Ma tényleg túl egyszerű: megközelítheti a számítógépet, és gyakorlatilag anélkül, hogy tudná, mit csinál, hozzon létre egy ésszerű és ostobaságot igazán csodálatos sebességgel. (J. Boksz)
A jellemzők kezdeti elemzése meghatározza azok részét, amelyeket figyelembe kell venni a végső modellben, és átalakítja őket egy csoportos változó formátumra. Az előre kártyaelrendezés előkészítő szakaszban, különböző becslési technikákat lehet használni, hogy megtalálják a jellegzetes sor, amely segít abban, hogy a legnagyobb pontossággal az előrejelzés.
Logisztikai regressziós módszereket használnak, valamint megoldásokat és neurális hálózati fákat. Általánosságban elmondható, hogy a végső pontozási kártyák ebben a szakaszban 8-20 jellemzőből állnak. Az ilyen számú értéket a térkép stabilitásának biztosítása akkor is, ha egy vagy több jellemző változik. Hullámzó kártyák nagyon kis sor jellemzőkkel, mint egy szabály, hogy nem bírja a tesztek, mivel nem stabilak a legkisebb változások a kiválasztott profil (jellemzők).
Függetlenül attól, hogy a modellezési módszer, a munka eredménye kell, hogy legyen kész kártyaelrendezés álló optimális kombinációja jellemzőit figyelembe venni, például lehet figyelembe venni:
A felületi kártyák különböző célokra fejleszthetők és használhatók: A statisztikai mutatók minőségének maximalizálása, a hatékonyság (kis számú változó használata) stb.
Az üzleti életben a pontozási kártyákat fejlesztik, hogy segítsen a döntéshozatal szakértőjének. Úgy döntenek választottbíróként, megtartják a döntések meghozatalára vonatkozó szabályokat. A tapasztalt szakember soha nem fogja határozatát tenni a pályázati űrlapra vagy a számítások történetére vonatkozóan csak 4-5 szabály alapján. Inkább elemzi a generalizáló mutatókat az ügyfél kockázati profiljának kialakításához. Tehát miért éppen csak 4-5 változók vagy jellemzőkkel rendelkeznek a pontozási kártyák?
A kártyafejlesztési folyamat célja az egyes ügyfelek legfelsőbb kockázati profiljának felépítése. Az ilyen széles megközelítés a pontozási kártyákat nemcsak hatékonyabbá teszi, hanem kevésbé érzékeny az egyik külön területen. Az ilyen kockázati profilnak tartalmaznia kell olyan jellemzőket, amelyek a lehető legtöbb független információt tükröznek. Például a felhasználó hitelminősítése: demográfiai információk az ügyfélről (kor, lakóhely, régió és munkatapasztalat); Az ingatlan, a szakma, a fizetőképesség, a fizetőképesség, a pénzügyi információk birtoklása, valamint az ügyféllel kapcsolatos bizalom mértéke az adósság-visszafizetéssel kapcsolatos bizalom mértéke (a kötelezettség általános aránya), valamint a másik a meglévő felhasználók.
A felhasználói profil segít a rekreációs kártyák későbbi megfigyelésében relevanciával. A legtöbb kockázati tanulási elemzők havi jelentéseket használnak a rendszerstabilitás típusáról vagy az "ügyfélstabilitás" típusáról, hogy megerősítsék a kártyák alkalmazásának hatékonyságát az ügyfelek aktuális számában. Ezek a jelentések hatékony intézkedéseket mutatnak a pontozási kártyán használt jellemzők alapján. Az általános kockázati profil reálisan tükrözi az aktuális változások számát, mint amikor korlátozott számú változót használ a pontozási kártyáról.
Az elmélet kockázati profilján alapuló ügyféltérkép létrehozása gyakorlatilag nem különbözik más tervezett modellezési eljárásoktól. A különbség csak a végső tulajdonságok ábrázolásában áll. Számos különböző módszer létezik, amelyek felhasználhatók az ügyfél kockázati profiljának értékének bevonására a pontozási kártyában. A cikk fennmaradó részét a logit regresszió segítségével módosítják az ügyfél pontozási kártyák építésére.
