Использование методов и моделей data mining для повышения показателей отеля «Rose»

Рассмотрим зависимость фактора стоимости услуги с ее наличием в итоговом счете, для этого используем данные представленные в таблице А.

3. и А.

4. Процесс формирования запроса к базе даннях представлен на рис.

4.7. Рис.

4.7 — Выбор данных для построения ассоциативных правил Для выборки данных был сформирован следующий SQL-запрос.SELECT viduslug.`cena`, usluga.`sumuslug` FROM `usluga` usluga, `viduslug` viduslug WHERE (viduslug.`id_viduslug` = usluga.`id_viduslug`)Результаты построения ассоциативных правил, представлен на рис. 4.

8.Рис.

4.8 Результат расчета ассоциативных правил (цена услуги счет услуги) Таким образом, в результате построения ассоциативных правил было установлено правило что в случае если стоимость услуги составляет 1000 руб, то с поддержкой 83% клиент закажет ее трижды. Графическая интерпретация этого правила представлена на рис.

4.9. Рис.

4.9 Графическая интерпретация рассчитанного правила

На сегодняшний день определилось несколько точек зрения на Data Mining. Сторонники одной из них считают его миражом, отвлекающим внимание от классического анализа данных. Сторонники другого направления — это те, кто принимает Data Mining как альтернативу традиционному подходу к анализу. Есть и середина, где рассматривается Технология Data Mining постоянно развивается, привлекает к себе все больший интерес как со стороны научного мира, так и со стороны применения достижений технологии в бизнесе. Ежегодно проводится множество научных и практических конференций, посвященных Data Mining, одна из которых — Международная конференция по Knowledge Discovery Data Mining (International Conferences on Knowledge Discovery and Data Mining).

Периодические издания по Data Mining: Data Mining and Knowledge Discovery, KDD Explorations, ACM-TODS, IEEE-TKDE, JIIS, J. ACM, M achine Learning, Artificial Intelligence. Материалы конференций: ACM-SIGKDD, IEEE-ICDM, SIAM-DM, PKDD, PAKDD, Machine learning (ICML), AAAI, IJCAI, COLT (Learning Theory). Традиционные методы анализа данных (статистические методы) и OLAP в основном ориентированы на проверку заранее сформулированных гипотез (verification-driven data mining) и на «грубый» разведочный анализ, составляющий основу оперативной аналитической обработки данных (OnLine Analytical Processing, OLAP), в то время как одно из основных положений Data Mining — поиск неочевидных закономерностей. Инструменты Data Mining могут находить такие закономерности самостоятельно и также самостоятельно строить гипотезы о взаимосвязях. Поскольку именно формулировка гипотезы относительно зависимостей является самой сложной задачей, преимущество Data Mining по сравнению с другими методами анализа является очевидным. Большинство статистических методов для выявления взаимосвязей в данных используют концепцию усреднения по выборке, приводящую к операциям над несуществующими величинами, тогда как Data Mining оперирует реальными значениями.

OLAP больше подходит для понимания ретроспективных данных, D ata Mining опирается на ретроспективные данные для получения ответов на вопросы о будущем. Потенциал Data Mining дает «зеленый свет» для расширения границ применения технологии. Относительно перспектив Data Mining возможны следующие направления развития: • выделение типов предметных областей с соответствующими им эвристиками, формализация которых облегчит решение соответствующих задач Data Mining, относящихся к этим областям;

