Моделирование процессов выявления и формирования предпочтений потребителей телекоммуникационного предприятия тема диссертации по экономике, полный текст автореферата

Автореферат диссертации по теме "Моделирование процессов выявления и формирования предпочтений потребителей телекоммуникационного предприятия"

На правах рукописи

ВЕЙНБЕРГ РОМАН РАФАИЛОВИЧ

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ВЫЯВЛЕНИЯ И ФОРМИРОВАНИЯ ПРЕДПОЧТЕНИЙ ПОТРЕБИТЕЛЕЙ ТЕЛЕКОММУНИКАЦИОННОГО

ПРЕДПРИЯТИЯ

Специальность 08.00.13 -Математические и инструментальные методы экономики

АВТОРЕФЕРАТ

диссертации на сонскание ученой степени кандидата экономических наук

4 АПР 2013

005051395

Москва 2013

005051395

Работа выполнена на кафедре Прикладной информатики в экономике федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Московский государственный университет экономики, статистики и информатики» (МЭСИ)

Научный руководитель: Романов Виктор Петрович

доктор технических наук, профессор

Официальные оппоненты:

Картвелишвили Василий Михайлович

доктор физико-математических наук, профессор, действительный член Академии проблем качества, профессор кафедры математических методов в экономике федерального государственного бюджетного образовательного учреждения выси-его профессионального образования РЭУ им. Г. В. Плеханова

Кистрина Элегия Ильдаровна

кандидат экономических наук, доцент кафедры государственного и муниципального управления и экономической теории федерального государственного бюджетного образовательного учреждение высшего профессионального образования Рязанский государственный радиотехнический университет

Ведущая организация: Федеральное государственное образова-

тельное бюджетное учреждение высшего профессионального образования «Финансовый университет при Правительстве Российской Федерации»

Защита диссертации состоится «_» ______2013 г. в_на заседании диссертационного совета Д 212.151.01 в МЭСИ по адресу: 119501, г. Москва, ул. Нежинская, д.7.

С диссертацией можно ознакомиться в библиотеке МЭСИ

Автореферат разослан «_»___ 2013 г.

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

Мастяева И.Н.

I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. В настоящее время происходит интенсификация развития телекоммуникационного рынка не только в локальном, но и в общемировом масштабе. Данная тенденция выражается в усилении значения ряда объективных факторов, влияющих на рынок услуг связи: последние 2-3 года в мире наблюдается удвоение объёма передаваемой информации через информационно-телекоммуникационную инфраструктуру'; происходит дифференциация спектра предоставляемых сервисов (до 100 комбинаций услуг на отдельно взятых локальных рынках), с имеющимся повышением динамики изменения предоставляемых услуг связи2; наблюдается рост объемов клиентской базы - показатели общемирового количества пользователей сотовой связи прогнозируются на уровне 14 миллиардов абонентов к 2020 году3. Все вышеназванные факторы повышают конкуренцию на телекоммуникационном рынке.

В такой ситуации одним из важных условий обеспечения конкурентоспособности телекоммуникационных предприятий является построение эффективной концепции взаимоотношения с клиентами, реализующей учет их потребительских предпочтений и осуществляющей повышение общего уровня привлекательности предоставляемых услуг на рынке. Проблематика создания концепции и методики учета предпочтений на телекоммуникационных предприятиях Российской Федерации еще недостаточно проработана в связи с низким уровнем организации процесса коммуникации между субъектами рынка услуг связи, отсутствием адекватного и своевременного ответа на возникающие потребности клиентов, недостаточной изученностью клиентских предпочтений, низким уровнем внедрения автоматизированных систем управления взаимоотношениями с клиентами (CRM-систем)4. Как следствие, наблюдается понижение уровня потребительской лояльности, выраженное в повышении показателя оттока абонентов ряда ведущих телекоммуникационных компаний на протяжении нескольких лет5.

На практике для определения клиентских предпочтений используются методы интеллектуального анализа данных (ИАД — Data Mining), с помощью которых определяются скрытые закономерности, содержащиеся в данных мониторинга клиентской активности, потребительских и личностных характеристик клиентов. Методы ИАД повсеместно применяются в процессе анализа рынка потребителей услуг связи, но их применение носит фрагментарный,

1 Битнер В.И., Попов Г.Н. Нормирование качества телекоммуникационных услуг. - М.: Горячая линия - Телеком, 2009.

2 Бершев С.М., Алиев Н.М. Пакетирование телекоммуникационных услуг. - М.: ИРИАС, 2009.

5 Официальный сайт интернет журнала об информационных технологиях и коммуникациях Mobile News Review Электронный ресурс. / Режим доступа: http://www.mobiIenews.ra.

4 МакдональдМ. Планы маркетинга. -М.: Технология, 2004.

5 Официальный сайт ЗАО Современные Телекоммуникации Электронный ресурс. / Режим доступа: http://www.modetel.ru.

неполный характер6: выполняется кластеризация без классификации или с уже известным количеством кластеров, не используется поиск оптимальных алгоритмов разбиения, не применяется метод понижения размерности данных при визуализации, отсутствует обучение в процессе классификации.

Применение полученных результатов ИАД в существующих системах поддержки принятия решений недостаточно формализовано и автоматизировано, что отрицательно сказывается на своевременности и оперативности принятия решений по предоставлению телекоммуникационных услуг на рынок и повышению лояльности и эффективности в работе с клиентами, подтверждающихся рядом проведенных исследовании в области управления взаимоотношениями с потребителями7. По нашему мнению, подобную формализацию и автоматизацию применения результатов ИАД может обеспечить имплементация системы управления бизнес-правилами (BRMS - Business Rules Management System) в рамках концепции внутрифирменного принятия решений (EDM - Enterprise Décision Management) за счет ее использования как части методологии управления отношениями с клиентами (CRM - customer relationship management) на предприятиях связи РФ.

Все это обусловливает необходимость совершенствования существующих механизмов CRM с учетом клиентских предпочтений на основе разработки модели и комплексной методики выявления и формирования клиентских предпочтений, представляющих собой инструменты эффективного управления и анализа потребительской базы, ядром которой должно стать наличие гибкой интеллектуальной информационной системы поддержки принятия решений (ИИСППР) на базе современных методов ИАД и программно-инструментальных средств.

Степень разработанности проблемы. Проблемы выявления и формирования клиентских предпочтений с использованием методов и программно-инструментальных средств систем поддержки принятия решений на телекоммуникационном предприятия рассматривались многими отечественными и зарубежными учеными.

В частности, разработке систем поддержки принятия решений посвящены работы Аб-дикеева Н.М., Аверкина А.Н., Андрианова Д.Л., Дика В.В., Канемана Д., Картвелишвили В.М., Ларичева О.И., Поспелова Г.С., Поспелова Д.А. Петровского А.В., Тельнова Ю.Ф., Трахтенгерца Э.А., Тверского А., Щавелева Л.В. и других.

Применение методов интеллектуального анализа данных для изучения клиентских предпочтений фрагментарно рассмотрено в работах Вапника В.И., Кистриной Э.И., Пятецко-го-Шапиро И.И., Пятецкого-Шапиро Г.И., Романова В.П., Шафаревича И.Р. и др. Понятие распознавания образов в контексте использования ИАД изучалось Айвазяном С.А., Бездеком Д., Вэй Лю, Гафом И., Гевой А., Гюстафсоном Д., Данном Дж., Заде Л., Кесселем В., Инмо-ном У. и т.д.; ИАД в сфере телекоммуникаций рассматривался Ахолой Дж, Аматом Дж. Л., Вей Чу, Вейсом Г., Маттисоном Р., Чуй Йаном и другими.

