Astăzi este într-adevăr prea ușor: poți să mergi până la un computer și, cu puține sau deloc cunoștințe despre ceea ce faci, poți crea minte și prostii cu o viteză cu adevărat uimitoare. (J. Box)
Analiza inițială a caracteristicilor determină setul celor care ar trebui luate în considerare în modelul final și le transformă într-un format de variabilă grupată. La etapa preliminară a tabloului de bord, pot fi utilizate diverse tehnici de prognoză pentru a găsi un set de caracteristici care contribuie la cea mai mare acuratețe a prognozei.
Se aplică metode de regresie logistică, precum și arbori de decizie și rețele neuronale. În general, tabelele de punctaj finale create în această etapă ar trebui să conțină 8-20 de caracteristici. Acest număr de valori este luat pentru a asigura stabilitatea hărții chiar și atunci când una sau mai multe caracteristici se modifică. Tabelele de punctaj cu un set de caracteristici foarte mic eșuează de obicei testul deoarece sunt instabile cu cea mai mică modificare a profilului selectat (setul de caracteristici).
Indiferent de tehnica de modelare utilizată, rezultatul lucrării ar trebui să fie un tablou de punctaj finalizat, constând din combinația optimă de caracteristici luate în considerare, de exemplu, pot fi luate în considerare următoarele:
Tabelele de punctaj pot fi dezvoltate și utilizate în diverse scopuri: maximizarea calității indicatorilor statistici, eficiență (folosirea unui număr mic de variabile) etc.
În afaceri, tabele de punctaj sunt dezvoltate pentru a ajuta profesionistul să ia decizii. Aceștia acționează ca arbitri, stochează regulile pentru luarea deciziilor. Un specialist cu experiență nu își va lua niciodată decizia doar pe baza a 4-5 reguli din formularul de cerere sau a istoricului calculelor. Mai degrabă, va analiza mai mulți indicatori generali simultan pentru a forma profilul de risc al unui client. Deci, de ce sunt tabelele de punctaj concepute cu doar 4-5 variabile sau caracteristici?
Scopul procesului de cartografiere este de a construi cel mai complet profil de risc pentru fiecare client. Această abordare amplă face ca tablourile de bord nu numai să fie mai eficiente, ci și mai puțin susceptibile la schimbări într-un anumit domeniu. Un astfel de profil de risc ar trebui să includă caracteristici care să reflecte cât mai multe tipuri independente de informații. De exemplu, cardul de credit al unui utilizator ar include: informații demografice ale clientului (vârstă, locație, regiune și experiență de lucru); o secțiune privind caracteristicile creditului care reflectă proprietatea, ocupația, solvabilitatea, unele informații financiare, precum și gradul de încredere pe care îl are clientul în raport cu rambursarea datoriilor (rata generală de nerambursare a datoriei), precum și alte informații relevante pentru a lua în considerare utilizatorii.
Profilul utilizatorului ajută, de asemenea, la monitorizarea ulterioară a tabelelor de punctaj pentru relevanță. Majoritatea analiștilor de risc folosesc rapoarte lunare de „stabilitate a sistemului” sau „stabilitatea clienților” pentru a confirma performanța cardului cu populația actuală de clienți. Aceste rapoarte arată măsuri ale performanței bazate exclusiv pe caracteristicile utilizate în tabelul de punctaj. Profilul general de risc reflectă schimbările actuale ale populației într-un mod mai realist decât atunci când se utilizează un număr limitat de variabile din tabloul de bord.
Crearea unei hărți a clienților pe baza unui profil de risc nu este, teoretic, practic nu diferită de alte proceduri de modelare predictivă. Diferența este doar în reprezentarea setului final de caracteristici. Există o mare varietate de metode care pot fi utilizate pentru a include valorile profilului de risc al clientului într-un tablou de bord. Restul acestui articol se va concentra pe metodele care utilizează regresia logit pentru a construi tabele de punctaj pentru clienți.
