CC BY
43
МЕНЕДЖМЕНТ И МАРКЕТИНГ
УДК 658.89
МАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ ДИНАМИКИ ФУНКЦИОНИРОВАНИЯ РЫНКОВ С НЕЛИНЕЙНОЙ ПАРАДИГМОЙ РАЗВИТИЯ
Т.С.Афанасьева, Н.В.Манова
Институт экономики и управления НовГУ, [email protected]
Рассматривается пример использования нейросетевых технологий в маркетинговых исследованиях рынка, результатом чего является кластеризация клиентской базы, построение самоорганизующихся карт Кохонена, дающих возможность визуализации как результата нелинейного проецирования многомерного пространства данных на плоскую двумерную топологическую карту.
Ключевые слова: маркетинговые исследования, динамика функционирования рынков, самоорганизующиеся карты Кохонена
In this article we consider the use of neuronet technologies in the marketing researches on the example. Neuronet usage results in clustering of clients' database, building of self-organizing Kokhonen's maps, which gives a possibility of visualization as a result of nonlinear projection of the multydimensional space of data on the flat two-dimensional topology map.
Keywords: marketing researches, the dynamics of markets’ functioning, self-organizing Kokhonen’s maps
Классическая экономическая теория, посвященная анализу динамики рынков и призванная объяснить их поведение, исходит из предпосылки, что характер их функционирования является линейным. Существует множество статистических моделей, используемых для исследования таких рынков. Однако в последние десятилетия применение этих моделей приводило порой к неверным результатам.
Неопределенность и непредсказуемость в поведении быстро меняющихся рынков, непрерывное и неурегулированное изменение данных, мгновенные изменения конкурентной среды, неожиданные скачки цен, а также их внезапные падения, все это указывает на то, что реальное поведение экономических систем далеко от линейного [1]. В настоящее время наиболее адекватной является предпосылка о нелинейном характере функционирования современных рынков.
К основным признакам рыночных систем с нелинейной парадигмой развития следует отнести: проявление изменчивости, амбивалентности пороговых, эмерджентных и синергетических эффектов, определяющих нелинейность функционирования рынка; нарастание транзакционных издержек, связанных с обеспечением работы всех систем; возрастание потенциала множественности траекторий развития, непредсказуемости аттрактора и магистрали развития. Нелинейная синергетическая парадигма делает понимание рынков и экономики в целом более полным и реалистичным, позволяет глубже проникать в их природу.
Многие экономисты в конце прошлого века отметили важность поиска, отбора и анализа в гро-
мадных потоках информации нужной, произошло становление новой экономики — информационной. Возникла необходимость построения и использования простых, универсальных моделей, которые способны самостоятельно обрабатывать данные, отыскивать закономерности и различия, классифицировать большое количество бизнес-информации, возрастающей в экспоненциальной зависимости, в пригодные для дальнейшей обработки группы. Результаты применения этих методов можно использовать также для анализа динамики функционирования рынков, построения различных прогнозов.
Динамика макросреды предприятия резко и непрерывно меняется, причем не обязательно по линейному пути развития, и предприятие должно так же быстро, а главное, адекватно реагировать на все эти изменения. Проблемы сегментирования рынка являются ключевыми при организации эффективной маркетинговой работы, которая способствует формированию устойчивой среды предприятия в процессе циклического функционирования рыночной экономики. Разбиение исследуемого рынка на группы и выделение маркетологом приоритетных направлений деятельности предприятия позволяет организовать его работу в соответствии с собственными возможностями и ресурсами, повысить конкурентоспособность предприятия, оптимизировать затраты и доходы.
Для решения возникающих задач многомерной классификации данных довольно часто используется один из главных методов сегментации — кластерный анализ. Существует более 100 разнообразных методов кластеризации. Все чаще используются
нейронные сети, а именно — такая их разновидность, как самоорганизующиеся карты Кохонена, позволяющие анализировать любые финансовые показатели [2,3].
