АНАЛИЗ КОММЕРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ИТ КОМПАНИЙ РОССИИ С ИСПОЛЬЗОВАНИЕМ КАРТ КОХОНЕНА

ANALYSIS OF COMMERCIAL ACTIVITIES OF RUSSIAN IT COMPANIES USING KOHONEN MAPS

Rostislav Dzhangoev

student, Department of Information Technologies and Instrumental Methods in Economics, N. I. Lobachevsky State University of Nizhny Novgorod,

Russia, Nizhny Novgorod

АННОТАЦИЯ

Для проведения анализа коммерческой деятельности возможно использовать разные подходы. В данной статье используется подход с использованием карт Кохонена. С помощью кластеризации проводится анализ зависимости одних показателей от других.

ABSTRACT

Different approaches can be used to analyses commercial activities. This article uses the Kohonen Maps approach. Clustering is used to analyses the dependence of some indicators on others.

Ключевые слова: карты Кохонена, анализ, ИТ компании, кластеризация.

Keywords: Kohonen maps, analysis, IT companies, clustering.

Информационные системы развеваются и с ними и развиваются ИТ отрасль в России. С каждым годом в России появляться все большой ИТ компаний в России. Для оценки их рентабельности на рынке мною было принято решение провести анализ коммерческий деятельности по ИТ компаниям России. Так же интересом является посмотреть каким образом повлияло пандемия коронавирусной инфекции на ИТ компании. Улучшилось ли состояние компаний за счет увеличения цифровых услуг или ухудшил за счет увеличения сотрудников на удаленной работе. Наилучшим sвариантом. Для оценки коммерческой деятельности компаний будет использование данных находящиеся открытом доступе и из официальных источников. К таким данным можно отнести:

1. Чистая прибыль компании за 2019 год, которую можно получить из бухгалтерской отчетности за соответствующий год.

2. Чистая прибыль за 2020 год, так же из бухгалтерской отчётности компании

3. Количество зарегистрированных сотрудников за 2020 год, которая публикуются в отчетах компании.

4. Выручка компании за 2020 год, которую можно получить из официальных годовых отчетов или бухгалтерской отчетности.

Из этих данных сформируются два других показателя которые будут более эффективны при проведении анализа коммерческой деятельности. Этими показателями являются:

1. Эффективность выработки сотрудников выражающиеся через соотношение выручки за год и количеству сотников в году

2. Динамика чистой прибыли в год выражаться через соотношение чистой прибыли в 2020 году к прибыли в 2019 году.

При оценки коммерческой деятельности по более чем одному показателю возникают ситуации, при которых возникают противоречия. К таким ситуациям можно отнести вариант, при котором по разные показатели полностью противоположны по отношению в таблице составленного рейтинга по каждому показателю отдельно. В таких ситуациях необходимо применять более сложные методы анализа коммерческих данных.  К такой методики можно отнести можно отнести анализ с использованием технологий искусственного интеллекта. Из методов, применяемых искусственный интеллект для анализа, наиболее подойдет нейросетей кластерный анализ, так как этот метод, а данный момент актуален и согласован с государственной политикой по развитию нейронных технологии.

Целью данной статьи является оценка эффективности коммерческой деятельности ИТ компании России в 2020 году. С использование технологий искусственного интеллекта, а именно нейросетевого кластерного анализа с применением карт Кохонена. Объектом исследования являются ИТ компании, выполняющие свою деятельность на территории Российской Федерации, предметом исследования является коммерческая деятельность.

Поставлены следующие задачи для решения поставленной цели:

1. Составления набора данных для оценки коммерческой деятельности ИТ компании в России

2. Проведения кластерного анализа на составленном наборе данных

3. Анализ коммерческой деятельности по полученным данным

Самоорганизующиеся карты Кохонена – это одна из разновидностей нейросетевых алгоритмов. Этот алгоритм решает задачи кластеризации и проецирования многомерного пространства в пространство с более низкой размерностью. Он часто применяются для решения самых различных задач, от восстановления пропусков в данных до анализа и поиска закономерностей.

Deductor – программа которая будет использована для моделирования Карт Кохонена. Deductor – это программная платформа продвинутой аналитики, позволяющая создавать законченные прикладные аналитические решения для бизнеса.

При анализе коммерческой деятельности ИТ компании в России входными данными для нейронных сетей будут следующие показатели:

1. X1 – Динамика чистой прибыли компании в 2020 году к 2019 году (проценты)

2. X2 – Чистая прибыль в 2020 году (десять тысяч рублей)

3. X3 – Выручка на одного сотрудника, является отношением выручки в 2020 году к количеству сотрудников компании в 2020 году (десять тысяч рублей)

Данные были получены из бухгалтерских отчетов и официальных источников компаний.