Regresia logit este utilizată pentru a dezvolta tabele de punctaj în majoritatea aplicațiilor financiare în care variabilele sunt categorice. Pentru variabilele de prognoză continuă, se utilizează regresia liniară. În continuare, vom lua în considerare utilizarea regresiei logit multiple pentru a prezice o variabilă binară (având valori proaste / bune).
Regresia logit, ca majoritatea celorlalte metode de prognoză, utilizează un set de caracteristici de prognoză pentru a determina probabilitatea (sau posibilitatea) de a obține un rezultat (obiectiv). transformarea logit a ecuației probabilității evenimentului este după cum urmează:
P - probabilitatea finală a evenimentului;
X - variabile dependente;
Nivelul inițial (zero) al dreptei de regresie;
Opțiuni
Transformarea logit este logaritmul raportului dintre probabilitatea de apariție a unui eveniment și probabilitatea de neapariție a acestuia: log(p(apariția evenimentului) / p(neapariția evenimentului)), și este folosită pentru a liniariza finalul probabilitate, limitând probabilitatea de la 0 la 1. Pentru estimarea parametrilor se folosește metoda maximei probabilități. Acești parametri evaluează măsura modificării rezultatului transformării logit atunci când variabila de intrare se modifică cu o unitate (în acord cu alte variabile de intrare). De fapt, acești coeficienți arată panta liniei de regresie dintre variabila țintă (țintă) și variabila de intrare corespunzătoare.
Parametrii depind de unitatea de măsură a variabilei de intrare, de exemplu, ei sunt exprimați ca procent din volumul tuturor datelor analizate și trebuie să fie standardizați pentru a facilita analiza. Standardizarea se poate face prin diverse metode, inclusiv prin metoda scorurilor standardizate. O altă modalitate de a standardiza este de a elimina în general unitățile datelor de intrare și de a efectua o regresie nu asupra datelor de intrare, ci pe WOE pentru fiecare grupare creată în ultimul pas.
Regresia implică prezența unei variabile țintă și a unei serii de date de intrare. Aceste date pot fi prezentate sub diferite forme. Cea mai obișnuită modalitate este de a utiliza informații brute de intrare pentru datele numerice și de a crea înlocuiri pentru variabile cu date categorice. Analiza folosește apoi un estimator standardizat pentru a neutraliza efectul diferitelor unități de date de intrare.
În cazul tabelelor de punctaj pentru gruparea variabilelor, datele de intrare pot fi prezentate ca medii pentru variabile numerice, cum ar fi vârsta medie pentru fiecare grup, sau o medie ponderată, sau variabile de înlocuire pentru grupuri categorice. Dar utilizarea variabilelor substituite pentru variabilele categorice are un dezavantaj semnificativ - se dovedește că diferența dintre un grup de variabile categoriale constă în numele lor. Este mai preferabil să se folosească pentru variabilele de grupare WOE al fiecărui grup ca intrare. Această abordare nu numai că rezolvă problemele diferențelor în unitățile de măsură ale variabilelor de intrare, dar ia în considerare și tendința exactă și scara raporturilor dintre un grup și altul. În plus, dacă gruparea a fost făcută corect, puteți fi sigur că valorile alocate grupurilor la scalarea tabelului de punctaj sunt rezonabile din punct de vedere logic și reflectă diferența de relație dintre grupuri.
Regresia poate fi aplicată pentru a găsi modelul cel mai probabil folosind toate opțiunile disponibile. Aceasta este denumită în mod obișnuit tehnica „regresie asupra parametrilor disponibili”. Această metodă se dovedește a fi destul de eficientă, mai ales dacă există un număr mare de variabile de intrare independente. Următoarele trei tipuri de regresie logit incrementală sunt mult mai puțin utilizate:
Această metodă construiește un model pe o caracteristică (variabilă), apoi adaugă treptat caracteristicile rămase la acest model în ordine crescătoare până când nu mai rămân variabile cu o valoare p mai mică decât nivelul de semnificație (de exemplu, 0,5). Această metodă este eficientă, dar poate să nu funcționeze dacă există un număr foarte mare de variabile sau dacă există un grad ridicat de corelare între ele.
