Прошу прислать расширенную информацию по ABC-анализу, у нас огромная база контрагентов в 1С. Как правильно и грамотно сделать ABC-анализ?
Ответ
Павел Боровков,
генеральный директор «Консалтинговой фирмы “Партнеры и Боровков“»
По нашему опыту внедрений систем ABC-анализа, учетные базы многих компаний слабо подготовлены к его эффективному проведению. К примеру, как выглядит «обычный» справочник «Контрагенты» в базах 1С бухгалтерского или оперативного учета?
В нем можно увидеть следующее:
Лучшая статья месяца
Мы подготовили статью, которая:
✩покажет, как программы слежения помогают защитить компанию от краж;
✩подскажет, чем на самом деле занимаются менеджеры в рабочее время;
✩объяснит, как организовать слежку за сотрудниками, чтобы не нарушить закон.
С помощью предложенных инструментов, Вы сможете контролировать менеджеров без снижения мотивации.
- Контрагенты не сгруппированы четко по своим типам: Клиенты, Поставщики, Банки, Госорганы и т. д., а разложены в папки произвольного характера: «Старые» и «Новые», «Клиенты менеджера Петрова», «НЕ удалять!», «Поставщики ООО Ромашка» и пр.
- Контрагенты, выступающие как покупателями, так и поставщиками, задублированы (иногда повторяются даже более двух раз).
- Некоторые юридические лица заведены по несколько раз, у каких-то наименования совпадают полностью, у других – отличаются на несколько букв, где-то указаны ИНН и КПП, а в другом месте – нет.
Описанная ситуация усугубляется в случаях, если:
- Мы говорим о консолидированной (корректнее говоря, «сводной») базе группы компаний, ведущих свой учет в отдельных базах и справочниках, а потом – сливающих их в одно хранилище.
- Имел место переход с базы одной версии на более продвинутую, и правила хранения данных в старом хранилище наслоились на правила новой базы.
- Учет отгрузок ведется в базе оперативного учета, а оплат и взаимных задолженностей – в бухгалтерской, между которыми есть обмен, но неполный.
- Плюс, конечно, комбинации всех описанных выше случаев. В итоге, получить наглядный отчет по ABC-анализу, где клиенты и продажи ранжированы должным образом, практически невозможно.
Рассмотрим по шагам, что нужно предпринять, чтобы базы 1С позволяли эффективно провести ABC-анализ:
- Внедрите единые правила ведения справочника «Контрагенты» во всех юридических лицах и всех их базах (оперативных, бухгалтерских, бюджетирования и CRM – если они стоят отдельно). Обязательны такие правила: a. Сгруппируйте контрагентов по четким типам, выделив всех клиентов в одну группу. b. Если контрагент выступает как покупателем, так и поставщиком, определите, какие из операций (продажи или закупки) являются для вас более существенными, и отнесите его в соответствующую группу. Не дублируйте! c. Не допускается внесение конкретного контрагента в базу более одного раза – только уникальные записи.
- Сделайте аналогичную выверку для связанных справочников: «Договоры контрагентов», «Заказы контрагентов», «Проекты», «Контактные лица контрагентов», поскольку в их разрезе также может проводиться анализ.
- Определитесь с методом проведения ABC-анализа. Прежде всего: a. По оплате или отгрузке считайте продажи для целей этого анализа. Возможно, это будут какие-либо специфические показатели: количество (а не сумма) продаж, средняя дебиторская задолженность или что-то еще; b. Определение аналитики (Контрагенты, Договоры, Заказы и т.д.) будет ключевым для проведения анализа. c. Определите, какие пороговые значения будут применяться для сегментирования. Классические – это 80 % (А), 15 % (В) и 5 % (С), но вы можете установить и свои границы. В таком случае хорошо бы понимать обоснования – почему именно такие. После структурирования исходных данных и уточнения метода анализа можно переходить к технике – получению отчета в конкретной конфигурации 1С.
Здесь возможны следующие варианты:
- Если вы опираетесь на данные оперативного учета (например, в конфигурации «1С: Управление торговлей»), то в таких продуктах есть свой типовой отчет «АВС-анализ продаж», в котором можно отрегулировать пороговые значения и ряд других параметров, после чего получить готовый результат.
- В случае использования бухгалтерской базы (например, конфигурации «1С: Бухгалтерия предприятия») лучше получить оборотно-сальдовую ведомость по счету 51 (при анализе «по оплате») или 90 (при анализе «по отгрузке), выгрузить результат в Excel и далее в нем произвести анализ его средствами.
- Если у вас есть какая-либо продвинутая управленческая конфигурация (например, «Инталев: Корпоративный менеджмент»), то в ней можно гибко настроить ABC-анализ любого вида с учетом специфики именно вашего бизнеса: по любым аналитикам, с разными пороговыми значениями, графиками и диаграммами. На этом подготовка анализа и получение отчетной формы завершается. Далее необходимо принимать решения о дальнейшем бизнесе с каждым клиентом в зависимости от того, в какой диапазон он попал: с кем развивать сотрудничество, кого переводить в «режим ожидания», а с кем, возможно, и завершать сотрудничество.
Сергей Корякин,
директор департамента постановки учетных систем «Альянс Консалтинг»
Если говорить упрощенно, ABC/XYZ анализ позволяет классифицировать ресурсы компании по степени их важности. В основном данный тип анализа и классификации применяют к товарному перечню и к контрагентам. Особенности данного анализа предполагают укрупненное деление массива данных на категории, поэтому не столь важно большой или небольшой у компании перечень номенклатуры и контрагентов.
В большинстве систем оперативного учета компании 1С предусмотрена возможность проведения ABC/XYZ-классификации и анализа. Проще всего описать принцип этой классификации на примере номенклатуры.
Использование ABC/XYZ-классификации номенклатуры для компании позволяет решить следующие задачи:
- проанализировать оборачиваемость товаров, стабильность расходов;
- улучшить показатели оборачиваемости товаров;
- исключить дефицит материальных ресурсов;
- оценить запасы товаров;
- снизить затраты предприятия на покупку и хранение товаров;
- снизить потребности в оборотных средствах;
- спрогнозировать дополнительные закупки.
ABC-классификация позволяет разделить все товары на три категории: товары А-класса – с большим объемом продаж; товары В-класса – с более умеренным объемом продаж; товары С-класса – наименее ходовые.
Основная идея XYZ-анализа состоит в группировке объектов по мере однородности анализируемых параметров (по коэффициенту вариации). Для этого метода нужно выбрать параметр, по которому будет проводиться анализ (например, количество проданного товара), определить период и число периодов для изучения. Важно, что, чем больше число периодов, тем более показательными будут результаты. При этом сам период должен быть не меньше горизонта планирования, принятого в компании.
В результате анализа все товары будут отнесены по выбранному параметру к одному из трех классов: Х-класс, Y-класс, Z-класс. Если в качестве параметра был выбран показатель количества проданного товара, то трактовать классификацию можно так: Х-класс - это стабильно продаваемые в анализируемые периоды времени товары; Y-класс - это товары с меньшей стабильностью продаж, Z-класс - редко продаваемые товары.
Если результаты АВС- и XYZ-анализа совместить, то получатся девять групп объектов анализа. Они будут сгруппированы по двум критериям: степень влияния на конечный результат (АВС) и стабильность/прогнозируемость этого результата (XYZ).
ABC/XYZ-классификация номенклатуры позволяет разделить товары на следующие группы:
- АХ, ВХ - товары отличаются высоким товарооборотом и стабильностью. Необходимо обеспечить их постоянное наличие, но для этого не нужно создавать избыточный страховой запас. Расход товаров этих групп стабилен и хорошо прогнозируется.
- AY, BY - товары этих групп при высоком товарообороте имеют недостаточную стабильность расхода. Как следствие, чтобы обеспечить постоянное наличие, для них необходимо увеличить страховой запас.
- AZ, BZ - товары этих групп при высоком товарообороте отличаются низкой прогнозируемостью расхода. Попытка обеспечить гарантированное наличие всех товаров данных групп только за счет избыточного страхового запаса приведет к тому, что средний товарный запас торгового предприятия значительно увеличится.
- CX товары этой группы характеризуются низким товарооборотом, однако отличаются высокой стабильностью потребления. Для таких товаров можно использовать систему заказов с постоянной периодичностью.
- CY товары этой группы характеризуются низким товарооборотом и низкой стабильностью потребления. Для таких товаров можно использовать систему заказов с постоянной суммой (объемом) заказа, но при этом формировать страховой запас исходя из имеющихся у торгового предприятия финансовых возможностей.