Самоорганизующиеся карты являются автоматизированным методом визуального представления данных и выявления закономерностей в больших объемах информации, они используются в маркетинге для многомерной оценки. Сеть создает кластеры и относит все объекты к тем или иным группам, устанавливает близость, обнаруживает новые явления.
Одним из достоинств использования нейронных сетевых технологий является выявление новых нестандартных объектов, не имеющих с ранее исследованными общих характеристик. В отличие от экспертных методов нейронные сети самостоятельно выделяют наиболее значимые признаки в потоках информации, обучаясь по очень простым локальным правилам. Наиболее значимым достоинством использования нейронных сетей является сжатие маркетинговой информации.
Функции самоорганизующихся карт активно используются в маркетинге и бизнесе, в частности при решении задач сегментирования рынка. Так, например, с их помощью решается задача кластеризации клиентов и визуализации полученных групп, осуществляется выявление неявных связей и закономерностей между признаками, проведение оценки в динамике, анализ изменений как в целом по структуре кластеров, так и в отдельности, прогнозирование значений одних признаков через другие. Если исследуемые объекты расположены рядом в многомерном пространстве, то и их образы на полученных картах будут размещены в непосредственной близости.
В настоящее время на всех предприятиях ведется систематическое фиксирование наблюдений относительно функционирования почти всех элементов экономической системы. Создаваемые маркетинговые базы дают возможность непрерывного построения оперативных прогнозных моделей, адекватно реагирующих на все изменения рынка.
Если на исследуемом предприятии в информационной базе, данные в которой непрерывно обновляются, имеются сведения о работе партнеров, конкурентах, поведении потребителей, то использование систем искусственного интеллекта в маркетинге позволяет провести прогнозное моделирование. Его результаты позволят более эффективно предсказывать динамику функционирования рынка, разрабатывать корпоративные маркетинговые стратегии по работе с клиентами.
С целью построения оперативных прогнозных моделей была поставлена задача проанализировать динамику функционирования рынка с использованием нейросетевых технологий и провести кластеризацию клиентской базы (городов) предприятия ООО «Карат», работающего на рынке стоматологического оборудования.
Для достижения поставленной цели авторами на основе модели самоорганизующихся карт Кохо-
нена на языке программирования Visual Basic реализована консольная программа KSOM [4], адекватность работы которой проверялась на модельных задачах — специально созданных выборках с заранее известными кластерами. В этом алгоритме используется метод обучения без учителя и, таким образом, все зависит только от структуры анализируемых данных. Программа создает сеть 4*4 и каждому узлу ставит в соответствие точку в многомерном (в данном случае 18-мерном) пространстве признаков. В процессе обучения (обработки выборки) на вход сети подаются точки обучающей выборки, и программа перемещает узлы сетки к скоплениям точек
— кластерам. Процесс повторяется несколько раз с затухающим коэффициентом обучения. Затем выборка прогоняется еще раз через уже обученную сеть, при этом каждая точка ассоциируется с ближайшим узлом.
Программа KSOM предназначена для кластеризации клиентов и визуализации полученных групп. Она позволяет обнаруживать группы объектов-кластеров с одинаковыми признаками, выявлять связи и закономерности между ними, проводить их оценку в динамике, заносить на карту новые объекты, строить прогнозные микроэконометрические модели. Программой можно воспользоваться и при необходимости анализа таких данных, как оценка уровня качества продукции, компетентности торговых представителей, их работы на рынках, при обработке анкет, заполняемых клиентами, специалистами и управляющим составом компании. С минимальными изменениями она может применяться во многих областях для решения задач кластеризации, визуализации и прогнозирования, предсказания рынка, оптимизации в управлении для максимизации математического ожидания полного дохода.
С помощью программы KSOM проанализированы сведения, извлеченные из базы данных предприятия ООО «Карат», об объемах продаж различного стоматологического оборудования (18 видов) в 40 городах за IV квартал 2008 г., за I квартал 2009 г. и о разнице объемов продажи соответствующих товаров в тех же городах за эти периоды. Для удобства пользования виды продаваемого стоматологического оборудования были пронумерованы от 1 до 18, а городам присвоены номера от 1 до 40.
