Автоматизация учета и прогнозирования временных затрат сотрудников отдела управляющей документации на предприятии

Рисунок 2.3.1 Схема СМО

Однако, если интенсивность потока (м) известна для каждого типа работ, то время обслуживания каналом одной заявки (t) необходимо найти из сырых данных. Для того, чтобы определить параметр t, можно найти разницу в днях между датой закрытия заявки (Last modified date) и датой поступления заявки на отдел (Submit date) и затем рассчитать среднее количество времени на обработку каждого типа заявок.

Данные интенсивности потока получены как единицы в месяц, однако будем рассматривать систему как однопоточную, а соответственно, можем рассчитать интенсивность потока для каждого типа работ как сумму по трём месяцам. Потому, получаем следующие условия: мn = 4 для заявок типа New; мr = 21 для заявок типа Review; мm = 20 для заявок типа Minor changes.

Поскольку данные о времени обработки заявок каждого типа выбираются из сырых данных, время t может быть рассчитано с большой погрешностью из-за имеющихся в данных выбросах, если будет браться как среднее значение наблюдений. Поэтому, для того чтобы снизить погрешность и приблизить значения t для всех типов работ используется медиана, которая приближена к значениям большинства наблюдений.

При этом также следует учитывать, что t представлено в днях, а м в единицах за три месяца. Соответственно, чтобы привести данные к одинаковым единицам измерения, дням, необходимо разделить количество заявок на 30 дней. Проведя расчёты получаем следующие результаты входных условий для СМО, представленные в таблице 2.3.1.

Таблица 2.3.1 Входные условия задачи СМО

	New	Review	Minor changes
м	4/30	21/30	20/30
t	19	20	11
??	2,53	14	7,33

Из приведённой таблицы очевидно, что наибольшую нагрузку отдел получает от работ типа Review, так как обработка крупных изменений занимает наибольшее время, при этом самих заявок с таким статусом поступает достаточно много. Это объясняется тем, что разработка новой документации может включать в себя разработку небольших документов, в то время как для внесения крупных изменений может потребоваться гораздо больше времени на согласования и внесения изменений в какой-либо объёмный документ.

Итак, чтобы рассчитать пропускную способность для каждого количества каналов от 0 до n, прежде всего необходимо последовательно рассчитать параметры Pn - вероятность отказа заявке в обслуживании и P0. Для этого воспользуемся формулами Эрланга и составим таблицы расчёта показателей в Excel для каждого типа работ.

Полные таблицы расчетов представлены в Приложении 6. По итогам расчётов, выявлено оптимальное число каналов для выполнения 90% всех заявок, которые представлены в таблицах 2.3.2.

Таблица 2.3.2 Оптимальное число каналов для всех типов работ

	New	Review	Minor changes
Q>	90%	99%	90%	99%	90%	99%
k	5	8	17	23	10	14
P0	0,083073	0,079493	1,00523E-06	8,39358E-07	0,000746	0,000659
Pn	0,072234	0,003345	0,086173651	0,00745414	0,092438	0,009833
Q	0,927766	0,996655	0,913826349	0,99254586	0,907562	0,990167

Из полученных данных можно получить обобщённое количество сотрудников для эффективной обработки 90% всех заявок, что составляет 32 человека. Для выполнения всех заявок в потоке без очереди в отделе необходимо иметь 45 сотрудников.

Однако, в настоящий момент в отделе работает всего 21 сотрудник, 3 из которых не занимаются разработкой документации, а следовательно, на работу непосредственно с документами выделено всего 19 сотрудников.

Исходя из расчётов наиболее эффективного числа каналов можно сделать вывод о том, что отделу необходимо увеличить штат на 13 человек для выполнения 90% всех заявок. На данный момент, основываясь на таблицах расчёта количества каналов, можно сделать вывод о том, что отдел выполняет от 60 до 70 процентов поступающих заявок.