- CZ в эту группу попадают все новые товары, товары непостоянного спроса, поставляемые под заказ и т. п. Часть из них можно безболезненно выводить из ассортимента, а другую часть нужно регулярно контролировать, так как именно из товаров этой группы возникают неликвидные или труднореализуемые запасы, из-за которых торговое предприятие несет потери.
Проведение ABC/XYZ-классификации номенклатуры можно разделить на следующие этапы:
- настройка параметров ABC/XYZ-классификации,
- выполнение ABC-классификации номенклатуры,
- выполнение XYZ-классификации номенклатуры;
- анализ ABC/XYZ-номенклатуры.
АВС и XYZ классификация контрагентов производится аналогично. Как пример, можно анализировать за определенный период времени на основании анализа данных о продажах товаров клиентам: выручки, прибыли и количестве оформленных документов продажи. Параметры для проведения АВС и XYZ классификации клиентов задаются в настройках параметров учета. Для каждого клиента можно посмотреть динамику изменения показателей АВС и XYZ классификации клиентов. Обобщенные данные можно посмотреть в соответствующих отчетах для анализа клиентской базы.
В учетных системах 1С помимо стандартных средств можно произвести дополнительную классификацию партнеров с помощью так называемых «дополнительных свойств». Для каждого профиля партнера (клиенты, поставщики, конкуренты) можно создать свой набор свойств, дополнительных реквизитов и сведений. Далее на основе этих дополнительных свойств можно проводить ABC и XYZ анализ.
Объектом исследования в прикладной статистике являются статистические данные, полученные в результате наблюдений или экспериментов. Статистические данные – это совокупность объектов (наблюдений, случаев) и признаков (переменных), их характеризующих. Например, объекты исследования – страны мира и признаки, – географические и экономические показатели их характеризующие: континент; высота местности над уровнем моря; среднегодовая температура; место страны в списке по качеству жизни, доли ВВП на душу населения; расходы общества на здравоохранение, образование, армию; средняя продолжительность жизни; доля безработицы, безграмотных; индекс качества жизни и т.д.
Переменные – это величины, которые в результате измерения могут принимать различные значения.
Независимые переменные – это переменные, значения которых в процессе экперимента можно изменять, а зависимые переменные – это переменные, значения которых можно только измерять.
Переменные могут быть измерены в различных шкалах. Различие шкал определяется их информативностью. Рассматривают следующие типы шкал, представленные в порядке возрастания их информативности: номинальная, порядковая, интервальная, шкала отношений, абсолютная. Эти шкалы отличаются друг от друга также и количеством допустимых математических действий. Самая «бедная» шкала – номинальная, так как не определена ни одна арифметическая операция, самя «богатая» – абсолютная.
Измерение в номинальной (классификационной) шкале означает определение принадлежности объекта (наблюдения) к тому или иному классу. Например: пол, род войск, профессия, континент и т.д. В этой шкале можно лишь посчитать количество объектов в классах – частоту и относительную частоту.
Измерение в порядковой (ранговой) шкале, помимо определения класса принадлежности, позволяет упорядочить наблюдения, сравнив их между собой в каком-то отношении. Однако эта шкала не определяет дистанцию между классами, а только то, какое из двух наблюдений предпочтительнее. Поэтому порядковые экспериментальные данные, даже если они изображены цифрами, нельзя рассматривать как числа и выполнять над ними арифметические операции 5 . В этой шкале дополнительно к подсчету частоты объекта можно вычислить ранг объекта. Примеры переменных, измеренных в порядковой шкале: бальные оценки учащихся, призовые места на соревнованиях, воинские звания, место страны в списке по качеству жизни и т.д. Иногда номинальные и порядковые переменные называют категориальными, или группирующими, так как они позволяют произвести разделение объектов исследования на подгруппы.
При измерении в интервальной шкале упорядочивание наблюдений можно выполнить настолько точно, что известны расстояния между любыми двумя их них. Шкала интервалов единственна с точностью до линейных преобразований (y = ax + b). Это означает, что шкала имеет произвольную точку отсчета – условный нуль. Примеры переменных, измеренных в интервальной шкале: температура, время, высота местности над уровнем моря. Над переменными в данной шкале можно выполнять операцию определения расстояния между наблюдениями. Расстояния являются полноправными числами и над ними можно выполнять любые арифметические операции.
Шкала отношений похожа на интервальную шкалу, но она единственна с точностью до преобразования вида y = ax. Это означает, что шкала имеет фиксированную точку отсчета – абсолютный нуль, но произвольный масштаб измерения. Примеры переменных, измеренных в шкале отношений: длина, вес, сила тока, количество денег, расходы общества на здравоохранение, образование, армию, средняя продолжительность жизни и т.д. Измерения в этой шкале – полноправные числа и над ними можно выполнять любые арифметические действия.
Абсолютная шкала имеет и абсолютный нуль, и абсолютную единицу измерения (масштаб). Примером абсолютной шкалы является числовая прямая. Эта шкала безразмерна, поэтому измерения в ней могут быть использованы в качестве показателя степени или основания логарифма. Примеры измерений в абсолютной шкале: доля безработицы; доля безграмотных, индекс качества жизни и т.д.
Большинство статистических методов относятся к методам параметрической статистики, в основе которых лежит предположение, что случайный вектор переменных образует некоторое многомерное распределение, как правило, нормальное или преобразуется к нормальному распределению. Если это предположение не находит подтверждения, следует воспользоваться непараметрическими методами математической статистики.
Корреляционный анализ. Между переменными (случайными величинами) может существовать функциональная связь, проявляющаяся в том, что одна из них определяется как функция от другой. Но между переменными может существовать и связь другого рода, проявляющаяся в том, что одна из них реагирует на изменение другой изменением своего закона распределения. Такую связь называют стохастической. Она появляется в том случае, когда имеются общие случайные факторы, влияющие на обе переменные. В качестве меры зависимости между переменными используется коэффициент корреляции (r), который изменяется в пределах от –1 до +1. Если коэффициент корреляции отрицательный, это означает, что с увеличением значений одной переменной значения другой убывают. Если переменные независимы, то коэффициент корреляции равен 0 (обратное утверждение верно только для переменных, имеющих нормальное распределение). Но если коэффициент корреляции не равен 0 (переменные называются некоррелированными), то это значит, что между переменными существует зависимость. Чем ближе значение r к 1, тем зависимость сильнее. Коэффициент корреляции достигает своих предельных значений +1 или -1, тогда и только тогда, когда зависимость между переменными линейная. Корреляционный анализ позволяет установить силу и направление стохастической взаимосвязи между переменными (случайными величинами). Если переменные измерены, как минимум, в интервальной шкале и имеют нормальное распределение, то корреляционный анализ осуществляется посредством вычисления коэффициента корреляции Пирсона, в противном случае используются корреляции Спирмена, тау Кендала, или Гамма.
Регрессионный анализ.
В регрессионном анализе моделируется взаимосвязь одной случайной переменной от одной или нескольких других случайных переменных. При этом, первая переменная называется зависимой, а остальные – независимыми. Выбор или назначение зависимой и независимых переменных является произвольным (условным) и осуществляется исследователем в зависимости от решаемой им задачи. Независимые переменные называются факторами, регрессорами или предикторами, а зависимая переменная – результативным признаком, или откликом.
Если число предикторов равно 1, регрессию называют простой, или однофакторной, если число предикторов больше 1 – множественной или многофакторной. В общем случае регрессионную модель можно записать следующим образом:
Y = f(x 1 , x 2 , …, x n),
Где y – зависимая переменная (отклик), x i (i = 1,…, n) – предикторы (факторы), n – число предикторов.
Посредством регрессионного анализа можно решать ряд важных для исследуемой проблемы задач:
1). Уменьшение размерности пространства анализируемых переменных (факторного пространства), за счет замены части факторов одной переменной – откликом. Более полно такая задача решается факторным анализом.
2). Количественное измерение эффекта каждого фактора, т.е. множественная регрессия, позволяет исследователю задать вопрос (и, вероятно, получить ответ) о том, «что является лучшим предиктором для...». При этом, становится более ясным воздействие отдельных факторов на отклик, и исследователь лучше понимает природу изучаемого явления.
3). Вычисление прогнозных значений отклика при определенных значениях факторов, т.е. регрессионный анализ, создает базу для вычислительного эксперимента с целью получения ответов на вопросы типа «Что будет, если… ».
4). В регрессионном анализе в более явной форме выступает причинно-следственный механизм. Прогноз при этом лучше поддается содержательной интерпретации.