Результатом проведенного анализа стала кластеризация клиентской базы (городов) и визуализация как итог нелинейного проецирования многомерного пространства на двумерную топологическую карту. Качество кластеризации достаточно высокое. Полученные сегменты значительно отличаются друг от друга. В каждый кластер попали объекты, обладающие тем или иным показателем «похожести». Кластеры были названы по координатам узлов на карте в окрестности которых попали образы исследуемых объектов.
Обработка данных за IV квартал 2008 г. позволила выделить 9 кластеров клиентов ООО «Карат». Рассмотрим некоторые из них. Например, кластер
(3,2): города Иваново, Нижний Новгород, Уфа, Калуга, Самара, Петрозаводск (см. табл. 1).
Таблица 1
Кластер (3,2)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
2 1 1 Иваново (8)
1 1 Калуга (13)
1 2 1 7 1 4 1 1 2 Н.Новгород (20)
2 6 5 Петрозаводск (27)
1 1 1 5 1 2 2 Самара (31)
4 3 9 4 2 1 2 3 2 2 Уфа (36)
Анализируя выделенные программой группы, можно отметить те виды стоматологической продукции, которые закупались в каждом сегменте, и предположить, что будет реализовано в дальнейшем в городах, входящих в эти кластеры, т. е. сделать прогнозы о видах продукции, которые могут быть реализованы исследуемой фирмой на ближайшую перспективу (неделю, декаду). Следует подчеркнуть, что прогнозирование возможно лишь в тех случаях, когда предыдущие изменения в какой-то степени влияют на будущее. Даже если рынок функционирует нелинейно, то все-таки сохраняется некоторая инерционность, пусть и на очень маленький период, т. е. мгновенно характеристики изучаемого процесса не меняются. В этих случаях следует проводить планирование на очень короткий промежуток времени (неделю,
спросом пользовался такой вид стоматологического оборудования, как номер 11, но не покупался такой вид, как номер 15, за исключением кластера (3,3), и то отдельными экземплярами. Однако все эти сегменты по остальным показателям имеют существенные структурные различия.
Проанализировав территориальное расположение кластеров, приходим к выводу, что если они расположены рядом, то виды продаваемой стоматологической продукции можно найти в соседних сегментах. Так, в кластере (3,3), расположенном рядом с кластером (3,2), во всех городах продавались такие виды стоматологического оборудования, как номера 11, 13, а номера 4, 12 — почти во всех, за исключением Великого Новгорода и Красноярска соответственно (см. табл.2).
Таблица 2
Кластер (3,3)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
2 1 2 5 1 5 2 2 В. Новгород (3)
2 1 2 1 1 1 1 1 Красноярск (16)
1 1 1 1 1 1 Махачкала (17)
1 4 2 4 1 8 3 3 Пермь (25)
2 1 3 2 1 2 1 3 Ярославль (40)
декаду), строя непрерывные прогнозы на основе анализа данных, например за последние два, три месяца, регулярно их обновляя. Это вполне возможно при наличии на предприятии современных программных продуктов, грамотных специалистов и использования интуиции экспертов.
Например, в кластере (3,2) не закупались такие виды стоматологического оборудования, как номера 5, 7, 10, 11, 15, 16, но номер 4 приобретали все объекты. В кластерах (3,3), (3,4), (4,2), (4,3), (4,4) повышенным
В кластере (4,2), расположенном по соседству с двумя выше рассмотренными, пользовались спросом товары как номеров 2, 4, так и номер 11 (см. табл.3).
Рассмотрев кластер (4,3), замечаем, что нет реализации продукции номер 18, но в достаточно большом количестве во всех городах приобретался такой вид, как номер 11 (см. табл.4). Как и в кластере
(4,2), затруднена реализация стоматологического оборудования номеров 15, 10.
