Диссертация (1138748), страница 14

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 14)

Абоненты из одного абонентского кластера имеютсхожее потребительское поведение и при смене абонентами, принадлежащиходному абонентскому кластеру, одной группы тарифных планов на другую,характеристики абонентского потребления остаются неизменными, а выручкаи отток меняются в соответствии с характеристиками той группы тарифныхпланов, которую выбрали абоненты.Возможныеизмененияхарактеристикпотреблениямогутспособствовать только увеличению объемов трафика, так как тарифный пландолженбольшесоответствоватьпрофилюпотребленияабонента.Следовательно, определив для каждого профиля абонентского потребления тегруппы тарифных планов, которые приносят наибольший CLV, можностимулировать абонентов к выбору соответствующих групп тарифных планов.Предлагаемая в (31) оценка долгосрочной ценности абонентской базы(CLV) фактически позволяет определить прибыль телекоммуникационнойкомпании с учетом выбранных абонентами в течение всего срока их жизнигрупп тарифных планов.

Для учета предпочтений инвесторов, формирующихстратегическиецелиразвитиятелекоммуникационнойкомпании,характеристика CLV должна рассчитываться не для всей продолжительностижизни абонентов в компании, а на том периоде времени, которыйопределяется инвесторами. Предпочтения инвесторов можно выявить наоснове результатов использования одного из методов поддержки принятиярешений.Предпочтения инвесторов характеризуются той долей голосующих акций , которая обеспечивает максимальную прибыль в каждом периодепланирования .

Долевые предпочтения рассчитываются таким образом, что:80∑Ss=1 = 1, ≥ 0(32)Где: - доля голосующих акций, стремящаяся максимизировать прибыльпериода планирования s=[1,…,S], а S количество периодов планирования.В качестве критериев служат: долевая оценка предпочтений каждогоинвестора по различным периодам максимизации прибыли, а также, оценкастепени риска (Найт, 2003) для данного периода в трех категориях (низкие,средние,высокиериски).Выявлениепредпочтенийпопериодаммаксимизации прибыли с учетом рисков позволяет более объективно учестьинтересы инвесторов.По каждому инвестору необходимо распределить его предпочтения покаждому периоду S.

С оценкой по двум критериям: – долевое предпочтениемаксимизации прибыли за период s и – оценка величины риска. –множество значений или градаций критерия , – множество значений илиградаций критерия . опеределно на промежутке от [0…1], определяетсякак дискретная величина равная [0,33; 0,66; 1] при текстовом описаниивысокий, средний, низки риски, соответственно.В рамках данного исследования делается допущение, что важностькритериев распределяется равномерно по всей шкале измерений. Всегоинвесторов B, при b = [1…B]. Вид функции «свертки» критериев определяетсякак мультипликативный, т. к.

данный вид связи очевиден для величины рискаи прибыли за период.(|, , ) = ,,∗ ,,(33)Где, и – коэффициенты важности соответствующих критериев, + = 1. C нормированием для каждого инвестора ∑=1 , ∗ , = 1Соотношение и определяется долей голосующих акций инвесторов.Общий вид расчета долевого предпочтения максимизации прибыли ,определяется следующей функцией:81 = ∑=1( ∗ ,,∗ ,,/ ∑=1 (,,∗ ,,))(34)Где: – долевое предпочтение максимизации прибыли припланировании на период s, при ∑=1 = 1; b – индекс инвестора, при b = [1…B], B – количество инвесторов; s – индекс периода планирования, при s=[1,…,S], а S количествопериодов планирования; ,, – долевое предпочтение максимизации прибыли за период s,инвестора b при этом ,, = [0 … 1] и ∑=1 ,, = 1 ,, – оценка величины риска периода s, инвестора b, при ,, =[0,33; 0,66; 1] – доля голосующих акций инвестора b; – коэффициент важности соответствующих критериев – коэффициенты важности соответствующих критериевДля расчета CLV с учетом горизонта планирования, а именно периодавремени, характеризующего предпочтения инвесторов, необходимо разбитьвесь период планирования на подпериоды, и для каждого из подпериодов ипрофилей абонентского потребления определить оптимальную группутарифных планов в соответствии с (34):,, = , ( ) ∗,∑=1(1+)− , ( ) ∗−1,∑=1(1+)−0,5(35)Где: Множество абонентских кластеров K, состоящее из I кластеров, где ∈ , где i=[1,…,I], отражающих профили потребления абонентовтелекоммуникационной компании.82 Множество кластеров тарифных планов P, состоящее из Jкластеров, где ∈ , где j=[1,…,J], отражающих стоимостныехарактеристики устойчивых групп тарифных планов. Максимальный период планирования тарифной политики T,состоящий из S подпериодов различной продолжительности, где ∈ , где s=[1,…,S].