•создание формальных языков и логических средств, с помощью которых будет формализованы рассуждения и автоматизация которых станет инструментом решения задач D ata Mining в конкретных предметных областях; • создание методов Data Mining, способных не только извлекать из данных закономерности, но и формировать некие теории, опирающиеся на эмпирические данные; • преодоление существенного отставания возможностей инструментальных средств Data Mining от теоретических достижений в этой области. Если рассматривать будущее Data Mining в краткосрочной перспективе, то очевидно, что развитие этой технологии наиболее направлено к областям, связанным с бизнесом. В краткосрочной перспективе продукты Data Mining могут стать такими же обычными и необходимыми, как электронная почта, и, например, использоваться пользователями для поиска самых низких цен на определенный товар или наиболее дешевых билетов. В долгосрочной перспективе будущее Data Mining является действительно захватывающим — это может быть поиск интеллектуальными агентами как новых видов лечения различных заболеваний, так и нового понимания природы вселенной. Однако Data Mining таит в себе и потенциальную опасность — ведь все большее количество информации становится доступным через всемирную сеть, в том числе и сведения частного характера, и все больше знаний возможно добыть из нее: Не так давно крупнейший онлайновый магазин «Amazon» оказался в центре скандала по поводу полученного им патента «Методы и системы помощи пользователям при покупке товаров», который представляет собой не что иное как очередной продукт Data Mining, предназначенный для сбора персональных данных о посетителях магазина. Новая методика позволяет прогнозировать будущие запросы на основании фактов покупок, а также делать выводы об их назначении.

Цель данной методики — то, о чем говорилось выше — получение как можно большего количества информации о клиентах, в том числе и частного характера (пол, возраст, предпочтения и т. д.). Таким образом, собираются данные о частной жизни покупателей магазина, а также членах их семей, включая детей. Последнее запрещено законодательством многих стран — сбор информации о несовершеннолетних возможен там только с разрешения родителей. Исследования отмечают, что существуют как успешные решения, использующие Data Mining, так и неудачный опыт применения этой технологии. Области, где применения технологии Data Mining, скорее всего, будут успешными, имеют такие особенности: • требуют решений, основанных на знаниях; • имеют изменяющуюся окружающую среду; • имеют доступные, достаточные и значимые данные; • обеспечивают высокие дивиденды от правильных решений. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ ЭФФЕКТИВНОСТИ ПРОЕКТА5.1 Рекомендации по совершенствованию обслуживания клиентов отеля

В работе был выполнен интеллектуальный анализ данных при помощи методов и моделей data mining с целью повышения показателей отеля «Rose», полученные результаты позволяют сделать следующие выводы:

Неудачная попытка построения ассоциативного портрета клиента отеля обусловлена небольшим размером выборки, однако позволяет сделать вывод о том, что у отеля нет четко выраженных ориентация на определенные группы клиентов. Такая ориентация необходима для повышения прибыли за счет увеличения количества обслуживаемых клиентов. Например, сезонные скидки, скидки для номера для молодоженов и т. д.При регистрации большинство клиентов используют паспорта гражданина России, поэтому целесообразно при электронной регистрации использовать формы адаптированные для регистрации и заполнения информационных полей из паспорта, что позволит сократить время обслуживания клиента и не создавать очереди при регистрации. Полученные результаты позволяют сделать вывод о том, что при сумме счета, а 20 000 руб. стоимость услуг составляет 10 000 руб.

при поддержке 18% руб. Таким образом, необходимо сделать вывод о недостаточном использовании дополнительных услуг в отеле «Розес», однако существует категория клиентов, которые только пользуются дополнительными услугами отеля, так же высок процент 18% клиентов не используют вообще дополнительные услуги отеля. Необходим пересмотр цен дополнительных услуг. В результате построения ассоциативных правил было установлено правило что в случае если стоимость услуги составляет 1000 руб, то с поддержкой 83% клиент закажет ее трижды. Таким образом, цена услуги должна находится именно в этом ценовом диапазоне и клиенты будут охотно ею пользоваться.

5.2 Оценка эффективности проекта

Рассмотрим эффективность применения разработки программных средств для реализации функций datamining/При оценке показателей эффективности сравниваются затраты на обработку информации при существующем (базовом) варианте, то есть расчете показателей вручную и проектируемом, то есть автоматизированном варианте (разработке программы для реализации полученных функций). Для удобства расчет трудовых и стоимостных затрат на обработку информации при базовом и проектируемом вариантах осуществляется с помощью таблиц 5.1 и 5.2 соответственно. Таблица 3.1Характеристика затрат на обработку информации по базовому варианту.№ п/пНаименование операций технологического процесса решения комплекса задач

Оборудо-вание

Ед. Изм. Объем работы в год

Норма выра-ботки / производительность устройств ЭВМ (опер/в час.)Тру-доем-кость Средне-часовая зарплата специалиста (руб.)Часовая норма амортизации (руб. за час) / ст. 1 маш.