Opusul preselecției, funcționează simultan asupra tuturor variabilelor din model și elimină secvențial variabilele cu cel mai scăzut nivel de semnificație. Procesul continuă până când toate variabilele rămase au o valoare p sub nivelul de semnificație, de exemplu 0,1. Această metodă ține cont de corelație mai mult decât metoda de preselecție sau de selecție în etape. Cu toate acestea, aceasta nu este o metodă ideală pentru eliminarea corelației. Excluderea din spate poate fi folosită și pentru a grupa interacțiuni semnificative într-un model.
O combinație a celor două metode anterioare. Utilizează atât adăugarea, cât și eliminarea variabilelor în mod dinamic pe harta calității în fiecare etapă, până când se obține cea mai bună combinație de caracteristici. Utilizatorul poate seta valoarea p minimă la care variabila este adăugată la modelul creat sau rămâne în model. Puteți obține informații suplimentare pe portalul statistic și pe site-ul StatSoft.
Deși este posibilă construirea unei hărți de calitate prin aplicarea unui model de regresie tuturor variabilelor și generarea unui rezultat optim din punct de vedere statistic, această metodă nu poate aduce rezultate mai bune. Designerul de scorecard se bazează de obicei pe unele statistici, cum ar fi valoarea p, chi-pătrat, r-pătrat și altele pentru a determina calitatea modelului construit. Următoarele sunt câteva dintre sarcinile care trebuie rezolvate la elaborarea unui tabel de punctaj.
Prima sarcină este de a determina cel mai bun set de variabile de intrare și de a construi un profil de risc complet. Metodologia pentru construirea unui profil de risc a fost descrisă mai sus. În mod ideal, acest profil ar trebui construit folosind cât mai multe variabile independente, cum ar fi demografie, finanțe, probleme de credit, capacitatea de plată etc. Procesul de dezvoltare ar trebui să ia în considerare problemele de corelare și coliniaritate și alți factori care afectează robustețea modelului.
Tabloul de punctaj elaborat ar trebui să corespundă în structura sa cu succesiunea de luare a deciziilor în organizație. Dacă modelul este singurul factor decisiv, nevoia de a construi un profil de risc cuprinzător crește. Dacă modelul ar trebui să fie utilizat pentru sprijinul decizional, atunci variabilele incluse în hartă ar trebui să se suprapună cu alți indicatori și să nu îi contrazică. De exemplu, includerea unor caracteristici precum falimentul, TDSR, informații despre infracțiunile comise, ar trebui să fie redusă la minimum, deoarece este prezentă în standardele poliției.
Exemplul din Tabelul 1 prezintă factorii variabili din tabloul de bord luați din profilul de risc. De remarcat că printre indicatori există diferite tipuri de informații, atât din surse interne, cât și din surse externe. Includerea cererilor pentru ultimele 12 și 3 luni se face pentru a putea determina amploarea creditării atât pe termen scurt, cât și pe termen lung. Falimentul și „statisticile privind încălcările” nu au fost incluse în tabelul de bord, deoarece sunt folosite în regulamentele poliției și îndepărtează automat candidații eligibili.
De obicei, un astfel de punctaj nu este rezultatul unui algoritm de regresie automată. Cum apare un astfel de punctaj?
Să ne uităm la un exemplu.
Designerul de scorecard are mai multe metode prin care poate construi forma finală a modelului. Se presupune o selecție de parametri, în care sunt considerați inițial doar cei necesari, sau cei care „pot fi utili”.