Системы автоматизации и программно-инструментальные средства, используемые

' Janusz G. Data mining and complex télécommunications problems modeling. J. Telecommun. Inform. Technol., no. 3, 2003.

' McDonald M. and Dunbar I. Marlcet segmentation. Howto do it, how to profit from it. Palgrave Pubi.. 1998.

для организации процессов выявления и формирования клиентских предпочтений в рамках управления взаимоотношениями с клиентами, рассматривались в работах Дунбара И., Данько Т.П., Китовой О.В., Макдонапьда М. и т.д.; специфические особенности управления телекоммуникационными услугами детально представлены в работах Битнера В.И., Воронцова Ю.А., Исаева Г.Н., Попова Г.Н., Тихвинского В.О. и др.

Применение систем управления бизнес-правилами и разработка концепции ЕОМ в области взаимоотношения с клиентами рассматривались в трудах Барбары фон Халле, Грэхема Я., Моргана Т., Росса Р., Тейлора Дж., Чишома М., Эпплтона'Дж. Д. и других.

В месте с тем, постоянная изменчивость рынка телекоммуникационных услуг и предпочтений клиентов, расширение многообразия предоставляемых сервисов, необходимость обновления данных пользователей, недостаточная эффективность существующих систем автоматизации процессов выявления и формирования рациональных предпочтений клиентов вызывает необходимость поиска максимально эффективных путей решения проблем более точного определения клиентских потребностей, разработки более гибких методов и моделей формирования услуг связи и управления клиентской базой предприятий сферы услуг связи, что предопределяет цель и задачи диссертационной работы.

Целью диссертационной работы является разработка модели, комплексной методики и совокупности программно-инструментальных средств выявления предпочтений и формирования структуры клиентской базы телекоммуникационной компании с использованием интеллектуального анализа данных и системы управления бизнес-правилами в рамках бизнес-процесса взаимодействия субъектов телекоммуникационного рынка для подбора рационального набора услуг связи в зависимости от имеющихся клиентских характеристик.

Для достижения данной цели в работе были поставлены и решены следующие задачи:

1.Сформировать систему качественных и количественных характеристик, определяющих активность потребителей рынка телекоммуникационных услуг и отражающих их личные данные;

2.Формализоватъ информационно-логическую схему выявления и формирования клиентских предпочтений с учетом обратной связи и набора потребительских (профиля потребления) и личностных клиентских характеристик (личного профиля);

3.Разработать методику выявления клиентских предпочтений с учетом профиля потребления и набора личностных клиентских характеристик на основе применения методов интеллектуального анализа данных.

4.Провести компьютерные эксперименты для подтверждения практической эффективности разработанной методики выявления клиентских предпочтений на основе кластери-, зации данных потребления услуг связи, с последующей классификацией полученных кластеров с учетом набора личностных клиентских характеристик.

5.Построить модель подбора необходимых наборов услуг связи и формализации применения результатов ИАД на основе системы управления бизнес-правилами.

6.Разработать структуру интеллектуальной информационной системы поддержки

принятия решений (ИИСППР) с модулем ИАД, необходимым для анализа и выявления предпочтений клиентов, и модулем BRMS, обеспечивающим формализацию применения результатов кластеризации и классификации клиентских предпочтений.

Объестом диссертационного исследования являются предпочтения потребителей телекоммуникационных услуг, характеризующиеся разнородными количественными и качественными характеристиками.

Предметом диссертационного исследования являются инструментальные методы и средства выявления и формирования предпочтений потребителей услуг связи, базирующиеся на анализе активности клиентов телекоммуникационной компании и телекоммуникационного рынка Российской Федерации.

Методами исследования, применяемыми в диссертационной работе являются: системный анализ, визуализация данных (метод главных компонент, четкий и нечеткий метод «Сэммона»), четкая и нечеткая кластеризация «без учителя» на основе Эвклидова расстояния, классификация данных «с учителем» на основе машины опорных векторов и обучающих функций ядра, EDM-метод, метод поиска оптимального количества кластеров с помощью вычисления «седаовой точки», методы математической логики. В процессе написания диссертации было использовано следующее компьютерное обеспечение: программно-инструментальный комплекс IBM SPSS, JPM SAS, R-project, XL-Stat, Matlab, программный пакет визуального программирования Visual Rules Suite (модуль BRMS Visual Rules Modeler, компании Bosh), комплекс автоматизированного проектирования и моделирования бизнес-процессов Microsoft Visio, база данных MySQL Server и СУБД dbForge Studio.

Теоретической и методологической основой диссертационной работы являются работы отечественных и зарубежных специалистов в области систем поддержки принятия решений, интеллектуального анализа данных, экономических аспектов систем управления взаимоотношениями с клиентами (CRM) и теории статистики.

Информационной базой исследования послужили следующие официальные открытые источники: хранилище данных компании ОАО Мобильные ТелеСистемы, официальный сайт компании ОАО МТС, материалы периодических печатных и электронных изданий в области CRM и сотовой связи, материалы научных и научно-практических конференций, публикуемые данные информационных агентств, отчеты аналитических и консалтинговых компаний.

Научная новизна диссертации состоит в разработке целостной методики выявления и формирования клиентских предпочтений, а также построении структуры интеллектуальней информационной системы поддержки принятия решений на основе применения комплекса методов интеллектуального анализа данных и их интеграции с системой управления бизнес-правилами, позволяющей осуществлять в результате компьютерного эксперимента подбор рационального набора услуг мобильной связи.

Наиболее существенные результаты, имеющие научную новизну и полученные лично автором:

1. Создана информационно-логическая схема (ИЛС) реализации процесса выяв-

ления и формирования клиентских предпочтений с учетом обратной связи между субъектами, рынка и формализацией применения полученных результатов ИАД с помощью системы управления бизнес-правилами в рамках бизнес-процесса подбора рационального набора услуг в зависимости от клиентских характеристик. Использование Ш1С дает возможность потребителю максимально влиять на предложения рынка, поставщику в автоматическом режиме предоставлять на рынок наиболее рациональные и клиенто-ориентированные сервисы, отражающие профиль потребления клиента и набор его социально-демографических характеристик.

2. Предложен рациональный набор характеристик клиентов и их активности на телекоммуникационном рынке, включающий в себя данные по потреблению услуг связи и набор личностных данных, реализованные в виде древовидной структуры системы показателей. Отличительной особенностью данной системы показателей является то, что она выражает комплексную оценку типичного потребителя телекоммуникационных услуг с целью подбора для него персонифицированного набора услуг связи.

3. Разработана методика выявления клиентских предпочтений, реализованная с помощью компьютерного эксперимента и включающая в себя этапы сбора, сепарации статистической пользовательской информации; выбора и обоснования методов кластеризации (без учителя и предварительной классификации); визуализации результатов; построения профилей потребления услуг связи на основе данных кластеризации и классификация полученных кластеров с учетом личного профиля клиента. Отличительной особенностью данной методики является наличие в ней комплексного подхода к выявлению предпочтений клиентов, необходимого в условиях динамического развития и изменения рынка телекоммуникационных услуг связи. На основе компьютерных экспериментов в рамках изучаемой совокупности данных сформулированы рекомендации по выбору оптимальных методов кластеризации при различном числе кластеров, позволившие построить целостную модель потребителя телекоммуникационных услуг.

4. Разработана модель на основе системы управления бизнес-правилами, отличительной особенностью которой является автоматизация процесса подбора телекоммуникационных услуг через последовательное и параллельное выполнение потоков правил, реализованных в виде структурно-функциональных блоков В1Ш8. с учетом изменения потребительских и личностных характеристик клиента.

