Диссертация (1151123), страница 17

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

Текст из файла (страница 17)

В рамкахданного примера было построено три модели АРПСС: «простая» модельАРПСС, построенная по методу Бокса-Дженкинса; auto-arima – метод,разработанный Р. Хиндманом [82] и позволяющий автоматически подобратьпараметры модели АРПСС; «сложная» модель АРПСС. Сложная модельАРПСС получается при рассмотрении заведомо избыточной модели, котораязатем упрощается отбрасыванием незначимых слагаемых.В построенной модели оказалось, что при наличии рекламнойкампании логарифм продаж увеличился на 0,0574. Напомним, временной рядбыл предварительно логарифмирован, так как содержал мультипликативнуюсезонность. Чтобы вернуться к исходным продажам, возьмем экспоненту отполученного коэффициента, получим 1,059.Можно сделать следующий вывод: рекламная кампания подняла объёмпродаж организации в 1,059 раз, то есть на 5,9%.

Итог построения модели –количественная оценка эффекта рекламной кампании в выручке организации.117Так же, как и в случае анализа с использованием метода ИНС,рассчитана экономическая эффективность ТВ кампании для разныхсценариев нормы прибыли. В таблице 10 представлен расчёт экономическойэффективности для норм прибыли в 5%, 10% и 15%.Таблица 10Сценарии оценки экономической эффективности ТВ кампанииНорма прибылиЭффект от РКВыручка (в у.е.)Прибыль (в у.е.)Эффект в прибыли (ву.е.)Доходы отвнереализационнойдеятельности (в у.е.)5%ОценкаФактбез РКс РК1,0590,60480,64050,03020,032010%Оценка Факт сбез РКРК1,0590,60480,64050,06050,064015%ОценкаФакт сбез РКРК1,0590,60480,64050,09070,09610,00180,00360,00540,00340,00340,0034-0,0042-0,0042-0,0002-0,0002-0,0041-0,00410,00270,0045Размещение (в у.е.)0,00420,00020,0041Эффективность (в у.е.)0,0009Затраты (в у.е.)Производство (в у.е.)Из таблицы 8 следует, что запуск ТВ-рекламы был экономическиоправдан, полученная прибыль превысила затраты в любом из сценариевнормы прибыли.

С точки зрения УР менеджмента – необходимо проводитьрекламную кампанию для повышения объёма продаж и увеличения валовойприбыли.Описанныйалгоритмпозволяетдостаточнооперативноисминимальными затратами провести анализ оценки эффективности рекламнойкампании с использованием экономико-статистических методов при наличиидостаточного набора данных. В общем случае рекомендуется проводить118подобный анализ самостоятельно вручную, строя «простую» модель АРПССпо методу Бокса-Дженкинса.В примере сравниваются все три построенных модели, при этомкритериями качества модели выступают среднеквадратичная сумма ошибок(критерий MSE) и адекватность модели.

Результаты, полученные в ходепостроения различных моделей АРПСС, представлены в таблице 11.Таблица 11Среднеквадратичная сумма ошибок моделей АРПСС«Простая»auto-arima«Сложная»0,00560,00470,0056Из рассмотрения следует отбросить те модели, которые неадекватноинтерпретируют изменение в динамики, однако в данном анализе такихмоделей не обнаружено.В результате наилучшей по критерию MSE оказалась модель АРПСС(0,2,1) (0,1,1). Она получена методом auto-arima со значением коэффициентаMSE равным 0,0047. Следует заметить, что модель, построенная вручную,проще по коэффициентам при модели (модель АРПСС (1,1,0) (1,0,0)), апоказатель MSE отличается незначительно. В общем случае рекомендуетсяне усложнять модель.Результаты применения методов.

