СТАТЬИ АРБИР
 

  2018

  Июль
  Август   
  Пн Вт Ср Чт Пт Сб Вс
30 31 1 2 3 4 5
6 7 8 9 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26
27 28 29 30 31 1 2
   

  
Логин:
Пароль:
Забыли свой пароль?


Повышения качества интеллекуального анализа бизнес-данных с помощью microsoft azure machine learning


ПОВЫШЕНИЯ КАЧЕСТВА ИНТЕЛЛЕКУАЛЬНОГО АНАЛИЗА БИЗНЕС-ДАННЫХ С ПОМОЩЬЮ MICROSOFT AZURE MACHINE LEARNING

Аннотация: В статье рассматриваются особенности применения системы машинного обучения Azure Machine Learning в области интеллектуального анализа данных. Аргументируется эффективность и общность методологических подходов, используемых в системе, а также характеризуются ключевые моменты использования.

Ключевые слова: интеллектуальный анализ данных, компьютерные технологии, машинное обучение, бизнес.

За последнее десятилетие сфера интеллектуального анализа данных претерпела сильные изменения. Разработка новых сильных индивидуальных методов и алгоритмов стала менее актуальной - на первое место в интересах специалистов по анализу данных вышло умение работать с большими наборами готовых шаблонов. Даже значение слово «интеллектуальный» в современных реалиях стоит воспринимать в контексте автоматического построения классифицирующих и прогнозирующих моделей [1].

Однако область применения интеллектуального анализа данных все также мало чем ограничена - практически, она там, где существую какие-либо данные. На текущий момент интеллектуальный анализ данных представляет большую ценность для руководителей и аналитиков в их ежедневной деятельности. Бизнес осознал, что с помощью методов интеллектуального анализа данных он может получить весомые преимущества в конкурентной борьбе. 167

В аналитических системах для решения бизнес задач применяются знания из множества дисциплин: статистика, машинное обучение, искусственный интеллект, теория информации, базы данных и пр. Конкретные бизнес задачи могут свестись к следующим методам интеллектуального анализа данных:

Регрессия - задача поиска и прогнозирования численного или непрерывного значения целевой переменной для набора данных с одной или несколькими зависимыми переменными. Регрессионный анализ используется для прогноза, анализа временных рядов и выявления скрытых взаимосвязей в данных. (Используется в задачах прогнозирования спроса, оценка вероятности повторных продаж, расчета загруженности объекта и пр.)

Классификация - нахождение функциональной зависимости между входными переменными и дискретными выходными. Классификация позволяет отнести объект к одному из заранее определённых классов (анализ рисков, оценка эффективности рекламной компании, анализа лояльности клиента и пр.).

Кластеризация - разбиение набора данных на кластеры по заранее неопределённому признаку (кластеризация товаров, разбиение клиентов на близкие по структуре и особенностям поведения группы, анализ спроса в зависимости от комбинации входных показателей, обнаружение аномальных отклонений) [2].

За этими методами, безусловно, кроется сложнейший математический аппарат и до последнего времени и для их успешного применения требовались специалисты обладающие качественной математический подготовкой, навыками программирования.

Тем не менее, сложный математический аппарат не всегда может дать необходимый результат. Очевидно, что сложность модели не говорит о ее качестве. Часть бизнес-задач могут решаться простыми и даже нематематическими методами. В реальной жизни у по-настоящему важных задач постановка вообще редко бывает строго математическая, а потому способы ее формализации могут увести исследователей от исходной цели. Поэтому от аналитиков в настоящее время требуется в первую очередь знание предметной области, а уже потом представление, какие алгоритмы и в каких задачах показывают хорошие результаты.

Задачу аналитика теперь можно свести к следующим этапам:

Разобраться, а стоит ли задачу решать математическими методами.

Посмотреть на данные, понять их смысл.

Найти тривиальное решение.

Понять и исследовать функционал качества решения.