часа (руб.)Часовая стоимость накладных расходов (руб.)Стоимостные затраты для ручных операций

Стои-мостные затраты для операций, вып. на ЭВМ 1 234 567 891 011 121прием контроль, регистрация документовкалькуля-тордоку-менто-строка4 088 000,5102508,2912,7521,042ввод исходных данныхканцеляр-ские принадлежностисимвол3 164 440 007 911 250,12128,55 197,77327,273вычисление и подсчет итоговкальку-лятордействие833 232 026,038250423,11 650,951074,064Занесение данных в результа-тивные формыканцеляр-ские принадлежностисимвол128 030 300 042,677250,126 931 066,921765,54Итого:

Ххх77,136ххх1928,393 187,91Таблица 3.2Характеристика затрат на обработку информации по проектируемому варианту.№ п/пНаименование операций технологического процесса решения комплекса задач

Оборудо-вание

Ед. Изм. Объем работы в год

Норма выра-ботки / произв.

устр. ЭВМ (опер/в час.)Тру-доем-кость Средне-часовая зарплата специалиста (руб.)Часовая норма амортизации (руб. за час) / ст. 1 маш.

часа (руб.)Часовая стоимость накладных расходов (руб.)Стоимостные затраты для ручных операций

Стои-мостные затраты для операций, вып. на ЭВМ 1 234 567 891 011 121прием контроль, регистрация документовкалькуля-тордоку-менто-строка4 088 000,51012,75×08,2921,042ввод исходных данныхперсон. компьютерсимвол3 164 440 007 911×40хх316,443вычисление и подсчет итоговперсон. компьютер

Действие83 321 060,008×40хх3,24Занесение данных в результа-тивные формыперсон. компьютерсимвол1 280 305· 1060,026×40хх1,045печать результатовлазерный принтерстраница3 401 302,267×40хх90,68Итого:

Ххх10,73 212,75хх8.

29 523,08Для удобства анализа результаты расчетов приведены в таблице 5.

3. Таблица 5.3Показатели эффективности внедрения нового проекта

Затратыабсолютное изменение затрат

Коэффициент изменения затратиндекс изменения затратбазовый вариантпроектируемый вариант

ТрудоемкостьТ0, (час)Т1, (час)IT77.

13 610.

72 266.4140,867,194Стоимость

С0(руб)С1(руб)

3187.

91 523.

82 664,830,8366,094единовременные капитальные затраты определяются по формуле (5.1)где — затраты на освоение системы;

— затраты на разработку системы;

на загрузку системы;

— затраты на приобретение необходимого обеспечения;

— затраты на модернизацию системы; p рассчитывается по формуле (5.2): (5.2)где — затраты машинного времени на разработку (в часах) — цена машинного часакоэффициент мультипрограммирования — месячная зарплата одного разработчика — количество разработчиков — время разработки (в месяцах) — коэффициент накладных расходов. Значения остальных слагаемых, кроме затрат на приобретение, рассчитываются аналогично. Затраты на приобретение определяются покупной ценой необходимых средств. Для данной системы значения требуемых переменных таковы: Kнр =0.65 Кмульт =1 r0=1 человек Змес=3000 руб. Цмч=0.95 руб.

