01.08 2010г.	01.09 2010г.	01.10 2010г.	01.11 2010г.	01.12 2010г.	01.01 2011г.	01.02 2011г.	01.03 2011г.	01.04  2011г	01.05 2011г	01.06 2011г	Итого
1	2	3	4	5	6	7	8	9	10	11	12	13	14
Прод. Пше-ница 3 кл.	3,886	5,8	5,6	5,8	5,6	5,8	5,8	5,2	5,8	5,6	5,8	1,68	62,37
Прод. Пше-ница 4кл.	4,858	7,25	7	7,25	7	7,25	7,25	6,5	7,25	7	7,25	2,1	77,96
Усло-вно прод. Пше-ница 5 кл.	972	1,45	1,4	1,45	1,4	1,45	1,45	1,3	1,45	1,4	1,45	420	15,59
Рожь	870	870	840	870	840	870	870	780	870	840	870	840	10,23
Итого	10,585	15,37	14,84	15,37	14,84	15,37	15,37	13,78	15,4	15	15,3	5,04	166,1

 

Описанная выше ситуация может быть формализована с помощью модели в виде игры с природой. Отличительная особенность игры с природой состоит в том, что в ней сознательно действует только один из участников, в большинстве случаев называемый игроком 1. Игрок 2 (природа) сознательно против игрока 1 не действует, а выступает как не имеющий конкретной цели и случайным образом выбирающий очередные «ходы» партнер по игре. Поэтому термин природа характеризует некую объективную действительность, которую не следует понимать буквально.

В зависимости от погодных условий, а именно: засушливое лето, обычное лето или дождливое, урожай зерна может быть:

вариант 1 - лето будет засушливым, урожай невысокий, что приведет к росту цен в период урожая и незначительному их отличию по месяцам в течение года. Динамика цен для ООО «ЮГонсК-Агро» в этом случае представлена в таблице 3.2 (руб./тн).

 

Таблица 3.2

 Цены на сырье в условиях  засушливого лета, тыс. тн.

Вид сырья	01.07. 2010г.	01.08 2010г.	01.09 2010г.	01.10 2010г.	01.11 2010г.	01.12 2010г.	01.01 2011г.	01.02 2011г.	01.03 2011г.	01.04  2011г	01.05 2011г	01.06 2011г
1	2	3	4	5	6	7	8	9	10	11	12	13
Прод. Пше-ница 3 кл.	3,9	3,2	3,3	3,4	3,5	3,6	3,7	3,8	4	3,9	3,9	4
Прод. Пше-ница 4кл.	3,6	2,9	3,0	3,2	3,3	3,3	3	3,3	3,5	3,3	3,3 5	3,5
Усло-вно прод. Пше-ница 5 кл.	3	2,8	2,9	3,0	3,2	3,35	3,5	3,7	3	3,1	3,2	3,2
Рожь	3,1	3,0	2,9	2,8	2,9	3,1	3,2	3,4	3,4	3,3	3,5	3,6