O modalitate de a face acest lucru este asumarea variabilelor care sunt semnificative pentru model, pas cu pas, cu variabilele asumate într-un mod complet specific pentru pas. Acest proces este similar cu regresia în trepte. Un exemplu este prezentat în tabelul 2 de mai jos:
Folosind această metodă, algoritmul de regresie selectează mai întâi parametrii folosind regresia logit, fie preselecție, eliminare sau selecție în etape. Caracteristici care satisfac criteriile de selecție stabilite (de exemplu, când valoarea p a unui parametru este estimată la un anumit nivel de încredere, parametrii sunt adăugați mai întâi pe hartă sau invers, îndepărtați din aceasta în cazul regresiei de către metoda de eliminare.) În exemplul de mai sus, caracteristicile „vârstă”, data schimbării reședinței” și „experiență” vor fi calculate în prima iterație. „Vârsta” caracteristică va apărea în model ca având cea mai mare influență asupra prognozei.
La a doua iterație de același nivel, algoritmul va lua în considerare cele două caracteristici rămase, ținând cont de variabila deja selectată „vârstă”. Dacă se dovedește că una sau ambele variabile considerate au un impact semnificativ asupra rezultatului prognozei, atunci vor fi adăugate și ele la model. Analiza de regresie se va opri atunci când nu există nicio variabilă de adăugat sau de exclus din setul de date de analizat.
Toate caracteristicile incluse în model la prima etapă vor fi incluse în acesta la a doua etapă. Algoritmul de regresie din acest pas va testa caracteristici precum „district”, „index” și „regiune”, dar testul va începe cu caracteristicile selectate în primul pas și deja incluse în model. Din nou, metrici precum valoarea p și nivelul de semnificație vor fi utilizate pentru a determina care caracteristici sunt semnificative (care vor fi incluse în model).
O analiză similară va fi efectuată pentru fiecare nivel ulterior. Rezultatul analizei va fi un punctaj. Caracteristicile incluse în model în pașii anteriori vor fi, de asemenea, incluse în model în iterațiile ulterioare.
Măsurile statistice, cum ar fi chi-pătratul sau scorurile standardizate, pot fi utilizate pentru a determina puterea predictivă a modelului la fiecare pas de iterație.
Un utilizator experimentat poate controla procesul de analiză pentru a crește șansele de a face un diagnostic corect. Caracteristicile slabe și „preferate” pot fi plasate la pașii de iterație anterioare pentru a crește șansele ca acestea să fie adăugate la model și pentru a maximiza influența variabilelor incontestabile (testate). În viitor, adăugarea altor variabile va crește acuratețea prognozei.
Caracteristicile mai semnificative sunt plasate la sfârșit și pot să nu fie incluse în tabelul de punctaj dacă impactul lor poate fi deja modelat pe unul sau mai multe alte criterii. Utilizarea mai multor criterii slabe pentru a modela comportamentul unuia mai semnificativ este folosită pentru stabilizare și, fără a pierde puterea prognozei, de exemplu, 5 caracteristici care adaugă 200 de puncte fiecare într-un tablou de bord sunt de preferat decât două caracteristici care adaugă 500. puncte fiecare. Modelul va fi eficient cu o bază mai largă (set de caracteristici). Acest lucru este în concordanță cu ideea de a crea profiluri de risc.
Criterii similare („vârsta”, „data schimbării reședinței” și „experiența de muncă”) sunt combinate într-un singur pas de iterație, astfel încât corelația dintre aceste caracteristici să poată fi luată în considerare în continuare. Cele mai potrivite dintre caracteristicile corelate vor fi incluse în fisa de punctaj. Coeficienți similari ar trebui, de asemenea, plasați în aceeași etapă de iterație ca informațiile despre numărător și numitor. În plus, luarea în considerare a diferitelor informații independente la fiecare pas crește șansele de a adăuga cel puțin o variabilă din fiecare grup la tabloul de bord final.
