Методи і моделі побудови інформаційних технологій економічного моніторингу для Call-центрів

Размещено на http://www.allbest.ru/

ХЕРСОНСЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня кандидата технічних наук

Методи і моделі побудови інформаційних технологій економічного моніторингу для call-центрів

КРЮЧКОВСЬКИЙ ДМИТРО ОЛЕКСАНДРОВИЧ

Херсон - 2007

Дисертацією є рукопис.

Робота виконана в Херсонському національному технічному університеті Міністерства освіти і науки України.

Науковий керівник: кандидат технічних наук, доцент Шеховцов Анатолій Вікторович, професор кафедри інформаційних технологій Херсонського національного технічного університету.

Офіційні опоненти: доктор технічних наук, професор Марасанов Володимир Васильович, завідувач кафедри економічної кібернетики Херсонського аграрного університету;

доктор технічних наук, професор Рябенький Володимир Михайлович, завідувач кафедри теоретичної електротехніки та електронних систем Національного університету кораблебудування ім. адмірала Макарова.

Захист відбудеться 28 серпня 2007 р. о 12.00 годині на засіданні спеціалізованої вченої ради Д 67.052.01 у Херсонському національному технічному університеті за адресою: 73008, Херсон-8, Бериславське шосе, 24, корпус 1, аудиторія 223.

З дисертацією можна ознайомитися у бібліотеці Херсонського національного технічного університету за адресою: 73008, Херсон-8, Бериславське шосе, 24, корпус 1.

Автореферат розісланий 17 липня 2007 р.

Вчений секретар спеціалізованої вченої ради Є.О. Ісаєв

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Головними тенденціями розвитку інформаційних систем і розподілених баз даних CRM, Data Mining є, з одного боку, децентралізація і розподіл ресурсів керування інформацією, а з іншого - неоднорідність структур збереження даних інформаційних систем. Таким чином, розподілені автоматизовані системи стають основою інформаційної структури збереження, обробки і керування даними та забезпечують інформатизацію суспільства - поетапне створення єдиного інформаційного простору.

Існує значна кількість робіт, досліджень, моделей, методів і програмних продуктів, які з різною ефективністю розв'язують окремі питання створення інтегрованих інформаційних систем.

Особливості створення Call-центрів, а також значимість в процесі утворення нових інформаційних технологій, обумовлена актуальність дисертаційного дослідження, спрямованого на розробку перспективних методів і моделей представлення знань про користувача і процеси взаємодії з ним. Рішення задачі моделювання дозволяє отримати висновок про дії, які виникають в процесі взаємодії користувача з ПК та цілей для надання підтримки Call-центрів в адаптації до характеристик користувача. Найбільш визнаними у даній галузі є дослідження вчених: Г.С. Поспєлова, Є.В. Попова, М. Минського, А.А. Зеніна, McCulloch, Є.І. Єфімова, В.К. Фінна, Н. Нільсона, Ф. Хейс-Рота, Д. Уотермана, Д. Лената, Л. Заде, Дж. Россістера, О.А. Кобєлєва, Г. Гордона, О.В. Крупника, Л.В. Орлова, В.М. Борячок та інші.

Створення Call-центрів мають особливості, які відрізняються від аналогічних задач, розв'язаних в інших областях досліджень по створенню баз даних: висока динамічність, невизначеність та суперечливість дій користувачів в процесі взаємодії, що затрудняють визначеність його цілей; наявність у користувача конкретних планів рішення задач, враховуючи його цілі та визначаючи його дії; неможливість апріорної формалізації багатьох видів даних про користувача і про процес взаємодії (неповнота знань).

При наявності цих особливостей випливають задачі, які вирішуються за допомогою методів, що використовуються при когнітивному моделюванні, використанні нейроних мереж та сполученні CRM і Data Mining при побудові інформаційних технологій економічного моніторингу для Call-центрів і вимагають додаткових досліджень. У сукупності викладені причини обумовлюють актуальність проведеного дослідження.

Аналіз вітчизняних і закордонних джерел показав, що дослідження в цьому напрямку мають прогалини і з урахуванням використання в повній мірі сучасних вимог в області інформаційних технологій і створення Call-центрів дозволить отримати теоретичні та практичні результати.

Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі інформаційних технологій Херсонського національного технічного університету відповідно до плану науково-дослідних робіт згідно договору від 12.01.2004р. про створення Call-центру (0107U001138) у ДППЗ „Укрпошта", в Цюрупенському целюлозно-паперовому комбінаті про створення сайта для організації інтернет магазину (№ДР 0107U001139) від 12.01.2004, створення моделей, алгоритмів і методів проектування автоматизованої системи та управління Call-центра (№ДР 0107U001137) від 14.02.2007. У зазначених НДР автор був керівником розділів по створенню баз даних.

Мета і завдання дослідження.

Метою дисертаційної роботи є розробка методології побудови Call - центрів як ефективного інструменту роботи з клієнтами, виключаючи суб'єктивність та конкурентоспроможність традиційних методів; розробка алгоритму функціонування Call - центрів, який реалізує механізми отримання та накопичення даних при взаємодії, без участі з боку користувача; практичне втілення алгоритмів та програмна реалізація функцій Call - центрів, які базуються на відповідних математичних моделях.

