Титоренко Г.А., Макарова Г.Л., Дайитбегов Д.М. и др. Информационные технологии в маркетинге

Подождите немного. Документ загружается.

Сервер ЛВС при обработке маркетинговой информации

должен обладать ресурсами, соответствующими его функцио-

нальному назначению и потребностям сети.

Примерами серверов, которые могут использоваться в мар-

кетинговой деятельности, являются:

• сервер телекоммуникаций, обеспечивающий услуги по

связи данной ЛВС с внешней средой для получения внешней

маркетинговой информации;

• вычислительный сервер, дающий возможность произво-

дить вычисления при обработке задач маркетинга, которые не-

возможно выполнить на автоматизированных рабочих местах;

• дисковый сервер, обладающий расширенными ресурсами

внешней памяти и предоставляющий их в использование рабо-

чим станциям и, при необходимости, другим серверам;

• файловый сервер, поддерживающий общее хранилище

файлов для всех АРМ маркетологов;

• сервер баз данных — фактически обычная СУБД, прини-

мающая запросы по ЛВС и возвращающая результаты.

При решении задач маркетинга зачастую необходимо, чтобы

прикладная профамма, выполняемая на автоматизированном

рабочем месте маркетолога, могла запросить услугу у сервера и

получить необходимую информацию или поддержку. На базе

этого строятся основные принципы системной архитектуры

«клиент-сервер».

Система разбивается на две части, которые могут распола-

гаться в разных узлах сети, на разных автоматизированных ра-

бочих местах, — клиентскую и серверную части. Прикладная

программа, или конечный пользователь, взаимодействует с кли-

ентской частью системы, которая в простейшем случае обеспе-

чивает информационную связь. Клиентская часть системы, если

это требуется, обращается по сети к серверной части за инфор-

мацией, хранящейся в определенной базе данных сервера.

В архитектуре «клиент-сервер» в маркетинговой деятельно-

сти наибольшее распространение получил «сервер баз данных»,

используемый обычно для обозначения всей СУБД, включая и

серверную, и клиентскую части. Такие системы предназначены

для хранения и обеспечения доступа к базам данных.

Несмотря на то, что обычно одна база данных целиком хра-

нится в одном узле сети и поддерживается одним сервером, сер-

веры баз данных представляют собой простое и дешевое при-

ближение к распределенным базам данных, поскольку общая

161

база данных доступна для всех пользователей ЛВС, что доста-

точно удобно для обработки маркетинговой информации на

предприятии или в фирме.

Все файлы СУБД можно укрупненно распределить на 6 ос-

новных групп.

Данные хранятся в файлах базы данных, состоящих из за-

писей фиксированной длины. Состав и характеристика полей

записи задаются маркетологами при создании файла. Каждое

поле поименовано с указанием типа и длины. На основании

описания полей формируется описание файла, которое хранится

вместе с данными. В текущий момент времени маркетологу дос-

тупен только один файл, называемый активньш. Файлы осталь-

ных типов являются вспомогательными, обеспечивающими до-

полнительные возможности по обработке файлов баз данных.

Индексные файлы обеспечивают прямой доступ к записям

файлов базы данных. Индексы строятся по любому полю или

сцеплению полей. При построении индексных файлов исполь-

зуется сплошная индексация, т.е. на каждую запись файла базы

данных приходится запись в индексном файле, содержащая зна-

чение индексируемого поля и адрес, соответствующий номеру

записи файла базы данных.

Файлы памяти предназначены для хранения на диске пе-

ременных памяти, которые создаются в процессе сеанса работы

маркетолога с СУБД и теряются, если их не сохранять. В пере-

менных памяти хранятся константы, промежуточные результа-

ты,

получаемые в процессе обработки данных.

Командные файлы содержат программы в виде последова-

тельности команд, обеспечивающие комплексную обработку

маркетинговых данных по одним и тем же алгоритмам.

Форматные файлы обеспечивают получение документов

сложной структуры. В них содержится описание документов,

включающее заголовок, правила заполнения граф, общие и

промежуточные итоги и правила управления печатью.