T максимальный период планирования, длякоторогокомпанияпланирование. определяетцелесообразнымпроводить– подпериоды, определяющие временнойпромежуток, на котором рассчитывается CLV компании. Величина определяется инвесторами. ,, - долгосрочная ценность абонентской базы при i=[1,…,I],j=[1,…,J] и s=[1,…,S]; Ставка дисконтирования d. В данной работе предполагается, чтоставка дисконтирования одна и та же для каждого месяцапланирования. Так как детализация с точки зрения учетавозможных различий ставки дисконтирования, в данной работе нерассматривается. GC – доходы от абонентов. M – расходы на абонента. r – доля оттока абонентов.Для каждого профиля абонентского потребления i на заданном периодепланирования s определяется группа тарифных планов, максимизирующаяCLV, в соответствии с формулой (36):∗,= ( max ( , , ))1≤≤(36)Где: ∈ , при j=[1,…,J] группам тарифных планов, имеющих схожиестоимостные характеристики;83∗ ,∈ – это группа тарифных планов, имеющая максимальноеCLV для i кластера абонентов в s период времени; ∈ ,приi=[1,…,I]абонентскимкластерам,являющиесяпрофилями потребления абонентов, K – множество всех профилейабонентов; ∈ , при s=[1,…,S] периодов планирования, T – максимальныйпериод планирования; max CLV(t s , k i , P)1≤j≤J–максимальнаядолгосрочнаяценностьабонентского кластера k i в период времени t s из всего множествагрупп тарифных планов P.Расчет по формуле (36) позволит определить для каждого конкретногопрофиля потребления тарифный план, который даст максимальный CLV назаданном периоде времени.Утверждение 2.

Предполагается, что компания на основе анализафактического профиля потребления способна простимулировать абонентасделать выбор того тарифного плана, который наилучшим образом учитываетегопредпочтения.Влияниемаркетинговойполитикикомпаниииэффективность маркетинговых мероприятий при формировании тарифнойполитики в рамках данной работы не рассматриваются, так как учетмаркетинговой активности целесообразно производить при более широкойпостановке задачи: «Формирование маркетинговой политики компании».Замечание.

Расходы на стимулирование перехода абонента на другойтарифный план в рамках данного исследования не учитываются, поскольку нерассматривается влияние маркетинговых мероприятий.Расчет планируемой прибыли телекоммуникационной компании на всемпериоде прогнозирования T определяется по формуле (37): () = ∑=1 ∑=1 ∗ ( ) ∗ , (|, )Где84(37) () – прибыль сотовой компании на всем периоде планированияT; ( ) – количество абонентов кластера абонентскогопотребления; – доля инвесторов, желающих получить максимум прибыли напромежутке времени [0, ]; , (|, ) – доходность абонента кластера прииспользовании группы тарифных планов с максимальным доходом, , на всем периоде планированияАналогичнымобразомможетбытьполученаприбыльтелекоммуникационной компании на любом подпериоде планирования.Данный расчет производится с учетом уже существующих тарифныхпланов компании.2.6 Информационно логическая модель формирования новоготарифного планаВ случае выпуска нового тарифного плана, необходимо иметьформализованное представление предпочтений абонентов о тарифных планах.Для этого необходимы стоимость единицы трафика и средний трафик наабонента в рамках каждого абонентского профиля потребления и тарифногоплана.

