ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ И ИХ ИСПОЛЬЗОВАНИЕ В АНАЛИТИКЕ МАЛЫХ ДАННЫХ

ARTIFICIAL NEURAL NETWORKS AND THEIR USE IN SMALL DATA ANALYTICS

Daniil Gagarin

master student, Department of Information Technology in Public Administration, Russian Technological University (MIREA),

Russia, Moscow

АННОТАЦИЯ

В настоящей статье рассмотрены искусственные нейронные сети как инструмент анализа причинно-следственных связей в сложных системах в рамках малых данных.

Учитывается, что данное исследование имеет особую актуальность для областей, в которых сложные процессы сопряжены с отсутствием возможности доступа к большим данным. Так, в подобных условиях сложного анализа, инструмент искусственной нейронной сети способен обрабатывать небольшие наборы экспериментальных или наблюдательных данных, и (как следствие) может помочь в выявлении основных причинных факторов, приводящих к изменениям поведения сложной системы.

При этом, в настоящем исследовании сделан акцент на исследования эффективности анализа малых данных на примере оценки лояльности клиентов стартапов. Данное решение обосновывается высоким значением эффективности стартапов для развития и стабилизации мировой экономической среды, а также весомой роли клиентоориентированности для обеспечения требуемой эффективности данного типа компаний.

ABSTRACT

This article describes artificial neural networks as a tool for the analysis of cause-and-effect relationships in complex systems in the framework of small data.

It is taken into account that this study is particularly relevant for areas in which complex processes are associated with the lack of access to large data. Thus, in such conditions of complex analysis, the artificial neural network tool is able to process small sets of experimental or observational data, and (as a result) can help in identifying the main causal factors that lead to changes in the behavior of a complex system.

At the same time, this study focuses on the study of the effectiveness of small data analysis on the example of assessing customer loyalty startups. This decision is justified by the high importance of the efficiency of startups for the development and stabilization of the global economic environment, as well as the significant role of customer focus to ensure the required efficiency of this type of companies.

Ключевые слова: нейронные сети, аналитика, малые данные, причинно-следственные связи, сложные системы, стартап, лояльность клиентов.

Keywords: neural networks, analytics, small data, cause-and-effect relationships, complex systems, startup, customer loyalty.

Последнее десятилетие характеризуется процессами активного развития такой формы организации бизнеса как стартап. На сегодняшний день стартапы занимают особое место в мировой экономике, а также считаются важным фактором экономического роста – источником инноваций и устойчивой занятости для национальных экономик стран-базирования [7].

При этом важно отметить, что, по мнению экспертов, именно стартапы могут поспособствовать стабилизации рыночной экономики путем нивелирования последствий мировых экономических кризисов (в особенности это актуально для развивающихся рынков, как особенно уязвимых к колебаниям мирового экономического ландшафта) [2, 4].

Таким образом стартапы можно рассматривать как современные триггеры мирового экономического роста – так, по данным исследований от четверти до трети различий в экономическом росте и развитии во многих промышленно развитых странах обусловлено созданием новых независимых предприятий. Также лидирующее положение данной формы ведения бизнеса обуславливается ее особой технологичностью, а также общей инновационной направленностью продукта [4].

Однако, при общем положительном влиянии стартапов на экономику и развитие общества, необходимо учитывать, что на данные компании имеют значительное влияние различные неблагоприятные факторы (как правило) внешней среды. Так в связи с ними около 47% от всех новых компаний имеют жизненный цикл до пяти лет, и только около 20% существуют на рынке более десяти лет [5]. В дополнение к этому, стоит остановить внимание на том, что на сегодняшний день уровень конкуренции между компаниями сместился с местных рынков на глобальные, что также значительно усложняет эффективное функционирование стартапов на рынке.

Таким образом, можно отметить, что бизнес-среда оказывает чрезмерную нагрузку на компании, поскольку в условиях глобализации [3, 6]:

• клиенты стали более осведомлены о конкурирующих продуктах и услугах, а также регулярно ищут новые варианты продуктов;
• конкуренты получают доступ к новым продуктам рынка в кратчайшие сроки – лидерство компаний на основании новшества занимает минимальный период их жизненного цикла.

В следствие этого можно утверждать, что ни одна компания (за исключением монополистов) не может эффектно существовать в сложившейся конкурентной бизнес-среде, не имея постоянных клиентов – именно поэтому лояльность клиентов целесообразно рассматривать как основной фактор успешности компании.

Эксперты полагают, что рост значимости показателя лояльности клиентов указывает на то, что оценка ценности современной компании будет постепенно смещаться в зону определения ее через степень лояльности клиентов к продукту и/или компании [1, 4]. Также стоит отметить, что результаты исследований продемонстрировали тот факт, что повышение лояльности клиентов в значительной степени влияет на прибыльность компании, а также приводит к снижению ее затрат на маркетинг – так в зависимости от конкретной отрасли, после сокращения миграции клиентов на 5-10%, наблюдается увеличение прибыльности продукта компании до 40% [7].

Таким образом, можно утверждать, что удержание постоянных клиентов положительно влияет на развитие, жизненный цикл и долгосрочную эффективность компаний, что для стартапов является одним из основных стратегических ориентиров.