Канонический анализ. Канонический анализ предназначен для анализа зависимостей между двумя списками признаков (независимых переменных), характеризующих объекты. Например, можно изучить зависимость между различными неблагоприятными факторами и появлением определенной группы симптомов заболевания, или взаимосвязь между двумя группами клинико-лабораторных показателей (синдромов) больного. Канонический анализ является обобщением множественной корреляции как меры связи между одной переменной и множеством других переменных. Как известно, множественная корреляция есть максимальная корреляция между одной переменной и линейной функцией других переменных. Эта концепция была обобщена на случай связи между множествами переменных – признаков, характеризующих объекты. При этом достаточно ограничиться рассмотрением небольшого числа наиболее коррелированных линейных комбинаций из каждого множества. Пусть, например, первое множество переменных состоит из признаков у1, …, ур, второе множество состоит из – х1, …, хq, тогда взаимосвязь между данными множествами можно оценить как корреляцию между линейными комбинациями a1y1 + a2y2 + ... + apyp, b1x1 + b2x2 + ... + bqxq, которая называется канонической корреляцией. Задача канонического анализа в нахождении весовых коэффициентов таким образом, чтобы каноническая корреляция была максимальной.
Методы сравнения средних.
В прикладных исследованиях часто встречаются случаи, когда средний результат некоторого признака одной серии экспериментов отличается от среднего результата другой серии. Так как средние это результаты измерений, то, как правило, они всегда различаются, вопрос в том, можно ли объяснить обнаруженное расхождение средних неизбежными случайными ошибками эксперимента или оно вызвано определенными причинами. Если идет речь о сравнении двух средних, то можно применять критерий Стьюдента (t-критерий). Это параметрический критерий, так как предполагается, что признак имеет нормальное распределение в каждой серии экспериментов. В настоящее время модным стало применение непараметрических критериев сравнения средних
Сравнение средних результата один из способов выявления зависимостей между переменными признаками, характеризующими исследуемую совокупность объектов (наблюдений). Если при разбиении объектов исследования на подгруппы при помощи категориальной независимой переменной (предиктора) верна гипотеза о неравенстве средних некоторой зависимой переменной в подгруппах, то это означает, что существует стохастическая взаимосвязь между этой зависимой переменной и категориальным предиктором. Так, например, если установлено, что неверна гипотеза о равенстве средних показателей физического и интеллектуального развития детей в группах матерей, куривших и не куривших в период беременности, то это означает, что существует зависимость между курением матери ребенка в период беременности и его интеллектуальным и физическим развитием.
Наиболее общий метод сравнения средних дисперсионный анализ. В терминологии дисперсионного анализа категориальный предиктор называется фактором.
Дисперсионный анализ можно определить как параметрический, статистический метод, предназначенный для оценки влияния различных факторов на результат эксперимента, а также для последующего планирования экспериментов. Поэтому в дисперсионном анализе можно исследовать зависимость количественного признака от одного или нескольких качественных признаков факторов. Если рассматривается один фактор, то применяют однофакторный дисперсионный анализ, в противном случае используют многофакторный дисперсионный анализ.
Частотный анализ. Таблицы частот, или как еще их называют одновходовые таблицы, представляют собой простейший метод анализа категориальных переменных. Таблицы частот могут быть с успехом использованы также для исследования количественных переменных, хотя при этом могут возникнуть трудности с интерпретацией результатов. Данный вид статистического исследования часто используют как одну из процедур разведочного анализа, чтобы посмотреть, каким образом различные группы наблюдений распределены в выборке, или как распределено значение признака на интервале от минимального до максимального значения. Как правило, таблицы частот графически иллюстрируются при помощи гистограмм.
Кросстабуляция (сопряжение) – процесс объединения двух (или нескольких) таблиц частот так, что каждая ячейка в построенной таблице представляется единственной комбинацией значений или уровней табулированных переменных. Кросстабуляция позволяет совместить частоты появления наблюдений на разных уровнях рассматриваемых факторов. Исследуя эти частоты, можно выявить связи между табулированными переменными и исследовать структуру этой связи. Обычно табулируются категориальные или количественные переменные с относительно небольшим числом значений. Если надо табулировать непрерывную переменную (предположим, уровень сахара в крови), то вначале ее следует перекодировать, разбив диапазон изменения на небольшое число интервалов (например, уровень: низкий, средний, высокий).
Анализ соответствий.
Анализ соответствий по сравнению с частотным анализом содержит более мощные описательные и разведочные методы анализа двухвходовых и многовходовых таблиц. Метод, так же, как и таблицы сопряженности, позволяет исследовать структуру и взаимосвязь группирующих переменных, включенных в таблицу. В классическом анализе соответствий частоты в таблице сопряженности стандартизуются (нормируются) таким образом, чтобы сумма элементов во всех ячейках была равна 1.
Одна из целей анализа соответствий – представление содержимого таблицы относительных частот в виде расстояний между отдельными строками и/или столбцами таблицы в пространстве более низкой размерности.
Кластерный анализ. Кластерный анализ – это метод классификационного анализа; его основное назначение – разбиение множества исследуемых объектов и признаков на однородные в некотором смысле группы, или кластеры. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема, т.е. существенно большим может быть как количество объектов исследования (наблюдений), так и признаков, характеризующих эти объекты. Большое достоинство кластерного анализа в том, что он дает возможность производить разбиение объектов не по одному признаку, а по ряду признаков. Кроме того, кластерный анализ в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет исследовать множество исходных данных практически произвольной природы. Так как кластеры – это группы однородности, то задача кластерного анализа заключается в том, чтобы на основании признаков объектов разбить их множество на m (m – целое) кластеров так, чтобы каждый объект принадлежал только одной группе разбиения. При этом объекты, принадлежащие одному кластеру, должны быть однородными (сходными), а объекты, принадлежащие разным кластерам, – разнородными. Если объекты кластеризации представить как точки в n-мерном пространстве признаков (n – количество признаков, характеризующих объекты), то сходство между объектами определяется через понятие расстояния между точками, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи.
Дискриминантный анализ. Дискриминантный анализ включает статистические методы классификации многомерных наблюдений в ситуации, когда исследователь обладает так называемыми обучающими выборками. Этот вид анализа является многомерным, так как использует несколько признаков объекта, число которых может быть сколь угодно большим. Цель дискриминантного анализ состоит в том, чтобы на основе измерения различных характеристик (признаков) объекта классифицировать его, т. е. отнести к одной из нескольких заданных групп (классов) некоторым оптимальным способом. При этом предполагается, что исходные данные наряду с признаками объектов содержат категориальную (группирующую) переменную, которая определяет принадлежность объекта к той или иной группе. Поэтому в дискриминантном анализе предусмотрена проверка непротиворечивости классификации, проведенной методом, с исходной эмпирической классификацией. Под оптимальным способом понимается либо минимум математического ожидания потерь, либо минимум вероятности ложной классификации. В общем случае задача различения (дискриминации) формулируется следующим образом. Пусть результатом наблюдения над объектом является построение k-мерного случайного вектора Х = (X1, X2, …, XК), где X1, X2, …, XК – признаки объекта. Требуется установить правило, согласно которому по значениям координат вектора Х объект относят к одной из возможных совокупностей i, i = 1, 2, …, n. Методы дискриминации можно условно разделить на параметрические и непараметрические. В параметрических известно, что распределение векторов признаков в каждой совокупности нормально, но нет информации о параметрах этих распределений. Непараметрические методы дискриминации не требуют знаний о точном функциональном виде распределений и позволяют решать задачи дискриминации на основе незначительной априорной информации о совокупностях, что особенно ценно для практических применений. Если выполняются условия применимости дискриминантного анализа – независимые переменные–признаки (их еще называют предикторами) должны быть измерены как минимум в интервальной шкале, их распределение должно соответствовать нормальному закону, необходимо воспользоваться классическим дискриминантным анализом, в противном случае – методом общие модели дискриминантного анализа.
Факторный анализ. Факторный анализ – один из наиболее популярных многомерных статистических методов. Если кластерный и дискриминантный методы классифицируют наблюдения, разделяя их на группы однородности, то факторный анализ классифицирует признаки (переменные), описывающие наблюдения. Поэтому главная цель факторного анализа – сокращение числа переменных на основе классификация переменных и определения структуры взаимосвязей между ними. Сокращение достигается путем выделения скрытых (латентных) общих факторов, объясняющих связи между наблюдаемыми признаками объекта, т.е. вместо исходного набора переменных появится возможность анализировать данные по выделенным факторам, число которых значительно меньше исходного числа взаимосвязанных переменных.