Т j осв = 60 часов Т j разр =50 часов Т j загр =0.5 часа Т j мод =35 часов в течение предполагаемого срока эксплуатации, равного 4 годам. Модернизацию предполагается проводить раз в полгода (то есть всего 7 раз) и затрачивать на это до 5 часов машинного времени за один раз. Время освоения составляет 1 месяц, примем для данной задачи значение tjосв, равное 0.1 месяца. tjразр =1 месяц tjзагр =0.006 месяца tjмод =0.333 месяца, то есть 7 дней за весь период эксплуатации. К j приобр складывается из стоимости приобретаемого технического обеспечения (1/21 от стоимости оборудования, так как примерно такую часть от общего объема работ по времени занимает данный комплекс задач, а для принтера — 1/100), программного обеспечения.

Стоимость системного блока и монитора, исходя из данных таблицы и курса доллара 28 руб., получается равной 12 500, принтера 3500

Стоимость программного обеспечения 8750 руб. Из них на данную задачу приходится примерно 500 рублей. К j приобр =12 500/21+500+3500/100=1098.

74 руб. К j осв =60*0.95*1+800*1*0.1*(1+0.65)=57+132=189 руб. К j разр =50*0.95*1+800*1*1*(1+0.65)=47.50+1320=1367.

50 руб. К j загр =0.5*0.95*1+800*1*0.006*(1+0.65)=0.48+7.92=8.4 руб. К j мод =35*0.95*1+800*1*0.333*(1+0.65)=8.05+439.

56=447.

61 руб. К j =3111.

25 руб. К 0 =2000 руб.∆ К j =К jК0=1111.

25 руб. Прямой годовой экономический эффект равен: Э1=(1693.

65+0.15*2000) — (320.

52+ 0.15*3111.

25)=2489.

14 руб. Косвенный годовой экономический эффект равен 5000 рублей в год. Таким образом, получаем годовой экономический эффект: Э=2489.

14+5000=7489.

14 руб. Расчетный коэффициент эффективности определяется по формуле (5.3): (5.3)Ер=2664.

83/1111.

25=2.398 Срок окупаемости проекта Ток=1/Ер=1/ 2.398=0.417 года (5 месяцев). Диаграммы изменения трудовых затрат представлены на рисунках 3.1 и 3.2: Рисунок 5.1 — Диаграмма абсолютного изменения трудовых затрат

Рисунок 5.2 — Диаграмма относительного изменения трудовых затрат

Диаграммы изменения стоимостных затрат представлены на рисунках 5.3 и 5.

4. Рисунок 5.3 — Диаграмма изменения стоимостных затрат

Рисунок 5.4 — Круговая диаграмма абсолютного изменения стоимостных затрат

Расчеты показывают, что расчетный коэффициент эффективности капитальных вложений больше нормативного, поэтому разработку программной системы следует считать целесообразной. Срок ее окупаемости составляет примерно 5 месяцев.

ЗАКЛЮЧЕНИЕ

1. Анализ методов выделения знаний из данных показал, что данные методы происходят из различных дисциплин и аккумулируют в себе достижения в области искусственного интеллекта, математической логики и математической статистики, теории вероятности и теории баз и хранилищ данных. Одной из основных форм представления получаемых паттернов знаний (образов) является форма логических зависимостей «если…

то…". Логические зависимости служат исходным материалом построения баз знаний интеллектуальных систем, используются для моделирования процессов формирования образов на основе формальных логик. Для получения логических зависимостей между признаками объектов в базах данных в виде ассоциативных правил используются методы ограниченного перебора и построения дерева покрытий.

2. Сравнительный анализ алгоритмов, реализующих методы поиска логических зависимостей в виде ассоциативных правил, показал, что разные подходы к решению данной задачи обусловлены разнообразием типов баз данных, отличающихся как размером записей, так и их количеством. Каждый алгоритм обладает определенными характеристиками, делающими оправданным его применение в каждом конкретном случае и для решения конкретной задачи. Однако можно сформулировать ряд недостатков, присущих всем вышеперечисленным подходам. В работе был выполнен интеллектуальный анализ данных при помощи методов и моделей data mining с целью повышения показателей отеля «Rose», полученные результаты позволяют сделать следующие выводы:

