اليوم الأمر سهل للغاية حقًا: يمكنك الذهاب إلى جهاز كمبيوتر مع معرفة قليلة أو معدومة بما تفعله ، وخلق هراء عقلانيًا وبسرعة مذهلة حقًا. (جيه بوكس)
يحدد التحليل الأولي للخصائص مجموعة تلك التي يجب أخذها في الاعتبار في النموذج النهائي ويحولها إلى تنسيق متغير مجمع. في المرحلة الأولية لبطاقة الأداء ، يمكن استخدام تقنيات التنبؤ المختلفة للعثور على مجموعة من الخصائص التي تساهم في تحقيق أكبر قدر من دقة التنبؤ.
يتم تطبيق طرق الانحدار اللوجستي وكذلك أشجار القرار والشبكات العصبية. بشكل عام ، يجب أن تتكون بطاقات النتائج النهائية التي تم إنشاؤها في هذه المرحلة من 8-20 خاصية. يتم أخذ هذا العدد من القيم لضمان استقرار الخريطة حتى عند تغيير خاصية واحدة أو أكثر. عادةً ما تفشل بطاقات الأداء التي تحتوي على مجموعة ميزات صغيرة جدًا في الاختبار لأنها غير مستقرة مع أدنى تغيير في ملف التعريف المحدد (مجموعة الميزات).
بغض النظر عن تقنية النمذجة المستخدمة ، يجب أن تكون نتيجة العمل عبارة عن بطاقة أداء نهائية ، تتكون من مزيج مثالي من الخصائص التي يتم أخذها في الاعتبار ، على سبيل المثال ، يمكن أخذ ما يلي في الاعتبار:
يمكن تطوير بطاقات قياس الأداء واستخدامها لأغراض مختلفة: تعظيم جودة المؤشرات الإحصائية ، والكفاءة (باستخدام عدد صغير من المتغيرات) ، إلخ.
في مجال الأعمال ، يتم تطوير بطاقات الأداء لمساعدة المحترفين في اتخاذ القرارات. يعملون كمحكمين ، ويخزنون قواعد اتخاذ القرارات. لن يتخذ أخصائي متمرس قراره أبدًا بناءً على 4-5 قواعد فقط في نموذج الطلب أو تاريخ الحسابات. بدلاً من ذلك ، سيقوم بتحليل العديد من المؤشرات العامة في وقت واحد لتشكيل ملف تعريف مخاطر العميل. فلماذا تم تصميم بطاقات قياس الأداء باستخدام 4-5 متغيرات أو خصائص فقط؟
الهدف من عملية رسم الخرائط هو بناء ملف المخاطر الأكثر اكتمالا لكل عميل. هذا النهج الواسع لا يجعل بطاقات قياس الأداء أكثر فاعلية فحسب ، بل يجعلها أيضًا أقل عرضة للتغييرات في مجال معين. يجب أن يتضمن ملف تعريف المخاطر هذا الخصائص التي تعكس أكبر عدد ممكن من أنواع المعلومات المستقلة. على سبيل المثال ، قد تتضمن بطاقة نقاط الائتمان الخاصة بالمستخدم ما يلي: المعلومات الديموغرافية للعميل (العمر والموقع والمنطقة وخبرة العمل) ؛ قسم خاص بخصائص الائتمان التي تعكس ملكية الممتلكات ، والمهنة ، والملاءة المالية ، وبعض المعلومات المالية ، بالإضافة إلى درجة الثقة لدى العميل فيما يتعلق بسداد الديون (معدل التخلف عن سداد الديون العام) ، فضلاً عن المعلومات الأخرى ذات الصلة بالاعتبار الحالي المستخدمين.
يساعد ملف تعريف المستخدم أيضًا في المراقبة اللاحقة لبطاقات الأداء للتأكد من ملاءمتها. يستخدم معظم محللي المخاطر تقارير شهرية عن "استقرار النظام" أو "استقرار العميل" لتأكيد أداء البطاقة مع جمهور العملاء الحاليين. تعرض هذه التقارير مقاييس للأداء تستند فقط إلى الخصائص المستخدمة في بطاقة قياس الأداء. يعكس الملف العام للمخاطر التغيرات السكانية الحالية بشكل أكثر واقعية مما هو عليه عند استخدام عدد محدود من المتغيرات من بطاقة قياس الأداء.