Для досягнення поставленої мети сформульовані такі задачі:

· Розробка методології системного проектування при проектуванні CRM - Call - центрів.

· Використання нейроних мереж в генерації знань, котрі опираються на первинні дані в базі даних для функціонування Call - центрів.

· Розробка системи CRM - Call - центрів з метою використовування концептуального аналізу та моделювання складних незадовільно визначених економічних або соціальних ситуацій, розробка стратегії управління і механізмів їх реалізації.

· Розробка методів оцінки та узагальнений критерій ефективності функціонування Call - центрів з використанням розроблених моделей та алгоритмів при побудові Call - центрів.

· Розбудова когнітивної моделі отримання прогнозу і пошуку структурних рішень та побудови моделі генерації і перевірки гіпотез про функціональну структуру очікуваної ситуації при побудові економічного моніторингу для Call - центрів.

· Реалізувати комп'ютерну програму „Концептуальний аналіз моделювання" (КАМ), яка використовує концептуальний аналіз та моделювання ситуацій.

Об'єктом дослідження дисертаційної роботи є процеси створення клієнтоорієнтованих технологій ринку директ маркетингу в CRM - систем, клієнтських, аутсорсингових Call - центрів та CRM як інструменту управління продажами.

Предметом дослідження є інформаційні та математичні моделі розв'язання задач автоматизації процесів створення баз даних для підтримки функціонування Call - центрів.

Методи дослідження поставлених задач базуються на комплексному використанні математичного апарату статистики, розпізнавання образів, машинного навчання, Data Mining, Oracle, OLAP - додатків, нейроних мереж, лінійного програмування CRM-технології.

Наукова новизна одержаних результатів. Наукова новизна результатів, одержаних у процесі виконання дисертаційної роботи, полягає в тому, що теоретичні та практичні дослідження, дозволили вирішити розробку методів, з використанням CRM та Data Mining, як технології видобутку корисної інформації з баз даних для функціонування Call-центрів.

У рамках вирішення розробки цих методів отримані такі наукові результати:

1. Вперше побудована когнітивна модель отримання прогнозу і пошуку структурних рішень, яка полягає в генерації і перевірці гіпотез про функціональні структури очікуваної ситуації до отримання функціональної структури здатної пояснити поведінку очікуваної ситуації.

2. Вперше запропоновано комплекс математичних моделей у виді когнітивного моделювання при використанні CRM. Нейроні мережі найкраще всього підходять для вирішення задач класифікації образів, реалізації пам'яті, прогнозування, оптимізації, фільтрації, тобто задачі, котрі важко описати символьними моделями і предметна область котрих, вимагає усвідомлення або погано формалізується за допомогою явно визначеного синтаксису, таким чином перетворення образів - результати числових операцій, як правило, векторно-матричного множення.

3. Дістало подальший розвиток:

- структоризовані нейроні мережі з глобальними властивостями - топології мережі, алгоритму навчання, схеми кодування, які визначають інтерпретацію даних в мережі і результатів їх обробки.

- механізм навчання нейроних мереж, які широко застосовуються в різних областях, що доведено розробками приведених в додатках дисертації.

- сегментація потенціальної клієнтської бази при експлуатації Call - центрів.

4. Набула подальшого розвитку система побудови баз даних з використанням CRM технологій з удосконаленням наступних функцій: збір, збереження та обробка інформації для представлення користувачам та функціонування Call - центрів.

5. Проведена сегментація ринку по стратам і тимчасовим параметрам населення. В якості інструментарію побудована комп'ютерна програма „Концептуальний Аналіз і Моделювання (КАМ)". Основні вимоги до комп'ютерної системи - відкритість до будь-яких можливих змін множини факторів ситуацій, причинно-наслідкових зв'язків, отримання та пояснення якісних прогнозів розвитку ситуації.

6. Доказана практична можливість реалізації комп'ютерної програми КАМ, яка значно розширює аналітичні можливості експертів, звільнюючи їх інтелект від рутинної роботи, стимулює уяву та інтуїцію для генерації оригінальних рішень, знахідок управління та рефлексивної поведінки в заплутаній ситуації.

Практичне значення одержаних результатів. Елементи теоретичних результатів, знайшли своє застосування при:

- впровадженні першої черги Call-center в „Укрпошті" м. Херсона згідно з договором від 12.01.2004р. Державний реєстраційний номер 0107U00138;

- досліджені та впровадження створення сайту для організації Інтернет магазина згідно з договором від 12.01.2005р. з Цюрупенським целюлозним паперовим комбінатом 0107U00139;

- створенні моделей, алгоритмів та методів проектування автоматизованої системи для управління Call-центром. Договір від 12.01.04р. з Комсомольським виконавчим комітетом м. Херсона 0107U00139.

