Повышение экономической эффективности деятельности экспедиторской компании на основе совершенствования прогноза и алгоритма выбора автотранспортного средства
Анализ методов и подходов к оценке стоимости транспортных услуг. Прогнозирование цены на грузоперевозки автомобильным транспортом. Организационная характеристика компании Торговый дом "Сезар". Оценка возможностей конкурентов на рынке экспедиторских услуг.
| Рубрика | Транспорт |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 27.08.2018 |
| Размер файла | 5,0 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Методы обработки данных на основе анализа главных компонент (PCA) не смогли улучшить итоговый результат. Основной причиной для этого является сильная неоднородность реальных данных. В частности, метод главных компонент пытается найти такого рода закономерности между переменными, чтобы корреляция между выделенными компонентами была близка к нулю. Но если начинать разбирать, что сокрыто за цифрами в исходном наборе данных, то можно понять почему PCA не сработал. К примеру, в исходной выборке достаточно много перевозок чая и оборудования.
Рисунок 15 - Положение переменных в деревьях решений по методу «случайного леса»
Восемь кубических метров чая может весить около 800 килограммов. При этом такой же объем оборудования для морской техники может весить несколько тонн. Анализ главных компонент будет подбирать некий средний вектор, который мог бы обобщить зависимость между двумя переменными, в данном случае между объёмом и весом. Но при этом данный метод будет делать значительные допущения в расчетах, что и приводит к увеличению средней ошибки при его использовании.
Результаты предсказания всех описанных методов продемонстрированы в таблице 2:
Таблица 2 - Сравнение методов прогнозирования
|
Метод |
Средняя доля отклонения прогноза от реального значения |
|
|
К ближайших соседей |
70% |
|
|
Регрессии |
49-59% |
|
|
Метод опорных векторов |
26% |
|
|
Случайный лес |
18% |
|
|
Методы обучения без учителя + случайный лес |
15% |
Приложение разрабатывалось на языке программирования R с помощью пакета Shiny. Функционал данного пакета позволяют запускать приложения через интернет браузер любого компьютера, что сразу же гарантирует универсальность приложения, благодаря чему упрощается его последующее внедрение. Вместо повторения процесса обучения в приложении запускается непосредственно готовая модель. Таким образом, при каждом запуске не происходит повторного обучения, что значительно экономит время и серверные мощности.
Помимо этого, приложение подгружает все необходимые данные в формате csv, а связи между этими данными в виде гиперссылок формируются непосредственно самим приложением.
Через пользовательский интерфейс логист компании вводит все данные, об интересующей его перевозке, которыми он обладает в соответствии должностной инструкцией. При этом введенные города погрузки и разгрузки преобразуются в координаты, через обращение к соответствующему набору данных, содержащий привязку городов к их географическим координатам. Через разницу координат определяется направление перевозки.
Группа разгрузки определяется по городу загрузки в случае транспортировки в Москву или Санкт-Петербург и по городу выгрузки во всех остальных случаях. Используется именно описанный алгоритм определения группы, так как наилучшую цену, как правило, дают перевозчики, которые находятся в поиске обратного рейса в родной регион.
Отдельно выделена графа «дней в пути» в связи для того, чтобы определять, возможна ли разгрузка в выходные. К примеру, при перевозках между Москвой и Санкт-Петербургом владельцы транспорта могут попросить дополнительные деньги за простой в выходные дни, что и отображает данный параметр.
На данный момент приложение находится на стадии бета-тестирования. Оно находится в открытом доступе по адресу https://apgaev.shinyapps.io/sezarbeta. В ходе альфа и бета тестирования приложения уже были собраны некоторые данные по влиянию данной программы на экономические показатели компании.
3.5 Результаты внедрения предлагаемой модели и оценка экономического эффекта на деятельность компании
Главный показатель, который значительно улучшила программа - это скорость ответа на запрос клиента по цене на определенную грузоперевозку. Раньше компания могла предоставить клиенту цену только после переговоров с перевозчиками. Данный процесс мог занять от 10 минут до нескольких часов, но в среднем клиент ожидал объявления цены за транспортировку около часа. Теперь логист может сразу же объявлять примерную цену за перевозку с помощью разработанной программы. В связи с этим сократилось количество отказов от транспортировки по причине долгого объявления стоимости перевозки. В итоге уровень сервиса, который выражается в соотношении исполненных заказов к заявкам от клиентов, вырос на 6% до 83%.