Деревья классификации. Деревья классификации – это метод классификационного анализа, позволяющий предсказывать принадлежность объектов к тому или иному классу в зависимости от соответствующих значений признаков, характеризующих объекты. Признаки называются независимыми переменными, а переменная, указывающая на принадлежность объектов к классам, называется зависимой. В отличие от классического дискриминантного анализа, деревья классификации способны выполнять одномерное ветвление по переменными различных типов категориальным, порядковым, интервальным. Не накладываются какие-либо ограничения на закон распределения количественных переменных. По аналогии с дискриминантным анализом метод дает возможность анализировать вклады отдельных переменных в процедуру классификации. Деревья классификации могут быть, а иногда и бывают, очень сложными. Однако использование специальных графических процедур позволяет упростить интерпретацию результатов даже для очень сложных деревьев. Возможность графического представления результатов и простота интерпретации во многом объясняют большую популярность деревьев классификации в прикладных областях, однако, наиболее важные отличительные свойства деревьев классификации – их иерархичность и широкая применимость. Структура метода такова, что пользователь имеет возможность по управляемым параметрам строить деревья произвольной сложности, добиваясь минимальных ошибок классификации. Но по сложному дереву, из-за большой совокупности решающих правил, затруднительно классифицировать новый объект. Поэтому при построении дерева классификации пользователь должен найти разумный компромисс между сложностью дерева и трудоемкостью процедуры классификации. Широкая сфера применимости деревьев классификации делает их весьма привлекательным инструментом анализа данных, но не следует полагать, что его рекомендуется использовать вместо традиционных методов классификационного анализа. Напротив, если выполнены более строгие теоретические предположения, налагаемые традиционными методами, и выборочное распределение обладает некоторыми специальными свойствами (например, соответствие распределения переменных нормальному закону), то более результативным будет использование именно традиционных методов. Однако как метод разведочного анализа или как последнее средство, когда отказывают все традиционные методы, Деревья классификации, по мнению многих исследователей, не знают себе равных.
Анализ главных компонент и классификация.
На практике часто возникает задача анализа данных большой размерности. Метод анализ главных компонент и классификация позволяет решить эту задачу и служит для достижения двух целей:
– уменьшение общего числа переменных (редукция данных) для того, чтобы получить «главные» и «некоррелирующие» переменные;
– классификация переменных и наблюдений, при помощи строящегося факторного пространства.
Метод имеет сходство с факторным анализом в постановочной части решаемых задач, но имеет ряд существенных отличий:
– при анализе главных компонент не используются итеративные методы для извлечения факторов;
– наряду с активными переменными и наблюдениями, используемыми для извлечения главных компонент, можно задать вспомогательные переменные и/или наблюдения; затем вспомогательные переменные и наблюдения проектируются на факторное пространство, вычисленное на основе активных переменных и наблюдений;
– перечисленные возможности позволяют использовать метод как мощное средство для классификации одновременно переменных и наблюдений.
Решение основной задачи метода достигается созданием векторного пространства латентных (скрытых) переменных (факторов) с размерностью меньше исходной. Исходная размерность определяется числом переменных для анализа в исходных данных.
Многомерное шкалирование. Метод можно рассматривать как альтернативу факторному анализу, в котором достигается сокращение числа переменных, путем выделения латентных (непосредственно не наблюдаемых) факторов, объясняющих связи между наблюдаемыми переменными. Цель многомерного шкалирования – поиск и интерпретация латентных переменных, дающих возможность пользователю объяснить сходства между объектами, заданными точками в исходном пространстве признаков. Показателями сходства объектов на практике могут быть расстояния или степени связи между ними. В факторном анализе сходства между переменными выражаются с помощью матрицы коэффициентов корреляций. В многомерном шкалировании в качестве исходных данных можно использовать произвольный тип матрицы сходства объектов: расстояния, корреляции и т.д. Несмотря на то, что имеется много сходства в характере исследуемых вопросов, методы многомерное шкалирование и факторный анализ имеют ряд существенных отличий. Так, факторный анализ требует, чтобы исследуемые данные подчинялись многомерному нормальному распределению, а зависимости были линейными. Многомерное шкалирование не накладывает таких ограничений, оно может быть применимо, если задана матрица попарных сходств объектов. В терминах различий получаемых результатов факторный анализ стремится извлечь больше факторов – латентных переменных по сравнению с многомерным шкалированием. Поэтому многомерное шкалирование часто приводит к проще интерпретируемым решениям. Однако более существенно то, что метод многомерное шкалирование можно применять к любым типам расстояний или сходств, в то время как факторный анализ требует, чтобы в качестве исходных данных была использована корреляционная матрица переменных или по файлу исходных данных сначала была вычислена матрица корреляций. Основное предположение многомерного шкалирования заключается в том, что существует некоторое метрическое пространство существенных базовых характеристик, которые неявно и послужили основой для полученных эмпирических данных о близости между парами объектов. Следовательно, объекты можно представить как точки в этом пространстве. Предполагают также, что более близким (по исходной матрице) объектам соответствуют меньшие расстояния в пространстве базовых характеристик. Поэтому, многомерное шкалирование – это совокупность методов анализа эмпирических данных о близости объектов, с помощью которых определяется размерность пространства существенных для данной содержательной задачи характеристик измеряемых объектов и конструируется конфигурация точек (объектов) в этом пространстве. Это пространство («многомерная шкала») аналогично обычно используемым шкалам в том смысле, что значениям существенных характеристик измеряемых объектов соответствуют определенные позиции на осях пространства. Логику многомерного шкалирования можно проиллюстрировать на следующем простом примере. Предположим, что имеется матрица попарных расстояний (т.е. сходства некоторых признаков) между некоторыми городами. Анализируя матрицу, надо расположить точки с координатами городов в двумерном пространстве (на плоскости), максимально сохранив реальные расстояния между ними. Полученное размещение точек на плоскости впоследствии можно использовать в качестве приближенной географической карты. В общем случае многомерное шкалирование позволяет таким образом расположить объекты (города в нашем примере) в пространстве некоторой небольшой размерности (в данном случае она равна двум), чтобы достаточно адекватно воспроизвести наблюдаемые расстояния между ними. В результате можно измерить эти расстояния в терминах найденных латентных переменных. Так, в нашем примере можно объяснить расстояния в терминах пары географических координат Север/Юг и Восток/Запад.
Моделирование структурными уравнениями (причинное моделирование).
Наметившийся в последнее время прогресс в области многомерного статистического анализа и анализа корреляционных структур, объединенный с новейшими вычислительными алгоритмами, послужил отправной точкой для создания новой, но уже получившей признание техники моделирования структурными уравнениями (SEPATH). Эта необычайно мощная техника многомерного анализа включает методы из различных областей статистики, множественная регрессия и факторный анализ получили здесь естественное развитие и объединение.
Объектом моделирования структурными уравнениями являются сложные системы, внутренняя структура которых не известна («черный ящик»). Наблюдая параметры системы при помощи SEPATH, можно исследовать ее структуру, установить причинно-следственные взаимосвязи между элементами системы.
Постановка задачи структурного моделирования выглядит следующим образом. Пусть имеются переменные, для которых известны статистические моменты, например, матрица выборочных коэффициентов корреляции или ковариации. Такие переменные называются явными. Они могут быть характеристиками сложной системы. Реальные связи между наблюдаемыми явными переменными могут быть достаточно сложными, однако предполагаем, что имеется некоторое число скрытых переменных, которые с известной степенью точности объясняют структуру этих связей. Таким образом, с помощью латентных переменных строится модель связей между явными и неявными переменными. В некоторых задачах латентные переменные можно рассматривать как причины, а явные – как следствия, поэтому, такие модели называются причинными. Допускается, что скрытые переменные, в свою очередь, могут быть связаны между собой. Структура связей допускается достаточно сложной, однако тип ее постулируется – это связи, описываемые линейными уравнениями. Какие-то параметры линейных моделей известны, какие-то нет, и являются свободными параметрами.
Основная идея моделирования структурными уравнениями состоит в том, что можно проверить, связаны ли переменные Y и X линейной зависимостью Y = aX, анализируя их дисперсии и ковариации. Эта идея основана на простом свойстве среднего и дисперсии: если умножить каждое число на некоторую константу k, среднее значение также умножится на k, при этом стандартное отклонение умножится на модуль k. Например, рассмотрим набор из трех чисел 1, 2, 3. Эти числа имеют среднее, равное 2, и стандартное отклонение, равное 1. Если умножить все три числа на 4, то легко посчитать, что среднее значение будет равно 8, стандартное отклонение – 4, а дисперсия – 16. Таким образом, если есть наборы чисел X и Y, связанные зависимостью Y = 4X, то дисперсия Y должна быть в 16 раз больше, чем дисперсия X. Поэтому можно проверить гипотезу о том, что Y и X связаны уравнением Y = 4X, сравнением дисперсий переменных Y и X. Эта идея может быть различными способами обобщена на несколько переменных, связанных системой линейных уравнений. При этом правила преобразований становятся более громоздкими, вычисления более сложными, но основной смысл остается прежним – можно проверить, связаны ли переменные линейной зависимостью, изучая их дисперсии и ковариации.
