Экспертные системы, сферы их применения в маркетинге
Подсистема диалога ориентирована на организацию дружественного интерфейса с пользователями как в процессе решения задач (в ходе которого система запрашивает у пользователя необходимые факты для процесса рассуждения), так и в ходе приобретения знаний и объяснения результатов работы системы. Диалог дает возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений ЭС… Читать ещё >
Экспертные системы, сферы их применения в маркетинге (реферат, курсовая, диплом, контрольная)
Создание и использование экспертных систем (ЭС) является одним из концептуальных этапов развития ИТ в маркетинге.
Экспертная система предназначена для решения так называемых неформализованных задач, решение которых не может описываться традиционными математическими и статистическими методами и которые обладают одной или несколькими из следующих характеристик:
- • задачи не могут быть выражены в числовой форме;
- • цели не могут быть выражены в терминах точно определенной целевой функции;
- • не существует алгоритмического решения задачи;
- • алгоритмическое решение есть, но его нельзя использовать из-за ограниченности ресурсов (время, память).
В основе интеллектуального решения проблем с использованием ЭС лежит принцип воспроизведения знаний опытных специалистав-экспертов. Исходя из собственного опыта, эксперт, используя ЭС, анализирует ситуацию и распознает наиболее полезные факты, оптимизирует принятие решений, отсекая тупиковые пути.
Программные средства, основанные на технологии ЭС, позволяют достичь более высокой эффективности за счет рассмотрения большого числа альтернатив при выборе решения, ориентации на накопленный и зафиксированный в БЗ опыт группы специалистов, анализа влияния большого количества новых факторов и их оценки при построении стратегий и прогноза.
Основой ЭС является совокупность знаний БЗ, структурированных в целях формализации процесса принятия решений.
Экспертные системы разрабатываются с расчетом на обучение и потому способны обосновать логику выбора решений. Большинство ЭС имеют механизм объяснения, который, используя накопленные в системе знания, дает пояснения и обоснования выбора найденного решения.
Структура экспертной системы и ее компоненты представлены на рис. 6.9[1].
База знаний предназначена для хранения экспертных знаний, интегрирующих накопленный практический опыт, навыки и приемы решения задач из данной предметной области. Как правило, БЗ системы содержит факты (сведения о данной предметной области) и правила вывода — набор инструкций, применяя которые к известным фактам можно получать новые факты. Ценность всей ЭС как законченного продукта на 90% определяется качеством созданной БЗ.
Рис. 6.9. Обобщенная структура экспертной системы.
Рабочая память — база данных системы, предназначенная для временного хранения исходных и промежуточных фактов решаемой в текущий момент задачи (с коэффициентами уверенности в истинности этих фактов[2]), фактами могут быть также результаты общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с ЭС.
Механизм логического вывода — механизм рассуждений, оперирующий знаниями и данными, имеющимися в системе, с целью получения новых знаний и данных. Рассуждения могут быть реализованы разными методами[3]: в виде дедуктивного вывода (прямого, обратного, смешанного); нечеткого вывода; вероятностного вывода; поиска решения с разбиением на последовательность подзадач; поиска решения с использованием стратегии разбиения пространства; поиска с учетом уровней абстрагирования решения или понятий, с ними связанных; монотонного или немонотонного рассуждения; рассуждений с использованием механизма аргументации; ассоциативного поиска с использованием нейронных сетей и др.
Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом, а также адаптацию БЗ системы к условиям ее функционирования. Адаптация ЭС к изменениям в предметной области реализуется путем замены правил или фактов в БЗ.
Одним из самых важных свойств ЭС является возможность объяснять свои действия. Подсистема объяснений поясняет пользователю, как именно система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что повышает доверие пользователя к полученному результату. При этом, в частности, создаются условия для пользователей по вскрытию новых закономерностей предметной области.
Подсистема диалога ориентирована на организацию дружественного интерфейса с пользователями как в процессе решения задач (в ходе которого система запрашивает у пользователя необходимые факты для процесса рассуждения), так и в ходе приобретения знаний и объяснения результатов работы системы. Диалог дает возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений ЭС.
Экспертная система может функционировать в двух режимах — ввода знаний и консультаций.
В режиме ввода знаний эксперт с помощью инженера по знаниям вводит в БЗ ЭС известные ему сведения о предметной области, используя для этой цели редактор БЗ.
В режиме консультаций пользователь ведет диалог с ЭС, сообщая ей данные о текущей задаче и получая от ЭС рекомендации.
Обладая знаниями и опытом конкретных экспертов-аналитиков, ЭС с успехом применяются в тех областях аналитической деятельности людей, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учета сложных причинно-следственных связей, применения нетривиальных логических рассуждений и т. п.
Особо успешным является их применение в слабо структурированных предметных областях, где не достигнут высокий уровень формализации моделей, решения принимаются в условиях неполноты информации и зависят скорее от качественных, чем от количественных оценок.
Примером может служить маркетинговая ЭС SESOPS, осуществляющая оценку и отбор потенциальных поставщиков1.
Пример
Оценка поставщиков производится по качественной шкале на основе 15 критериев, распределенных по четырем группам, характеризующим: 1) качество продукта, 2) производственные возможности поставщика, 3) качество реализации заказа, 4) общее представление о поставщике (табл. 6.10).
Для представления знаний система использует продукционные правила вида (6.3).
Фрагмент базы правил приведен в табл. 6.11.
Оценочная таблица отбора поставщиков.
