Витяг цінної інформації з величезних обсягів даних стає ключовим фактором конкуренції і розвитку компаній і створює передумови для зміни бізнес-процесів, що діють у фармацевтичній галузі. Одним з методів обробки великих даних є аналіз відеоданих, отриманих з різних джерел.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Умаров С.З., Наркевич К.И.


Pharmaceutical retail visitor traffic intensity analysis using big data technology elements

Extracting valuable insights from vast quantities of data becomes a key factor in developing new competitive advantages and companies 'growth and creates the prerequisites for changing business processes in the pharmaceutical industry. The analysis of video data obtained from various sources is one of the methods for processing big data. Intelligent video surveillance systems built on hardware devices enabling solutions designed to automatically detect events that will match the predefined criteria and reaction to the systems disclosure according to the established rule in real time can analyse significant volumes of video information. The analysis was performed using a state-of-the art video monitoring system with a unique video analytics complex, which has the function of the People Counting module. The analysis of 800 GB of video data provided information on the visitor traffic dynamics during various working hours, which showed that the average number of visitors per time unit (hour) depends both on the time of year and the time of day. Nevertheless, the variability of pharmacy visitor traffic can not be called high; it can be characterized as moderate (minimum 17%, maximum 40%). But even a moderate variability of visitor traffic affects the intensity of labour of pharmaceutical personnel.


Область наук:

  • Комп'ютер та інформатика

  • Рік видавництва: 2018


    Журнал: Ремедиум. Журнал про російський ринок ліків і медичної техніки


    Наукова стаття на тему 'АНАЛІЗ ИНТЕНСИВНОСТИ Відвідувальні ТРАФІКУ В ФАРМАЦЕВТИЧНОМУ ритейлу З ВИКОРИСТАННЯМ ЕЛЕМЕНТІВ ОБРОБКИ ВЕЛИКИХ ДАНИХ (BIG DATE)'

    Текст наукової роботи на тему «АНАЛІЗ ИНТЕНСИВНОСТИ Відвідувальні ТРАФІКУ В ФАРМАЦЕВТИЧНОМУ ритейлу З ВИКОРИСТАННЯМ ЕЛЕМЕНТІВ ОБРОБКИ ВЕЛИКИХ ДАНИХ (BIG DATE)»

    ?1-2-2Л81 PfMflUUM

    МЕНЕДЖМЕНТ

    С.З. Умаров, д.фарм.н., професор

    К.І. Наркевичі, Санкт-Петербурзька державна хіміко-фармацевтична академія МОЗ Росії 10.21518 / 1561-5936-2018-1-2-60-63

    Аналіз інтенсивності для відвідувачів трафіку

    У ФАРМАЦЕВТИЧНОМУ ритейлу З ВИКОРИСТАННЯМ ЕЛЕМЕНТІВ ОБРОБКИ ВЕЛИКИХ ДАНИХ (BIG DATE)

    Витяг цінної інформації з величезних обсягів даних стає ключовим фактором конкуренції і розвитку компаній і створює передумови для зміни бізнес-процесів, що діють у фармацевтичній галузі. Одним з методів обробки великих даних є аналіз відеоданих, отриманих з різних джерел.

    Ключові слова:

    великі дані, фармацевтичний ритейл, відеоаналітіка, аналіз для відвідувачів трафіку

    Провести аналіз значних обсягів відеоінформації можуть системи інтелектуального відеоспостереження, які є комплексом апаратних і програмних засобів, призначених для автоматичного виявлення подій, визначених набором заздалегідь заданих критеріїв, і реакції на їх виявлення за встановленим правилом в режимі реального часу. У роботі використовувалася сучасна система відеомоніторингу з унікальним комплексом відеоаналітики, що володіє функцією модуля «Аналітика підрахунку відвідувачів». В результаті аналізу 800 ГБ відеоданих була отримана інформація про динаміку Відвідувальні трафіку в різні періоди робочого дня і встановлено, що середнє число відвідувачів в одиницю часу (годину) залежить як від пори року, так і від часу доби. Проте варіабельність для відвідувачів трафіку аптеки не можна назвати високою, її можна охарактеризувати як помірну (мінімум 17%, максимум 40%). Але наявність навіть помірної варіабельності для відвідувачів трафіку позначається на інтенсивності праці фармацевтичного персоналу.