Analiza de regresie va fi repetată pentru diferite combinații de caracteristici în diferite etape și cu diferite niveluri de încredere într-un proces iterativ pentru a construi cel mai bun set de reguli model. Statisticile pot fi mutate la trepte mai mari sau mai mici pentru a realiza o varietate de combinații pentru tabele de scor. Aceste hărți vor fi evaluate ulterior folosind criterii de afaceri și măsuri statistice ale puterii predictive a modelului.
În practică, această abordare este implementată de un model cu opțiune de selecție a secvenței în regresie logit cu selecție în etape. Iată cele două abordări cele mai frecvent utilizate:
Se efectuează o singură lansare a algoritmului de analiză de regresie, iar ordinea de plasare a caracteristicilor este următoarea: - Toate caracteristicile „slabe” sunt plasate în partea de sus (la început), toate caracteristicile mai semnificative - la sfârșit. În cadrul fiecărui tip de informație, caracteristicile pot fi sortate de la cel mai puțin semnificativ la cel mai semnificativ. Greutatea fiecărei caracteristici poate fi calculată din valoarea acesteia.
Atunci când se utilizează această abordare, algoritmul de analiză de regresie este repetat de mai multe ori, luând în considerare informații diferite la fiecare pas al analizei.
Ca și în cazul procesului de grupare, această abordare a dezvoltării cardurilor de punctaj este susceptibilă la o elasticitate redusă. O bună înțelegere a tuturor etapelor de analiză, precum și a componentelor statistice, cum ar fi setul de caracteristici analizate, va reduce șansele de a obține o calitate slabă a prognozei. Această abordare ar trebui testată folosind mai multe combinații diferite de caracteristici pentru a înțelege dinamica modificărilor datelor înainte de compilarea tabloului de bord final.
Acest proces include modelarea statistică (de exemplu, analiza de regresie) și analiza de afaceri. Este în curs de dezvoltare un tabel de punctaj robust și eficient care conține caracteristici din diverse surse și afișează diferite tipuri independente de informații (demografice, întrebări, informații despre activitățile anterioare, salarii etc.). Rețineți că analiza de regresie este efectuată folosind un set stabil de caracteristici selectate dintre caracteristicile selectate primare și toate criteriile slabe au fost deja eliminate. Toate testele de semnificație decurg din alegerea compoziției finale a caracteristicilor incluse în tabloul de bord, dar acesta nu este singurul criteriu de luat în considerare. Harta rezultată are propria putere statistică și impact. De cele mai multe ori, aceasta este ceea ce managerii de risc și alți factori de decizie folosesc pentru a dezvolta strategii de compensare a riscului.
Odată ce a fost obținut un set de caracteristici de inclus în tabloul de bord, acele caracteristici pot fi aplicate analizei într-un mod grupat pentru a obține parametrii de regresie finali. Procese similare apar cu fiecare tabel de punctaj în timpul construcției, pentru fiecare segment separat. De obicei, mai multe tabele de punctaj utilizează diferite combinații de caracteristici pentru fiecare segment și iau în considerare scopurile și obiectivele stabilite pentru a determina soluția finală. Un tabel de punctaj cu o „putere” mai mică i se poate acorda mai multă prioritate dacă vizează strategia, scopurile și obiectivele organizației (de exemplu, profituri mai mari) decât altuia cu o „putere” mai mare și, prin urmare, mai multe carduri trebuie comparate în consecință, mai degrabă decât să se bazeze. numai pe statistici. Apropo, alegerea criteriilor pentru cardurile de punctaj și aprobarea acestora vor fi discutate în capitolele următoare.
Ca rezultat, în această etapă, sunt create mai multe tabele de punctaj diferite care rezumă o serie de caracteristici și parametrii lor de regresie.
Manualul pentru studierea programului „1C: Contabilitate 8.2” se adresează studenților facultăților financiare și economice de toate specialitățile.