A logit regresszióját a legtöbb pénzügyi alkalmazásban a pontozási kártyák fejlesztésére alkalmazzák, ahol a változók kategorikusak. Az előrejelzés folyamatos változók esetében lineáris regressziót alkalmazunk. Ezután több logit regressziójának használata a bináris változó előrejelzése (rossz / jól).
a logit regressziója, mint a legtöbb más előrejelzési módszer, egy előrejelzési jellemzőket használ az eredmény (objektum) valószínűsége (vagy képességeinek) meghatározására. Az esemény eseményének egyenletének logit-átalakítása a következő:
P az esemény végső valószínűsége;
X - függő változók;
A regressziós vonal kezdeti (nulla) szintje;
Paraméterek
A Logit-Transformation egy logaritmus az esemény bekövetkezésének valószínűségének valószínűségének valószínűségéhez képest: napló (P (esemény bekövetkezik) / p (nem meghatározott események)), és a végső valószínűség linearizálására szolgál, korlátozza a valószínűséget, korlátozza a valószínűséget 0-tól 1-ig. A paraméterek becslése és a maximális igazság módja. Ezeket a paramétereket a logit transzformáció következtében bekövetkezett változások mértéke alapján értékelik, ha a bemeneti változó egységenkénti változó (más bemeneti változókkal való koordinációban). Valójában ezek az együtthatók a regressziós vonal meredekségét mutatják a változó cél (cél) és a megfelelő bemeneti változó között.
A paraméterek a bemeneti változó mérési egységétől függnek, például az elemzett adatok százalékában kifejezve, és azokat szabványosítani kell az elemzés megkönnyítéséhez. A szabványosítás különböző módszerekkel is elvégezhető, beleértve a szabványosított becslések módszerét is. Egy másik szabványosítási módszer a bemeneti adatok mérési egységeiben, és a regresszió végrehajtása nem szerepel a bemeneti adatokon, hanem az utolsó lépésben létrehozott csoportokhoz.
A regresszió magában foglalja a célváltozó jelenlétét és a bemeneti adatsorozatot. Ezek az adatok eltérő formanyomtatványokkal rendelkezhetnek. A leggyakoribb módja a numerikus adatok feldolgozatlan bemeneti adatainak használata, és a kategorikus adatokkal rendelkező változók helyettesítése. Ezután az elemzés a szabványosított becslések módszerét használja a különböző egységek által adott bemeneti mérési egységek által biztosított hatás érdekében.
A csoportosított változók szerint a pontozási térképek esetében a bemeneti adatok a numerikus változók átlagértékeként, például az egyes csoportok átlagos életkorát, vagy a kategorikus csoportok esetében a változókat helyettesíthetik. De a kategorikus változókra való helyettesített változók használata jelentős hátránya van - kiderül, hogy a kategorikus változók csoportja közötti különbség a nevükben áll. Előnyösebben alkalmazható az egyes csoportok csoportosított WOE változóként bemeneti adatokként. Ez a megközelítés nem csak megoldja a bemeneti változók mérési egységei közötti különbségek problémáit, hanem figyelembe veszi a pontos trendet és az egyik csoport viszonyát a másikba. Ezenkívül, ha a csoportosítást helyesen hajtották végre, biztos lehet benne, hogy a csoportok által a pontozási skálázási kártyák során elosztott értékek logikusan ésszerűek, és tükrözik a csoportok közötti kapcsolat különbségét.
A regresszió alkalmazható, hogy megtalálja a legvalószínűbb modellt, amely minden rendelkezésre álló lehetőséget használ. Általában szokásos, hogy a "regresszió a rendelkezésre álló paraméterekre" módszerre kerüljenek. Ez a módszer meglehetősen hatékony, különösen akkor, ha nagy számú független bemeneti változó van. A következő háromfajta fázisú logit regresszió sokkal kevésbé gyakori:
Ez a módszer az egyik jellemző (változó) szerint modellt épít, majd fokozatosan növeli a fennmaradó jellemzőket a modellhez, amíg a változók P-értéknél kisebb jelentőséggel bírnak (például 0,5). Ez a módszer hatékony, de nem működik, ha igen nagyszámú változó vagy magas fokú korrelációjuk van.