6. Файлы конфигурации содержат оформленные как обыч-

ные текстовые файлы совокупности команд установки специ-

альных функций.

Такое информационное построение при организации ло-

кальной вычислительной сети позволяет эффективно решать

задачи маркетинга.

162

4.6.

Технология решения аналитических

и прогнозных задач маркетинга

в маркетинговой деятельности важное место занимают зада-

чи аналитического и прогнозного характера, решение которых

сопряжено с большими временными, трудовыми затратами, а

главное

—

требуют участия высококвалифицированных специа-

листов. Это задачи изучения спроса, состояния рынка, поиска

наиболее благоприятных условий для сбыта продукции, анализа

складывающейся ценовой динамики на нее и т.п. В данном слу-

чае приходится не только анализировать сложные процессы во

времени, но и располагать большими объемами информации о

покупательском спросе в конкретном регионе и на интересую-

щую аналитика дату по отдельным группам или видам товаров;

выявлять внутригрупповой ассортимент структуры спроса по

товарным признакам, устанавливать сезонные колебания спроса

и степень возможного или фактического его удовлетворения по

видам товаров и т.п. Задачи аналитического и прогнозного ха-

рактера могут быть очень разнообразны по содержанию и на-

правленности использования полученных результатов.

Систематизация знаний о поведении рынка была предпри-

нята еще в конце прошлого века Чарльзом Доу (одним из авто-

ров индекса Доу-Джонса). Технический анализ как метод про-

гнозирования цен на основе изучения их изменений за опреде-

ленные промежутки времени формировался в 40—60-х годах

нашего столетия под влиянием работ Эллиота, Ганна, Мерфи и

других ученых. С 80-х годов отмечено резкое повышение инте-

реса к теории технического анализа, что обусловлено не только

быстрым ростом биржевых операций, но и интенсивным разви-

тием информатизации во всех областях науки, техники, эконо-

мики и, в частности, быстрым развитием информационных тех-

нологий.

Технический анализ реализуется с помощью графических

методик, математической апроксимации и циклического анали-

за временных рядов. Знание закономерностей предоставляет

аналитику набор правил, руководствуясь которыми он способен

принять взвешенное решение.

Для реализации требований анализа и прогнозирования фи-

нансового и товарного рынков в последнее время разрабатыва-

163

ется специальное программное обеспечение, а также програм-

мные продукты на основе экспертных систем и нейронных сетей.

Для формирования собственных программных приложений в

среде архитектуры «клиент-сервер» может функционировать ви-

зуальная объектно-ориентированная система Oracle Express

Objects, позволяющая Пользователям специалистам-маркето-

логам (не профессиональным аналитикам) осуществлять анализ

при выполнении своих служебных обязанностей. Oracle Express

Objects предоставляет возможности графического моделирова-

ния и анализа типа «что

—

если» на базе традиционных систем

Oracle Objects, работающих в среде Windows.

Используя таблицы и графики, специалист-маркетолог мо-

жет производить разносторонний анализ, детализируя и углуб-

ляя его по различным аспектам. Например могут быть выявлены

запасы товаров, отслежены колебания объемов, предупреждены

менеджеры о снижении таких запасов и необходимости их по-

полнения.

Программный продукт Oracle Sales Analyzer является широко

применяемым приложением в области продаж и маркетинга. Он

предназначен для анализа объемов продаж маркетинговых ком-

паний, прибыльности продукции или заказчика, жизненного

цикла продукта и эффективности продвижения товара. После

окончания работы система позволяет пользователям скорректи-

ровать их стратегию с помощью дополнительного анализа.

Oracle Sales Analyzer упрощает оценку долей рынка, форми-

рование отчетов о распределении мест, проведение анализа и

вычислений и позволяет определить:

• кто скорее всего купит следующим какой продукт и когда;

• почему доля рынка на некоторых направлениях падает, а

на остальных нет;

• кто из заказчиков конкретного вида продукции является

наиболее прибыльным;

• как скажется выпуск нового продукта на сбыте уже суще-

ствующего ассортимента;

• какая ценовая политика может считаться лучшей: макси-

мизация прибыли или соревнование с ценами конкурентов.