من الناحية النظرية ، لا يختلف إنشاء خريطة العميل بناءً على ملف تعريف المخاطر عن إجراءات النمذجة التنبؤية الأخرى. الاختلاف هو فقط في تمثيل المجموعة النهائية من الخصائص. هناك مجموعة متنوعة من الأساليب التي يمكن استخدامها لتضمين قيم ملف تعريف مخاطر العميل في بطاقة قياس الأداء. ستركز بقية هذه المقالة على الأساليب التي تستخدم انحدار السجل لإنشاء بطاقات أداء العميل.
يُستخدم الانحدار اللوغاريتمي لتطوير بطاقات الأداء في معظم التطبيقات المالية حيث تكون المتغيرات فئوية. بالنسبة لمتغيرات التنبؤ المستمرة ، يتم استخدام الانحدار الخطي. بعد ذلك ، سننظر في استخدام الانحدار اللوغاريتمي المتعدد للتنبؤ بمتغير ثنائي (له قيم سيئة / جيدة).
يستخدم الانحدار اللوغاريتمي ، مثل معظم طرق التنبؤ الأخرى ، مجموعة من خصائص التنبؤ لتحديد احتمال (أو إمكانية) تحقيق نتيجة (هدف). يكون التحويل اللوغاريتمي لمعادلة احتمالية الحدث كما يلي:
P - الاحتمال النهائي للحدث ؛
X - المتغيرات التابعة ؛
المستوى الأولي (صفر) لخط الانحدار ؛
خيارات
التحويل اللوغاريتمي هو لوغاريتم نسبة احتمالية وقوع حدث إلى احتمال عدم حدوثه: السجل (p (حدوث الحدث) / p (عدم حدوث الحدث)) ، ويتم استخدامه لرسم خطي النهائي الاحتمال ، والحد من الاحتمال من 0 إلى 1. لتقدير المعلمات وتستخدم طريقة الاحتمالية القصوى. تقوم هذه المعلمات بتقييم قياس التغيير في نتيجة تحويل اللوغاريتم عندما يتغير متغير الإدخال بوحدة واحدة (بالاتفاق مع متغيرات الإدخال الأخرى). في الواقع ، تُظهر هذه المعاملات ميل خط الانحدار بين المتغير المستهدف (الهدف) ومتغير الإدخال المقابل.
تعتمد المعلمات على وحدة قياس متغير الإدخال ، على سبيل المثال ، يتم التعبير عنها كنسبة مئوية من حجم جميع البيانات التي تم تحليلها ، ويجب توحيدها لتسهيل التحليل. يمكن إجراء التوحيد القياسي بطرق مختلفة ، بما في ذلك طريقة الدرجات الموحدة. هناك طريقة أخرى للتوحيد القياسي وهي إزالة وحدات بيانات الإدخال بشكل عام ، وإجراء الانحدار ليس على بيانات الإدخال ، ولكن على WOE لكل مجموعة تم إنشاؤها في الخطوة الأخيرة.
يشير الانحدار إلى وجود متغير مستهدف وسلسلة من بيانات الإدخال. يمكن تقديم هذه البيانات في أشكال مختلفة. الطريقة الأكثر شيوعًا هي استخدام معلومات الإدخال الأولية للبيانات الرقمية وإنشاء بدائل للمتغيرات ببيانات فئوية. ثم يستخدم التحليل مقدرًا معياريًا لتحييد تأثير وحدات بيانات الإدخال المختلفة.
