Лекция 1.6. Анализ деятельности: классификация и кластеризация

Содержание

• Лекция 1.6. Анализ деятельности: классификация и кластеризация
  • Содержание
  • ABC-анализ: правило Парето в логистике
    • Правило Парето (80/20)
    • Алгоритм ABC-анализа
    • Пример ABC-анализа
    • Стратегии управления по группам
    • Кривая Парето
  • XYZ-анализ по стабильности спроса
    • Коэффициент вариации
    • Классификация по группам
    • Пример расчёта коэффициента вариации
    • Стратегии управления по XYZ
  • Комбинированный анализ ABC–XYZ
    • Матрица ABC–XYZ
    • Таблица стратегий
    • Пример применения на складе вагонного депо ЗСЖД
    • Визуализация матрицы ABC-XYZ
    • Ключевые выводы по матрице
  • Дополнительные методы анализа запасов
    • 4.1. VED-анализ (по критичности)
    • 4.2. FSN-анализ (по оборачиваемости)
    • 4.3. SDE-анализ (по доступности/дефицитности)
    • 4.4. HML-анализ (по стоимости единиц)
    • 4.5. SLN-анализ (по длине поставки)
    • 4.6. Комбинированные методы анализа
    • 4.7. Сравнительная таблица методов анализа
  • Кластеризация в анализе логистических систем
    • 5.1. Классификация vs Кластеризация
    • 5.2. Задача кластеризации
    • 5.3. Методы кластеризации
      • 5.3.1. K-средних (K-Means)
      • 5.3.2. Иерархическая кластеризация
      • 5.3.3. DBSCAN (Density-Based Spatial Clustering)
    • 5.4. Пример кластеризации транспортных узлов
    • 5.5. Применение кластеризации в логистике
  • Ключевые выводы по лекции
  • Контрольные вопросы

ABC-анализ: правило Парето в логистике

Разделение номенклатуры на группы по степени важности на основе объёма инвестиций (стоимости запасов).

Правило Парето (80/20)

• 20% позиций дают 80% результата
• В логистике: 10–20% номенклатуры = 70–80% стоимости

Алгоритм ABC-анализа

1. Рассчитать годовую стоимость потребления каждой позиции: \(Стоимость_i = Объём_i \times Цена_i\)

2. Отсортировать позиции по убыванию годовой стоимости

3. Рассчитать накопленную долю стоимости и накопленную долю номенклатуры

4. Разделить на группы по правилу Парето:

Пример ABC-анализа

Данные склада запасных частей вагонного депо ЗСЖД (1000 позиций):

Стратегии управления по группам

Кривая Парето

XYZ-анализ по стабильности спроса

Классификация позиций по стабильности (равномерности) спроса на основе коэффициента вариации.

Коэффициент вариации

Где:

• $\sigma$ — стандартное отклонение спроса за период
• $\bar{x}$ — средний спрос за период

Классификация по группам

Пример расчёта коэффициента вариации

Данные спроса за 6 месяцев:

Стратегии управления по XYZ

Важно: Для позиций группы Z с низкой стоимостью (группа С по ABC) часто применяется стратегия «не хранить, заказывать под заказ».

Комбинированный анализ ABC–XYZ

Матрица ABC–XYZ

Позволяет разработать дифференцированные стратегии управления для 9 сегментов номенклатуры.

Таблица стратегий

Пример применения на складе вагонного депо ЗСЖД

Визуализация матрицы ABC-XYZ

Таблица 1. Матрица ABC-XYZ с рекомендуемыми стратегиями управления

Условные обозначения:

• 🟢 Приоритет 1 — оптимальное управление (стабильный спрос)
• 🟡 Приоритет 2 — стандартное управление (умеренные колебания)
• 🟠 Приоритет 3 — особое внимание (нестабильный спрос + средняя/высокая стоимость)
• 🔴 Приоритет 4 — минимизация затрат (нестабильный спрос + низкая стоимость)

Рисунок. Матрица ABC-XYZ с дифференцированными стратегиями управления

Ключевые выводы по матрице

Выводы:

• AX — идеальная группа: высокая ценность + стабильный спрос = максимальная автоматизация
• CZ — проблемная группа: низкая ценность + нестабильный спрос = минимизировать запасы
• Матрица позволяет дифференцировать стратегии для 9 различных сценариев управления запасами!

Дополнительные методы анализа запасов

4.1. VED-анализ (по критичности)

Принцип: Классификация по степени критичности позиций для обеспечения бесперебойной деятельности.

Пример для вагонного депо:

4.2. FSN-анализ (по оборачиваемости)

Принцип: Классификация по скорости оборачиваемости запасов.

Пример для склада вагонного депо:

4.3. SDE-анализ (по доступности/дефицитности)

Принцип: Классификация по сложности обеспечения и рискам дефицита.

Пример:

4.4. HML-анализ (по стоимости единиц)

Принцип: Классификация по удельной стоимости единиц номенклатуры.

