Добавлен: 18.06.2023
Просмотров: 148
Скачиваний: 3
СОДЕРЖАНИЕ
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ НЕЙРОННЫХ СЕТЕЙ
ОБЛАСТЬ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ В ЭКОНОМИКЕ
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ И УПРАВЛЕНИЯ РИСКАМИ ПРЕДПРИЯТИЯ
НЕЙРОННЫЕ СЕТИ В УПРАВЛЕНИИ РОЗНИЧНОЙ ТОРГОВЛЕЙ
Анализ и прогнозирование тенденций развития спроса являются объектами использования методов экономического прогнозирования. Предприятия розничной торговли научившись прогнозировать потребление продукции, смогут значительно повысить свои прибыли и, больше того, увеличить удовлетворенность клиентов. Однако выбирать метод прогнозирования необходимо с учетом особенностей формирования спроса в зависимости от конкретных целей прогнозирования и уровня управления торговлей и сферой услуг.
Прогнозирование спроса может осуществляться известными методами:
• экстраполяционными;
• нормативными;
• с помощью экспертных оценок.
К сожалению, ни один из вышеперечисленных методов прогнозирования спроса не является идеальным, что может приводить к существенным методическим погрешностям, и, в результате, к неверным решениям. Поэтому целесообразно использовать наработанные методики в сочетании с возможностями современных информационных систем. Это поможет оптимизировать работу как одного розничного магазина, так и целой розничной сети.
Нейронные сети — исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных.
Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Для помощи принятия решения по закупкам можно использовать нейронную сеть которая будет настроена в качестве входных данных получать данные из ЕRР-системы а результаты выдавать в СRМ-систему (рис 1).
Рис. 1. Обработка данных при помощи нейронной сети
Для повышения управляемости розничным товарооборотом необходимо повысить достоверность прогнозных данных. Одним из перспективных методов решения данной задачи является применение нейронных сетей.
Для того, чтобы оптимизировать товарооборот на будущий период, необходимо подставить в модель прогнозные значения реализации товара q.
Значение q зависит от множества факторов (рис. 2), таких как сезонность, качество товара, его натуральность, красочность упаковки, расположение внутри торгового зала. Примем каждый из этих показателей за I. Следовательно, q является многомерной функцией от множества показателей I:
qiaj = F (l1,l2 ,l3 ,…,lz )
Рис. 2. Свойства товара
Подобные коэффициенты могут не иметь числовых значений, что осложняет применение статистических методов. Примером могут служить качественные свойства товара. Товар может относиться к натуральным продуктам, консервированным, синтезированным или генетически модифицированным. Применение статистики в этом случае не представляется возможным. Однако можно построить нейронную сеть, которая вернет значение д в зависимости от выбранной позиции качественной характеристики (рис. 3).
где I — качественная характеристика;
Х ∈ [0,1] — одно из значений характеристики;
W1 — Wn — слои нейронной сети;
qiaj — объем реализации I-го наименования товара, в ассортиментной группе а, в j-ом магазине.
После обучения сети получим функцию, которая покажет зависимость объема реализации от качественного показателя.
Рис. 3. Пример нейронной сети для обработки качественной характеристики.
Количество факторов, от которых зависит объем реализации, может составлять десятки, а функция зависимости нам неизвестна. В этой ситуации применение нейронных сетей наиболее целесообразно. Большинство из этих факторов хоть и не подвластны нам, но при этом они, как правило, легко прогнозируемы или неизменны вовсе. Отсюда, если построить функцию зависимости от множества факторов, можно получить значение объема реализации на будущий период.
Для этого необходимо:
• для каждого товара выделить факторы, оказывающие максимальное влияние на объем реализации;
• построить нейронную сеть, которая в качестве входных данных будет получать значения факторов, а на выходе получать значения объема реализации;
• обучить нейронную сеть одним из известных алгоритмов;
• спрогнозировать значения факторов на будущий период;
• подать спрогнозированные значения факторов на вход сети;
• получить на выходе прогнозное значение объема реализации;
• оценить значение с точки зрения опыта и здравого смысла;
• принять верное управленческое решение;
• по окончании периода сравнить спрогнозированное значение с реальным и переобучить сеть.
Многослойная сеть может формировать на выходе произвольную многомерную функцию при соответствующем выборе количества слоев, диапазона изменения сигналов и параметров нейронов. Многослойные сети оказываются универсальным инструментом аппроксимации функций. Рассмотрим нейронную сеть вида:
где:
i — номер входа;
j — номер нейрона в слое;
N — номер слоя;
xijN — i-й входной сигнал j-го нейрона в слое N;
WjjN — весовой коэффициент i-го входа нейрона номер j в слое N;
0 jN — пороговый уровень нейрона j в слое N.
За счет поочередного расчета линейных комбинаций и нелинейных преобразований достигается аппроксимация произвольной многомерной функции при соответствующем выборе параметров сети.
Преимущества этого метода дают очевидный результат. Значительно повышается достоверность прогнозируемых данных относительно опыта сотрудников отдела закупок и статистических методов модуля сводного планирования ЕRР-системы.
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В МАРКЕТИНГЕ
Над анализом и эволюцией нейронных сетей трудятся не только такие мировые компании, как Google, Microsoft, Yandex, но и множество других организаций и стартапов во всем мире. Почти каждые полгода появляется что-то совершенно новое и уникальное.
