Интеллектуальные технологии в маркетинговом анализе

Описаны процедуры и алгоритмы использования методов искусственного интеллекта для обработки и анализа различных видов знаний. Предлагается интегрировать такие технологии моделирования знаний и процессов принятия решений, как нейронные сети и методы, основанные на нечеткой логике. Нейронная нечеткая...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2004
1. Verfasser:	Сетлак, Г.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2004
Schriftenreihe:	Системні дослідження та інформаційні технології
Schlagworte:	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/50329
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Интеллектуальные технологии в маркетинговом анализе / Г. Сетлак // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 56-69. — Бібліогр.: 10 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-50329
record_format	dspace
spelling	irk-123456789-503292013-10-11T03:06:33Z Интеллектуальные технологии в маркетинговом анализе Сетлак, Г. Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Описаны процедуры и алгоритмы использования методов искусственного интеллекта для обработки и анализа различных видов знаний. Предлагается интегрировать такие технологии моделирования знаний и процессов принятия решений, как нейронные сети и методы, основанные на нечеткой логике. Нейронная нечеткая система используется для решения задачи идентификации сложных процессов. Рассмотрен пример использования предлагаемого подхода в задачах анализа рынка. Описано процедури та алгоритми використання методів штучного інтелекту для обробки та аналізу різних видів знань. Запропоновано інтегрувати такі технології моделювання знань і процесів прийняття рішень, як нейронні мережі та методи, побудовані на нечіткій логіці. Нейронна нечітка система використовується для розв’язання задачі ідентифікації складних процесів. Наведено приклад застосування запропонованого підходу до задач аналізу ринку. Procedures and algorithms for application of artificial intelligence in processing and analysing various types of knowledge are considered. It is proposed to integrate such techniques of knowledge and decision making modelling as neural networks and fuzzy logic-based reasoning methods. The problem of identification of complex processes is solved with the use of neuro-fuzzy systems. Examples of the proposed approach application in market analysis are given. 2004 Article Интеллектуальные технологии в маркетинговом анализе / Г. Сетлак // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 56-69. — Бібліогр.: 10 назв. — рос. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/50329 683:519 ru Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
spellingShingle	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Сетлак, Г. Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології
description	Описаны процедуры и алгоритмы использования методов искусственного интеллекта для обработки и анализа различных видов знаний. Предлагается интегрировать такие технологии моделирования знаний и процессов принятия решений, как нейронные сети и методы, основанные на нечеткой логике. Нейронная нечеткая система используется для решения задачи идентификации сложных процессов. Рассмотрен пример использования предлагаемого подхода в задачах анализа рынка.
format	Article
author	Сетлак, Г.
author_facet	Сетлак, Г.
author_sort	Сетлак, Г.
title	Интеллектуальные технологии в маркетинговом анализе
title_short	Интеллектуальные технологии в маркетинговом анализе
title_full	Интеллектуальные технологии в маркетинговом анализе
title_fullStr	Интеллектуальные технологии в маркетинговом анализе
title_full_unstemmed	Интеллектуальные технологии в маркетинговом анализе
title_sort	интеллектуальные технологии в маркетинговом анализе
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2004
topic_facet	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
url	http://dspace.nbuv.gov.ua/handle/123456789/50329
citation_txt	Интеллектуальные технологии в маркетинговом анализе / Г. Сетлак // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 56-69. — Бібліогр.: 10 назв. — рос.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT setlakg intellektualʹnyetehnologiivmarketingovomanalize
first_indexed	2025-07-04T11:55:36Z
last_indexed	2025-07-04T11:55:36Z
_version_	1836717322770841600
