В настоящее время известные подходы к решению маркетинговых задач строятся в основном на эвристических методах, основанных на прошлом опыте, интуиции и здравом смысле руководителя. В ряде случаев такие подходы оказываются неэффективными и могут привести к существенным коммерческим потерям. Наиболее перспективным направлением является разработка систем интеллектуальной поддержки принятия решений, основанных на применении математических моделей и методов и специального программного обеспечения.
Среди множества задач стратегического планирования маркетинга предприятия наиболее важными являются задачи сегментации рынка и диагностики потребителя [1]. Для решения этих задач наряду с эвристическими методами применяются методы многомерного статистического анализа (методы кластерного и дискриминантного анализа) [2].
В последнее время стали интенсивно применяться методы, основанные на нейросетевых технологиях и позволяющие получать эффективные решения таких маркетинговых задач как: прогнозирование спроса, сегментация рынка, диагностика потребителей и многие другие [3,4].
Основными этапами сегментации рынка являются: выбор принципов сегментации рынка; определение параметров (характеристик) сегментов; анализ и отбор сегментов. позиционирование товара в сегменте; создание плана маркетинга для отобранных сегментов. Наличие информации о сегментах потребительского рынка позволит предприятию - производителю провести в дальнейшем выбор наиболее привлекательных (целевых) сегментов. В результате представляется возможным для предприятия решить проблему наиболее рационального использования ограниченных производственных ресурсов за счет построения для каждой целевой группы потребителей индивидуальной стратегии по всем компонентам Marketing Mix (4P) - товар, цена, сбыт и коммуникации. Наиболее распространенными методами сегментирования рынка являются метод группировок по одному или нескольким признакам и методы кластерного и анализа.
Сформулируем задачу сегментации в терминах кластерного анализа. Пусть задано множество из N объектов (потребителей товара) некоторого рынка. Каждый объект характеризуется определенными значениями одного и того же набора классификационных признаков (количественных и качественных показателей). Задан способ определения близости между объектами. Требуется разбить множество объектов на непересекающиеся подмножества (классы, кластеры, группы), так чтобы в один класс объединялись объекты, сходные между собой по ряду признаков.
Для решения задачи сегментации
могут быть применены наиболее известные методы кластерного анализа -
иерархические агломеративные и иерархические дивизимные [2]. В иерархических агломеративных
(объединительных) методах на начальном этапе все N объектов независимы, т.е.
создаются элементарные кластеры, каждый из которых состоит ровно из одного
объекта. На первом шаге в группу объединяются два наиболее схожих кластера
(объекта). На каждом последующем шаге происходит объединение двух наиболее
близких кластеров в один. На последнем шаге все объекты объединяются в одну
большую группу. Для полной кластеризации необходимо сделать N-1 шагов. Момент
остановки этого процесса может задаваться маркетологом - аналитиком (например,
указанием требуемого числа кластеров или максимального расстояния, при котором
допустимо объединение).
Иерархические агломеративные
методы различаются по правилам построения кластеров, т.е. критериям, которые
используются при решении вопроса о "схожести" объектов при их
объединении в группу. Примером реализации иерархических
агломеративных методов является программа “Statistica”, разработанная компанией “StatSoft Inc. STATISTICA”. Иерархические дивизимные
методы являются логической противоположностью агломеративным
методам. В начале процедуры все объекты принадлежат одному кластеру, а затем
этот кластер с использованием определенных процедур разрезается на
"ломтики". Примером реализации иерархических
дивизимных методов является программа “Statgraphics Plus”, разработанная
компанией “STSC Inc” [5].
Задачу диагностики потребителя сформулируем в терминах дискриминантного анализа. Пусть имеется совокупность из N объектов (предприятий– потребителей некоторого товара на рынке) и каждому объекту (наблюдению) ставится в соответствие некоторый набор значений признаков. В результате ранее проведенной кластеризации представляется возможным определить, к какому кластеру относится каждый наблюдаемый объект. Пусть на рынке появляется новый (N+1)-й объект с известными значениями признаков. Требуется определить, к какому из полученных кластеров этот объект относится.
Для решения задачи диагностики могут
применяться как методы дискриминантного анализа, так и нейросетевые
технологии.
Методы
дискриминантного анализа позволяют строить функции измеряемых признаков,
значения которых объясняют разбиение множества объектов на кластеры. Наиболее
распространенным является линейный дискриминантный анализ, в котором
классифицирующие признаки выбираются как линейные функции от первичных
признаков [2].
