Технология решения аналитических и прогнозных задач маркетинга

 

В маркетинговой деятельности важное место занимают задачи аналитического и прогнозного характера, решение которых сопряжено с большими временными, трудовыми затратами, а главное — требуют участия высококвалифицированных специалистов. Это задачи изучения спроса, состояния рынка, поиска наиболее благоприятных условий для сбыта продукции, анализа складывающейся ценовой динамики на нее и т.п. В данном случае приходится не только анализировать сложные процессы во времени, но и располагать большими объемами информации о покупательском спросе в конкретном регионе и на интересующую аналитика дату по отдельным группам или видам товаров; выявлять внутригрупповой ассортимент структуры спроса по товарным признакам, устанавливать сезонные колебания спроса и степень возможного или фактического его удовлетворения по видам товаров и т.п. Задачи аналитического и прогнозного характера могут быть очень разнообразны по содержанию и направленности использования полученных результатов.

Систематизация знаний о поведении рынка была предпринята еще в конце прошлого века Чарльзом Доу (одним из авторов индекса Доу-Джонса). Технический анализ как метод прогнозирования цен на основе изучения их изменений за определенные промежутки времени формировался в 40—60-х годах нашего столетия под влиянием работ Эллиота, Ганна, Мерфи и других ученых. С 80-х годов отмечено резкое повышение интереса к теории технического анализа, что обусловлено не только быстрым ростом биржевых операций, но и интенсивным развитием информатизации во всех областях науки, техники, экономики и, в частности, быстрым развитием информационных технологий.

Технический анализ реализуется с помощью графических методик, математической апроксимации и циклического анализа временных рядов. Знание закономерностей предоставляет аналитику набор правил, руководствуясь которыми он способен принять взвешенное решение.

Для реализации требований анализа и прогнозирования финансового и товарного рынков в последнее время разрабатывается специальное программное обеспечение, а также программные продукты на основе экспертных систем и нейронных сетей.

Для формирования собственных программных приложений в среде архитектуры «клиент-сервер» может функционировать визуальная объектно-ориентированная система Oracle Express Objects, позволяющая пользователям специалистам-маркетологам (не профессиональным аналитикам) осуществлять анализ при выполнении своих служебных обязанностей. Oracle Express Objects предоставляет возможности графического моделирования и анализа типа «что — если» на базе традиционных систем Oracle Objects, работающих в среде Windows.

Используя таблицы и графики, специалист-маркетолог может производить разносторонний анализ, детализируя и углубляя его по различным аспектам. Например могут быть выявлены запасы товаров, отслежены колебания объемов, предупреждены менеджеры о снижении таких запасов и необходимости их пополнения.

Программный продукт Oracle Sales Analyzer является широко применяемым приложением в области продаж и маркетинга. Он предназначен для анализа объемов продаж маркетинговых компаний, прибыльности продукции или заказчика, жизненного цикла продукта и эффективности продвижения товара. После окончания работы система позволяет пользователям скорректировать их стратегию с помощью дополнительного анализа.

Oracle Sales Analyzer упрощает оценку долей рынка, формирование отчетов о распределении мест, проведение анализа и вычислений и позволяет определить:

- кто скорее всего купит следующим какой продукт и когда;

- почему доля рынка на некоторых направлениях падает, а на остальных нет;

- кто из заказчиков конкретного вида продукции является наиболее прибыльным;

- как скажется выпуск нового продукта на сбыте уже существующего ассортимента;

- какая ценовая политика может считаться лучшей: максимизация прибыли или соревнование с ценами конкурентов.

Создание и использование экспертных систем является одним из концептуальных этапов развития информационных технологий в маркетинге.

Экспертная система (ЭС) — это совокупность методов и средств организации, накопления и применения знаний на базе АИТ для решения сложных задач оценки ситуаций в коммерческо-сбытовой деятельности. ЭС предназначена для решения так называемых неформализованных задач, решение которых не может описываться традиционными математическими и статистическими методами и которые обладают одной или несколькими из следующих характеристик:

- задачи не могут быть выражены в числовой форме;

- цели не могут быть показаны в терминах точно определенной целевой функции;

- не существует алгоритмического решения задачи;

- алгоритмическое решение есть, но его нельзя использовать из-за ограниченности ресурсов (время, память).

В основе интеллектуального решения проблем маркетинговой деятельности с использованием ЭС лежит принцип воспроизведения знаний опытных специалистов-экспертов. Исходя из собственного опыта, эксперт, используя ЭС, анализирует ситуацию и распознает наиболее полезные факты, оптимизирует принятие решений, отсекая тупиковые пути. Программные средства, основанные на технологии экспертных систем, позволяют достичь более высокой эффективности за счет рассмотрения большого числа альтернатив при выборе решения, ориентации на накопленный и зафиксированный в базе знаний опыт группы специалистов, анализа влияния большого количества новых факторов и оценки их при построении стратегий и прогноза.