Розроблені програмне забезпечення і методика застосовуються в навчальному процесі і виконанні курсових робіт, дипломних проектів студентів і кваліфікаційних робіт магістрів спеціальності "Комп'ютерні системи і мережі" (акт №7 від 11.09.2006р.).

Особистий внесок здобувача. Наукові положення, висновки і рекомендації, викладені в дисертації, отримано здобувачем особисто. В працях, виконаних у співавторстві зі співробітниками університету, особистий внесок автора становить: в працях [1, 3] запропонована проблема накопичення та групування з неструктурованих джерел бази даних для підтримки прийняття рішень; в [2, 4] досліджено вплив деяких методів формування баз прецедентів в системі прийняття рішень; роботи [7, 8, 9] присвячені моніторингу та формуванню баз даних клієнто-утворюючих систем у маркетингу; запропоновано програмний продукт у торгових відношеннях в Інтернеті в роботах [12, 13]; в роботах [5, 6] розглянуті методи оптимального керування процесами; в роботах [10, 11] наведено приклад моделювання організаційних систем.

Апробація результатів дисертації. Основні положення дисертації доповідалися і обговорювались на:

I всеукраїнській науково-практичній конференції „Математичне та програмне забезпечення інтелектуальних систем". (Дніпропетровськ, 2003);

третій науково-практичній міжнародній конференції „Черноморский регион в системе международной экономической интеграции: проблемы и перспективы" (Феодосія, 24-27 жовтня 2003 р.);

8-мому міжнародному молодіжному форумі "Радиоэлектроника и молодежь в XXI веке" (Харків: ХНУРЕ, 2004 р.);

четвертій науково-практичній міжнародній конференції „Украинское Причерноморье в конкурентном экономическом пространстве" (Феодосія, 27-30 жовтня 2005 р.);

науково-практичній конференції „Інформаційні технології в освіті і науці" (Н.Каховка, 2006 р.);

XI міжнародній науково-практичній конференції ім. академіка М. Кравчука (Київ, 2006 р.);

Публікації. За темою дисертації опубліковано 11 статей у виданнях, які внесені до переліку видань ВАК України, де можуть публікуватися результати дисертаційних робіт.

Структура дисертації. Дисертація складається зі вступу, чотирьох розділів, висновків, списку джерел зі 191 найменувань (18 сторінок) та додатків. Загальний обсяг роботи складає 213 сторінок, у тому числі 152 сторінок основного тексту, ілюстрованих 39 рисунками, 5 таблиць, 5 додатків на 33 сторінках.

ОСНОВНИЙ ЗМІСТ РОБОТИ

Вступ роботи містить: обґрунтування актуальності теми і наукових задач - існуючий стан справ в області створення Сall-центрів такий, що вже є реальні технічні можливості їхнього практичного використання, як обов'язкового компонента програмного продукту, але відсутня достатня теоретична база для їхнього проектування. Надана інформація про зв'язок з науковими програмами, отримано практичне значення результатів. Отримано підтвердження особистого внеску автором щодо реалізації, апробації та публікації результатів.

У першому розділі виконано аналіз стану задачі розробки та розвитку управлінням Сall-центром з використанням Data Mining, директ маркетингу, CRM. Орієнтація на клієнта виникла досить давно, а потреба в усвідомлених клієнтоорієнтованих технологіях прийшла набагато пізніше. Сам по собі клієнт став відігравати роль в економіці, коли з'явилися надлишки виробництва, і виробники були змушені їх продавати.

На рис. 1. показана спрощена схема інформаційної системи організації та її оточення. Темним кольором показане інформаційне поле всередині організації, світлим - зовнішнє інформаційне оточення.

Методи Data Mining (процес витягу нетривіальних, раніше невідомих, потенційно корисних, зрозуміло і ясно сформульованих знань, що можуть бути використані для рішення ключових задач бізнесу) застосовуються у всіх областях бізнесу, де є необхідність обробки величезних масивів інформації (баз даних) з метою виявлення і використання в подальшій діяльності залежності між різними величинами.

На рис.2 подано схему аналізу баз даних для задач директ маркетингу, як багатоступінчастий процес, у якому присутній зворотний зв'язок з клієнтом, збір даних і їхній аналіз. Директ маркетинг містить у собі такі етапи: одержання даних, їхнє збереження, моделювання бази даних, оцінку, керування маркетинговою кампанією і оцінки відгуків клієнтів. Пройшовши всі ці етапи можна одержати автоматизоване рішення для директ маркетингу.

Цінність бази - це роками накопичена детальна і коректна інформація.

У другому розділі запропоновано подальший розвиток ринку Сall-центрів. На наведеній нижче (рис.3) діаграмі Ісікаві представлені основні визначальні фактори розвитку ринку call-центрів.

Потенційна клієнтська база call-центрів поділяється залежно від маркетингових задач. Для одних організацій важливіше використання вихідного маркетингу, для інших основна потреба полягає в підтримці "гарячої лінії". Як правило, більшість організацій зацікавлена в підтримці інформаційно-довідкової служби.