Az ellenkező előzetes választási módszer azonnal működik az összes változóval, és következetesen kiküszöböli a legkisebb szintű változókat. A folyamat mindaddig, amíg a fennmaradó változók nem rendelkeznek p-értékkel a szignifikancia szint alatt, például 0,1. Ez a módszer figyelembe veszi a korrelációt, mint az előválasztási módszer, vagy a fázisú választás. Ez azonban nem ideális módszer a korreláció megszüntetésére. Az inverz kivétel használható a modellben jelentős kölcsönhatások kombinálására is.
A két korábbi módszer kombinációja. A változók dinamikusan használata és eltávolítása minden szakaszban dinamikusan minőségi kártyába, addig, amíg a funkciók legjobb kombinációja nem érhető el. A felhasználó beállíthatja a minimális P-értéket, amelyben a változó hozzáadódik a létrehozott modellhez, vagy a modellben marad. További információk A Staksoft cég statisztikai portálján és helyszínén érhet el.
Bár lehetséges, hogy minőségi kártyát építeni egy regressziós modell alkalmazásával minden változóhoz, és statisztikailag optimális eredményt generál, ez a módszer nem hozhatja a legjobb eredményeket. A pontozási kártya fejlesztője általában bizonyos statisztikai mutatókra támaszkodik, például P-érték, Chi-tér, R-tér és mások, hogy meghatározzák az épített modell minőségét. A pontozási kártya fejlesztése során szükség van néhány feladat.
Az első feladat az, hogy meghatározza a bemeneti változók legjobb készletét, és teljes kockázati profilt készít. A kockázati profilszerkezeti technikát a fentiekben ismertetjük. Ideális esetben ezt a profilt a lehető legnagyobb mértékben független változók, például demográfiai, pénzügyi, hitelkérdések, fizetőképesség stb. A fejlesztési folyamatnak figyelembe kell vennie a korreláció és a kollekoritás problémáit, valamint a modell megbízhatóságát befolyásoló egyéb tényezőket.
A fejlett pontozási kártya meg kell felelnie annak szerkezetének, amelynek döntéshozatali sorrendje a szervezetben. Ha a modell az egyetlen döntő tényező, akkor növeli az átfogó kockázati profil kialakításának szükségességét. Ha a modellt úgy kell használni, hogy támogassák a döntéshozatalt, akkor a kártyán szereplő változóknak más mutatókkal kell kidolgoznunk, és nem mondják el őket. Például az ilyen jellemzőknek a csődnek, a TDSR-nek, a bűncselekményekről szóló információknak való felvételét minimálisra kell csökkenteni, mivel a rendőrségi szabványokban jelen van.
Az 1. táblázatban bemutatott példa mutatja az énekes kártya változókat, amelyeket a kockázati profilból készítettek. Ne feledje, hogy a mutatók között különböző típusú információ mind belső, mind külső forrásokból. Az utolsó 12 és 3 hónapos kérelmek felvétele a rövid és hosszú távú hitelezés skálájának meghatározása érdekében történik. A csőd és a "megsértési statisztikák" nem szerepeltek a mutatók kártyájába, mivel ezeket a rendőrségi szabályokban használják, és automatikusan megbirkózzanak a megfelelő jelöltekkel.
Általában egy ilyen pontozási kártya nem az automatikus regressziós algoritmus eredménye. Hogyan alakul ki egy ilyen pontozási kártya?
Fontolja meg a példát.
A Surging Card Developer számos olyan módszerrel rendelkezik, amellyel a modell végleges formáját építheti. Ezt feltételezik a paraméterek kiválasztásával, amelyekben csak a szükséges, vagy azok, amelyek "hasznosak lehetnek", eredetileg figyelembe veszik.