Scopul manualului este de a învăța studentul să lucreze independent în noua configurație „Contabilitatea întreprinderii” care rulează pe platforma tehnologică „1C: Enterprise 8.2” - acesta este un sistem universal puternic de produse aplicate de nouă generație concepute pentru a rezolva eficient o varietate a problemelor de management al întreprinderii. Acesta concentrează în sine soluții informatice la toate problemele economiei. Datorită versatilității și flexibilității sale, sistemul este ușor de configurat pentru nevoile unei anumite organizații și permite rezolvarea unei game largi de sarcini de automatizare pentru orice secțiune a contabilității întreprinderii, precum și păstrarea evidențelor pentru mai multe organizații într-o singură bază de informații.
În mod logic, întregul sistem poate fi împărțit în două părți mari care interacționează strâns între ele: configurația și platforma care gestionează funcționarea configurației.
Toate programele 1C funcționează pe baza unei singure platforme, de exemplu. program unic de bază.
Înainte de a începe lucrul, utilizatorul trebuie să atașeze o bază de informații care implementează o versiune specializată a programului, numită configurație.
În ultimii cinci ani s-au dezvoltat 5 platforme: 1C-7.5, 1C-7.7, 1C-8.0, 1C-8.1, ultima, 1C-8.2, iar configurația pe care o vom studia este „1C: Accounting 8.2 ”.
Un rol cheie în studiul disciplinei „AIS în economie” este atribuit exercițiilor practice. Miezul exercițiilor practice este dezvoltarea unei soluții aplicate pentru o organizație virtuală.
La desfășurarea orelor se folosește principiul „fa cum fac eu”. Profesorul stabilește sarcina de a dezvolta o soluție aplicată și creează în mod constant configurația necesară, comentând toate operațiunile în curs. Elevii repetă acțiunile profesorului. În procesul lucrărilor practice, întrebările care sunt neclare pentru studenți sunt discutate în detaliu. O astfel de tehnică didactică contribuie la o stăpânire mai profundă a tehnologiei și la înțelegerea soluțiilor implementate în platformă.
O atenție deosebită este acordată dezvoltării tehnologiei aplicate de depanare a soluțiilor. În acest scop, profesorul, în procesul de creare a codului unor proceduri, face în mod deliberat greșeli adesea făcute de elevi, demonstrează modalități de localizare, căutare și corectare a acestora. Practica arată că munca de depanare a elementelor individuale ale aplicației și a întregii aplicații în ansamblu este un factor important în înțelegerea caracteristicilor elementelor platformei și a tehnologiei de lucru în mediul său.
Pentru a asigura munca independentă, studenților li se oferă acest manual educațional și metodologic electronic, elaborat la Departamentul de „KIS FR” al Facultății de Finanțe a UNN.
Pentru a consolida abilitățile practice în crearea aplicațiilor, fiecare elev la începutul studierii disciplinei (până la lecția 3-4), elevul vine cu o sarcină individuală pentru dezvoltarea unei aplicații originale și o coordonează cu profesorul. Crearea unei astfel de aplicații este realizată de studenți în afara orelor de curs. Studenții trebuie să demonstreze funcționarea aplicației create în procesul de control intermediar.
Cartea este un manual care vă permite să stăpâniți rapid tehnicile de dezvoltare și modificare a soluțiilor de aplicație pe platforma 1C:Enterprise 8.2.
Exemplul de creare a unei soluții de aplicație reală arată structura diferitelor obiecte de sistem, scopul lor și metodele de utilizare. Procedurile sunt date în limbajul încorporat, inclusiv cele care utilizează limbajul de interogare, care sunt furnizate cu comentarii detaliate.
Materialul este destinat atât dezvoltatorilor începători care nu sunt familiarizați cu sistemul 1C:Enterprise 8, cât și celor care deja creează sau întrețin aplicații pe platformă.
Noua ediție a acestei cărți a fost pregătită special pentru lansarea versiunii finale a platformei 1C:Enterprise 8.2.
