CC BY
39
И. Ю. Шполянская, Н.В.Ваганова
АНАЛИЗ ДАННЫХ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ РЕКЛАМНОЙ КОМПАНИИ
Аннотация
В статье рассматриваются методы интеллектуального анализа данных и возможность их использования в информационной системе поддержки принятия решений для предприятий рекламного бизнеса. Представлена математическая модель анализа данных о
2011 № 4
Вестник Ростовского государственного экономического университета (РИНХ)
взаимоотношениях с клиентами как основа информационной системы рекламного предприятия.
Annotation
The article discusses the methods of intelligence data analysis and possibility of its application in the decision support system for advertising companies. The mathematical data analysis model, that describes consumer behaviour, is presented as a basic of advertisment company’s information system.
Ключевые слова
Рекламное предприятие, информационная система, взаимоотношение с клиентами, математическая модель, интеллектуальный анализ данных.
Keywords
Advertising business enterprice, information system, interactions with clients,
mathematical model, intellectual data analysis.
Эффективность функционирования предприятия рекламного бизнеса в условиях рыночной экономики во многом зависит от качества его информационной системы управления. Анализ информационных систем в рекламном бизнесе выявил в качестве основной проблему отсутствие
системного подхода при их
проектировании. Существующие информационные системы в основном предназначены для автоматизации учета выполнения заказов на рекламную продукцию, а не поддержки принятия управленческих решений, способствующих развитию самого рекламного бизнеса. Вместе с тем при создании информационной системы в качестве главной оценки ее качества должен рассматриваться критерий с точки зрения руководителя предприятия, а именно способности системы повысить коммерческую эффективность, прибыльность предприятия рекламного бизнеса. Эффективность предприятия может быть повышена в том случае, если в контур системы управления будут включены наиболее значимые функции, то есть те функции, которые максимально обеспечивают реализацию главной цели рекламного бизнеса.
В этом смысле основным моментом при создании информационной сис-
темы должна стать оценка уровня интеллектуальности программной среды, обеспечивающей руководство фирмы в нужный момент только той информацией, которая позволяет принимать решения, повышающие рентабельность работы предприятия. Таким образом, целью использования информационной системы в рекламном бизнесе становится получение, интерпретация и использование в процессе управления не данных, как это имело место в традиционных системах, а знаний. Эти процессы призваны воспроизводить интеллектуальную деятельность высококвалифицированного специалиста в области менеджмента.
Можно рассмотреть требования к информационной системе управления взаимоотношениями рекламной фирмы с клиентами. Собираемая и обрабатываемая информация о клиенте (например, история его заказов, потребности и предпочтения), используется для того, чтобы более точно специфицировать предложения конкретному рекламодателю. Выработка руководителем рекламного предприятия правильного решения о способе взаимодействия с тем или иным заказчиком может быть осуществлена, если оценка клиента будет произведена точным методом и на основе актуальной информации. Для этого
необходимо создать и поддерживать информационную базу, содержащую оперативные данные в хронологическом порядке обо всех сделках с клиентами с их характеристиками, увязанными с конкретными видами заказа на рекламную продукцию. Данные в базе представляются в различных срезах, в зависимости от текущих потребностей менеджера, и используются последним в процессе выбора наиболее эффективных рекламных стратегий.
Таким образом, встает вопрос о создании информационной системы, ориентированной на аналитическую работу с данными, требующую использования не просто учетных, а агрегированных метаданных, представленных уже в виде некоторых знаний о происходящих процессах в рекламном бизнесе. Использование интеллектуального анализа данных в рекламном бизнесе особенно актуально в связи с жесткой рыночной конкуренцией и необходимостью борьбы за каждого потенциального рекламодателя. В этих условиях приобретает исключительную важность качество и обоснованность принимаемых решений на основе диагностики текущей и прогноза будущих ситуаций, оценки динамики поведения клиента и моделирования поведения в будущем, что требует строгого количественного анализа уже имеющихся данных.
Процесс обнаружения подобного рода полезных знаний о бизнесе является достаточно сложной проблемой. Несмотря на то что в базе данных рекламного предприятия может содержаться большой объем информации, эта информация не структурирована, часто не согласована, разрознена, и не всегда её можно непосредственно использовать для принятия решений. Конечному пользователю недостаточно информации, представленной в стандартных формах отчетности - ему должен быть предоставлен максимально комфортный
и эффективный инструментарий анализа значимых для управления данных.