5. Разработана структура интеллектуальной информационной системы поддержки принятия решений на основе средств интеллектуального анализа данных и формализации применения его результатов в системе управления бизнес-правилами. Отличительной особенностью ИИСППР является объединение инструментальных средств ИАД и системы управления бизнес-правилами в единый программно-инструментальный комплекс, целью которого является анализ клиентских предпочтений и автоматизация процесса подбора услуг связи в зависимости от динамического движения элементов кластеров и их центров и изменения личностных потребительских характеристик.

Теоретическое значение исследования состоит в развитии теории и методологии со-

здания систем поддержки принятия решений на основе интеграции методов интеллектуального анализа данных и системы управления бизнес-правилами для выявления и формирования предпочтений потребителей телекоммуникационного предприятия в условиях имеющегося динамического характера и интенсификации развития рынка связи, роста объемов клиентской базы, многообразия мобильных услуг и расширения их спектра.

Практическое знамение диссертационной работы заключается в том, что полученные теоретические результаты и инструментальные решения могут быть использованы в процессе выявления и формирования клиентских предпочтений в рамках телекоммуникационного сектора Российской Федерации в части создания системы поддержки принятия решений по выявлению и формированию предпочтений потребителей телекоммуникационного предприятия.

Область научного исследования: диссертационная работа проведена в рамках пунктов 2.1 и 2.3 паспорта специальности ВАК Минобрнауки России 08.00.13 - Математические и инструментальные методы экономики: п. 2.1. Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления; п. 2.3. Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях.

Апробация и внедрение результатов исследования: основные положения работы представлялись и докладывались на 12-ти международных научно-практических конференциях: в рамках международных научно-практических конференций «Современная экономика: концепции и модели инновационного развития», (г. Москва, май 2010, май 2011- гг.); в рамках международных научно-практических конференций «Инновационные и информационные технологии в экономике, менеджменте и образовании им. А. И. Китова'4 (октябрь

2010, ноября 2011 гг.); в рамках международной научно-практической конференции «Совершенствование подготовки 1Т-специалистов по направлению «Прикладная информатика» для инновационной экономики» (МЭСИ 2010 г.); в рамках международных научно-практических конференций «Инновационное развитие российской экономик1!!» (МЭСИ 2009, 2010 гг.); на 23-х и 24-х международных Плехановских чтениях (на русском и иностранных языках, 2010, 2011 гг.) и на межвузовской научно-практической конференции «Шаг в науку-

2011, конференция аспирантов и молодых ученых». Результаты работы были заслушаны европейским и североамериканским научным сообществом: конференция в США, SpringSim'll: Spring Simulation Multiconference, 3-7 April 2011, Boston, MA, USA и конференция в Дании: CONFENIS 2011, Re-conceptualizing Enterprise Information Systems: 5th IF1P WG 8.9 Working Conference. Aalborg, Denmark, October 16-18, 2011.

Конкретные результаты работы использованы специалистами компании ООО «Бизнес Аналитические Системы» (БАС), в качестве сформированного пакета консалтинговых и маркетинговых предложений для предприятий связи. Результаты диссертационного исследования использованы также в ОАО «Основа Телеком» в качестве набора методологических концепций, программно-инструментальных средств интеллектуальной информационной системы поддержки принятия решений, реализованной на графическом языке логических опе-

раторов Rule Language, с параллельным и последовательным выполнением потоков правил, моделей и решений для формировании пакета предложений по анализу и управлению клиентской базой телекоммуникационного предприятия, что отражено в заключение комиссии ООО «АйКомИнвест».

Фрагментарно практические результаты диссертационного исследования интегрированы в учебный процесс в рамках подготовки бакалавров образовательного направления 080500.62 - Бизнес - информатика по дисциплине «Системы управления бизнес-правилами»,

Публикации: По материалам диссертации опубликовано 16 работ общим объемом 5,8 п.л., в том числе авторских 3,7 пл., из них 1,06 п.л. - 4 статьи в журналах, входящих в перечень ВАК Минобрнауки России.

Объем и структура диссертации обусловлена целями, задачами, логикой и методологией исследования и состоит из введения, трех глав (с выводами по главам), общего заключения по работе, списка литературы из 134 наименований и 5 приложений.

II. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность темы, сформулированы цель и задачи работы, определены объект и предмет исследования, сформулированы научная новизна и практическая значимость полученных результатов.

В главе 1 «Анализ современных инструментальных средств поддержки принятия решений в телекоммуникационной сфере» выявлены особенности функционирования и использования в телекоммуникационной сфере систем поддержки принятия решений, основанных на системах управления бизнес-правилами и методах интеллектуального анализа данных, обеспечивающих анализ, мониторинг предпочтений и формирование клиентской базы в рамках типичного телекоммуникационного предприятия.

В диссертации проанализированы тренды, динамика и перспективы развития телекоммуникационного рынка Российской Федерации, процесс взаимоотношения потребителей и поставщиков высокотехнологичных услуг связи. В ходе исследования обосновано, что:

1. Телекоммуникационный рынок РФ представляет собой рынок олигополистиче-ской конкуренции, основным вектором роста доходов которого являются услуги, приносящие дополнительный доход (VAS - Value Added Services) на фоне роста внутреннего потребительского спроса;

2. Телекоммуникационный рынок РФ является динамическим и регулярно пополняется новыми услугами, содержащими большое количество условий и предложений в рамках каждой категории;

3. Несмотря на замкнутый характер рынка, имеется объективно высокий уровень оттока абонентов (например, показатель оттока абонентов ОАО МТС вырос на 7,6 % в 2010 году по сравнению с 2009 годом").

8 Официальный сайт компании ОАО «МТС» Электронный ресурс. / Режим доступа: http://www.mts.ru.

9

В соответствии с особенностями рынка телекоммуникационных услуг в работе обосновывается необходимость усовершенствования существующих бизнес-процессов подбора рационального набора услуг связи в зависимости от клиентских характеристик с помощью создания информационно-логической схемы реализации процесса выявления и формирования клиентских предпочтений с использованием интеллектуальной информационной системы поддержки принятия решений (ИИСППР) с обратной связью, что обеспечит возможность потребителю максимально влиять на предложения рынка, а поставщику предлагать в автоматизированном режиме наиболее рациональные и клиентоориентированные сервисы. Процесс выявления клиентских предпочтений подразумевает кластеризацию потребителей, где каждый кластер будет соответствовать уникальному для него клиентскому профилю потребления и набору классифицирующих клиента личностных характеристик с целью формирования адаптированных к каждому кластеру и клиенту наборов услуг.

В работе предлагается формировать кластеры на основе характеристик свойств потребителей, отражающих их привычки, вкусы и динамику потребления услуг. Перечень этих характеристик, на наш взгляд, целесообразно разделить на две группы: «Личный профиль клиента» - описывает клиента по его личностным атрибутам, таким как возраст, пол и образ жизни и «Профиль потребления клиента» - долевое или процентное потребление им услуг мобильной связи внутри клиентского кластера, измеряемое в абсолютных или относительных величинах. В соответствии с этими положениями осуществляется постановка задачи разработки комплексной методики выявления и формирования клиентских предпочтений.

В главе 2 «Методика выявления и формирования предпочтений потребителей телекоммуникационного рынка на основе применения методов интеллектуального анализа данных» представлена разработанная автором информационно-логическая схема реализации процесса вьивления и формирования клиентских предпочтений в рамках концепции CRM и на её основе предлагается соответствующая методика, которая позволяет сформировать баланс между объективными потребностями клиентов и необходимым для их удовлетворения набором услуг связи с учетом клиентской динамики потребления и совокупности социально-демографических характеристик.

