CC BY
9
http://www.ucom.ru/doc/conf/2014_01_31_13.pdf
10. Тарасов А.Д., Алексанян Г.К. Разработка комбинированного подхода защиты пользовательской информации. Наука и образование в жизни современного общества: сб. науч. тр. сб. науч. тр. по материалам Междунар. науч.-практ. конф., 29 ноября 2013 г.: Часть 16. Стр.124, Тамбов, 2013.
11. Тарасов А.Д., Алексанян Г.К. Мобильное приложение для электронной записи на прием с применением облачных технологий. Теория, методы и средства измерений, контроля и диагностики : материалы 15-ой Междунар. науч.-практ. конф., г. Новочеркасск, 26 сент. 2014 г. / Юж.-Рос. гос. политехн. ун-т (НПИ) им. М.И. Платова. - Новочеркасск : ЮРГПУ, 2014. - С. 64-66
Алексеева А. И. аспирант 1го курса
Байкальский государственный университет экономики и права
Россия, г. Иркутск ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ТОРГОВЫХ ПРЕДПРИЯТИЯХ ДЛЯ РЕШЕНИЯ МАРКЕТИНГОВЫХ
ЗАДАЧ
Статья посвящена проблемам и возможностям использования искусственных нейронных сетей для получения знаний, необходимых для эффективного принятия решений в бизнесе, в том числе для решения маркетинговых задач.
Ключевые слова: интеллектуальный анализ данных, искусственные нейронные сети, маркетинг, принятие решений.
Многие проблемы в деловом мире связаны с попытками предсказать вероятность различных результатов. Реальный мир настолько сложен, с таким количеством взаимосвязанных переменных, что предсказать результаты часто очень трудно. Обычные вычисления имеет ограниченные возможности в оказании помощи в выполнении задач.
Интеллектуальный анализ данных в последнее время стал популярным термином и означает - извлечение знаний из данных. Организации скапливают все больше и больше данных, из которых им необходимо извлечь ключевые тенденции для того, чтобы более эффективно вести свой бизнес и улучшать процессы принятия решений.
Любой руководитель заинтересован в получении более полезной информации из имеющихся данных. Она может быть использована, чтобы более эффективно мобилизовать доступные ресурсы, таким образом, чтобы повысить конкурентоспособность.
Мощная, относительно новая технология, может быть использована для эффективной обработки информации для получения знаний и более эффективного принятия решений. Эта технология - ИНС. ИНС самостоятельно адаптируются, обеспечивая мощные модели представления знаний о конкретной проблеме.
Методы ИНС являются относительно новыми и опыт применения этих методов не так широк, как традиционных методов. Достаточно много было опубликовано о технической реализации, архитектуре и правилах обучения НС. Но при этом, мало что написано о применении нейронных сетей для решения конкретных проблем. Тем не менее, это не является ограничением для их успешного применения. На эту ситуацию можно посмотреть с другой стороны - как на использование инновационной технологии для получения ключевой информации, которая поможет в конкурентной борьбе.
Проработка алгоритмов решения конкретных типовых задач в компаниях с использованием технологии исскуственных нейронных сетей, реализация этих алгоритмов на платформе существующих программных продуктах и проектирование универсального продукта, нацеленного на решение этих задач, для использования которого не надо будет иметь специальные знания о работе и настройке нейронных сетей, позволит внедрить и использовать данную технологию для решения проблем при создании нового бизнеса и его развития, для выживания малого бизнеса в условиях ужесточенной конкурентной борьбы. Кроме того такое решение может являться так называемым «пробником» для крупных компаний, успешно использовав который, руководство компании решиться на инвестирование в интеллектуальные технологии для развертывания полномаштабных проектов.
Нейронные сети принесут особую пользу в тех случаях, когда традиционные методы не могут дать удовлетворительных результатов, или там, где небольшое улучшение в производительности моделирования может внести значительный вклад в эффективность работы или обеспечить рост прибыли. Поэтому потенциально успешной областью для применения ИНС является маркетинг.
Маркетинг - сложная область для принятия решений, которая зависит в большой степени от суждений и интуиции маркетолога. Рост объемов данных вместе с растущей сложностью скрытых взаимосвязей в этих данных делает процесс принятия эффективных решений почти невыполнимой задачей. Применение искусственного интеллекта для принятия решений поможет маркетологам в борьбе с неопределенностью в решении проблем. Методы искусственного интеллекта все чаще и чаще используются в процессе принятия решений, предоставляя анализ тенденций; качественные прогнозы и обеспечивая снижение информационной перегрузки.