В настоящее время сложные аналитические системы разрабатываются исключительно в рамках создания корпоративных информационных систем для крупных предприятий [2]. Это связано, в первую очередь, с большими затратами на их создание и эксплуатацию. Основу таких аналитических систем составляет интеллектуальный анализ данных (ИАД) или data mining. Data mining - это процесс обнаружения в «сырых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в управленческой деятельности. Это процесс выявления значимых корреляций, образов и тенденций в больших объемах данных. Традиционно в состав задач интеллектуального анализа данных в бизнесе входят следующие:
- Прогнозирование и выявление значимых тенденций в развитии отдельных бизнес-процессов. В частности, при планировании ассортимента предоставляемых услуг и бюджета рекламной фирмы необходимо прогнозировать объемы услуг с учетом действия многочисленных взаимосвязанных факторов поведения потребителей - сезонных колебаний и рыночных тенденций спроса на рекламируемые товары, политики конкурентов, стоимости и качества рекламных услуг, затрат на создание рекламы. Без поддержки хронологии (наличия исторических данных) нельзя говорить о решении задач прогнозирования и анализа тенденций.
- Выявление корреляций и закономерностей между отдельными показателями или связанными событиями, например, увеличение заказов на рекламу клиентов, взаимодействие которых ранее с рекламной компанией было успешным (увеличился объем продаж рекламированной продукции).
- Маркетинговый анализ, например: определение характеристик типичных заказчиков рекламного предприятия для оценки поведения новых или потенциальных клиентов (профилирование клиентов); выявление основных сегментов рынка рекламных услуг и наиболее благоприятных его подмножеств, а также исследование зависимостей между основными показателями и характеристиками сегментов.
- Анализ влияния составляющих факторов на показатели эффективности рекламной деятельности; оценка значимости факторов по степени их влияния на целевой показатель, ранжирование факторов. Например, анализ изменения объема реализации рекламных услуг в соответствии с ценами на услуги, уровнем цен конкурентов, временем года, расходами на рекламу.
- Оценка эффективности принимаемых руководством стратегий, проверка гипотезы «что, если» на основе имитационных моделей рекламной деятельности.
В настоящее время разработаны математические и инструментальные методы интеллектуального анализа данных (ИАД), которые могут быть применены в системах поддержки управления рекламной деятельностью:
1. Классические методы корреляционного, регрессионного, факторного анализа, которые входят в состав всех современных статистических пакетов, например, БЛБ, ЗРББ, 81а1§гарЫсв, 81аЙ811са.
2.Нейронные сети. Это большой класс разнообразных систем, используемых для прогнозирования, поиска оптимальных решений в задачах классификации и распознавания образов. В одной из наиболее распространенных моделей нейросети на абстрактные нейроны самого нижнего слоя сети подаются значения входных параметров модели (например, объем финансов, выделяемых рекламодателем на рекламу).
Эти значения рассматриваются как сигналы, передающиеся в вышележащий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате этого на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как выходной показатель, реакция всей сети на введенные значения входных параметров. Например, изменение объема реализации продукции рекламодателя после проведения рекламной кампании. Сеть обучается на полученных ранее данных, для которых известны значения входных и выходных параметров за счет подбора весов межнейронных связей, обеспечивающих наибольшую близость прогноза к известным ответам сети. Наиболее распространены такие нейросетевые системы, как: BrainMaker (CSS), NeuroShell (Ward Systems Group), OWL (HyperLogic), Business Intelligence (Cognos). В состав многих современных пакетов программ статистического анализа данных, в частности в пакет Statistica (StatSoft), входят процедуры нейросетевого анализа и оптимизации -Statistica Neural Networks.
3. Системы рассуждений на основе аналогичных случаев - case based reasoning - CBR, или метод "ближайшего соседа" (MBR). Для прогноза или при выборе решения эти системы находят в прошлом близкие аналоги текущей ситуации и наиболее соответствующие им ответы. Системы CBR показывают достаточно хорошие результаты в самых разнообразных экономических задачах. Примеры программных систем, использующих CBR, - KATE tools (Acknosoft), Pattern Recognition Workbench (Unica), PolyAnalyst (Megaputer).
