CC BY
7
Sources:
1. The decree of the Head of the Republic of Kalmykia from 27.03.2014 N 37 "On approval of the Investment Strategy
of the Republic of Kalmykia until 2025"
2. Investment message of the Head of the Republic of Kalmykia. http://vipstav.ru/smi/67918-investicionnoe-poslanie-
glavy-respubliki-kalmykiya.html
3. The Minister of Economy Zoya Sanjiyeva talked about the business of Kalmykia in 2018. http://kalmykiainvest.com/page2108251 .html
4. B. Bakumenko. Investment situation in the Russian economy at the present stage. In the collection: Socio-economic
phenomena and processes. Tambov State University, Tambov, 2006. https://library.ru/item.asp?id=12920049
5. Mantaev E.I. The investment attractiveness of the region becomes the main condition for economic growth.
http://elista.bezformata.ru/listnews/investitcionnaya-privlekatelnost/42686965/
6. Samayeva EV, Orlovskaya M. State support of small business in the Russian Federation at the present stage. In the
collection: Economics and management of industries, complexes based on innovative materials (within the framework of the scientific school of TT Tsatkhlanova). FGBOU V "Kalmyk State University named after B. B. Go-rodovikov". 2017. P. 173-174. https://library.ru/item.asp?id=30007004
УДК 338.2
Р.А. Симонян
научный сотрудник НИИ истории, экономики и права
R.A. Simonyan
research fellow research Institute of history, Economics and law
(raf55@list.ru 89885225552)
ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ ПОВЫШЕНИЯ КОНКУРЕНТОСПОСОБНОСТИ ТУРИСТСКО-РЕКРЕАЦИОННЫХ ПРЕДПРИЯТИЙ
Аннотация. В статье рассматривается инструменты повышения конкурентоспособности туристско-рекреационных предприятий, а именно использование технологий построения нейронных сетей для обработки большого массива данных. В качестве методов анализа и обработки подобной информации предлагается программный комплекс Deductor Studio Academic 5.3.
Annotation. The article examines tools to increase the enterprise's competitiveness, namely using neural network construction technologies for processing large amounts of data. As a means of analyzing and processing such information, Deductor Studio Academic 5.3 software package is proposed.
Ключевые слова: туризм, моделирование, конкурентоспособность, нейронные сети, образ туриста, конструктор тура.
Key words: tourism, modeling, neural networks, tourist image, tour constructor. На сегодняшний день при разработке туристических продуктов очень важно учитывать и личные предпочтения каждого человека. В начале 21 века вообще не представлялось возможным собирать такого рода информацию, но на сегодняшний день существует достаточное количество инструментов, которые позволяют не только собирать такого рода данные, но и качественно их обрабатывать. Одним из наиболее эффективных инструментов обработки информации являются нейронные сети, которые позволяют работать с большим объемом данных, что особенно актуально в туристско-рекреационной отрасли.
Сегодня туристический рынок заполнен однотипными продуктами, которые являются основными для многих отечественных и зарубежных компаний. Такие продукты практически не учитывают индивидуальных особенностей и предпочтений клиентов, соответственно, не могут в полной мере удовлетворять потребностям туристов. Еще одной проблемой является проблема выбора тура из огромного количества предложений. В данном случае целесообразно уменьшить выборку, исходя из индивидуальных пожеланий клиента. При таком подходе компания предлагает гораздо меньшее количество продуктов, но в предложенном списке отсутствуют те, которые не интересны клиенту.
Для того, чтобы компания могла предложить интересующий клиента продукт, необходимо разработать «образ» туриста, учитывающий множество параметров о нем, который будет сформирован исходя из его предпочтений, индивидуальных особенностей и т.п. С помощью данной информации разрабатывается «образ туриста».
Зачастую информация для обработки, которая была предоставлена туристами, представ-
196
Вестник Академии знаний №25(2) 2018
лена в виде отзывов, текстовых оценок и т. п. Такого рода информацию необходимо переформатировать из текстового формата на понятный для компьютера «язык», перевести в параметры, участвующие в дальнейшем в анализе информации. Общая схема работы сети представлена на рисунке 1.
Преобразованные параметры являются основными данными для анализа. Они содержат индивидуальную характеристику туриста. Этапы ее формирования следующие:
1. Формировка задачи, этапов разработки.
2. Ввод параметров, сбор данных.
3. Обработка данных по заданным алгоритмам.
4. Структурирование входных и выходных параметров.
5. Создание выборки, на основании которой будет происходить обучение.
6. Создание структуры нейронной сети (архитектуры).
7. Обучение сети.
8. Оценка качества работы нейронной сети, а в случае получения некорректных данных — отладка.
9. Дополнительное обучение нейронной сети для получения наиболее точных результатов на выходе.