Можно выделить 3 основные группы задач для бизнеса, которые можно решить с помощью нейронных сетей:
• Прогнозирование: предсказывания будущих событий на основе шаблонов, которые наблюдались ранее;
• Классификация: классифицировать данные в заранее определенные группы, основанные на характеристиках, наблюдаемых в данных;
• Кластеризация: группировать данные в заранее не заданные группы, основанные на сходстве характеристик в данных.
К группе Прогнозирование можно отнести следующие маркетинговые задачи:
• Прогнозирование отклика клиента
• Прогнозирование развития рынка
• Прогнозирование продаж
• Моделирование ценовой эластичности
К группе Классификация:
• Целевой маркетинг
• Оценка удовлетворенности клиентов
• Лояльность клиентов и удержания
К группе Кластеризация:
• Сегментация рынка
• Анализ поведения клиентов
• Анализ потребительской корзины
Для решения задач прогнозирования и классификации используются многослойные нейронные сети прямого и обратного распространения. Эти нейронные сети моделируют отношения между входными и выходными данными. Для построения такой модели необходимо обучающее множество с известными выходными данными. В дальнейшем сеть будет сама моделировать выходные данные на основе данных подаваемых на вход, используя те отношения, на которых она была обучена.
Для решения задач кластеризации используются самоорганизующиеся карты. В то время как контролируемые нейронные сети, такие как многослойные нейронные сети учатся моделировать отношения между входами и известными выходами, неконтролируемые нейронные сети учатся создавать кластеры или группы шаблонов данных, только путем проверки сходства между входами. Кластеризация сегментирует данные на группы, основанные на сходстве данных, а не известных заранее, как при классификации. Результат соответствующего алгоритма кластеризации является то, что степень сходства в пределах кластера максимизируется, в то время как сходство с узорами в различных кластеров сводится к минимуму.
Кластеризация данных служит нескольким целям в области анализа данных и моделирования.
Во-первых, кластеризация позволит проверять большие наборы данных и немедленно находить шаблоны, которые могут значительно отличается от остальной части набора данных. Таким образом, кластеризация полезный подход для предварительной обработки данных для удаления выбросов и исправлять ошибки ввода данных, которые могут оказать негативное влияние на последующее моделирования.
Во-вторых, кластеризация позволяет проводить естественную группировку структуры, что дает нам альтернативный взгляд на данные. Наблюдение и моделирования поведения каждой группы, в отличие от характеристик данных может быть более проницательным подход, чем
наблюдая за поведением предопределенных групп.
В-третьих, когда естественная структура группировка стала, мы можем использовать это и как предсказания и классификации инструмента для будущих данных. Кроме того, кластеризация может использоваться для разделения оригинальные обучающие данные из MFNN, где каждый кластер может быть смоделированы с помощью отдельного, более преданного, MFNN. Идентичность кластер также может быть добавлен к каждой модели в данных учебных добавить дополнительную информацию и помочь контролируемого обучения.
Использованные источники:
1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. - М.: Финансы и статистика, 2004. - 176 с.
2. Паклин Н. Б. Бизнес-аналитика: от данных к знаниям / Н. Б. Паклин, В. И. Орешков. - СПб.: Питер, 2013. - 704 с.
3. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия, 2006. - 452 с.
4. Тузовский А. Ф. Системы управления знаниями (методы и технологии) / А. Ф. Тузовский, С. В. Чириков, В. З. Ямпольский. - Томск: НТЛ, 2005. - 260 с.
Аракелян А.А. студент 4 курс факультет «Сервис и технологии»
Баклакова В.В. студент 4 курс факультет «Сервис и технологии» Институт сферы обслуживания и предпринимательства (филиал) ДГТУ
Россия, г. г. Шахты НОВЫЙ ФОРМАТ ПРЕДОСТАВЛЕНИЯ БИЗНЕС-УСЛУГ В
ТОРГОВЛЕ
Статья посвящена рассмотрению современных тенденций предоставления услуг в торговле. Автором рассмотрены некоторые области предоставления торговых услуг, а так же выявлены инновационные составляющие в каждой сфере.
Ключевые слова: сервис, услуги, торговля, бизнес-услуги, инновации. THE NEW FORMAT OF PROVIDING BUSINESS SERVICES IN
THE TRADE
The article is devoted to modern trends in the provision of services in trade. The author explores some of the areas the provision of trading services, as well as innovative components identified in each area.
Keywords: service, services, trade, business services, innovation. В настоящее время сфере услуг уделяется все больше внимания, что