في حالة بطاقات الأداء لتجميع المتغيرات ، يمكن تقديم بيانات الإدخال كوسيلة للمتغيرات العددية ، مثل متوسط العمر لكل مجموعة ، أو بعض المتوسط المرجح ، أو متغيرات الاستبدال للمجموعات الفئوية. لكن استخدام المتغيرات المستبدلة للمتغيرات الفئوية له عيب كبير - فقد اتضح أن الفرق بين مجموعة من المتغيرات الفئوية يكمن في اسمها. من الأفضل استخدام WOE لكل مجموعة كمدخل لمتغيرات التجميع. لا يحل هذا النهج مشاكل الاختلافات في وحدات قياس متغيرات المدخلات فحسب ، بل يأخذ أيضًا في الاعتبار الاتجاه الدقيق ومقياس نسب مجموعة إلى أخرى. بالإضافة إلى ذلك ، إذا تم التجميع بشكل صحيح ، يمكنك التأكد من أن القيم المخصصة للمجموعات عند قياس بطاقة قياس الأداء معقولة منطقيًا وتعكس الاختلاف في العلاقة بين المجموعات.
يمكن تطبيق الانحدار للعثور على النموذج الأكثر احتمالاً باستخدام جميع الخيارات المتاحة. يشار إلى هذا عادة باسم تقنية "الانحدار على المعلمات المتاحة". تبين أن هذه الطريقة فعالة للغاية ، خاصة إذا كان هناك عدد كبير من متغيرات الإدخال المستقلة. الأنواع الثلاثة التالية من الانحدار اللوغاريتمي المتزايد أقل استخدامًا:
تبني هذه الطريقة نموذجًا على خاصية واحدة (متغير) ، ثم تضيف تدريجياً الخصائص المتبقية لهذا النموذج بترتيب تصاعدي حتى لا توجد متغيرات متبقية بقيمة p أقل من مستوى الأهمية (على سبيل المثال ، 0.5). هذه الطريقة فعالة ، لكنها قد لا تعمل إذا كان هناك عدد كبير جدًا من المتغيرات أو إذا كانت هناك درجة عالية من الارتباط بينها.
على عكس الاختيار المسبق ، فهو يعمل على جميع المتغيرات في النموذج مرة واحدة ، ويستبعد بالتتابع المتغيرات ذات المستوى الأدنى من الأهمية. تستمر العملية حتى يكون لجميع المتغيرات المتبقية قيمة p أقل من مستوى الأهمية ، على سبيل المثال 0.1. تأخذ هذه الطريقة في الاعتبار الارتباط أكثر من طريقة الاختيار المسبق أو الاختيار المرحلي. ومع ذلك ، فهذه ليست طريقة مثالية لإزالة الارتباط. يمكن أيضًا استخدام الاستبعاد الخلفي لتجميع تفاعلات ذات مغزى في نموذج.
مزيج من الطريقتين السابقتين. يستخدم إضافة المتغيرات وإزالتها ديناميكيًا إلى خريطة الجودة في كل مرحلة ، حتى يتم تحقيق أفضل مزيج من الميزات. يمكن للمستخدم تعيين الحد الأدنى للقيمة الاحتمالية التي يتم عندها إضافة المتغير إلى النموذج الذي تم إنشاؤه أو يظل في النموذج. يمكنك الحصول على معلومات إضافية على البوابة الإحصائية وموقع StatSoft.
في حين أنه من الممكن إنشاء خريطة الجودة من خلال تطبيق نموذج الانحدار على جميع المتغيرات وتوليد نتيجة إحصائية مثالية ، فإن هذه الطريقة لا يمكن أن تحقق نتائج أفضل. يعتمد مصمم بطاقة قياس الأداء عادةً على بعض الإحصائيات مثل القيمة p و chi-square و r-square وبعضها الآخر لتحديد جودة النموذج المبني. فيما يلي بعض المهام التي يجب حلها عند تطوير بطاقة الأداء.
المهمة الأولى هي تحديد أفضل مجموعة من متغيرات المدخلات وبناء ملف مخاطر كامل. تم وصف منهجية تكوين بيان المخاطر أعلاه. من الناحية المثالية ، يجب بناء هذا الملف الشخصي باستخدام أكبر عدد ممكن من المتغيرات المستقلة ، مثل التركيبة السكانية ، والشؤون المالية ، وقضايا الائتمان ، والقدرة على الدفع ، وما إلى ذلك. يجب أن تأخذ عملية التطوير في الاعتبار قضايا الارتباط والعلاقة الخطية المتداخلة والعوامل الأخرى التي تؤثر على متانة النموذج.