В подобных условиях на смену традиционных статистических методов анализа лояльности клиентов приходят эволюционные методы, основанные на использовании информационных технологий, искусственного интеллекта и инновационных методов моделирования процессов принятия решений – именно они привели к внедрению и популяризации искусственных нейронных сетей [2, 3]. Стоит отметить, что популяризации искусственных нейронных сетей также поспособствовали трудности в описании и прогнозировании поведения компаний на современном рынке, и это связанно со следующими факторами [6]:

• с глубокими и многочисленными отношениями составляющих элементов бизнес-аналитики;
• многочисленными обратными связями, возникающими в результате частых причинно-следственных замкнутых цепочек.

В подобной ситуации динамическое описание бизнес-процессов стартапов как анализируемых систем возможно только при моделировании сложной (многоуровневой) системы (отношений между этой системой и ее внешней средой) посредствам искусственной нейронной сети [1, 5]. Именно этот подход обеспечивает возможность полностью учитывать нелинейности, даже не учитывая количество замкнутых контуров, присутствующих в самой системе, а также их сложные взаимодействия и баланс.

Итак, подробнее рассмотрим, что из себя представляют искусственные нейронные сети. Стоит отметить, что это семейство математических методов, выраженных в создании алгоритма машинного обучения, созданного на основе модели человеческого мозга [5]. Так способность извлекать скрытые паттерны из данных является ключевой способностью для любого исследователя данных, и аналитические методы с применением технологий искусственных нейронных сетей позволяют делать это наиболее продуктивно.

Рассматривая структуру искусственной нейронной сети, можно отметить, что она состоит из ряда компонентов [5, 7]:

• входной слой – отражает потенциальные описательные факторы (входные данные), которые могут помочь в аналитике и прогнозировании;
• скрытый слой – заданное пользователем количество слоев с заданным количеством нейронов в каждом слое;
• выходной слой – отражение того, что исследователь (аналитик) пытаетесь предсказать;
• веса – рандомное значение связи одного нейрона с другим, характеризующее важность данной связи для искусственной нейронной сети (варьируется в зависимости от связки нейронов и уровней, на которых находится каждый нейрон дуэта).

Далее стоит остановиться на процессе обучения искусственной нейронной сети. Так в процессе обучения, разработчик нейронной сети «тренирует» систему, прогоняя отдельные случаи по одному за раз и обновляя веса связи нейронов на основании полученных данных. Цель данного процесса заключается настройке нейронной сети (ее адаптации) к особенностям конкретной компании для минимизации будущих ошибок и повышения точности аналитики [3].

Стоит отметить, что аналитические данные, основанные на результатах работы искусственной нейронной сети, в последнее время все чаще рассматриваются в качестве основного инструмента для получения знаний в среде больших данных [2, 4]. Не противореча этому отметим, что зачастую в стартапах аналитикам приходится работать с короткими сериями (малыми) данными (в особенности это касается данных о клиентах стартапов).

Таким образом, учитывая все вышеизложенное, метод, который позволяет обрабатывать нелинейную среду с малыми данными, представляется достаточно полезным для управления стратегией современной развивающейся компании.

При этом стоит отметить, что сегодня искусственные нейронные сети успешно применяются в широком спектре информационно-интенсивных приложений для укрепления позиций в удержании и лояльности клиентов стартапов, таких как [1, 3, 6]:

• моделирование процессов производства продукта и управление его уникальным торговым предложением – создание модели искусственной нейронной сети для физического объекта, а затем использование этой модели для определения наилучших параметров (характеристик) объекта, а также стратегии его продвижения;
• прямое управление программой лояльности клиентов – определение наиболее ценных предложение программы лояльности, а также распределение их таким образом, чтобы максимизировать доходность и минимизировать риск;
• распознавание и актуализация приоритетов целей клиентоориентированных предложений – использование данных для определения присутствия клиентов, их целей и (на основание данного анализа) формирование наиболее эффективных клиентоориентированных предложений;
• усиление процессов целевого маркетинга – обработка набора демографических данных, которые имеют самый высокий процент требуемой (плановой) реакции на конкретную маркетинговую кампанию;
• организация бесперебойного процесса контроля качества продукта/услуги – анализ данных с камер/датчиков в конце производственного процесса для автоматической проверки продукта/услуги компании на наличие дефектов (несоответствий).

При этом анализ информации усложняется тем фактом, что каждый клиент имеет различные мотивации для того, чтобы больше не использовать конкретный продукт или услугу. Они могут включать в себя [2]:

• конечную цену продукта/услуги;
• получение лучшего предложения от конкурирующего сервиса;
• отказ от потребности и многое другое.

Неудовлетворенность также является основным триггером для высоких показателей оттока клиентов. Тем не менее, обозначенные негативные факторы можно нивелировать с помощью искусственных нейронных сетей.