Az eredmény elérésének egyik módja annak, hogy a modell jelentős változókat javasoljon, lépésről lépésre, és a változók teljesen specifikusak minden egyes lépésnél. Ez a folyamat hasonló a fokozatossághoz (lépésenként). A példát az alábbi 2. táblázat tartalmazza:
Ezzel a módszerrel a regressziós algoritmus először kiválasztja a paramétereket a logit regresszióval vagy az előválasztással, vagy kivételes módszerrel vagy egy fázisban. Jellemzői, hogy megfelelnek a kiválasztási kritérium (például ha a P-érték paraméter becsült bármilyen szintű bizalom, a paraméterek felkerült a térképre az első helyen, vagy fordítva, eltávolítjuk belőle esetén regresszió kivétellel Módszer.) A jellemző "életkor" példájában, "A tartózkodási hely dátuma" és a "munkatapasztalat" kiszámítása az első iterációban kerül kiszámításra. A jellemző "életkor" jelenik meg a modellben, mivel az előrejelzés legnagyobb hatását biztosítja.
Az azonos szintű második iterációval az algoritmus figyelembe veszi a két fennmaradó jellemzőket, figyelembe véve a már kiválasztott "életkor" változóat. Ha kiderül, hogy a vizsgált változók közül az egyik vagy mindkettő jelentős hatással van az előrejelzés eredményére, akkor is hozzáadódik a modellhez. Regresszióanalízis leáll, ha nincs változó, ki lehetne egészíteni, vagy kizárni adathalmaz elemzése.
A modellben szereplő összes jellemző az első lépésben részt vesz, és a 2. lépésben részt vesz. A regressziós algoritmus ebben a lépésben ellenőrzi az ilyen jellemzőket, mint a "kerület", az "index" és a "terület", de az ellenőrzés az első lépésben kiválasztott jellemzőkkel kezdődik, és már szerepel a modellben. Ismét az ilyen mutatók, mint P-érték és a jelentőség szintjét az értelmes jellemzők meghatározására (amely a modellben szerepel).
Ilyen elemzést végeznek minden további szintre. Az elemzés eredménye egy pontozási kártya lesz. A korábbi lépésekben szereplő jellemzők szerepelnek a modellben és a későbbi iterációkban is.
A statisztikai mutatók, például a CHI tér vagy a szabványosított becslések felhasználhatók a modell előrejelzésének erősségének meghatározására az iteráció minden egyes szakaszában.
A tapasztalt felhasználó figyelemmel kíséri az elemzési folyamatot, hogy növelje a helyes diagnózis kialakításának esélyeit. A gyenge és "kiváltságos" jellemzők a korábbi iterációs lépésekre helyezhetők annak érdekében, hogy növeljék a modellhez való hozzáadásának esélyeit, és maximalizálják a vitathatatlan (ellenőrzött) változók hatását. A jövőben a többi változó hozzáadása növeli az előrejelzés pontosságát.
Jelentősebb jellemzők kerülnek a végén, és előfordulhat, hogy nem szerepelhet a pontozási kártyába, ha a hatásuk már egy vagy több más kritériumban is modellezhető. A használata több gyenge kritériumok modellezésére viselkedését egy jelentősebb stabilizálásához alkalmazható, és veszteség nélkül predikciós erő, például, 5 jellemzői hozzátéve 200 pontot minden egyes egy pontozási kártya előnyösebb, mint két jellemző, hogy hozzá 500 pont adható. A modell szélesebb alapon (jellemzően) lesz hatásos. Ez megfelel a kockázatok profilok létrehozásának ötletének.
Hasonló kritériumok ("életkor", "a tartózkodási helyének" és a "tapasztalat") egy iterációs lépésbe kerülnek, hogy a jövőben figyelembe lehessen a jellemzők közötti összefüggést. A korrelált jellemzők között a legmegfelelőbb a pontozási kártyába lép. Hasonló együtthatókat kell elhelyezni ugyanabba az iterációs lépésben, mint a számláló és a denominátor tájékoztatása. Ezenkívül minden egyes lépésben különböző független információk figyelembevétele növeli az egyes csoportok legalább egy változójának esélyét a végső pontozási kártyára.
