Интеллектуальный анализ продаж в среде Tableau
Подключение источника данных
Запускаем программу Tableau 2020.1, (Рисунок 18).
Рисунок 18 – Tableau Desktop версии 2020.1
В стартовом окне выбираем соединитель Text file, показанный на рисунке 19.
Рисунок 19 – выбор средства для импорта данных
Выбираем данные для импорта, (Рисунок 20).
Рисунок 20 – данные для импорта
В контекстном меню файла «Продажи» переключаемся на «Dield names are in first row», означающий «Имя поля в первой строке», (Рисунок 21).
Рисунок 21 – обозначение имя поля для первой строки
Связываем две таблицы «Продажи» и «Товар» по полю «КодТовара» с помощью типа объединения «Inner Join». Связь показана на рисунке 22.
Рисунок 22 – установка типа связи для двух таблиц
Подключаем таблицу «Точки сбыта», связываем с таблицей «Продажи» по полю «КодТочкиСбыта», тип объединения – Inner Join. Связь показана на рисунке 23.
Рисунок 23 – установка типа связи для двух таблиц
Подключаем таблицу «Группы» к таблице «Товар» по полю «КодГруппы», тип объединения – Inner Join. Связь показана на рисунке 24.
Рисунок 24 – установка типа связи для двух таблиц
Все таблицы связанные таблицы отображены на рисунке 25.
Рисунок 25 – все связанные таблицы
Получившиеся объединенные данные представлены на рисунке 26.
Рисунок 26 – объединенные данные
Цвет над столбцом обозначает из какой таблицы были взяты данные. Синий – «Продажи», желтый – «Товар», зелёный – «Точки сбыта», красный – «Группы».
Создадим вычисляемое поле. Первым действием нажимаем правой кнопкой мыши по свободному пространству в зоне «Dimensions», после чего нам откроется меню с возможностью выбора действия. «Create Calculated Field…» – создание вычисляемого поля. После того, как мы прописали нужное нам действие, программа выдала ошибку, которая заключается в различии форматов для вычисляемых данных. Исправить проблему можно изменив формат у параметра «Цена», со «String» на «Number (decimal). Вышеописанные действия изображены на рисунке 27.
Рисунок 27 – создание вычисляемого поля
Также для дальнейшего удобства работы с данными преобразуем тип поля «Час» из числового в строковый, пример можно увидеть на рисунке 28.
Рисунок 28 – преобразование формата в строковый
Подключение данных и их преобразование закончено.
В текущем параграфе было описано подключение, объединение, создание вычисляемого поля и изменение формата данных для последующей корректной работы с анализом данных.
Следующим этапом используем один из методов Data Mining, а именно кластерный анализ.
Кластерный анализ продаж
Первым пунктом создадим визуализации. Перенесём на полку «Columns» поле «Кол», на «Row» поле «Продажи», на «Filters» поле «Группа» (включая все группы), на карту «Marks» поле «Товар». В «Show Me» выберем рекомендуемый тип визуализации (Рисунок 29).
Рисунок 29 – точечная диаграмма
Переходим на вкладку «Analytics» и перенесём «Model Claster» в область построения визуализации. Укажем «Claster». Результат отображён на рисунке 30.
Рисунок 30 – кластеризация
Кластеризация распределила товарные группы на 6 кластеров с цветовой индикацией по умолчанию. Нас интересуют три позиции с высокими продажами в денежном выражении и высокой популярностью, посмотреть которые возможно на рисунке 31.
Рисунок 31 – исследование высокодоходных и популярных товаров
Явным лидеров по количеству продаж, которые составляют 1995 единиц, так и по доходам, составляющих 891542 денежных единиц, является продукт «Coca-Cola напиток безалкогольный, сильногазированный», являющийся единственным в кластере 5. На втором месте находится товар «Sprite напиток безалкогольный, сильногазированный», количество продаж – 1743, выручка – 226905 д.е., принадлежащий кластеру 4, в который входит две товарные позиции. Третье место занимает товар «Добрый, яблочный сок», количество продаж – 669, выручка – 158855 д.е., входит в кластер 6, в котором находится 5 товарных позиций. Остальная номенклатура сосредоточена в первом, втором и третьем кластере.
