Диссертация (1152380), страница 15
Текст из файла (страница 15)
В Приложении В представлены графикипрофилей поведенческой сегментации.Рисунок 28 – Вид карты Коханена для поведенческой сегментацииИсточник: составлено авторомДалеепроверялосьсоотношениестатическойиповеденческойсегментации, произведенные совершенно независимо друг от друга. Для этогорассматривалось пересечение двух сегментаций по пользователям. Для этоговычислялись поведенческие характеристики в разрезе статических сегментов(Рисунок 30).99Рисунок 29 – Данные по поведенческим сегментамИсточник: составлено авторомРисунок 30 – Профили поведенческой сегментацииИсточник: составлено авторомЗдесь стоит обратить внимание на то, что пользователи, целью которыхявляется поиск деловых знакомств, часто имеют особенность, отличающую их отостальных сегментов, — они не сразу начинают пользоваться сайтом.Фактически пик использования у них приходится на конец первого месяца после100регистрации.
Еще раз стоит отметить, что количество пользователей в данномсовмещении не совпадает с количеством пользователей в статическойсегментации из-за некоторого несоответствия таблиц.Видно, что сегменты с пустыми анкетами чаще всего состоят изпользователей, которые вообще не пользуются сайтом. Например, 8-йстатический сегмент на 68 % состоит из одного поведенческого сегмента № 12.Это подтверждает выводы предыдущего анализа о том, что пользователи, незаполнившие анкету, скорее всего, не будут пользоваться сайтом и совершатьплатежи.
При этом структура долгосрочных с точки зрения наполнения анкетысегментов по поведению уже сложнее. Например, 0-й статический сегмент болееменее равномерно представлен людьми с различными моделями поведения.Однако наибольший доход (52 %) всё же приносят самые активные пользователииз 14-го поведенческого сегмента, притом, что в количественном выражении ихтолько 11 %. В Приложении Б представлены матрицы наложения поведенческойсегментации на статическую сегментацию.Получается, что структура сегментов деловых знакомств содержитразличные поведенческие паттерны. Люди, заполнившие анкету максимальноподробно, совсем не обязательно будут пользоваться сайтом и даже в случаеиспользования могут себя вести как угодно.Видно, что сегменты пользователей, активно использующих сервис, вбольшинстве своем состоят из тех, кто на этапе сразу после заполнения былклассифицирован системой как относящийся к сегменту пользователей с целямиделовых знакомств.В результате проведенного анализа становится ясно, что в рамкахимеющейсямоделиповеденияпользователейдинамикаизменениявероятностных характеристик совершения действия будет соответствовать«надоеданию» сервисов пользователю, т.
е. увеличению во времени параметра,задающего значение расходование энергии, — Ek.101Таким образом, параметр расходования энергии действий Ek определяетсяна основе профиля сегмента и задается с распределением по неделям от временижизни пользователя.2.4 Алгоритм принятия решений пользователями ПЦСВ результате рассмотренных выше особенностей поведения пользователейПЦС очевидно, что задать поведение пользователя аналитически невозможно, идля реалистичного моделирования поведения пользователей необходимоиспользовать генетические алгоритмы, способные отобразить процессобучения пользователей на прошлом опыте и поиске оптимального вариантафункционирования в заданных условиях.Одним из способов решения поставленной задачи является использованиемуравьиного алгоритма [37].
Муравьиные алгоритмы представляют собойвероятностную жадную эвристику, где вероятности устанавливаются, исходя изинформации о качестве решения, полученной на основе предыдущих решений.Для моделирования процесса изменений под влиянием управляющихвоздействий необходимо также имитировать реакции пользователей наизменение параметров функционирования системы, т. е. обеспечить процессобучения пользователей.