4.5. SLN-анализ (по длине поставки)

Принцип: Классификация по времени выполнения заказа (lead time).

4.6. Комбинированные методы анализа

ABC-VED анализ: Сочетание критичности и стоимости

ABC-FSN анализ: Сочетание стоимости и оборачиваемости

4.7. Сравнительная таблица методов анализа

graph TD
    A[Методы анализа запасов] --> B[ABC - Стоимость]
    A --> C[XYZ - Стабильность]
    A --> D[VED - Критичность]
    A --> E[FSN - Оборачиваемость]
    A --> F[SDE - Доступность]
    A --> G[HML - Стоимость ед.]
    A --> H[SLN - Время поставки]
    
    B & C --> I[Комбинированный ABC-XYZ]
    B & D --> J[Комбинированный ABC-VED]
    B & E --> K[Комбинированный ABC-FSN]
    I & J & K --> L[Комплексная стратегия управления]

Рисунок. Система методов анализа запасов и их интеграция

Кластеризация в анализе логистических систем

5.1. Классификация vs Кластеризация

Классификация и кластеризация — это родственные, но принципиально разные задачи анализа данных.

graph LR
    A[Данные об объектах] --> B{Известны ли классы?}
    B -->|Да| C[Классификация]
    B -->|Нет| D[Кластеризация]
    C --> E[Модель классификации]
    D --> F[Кластеры]
    E --> G[Новый объект → Предсказанный класс]
    F --> H[Описание характеристик кластеров]

Рисунок. Отличие классификации от кластеризации

Ключевое отличие:

• Классификация — это применение известных правил для распределения объектов по заранее определённым группам (например, ABC-анализ относит позиции к группам A, B, C по заданным правилам).
• Кластеризация — это поиск естественных группировок в данных без предварительных знаний о группах (например, автоматическое выделение типов транспортных маршрутов на основе их характеристик).

5.2. Задача кластеризации

Определение: Кластеризация — это задача разбиения множества объектов на группы (кластеры) так, чтобы объекты внутри одного кластера были более похожи друг на друга, чем на объекты из других кластеров.

Формальная постановка:

• Имеется множество объектов: $X = {x_1, x_2, …, x_n}$
• Каждый объект описывается вектором признаков: $x_i = (f_1, f_2, …, f_m)$
• Необходимо разбить $X$ на $K$ кластеров: $C_1, C_2, …, C_K$
• Условие: $\bigcup_{j=1}^{K} C_j = X$, $C_j \cap C_l = \emptyset$ при $j \neq l$

Целевая функция: Минимизация внутрикластерного расстояния:

Где:

• $\mu_j$ — центроид (центр тяжести) кластера $C_j$
• $|x - \mu_j|$ — расстояние между объектом и центроидом кластера

Меры расстояния:

5.3. Методы кластеризации

5.3.1. K-средних (K-Means)

Алгоритм:

1. Задать число кластеров $K$
2. Инициализировать $K$ центроидов случайным образом
3. Назначить каждый объект ближайшему центроиду
4. Пересчитать центроиды как среднее значение объектов кластера
5. Повторять шаги 3-4 до сходимости

flowchart TD
    A[Начало] --> B[Задать K]
    B --> C[Случайная инициализация центроидов]
    C --> D[Назначить объекты ближайшим центроид]
    D --> E[Пересчитать центроиды]
    E --> F{Центроиды сошлись?}
    F -->|Нет| D
    F -->|Да| G[Конец: K кластеров]

Рисунок. Алгоритм K-средних

Преимущества:

• Простота реализации и понимания
• Эффективность на больших данных
• Линейная вычислительная сложность $O(n \cdot K \cdot T)$, где $T$ — число итераций

Недостатки:

• Необходимо заранее задавать $K$
• Чувствительность к выбросам
• Работает только для метрических данных
• Находит только выпуклые кластеры

5.3.2. Иерархическая кластеризация

Аггломеративный подход (снизу вверх):

1. Каждый объект — отдельный кластер
2. Объединить два ближайших кластера
3. Повторять до получения одного кластера

Дивизивный подход (сверху вниз):

1. Все объекты в одном кластере
2. Разделить кластер на два наименее связанных
3. Повторять до получения отдельных кластеров

Дагемограмма (дендрограмма):

graph BT
    classDef leaf fill:#e1f5fe,stroke:#01579b,stroke-width:2px
    classDef cluster fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    classDef root fill:#c8e6c9,stroke:#2e7d32,stroke-width:3px

    x1["x1"]:::leaf
    x2["x2"]:::leaf
    x3["x3"]:::leaf
    x4["x4"]:::leaf
    x5["x5"]:::leaf
    x6["x6"]:::leaf

    c1["C1: {x1, x2}"]:::cluster
    c2["C2: {x4, x5}"]:::cluster
    c3["C3: {x1, x2, x4, x5}"]:::cluster
    c4["C4: {x3, x6}"]:::cluster
    root["C_all: {x1..x6}"]:::root

    x1 --- c1
    x2 --- c1
    x4 --- c2
    x5 --- c2
    c1 --- c3
    c2 --- c3
    x3 --- c4
    x6 --- c4
    c3 --- root
    c4 --- root

Рисунок. Дагемограмма иерархической кластеризации

Дендрограмма — это двумерная древовидная структура, где:

• Вертикальная ось — объекты (или кластеры)
• Горизонтальная ось — расстояние (сходство) между объединяемыми кластерами

Меры сходства между кластерами:

5.3.3. DBSCAN (Density-Based Spatial Clustering)

Принцип: Кластеры — это области с высокой плотностью, разделённые областями с низкой плотностью.