يجب أن تتوافق بطاقة الأداء المطورة في هيكلها مع تسلسل اتخاذ القرار في المنظمة. إذا كان النموذج هو العامل الحاسم الوحيد ، تزداد الحاجة إلى بناء ملف تعريف شامل للمخاطر. إذا كان من المفترض استخدام النموذج لدعم القرار ، فيجب أن تتداخل المتغيرات المدرجة في الخريطة مع المؤشرات الأخرى ، ولا تتعارض معها. على سبيل المثال ، فإن إدراج خصائص مثل الإفلاس ، TDSR ، المعلومات المتعلقة بالجرائم المرتكبة ، يجب أن يبقى في حده الأدنى ، لأنه موجود في معايير الشرطة.
يوضح المثال في الجدول 1 العوامل المتغيرة لبطاقة قياس الأداء المأخوذة من ملف تعريف المخاطر. لاحظ أنه من بين المؤشرات هناك أنواع مختلفة من المعلومات ، من مصادر داخلية وخارجية. يتم إدراج الطلبات لآخر 12 و 3 شهرًا من أجل التمكن من تحديد حجم الإقراض قصير الأجل وطويل الأجل. لم يتم تضمين الإفلاس و "إحصائيات الانتهاك" في بطاقة النتائج ، حيث يتم استخدامها في لوائح الشرطة ويتم استبعاد المرشحين المؤهلين تلقائيًا.
نموذجياً ، بطاقة قياس الأداء هذه ليست نتيجة خوارزمية الانحدار التلقائي. كيف تأتي بطاقة الأداء هذه؟
لنلقي نظرة على مثال.
يمتلك مصمم بطاقة قياس الأداء عدة طرق يمكنه من خلالها بناء الشكل النهائي للنموذج. يتم افتراض مجموعة من المعلمات ، حيث يتم اعتبار العناصر الضرورية فقط في البداية ، أو تلك "التي قد تكون مفيدة".
تتمثل إحدى طرق القيام بذلك في افتراض المتغيرات المهمة للنموذج ، خطوة بخطوة ، مع افتراض المتغيرات بطريقة محددة تمامًا. هذه العملية تشبه الانحدار التدريجي. يظهر مثال في الجدول 2 أدناه:
باستخدام هذه الطريقة ، تحدد خوارزمية الانحدار أولاً المعلمات باستخدام الانحدار اللوغاريتمي ، إما التحديد المسبق أو الإزالة أو التحديد المرحلي. الخصائص التي تفي بمعايير الاختيار المحددة (على سبيل المثال ، عندما يتم تقدير القيمة p للمعلمة بمستوى معين من الثقة ، تتم إضافة المعلمات إلى الخريطة أولاً ، أو العكس بالعكس ، يتم إزالتها منها في حالة الانحدار بواسطة طريقة الاستبعاد.) في المثال أعلاه ، سيتم حساب الخصائص "العمر" و "تاريخ تغيير الإقامة" و "الخبرة" في التكرار الأول. سيظهر "العمر" المميز في النموذج على أنه التأثير الأكبر على التوقعات.
في التكرار الثاني من نفس المستوى ، ستأخذ الخوارزمية في الاعتبار السمتين المتبقيتين ، مع مراعاة المتغير المحدد بالفعل "العمر". إذا اتضح أن أحد المتغيرات المدروسة أو كليهما لهما تأثير كبير على نتيجة التنبؤ ، فسيتم إضافتهما أيضًا إلى النموذج. سيتوقف تحليل الانحدار عند عدم وجود متغير يمكن إضافته أو استبعاده من مجموعة البيانات المراد تحليلها.
سيتم تضمين جميع الخصائص المدرجة في النموذج في الخطوة الأولى فيه في الخطوة الثانية. ستختبر خوارزمية الانحدار في هذه الخطوة ميزات مثل "المنطقة" و "الفهرس" و "المنطقة" ، لكن الاختبار سيبدأ بالميزات المحددة في الخطوة الأولى والمضمنة بالفعل في النموذج. مرة أخرى ، سيتم استخدام مقاييس مثل قيمة p ومستوى الأهمية لتحديد الميزات المهمة (والتي سيتم تضمينها في النموذج).