Для проверки вопроса сокращения затрат был проведен следующий эксперимент: все традиционные направления работы компании, по которым перевозки уже перешли на вариант с одним звонком одному перевозчику, который и выполняет заказ, были перепроверены программой. В среднем программа показывала, что осуществлять перевозки можно по стоимости на 6% ниже, что оказалась эквивалентно увеличению прибыли на 1%. По направлениям, на которых была выявлена переплата за транспортировку, был проведен поиск новых вариантов транспортировки с новой ценой. В итоге были найдены новые перевозчики или снижена цена со старыми, но в целом компания добилась повышения прибыльности операций. Рост прибыли только на 1% объясняется тем, что компания в связи с сокращением расходов на перевозки смогла в том числе снизить цены для своих клиентов, чтобы увеличить общее количество заказов.
За два тестовых месяца наблюдалось увеличение прибыли и рентабельности в целом, в результате того, что количество заказов увеличилось, но данный факт нельзя связывать только с внедрением программы. Показатель рентабельности при учете всех расходов в среднем за 2 месяца равнялся 17%, а производительность труда логистов увеличилась до 64 000 руб./чел.
Внедренная программа достаточно быстро окупается, так как весь софт, который использовался при её создании, имеет открытый доступ и не требует лицензий, а серверы, на которых размещается программа, уже используются компанией для поддержания её текущей деятельности. Единственные расходы, которые понесла компания, это зарплата на создание данной программы. В итоге, при затратах менее 80 000 руб. уже за месяц тестирования она сэкономила больше половины этой суммы для компании. В результате, менее чем через 2 месяца работы после внедрения программа уже окупила своё создание и приносит чистую прибыль.
Теперь программа регулярно используется логистами компании. На данный момент она находится на стадии бета-тестирования, так как не все запланированные модули были интегрированы в систему и до сих пор происходит поиск потенциальных ошибок.
В частности, на данный момент есть отдельный модуль программы, который собирает данные по грузопотокам на сайте ati.su. В результате он выдает отклонения по количеству транспортных средств в конкретных регионах по разным направлениям. В настоящий момент предоставляемая данным модулем информация носит исключительно справочный характер и не влияет на итоговый прогноз по стоимости. Но модуль предоставляет логисту дополнительные данные, которые он может использовать при переговорах с перевозчиками с целью снижения цены за перевозку. В частности, если в городе на текущий момент времени сложно найти загрузку, то логист может предлагать меньшую стоимость за перевозку, так как владельцы транспортных средств потенциально более готовы ехать за меньшую сумму.
ЗАКЛЮЧЕНИЕ
В ходе выполнения данной работы изучены особенности работы экспедиторских компаний и предложены методы их улучшения в виде создания нового программного обеспечения по прогнозу стоимости на транспортные услуги по перевозке конкретного груза исходя из текущей ситуации на рынке грузоперевозок. Новая программа сокращает расходы компании на выполнение основной деятельности, то есть расходы, связанные с непосредственным экспедированием грузоперевозок.
Помимо того, что предложенные изменения уже сокращают затраты компании, они также позволили снизить цену для клиентов экспедитора, что повышает конкурентоспособность фирмы и является важным преимуществом в борьбе за клиентов. Еще одним положительным эффектом от внедрения программы является увеличение уровня сервиса за счет ускорения поиска транспорта для перевозки и сокращения времени ответа за запрос клиента.
Проведенный эксперимент по организации одинаковых перевозок с использованием программы и без продемонстрировал сокращение расходов на 6% при использовании нововведений. В зависимости от конкретной перевозки в абсолютных величинах это означает экономию от нескольких сотен рублей до нескольких тысяч, в том числе по некоторым направлениям экономия достигала 30 000 рублей с одной перевозки. Тем не менее, работа программы не идеальна, и она лишь помогает логисту в принятии решений. Иногда у логистов компании получается организовать перевозку дешевле, чем предсказывала программа, но свою функцию она успешно выполняет в рамках информационной поддержки для более точных прогнозов с учетом текущей ситуации на рынке грузоперевозок.
