Новые методы для старых задач

| статьи | печать

Количество факторов, потенциально оказывающих влияние на то или иное решение, может исчисляться десятками. Для развития бизнеса необходимо максимально динамично реагировать на любые изменения, учитывая подчас трудноуловимые закономерности.

 

Анализировать накапливающиеся большие объемы разнообразных сведений можно с помощью классических инструментов: отчетов, сводных таблиц, диаграмм. При этом анализируемые показатели и взаимосвязи должны быть определены заранее. Однако обычные отчеты не предполагают поиска неочевидных правил или извлечения неизвестных закономерностей, то есть генерацию новых знаний.

Необходима некая подсистема анализа данных, которая обеспечивает автоматизированное преобразование информации, накопленной в корпоративной информационной системе, в практически полезные и хорошо интерпретируемые закономерности. К примеру, «Подсистема анализа данных» на платформе «1С:Предприятие 8» поддерживает принятие разнообразных управленческих решений с помощью алгоритмов интеллектуального анализа данных (ИАД). Они формируют аналитические модели, которые описывают закономерности в исходных данных и используются для автоматизированного формирования прогнозов с заранее неизвестными показателями.

ИАД использует взаимодополняющие методы обнаружения знаний, такие как кластеризация, поиск ассоциаций и дерево решений. Выбор метода зависит от состава исходных данных и от того, какого рода закономерности требуется выявить.

Кластеризация клиентов по различным категориальным признакам позволяет ответить на вопрос «Кто он, наш потребитель, каковы его потребности и сколько он готов заплатить за их удовлетворение?».

Сегментация товаров по уровню субъективной привлекательности позволяет более четко позиционировать их среди аналогичных товаров конкурентов и наметить эффективные мероприятия по их продвижению и ценообразованию.

Кластеризация районов города по уровню достатка жителей способствует более адекватному ценообразованию. Сегментация менеджеров по восприятию их клиентами позволяет улучшить индивидуальное обслуживание последних и пересмотреть приоритеты в стимулировании первых

Первоначально метод поиска ассоциаций использовался для нахождения типичных шаблонов покупок — анализа рыночной корзины. В качестве ассоциируемых элементов обычно выступают товарные группы. А группирующим объектом, объединяющим элементы выборок, может быть, например, заказ покупателя, акт об оказании услуг или чек ККМ. Информация о закономерностях в комбинационных предпочтениях покупателей позволяет повысить эффективность взаимоотношений с клиентами, ценообразования, логистики и мерчандайзинга. В розничной торговле выявлены устойчивые ассоциации вида «хлеб — молоко», «телевизор класса премиум — DVD-проигрыватель» и др.