سيتم إجراء تحليل مماثل لكل مستوى لاحق. ستكون نتيجة التحليل بطاقة قياس الأداء. سيتم أيضًا تضمين الميزات المضمنة في النموذج في الخطوات السابقة في النموذج في التكرارات اللاحقة.
يمكن استخدام المقاييس الإحصائية مثل مربع كاي أو الدرجات المعيارية لتحديد القوة التنبؤية للنموذج في كل خطوة من خطوات التكرار.
يمكن للمستخدم المتمرس التحكم في عملية التحليل لزيادة فرص إجراء التشخيص الصحيح. يمكن وضع الميزات الضعيفة و "المفضلة" في وقت سابق في التكرار من أجل زيادة فرص إضافتها إلى النموذج ، وتعظيم تأثير المتغيرات غير المتنازع عليها (المختبرة). في المستقبل ، ستؤدي إضافة متغيرات أخرى إلى زيادة دقة التنبؤ.
يتم وضع الخصائص الأكثر أهمية في النهاية ، وقد لا يتم تضمينها في بطاقة الأداء إذا كان من الممكن بالفعل نمذجة تأثيرها على معيار آخر أو أكثر. يتم استخدام عدة معايير ضعيفة لنمذجة سلوك واحد أكثر أهمية لتحقيق الاستقرار ، وبدون فقدان قوة التنبؤ ، على سبيل المثال ، يفضل 5 خصائص تضيف 200 نقطة لكل منها في بطاقة قياس الأداء من خاصيتين تضيفان 500 نقطة لكل منهما. سيكون النموذج فعالاً مع قاعدة أوسع (مجموعة من الخصائص). هذا يتماشى مع فكرة إنشاء ملفات تعريف المخاطر.
يتم الجمع بين معايير مماثلة ("العمر" و "تاريخ تغيير الإقامة" و "خبرة العمل") في خطوة تكرار واحدة بحيث يمكن النظر في الارتباط بين هذه الخصائص بشكل أكبر. سيتم تضمين أنسب الخصائص المرتبطة في بطاقة التسجيل. يجب أيضًا وضع المعاملات المماثلة في نفس خطوة التكرار مثل معلومات البسط والمقام. بالإضافة إلى ذلك ، فإن النظر في المعلومات المستقلة المختلفة في كل خطوة يزيد من فرص إضافة متغير واحد على الأقل من كل مجموعة إلى بطاقة قياس الأداء النهائية.
سيتم تكرار تحليل الانحدار لمجموعات مختلفة من الميزات في مراحل مختلفة ومع مستويات مختلفة من الثقة في عملية تكرارية لبناء أفضل مجموعة من قواعد النموذج. يمكن نقل الإحصائيات إلى خطوات أعلى أو أدنى من أجل تحقيق مجموعة متنوعة من بطاقات الأداء. سيتم تقييم هذه الخرائط لاحقًا باستخدام معايير العمل والمقاييس الإحصائية للقوة التنبؤية للنموذج.
في الممارسة العملية ، يتم تنفيذ هذا النهج من خلال نموذج مع خيار اختيار تسلسل في الانحدار اللوغاريتمي مع الاختيار المرحلي. فيما يلي الطريقتان الأكثر استخدامًا:
يتم تنفيذ عملية إطلاق واحدة لخوارزمية تحليل الانحدار ، ويكون ترتيب ترتيب الخصائص كما يلي: - توضع جميع الخصائص "الضعيفة" في الأعلى (في البداية) ، وجميع الخصائص الأكثر أهمية - في النهاية. داخل كل نوع من المعلومات ، يمكن فرز الخصائص من الأقل أهمية إلى الأكثر أهمية. يمكن حساب وزن كل خاصية من قيمتها.
عند استخدام هذا النهج ، يتم تكرار خوارزمية تحليل الانحدار عدة مرات ، مع مراعاة المعلومات المختلفة في كل خطوة من خطوات التحليل.
