Автореферат (1152379), страница 4
Текст из файла (страница 4)
При β = 0выбор происходит только на основании накопленной эффективности выполнениядейтвий, что приводит к субооптимальным решениям.Выбор действия является вероятностным. Правило определяет ширину зоныдействия lk и общую зону всех действий L пользователя AMi. Правило не изменяется18в ходе алгоритма, но у двух разных пользователей значения вероятности переходабудут отличаться, так как они имеют разные полученные на каждом шаге значенияэффективности и на выполнение действий они тратят различное количество энергии.Выполнив действие lk, пользователь AMi получает и запоминает информациюоб эффективности действия, которая определяется формулой:ΔτS7 (t) =△bcP7de_cdggh,(10)где Δτki(t) – эффективность выполнения действия lk пользователем AMi в моментвремени t, Δ action_comm — сумма полученных сообщений от пользователей за nшагов периода моделирования, зависит от структуры сервиса и находится винтервале [1…5], Q — эталонная эффективность, произведение эталонногоколичества коммуникационных действий, которая зависит от структуры сервиса инаходится в интервале [0…1].Влияние результатов предыдущих действий на выбор пользователяопределяется коэффициентом его забывания эффективности предыдущих действийи выражается формулой:τS7 (t + 1) = m · τS7 (t) + ∆τS7 (t),(11)где τki(t) – накопленное значение эффективности выполнения действия lkпользователем AMi к моменту времени t, Δτki(t) – эффективность выполнениядействия lk пользователем AMi в момент времени t, коэффициент забывания агентамипредыдущих действий, находится в интервале [0…1], t — количество пройденныхциклов модельного времени.5.
Проведена статистическая сегментация пользовательской базы сприменением нейронной сети Кохонена на основе определенных характеристик(пол, возраст, регион, доход, уровень образования) и типа потребления услуги(способ использования услуги, способы общения, цели использования сервиса),выявлены особенности реакции пользовательских сегментов на управляющеевоздействие.В работе показано, что значение характеристик выполнения пользователямидействий E (затраты энергии действия) изменяется одинаковым образом для групппользователей, обладающих схожими параметрами внутреннего состояния.Для выявления особенностей поведения пользователей ПЦС проведена ихсегментация по параметрам внутреннего состояния. При этом использовалисьданныепостатическимиповеденческимпоказателямпользователей,зарегистрированных на ЦС – социальной сети для деловых знакомств justlunch.ru.19Выборка составила 219 560 человек.
В качестве переменных статистическойсегментации были выбраны 11 метрик (статус пользователя, доступность сообщений,источник регистрации, наличие фото, уровень образования, 5 типов целейиспользования, возраст). Для поведенческой сегментации по каждому клиентустроился профиль активности использования ЦС и платежной активности.Использовались два поведенческих фактора: время использования ЦС за неделю иплатежи за неделю.
Дополнительно для каждой анкеты вводился такой параметр, какномер недели максимального использования сайта. Таким образом, всего длясегментации использовались 27 параметров.Для выделения сегментов применялись нейронные сети Кохонена, показавшиеболее явные результаты сегментации по сравнению с другими методами (EMкластеризация, k-means, g-means). Каждый из методов рассматривался с различнымикомплектами входных метрик и различными параметрами алгоритмов. В результатесегментации были выявлено четыре кластера пользователей, обладающих схожимповедением (рисунок 6). Таким образом, значение изменения параметра E(расходование энергии действий) можно задать на основе полученных данных ораспределении активности для каждого выявленного сегмента.Рисунок 6 – Профили поведенческой сегментации6.ПредложенауправленияПЦСметодикасоценкиприменениемэкономическойдвухэффективностиинтегральныхпоказателей,учитывающих прямые и косвенные последствия управления.
Разработанаметодика расчета интегральных показателей эффективности управления ПЦСна основе финансовых данных и параметров соответствия долгосрочнымцелям компании.20В диссертации разработана методика оценки экономической эффективностиуправления ПЦС на основе соответствия результатов управления долгосрочнымцелям компании. Последствия управления можно аналитически задать какмножество приростов ключевых показателей эффективности (КПЭ), то есть:ΔMk={ΔM1k,…,ΔMik,}, ΔMik=Mik(t)–Mik(t0),(12)где ΔMik – i-й прирост, т.