fulltext	© Г. Сетлак, 2004 56 ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 УДК 683:519 ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В МАРКЕТИНГОВОМ АНАЛИЗЕ Г. СЕТЛАК Описаны процедуры и алгоритмы использования методов искусственного ин- теллекта для обработки и анализа различных видов знаний. Предлагается ин- тегрировать такие технологии моделирования знаний и процессов принятия решений, как нейронные сети и методы, основанные на нечеткой логике. Ней- ронная нечеткая система используется для решения задачи идентификации сложных процессов. Рассмотрен пример использования предлагаемого подхо- да в задачах анализа рынка. ВВЕДЕНИЕ В условиях глобализации международного рынка и растущей конкуренции для эффективного управления современным производством необходим ши- рокий спектр знаний. В хозяйственной деятельности любой организации циркулируют огромные потоки разнородной информации, являющиеся ис- точниками знаний о процессах и функциях, необходимых для решения управленческих задач. Такие знания представляют собой огромное количе- ство информации разных видов (количественной, качественной или лин- гвистической, графической) из различных источников, иногда это сложные объединенные структуры разных видов, неполные, неточные или противо- речивые, часто знания очень трудно или вообще невозможно формализо- вать. Филипп Котлер отметил [1]: «Если данные не будут преобразованы в информацию, которая станет основой знаний, а знания — источником муд- рости, потеряем значительно больше, чем приобретем». Это высказывание всемирно известного специалиста в области маркетинга показывает смысл и необходимость создания современных технологий и систем обработки всех огромных потоков информации с целью извлечения из них знаний, необхо- димых менеджеру для принятия оптимальных решений в управлении произ- водством. В последнем десятилетии в развитии средств и методов обработки ин- формации появилась новая научная дисциплина, названная Data Mining, что переводится как «добыча» или «извлечение данных», которая направлена прежде всего на автоматизацию обработки больших объемов информации. Data Mining иначе еще называется в литературе интеллектуальным анализом данных, что означает процесс обнаружения в «сырых данных» (raw data) ранее неизвестных, практически полезных и доступных интерпретации зна- ний, закономерностей, полезных для принятия решений в различных сферах человеческой деятельности. Интеллектуальный анализ данных заключается в применении алгоритмов обработки для выявления скрытых тенденций, закономерностей, взаимосвязей и перспектив развития процесса, учет кото- Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 57 рых помогает повысить качество принимаемых решений и снизить риск. При этом выделяются пять стандартных типов закономерностей (ассоциа- ция, последовательность, классификация, кластеризация, прогнозирование), которые могут быть выявлены методами Data Mining. Основой для новой парадигмы современной технологии анализа ин- формации являются последние достижения в области развития методов искусственного интеллекта. В настоящей статье для обработки и анализа информации предлагается интегрировать методы искусственного интеллекта, используемые в таких научных направлениях, как нейронные сети (искусственные аналоги чело- веческого мозга, моделирующие способность обучаться), теория нечетких множеств и логики (средства формализации естественно-языковых выска- зываний и нечеткого логического вывода), а также генетические алгоритмы. Достоинства таких гибридных нейронно-нечетких систем — гибкость, способность к адаптации за счет различных методов обучения, простота реализации, удобство при настройке, а также высокие показатели качества. Так как нечеткие системы работают со слабо структурированной каче- ственной информацией, а нейронные сети используют только количествен- ную информацию, объединение этих двух методов позволит использовать всю доступную информацию об объекте. Технология, разработанная на этой основе, объединяет способности нейронных сетей к самообучению и нечет- ких систем обрабатывать качественную информацию. Несомненное досто- инство гибридной нейронно-нечеткой технологии моделирования и обра- ботки информации заключается в возможности просмотра сформированных правил и придания им содержательной (лингвистической) интерпретации, что позволяет рассматривать аппарат нейронно-нечетких систем как средст- во извлечения знаний из экспериментальных баз данных. Извлечение зна- ний из обученных нейронных сетей имеет фундаментальное значение для создания более устойчивых гибридных интеллектуальных систем. Цель данной работы — оценить возможности