كما هو الحال مع عملية التجميع ، فإن هذا النهج لتطوير بطاقات قياس الأداء عرضة لانخفاض المرونة. إن الفهم الجيد لجميع خطوات التحليل ، وكذلك المكونات الإحصائية ، مثل مجموعة الخصائص التي تم تحليلها ، سيقلل من فرص الحصول على جودة تنبؤ رديئة. يجب اختبار هذا النهج باستخدام عدة مجموعات مختلفة من الخصائص لفهم ديناميكيات تغييرات البيانات قبل تجميع بطاقة قياس الأداء النهائية.
تتضمن هذه العملية النمذجة الإحصائية (مثل تحليل الانحدار) وتحليل الأعمال. يتم تطوير بطاقة أداء قوية وفعالة تحتوي على خصائص من مصادر مختلفة وتعرض أنواعًا مختلفة ومستقلة من المعلومات (ديموغرافية ، واستفسارات ، ومعلومات حول الأنشطة السابقة ، والرواتب ، وما إلى ذلك). لاحظ أنه يتم إجراء تحليل الانحدار باستخدام مجموعة ثابتة من الميزات المحددة من الميزات الأساسية المحددة ، وقد تم بالفعل التخلص من جميع المعايير الضعيفة. تتبع جميع اختبارات الأهمية من اختيار التكوين النهائي للخصائص المدرجة في بطاقة قياس الأداء ، ولكن هذا ليس المعيار الوحيد الذي يجب مراعاته. الخريطة الناتجة لها قوتها الإحصائية وتأثيرها. في كثير من الأحيان ، هذا ما يستخدمه مديرو المخاطر وغيرهم من صانعي القرار لتطوير استراتيجيات تعويض المخاطر.
بمجرد الحصول على مجموعة من الميزات المراد تضمينها في بطاقة قياس الأداء ، يمكن تطبيق هذه الميزات على التحليل بطريقة مجمعة للحصول على معلمات الانحدار النهائية. تحدث عمليات مماثلة مع كل بطاقة أداء أثناء البناء ، لكل جزء على حدة. بشكل نموذجي ، تستخدم العديد من بطاقات الأداء مجموعات مختلفة من الخصائص لكل جزء ، وتأخذ في الاعتبار الأهداف والغايات المحددة لتحديد الحل النهائي. قد تُمنح بطاقة النتائج ذات "القوة" الأقل أولوية أكبر إذا كانت تستهدف استراتيجية المنظمة وأهدافها وغاياتها (على سبيل المثال ، أرباح أعلى) من بطاقة أداء أخرى ذات "قوة" أعلى وبالتالي يلزم مقارنة بطاقات متعددة وفقًا لذلك ، بدلاً من بالاعتماد فقط على الإحصائيات. بالمناسبة ، سيتم مناقشة اختيار معايير بطاقات التسجيل والموافقة عليها في الفصول اللاحقة.
نتيجة لذلك ، في هذه المرحلة ، يتم إنشاء العديد من بطاقات الأداء المختلفة التي تلخص عددًا من الخصائص ومعاملات الانحدار الخاصة بها.
يستهدف الكتاب المدرسي لدراسة برنامج "1C: Accounting 8.2" طلاب الكليات المالية والاقتصادية من جميع التخصصات.
الغرض من الدليل هو تعليم الطالب العمل بشكل مستقل في التكوين الجديد "محاسبة المؤسسة" الذي يعمل على المنصة التكنولوجية "1C: المؤسسة 8.2" - نظام عالمي قوي لمنتجات تطبيقات الجيل الجديد المصممة لحل مجموعة متنوعة من المؤسسات بشكل فعال مشاكل الإدارة. إنه يركز في حد ذاته على حلول الكمبيوتر لجميع مشاكل الاقتصاد. نظرًا لتعدد استخداماته ومرونته ، يتم تكوين النظام بسهولة لتلبية احتياجات مؤسسة معينة ويسمح بحل مجموعة واسعة من مهام الأتمتة لأي قسم من أقسام محاسبة المؤسسة ، فضلاً عن الاحتفاظ بالسجلات للعديد من المؤسسات في قاعدة معلومات واحدة.
