CC BY
8водах. Выходит, что подготовленная для закачки в пласт вода, должна соответствовать требованиям не только технологического характера, но и экологического [4].
Конкретный выбор системы водоснабжения зависит от источников воды для закачки в пласт, которыми могут быть:
- водоносные горизонты данного месторождения;
- сточные воды, состоящие из смеси добытой вместе с нефтью пластовой воды;
- воды отстойных резервуарных парков, установок по подготовке нефти, ливневые воды промысловых объектов. Сточные воды загрязнены нефтепродуктами, требующие специальной очистки.
Фильтры ФГК (далее - фильтры) предназначены для очистки газа и жидкостей, газа и газового конденсата от механических примесей и попутно добываемой воды с целью защиты компонентов технологической системы от механического износа и загрязнений. Фильтры могут быть использованы:
- в системе ППД на линии приема жидкости насосными агрегатами;
- на узлах учета нефти для защиты средств измерения от загрязнений;
- в системе технологического водообеспечения и теплоснабжения;
- для тонкой очистки жидкостей (керосин, масло, бензин) от механических загрязнений c целью повышения качества продукции [5].
Список литературы
1. Чернова К.В. Шайдаков В.В., Селуянов А.А. Очистка воды от механических примесей и нефтепродуктов на предприятиях нефтедобычи и нефтепереработки. Источник: ООО "НПФ ТРАВЕРС, 2014. С. 73-125.
2. Смольников С.В. и др. Методы защиты насосного оборудования для добычи нефти от механических примесей. Уфа: Нефтегазовое дело, 2010. С. 41-47.
3. Шмидт А.А. Повышение эффективности эксплуатации скважин, осложненных содержанием мех. примесей в продукции: автореф. Дис. канд. техн. наук. Уфа, 2007. С. 25-37.
4. Шашкин М.А. Применяемые в ТПП «Лангепаснефтегаз» методы защиты для снижения негативного влияния механических примесей на работу ГНО // Инженерная практика, 2010. № 2. С. 26 - 31.
5. ООО ЦК «Техинвест» // Применение фильтров ФГК. [Электронный ресурс], 2017. № 6. Режим доступа: http://tehinvest.net/uslugi/79/ (дата обращения: 25.06.2017).
МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРИ РЕШЕНИИ ЗАДАЧИ УПРАВЛЕНИЯ ПРОГРАММОЙ ЛОЯЛЬНОСТИ Галлямова И.Р.
Галлямова Ирида Радиковна — магистрант, направление: информатика и вычислительная техника, профиль: компьютерный анализ и интерпретация данных, кафедра вычислительной математики и кибернетики, факультет информатики и робототехники, Уфимский государственный авиационный технический университет, г. Уфа.
Аннотация: в статье рассматривается математическое обеспечение при усилении лояльности студентов к университету. В данной статье рассматривается вопрос математического обеспечения при управлении лояльностью потребителей образовательных услуг. В качестве исходных данных использованы статистические данные, собранные методом анкетирования абитуриентов.
Ключевые слова: математическое обеспечение, анализ, образовательные услуги, лояльность и ее составляющие.
УДК 004.4
На рынке образовательных услуг лояльным потребителем является тот, кто пользуется услугами конкретного образовательного учреждения, рекомендует его своим друзьям и знакомым и не реагирует на предложения конкурентов. Важным аспектом является то, что на сегодняшний день нет единого подхода к тому, как именно должен быть измерен уровень
лояльности потребителя. Это формирует объективную необходимость для современных образовательных учреждений в формировании лояльности, регулирующей отношения между сотрудниками, студентами и выпускниками.
Создание современных методов формирования и реализации программ лояльности позволит повысить эффективность управления отношениями с потребителями, а также получить преимущества в конкуренции. Это обуславливает актуальность исследования вопросов, связанных с особенностями формирования лояльности потребителей к высшему учебному заведению.
X = iX X XX 1
Обозначим множество заполненных анкет 1 11 12"' n+1*,
XX X
11 1 2>--- in - информация о предпочтениях каждого студента,
X
1n+1 - оценка студента i (т.е. результат обработки ответов на вопросы с анкеты).
X = iX X X 1
к к k1 kМ) - информация о новых предпочтениях студента или абитуриента.
„„ Rule :Xk4> X,
Найти: k -правила, с использованием которых и применительно к новым
данным, предположить какой будет лояльность студента:
Необходимо выявить зависимость f, которая позволит отобразить тот или иной объект Xi к кластеру Yj.
Поскольку в качестве инструмента анализа используется аналитическая платформа Deductor, то опишем методы факторного и кластерного анализа в терминах данной платформы.
Начнем с факторного анализа. Любой даже примитивный выбор заключается в соотношении количества и важности факторов к возможным вариантам выбора. Что касается возможности выбора в масштабной работе, то упростить процедуру выбора нам поможет факторный анализ в Deductor.
Алгоритм Deductor основывается на методе главных компонент. Для факторного анализа берутся исходные данные (матрица), происходит преобразование исходной матрицы и расчет собственных чисел. С точки зрения геометрического смысла в исходном пространстве геометрические оси подвергаются повороту. В итоге образуется новый фактор образующийся каждой осью. Для каждого фактора рассчитывается значимость в новом пространстве признаков. Благодаря сокращению размерности будут оставлены только новые факторы с высокой значимостью [1]. Метод главных компонент является основополагающим во всем факторном анализе и базируется на данных формулах.
RV = 2V 2
RV , где 2 - собственное число R, R-матрица ковариации, V-собственный вектор
R, тогда:
RV-XV=0
V (R-2E) = 0
R-Щ = о 2
И решение есть когда 1 , где R-матрица ковариации, 2 - собственное число
R, E- матричная единица. Затем считаем определитель для матрицы размерности.
Далее находим V подставляем собственные числа.V(R ^^ =0 и решаем соответствующие системы уравнений. Числу переменных равна сумма собственных чисел, а детерминант корреляционной матрицы - произведению. Собственное число является дисперсией оси, наибольшее - первой и дальше по убыванию до наименьшего - количество информации вдоль оси. Доля дисперсии на данную компоненту: надо разделить собственное число на количество m. Коэффициенты нагрузок для данных компонент считаются путем деления собственных векторов на квадратный корень соответствующих собственных чисел.
Для полного анализа данных и факторов следует рассмотреть карты Кохонена. Карта Кохонена является мощным самообучающимся механизмом кластеризации данных, за счет которого отображаются результаты в виде компактных и двумерных карт для интерпретации данных [2].
Для проведения кластерного анализа выделена обучающая выборка
Xm = {х^, ,---,хт } — X . Выходом является множество кластеров Y = {y^, y^,---,У\ } ,
включающих схожие характеристики. Задана функция расстояния между объектами
р(X, X') . Требуется разбить обучающуюся выборку на кластеры на основе схожести
признаков объектов для одного кластера и различия признаков объектов разных кластеров. При
этом каждому объекту х^ е Хт приписывается номер кластера у). Далее каждый
рассматриваемый объект относится к одному из классов.
Решение задачи с помощью самообучающейся сети Кохонена базируется на том, что нейронная сеть, ориентируясь на структуру подаваемых входных векторов, относит объект к определенному классу [3]. При разработке сети Кохонена определяется число нейронов во входном и выходном слоях, скорость обучения и критерий остановки. При подаче на вход признаков объекта нейроны в выходном слое конкурируют друг с другом за право быть
«победителем», входящие веса ® которого являются самыми близкими ко входному образу.
Для ячейки-победителя - j' выполняется соотношение:
О ■ — x <\ю — x\
для всех j.
Победитель имеет право на регулирование своего веса.
Алгоритм обучения сети Кохонена определяется следующими шагами: инициирование веса, установка параметров функции соседства и скорости обучения; вычисление 2
D(j) = Z(a>ij -Xj) а
1 для каждого j , где ^ - синаптические веса между нейронами inj;
D( j) = min
нахождение такого индекса j , что у , вычисление для всех ячеек j в пределах
определенного соседства от j' и для всех i нахождение
С (new) = С (old) + (j, j')[x/ — О (°ld)J где о у (new) и о^ (old) _
новое и старое значения весов, V _ скорость обучения, V л (j, j) _ функция соседства, изменение скорости обучения; уменьшение радиуса функции соседства; проверка условия остановки: снижение скорости обучения до нуля.
В целом, надо отметить что, данные методы нужно реализовывать регулярно для отслеживания динамики изменения классификации отзывов студентов и лояльности потребителей образовательных услуг. Несмотря на существующие трудности и проблемы, оценка уровня лояльности потребителей дает важную информацию, которую можно использовать для совершенствования деятельности организации в условиях конкуренции, в том числе и на рынке образовательных услуг.
Список литературы
1. Бабенко А.А. Анализ различных методов оценки потребительской лояльности/ А.А. Бабенко // Вопросы экономики и управления, 2016. № 1. С. 36-39.
2. Еремина П.В., Скляр Е.Н. Основные правила и принципы разработки программ лояльности и этапы их внедрения. // Материалы региональной научной конференция «Достижения молодых ученых Брянской области». Брянск: БГТУ, 2010. С. 161-164.
3. Яшкина П.В. Методики оценки лояльности потребителей. Использование NPS-метода при анализе клиентской лояльности // Маркетинг и маркетинговые исследования, 2012. № 1. С. 28-40.