Параметры:

• $\varepsilon$ (eps) — радиус окрестности
• $minPoints$ — минимальное число точек в окрестности

Типы точек:

Преимущества:

• Не требует задания числа кластеров
• Обнаруживает кластеры произвольной формы
• Устойчив к выбросам

5.4. Пример кластеризации транспортных узлов

Задача: Разделить транспортные узлы на группы по типу транспортной деятельности на основе их характеристик.

Признаки для описания узлов:

1. Годовой грузооборот (тыс. тонн)
2. Количество подъездных путей
3. Расстояние до ближайшей ж/д станции (км)
4. Коэффициент покрытия территории (доля обслуживаемой территории)

Исходные данные (фрагмент):

Результат кластеризации (K-Means, K=3):

Интерпретация результатов:

• Кластер 1 требует максимальной пропускной способности и частого обслуживания
• Кластер 2 нуждается в стандартном логистическом обслуживании
• Кластер 3 может обслуживаться по упрощённой схеме с увеличенными интервалами

5.5. Применение кластеризации в логистике

Практическая ценность кластеризации:

1. Обнаружение скрытых паттернов — выявление естественных групп в данных без предварительных гипотез
2. Упрощение управления — работа с кластерами вместо отдельных объектов
3. Персонализация стратегий — разработка дифференцированных подходов для каждого кластера
4. Визуализация данных — наглядное представление многомерных данных в виде кластеров

mindmap
  root((Кластеризация<br/>в логистике))
    Сегментация
      Клиенты
      Поставщики
      Маршруты
    Управление запасами
      Автоматическая группировка
      Дифференцированные стратегии
    Зонирование
      Зоны доставки
      Территории складов
    Анализ рисков
      Группы рискованных маршрутов
      Аномальные поставки
    Оптимизация
      Консолидация грузов
      Планирование мощностей

Рисунок. Области применения кластеризации в логистике

Ключевые выводы по лекции

1. ABC-анализ — классификация по стоимости потребления (правило Парето: 20% позиций = 80% стоимости).
2. XYZ-анализ — классификация по стабильности спроса на основе коэффициента вариации.
3. Комбинированный анализ ABC–XYZ даёт 9 сегментов с дифференцированными стратегиями управления.
4. Матрица ABC–XYZ позволяет оптимизировать запасы и снизить затраты на хранение.
5. VED-анализ — классификация по критичности для обеспечения бесперебойной деятельности (V — критичные, E — важные, D — желательные).
6. FSN-анализ — классификация по скорости оборачиваемости запасов (F — быстрооборот, S — медленнооборот, N — необорот).
7. SDE-анализ — классификация по доступности материалов (S — дефицитные, D — сложные в получении, E — легкодоступные).
8. HML-анализ — классификация по удельной стоимости единиц номенклатуры (H — высокая, M — средняя, L — низкая стоимость).
9. SLN-анализ — классификация по времени выполнения заказа (S — короткое, L — длинное, N — среднее время поставки).
10. Комбинированные методы (ABC-VED, ABC-FSN, ABC-SDE и др.) позволяют создать комплексную стратегию управления запасами.
11. Интеграция методов анализа обеспечивает многомерную оценку запасов и повышает эффективность управления ЛПТС.
12. Классификация — отнесение объектов к заранее известным классам (обучение с учителем), а кластеризация — поиск естественных групп в данных без предварительных меток (обучение без учителя).
13. Задача кластеризации заключается в разбиении объектов на группы так, чтобы объекты внутри кластера были более похожи, чем объекты из разных кластеров.
14. Основные методы кластеризации: K-средних (K-Means), иерархическая кластеризация, DBSCAN — каждый со своими преимуществами и ограничениями.
15. Кластеризация в логистике применяется для сегментации клиентов, зонирования доставки, анализа маршрутов, управления запасами и обнаружения аномалий.

Контрольные вопросы

1. Какие группы выделяются в ABC-анализе и по какому принципу?
2. Как рассчитывается коэффициент вариации для XYZ-анализа?
3. Что показывает матрица ABC–XYZ и какие стратегии она позволяет разработать?
4. В чём принципиальное отличие классификации от кластеризации?
5. Какие основные методы кластеризации вы знаете и где применяется кластеризация в логистике?