Уделить внимание предобработке данных.

Уделить внимание постобработке данных.

Грамотно настраивать алгоритмы, учитывая их специфику [3].

Один из немногих сервисов, позволяющих следовать этим этапам и концентрироваться на предметной области - это Microsoft Azure Machine Learning.

Azure Machine Learning- облачный сервис служащий, в основном, для выполнения задач прогнозной аналитики, но не лишенный других возможностей.

Служба машинного обучения Azure предоставляет не только средства для создания моделей прогнозной аналитики, но и полностью управляемую службу, которую можно использовать для развертывания прогнозирующих моделей в качестве готовых к использованию веб-служб. Служба машинного обучения Azure ML дает разработчикам инструменты для создания полноценных аналитических решений в облаке.

Моделирование и запуск системы Microsoft Azure Machine Learning не требует от предприятий никаких начальных инвестиций. Визуализированные рабочие процессы, стартовые шаблоны, а также возможность публикации API и использования веб-сервисов существенно упростили аналитические задачи. Сервис позволяет в несколько кликов разворачивать протестированные модели в производстве.

Azure Machine Learning был спроектирован для прикладного машинного обучения. Сервис включает в себя лучшие алгоритмы, для применения которых существует интуитивно понятный drag-and-drop интерфейс.

Естественно, применение только готовых шаблонов в студии Azure ML вряд ли может дать отличное качество модели с технической токи зрения, но даже алгоритм, обеспечивающий 80-процентную точность, может сэкономить бизнесу немало денег.

Машинное обучение позволяет увеличить число обрабатываемых сценариев там, где алгоритмы достаточно точны, а дорогостоящий человек вызывается только в самых тяжелых и редких случаях. Подход Azure Machine Learning, позволяет сочетать лучшие черты человека и машинного интеллекта: скорость и надежность машины используются при принятии простых решений, а гибкость, знания и опыт человека - в сложных ситуациях.

Дополнительно стоит отметить, что если функциональности встроенных инструментов Azure ML по каким -то причинам не хватает, или же исследователи желают существенно повысить качество модели, то в среде разработки Azure доступна расширения функциональности с использованием скриптов на R, Python или C#.

Литература

Дюк В.А., Флегонтов А.В., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия Российского государственного педагогического университета имени А.И. Герцена [Текст]. - СПб., 2011. - № 138. - С. 77-84.

Sumit Mund Microsoft Azure Machine Learning - Birmingham, Packt Publishing, 2015. - Pages: 212.

Дьяконов А.Г. Чему не учат в анализе данных и машинном обучении [Электронный ресурс]: Учебное пособие. - Режим доступа: alexanderdyakonov.narod.ru/lpot4emu.pdf

Назарова В.Л., к.э.н., профессор, Кафедра «Учет и аудит», Алматинская академия экономики и статистики,

г. Алматы, Казахстан

МЕТОДЫ КАЛЬКУЛИРОВАНИЯ СЕБЕСТОИМОСТИ ПРОДУКЦИИ В СИСТЕМЕ СТРАТЕГИЧЕСКОГО УПРАВЛЕНЧЕСКОГО УЧЕТА

Аннотация: Основной задачей калькулирования является определение издержек, которые приходятся на единицу носителя затрат, т.е. на единицу продукции (работ, услуг), предназначенной для реализации, а также для внутреннего потребления и сравнение этих затрат с заранее определенными показателями установленными руководством. Все это связано с правильным выбором метода калькулирования себестоимости продукции (работ, услуг) из имеющегося различного их многообразия.

Ключевые слова: производство, себестоимость, затраты, калькулирование, издержки, попроцессный, попе- редельный, методы.

С развитием в экономике нашей страны конкуренции, демонополизации, свободной системы ценообразования возрастает роль себестоимости как важнейшего фактора, влияющего на рост массы прибыли, как одного из основных инструментов управленческого учета.

