Меню
Головна
 
Головна arrow Економіка arrow Управлінський аналіз
< Попередня   ЗМІСТ   Наступна >

Телекомунікаційний бізнес

Телекомунікаційні компанії працюють в умовах жорсткої конкуренції. Використання технологій Data Mining, спрямованих як на аналіз прибутковості та ризику клієнтів, так і на захист від шахрайства, може заощадити цим компаніям величезні кошти.

Промислове виробництво - ідеальне середовище для застосування технологій Data Mining. Причина полягає в природі технологічного процесу, який повинен бути відтворюваним і контрольованим. Таким чином, створюється статистична стабільність, найбільш важлива для класифікації. Приклад застосування Data Mining в промисловості - прогнозування якості виробу в залежності від параметрів технологічного процесу.

Банківський сектор

Класичним прикладом застосування Data Mining на практиці може служити вирішення питання про кредитоспроможності клієнтів банку. Система підтримки прийняття рішень з вбудованою функціональністю Data Mining спирається у своїй роботі тільки на базу даних банку, де записується детальна інформація про кожного клієнта і в підсумку - факт його кредитоспроможності. Класифікаційні алгоритми Data Mining обробляють ці дані, і отримані результати використовуються для прийняття рішень.

Страхування

У цій сфері, так само як у банківській справі і маркетингу, виникає задача обробки великих обсягів інформації для визначення типових груп (профілів) клієнтів. Ця інформація використовується для того, щоб пропонувати певні послуги страхування з найменшим для компанії ризиком і, можливо, з користю для клієнта.

Таким чином, застосування методів інтелектуального аналізу відкриває нові перспективи у багатьох сферах дослідження, і в тому числі, як ми спробуємо довести, що в області аналізу фінансового стану підприємств.

Для вирішення управлінських завдань можна використовувати методи інтелектуального аналізу: метод нейронних мереж і метод опорних векторів (SVM).

Нейронні мережі - клас аналітичних методів, побудованих на (гіпотетичних) принципи навчання мислячих істот і функціонування мозку та дозволяють прогнозувати значення деяких змінних в нових спостереженнях за даними інших спостережень (для цих же або інших змінних) після проходження етапу так званого навчання на наявних даних.

Термін "штучні нейронні мережі" йде корінням в біологію, так як мережі складаються з елементів, функціональні можливості яких аналогічні більшості елементарних функцій біологічного нейрона.

Штучні нейронні мережі здатні змінювати свою поведінку в залежності від зовнішнього середовища. Після пред'явлення вхідних сигналів (можливо, разом з необхідними виходами) вони самоналагоджувальна, щоб забезпечувати необхідну реакцію.

Першими авторами, що описують алгоритм нейронних мереж, були У. С. Мак-Каллок, Ст. Піттс (1943). У 1950-ті та 1960-ті рр. група дослідників створила перші штучні нейронні мережі. Виконані спочатку як електронні мережі, вони пізніше були перенесені в більш гнучку середу комп'ютерного моделювання, збереглася і в даний час. Марвін Чи Мінський (Lee Marvin Minsky), Ф. Розенблатт (Frank Rosenblatt) винайшли Б. Уидроу (Ст. Widrow) і його учень М. Хофф (М. Hoff) розробили Адалин (адаптивний суматор), який є стандартним елементом багатьох систем обробки сигналів. Вони створили мережі, що складаються з одного шару штучних нейронів (одношарові).

В 1980-е рр. кілька найбільш наполегливих вчених, таких як Теуво Калев Кохонен, Стефан Гроссберг, Дж. А. Андерсон, продовжили дослідження. Т. К. Кохоненом представлені моделі мережі, що навчається без вчителя (нейронна мережа Кохонена), вирішальної задачі кластеризації, візуалізації даних (самоорганізована карта Кохонена) та інші завдання попереднього аналізу даних.

Після двох десятиліть майже повного забуття інтерес до штучних нейронних мереж стрімко виріс за останні кілька років. Фахівці з таких далеких областей, як технічне конструювання, філософія, фізіологія і психологія, заінтриговані можливостями, наданими цією технологією, і шукають додатки їм в межах своїх дисциплін.