Для отображения процессов обучения на прошломопыте предлагается использовать муравьиный алгоритм. С учетом особенностейповедения пользователей на основе муравьиных алгоритмов мы можем описатьлокальные правила при выборе действий на сайте.Агенты имеют собственную «память», которая хранит информацию попараметрам каждого возможного действия в момент времени t.102N () = 〈{bN ()}; {N }; {N }〉,(14)Агенты обладают «зрением», т.
е. эвристическим желанием выполнитьодно из доступных агенту AMi действий L, в момент времени t.Агент AMi затрачивает некоторое количество энергии на выполнениекаждого из действий; значение издержек энергии Eki(t) для действия lk зависит отпериода жизни пользователя и его принадлежности к одному из сегментов.Агенты обладают «рациональностью», они могут запоминать результатыдействий и извлеченной выгоды в результате выполнения действия. Накопленноезначение эффективности выполнения действия lk агентом AMi в момент времениt обозначим через τki(t).Наосновании всего вышесказанного мы можем сформулироватьвероятностно-пропорциональноеправило,определяющеевероятностьвыполнения пользователем AMi действия lk в момент времени t:pEg (t) =[hij (?)]k ∗mniqoij (p)rrnuky∑z{|thuj (?)v ∗wxouj (p),(15)где pki(t) — вероятность выполнения пользователем AMi действия lk вмомент времени t; Eki(t) — количество энергии, которое затрачивает агент AMi(t)на выполнение действия lk в момент времени t; Dk — вероятностнаяхарактеристика, зависящая от структуры сайта, которая определяет видимостьдействия lk; τki(t) — накопленное значение эффективности выполнения действияlk агентом AMi в момент времени t; k, j – 1,.., n — порядковый номер действия,где n — количество доступных действий; i = 1,.., n — порядковый номер агента,где m — количество агентов сервиса; t — количество пройденных циклов103модельного времени; α, β — параметры, задающие веса значимости предыдущихдействий.При α = 0 алгоритм вырождается до жадного алгоритма (будет выбранодействие с минимальными затратами и ближайшим расположением).
При β = 0выбор происходит только на основании накопленной эффективности выполнениядейтвий, что приводит к субооптимальным решениям.Заметим, что выбор действия является вероятностным, правило лишьопределяет ширину зоны действия lk и общую зону всех действий L пользователяAMi. Правило не изменяется в ходе алгоритма, но у двух разных пользователейзначения вероятности перехода будут отличаться, поскольку они имеют разныеполученные на каждом шаге значения эффективности, и на выполнение действийони тратят различное количество энергии.Выполнив действие lk, пользователь AMi получает и запоминаетинформацию об эффективности действия.ΔτEg (t) =△•€?g•‚_€•„„…,(16)где Δτki(t) — эффективность выполнения действия lk агентом AMi в моментвремени t; Δ action_comm — сумма полученных сообщений от пользователей заn шагов периода моделирования, зависит от структуры сервиса и находится винтервале [1…5]; Q — эталонная эффективность, произведение эталонногоколичества коммуникационных действий; зависит от структуры сервиса инаходится в интервале [0…1].Влияние результатов предыдущих действий на выбор пользователяопределяется коэффициентом забывания агентами эффективности предыдущихдействий.104τEg (t + 1) = m ∗ τEg (t) + ∆τEg(t)(17)где τki(t) — накопленное значение эффективности выполнения действия lkагентом AMi в момент времени t; Δτki(t) — эффективность выполнения действияlk агентом AMi в момент времени t; m — коэффициент забывания агентамипредыдущих действий, находится в интервале [0…1]; t — количествопройденных циклов модельного времени.2.5 Апробация разработанных моделей оценки эффективности управленияПЦСРабочей группой проекта, согласно процессу, описанному в параграфе 3.2диссертационного исследования, был разработан набор возможных сценариевуправления.