Функциональные возможности аналитической и прогнозной

работы рассмотрены на примере интегрированного ППП

«ОЛИМП: Маркетинг» в гл. 7.

164

Создание и использование экспертных систем является од-

ним из концептуальных этапов развития информационных тех-

нологий в маркетинге.

Экспертная система

(ЭС) — это совокупность методов и

средств организации, накопления и применения знаний на базе

АИТ для решения сложных задач оценки ситуаций в коммерче-

ско-сбытовой деятельности. ЭС предназначена для решения так

называемых

неформализованных

задач,

решение которых не мо-

жет описываться традиционными математическими и статисти-

ческими методами и которые обладают одной или несколькими

из следующих характеристик:

• задачи не могут быть выражены в числовой форме;

• цели не могут быть показаны в терминах точно опреде-

ленной целевой функции;

• не существует алгоритмического решения задачи;

• алгоритмическое решение есть, но его нельзя использо-

вать из-за ограниченности ресурсов (время, память).

В основе интеллектуального решения проблем маркетинго-

вой деятельности с использованием ЭС лежит принцип воспро-

изведения знаний опытных специалистов-экспертов. Исходя из

собственного опыта, эксперт, используя ЭС, анализирует ситуа-

цию и распознает наиболее полезные факты, оптимизирует

принятие решений, отсекая тупиковые пути. Программные

средства, основанные на технологии экспертных систем, позво-

ляют достичь более высокой эффективности за счет рассмотре-

ния большого числа альтернатив при выборе решения, ориента-

ции на накопленный и зафиксированный в базе знаний опыт

группы специалистов, анализа влияния большого количества

новых факторов и оценки их при построении стратегий и про-

гноза.

Основой экспертной системЪ! является совокупность знаний

(базы знаний), структурированных в целях формализации про-

цесса принятия решений. Экспертные системы разрабатываются

с расчетом на обучение, и потому способны обосновать логику

выбора решений, т.е. обладают свойствами адаптивности и ар-

гументирования. Большинство ЭС имеют механизм объяснения,

который, используя накопленные в системе знания, дает пояс-

нения и обоснования выбора найденного решения.

165

Преимушества ЭС по сравнению с использованием опытных

специалистов состоят в следующем:

• достигнутая компетентность не утрачивается, она может

документироваться, передаваться, воспроизводиться и наращи-

ваться;

• имеют место более устойчивые результаты, отсутствуют

эмоциональные и другие факторы человеческой ненадежности;

• высокая стоимость разработки уравновешивается низкой

стоимостью эксплуатации, возможности копирования, что в со-

вокупности дешевле оплаты труда высококвалифицированных

специалистов.

ЭС создаются как инструмент в работе пользователей, с по-

мощью которого они получают возможность совершенствовать

свой потенциал для решения трудных, неординарных задач в

ходе практической работы. В частности, ЭС для анализа марке-

тинговой деятельности должна демонстрировать не только ком-

петентность, т.е. достигать в процессе работы того же уровня,

что и специалисты-эксперты, но и находить наиболее рацио-

нальные решения в минимальные временные отрезки.

Недостатком современных экспертных систем является

меньшая их приспособляемость к обучению новым правилам и

концепциям, к творчеству и изобретательству. Использование

ЭС позволяет во многих случаях отказаться от услуг высококва-

лифицированных специалистов. В системе эксперта с более

низкой квалификацией наличие технологии ЭС будет служить

средством расширения профессиональных знаний и возможно-

стей.

Отличиями ЭС от обычных компьютерных технологий яв-

ляются:

• экспертные системы манипулируют знаниями, тогда как

любые другие системы используют готовые данные;

• экспертные системы, как правило, дают эффективные

обоснованные решения, и хотя они способны иногда ошибать-

ся,

но, в отличие от традиционных компьютерных систем, име-

ют потенциальную возможность учиться на своих ошибках.

Экспертные системы создаются для решения разного рода про-

блем, типы которых можно Сфуппировать в категории (табл. 4.1).