Однак, основна сегментація споживачів визначається обсягом затребуваних послуг call-центрів, а також набором бізнес-задач, розв'язуваних компанією. Сегментація споживачів прямо пов'язується з потребою побудови власного call-центра або використанням комерційного зовнішнього call-центра.

Найближчим часом прогнозується ріст клієнтської бази, насамперед, у страхуванні та банківській сфері (масова видача кредитів). У зв'язку з цим повинна зрости потреба в побудові середніх власних call-центрів для цих компаній.

Третій розділ присвячений розробці математичної моделі інформаційної бази call-центрів. Для цього використовується когнітивне моделювання складних недостатньо визначених ситуацій та нейроні мережі. Когнітивне моделювання розглядається як комп'ютерне моделювання пізнавальних процесів. Ціль когнітивного моделювання - зрозуміти і побудувати модель людського ментального механізму, концептуально і з визначеним ступенем формалізації представити процес ухвалення управлінського рішення. Методологія когнітивного моделювання розвивається в напрямку удосконалювання апарату аналізу і моделювання ситуації, тому запропоновані моделі прогнозу розвитку ситуації та методи рішення зворотних задач. Для опису когнітивної карти у функціональній структурі поле знань розробляються: 1) шкали ознак; 2) методи витягу переваг експерта для налаштовування сили впливу ознак ситуації; 3) методи рішення прямої і зворотної задачі. call центр комп'ютерний програма

Для розробки шкал одержуємо лінійно упорядковану множину лінгвістичних значень j-го ознаки i-го поняття, - Z_ij={z_ijk}, k - номер лінгвістичного значення, елементи якого відображається на відрізку числової осі [0,1]. Для кожного лінгвістичного значення z_ijkZ_ij на числовій осі визначена крапка x_ijk[0,1] і її околиці x_ijk, що мають ту ж саму лінгвістичну інтерпретацію z_ijk. Таким чином, для кожної ознаки кожного поняття визначена числова шкала X_ij, кожна крапка якої x_ijX_ij має лінгвістичну інтерпретацію z_ijkZ_ij .

При одержанні прогнозу розвитку ситуації вважається заданим: безліч факторів F={F_i}; шкали факторів X_ij; початковий стан ситуації X(t)=(x⁰₁₁, …, x⁰_nm); матриця суміжності W=|w_{ij sl}|, де індекси i,s - номер поняття, j,l - номер ознаки поняття з номером i або s; початковий вектор збільшень факторів P(t)=(p₁₁,…,p_nm)...

Необхідно знайти вектора збільшення ознак P(t), …, P(t+n) і стан ситуації X(t), …, X(t+n) у послідовні дискретні моменти часу t, …, t+n...

Для якісно заданих ситуацій (значення змінних і елементи матриці суміжності - це лінгвістичні значення) розроблені алгоритми одержання прогнозів розвитку ситуацій, засновані на використанні операції max-product (множення і взяття максимуму). Ці алгоритми працюють для позитивно визначених матриць, у той час, як у нашому випадку елементи матриці суміжності і векторів збільшень можуть приймати негативні і позитивні значення. Використовується правило перетворення матриці суміжності W=|w_{ij sl}|_nn з позитивними і негативними елементами до позитивно визначеної подвійної матриці W`=|w`_{ij sl}|_2n2n.

Вектор збільшень P`(t+1)=(p<sub>1j</sub><sup>+</sup>, p<sub>1j</sub><sup>-</sup>, …, p<sub>nm</sub><sup>+</sup>, p<sub>nm</sub><sup>-</sup>) для позитивно визначеної матриці W` визначається за допомогою наступного рівняння:

P`(t+1)= P`(t) W`,

де для обчислення елемента вектора P`(t+1) використовується правило:

p`<sub>ij</sub>(t+1)= (p`_sl(t) w`_{ij sl})

Елементи векторів збільшень значень ознак, отримані в послідовні моменти часу P`(t+1), … , P`(t+n) після транспонування представляються у вигляді блокової матриці P^t = |P`(t+1)<sup>T</sup>, … ,P`(t+n)^T|... Матриця P^t називається матрицею збільшень і використовується при роботі алгоритмів пояснення прогнозів розвитку ситуації.

Представлення значення збільшення ознаки у вигляді пари - позитивного p_ij⁺ і негативного p_ij^- збільшення дозволяє моделювати когнітивний консонанс у представленнях суб'єкта про значення ознаки.

Рішення зворотної задачі дозволяє виробити рекомендації з уживання заходів, що дозволяють перевести ситуацію з поточного стану в цільовий стан. При рішенні зворотної задачі вважається задана матриця транзитивного замикання подвоєної матриці суміжності W<sup>`</sup> = |w`_{ij sl}| і цільовий вектор G=(g₁, …, g_n) збільшень значень ознак ситуації.

Задача полягає в знаходженні множини вхідних впливів ={U}, таких, що для всіх U виконується рівність U = G. Алгоритми, що дозволяють отримати множину рішень зворотної задачі ={U_max, U_min}, де U_min= {U₁ , U₂ , …, U_q} множина мінімальних рішень; U_max одне максимальне рішення яке розроблено в роботі.