A regressziós analízist megismételjük a különböző szakaszok különböző jellemzői kombinációira, és különböző szintű bizalommal a ciklikus folyamat a legjobb modellszabályok beépítésére. A jellemzők magasabb vagy alacsonyabb lépésekre költözhetők, hogy változatos kombinációkat érjenek el a kártyák pontozóinak eléréséhez. Ezeket a térképeket később értékelik, az üzleti kritériumok és a modell előrejelzési modelljének statisztikai mutatói segítségével.
A gyakorlatban ezt a megközelítést egy olyan modell hajtja végre, amelynek szekvenciaszekvenciájú opciója van a logit regresszióban, fokozatos választással. Itt van két leggyakrabban használt megközelítés:
A regressziós analízis algoritmus egyszeri elindítása, és a jellemzők elhelyezésére irányuló eljárás a következő: - az összes "gyenge" jellemző a tetején (első), egyre jelentősebb jellemzőkkel rendelkezik - a végén. Minden egyes információn belül a jellemzők rendezhetők, kevésbé jelentősek, és a legjelentősebb jellemzővel végződnek. Az egyes jellemzők súlyát az értéke alapján lehet kiszámítani.
Ennek a megközelítésnek a használata esetén a regressziós analízis algoritmus többször is megismétlődik, figyelembe véve az elemzés minden egyes szakaszában különböző információkat.
Emellett a csoportosítás folyamatában is, ez a megközelítés a pontozási kártyák fejlődéséhez érzékeny a rugalmasság csökkenésére. Az elemzési lépések, valamint a statisztikai összetevők, például az elemzett jellemzők, valamint a statisztikai komponensek jó megértése csökkenti a nem kielégítő előrejelzési minőség megszerzésének esélyeit. Ezt a megközelítést több különböző jellemzői kombinációval kell vizsgálni annak érdekében, hogy megértsük az adatváltozás dinamikáját, mielőtt elkészítené a végleges pontozási kártyát.
Ez a folyamat magában foglalja a statisztikai modellezést (például regressziós analízis) és az üzleti elemzéseket. A különböző forrásokból álló jellemzőkkel rendelkező stabil, hatékony pontozási kártya kialakítása, valamint különböző független információk (demográfiai, kérelmek, a múltbeli tevékenységekről szóló információ, az S / N stb.). Ne feledje, hogy a regressziós analízist az elsődleges kiválasztott jellemzők közül választott stabil jellemzőkkel végezzük, és minden gyenge kritérium már megszűnt. Minden tesztet fontos, hogy a pontozási kártyán szereplő jellemzők végső összetételének megválasztását követik, de ez nem az egyetlen kritérium. A kapott kártya saját statisztikai ereje és hatása van. Leggyakrabban ez pontosan ez a kockázatkezelők és más döntéshozatali szakemberek használják a stratégiák kockázatának kompenzálására.
Amikor a pontozási kártya beillesztésének jellemző beállítása kapható, ezek a jellemzők csoportosított formában alkalmazhatók az elemzésre, hogy megkapjuk a végső regressziós paramétereket. Az ilyen folyamatok minden egyes pontozási kártyával előfordulnak, ha az egyes szegmensek külön-külön vannak. Jellemzően számos pontozási kártya különböző jellemzőkkel kombinálja az egyes szegmensek számára, és figyelembe veszi a végső döntés meghatározásához szükséges célokat és feladatokat. Az alacsonyabb "erővel" énekes kártya nagyobb prioritást kaphat, ha a szervezet stratégiáját, céljait és célkitűzéseit célozza. (Például egy nagy nyereség), mint a másik, nagyobb "erővel", ezért Szükséges, hogy összehasonlítsam több kártyát ennek megfelelően, mit kell támaszkodni az egyetlen statisztikai mutatóra. By the way, a kritériumok kiválasztása a pontozási kártyák és azok jóváhagyása a későbbi fejezetekben.
Ennek eredményeképpen ebben a szakaszban számos különböző pontozási kártya van, amelyek általánosítják a jellemzőket és a regressziós paramétereket.
