Разработка математического обеспечения для анализа и прогнозирования продаж супермаркета

С появлением смартфонов и беспроводного интернета, появилась возможность для индивидуального предпринимателя использовать современные технологии на своих торговых предприятиях. Развитие интернет-технологий способствует тому, что можно не только хранить данные в базах, но и иметь постоянный доступ к ним. 

Это отражено в файле urls.py. Содержание рассмотрено в листинге 2.

1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ, ИССЛЕДОВАНИЕ И РАССМОТРЕНИЕ АНАЛОГОВ

1.1. Постановка задач

1.2. Актуальность задач

1.3. Анализ и прогнозирование продаж супермаркета

1.3.1. Проблемы анализа и прогнозирования продаж в супермаркете

1.4. Обзор программных аналогов системы

1. Datapine (это платная программа с закрытым исходным кодом, работающая на многих платформах, в числе которых Mac, Web и Windows).

3. MSD Sales (визуальный коммерческий инструмент анализа).

2. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

2.1. Описание функциональности системы

2.2. Пользовательский сценарий

2.3. Указание параметров анализа. Основные параметры.

2.5. Язык программирования

2.6. Обзор и выбор подходящих технологий

2.8. Модели, виды и шаблоны

2.9. Обоснование выбора программной платформы

2.11. Основные методыа нализа и прогнозирования

2.11.1. ABC анализ

2.11.2. Анализ тенденций и динамики

2.11.4. Методы нахождения оптимальных параметров модели

3. РЕАЛИЗАЦИЯ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

3.1. Разработка каркаса Web-приложения

3.2. Разработка моделей

3.3. Разработка компонентов.View.

3.4. Функции для работы с данными. Методы моделей.

3.5. Реализация графических элементов

3.6. Тестовые данные

Заключение

Список литературы

1. Kate, A. Smith. Neural Networks in Business: Techniques and Applications / A. Smith. Kate, N. D. Jatinder. – Лондон: Idea Group Publishing, 2002. – 272 c.

2. Django over view [Электронный ресурс]. – Режим доступа: https://www.django project.com/start/overview/, свободный. – Загл. с экрана.

3. How to Perform Sales Trend Analysis For Your Retail Business [Электронный ресурс]. – Режим доступа: https://www.nchannel.com/blog/how-to-perform-sales-trend-analysis/, свободный. – Загл. с экрана.

4. A Guide to Time Series Forecasting with ARIMA in Python 3 [Электронный ресурс]. – Режим доступа: https://www.digitalocean.com/community/tutorials/a-guide-to-time-series-forecasting-with-arima-in-python-3, свободный. – Загл. с экрана.

5. Stats Models Documentation [Электронный ресурс]. – Режим доступа :http://www.statsmodels.org/dev/index.html, свободный. – Загл. с экрана.

6. SARIMAX Analysis | Seasonal ARIMA Exogenous | Reference Manual | Num XL [Электронный ресурс]. – Режим доступа: http://www.spiderfinancial.com/support/documentation/numxl/reference-manual/arma-analysis/sarimax-analysis, свободный. – Загл. с экрана.

7. NumPyReference [Электронный ресурс]. – Режим доступа: https://docs.scipy.org/doc/numpy/reference/, свободный. – Загл. с экрана.

8. Стив, Макконнелл. Совершенный код. Мастер-класс / Макконнелл. Стив. – М.: "Русская редакция", 2010. – 889 c.

9. Sunil, Supra. Artificial Neural Networks: State of the Art in Business Intelligence / Supra. Sunil. // Business and Economics Journal. – 2016. – 7. – 

С. 1-2.

10. Autoregressive integrated moving average - Wikipedia [Электронный ресурс]. – Режим доступа: https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average, свободный. – Загл. с экрана.