Неудачная попытка построения ассоциативного портрета клиента отеля обусловлена небольшим размером выборки, однако позволяет сделать вывод о том, что у отеля нет четко выраженных ориентация на определенные группы клиентов. Такая ориентация необходима для повышения прибыли за счет увеличения количества обслуживаемых клиентов. Например, сезонные скидки, скидки для номера для молодоженов и т. д.При регистрации большинство клиентов используют паспорта гражданина России, поэтому целесообразно при электронной регистрации использовать формы адаптированные для регистрации и заполнения информационных полей из паспорта, что позволит сократить время обслуживания клиента и не создавать очереди при регистрации. Полученные результаты позволяют сделать вывод о том, что при сумме счета, а 20 000 руб. стоимость услуг составляет

10 000 руб. при поддержке 18% руб. Таким образом, необходимо сделать вывод о недостаточном использовании дополнительных услуг в отеле «Розес», однако существует категория клиентов, которые только пользуются дополнительными услугами отеля, так же высок процент 18% клиентов не используют вообще дополнительные услуги отеля. Необходим пересмотр цен дополнительных услуг. В результате построения ассоциативных правил было установлено правило что в случае если стоимость услуги составляет 1000 руб, то с поддержкой 83% клиент закажет ее трижды.

Таким образом, цена услуги должна находится именно в этом ценовом диапазоне и клиенты будут охотно ею пользоваться.

ЛИТЕРАТУРА

Рассел C., Норвиг П.Искусственныйинтеллект. Современный подход. 2-е издание, Вильямс, 2007

Бюджетирование, финансовое планирование и анализ, управленческий учет.-[Электрон. ресурс]. Метод доступа:

http://www.cis2000.ru/ publish/books/book₇₁ /page21.shtml.Data Mining — добыча данных. [Электрон. ресурс] .- Метод доступа

http://www.basegroup.ru/ tasks/datamining.htmВведение в анализ ассоциативных правил- [Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/rules/intro.htmВыявление обобщенных ассоциативных правил — описание алгоритма.-[Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/ rules/generalized.htmНейронные сети — математический аппарат.-[Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/neural/math.htmНейронные сети как средство добычи данных -[Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/neural/ns.htmИспользование деревьев решений для оценки кредитоспособности физических лиц — [Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/practice/solvency.htmСамоорганизующиеся карты — математический аппарат-[Электрон. ресурс]. -Метод доступа

http://www.basegroup.ru/neural/som.htmПастухов Е. С. Кутьин В.М. Методика оценки изменений в банковской среде на основе технологии самоорганизующихся карт признаков-[Электрон. ресурс]. -Метод доступа

http://www.bankclub.ru/seminar-article.htm.Торнтуэйт У. Как начать внедрение технологии data mining, не теряя ее ценных возможностей-[Электрон. ресурс]. -Метод доступа

http://citcity.ru/12 996/ПРИЛОЖЕНИЕ АСТАТИСТИЧЕСКИЕ ДАННЫЕ ОТЕЛЯ «РОЗЕС"Таблица А.1Статистические данные таблицы Clientid_client:fam:name:otch:poldate_rogd:dokument:nomer_dok:vid_oplatu:bank_rekvizit:1Иванов

ИванИвановичм12-дек-75паспорт423 554карта245 646 434 112

Петров

ПетрИвановичм11-ноя-71паспорт151 584 854наличные 3Сидоров

НесторИвановичм11-дек-85паспорт18 547 445карта1 444 311 654

Кузнецов

ИванВасильевичм11-янв-43паспорт18 579 744наличные 5Иванова

СветланаВасильевнаж07-авг-80удостовренение24 154 465наличные 6Васюкова

ИринаВячеславовнаж23-ноя-95паспорт11 111 615наличные 7Васнецова

МарияСергеевнаж14-дек-95удостоверение15 649карта151 864 488

Бабкова

МарияВячеславовнаж14-ноя-83паспорт145 678карта12 315 549

Петровна

ВасилисаИвановнаж12-дек-60паспорт154 848карта15 156 567 410

Бирюкова

АнжелаРенатовнаж11-дек-73паспорт15 743 554карта213 544 411

Глазков

ВикторАндреевичм14-дек-85паспорт15 616 541карта1 215 448 412

Дуров

ЕвгенийПавловичм14-дек-85вод.