Таблица 6.10
№. n/n | Критерии оценки пригодности поставщика | Уровни оценки | Назначение и идентификатор промежуточных (групповых) оценочных показателей |
На каком уровне поставщиком документально подтверджены процедуры контроля качества продукта (ККП)? | Высокий — Средний — Низкий. | К — Качество продукта. | |
На каком уровне поставщиком реализован статистический контроль процесса анализа ККП? | Высокий — Средний — Низкий. | ||
Сертифицирован ли продукт в Международной организации стандартизации ISO? | Да — Нет. |
1 Vokurka R. J., Choobineh J., Vadi L. A prototype expert system for the evaluation and selection of potential suppliers // International Journal of Operation and Production Management. 1996. V. 16. № 12.
№. п/п | Критерии оценки пригодности поставщика | Уровни оценки | Назначение и идентификатор промежуточных (групповых) оценочных показателей |
Имеет ли поставщик благоприятную историю относительно производства других продуктов? | Да — Нет. | ||
Каков уровень производственных и технических возможностей поставщика? | Высокий — Средний — Низкий. | П — Производственные характеристики поставщика. | |
Имеет ли поставщик адекватные производственные мощности для производства продукта и возможность их роста? | Да — Нет. | ||
Каков уровень партнерских отношений поставщика и пользователя? | Высокий — Средний — Низкий. | ||
Имеется ли на предприятии поставщика стандартная ERPсистема управления производством. | Да — Нет. | ||
Можно ли считать надежными сроки доставки поставщиком продукта? | Да — Нет. | Р — Реализационные характеристики поставки. | |
Каков срок выполнения заказа поставщиком? | Приемлемый — Средний — Неприемлемый. | ||
Насколько конкурентоспособной является цена продукта у поставщика? | Приемлемый — Средний — Неприемлемый. | ||
Имеет ли менеджмент благоприятные партнерские отношения? | Да — Нет. | О — Общие характеристики поставщика. | |
Будет ли обеспечивать поставщик адекватное сервисное обслуживание? | Да — Нет. | ||
Имеет ли поставщик еще какое-либо дополнительное обслуживание? | Да — Нет. |
№. п/п | Критерии оценки пригодности поставщика | Уровни оценки | Назначение и идентификатор промежуточных (групповых) оценочных показателей |
Поставляет ли поставщик в настоящее время (или потенциально) какие-либо иные продукты? | Да — Нет. |
Таблица 6.11
Примеры типовых продукционных правил оценки групповых и итоговых показателей пригодности поставщика.
Группа | Номер правила в группе | Содержание правила |
К. | ЕСЛИ 1) уровень подтверждения процедур КПП — Высокий И 2) уровень реализации статистического контроля процедур ККП — Высокий И 3) сертификация в ISO — Да ТО показатель группы К — Приемлемый | |
Р. | ЕСЛИ 1) надежность сроков доставки —ДА И 2) срок выполнения заказа — Средний И 3) цена продукта — Средняя ТО показатель группы Р — Средний | |
О. | ЕСЛИ 1) благоприятные партнерские отношения —ДА И 2) сервисное обслуживание — Нет И 3) дополнительное обслуживание — Нет И 4) иные продукты — Нет ТО показатель группы О — Неприемлемый | |
Итоговая. | ЕСЛИ 1) показатель К — Приемлемый И 2) показатель П — Средний И 3) показатель Р — Средний И 4) показатель О — Средний ТО пригодность поставщика — Средняя |
В процессе экспертизы пригодности поставщика ЭС выводит на монитор вопросы, связанные с информацией о поставщике (как текущие, так и, возможно, за предыдущие периоды). Пользователь вводит ответы из предложенного меню оценок по каждому критерию (табл. 6.11). Результатом работы ЭС является суждение, квалифицирующее потенциальных поставщиков продуктов на их пригодность для выполнения производственных заказов пользователя.
С применением этой системы одна из компаний уменьшила число своих поставщиков с 800 до 250.
Таким образом, применяемые в сфере маркетинга ЭС являются прикладными системами искусственного интеллекта, в которых БЗ содержат формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой сфере маркетинга и которые обладают способностью логически выводить новые маркетинговые знания в этой сфере, объяснять линию рассуждения, приобретать и наращивать знания.
Для маркетинга разработаны и функционируют ряд узкоориентированных ЭС, оказывающих помощь маркетологам при решении задач в таких сферах[4]:
- — управление рекламной кампанией в реальном времени;
- — повышение точности исследований конъюнктуры рынка;
- — анализ ценовой политики и ценообразование (генерирование цен по определенным заказам и для содействия заключению контрактов);
- — оценка технического уровня продукции;
- — оценка эффективности стимулирования сбыта;
- — анализ эффективности работы маркетинговой службы предприятия;
- — обеспечение высокого уровня персонализации предложения товара;
- — формирования каналов распределения лекарственной продукции на фармацевтическом рынке;
- — торгово-посылочная деятельность (определение по спискам рассылки потенциальных покупателей);
- — помощь при осуществлении продаж (обеспечение подробных знаний о товаре, которых нет у продавца; улучшения практических навыков новичка, снабжая его знаниями продавца-эксперта).
- [1] URL: http://www.znannya.org/?view=intelligence-system-km
- [2] Фактам и правилам в ЭС обычно приписывается некоторый коэффициент доверия — число, которое означает вероятность или степень уверенности, с которой можносчитать данный факт или правило достоверным (справедливым). Данный коэффициентявляется, по существу, оценкой степени доверия к решению, выдаваемому ЭС.
- [3] Болотова Л. С. Системы поддержки принятия решений: учебник и практикум дляакадемического бакалавриата., 2017.
- [4] Гущина Ю. И., Рекеда В. В. Применение искусственного интеллекта при разработке маркетинговых информационных систем // Известия Волг. ГТУ. 2014. Т. 20. Вып.№ 17 (144).