использования нечетких нейронных систем для предварительной обработки и анализа информации разного вида, а также для решения задач классификации. Рассматриваются методы и алгоритмы извлечения знаний из нечетких баз данных. Решается практическая задача маркетингового анализа рынка. Маркетинговый анализ рынков сбыта продукции предоставляет менед- жеру существенно важные знания о потенциальных возможностях рынка, характеристиках потребностей, тенденциях формирования цен и эффектив- ности рекламы, а также дает возможность изучить характеристики рынка, каналов распределения и стратегий стимулирования сбыта. Обычно система анализа маркетинговой информации использует такие статистические мето- ды, как регрессионный, корреляционный, дискриминантный и факторный анализы. В настоящей работе анализ рынка выполняется с помощью ней- ронной нечеткой системы. НЕЙРОСЕТЕВЫЕ СИСТЕМЫ НЕЧЕТКОЙ КЛАССИФИКАЦИИ Проблемы классификации — одни из наиболее часто возникаемых и решае- мых задач как в повседневной хозяйственной деятельности, так и в эконо- мическом ее анализе в каждой организации. Решение задач классификации Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 58 заключается в разработке, конструировании таких правил и закономерно- стей, которые позволили бы распознать определенные явления или объекты и определить их принадлежность к каким-то классам (группам, категориям). Задача значительно усложняется, если при определении классов необходимо брать во внимание очень большое количество характеристик исследуемых объектов и явлений (например, при оценке конкурентоспособности пред- приятия), тем более, если эти характеристики слабо определены или трудно формализуемы. Раньше для решения задач классификации использовались так назы- ваемые таксономические методы (таксономия — статистическая научная дисциплина, занимающаяся разработкой основ и процедур классификации). Главная трудность во всех стандартных статистических методах заключает- ся в том, что большая часть знаний, используемых для классификации, представляет собой распределение случайных переменных. Особенно боль- шие проблемы появляются при использовании непараметрических методов классификации для многомодальных распределений [2,4]. В последние годы для решения сложных задач классификации все чаще используются искус- ственные нейронные сети. На основе многочисленных исследований под- тверждено, что нейронные сети обеспечивают высокую эффективность рас- познавания [4 – 6]. При этом они отличаются исключительной устойчивостью перед случайными помехами. Нейронные сети приспособле- ны для обнаружения сложных зависимостей при отсутствии априорных зна- ний об исследуемых процессах или объектах и отлично работают со всеми наиболее сложными распределениями данных, поэтому с успехом исполь- зуются везде, где производится оценивание с помощью статистических ме- тодов анализа, таких как регрессионный, кластерный, дискриминантный или временные ряды, в том числе и для решения задач классификации, класте- ризации и прогнозирования. Автор данной статьи исследовал возможности использования несколь- ких видов искусственных нейронных сетей для решения практических задач классификации. Анализировал и оценивал такие нейронные сети, как реку- рентная Hamminga [8], многослойный персептрон, сеть радиальной базис- ной функции, вероятностные и сети Кохонена. Анализ производился при решении задачи стратегического менеджемента, состоящей в распределении различных моделей изделий по четырем рынкам сбыта. Результаты анализа показали, что для корректной работы и реального применения нейронных сетей необходимо обучать их на достаточно обширных выборках входных данных, причем, чем больше входных анализируемых признаков, чем выше сложность сети и моделируемой функции, тем больше должна быть выборка. При решении задач классификации в менеджементе, где рассматривае- мые экономические показатели характеризуются большим разнообразием и субъективной природой, необходимо также использовать качественные па- раметры, основанные на психологических особенностях восприятия, а не только численные или логические (что возможно при использовании пред- ставленных выше нейронных сетей). Еще один, очень важный, недостаток нейросетевой технологии заключается в том, что даже обученная нейронная сеть представляет собой «черный ящик». Знания о решаемой проблеме и сама модель системы неявно определяются в процессе проектирования ней- ронных сетей. Знания представляются в них в виде синаптических весов Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 