РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДЛЯ АГРЕГАЦИИ И СРАВНИТЕЛЬНОГО АНАЛИЗА СТОИМОСТИ ПОДЕРЖАННЫХ АВТОЗАПЧАСТЕЙ НА ОСНОВЕ ДАННЫХ ИНТЕРНЕТ-ПЛОЩАДОК

1. Введение

С увеличением количества автомобилей и развитием технологий поиска информации, проблема поиска и выбора б/у запчастей для автомобилей становится всё более актуальной. Владельцы транспортных средств сталкиваются с необходимостью быстро находить нужные детали, которые соответствуют техническим требованиям, но при этом являются доступными по цене. Однако рынок запчастей, особенно б/у, отличается высокой степенью фрагментации: предложения распределены по многочисленным онлайн-платформам [1].

Онлайн-платформы – это веб-сайты или приложения, где размещаются объявления о продаже новых и б/у товаров.

Агрегатор автомобильных запчастей – это онлайн-платформа или сервис, предназначенный для сбора, анализа и предоставления информации о б/у запчастях, доступных на различных торговых площадках и специализированных сайтах. Он позволяет пользователям находить запчасти по параметрам, таким как VIN-код автомобиля, название детали, оригинальный код или аналог, а также сравнивать их стоимость и характеристики [2].

2. Постановка задачи

Цель работы заключается в создании функционирующего приложения и экспериментальном обосновании выбора метода агрегации цен, обеспечивающего формирование репрезентативной оценки стоимости запчасти.

Для достижения поставленной цели решаются следующие задачи:

• разработка веб-приложения агрегатора;
• разработать методику проведения исследования и сформировать наборы данных для проверки гипотезы, направленной на улучшение пользовательского опыта использования приложения.

3. Описание разработанного приложения

Разработанная система представляет собой веб-приложение агрегатор цен на бывшие в употреблении автозапчасти. В системе используется двухуровневая клиент-серверной архитектура, внутри которой взаимодействие между компонентами осуществляется с помощью протокола HTTP. Такое решение дает возможность разделить логику представления и бизнес-логику, позволяя масштабировать клиентскую и серверную части независимо друг от друга [3]. Для разработки клиентской части был использован язык TypeScript и библиотека React, позволившая создать удобный визуальный интерфейс. Для разработки серверной части так же был использован язык TypeScript и среда разработки NodeJS [4]. Для хранения данных используется объектно-реляционная система управления базами данных PostgreSQL. Взаимодействие прикладного уровня с базой данных реализовано через ORM Prisma [5].

4. Подготовка исследования методов агрегации цен на б/у автозапчасти

В рамках исследования необходимо подтвердить научную гипотезу о том, что для выборок цен на б/у запчасти, характеризующихся наличием аномальных значений, медиана и усечённое среднее обеспечивают более устойчивую и репрезентативную оценку по сравнению со средним арифметическим. Целевым показателем является устойчивость (робастность) метода, оцениваемая через величину отклонения агрегированной оценки при добавлении в данные искусственного выброса.

Эксперимент проводится в несколько этапов. На подготовительном этапе осуществляется формирование тестовых наборов данных (датасетов) на основе реальных объявлений с онлайн-площадок. Основной этап эксперимента заключается в последовательном применении всех четырёх методов агрегации к каждому тестовому датасету и фиксации результатов. Затем для каждого датасета проводится тест на устойчивость: в исходный массив цен вносятся искусственные аномалии (цены, в несколько раз превышающие текущий максимум), после чего расчёты повторяются.

Основой для исследования является набор ценовых выборок. Для формирования этих выборок были отобраны 4 позиции, таких как «фара передняя левая для Toyota Camry», «тормозной диск для Volkswagen Polo», «катализатор для BMW 3 series» и «передний бампер для KIA Rio». Для каждой запчасти с помощью парсеров было собрано 200 актуальных ценовых предложений с крупнейших российских онлайн-площадок.

Расчеты всех методов агрегации представлены в таблице 1. Все значения представлены в рублях.

Таблица 1.

Расчет методов агрегации к тестовому набору данных

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Фара передняя левая для Toyota Camry	16248	15950	15541	20770
Тормозной диск для Volkswagen Polo	1963	1692	1766	1786
Катализатор для BMW 3 series	27754	27095	27199	23178
Передний бампер для KIA Rio	4806	3615	4247	2713

 

После расчетов для каждой детали были взяты 5 наибольших ценовых предложений и добавлены аномальные значения, превышающие максимумы в 3 раза. Расчеты всех методов агрегация с выбросами представлены в таблице 2.

Таблица 2.

Расчет методов агрегации к набору данных с добавленными выбросами

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Фара передняя левая для Toyota Camry	19542	16205	16034	20770
Тормозной диск для Volkswagen Polo	2502	1705	1881	1786
Катализатор для BMW 3 series	31666	27540	27736	23178
Передний бампер для KIA Rio	6555	3700	4435	2713

 

Величина отклонения агрегированной оценки при добавленных выбросах рассчитывается по формуле:

Результаты оценки представлены в сравнительных таблицах 3-6.

Таблица 3.

Расчет величины отклонения агрегированной оценки запчасти «Фара Toyota Camry XV50 левая»

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Без выбросов	16248	15950	15541	20770
С выбросами	19542	16205	16034	20770
Величина отклонения, %	20,269	1,599	3,176	0

 

Таблица 4.

Расчет величины отклонения агрегированной оценки запчасти «Тормозной диск для Volkswagen Polo»

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Без выбросов	1963	1692	1766	1786
С выбросами	2502	1705	1881	1786
Величина отклонения, %	27,443	0,798	6,542	0

 

Таблица 5.

Расчет величины отклонения агрегированной оценки запчасти «Катализатор для BMW 3 series»

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Без выбросов	27754	27095	27199	23178
С выбросами	31666	27540	27736	23178
Величина отклонения, %	14,095	1,642	1,973	0

 

Таблица 6.

Расчет величины отклонения агрегированной оценки запчасти «Передний бампер для KIA Rio»

	Среднее арифметическое	Медиана	Усеченное среднее (10%)	Наиболее частая мода по диапазонам
Без выбросов	4806	3615	4247	2713
С выбросами	6555	3700	4435	2713
Величина отклонения, %	36,409	2,351	4,417	0

 

Проведённое исследование подтвердило выдвинутую гипотезу: для выборок цен на б/у автомобильные запчасти, характеризующихся наличием аномальных значений, медиана и усечённое среднее (10%) обеспечивают устойчивую и репрезентативную оценку по сравнению со средним арифметическим.

Как показали результаты, среднее арифметическое продемонстрировало максимальную чувствительность: отклонение составило от 14,1% (катализатор BMW) до 36,4% (бампер KIA Rio). Медиана оказалась значительно устойчивее – отклонения не превысили 2,35%. Усечённое среднее заняло промежуточное положение с отклонениями до 6,5%, сохраняя при этом репрезентативность. Мода по ценовым диапазонам показала абсолютную устойчивость (0%), однако её значение может смещаться относительно типичной цены, что требует осторожного применения.

Таким образом, для агрегатора цен на б/у запчасти целесообразно использовать медиану или усечённое среднее как основные методы агрегации, а среднее арифметическое – только после предварительной фильтрации выбросов. Это обеспечивает достоверность итоговой цены даже при наличии аномальных предложений на онлайн-платформах.

5. Заключение

В ходе работы было разработано веб-приложение – агрегатор для поиска и анализа цен на б/у автомобильные запчасти. Проведенное исследование показало, что для отображения цены следует использовать медиану или усечённое среднее, как наиболее устойчивые к аномалиям методы агрегации.