назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] [114] [115] [116] [117] [118] [119] [120] [121] [122] [123] [124] [125] [126] [127] [128] [129] [130] [131] [132] [133] [134] [135] [136] [137] [138] [ 139 ] [140] [141] [142] [143] [144] [145] [146] [147]


139

методы прогнозирования отклика потребителей в данном случае были недостаточно точны. В результате спрос на футболки оказался слишком велик, и многим покупателям пришлось подолгу ждать получения приза, в то время как другие подарки остались невостребованными. Чтобы повысить точность прогнозирования, было решено использовать исторические данные и нейронные сети.

Компания GoalAssist Софога11оп построила две нейросети для решения этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, бьшо получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 ч, также потребовалось время на предобработку входных данных. Эксперты GoalAssist Соф. считают, что эта модель и далее будет успешно применяться для решения маркетинговых задач. (http: www.wardsystems.com/predconsum.htm)

Компания Neural Innovation Ltd использует при работе с маркетинговыми компаниями конкретную стратегию прямой рассылки. Вначале рас-сьшается 25% от общего числа предложений и собирается информация об откликах потребителей. Затем эта информация поступает на вход нейрокомпьютера, который осуществляет поиск оптимального сегмента потребительского рынка для данного товара. Затем остальные 75% предложений рассьшаются в указанный сегмент. При этом эффективность рассьшки существенно возрастает.

(http: www.neural.co.ulc/marketing/mailshot.html).

14.5.6. Прогнозирование объема продаж и управление закупками.

Изложенные методы хорошо зарекомендовали себя на устойчивых западных рынках. При создании подобных систем на российском рынке необходимо учитывать его нестабильность, а также особенности поведения российских потребителей (например, закупки в период высоких инфляционных ожиданий). В изменчивых условиях для торговых фирм особенно важно иметь прогноз спроса клиентов и дохода компании, чтобы осуществлять оптимальное управление закупками. В настоящее время



компания «НейроПроект» совместно с маркетинговой фирмой «Коней» (Нижний Новгород) ведет разработку системы анализа потребительского рынка и прогнозирования спроса на основе российских исторических данных.

(http: www.konsi.nnov.ru:8002/)

14.5.7.Проектирование и оптимизация сетей связи. Одна из важнейших задач в области телекоммуникаций - нахождение оптимального пути пересылки трафика между узлами - может быть успешно решена с помощью нейронных сетей. В данном случае важны две особенности: во-первых, решение должно быть адаптивным, т.е. учитывать текущее состояние сети связи и наличие сбойных участков, а во-вторых, найти оптимальное решение нужно очень быстро в реальном времени. Нейросети прекрасно приспособлены для такого рода задач. Кроме управления маршрутизацией потоков, нейросети используются и для проектирования новых телекоммуникационных сетей. При этом удается получить очень эффективные решения. (http: www.cbu.edu/--pong/624kep2.htm)

14.5.8.Прогнозирование изменений котировок. Компания Alela Соф. занимается прогнозированием изменения биржевых индексов. Для предсказания знаков изменения индексов применяется нейронная сеть, использующая РБФ (радиальные базисные функции). На сайте компании можно бесплатно получить прогнозы изменения индексов Dow Jones, S&P500 и Merval, а также убедиться, что доля верных предсказаний составляет не менее 80%. Создатели сайта предлагают всем желающим использовать эти прогнозы в качестве дополнительных индикаторов.

(http: www.netverk.com.ar/--alela/index.htm)

14.5.9.Управление ценами и производством. Руководители предприятий часто недооценивают потери от неоптимального планирования производства. Так как спрос и условия реализации зависят от времени, сезона, курсов валют и многих других факторов, то и объем производства следует гибко варьировать с целью оптимального использования ресурсов. Уже существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

(http: www.cbu.eda/-pong/624twg2.htm)



Крупное английское издательство, выпускающее газеты, приобрело у фирмы Neural Innovation Ltd систему планирования цен и затрат, основанную на нейросети с использованием генетических алгоритмов. На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, сезоном и т.д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж или прибыли. (http: www.neural.co.uk/marketing/news.html)

14.5.10.Исследование факторов спроса. Для увеличения прибыльности бизнеса в условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. В частности, для этого солидные компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам, и какие улучшения товара потребитель хотел бы увидеть в будущем. Анализ результатов такого опроса - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров. Нейронные сети идеально подходят для решения этой задачи. Существующие нейросетевые методы позволяют выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара. (http: www.zsolutions.com/examples.htm; http: www.neuralt.com/Marketing/marketingpaper.htm)

Примеры успешного использования нейросетевых технологий для построения эффективной маркетинговой политики: 1) маркетинговая кампания «Tango Orange Мап», организованная английским производителем безалкогольных напитков, компанией Britvic Soft Drinks совместно с фирмой Neural Technologies; 2) исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров, проведенное фирмой Neural Technologies.

(http: www.neuralt.com/Marketing/CaseStudies.htm)

14.5.11.Прогнозирование потребления энергии. Крупная электрическая компания заказала фирме ZSolutions систему анализа данных об 426

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] [114] [115] [116] [117] [118] [119] [120] [121] [122] [123] [124] [125] [126] [127] [128] [129] [130] [131] [132] [133] [134] [135] [136] [137] [138] [ 139 ] [140] [141] [142] [143] [144] [145] [146] [147]