59 межнейронных связей и совершенно не поддаются анализу и интерпретации человеком, в связи с чем совершенно невозможно объяснить выходной ре- зультат. Поэтому возникает необходимость поиска более адекватной техно- логии для моделирования и анализа знаний разного вида при решении задач стратегического менеджемента. Наиболее обещающее направление в иссле- дованиях и разработке таких интеллектуальных инструментов — это объе- динение двух независимых интеллектуальных технологий: искусственных нейронных сетей и нечеткой логики. Теория нечетких множеств и нечеткой логики (Л. Заде) в течение почти сорока лет широко используется как инструмент для моделирования и обра- ботки нечеткой, лингвистической или так называемой качественной инфор- мации, моделирования мышления человека, его способности использовать приближенные оценки описания сложных, плохо формализуемых процессов принятия решений в различных областях деятельности [3, 5, 7]. Самое глав- ное достоинство такого подхода состоит в том, что в нечетких системах вы- вода легко построить объяснение результата в виде протокола рассуждений. Существенный недостаток нечетких систем: они не способны обучаться и адаптироваться к изменяющейся ситуации, вид и параметры функций принад- лежности выбираются в них субъективно и могут не вполне отражать реальную действительность. Поэтому для корректировки параметров функций принад- лежности и адаптации нечетких систем в процессе их работы применяются нейронные сети, которые характеризуются, прежде всего, уникальной способностью обучаться и адаптироваться. Интеграция двух независимых интеллектуальных технологий — искус- ственных нейронных сетей и систем с нечеткой логикой — представляется наиболее естественным процессом, который позволяет создать новую, более универсальную методологию обработки различных видов знаний и моделиро- вания сложных процессов. ПОСТАНОВКА ЗАДАЧИ Исходные данные: • Входные переменные T nxxxX ),...,,( 21= , причем ...21 ××∈ XXX nX×... — терм-множества переменной ix , которые являются характерными признаками классифицируемых объектов. • Множество классов решений },...,,{ 21 mSSSS = , соответствующих выходной переменной y , Yy∈ . • Функции принадлежности )(xk iA µ конкретных значений входных переменных xi к нечетким множествам k iA , ( ni ,...,2,1= , Nk ,...,2,1= ). • Нечеткие предикатные правила зависимостей, связывающих значе- ния входных переменных с одним из возможных значений выходной пере- менной, разработанные экспертом (так называемая нечеткая база знаний) — логические высказывания типа ЕСЛИ — ТО. Требуется разработать алгоритм, позволяющий определить для вектора входных переменных класс решений, к которому можно его отнести. Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 60 Рассмотрим нечетко-нейронную систему (рис. 1). Определение 1. Нечетко-нейронной системой будем называть много- слойную структуру, в состав которой входят следующие элементы: Система нечеткого вывода, на вход которой подаются лингвистические переменные (термы). В каждую нечеткую систему выводов входят [3, 7]: блок приведения к нечеткости (fuzzification), база правил, содержащая сово- купность нечетких правил, механизм выводов и блок приведения к четкости (defuzzification). Нечеткая система обучается оптимизационными методами (модифицированным алгоритмом обратного распространения ошибок Backpropagation или с помощью гибридного метода, основанного на генети- ческом алгоритме, используемом в нейронных сетях). В выходном слое не- четко-нейронной системы используется нейронная сеть для выполнения операции приведения к четкости. Определение 2. Нечеткая база знаний представляет собой совокуп- ность правил типа ЕСЛИ <входы>, ТО <выход>, которые отображают опыт эксперта (специалиста предметной области) и его понимание причинно- следственных связей, характерных для моделируемого объекта или процесса. Mеханизм нечетких выводов рассматриваемой системы использует ба- зу знаний в виде совокупности )(kR , Nk ,...,2,1= нечетких предикатных правил вида Рис. 1. Нейронная нечеткая система 1 1µ 2 1µ n 1µ 1 2µ 2 2µ n 2µ 1 Nµ 2 Nµ N Nµ min min min Σ Σ Σ )3( 11w )3( 12w )3( 21w )3( 31w )3( 33w )3( MNw fS )3( 1 fS )3( 2 fMS )3( )3( 1y )3( 2y )3( ny Σ Σ Σ )4( 1w )4( 2w )4( 3w )4( MwxN x2 x1 k=N L1 L2 L3 L4 yM y2 y1 ... ... ... ... ... k=2 k=1 ... Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 61 )(kR : если 1x есть kA1 и 2x есть kA2 и .... и nx есть k nA , то y is kB , (1) в которых N означает число нечетких правил; yxxx n ,,...,, 21 — лингвисти- ческие переменные; k iA — нечеткие множества предпосылок правил ( ni ,...,2,1= , Nk ,...,2,1= ) и kB — нечеткое множество заключений. Обозначим k n kkk AAAA ×××= ...21 , символами iX и Y — пространства изменений входных и соответственно выходной переменных. Знания экс- перта, содержащиеся в (1), отражают нечеткое отношение предпосылки и заключения. Поэтому его можем записать как нечеткую импликацию: kkk BAR →:)( , Nk ,...,2,1= и представить как нечеткое отношение, опреде- ленное на множестве X × Y, т.е. YXR k ×⊆)( является нечетким множест- вом с функцией принадлежности следующего вида: ),(),( )()()( yxyx kkk BAR → = µµ . (2) В рассматриваемой нейронной нечеткой системе (рис. 1) выполняется операция введения нечеткости (fuzzyfication — фаззификация) типа синглетон (singleton), что означает нахождение степени истинности для предпосылок каждого правила и определение функции принадлежности )(xk iµ нечеткого множества n k i XXXXA ×××=⊆ …21 на входе системы нечеткого вывода по следующей формуле: ⎪⎩ ⎪ ⎨ ⎧ ≠ = = * * если,0 если,1 )( xx xx xk iµ , где ∈= T nxxxx ),...,,( 21 X∈ — лингвистические переменные, а T nXxxX ),...,,( 2 1 = — входные переменные нечеткой системы вывода. В системе элементы в слое 1L реализуют функции принадлежности (обозначенные k iµ ) нечетких множеств k iA , ni ,...,2,1= , Nk ,...,2,1= , где n — количество входов в системе; N — количество нечетких правил. Вы- ходы в L1 представляют собой функции принадлежности )(xk iA µ для кон- кретных значений * ix , поданных на i -й вход. В качестве функции принад- лежности в данных исследованиях использовались функции Гаусса, определяемые по формуле ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − −= 2* exp)( k i k ii A Xx xk i σ µ , (3) где k ix — наиболее возможное значение переменной x а величина k iσ представляет собой коэффициент концентрации или растяжения функции (рис. 2). Значения этих параметров корректируются в процессе обучения нечеткой нейронной системы. Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 62 В системе элементы второго слоя L2 (обозначенные min) реализуют не- четкий вывод согласно с методом нечеткого вывода Мамдани. В настоящее время в литературе, кроме выше представленных алгоритмов нечеткого вы- вода, известны такие методы [3, 7]: • алгоритм Larsena; • алгоритм Sugeno; • импликация Yager; • импликация Zadeh; • импликация Lukasiewicza; • алгоритм TSK (Takagi-Sugeno-Kanga) и др. На выходах элементов второго слоя получаем степени истинности предпосылок каждого нечеткого правила )(kR в системе, которые вычисля- ют так: { })(min 1 k iAnik xk i µτ ≤≤ = . (4) Количество элементов в этом слое равно количеству нечетких правил N . Элементами слоев 3L и 4L являются обычные нейроны. В этих слоях выполняются класси- фикация, а затем приве- дение к четкости (defuzzification). На вход слоя 3L подаются степе- ни истинности предпо- сылок нечетких правил kτ , Nk ,...,2,1= , вычис- ляемых по формуле (4). В нем имеется М нейро- нов, где M — количест- во классов, осуществ- ляющих взвешенное суммирование значений выходов нейронов пре- дыдущего слоя. А их вы- ходы формируются с использованием активационных функций. В качестве функции активации нейронов используется сигмоидальная функция вида α α −+ = e f 1 1)( . (5) Выходы нейронов в этом слое интерпретируем как степени принадлеж- ности к определенным классам. Следует отметить: нечеткая классификация предполагает, что не всегда можно требовать принадлежности только к од- ной выбранной категории. Допускается возможность принадлежности дан- ного образца с определенными предпочтениями к двум или трем классам. Необходимо в связи с этим разработать способ определения желаемых зна- чений выходов во время обучения сети, учитывающий эту модификацию. k iσ )(xk iA µ 1 ixk ix Рис. 2. Функции принадлежности Гаусса Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 63 В работе рассматривалась такая процедура, предложенная Mitra и Pal в ра- боте [6]. Синаптические веса нейронов определяются в процессе обучения сети. Процедуры расчета оптимальных значений синаптических весов выбираем в зависимости от того, какой алгоритм используем для обучения нечеткой нейронной сети. Если используется алгоритм обратного распространения ошибок (Back-propagation), то расчет оптимальных значений синаптических весов определяем следующим образом. Ошибку на выходе слоя 4L рассматриваем по формуле 2)( 2 1 rrr dyQ −= для Mr ,...,2,1= , (6) где )4( ry для слоя 4L определяем как ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ += ∑ = )4( 0 1 )3()4()4( wywfy M r rrr , (7) а также аналогично определяем для слоя 3L . Полный вывод всех процедур и зависимостей в данной работе невозможно представить, поэтому рассмот- рим только основные необходимые расчеты. Рекуррентные зависимости, определяющие оптимальные значения синаптических весов в 4L , в соответст- вии с алгоритмом Backpropagation представляются такими формулами: )()()()1( )3()4()4()4( tytQtwtw rrrr η−=+ , (8) где )1,0(∈η , а tsfdytQ rrr )()()( )4()4()4( ′−= (9) и означает ошибку в 4L слое. Аналогично рассчитываются оптимальные значения весов в слое 3L . Следующим этапом вычислений является опреде- ление оптимальных значений параметров функций принадлежности k iA µ , ni ,...,2,1= , Nk ,...,2,1= , реализуемых в первом слое 1L . Чтобы определить процедуру обучения параметров функций принад- лежности для представленной нечеткой нейронной системы, выполняем об- ратный проход алгоритма обучения до первого слоя 1L . Для этого необхо- димо рассчитать производную для функции min (если это система нечеткого вывода по методу Mamdani такая, как и в настоящих исследова- ниях), которая, как известно, не дифференцируема. В таком случае восполь- зуемся операцией softmin, т.е. заменим определение min приближенной опе- рацией, выполняемой по формуле ∑ ∑ = − = − ≤≤ = n i n i k i ni k i k i e e 1 1 1 minsoft χω χωχ . (10) Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 64 Тогда нетрудно доказать, что ∑ = − − ≤≤ =⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ∂ ∂ n j k injk i k i k i e e 1 1 }{min χω χω χ χ . (11) Поэтому для )( * iA k i xk i µχ = , ni ,...,2,1= , Nk ,...,2,1= , обозначив { }⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ∂ ∂ = ≤≤ )(min )( * 1* iAnjiA k x x k ik i µ µ ϕ , можем рассчитать необходимую величину k iA k xk i ϕ µ τ = ∂ ∂ )( * , где kτ — степени истинности предпосылок каждого нечеткого правила )(kR в системе, вычисляемые по формуле (4). На основе формулы (11) для )( * iA k i xk i µχ = можно записать ∑ = − − ≈ n j x x k ik iA ik iA e e 1 )( )( * * µω µω ϕ . (12) Тогда, если функции принадлежности являются гауссовскими, заданными формулой (3), и ошибка вычисляется по формуле (6), то процедура обучения параметров k ix k iσ примет вид ( ) ( ) )(exp2)()1( 2* 2 2* 1 )3()3( t xxxx wQtxtx k i k ii k k i k ii M r rkr k i k i ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − − ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ −=+ ∑ = σ ϕ σ η , (13) ( ) ( ) )(exp2)()1( 2* 2 2* 1 )3()3( t xxxx wQttx k i k ii k k i k ii M r rkr k i k i ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − − ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ −=+ ∑ = σ ϕ σ ησσ ,(14) где )3( rkw — синаптические веса в 3L . Как отмечается во многих публикациях, описанный алгоритм обучения нечеткой нейронной сети, основанный на алгоритме Back-propagation, не гарантирует достижения глобального экстремума оценки качества. В иссле- дованиях предлагается гибридный подход, разработанный на основе работы [7], применяющий генетический алгоритм для нахождения решений, близ- ких к глобальному оптимуму, используемых потом в качестве начальной Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 65 точки для алгоритма обратного распространения ошибок, в результате рабо- ты которого находится действительный глобальный экстремум. Обучение нечеткой нейронной сети с помощью гибридного метода с использованием генетического алгоритма подробно описан автором данной статьи в работе [9]. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ Описанная выше нейронная нечеткая система — составной модуль интел- лектуальной системы поддержки принятия решений IDSS (Intelligent Decision Support System) [9] — использовалась для решения задач маркетин- гового анализа рынка и оценки положения на нем фирмы. Концепция маркетинга [1] заключается в утверждении, что «залогом достижения цели организации являются определение нужд и потребностей целевых рынков и обеспечение желаемой удовлетворенности более эффек- тивными и более продуктивными, чем у конкурентов способами». Исход- ный пункт процесса управления маркетингом — анализ рыночных возмож- ностей и отбор целевых рынков. Т а б л и ц а 1 . Данные о реализации продукции предприятием ХХХ Год / квартал Объем продажи, штуки Затраты на стимулирование сбыта, злотые Средняя цена, злотые Затраты на рекламу, злотые 1999 / I 227180 10000 385,65 12000 1999 / II 235090 6000 397,24 10000 1999 / III 217340 10000 452,20 10000 1999 / IV 261280 