4. Метод деревьев решений (decision trees) применяется для решения задач классификации. В результате применения этого метода к обучающей выборке данных создается иерархиче-
ская древовидная структура классифицирующих правил типа «ЕСЛИ... ТО». Классификация объектов или ситуаций осуществляется в процессе поуровнево-го спуска и перемещения по узлам этого дерева, начиная с корня. В конечных узлах - листьях стоит указание, к какому классу надо отнести рассматриваемый объект. Этот метод может быть использован при выполнении процедур сегментации рынка или решении задач определения лояльности клиентов рекламной компании. Основной недостаток метода в том, что необходима большая база статистических данных. Причем, чем больше частных случаев, чем меньше обучающих примеров попадает в каждый такой случай, тем менее надежной становится их классификация. Самыми известными из систем, которые используют этот метод, являются: С 5.0 (RuleQuest, Австралия), Clementine
(Integral Solutions, Великобритания), SIPINA (University of Lyon, Франция), IDIS (Information Discovery, США), PolyAnalyst (Megaputer).
5. Генетические алгоритмы. Этот метод имитирует процесс естественного отбора в природе. Поиск оптимального решения при этом похож на эволюцию популяции индивидов, представленных их наборами хромосом. В этой модели имитируется процесс эволюции тремя механизмами: отбором сильнейших наборов хромосом, которым соответствуют наиболее оптимальные решения; скрещиванием - производством новых абстрактных объектов при помощи смешивания «хромосомных наборов» отобранных объектов - индивидов; мутацией - случайными изменениями «генов» у некоторых представителей группы - индивидов популяции. В результате смены поколений вырабатывается такое решение поставленной задачи, которое далее не может быть улучшено. Наиболее доступным продуктом этого типа в России является система GeneHunter фирмы Ward Systems Group.
6. Нелинейные регрессионные методы. Поиск зависимости целевых переменных от факторов ведется с помощью функций определенного вида. В одном из наиболее удачных алгоритмов этого типа - методе группового учета аргументов (МГУА) зависимость ищут в форме полиномов. Этот метод дает более статистически значимые результаты, чем нейронные сети. Метод МГУА, в частности, реализован в системе NeuroShell (Ward Systems Group).
7. Эволюционное программирование. Гипотезы о виде зависимости целевой переменной от других переменных формулируются системой в виде алгоритмов на некотором внутреннем языке программирования, а процесс построения этих программ строится как эволюционное развитие «особей». Когда система находит программу развития, достаточно точно выражающую искомую зависимость, она вносит в нее небольшие модификации и отбирает среди построенных таким образом дочерних программ те, которые повышают точность. Таким образом, система "выращивает" несколько генетических линий программ, которые конкурируют между собой в точности выражения искомой зависимости. Типичным представителем такого рода программ является пакет PolyAnalyst.
В бизнес-приложениях наибольший интерес представляет интеграция методов интеллектуального анализа данных с технологией OLAP - “On-line analytic process” (как, например, в семействе BI фирмы Cognos). OLAP использует многомерное представление агрегированных данных для быстрого доступа к важной информации и дальнейшего ее анализа. Основной его идеей является представление информации в виде многомерных кубов, где оси являют собой измерения (например, время, вид заказа, клиенты), а в ячейках помещаются показатели (сумма продаж, средняя цена заказа). Пользователь ма-
нипулирует измерениями и получает оперативную информацию в нужном разрезе.
Системы ОЬЛР обеспечивают аналитикам и руководителям быстрый последовательный интерактивный доступ к внутренней структуре данных и возможность преобразования исходных данных, с тем чтобы они могли отразить состояние процесса (системы) нужным для пользователя способом. Кроме того, ОЬЛР-системы позволяют просматривать данные и выявлять имеющиеся в них закономерности либо визуально, либо простейшими методами (такими как линейная регрессия), а использование нейросетевых методов обеспечивает существенное расширение аналитических возможностей. При этом конечному пользователю предоставляется ряд аналитических и навигационных функций:
- расчеты по нескольким измерениям, иерархиям и/или членам;
- анализ трендов;
- выборка подмножеств данных для просмотра на экране;
- переход к детальным данным, лежащим в основе анализа.