Рішення U_max і U_min представляються у вигляді подвійних векторів, у яких елемент з індексом 2j характеризують позитивне p_ij⁺, а з індексом 2j-1 - негативне p_ij^- значення збільшення ознаки f_ij. У цьому випадку керуючий вплив U, подаване на ознаку f_ij характеризується величиною збільшення p_ij і консонансом c_ij, тобто U=(p₁₁, c₁₁, …, p_nm, c_nm)... Величина збільшення p_ij визначається за допомогою співвідношення (2), а когнітивний консонанс c_ij за допомогою співвідношення (1).

Ситуація у функціональній системі поля знань визначається четвіркою: F, X, X(0), W, де F - множина ознак ситуації, і - множина шкал ознак, X(0) - стан ситуації в початковий момент часу, W - матриця суміжності.

Нейроподібні моделі, відомі як системи рівнобіжних розподілів чи обробки системи зв'язків, не припускають явного використання символьного представлення в задачі навчання. Інтелектуальні властивості цих систем забезпечуються взаємодією простих компонентів (штучних нейронів) і настроюванням зв'язків між ними в процесі чи навчання адаптації. Нейрони організовані в кілька шарів, тому такі системи є розподіленими. Інформація обробляється паралельно, тобто всі нейрони одного шару одночасно і незалежно один від одного одержують і перетворюють вхідні дані.

Однак у нейромережних моделях символьне представлення відіграє важливу роль при формуванні вхідних векторів і інтерпретації вихідних значень. Вибір схеми кодування може зіграти ключову роль для здатності мережі до навчання. Мережі зв'язків заповнюють рівнобіжну і розподілену обробку інформації, однак при цьому символи не розглядаються як символи. Вхідна інформація з предметної області перетвориться в числові вектори. Зв'язок між цими елементами-нейронами представляється числовими значеннями.

Розглянемо питання навчання на основі асоціацій між образами і . Образи і представлені векторами, розгорнута форма яких має вигляд:

 (1)

Значення m дорівнює кількості вузлів джерел у вхідному шарі і числу обчислювальних нейронів вихідного шару.

, (2)

де W(k) - матриця ваг, обумовлена парами "вхід-вихід" (,). Вихід і-го нейрона обчислюється як зважена сума ключового образа за формулою

Окремі представлення q пар асоційованих образів , k=1,2,…,q формують значення елементів окремих матриць W(1), W(2),…,W(q)... З огляду на той факт, що та асоціація образів представляється матрицею ваг W(k), матрицю пам'яті розмірам mxm можна визначити як суму матриць вагових коефіцієнтів усього набору асоціацій:

Якщо розглядати як реалізації випадкового процесу, то для оцінки матриці М введемо позначення , що у термінах образів, що запам'ятовуються, описується виразом:

Під позначенням розуміється зовнішній (матричний) добуток ключових і образів, які запам'яталися. Цей добуток є оцінкою матриці ваг W(k), що відображає вихідний вектор на вхідний вектор . Сума у визначеній матриці має пряме відношення до матриці пам'яті (7). Таким чином, локальний процес навчання, описаний виразом (8) можна розглядати як узагальнення постулату навчання Хебба (правило зовнішнього матричного добутку). Побудована в такий спосіб матриця пам'яті називається пам'яттю у виді матриці кореляції:

У нейроних мережах використовуються три види функцій активації:

1. Функція одиничного стрибка (функція Хевісайда):

Відповідно вихідний сигнал нейрона k:

Цю модель називають моделлю Мак-Каллока Пітца.

2. Кусочно-лінійна функція

3. Сигноїдальна функція (найпоширеніша функція, використовується для створення штучних мереж).

При застосуванні стохастичної моделі нейрона використовується наступний підхід. Позначимо стан нейрона символом х, а ймовірність активації нейрона функцією Р(U), де U - індуковане локальне поле нейрона. Тоді з імовірністю

Імовірність Р(U) описується сигноідальною функцією наступного виду:

Крім цих властивостей окремих нейронів нейрона мережа характеризується наступними глобальними властивостями:

1. Топологія мережі - це шаблон, що визначає наявність зв'язків між окремими нейронами. Топологія є головним джерелом індуктивного порога.

2. Алгоритм навчання мережі.

3. Схема кодування - визначає інтерпретацію даних у мережі та результатів їхньої обробки.

Блокова діаграма забезпечує функціональний опис різних елементів, з яких складається модель штучного нейрона. Зовнішній вигляд моделі значно спрощується при використанні для подання моделі графа передачі сигналу. Граф передачі сигналу - це мережа спрямованих зв'язків (або галузей), що з'єднують окремі точки (вузли). Кожний вузол j є зв'язаний сигнал. Звичайний спрямований зв'язок починається в деякому вузлі j і закінчується в деякому вузлі k. З вузлом зв'язана деяка передатна функція, що визначає залежність сигналу вузла k від сигналу вузла j. Проходження сигналу по різних частинах графа підкоряється трьом основним правилам:

Правило 1. Напрямок проходження сигналу уздовж кожного зв'язку визначається напрямком зв'язку. Є два типи зв'язків: а) синоптичні, їхнє поводження визначається лінійним співвідношенням виходів - сигнал вузла множиться на синоптичну вагу в результаті чого виходить сигнал (рис.4а); б) активаційні зв'язки, їхнє поводження визначається нелінійним співвідношенням виходів (рис.4б); - нелінійна функція активації.