ГЛАВА III. РАЗРАБОТКА РЕКОМЕНДАЦИЙ ПО АВТОМАТИЗАЦИИ ПРОЦЕССА УЧЕТА И ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ ЗАТРАТ СОТРУДНИКОВ ОТДЕЛА УПРАВЛЯЮЩЕЙ ДОКУМЕНТАЦИИ НА ПРЕДПРИЯТИИ

Расчёт всех показателей, как анализа ВР с прогнозированием, так и задание условий, и решение задачи СМО могут быть автоматизированы.

Для начала нужно определить среду разработки. Для решения данных задач был выбран язык Python. Прототип приложения выполнен частично в среде разработки PyCharm, частично в Jupiter Notebook предоставляемым в пакете Anaconda, а также частично в Excel. Для полной автоматизации при этом рекомендуется пользоваться средой разработки PyCharm от JetBrains. Данная среда позволяет интегрировать сразу несколько языков, включая JavaScript и CSS и другие. Это интеллектуальное решение, содержащие все необходимые сопутствующие процессы, такие как сглаживание, рефакторинг, поддержка баз данных и так далее.

Кроме того, среда поддерживает и значительно упрощает пакеты разработки интерфейса пользователей. Поэтому для автоматизации процесса решения наиболее эффективного числа сотрудников для решения спрогнозированных объёмов задач удобно использовать PyCharm.

Помимо этого, также необходимо настроить подключение с сервером IIS (Internet Information Services) от компании Microsoft [30]. Основным компонентом набора серверов является web-сервер, который поддерживает протоколы HTTP и HTTPS, наиболее распространённые для размещения сайтов. Однако, возможно подключение и внутреннего сервера компании для того, чтобы сделать систему абсолютно закрытой и избежать попадания персональных данных, содержащихся в метадате заявок в сеть Интернет.

Сформулированные далее предложения не являются реализованным решением поставленной задачи, а являются рекомендациями по улучшению существующего процесса. Основные изменения, которые относятся к системе в общем предполагают следующие доработки:

Загрузка исходного отчёта по существующим заявкам может производиться не вручную пользователем в формате csv, а напрямую загружаться из интегрированной системы мониторинга, в которой ведётся учёт всех заявок.

Спрогнозированные данные могут быть сохранены в переменные для того, чтобы автоматически запускалось решение задачи СМО, без необходимость заносить исходные данные по интенсивности потока вручную.

Результаты могут быть представлены не только в csv отчёте, но и в отдельном приложении.

3.1 Рекомендации по автоматизации процесса учета временных затрат сотрудников отдела управляющей документации - as-is

Прежде всего, было установлено, что наиболее предпочтительной формой приложения будет являться одностраничное web-приложение на корпоративном сервере. Приложение будет доступно всем сотрудникам компании, однако, ожидается, что основными пользователями будут сотрудники отдела разработки документации.

Приложение не требует от пользователей никаких дополнительных действий, а будет только представлять информацию по результатам обработки данных о заявках. Результаты будут демонстрироваться в виде таблиц или в виде графиков по предпочтению пользователя путём переключения режима просмотра. Помимо этого, полный отчёт будет доступен для экспорта в csv формате.

Процесс загрузки первичной обработки данных в систему описан графически с помощью программы Visio в Приложении 7. Загрузка данных может осуществляется с помощью передачи csv отчёта по заявкам из системы мониторинга. Файл загружается в специальное окно на форме, как показано на рисунке 3.1.1.

Рисунок 3.1.1 Форма загрузки данных систему

Файл проверяется системой на соответствие требованиям формата и, если загружаемый файл не формата csv, высвечивается сообщение о неправильном формате загрузки данных. Если же файл загружен в верном формате, система проверяет наличие всех необходимых полей, то есть Submit date, Last modified date, Summary и Doc type колонок с данными соответствующего формата. Если файл не содержит необходимых полей высвечивается, то же сообщение о неверном формате загружаемых данных. Если загруженный файл содержит все необходимые данные, нужные поля передаются в функцию для обработки данных, необходимой перед началом проведения анализа ВР.