Технология ОЬЛР использует специальную многомерную модель, которая позволяет более эффективно использовать данные, накопленные в оперативных системах, в требуемом разрезе и детальности. Оперативная аналитическая обработка ориентирована на представление данных в виде многомерных массивов - последовательностей упорядоченных элементов, например, продажи продукта, услуги по клиентам/временным периодам, или доход по времени/товару, услуге.
Преимущества интеллектуального подхода к анализу данных обеспечивают возможность его использования не только в корпоративных информационных системах, но и для малых и средних предприятий, каковыми являются предприятия рекламного бизнеса. Однако
универсальные средства ИАД довольно сложны и дороги, поэтому они не могут широко применяться в рамках информационных систем, ориентированных на конечного пользователя.
Разработанная методика построения информационной системы поддержки принятия решений для рекламного предприятия предусматривает использование методологии интеллектуального анализа данных применительно к задачам управления взаимоотношениями с клиентами, контролю ведения договоров, формированию бюджетной политики рекламной компании. Данная концепция предполагает:
1. Создание и ведение информационной базы рекламного предприятия на основе оперативных данных. Данная проблема достаточно легко реализуется в рамках информационной системы, хотя на практике всегда остается вопрос: кто и как часто должен вносить данные для формирования информационной базы и какова должна быть степень детализации представленной информации.
2. Программную поддержку процедур создания и ведения массивов агрегированных данных по типу Витрины Данных в системах ОЬЛР на основе транзакций пользователя к базе данных оперативного учета. Основной проблемой в решении данной задачи является структурный анализ и оптимизация используемой в процессе принятия решений информации, поиск интегральных критериев оценки ситуаций, подлежащих диагностике в системе.
3. Использование процедур ИАД применительно к созданным многомерным массивам данных. Несмотря на то что в настоящее время существует достаточно объемный банк моделей и методов ИАД, их применимость существенно ограничена в области «малых» информационных систем из-за их высокой стоимости, вычислительной сложности и трудности интерпретации конечным пользователем. В связи с этим
были предложены процедуры интеллектуального анализа деятельности рекламной компании для принятия эффективных решений - относительно несложные, упрощенные и не требующие больших затрат:
- процедуры кластеризации, классификации для выделения однородных групп взаимодействующих с рекламной фирмой клиентов и возможных ситуаций для принятия решений;
- адаптивные самообучающиеся алгоритмы по типу процедур нейросе-тевой оптимизации для поиска оптимальных маркетинговых стратегий по выделенным группам ;
- имитационная модель функционирования рекламного предприятия для прогноза ситуации, оценки альтернативных стратегий и выбора из них наиболее эффективной [1].
Для того чтобы реализовать эффективное взаимодействие рекламного предприятия с клиентом, необходимо выполнение следующих основных задач в рамках информационной системы:
- Идентификация клиента (составление портрета заказчика) - отслеживание поведения и предпочтений, а также определение ценности клиента для предприятия (задача кластеризации).
- Дифференциация клиентов на основе принятой системы оценок. Выделение клиентов, сотрудничество с которыми приносит наиболее заметные результаты и ограничение затрат по ненадежным клиентам или клиентам, не приносящим стабильного дохода (задача классификации).
- Взаимодействие с клиентом -выработка индивидуальной стратегии обслуживания заказчика на основе оценки его поведения, предпочтений и потребностей (задачи имитации и адаптации).
Для составления портрета каждого клиента рекламной компании и выработки будущей стратегии их взаимо-
действия информационная система рекламного предприятия хранит и отслеживает всю историю взаимоотношений. В этом смысле наиболее существенной информацией в базе данных является та, какие услуги и как часто рекламодатель заказывает у компании, какова доля совершаемых им сделок в общем объёме реализации данного вида услуг, какие виды скидок ему предоставлялись, какова была форма и порядок оплаты, как им выполнялись договорные обязательства.
