Прикладные аналитические методы маркетинговых ИС 4

Прикладные
аналитические методы
маркетинговых ИС
(часть 4)
Диагностика
конкурентной среды
Диагностика конкурентной среды включает
следующие этапы:
1.
2.
3.
Составление перечня фирм, находящихся на
целевом или новом рынках. Формируется перечень
(конкурентный лист) фирм, действующих на
рассматриваемом рынке и образующих его
конкурентную среду, на конец анализируемого
периода.
Сбор исходной информации. Осуществляется сбор
исходной информации за анализируемый и
базисный периоды. В случае невозможности
получения сведений об объемах тех или иных
ресурсов, имеющихся на целевом рынке
принимается равномерное распределение ресурсов
между конкурентами.
Приведение стоимостных и финансовых
показателей к сопоставимому виду. Все объемные
показатели приводятся к сопоставимым значениям
по курсу Центрального банка РФ на конец
анализируемого и базисного периода.
4.
5.
6.
7.
8.
9.
Определение типа выбранного рынка (рынок
продавца, рынок покупателя). Состояние
выбранного рынка (тип рынка) устанавливается
экспертным методом.
Расчет характеристик, отражающих состояние
рынка.
Определение рыночных долей фирмы на конец
базисного и на конец анализируемого периодов.
Построение таблицы рыночных долей фирм и
расчет средней рыночной доли, приходящихся на
одну фирму.
Формирование групп фирм, находящихся на
рынке, расчет показателей конкуренции внутри
групп.
Построение конкурентной карты рынка,
выявление типовых стратегических положений
фирм на рынке.
Системы поиска знаний
в структурах данных.
Методы Data Mining.
Система Poly Analyst
Data Mining переводится как "добыча" или
"раскопка данных". Нередко рядом с
Data Mining встречаются слова
"обнаружение знаний в базах данных"
(knowledge discovery in databases) и
"интеллектуальный анализ данных".
Деятельность любого предприятия
(коммерческого, производственного,
медицинского, научного и т.д.) теперь
сопровождается регистрацией и записью
всех подробностей его деятельности.
Что делать с этой информацией? Стало
ясно, что без продуктивной переработки
потоки сырых данных образуют никому
не нужную свалку.
Специфика современных требований
к такой переработке следующие:




Данные имеют неограниченный объем.
Данные являются разнородными
(количественными, качественными,
текстовыми).
Результаты должны быть конкретны и
понятны .
Инструменты для обработки сырых
данных должны быть просты в
использовании.



В основу современной технологии Data Mining
(discovery-driven data mining) положена
концепция шаблонов (паттернов), отражающих
фрагменты многоаспектных взаимоотношений
в данных.
Шаблоны представляют собой закономерности,
свойственные подвыборкам данных, которые
могут быть компактно выражены в понятной
человеку форме.
Поиск шаблонов производится методами, не
ограниченными рамками априорных
предположений о структуре выборке и виде
распределений значений анализируемых
показателей.
Важное положение Data Mining —
нетривиальность разыскиваемых
шаблонов. Это означает, что
найденные шаблоны должны
отражать неочевидные,
неожиданные регулярности в
данных, составляющие так
называемые скрытые знания.
Data Mining — это процесс
обнаружения в сырых данных
ранее неизвестных,
нетривиальных, практически
полезных и доступных
интерпретации знаний,
необходимых для принятия
решений в различных сферах
человеческой деятельности.
Выделяют пять стандартных типов
закономерностей, которые
позволяют выявлять методы Data
Mining:





ассоциация,
последовательность,
классификация,
кластеризация
прогнозирование.
Система PolyAnalyst — отечественная
разработка, получившая сегодня общее
признание на рынке Data Mining.
В данной системе гипотезы о виде зависимости целевой
переменной от других переменных формулируются в
виде программ на некотором внутреннем языке
программирования. Процесс построения программ
строится как эволюция в мире программ (этим подход
немного похож на генетические алгоритмы). Когда
система находит программу, более или менее
удовлетворительно выражающую искомую зависимость,
она начинает вносить в нее небольшие модификации и
отбирает среди построенных дочерних программ те,
которые повышают точность. Таким образом система
"выращивает" несколько генетических линий программ,
которые конкурируют между собой в точности
выражения искомой зависимости. Специальный модуль
системы PolyAnalyst переводит найденные зависимости с
внутреннего языка системы на понятный пользователю
язык (математические формулы, таблицы и пр.).