Из четырёх товарных групп рассмотрим структуру продаж по трём их них, которые имеют наиболее высокие показатели по выручке. На первом месте «Газированные напитки», на втором «Соки и сокосодержащие напитки», на третьем «Энергетические напитки». Показатели четырёх товарных групп можно рассмотреть на рисунке 32.
Рисунок 32 – показатели четырёх товарных групп
Рассмотрим товарную группу «Газированные напитки». В неё входят пять кластеров.
Лидером является четвёртый кластер с одной товарной позицией – «Coca-Cola напиток безалкогольный, сильногазированный». Высокая выручка, высокая популярность. Остальные кластеры имеют умеренную и низкую выручку при широкой вариации продаж в количественном выражении. Данные отображены на рисунке 33.
Рисунок 33 – кластеризация по группе «Газированные напитки»
Кластер 2 включает в себя два товара «Sprite, напиток безалкогольный, сильногазированный» и «Shweppes, Битер Лемон (напиток безалкогольный, сильногазированный». Характеризуется высокой популярностью, умеренной выручкой.
Кластер 3 характеризуется умеренной популярностью, небольшой выручкой.
Кластер 5 имеет 5 товарных позиций, характеризуется умеренной популярностью и продажами.
Кластер 1 имеет большое количество товарных позиций, однако показатели продаж и популярности низкие.
При формировании закупочной политики для данной товарной группы в целом по сети следует учитывать особенности продаж во всех пяти кластерах. Кроме того, необходимо учитывать динамику (сезонные особенности), взаимодействие с другими товарными группами (перекрестные продажи), вариативность продаж и другие факторы.
Рассмотрим товарную группу «Соки и сокосодержащие напитки», диаграмма представлена на рисунке 34.
Рисунок 34 – кластеризация по группе «Соки и сокосодержащие напитки»
Наблюдаем четыре кластера. Среди данной группы безусловным лидером по продажам является «Добрый, Яблочный сок», входящий в кластер номер три.
В четвёртый кластер попали две позиции сока «Добрый» со вкусами мульти фрукт и ананас. Оба товара показывают высокие показатели популярности, однако продажи выше у мульти фруктового сока. Соку со вкусом ананаса необходимо поднять цену.
Во втором кластере 9 товаров, характеризующиеся невысокими продажами с умеренной популярностью. Выгоднее всего поднять цену тем товарам, которые имеют более высокое количество продаж, но невысокую цену.
Первый кластер имеет достаточно низкую популярность и продажи товаров в количественном выражении, однако его многочисленность приносит 39,7% от всех продаж соков в рассматриваемой товарной группе.
Рассмотрим товарную группу «Энергетические напитки», представленную на рисунке 35.
Рисунок 35 – кластеризация по группе «Энергетические напитки»
Второй кластер, состоящий из двух товарных позиций, возглавляет список по популярности и сумме прибыли в данной товарной группе. Этот кластер должен быть под постоянным контролем с разработкой мероприятий по повышению прибыльности.
Первый кластер имеет один товар и достаточно высокую популярность и хорошей прибылью. Имеет смыл работать с данным кластером по схеме первого.
В кластере под номером четыре один товар, имеет умеренное количество продаж и выручку, такие же показатели имеет кластер номер 6, имеющий два товара. Уместным решением будет небольшое повышение цены продажи.
Второй кластер включает в себя 3 товарные позиции, характеризуется низкой популярностью и умеренными продажами.
В кластере пять всего две товарные позиции, с низкой популярностью и выручкой. Требуется более детальный анализ, для установления причины нерентабельности товаров.
Применим встроенную аналитику (embedding) для исследования продаж. Перенесем поле Цена на Columns, изменив measure с SUM на Average (средняя). Поле Выручка на Rows. Товар на Цвет. На фильтр Точка сбыта и Товар. Выведем фильтры на просмотр Show Filters для управления Viz (справа) (Рисунок 36).
Рисунок 36 – точечная диаграмма по продажам товаров
Перенесём кластер в редактор и рассмотрим первую точку сбыта (Рисунок 37).