удостоверен1 564 465 132карта156 444 413

Дуреев

МаркоПетровичм15-янв-75паспорт2 164 964карта438 674 414

Иваненко

КонстантинСерверовичм15-янв-77паспорт4 617 844наличные 15Вахно

ЕленаПетровнаж15-янв-88паспорт2 564 844наличные 16Буханкина

МаргаритаПавловнаж15-янв-88паспорт165 744наличные 17Клопова

ТатьянаВасильевнаж15-фев-88паспорт165 464наличные 18Иванцов

ИваннаЯковлевнам15-фев-88паспорт1 657 974карта23 659+719Дмитрюкова

АнфисаСергеевнаж15-фев-88паспорт165 467карта67 496 420

Антонов

ДмитрийИвановичм15-авг-70паспорт1 566 484карта215 484 444

Таблица А.2id_schet:summa:date_schet:id_registr:sum_progiv:sum_uslugy:12 000 016-май-111 100 001 000 021 999 616-май-11 210 000 032 000 016-май-11 310 000 043 300 018-май-114 200 001 000 052 506 624-май-11 590 001 000 064 499 712-май-116 200 001 000 074 592 256-май-11 710 000 085 000 018-май-11 820 000 100 009 500 672-май-119 100 001 000 010 596 352-май-1 110 100 001 000 011 726 848-май-11 111 000 010 000 124 870 656-май-11 122 000 010 000 130 375 680-май-11 131 000 010 000 140 599 296-май-1 114 200 000 151 000 064-май-11 151 000 010 000 160 522 240-май-11 162 000 010 000 170 221 568-май-11 171 000 010 000 182 542 336-май-111 810 000 191 000 016-май-11 191 000 010 000 200 368 128-май-11 202 000 010 000 212 164 608-май-1 121 100 000 223 000 064-май-1 122 200 000 232 000 000-май-1 123 100 000 243 000 064-май-112 420 000 252 000 016-май-11 251 000 010 000 262 234 112-май-11 261 000 010 000 272 195 584-май-11 271 000 010 000 282 157 056-май-11 282 000 010 000 291 856 384-май-11 291 000 010 000 302 080 000-май-11 302 000 010 000 311 779 328-май-11 311 000 010 000 322 002 944-май-11 322 000 010 000СТАТИСТИЧЕСКИЕ ДАННЫЕ ТАБЛИЦЫ SCHETТаблица А.3Статистические данные таблицы Viduslugviduslugid_viduslug:nameuslug:cena:1обед10 002завтрак10 003ужин10 004сауна10 005интернет2006прокат авто30 007фитнес12 228автостоянка1200

Таблица А.4Статистические данные таблицы UuslugaUslugaid_uluga:id_registr:date:sumuslug:id_viduslug:

1112.

05.

20 113 000 161 312.

05.

2 011 300 017 412.

05.

201 130 001 161 012.

05.

201 130 001 191 812.

05.

201 130 001 222 012.

05.

20 113 000 124 112.

05.

2 011 300 012 212.

05.

2 011 300 028 512.

05.

2 011 300 029 612.

05.

20 113 000 210 112.

05.

20 113 000 211 212.

05.

20 113 000 214 812.

05.

201 130 002 171 212.

05.

20 113 000 220 112.

05.

20 113 000 223 212.

05.

20 113 000 226 212.

05.

20 113 000 227 112.

05.

20 113 000 228 112.

05.

20 113 000 229 212.

05.

20 113 000 230 112.

05.

2 011 300 023 312.

05.

20 113 000 312 312.

05.

2 011 300 034 412.

05.

20 113 000 413 512.

05.

20 113 000 451 212.

05.

20 113 000 515 712.

05.

20 113 000 521 112.

05.

20 113 000 525 112.

05.

201 130 005 181 812.

05.201 130 006