منطقيا ، يمكن تقسيم النظام بأكمله إلى جزأين كبيرين يتفاعلان بشكل وثيق مع بعضهما البعض: التكوين والنظام الأساسي الذي يدير تشغيل التكوين.
تعمل جميع برامج 1C على أساس منصة واحدة ، أي برنامج أساسي واحد.
قبل بدء العمل ، يجب على المستخدم إرفاق قاعدة معلومات تنفذ إصدارًا متخصصًا من البرنامج ، يسمى التكوين.
على مدى السنوات الخمس الماضية ، تم تطوير 5 منصات: 1C-7.5 ، 1C-7.7 ، 1C-8.0 ، 1C-8.1 ، آخر واحد ، 1C-8.2 ، والتكوين الذي سنقوم بدراسته هو "1C: المحاسبة 8.2 ".
يتم تعيين دور رئيسي في دراسة الانضباط "AIS في الاقتصاد" للتدريبات العملية. جوهر التمارين العملية هو تطوير حل تطبيقي لبعض التنظيمات الافتراضية.
عند إجراء الفصول ، يتم استخدام مبدأ "افعل كما أفعل". يحدد المعلم مهمة تطوير حل مطبق ويقوم باستمرار بإنشاء التكوين اللازم ، والتعليق على جميع العمليات الجارية. يكرر الطلاب أفعال المعلم. في عملية العمل العملي ، تتم مناقشة الأسئلة غير الواضحة للطلاب بالتفصيل. تساهم هذه التقنية التعليمية في إتقان أعمق للتكنولوجيا وفهم الحلول المطبقة في المنصة.
يتم إيلاء اهتمام خاص لإتقان تقنية تصحيح أخطاء حل مطبق. تحقيقا لهذه الغاية ، يقوم المعلم ، في عملية إنشاء رمز لبعض الإجراءات ، بارتكاب أخطاء غالبًا ما يرتكبها الطلاب ، ويوضح طرقًا لتوطينها والبحث عنها وتصحيحها. تُظهر الممارسة أن العمل على تصحيح أخطاء العناصر الفردية للتطبيق والتطبيق بأكمله ككل هو عامل مهم في فهم ميزات عناصر النظام الأساسي وتقنية العمل في بيئته.
لضمان العمل المستقل ، يتم تقديم هذا الدليل التعليمي والمنهجي الإلكتروني للطلاب ، والذي تم تطويره في قسم "CIS FR" بكلية المالية في UNN.
لتعزيز المهارات العملية في إنشاء التطبيقات ، يأتي كل طالب في بداية دراسة التخصص (بحلول الدرس 3-4) ، بمهمة فردية لتطوير تطبيق أصلي وتنسيقه مع المعلم. يتم تنفيذ إنشاء مثل هذا التطبيق من قبل الطلاب خارج وقت الفصل الدراسي. يجب على الطلاب إثبات أداء التطبيق الذي تم إنشاؤه في عملية التحكم الوسيط.
الكتاب عبارة عن دليل يسمح لك بإتقان تقنيات تطوير وتعديل حلول التطبيقات على منصة 1C: Enterprise 8.2.
في مثال إنشاء حل تطبيق حقيقي ، يتم عرض بنية كائنات النظام المختلفة والغرض منها وطرق استخدامها. يتم تقديم الإجراءات باللغة المضمنة ، بما في ذلك تلك التي تستخدم لغة الاستعلام ، والتي يتم توفيرها مع تعليقات مفصلة.
هذه المادة مخصصة للمطورين المبتدئين الذين ليسوا على دراية بنظام 1C: Enterprise 8 ، ولأولئك الذين يقومون بالفعل بإنشاء أو صيانة التطبيقات على النظام الأساسي.
تم إعداد الإصدار الجديد من هذا الكتاب خصيصًا لإصدار الإصدار النهائي لمنصة 1C: Enterprise 8.2.
يعد النظام الأساسي 1C: Enterprise 8.2 تغييرًا أساسيًا في بنية النظام الأساسي للإصدار 8 ، وهو الأهم منذ إصداره.