Согласно предлагаемой информационно-логической схеме (рисунок 1) поставщик телекоммуникационных услуг разрабатывает специальные наборы услуг, основанные на профиле потребления элементов клиентских кластеров и их центров. Каждому элементу кластера рынка потребителей (N) определяется и задается в автоматизированном режиме с помощью интеллектуальной информационной системы поддержки принятия решений один из специально созданных наборов услуг п (сформированный из шаблонов) в период времени t. Если изменяется профиль потребления центра кластера или его элемента за временное окно Т, то изменяется набор услуг, что предопределяет наличие двухсторонней связи и отслеживание динамики изменения показателей потребления. Разработка и внедрение информационно-логической схемы сбалансирует информационные потоки на телекоммуникационном предприятии и позволит потребителю в режиме реального времени коммуницировать с поставщиком услуг связи, что повышает лояльность клиента.

Генеральный директор

Директор no I развитию бизнеса I

¡Директор департамента по¡1 | разработке продуктов и услуг

На тендерной основе

Группа Группа

специалистов специалистов

1 Группа Группа

[эдциалистое специалистов

Группа Группа

:пециалистов :пеи,иалистоа1

Внутренние консультанты

выявление и формирование предпочтений в рамках

ВЗАИМОД£йст8ия П0РЕ6ИТШ И поставщика телекоммуникационных услуг с использованием кластерного разделения и классификации на ссн06е личного провиля кли£нта и профиля потргбления услуг клиентом

Фокус- 1

группа

Фокус-

группа

Фокус-

группа

LФокус-группа

□

Фокус-группа

Фокус-группа

Апробация наборов услуг

Имгел/ммуяльит информации hi

РЫНОК ПОТРЕБИТЕЛЕЙ УСЛУГСВЯЗИ

Набору

луг 1 КЛАСТЕР 1

"Набор услуг 2 ' I»*

__ КЛАСТЕР N

Набор услуг Н

ПОСТАВЩИК ТЕЛЕКОММУНИКАЦИОННЫХ УСЛУГ Lnupotmnpoew^^^—J^^

п*боМ ГОТ

Двухсторонняя СВЯЗЬ

РЫНОК (яиешняя среда)

ыкж сода

ии4ор*»юии о бд —* иад 6 им 5

потребк'вл**

Двухсторонняя связь

Рисунок 1 - Информационно-логическая схема реализации процесса выявления и формирования клиентских предпочтений в рамках CRM

Исходя из проблематики исследования, исходные данные для кластеризации целесообразно представить в виде совокупности наблюдений за физическим процессом поведения клиентов телекоммуникационного рынка. Каждое наблюдение поведения клиентов состоит из п измеренных значений, которые сгруппированы в я-мерный вектор-строку X/ = хч, ...,

дг,„], гдех, е К'. Ряд N наблюдений обозначается следующим образом: Х= {х) \] = I, 2...../V},

и представляется в виде матрицы N х п, где х:1 - показатель потребления /-клиентом/-услуги в единицу времени в абсолютном или относительном выражении (1).

Г

х =

л

Mi

\XN 1

xiJ

Nj

Чя

Xin

(D

Nn у

Подготовительным этапом выявления клиентских предпочтений и кластеризации данных потребителей является формирование базы данных, отражающей фактический набор параметров пользовательской информации о клиентах, представленный в виде предлагаемой древовидной структуры системы показателей (рисунок 2).

Тип телефона ^'Бахццй'

Г Личный профиль Г /_ в клиента____Г

Потребитель тепеноиыукикационкых услуг

\ Г Дополнительна* Ч информация о (^клиенте _ _

' У со аерш ан стео ванн ы й* •Кон сервативная" Т«ч подписки ¡"Умеренная*

ГГЧххрессивиая' Небольшая" Размер «омяании ~ работодателя

ГСреаияя-

"Крупна Коргюраци«

"большой город*

Звонки по допаши»иу региону (средняя продолжительность в

Звонки внутри сети {среднее «о л »ч ест во аьчоаое а день)

Потребление С5Р услуг

в секунда», а рай»)

Эеоиаи на стациомарные телефоны (вреднее когичестао выаовоа » день)

Звоиеи на мобильные телефоны (шмереетоя » процентах)

Мехаутооодниа роумимг {средняя яродолимтепьносту »ызоээ а се«укдэ«. а день)

Международный роумннг (средняя продолжительность вызо»а а секундах, а день)

Потребление УЛЭ у

Объем (намеряется в пройдите и, а сень)

1 Объем ММЗ.-трафижа (щиеряетст.в процентах. в день)

Обьам использование мобильного Интернете (измарается а процента», а дань) Обьеи использования мобильного контента (измеряется в процентах, в день)

Продолжительность ещууццеге вызова (средня? я а секундах)

Количество теиефоиныя вызовов (средне» # е деч»)

Вызовы а рабочие дни недели

Вызовы в дневное ерем» (с 9.-00-16:00), а тссиектзх

Совершенные вызовы (измеряется в процента»)

е между совершенными и принятыми вызовами. пропорция

{Соотношение ме»,ау бы умами в дневное врем« и в рабочие дни

Рисунок 2 - Древовидная структура системы показателей, характеризующая типичного потребителя телекоммуникационных услуг

В диссертации обоснована и разработана методика выявления клиентских предпочтений, учитывающая динамический характер рынка связи и многообразие предоставляемых услуг, которая включает в себя следующие этапы с применением соответствующих методов интеллектуального анализа данных (рисунок 3):

Рисунок 3 - Методика формирования клиентских предпочтений

Отличительной особенностью методики является наличие в ней комплексного подхода к выявлению предпочтений клиентов, необходимого в условиях динамического развития и изменения рынка телекоммуникационных услуг связи. В рамках данной методики исследуется проблема нахождения оптимального количества кластеров с использованием метода изгиба по Торндайку' на основе расчётов коэффициентов и индексов проверки качества кластеризации изучаемой совокупности клиентов, отраженных в таблице I10.

В работе доказано, что необходимо провести комплексный анализ индексов и коэффициентов кластеризации с использованием метода изгиба для определения объективного результата по поиску оптимального количества кластеров в рамках клиентской БД, в связи с тем, что в исследовании применяются различные методы кластеризации, однако коэффициент распределения РС и классификационная энтропия СЕ эффективны только для кластеризации с нечетким разбиением, а индекс Данна (й!) и альтернативный индекс Данна (АО!) являются более эффективными для проверки качества методов четкой кластеризации в силу детерминированной специфики алгоритма (отсутствия показателя «нечёткой» принадлежности при расчёте расстояния (1(х,у)). Анализ результатов показал, что необходимо использовать различные коэффициенты и индексы кластеризации для комплексной оценки используемых алгоритмов кластеризации и выявления объективного количества кластеров, на основе которых будут построены профили потребления услуг связи.

В главе 3 «Программно-алгоритмический инструментарий моделирования процесса выявления и формирования предпочтений потребителей телекоммуникационного рынка» представлены и проанализированы результаты компьютерных экспериментов с применением разработанной ИИСППР по кластеризации и классификации клиентской информации на примере изучаемой совокупности данных, позволившие выявить клиентские предпочтения. Для формализации применения полученных результатов ИАД (в рамках изучаемой совокупности клиентов) разработаны принципы и алгоритмы реализации программно-инструментальной системы управления бизнес-правилами (В ГШ Б) по автоматизации процесса предоставления услуг связи.