Оценивая показатели, полученныепо методу с использованием нейронных сетей, следует заметить, что прироствыручки от ТВ-рекламы составил 7,4%. При этом, в целом кампанияявляется экономически эффективной в любом из рассчитанных сценариевнормы прибыли, что подтверждает УР о необходимости её проведения.Если сравнивать предложенные методы по критерию MSE, нейронныесети оказались в 4 раза лучше метода АРПСС. Показатель MSE моделинейронных сетей составил 0,0013 против 0,0047 у модели АРПСС. Можнопредполагать, что оценка, полученная с использованием нейронных сетей,119несколько точнее описывает ситуацию с УР о необходимости проведениярекламной кампании.Особенности реализации управленческого решения по оценкеэффективности маркетинговых кампаний.

В деятельности менеджментакоммерческой организации зачастую возникает потребность в обоснованиипринятия того или иного УР. В частности, директор по маркетингу – являетсяЛПР в процессе выбора рекламных каналов коммуникации [41]. Дляпринятия верных решений топ-менеджер нуждается в правдоподобнойоценке уже проведенных мероприятий [39]. На основе этих оценокобосновываются решения о дальнейшем запуске рекламных кампаний ивыборе рекламных носителей. Оценка экономической эффективностирекламных кампаний, кроме того, является и показателем эффективностиработы наёмного менеджмента дирекции по маркетингу организации.В этой связи, рассмотренный метод для оценки УР о необходимостипроведения рекламной кампании является важной составляющей работыспециалистов по маркетингу организации [35].Следует заметить, что предложенные методы для оценки эффектамаркетинговых кампаний требуют определенного уровня квалификацииспециалиста-маркетолога, что накладывает некоторые ограничения наприменимость данного подхода для применения экспресс-анализа.3.5.

Сравнение метода оценки влияния внешних событийна основе нейронных сетей специальнойархитектуры и классических методов в сферемассовых услугНейронная сеть обладает существенными преимуществами передмоделью АРПСС. К ним можно отнести автоматическое построение модели,отсутствиесубъективностипривыборенаилучшеймодели,слабыеограничения на применимость: модель адаптивна, с ее помощью можноаппроксимировать любую непрерывную функцию, в то время как в моделиАРПСС жестко задана линейная зависимость, вид функции изначально120определен с точностью до нескольких параметров.

Нейронные сети нелинейныпосвоейприродеиявляютсямощныминструментоммоделирования.Достоинства и недостатки подходов. Оба использованных методаобладают достоинствами и недостатками. Нейросетевые модели обладаютследующими преимуществами:Универсальность и слабые ограничения на применимость: модельадаптивна и непараметрична. Нейронные сети не зависят от типавходных данных и не требуют линейности целевых функций.Легкостьприменения:модельстроитсяавтоматическиприминимальном участии аналитика. Использование нейронной сети нетребует квалифицированной подготовки персонала в отличие отстандартныхметодов,фундаментальныезнанияподразумевающихвобластитеорииэкспертизуивероятностейиматематической статистики.Отсутствие проблемы размерности.

Нейронные сети применимы прибольшом количестве переменных.Но есть и минусы:Сложностьсамоймоделиипостроенияархитектуры.Длябольшинствареальных задач не разработано готовых схем иконфигурацийнейроннойсети,поэтомузачастуютребуетсясамостоятельно с самого начала продумывать архитектуры нейроннойсети.Длительность обучения нейронной сети или необходимость большихвычислительных мощностей. На сегодняшний день для решения задачсиспользованиемаппаратанейронныхсетейнаобычномперсональном компьютере необходимо длительное время ожиданияпостроения всех итераций модели, используется достаточно большойвременной ресурс для нахождения оптимальных параметров модели.121Сложность интерпретации результатов обучения. Зачастую значенияпараметров отдельных элементов сети не представляется возможнымдля объяснения, поэтому некоторые нейронные сети остаются«чернымящиком» нетолькодляпользователей,ноидляразработчиков.При построении моделей АРПСС для целей оценки влияния внешнегособытия можно выделить следующие преимущества:Скоростьпостроениямодели.ПостроениемоделейАРПССпредполагает достаточно быстрое нахождение оптимальной модели ивозможности получения результата.Логическая простота модели.Однако недостатками АРПСС можно считать следующие аспекты:Необходимо участие эксперта.