Правило 2. Сигнал вузла дорівнює алгебраїчній сумі сигналів, що надходять на його вхід (рис.4в).

Правило 3. Сигнал даного вузла передається по кожному вихідному зв'язку без обліку передатних функцій вихідних зв'язків (рис.4г).

Нейронна мережа - це спрямований граф, що складається з вузлів, з'єднаних синоптичними й активаційними зв'язками, що характеризується наступними властивостями:

1. Кожен нейрон представляється безліччю лінійних синоптичних зв'язків, зовнішнім порогом й, можливо, нелінійним зв'язком активації. Поріг, що представляє вхідним синоптичним зв'язком, вважається рівним +1 (рис.5).

2. Синоптичні зв'язки нейрона використовуються для зважування відповідних вхідних сигналів.

3. Зважена сума вхідних сигналів визначає індуковане локальне поле кожного конкретного нейрона.

4. Активаційні зв'язки модифікують індуковане локальне поле нейрона, створюючи вихідний сигнал.

Алгоритми й архітектури, що реалізують підхід перетворення образів як результат числових операцій векторно-матричного множення не припускають явного програмування. Вони просто вибираються для навчання мережі. У цьому складається основна перевага такого підходу: інваріантні властивості вхідної інформації виявляються за рахунок вибору відповідної архітектури і методу навчання. Нейроні мережі найкраще підходять для вирішення задач класифікації, розпізнавання образів, реалізації пам'яті, прогнозування, оптимізації, фільтрації, тобто задачі, що важко описати символьними моделями і предметна область яких вимагає усвідомлення або слабо формалізується за допомогою явно визначеного синтаксису.

В четвертому розділі наведені подальші кроки по використанню CRM-системи, Data Mining в реалізації Call-центрів. Існування організацій залежить від того, наскільки докладно, вчасно і якісно удається відслідковувати інформацію про ринки і товари, з якими вона працює. Ситуація істотно ускладнюється при роботі на декількох ринках, що знаходяться в різних регіонах. Інформації і джерел її одержання може бути дуже багато. Можна відзначити наступні сучасні тенденції, що серйозно змінили підхід до проектування інформаційних систем (ІС), особливо маркетингових ІС:

1. Істотне прискорення змін зовнішнього середовища, в якому працюють організації. Кілька десятків років тому швидкість зміни зовнішнього середовища, в якому працює більшість організацій у розвинених країнах, стала вище швидкості, з якою організації можуть легко реагувати на ці зміни;

2. Глобалізація бізнесу, що збільшується;

3. Поява технологій Іnternet/Іntranet дозволило істотно спростити розробку й експлуатацію інформаційних систем і зробити можливим створення більш складних ІС. Для адекватного аналізу маркетингової інформації організації повинні створювати усе більш складні розподілені інформаційні системи з величезними обсягами інформації. Технології Іnternet/Іntranet дали можливість це зробити з приблизно такими ж витратами сил і засобів, як і раніш для систем істотно меншого масштабу. Для успішної роботи на ринку організаціям і фірмам потрібна інформація про попит, клієнтів, конкурентів, ринки і товари. Така інформація може забезпечити стратегічну перевагу перед конкурентами. Останнім часом корпоративні інформаційні системи стають невід'ємною частиною системи управління підприємством в умовах сучасних реалій.

У додатках наведені: основні екранні форми, програмні модулі основних блоків програми КАМ, акти впровадження результатів дисертаційної роботи на підприємствах і організаціях.

ВИСНОВКИ

1. Проведено порівняльний аналіз існуючих методів і підходів до побудови різних інструментів Data Mіnіng і розроблено методологію побудови Gall-центра як ефективного інструмента роботи з базами даних, формалізований опис процесів взаємодії Gall-центра і CRM для реалізації і побудови прикладних задач.

2. Розроблено алгоритм функціонування Gall-центра і реалізовані механізми одержання і накопичення даних про взаємодію без участі з боку користувача, що дозволяє застосовувати даний алгоритм в умовах наявності тимчасових обмежень формування повідомлень.

3. Розглянуто і застосовано механізм навчання за допомогою нейроних мереж, адаптивних за своєю природою, і використаних для узагальнення даних, що дуже важливо при зборі даних.

4. Розроблено концепцію CRM - Сall-центрів і реалізовано в користувальницькому інтерфейсі. Здійснено практичну реалізацію математичних моделей, алгоритмів і програмну реалізацію окремих функцій інтерфейсу в складі Сall-центрів. (на базі "Укрпошта").

5. Проведено порівняльний аналіз існуючих методів і підходів до побудови аутсорсінгових Сall-центрів і класичних баз даних з обґрунтуванням застосування аутсорсінгових Сall-центрів.