Функция подготовки данных к анализу, описанная в Приложении 2, прежде всего удаляет пустые значения (строки наблюдений, содержащие вместо значений NA) и выбросы. Затем с помощью цикла производится подсчёт количества документов для каждого типа работ. Для этого формируется структура данных dictionary, описанная ранее. Для дальнейшей работы, однако, удобнее формат DataFrame, в который переводится массив.

Следующим шагом является анализ динамики данных, то есть изучение данных на наличие тренда и сезонности. Для этого данные для начала сглаживаются методом rolling.mean() для каждого типа работ. Графический результат метода decompose() выводится в отчёт, вместе с соответствующем сообщением о наличии или отсутствии динамических составляющих.

После того, как данные сглажены и проверены на динамику, можно переходить функции, выполняющей непосредственно построенное модели и построению прогноза по каждому типу работ. Для этого, во-первых, необходимо подобрать параметры p, d, q и при необходимости задать годовую сезонную компоненту (s=12). Модель будет выбираться с помощью критерия Акаике. Наименьший показатель критерия соответствует наиболее подходящим параметрам. По условиям строится модель по данным. Следующим шагом необходимо проверить модель на достоверность, то есть проверить остатки на гетероскедастичность, распределение и визуально проанализировать кореллограмму. Автоматически можно проверить первые два показателя, так как их можно вывести в численном виде относительно соответствующих параметров проверки. Тем не менее вне зависимости от результата графики выводятся в отчёт.

По построенной модели делается прогноз данных на будущие три месяца от конечной даты имеющихся наблюдений. Для всех типов работ строятся прогнозные графики и выводятся в отчёте.

Следующим шагом является постановка условий и решение задачи системы массового обслуживания для нахождения эффективного числа сотрудников для решения спрогнозированного объёма работ. Для этого необходимо два пакета входящих данных: прежде всего исходные данные, загруженные пользователем в формате csv и предварительно обработанные для анализа; а также прогнозные данные о будущей работе на следующие три месяца, полученные на прошлом шаге.

Из первого пакета входящих данных необходимо выделить показатель среднего времени обработки одного документа по каждому типу работ. Вычислив время на обработку каждого документа из входящих данных, можно рассчитать среднее для каждого типа работ. Однако, для точности следует использовать функцию не mean(), а median(), чтобы приблизить результат к показателям большинства наблюдений. Этих условий будет достаточно для того, чтобы рассчитать все остальные показатели.

Внутри цикла для каждого типа работ, данные по которым последовательно передаются функции, рассчитывается методом перебора количество каналов обработки до тех пор, пока Q не достигнет значения больше 0,90 и 0,99. Вывод найденных результатов также последовательно выводится в отчёт.

3.2 Рекомендации по автоматизации процесса учета временных затрат сотрудников отдела управляющей документации - to-be

Одна из основных доработок, которая поможет сильно увеличить точность расчёта необходимого числа сотрудников заключается в измерении времени для каждого сотрудника на выполнение какого-либо типа работ в индивидуальном порядке. Например, старшие писатели могут показывать более высокий результат обработки заявки, то есть обрабатывать больше заявок за единицу времени, чем стажёр или новый сотрудник. Учёт персональной скорости для каждого члена команды позволит увеличить точность решения СМО и, соответственно, распределять заявки с учётом особенностей каналов.

Однако, существенной рекомендацией здесь может быть также разработка динамической формы для решения обратной задачи СМО. По имеющимся входным прогнозным данным и вводимому пользователю числу доступных каналов, то есть фактическому числу сотрудников отдела, присутствующих в офисе, будет расчитано процентное соотноешние работ, которое команда сможет выполнить, а какие задачи уйдет в очередь. Кроме этого можно также учитывать и количество часов, которое каждый сотрудник может отвести на разработку документации.

