„Да се прави маркетинг в наши дни е изключително трудно.” Тези думи са произнесени не от кого да е, а от човека, чието име днес е синоним на маркетинг – Филип Котлър („Управление на маркетинга”). Потребителите стават все по-взискателни, а конкуренцията - все по-силна. Всичко това води до нуждата не само от иновативни решения и подходи, но и от изключително прецизно планиране на действията на самите мениджъри. За да се отговори на новите потребности се развиват и изследователските инструменти, които предоставят на маркетинговите мениджъри необходимите данни за вземане на прецизни стратегически решения. Така изследователите се обръщат за помощ към развитието и прилагането на предиктивни модели. Един такъв модел, който започва да се прилага успешно е този на изкуствените невронни мрежи.
„Невронната мрежа е модел за обработка на информация, вдъхновен от изучаването на биелектричните мрежи в мозъка на човека и животните, образувани от неврони и техните синапси.” Това е определението, което всеки може да открие в популярния интернет сайт „Уикипедия”. Вдъхновени от работата на мозъка, учените разработват математически аналог на биологичната невронна мрежа, който представлява множество от взаимносвързани прости изчислителни елементи ( неврони). Всеки неврон приема сигнали от другите (под формата на числа), сумира ги, като сумата минава през активационна функция, и така определя своята активация, която се предава по изходящите връзки към другите неврони. Всяка връзка има тегло, което умножавайки се със сигнала, определя неговата значимост. Теглата на връзките са аналогични на силата на синаптичните импулси, предавани между биологичните неврони. Отрицателна стойност на теглото съответства на подтискащ импулс, а положителна - на възбуждащ.
Източник: Уикипедия
Най-характерната особеност на изкуствените невронни мрежи е, че преди да се приложи моделът той подлежи на обучение. За целта се използват данни от предходни изследвани периоди, които се разделят на 3 извадки. Първата е извадка за обучение или така нареченото тренировъчно множество. Втората е валидираща извадка, която служи за проверка на генерализационните способности на обучените невронни мрежи, за избор на конкретна архитектура сред множеството алтернативни, за избор на момент за приключване на обучението и за избягване на така нареченото „свръхобучение”. Третата извадка обхваща най-актуалните наблюдения на зависимата и независимите променливи и служи за оценка и сравнение на модела.
Възможността за съчетаване на влиянието на няколко независими фактора (представени като входни неврони) и възможността за обучение на модела, го превръщат в прецизен прогностичен инструмент, а широкият обхват на възможностите му го прави приложим при разрешаване на редица мениджърски проблеми.
В своята монография „Предиктивно моделиране на пазарния дял с изкуствени невронни мрежи”, гл. ас. д-р Маруся Иванова от Стопанска академия „Димитър А. Ценов” в гр.Свищов тества силата и възможностите на изкуствените невронни мрежи при решаването на конкретен мениджърски проблем, а именно прогнозиране на пазарен дял в 3 различни продуктови категории от сектора на бързооборотните стоки – растително олио, бисквити и шоколадови бонбони.
При анализа на продуктовата категория растително олио, се използват данни от панелни изследвания на GfK България сред 2000 домакинства, които включват за 60 различни марки. Използваните данни са с честота от 1 месец и обхващат периода от януари 2001 г. до декември 2003 г.
Анализът на другите две категории: бонбони и бисквити, е извършен на база на търговски панел на AC Nielsen България с двумесечна честота, обхващащ периода от първото двумесечие на 2001 г. до шестото на 2005 г. За пазара на бисквити са включени 80 марки, а на този за бонбони 200.