    Сучасна економіка все більше і більше завойовує цифрове простір. Вражаюче зниження витрат, необхідних на отримання, обробку та передачу інформації, змінює спосіб ведення бізнесу. Віртуальний простір, в свою чергу, чинить все більш інтенсивний вплив на людину і його діяльність. Це пояснюється тим, що кардинальні інновації в обчислювальній техніці і методах створення, передачі та обробки інформації всіх видів призводять до зародження принципово нових культурних тенденцій

    SUMMARY

    Keywords: big data, pharmaceutical retail, video analytics, visitor traffic analysis

    Extracting valuable insights from vast quantities of data becomes a key factor in developing new competitive advantages and companies 'growth and creates the prerequisites for changing business processes in the pharmaceutical industry. The analysis of video data obtained from various sources is one of the methods for processing big data. Intelligent video surveillance systems built on hardware devices enabling solutions designed to automatically detect events that will match the predefined criteria and reaction to the systems disclosure according to the established rule in real time can analyse significant volumes of video information. The analysis was performed using a state-of-the art video monitoring system with a unique video analytics complex, which has the function of the People Counting module. The analysis of 800 GB of video data provided information on the visitor traffic dynamics during various working hours, which showed that the average number of visitors per time unit (hour) depends both on the time of year and the time of day. Nevertheless, the variability of pharmacy visitor traffic can not be called high; it can be characterized as moderate (minimum 17%, maximum 40%). But even a moderate variability of visitor traffic affects the intensity of labour of pharmaceutical personnel.

    S.Z. UMAROV, Pharm.D, Prof., K.I. NARKEVICH, Saint Petersburg State Chemical Pharmaceutical Academy of the Ministry of Health of Russia. PHARMACEUTICAL RETAIL VISITOR TRAFFIC INTENSITY ANALYSIS USING BIG DATA TECHNOLOGY ELEMENTS

    60

    в житті суспільства і сприйнятті навколишнього світу, причому цей вплив носить глобальний характер завдяки не тільки успішному розвитку нових технологій, але і їх широкому використанню [1].

    В інформаційному суспільстві в значній мірі змінюються уявлення про роль і можливості використання інформаційних ресурсів в різних сферах життя. У зв'язку з доступністю і простотою поширення інформації нові технології по роботі з нею знаходять широке застосування в політичній, економічній і соціальній життя. Інформація використовується, перш за все, як засіб цільового масового впливу на стан суспільства, стаючи механізмом управління ним, на потенціал розвитку людини [2]. Актуальна і достовірна інформація, що надається в форматі відкритих даних, стає рушієм розвитку різних областей. Вищевикладене відноситься і до сфери фармацевтичної діяльності, коли перед фахівцем стоїть завдання нагляду (контролю) за об'єктами, явищами і процесами фармацевтичного ринку. В результаті спостереження відбувається отримання інформації в інформаційному полі [3, 4], накопичення досвіду і формування описів об'єктів, явищ і процесів.

    Зростання обсягів інформації, що збирається і вимога її обробки і зберігання роблять актуальними дослідження в області методів і алгоритмів аналізу великих і надвеликих масивів даних.

    Вперше термін «великі дані» був запропонований в 1998 р Джоном Меші, головним спеціалістом компанії Silicon Graphics, але в той час термін не став популярним [5]. Проблемою великих даних в нашій країні займався академік В.М. Глушков, який ще в 1987 р охарактеризував Big Data як «інформаційний бар'єр» [6]. Одними з перших запропонували використовувати великі дані в практичних цілях фахівці з дослідницько-консалтін-говой компанії Gartner. Ними було запропоновано визначення Big Data

    «... як набору даних, збір, управління і обробку яких неможливо здійснити з допомогою найбільш часто використовуваних апаратних середовищ і програмних інструментів протягом допустимого для користувача часу» [7].

    Починаючи з 2009 р Big Data стали цікавитися не тільки вчені, а й бізнесмени різних галузей, включаючи фармацевтичну. У 2010 р з'явилися перші спеціальні програмні і технічні продукти, призначені виключно для обробки великих обсягів даних. З 2011 р найбільші постачальники інформаційних технологій IBM, Oracle, Microsoft, Hewlett-Packard, EMC стали орієнтувати стратегії свого розвитку на великі дані. До 2020 р прогнозується збільшення обсягів інформації більш ніж в 50 разів, що, в свою чергу, вимагатиме збільшення кількості необхідних для її зберігання серверів в 10 разів. Це, безумовно, обіцяє більш ніж райдужні перспективи для виробників не тільки різного роду носіїв інформації, але і всіх відповідних деталей і комплектуючих, кабельної продукції, іншого сировини для модулів [8].

    Однак набагато більш істотний ефект забезпечується не стільки зберіганням, скільки обробкою і аналізом інформації, що дозволяє витягувати економічну вигоду саме з великих обсягів даних, різноманіття їх видів, джерел, сфер, а також високій швидкості оновлення та поповнення, причому коло бенефіціарів не обмежується виключно інформаційно -коммунікаціоннимі компаніями (ІКТ-компаніями) [9]. Вищевикладене також може представляти інтерес і для фармацевтичної галузі. Для Росії тема Big Data актуальна нітрохи не менше, ніж для решти світу. За різними оцінками, цифрова економіка становить від 3 до 21% ВВП країн «Великої двадцятки», однак вітчизняна економіка ще не досягла значних результатів в роботі з великими даними. Сьогодні в Росії подібними технологіями цікавляться в основному

    комерційні підприємства: торговельні мережі, банки, телекомунікаційні компанії. За оцінкою Російської асоціації електронних комунікацій, обсяг цифрової економіки в РФ в 2015 р склав всього 1 трлн руб. (Близько 1,5% від ВВП). Проте наша країна має величезний потенціал зростання цифрової економіки [10]. Так, згідно з результатами нового дослідження CNews Analytics і Oracle, рівень зрілості російського ринку Big Data за останній рік підвищився. Респонденти, що представляють 108 великих підприємств з різних галузей, продемонстрували більш високий ступінь поінформованості про ці технології, а також склалося розуміння потенціалу подібних рішень для свого бізнесу. Готовність до проектів Big Data зростає в різних галузях економіки Росії. Більше третини опитаних компаній (37%) приступили до роботи з технологіями Big Data, з них 20% вже використовують такі рішення, а 17% починають експериментувати з ними. Ще більше третини (36%) респондентів в даний момент розглядають можливість їх використання в найближчій перспективі [11]. У «Стратегії розвитку галузі інформаційних технологій в Російській Федерації на 2014-2020 роки і на перспективу до 2025 року» технології обробки великих даних позначені в числі «проривних для світової індустрії, в яких в перспективі 10-15 років з високою ймовірністю може бути забезпечена глобальна технологічна конкурентоспроможність Росії »[12]. Перед більшістю фармацевтичних фірм Росії стоїть мета максимально використовувати наявні корпоративні ресурси для забезпечення стабільного розвитку. Стратегію бізнесу слід формувати на основі оцінки ресурсів самого підприємства і стану зовнішнього середовища [13]. Поява нових даних і методів аналізу створює передумови для зміни бізнес-процесів в компаніях, що працюють у фармацевтичній галузі. Особливо це актуально для фармацевтичного ритейлу, де в минулому ні дані, ні аналітика

    1-2-2018 PfMflUUM

    МЕНЕДЖМЕНТ

    62

    таблиця ^^ Показники інтенсивності для відвідувачів трафіку в аптеці

    Період спостереження Число спостережень (годину) Середнє значення (чол.) Мінімальне значення (чол.) Максимальне значення (чол.) Стандартне відхилення (чол.) Коефіцієнт варіації (%)

    Пора року Час доби

    ЗИМА Ранок 200 13 7 19 2 19

    День 200 16 7 28 4 24

    Вечір 200 18 7 34 4 25

    ВЕСНА Ранок 200 15 7 22 2 17

    День 200 17 5 25 3 19

    Вечір 200 19 7 33 5 24

    ЛІТО Ранок 200 12 4 19 2 20

    День 200 14 5 26 3 24

    Вечір 200 15 3 29 5 31

    ОСІНЬ Ранок 200 16 6 26 3 20

    День 200 18 5 28 4 24

    Вечір 200 15 0 34 6 40

    не грали великої ролі. Якість і актуальність даних мають визначальне значення для результатів аналізу.

    Звичайно, з точки зору бізнесу великі дані - це всього лише технологія, що розглядається як «чорний ящик». Вона має свої переваги і недоліки і дозволяє, потрапивши до грамотного керівника, підвищити прибуток підприємства.

    Короткий список методів аналізу структурованих і неструктурованих даних в технології Big Data Analysis включає [14]:

    1. Методи інтелектуального аналізу Data Mining, а саме: навчання асоціативним правилами, класифікацію, кластерний аналіз та регресійний аналіз.

    2. Методи прогнозної аналітики.