Для реализации этой задачи с технической стороны необходимо агрегировать данные относительно имени писателя, то есть сделать отдельный словарь (dictionary), где ключами будут являться сами сотрудники, или, иначе говоря, значения поля Last Name. Значениями словаря будут словари типов работ Summary (New, Review и Minor changes), по количеству которых можно будет судить о скорости работы писателя.

Помимо этого, необходимо также ввести учёт количества часов, которое сотрудник тратит на разработку документации в неделю или месяц, что позволит учитывать особенности графиков работы стажёров, а также отпуска. Это также поможет рассчитывать среднюю скорость обработки заявок сотрудников, или в терминах ТМО - пропускную способность каналов.

В случае расчёта этих данных задача СМО будет решаться в «обратную» сторону, то есть при известном количестве сотрудников, их скорости обработки заявок и количестве рабочих дней сотрудника, может быть рассчитан показатель Q. При пропускной способности ниже определённого интересующего уровня, например, 80%, могут быть предприняты какие-либо действия для повышения эффективности отдела. Для этого может быть открыта новая вакансия, либо предпринята попытка автоматизации или в целом модернизации каких-либо процессов с целью увеличения скорости обработки заявок в среднем.

Таким образом, можно сформулировать несколько основных рекомендаций и путей улучшения автоматизации прогнозирования и учёта трудозатрат отдела.

Во-первых, возможна интеграция системы, решающей перечисленные выше задачи, с мониторинговой системой, откуда были взяты изначальные данные. Отчёт из корпоративной мониторинговой системы может быть экспортирован и загружен в предлагаемую для разработки систему в формате csv, либо же синхронизирована передача данных раз в сутки с мониторинговой системы компании.

Во-вторых, первичные данные должны автоматически обрабатываться и сохраняться в необходимом для дальнейшего анализа виде. Кроме того, может быть сформулировать отчёт по общей описательной статистике, например, по показателям среднего, медианы и интервала распределения количества документов, а также среднее время их обработки.

В-третьих, должен быть проведён анализ динамики полученного временного ряда, выявление тренда и сезонности, сглаживание данных. По результатам разложения наблюдений на компоненты динамики могут быть построены графики, которые также войдут в итоговый отчёт.

В-четвертых, должна быть построена модель ARIMA для каждого из временных рядов по типам работ и обобщающего (суммарного по всем типам). Построенные модели должны быть проверены по остаткам. В случае недостоверности полученных моделей, сообщение о возможной значительной погрешности должно быть также выведено в итоговый отчёт.

В-пятых, используя построенные модели, должен быть сделан прогноз для всех типов работ по документам. Количественные данные по числу документов должны быть сформулированы как входящие условия для задачи системы массового обслуживания.

В-шестых, должна быть решена задача СМО с целью выявления наиболее эффективного числа сотрудников для решения 90% и 99% всех поступающих на вход заявок на разработку документации.

В-седьмых, должно быть разработано одностраничное web-приложение как пользовательский интерфейс системы. Система должна быть подключена к корпоративному серверу и должна раз в сутки предоставлять обновлённую информацию по прогнозу и числу сотрудников, которых необходимо выделить на решение заданного процента задач от всего потока. Интерфейс может быть интерактивным, с возможностью увеличивать графические изображения, выводить данные за разные промежутки времени, представлять статистические данные как в виде таблиц, так и в виде графиков. Помимо этого, должна быть возможность управлять входными условиями задачи СМО, то есть задавать доступное число каналов, на случай, когда работники будут находится в отпуске, или же к отделу будут присоединяться новые сотрудники.

ЗАКЛЮЧЕНИЕ

В рамках данной работы был проведен анализ трудозатрат отдела разработки управляющей документации в компании «Лаборатория Касперского». В рамках анализа были исследованы и классифицированы исходные данные, спрогнозированы объемы работ на ноябрь декабрь и январь 2018-2019 гг., решена задача системы массового обслуживания для нахождения оптимального числа сотрудников для обработки спрогнозированного числа заявок и сформулированы предложения по автоматизации рассматриваемого процесса.