6. Запропоновано методику оцінки якості і ефективності функціонування Call-центрів, яка носить досить універсальний характер і може бути використана при розробці аналогічних баз даних для комп'ютеризованих систем різного призначення.

7. Складена і реалізована комп'ютерна програма "Концептуальний Аналіз і Моделювання (КАМ)", де витримані вимоги до комп'ютерних систем когнітивного моделювання - це відкритість до будь-яких можливих змін безлічі факторів ситуації, причинно-наслідкових зв'язків, одержання і пояснення якісних прогнозів розвитку ситуації.

8. Розроблений інструментарій комп'ютерної програми (КАМ), яка призначена для безупинного моніторингу стану ситуації, породження і перевірки гіпотез механізмів розвитку і механізмів керування ситуацією.

9. Застосування комп'ютерної програми КАМ значно розширює обрії аналітичних можливостей експертів, звільняючи їхній інтелект від рутинної роботи, стимулює уяву й інтуїцію для генерації оригінальних рішень і знахідок керування і рефлексивного поводження в заплутаній ситуації.

Обґрунтування висновків і рекомендацій, наведених у роботі, підтверджуються практичним використанням результатів дисертаційних досліджень. Результати досліджень впровадженні на Українському державному підприємстві поштового зв'язку „Укрпошта", ТОВ „Цюрупинський паперовий комбінат".

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Шерстюк В.Г., Козуб Н.А, Крючковский Д.А. Подходы к решению проблемы извлечения знания из неструктурированных источников // Вестник Херсонского государственного технического университета. - 2002. -№1(14). - С. 296-299.

2. Шерстюк В.Г., Бень А.П., Крючковский Д.А., Козуб Н.А. Методы формирования базы прецедентов в интеллектуальной системе поддержки принятий решений // Вестник Херсонского государственного технического университета. - 2002. -№2(15). - С. 501-504.

Автором розроблений алгоритм формування бази даних.

3. Бабенко Н.И., Крючковский Д.А., Маломуж Т.В. Методы снижения влияния факторов субъективности и неопределенности в системах поддержки принятия решений // Научно-технический журнал Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2003. -№ 1(11). - С. 116-120.

4. Шерстюк В.Г., Бень А.П., Крючковский Д.А., Информационные технологии индикативного планирования и управления социально-политическими процессами в регионе // Вестник Херсонского государственного технического университета. - 2003. -№2(18). - С. 91-94.

5. Шерстюк В.Г., Бень А.П., Крючковский Д.А. Метод расширения эпистемических состояний агента с помощью оператора абдукции // Вестник Херсонского государственного технического университета. - 2003. -№3(19). - С. 455-458.

6. Шерстюк В.Г., Бень А.П., Крючковский Д.А., Маломуж Т.В. Метод оптимального управления процессами регионального развития // Вестник Кременчугского государственного политехнического университета. - 2003. -№3(20). - С. 116-170.

Автором визначено поняття оптимального управління процесів з погляду регіонів.

7. Шерстюк В.Г., Бень А.П., Маломуж Т.В., Крючковский Д.А. Оптимальное управление социально-экономическими процессами на уровне региона // Сб. тезисов докладов V Международной научно-практической конференции "Системный анализ и информационные технологии". - К.: ИПСА, 2003. - С. 218-219.

Автор розробив перелік альтернатив, які використовувались при прийнятті рішень.

8. Бень А.П., Бабенко Н.И., Крючковский Д.А., Маломуж Т.В., Шерсток В.Г. Сценарно-прецедентный подход к формированию альтернатив в интеллектуальной системе поддержки принятия решений // Сб. тезисов докладов I Всеукраїнської науково-практичної конференції „Математичне та програмне забезпечення інтелектуальних систем". - Дніпропетровськ: MPZIS, 2003. - С. 4-5.

Автор розробив програмний продукт підтримки прийняття рішень.

9. Шерстюк В.Г., Бень А.П., Крючковский Д.А. Методы выявления социальной специфики региона в интеллектуальной системе социально-экономического мониторинга в регионе // Вестник Херсонского государственного технического университета. - 2003. -№1(17). - С. 101-109.

10. Шерстюк В.Г., Крючковский Д.А., Козуб Н.А. Моделирование организационных систем на основе специальных агентов // Вестник Херсонского государственного технического университета. - 2004. -№1(19). - С. 303-310.

11. Крючковский Д.А., Полетаева А. Н. Динамическая система торговых отношений в Интернете // Научно-технический журнал Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2005. -№2(16). - С. 177-182.

12. Шеховцов А.В., Крючковский Д.А., Полетаева А.Н. Группировка в сравнении с таблицами частот// Матеріали XI міжнародної наукової конференції ім. академіка М. Кравчука. - К.: Тов. "Задруга", 2006. - С. 658-659.

13. Крючковский Д.А., Шеховцов А.В. Вероятностные оценки длительностей до момента прекращения // Матеріали XI міжнародної наукової конференції ім. академіка М. Кравчука. - К.: Тов. "Задруга", 2006. - С. 716-717.

