Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных Книга, написанная разработчиками Microsoft SQL Server Data Mining, дает читателю полное представление о его функционировании и показывает особенности использования при решении различных задач в SQL Server 2008. Рассмотрены введение в интеллектуальный анализ данных и язык DMX. Показаны анализ данных с помощью MS Office 2007, создание решений с помощью Business Intelligence Development Studio, а также использование среды SQL Server Management Studio. Подробно описано применение различных алгоритмов анализа, а также интеллектуальный анализ кубов OLAP. Рассмотрены архитектура, администрирование и многое другое. Материал сопровождается практическими примерами, советами и справочной информацией. BHV 978-5-9775-0011-1
505 руб.
Russian
Каталог товаров

Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных

Временно отсутствует
?
  • Описание
  • Характеристики
  • Отзывы о товаре (1)
  • Отзывы ReadRate
Книга, написанная разработчиками Microsoft SQL Server Data Mining, дает читателю полное представление о его функционировании и показывает особенности использования при решении различных задач в SQL Server 2008. Рассмотрены введение в интеллектуальный анализ данных и язык DMX. Показаны анализ данных с помощью MS Office 2007, создание решений с помощью Business Intelligence Development Studio, а также использование среды SQL Server Management Studio. Подробно описано применение различных алгоритмов анализа, а также интеллектуальный анализ кубов OLAP. Рассмотрены архитектура, администрирование и многое другое. Материал сопровождается практическими примерами, советами и справочной информацией.