Методы анализа выживаемости.
Методы анализа выживаемости первоначально были развиты в медицинских, биологических исследованиях и страховании, но затем стали широко применяться в социальных и экономических науках, а также в промышленности в инженерных задачах (анализ надежности и времен отказов). Представьте, что изучается эффективность нового метода лечения или лекарственного препарата. Очевидно, наиболее важной и объективной характеристикой является средняя продолжительность жизни пациентов с момента поступления в клинику или средняя продолжительность ремиссии заболевания. Для описания средних времен жизни или ремиссии можно было бы использовать стандартные параметрические и непараметрические методы. Однако в анализируемых данных есть существенная особенность – могут найтись пациенты, которые в течение всего периода наблюдения выжили, а у некоторых из них заболевание все еще находится в стадии ремиссии. Также может образоваться группа больных, контакт с которыми был потерян до завершения эксперимента (например, их перевели в другие клиники). При использовании стандартных методов оценки среднего эту группу пациентов пришлось бы исключить, тем самым, потеряв с трудом собранную важную информацию. К тому же большинство этих пациентов являются выжившими (выздоровевшими) в течение того времени, которое их наблюдали, что свидетельствует в пользу нового метода лечения (лекарственного препарата). Такого рода информация, когда нет данных о наступлении интересующего нас события, называется неполной. Если есть данные о наступлении интересующего нас события, то информация называется полной. Наблюдения, которые содержат неполную информацию, называются цензурированными наблюдениями. Цензурированные наблюдения типичны, когда наблюдаемая величина представляет время до наступления некоторого критического события, а продолжительность наблюдения ограничена по времени. Использование цензурированных наблюдений составляет специфику рассматриваемого метода – анализа выживаемости. В данном методе исследуются вероятностные характеристики интервалов времени между последовательным возникновением критических событий. Такого рода исследования называются анализом длительностей до момента прекращения, которые можно определить как интервалы времени между началом наблюдения за объектом и моментом прекращения, при котором объект перестает отвечать заданным для наблюдения свойствам. Цель исследований – определение условных вероятностей, связанных с длительностями до момента прекращения. Построение таблиц времен жизни, подгонка распределения выживаемости, оценивание функции выживания с помощью процедуры Каплана – Мейера относятся к описательным методам исследования цензурированных данных. Некоторые из предложенных методов позволяют сравнивать выживаемость в двух и более группах. Наконец, анализ выживаемости содержит регрессионные модели для оценивания зависимостей между многомерными непрерывными переменными со значениями, аналогичными временам жизни.
Общие модели дискриминантного анализа. Если не выполняются условия применимости дискриминантного анализа (ДА) – независимые переменные (предикторы) должны быть измерены как минимум в интервальной шкале, их распределение должно соответствовать нормальному закону, необходимо воспользоваться методом общие модели дискриминантного анализа (ОДА). Метод имеет такое название, потому что в нем для анализа дискриминантных функций используется общая линейная модель (GLM). В этом модуле анализ дискриминантных функций рассматривается как общая многомерная линейная модель, в которой категориальная зависимая переменная (отклик) представляется векторами с кодами, обозначающими различные группы для каждого наблюдения. Метод ОДА имеет ряд существенных преимуществ перед классическим дискриминантным анализом. Например, не устанавливается никаких ограничений на тип используемого предиктора (категориальный или непрерывный) или на тип определяемой модели, возможен пошаговый выбор предикторов и выбор наилучшего подмножества предикторов, в случае наличия в файле данных кросс-проверочной выборки выбор наилучшего подмножества предикторов можно провести на основе долей ошибочной классификации для кросс-проверочной выборки и т.д.
Временные ряды.
Временные ряды – это наиболее интенсивно развивающееся, перспективное направление математической статистики. Под временным (динамическим) рядом подразумевается последовательность наблюдений некоторого признака Х (случайной величины) в последовательные равноотстоящие моменты t. Отдельные наблюдения называются уровнями ряда и обозначаются хt, t = 1, …, n. При исследовании временного ряда выделяются несколько составляющих:
x t =u t +y t +c t +e t , t = 1, …, n,
где u t – тренд, плавно меняющаяся компонента, описывающая чистое влияние долговременных факторов (убыль населения, уменьшение доходов и т.д.); – сезонная компонента, отражающая повторяемость процессов в течение не очень длительного периода (дня, недели, месяца и т.д.); сt – циклическая компонента, отражающая повторяемость процессов в течение длительных периодов времени свыше одного года; t – случайная компонента, отражающая влияние не поддающихся учету и регистрации случайных факторов. Первые три компоненты представляют собой детерминированные составляющие. Случайная составляющая образована в результате суперпозиции большого числа внешних факторов, оказывающих каждый в отдельности незначительное влияние на изменение значений признака Х. Анализ и исследование временного ряда позволяют строить модели для прогнозирования значений признака Х на будущее время, если известна последовательность наблюдений в прошлом.
Нейронные сети. Нейронные сети представляют собой вычислительную систему, архитектура которой имеет аналогию с построением нервной ткани из нейронов. На нейроны самого нижнего слоя подаются значения входных параметров, на основании которых нужно принимать определенные решения. Например, в соответствии со значениями клинико-лабораторных показателей больного надо отнести его к той или иной группе по степени тяжести заболевания. Эти значения воспринимаются сетью как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ – отклик всей сети на входные параметры. Для того, чтобы сеть работала ее надо «натренировать» (обучить) на данных для которых известны значения входных параметров и правильные отклики на них. Обучение состоит в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов к известным правильным ответам. Нейронные сети могут быть использованы для классификации наблюдений.
Планирование экспериментов. Искусство располагать наблюдения в определенном порядке или проводить специально спланированные проверки с целью полного использования возможностей этих методов и составляет содержание предмета «планирование эксперимента». В настоящее время экспериментальные методы широко используются как в науке, так и в различных областях практической деятельности. Обычно основная цель научного исследования состоит в том, чтобы показать статистическую значимость эффекта воздействия определенного фактора на изучаемую зависимую переменную. Как правило, основная цель планирования экспериментов заключается в извлечении максимального количества объективной информации о влиянии изучаемых факторов на интересующий исследователя показатель (зависимую переменную) с помощью наименьшего числа дорогостоящих наблюдений. К сожалению, на практике, в большинстве случаев, недостаточное внимание уделяется планированию исследований. Собирают данные (столько, сколько могут собрать), а потом уже проводят статистическую обработку и анализ. Но сам по себе правильно проведенный статистический анализ недостаточен для достижения научной достоверности, поскольку качество любой информации, получаемой в результате анализа данных, зависит от качества самих данных. Поэтому планирование экспериментов находит все большее применение в прикладных исследованиях. Целью методов планирования экспериментов является изучение влияния определенных факторов на исследуемый процесс и поиск оптимальных уровней факторов, определяющих требуемый уровень течения данного процесса.
Карты контроля качества. В условиях современного мира чрезвычайно актуальным является проблема качества не только выпускаемой продукции, но и услуг оказываемых населению. От успешного решения этой важной проблемы в значительной степени зависит благополучие любой фирмы, организации или учреждения. Качество продукции и услуг формируется в процессе научных исследований, конструкторских и технологических разработок, обеспечивается хорошей организацией производства и услуг. Но изготовление продукции и оказание услуг независимо от их вида всегда связано с определенным непостоянством условий производства и предоставления. Это приводит к некоторой вариабельности признаков их качества. Поэтому, актуальными являются вопросы разработки методов контроля качества, которые позволят своевременно выявить признаки нарушения технологического процесса или оказания услуг. При этом, для достижения и поддержания высокого уровня качества, удовлетворяющего потребителя нужны методы, направленные не на устранение дефектов готовой продукции и несоответствий услуг, а на предупреждение и прогнозирование причин их появления. Контрольная карта – это инструмент, позволяющий отслеживать ход протекания процесса и воздействовать на него (с помощью соответствующей обратной связи), предупреждая его отклонения от предъявленных к процессу требований. Инструментарий карт контроля качества широко использует статистические методы, основанные на теории вероятностей и математической статистики. Применение статистических методов позволяет при ограниченных объемах анализируемых изделий с заданной степенью точности и достоверности судить о состоянии качества выпускаемой продукции. Обеспечивает прогнозирование, оптимальное регулирование проблем в области качества, принятие верных управленческих решений не на основе интуиции, а при помощи научного изучения и выявления закономерностей в накапливаемых массивах числовой информации. />/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>/>
2.3.3. Способы подачи команд
Кроме задания положения объекта в трехмерном пространстве желательно также иметь возможность подавать команды , которые должны быть выполнены в определенных его точках. Для подачи команд проще всего использовать обычную клавиатуру компьютера и привычную систему экранных меню, но лучше использовать набор кнопок на позиционном датчике типа «плавающая мышь».
