Диссертация (1138748), страница 15
Текст из файла (страница 15)
Справиться с данной задачей способенлюбой эвристический алгоритм, в том числе, и весьма популярный внастоящее время, генетический алгоритм.Наиболее существенными преимуществами генетических алгоритмовявляются:возможностьнахожденияглобальногоэкстремума,универсальность работы с оптимизируемыми показателями, а также быстротаработы. На рис. 11 представлена информационно-логическая модельформирования и оценки тарифного плана телекоммуникационной компании сиспользованиемкомбинациинейросетевоймоделиигенетическогоалгоритма.Общий механизм работы информационно-логической модели состоит изобучения нейронной сети, прогнозирующей CLV для каждого абонентскогокластеравзависимостиотпериодапланированияистоимостныххарактеристик тарифного плана. С использованием обученной нейронноймодели оцениваются тарифные планы, как старые, так и возможные новые,путем ввода характеристик тарифного плана в обученную модель.
А также припомощи генетического алгоритма эвристически подбирается оптимальнаякомбинация характеристик тарифного плана, что может стать основной дляформирования нового тарифного плана сотовой компании.Генетический алгоритм, это механизм эволюционного вычисления (илиэвристической оптимизации), который разработан по аналогии с процессоместественногоотбора,созданногоприродой.Основнойгенетических алгоритмов можно описать в несколько этапов.88механизмK множествоабонентскихкластеровK множество абонентскихкластеров Ki, где i = [1...I].Ki характеризуетсяповеденческимихарактеристикамиP множество тарифныхплановP множество тарифныхпланов Pj, где j = [1...J].
Pjхарактеризуетсястоимостнымхарактеристикамтарифных плановВвод стоимостныххарактеристиктарифных плановэкспертомИнвесторы- Период планированиятарифной политики (T)- Временной шагпланирования тарифнойполитики (ts), где s = [1...S]- Ставка дисконтирования(d)Обученная нейронная сеть.Прогнозирующая значениеCLV каждого абонентскогокластера по всем периодампланированияОценка CLV По наборустоимостныххарактеристиктарифного планаГенетический алгоритмгенерирующий стоимостныехарактеристики тарифногопланаУсловиеостановкиалгоритмаРасчет значения CLVкаждого кластера по всемпериодам планированияна всех тарифных планахРасчет доходности абонента покаждому кластеру тарифныхпланов для каждого абонентскогокластера.
На всех периодахпланирования тарифной политикиОбучение нейронной сети,прогнозирующей CLV Для каждогоабонентского кластера взависимости от периодапланирования и стоимостныххарактеристик тарифного планаРезультаты оценкитарифного планавведенного экспертомНабор стоимостныххарактеристикмаксимизирующих CLVТарифного планаРис. 11 Информационно-логическая модель формирования и оценки тарифного плана телекоммуникационной компанииНа первом этапе формируется набор ген, описываемый наборомхромосом(например,характеристикамитарифныхпланов).Всехарактеристики задаются случайным образом.Вторымэтапомкаждыйгеннеобходимооценить(например,характеристики тарифных планов можно оценить при помощи обученнойнейронной сети) и получить количественное измерение качества данного гена(обычно называют приспособленностью гена).Третьим этапом формируется новый набор ген (или новое поколение),которое основывается на генах предыдущего поколения.
У каждого гена естьсобственная вероятность вложить свои хромосомы в гены следующегопоколения, которое зависит от результатов оценки качества данного гена. Дляформирования каждого потомка нового поколения используются два предкапредыдущего поколения, Гены потомков пересекаются (обычно говорятпроисходит кроссинговер) и создается новый уникальный набор хромосомнового гена, состоящий из частей предков.Четвертымэтапомсформированныепотомкигенвслучайныххромосомах меняются случайным образом (или мутируют). Именно этот этапдает новую информацию в гены.Все этапы, со второго по четвертый, итеративно обрабатываются, пока небудетдостигнутокакое-либоусловиеостановкиработыалгоритма(Курейчик, 2012).Существует множество вариантов усложнения данного алгоритма,которые позволяют ему производить поиск оптимума быстрее и увеличиваютвероятность нахождения глобального экстремума, но общий принцип,заложенный в них, остается прежним.Глава 3Моделирование тарифной политики телекоммуникационнойкомпании с использованием IBM SPSS Modeler v16 и методовData Mining.Предоставление телекоммуникационных услуг в настоящее времяявляетсянепрерывноразвивающимся,быстроменяющимсярынком,функционирующим в условиях жестокой конкуренции.