В качестве дальнейших перспектив необходимо продолжить работу над проектом по развитию внедренной системы прогнозирования стоимости грузоперевозок. В частности, дальнейшим шагом будет создание абсолютно автономной системы, которая будет сама скачивать все необходимые для расчета новых данных, которые каждый день формируются в компании.
Необходима интеграция между различными модулями, которые на данный момент функционируют независимо друг от друга, а также формировать улучшенный прогноз на основе всех доступных данных. Так как часть исходной информации не была использована при разработке итоговой модели, её необходимо восстановить и добавить к существующей программе для увеличения точности прогноза. Кроме того, руководством рассматривается возможность публичного доступа к данной программе, что будет являться дополнительным пунктом в маркетинговой стратегии компании. транспортный грузоперевозка автомобильный экспедиторский
В целом, данная работа является первым примером использования методов машинного обучения для прогноза стоимости грузоперевозки, а также первой работой, посвященной улучшению основных бизнес-процессов экспедиторских компаний. Анализ больших данных и машинное обучение проникают во все сферы экономики и применяются в большом количестве новых проектов. Описанное решение по увеличению эффективности экспедиторских компаний является одним из таких проектов, который направлен на дальнейшее приближение статистических моделей к реальным ситуациям на рынке с помощью внедрения расчетов на основе нейронных сетей.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Гасанов А. С. Анализ и совершенствование политики ценообразования организации на примере ООО" Сибирь Автотранс": дис. - Сибирский федеральный университет, 2017
2. Туренко Г. С. Разработка тарифа на услуги автотранспортного цеха при перевозке грузов (на примере ЗАО" Стальмонтаж"): дис. - Сибирский федеральный университет, 2016.
3. Негреева В. В., Кузнецова Е. Д. Оптимизация логистической деятельности транспортно-экспедиторской фирмы //Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». - 2016. - №. 2.
4. Yu Y. et al. Organizational Mode Innovation and Credit Supervision in Road Freight Transportation under Smart Mobile Devices Applications Services //Transportation research procedia. - 2017. - Т. 25. - С. 762-771.
5. Wang X., Kopfer H., Gendreau M. Operational transportation planning of freight forwarding companies in horizontal coalitions //European Journal of Operational Research. - 2014. - Т. 237. - №. 3. - С. 1133-1141.
6. Krajewska M. A., Kopfer H. Transportation planning in freight forwarding companies: Tabu search algorithm for the integrated operational transportation planning problem //European Journal of Operational Research. - 2009. - Т. 197. - №. 2. - С. 741-751.
7. Fernie J., McKinnon A. C. The development of e-tail logistics [Text] // Logistics and Retail Management, 2nd ed., Kogan Page, London. - 2004. - С. 164-187.
8. Malley J. D. et al. Probability machines: consistent probability estimation using nonparametric learning machines //Methods of Information in Medicine. - 2012. - Т. 51. - №. 1. - С. 74.
9. Murakami D. et al. A Moran coefficient-based mixed effects approach to investigate spatially varying relationships //Spatial Statistics. - 2017. - Т. 19. - С. 68-89.
10. Efendi R., Arbaiy N., Deris M. M. A new procedure in stock market forecasting based on fuzzy random auto-regression time series model //Information Sciences. - 2018. - Т. 441. - С. 113-132.
11. Ziegler, A. (2016). An Introduction to Statistical Learning with Applications. RG James, D. Witten, T. Hastie, and R. Tibshirani (2013). Berlin: Springer. 440 pages, ISBN: 978?1?4614?7138?7. Biometrical Journal, 58(3), 715-716.
12. Harris, P., Brunsdon, C., Lu, B., Nakaya, T., & Charlton, M. (2017). Introducing bootstrap methods to investigate coefficient non-stationarity in spatial regression models. Spatial Statistics, 21, 241-261.
13. Altman, N., & Krzywinski, M. (2017). Points of significance: P values and the search for significance. Nature Methods, 14(1), 3-4.