Рисунок 37 – кластеризация по первой точки сбыта
Наблюдаем 4 кластера. Создадим набор данных, покажем высокие продажи для первой точки сбыта (Рисунок 38).
Рисунок 38 – создание набора данных высокие продажи
Добавим управление показом Высокие продажи на Marks, отобразим фильтрацию справа.
Покажем зависимость выручки от цены.
Для этого перенесём trend line на визуализированное поле (Рисунок 39).
Рисунок 39 – зависимость выручки от цены
Добавим средние оценки по осям с 95% отклонением. И переключим выручку на отображение average (Рисунок 40).
Рисунок 40 – определение средней цены и выручки
Средняя цена по первой точке сбыта по высокодоходным товарам с 95% интервалом составляет 118,5 рублей, выручка 158,9 рублей.
В результате интеллектуального анализа данных методом кластеризации были исследованы каждая из групп товаров с разделением на кластеры, благодаря чему были выявлены высокодоходные, средне доходные и низкодоходные товары. По каждому из кластеров была дана характеристика и рекомендация. Дополнительно был создан набор данных – высокодоходные товары по первой точке сбыта и отображена зависимость выручки от цены, а также определена средняя цена и выручка по новой группе данных.
Далее воспользуемся элементом аппарата технического анализа – trend line, для выявления тенденций изменения цен на группах товаров.
Выведем на визуализацию линии тренда для каждой исследуемой группы по каждому кластеру, чтобы понять какая тенденция формируется в пределах выбранной группы товаров. Для этого перенесём Trend Line в область построения визуализации и определим тип тренда «Power». Добавлении линии тренда изображено на рисунке 41.
Рисунок 41 – добавление линии тренда
Получившийся результат отображён на рисунке 42.
Рисунок 42 – линии тренда на точечной диаграмме
Для более полного понимания представленных данных выведем на диаграмму среднее медианное значение и 95% доверительный интервал для конкретного кластера, чтобы оценить область возможных изменений продаж. Для этого перенесем Median with 95% Cl на диаграмму. Анализ проведем по показателю Sum(Продажи). Иллюстрация действий представлена на рисунке 43, 44.
Рисунок 43 – добавление среднего медианного значение с 95% доверительным интервалом
Рисунок 44 – добавление среднего медианного значение с 95% доверительным интервалом
Выбираем третий кластер. Медиана 158855 unit. Отображено на рисунке 45.
Рисунок 45 – отображение медианы третьего кластера
Переключимся на четвёртый кластер. Медиана – 32966 unit. Показано на рисунке 46.
Рисунок 46 – отображение медианы первого кластера
Кластер номер 2. Медиана – unit. Проиллюстрировано на рисунке 47.
Рисунок 47 – отображение медианы второго кластера
Первый кластер. Медиана – 3389 unit. Выведем описание параметров линии трейда. Изображено на рисунке 48.
Рисунок 48 – отображение медианы и линии тренда с её описанием первого кластера
Используя инструмент trande line, а также Median with 95% Cl, были определены тенденции изменения цены и медианный доход по каждому кластеру товарной группы «Соки и сокосодержащие напитки».
Следующим этапом выполним анализ динамики продаж, исследуя который можно определить сильные и слабые места продаваемых товаров в зависимости от сезона.
Анализ динамики продаж
Выполним анализ динамики продаж по двум параметрам Sum(Продажи) и Sum(Кол) в разрезе «Месяцы» для товарной группы «Соки и сокосодержащие напитки». Для этого перенесём поле «Дата» на полку «Columns» и переключимся на «Month», поле Продажи и поле Кол на полку Rows. Поле Группа на полку Filters. «Measure Names» на полку «Marks». Вид графика – dual lines. Trade line – Power. Результат создания показан на рисунке 50.
Создадим вторую ось для выражения Sum(Кол). Необходимый пункт для активации отображён на рисунке 49.
Рисунок 49 – создание двойной оси, пунктом «Dual Axis»
Рисунок 50 – анализ динамики продаж товарной группы «Соки и сокосодержащие напитки»
Согласно динамике, показанной на рисунке 50, наблюдаем спад продаж по обоим показателям в летний период. Продажи в межсезонье повышаются. Резкий подъём продаж в осенне-зимний период (до декабря включительно) нуждается в дополнительном исследовании. Это обусловливает общий повышающий тренд по сети.