166

Таблица

4.1.

Типичные категории применения

экспертных систем

Категория

Интерпретация

Прогноз

Диагностика

Проектирование

Планирование

Наблюдение

Отладка

Ремонт

Обучение

Управление

Решаемая проблема

Описание ситуации по информации, поступаю-

щей от датчиков

Определение вероятных последствий заданных

ситуаций

Выявление причин неправильного функциониро-

вания системы по результатам наблюдений

Построение конфигурации объектов при заданных

офаничениях

Определение последовательности действий

Сравнение результатов наблюдений с ожидаемы-

ми результатами

Составление рецептов исправления неправильного

функционирования системы

Выполнение последовательности предписанных

исправлений

Диагностика, отладка и исправление поведения

обучаемого

Управление поведением системы как целого

Зарубежный опыт показывает, что ЭС разрабатываются в

основном в университетах, научно-исследовательских центрах и

коммерческих организациях и области их применения постоян-

но расширяются. Одним из наиболее важных последствий раз-

работки экспертных систем является модификация знаний. По

мере того, как разработчики будут строить сложные базы зна-

ний, начнет функционировать рынок знаний, не зависимых от

компьютерных систем. Появятся средства обучения для изу-

чающих определенную прикладную область. Коммерческим

продуктом станут метазнания, т.е. знания об оптимальных стра-

тегиях и процедурах использования предметных знаний. Пере-

растание экспертных систем в интеллектуальные состоит в

слиянии концепций оборудования, средств их создания

(языков) и самих экспертных систем. Объединение интеллекту-

167

альных систем особенно эффективно в сложных инфраструкту-

рах. Интеллектуальные системы уже разрабатываются и внедря-

ются за рубежом для коммерческого использования.

Экспертная система FOLIO (Стенфордский университет,

США) помогает консультантам по инвестициям определять це-

ли клиентов и подбирать портфели ценных бумаг, наиболее со-

ответствующие этим целям. Система определяет нужды клиента

в ходе интервью и затем рекомендует, в каких пропорциях надо

распределить капиталовложения между разными фондовыми

инструментами, чтобы наилучщим образом удовлетворить за-

просы клиента. Система различает небольшое число классов

ценных бумаг (например, ориентированные на дивиденды ак-

ции с невысоким уровнем риска или ориентированные на акции

с высоким уровнем риска) и содержит знания о свойствах

(например о годовых процентах на капитал) ценных бумаг каж-

дого класса. В системе применена основанная на принятых пра-

вилах схема представления знаний с прямой цепочкой рассуж-

дений для вывода целей и схема линейного программирования

для максимизации соответствия между целями и предлагаемым

портфелем. Система доведена до уровня демонстрационного

прототипа.

Искусственная компетентность экспертных систем не заме-

няет полностью человека. Эксперт-человек способен реоргани-

зовать информацию и знания и использовать их для синтеза но-

вых знаний. В области творческой деятельности люди обладают

большими способностями и возможностями по сравнению с

самыми умными системами. Эксперты справляются с неожи-

данными поворотами событий и, используя новые подходы,

способны проводить аналогии из других предметных областей.

Они адаптируют свои стратегии к изменяющимся условиям и

приспосабливают их к новым обстоятельствам в более широком

диапазоне проблем и задач. Экспертные системы менее приспо-

соблены к обучению на уровне новых концепций и новых пра-

вил. Они оказываются не столь эффективными и мало пригод-

ными в случаях, когда надо учитывать всю сложность реальных

задач.

Эксперты могут непосредственно воспринимать весь ком-

плекс входной информации: символьной, визуальной, графиче-

ской, текстовой, звуковой, осязательной, обонятельной. У экс-

пертной системы есть только символы, через которые представ-

лены базы знаний с воплощенными в них теми или иными

168

концепциями. Преобразование сенсорной информации в сим-

вольную сопровождается потерей части информации.

И самое главное, люди (эксперты и неэксперты) обладают

здравым смыслом или общими знаниями. Это щирокий спектр

знаний о мире, о действующих в нем законах. Из-за огромного

объема знаний, образующих здравый смысл, не существует пока

способа встроить их в интеллектуальную систему, тем более

специализированную, какой является любая экспертная система.

