Создание платформы для прогнозирования спроса на продукцию с использованием технологий больших данных (на примере конкретного действующего субъекта)

1.1. Технико-экономическая характеристика предметной области и предприятия

В данном разделе необходимо описать сферу торговли как отрасль, её цифровизацию, ключевые вызовы и тенденции. Затем — подробная характеристика ООО «Ритейл-Прогноз»: организационная структура, основные направления деятельности, используемые ИТ-решения, объёмы продаж и данные.

Пример: «ООО «Ритейл-Прогноз» управляет сетью из 45 розничных точек в Центральном федеральном округе. Компания сталкивается с сезонными колебаниями спроса и высоким уровнем списания скоропортящейся продукции из-за неточных прогнозов».

Сложности:

• Отсутствие открытых данных о деятельности конкретной компании — приходится обобщать или использовать гипотетические данные.
• Необходимость соответствия требованиям ГОСТ по описанию предприятия.

Время: 12–16 ч.

1.2. Характеристика комплекса задач и обоснование необходимости автоматизации

Здесь анализируется текущий процесс прогнозирования спроса в ООО «Ритейл-Прогноз»: кто отвечает, какие инструменты используются (например, Excel), какие ошибки возникают. Обосновывается, почему ручной подход неэффективен и как Big Data может решить эти проблемы.

Пример: «В настоящее время прогноз спроса формируется менеджерами на основе прошлых продаж и интуиции, без учёта внешних факторов (погода, акции конкурентов, праздники), что приводит к ошибкам до 30%».

Сложности:

• Требуется чёткая логическая связь между проблемой и предложением автоматизации.
• Необходимо продемонстрировать понимание бизнес-процессов в торговле.

Время: 10–14 ч.

1.3. Анализ существующих разработок и выбор стратегии автоматизации

Сравниваются аналогичные решения: SAP IBP, Oracle Demand Planning, open-source-платформы (например, Prophet от Meta). Оцениваются их возможности, стоимость, масштабируемость. Обосновывается выбор собственной платформы на базе Python, Apache Spark и ML-алгоритмов.

Пример: «Решения SAP и Oracle слишком дороги для среднего ритейлера. Поэтому в работе предлагается разработка собственной платформы с использованием библиотек scikit-learn и временных рядов ARIMA».

Сложности:

• Нужно не просто перечислить аналоги, а провести сравнительный анализ по критериям.
• Требуется знание современных технологий Big Data.

Время: 14–18 ч.

1.4. Обоснование проектных решений

Формулируется архитектура будущей платформы: источники данных (POS-системы, CRM, внешние API), методы сбора и обработки, выбор модели машинного обучения, критерии оценки точности (MAPE, RMSE).

Пример: «Платформа будет использовать данные за последние 3 года, включая информацию о промоакциях и праздниках. Модель будет обучаться еженедельно, а прогноз обновляться ежедневно».

Сложности:

• Необходимо продемонстрировать техническую грамотность без излишней детализации.
• Важно увязать решения с возможностями предприятия.

Время: 12–16 ч.

Выводы по главе 1

Подводятся итоги: выявлены проблемы в ООО «Ритейл-Прогноз», обоснована актуальность автоматизации прогнозирования спроса, выбрана стратегия и архитектура решения. Выводы должны логично вести к проектированию в главе 2.

Время: 4–6 ч.

2.1. Разработка проекта автоматизации

Описывается архитектура платформы: компоненты (ETL-модуль, ML-движок, веб-интерфейс), взаимодействие между ними, диаграммы (DFD, UML). Указываются технологии: Python, Flask, PostgreSQL, Apache Kafka.

Пример: «Система состоит из трёх модулей: сбора данных (Kafka), обработки и обучения модели (Spark), визуализации (Flask + Chart.js)».

Сложности:

• Требуется знание методологий проектирования ИС.
• Необходимо соблюдать баланс между технической глубиной и объёмом ВКР.

Время: 16–20 ч.

2.2. Информационное обеспечение задачи

Приводятся структуры баз данных, описания сущностей (товары, продажи, склады), ER-диаграмма. Указываются источники данных и форматы (CSV, JSON, API).

Пример: «Таблица sales содержит поля: product_id, date, quantity, store_id. Данные поступают ежедневно из POS-системы в формате CSV».

Сложности:

• Создание корректной и непротиворечивой модели данных.
• Согласование с реальными возможностями предприятия.

Время: 12–16 ч.

2.3. Программное обеспечение задачи

Описание кодовой базы: основные функции, алгоритмы прогнозирования (например, Prophet, XGBoost), обработка пропусков, валидация модели. Приводятся фрагменты кода с пояснениями.

Пример: «Функция forecast_demand() принимает временной ряд продаж и возвращает прогноз на 14 дней с доверительным интервалом».

Сложности:

• Нужно продемонстрировать работоспособность, но не перегружать текст кодом.
• Требуется понимание ML и обработки данных.

Время: 20–24 ч.

2.4. Контрольный пример реализации проекта и его описание

Приводится пример использования платформы: прогноз спроса на молочную продукцию в одном из магазинов ООО «Ритейл-Прогноз» за март 2025 года. Сравниваются реальные и прогнозные значения, рассчитывается точность.

Пример: «MAPE составил 8,2%, что на 22% лучше текущего метода. Это позволило сократить списания на 15%».

Сложности:

• Необходимо создать правдоподобные, но не вымышленные данные.
• Важно показать практическую пользу.

Время: 14–18 ч.

Выводы по главе 2

Подтверждается, что платформа разработана в соответствии с требованиями, протестирована и демонстрирует высокую точность прогнозирования. Готова к внедрению.

Время: 4–6 ч.

3.1. Выбор и обоснование методики расчёта экономической эффективности

Обосновывается выбор методики (например, по методическим указаниям Синергии). Указываются показатели: NPV, ROI, срок окупаемости. Описываются статьи затрат (разработка, внедрение, обучение) и выгод (снижение списаний, рост продаж).

Пример: «Расчёт выполнен по методике, рекомендованной кафедрой ИТ Синергии. Учёт ведётся в рублях, ставка дисконтирования — 12%».

Сложности:

• Необходимо точно следовать методике вуза.
• Требуется реалистичная оценка затрат и выгод.

Время: 8–12 ч.

3.2. Расчёт показателей экономической эффективности проекта

Приводятся таблицы с расчётами: затраты на разработку (1 200 000 руб.), годовая экономия (850 000 руб.), NPV = 1 050 000 руб., срок окупаемости — 1,4 года.

Пример: «Благодаря снижению излишков на складе и списаний, годовая экономия составляет 850 тыс. руб. при первоначальных затратах 1,2 млн руб.»

Сложности:

• Ошибки в формулах или логике расчётов.
• Необходимость согласования с финансовыми реалиями предприятия.

Время: 10–14 ч.

Выводы по главе 3

Проект признан экономически целесообразным: положительный NPV, срок окупаемости менее 2 лет. Подтверждается коммерческая ценность платформы.

Время: 4–6 ч.

Если после прочтения вы осознали, что самостоятельное написание отнимет слишком много сил, или вы просто хотите перестраховаться — обращение к нам является взвешенным и профессиональным решением. Мы возьмём на себя все технические сложности, а вы получите готовую, качественную работу и уверенность перед защитой.