Далее проведём сравнительный анализ продаж точки сбыта №1 с продажами по всей сети. Перенесём поле «Точки сбыта» на полку «Filters», отфильтруем ненужное, оставив первую точку. Двойной график изображён на рисунке 51.
Рисунок 51 – анализ динамики продаж товарной группы «Соки и сокосодержащие напитки» на точке сбыта №1
Анализируя характер изменения и показатели продаж для данной группы товаров, можно предположить, что, точки сбыта имеют существенные различия в динамике продаж осенне-зимнего периода и вносят различный вклад в формирование общей динамики всей сети.
Выполним аналогичные действия по группе «Газированные напитки». График показан на рисунке 52.
Рисунок 52 – анализ динамики продаж товарной группы «Газированные напитки»
Зимне-весенний период выражен спадом доходов, и незначительным ростом количества, что означает покупку дорогих товаров реже, а дешёвых в большем количестве. Весенне-летний показывает спад. Осенне-зимний выражен значительным подъемом, объем и выручка значительно выше, чем у рассмотренной выше торговой группы.
Изучая диаграмму, изображённую на рисунке 53, наблюдаем изменение тренда с возрастающего для всей сети, к падающей для точки сбыта №1. В основном это обусловлено падением с января по март и низкими продажами в период с марта по ноябрь. Это необходимо учитывать при планировании закупок товара для данной точки сбыта.
Рисунок 53 – анализ динамики продаж товарной группы «Газированные напитки» по точке сбыта №1
Следующая анализируемая группа по динамике продаж – «Энергетические напитки» отображена на рисунке 54.
Рисунок 54 – анализ динамики продаж товарной группы «Энергетические напитки»
В целом, динамика продаж групп «Энергетические напитки» и «Сок и сокосодержащие напитки» похожи. Подход к управлению продаж этих двух групп можно скоординировать.
Динамика продаж для первой точки сбыта изображена на рисунке 55.
Рисунок 55 – анализ динамики продаж товарной группы «Энергетические напитки» по точке сбыта №1
В данном случае наблюдаем небольшое снижение в летний период. Начало года остаётся неизменным, что говорит о том, что данная точка является единственной, кто приносил доход. Такое возможно, когда две другие точки были открыты после этого времени. Доход в последние месяцы сокращается существенно.
Дополнительно рассмотрим часовую динамику. Выполним анализ продаж для точки сбыта №1 по трём группам товаров, временной интервал с 8 по 21 час. Графики для групп «Газированные напитки», «Соки и сокосодержащие напитки» и «Энергетические напитки» отображены на рисунках 56, 57, 58 соответственно.
Рисунок 56 – анализ часовой динамики продаж товарной группы «Газированные напитки» для точки сбыта №1
Самые прибыльные часы продаж для данной группы товаров в точке сбыта №1, в порядке убывания: 16, 17, 15, 10. Низкодоходные часы в порядке возрастания: 8, 21, 9, 20. В остальное время выручка держится примерно на одном уровне.
Рисунок 57 – анализ часовой динамики продаж товарной группы «Соки и сокосодержащие напитки» для точки сбыта №1
Для данной товарной группы самыми прибыльными часами в порядке убывания являются: 12, 11, 10, 18, 19, 17. Неприбыльные часы в порядке возрастания: 21, 8, 9. В остальное время доход держится на среднем уровне.
Рисунок 58 – анализ часовой динамики продаж товарной группы «Энергетические напитки» для точки сбыта №1
В данном случае имеем четыре малоприбыльных часа: 21, 8, 20, 9. И один высокодоходный – 12. Выше среднего: 18,13 и 16. Другое время в целом на среднем уровне.
Сводная диаграмма продаж в часовом разрезе по всем точкам сбыта для товарной группы «Энергетические напитки» отображена на рисунке 59.
Рисунок 59 – сводная диаграмма продаж в часовом разрезе по всем точкам сбыта для товарной группы «Энергетические напитки»
В данном параграфе была исследована динамика продаж по каждой группе товаров на точке сбыта №1, определен спад и повышение продаж по сезонам, а также выявлены неприбыльные, прибыльные и такие часы, при котором доход умеренный. Проведено сравнение по часам продаж для одной из групп среди всех точек сбыта.