Управленческие инициативы были разделены на группы.По модели монетизации:• условно бесплатный доступ (пользователь платит за дополнительныефункции, основные сервисы предоставляются бесплатно) – m1;• платный доступ (доступ к основным сервисам осуществляется на платнойоснове) – m2;• подписка (пользователь получает бесплатный пробный доступ на 7 дней,после чего платеж проходит в автоматическом режиме) – m3.По стоимости доступа:• низкая стоимость доступа (до 100 рублей/месяц) – p1;• средняя стоимость доступа (от 100 до 500 рублей/месяц) – p2;• высокая стоимость доступа (от 500 рублей/месяц) – p3;По модели привлечения пользователей:• агрессивная реклама – r1;105• средняя активность рекламных компании – r2;• полное отсутствие рекламы – r3.Таким образом мы получаем 3 группы элементов по 3 элемента:{m1, m2, m3}, { p1, p2, p3}, { r1, r2, r3},(24)Общее количество способов выбора по одному элементу из каждой группыопределит количество элементов картежа инициатив Ik, равное 3*3*3=27.I27= < {m1, p1, r1},…, {m3, p3, r3}>,(25)Результативность сценария управления зависит от порядка выполненияинициатив.
В связи с этим рассмотрим возможность моделирования реализацииинициатив на период, равный одному году, с интервалом смены инициатив,равным 3 месяцам. Таким образом мы получим размещение или упорядоченныйнабор из 27 элементов картежа инициатив по 4 кварталам. Количество элементовданного набора будет соответствовать количеству сценариев моделирования.,(26)Таким образом, по результатам данного расчета, необходимо провестимоделирование результативности 421 200 сценариев.При времени моделировании результативности каждого из сценариев от 5до 10 минут и использовании 500 потоков моделирования на весь процесс уйдетболее 5 дней.106Характеристики инициатив.Длямоделированияпроцессапринятиярешенияпользователямиинтерактивного Интернет-сервиса необходимо задать параметры каждогодействия Dk, Ek для каждой из инициативы (Таблица 6).Таблица 6 – Архитектура таблиц «Аналитической БД». Таблица CONTACTSDkm1m2m3p1p2p3r1r2r3Auth (Авторизация);Action(Функциональныесобытия проекта);Action_Comm(Функциональноесобытиескоммуникацией);Action_Pay(Оплата);Delite(Удалениепользователя).30,00%5,00%30,00%30,00%30,00%30,00%30,00%30,00%30,00%50,00%30,00%50,00%50,00%50,00%50,00%50,00%50,00%50,00%20,00%10,00%20,00%20,00%20,00%20,00%20,00%20,00%20,00%1,00%10,00%15,00%20,00%15,00%10,00%20,00%20,00%20,00%20,00%50,00%40,00%20,00%20,00%25,00%20,00%20,00%20,00%EkAuth (Авторизация);Action(Функциональныесобытия проекта);Action_Comm(Функциональноесобытиескоммуникацией);Action_Pay(Оплата);Delite(Удалениепользователя).m1m2m3p1p2p3r1r2r30,200,200,200,200,200,200,200,200,200,201,000,300,300,300,300,300,300,300,200,100,100,200,200,200,200,200,200,010,100,150,50,70,10,010,010,011,001,001,001,001,001,001,001,001,00Источник: составлено авторомПри пересечении параметров разных инициатив выбирается наименьшеезначение.Также зададим статические параметры, характерные для каждого изсценариев управления.107Таблица 7 – Статические параметрыm1Стоимость сервисаr – эффективностьрекламыk–среднееколичествоконтактовq–конверсияконтактаКоличествопользователейсрекламы в месяц0,200,10m2m30,050,100,020,05p1p2p3100,00500,001000,000,200,15r1r20,200,802500010000r30,15Источник: составлено авторомДалее определим структуру новых пользователей по принадлежности квыявленным сегментам (Рисунок 31).После 2 лет моделирования считаем, что структура сегментов не должнаизменяться.Рисунок 31 – Структура новых пользователей по принадлежностиИсточник: составлено авторомРезультаты моделирования.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