В настоящее время в отечественной и зарубежной научной литературе имеют место классификации методов учета затрат по различным признакам. В большинстве работ выделяется несколько основных методов учета затрат: позаказный, попередельный, нормативный. Кроме этого используются другие методы, такие как калькулирование по методу полной себестоимости, калькулирование неполной ограниченной себестоимости, метод "директ-костинг", ABC - метод, Метод,Target costing, система Jist-in-time, система "стандарт-кост.

Метод калькуляции - система приемов, используемых для исчисления себестоимости калькуляционной единицы. Выбор метода калькулирования себестоимости продукции зависит от типа производства, его сложности, наличия незавершенного производства, длительности производственного цикла, номенклатуры вырабатываемой продукции и т.д.

Методы учета затрат и калькулирования обычно принято группировать по следующим трем признакам:

по объектам учета затрат: попроцессный метод; попередельный метод; позаказный метод;

по полноте учета затрат: калькулирование полной себестоимости; калькулирование неполной себестоимости;

по оперативности учета и контроля затрат: учет фактической себестоимости.

В стратегическом управленческом учете ежемесячно калькулируются себестоимость общего выпуска продукции и более детализированные показатели себестоимости, например, себестоимость выпуска отдельных видов продукции, себестоимость единицы изделия.

При калькуляции себестоимости продукции (работ, услуг) организации руководствуются МСФО/IAS 2 «Запасы» [1]. Используемые при калькуляции себестоимости методы оценки производственных запасов, отпущенных в производство, способы распределения косвенных расходов и другие элементы учетной политики организации должны применяться без изменения в течение отчетного года.

Калькулирование себестоимости продукции это завершающий этап учетной работы, связанной со сбором и обобщением информации о затратах.

В то же время, калькуляция - важнейший элемент методологии учета затрат.

Если в России действуют Методические рекомендациях по планированию, учету и калькулированию себестоимости продукции (работ, услуг), в том числе и для основных отраслей экономики, то в Казахстане они отсутствуют, а предприятия используют номенклатуру, рекомендованную МСФО/ IAS2 «Запасы». Это не дает возможности с точность определить себестоимость продукции, т.к. в себестоимость включаются только прямые затраты, а остальные играют косвенную роль и попадают в себестоимость только через распределение пропорционально выбранной базе. Это первое распределение и второе включаем уже расходы периода (по реализации, административные и на финансирование). Все это затягивает процесс исчисления полной себестоимости и определения процента прибыли. Хотя по МСФО полная себестоимость рассчитывается только для определения процента добавленной стоимости и продажной цены.

В современной, обстановке руководству предприятия для принятия обоснованных управленческих решений необходимо постоянно проводить анализ деятельности предприятия, для чего нужна исходная информация, получаемая из ряда показателей, одним из которых является себестоимость.

Себестоимостью продукции принято считать выраженные в денежной форме затраты на ее производство и реализацию. Также она складывается из затрат, связанных с использованием в процессе производства продукции (работ, услуг) природных ресурсов, сырья, материалов, топлива, энергии, основных спедств, трудовых ресурсов, а также других затрат на ее производство и реализацию [2, 642]. В себестоимость продукции включаются:

затраты труда, средств и предметов труда на производство продукции на предприятии (затраты на подготовку и освоение производства; затраты, обусловленные технологией и организацией производства, изобретательством и рационализацией; расходы по обеспечению техники безопасности; расходы, связанные с набором, подготовкой и переподготовкой кадров; налоги; затраты на управление производством и др.);

расходы, связанные со сбытом продукции: упаковкой, хранением, погрузкой и транспортировкой; оплатой посреднических услуг, комиссионными сборами и вознаграждениями; расходами на рекламу;

расходы, непосредственно не связанные с производством и реализацией продукции на данном предприятии, но их возмещение путем включения в себестоимость продукции необходимо в интересах обеспечения простого воспроизводства (затраты на геолого-разведочные работы, рекультивацию земель; плата за древесину, отпускаемую на корню, за воду).