14. Hothorn, T., Hornik, K., van de Wiel, M. A., Winell, H., Zeileis, A., & Hothorn, M. T. (2017). Package `coin'.
15. Ихсанова Ф. А., Бабаева Е. Е., Миннулина А. Р. Практическое применение метода главных компонент //Сборник научных трудов 43-й международной научно-технической конференции молодых ученых, аспирантов и студентов, посвященной 60-летию филиала УГНТУ в г. Октябрьском: в 2-х т.(Октябрьский, 29 апреля 2016 г.). - 2016. - С. 255.
16. Vidal R., Ma Y., Sastry S. S. Principal component analysis //Generalized Principal Component Analysis. - Springer, New York, NY, 2016. - С. 25-62.
17. James G. et al. An introduction to statistical learning. - New York: springer, 2013. - Т. 112.
18. Oshan T. M., Fotheringham A. S. A Comparison of Spatially Varying Regression Coefficient Estimates Using Geographically Weighted and Spatial?Filter?Based Techniques //Geographical Analysis. - 2018. - Т. 50. - №. 1. - С. 53-75.
19. Rhee K. A. et al. Spatial regression analysis of traffic crashes in Seoul //Accident Analysis & Prevention. - 2016. - Т. 91. - С. 190-199.
20. Montagna S. et al. Spatial Bayesian latent factor regression modeling of coordinate?based meta?analysis data //Biometrics. - 2018. - Т. 74. - №. 1. - С. 342-353.
21. Zhao W., Du S. Spectral-spatial feature extraction for hyperspectral image classification: A dimension reduction and deep learning approach //IEEE Transactions on Geoscience and Remote Sensing. - 2016. - Т. 54. - №. 8. - С. 4544-4554.
22. Chen, Y., & Hao, Y. (2017). A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction. Expert Systems with Applications, 80, 340-355.
23. Моисеев Н. А. Сравнительный анализ эффективности методов устранения мультиколлинеарности //Учет и статистика. - 2017. - №. 2 (46).
24. Seber G. A. F., Lee A. J. Linear regression analysis. - John Wiley & Sons, 2012. - Т. 329.
25. Schabenberger O., Gotway C. A. Statistical methods for spatial data analysis. - CRC press, 2017.
26. Lila E. et al. fdaPDE: Functional Data Analysis and Partial Differential Equations; Statistical Analysis of Functional and Spatial Data, Based on Regression with Partial Differential Regularizations //R package version 0.1-4. url: https://CRAN. R-project. org/package= fdaPDE. - 2016.
27. Chou J. S., Pham A. D. Nature-inspired metaheuristic optimization in least squares support vector regression for obtaining bridge scour information //Information Sciences. - 2017. - Т. 399. - С. 64-80.
28. Pugh N., Davis L. B. Forecast and analysis of food donations using support vector regression //Big Data (Big Data), 2017 IEEE International Conference on. - IEEE, 2017. - С. 3261-3267.
29. Zhang J. et al. Least squares fuzzy one-class support vector machine for imbalanced data //International Journal of Signal Processing, Image Processing and Pattern Recognition. - 2015. - Т. 8. - №. 8. - С. 299-308.
30. Li W., Kong D., Wu J. A novel hybrid model based on extreme learning machine, k-nearest neighbor regression and wavelet denoising applied to short-term electric load forecasting //Energies. - 2017. - Т. 10. - №. 5. - С. 694.
31. Patel J. et al. Predicting stock market index using fusion of machine learning techniques //Expert Systems with Applications. - 2015. - Т. 42. - №. 4. - С. 2162-2172.
32. Ballings M. et al. Evaluating multiple classifiers for stock price direction prediction //Expert Systems with Applications. - 2015. - Т. 42. - №. 20. - С. 7046-7056.
33. Pal N. et al. How much is my car worth? A methodology for predicting used cars prices using Random Forest //arXiv preprint arXiv:1711.06970. - 2017.
34. Nwulu N. I. A decision trees approach to oil price prediction //Artificial Intelligence and Data Processing Symposium (IDAP), 2017 International. - IEEE, 2017. - С. 1-5.
35. Miller T. W. Modeling techniques in predictive analytics: business problems and solutions with R. - Pearson Education, 2014.