На данный момент времени нейронные сети используются практически везде. Например, множество достаточно больших интернет-организаций применяют их с целью улучшить механизмы рекомендаций в онлайн-магазинах и сервисах [10, c. 63]. Алгоритмы, основанные на машинном обучении, анализируют ваше поведение на сайте и сравнивают его с миллионами других пользователей. Все для того, чтобы определить, какой продукт вы купите с наибольшей вероятностью. Равным образом, часто используются такие вычислительные модели, которые помогают распознавать и воспроизводить речь любого человека, а также различать и анализировать фотографии.
Данный способ применятся интернет-сервисом Clarifai. Человек указывает изображение, а нейронная сеть устанавливает, что на нем показано, и формирует теги. Вдобавок различает цвета, использованные на изображении. Так же это есть и у GooglePhoto. Человек хранит свои фотографии, а сервис исследует их и помогает найти нужные. Например, вы можете посмотреть все изображение, на которых есть ваш друг Константин. Также существует еще одна инновационная услуга - FindFace. Суть ее состоит в том, что по фотографии человека, при помощи нейронных сетей можно найти профиль человека в социальной сети - ВКонтакте.
Следовательно, входная фотография проникает в сеть нейронных слоёв, называющиеся фильтрами разного объема для абсолютно любой сложности компонентов, которые они распознают. Данные фильтры формируют совокупность характеристик, попадающие в классификатор. Изображение разбивается на пиксели и сканируется частями, сначала только линии, потом более крупные фрагменты, далее получается уже полная картинка и система распознает изображение целиком, понимая, что это фотография человека.
Как было сказано ранее, данная разработка умеет распознавать фото. Более того она поможет найти вещи, которые вам понравились, в Интернете. Как происходит поиск? Мы делаем фото предмета и загружаем в поиск (Гугл), он пропускает их сквозь слои (фильтры), о которых мы упомянули ранее. Система получает конечное изображение предмета и начинает искать аналогичный по сайтам в сети Интернет. Когда система нашла максимальные сходства, она выдает лучшие результаты поиска. Так же эту систему применяют по подбору одежды под типаж человека.
Идею мобильного распознавания можно использовать как конкурентное преимущество и инструмент маркетинга (элемент Place и Promotion). Человек увидел красивую вещь (на вывеске, баннере, на улице, в витрине магазина), делает фотографию на мобильный телефон или планшет, загружает изображение в установленное мобильное приложение, которое распознаёт товар на фото и подбирает похожие товары из ассортимента магазина. Товары, конечно, можно сразу купить.
Другими словами, ценностное предложение для потребителя можно разделить на три этапа:
1. заметил
2. сделал фотографию
3. купил
Более того, с внедрением нейронных сетей в деятельность электронного маркетинга, меняется и целевая (контекстная) реклама в интернет-ресурсах, ведь теперь она может ориентироваться не только по фразам, но и по вещам, лицам, явлениям.
Без малейшего промедления данной инновацией заинтересовались крупные интернет-магазины, такие как Amazon, Kupinatao и т.д.
Так же полезным инструментом маркетинга могут стать независимые консультации по подбору продуктов, основанные на знаниях нейронных сетей. Крупные Интернет-маркеты уже сейчас задались вопросом: «Сможет ли нейронная сеть самостоятельно подобрать стильный образ человеку, учитывая его особенности и последние модные тенденции?». Технология также основывается на рассмотренном ранее принципе поиска, только база работы системы намного шире. Ведь системе необходимо учитывать анатомические особенности человека, такие как: цвет волос, глаз, телосложение, пол и т.д. Так же выдаваемые результаты должны соответствовать последним трендам текущего сезона. Что бы начать работать с системой умного подбора необходимо загрузить 2 фото в полный рост. Система некоторое время сканирует ваше фото и параллельно подбирает fashion-образ именно под вас. Без опытных стилистов все-таки не обойтись т.к систему необходимо будет обучить нужным знаниям о моде и стиле. Ведь мода, как и IT не стоит на месте, развивается, меняется и постоянно появляется что-то новое и интересное.
Возможности использования нейронных сетей в маркетинге производят положительное впечатление, но информационные технологии только начали внедряться в данный вид деятельности. Пока основная проблема и одновременно задача — научить алгоритмы сети эмпатии (эмоциям и чувствам).
В современном мире рекламная деятельность слишком резко ворвалась в жизнь людей и достаточно часто действует на их нервы. Но на самом деле это не так, не всякая реклама вызывает негативные эмоции у человека, а только никому ненужная реклама. После полноценного внедрения информационных достижений, в основе которых лежат нейронные сети, маркетинг будет иметь возможность распознавать желания человека даже до того, как они сформируются.
Уже сейчас нейронные сети как инструмент маркетинга предоставляют производителям огромные возможности. Почти все крупнейшие торговые компании заинтересованы в использовании нейронных сетей, ведь они меняют маркетинг, делают процесс принятия решения и покупки удобнее, рекламу более персонифицированной, а главное, имеют огромный потенциал не только для маркетинга, но и для всех сфер человеческой жизни. Ведь только сейчас, в наше время, технологии, основанные на таких сетях, начинают проникать на широкий рынок. А это значит, что с каждым днём подобных технологий и сервисов будет становиться всё больше, а их функционал будет всё шире и шире.