Проведената разработка потвърждава прогностичната сила на изкуствените невронни мрежи и ги извежда като по-прецизен модел в сравнение с други подобни предиктивни модели за моделиране на пазарния дял. Разработката достига до няколко ключови извода:
Още по темата:
Приложение на изкуствените невронни мрежи при прогнозиране на продажбите
„Невронната мрежа е модел за обработка на информация, вдъхновен от изучаването на биелектричните мрежи в мозъка на човека и животните, образувани от неврони и техните синапси.” Това е определението, което всеки може да открие в популярния интернет сайт „Уикипедия”. Вдъхновени от работата на мозъка, учените разработват математически аналог на биологичната невронна мрежа, който представлява множество от взаимносвързани прости изчислителни елементи ( неврони). Всеки неврон приема сигнали от другите (под формата на числа), сумира ги, като сумата минава през активационна функция, и така определя своята активация, която се предава по изходящите връзки към другите неврони. Всяка връзка има тегло, което умножавайки се със сигнала, определя неговата значимост. Теглата на връзките са аналогични на силата на синаптичните импулси, предавани между биологичните неврони. Отрицателна стойност на теглото съответства на подтискащ импулс, а положителна - на възбуждащ.
Схема на изкуствена невронна мрежа
Източник: УикипедияНай-характерната особеност на изкуствените невронни мрежи е, че преди да се приложи моделът той подлежи на обучение. За целта се използват данни от предходни изследвани периоди, които се разделят на 3 извадки. Първата е извадка за обучение или така нареченото тренировъчно множество. Втората е валидираща извадка, която служи за проверка на генерализационните способности на обучените невронни мрежи, за избор на конкретна архитектура сред множеството алтернативни, за избор на момент за приключване на обучението и за избягване на така нареченото „свръхобучение”. Третата извадка обхваща най-актуалните наблюдения на зависимата и независимите променливи и служи за оценка и сравнение на модела.
Възможността за съчетаване на влиянието на няколко независими фактора (представени като входни неврони) и възможността за обучение на модела, го превръщат в прецизен прогностичен инструмент, а широкият обхват на възможностите му го прави приложим при разрешаване на редица мениджърски проблеми.
В своята монография „Предиктивно моделиране на пазарния дял с изкуствени невронни мрежи”, гл. ас. д-р Маруся Иванова от Стопанска академия „Димитър А. Ценов” в гр.Свищов тества силата и възможностите на изкуствените невронни мрежи при решаването на конкретен мениджърски проблем, а именно прогнозиране на пазарен дял в 3 различни продуктови категории от сектора на бързооборотните стоки – растително олио, бисквити и шоколадови бонбони.
При анализа на продуктовата категория растително олио, се използват данни от панелни изследвания на GfK България сред 2000 домакинства, които включват за 60 различни марки. Използваните данни са с честота от 1 месец и обхващат периода от януари 2001 г. до декември 2003 г.
Анализът на другите две категории: бонбони и бисквити, е извършен на база на търговски панел на AC Nielsen България с двумесечна честота, обхващащ периода от първото двумесечие на 2001 г. до шестото на 2005 г. За пазара на бисквити са включени 80 марки, а на този за бонбони 200.
Проведената разработка потвърждава прогностичната сила на изкуствените невронни мрежи и ги извежда като по-прецизен модел в сравнение с други подобни предиктивни модели за моделиране на пазарния дял. Разработката достига до няколко ключови извода:
- Невронните мрежи могат да бъдат използвани за дескриптивни цели чрез индиректно извеждане на приблизителни оценки за еластичности на пазарния дял;
- Невронните мрежи не страдат от ограниченията на малките извадки и произтичащата от това невъзможност за моделиране на сезонните фактори;
- Ендогенните модели на невронните мрежи са по-ефективни от конвенционалните им аналози тъй като се характеризират с по-добри предиктивни способности дори и при по-малък обем от данни;
- За конструирането и използването на модели на ендогенни невронни мрежи са необходими по-малко статистически познания, което ги прави по-лесни за използване, отколкото конвенционалните модели за анализ на динамични редове.
Още по темата:
Приложение на изкуствените невронни мрежи при прогнозиране на продажбите