е. изменение значения i-го показателя эффективности для kго сценария управления за период Δt, i (i = 1, 2…c) – порядковый номер КПЭ, где c –количество КПЭ, t0 – дата начала моделирования, t – дата окончания моделирования,Δt = t – t0 – количество дней периода моделирования. Аналогично можно задать имножество возможных сценариев управления в видеSk{{ΔMk},<Ik>}, (13)где k (k = 1, 2…n) – порядковый номер сценария управления, n – количествосценариев управления, <Ik> – кортеж инициатив, направленных на достижениесценария k.В разработанной карте управления определен набор ключевых показателейэффективности для разносторонней оценки результатов управления. Для учетапрямых и косвенных результатов управления предложены два интегральныхпоказателя, расчет которых необходимо производить на основе финансовых данныхПЦС(показательдобавленнойэкономическойстоимости)ипараметровсоответствия долгосрочным целям предприятия (индекс результативности стратегиис точки зрения миссии).Для определения весовой характеристики вклада каждого из КПЭ вдостижение целей ПЦС использовался метод анализа иерархий (МАИ), или AnalyticsHierarchy Process (AHP), разработанный Томасом Л.
Саати. Для этого, согласноМАИ, проведено попарное сравнение КПЭ и результаты представлены в видеобратно симметричных матриц. Элементом матрицы a (i, j) = b является степеньзначимости показателя i относительно показателя j, оцениваемая по степенизначимости от 1 до 9.Веса критериев b определяются экспертами и объясняются значимостьюключевого показателя с точки зрения достижения миссии проекта, стратегическогонаправления его развития. Результат сравнения показателя i при сравнении споказателем j записывается как a (i, j) = b, элементу j при сравнении с элементом iпрописывается обратное значение a (j, i) = 1/b.Множество оценок парного сравнения показателей {M1, …, Mi} представленоматрицей:211l /lk n :…lo /l:Вескаждогоl: /ln1…lo /lnпоказателя…………l: /loln /lop.…1эффективности(14)определяютсяоценкойсоответствующего ему элемента собственного вектора матрицы, нормализованногок единице.Задача необходимости сравнения большого числа показателей была решена засчет их сравнения по группам карты управления.
Веса показателей перемножаютсяна соответствующие веса показателей их группы и суммируются по каждомуэлементу.Вместе с матрицей парных сравнений определяется оценка отклонения отсогласованности:Iсогл =uvwx y7,7y:(15)где Lmax – наибольшее собственное значение матрицы приоритетов.Величина согласованности сравнивается с той, которая получилась бы прислучайном выборе количественных весов из шкалы и образовании обратносимметричной матрицы. В результате деления Iсогл на число, соответствующееслучайной согласованности матрицы того же порядка, получим отношениесогласованности. Данная величина должна быть менее 10–20 %.
В других случаяхследует проверить правильность расстановки весовых коэффициентов.Таким образом, каждый сценарий управления Sk будет представленопределенным приростом значений КПЭ, полученных в результате моделированияΔMik, и весовыми коэффициентами каждого показателя.Для оценки косвенного экономического эффекта управления используетсяформулаc}Ez = { W } · { WG7 · ΔM7S ,(16)Ä_:7_:где Ek – значение эффективности сценария управления k, k (k = 1, 2…n) – порядковыйномер сценария управления, n – количество сценариев управления, Wp – весовойкоэффициент важности p-ой группы показателей, p (p = 1, 2…f) – порядковый номергруппы показателей,где f – количество групп, WGip – весовой коэффициентважности i-го показателя p-й группы, ΔMik – i-й прирост, т.
е. целевое изменениезначения i-го показателя эффективности для k-го сценария управления за периодмоделирования Δt, i (i = 1, 2…c) – порядковый номер показателя, где c – количество22показателей, t0 – дата начала моделирования, t – дата окончания моделирования, Δt =t – t0 – количество дней периода моделирования.Для определения прямого экономического эффекта применяется показательдобавленной экономической стоимости (Economic Value Added, EVA), вычисляемыйпо формуле:EVA=NOPAT–К·CC,(17)где NOPAT – прибыль от операционной деятельности компании (прибыль отосновной деятельности) после налогообложения, но до процентных выплат позаемным средствам (NOPAT = EBIT – Taxes), К – капитал, вложенный в активы,которые служат для обеспечения оперативной деятельности компании, т.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