8000 478,92 12000 2000 / I 184380 5000 493,10 10000 2000 / II 147180 4000 526,35 8000 2000 / III 149300 3000 583,24 5000 2000 / IV 156520 4000 594,93 5000 2001 / I 121280 2000 620,70 5000 2001 / II 116530 0 634,56 10000 2001 / III 102160 0 663,20 2000 2001 / IV 112510 0 672,35 0 Приведем анализ рынка сбыта изделий домашнего хозяйства предпри- ятия ХХХ. В качестве анализируемых наблюдений используем информацию о динамике реализации продукции (продаже) изделий, а именно пылесосов за 1999 — 2001 гг. (табл. 1). На основе архивных данных система обнаружи- вает сложные зависимости между затратами на рекламу, объемом продажи, ценой изделий, затратами на стимулирование сбыта. В результате оценки этих параметров на выходе системы классификации определяются причины уменьшения объема продажи и падение спроса на рынках. На вход нечеткой нейронной системы подаются следующие лингвисти- ческие переменные: Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 66 1X — цeнa (высокая, умеренная, низкая — В, У, Н). 2X — затраты на рекламу (высокие, средние, низкие — В, C, Н). 3X — эффективность рекламы (высокая, средняя, низкая — В, С, Н). Определяется как реакция изменения величины продажи на рекламные из- держки (возрастание или убывание). 4X — объем продажи (большой, но невозрастающий; средний; малень- кий — Бнв, С, М). 5X — затраты на стимулирование сбыта (высокие, средние, низкие — В, С, Н). Выходными параметрами классификации являются четыре класса ),,,( 4321 YYYY , каждый из которых определяет одну из причин уменьшения объема продажи и падение спроса на рынках. 1Y — причина1 (ошибочная маркетинговая стратегия) обозначена 1P . 2Y — причина2 (малоэффективный вид рекламы) — 2P . 3Y — причина3 (сезонное падение продажи) — 3P . 4Y — причина4 (ошибочное ценообразование) — 4P . Оценивались два варианта классификации. 1. Определялись степени принадлежности входных наборов параметров ко всем четырем классам (причинам). При этом использовалась процедура определения желаемых значений выходов во время обучения сети, предло- женная в работе [6]. 2. На выходе системы определялся только один класс. Для моделирования функции принадлежности использовались гауссо- вы функции, показанные на рис. 2, заданные фор- мулой (3). На рис. 3 при- ведены принятые функции принадлежности для пе- ременной 2X — затраты на рекламу. На основе нечеткой базы правил, сформиро- ванной экспертами, стро- ится нечеткая база знаний и разрабатывается сис- тема логического выво- да. Структура нечеткого логического вывода при- ведена на рис. 4. В качестве обучающей выборки для настройки нечеткой нейронной системы использовались результаты маркетингового анализа, выполненного для предприятия XXX фирмой экономического консалтинга в 2002 г., а также полученные в результате этого анализа оценки экспертов. Исследовались следующие структуры нечетких нейронных систем: Низкие Средние Высокие 0 0,5 mf 2000 4000 6000 2X8000 1 Рис. 3. Функции принадлежности переменной 2X Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 67 1. Гауссовы функции принадлежности вида (3). Нечеткий вывод выполнялся методом Mamdani (импликация в форме нахождения ⎥⎦ ⎤ ⎢⎣ ⎡ )()(min yx kk i BA µµ ). Параметры функции принадлежности и нечеткая нейронная сеть обучались градиентным методом и гибридным, основан- ным на совместном использовании генетического алгоритма и Back- propagation [9]. 2. Нечеткий вывод выполнялся методом Larsen’а (импликация в форме произведения )()( yx kk i BA µµ ). Параметры функции принадлежности и не- четкая нейронная сеть обучались таким же образом, как и в описанной выше структуре. Общее число нечетких логических высказываний составляет 26=N . Практическая реализация и анализ выполнены с использованием програм- мных пакетов NeuroSolutions CS и Genetic Library фирмы NeuroDimension [10]. Нечеткая нейронная сеть моделировалась при помощи FlexTools и Fuzzy Logic Toolbox for MATLAB. Программные модули интерфейса разра- ботаны с использованием MS Visual C++. Полученные результаты работы нечетко-нейронного классификатора приведены в табл. 2. X53 X52 X51 X43 X42 X41 X33 X32 X31 X23 X22 X21 X13 X12 X11 Y4 Y3 Y2 Y1 Малоэффективный вид рекламы X1 – цена X2 – затраты на рекламу X3 – эффективность рекламы X5 – затраты на стимулирование сбыта X4 – объем продажи Низкая Высокая Нулевая Низкие Высокие Средние Умеренная Высокая Нулевая Низкие Высокие Средние Маленький Большой невозраст. Средний Ошибочное ценообразование Ошибочная маркетинговая стратегия Сезонное падение продажи Рис. 4. Структура