Статистической базой исследования являются туры. Выбраны следующие параметры туров, которые были обозначены следующим образом:
1. тип отдыха (0 — пляжный, 1 — культурный/семейный, 2 — активный, 3 — круиз);
2. бюджет на одного человека (1 — до 20 тыс. руб., 2 — от 20 тыс. руб. до 40 тыс. руб., 3 — от 40 тыс. руб. до 100 тыс. руб., 4 — от 100 тыс. руб. до 250 тыс. руб., 5 — от 250 тыс. руб.)
3. длительность тура (1 — до 3 дней, 2 — от 3 до 7 дней, 3 — от 7 до 14 дней, 4 — свыше 14 дней);
4. наличие экскурсионной программы (1 — да, 2 — нет)
5. направление (1 — Европа, 2 — Азия, 3 — Африка, 4 — Северная Америка, 5 — Южная Америка, 6 — Австралия, 7 — Антарктида);
6. количество мест в номере (0 — 1 место, 1 — 2 места, 2 — 3 места, 3 — 4 места, 4 — 5 и более мест);
7. питание (0 — завтрак, 1 — трехразовое, 2 — нет).
Для решения задачи необходимо задать вес каждого параметра. Пусть параметр «бюджет на одного человека» - наиболее значимый и его вес будет равен 0,4. Параметры «длительность тура» и «тип отдыха» имеют вес по 0,15 каждый. Параметр «тип проживания» и «количество мест» в номере по 0,1. Параметр «направление», «фитнес-центр», «экскурсионная программа» и «питание» имеют вес 0,022.
Для анализа данных и построения искусственной нейронной сети была использована платформа Deductor Studio Academic 5.3, в которую встроены современные методы извлечения, визуализации данных и анализа данных.
На вход и выход аналитической платформы Deductor Studio Academic 5.3. были поданы параметры в виде следующих весовых коэффициентов:
Параметры тура Входные данные (весовые коэффи- Выходные данные (весовые коэффи-
циенты ТРП) циенты туриста)
«бюджет на одного человека» 0,5 0,4
«длительность тура» 0,3 0,15
«тип отдыха» 0,1 0,15
«тип проживания» 0,02 0,1
«количество мест в номере» 0,02 0,1
«континент» 0,02 0,025
«фитнес-центр» 0,01 0,025
«экскурсионная программа» 0,01 0,025
«питание» 0,03 0,025
Результатом обработки данных являются следующие равновесные весовые коэффициенты, удовлетворяющие обе стороны и являющиеся основой для конструирования туров:_
Параметры тура Весовые коэффициенты
«бюджет тура» 0,4
«продолжительность тура» 0,15
«тип отдыха» 0,15
«тип проживания» 0,4
«количество мест в номере» 0,4
«континент» 0,4
«наличие в гостинице финтес- 0,025
центра»
«экскурсии» 0,025
«питание» 0,025
Источники:
1. Гуляев, В.Г. Новые информационные технологии в туризме. - М.: Приор, 2013. - 144 с.
2. Джанджугузова, Е.А. Маркетинг туристских территорий: учебное пособие - М.: Академия, 2012. - 224 с.
3. Козлов Д.А. Прогнозирование в индустрии гостеприимства и его совершенствование в условиях перехода к
рыночной экономике. Автореф. Дисс. канд. экон. наук. Москва, 2000. - 179 с.
4. Симонян Г.А. Сфера услуг как стратегический фактор интенсивного развития/ Вестник СГУТиКД, 2012, с.
53-57 Sources:
1. Gulyaev, V.G. New information technologies in tourism. - М .: Prior, 2013. - 144 with.
2. Janjuguzova, E.A. Marketing of tourist territories: textbook - M .: Academy, 2012. - 224 p.
3. Kozlov D.A. Forecasting in the hospitality industry and its improvement in conditions of transition to a market econ-
omy. Author's abstract. Diss. Cand. econ. sciences. Moscow, 2000. - 179 p.
4. Simonyan G.A. Services as a strategic factor of intensive development / Bulletin SGUTiKD, 2012, p. 53-57
В.С. Солодкин
Соискатель кафедры экономики и управления, Адыгейский государственный университет
V.S. Solodkin
Applicant of department of economy and management, Adygei state university (8-929-82-85-896 solodkin@mail.ru)
МЕХАНИЗМ УПРАВЛЕНИЯ ИЗМЕНЕНИЯМИ В КРУПНОЙ КОРПОРАЦИИ
Аннотация. В статье крупная корпорация рассматривается как объект управления изменениями, что обуславливает необходимость разработки механизма управления изменениями применительно к данному объекту. При разработке данного механизма необходимо учитывать взаимосвязь между различными видами капиталов, которые тесно переплетаются между собой и используются в процессе функционирования крупной корпорации. Причем данные капитальные комбинации определяются как внешними, так и внутренним факторами, логично увязываясь с целями крупной корпорации и ее видами бизнесов. Основой функционирования предлагаемого автором механизма управления изменениями в крупной корпорации является комбинация ее капиталов.
Предлагаемый механизм управления изменениями в корпорации должен быть расположен в совете директоров, причем совет директоров должен: 1) обладать набором инструментов, позволяющих получать информацию о преобразованиях во внешней среде, и анализировать ее;