Для этого в информационной базе, помимо данных оперативного учета, предусмотрены процедуры расчета, хранения и использования статистических показателей, характеризующих в совокупности поведение каждого клиента. На основе этих данных рассчитываются интегрированные показатели, в том числе:
- коэффициент, учитывающий периодичность, объем и структуру заявок на рекламные услуги потребителем;
- коэффициент, отражающий выполнение клиентом своих договорных обязательств по оплате рекламных услуг;
- коэффициент, отражающий своевременность платежей;
и на их основе определяется ценность клиента рекламной компании.
Ниже приводится перечень расчетных показателей, дающих статистическую оценку поведения каждого заказчика. Эти показатели определяются программно, на основе первичных данных из платежных документов, фиксирующих каждую сделку с клиентом, и сохраненной ранее статистики.
1. Показатели, характеризующие историю договоров отдельного клиента в разрезе каждой рекламной позиции. Информация для расчета показателей накапливается в массиве «Клиент-Услуга», начиная с даты первого заказа. Структура массива приведена в табл.1
Таблица 1. Показатели, характеризующие историю договоров клиента
Наименование показателя Обозначение показателя / Формула расчета
Общий объем заказов клиента на данную услугу СТК
Количество заказов клиента на данную услугу КПТК
Средняя стоимость заказа клиента на данную услугу ССТК = СТК / КПТК
Общий объем заказов всех клиентов на данную услугу СТ
Количество заказов всех клиентов на данную услугу КПТ
Средняя стоимость заказа всех клиентов на данную услугу ССТ=СТ/ КПТ
Доля заказа клиента в общем объеме реализации данного вида услуг ДК = ССТК/ ССТ
Тенденция в изменении доли заказа клиента в общем объеме данного вида услуг представляется графиком.
Оценка качества рекламных услуг рекламодателем характеризуется значением качественной переменной, измеренной в порядковой шкале (1-очень плохое, 2 - плохое, 3 - удовлетворительное, 4 - хорошее, 5 - отличное). Имеющиеся претензии клиента в
отношении стоимости услуг. Аналогично характеризуются значением качественной переменной.
2. Показатели, характеризующие объем и периодичность сделок отдельного клиента по всем рекламным позициям. Информация для расчета показателей накапливается в массиве «Клиент
- Сделки», начиная с даты первой сделки, накапливается в массиве, структура которого приведена в табл.2.
Таблица 2. Показатели, характеризующие объем и периодичность сделок отдельного клиента по всем рекламным позициям
Наименование показателя Обозначение показателя / Формула расчета
Объем реализации рекламных услуг фирмы по всем потребителям с начала взаимоотношений с данным клиентом ОР
Объем сделок клиента по всем видам рекламных услуг ВС
Общее число сделок клиента КП
Сред. стоимость одной сделки СС = ВС/ КП
Доля сделок клиента в общем объеме реализации услуг фирмы ДОПГ = ВС / ОР
Общий доход фирмы ОДФ
Доходность (рентабельность) фирмы НР
Общий доход по сделкам клиента ОД
Средняя доходность одной сделки клиента ДОП =ОД/КП
Коэффициент доходности потребителя КД = ОД/ОДФ
Максимальный интервал между заказами МАИ
Минимальный интервал между заказами МИИ
Суммарный интервал между заказами СУМИ
Средний интервал между заказами СИ = СУМИ/(КП-1)
Коэффициент периодичности заказов, коэффициент "постоянства" -среднеквадратическое отклонение от среднего интервала между заказами КПП
Изменение коэффициента доходности и периодичности заказов клиента во времени представляется в массиве в виде аналитической зависи-
мости, а визуально для пользователя - и виде графиков.
Статус взаимоотношений с конкурентами. Характеризуется значением
качественной переменной, измеренной в порядковой шкале (0 - неизвестный статус, 1- не поддерживаются, 2 - поддерживаются время от времени, 3 -поддерживаются постоянно).
3. Показатели, характеризующие своевременность производимых клиен-
том платежей. Информация для расчета показателей накапливается в массиве «Клиент - Оплата», начиная с даты первого заказа. Структура массива приведена в табл.3.