Микрофон и наушники видеошлема могут быть подключены к звукогенератору и к системе распознавания и синтеза речи. В среде синтетической реальности, в принципе, даже можно использовать виртуальную клавиатуру и управлять всем процессом работы через нее с помощью сенсорной перчатки. Но человеку все же легче и проще для подачи команд использовать свой речевой канал, а компьютерную систему речевого ввода сегодня уже можно «обучить» распознаванию десятков тысяч слов с достаточно высокой надежностью .
2.3.4. Сенсорная перчатка и тактильная обратная связь
Сенсорная перчатка . Непосредственное отслеживание движений руки давно вызвало большой интерес у многих разработчиков. Например, в 1983 г. было запатентовано устройство Digital Entry Glove. Но настоящим прорывом стала сенсорная перчатка DataGlove, разработанная в Исследовательском центре имени Джозефа Эймса NASA, а затем усовершенствованная и выпущенная на рынок компанией VPL Research (рис.2.20).
Для определения величины углов сгиба пальцев в перчатке VPL DataGlove были использованы эластичные оптические волокна (световоды). Сгибание пальцев обнаруживается с помощью набора из десяти оптоволоконных датчиков, которые вшиты в перчатку над каждым суставом пальцев. Работа датчиков основана на том, что, если оптоволокно сгибается, то переданный по нему свет ослабевает пропорционально изгибу. Каждый датчик состоит из источника света на одном конце оптоволокна и детектора на другом. Микропроцессор последовательно сканирует все сенсоры и вычисляет угол сгиба каждого сустава пальцев, используя определенную модель строения человеческой кисти. Перчатка подключается к ПК с помощью стандартного последовательного интерфейса RS-232 .
|
Рис.2.20. Сенсорная перчатка VPL DataGlove |
Разработано несколько конкурирующих сенсорных перчаток, самая известная из которых – недорогая перчатка Nintendo PowerGlove (рис.2.21, слева), предназначенная для использования в видеоиграх. Перчатки со световыми сенсорами разработала калифорнийская фирма Virtual Technologies, например, самые простые варежки CyberGlove. Существует также 18-сенсорная модель, отслеживающая движения пальцев (рис.2.21, в центре), и 22-сенсорная, способная еще и уловить сгибание-разгибание всех пальцев, кроме большого.Эти перчатки дают ошибку лишь на 0,5-1°. 22-сенсорная модель снимает показания 149 раз в секунду, а 18-сенсорная – 112 раз в секунду. Компания Computers & more выпускает перчатку 5 th Glove (рис.2.68, справа) .
В других моделях, в частности, Virtex CyberGlove, для определения величины углов сгиба пальцев применяются датчики натяжения. Для некоторых задач точность (порядка ±10º) и повторяемость показаний таких датчиков могут быть недостаточны. Более точный метод измерения дает устройство Dexterous Handmaster компании Exos, имеющее наружный скелет, закрепляемый на суставах пальцев, и датчики, использующие эффект Холла. Датчики позволяют определять углы сгиба пальцев с точностью ±0,5º. Однако, не вполне ясно, можно ли извлечь какую-либо пользу из такой точности, и вполне может оказаться, что четырех уровней данных, которые дает перчатка Nintendo PowerGlove, фактически достаточно для большинства задач .
|
|
|
Рис.2.21. Сенсорные перчатки: Nintendo PowerGlove; 18-сенсорная модель фирмы Virtual Technologies; 5 th Glove
Есть и технология с механическими датчиками, но она тяжела и несовершенна .
Следящая система переводит в цифровую форму также и положения руки . Аэрокосмическая корпорация МсDonnell Douglas разработала систему Polyhemus, которая встраивается в перчатку DataGlove и служит для определения положения руки .
Упоминавшиеся видеошлем VIEW и перчатка DataGlove используют систему датчиков, чувствительных к электромагнитному полю. Точность определения положения порядка двух миллиметров. Перчатка может находиться в любой точке условного шара диаметром в 1 м .
Более современная перчатка P5 американской фирмы Essential Realityпоказана на рис. 2.22. Базовая станция включается в порт USB и не требует внешнего питания, перчатка включается проводом в базовую станцию. На тыльной стороне «ладони» расположено 8 инфракрасных светодиодов, которые позволяют базовой станции отслеживать перемещения руки в пространстве. В базовой станции, находятся 2 инфракрасные камеры, что позволяет более надежно следить за перчаткой и точно определять расстояние до нее.
|
|
|
|
Рис.2.22. Базовая станция и перчатка P5
Зона видимости базовой станции составляет 45° по вертикали и горизонтали и около 1,5 м в «глубину». В этом конусе P5 может отслеживать координаты руки по 3 осям с точностью до 0,6 см (в 60 см от базы), а также поворот и наклон ладони с точностью до 2°. Опрос координат происходит с частотой 40 Гц (задержка составляет 12 мс). Кроме светодиодов системы слежения, в перчатке имеется 5 резиновых «пальцев» с датчиками изгиба. К пальцам пользователя они крепятся пластиковыми кольцами и меряют изгиб с точностью в 1,5°. Еще на тыльной стороне перчатки имеется 4 кнопки, одна из которых программируется (остальные служат для калибровки, включения/выключения и переключения режимов работы). Таким образом, в терминах джойстика P5 имеет 11 аналоговых осей и 1 кнопку .
Тактильная обратная связь (Forced Feedback) используется в сенсорных перчатках для имитации прикосновения руки к объекту. Тактильную обратную связь наиболее просто реализует небольшой динамик на ладони , поскольку рука хорошо чувствует щелчок, издаваемый динамиком в ответ на какое-либо событие. Но это лишь сигнал о событиях, а хотелось бы получить ощущение прикосновения к виртуальным объектам . Такое ощущение можно имитировать разными способами.
Для имитации ощущения прикосновения с помощью давления часто используют воздушные надувные баллончики , с помощью которых регулируется сила или жесткость давления перчатки на пальцы. Делались попытки применить пьезоэлектрические кристаллы , которые при вибрации создают ощущение давления, а также сплавы с памятью формы , которые можно заставить изогнуться, пропуская слабый электрический ток. Подобное устройство Portable Dexterous Master (рис.2.23), состоящее из перчатки VPL DataGlove, снабженной тремя пневматическими приводами, было разработано изобретателем Григором Бердиа из Университета Рутгерса .
Рис.2.23. Устройство Portable Dextrous Master
Кроме ощущения давления важна и имитация ощущения сопротивления при попытке сдвинуть виртуальный объект. Для этой цели может использоваться миниатюрный робот-манипулятор , закрепляемый на руке . Например, более поздние модели перчатки DataGlove уже включали пьезоэлектрические датчики на кончиках пальцев, чтобы обеспечить некоторый уровень тактильной обратной связи. Когда пользователь берет в руку виртуальный объект, то ощущает давление от соприкосновения его пальцев с поверхностью объекта. Еще позднее перчатка была снабжена специальным робототехническим экзоскелетом , позволяющим создавать ощущения веса и силы .
«Силовая» обратная связь может быть реализована и без сенсорных перчаток. Простое устройство «силовой» обратной связи было разработано компанией Digital. Это рукоятка , подобная ручке газа на мотоцикле, которая может менять силу своего сопротивления повороту . Группа специалистов из компании UNC для создания «силовой» обратной связи применила электромеханический манипулятор.
Тактильная обратная связь весьма чувствительна к характеристикам контуров обратной связи: пользователь подсознательно мгновенно реагирует на импульсы от системы и корректирует свою реакцию до того, как система успеет отработать предыдущие реакции. Считается, что для создания надежной иллюзии ощущения объекта тактильная система должна иметь скорость обновления информации 300-1000 Гц, что как минимум на порядок выше, чем скорость обновления визуальной информации .
Компания Virtual Technologies разработала устройство CyberGrasp с обратным тактильным воздействием, предоставляя пользователю возможность почувствовать виртуальный мир своими руками (рис. 2.24).