Основой экспертной системы является совокупность знаний (базы знаний), структурированных в целях формализации процесса принятия решений. Экспертные системы разрабатываются с расчетом па обучение, и потому способны обосновать логику выбора решений, т.е. обладают свойствами адаптивности и аргументирования. Большинство ЭС имеют механизм объяснения, который, используя накопленные в системе знания, дает пояснения и обоснования выбора найденного решения.

Преимущества ЭС по сравнению с использованием опытных специалистов состоят в следующем:

- достигнутая компетентность не утрачивается, она может документироваться, передаваться, воспроизводиться и наращиваться;

- имеют место более устойчивые результаты, отсутствуют эмоциональные и другие факторы человеческой ненадежности;

- высокая стоимость разработки уравновешивается низкой стоимостью эксплуатации, возможности копирования, что в совокупности дешевле оплаты труда высококвалифицированных специалистов.

ЭС создаются как инструмент в работе пользователей, с помощью которого они получают возможность совершенствовать свой потенциал для решения трудных, неординарных задач в ходе практической работы. В частности, ЭС для анализа маркетинговой деятельности должна демонстрировать не только компетентность, т.е. достигать в процессе работы того же уровня, что и специалисты-эксперты, но и находить наиболее рациональные решения в минимальные временные отрезки.

Недостатком современных экспертных систем является меньшая их приспособляемость к обучению новым правилам и концепциям, к творчеству и изобретательству. Использование ЭС позволяет во многих случаях отказаться от услуг высококвалифицированных специалистов. В системе эксперта с более низкой квалификацией наличие технологии ЭС будет служить средством расширения профессиональных знаний и возможностей.

Отличиями ЭС от обычных компьютерных технологий являются:

- экспертные системы манипулируют знаниями, тогда как любые другие системы используют готовые данные;

- экспертные системы, как правило, дают эффективные обоснованные решения, и хотя они способны иногда ошибаться, но, в отличие от традиционных компьютерных систем, имеют потенциальную возможность учиться на своих ошибках.

Экспертные системы создаются для решения разного рода проблем, типы которых можно сгруппировать в категории.

Зарубежный опыт показывает, что ЭС разрабатываются в основном в университетах, научно-исследовательских центрах и коммерческих организациях и области их применения постоянно расширяются. Одним из наиболее важных последствий разработки экспертных систем является модификация знаний. По мере того, как разработчики будут строить сложные базы знаний, начнет функционировать рынок знаний, не зависимых от компьютерных систем. Появятся средства обучения для изучающих определенную прикладную область. Коммерческим продуктом станут метазнания, т.е. знания об оптимальных стратегиях и процедурах использования предметных знаний. Перерастание экспертных систем в интеллектуальные состоит в слиянии концепций оборудования, средств их создания (языков) и самих экспертных систем. Объединение интеллектуальных систем особенно эффективно в сложных инфраструктурах. Интеллектуальные системы уже разрабатываются и внедряются за рубежом для коммерческого использования.

Экспертная система FOLIO (Стенфордский университет, США) помогает консультантам по инвестициям определять цели клиентов и подбирать портфели ценных бумаг, наиболее соответствующие этим целям. Система определяет нужды клиента в ходе интервью и затем рекомендует, в каких пропорциях надо распределить капиталовложения между разными фондовыми инструментами, чтобы наилучшим образом удовлетворить запросы клиента. Система различает небольшое число классов ценных бумаг (например, ориентированные на дивиденды акции с невысоким уровнем риска или ориентированные на акции с высоким уровнем риска) и содержит знания о свойствах (например о годовых процентах на капитал) ценных бумаг каждого класса. В системе применена основанная на принятых правилах схема представления знаний с прямой цепочкой рассуждений для вывода целей и схема линейного программирования для максимизации соответствия между целями и предлагаемым портфелем. Система доведена до уровня демонстрационного прототипа.

Искусственная компетентность экспертных систем не заменяет полностью человека. Эксперт-человек способен реорганизовать информацию и знания и использовать их для синтеза новых знаний. В области творческой деятельности люди обладают большими способностями и возможностями по сравнению с самыми умными системами. Эксперты справляются с неожиданными поворотами событий и, используя новые подходы, способны проводить аналогии из других предметных областей. Они адаптируют свои стратегии к изменяющимся условиям и приспосабливают их к новым обстоятельствам в более широком диапазоне проблем и задач. Экспертные системы менее приспособлены к обучению на уровне новых концепций и новых правил. Они оказываются не столь эффективными и мало пригодными в случаях, когда надо учитывать всю сложность реальных задач.

Эксперты могут непосредственно воспринимать весь комплекс входной информации: символьной, визуальной, графической, текстовой, звуковой, осязательной, обонятельной. У экспертной системы есть только символы, через которые представлены базы знаний с воплощенными в них теми или иными концепциями. Преобразование сенсорной информации в символьную сопровождается потерей части информации.