Оставить заявку на описание
?
Содержание
Об авторах 1
Благодарности 3
Предисловие 5
Введение 7
Как организована эта книга 7
Кому следует прочитать эту книгу 11
Условные обозначения 11
Инструменты, которые вам понадобятся 11
Что есть на Web-сайте 12
Глава 1. Введение в интеллектуальный анализ данных SQL Server 2008 13
Бизнес-проблемы для интеллектуального анализа данных 17
Задачи интеллектуального анализа данных 18
Классификация 18
Кластеризация 19
Взаимосвязи 20
Регрессия 20
Прогнозирование 21
Анализ последовательностей 22
Анализ отклонений 22
Проектный цикл интеллектуального анализа данных 23
Формулирование бизнес-проблемы 23
Сбор данных 23
Очистка и преобразование данных 24
Создание модели 25
Оценка модели 26
Отчетность и прогнозирование 26
Интеграция приложения 26
Управление моделями 27
Резюме 27
Глава 2. Прикладной интеллектуальный анализ данных при помощи Microsoft Excel 2007 29
Настройка инструментов Table Analysis 30
Настройка аналитических служб с административными правами 31
Настройка аналитических служб без прав администратора 32
Подготовка к работе надстройки 33
Что делать, если вам нужна помощь 37
Инструмент Analyze Key Influencers 37
Отчет инструмента Analyze Key Influencers 39
Сравнительный отчет 42
Резюме задачи Analyze Key Influencers 44
Инструмент Detect Categories 44
Запуск инструмента 45
Отчет по категориям Categories Report 46
Категории и количество строк в каждой 46
Характеристики категорий 47
Диаграмма профилей категорий Category Profiles Chart 48
Резюме по инструменту Detect Categories 51
Инструмент Fill From Example 51
Запуск инструмента и интерпретация результатов 52
Уточнение результатов 55
Резюме по инструменту Fill From Example 56
Инструмент прогнозирования Forecast 56
Запуск инструмента и указание опций 57
Интерпретация результатов 60
Резюме по инструменту Forecast 61
Инструмент Highlight Exceptions 62
Использование инструмента 62
Более сложные взаимодействия 66
Ограничения и поиск ошибок 68
Резюме по инструменту Highlight Exceptions 69
Инструмент Scenario Analysis 70
Инструмент Goal Seek 72
Использование Goal Seek для числовой цели 75
Использование инструмента Goal Seek для всей таблицы 76
Инструмент What-If 77
Использование What-If для всей таблицы 80
Резюме по инструменту Scenario Analysis 82
Инструмент Prediction Calculator 82
Запуск инструмента 84
Электронная таблица Prediction Calculator 85
Таблица Printable Calculator 88
Уточнение результатов 88
Использование результатов 94
Резюме по инструменту Prediction Calculator 95
Инструмент анализа потребительской корзины Shopping Basket Analysis 95
Использование инструмента 96
Отчет Bundled Item 98
Отчет Recommendations 99
Подстройка инструмента 101
Резюме по инструменту Shopping Basket Analysis 103
Технический обзор инструментов Table Analysis 103
Резюме 104
Глава 3. Концепции интеллектуального анализа данных и язык DMX 105
История DMX 105
Почему DMX? 106
Процесс интеллектуального анализа данных 107
Ключевые концепции 108
Атрибут 109
Состояние 110
Вариант 111
Ключи 113
Входы и выходы 114
Объекты DMX 117
Структура интеллектуального анализа 117
Модель интеллектуального анализа 118
Синтаксис запросов DMX 119
Создание структур интеллектуального анализа 120
Дискретизированные столбцы 121
Вложенные таблицы 123
Разделение на обучающий и проверочный наборы данных 123
Создание моделей интеллектуального анализа 124
Вложенные таблицы 126
Сложные сценарии вложения 129
Фильтры 133
Заполнение структур интеллектуального анализа 134
Заполнение вложенных таблиц 136
Запрос данных структуры 139
Запрос данных модели 139
Прогнозирование 142
Прогнозирующее соединение 142
Синтаксис прогнозирующих запросов 144
Вложенные исходные данные 145
Прогноз в реальном времени 146
Вырожденные прогнозы 147
Прогнозирующие функции 147
PredictNodeID 151
Внешние или определяемые пользователем функции 151
Прогнозы по вложенным таблицам 151
Прогноз вложенных столбцов значений 152
Резюме 154
Глава 4. Использование интеллектуального анализа данных SQL Server Data Mining 155
Представляем Business Intelligence Development Studio 156
Разбираемся в пользовательском интерфейсе 156
Режимы Offline и Immediate 159
Режим Immediate 159
Режим Offline 161
Переключение режимов проекта 163
Создание объектов интеллектуального анализа данных 164