Специальные крючья одеваются поверх перчаток и при необходимости препятствуют сжиманию кисти с силой до 12 Н (Ньютон) на каждый палец (силу в 1 Н надо приложить, чтобы телу весом 1 Кг изменить ускорение на 1 м/с; или это сила тяготения, действующая на 1/9,8 Кг). Максимальное воздействие CyberGrasp сравнимо с тем, которое можно испытать, подвесив по 1,2 Кг на каждый палец при прямом локтевом суставе, плюс сама лапка весит еще 350 г.
Компания Virtual Technologies изобрела и устройство CyberTouch с обратным тактильным воздействием (рис.2.25). Это устройство небольших размеров надевается на кончики пальцев и передает им разного рода вибрацию. Крепится оно поверх VR-перчаток.
|
Рис.2.24. Устройство CyberGrasp |
Рис.2.25. Устройство CyberTouch |
Англичане придумали перчатки с системой шариков и компрессором для нагревания воздуха, в которых можно почувствовать не только неровности виртуальных объектов, но и их температуру. Такое устройство наиболее полно передает тактильное воздействие на руки.
Датчики кисти руки предназначены для слежения за ее перемещениями. В самые простые датчики встроен только Position Tracker, отслеживающий перемещения небольшого кубика в руке пользователя. Производством таких датчиков занимается компания Ascension Technology Corporation. Например, датчик MibiBird (рис. 2.26, слева) способен отслеживать кисть при вращении ±180° по вертикали и горизонтали, а также ±90° вокруг своей оси с ошибкой на 0,1-0,5°. Приспособление Motion Star (рис. 2.26, справа) более массового характера схоже с MibiBird. Существуют и более чувствительные подобные приборы .
Тренажеры и симуляторы . Многие ремесела основаны на тонком моторном контроле и координации рук человека. Изучение и подготовка в некоторых профессиях требует большой практики, а достижение определенного мастерства может занимать годы (например, каллиграфия). Тренажеры, симуляторы и системы имитации предназначены для повышения эффективности обучения. Использование устройств с тактильной обратной связью позволяет проводить процесс обучения более эффективно, особенно когда руку обучаемого ведет электронный эксперт – устройство с тактильной обратной связью.
Телеуправление (дистанционное управление) и микро-манипуляции, робототехника .Работа с недоступным или опасным материалом требует телеприсутсвия оператора. Использование устройств с осязательной обратной связью позволяет повысить качество дистанционного управления роботами и различными исполняющими устройствами за счет передачи дополнительной интуитивно понятной оператору осязательной информации. К сожалению, стандартные джойстики не позволяют использовать данный канал восприятия информации человека.
Использование устройств с обратной тактильной связью оправданно в ответственных операциях с дистанционным управлением роботами, когда операторы могут мгновенно чувствовать реакцию и различные ограничения манипулятора (динамика, ограничения рабочего пространства и т.д.).
Микро-манипуляторы – маленькие роботы, построенные, чтобы выполнять различные задачи с объектами, часто более тонкими, чем человеческие волосы. Соответственно, использование устройств с тактильной обратной связью позволяет оператору манипулировать микро-роботами интуитивно понятным и привычным способом.
Медицина . Большое число высокотехнологичных устройств для медицины часто ограничивается первичным инструментом хирурга, а именно их руками. Соответственно, использование систем с обратной тактильной связью в медицинских тренажерах и реальных медицинских роботах позволяет передавать хирургу осязательную информацию, что позволяет сделать все манипуляции в привычной и интуитивно понятной форме .
- Перевод
Обратная тактильная связь присутствует в гаджетах уже весьма продолжительное время. Чаще всего она представлена в смартфонах и джойстиках игровых приставок в форме «виброзвонков» и ответной вибрации в ответ на действия пользователя. Дублирование входящих вызовов, напоминания и дрожание при стрельбе и взрывах, вот наиболее распространённые варианты использования тактильной функции. И подавляющее большинство пользователей не представляет себе иных способов применения этого канала связи.
Однако существует несколько направлений использования этого метода взаимодействия и получения информации от устройств. Точнее, этих направлений три. И их широкое применение в массовой электронике даст пользователям качественно новый опыт использования привычных, казалось бы, гаджетов. Это ознаменует начало нового этапа в развитии потребительских устройств, метко названного «неосенсорной эрой ».
Первый способ применения обратной тактильной связи - расширение спектра тактильных ощущений от использования гаджетов. Второй способ - передача специфической шаблонной информации. Третий способ - общение. Рассмотрим каждый из них подробнее.
Расширение спектра тактильных ощущений
На днях Amazon выпустил пять новых устройств, две читалки на электронных чернилах три планшета. И самым интересным устройством является читалка премиум-класса Kindle Voyage.Чем она примечательна? По обеим сторонам экрана, чья поверхность текстурой напоминает бумагу, расположены сенсорные зоны для перелистывания страниц. При этом само перелистывание инициируется не привычным касанием или жестом скольжения, а лёгким сжатием этих сенсорных зон. Когда «переворачивается» страница, устройство сопровождает это вибрацией, похожей на ту, что возникает при скольжении бумажных страниц друг по другу.
Кстати, в первом YotaPhone мы тоже экспериментировали с тактильной отдачей при пользовании сенсорной зоны под вторым экраном. При перелистывании страниц жестом скольжения смартфон приятно вибрирует. Во втором YotaPhone будет полностью сенсорный второй экран, что даёт гораздо больше возможностей. Поэтому разработали совершенно новые сценарии использования второго экрана, о которых вы узнаете после презентации смартфона.
Ещё один пример нового подхода к использованию тактильной связи демонстрируют Apple iWatch, которые поступят в продажу в следующем году. В них интегрирован так называемый «Taptic engine» (комбинация слов tap (касание) и haptic (тактильный)), своеобразная система физического реагирования на действия пользователя. Например, когда вы поворачиваете головку «завода», то сразу ощущаете специфическую вибрацию, словно танцующую по вашему запястью, добавляющую необычные ощущения при использовании этого механического органа управления. Когда вы проводите пальцем по экрану, нажимаете кнопку рядом с головкой или выполняете какие-то другие действия, Taptic engine генерирует специфические ответные тактильные реакции, сопровождая на уровне ощущений .
Не остался в стороне от нового направления и заклятый друг Apple, Samsung. Корейцы недавно представили серию многофункциональных принтеров Smart MultiXpress , оснащённых «планшетным» интерфейсом с разнообразной тактильной связью.
Все эти вышеупомянутые устройства используют преимущества нового направления в инженерии, получившего название haptography (haptic + photography , можно перевести как «тактилография»). Оно подразумевает регистрацию и запись физических ощущений с последующим воспроизведением. По сути, это направление находится в самом начале своего становления. С его дальнейшим развитием, пользователям станет доступно новое измерение во взаимодействии с гаджетами. Например, мы сможем ощущать текстуру поверхности предметов, которые видим на экране или слышим из динамиков. Современные безжизненные дисплеи смартфонов и планшетов оживут, станут в буквальном смысле реагировать на прикосновения. Все виды интерфейсов, от приборных панелей автомобилей до дверей холодильников и пультов дистанционного управления, станут «касаться в ответ» на наши прикосновения. И эта тактильная «отзывчивость» будет практически завораживать.
Передача специфической шаблонной информации
В часах Apple iWatch также реализован механизм передачи специфической шаблонной информации. Например, если вы идёте по маршруту, проложенному в картографическом приложении, часы будут предупреждать вас о необходимости повернуть, вибрируя правой или левой стороной, так что вам даже не придётся смотреть на экран.Новый гибридный автомобиль Mersedes S550 будет передавать тактильную информацию с помощью вибрации пола под ногами водителя. Например, таким образом машина будет подсказывать о необходимости сбавить газ, чтобы экономить топливо или заряд аккумулятора. Другим видом вибрации водителя известят о переключении с электромотора на ДВС.
Носимые устройства вроде умных очков (которые, в отличие от изделия Google, будут выглядеть как обычные очки) будут слабо вибрировать, предупреждая пользователя о попадании в поле зрения какой-либо специфической информации.
Общение
Пожалуй, общение с людьми - это один из наиболее интересных способов применения обратной тактильной связи. И тут мы снова должны упомянуть Apple iWatch. Если вы выбираете чей-то контакт из списка избранных и потом касаетесь экрана, тот этот человек будет ощущать это касание через специфическую вибрацию своего экземпляра Apple iWatch. Можно даже отправить другому человеку своё сердцебиение, при этом отправитель и получатель увидят на экранах пульсирующее сердце, и оба будут ощущать его ритм на своих запястьях. Кстати, возможно, в русском языке со временем появится такой словарный оборот, как «часами чую».Эту идею используют и во многих стартапах, например, в браслете Tactilu , который передаёт «прикосновение» от одного пользователя другому.