В работе исследуется задача выбора числа кластеров с целью нахождения оптимального алгоритма кластеризации для построения профилей и выявления потребительских предпочтений в рамках изучаемой совокупности клиентов. Эмпирическую базу исследования составили случайно выбранные данные по потреблению услуг связи 1000-и клиентов (из генеральной совокупности 5000 клиентов компании ОАО МТС).

В ходе решения задачи исследования изучаемой совокупности данных методом изгиба по Торндайку, при количестве кластеров, заданном в диапазоне х £ [2; 15], определено, что для используемых в работе алгоритмов кластеризации К-средних, К-медоид и Гаф-Гева оптимальное число кластеров равняется четырем (с = 4). Для алгоритмов нечетких С-средних и Густафсона-Кесселя оптимальное количество кластеров равняется шести (с = 6). Графическая интерпретация метода изгиба (фрагмент) изображена на рисунке 4.

' Wei Lu I.Т. A New Evolutionary Algorithm for Determining the Optimal Number of Clusters. СГМСА, 2005.

10 Составлена лично автором на основе экспериментальных данных и расчетов.

Таблица 1 - Анализ коэффициентов и индексов проверки качества кластеризации изучаемой совокупности клиентов

Название индекса/ коэф» фицментэ проверки качества кластеризации Формула Условные обозначения Состояние оптимальности Используется для оценки качества кластеризации

Коэффициент распределения по Бездеку (РС): измеряет количество «перекрытий» между кластерами. /V, и, - принадлежность точки данныхв кластере /, N1 - количество элементов в кластере /, с -количество кластеров. Минимальное значе-ние коэффициента. с нечетким разбиением (С-средних, Г юста фсон-Кессель, Гаф-Гева).

Классификационная энтропия (СЕ): измеряет «размытость» кластера. Ni i.i j-i См. выше. Максимальное значение коэффициента. с нечетким разбиением (С-средних, Гюсгафсон-Кессель, Гаф-Гева).

Индекс распределения (Р1): выражает отношение суммарных значений компактности и разделения кластеров. Используется суммарное значение по всем кластерам. С У" («„FUj-v,? V^Y с Значение нормируется делением на нечеткую мощность кластера Nt. PI используется для сравнения различных разбиений с одинаковым количеством кластеров. v^• центр кластера 1, х^ элемент кластера т -фаэзификатор, рк -центр кластера к. Л^« нечеткая мощность кластера /. Минимальное значение индекса оба метода кластеризации могут быть использованы, е зависимости от полученных ' результатов вычисления.

Индекс разделения ($1): использует для проверки разбиения разделение с минимальным расстоянием. См. выше. Минимальное значение индекса оба метода кластеризации могут быть использованы, в зависимости от полученных результатов вычисления.

Индекс Се-Бени (ХВ): определяет отношение полной вариации а пределах кластеров и разделений кластеров. ХВ(с) --LI-U.--- N niin/ ^ II Ху - V/ И См. выше. Минимальное значение индекса оба метода кластеризации могут быть использованы, в зависимости от полученных результатов вычисления.

Индекс Данна (01). ™njreC.,>'eC Ф,У) Dl (с) = min{ min {-——J--}} lec jec,i*j maxieci1™* x.yeCd{x,y)} 4(х,у) - расстояние между элементами х и у кластеров С< и С/ соответственно. Минимальное значение индекса с четким разбиением (К-средних и К-медоид).

Альтернативный индекс Данна <А01). minv eC„x ,eC, 1 d(y,vj)-d(xj,Vj)\ /i£V(c) = min{ min {- - ' 1 '-J—— iec jecjtj mmkeci™** x.yeC d(x,y)} различие между двумя кластерами, измеренными при juin _с ^ d(x,y)> вычисляется в соответствии с неравенством d{x, у)>} с/(у, v,)- d(x, v,) V/ является центрому-го кластера Су Минимальное значение индекса с четким разбиением (К-средних и К-медоид).

Определение числа кластеров решает проблему неопределенности значения «с», возникающую при использовании методов кластеризации без предварительной классификации исследуемых данных с последующим выбором оптимального алгоритма кластеризации для построения клиентских профилей.

________,—-£ г. ^¿".^ЛСЧ^'У» > ^

/'Л

*7Г '

"Г

Г __ Иктз-с \'5й" " }

=3

Рисунок 4 - Графическая демонстрация метода изгиба и поиска оптимального количества кластеров для алгоритма К-средних (фрагмент), трех индексов (Р1, Б1, ХВ)

В диссертации исследованы проблемы многомерного представления результатов кластеризации потребителей телекоммуникационных услуг, в связи с имеющимся большим числом степеней свободы исследуемых данных. Для корректной визуализации результатов ИАД применены методы понижения размерности данных: РСА (метод главных компонент), отображение Сэммона (БМ) и метод нечеткого отображения Сэммона (Р5М). С помощью этих методов множество данных уменьшалось до двумерного пространства, без большой потери качества исходных данных (в связи с определением и расчётом главных компонент в области высокой дисперсии исходных данных). Определено, что для алгоритмов К-средних и К-медоид наилучшие результаты визуализации достигаются при использовании РСА и БМ (сохранение дисперсий и сохранение расстояний между образами при визуализации соответственно). Для других алгоритмов кластеризации наилучшие результаты визуализации достигаются при использовании РБМ (сохранение расстояния между точками данных и центрами кластеров при визуализации).

Исследование особенностей визуализации результатов кластеризации С-средних, К-медоид и К-средних показало, что они не подходят для построения профилей клиентов и выявления клиентских предпочтений в рамках выбранной совокупности потребителей телекоммуникационного предприятия в связи с рядом внутри алгоритмических особенностей используемых методов кластеризации (наличия четкости разделения на кластеры и отсутствия

матрицы принадлежности) и их некорректной визуализации (в случае с алгоритмом С-средних).

На.основании исследования и анализа результатов визуализации данных методами кластеризации Гаф-Гева и Постафсона-Кесселя и (рисунок 5 и рисунок 6) сделаны следующие выводы:

1. При использовании алгоритма Гюстафсона-Кесселя в обоих случаях (при количестве кластеров с. = 4 и с ~ 6) кластеры хорошо разделены. Отметим также, что кластер в левом нижнем углу и кластер в правом верхнем углу на рисунке 6 присутствуют и в случае с 6-ю кластерами. Точки в этих кластерах представляют клиентов, у которых имеются отличия от других клиентов ОАО МТС по нескольким нолям клиентской базы данных;

2. Показанный на рисунке 5 результат использования алгоритма Гаф-Гева для с = 4 схож с результатом применения алгоритма Густафсона-Кесселя для с = 4 (рисунок 6), что говорит о равнозначности выбора между искомыми алгоритмами в рамках изучаемой совокупности данных:

3. Результат для с = б алгоритма Гаф-Гева (рисунок 5) примечателен своей топологической структурой данных, выраженной в образовании кластеров в других кластерах. В реальной многомерной ситуации кластеры разделены и не являются подмножеством друг друга. Возникновение такой ситуации в двумерном графическом представлении свидетельствует о том, что кластеризация с использованием шести кластеров и алгоритма Гаф-Гева не является оптимальным выбором для дальнейшего построения профилей клиентов изучаемой совокупности данных.