Прогнозирование
Создадим прогноз по товару «Black Monster Assault» из группы высокодоходных товаров в первой точке сбыта. Для этого на полку Columns перенесём: группу, товар, дату (установим по месяцам). На полку Rows добавим выручку. На полку Filters добавим код группы, точку сбыта с сортировкой по первой и высокодоходные товары (Рисунок 60).
Рисунок 60 – помесячная выручка выбранного товара в течение трёх лет
Добавляем forecast в область viz и включим Mark Lavel по всем точкам (Рисунок 61).
Рисунок 61 – помесячный прогноз выручки на следующий год
Проведём аналогичные действия для товара Powerade Снежное золото (Рисунок 62).
Рисунок 62 – помесячный прогноз выручки выбранного товара на следующий год
Здесь мы можем наблюдать тенденцию прекращения продаж товара на протяжении трёх лет в одно и то же время, а именно декабрь, апрелю и июнь. При анализе продаж ранее, было выдвинуто предположении о том, что точка сбыта только была открыта, однако это не так. Для уточнения ситуации лучше всего обратиться к специалистам компании.
Построим прогноз для данного товара на следующие два года. Для этого откроем Forecast Options, в Forecast Length установим значение 3 в поле Until (Рисунок 63).
Рисунок 63 – настройка forecast
В результате получаем прогноз на два года. Ситуацию отображает рисунке 64.
Рисунок 64 – прогноз на 2 года
Теперь мы можем наблюдать прогноз товара «Powerade Снежное золото» на три года без сбоев, с отображением допустимого отклонения от прогноза. При устранении сбоев продаж ожидается увеличение выручки примерно на 7103 денежных единиц на следующий год и на 8298д.е. на 2021 год соответственно.
В данном параграфе был рассмотрен прогноз по двум товарам от одного до двух лет в разрезе месяц, определили у одного из товаров сбой в продажах и подсчитали вероятную выручку при устранении данной проблемы.
Комплексный анализ продаж
Приступим к созданию dashboard. Создаём новый лист dashboard (Рисунок 65).
Рисунок 65 – новый лист dashboard
Добавим sheets: товары, сезонность, час, группы, точки сбыта. Увеличим размер отображения до (1700х900), удобно расположим sheets и свяжем их фильтром. Отображено на рисунке 66.
Рисунок 66 – dashboard с данными
Dashboard состоит из sheets, поэтому для того, чтобы он получился удобный и красивый, необходимо также настроить каждый sheets.
С помощью связанных по фильтру sheets, dashboard позволяет выставлять точечную настройку, что в свою очередь, помогает глубже изучить и понять данные, а затем провести комплексный анализ.
Проведём анализ. Нас интересует летний период товарной группы «Энергетические напитки» (Рисунок 67).
Рисунок 67 – анализ энергетических напитков в летний период
Из всех периодов, летний для данной товарной группы считается самым низкодоходным, выручка по которому составила 68429 д.е., из них на первую точку сбыта приходится 54733 д.е., на вторую 13696 д.е. Самые прибыльные часы в порядке убывания: 12, 11, 19, 16; низкодоходные часы в порядке возрастания: 20, 21, 9, 17, 13. Средне доходные по убыванию: 10, 14, 15, 18.
Самые прибыльные товары: Black Monster Assault и «Бёрн» яблоко-киви, выручка которых составила 14330 д.е. и 11242 д.е. соответственно. Низкодоходные товары в первой точке сбыта: Black Monster The doctor TM, Powerade Ледяная буря, выручка 518 д.е. и 655 д.е. соответственно. Во второй точке сбыта: Black Monster, Black Monster Khaos, Powerade Ледяная буря, выручка 219 д.е., 387 д.е. и 762 д.е. соответственно.
Разберём продажи одного из вышеперечисленных низкодоходных товаров, например Powerade Ледяная буря (Рисунок 68).