Настройка источников данных 164
Источники данных 165
Создание источника данных MovieClick 166
Использование представления источника данных 167
Создание представления источника данных MovieClick 167
Работа с именованными вычислениями 170
Создание именованного вычисления для таблицы Customers 171
Работа с именованными запросами 172
Создание именованного запроса по таблице Customers 173
Организуем DSV 175
Исследование данных 176
Создание и редактирование моделей 178
Структуры и модели 179
Использование мастера Data Mining Wizard 179
Создание структуры и модели интеллектуального анализа MovieClick 187
Использование визуального конструктора Data Mining Designer 189
Работа с редактором Mining Structure Editor 189
Добавление столбца Genre во вложенную таблицу Movies 192
Работа с редактором моделей интеллектуального анализа 192
Создание и модификация дополнительных моделей 196
Обработка 196
Обработка структуры интеллектуального анализа MovieClick 198
Использование моделей 199
Разбираемся со средствами просмотра моделей 199
Диаграмма точности анализа Mining Accuracy Chart 201
Выбор проверочных данных 201
Разбираемся с диаграммами точности 203
Использование диаграммы роста прибыли 205
Диаграммы точности прогнозирования для множества целей 206
Использование матрицы классификации 207
Точечные диаграммы точности 207
Создание диаграммы точности прогнозов для MovieClick 208
Использование CrossValidation 209
Использование построителя Mining Model Prediction Builder 213
Выполнение запроса для модели MovieClick 214
Создание отчетов интеллектуального анализа данных 215
Использование SQL Server Management Studio 217
Разбираемся в пользовательском интерфейсе Management Studio 218
Использование Server Explorer 218
Использование Object Explorer 219
Использование редактора запросов Query Editor 220
Резюме 221
Глава 5. Реализация процесса интеллектуального анализа данных при помощи Office 2007 223
Представляем Data Mining Client 224
Импорт данных с помощью Data Mining Client 225
Исследование и подготовка данных 227
Дискретизация данных при помощи инструмента Explore Data 228
Обрубаем длинный хвост 229
Смысловая консолидация 230
Исключение нетипичных значений 232
Балансировка данных 233
Моделирование 234
Моделирование на основе задач 234
Введение 236
Выбор данных 236
Выбор столбцов и опций 237
Разбиение данных 238
Завершение задачи 238
Сложное моделирование в Data Mining Client 239
Точность и проверка 241
Использование модели 243
Просмотр моделей 243
Просмотр моделей при помощи Visio 245
Запросы к моделям 247
Мастер запросов 247
Функции ячеек для выполнения интеллектуального анализа 251
DMPREDICT 251
DMPREDICTTABLEROW 251
DMCONTENTQUERY 252
Управление моделями 253
Трассировка 253
Резюме 253
Глава 6. Алгоритм Microsoft Naive Bayes 255
Представляем алгоритм Naive Bayes 256
Использование алгоритма Naive Bayes 257
Создание прогнозирующей модели 258
Исследование данных 259
Анализ ключевых факторов влияния 260
Классификация документов 261
DMX 263
Детализация 263
Разбираемся с содержимым Naive Bayes 264
Исследование модели Naive Bayes 266
Dependency Network 267
Attribute Profiles 268
Attribute Characteristics 269
Attribute Discrimination 270
Разбираемся с принципами Naive Bayes 271
Ограничения алгоритма Naive Bayes 274
Параметры Naive Bayes 276
MAXIMUM_INPUT_ATTRIBUTES 276
MAXIMUM_OUTPUT_ATTRIBUTES 276
MAXIMUM_STATES 276
MINIMUM_DEPENDENCY_PROBABILITY 277
Резюме 277
Глава 7. Алгоритм Microsoft Decision Trees 279
Представляем деревья решений 280
Использование деревьев решений 281
Создание модели дерева решений 281
Запросы DMX 281
Модель классификации 282
Модель регрессии 284
Взаимосвязи 286
Содержимое модели 288
Интерпретация модели 289
Принципы деревьев решений 293
Базовые концепции роста дерева 293
Работа с множеством состояний атрибута 296
Как избежать переобучения 297
Введение предварительных знаний 298
Выбор функций 298
Использование непрерывных входов 299
Регрессия 300
Анализ взаимосвязей при помощи Microsoft Decision Trees 301
Параметры 302
COMPLEXITY_PENALTY 302
MINIMUM_SUPPORT 303
SCORE_METHOD 303
SPLIT_METHOD 304
MAXIMUM_INPUT_ATTRIBUTES 304
MAXIMUM_OUTPUT_ATTRIBUTES 304
FORCE_REGRESSOR 305
Хранимые процедуры 305
Резюме 307
Глава 8. Алгоритм Microsoft Time Series 309
Обзор 310
