Система підтримки прийняття рішень керівництвом транспортної компанії у питаннях логістики

Abstract

У сучасних умовах цифрової логістики щодня накопичуються великі обсяги різноманітних даних: інформація про маршрути, погодні умови, швидкість руху транспорту, рейтинги агентів, клієнтські характеристики тощо. Їхній ручний аналіз є малоефективним, а класичні статистичні підходи не дозволяють виявляти складні взаємозв'язки між факторами доставки. Застосування методів інтелектуального аналізу даних (Data Mining) відкриває можливість автоматизовано виявляти закономірності, формувати прогнози та оцінювати ризики затримок. Однак використання окремих алгоритмів (наприклад, лише кластеризації чи класифікації) часто дає обмежене уявлення про логістичні процеси. Тому доцільним є комбінування методів Data Mining — кластеризації, класифікації та пошуку асоціативних правил — що забезпечує більш глибокий аналітичний підхід, дозволяє сегментувати маршрути, навчати моделі для окремих кластерів та формулювати зрозумілі правила для управлінських рішень. Крім того, використання OLAP-технологій дає змогу здійснювати описовий аналіз логістичних показників (час доставки, довжина маршруту, середня ефективність), що доповнює результати інтелектуального аналізу та сприяє комплексному розумінню процесів у транспортній лоістиці. 1.2 Об'єкт і предмет дослідження Об'єктом дослідження є процеси планування, організації та виконання доставок у транспортній логістиці. Предметом дослідження є методи та інформаційні технології інтелектуального аналізу даних спрямовані на підвищення ефективності прийняття рішень у транспортній компанії шляхом комбінування алгоритмів кластеризації, класифікації та пошуку асоціативних правил а також застосування OLAP для описового аналізу та звітування. 1.3 Мета-дослідження Метою роботи є дослідження та оцінка ефективності комбінованого підходу до інтелектуального аналізу логістичних даних, що поєднує методи кластеризації, класифікації та пошуку асоціативних правил із використанням OLAP-аналітики для виявлення взаємозв’язків між факторами, які впливають на строки доставки. 1.4 Завдання дослідження Для досягнення поставленої мети в роботі необхідно було вирішити такі науково-дослідницькі завдання: 1. Провести аналіз сучасних методів інтелектуального аналізу даних, що застосовуються в транспортній логістиці, та визначити їх придатність для дослідження ефективності перевезень. 2. Підготувати логістичні дані до подальшої обробки: виконати очищення, нормалізацію та структурування інформації з бази даних, що містять параметри маршрутів, транспортних засобів, категорій доставок, погодних умов, трафіку, рейтингу агентів та час доставки. 3. Виконати кластеризацію методом K-Means для виявлення групи маршрутів з подібними характеристиками та виділення сегментів, між якими буде проводитися подальший аналіз. 4. Провести класифікаційне дослідження методом Наївного Баєса (Naive Bayes) для оцінки точності прогнозування взяття доставки між кожним кластером та визначення впливу окремих факторів на результат. 5. Застосовувати алгоритм пошуку асоціативних правил (Apriori) для виявлення закономірностей між такими атрибутами, як регіон (Area), тип транспорту (Vehicle), категорія замовлення (Category), погодні умови (Weather), стан трафіку (Traffic), частина доби (DayPart), рейтинг агента (AgentRating) та час виконання доставки (Delivery_Time). 6. Побудувати OLAP-куб для описового аналізу ключових показників маршрут, середньої швидкості - і сформувати звіти, для прийняття управлінських рішень. 7. Виконати порівняльний аналіз результатів кластеризації, класифікації та пошук асоціативних правил, узагальнити виявлені закономірності та зробити висновки щодо доцільності використання комбінованого підходу в системах підтримки та прийняття рішень транспортних компаній. 1.5 Методи дослідження У роботі використано комплекс методів статистичного, аналітичного та інтелектуального аналізу даних, реалізованих у середовищах Microsoft SQL Server, Visual Studio та Python. Метод кластеризації K-Means застосовано для поділу логістичних даних на групи (кластери) за спільними характеристиками маршрутів, погодних умов, транспортних засобів, рейтингу агентів та часу доставки. Це дало змогу виділити сегменти перевезень із подібними властивостями. Метод класифікації Наївного Баєса (Naive Bayes) використовується для дослідження точності прогнозування затримок доставки в межах кожного кластера та оцінювання впливу ключових факторів на результати. Метод пошуку асоціативних правил (Apriori) застосовано для виявлення стійких взаємозв'язків між такими атрибутами, як регіон (Area), тип транспорту (Vehicle), категорія замовлення (Category), погодні умови (Weather), стан трафіку (Traffic), частина доби (DayPart), рейтинг агента (AgentRating) та час виконання доставки (Delivery_Time). OLAP-аналіз реалізовано в середовищі Microsoft Visual Studio з використанням SQL Server Analysis Services (SSAS). На основі підготовлених даних створено багатомірний OLAP-куб, у якому визначено виміри, ієрархію, ключові показники ефективності (КРІ) та агрегати для подальшого аналізу. У межах куба реалізовано обчислення основних показників: середнього часу доставки, середньої тривалості маршруту, співвідношення фактичного та запланованого часу, ефективності агентів. Для подальшої аналітики побудовано звіти у Microsoft SQL Server Reporting Services (SSRS) та візуалізації Visual Studio, які забезпечують динамічне представлення результатів дослідження. Програмні обчислення в частині Data Mining виконано в середовищі Python з використанням бібліотек pandas, scikit-learn та mlxtend. Обмін даними відбувався через підключення до Microsoft SQL Server (представлення vw_MiningInput). Результати зберігалися у форматі CSV. 1.6 Наукова новизна 1. Досліджено ефективність комбінованого підходу до інтелектуального аналізу логістичних даних, який поєднує методи кластеризації, класифікації та пошук асоціативних правил з методом виявлення закономірностей у показниках доставки. 2. Встановлено, що використання кластеризації K-середніх для подальшого аналізу результатів класифікації дозволяє оцінити стабільність роботи моделі Наївного Баєса в межах різних груп даних і визначити, в яких умовах вона демонструє вищу або нижчу точність прогнозування. 3. Показано, що застосування асоціативних правил дає змогу підвищити інтерпретацію результатів методів Data Mining, оскільки дозволяє простежити логічні залежності між атрибутами, які впливають на тривалість доставки. 4. Систематизовано аналітичний підхід до дослідження логістичних даних, у межах якого поєднано два незалежні модулі аналітики - OLAP (для описового аналізу показників доставки) та Data Mining (для дослідження прихованих закономірностей).