Основываясь на вышеизложенном, стоит отметить, что основная идея для разработки искусственной нейронной сети для работы с малыми наборами данных заключается в максимальном расширении изначально набора данных с помощью инструмента аналитики [2, 6]. Так используются экспертные наборы данных (наборы обучения и тестовые наборы) – гипотезы аналитического исследования, которые (после каждого прогона) корректируются на основании полученного результата. В результате этой обобщенной процедуры корректировки (с множественными прогонами аналитического инструмента) формируются результаты исследования, которые являются достоверными и надежными.

При этом, как отмечалось выше, наиболее значительным преимуществом использования нейронных сетей является то, что они учатся нелинейными способами [1, 4]. Это означает, что при помощи данного инструмента можно выявить тенденции и ассоциации, которые не являются очевидными для аналитиков, но могут иметь решающее значение для решения проблем бизнеса. Так в случае прогнозирования темпов оттока клиентов такие характеристики, как частота обратной связи и активность клиентов в социальных сетях могут не быть очевидными причинами оттока, которые может оценить только тщательный анализ с использованием искусственной нейронной сети.

Далее необходимо отметить, что существует несколько способов построения модели прогнозирования оттока, которые были синтезированы в различных исследованиях [6, 7]:

• логистическая регрессия (или анализом выживания), результатом которого является вероятность потери клиентов для каждого из состояний (стратегий развития) стартапа;
• дерево решений, которое делят все на дизъюнктные множества и подмножества (так в наборе оттока клиентов возможна демонстрация отток из-за высокой цены продукта, недружественного интерфейса и прочее);
• рекуррентные нейронные сети, которые эксперты признают наиболее оптимальными и эффективными для прогнозирования таких процессов как отток клиентов.

Стоит отметить, что рекуррентные нейронные сети особо рекомендованы для анализа данных, в котором отдельные составляющие (единицы) исследования не являются независимыми друг от друга – в случае с лояльностью клиентов очевидно, что другие участники могут сильно повлиять на индивидуальные решения.

Также данный тип нейронных сетей полезен для [2, 5]:

• обработки естественного языка (прослушивания голоса клиента);
• просмотра отзывов, комментариев и электронных писем (где каждое слово должно рассматриваться в контексте).

При это к вышеизложенному стоит добавить, что существует ряд заметных препятствий в обучении нейронных сетей, которые необходимо учитывать при использовании данного решения [3, 4]. Так одной из примечательных проблем является глубина сети – чем больше слоев имеет система, тем выше вероятность ошибки обобщения. Это происходит, когда сеть больше не учится на новых данных, хотя она еще не поняла все аспекты.

Данный недостаток нивелируется тем, что искусственные нейронные сети могут с лёгкостью идентифицировать кластеры клиентов. Добавление информации, полученной из социальных сетей, может выявить дополнительные отношения, которые (в свою очередь) могут быть полезны для анализа лояльности клиентов [1, 7].

В заключении можно отметить, что преимуществом искусственных нейронных сетей выступает тот факт, что они могут помочь стартапам оптимизировать затраты на привлечение клиентов, а также помочь скорректировать стратегию развития бизнеса (для повышения и удержания необходимого уровня эффективности деятельности). Также искусственные нейронные сети выступают в качестве ценного инструмента при бюджетном и маркетинговом планировании.

Таким образом, можно сделать вывод, что искусственные нейронные сети – это больше, чем новый инструмент; это изменение парадигмы, поскольку они предоставляют возможность компаниям переходить от нивелирования последствий репутационных и финансовых рисков к их устранению. Также искусственные нейронные сети позволяю компаниям сформировать корректные и актуальные стратегии (в комплекте с оценкой затрат) для каждой ситуации развития внешней рыночной среды.

Также необходимо отметить, что поскольку результаты данного исследования показали, что искусственные нейронные сети обладают впечатляющей способностью анализировать удовлетворенность клиентов, воспринимаемую ценность и лояльность, рекомендуется, чтобы компании использовали эту современную технику анализа данных для анализа поведения клиентов и принятия лучших решений. Помимо высокой эффективности в прогнозировании лояльности клиентов, искусственные нейронные сети очень гибки и легко поддаются манипулированию, чтобы включать больше или меньше факторов.

Список литературы:

1. Абелян Д.Г. Драйверы развития высокотехнологичных стартапов // Российское предпринимательство. – 2018. – № 11. – С. 84-95.
2. Агеева Е.В. Потенциал искусственных нейронных сетей в области малых данных // Глобальные рынки и финансовый инжиниринг. – 2017. – № 7. – С. 116-125.
3. Грибанов В.Н. Источники аналитики для малых инновационных компаний (стартапов) // Финансы и кредит. – 2019. – №2. – С. 54-61.
4. Компаниец М.А. Стартапы в России: актуальные вопросы развития // Мировая экономика и право. – 2017. – № 9. – С. 62-69.
5. Лашин С.В. Современные методы аналитики развития и стабилизации стартапов // Инновации информационных технологий. – 2018. – № 10. – С. 22-27.
6. Николаева О.В. Автоматизация процессов принятия решений на примере внедрения искусственных нейронных сетей // Вопросы экономики и управления. – 2018. – № 9. – С. 47-52.
7. Шихов К.А. Вопросы эффективности управления и оптимизации издержек на примере стартапов // Новые стратегии экономики. – 2017. – №. 2. – С. 18-23.