Рисунок 68 – анализ продаж Powerade Ледяная буря
В весенний и летний период выручка идёт на спад, в осенний растёт, в зимний также растёт. За всё время выручка составила 35362 д.е., из которых на первую, вторую и третью приходятся 26231 д.е., 6214 д.е. и 2,916 д.е. соответственно. Самый популярный час покупки – 12, на втором месте –18, в остальные покупали умеренно, кроме 9 часа – он является самым низкодоходным.
Для того, чтобы увеличить популярность и выручку данного товара, необходимо повысить его известность, путём рекламы, а также чаще делать всевозможные скидки, акции, например два по цене одного.
В данном параграфе был создан dashboard, проанализирована одна товарная группа по летнему периоду, выявлены низкодоходные товары, один из которых был взят для анализа. Были выявлены: сезонность товара, выручка по каждой из точек сбыта; популярное, умеренное и непопулярное время покупки товара в разрезе часа. Дана рекомендация для увеличения продаж данного товара.
Заключение
В рамках выполнения выпускной квалификационной работы были рассмотрены технологии интеллектуального анализа, изучены и выбрано инструментальное средство Tableau, специализирующееся на визуализации данных. Подробно рассмотрены используемые методы кластеризации и визуализации данных.
В результате интеллектуального анализа данных методом кластеризации были исследованы каждая из групп товаров с разделением на кластеры, благодаря чему были выявлены высокодоходные, средне доходные и низкодоходные товары. По каждому из кластеров была дана характеристика и рекомендация. Дополнительно был создан набор данных – высокодоходные товары по первой точке сбыта и отображена зависимость выручки от цены, а также определена средняя цена и выручка по новой группе данных. Используя инструмент trande line, а также Median with 95% Cl, были определены тенденции изменения цены и медианный доход по каждому кластеру одной из товарных групп.
Проведено сравнение по часам продаж для одной из групп среди всех точек сбыта. Рассмотрен прогноз по двум товарам от одного до двух лет в разрезе месяц, определён сбой в продажах у одного из товаров и подсчитана вероятная выручка при устранении данной проблемы.
Создали dashboard, проанализировав одну товарную группу по летнему периоду, выявлены низкодоходные товары, один из которых был взят для анализа. Были выявлены: сезонность товара, выручка по каждой из точек сбыта; популярное, умеренное и непопулярное время покупки товара в разрезе часа. Дана рекомендация для увеличения продаж данного товара.
Объектом исследования являлись методы и инструментальные средства интеллектуального анализа данных. Предмет исследования – методы кластеризации и визуализации в анализе продаж.
Таким образом результатом выполнения выпускной квалификационной работы стала разработка рекомендаций на основе данных, предоставленных организацией. Проблемы, обозначенные и рассмотренные в выпускной квалификационной работе, решены. Это позволяет сделать вывод, что задание выполнено полностью.
Список использованных источников
- А.А. Шумейко, С.Л. Сотник Интеллектуальный анализ данных Введение в Data Mining. – Днепропетровск: Белая Е.А., 2012. – 212 с
- Барсегян А. А., Куприянов М. С, Степаненко В. В., Холод И. И., Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP [Текст]: учеб. — Изд. 2-е издание: БХВ-Петербург, 2007.-79 с.
- Дюк В.А., Самойленко А.П. Data Mining [Текст]: учебный курс. — СПб.: Питер, 2010.-С.67-87.
- Орешков В.И., Паклин Н.Б. Бизнес-аналитика. От данных к знаниям [Текст]: — учеб. — Спб.: Питер, 2013. С.105-110.
- Чубукова И.А. Курс лекций по Data Mining [Текст]: – учеб. — М.: Интернет-университет информационных технологий, Бином. Лаборатория знаний, 2010. С.152-179.
- Кокорева, Я. В. Поэтапный процесс кластерного анализа данных на основе алгоритма кластеризации k-means / Я. В. Кокорева, А. А. Макаров. — [Текст]: непосредственный // Молодой ученый. — 2015. — № 13 (93). — С. 126-128.