Исторически развитие нейросетей складывалось как попыт-

ки смоделировать те или иные способности и свойства челове-

ческого мыщдения. После сложных исследований была выясне-

на роль нейронов как элементов, накапливающих и передающих

информацию. Разработка соответствующих математических ме-

тодов позволила создать обученные системы, обладающие сле-

дующими свойствами:

способностью обучаться на множестве предъявляемых

примеров;

с высокой точностью распознавать новые входные значе-

ния;

сохранять устойчивость работы и точность распознавания

в случаях, когда входные данные противоречивы, искажены или

содержат щумовые помехи.

Нейронные сети — это обобщенное название нескольких

групп алгоритмов, обладающих свойством уметь обучаться на

примерах, извлекая скрытые закономерности из потока данных.

При этом данные могут быть неполными, противоречивыми и

даже заведомо искаженными. Если между входными и выход-

ными данными существует какая-то связь, даже не обнаружи-

ваемая традиционными корреляционными методами, то ней-

ронная сеть способна автоматически настроиться на нее с за-

данной степенью точности. Кроме того, современные нейрон-

ные сети обладают дополнительными возможностями: они по-

зволяют оценивать сравнительную важность различных видов

входной информации, уменьщать ее объем без потери сущест-

венных данных, распознавать симптомы приближения критиче-

ских ситуаций и т.д.

С середины 80-х годов нейронные сети начали использо-

ваться на Западе — преимущественно в финансовых и военных

приложениях. Однако, несмотря на успехи первых эксперимен-

тов,

поначалу это были единичные заказные системы — слищ-

ком сложен был инструмент и слищком дорога его разработка.

Ситуация коренным образом изменилась в начале 90-х годов,

169

когда на рынке появилось новое поколение неиросетевых паке-

тов — мощных, недорогих и простых в использовании. Практи-

чески сразу одним из лидеров рынка стал нейросетевой пакет

Brain Maker (1990 г.) американской фирмы California Sientific

Software. Первоначально разработанный по заказу военных па-

кет был адаптирован для бизнес-приложений. Надо отметить,

что при решении аналитических задач нейронные сети исполь-

зуются в комбинации с каким-либо мощным пакетом традици-

онного технического анализа (например пакетом MetaStock for

Windows). Маркетологи хорошо знают цену качественной ана-

литической обработке данных, и поэтому можно спрогнозиро-

вать,

что в ближайшее время на рынке появится новая

(вероятно, весьма доходная) услуга — поставка аналитической

информации, прошедшей первичную обработку.

Применение нейронных сетей в прогнозировании началось с

появления на рынке коммерческого нейропакета Brain Maker.

Используемая конструкция нейросети делает его надежным и

удобным в работе. Для его освоения от аналитика не требуется

специальных познаний ни в профаммировании, ни в математи-

ке.

Этот пакет до сегодняшнего дня остается самым продавае-

мым в своем классе. Специалисты-аналитики получили мощное

средство для составления прогнозов, практически незаменимое

в случаях, когда правила, по которым изменяется цена, неиз-

вестны и трудновыявляемы.

Метод, положенный в основу создания нейросистем, осно-

ван на том, что подавляющее число рассматриваемых явлений

непрерывно меняется с течением времени. Описывая эти явле-

ния, чаще всего невозможно указать их точных характеристик,

поэтому необходимо прибегать к приближенным оценкам. Не-

четкая логика («нечеткое представление») дает инструмент для

решения задач с динамически изменяющимися данными, что

достаточно важно в маркетинговой деятельности.

Отличительные свойства указанного метода:

• любой процесс можно описать в категориях «больше —

меньше», «лучше

—

хуже» и т.д.;

• над нечетко заданными переменными можно производить

вычисления и получать ответ с заданной степенью точности;

• по сравнению с классическими инструментами данный

метод сильно сокращает количество промежуточных вычисле-

ний, что существенно, когда принятие решения ограничено же-

сткими временными рамками;

170