Для доказательства актуальности предложенного в работе решения был проведён анализ рынка в области программных продуктов прогнозирования временных рядов и решения задач теории массового обслуживания. Существующие успешные решения не могут полностью удовлетворить требованиям и нуждам отдела из-за высокой стоимости или трудностями интеграции с внутренней системой мониторинга.

Исходные данные были классифицированы для трех типов работ, проводимых с документацией: разработка новых документов - New; внесение крупных доработок в уже существующие - Review; внесение незначительных изменений - Minor changes.

В ходе анализа данных, представляющих собой временной ряд, были выявлены такие компоненты динамики как тренд и сезонность по всем типам работ над документами. Модели для трех типов были проверены на достоверность с помощью проверок поведения остатков. В процессе проведения тестов они были также сглажены и проверены на функциях распределения и на коррелограммах. Кроме того, смоделированные данные были наложены на реальные значения. Отклонение выявлено допустимое, чем также подтверждена достоверность модели.

Полученные результаты по итогу анализа данных демонстрируют, что на прогнозируемый период по двум из трёх типов работ (New и Review) нагрузка уменьшалась, а по третьему (Minor changes) - стабилизировалась. По результатам прогноза было получено, что за три месяца можно было ожидать 4 документа по типу работ New, 22 документа по типу работ Review и 21 по типу New.

Полученные спрогнозированные значения были описаны как входные условия для задачи системы массового обслуживания. По итогам решения задачи СМО было установлено, что для успешного выполнения 90% поступающих задач на разработку какого-либо типа документации в отделе необходимо, чтобы минимум 32 человека занимались обработкой поступающих заявок. Остальные же документы (10%) будут находится в очереди. В то время как при настоящих условиях наличия всего 19 сотрудников, занимающихся разработкой документов, выполняется от 70% до 80% всех работ, при том что оставшиеся заявки остаются в неограниченной очереди.

По итогам решения поставленных задач также сформулировано описание решения, предложенного в данной работе, и предложения по автоматизации системы расчёта прогнозной нагрузки и необходимого числа сотрудников для решения определённого процента входящих заявок на разработку документации. Автоматизация данной системы поможет увеличить эффективность распределения нагрузки среди сотрудников на прогнозируемые три месяца.

Исходя из предложенного решения была продемонстрирована возможность прогнозирования справедливость гипотезы, что благодаря разработанной классификации выполняемых работ возможен учёт и прогнозирование временных затрат сотрудников отдела управляющей документации на предприятии.

По итогам построения прогноза и составления задачи СМО была продемонстрирована возможность использования прогнозных данных в качестве входных условий, что прогнозные данные модели временного ряда могут быть входными условиями задачи поиска эффективного числа сотрудников для решения прогнозируемых объёмов работ.

Кроме того, сформулированы и перечислены преимущества автоматизации процесса учёта и прогнозирования временных затрат сотрудников отдела управляющей документации на предприятии. Автоматизация решения поставленной задачи может способствовать своевременному принятию решений по улучшению процесса управления. А значит и способствовать повышению эффективности планирования и распределения трудозатрат отдела.



СПИСОК ЛИТЕРАТУРЫ

А. В. Ильина, Н. Н. Илышева Управленческий учет. Учебное пособие изд. Екатеринбург: Издательство Уральского университета , 2016.

Учет трудозатрат сотрудников. Почему секундомер - плохой вариант? [Электронный ресурс] / Рекомендации от экспертов. Блог Okdesk - URL: https://okdesk.ru/blog/timesheets. (Дата обращения: 12.01.2019).

Hitachi Vantara [Электронный ресурс] / Hitachi Inspire the next - URL: https://www.hitachivantara.com/ru-ru/home.html. (Дата обращения: 25.01.2019).

Automated Time Series [Электронный ресурс] / DataRobot - URL: https://www.datarobot.com/platform/automated-time-series. (Дата обращения: 25.01.2019).