Далее, при помощи регрессии (Айвазян, 1998; Крыштановский, 2000;Ершов, 2008) можно будет построить модель, которая будет предсказыватьCLV абонентов данного профиля потребления на тарифном плане позаданному набору характеристик. Применение регрессии также даст важнуюинформацию для телекоммуникационной компании о том, какие именнокритерии тарифного плана наиболее важны для каждого абонентскогокластера.Для данного расчета также было бы более точным применятьпредсказание в рамках групп тарифных планов, но поскольку групп тарифныхпланов явно недостаточно для построения регрессионной функции CLV, то85лучше строить модель непосредственно на большом количестве тарифныхпланов компании.Оценка нового тарифного плана осуществляется на основе расчета длякаждого абонентского кластера характеристики CLV по формуле (38).′ = ∑=1, ∗ ,(38)Где, ′ - прогнозный CLV i-ого абонентского кластера, i = [1,…,I]; ,–коэффициентмножественнойлинейнойрегрессии,построенной на выборке действующих тарифных планов в рамкахi-ого абонентского кластера при –количестве значимыхрегрессоров; e = [1… ]; , – регрессор, отражающий одну из значимо важныхдля данного абонентского кластера стоимостных характеристиктарифного плана.Описание стоимостных предпочтений при помощи регрессионныхфункций, при условии отсутствия явных ограничений стоимостныххарактеристик,непозволяетФормированиеновогосформироватьтарифногопланановыйвключаеттарифныйвсебяплан.сложноформализуемые параметры, что делает автоматизированное формированиенового тарифного плана весьма нетривиальной задачей.

Количествостоимостных характеристик, описывающих тарифный план, может бытьбольшим, вместе с тем, отношение абонентов к стоимостным характеристикамменяется в зависимости от их величины, что вероятно, отразится в виденелинейной связи CLV и стоимостных характеристик тарифного плана.Решение данной задачи возможно с использованием нейронной сети(Хайкин, 2006; Осовский, 2002), поскольку данный метод позволяетавтоматическиучестьнелинейностьвзаимосвязейпараметров.Математические принципы, заложенные в алгоритм, схожи с принципамиработы человеческого мозга, что обеспечивает большую гибкость при анализе86данных.

Другим большим преимуществом нейронной сети являетсяуниверсальность ее применения при работе с различными типами данных.Поэтому использование данного метода позволяет построить нейросетевуюмодель,котораяобеспечитвыявлениевзаимосвязистоимостныххарактеристик с CLV для всех абонентских кластеров. Можно выделить дваосновных недостатка, присущих нейронным сетям.Первый – высокая вероятность переобучения алгоритма, вследствиеизлишне точного учета нелинейных связей алгоритмом. Данная проблемаособенно актуальна для выборок небольшого объема.

Второй - сложностьвосприятия и проведения логического анализа сформированных связей, дажев том случае, когда количество нейронов равно трем. Учитывая, чтоколичество нейронов зависит от числа параметров и, как правило, взначительной мере превышает три, то аналитическое описание нейроннойсети и ее параметров практически невозможно проанализировать.Следствием второго недостатка в случае решения задачи «построенияоптимального тарифного плана для каждого абонентского кластера на всепериоды,спомощьюнейроннойсети»являетсяневозможностьматематически вычислить комбинации стоимостных характеристик, которыеоцениваются обученной нейронной сетью как максимум CLV.Несмотря на то, что исследуемая выборка достаточно большая (более 2млн. наблюдений), тем не менее, для построения нейронной сети используетсяинформация, характеризующая тарифные планы на всех подпериодахпланирования и абонентских профилях потребления, а это менее 19 тыс.наблюдений, поэтому проблема переобучения является актуальной.Второй недостаток алгоритма нейронной сети не критичен для даннойзадачи, поскольку цель исследования состоит не в объяснении влияниястоимостных характеристик на величину CLV, а в определении оптимальнойгруппы тарифных планов для абонентов, с последующим формированиемтарифной политики.87Получить оптимальную комбинацию стоимостных характеристик можноза счет применения эвристического алгоритма, способного подобратькомбинацию стоимостных характеристик, которую обученная нейронная сетьоценит как максимум CLV, для заданного абонентского кластера заопределенный период планирования.

Характеристики

Список файлов диссертации