Использование 311
Сценарии временных рядов 313
Выполнение простого прогноза 313
Прогнозирование взаимозависимых рядов 314
Разбираемся с вашими временными рядами 314
Гипотетические сценарии 316
Прогнозирование новых рядов 316
DMX 316
Создание модели 317
Обработка модели 319
Прогнозирование 322
Возвращение дополнительной статистики 323
Изменяем будущее — выполняем прогноз предположения What-If 324
Прогнозирование при малом количестве данных — применение моделей к новым данным 325
Детализация 328
Принципы временных рядов 328
Авторегрессия 329
Периодичность 330
Деревья авторегрессии 330
Прогнозирование 332
Параметры 333
MISSING_VALUE_SUBSTITUTION 333
PERIODICITY_HINT 335
AUTO_DETECT_PERIODICITY 335
MINIMUM и MAXIMUM_SERIES_VALUE 335
FORECAST_METHOD 335
PREDICTION_SMOOTHING 336
INSTABILITY_SENSITIVITY 336
HISTORIC_MODEL_COUNT и HISTORIC_MODEL_GAP 336
COMPLEXITY_PENALTY и MINIMUM_SUPPORT 338
Содержимое модели 339
Резюме 339
Глава 9. Алгоритм Microsoft Clustering 341
Обзор 342
Использование кластеризации 345
Выполняем кластеризацию 346
Кластеризация как фаза анализа 347
Выявление аномалий при помощи кластеризации 348
DMX 351
Создание моделей 351
Детализация 352
Кластер 352
ClusterProbability 353
PredictHistogram 353
PredictCaseLikelihood 354
Содержимое модели 355
Разбираемся с вашими кластерными моделями 356
Представление о кластерах на высоком уровне 357
Выберите кластер и определите, чем он отличается от генеральной совокупности 359
Определяем, чем кластер отличается от соседних кластеров 361
Убедитесь, что ваши соображения правильны 361
Пометить кластер 362
Принципы кластеризации 362
Жесткая и мягкая кластеризация 363
Дискретная кластеризация 365
Масштабируемая кластеризация 366
Кластерное прогнозирование 367
Параметры 368
CLUSTERING_METHOD 368
CLUSTER_COUNT 368
MINIMUM_CLUSTER_CASES 369
MODELLING_CARDINALITY 370
STOPPING_TOLERANCE 370
SAMPLE_SIZE 370
CLUSTER_SEED 371
MAXIMUM_INPUT_ATTRIBUTES 371
MAXIMUM_STATES 372
Резюме 372
Глава 10. Алгоритм Microsoft Sequence Clustering 373
Представляем алгоритм Microsoft Sequence Clustering 374
Использование алгоритма Microsoft Sequence Clustering 375
Создание модели кластеризации последовательностей 375
Запросы DMX 376
Выполнение кластерных прогнозов 377
Выполнение прогнозов последовательности 378
Извлечение вероятности для прогнозов последовательностей 380
Использование гистограммы прогнозов последовательности 381
Выявление необычных шаблонов последовательностей 384
Интерпретация модели 385
Диаграмма кластеров 386
Профили кластеров 386
Характеристики кластера 388
Дифференциация кластеров 389
Переходы состояний 389
Принципы алгоритма Microsoft Sequence Clustering 390
Разбираемся с цепью Маркова 390
Порядок цепи Маркова 391
Матрица переходов состояний 392
Кластеризация с использованием цепи Маркова 393
Разбиение кластеров 395
Содержимое модели 396
Параметры алгоритма 397
CLUSTER_COUNT 397
MINIMUM_SUPPORT 397
MAXIMUM_STATES 397
MAXIMUM_SEQUENCE_STATES 397
Резюме 398
Глава 11. Алгоритм взаимосвязей Microsoft Association Rules 399
Введение в алгоритм Microsoft Association Rules 400
Использование алгоритма Microsoft Association Rules 401
Модели исследования данных 402
Простой движок рекомендаций 403
Более сложный анализ перекрестных продаж 406
DMX 408
Содержимое модели 413
Интерпретирование модели 414
Принципы алгоритма взаимосвязей 417
Основные термины и концепции алгоритма взаимосвязей 417
Набор элементов 418
Поддержка 418
Вероятность (достоверность) 419
Важность 419
Нахождение частых наборов элементов 421
Генерирование правил взаимосвязей 424
Прогнозирование 425
Параметры алгоритма 426
MINIMUM_SUPPORT 426
MAXIMUM_SUPPORT 427
MINIMUM_PROBABILITY 427
MINIMUM_IMPORTANCE 427
MAXIMUM_ITEMSET_SIZE 427
MINIMUM_ITEMSET_SIZE 427
MAXIMUM_ITEMSET_COUNT 428
OPTIMIZED_PREDICTION_COUNT 428
AUTODETECT_MINIMUM_SUPPORT 428
Резюме 428
Глава 12. Алгоритмы Microsoft Neural Network и Logistic Regression 431
Один принцип, два алгоритма 432
Использование алгоритма Microsoft Neural Network 433
Модели классифицирования текстов 433
Полезные модели 439
Запросы DMX 439
Содержимое модели 443
Интерпретирование модели 444
Принципы алгоритма Microsoft Neural Network 446
Что такое нейронная сеть? 447
Комбинирование и активация 449