36. Jurado S. et al. Hybrid methodologies for electricity load forecasting: Entropy-based feature selection with machine learning and soft computing techniques //Energy. - 2015. - Т. 86. - С. 276-291.
37. Khaidem L., Saha S., Dey S. R. Predicting the direction of stock market prices using random forest //arXiv preprint arXiv:1605.00003. - 2016.
38. Patel J. et al. Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques //Expert Systems with Applications. - 2015. - Т. 42. - №. 1. - С. 259-268.
39. Gonzalez C., Mira J. M., Ojeda J. A. Applying Multi-Output Random Forest Models to Electricity Price Forecast. - 2016.
40. Borde S. et al. Real Estate Investment Advising Using Machine Learning. - 2017.
41. Zhang R., Isola P., Efros A. A. Split-brain autoencoders: Unsupervised learning by cross-channel prediction //CVPR. - 2017. - Т. 1. - №. 2. - С. 6.
42. Кузнецов Н. А. и др. Нейронные сети, их применение и принципы работы //Modern Information Technology-Сучасні Інформаційні Технології 2017. - Одеса: ОНПУ, 2017. - Т. 2. - С. 11-12.
43. Wang L. Discovering phase transitions with unsupervised learning //Physical Review B. - 2016. - Т. 94. - №. 19. - С. 105.
44. Kowalczyk, A. (2016). Support Vector Regression with R. SVM Tutorial. Np, 19.
45. Hastie T., Tibshirani R., Friedman J. Unsupervised learning //The elements of statistical learning. - Springer, New York, NY, 2009. - С. 485-585
46. Le Q. V. Building high-level features using large scale unsupervised learning //Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on. - IEEE, 2013. - С. 8595-8598.
47. Ferni J., Sparks L. Logistics and retail management: emerging issues and new challenges in the retail supply chain [Text] // Kogan Page Publishers - 2014 - P. 2
48. Martin A., Doherty M. & Harrop J. Flowcasting the retail supply chain [Text] // ChainLink Research - 9.5.2016 - C.9
49. Gaev A., Ivakin I. Toll roads analysis: allocation of solutions for the russian federation // Russian Journal of Logistics & Transport Management. - 2016. - Т. 3. - №. 2. - С. 36.
50. Росстат РФ, анализ MegaResearch
Размещено на Allbest.ru
...Подобные документы
Организационная структура компании. Место компании на рынке логистических услуг. Понятие транспортно-экспедиторских услуг. Правовое регулирование деятельности транспортно-экспедиторских компаний в России. Особенности внутрипортового экспедирования.
дипломная работа [149,1 K], добавлен 03.02.2012Характеристика транспортно-экспедиторской компании ООО "Фортэк" и ее места на рынке логистических услуг. Обоснование критериев оценки качества работы компании. Анализ проблематики ее бизнес-процесса и разработка предложений по улучшению качества услуг.
дипломная работа [1,3 M], добавлен 15.02.2012Организация работы ООО "Оператор рефрижераторного терминала" в смешанном сообщении по оказанию транспортно-экспедиторских услуг при перевозке скоропортящихся грузов. Сравнительный анализ стоимости доставки СПГ автомобильным и железнодорожным транспортом.
дипломная работа [1,1 M], добавлен 09.11.2012Понятие договора на оказание транспортных услуг. Общая характеристика и направление деятельности транспортного предприятия на примере ООО ТЭК "Магеллан". Анализ персонала компании. Оценка эффективности работы. Структура себестоимости грузоперевозок.
отчет по практике [57,1 K], добавлен 18.09.2014Анализ объема транспортных услуг, состояния и использования основных производственных фондов, эффективности использования трудовых ресурсов и фонда оплаты труда, себестоимости транспортных услуг, финансового состояния автотранспортного предприятия.
курсовая работа [450,1 K], добавлен 22.02.2011Анализ структуры рынка транспортных услуг в исследуемом регионе. Организация эффективной работы автотранспортного предприятия. Оценка объема реализации услуг и величины предполагаемой прибыли. Анализ величины спроса и предложения транспортных услуг.