Наиболее крупнымипредставителями этого рынка в Москве и Московской области являютсякомпании «Билайн», «МегаФон», «МТС». Что касается регионов, то помимоэтих компаний можно выделить компанию «Tele 2». Усиление конкурентнойборьбы требует от телекоммуникационных компаний все большего вниманияк управлению клиентской базой и грамотной стратегии развития тарифнойполитики. Особенно это становится важным на современном этапе развитиярынка, характеризующимся практически полной вовлеченностью клиентов всферу телекоммуникационных услуг и, как следствие, остановкой егоэкстенсивногороста.Усилияменеджментакомпанийдолжныбытьсосредоточены в дальнейшем на решениях, способствующих интенсивномуразвитию данной сферы, и, как результат, на применение новых подходов кформированию и развитию тарифной политики компании.Основной продукт телекоммуникационной компании — это услугисвязи, предоставляемые абоненту.
При этом эффективность системывзаиморасчётовсклиентами(илитарификацииабонентов)запредоставленные услуги характеризуется тем, какой доход приносит каждыйклиент компании. Формирование набора условий взаиморасчётов с клиентамиопределяется условиями заключаемого с каждым клиентом контракта,которыйфактическиявляетсяпродуктом,производимымтелекоммуникационной компанией. Качество формирования данного набораусловий напрямую определяет выручку компании. Оптимизация отдельныхтарифных планов или групп тарифных планов абонентов позволяет компаниимаксимизировать свою прибыль.913.1 Инструментальные средства моделированияДля работы c большими объемами данных и поиском скрытыхзакономерностей методами интеллектуального анализа данных (Паклин,Орешков, 2009; Лихтенштейн, Росс, 2008) существует набор программныхприложений, таких как: Polianalyst, SAS, IBM SPSS Modeler v.16, и др.Применение продуктов позволяет заниматься анализом как специалистам, таки новичкам в сфере анализа данных.
Большинство аналитиков в настоящеевремя, используют готовые решения, но в сфере специалистов активнораспространяются среды программирования Python и R. Системы, требующиенавыков программирования, представляют большую свободу действий припроведении исследований. Результатом их работы, помимо исследования,становятся готовые программы, которые легко распространяются надальнейшиеисследованияиливбизнессреду.Однако,готовые,преднастроенные решения позволяют затрачивать меньше времени настандартныепроцедурыанализа,имеютвысокопроизводительные,оптимизированные средства, способны встраиваться в бизнес-процессыкомпании и тем самым представляют значительные интерес для большинствакомпаний.СистемаPolyAnalyst,какиееаналогиориентированынаавтоматический и автоматизированный анализ данных извлеченных из сырыхданных, с последующим созданием полезных знаний.
Одним из направленийанализа PolyAnalyst является поиск многофакторных зависимостей междупеременными сформированных выборок. Поиск зависимостей происходит сприменением автоматических алгоритмов, которые позволяют создавать ипроверять многомерные нелинейные модели.
Построенные модели отражаютзависимости между исследуемыми объектами, результаты полученныхмоделей могут быть представлены в виде классификационных, правилмногомерных кластеров, построенных алгоритмов решений. Российская92компания Megaputer Intelligence или «Мeгaпьютep» разработала системуPolyAnalyst (Чубукова, 2010).PolyAnalyst построен на базе клиент-серверной архитектуре. Даннаяархитектура хотя и является общепринятой, но является не мало важнымаспектом приложения.
Основное преимущество которой состоит в том, чтопользователь, работая на своей машине только указывает системе какиевычисления произвести в клиентском приложении PolyAnalystWorkplace, а всяобработкапроисходитнаудаленномвысокопроизводительноммасштабируемом сервере. Система устроена так, что модули математическойобработки выделены в отдельную серверную структуру – приложениеназывается PolyAnalyst Knowledge Server. Применение подобной архитектурыпозволяет легко и удобно масштабировать всю систему в целом: отрассчитанной для одного пользователя, до полноценного корпоративногорешения c несколькими высокопроизводительными серверами. На рис. 10представлена архитектура программного приложения PolyAnalyst.Рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