В работе показано, что с помощью анализа результатов методов проверки на основе значений трех наиболее часто используемых индексов (распределения, Се-Бени и Данна) а также комплексного вычисления коэффициентов и индексов кластеризации (см. результаты таблицы 2) и оценки полученных результатов визуализации данных сделан вывод о том, что оптимальным выбором метода кластеризации для построения профилей клиентов и выявления потребительских предпочтений в рамках изучаемой совокупности клиентов является ал-

горитм Гаф-Гева при количестве кластеров с - 4 и алгоритм Густцфсона-Кесселя при с -

Таблица 2 - Результаты использования методов проверки .для с = 4

РС СЕ Р1 57 ХВ1 />/ АШ

К-средних 1 ЫаК 1.1571 0.0002 5.0034 0.0034 0.0002

К-медоид 1 NaN 0.2366 0.0001 Бесконечность 0.0084 0.0002

ГСМ 0.2800 1.3863 0.0002 42.2737 1.0867 0.0102 0.0063

вК 0.3983 1.0009 1.5930 0.0007 1.4183 0.0039 0.0039

Св 0.4982 1.5034 0.0001 0.0001 1.0644 0.0029 00030

Результаты использования методов проверки для с = 6

РС СЕ Р1 ХВ1 />/ АШ

К-средних 1 ИаИ 1.2907 0.0002 3.9253 0.0063 0.0001

К-медоид 1 ЫаЫ 0.1238 0.0001 Бесконечность 0.00 0.0008

ГСМ 0.1667 1.7918 0.8903 19.4613 0.9245 0.0102 0.0008

ск 0.3044 1.4293 0.0001 0.0001 0.9203 0.0029 0.0007

ее 0.3773 1.6490 0.1043 0.0008 1.0457 0.0099 0.0009

В ходе решения задачи выявления клиентских предпочтений в рамках изучаемой совокупности клиентов для каждого кластера, построенного на основе алгоритмов Гюстафсо-на-Кесселя и Гаф-Гева, сформирован профиль потребления услуг связи (отражающий клиентские предпочтения каждого кластера), путем соединения линией всех нормированных значений характеристик клиентов (каждое значение характеристики представлено на оси х рисунка 7). при заданном количестве кластеров «с» (6 и 4 соответственно).

Исследование профилей различных кластеров показало, что они не сильно отличаются по форме. Однако в каждом кластере, по крайней мере, одно значение клиентской характеристики потребления услуг связи отличается от соответствующего значения другого кластера. Это подтверждает предположение о том, что клиенты в разных кластерах характеризуются разным поведением. Большинство линий в одном профиле-проходят близко друг к

другу- Это означает, что значения характеристик клиентов одного профиля (кластера) являются аналогичными.

Также в работе вычислено среднее значение по всем линиям (эквивалент центра кластера) и построен график, используя асе (нормированные) значения характеристик клиентов (рисунок 7). Данное отображение результатов показывает визуально более точную степень сходства или различия между полученными в процессе кластеризации и визуализации профилями потребления услуг связи.

Рисунок 7 - Демонстрация динамики потребления центра кластера при с = 4 (фрагмент)

Различия между кластерами также видны по некоторым значениям исследуемых характеристик таблицы 3 (для двух оптимальных алгоритмов кластеризации исследуемых данных и разном количестве кластеров при с = 4 и с = 6).

Характеристика 1 2 3 4 5 6

Среднее значение ¡19.5 1.7 3.9 65.8 87.0 75.7

Кластер 1 (27.2%) 91.3 0.9 2.9 54.8 86.6 58.2

с = 4 Кластер 2 (28.7%) 120.1 1.8 3.6 73.6 87.1 93.7

Кластер 3 (23.9%) 132.8 2.4 4.4 60.1 86.7 72.1

Кластер 4 (20.2%) 133.8 4.77 4.7 74.7 87.6 78.8

Кластер 1 (18.1%) 94.7 1.2 2.8 66.3 88.0 72.6

Кластер 2 (14.4%) 121.8 1.7 4.1 65.9 86.4 73.0

с = 6 Кластер 3 (18.3%) 121.6 2.5 4.9 66.0 84.3 71.5

Кластер 4 (17.6%) 126.8 1.6 4.0 65.7 87.3 71.2

Кластер 5 (14.8%) 96.8 1.1 3.5 65.2 88.6 92.9

Кластер 6 (16.8%) 155.3 2.1 4.1 65.7 87.4 73.0

Характеристика 7 8 9 10 11 12

Среднее значение 1.6 3.7 2.2 14.4 6.9 25.1

Кластер 1 (27.2%) 1.7 4.0 1.6 12.3 6.2 12.2

с = 4 Кластер 2 (28.7%) 1.2 3.1 2.1 12.8 6.6 30.6

Кластер 3 (23.9%) 1.4 3.4 2.1 22.4 9.4 39.7

Кластер 4 (20.2%) 2.1 4.3 3.0 10.1 5.4 17.9

Кластер 1 (18.1%) 2.3 4.5 1.8 11.3 6.1 13.5

Кластер 2 (14.4%) Л.6 3.7 1.9 17.8 9.5 40.4

с = 6 Кластер 3 (18.3%) 1.0 2.9 2.9 15.1 6.6 26.9

Кластер 4 (17.6%) 1.5 3.6 1.9 15.0 6.2 24.0

Кластер 5 (14.8%) 0.8 2.9 1.8 12.4 6.1 23.1

Кластер 6 (16.8%) 2.4 4.6 2.9 14.8 6.9 22.7

Для формирования набора предпочтений по потреблению услуг связи в рамках изучаемой совокупности клиентов каждого кластера определены максимальные значения потребления услуг и потенциал внутреннего развития профиля потребления (исследуемый показатель «выше среднего значения» других кластеров в рамках двух оптимальных алгоритмов кластеризации, см. таблица 3), что отразилось в следующих рабочих гипотезах:

Профиль потребления 1 кластер 1 (с = 4): минимальные значения всех характеристик, потенциал внутреннего развития в показателях «объем SMS-трафика» - VAS, «объем MMS-трафика» - VAS. Группа клиентов с большим потенциалом внутреннего развития.

Профиль потребления 2 кластер 2 (с = 4): максимальное значение показателя «международный роуминг» - CSD (Circuit Switched Data - голосовые услуги связи), потенциал внутреннего развития в показателях «звонки на мобильные телефоны» - CSD, «междугородный роуминг» - CSD, «мобильный Интернет» - VAS, «мобильный контент» - VAS. Предположительно, группа VIP клиентов, рекомендуется предоставление спектра CSD услуг.

Профиль потребления 3 кластер 3 (с = 4): максимальные значения показателей «Мобильный контент» - VAS, «Продолжительность входящего вызова», «Количество телефонных вызовов в день». Рекомендуется равномерное предоставление услуг по CSD и VAS спектру.

Профиль потребления 4 кластер 4 (с = 4): максимальное потребление по большинству услуг связи (от повседневных CSD, до высокотехнологичных VAS услуг). Предположительно, категория «Звезды» Бостонской консалтинговой группы, высокодоходный клиентский кластер.

Исследование результатов кластеризации с 6-ю кластерами выявило образование новых кластеров, потребление и характеристики которых отличны от тех, что имелись при разбиении на 4-е кластера: клиенты «золотой середины» и клиенты, потребляющие только CSD услуги, полученные результаты потребления необходимо учитывать при работе с вновь образованными клиентскими группами. Разделение при с = б дает большую дифференциацию клиентов, что может положительно повлиять на повышение показателей их лояльности.

В ходе решения задачи по выявлению клиентских предпочтений для классификации / оценки полученных кластеров на основе анализа личных данных, таких как возраст, пол, тип телефона, тип подписки, размер компании работодателя и место жительства абонента (лич-

ный профиль) использован метод опорных векторов с учителем (БУМ). С помощью К-кратной перекрестной проверки (К = 10) данные для обучения были разделены на группы: данные обучения, тестовые данные и проверочные данные. Данные обучения использовались для обучения 8УМ. Тестовые данные применялись для оценки ошибок во время обучения БУМ. Проверочные данные использовались для определения реальной эффективности БУМ после завершения обучения. Каждая функция обучения (ядра) была эмпирически проверена на эффективность уникального классификатора изучаемой совокупное™ клиентов с разными вычисляемыми параметрами (таблица 41').