На основе "обучающей"
выборки методом дискриминантного анализа, не решая заново задачу кластеризации,
можно отнести "новых" потребителей товара к уже известным сегментам
рынка. Зная к какому сегменту принадлежит
"новый" потребитель, представляется возможным спрогнозировать его
требования к товару и заранее спланировать оптимальную стратегию взаимодействия
предприятия с этим потребителем.
Приведем краткую характеристику нейросетевой технологии. Программное моделирование нейронных сетей обеспечивает достаточно дешевую и гибкую среду для формирования и анализа эффективности и степени риска маркетинговых стратегий, а для рассматриваемых практических задач такое моделирование оказывается вполне адекватным и достаточным. Хотя решение на основе нейронной сети может выглядеть как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей "обучается", а не программируется: сеть учится выполнять задачу, а не программируется непосредственно.
Искусственные нейронные сети представляют собой устройство параллельных вычислений, состоящие из множества взаимодействующих простых процессоров - нейронов. Математическая модель нейрона представлена на рис. 1.
Рис.1 . Математическая
модель нейрона
При работе сети во входные элементы подаются значения входных переменных x1…xn, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.
К наиболее широко используемым типам переходных функций относятся:
1. Пороговая функция:
2. Линейная функция:
3. Сигмоидальная функция:
.
Процесс функционирования нейронной сети зависит от величин синапсических связей. Задавшись определенной структурой сети, соответствующей какой-либо задаче, находятся оптимальное значение всех переменных весов коэффициентов – процесс обучение нейронной сети. Для этого используются алгоритмы обучения. С использованием собранных данных веса пороговые значения автоматически корректируются с целью минимизировать ошибку. По сути этот процесс представляет собой подгонку модели, которая реализуется сетью, к имеющимся обучающим данным. В качестве функции ошибок чаще всего берется сумма квадратов ошибок. Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки нейронной сети является величина:
.
После обучения нейронный сети проводится ее запуск на исполнение и выведение результатов, характеризующих ее работу [3]. В настоящее время к числу наиболее популярных программных продуктов, реализующих нейросетевые технологии, относятся “Brain Maker Professional”, “NeuroShell Day Trader”, “Neuro Builder 2001” и “Statistica Neural Network”.
Вычислительные эксперименты. Исследования проводились на основе контрольного примера, в рамках которого было рассмотрено 22 предприятия-потребителя (20 «старых» и 2 «новых» потребителя). По каждому потребителю были получены сведения о пяти параметрах (классификационных признаках) предприятия - потребителя. Необходимо было разделить множество из 20 «старых» потребителей на 3 непересекающиеся группы (сегменты), а затем спрогнозировать принадлежность двух «новых» потребителей к уже известным сегментам рынка.
Для решения задачи разбиения множества потребителей на сегменты использовался реализованный в пакете “Statgraphics Plus” метод “Nearest Neighbor (Single Linkage)” – иерархический агломеративный метод (метод «одиночной связи») [5].
Задача диагностики решалась двумя методами – методом дискриминантного анализа [6] и с использованием нейронной сети. При решении задачи диагностики потребителя на основе нейросетевых технологий выбор топологии нейронной сети, ее построение и обучение проводились c помощью системы “Statistica Neural Network”, разработанной компанией “StatSoft”.[3]. На начальном этапе исследований для решения поставленной задачи использовался один из возможных типов нейронной сети - многослойный персептрон с сигмоидальной передаточной функцией активации. При обучении сети использовался метод наименьших квадратов.
В результате вычислительных экспериментов по решению задачи диагностики потребителя методом нейронных сетей были получены результаты, аналогичные результатам при использовании метода дискриминантного анализа.
Анализ результатов, полученных при решении исследуемых задач, подтвердил корректность и эффективность разработанного метода планирования маркетинга с использованием нейросетевых технологий и многомерного статистического анализа.
Предлагаемый в работе аналитический инструментарий маркетинга позволяет руководству предприятия проводить глубокий анализ формируемых маркетинговых стратегий, повысить качество и эффективность принимаемых маркетинговых решений. Предполагается промышленное внедрение предлагаемых методов сегментирования и диагностики потребителей для ряда издательско-полиграфических предприятий Санкт-Петербурга.
Дальнейшее развитие аналитического инструментария маркетинга целесообразно проводить в направлении исследований эффективности применения теории и методов нечеткой математики (нечетких нейронных сетей) для моделирования и оценки риска маркетинговых стратегий.