Рассмотрим процесс кластеризации с использованием исходных данных. Первым пунктом является формирования набора карт с разными показателями. К таким показателям можно отнести: количество эпох, радиусы начала и конца обучения, размер карты, процент ошибки и т.д. Следующим пунктом будет выбор наилучшей карты основываясь на минимальной сумме максимальной и средней ошибки квантования. Следующим шагом будет провести анализ с темы же картами и показателями только с измененном количеством кластером, чтобы установить стабильное количество кластеров для анализа.

После проведённого анализа мной было установлено, что стабильным количеством кластеров будет 3, при 4 кластеров появляется кластер с единичным значением во всех картах, которые были проведены при 3 кластерах.

Карта с наилучшими показателями была со следующими параметрами: размер карты 9x8, количество эпох 500, количество кластеров 3, радиус в конце 0.05)

Карта с наилучшими показателями проведена в Таблице 1.

Таблица 1.

Карта с лучшими данными за 2020 год

Нормированные значения показателей Х1, Х2, Х3 для каждого кластера с лучшими показателями приведены в таблице 2.

Таблица 2.

Нормирование значения показателей по кластерам

Основываясь на данных из таблицы 2. Построим диаграмму изображенную на рисунке 1.

Рисунок 1. Лепестковые диаграмм кластеров

Далее рассмотрим каждый кластер по отдельности и проведем примеры компаний в каждом кластере для примера.

В кластер 0 входят компании с наибольшими показателями по всем терм исследуемым входным данным. Данные компании являются наиболее эффективными с коммерческой точки зрения. Данные компании имеют наибольшую прибыль за 2020 год, наибольший прирост прибыли и с хорошей эффективностью работы на одного сотрудника в 2020 году. К таким компаниями относиться: 1C, Ростелеком, Ремаркс групп, Галэкс, Крокс, лига цифровой экономики, НАГ, НВБС.

В кластер 1 входят ИТ компании со средними показателями по всем входным данным или данными с разными противоположными показателями. К таким данным можно отнести имеют среднею прибыль, но динамика прибыли является низка или отрицательная. Так же имеют низкий показатель эффективности на одного сотрудника. Еще компании с низкой прибылью но с высоким показателем динами прибыли. К таким компаниям относиться: EPAM systems, ОСЦ дестрибуция, Новый Ай-Ти Проек, Форс, Тегрус, software one, DC logic.

В кластер 2 входят компании, которые имеют низки показатели по всем входным данным. Прибыль является минимальной или отрицательно. Динамика прибыли так же минимальна или отрицательно и с минимальной эффективностью на одного сотрудника. К таким компаниям относиться: БАРС Груп, Ангара, Борлас, БСС, ИБС, код безопасности, Икс ком, Информзащита, Информационные технологии будущего, Парма Технолоджис Груп, Манго Телеком, Программный Продукт.

Анализируя данные, полученные из кластеров, можно сделать несколько выводов:

1. ИТ компании, находящие в кластере 0, имеют стабильное развитие, данные компании улучшили свое финансовое состояние в 2020 году, так же эффективная работа позволила улучшить показатели даже во время пандемии

2. ИТ компании, находящиеся в кластере 1 имеют стабильное состояние, по некоторым показателям улучшили свое состояние, но в общую картину находятся на том же уровне что и в 2019 году. Что говорит о работе по сохранению коммерческой стабильности в 2020 году.

3. ИТ компании, находящиеся в кластере 3 имеют наихудшее состояние их набора компаний. Компании по все показателям минимальны или отрицательны относительно других. Это говорит, что компании не смогли перенести пандемию. Работа проводимая в компании работа для подержания стабильности и финансовой эффективности работы не удалась.

Данный кластерный анализ позволил оценить коммерческую деятельность ИТ компаний в России в 2020 году. Понять, как повлияла пандемия и изменения образа работы компаний в 2020 году.

Список литературы:

1. Бухгалтерия России: Бухгалтерская отчетность всех предприятий РФ: https://www.audit-it.ru/buh_otchet// (дата обращения: 24.04.2022).
2. Рейтинг Крупнейшие ИТ-компании России: https: //www.cnews.ru/news/top/2021-06 01_cnews_analytics_predstavlyaet_cnews100/ (дата обращения: 24.04.2022).
3. Крупнейшие ИТ-компании в России 2021: https://www.tadviser.ru/index.php/Статья:Ранкинг_TAdviser100:_Крупнейшие_ИТ-компании_в_России_2021 (дата обращения: 24.04.2022).