Зараз нейрокомп'ютери знайшли застосування практично у всіх областях діяльності. Нейронна мережа незамінна при вирішенні завдань, де відсутній алгоритм або невідомі принципи рішення, але накопичено достатню кількість прикладів. В банках і великих фінансових установах нейрокомп'ютери відповідають не тільки за зчитування чеків і фінансових документів, перевірку достовірності підписів, але й через прогнозування розвитку ринкової ситуації, моделювання поведінки конкурентів і інші не менш важливі завдання. У промисловості нейрокомп'ютери керують автоматизованим виробництвом, стежать за якістю продукції, розраховують кількість сировини.

Штучні нейронні мережі (ШНМ) являють собою систему сполучених і взаємодіючих між собою простих процесорів (штучних нейронів), наведених на рис. 2.6.

Схема двошарової нейронної мережі

Рис. 2.6. Схема двошарової нейронної мережі

Крім того, можна виділити нейронні мережі і за іншими ознаками:

o аналогові нейронні мережі - використовують інформацію у формі дійсних чисел;

o двійкові нейронні мережі - оперують з інформацією, представленою в двійковому вигляді;

o навчання з учителем - вихідна простір рішень нейронної мережі відомо;

o навчання без учителя - нейронна мережа формує вихідну простір рішень лише на основі вхідних впливів. Такі мережі називають самоорганизующимися;

o навчання з підкріпленням - система призначення штрафів і заохочень від середовища;

o мережі з фіксованими зв'язками;

o мережі з динамічними зв'язками - для них у процесі навчання відбувається налаштування синоптичних (гр. синапс - обіймати, обхоплювати, потискати руку - місце контакту між двома нейронами) зв'язків.

Методом класифікації, застосовуємо в дослідженні, служить метод опорних векторів, або Support Vector Machine (SVM). Перший спосіб - метод нейромережевого аналізу - знаходить лише один з можливих способів поділу класів, який не є оптимальним, а метод опорних векторів полягає в побудові розділяє поверхні, найбільш віддаленої від всіх спільних точок. Таким чином, можна припустити, що якість розпізнавання нових прикладів у SVM повинно бути вище, ніж у нейронної мережі. Критерій зупинки для навчання нейронної мережі - нульова помилка на навчальній множині, а критерій зупинки для методу опорних векторів - близькість побудованої розділяє гіперплощини до оптимальної.

Основна відмінність SVM від нейромереж (рис. 2.7) полягає в тому, що для нейромережі кількість настроюваних коефіцієнтів має апріорно задаватися користувачем на підставі деяких евристичних міркувань. В метод опорних векторів кількість параметрів автоматично визначається під час налаштування і воно, як правило, менше, ніж число векторів в навчальній послідовності. Ненульовими залишаються коефіцієнти біля опорних векторів, за допомогою яких будується розділяє гіперплощину.

Поділ нейромережею і SVM

Рис. 2.7. Поділ нейромережею і SVM

Метод опорних векторів дозволяє отримати функцію класифікації з мінімальною верхньою оцінкою очікуваного ризику (рівня помилки класифікації), а також використовувати лінійний класифікатор для роботи з нелінійно розділяються даними.

До недоліків методу опорних векторів відноситься нестійкість по відношенню до шуму у вихідних даних. Шумові викиди навчальної вибірки будуть істотним чином враховані при побудові розділяє гіперплощини.

Основна ідея методу опорних векторів, або SVM, полягає в тому, що він знаходить лінійне розділення двох множин таким чином, щоб відстань між цими множинами і гіперплощиною було максимальним. Така гіперплощина називається оптимальною розділяє гіперплощиною на відміну від гіперплощини, яку можна отримати з допомогою нейронних мереж і яка забезпечує лише поділ класів, не оцінюючи при цьому відстані між множинами.

Для вирішення задачі прогнозування показників підприємства необхідний програмний комплекс. Програма дозволяє обробляти таблиці звітів про господарський стан підприємств, проводити попередню підготовку даних для використання методів Data-mining, а також здійснювати прогнозування.

 
< Попередня   ЗМІСТ   Наступна >

Схожі тими

Телекомунікаційні технології
Малий бізнес за кордоном
Основні поняття оцінки вартості підприємства (бізнесу)
Порядок банківського кредитування організацій нефінансового сектора
Реструктуризація банківського сектора
Поняття та елементи банківської системи
 
Предмети
Банківська справа
БЖД
Бухоблік і аудит
Документознавство
Екологія
Економіка
Етика і естетика
Інвестування
Інформатика
Історія
Культурологія
Література
Логістика
Маркетинг
Медицина
Менеджмент
Політологія
Політекономія
Право
Психологія
Соціологія
Страхова справа
Товарознавство
Філософія
Фінанси