Таким образом, выбранная модельчастичносубъективна.ПрипостроениимоделейАРПССпредполагается, что есть квалифицированный специалист, которыйсамостоятельно на основе заранее известных алгоритмов подберетоптимальное значение параметров модели АРПСС, которая наиболееточно сможет описать характер данных.Возможность ошибки спецификации модели. Линейная природамодели АРПСС может ввести в заблуждение в случае отсутствиялинейной зависимости в данных.122ЗАКЛЮЧЕНИЕВ диссертации предложены методы иразработаны математическиеалгоритмы для количественной оценки эффекта влияния внешних событий ипринимаемых управленческих решений на основе искусственных нейронныхсетей.

Методы и алгоритмы доведены до программной реализации,верифицированынареальныхстатистическихданныхкоммерческихорганизаций и отраслей экономики и могут быть рекомендованы дляколичественной оценки влияния внешних событий и управленческих решенийв СППР как для отдельной фирмы/организации, так и на уровне отраслейэкономики.результате проведенного диссертационного исследования:1. Предложена концепция применения систем поддержки принятиярешений для оперативной оценки эффекта влияния внешних событий ипринимаемых управленческих решений в задачах отраслевой аналитики,количественногоанализаключевыхпоказателейбизнеса,контролярезультатов и оценки деятельности менеджмента.2. Разработан алгоритм оценивания влияния внешних событий иуправленческих решений в условиях неполноты или отсутствия информациио величинах и формах таких событий.3.

Предложена математическая модель оценки влияния внешних событийи управленческих решений, реализуемая с использованием аппаратаискусственных нейронных сетей специальной архитектуры.4. Разработано приложение в среде MATLAB для автоматизированногопостроенияИНС-модели,ретроспективныеоценкипозволяющеевлияниявнешнихполучатьсобытий,количественныемаксимальнуювеличину внешнего события и лага в проявлении внешнего события.5. Предложен алгоритм сценарного моделирования событий «что-если»,позволяющий на основе разработанного метода оценить совокупный эффектвлияния внешнего события.6. Обоснована возможность верификации предложенной модели на123реальных статистических данных конкретных коммерческих организаций иотраслей российской экономики.124Список используемой литературы1.Аакер Д. Стратегическое рыночное управление / Пер.

с англ. под ред.Ю.Н. Каптуревского. — СПб: Питер, 2002. — 544 с.2.АббакумовВ.Л.,ЛезинаСтатистическиеметоды:экономическогофакультетаТ.А.УчебникБизнес-анализ[Текст]СПбГУ////Серия:ЗАО‑информации.Учебники«Издательство«Экономика». - 2009. – 374с.3.Абдикеев Н.И. Проектирование интеллектуальных систем в экономике:Учебник/ Под ред. Н.П. Тихомирова. — М.: Издательство «Экзамен»,2004. 528 с.4.Айвазян С.А. и др. Прикладная статистика: Основы моделирования ипервичная обработка данных. Справочное изд.

/ С. А. Айвазян, И. С.Енюков, Л. Д. Мешалкин. – М.: Финансы и статистика, 1983. – 471 с.5.Андрианов Д.Л.,идр.Имитационноемоделированиеи сценарный подход в системах принятия решений // Проблемы теориии практики управления. 2002. — №5. — с. 74-75.6.Ансофф И. Новая корпоративная стратегия. — СПб: Питер Ком, 1999.— 416 с.7.Багриновский К.А. и др. Методы машинной имитации экономическихпроцессов. -М.: Наука, 1982. - 265 с.8.Балдин К.В. Теоретические основы принятия управленческих решений:Учеб./К.В.

Характеристики

Список файлов диссертации