Platforma 1C:Enterprise 8.2 este o schimbare fundamentală în arhitectura platformei versiunea 8, cea mai semnificativă de la lansare.
Pentru a oferi dezvoltatorilor mai multe oportunități de dezvoltare rapidă a noii platforme pentru perioada până la 31 decembrie 2009, pentru carte sunt stabilite prețuri mici. De la 1 ianuarie 2010, costul cărții poate fi majorat.
Noua ediție a cărții are două avantaje semnificative.
Pe de o parte, arată toate punctele principale care sunt importante pentru dezvoltare în noua versiune a platformei 1C:Enterprise 8.2: proiectarea unei interfețe gestionate, dezvoltarea formularelor gestionate, utilizarea opțiunilor de raportare și a noilor opțiuni de personalizare a acestora, o nouă metodă de gestionare a documentelor, configurarea unui desktop, interfață de comandă, utilizarea opțiunilor funcționale etc.
Pe de altă parte, cartea a fost completată și revizuită cu așteptările specialiștilor care nu sunt familiarizați cu sistemul 1C: Enterprise 8. În același timp, au fost folosite întrebări, opinii și dorințe care au fost exprimate de cititorii acestei cărți. într-o conferință pe internet. De exemplu, cartea este completată de o secțiune dedicată care detaliază cum să utilizați Asistentul de sintaxă și diferitele moduri în care puteți utiliza depanatorul pentru a analiza codul existent sau a scrie pe al dvs. Aceste informații sunt menite să ajute dezvoltatorii începători să stăpânească în mod independent întreaga varietate a limbajului încorporat 1C:Enterprise 8.2.
Cartea este construită sub forma unei culegeri de exerciții practice cu o durată totală de peste 20 de ore.
Cartea completează, dar nu înlocuiește documentația pentru produsele software incluse în livrare.
Editura SRL „1C-Publishing”, ISBN 978-5-9677-1147-3, 874 pagini, format A5 (60x90 1/16).
Contactați partenerul 1C care deservește organizația dvs. și plasați o comandă spunându-i codul atribuit cărții (prezentat în tabelul de mai jos). Puteți cumpăra și cartea de la alții. parteneri ai companiei „1C”.
Versiune electronica:
| Cod | Nume | Recomandat preț cu amănuntul, frecare. * | Dealer | Partener permanent | Distribuitor |
| 4601546069627 | 1C: Întreprindere 8.2. Ghid practic pentru dezvoltatori. Exemple și tehnici tipice (articolul 4601546069627). Versiune electronica | 240 | 200 | 170 | 140 |
Lecția 1. Cunoaștere, crearea unei baze de informații
Lecția 2. Subsisteme
Lecția 3. Cărți de referință
Lecția 4. Documente
Lecția 5. Teoretică
Lecția 6. Registre de acumulare
Lecția 7: Un raport simplu
Lecția 8. Aspecte. Editarea machetelor și formularelor
Lecția 9. Registre periodice de informații
Lecția 10. Enumerări
Lecția 11. Postarea unui document pe mai multe registre
Lecția 12. Registre rotative de acumulare
Lecția 13. Rapoarte
Lecția 14. Optimizarea livrării documentelor Prestarea de servicii
Lecția 15. Plan de tipuri de caracteristici
Lecția 16. Contabilitate
Lecția 17. Planul tipurilor de calcul, registrul de calcul
Lecția 18: Utilizarea registrului de calcul
Lecția 19. Căutare în baze de date
Lecția 20: Desfășurarea sarcinilor conform unui program
Lecția 21: Editarea mișcărilor sub formă de document
Lecția 22. Lista utilizatorilor și rolurile acestora
Lecția 23. Configurarea interfeței desktop și comandă
Lecția 24: Schimbul de date
Lecția 25 Opțiuni funcționale
Lecția 26
Lecția 27. Tehnici de dezvoltare a formelor