Таблица 3. Показатели, характеризующие своевременность производимых клиентом платежей
Наименование показателя Обозначение показателя / Формула расчета
Количество просроченных платежей ПП
Суммарная длительность просроченных платежей ДП
Общая сумма просроченных платежей СП
Средняя длительность просрочки платежа СДП=ДП/ ПП
Средняя сумма просроченного платежа ССП = СП / ПП
Средние потери от просрочки платежа СПО = ССП * СДП/ 365 * НР, где НР - уровень рентабельности предприятия
Суммарные потери от просрочки платежей СПП = ССП*СДП*ПП* НР/ 365
Тенденции в изменении потерь от просрочки платежей во времени
представляются в массиве в виде аналитических зависимостей, а визуально для пользователя - в виде графиков.
Использование статистических показателей, характеризующих поведение клиента, в структуре базы данных рекламного предприятия дает возможность его интегрированной оценки в соответствии с приносимым доходом. Показатель ценности клиента Ц для рекламного предприятия можно определить как:
Ц = ( ОД - СПП) * КПП, где ОД - Общий доход от клиента с начала обслуживания;
СПП - потери от несоблюдения клиентом договорных обязательств и платежей;
КПП - коэффициент "постоянства".
В соответствии с полученными значениями критерия в дальнейшем проводится дифференциация клиентов с целью выделения из их числа наиболее значимых или «рискованных». Для раз-
ных групп клиентов рекламное предприятие может применять различные стратегии обслуживания, в частности:
- увеличение (уменьшение) суммы и срока кредита;
- скидку в цене на рекламную продукцию;
- отсрочку платежа;
- требование предоплаты (в соответствии с рассчитанным процентом);
- приоритет в распределении рекламных ресурсов, имеющихся в ограниченном количестве;
- изготовление рекламной продукции с учетом личных предпочтений клиента, «под заказ».
Кроме того, информация в базе может быть использована для анализа причин потери рекламной фирмой наиболее значимых клиентов. Для этого определяется динамика изменения стоимости совершаемых сделок клиентом и доли этих сделок в общем объёме реализации рекламных услуг за анализируемый период. Если снижение объёма сделок клиента в этот период имело отчетливую тенденцию, то это может
свидетельствовать, в том числе, и о его возможном уходе вскоре к конкуренту. При этом, если у потребителя не было претензий к качеству или цене рекламной продукции, то наиболее вероятной причиной сокращения заказов была неудовлетворенность системой организации обслуживания в рекламной компании.
Внедрение методики анализа данных о взаимоотношениях рекламной компании с клиентами при создании информационной системы должно обеспечить:
- получение своевременной информации по истории взаимоотношений с клиентом;
- использование информации для дифференцированного подхода к клиентам, имеющим различную ценность для рекламного предприятия;
- выявление тенденций в изменении поведения клиента и анализ причин, их вызвавших;
- более точное обоснование и выбор стратегий обслуживания, соответствующих текущему состоянию взаимоотношений предприятия с клиентом;
- расширение возможностей рекламного предприятия по удержанию и привлечению клиентов на основе анализа и своевременного учета их потребностей и предпочтений;
- определение источников повышения ценности клиента для рекламного предприятия.
При этом можно выявить группы однородных клиентов и оценить вероятность совершения с ними сделок в дальнейшем. С помощью моделей статистического анализа данных можно среди многочисленных клиентов фирмы выбрать тех, сотрудничество с которыми наиболее выгодно, - получить портрет «ценного клиента». Кроме того, можно выяснить, почему работа с некоторыми из заказчиков стала неэффективной, и выработать стратегию поиска подходящих клиентов в будущем. И в конечном итоге, обеспечить увеличение доходности рекламного предприятия.
Библиографический список
1.Шполянская И.Ю. Анализ и моделирование информационных систем для малого бизнеса/ РГЭУ "РИНХ", 2005. -220 c.
2.Киселев М., Соломатин Е.. Средства добычи знаний в бизнесе и финансах // Открытые системы, N 4, 1997, с.41-44
Bibliographic list
1.Shpolianskaya I.Y. Analysis and modeling of small business enterprise’s information system. - Rostov n/D., RGEU “RINH”, 2005. - 220 p.
2.Kiselev M., Solomatin E. Data Mining in business and finance// Open Systems, N 4, 1997, p. 41-44