    3. Статистичний аналіз.

    4. Візуалізацію аналітичних даних.

    Відповідно до вищесказаного нами був запропонований алгоритм динамічної оцінки трафіку відвідувачів на основі існуючих систем відеоаналітики. Інтелектуальне відеоспостереження (IVS) або відеоаналітіка (video analytics) аналізують відео без прямої участі людини, спираючись на алгоритми обробки зображення і розпізнавання образів. Відеоаналітіка використовується в складі інтелектуальних систем відеоспостереження. системи інтелектуальні-

    ного відеоспостереження - це комплекс апаратних і програмних засобів, призначених для автоматичного виявлення подій, визначених набором заздалегідь заданих критеріїв, і для реакції на виявлення за встановленим правилом в режимі реального часу. В даний час широке застосування знайшли такі системи інтелектуального відеоспостереження, як Маогесор і 1ТУ, Інтелектуальне відеоспостереження Маогесор сприяє збільшенню функціональності системи відеоспостереження та включає наступні інтелектуальні модулі: модуль інтерактивного пошуку, контроль касових операцій; модуль трекінгу, що дозволяє відстежувати рухомі об'єкти в поле зору камери; модуль підрахунку відвідувачів; модуль виявлення і розпізнавання осіб; модуль розпізнавання номерів. Інтелектуальне відеоспостереження 1ТУ призначене для різних областей людської діяльності, інноваційні розробки 1ТУ включають відеоаналітіка програмного комплексу «Інтелект» (система відеодетектора і система інтелектуального пошуку в відеоархіву), модуль розпізнавання автомобільних номерів (розпізнавання державних реєстраційних знаків транспортних засобів по відеозображення) і ін. Інтелектуальне відеоспостереження 3VR - сучасна система відео-

    моніторингу з унікальним комплексом відеоаналітики, застосування якої дозволяє не тільки фіксувати події, а й попереджати можливі загрози оперативним реагуванням на них [15]. Нами було запропоновано використовувати функції модуля «Аналітика підрахунку відвідувачів», що дозволило визначати кількість увійшли і вийшли з аптеки людей в реальному часі, а також будувати звіти про знаходяться в торговому залі відвідувачів за будь-який проміжок часу по одній або декільком камерам. В результаті були отримані дані про динаміку Відвідувальні трафіку в різні періоди робочого дня: ранок (8: 0012: 00), обід (13: 00-17: 00) і вечір (18: 00-21: 00). Вихідний обсяг відеоінформації, що підлягає первинній обробці, склав більше 800 ГБ. Однак після первинної обробки отримані дані стало можливим вивантажити спочатку в стандартний табличний процесор Excel, а потім провести обробку. Структура даних, призначених для подальшої обробки, представляла собою набір з 12 змінних і 200 випадків спостережень. Кожна з змінних представляла собою відомості про динаміку Відвідувальні трафіку в конкретному часовому зрізі (ранок, день, вечір) за кожну годину. Кількість спостережень для кожної змінної склало 200 годин, що дозволило

    охопити в цілому 2 400 робітників годин, які складають 66,7% всього річного бюджету робочого часу (при 10-годинному робочому дні). Результати статистичної обробки даних і отримані на їх основі показники інтенсивності для відвідувачів трафіку в аптеці представлені в таблиці.

    Як випливає з даних, представлених в таблиці, середнє число відвідувачів в одиницю часу (годину) залежить як від пори року, так і від часу доби. Проте варіабельність для відвідувачів трафіку аптеки не можна назвати високою, скоріше, її можна охарактеризувати як помірну (мінімум 17%, максимум 40%). Однак наявність навіть помірної варіабельності для відвідувачів трафіку позначається на інтенсивності праці фармацевтичного персоналу, робоча зміна якого представлена ​​двома фахівцями. Для об'єктивізації твердження про достовірності відмінності показників для відвідувачів трафіку в різний час доби був проведений порівняльний аналіз середніх значень для відвідувачів трафіку в зимовий період в різний час доби. З цією метою нами був застосований метод аналізу декількох вибірок. Найважливішим питанням, що виникають при аналізі вибірок, є питання про наявність відмінностей між ними. В якост-

    малюнок ^^ Динаміка Відвідувальні трафіку в зимовий час

    ? ?