Конечно, вскоре это свойство внедрят и в смартфоны. Возможно, дойдёт даже до стандартизации некоего «тактильного протокола». Наверняка появятся кастомные вибросхемы, по аналогии с мелодиями для звонков и SMS, так что можно будет понять, кто вам звонит, просто по специфической вибрации, выбранной для этого контакта.
Самое удивительное в этой перспективе заключается вовсе не потакании ленивым пользователям, не желающим даже смотреть на экран телефона, а в новом психологическом опыте, чем-то напоминающем телепатию, когда вы, в первые мгновения даже неосознанно, вдруг «почувствуете» внимание другого человека.
Как обратная тактильная связь улучшает пользовательский опыт
Мы сейчас стоим у самого начала «неосенсорной эры». Весьма вероятно, что уже через пару лет в подавляющем большинстве гаджетов будет встроена функция крайне правдоподобной обратной тактильной связи. Мы окажемся в ситуации, когда ожидания пользователей будут побуждать производителей интегрировать высококачественные тактильные интерфейсы во все новые гаджеты.
Особенно ярко новая тенденция будет проявляться в носимых гаджетах. Не исключено, что появятся устройства, у которых вообще не будет иного интерфейса, кроме тактильного - ни сенсорно-графического, ни механического. Подобные интерфейсы добавят своеобразной глубины, завершённости и, в буквальном смысле, хорошего ощущения компьютерам, телефонам, планшетам и носимым устройствам, включая автомобили и различные бытовые приборы. Отчасти это даст чисто утилитарные преимущества, но в основном нас будет привлекать именно психологический, эстетический момент.
А если ко всевозможным видам вибрации добавить изменение текстуры поверхности гаджета ? Вы сможете не просто получить какую-то активную реакцию на свои действия, это уже в полной мере можно охарактеризовать как «ощущаю кожей».
Пожалуй, наибольшее разнообразие применений тактильной обратной связи будет наблюдаться именно в смартфонах, просто по причине их универсальности и постоянной востребованности пользователями.
Представьте, вы смотрите фильм, сцена в пустыне, и ваш смартфон становится словно сделан из прессованного песка. Или ваш любимый человек напишет вам, что прикоснулся к стеклу окна, и вы начинаете ощущать гладкость и твёрдость его поверхности. Бумага, древесина, стекло, бетон, песок, всё это можно будет не просто «потрогать», наш мозг будет получать гораздо больше информации о ситуации, и почти на бессознательном уровне мы гораздо глубже понимать и сопереживать другим людям, сюжетам книг, фильмов, игр, телевизионных новостей, даже песен.
Интересные перспективы открываются для пользователей, ведущих активную переписку на смартфонах. Для разных пользователей в списке контактов, в соцсетях и мессенджерах можно будет настроить не только разные вибросхемы, но и изменения текстуры поверхности. И набирая кому-то сообщение, вам не придётся отвлекаться, чтобы посмотреть, кто вам уже написал. Разные тактильные схемы можно будет создать даже для разных смайликов, передавая таким образом ощущения улыбки, смеха, грусти, злости и множества других эмоций.
Весьма вероятно, что могут появиться сменные панели для смартфонов, жёсткие или в виде мягких тонких облегающих чехлов, способные по другому менять текстуру своей поверхности. Естественно, для YotaPhone они будут совершенно прозрачными, позволяя работать с сенсорными экранами. При этом вибросхемы могут быть разными в зависимости от того, с каким экраном YotaPhone вы работаете в данный момент. Настоящее раздолье для кинестетиков-гурманов.
Появятся программы, позволяющие создавать собственные вибросхемы и алгоритмы изменения текстуры. И если сегодня мы показываем друг другу фотографии, снятые на смартфон, то не исключено, что лет через 15 будем предлагать друг другу просто подержать их.
Не удивимся, если многие пользователи подсознательно станут воспринимать свои смартфоны как живых питомцев, ведь они будут не только чутко реагировать на наши действия, но и проявлять «собственные эмоции».
Мы считаем, что через два десятка лет большинство гаджетов и устройств будут оснащены тактильными пользовательскими интерфейсами. По крайне мере, мы очень на это надеемся.
Android является отличной ОС во всех смыслах, полностью настраиваемая, имеющая миллионы бесплатных и платных приложений, множество ланчеров и наличие множества игр — вот некоторые из преимуществ. Единственный недостаток, который можно найти в Android — это потребление энергии батареи. По сравнению с другими операционными системами, вы можете почувствовать, что Android телефоны расходуют емкость аккумулятора быстрее. Таким образом, чтобы решить эту проблему, у нас есть несколько советов для экономии батареи на вашем телефоне.
1. Дисплей потребляет большую часть энергии
Экран вашего мобильного устройства потребляет намного больше энергии, чем любое другое приложение/процесс. Постарайтесь, чтобы дисплей не включался когда аккумулятор разряжен, это продлит работу устройства.
2. Уменьшите яркость экрана
Так как экран потребляет много энергии, вы должны выставить яркость по минимальному уровню, комфортному для восприятия.
3. Отключите беспроводную связь
Включайте мобильную передачу данных, Wi-Fi, NFC, Bluetooth и GPS только тогда, когда вы в них нуждаетесь. Все это потребляет много энергии и не должно использоваться все время.
4. Отдайте предпочтение WiFi
Если вы можете иметь доступ к сети Wi-Fi, то вы должны использовать его вместо мобильной передачи данных. Мобильная передаяа данных потребляет гораздо больше энергии, чем Wi-Fi и, следовательно, должны быть полностью исключена если это возможно.
5. Выключите автоматическую синхронизацию
Большинство приложений, которые вы устанавливаете синхронизируют файлы с серверами после заданного интервала. Процесс синхронизации должен быть запущен вручную и только для тех приложений, для которых вы хотите синхронизировать данные.
6. Используйте минимальное количество виджетов
Виджеты используют энергию, чтобы обновлять данные и для отображения изменений. Они всегда работают в фоновом режиме. Вы не должны использовать много виджетов одновременно.
7. Не используйте живые обои
Живые обои очень энергоемкие и могут разрядить аккумулятор вашего Android очень быстро. Вы должны отключить их, когда хотите выжать максимальное время работы от батареи, или лучше, не используйте их вообще.
8. Закрывайте приложения вручную или с помощью специальных утилит
Когда вы закрываете программу, она продолжает работать в фоновом режиме. Это делается, чтобы уменьшить время, необходимое для запуска, и сделать приложение более отзывчивым. Но, будучи в оперативной памяти все, они потребляют энергию батареи. Либо останавливайте их с помощью диспетчер задач в телефоне, либо используйте сторонние приложения.
9. Используйте черный фон
Если ваш телефон имеет AMOLED экран, то вы должны использовать черное изображение в качестве фона. Это позволит снизить потребление энергии аккумулятора для отображения содержимого экрана. Также выберите темную тему, если это возможно.
10. Установите тайм-аут экрана на наименьшее значение
Тайм-аут экрана определяет время, после которого подсветка вашего экрана гаснет если устройство не используется. Установка в меньшего значения спасет батарею вашего телефона.
11. Выключите тактильную обратную связь
Виброотклик это опция, с помощью которой ваш телефон дает сигнал обратной связи в виде вибрации при нажатии на экран. Хотя он полезен во время набора текста, но он потребляет много ресурсов. Вы должны выключить его для экономии заряда батареи вашего телефона.
12. Переключитесь на режим полета
Когда вы в самолете, вам нужно перевести свой мобильный телефон в режим полета. Поскольку у вас нет подключения к сети, передатчик вашего телефона будет продолжать пытаться найти сеть. Это просто разрядить аккумулятор и больше ничего. Поэтому, переключайтесь в режим полета, когда вы находитесь на борту самолета. Вы также можете отключить его, если вы не хотите использовать радиомодуль телефона.
13. Включите режим экономии энергии
Режим энергосбережения по умолчанию ограничивает использование процессора, уменьшается яркость экрана, отключает модуль для передачи данных, когда экран выключен и выключает тактильную обратную связь. Возможно, это самый эффективный способ сохранить аккумулятор вашего телефона Android.
14. Ограничение передачи данных
Многие приложения, такие как Gmail, Google Play Store и многие другие собирают и передают данные на свои сервера в фоновом режиме. Это разряжает батарею очень быстро. Чтобы остановить это, вы можете ограничить использование данных, зайдите я в Настройки — Использование данных и выберите вариант «Ограничить фоновую передачу данных».
И кстати, если вы рассылаете много СМС сообщений, возможно, имеет смысл использовать sms шлюз — это будет и дешевле и эффективней, позволяя рассылать сообщения значительному количеству мобильных абонентов.