A "1c: számviteli 8.2" program tanulmányozásának bemutatója az összes specialitás pénzügyi és gazdasági karának hallgatóira összpontosul.
A kézikönyv célja, hogy tanítsa meg a hallgatót, hogy az 1C-ben működő "számviteli vállalat" új konfigurációjában dolgozzon a "Számviteli vállalat" új konfigurációjában: Enterprise 8.2 Technológiai platform - ez az új generáció által használt új generációs alkalmazott termékek erőteljes egyetemes rendszere különböző vállalati menedzsment feladatok. Számítógépes megoldásokra összpontosít a gazdaság minden problémájára. Sokoldalúság és rugalmasság miatt a rendszer könnyen konfigurálható egy adott szervezet igényeihez, és lehetővé teszi, hogy megoldja a vállalati számviteli szakaszok automatizálásának széles választékát, valamint számos szervezet nyilvántartása egy információs bázisban .
Logikusan, az egész rendszer két nagy részre osztható, amelyek szorosan együttműködnek egymással: a konfiguráció munkáját kezelő konfiguráció és platform.
Az összes "1C" program egyetlen platform alapján működik, azaz Egységes alapprogram.
A munka megkezdése előtt a felhasználónak csatolnia kell az információs bázist, amely végrehajtja a konfigurációjú program speciális változatát.
Az elmúlt öt évben 5 platform: 1C-7,5, 1C-7,7, 1C-8.0, 1C-8.1, utolsó, 1C-8.2, és a konfiguráció, amelyet meg fogunk tanulni, "1c: Számvitel 8.2 ".
A "AIS gazdaságban" fegyelem tanulmányozásának kulcsfontosságú szerepe a gyakorlati gyakorlatok. A gyakorlati osztályok magja egy alkalmazott megoldás kifejlesztése egyes virtuális szervezet számára.
Az osztályok lebonyolításakor a "do mint i" elvét használják. A tanár az alkalmazott megoldás kidolgozásának feladata, és következetesen létrehozza a szükséges konfigurációt, kommentálja az összes végrehajtott műveletet. A diákok megismétlik a tanár cselekedeteit. A gyakorlati munka során a tisztázatlan kérdéseket részletesen tárgyalják. Az ilyen didaktikus vétel hozzájárul a technológia mélyebb fejlődéséhez és a platformon végrehajtott megoldások megértéséhez.
Különös figyelmet fordítanak az alkalmazott megoldási hibakeresési technikák fejlesztésére. Ebből a célból a tanár egy bizonyos eljárások kódjának létrehozásának folyamatában szándékosan gyakran megengedett hibákat, bemutatja a lokalizálás, a keresés és a javítás lehetőségeit. A gyakorlat azt mutatja, hogy a kérelem egyedi elemeinek hibakeresése, és általában az egész alkalmazás fontos tényező a környezetben lévő platform és technológia elemeinek jellemzőinek megértésében.
A független munkák biztosítása érdekében a hallgatókat felkérik erre az elektronikus oktatási és módszertani kézikönyvre, amelyet a Kisa FRI Fed Minisztérium NNU finanszírozási tanszékén fejlesztettek ki.
A gyakorlati készségek biztosítása az alkalmazások létrehozásához, minden hallgató a fegyelem tanulmányozásának kezdetén (3-4 óráig) A hallgató egyéni feladattal jön létre az eredeti alkalmazás fejlesztése és koordinálja azt a tanárral. Az ilyen alkalmazás létrehozását a diákok a tanórán kívüli időben végzik. A létrehozott alkalmazás működése. A diákoknak meg kell mutatniuk a közbenső kontroll folyamatában.
A könyv olyan kézikönyv, amely lehetővé teszi, hogy gyorsan elsajátítsa az alkalmazott megoldások fejlesztésére és módosítására szolgáló technikákat az 1C: Enterprise 8.2 platformon.
A példa, hogy létrehozza a valós alkalmazott megoldást, a szerkezet a különböző rendszer tárgyak, céljuk és a használat módja látható. Vannak eljárások a beágyazott nyelven, beleértve a lekérdezési nyelvet, amely részletes megjegyzésekkel van felszerelve.
