Принятие управленческих решений в маркетинге с помощью компьютерных средств, страница 51

○  требование присылки бесплатного каталога. В этой ситуации убытки составляют не только стоимость пересылки, но и стоимость каталога;

○  заказ товаров, который приносит прибыль.

Выделение сегментов можно производить не только на основе процента адресатов каждого типа, но и по общей прибыльности сегмента.

2.  Выбор алгоритма. Различные конфигурации групп наилучшим образом отображаются различными алгоритмами. Можно либо оценить применимость того или иного метода по визуализированным исходным данным, либо испробовать различные методы.

3.  Определение правила окончания ветвлений, которое влияет на размер дерева. В измерениях может присутствовать случайный шум, или области для различных групп могут пересекаться, поэтому огромное дерево, точно классифицирующее имеющиеся случаи, окажется неадекватным и будет давать большие ошибки при классификации новых случаев (рис. 18Рис. 18).

Поэтому надо ввести ограничение на размер дерева. Можно задать количество элементов в узле, либо долю элементов получаемых классов в общем количестве образцов.

Некоторые программы используют ряд дополнительных алгоритмов, позволяющих получить более точное решение.

○  Автоматический поиск минимума ошибки для новых случаев. Для этого все имеющиеся случаи разбиваются на две части случайным образом. Одна часть используется для обучения, а другая – для проверки.

○  Построение нескольких деревьев, максимально отличающихся друг от друга, с последующим выбором наилучшего.

○  Использование нечетких порогов. При классификации отбрасываются только те ветви, для которых оценка качества прогноза ниже заданного порога. «Сомнительные» ветви остаются для дальнейшего анализа вместе с «хорошими».

Рис. 18. Зависимость ошибки классификации  от размера дерева

Правила могут представляться в различной форме, от словесного описания до запроса к базе данных на языке SQL.

Таким образом, деревья решений – мощное средство получения классифицирующих правил.

5.4.  Нейронные сети

Нейронные сети позволяют управлять сложной адаптивной системой, если о ней нет даже экспертных знаний или при невозможности формализовать эти знания. Для их построения требуется только опыт: примеры принятия решений в различных ситуациях и оценка принятых решений (правильное или неправильное решение).

Во многих областях деятельности, к которым по праву относятся экономика и маркетинг, опыт в виде ситуаций и соответствующих им решений часто является единственным источником знаний о системе.

Среди разнообразных применений нейронных сетей можно отметить [43]:

○  повышение эффективности инвестиций;

○  оценка риска при выдаче кредитов банками;

○  оценка стоимости имущества;

○  оптимизация рыночной стратегии путем определения наиболее перспективных среди потенциальных покупателей;

○  управление очисткой нефти, выплавкой стали;

○  обнаружение неисправностей в технических системах;

○  борьба с наркотиками (ищутся образцы, имеющие одинаковое происхождение);

○  распознавание человека по фрагменту фотографии;

○  управление воздушным боем (разработка компании Локхид);

Система, основанная на нейронных сетях, относится к категории обучающихся, то есть принимает решения на базе накопленного опыта. В свою очередь, опыт состоит из описания имевших место ситуаций и соответствующих им правильных (или даже неправильных) решений. В маркетинге такая ситуация нередка: по прошествии определенного времени становится ясно, правильное ли решение было принято и какое решение следовало принять. Использование нейронных сетей в качестве автоматической управляющей системы предполагает решение трех задач:

○  обучение;

○  применение: распознавание ситуации и отнесение ее к одному из запомненных эталонов.