Таблица 4 - Результаты проперки эффективности классификатора функции ядра

Название функции ядра Формула Вычисляемые параметры Количество кластеров Качество классификации (%) Условные обозначения

Линейная функция К(х„х,) = С = 10 с = 4 43,2 х,, х1 - обуча-

X, X, С = 50 с = 6 32,0 ющие векторы; С - ширина мягкого зазора.

Полиномиальная функция К (*/, */) = (ух/ х, + ■саУ С = 2 с1 = 3 У = 0,4 с = 2 <1 = 3 У = 1,2 С = 2 <1 = 3 У = 1,4 с = 4 78.1 число степеней (1, дисперсия у; Со - константа функции (поправочный коэффициент = 1);

С = 5 с1 = 4 у = 0.6 С = 5 4 У = 0.8 с = 6 76,2 С - ширина мягкого зазора; х,, Xj — обучающие векторы.

Сигмоидальная функция К (*,.*,) = {апЪ (ух/ х, С = 1 У= 1, 2 с = 4 66,1 дисперсия у; х/, ху — обуча-

+ с0) С = 100 у = 1.2 с = 6 44,6 ющие векторы; С - ширина мягкого зазора.

Радиальная базисная функция К (*,, X]) = ехр (-у 11 х, С— 2 у = 0,6 С = 5 У = 1,0 с = 4 80,3 дисперсия у: х,, х, - обучающие векторы; С - ширина

С = 5 У =0.8 с ™ 6 80,3 мягкого зазора.

" Составлена лично автором на основе экспериментальных данных и расчетов.

20

Анализ результатов экспериментов показал (таблица 4), что радиальная базисная функция демонстрирует наилучшее качество классификации в обеих ситуациях с 80,3% и 80,3% (при с = 4 и с = 6) для изучаемой совокупности клиентов. Практические результаты классификации клиентских кластеров отображены в приложении 2 диссертационной работы.

Также была проведена оценка каждой из приведенных характеристик. Была исключена одна характеристика из вектора характеристик и выполнено обучение SVM без ее учета. Полученные результаты демонстрируют, что возраст является важной характеристикой для классификации (повышение качества в 2 раза), тем не менее, каждая характеристика приводит к улучшению результата, поэтому все они необходимы для классификации данной совокупности клиентов.

Таким образом, результирующим эффектом методики выявления клиентских предпочтений стало построение профилей потребления услуг связи с учетом социально-демографических клиентских характеристик, используя оптимальное количество кластеров (при с = 4 и с = 6) в рамках применения оптимальных для изучаемой совокупности данных клиентов алгоритмов кластеризации (Гаф-Гева и Гюстафсон-Кессель), с учетом корректной их визуализации и всесторонней оценки с помощью выбранных коэффициентов и индексов кластеризации.

В связи с необходимостью формализации применения полученных результатов ИАД с помощью методики выявления клиентских предпочтений (в рамках изучаемой совокупности потребителей) в диссертации разработаны принципы и алгоритмы реализации модели на основе системы управления бизнес-правилами (BRMS) но автоматизации процесса предоставления услуг связи. С этой целью проведен анализ и выбор имеющихся на рынке программных продуктов BRMS, из которых детально рассмотрены 4 прикладных пакета: IBM ILog JRules, Blaze Advisor, Corticon и Visual Rules Suite. В результате сравнительного экспертного анализа на основании il-ти критериев для реализации модуля BRMS, автоматизирующего процесс подбора телекоммуникационных услуг через последовательное и параллельное выполнение потоков правил, с учетом изменения потребительских и личностных характеристик клиента, выбрано программное средство Visual Rules Modeler из пакета Visual Rules Suite компании BOSCH.

В рамках работы с BRMS автором спроектирована физическая база данных MySQL в которой хранятся сведения о потребителях телекоммуникационных услуг (19-ть характеристик типичного клиента) и настроено подключение к СУБД ■ dbForge и к BRMS через ODBC/JDBC драйвер.

Для реализации модели подбора услуг связи на основе бизнес-правил в рамках BRMS необходимы следующие параметры, полученные в процессе кластеризации и классификации данных: параметры центров кластеров (исходные данные профиля потребления каждого кластера для с = 4 и с = 6, максимальные значения профиля (тах_Р), потенциал внутреннего развития (PID)); принадлежность клиента к кластеру; параметры классификации полученных кластеров по личным данным клиента.

На основе имеющихся параметров разработана авторская модель бизнес-правил в

Visual Rules Modeler, которая графически представлена в виде глобального потока правил (ГПП), отражающего основные этапы анализа и формирования предпочтений клиентов для принятия решения о предоставлении набора услуг связи в зависимости от набора их профилей (рисунок 8).

Глобальным поток правил Telecom Project 3 у

¡Повтаритьхтя хэждзго

Импорт данных to main

G) Databa»eConncction:-"cfbconi\eiV

О ОзиноигсеИ ="m

Qf TdfgetCwtaE|eni€nt »"men"

Qi С us tcm \ etc hSiœModr

О CustorifeichSize

-a-

Импорт данных и» private

ф DBQuery

СО "" 0 Daubs<еСonction-r'dbconnect"

О DiiaîowceId;ï"priv3te*

Q ScjlS;o!ema4:="SB.KT dientJO , phone,typ« . subscnptKJojype , em ployer.company.size , residence FROM

Ci TargelDaWEIernent; j'piivdte"

0 CuîtomFctchSiœMode

О Custonif etchSize

r®

HÖ8-

Пооюржг» для каждого

'«?«»>*>. ripiKSIjrR'JKI».

0 subscription Jype Q employer.companyjaz

© subsr<ipticn_type 0 employer _r.ompany..si

Рисунок 8 - Фрагмент глобального потока правил в рамках модели Telecom Project 1

Ветви дерева, состоящие из правил являются вложенными потоками правил (ВПП):

1. Поток правил «C/uster's attachment» - формализация через правила принадлежности клиента к кластеру и отслеживание его динамического изменения и движения;

2. Поток правил «Age» - формализация показателя «возраст клиента»;

3. Поток правил «Gender» - формализация показателя «пол клиента»;

4. Поток правил «Phone_type» - формализация показателя «тип телефона клиента»;

5. Поток правил «Svbscription_type» - формализация показателя «тип подписки»;

6. Поток правил «Employer_company_size» - формализация показателя «размер компании работодателя» клиента;

7. Поток правил «Residence» - формализация показателя «место жительства клиента».

ГПП отображает как всю совокупность бизнес-правил в виде дерева, так и элементы взаимодействия правил с БД при обработке модели (экспорт, импорт, обновление БД) и осуществляет исполнение и реализацию процесса принятия решения о рекомендации набора услуг клиенту в зависимости от его характеристик, в индикативном виде менеджеру и/или клиенту.

В исследовании разработано 100 вариаций правил в рамках модели ГПП (на языке программирования Rule Language), обработано, выполнено и протестировано 7 вложенных потоков правил. Проверка сценария исполнения бизнес-правил потребовала инсталляции, развертывания и наладки взаимодействия MySQL и Visual Rules Modeler. В разработанной БД представлены клиенты с разными характеристиками и разные типы классификаторов, что позволило испытать все ветви дерева решений модели. Результаты выполнения появляются в таблице базы данных в виде декларативных рекомендаций по формированию рационального набора услуг связи исходя из анализа предпочтений изучаемой совокупности клиентов.