Az anyagot arra tervezték, hogy olyan újdonságok legyenek, akik nem ismerik az 1c-os rendszert: egy vállalkozás 8 és azokra, akik már létrehozták vagy kísérik az alkalmazást a platformon.
A könyv új kiadását kifejezetten az 1C platform végleges verziójának felszabadítására készítették: Vállalat 8.2.
1. platform 1c: A 8.2 Vállalkozás a 8-as verziójú platform architektúrában, a kiadás óta a legjelentősebb.
Annak érdekében, hogy a fejlesztők több lehetőséget biztosítsanak az új platform működési fejlődéséhez 2009. december 31-ig terjedő időszakra, alacsony árakat telepítenek a könyvre. 2010. január 1-jétől a könyv költsége növelhető.
A könyv új kiadása két jelentős előnye van.
Egyrészt azt mutatja, hogy az 1C-platform új verziójának fejlesztéséhez fontos főbb pontok. Interfész, funkcionális opciók használata stb.
Másrészt a könyvet kiegészítik és újrahasznosítják a szakemberek kiszámításával, akik nem ismerik az 1c rendszert: Vállalat 8. Ugyanakkor a kérdéseket használták, a véleményeket, azt szeretné, hogy az olvasók ezt a könyvet az internetes konferencián tették. Például a könyvet kiegészíti egy speciális partíció, amely részletesen leírja a szintaxis asszisztensének és a hibakereső használatának különböző módjait a meglévő kód elemzéséhez vagy saját írásához. Ez az információ célja, hogy segítsen a kezdő fejlesztőknek a beépített 1c-ek teljes sokféleségének független fejlesztésében: vállalkozások 8.2.
A könyv gyakorlati gyakorlati gyakorlatok gyűjteményének formájában épült, amelynek teljes időtartama több mint 20 óra.
A könyv kiegészítése, de nem helyettesíti a csomagban szereplő szoftver termékek dokumentációját.
Publisher LLC "1C-Publishing", ISBN 978-5-9677-1147-3, 874 p., A5 formátum (60x90 1/16).
Lépjen kapcsolatba az 1C partnerrel, amely a szervezetet szolgálja, és megrendelést készít, tájékoztatja azt a könyvhez rendelt kódot (az alábbi táblázatban látható). Ön is vásárolhat egy könyvet másoktól. az "1c" vállalat partnerei.
Elektronikus verzió:
| A kód | Név | Ajánlott. Kiskereskedelmi ár, dörzsölje. * | Kereskedő | Állandó partner | Elosztó |
| 4601546069627 | 1c: Vállalat 8.2. Gyakorlati fejlesztői kézikönyv. Példák és tipikus technikák (4601546069627). Elektronikus változat | 240 | 200 | 170 | 140 |
1. lecke 1. Ismerkedés, információs bázis létrehozása
2. lecke alrendszerek
3. lecke könyvtárak
4. lecke
5. lecke elméleti
6. lecke 6. felhalmozási nyilvántartások
7. lecke: Egyszerű jelentés
8. lecke. Elrendezések. Elrendezések és formák szerkesztése
9. lecke 9. Időszakos információk nyilvántartása
Lecke 10. felsorolások
11. lecke. Végezzen egy dokumentumot több nyilvántartásról
12. lecke. Recovery Regiszterek
13. lecke. Jelentések
14. lecke. A dokumentumtartási szolgáltatások optimalizálása
15. lecke. A jellemzők típusainak tervezése
16. lecke
17. lecke. Számítási terv, számítási nyilvántartás
18. lecke. A számítási nyilvántartás használata
19. lecke. Felmérés az adatbázisban
20. lecke A menetrend szerinti feladatok ellátása
21. lecke. Mozgások szerkesztése dokumentum formájában
22. lecke. A felhasználók listája és szerepe
23. lecke. Asztali és irányító interfész konfiguráció
Exchange 24. Adatcsere
25. lecke. Funkcionális lehetőségek
A 26. lecke és a bevételek alapján
27. lecke. Fejlesztési technikák