Обратное распространение, функция ошибки и сопряженные градиенты 451
Простой пример обработки нейронной сети 453
Нормализация и отображение 455
Топология сети 456
Обучение условия окончания 458
Нелинейно разделяемые классы 458
Параметры алгоритма 459
MAXIMUM_INPUT_ATTRIBUTES 459
MAXIMUM_OUTPUT_ATTRIBUTES 460
MAXIMUM_STATES 460
HOLDOUT_PERCENTAGE 460
HOLDOUT_SEED 460
HIDDEN_NODE_RATIO 460
SAMPLE_SIZE 460
Резюме 461
Глава 13. Интеллектуальный анализ кубов OLAP 463
Представляем OLAP 464
Схема "звезда" и схема "снежинка" 466
Измерения и иерархии 467
Меры и группы мер 468
Обработка куба и его хранение 469
Использование упреждающего кэширования 470
Запросы к кубу 471
Выполнение вычислений 472
Просмотр куба 473
Унифицированная модель измерений 475
Связь между OLAP и интеллектуальным анализом данных 478
Интеллектуальный анализ агрегированных данных 480
Выявление шаблонов в OLAP 480
Интеллектуальный анализ OLAP и реляционный интеллектуальный анализ 481
Построение моделей анализа OLAP при помощи мастеров и редакторов 483
Использование мастера Data Mining Wizard 483
Создание модели сегментирования клиентов 483
Создание модели покупательской корзины 487
Создание модели прогнозирования продаж 491
Использование конструктора Data Mining Designer 495
Измерения интеллектуального анализа данных 496
Использование MDX в запросах DMX 499
Использование объектов управления аналитическими службами для модели анализа OLAP 502
Резюме 507
Глава 14. Интеллектуальный анализ данных при помощи служб интеграции SQL Server Integration Services 509
Обзор SSIS 510
Пакеты SSIS 512
Поток задач 513
Стандартные задачи SSIS 513
Контейнеры 514
Отладка 514
Изучаем пример потока управления 515
Поток данных 515
Преобразования 517
Средства просмотра 518
Изучаем пример потока данных 518
Работаем с SSIS в интеллектуальном анализе данных 519
Задачи интеллектуального анализа данных 520
Задача запроса интеллектуального анализа данных 520
Задача обработки аналитических служб 525
Задача Execute DDL аналитических служб SSAS 526
Преобразования интеллектуального анализа данных 527
Адресат обучения модели интеллектуального анализа данных 528
Преобразование запроса интеллектуального анализа данных 531
Примеры потоков данных 535
Использование непрогнозирующих запросов интеллектуального анализа данных в качестве конвейера служб SSIS 537
Преобразования интеллектуального анализа текстов 538
Преобразование Term Extraction 539
Преобразование Term Lookup 541
Подробнее о процессе интеллектуального анализа текстов 545
Резюме 548
Глава 15. Архитектура SQL Server Data Mining 551
Представляем архитектуру служб SSAS 552
XMLA 553
Интерфейсы прикладного программирования XMLA 554
Discover 554
Execute 556
XMLA и службы SSAS 557
Архитектура обработки 559
Прогнозы 563
Администрирование интеллектуального анализа данных 565
Конфигурирование сервера 565
Безопасность интеллектуального анализа данных 567
Требования безопасности для создания и обучения объектов интеллектуального анализа 569
Безопасность для различных сценариев развертывания 570
Локальная база данных и службы SSAS 571
Локальные службы SSAS и удаленная база данных 572
Службы SSAS и базы данных на одном сервере в интранете 572
Службы SSAS и базы данных при развертывании в Интернете 573
Настройка служб SSAS для использования с надстройками Data Mining Excel Add-Ins по HTTP 575
Резюме 576
Глава 16. Программирование SQL Server Data Mining 577
Интерфейсы прикладного программирования интеллектуального анализа данных 578
ADO 578
ADO.NET 580
ADOMD.NET 581
Server ADOMD.NET 581
AMO 582
Использование интерфейсов прикладного программирования SSAS 582
Использование Microsoft.AnalysisServices для создания моделей интеллектуального анализа и управления ими 583
Основы АМО 585
Приложения и безопасность АМО 585
Создание объекта 586
Создание объектов доступа к данным 588
Создание структуры интеллектуального анализа 591
Создание моделей интеллектуального анализа 593
Обработка моделей интеллектуального анализа 595
Развертывание моделей интеллектуального анализа 597
Настройка разрешений интеллектуального анализа 599
Просмотр и запросы моделей интеллектуального анализа 600
Прогнозирование при помощи ADOMD.NET 600
Подробнее о табличных параметрах в ADOMD.NET 606
Просмотр моделей 609
Хранимые процедуры 612
Написание хранимых процедур 613