من أجل توفير المزيد من الفرص للمطورين للتطوير السريع للمنصة الجديدة للفترة حتى 31 ديسمبر 2009 ، تم تحديد أسعار منخفضة للكتاب. اعتبارًا من 1 يناير 2010 ، قد تزداد تكلفة الكتاب.
للطبعة الجديدة من الكتاب ميزتان هامتان.
من ناحية ، يُظهر جميع النقاط الرئيسية المهمة للتطوير في الإصدار الجديد من 1C: منصة 8.2 Enterprise: تصميم واجهة مُدارة ، وتطوير النماذج المُدارة ، واستخدام خيارات التقارير والخيارات الجديدة لتخصيصها ، وهي طريقة جديدة لإدارة المستندات ، وإعداد سطح المكتب ، وواجهة الأوامر ، واستخدام الخيارات الوظيفية ، وما إلى ذلك.
من ناحية أخرى ، تم استكمال الكتاب ومراجعته مع توقع المتخصصين الذين ليسوا على دراية بنظام 1C: Enterprise 8. وفي الوقت نفسه ، الأسئلة والآراء والرغبات التي أعرب عنها قراء هذا الكتاب في مؤتمر عبر الإنترنت استخدمت. على سبيل المثال ، يُستكمل الكتاب بقسم مخصص يوضح بالتفصيل كيفية استخدام مساعد بناء الجملة والطرق المختلفة التي يمكنك من خلالها استخدام مصحح الأخطاء لتحليل التعليمات البرمجية الموجودة أو كتابة التعليمات البرمجية الخاصة بك. تهدف هذه المعلومات إلى مساعدة المطورين المبتدئين على إتقان المجموعة الكاملة للغة 1C: Enterprise 8.2 المدمجة بشكل مستقل.
الكتاب مبني على شكل مجموعة من التمارين العملية بمدة إجمالية تزيد عن 20 ساعة.
يُكمل الكتاب ، ولكنه لا يحل محل الوثائق الخاصة بمنتجات البرامج المضمنة في التسليم.
دار النشر LLC "1C-Publishing" ، ISBN 978-5-9677-1147-3 ، 874 صفحة ، تنسيق A5 (60x90 1/16).
اتصل بشريك 1C الذي يخدم مؤسستك وقدم طلبًا بإخباره بالرمز المخصص للكتاب (الموضح في الجدول أدناه). يمكنك أيضًا شراء الكتاب من الآخرين. شركاء شركة "1C".
النسخة الإلكترونية:
| الرمز | اسم | مُستَحسَن سعر التجزئة ، فرك. * | تاجر | شريك دائم | موزع |
| 4601546069627 | 1C: المؤسسة 8.2. دليل المطور العملي. أمثلة وتقنيات نموذجية (المادة 4601546069627). نسخة إلكترونية | 240 | 200 | 170 | 140 |
الدرس 1. التعارف وإنشاء قاعدة معلومات
الدرس 2. الأنظمة الفرعية
الدرس 3. الكتب المرجعية
الدرس 4. الوثائق
الدرس 5. النظري
الدرس 6. سجلات التراكم
الدرس السابع: تقرير بسيط
الدرس 8. التخطيطات. تحرير التخطيطات والنماذج
الدرس 9. سجلات دورية للمعلومات
الدرس 10. التعداد
الدرس 11. ترحيل مستند عبر دفاتر الأستاذ المتعددة
الدرس 12. دوارة سجلات التراكم
الدرس 13. التقارير
الدرس 14. تحسين تسليم المستندات توفير الخدمات
الدرس 15. خطة أنواع الخصائص
الدرس 16. المحاسبة
الدرس 17. خطة أنواع الحساب ، سجل الحساب
الدرس 18: استخدام سجل العمليات الحسابية
الدرس 19. البحث في قاعدة البيانات
الدرس 20: تشغيل المهام وفق جدول
الدرس 21: تحرير الاقتراحات في نموذج المستند
الدرس 22. قائمة المستخدمين وأدوارهم
الدرس 23. سطح المكتب وإعداد واجهة الأوامر
الدرس 24: تبادل البيانات
الدرس 25 الخيارات الوظيفية
الدرس 26
الدرس 27. تقنيات تطوير الأشكال