Amazon Forecast [Электронный ресурс] / AWS - URL: https://aws.amazon.com/ru/forecast. (Дата обращения: 25.01.2019).

Amazon Forecast - Time Series Forecasting Made Easy [Электронный ресурс] / AWS - URL: https://aws.amazon.com/ru/blogs/aws/amazon-forecast-time-series-forecasting-made-easy. (Дата обращения: 25.01.2019).

AI Experience Data Science and Machine Learning Conference [Электронный ресурс] / AI - URL: https://www.datarobot.com/ai-experience/new-york. (Дата обращения: 25.01.2019).

Queue Management Reinvented [Электронный ресурс] / Skiplino - URL: https://skiplino.com/ (Дата обращения: 30.01.2019).

Simio Simulation Software [Электронный ресурс] / Simio Forward thinking - URL: https://www.simio.com/index.php (дата обращения: 30.01.2019).

OMNeT++ Discrete Event Simulator [Электронный ресурс] / OMNeT++ Discrete Event Simulator - URL: https://omnetpp.org. (Дата обращения: 30.01.2019).

В.Н. Афанасьев, М.М. Юзбашев Анализ временных рядов и прогнозирование. Учебник изд. Москва: Финансы и статистика, 2001.

John Verzani Using R for introductory statistics. Second edition, 2014

Метод наименьших квадратов (МНК) [Электронный ресурс] / Википедия - свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Метод_наименьших_квадратов. (Дата обращения: 15.02.2019)

Скользящая средняя [Электронный ресурс] / Википедия - свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Скользящая_средняя. (Дата обращения: 15.02.2019)

В. Гаврилов. Методы анализа временных рядов: сглаживание. //Prognoz/Business Analytics, 2015

Непараметрические критерии [Электронный ресурс] / Портал знаний - глобальный интеллектуальный ресурс. - URL: http://statistica.ru/theory/neparametricheskie-kriterii/ (Дата обращения: 20.02.2019)

Partial autocorrelation function [Электронный ресурс] / Wikipedia - the free encyclopedia. - URL: https://en.wikipedia.org/wiki/Partial_autocorrelation_function (Дата обращения: 22.02.2019)

Electronic Statistics Textbook [Электронный ресурс] / StatSoft - public service, 1995 (Дата обращения: 25.02.2019)

R. Nau, Statistical forecasting: notes on regression and time series analysis / ARIMA models for time series forecasting. // Fuqua School of Business Duke University, 2018

Б. Т. Поляк Метод Ньютона и его роль в оптимизации и вычислительной математике // ИСА РАН . 2006. №Т 28.

Система массого обслуживания [Электронный ресурс] / Википедия - свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/ Cистема_массого_обслуживания. (Дата обращения: 05.03.2019)

Имитационное моделирование экономических процессов / Системы массового обслуживания (СМО) [Электронный ресурс] / ibi, Электронное учебное пособие - URL:http://eos.ibi.spb.ru/umk/11_4/5/5_R0_T6.html. (Дата обращения: 05.03.2019)

Теория очередей СМО [Электронный ресурс] / Математический форум Math Help Planet - URL:http://mathhelpplanet.com/static.php?p=sistema-massovogo-obsluzhivaniya. (Дата обращения: 05.03.2019)

H.B. Кошуняева, H.H. Патронова Теория массового обслуживания (практикум по решению задач). Архангельск : Сев. (Аркт.) федер. ун-т им. М.В.Ломоносова. 2013.