    з ?

    | Середнє? Середнє + ^ SE I Середнє ± SE

    Ранок

    день

    вечір

    стве заходи оцінки був використаний критерій Стьюдента ^ критерій), який дозволяє знайти ймовірність того, що розглядаються середні значення у вибірці відносяться до однієї і тієї ж сукупності. Цей критерій найбільш часто використовується для перевірки гіпотези: «середні двох вибірок відносяться до однієї і тієї ж сукупності» (нульова гіпотеза). Відповідно, альтернативна гіпотеза заснована на протилежному судженні і передбачає істотні відмінності між середніми величинами. В результаті аналізу для відвідувачів трафіку в зимовий період

    в різний час доби було встановлено достовірно статистично значуща відмінність, що знайшло графічне відображення на діаграмі розмаху (рис.).

    Таким чином, на основі використання елементів аналізу Big Date стало можливим зробити перші спроби прогнозування соціально-демографічних і поведінкових характеристик відвідувачів і створення профілю «типового клієнта». Це може бути корисним як для оперативного управління, так і для таргетування реклами, аналізу рекламних _ каналів і ін.

    ДЖЕРЕЛА

    1. Портер М.Е. Конкуренція. Пер. з англ. М .: Видавничий будинок Вільямс, 2005. 608 с.

    2. Булгакова Є.В., Булгаков В.Г., Акімов В.С. Використання великих даних в системі державного управління: умови, можливості, перспективи. Юридична наука і практика: вісник Нижегородської академії МВС Росії, 2015 року, 3 (31): 10-14.

    3. Денисов А.А. Інформаційне поле. М .: «Омега», 1998. 64 с.

    4. Цветков В.Я. Природне і штучне інформаційне поле. Міжнародний журнал прикладних фундаментальних досліджень, 2014 року, 5, ч. 2: 178-180.

    5. Великі Дані - нова теорія і практика [Електронний ресурс]. Відкриті системи. Режим доступу https://www.osp.ru/ os / 2011/10/13010990.

    6. Глушков В.М. Основи безпаперової інформатики. М .: Наука, 1987. 557 с.

    7. Адріан М. Великі дані. Teradata Magazine, 2011, 11: 38-42.

    8. Васев П.А. Середовище підтримки інтерактивної візуалізації для суперкомп'ютерних обчислень. Питання атомної науки і техніки. Серія: Математичне моделювання фізичних процесів 2009, 4: 67-77.

    9. Авербух В.Л., Байдалін А.Ю., Васєв П.А. і ін. Завдання візуалізації паралельних обчислень. Питання атомної науки і техніки. сер.

    Математичне моделювання фізичних процесів, 2002 3: 40-52.

    10. Короткова Т. EMC Data Lake 2.0 - засіб переходу до аналітики великих даних і цифрову економіку [Електронний ресурс]. CNews -видання про високі технології. Режим доступу http://bigdata.cnews.ru/ news / line / 2015-12-03_emc_data_lake_20_pomozhet_perejti_k_analitike.

    11. Дослідження Oracle і CNews Analytics: Великі дані прийшли в Росію [Електронний ресурс]. Оракл Росія і СНД. Режим доступу. https://www.oracle.com/ru/corporate/pressrelease/study-of-oracle-and-cnews-analytics-20150226.html.

    12. Розпорядження Уряду РФ від 01.11.2013 N 2036-р «Про затвердження Стратегії розвитку галузі інформаційних технологій в Російській Федерації на 2014 - 2020 роки та на перспективу до 2025 року» [Електронний ресурс]. Система Гарант. - Режим доступу http://base.garant.ru/70498122/*ixzz513wEv1HV.

    13. Головіна Т.А., Романчін В.І., Закіров А.І. Розвиток технологій бізнес-аналітики на основі концепції Business Intelligence. Известия Тульського державного університету. Економічні і юридичні науки, 2014 року, 5-1: 416-424.

    14. Tan P, Steinbach M, Kumar V. Introduction to Data Mining. N.Y: Addison-Wesley, 2005. 769 p.

    15. Інтелектуальна відеоаналітіка [Електронний ресурс]. Авіор-технічні засоби охорони. Режим доступу: http://aviorst.ru/services/ intellektualnaya_videoanalitika /.


    Ключові слова: ВЕЛИКІ ДАНІ /BIG DATA /ФАРМАЦЕВТИЧНИЙ ритейлу /PHARMACEUTICAL RETAIL /відеоаналітіка /VIDEO ANALYTICS /АНАЛІЗ Відвідувальні ТРАФІКУ /VISITOR TRAFFIC ANALYSIS

    Завантажити оригінал статті:

    Завантажити