нечеткого логического вывода Г. Сетлак ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 68 Т а б л и ц а 2 . Результаты работы нечетко-нейронного классификатора № 1X 2X 3X 4X 5X y 1 385,65 12000 Убывание 227180 10000 P1 2 397,24 10000 Незначительный рост 235090 6000 P1 3 452,20 10000 Убывание 217340 10000 P4 4 478,92 12000 Незначительный рост 261280 8000 P3 5 493,10 10000 Убывание 184380 5000 P3, P4 6 526,35 8000 Убывание 147180 4000 P2 7 583,24 5000 Убывание 149300 3000 P2, P3 8 594,93 5000 Незначительный рост 156520 4000 P1 9 620,70 5000 Убывание 121280 2000 P1, P2 10 634,56 10000 Убывание 116530 0 P2, P3 11 663,20 2000 Убывание 102160 0 P2, P3 12 672,35 0 ∞ 112510 0 P1, P2, P3 Следует отметить, что в позициях 5, 7, 9, 10, 11 и 12, т.е. там, где опре- делены две или больше причин падения цен, функции принадлежности к определенным классам были приблизительно равны ( 5,0)( ≈iyµ или 33,0)( ≈iyµ ). Возможность определения степени принадлежности некото- рых переменных к двум или более классам является отличительной особен- ностью и преимуществом нечетко-нейронной классификации. ВЫВОДЫ В данной работе описаны методы и алгоритмы обработки и анализа знаний разного вида (лингвистических, количественных, смешанных), основанных на нейронно-нечетких системах. Разработанная гибридная интеллектуальная система используется для решения задач классификации. Для обучения не- четких нейронных систем классификации используется алгоритм обратного распространения ошибки (Back-propagation) и гибридный алгоритм, осно- ванный на совместном использовании генетического алгоритма и метода Back-propagation. Создан программный пакет для решения задач маркетингового анализа рынка и поддержки принятия решений в нечеткой среде. Решена практичес- кая задача анализа рынка сбыта изделий домашнего хозяйства. В результате оценки ретроспективной информации определяются причины понижения продажи изделий. Оценивается маркетинговая стратегия в фирме и полити- ка ценообразования. Важной особенностью предложенных алгоритмов, входящих в состав нечеткой нейронной системы, является гибкость в отношении исходных данных для моделирования, способность использовать различные источни- ки знаний. Интеллектуальные технологии в маркетинговом анализе Системні дослідження та інформаційні технології, 2004, № 1 69 Рассмотренную систему маркетингового анализа данных IDSS, осно- ванную на нечеткой нейронной сети, можно использовать при планирова- нии цен и затрат для оптимизации объема продажи и прибыли. Так как спрос и условия реализации продукции зависят от времени, рекламы, про- движения продуктов (стимулирования сбыта) и многих других факторов, то и объем производства следует гибко варьировать для оптимального исполь- зования ресурсов. Предложенный подход к извлечению, представлению и обработке зна- ний, содержащих нечеткость, существенно повышает эффективность мето- дологии автоматизированного построения интеллектуальных систем подде- ржки принятия решений. Все описанные модели, методы и процедуры реализованы программно и проходят этапы экспериментальной апробации, доработки и модификации. ЛИТЕРАТУРА 1. Kotler Ph. Marketing esentials, Prentice-Hall International, Englewood Cliffs, 1984. — 733 p. 2. Witkowska D. Sztuczne sieci neuronowe i metody statystyczne. — Warszawa: Wyd C.H. BECK, 2002. — 201 s. 3. Bellman R.E., Zadeh L.A. Decision making in a fuzzy environment. — Management Sciences. — 17. — 1970. — Р. 141–164. 4. Jang J.S.R., Sun C.T., Mizutani E. Neurofuzzy and Soft Computing, Prentice-Hall, Upper Saddle River, 1997. — 245 р. 5. Ротштейн А.П. Интеллектуальные технологии идентификации. — Винница: УНИВЕРСУМ, 1999. — 300 с. 6. Pal S., Mitra S. Multilayered perceptron. Fuzzy sets and classification // IEEE Trans- actions on Neural Networks. — 1992. — № 5. — Р. 683–697. 7. Rutkowska D. Inteligentne systemy obliczeniowe, algorytmy genetyczne i Sieci neu- ronowe w systemach rozmytych. — Warszawa: Akademicka Oficyna Wy- dawnicza PLJ, 1997. — 304 s. 8. Cетлак Г. Нейронные сети в интеллектуальных системах управления произ- водством // Проблемы управления и информатики. — 2000. — № 1. — С. 112–119. 9. Сетлак Г. Интеллектуальная система поддержки принятия решений в нечеткой среде. — Искусственный интеллект. —2002. — № 3.— С. 428–438. 10. NeuroSolutions. The neural network simulation environment, Copyright NeuroDi- mension Inc. — Gainsville. — 2002. — 67 p. Поступила 23.05.2003

Интеллектуальные технологии в маркетинговом анализе

Institution

Ähnliche Einträge