В диссертации предложен авторский алгоритм, необходимый для отслеживания динамического движения кластера и его элементов, с учетом изменения профиля потребления и личного профиля клиента который позволяет автоматизировать процесс выявления предпочтений, формирования и предоставления телекоммуникационных услуг на рынок, через формализацию применения результатов НАД в рамках BRMS (рисунок 9),

Для инструментальной реализации данного алгоритма автором спроектирована и разработана ИИСППР'2, включающая в себя модуль «Интеллектуального анализа данных» (ИАД), реализующий методику выявления клиентских предпочтений и модуль «система управления бизнес-правилами» (ВШЯ) для формализации применения результатов модуля

12 Обобщенная структурная схема предлагаемой ИИСППР изображена на рисунке 10.

23

«ИАД)).и автоматического подбора необходимых сервисов с помощью графического языка правил Rule Language, в зависимости от траектории движения элементов внутри кластера, с учетом профиля потребления и сопиально-демографических характеристик клиента.

Рисунок 10 - Обобщенная структурная схема ИИСППР

В работе проведена оценка эффективности использования и внедрения разработанных автором программно-инструментальных решений в рамках деятельности типового телекоммуникационного предприятия РФ, которые получены на основе внедрения основных научных результатов в ОАО «Основа Телеком», что отражено в заключение комиссии ООО «Ай-КомИнвест», а также как часть маркетинговых предложений для ООО «Бизнес Аналитические Системы» (БАС), что также отражено в соответствующих документах. В частности, за отчетный период (3,5 месяца) было зафиксировано: повышение прибыли на 10-15 процентов при работе по предлагаемой технологии; рост числа потребляемых услуг связи возрос на 10 процентов; наблюдалось возрастание производительности труда на 5-10 процентов; индекс лояльности клиентов повысился в 1,5 раза (на основе проведенных опросов клиентов). Также требуемое количеств персонала рекомендовано к уменьшению в 1,5 раза в рамках отдела формирования тарифных планов телекоммуникационного предприятия.

В заключении даны рекомендации по проведенному исследованию, выделены перспективы для дальнейшей работы в рамках данного направления.

Основные результаты диссертационного исследования нашли свое отражение в следующих публикациях автора:

Статьи, опубликованные в рекомендованных ВАК Мипобриауки России изданиях:

1. Вейнберг P.P. Использование сценарного анализа для реализации стратегических концепций развития предприятия // Научные .труды Вольного экономического общества России, Том 143,2010. -0,3 п.л. ,

2. Вейнберг P.P., Московой И.Н. Применение систем управления бизнес-правилами для поддержки принятия решений стратегического корпоративного менеджмента

' // Управленец, Xs 09-10, 2010. - 0,75/0,4 п.л.

У. Вейнберг P.P., Титова Е.В. Моделирование бизнес-процессов с помощью инструментальных методов // Логистика, № 05, 2011 - 0,3/0,15 п.л.

•'•' 4. Вейнберг P.P., Бачинин Ю.Г., Романов В.Г1. Сегментация клиентов телекоммуникационной компании на основе кластерного анализа вейвлет-преобразования профиля пользователя // Научные труды Вольного экономического общества России, Том 164, 2011 -0,63/0,21п.л.

Статьи, опубликованные в других научных изданиях:

5. Вейнберг P.P. Необходимость и возможность использования аутсорсинга в инновационной экономике // Инновационное развитие российской экономики : II Междунар. науч.- практ. конференция,- М: МЭСИ, 2009-0,1 п.л.

6. Вейнберг P.P. , Московой И.Н., Романов В.П. Технология использования бизнес-правил в стратегическом менеджменте // Современная экономика: концепции и модели инновационного развития : Матер, междунар. науч.-практ. конф., 13 мая 2010 года : В 2 кн. Кн.2,- М.: Изд-во РЭА им. Г. В. Плеханова, 2010 - 0,5/0,15 п.л.

7. Вейнберг P.P. Развитие коммуникационных технологий в Российской Федерации: перспективы и трудности // Инновационное развитие российской экономики : III Междунар. науч.-практ. конференция Ч. 1.- М.: МЭСИ, 2010 - 0,1 п.л.

8. Вейнберг P.P. Применение систем поддержки принятия решений в условиях новой экономики // Совершенствование подготовки 1Т-специалистов по направлению "Прикладная информатика" для инновационной экономики : сб. науч. тр. VI Междунар. науч.-практ. конференцпи,7 декабря 2010 г.,- М.: МЭСИ, 2010 - 0,3 п.л.

9. Вейнберг P.P., Романов В.П. Менеджмент услуг на основе бизнес-правил в транснациональных корпорациях // Современная экономика: концепции и модели инновационного развития : Материалы III международной научно-практической конференции (18-19 февраля 2011 г.); в 2 кн. Кн.1.- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011 - 0,25/0,125 п.л.

10. Вейнберг P.P. Основные принципы EDM концепции в рамках внутрифирменного развития предприятия // Современная экономика: концепции и модели инновационного развития : Материалы III международной научно-практической конференции (18-19 февраля 2011 г.); в 2 кн. Кн. 2,- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011-0,3 п.л.

11. Вейнберг P.P. Сценарное планирование в стратегическом управлении // Двадцать четвертые Международные Плехановские чтения (10-17 февр. 2011 г.) : Тез. докл. аспирантов и магистрантов,- М.: Изд-во РЭУ им. I". В. Плеханова, 2011 - 0.06 п.л.

12. Вейнберг P.P. Адаптация наборов услуг компании (формирование профайла услуг с помощью технологии бизнес-правил) на основе функции полезности однородных групп пользователей // Шаг в науку-2011 : материалы III межвуз. науч.-практ. конференции аспирантов и молодых ученых,- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011-0,63 п.л.

13. Вейнберг P.P., Бачинин Ю.Г. Использование вейвлет-разложения и кластерного анализа при формировании профиля потребителя услуг связи // Известия Российского экономического универаггета им. Г.В. Плеханова : электронный научный журнал, № 5, 2011 - 1/0.5 п.л.

14. Вейнберг P.P. Использование сценарного анализа для реализации стратегических концепций развития предприятия // Инновационные и информационные технологии в экономике, менеджменте и образовании : междунар. науч.- практ. конференция им. А. И. Китова, 16-18 ноября 2011-0,1 п.л.

Статьи, опубликованные в зарубежных изданиях:

15. Вейнберг P.P., Романов В.П., Полуэктова А.В. Customer-Telecommunications Company's Relationship Simulation Model (RSM), Based on Rules Approach and Formal Concept Analysis Method // SpringSim'l 1: Spring Simulation Multiconference, 3-7 April 2011, Boston, MA, USA.- Boston, 2011 - 0,125/0,05 пл.

16. Вейнберг P.P., Романов В.П. Different Instrumental Methods Which Can Be Used in New EIS: Theory and Practical Approach // Re-conceptualizing Enterprise Information Systems : 5th IFIP WG 8.9 Working Conference, CONFENIS 2011 Aalborg, Denmark, October 16-18, 2011 Revised Selected Papers.- Aalborg: Springer, 2011 - 0,4/0,2 п.л.

Подписано к печати 12.03.13

Формат издании 60x84/16 Кум. офсетная Лв1 Печать офсетная

Печ.л. 1,6 Уч.-шд.л. 1,5 Тираж 100 жз.

Заказ Д« 9943

Типография издательства МЭСИ. 119501, Москва, Нежинская ул., 7