Таблица 3
Кластер (4,2)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
3 5 3 1 1 2 2 1 Волгоград (4)
1 1 8 1 1 4 2 1 Екатеринбург (7)
1 5 5 2 Краснодар (15)
1 1 1 2 1 2 3 1 Ростов-на-Дону (29)
Таблица 4
Кластер (4,3)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
3 5 2 2 Барнаул (2)
5 12 2 7 1 4 3 27 5 3 2 1 Воронеж (6)
5 2 1 8 1 Новосибирск(21)
2 1 2 1 1 6 4 1 1 Ставрополь (33)
1 1 6 1 4 1 Сыктывкар (35)
И наконец кластер (4,4), имеющий много общего с кластером (4,3): пользовался большим спросом товар номер 11, не было продаж номера 18, практически схожая картина наблюдалась с продажей продукции номеров 8, 9, 15, 16 (см. табл.5).
Проведенный экономический анализ позволил сделать оперативный прогноз сбыта стоматологиче-
ского оборудования ООО «Карат» на предстоящий период.
После проведения сегментации клиентской базы (городов) была построена карта Кохонена, которая проецирует 18-мерное исходное пространство на плоскую двумерную карту и дает возможность визуализации анализируемых данных (рис.1).
Таблица 5
Кластер (4,4)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
2 1 3 18 4 4 Вологда (5)
16 3 1 30 1 Казань (11)
1 7 3 Киров (14)
1 3 10 Мурманск (19)
5 Орел (23)
1 4 4 2 1 1 30 1 1 Саратов (32)
Рис.1. Карта Кохонена (данные по продажам за IV квартал 2008 г.)
Таблица 6
Кластер (1,2)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Г ород (№)
3 Иваново (8)
2 Ижевск (9)
4 1 Калининград (12)
2 Махачкала (17)
2 Петропавловск-Камчатский (28)
3 8 1 1 Сургут (34)
1 2 7 Уфа (36)
1 2 1 2 9 Челябинск(38)
В начале 2009 г. объемы продаж стоматологического оборудования ООО «Карат» заметно сократились, что объясняется влиянием финансовоэкономического кризиса. При оценке клиентской базы за I квартал 2009 г. можно констатировать, что произошло резкое изменение структуры кластеров, их
количества. Программа выделила 4 сегмента. Рассмотрим кластер (1,2) (см. табл.6).
В предыдущем IV квартале 2008 г. исследуемые города входили в следующие кластеры: Иваново, Уфа —
(3,2), Ижевск, Челябинск — (2,1), Калининград, Сургут
— (2,3), Махачкала — (3,3), Петропавловск-Камчатский
— (3,4). Причем все эти города были расположены в кластерах, территориально близких друг другу.
Сопоставляя карты Кохонена за IV квартал 2008 г. (см. рис.1) и I квартал 2009 г. (см. рис.2), можно визуально убедиться в разнице их структуры, состава, отметить все произошедшие изменения и
своевременно отреагировать на них, шире используя в прогнозировании экспертных методы. Проведенный анализ подтверждает предположения о нелинейном характере функционирования данного рынка, о невозможности применения классических статистических методов для прогнозирования.
Анализируя данные о разнице заказов ООО «Карат» в I квартале 2009 г. и в IV квартале 2008 г., программа выделила 4 группы. Рассмотрим кластер (2,1) (см. табл.7). В него вошли 8 городов, которые одинаково прореагировали на новые рыночные условия. Это 4 города из кластера (3,3) по данным о продажах за IV квартал 2008 г.: Великий Новгород, Красноярск, Махачкала, Пермь. Сюда также перешли города из близлежащих кластеров: (4,2) — Краснодар и Ростов-на-Дону, (4,4) — Казань и (2,3) — Якутск. Характерным является то, что продажи стоматологического оборудования почти по всем видам товаров
Рис.2. Карта Кохонена (данные по продажам за I квартал 2009 г.)