- Левкович-Маслюк. Л. Интервью Григория Пятецкий−Шапиро журналу «Компьютерра» [Электронный ресурс] / Л.Левкович. Маслюк. — Электрон. журн. — Компьютерра, 2007. — Режим доступа к журн.: https://www.kdnuggets.com/gpspubs/piatetsky-interview-computerra.pdf. — Электрон. версия печ. публикации, 11 (679), стр. 50
- Введение в добычу данных (Data Mining) [Электронный ресурс] / Богатырёв С., Симонова А. — Электрон. текстовые дан. — 2006. — Режим доступа: https://logic.pdmi.ras.ru/~yura/internet/01ia-seminar-note.pdf, свободный. — Электрон. версия печ. публикации
- Визуализация данных // Microsoft Power BI [Электронный ресурс] /. — Электрон. текстовые дан. — Режим доступа: https://powerbi.microsoft.com/ru-ru/, свободный (дата обращения: 22.05.2020).
- Деревья решений — общие принципы работы // BaseGroup Labs [Электронный ресурс] /. — Электрон. текстовые дан. — Режим доступа: https://basegroup.ru/community/articles/description, свободный (дата обращения: 18.05.2020).
- Логистическая регрессия и ROC-анализ // BaseGroup Labs [Электронный ресурс] /. — Электрон. текстовые дан. — Режим доступа: https://basegroup.ru/community/articles/logistic, свободный (дата обращения: 18.05.2020).
- Национальный открытый университет «Интуит» [Электронный ресурс]. – Режим доступа: http://www.intuit.ru/studies/courses/6/6/lecture/200?page=1, свободный, (дата обращения: 20.05.2020).
- Нейросеть // BaseGroup Labs [Электронный ресурс] /. — Электрон. текстовые дан. — Режим доступа: https://basegroup.ru/deductor/function/algorithm/neuronet, свободный (дата обращения: 18.05.2020).
- Никульская, Н.А. Задачи, модели и методы Data Mining [Электронный ресурс] / Н.А. Никульская. — Электрон. текстовые дан. — Режим доступа: http://elib.sfu-kras.ru/bitstream/handle/2311/20642/Nikul’skaya_(2).pdf. — Электрон. версия статьи
- Обзор методов Data Mining [Электронный ресурс] /. — Электрон. текстовые дан. — 2017. — Режим доступа: https://ai-news.ru/2017/08/obzor_metodov_data_mining_intellektualnyj_analiz_dannyh.html
- Портал для студентов «Студми» [Электронный ресурс]. – Режим доступа: http://studme.org/1813022725076/menedzhment/sistemy_upravleniya_bazami_dannyh_naborom_algoritmov_data_mining, свободный, (дата обращения: 20.05.2020).
- Data Mining — добыча данных // BaseGroup Labs [Электронный ресурс] /. —— Режим доступа: https://basegroup.ru/community/articles/data-mining, свободный (дата обращения: 16.05.2020).
- Data Mining. Курс лекций // НОУ ИНТУИТ [Электронный ресурс] /. — Электрон. текстовые дан. — Режим доступа: https://www.intuit.ru/studies/courses/6/6/lecture/158, свободный (дата обращения: 16.05.2020).
- Microsoft Power BI — набор средств бизнес-аналитики для анализа данных и предоставления ценной информации // BI CONSULT [Электронный ресурс] — Режим доступа: https://biconsult.ru/products/microsoft-power-bi-nabor-sredstv-biznes-analitiki-dlya-analiza-dannyh-i-predostavleniya, свободный (дата обращения: 26.05.2020).
- QlikView — Powerful Interactive Analitics & Dashboards // Qlik [Электронный ресурс] — Режим доступа: https://www.qlik.com/us/products/qlikview, свободный (дата обращения: 22.05.2020).
- QlikView и плагины — система бизнес анализа от экспертов // BI CONSULT [Электронный ресурс] — Режим доступа: https://biconsult.ru/products/qlikview, свободный (дата обращения: 22.05.2020).
- Tableau — система интерактивной бизнес аналитики // BI CONSULT [Электронный ресурс] — Режим доступа: https://biconsult.ru/products/tableau, свободный (дата обращения: 23.05.2020).
- Tableau Desktop // Tableau [Электронный ресурс] — Режим доступа: https://www.tableau.com/products/desktop, свободный (дата обращения: 23.05.2020).