курсовая работа [1,8 M], добавлен 02.01.2013Формирование основных фондов автотранспортного предприятия, их классификация и сроки службы. Анализ основных подходов и методов прогнозирования спроса на автосервисные услуги. Характеристика системы моделей прогнозирования спроса в автосервисной отрасли.
курсовая работа [51,4 K], добавлен 21.01.2010Факторы, влияющие на формирование тарифов на услуги транспорта. Ценообразование в сфере транспортных услуг. Государственное регулирование цен на рынке транспортных услуг. Тарифы железнодорожного, водного, автомобильного и воздушного транспорта.
контрольная работа [136,8 K], добавлен 25.11.2010Особенности организации логистических процессов на предприятии в сфере услуг. Характеристика подвижного состава ООО "Таулар Транс". Анализ процесса организации логистических процессов транспортной компании и мероприятия по повышению его эффективности.
дипломная работа [1,7 M], добавлен 19.06.2015Разработка технологического процесса ТО Фольквагена. Расчет трудоемкости техобслуживания и ремонта автомобилей, числа автомобиле-мест ожидания и хранения. Классификация внутрифирменного стандарта компании Nissan. Оценка текущих затрат при оказании услуг.
дипломная работа [436,0 K], добавлен 05.07.2017Классификация автотранспортных предприятий в зависимости от выполняемых транспортных работ. Договор о грузоперевозке, страхование грузов. Стоимость грузоперевозки. Развитие транспортной системы в перспективе. Характеристика предприятия ООО "Тагфир".
отчет по практике [1,1 M], добавлен 09.01.2009Обобщенный анализ и оценка правового регулирования оказания услуг по автомобильной перевозке грузов в рамках законодательства Республики Беларусь. Виды договоров и договорные отношения при оказании услуг по перевозке грузов автомобильным транспортом.
курсовая работа [59,1 K], добавлен 16.09.2010Транспортные услуги в мировой экономике, порядок их оказания. Место и роль России на мировом рынке транспортных услуг; качество обслуживания; развитие международных коридоров; проблемы развития экспорта транспортных услуг в РФ, возможности транзита.
курсовая работа [104,4 K], добавлен 06.07.2011Международный рынок услуг, его значение и структура. Роль транспортных услуг на международном рынке. Транспортная инфраструктура Беларуси. Расчет грузовых перевозок. Проблемы и перспективы развития белорусского рынка транспортных услуг и пути их решения.
курсовая работа [121,5 K], добавлен 02.03.2016Правила организации перевозки грузов автомобильным транспортом. Разработка проекта оптимизации деятельности автотранспортного предприятия за счет совершенствования маршрутов перевозки скоропортящихся грузов подвижным составом ООО "Автозападтранс".
дипломная работа [3,1 M], добавлен 22.01.2014Правовое регулирование оценочной деятельности в России. Права и обязанности оценщика. Оценка стоимости автомобиля Volkswagen Polo. Анализ рынка транспортных средств. Определение рыночной стоимости услуг по восстановительному ремонту объекта оценки.
дипломная работа [99,6 K], добавлен 01.02.2011Виды и классификация транспортных услуг по перевозке грузов. Структура, особенности рынка транспортных услуг. Конкурентоспособность транспортных услуг и пути её повышения. Системы оплаты труда на предприятии. Организация предпринимательской деятельности.
дипломная работа [1,4 M], добавлен 19.07.2014Конкурентоспособность автотранспортных предприятий. Характеристика рынка транспортных услуг. Анализ деятельности компании ОАО "Лорри", ее конкурентной среды. Мероприятия по снижению транспортных издержек и повышению производительности труда предприятия.
курсовая работа [1,3 M], добавлен 16.02.2012Анализ объемов и структуры железнодорожных перевозок в Омской области. Роль железнодорожного транспорта в развитии экономики. Особенности рынка транспортных услуг в РФ. Перспективы развития конкуренции между железнодорожным и автомобильным транспортом.
курсовая работа [601,0 K], добавлен 22.06.2015Характеристика перевозимых грузов. Процесс приема и оформления заявки на перевозку. Общая оценка эффективности работы предприятия. Оценка эффективности внедрения программы под названием "1С: Предприятие 8. 1С-Логистика: Управление перевозками".
дипломная работа [2,3 M], добавлен 16.03.2013