Кроме того, в себестоимость продукции (работ, услуг) входят потери от брака, от простоев по внутрипроизводственным причинам, недостачи материальных ценностей, выплата пособий в результате потери трудоспособности из-за производственных травм (на основании судебных решений) [3, 691].

В системе управленческого учета порядок формирования себестоимости не столь регламентирован. Эта себестоимость формируется не для целей налогообложения, а для того, чтобы управляющий имел полную картину об издержках. Поэтому в системе данного учета могут использоваться различные методы расчета себестоимости (в зависимости от того, какая управленческая задача решается).

Для предприятия важно иметь возможность управлять своими издержками, влиять на себестоимость, т.е. ему необходима достоверная информация о структуре себестоимости. Именно такая информация формируется в системе бухгалтерского управленческого учета.

В многоцелевой учетной системе выделяют две группы объектов учета: центры ответственности и единицы продукции. В этом случае номенклатура объектов учета затрат может включать: места возникновения затрат, центры ответственности, статьи издержек, факторы производственной деятельности, виды или группы однородной продукции.

Информация, сгруппированная по объектам учета затрат, должна отвечать требованиям управления и служить основанием для расчленения издержек между незавершенным производством и готовой продукцией и для калькулирования как всего выпуска, так и отдельных продуктов.

Объект калькулирования - это вид продукции, полуфабрикатов, частичных продуктов разной степени готовности, работ и услуг определенной потребительной стоимости.

Обоснованная номенклатура объектов калькулирования является непременным условием достоверности калькуляций, обеспечивает необходимую информацию о себестоимости продуктов, определяет структуру калькуляционного учета.

Номенклатуру объектов калькулирования разрабатывают на каждом предприятии с учетом типа производства, ассортимента продукции, ее сложности, уровня унификации деталей и узлов в изделиях и других признаков, характеризующих принадлежность затрат. Нередко объект калькулирования называют носителем затрат.

Это относится к изготовлению единичных экземпляров, небольших серий, отдельных видов изделий в массовых производствах, выполнению разовых заказов, опытно-экспериментальных и однородных работ.

В тех производствах, где технологический процесс делится на ряд стадий (переделов), такого соответствия не наблюдается. Например, в текстильной отрасли объектами учета затрат становятся отдельные переделы - прядение, ткачество, отделка, а объектом калькулирования - готовая продукция, т.е. ткань.

Общим для всех отраслей является выделение в качестве объектов учета затрат степени использования ресурсов прямых материальных и трудовых затрат в производстве; расходы на организацию и обслуживание производственных процессов, затраты на управление.

Другими словами, выбор объекта учета затрат зависит от особенностей технологии производства, типа организации производства, структуры управления предприятием, технических параметров вырабатываемой продукции, степени развития внутренних экономических отношений и др.

Литература

Международные стандарты бухгалтерского учета МСФО/IAS 2 «Запасы».

Шеремет А.Д. Управленческий учет: Учебное пособие / А.Д. Шеремет. - М.: ФКБ-Пресс, 2002. - 430 с.

Радостовец В.К., Радостовец В.В., Шмидт О.И. Бухгалтерский учет на предприятии: Изд. 3-е, доп. и пе- рераб. - Алматы: «Центраудит-Казахстан», 2002. - 728 с. 170

УДК 336.2.02-047.58


Муравьев Е.В., студент, Санкт-Петербургский государственный экономический университет





МОЙ АРБИТР. ПОДАЧА ДОКУМЕНТОВ В АРБИТРАЖНЫЕ СУДЫ
КАРТОТЕКА АРБИТРАЖНЫХ ДЕЛ
БАНК РЕШЕНИЙ АРБИТРАЖНЫХ СУДОВ
КАЛЕНДАРЬ СУДЕБНЫХ ЗАСЕДАНИЙ

ПОИСК ПО САЙТУ