Хранимые процедуры и запуск Prepare 615
Пример хранимой процедуры 615
Выполнение запросов внутри хранимых процедур 618
Возвращение наборов данных из хранимых процедур 619
Развертывание и отладка сборок хранимых процедур 623
Резюме 624
Глава 17. Расширяем интеллектуальный анализ данных SQL Server Data Mining 627
Подключаемые алгоритмы 628
Инфраструктура подключаемых алгоритмов 629
Время жизни экземпляра подключаемого алгоритма 630
Концептуальный обзор 631
Создание и обработка модели 634
Прогнозирование 641
Навигация по содержимому 642
Пользовательские функции 643
PMML 645
Управляемые и неуправляемые подключаемые модули 646
Инсталляция подключаемых модулей алгоритмов 647
Где искать информацию по подключаемым модулям алгоритмов 647
Средства просмотра интеллектуального анализа данных 648
Подлежащие реализации интерфейсы 648
Визуализация информации 649
Получение информации из служб SSAS 650
Регистрация средства просмотра 651
Что читать про средства просмотра подключаемых модулей 652
Резюме 652
Глава 18. Реализация Web-приложения для перекрестных продаж 653
Описание исходных данных 654
Создание вашей модели 654
Определение задачи интеллектуального анализа 655
Использование деревьев решений для взаимосвязей 655
Использование алгоритма взаимосвязей 658
Сравнение двух моделей 659
Выполнение прогнозов 661
Выполнение прогнозирующих запросов в пакетном режиме 661
Использование одноэлементных прогнозирующих запросов 663
Интегрирование прогнозов в Web-приложения 664
Архитектура Web-приложения 664
Настройка разрешений 665
Изучаем образец кода Web-приложения для рекомендаций 667
Резюме 670
Заключение и дополнительные ресурсы 671
Краткое повторение основных характеристик интеллектуального анализа данных SQL Server 2008 Data Mining 671
Алгоритмы современного уровня 672
Простые в использовании инструменты 674
Простой, но мощный интерфейс прикладного программирования 674
Интеграция с родственными технологиями бизнес-аналитики 675
Исследование новых пределов и возможностей интеллектуального анализа данных 675
Дальнейшее изучение 676
Интеллектуальный анализ данных компании Microsoft 676
Общий интеллектуальный анализ данных 677
ПРИЛОЖЕНИЯ 679
Приложение 1. Наборы данных 681
Набор данных MovieClick 681
Набор данных Voting Records 683
Набор данных Wine Sales 684
Набор данных Foodmart 685
Набор данных College Plans 685
Приложение 2 686
Поддерживаемые функции 686
Функции языка DMX 686
Функции VBA 686
Функции Excel 686
Хранимые процедуры ASSprocs 694
Предметный указатель 697
Штрихкод:   9785977500111
Размеры:   70x 100x 16 мм
Тираж:   2 000
Отзывы Рид.ру — Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных
Оцените первым!
Написать отзыв
1 покупатель оставил отзыв
По полезности
  • По полезности
  • По дате публикации
  • По рейтингу
3
09.06.2011 00:11
Очень качественная книжка от разработчиков продукта.
Описывается как работа из настроек интеллектуального анализа доя MS Office 2007, так и средствами BI Development Studio.
Каждому из поддерживаемых алгоритмов интеллекутального анализа посвящена отдельная глава. Есть некоторые накладки с переводом, но разобраться можно.
Нет 0
Да 0
Полезен ли отзыв?
Отзывов на странице: 20. Всего: 1
Ваша оценка
Ваша рецензия
Проверить орфографию
0 / 3 000
Как Вас зовут?
 
Откуда Вы?
 
E-mail
?
 
Reader's код
?
 
Введите код
с картинки
 
Принять пользовательское соглашение
Ваш отзыв опубликован!
Ваш отзыв на товар «Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных» опубликован. Редактировать его и проследить за оценкой Вы можете
в Вашем Профиле во вкладке Отзывы


Ваш Reader's код: (отправлен на указанный Вами e-mail)
Сохраните его и используйте для авторизации на сайте, подписок, рецензий и при заказах для получения скидки.
Отзывы
Найти пункт
 Выбрать станцию:
жирным выделены станции, где есть пункты самовывоза
Выбрать пункт:
Поиск по названию улиц:
Подписка 
Введите Reader's код или e-mail
Периодичность
При каждом поступлении товара
Не чаще 1 раза в неделю
Не чаще 1 раза в месяц
Мы перезвоним

Возникли сложности с дозвоном? Оформите заявку, и в течение часа мы перезвоним Вам сами!

Captcha
Обновить
Сообщение об ошибке

Обрамите звездочками (*) место ошибки или опишите саму ошибку.

Скриншот ошибки:

Введите код:*

Captcha
Обновить