А.Я. Хинчин Работы по математической теории массового обслуживания. / Гл. 6, раздел 20. Уравнения и формулы Эрланга // Тр. МИАН СССР, 49, Изд-во АН СССР, М., 1955, 3-122

Словари (dict) и работа с ними. Методы словарей [Электронный ресурс] / Python 3 для начинающих - URL: https://pythonworld.ru/tipy-dannyx-v-python/slovari-dict-funkcii-i-metody-slovarej.html. (Дата обращения: 15.03.2019)

Python Data Analysis Library [Электронный ресурс] / pandas - URL: https://pandas.pydata.org/. (Дата обращения: 15.03.2019)

Python DataFrame [Электронный ресурс] / pandas - URL: https://pandas.pydata.org/. (Дата обращения: 15.03.2019)

S. Li An End-to-End Project on Time Series Analysis and Forecasting with Python // Towards Data Science. 2018.

Internet Information Services [Электронный ресурс] / Википедия - свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Internet_ Information_Services (Дата обращения: 25.03.2019)

H. Arsham Time-Critical Decision Making for Business Administration / Sitio en los E.E.U.U. 9 edition. 1994

Automated Operations: 5 Benefits of Automation [Электронный ресурс] / helpsystems - URL: https://www.helpsystems.com/resources/guides/ automated-operations-5-benefits-your-organization. (Дата обращения: 02.04.2019)

S. Schubert and T. Lee Data Mining and Text Analytics / Time Series Data Mining with SAS // SAS Global Forum 2011. - №Paper 160-2011

Purpose of Job Analysis [Электронный ресурс] / MSG - management study guide - URL: https://www.managementstudyguide.com/job-analysis-and-design-articles.htm. (Дата обращения: 02.04.2019)

E. I. Okoye Job Analysis in Manpower Planning of Business Organizations; An Assessment of the Significance. 2007

Прикладные задачи анализа данных. Выбор ARIMA и прогнозирование [Электронный ресурс] / Coursera - онлайн-обучение. - URL: https://ru.coursera.org/learn/data-analysis-applications (Дата обращения: 10.04.2019).

11 Classical Time Series Forecasting Methods in Python (Cheat Sheet) [Электронный ресурс] / Machine Learning Mastery - URL: https://machinelearningmastery.com/time-series-forecasting-methods-in-python-cheat-sheet. (Дата обращения: 05.05.2019).

Открытый курс машинного обучения. Тема 9. Анализ временных рядов с помощью Python [Электронный ресурс] / habr - URL: https://habr.com/ru/company/ods/blog/327242. (Дата обращения: 01.05.2019).

A Python Simple Queue system for your apps [Электронный ресурс] / GitHub - URL: https://github.com/fikipollo/PySiQ. (Дата обращения: 05.05.2019)



ПРИЛОЖЕНИЯ

Приложение 1

Пример таблицы исходных данных, загружаемых в систему



Приложение 2

Код предложенного решения



Приложение 3

Наличие тренда и сезонной компоненты

Рисунок 1. Общая декомпозиция составляющх динамики

Рисунок 2. Декомпозиция составляющх динамики для New

Рисунок 3. Декомпозиция составляющх динамики для Review Рисунок 4. Декомпозиция составляющх динамики для Minor changes



Приложение 4

Анализ остатков

Рисунок 5. Описание остатков общего исследования

Рисунок 6. Описание остатков для модели по типу работ New

Рисунок 7. Описание остатков для модели по типу работ Review Рисунок 8. Описание остатков для модели по типу работ Minor changes



Приложение 5

Наложение моделей на двадцати процентный интервал

Рисунок 9. Наложение модели общего исследования на данные

Рисунок 10. Наложение модели работ типа New на данные

Рисунок 11. Наложение модели работ типа Review на данные Рисунок 12. Наложение модели работ типа Minor changes на данные



Приложение 6

Решение СМО для нахождения наиболее эффективного числа сотрудников

Рисунок 13. Расчет эффективного числа сотрудников для решения задач типа Review

Рисунок 14. Расчет эффективного числа сотрудников для решения задач типа New



Рисунок 15. Расчет эффективного числа сотрудников для решения задач типа Minor changes



Приложение 7

Схема автоматизации системы расчета эффективного количества сотрудников для прогнозируемых объемов работ

Размещено на Allbest.ru