И самое главное, люди (эксперты и неэксперты) обладают здравым смыслом или общими знаниями. Это широкий спектр знаний о мире, о действующих в нем законах. Из-за огромного объема знаний, образующих здравый смысл, не существует пока способа, встроить их в интеллектуальную систему, тем более специализированную, какой является любая экспертная система.

Исторически развитие нейросетей складывалось как попытки смоделировать те или иные способности и свойства человеческого мышления. После сложных исследований была выяснена роль нейронов как элементов, накапливающих и передающих информацию. Разработка соответствующих математических методов позволила создать обученные системы, обладающие следующими свойствами:

- способностью обучаться на множестве предъявляемых примеров;

- с высокой точностью распознавать новые входные значения;

- сохранять устойчивость работы и точность распознавания в случаях, когда входные данные противоречивы, искажены или содержат шумовые помехи.

Нейронные сети — это обобщенное название нескольких групп алгоритмов, обладающих свойством уметь обучаться на примерах, извлекая скрытые закономерности из потока данных. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

С середины 80-х годов нейронные сети начали использоваться на Западе — преимущественно в финансовых и военных приложениях. Однако, несмотря на успехи первых экспериментов, поначалу это были единичные заказные системы — слишком сложен был инструмент и слишком дорога его разработка. Ситуация коренным образом изменилась в начале 90-х годов, когда на рынке появилось новое поколение нейросетевых пакетов — мощных, недорогих и простых в использовании. Практически сразу одним из лидеров рынка стал неиросетевои пакет Brain Maker (1990 г.) американской фирмы California Sientific Software. Первоначально разработанный по заказу военных пакет был адаптирован для бизнес-приложений. Надо отметить, что при решении аналитических задач нейронные сети используются в комбинации с каким-либо мощным пакетом традиционного технического анализа (например пакетом MetaStock for Windows). Маркетологи хорошо знают цену качественной аналитической обработке данных, и поэтому можно спрогнозировать, что в ближайшее время на рынке появится новая (вероятно, весьма доходная) услуга — поставка аналитической информации, прошедшей первичную обработку.

Применение нейронных сетей в прогнозировании началось с появления на рынке коммерческого нейропакета Brain Maker. Используемая конструкция нейросети делает его надежным и удобным в работе. Для его освоения от аналитика не требуется специальных познаний ни в программировании, ни в математике. Этот пакет до сегодняшнего дня остается самым продаваемым в своем классе. Специалисты-аналитики получили мощное средство для составления прогнозов, практически незаменимое в случаях, когда правила, по которым изменяется цена, неизвестны и трудновыявляемы.

Метод, положенный в основу создания нейросистем, основан на том, что подавляющее число рассматриваемых явлений непрерывно меняется с течением времени. Описывая эти явления, чаще всего невозможно указать их точных характеристик, поэтому необходимо прибегать к приближенным оценкам. Нечеткая логика («нечеткое представление») дает инструмент для решения задач с динамически изменяющимися данными, что достаточно важно в маркетинговой деятельности.

Отличительные свойства указанного метода:

- любой процесс можно описать в категориях «больше — меньше», «лучше — хуже» и т.д.;

- над нечетко заданными переменными можно производить вычисления и получать ответ с заданной степенью точности;

- по сравнению с классическими инструментами данный метод сильно сокращает количество промежуточных вычислений, что существенно, когда принятие решения ограничено жесткими временными рамками;

- при нечетком описании процесса предоставляется возможность не только количественного, но и качественного анализа данных.

Системы, реализующие механизмы нечеткой логики, в коммерческом применении появились сравнительно недавно, но быстро нашли применение в задачах управления и планирования.

По оценкам западных специалистов, современный аналитик до 80% времени тратит не на подготовку, а на поиск и извлечение необходимых данных из разнообразных потоков деловой информации. Нейронные системы в этом случае предоставляют экспертно-консультативные и вычислительные услуги по снижению фактора неопределенности входных данных, в том числе путем автоматической «подгонки» их к наиболее близкому и подходящему закону вероятностных решений.

Программное обеспечение нейронных систем предназначено для исследования и экспертной оценки ситуаций, содержащих неопределенность, что помогает в разработке разнообразных моделей принятия решений в сфере деловой и финансовой активности.

Внедрение нейронных систем в маркетинговой деятельности предприятия, фирмы позволит повысить фактор успеха при получении прибыли.

 

Список литературы

1. Титоренко Г.А. Автоматизированные информационные технологии в экономике. М.: ЮНИТИ, 2008.

2. Быкова Е.В., Стоянова Е.С. Финансовое искусство коммерции. М.: Перспектива, 2009.

3. Тихомиров В.П., Хорошилов А.В. Введение в информационный выбор. М.: Финансы и статистика, 2009.

4. Ковальков В.П. Эффективные технологии в маркетинге. Спб.: Экономическое образование, 2008.

5. Глазьев В.П. Операционные технологии межбанковского финансового рынка. М.: ЮНИТИ, 2009.

 

⇐ Предыдущая12345

Поделиться:

Воспользуйтесь поиском по сайту: