CC BY
17References and Sources
1. Sidorov L.N. Antikrizisnoe upravlenie: ucheb. posobie. - Mn.: BGEHU, 2004. - S. 8.
2. Antikrizisnoe upravlenie: uchebnik/ Pod red. Korotkova EH.M. - M.: Infra-M, 2003. - S.35.
3. Asaul A.N., Knyaz' I.P., Korotaeva YU.V. Teoriya i praktika prinyatiya reshenij po vyhodu organizacij iz krizisa/ Pod red. A.N. Asaula. - SPb: ANO «IPEHV», 2007. - S. 84-85.
4. Kovan S.E., Mokrova L.P., Ryahovskaya A.N. Teoriya antikrizisnogo upravleniya predpriyatiem: uchebnoe posobie / pod red. M.A. Fedotovoj, A.N. Ryahovskoj. - M.: KNORUS, 2009. - S. 8.
5. Ryahovskaya A.N., Kovan S.E., Kryukova O.G., Arsenova E.A. Povyshenie ehffektivnosti gosudarstvennoj finansovoj podderzhki gradoobrazuyushchih predpriyatij monoprofil'nyh gorodov// EHffektivnoe antikrizisnoe upravlenie. - 2011. - №1. - S. 62-71.
6. Kochetkov E.P. Finansovo-ehkonomicheskaya ustojchivost': teoreticheskie aspekty ocenki i upravleniya// EHffektivnoe antikrizisnoe upravlenie. - 2011. - №2. - S.116-120.
7. Pravila provedeniya arbitrazhnym upravlyayushchim finansovogo analiza, utverzhdennye postanovleniem Pravitel'stva RF ot 25.06.2003 № 367.
РУБАНОВА КРИСТИНА АНАТОЛЬЕВНА - аспирант Департамента менеджмента Финансового Университета при Правительстве Российской Федерации.
RUBANOVA, KRISTINA A. - Ph.D. student at the Management Department of the Finance University under the Government of the Russian Federation (rubatina@yandex.ru)
УДК 338.2
СИМОНЯН Р.А. ОБ ИСПОЛЬЗОВАНИИ ИННОВАЦИОННЫХ ТЕХНОЛОГИЙ В ТУРИСТСКО-РЕКРЕАЦИОННОЙ СФЕРЕ
Ключевые слова: туризм, моделирование, нейронные сети в туризме, массив данных туристического потока, технологии, Data Mining, Knowledge Discovery in Databases.
В статье рассматриваются современные инновационные технологии моделирования и обработки информации в условиях, когда исходные данные о туристическом потоке имеют большой объем и разнородную природу. Показано, что механизм определения приоритетного направления отдыха должен быть выстроен, исходя из определенных параметров субъекта. Для решения таких задач необходима многомерная обработка экспериментальных данных, предусматривающая создание для этого нейронных сетей. В качестве методов анализа и обработки подобной информации предлагаются технологии Data Mining и Knowledge Discovery in Databases, с последующим переходом на нейронные сети.
SIMONYAN, R.A.
ABOUT THE USAGE OF INNOVATIVE TECHNOLOGIES IN TOURIST-RECREATIONAL SPHERE
Keywords: tourism, modeling, neural networks in tourism, an array of tourist flow data, technologies, Data Mining, Knowledge Discovery in Databases.
In the article considers the new innovative technologies of modeling and processing of information in the conditions when the initial data about tourist flow have a huge volume and heterogeneous nature. It is shown that the mechanism of determining of the priority direction of rest should be built on the basis of certain parameters of the subject. To solve such problems, needed the multidimensional processing of experimental data, providing the creation for this the neural networks. As a methods of analysis and processing of such information offered the technologies Data Mining and Knowledge Discovery in Databases, with the subsequent transition to neural networks.
Туризм является одной из важнейших частей мировой экономики. Мультипликативный эффект туризма распространяется практически на все отрасли экономики, охватывая промышленность, транспорт, сельское хозяйство, строительство, связь и т.д. В период бурного развития технологий, развитие туристской отрасли обуславливается особенностями, непосредственно влияющими на конкурентоспособность отрасли.
Конкуренция в туристско-рекреационной сфере постоянно растет и это требует совершенно новых подходов, связанных с внедрением инноваций в бизнес-процессы, закрепляющих позиции отечественной туристско-рекреационной отрасли на внутреннем и внешнем рынках. Для улучшения позиций отечественной туристской отрасли на внешнем и внутреннем рынке, помимо глобальных программ, нацеленных на развитие всей отрасли, необходимо совершенствование стратегического планирования и развития предприятий, участвующих в формировании непосредственно туристические продукта.
Формирование и совершенствование современного туристического продукта на сегодняшний день не представляется возможным без использования новых технологий. Обработка больших массивов информации, каковые захлестнули туристскую отрасль, все еще является проблемой современного общества. Ввиду появления большего количества сервисов, информационные потоки постоянно увеличиваются, в связи с чем человечество вынуждено совершенствовать свои подходы к вопросам обработки информации. Если ранее сбор первичных эмпирических сведений об определенных мнениях осуществлялся вручную, используя бумажные носители информации, то сейчас, благодаря развитию интернета, сбор может проводиться без привязки к локации с помощью вычислительных машин. Обработка данной информации упростилась многократно, ошибки минимизировались, а главное -появились программные комплексы, позволяющие получать на выходе информацию, готова к применению на практике.
Проблема совершенствования подходов к теме развития туризма в инновационной плоскости привлекает внимание многих исследователей. Одной из основных причин такого интереса является глобальная концепция трансформации общества и планомерное внедрение инноваций в жизненные процессы, в связи с чем связь с конечным потребителем услуги осуществляется с помощью современных средств связи и технологичных решений. Современные средства связи являются отличным инструментом обмена информацией, и хотя бы частичное игнорирование такого рода инструментов при разработке бизнес-процессов может негативно сказаться на конкурентоспособности предприятий туристической отрасли на рынке. Примеров использования технологий в области туризма отечественными предприятиями достаточно много и с каждым годом их становится все больше. Так, сервис OneTwoTrip совместно с известным российским курортом «Роза Хутор» запустил программу, позволяющую приобрести с максимальной выгодой билеты авиажелезнодорожного сообщения, а также подобрать подходящий под индивидуальные параметры отель [1]. Реализация такой программы стала возможна благодаря технической оснащенности сервиса OneTwoTrip, позволяющего устанавливать определенные фильтры при поиске туристических продуктов.
Проникновение технологий машинного обучения в рынок туризма РФ происходит не такими быстрыми темпами, как хотелось бы и потребителям, и поставщикам туристических услуг [9]. Главная причина заключается в том, что туристская сфера еще не полностью переведена в онлайн и сбор данных во многом происходит локализовано, однако, если технологии искусственного интеллекта действительно смогут помочь потребителям получать услуги легче и дешевле, то вопрос прихода на рынок самых последних технологий с использованием нейронных сетей - это вопрос времени. Мировая практика показывает, что становится больше трэвел-стартапов с использованием технологий на базе алгоритмов искусственного интеллекта. Инвесторы вкладывают огромные средства в проекты, благодаря образовавшейся благоприятной среде для использования таких технологий: появились мощные процессоры для обработки огромного массива данных, исследователи в области моделирования мышления очень сильно продвинулись вперед. Сфера туризма, как одна из важнейших частей экономики, не может игнорировать данные процессы. Есть еще несколько примеров внедрения технологий искусственного интеллекта. Так, сеть отелей Hilton запустила услуги онлайн-консьержа, Booking.com показал сервис Booking Experiences, помогающий туристу с помощью искусственного интеллекта организовать досуг и приобрести билеты без очереди в популярных мировых столицах с помощью QR-кода. Все это успехи отдельных компаний, желающих быть в тренде; но важен коммерческий успех. Например, можно использовать алгоритмы персонализации, научив систему предлагать потребителю именно то, что ему необходимо, то, что он искал ранее. Алгоритмы персонализации проделают всю работу за пользователя, предложив ему лучшие варианты на основе того, что ранее искал человек, в какой последовательности, сколько раз он возвращался на сервис и что добавил в избранное. Интересен был бы сервис по прогнозированию изменения цен на авиабилеты на основе имеющихся данных по выборке
прошлых лет. Однако данные алгоритмы не могут полностью предоставить то, что нужно потребителю. Результат работы алгоритмов может быть непредсказуемым, т. к. напрямую зависит от входящих данных, на которых происходит обучение, а на сегодняшний день универсальных наборов данных в труизме нет. Возможно, со временем эта проблема будет решена. Возвращаясь к теме развития алгоритмов искусственного интеллекта в туриндустрии РФ, необходимо отметить тот факт, что по данным Data Insight за 2016 год на онлайн-бронирование авиабилетов приходилось 20%, отелей 10-14%, а продажи туров через сервисы в интернете и вовсе доходили до 3-5%, однако, технологии движутся вперед и остановить их развитие не представляется возможным, в связи с чем, как нам представляется, показатели бронирования через онлайн-сервисы обязательно будут расти [10].
Рынок вынуждает экономические субъекты в рамках своей туристско-рекреационной деятельности предлагать конкурентные решения, даже если при их реализации доходная часть первоначально существенно ниже, чем было до внедрения. Рынок туризма и развитие технологий вынуждают искать новые решения, открывать новые каналы продаж, повышать качество предоставления услуг для того, чтобы выжить на этом рынке и без использования современных и технологичных решений субъект не будет конкурентоспособным на рынке.
На текущий момент одним из самых перспективных направлений исследований в области разработки программного обеспечения для обслуживания туристических потоков является разработка алгоритмов нейронных сетей. Использование нейронных сетей при создании сервисов и продуктов позволяет составить решение некоторых задач обработки и анализа информации, нацеленных на получение иных выходных данных, и динамичным изменением заданных алгоритмов на самом сервисе без активного вмешательства человека. В туристской сфере использование такого рода систем позволяет работать с неограниченным количеством данных, обрабатываемых автоматизировано. По данным Росстата количество въездных и выездных поездок за 2014-2016 г включительно достигло отметки в 186 млн. человек [2]. Обработка такого массива данных с большим количеством параметров без использования автоматизированных систем и алгоритмов не представляется возможным. Каждый из этих 186 млн. человек — это уникальный субъект исследования с определенным набором параметров (возраст, пол, семейное положение, социальный статус и т.д.); для того, чтобы проанализировать его на предмет выявления потребностей и, исходя из полученных данных, предложить готовый продукт, первоначально необходимо создать алгоритм машинного обучения. Имеющиеся алгоритмы, построенные по принципу работы мозга человека, позволяют обрабатывать колоссальные объемы информации. И главное их преимущество — они обучаются, получая и анализируя новую информацию, что позволяет избегать каких-либо погрешностей при цифровой обработке.
Для создания продукта предприятию туристической отрасли необходимо опираться на статистические данные; и чем больше данных, тем больше шансов, что продукт дойдет до конечного потребителя, нуждающегося именно в нем.
Механизм определения приоритетного направления отдыха должен быть выстроен, исходя из определенных параметров субъекта. И чем больше таких данных, тем больше шансов, что продукт дойдет до конечного потребителя, нуждающегося именно в нем. Для решения таких задач необходима многомерная обработка экспериментальных данных, предусматривающая создание для этого нейронных сетей. Построение нейронной сети, как правило, происходит в несколько этапов: 1) сбор данных; 2) отбор переменных с целью их последующего моделирования; 3) определение топологии сети; 4) обучение навыкам работы с сетью; 5) проведение необходимых расчетов [3].
В первую очередь необходимо определить входные данные. На наш взгляд, к наиболее существенным принадлежат:
1. Возраст - переменная, принимающая числовые значения;
2. Пол - переменная, принимающая значения - мужчина, женщина;
3. Семейное положение - переменная, принимающая значения - холост, женат/замужем;
4. Цель отдыха - переменная, принимающая значения: 1) досуг; 2) оздоровительный; 3) семейный отдых; 4) лечение; 5) прочее.
5. Социальный статус - переменная, принимающая следующие значения: 1) безработный; 2) рабочий; 3) специалист; 4) предприниматель; 5) государственный служащий; 6) руководитель; 7) пенсионер.
6. Направление отдыха - переменная, принимающая следующие значения: 1) РФ; 2) Европа; 4) Великобритания; 3) США; 4) Южная Америка; 5) Китай; 6) Индия; 7) Африка; 8) Австралия; 9) прочее.
7. Время года - переменная, принимающая следующие значения: 1) лето; 2) осень; 3) зима; 4) весна.
На выходе по характеризующим признакам определяется конкретное место отдыха. Особенности требований к обработке данных на современном этапе (слишком большой объем и разнородная природа данных) делают почти невозможным статистические (а также экспертные) подходы в многочисленных практических задачах (экономических, технических и т.д.). В связи с этим, методы для обработки и анализа, собранной в современных хранилищах данных, должны быть эффективными, т.е. тривиальными в использовании, иметь значительный уровень масштабируемости и быть автоматизированы. Эта концепция является основой современных технологий Data Mining и Knowledge Discovery in Databases (KDD) [4-7].
Основное преимущество современных технологий Data Mining заключается в умении получать новые знания, которые невозможно получить методами статистического анализа или эконометрики. Например, применяя инструмент Data Mining, множество клиентов компании можно объединить в группы со схожими признаками. Тем самым компании получают возможность проводить разнообразную маркетинговую политику и для каждой клиентской группы строить свои модели поведения. Существуют разные алгоритмы для получения новых знаний. Самыми эффективными алгоритмами являются нейронные сети. Задачи, которые решаются нейронными сетями [8]:
- классификация входных данных;
- кластеризация;
- аппроксимация;
- прогноз;
- оптимизация;
- управление.
Технология KDD - это последовательность шагов (действий), необходимых для построения модели. Данная последовательность не является конкретным алгоритмом или математическим аппаратом и не зависит даже от предметной области. Это совокупность атомарных операций, комбинация которых приводит к нужному решению.
KDD состоит из этапов подготовки данных, набора информативных признаков, очистки информации, применении технологии Data Mining, постобработки информации, интерпретации результатов. Ядром всего процесса можно считать технологии Data Mining, позволяющие находить закономерности и знания через нейронные сети.
Литература и источники
1. http://www.trn-news.ru/news/65781
2. http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/retail/
3. Матющенко Н.С., Копырин А.С. Применение искусственных нейронных сетей для моделирования спроса на досуговые и развлекательные услуги// Известия Сочинского государственного университета. - 2012. - №3(21). -С.51-62.
4. Абдикеев Н.М., Киселев А.Д. Управление знаниями в корпорации и реинжиниринг бизнеса. - М.: Инфра-М, 2011. - 382 с.
5. Барсегян А.А., КуприяновМ.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. - 336 с.
6. ДюкВ.,Самойленко А. Data Mining: учебный курс. - СПб.: Питер, 2001. - 386 с.
7. Чубукова И.А. Data Mining: учеб. пособие. - М.: Интернет-университет информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 382 с.
8. Bishop, C.M. Neural networks and pattern recognition. - Oxford: Oxford Press, 1995. - 362 с.
9. http://www.forbes.ru/tehnologii/346073-iskusstvennyy-intellekt-v-trevel-industrii-smogut-li-roboty-prodavat-tury-i
10. https ://www.travelhubr.com/blogs/travel_market/data-insight-aavt2016.html#cut
References and Sources
1. http://www.trn-news.ru/news/65781
2. http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/retail/
3. Matyushchenko N.S., Kopyrin A.S. Primenenie iskusstvennyh nejronnyh setej dlya modelirovaniya sprosa na dosugovye i razvlekatel'nye uslugi// Izvestiya Sochinskogo gosudarstvennogo universiteta. - 2012. - №3(21). - S.51-62.
4. Abdikeev N.M., Kiselev A.D. Upravlenie znaniyami v korporacii i reinzhiniring biznesa. - M.: Infra-M, 2011. - 382 s.
5. Barsegyan A.A., Kupriyanov M.S., Stepanenko V.V., Holod I.I. Metody i modeli analiza dannyh: OLAP i Data Mining. - SPb.: BHV-Peterburg, 2004. - 336 s.
6. Dyuk V.,Samojlenko A. Data Mining: uchebnyj kurs. - SPb.: Piter, 2001. - 386 s.
7. CHubukova I.A. Data Mining: ucheb. posobie. - M.: Internet-universitet informacionnyh tekhnologij; BINOM. Laboratoriya znanij, 2006. - 382 s.
8. Bishop, C.M. Neural networks and pattern recognition. - Oxford: Oxford Press, 1995. - 362 s.
9. http://www.forbes.ru/tehnologii/346073-iskusstvennyy-intellekt-v-trevel-industrii-smogut-li-roboty-prodavat-tury-i
10. https://www.travelhubr.com/blogs/travel_market/data-insight-aavt2016.html#cut
СИМОНЯН РАФАЭЛЬ АРСЕНОВИЧ - научный сотрудник НИИ истории, экономики и права SIMONYAN, RAFAEL A. - Research Associate, History, Economics and Law Research Institute (info@helri.com)
УДК 658.81:640.4:338.48
МАТЮНИНА М.В.
ПРОБЛЕМЫ ФОРМИРОВАНИЯ ИНТЕГРИРОВАННЫХ МАРКЕТИНГОВЫХ КОММУНИКАЦИЙ НА ПРЕДПРИЯТИЯХ ГОСТЕПРИИМСТВА
Ключевые слова: маркетинговые коммуникации, бренд, целевая аудитория, интеграция, предприятия гостеприимства.
Статья посвящена рассмотрению проблем формирования интегрированных маркетинговых коммуникаций на предприятиях гостеприимства. Делается вывод о необходимости организации комплекса интегрированных маркетинговых коммуникаций на предприятиях гостеприимства, что способствует определению целевой аудитории, формулировке цели и эффективной структуры интегрированных маркетинговых коммуникаций, а также определению необходимой эффективной коммуникационной политики. Для формирования сильного туристского бренда необходимо идентифицировать предприятие гостеприимства, как в профессиональной среде, так в и конкурентном окружении, организовывая специфическую позицию на рынке и выделяя ее из предприятий, которые ведут аналогичную деятельность.
MATJUNINA, M.V. PROBLEMS OF FORMATION OF INTEGRATED MARKETING COMMUNICATIONS AT THE ENTERPRISES OF HOSPITALITY
Keywords: marketing communications, brand, target audience, integration, hospitality enterprises.
The article is devoted to the consideration of the problems of formation of integrated marketing communications at the enterprises of hospitality. It makes the conclusion about the need to organize a complex of integrated marketing communications at enterprises of hospitality, which helps to identify the target audience, formulating the goal and effective structure of integrated marketing communications, and determining the necessary effective communication policy. To form a strong tourist brand, it is necessary to identify the hospitality enterprise both in a professional environment and in a competitive environment, organizing a specific position in the market and distinguishing it from enterprises that conduct similar activity.
В современных экономических условиях предприятиям гостеприимства для успешного функционирования необходимо использовать прогрессивную к инновациям систему, то есть систему интегрированных маркетинговых коммуникаций. Данная система обеспечивает взаимодействие всех технологий и элементов маркетинговой деятельности предприятий путем их взаимной интеграции. Во многих отраслях экономической деятельности отмечают важность реализации интегрированных маркетинговых коммуникаций, исключением не являются и предприятия гостеприимства.