Таблица 7
Кластер (2,1)
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Город (№)
-2 -1 2 1 2 1 -2 2 -4 -1 -5 -2 -2 В.Новгород (3)
-16 -3 1 3 5 1 -13 -1 Казань (11)
1 -1 2 4 1 -2 Краснодар (15)
1 1 -1 -1 1 -2 -1 -1 1 -1 -1 -1 1 Красноярск (16)
-1 -1 2 -1 -1 -1 -1 Махачкала (17)
1 -2 3 2 1 -6 -1 -3 Пермь (25)
-1 -1 -1 -1 -1 -2 1 -3 -1 Ростов-на-Дону (29)
1 -1 1 1 1 -1 1 4 -4 Якутск (39)
существенно сократились. Следовательно, города, входящие в кластеры, территориально расположенные рядом, одинаково реагируют на новые рыночные условия.
На рис.3 представлена соответствующая карта Кохонена.
вить их изменения в целом по структуре и составу кластеров.
В данном случае программа использовалась для анализа данных о продажах стоматологического оборудования в течение определенных периодов времени. Исходные сведения можно регулярно обнов-
Рис.3. Карта Кохонена (разница между продажами в I квартале 2009 г. и в IV квартале 2008 г.)
Таким образом, результатом использования нейросетевой технологии в маркетинговом исследовании рынка стала кластеризация клиентской базы ООО «Карат» и визуализация нелинейного проецирования 18-мерного пространства данных на плоскую двумерную топологическую карту. В каждом из кварталов были выделены кластеры, обладающие тем или иным показателем «похожести», что позволило сделать краткосрочные прогнозы, проанализировать поведение как реальных, так и потенциальных клиентов, провести оценку объектов в динамике и сопоста-
лять и использовать их для построения прогнозных моделей за любые отрезки времени, построения мгновенных прогнозов на ближайший период.
Итак, как показали исследования, новый метод нелинейного кластерного анализа — применение нейронных сетей (наряду с другими современными методами нейросетевых технологий — нечеткой логикой, генетическими алгоритмами) — позволяет существенно облегчить работу маркетолога, делающего прогнозы в условиях динамично и резко меняющихся рынков, значительно сокращая число
показателей, выявляя скрытые закономерности в обширных базах информации. Поэтому самоорганизующиеся карты представляют больший интерес для исследователей в плане сбора и анализа данных в маркетинге.
1. Занг В.Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории. М.: 1999. 315 с.
2. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ. М.: Альпина, 2001. 316 с.
3. Пастухов Е.С. Методика оценки изменений в банковской среде на основе технологии самоорганизующихся карт признаков // Мат. семинара «Проблемы организации финансовоаналитической службы в коммерческом банке», Москва, 16 ноября 2000 г. — http://www.basegroup.ru/nenral/som.htm
4. Исследование динамики функционирования рынка с помощью нейросетей: Свидетельство о государственной регистрации программы для ЭВМ № 2010617039 от 21 октября 2010 г.
Bibliography (Translitirated)
1. Zang V.B. Sinergeticheskaja jekonomika. Vremja i peremeny v nelinejnoj jekonomicheskoj teorii. M.: 1999. 315 s.
2. Debok G., Kohonen T. Analiz finansovyh dannyh s po-mow'ju samoorganizujuwihsja kart / Per. s angl. M.: Al'pina, 2001. 316 s.
3. Pastuhov E.S. Metodika ocenki izmenenij v bankovskoj srede na osnove tehnologii samoorganizujuwihsja kart pri-znakov // Mat. seminara «Problemy organizacii finansovo-analiticheskoj sluzhby v kommercheskom banke», Moskva, 16 nojabrja 2000 g. — http://www.basegroup.ru/nenral/som.htm
4. Issledovanie dinamiki funkcionirovanija rynka s pomow'ju nejrosetej: Svidetel'stvo o gosudarstvennoj registracii programmy dlja JeVM № 2010617039 ot 21 oktjabrja 2010 g.