14. Крючковский Д.А. Информационные технологии управления регионом // Сб. тезисов докладов 8-го международного молодежного форума "Радиоэлектроника и молодежь в XXI веке". - Харьков: ХНУРЭ, 2004. - Ч.2. - С. 71-73.

15. Свід. №16659 від 17.05.2006. Авторське право на програмний продукт, зареєстроване у Державному департаменті інтелектуальної власності при Міністерстві освіти і науки України, 2006. Комп'ютерна програма криптографічного перетворення інформації "FARCorp"

АНОТАЦІЯ

Крючковський Д.О. Методи і моделі побудови інформаційних технологій економічного моніторингу для Call-центрів. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 - автоматизовані системи управління та прогресивні інформаційні технології. Херсонський національний технічний університет. Херсон 2007.

Дисертація присвячена рішенню наукового завдання побудови БД для Сall-центрів. Сall-центр та CRM - два взаємодоповнюючих і тісно пов'язаних між собою елемента автоматизації бізнесу, спрямованих на реалізацію стратегії орієнтованої на клієнта. Результатом стає однаково високий рівень ефективності використання будь-яких каналів зв'язку із клієнтами. Клієнти, у свою чергу, одержують швидкий, професійний і персоналізований відгук на кожне звернення. У концепції CRM call-центрам відведено дуже важливе місце. Найчастіше саме по роботі сall-центра клієнти судять про якість надаваних послуг. В call-центрі, як у фокусі, сходяться всі елементи CRM.

Бази даних - невід'ємний елемент будь-якої директ маркетингової кампанії. На їхній основі будується аналіз потреб клієнтів, розробляються комерційні пропозиції. Ланцюжок директ маркетингу починається з одержання даних про потенційних клієнтів. Прикладами характерних джерел даних є e-commerce веб-сайты, зчитуючи пристрої на касах у магазинах і програми по підтримці лояльності клієнтів, які дають можливість простежити послідовність угод окремих клієнтів.

CRM - це стратегія компанії взаємодії із клієнтами у всіх організаційних аспектах: рекламі, продажу, доставці та обслуговуванні клієнтів, дизайні і виробництві нових продуктів, виставленні рахунків тощо. Це стратегія, заснована на наявності єдиного сховища інформації і системи, у які миттєво містяться та з яких негайно доступні всі відомості про всі випадки взаємодії із клієнтами.

Когнітивне моделювання розглядається як комп'ютерне моделювання пізнавальних процесів і використовує багато ідей зі штучного інтелекту для побудови баз даних. Нейроні мережі, або моделі з'єднань, складаються з комп'ютерних апаратних і програмних засобів, за допомогою яких вживають спроби копіювати моделі обробки інформації біологічним мозком. З обчислювальної точки зору нейроні мережі являють собою велику кількість обчислювальних елементів, об'єднаних із ще більшим числом інших елементів, а детальні обчислення в нейроних мережах у значній мірі виконуються спільними зусиллями. Теорія побудови нейроних мереж містить у собі структуру мережі, що навчає алгоритм і подання знань. У менеджменті нейронні мережі використаються при класифікації, оцінці регресії, аналізі тимчасових рядів і при рішенні завдань оптимізації при побудові БД для Gall-центру.

Ключові слова: Call-центр, data mining, когнітивне моделювання, нейроні мережі, сегментації ринку.

АННОТАЦИЯ

Крючковский Д.А. Методы и модели построения информационных технологий экономического мониторинга для Call-центров. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 - автоматизированные системи управления и прогрессивные информационные технологии. Херсонский национальный технический университет. Херсон 2007.

В диссертации рассмотрены вопросы построения БД с помощью CRM, Data Minig для функционирования Сall-центров. Базы данных - неотъемлемый элемент любой директ маркетинговой кампании. На их основе строится анализ потребностей клиентов, разрабатываются коммерческие предложения, проводится уведомление потребителей о предлагаемых товарах и услугах. Способы формирования и пополнения клиентских баз данных:

- актуализирование и увеличение базы данных по активным клиентам;

- создание базы данных для проведения интервью;

- создание базы данных потенциальных подписчиков с помощью активного телемаркетинга.

Цепочка директ маркетинга начинается с получения данных о потенциальных клиентах. Примерами характерных источников данных являются e-commerce веб-сайты, считывающие устройства на кассах в магазинах и программы по поддержанию лояльности клиентов, которые дают возможность проследить последовательность сделок отдельных клиентов.

Современные маркетинговые исследования говорят о том, что наличие солидной базы лояльных клиентов является основным и едва ли не единственным фактором устойчивости и процветания бизнеса сегодня. Интегрировать клиента внутрь компании, предоставить ему реальное индивидуальное обслуживание, поставить его первым в очереди - задача, которую пытается решить мировое бизнес сообщество. В рамках этой задачи родилась целая стратегия - стратегия CRM.

CRM - это стратегия компании взаимодействия с клиентами во всех организационных аспектах - рекламе, продаже, доставке и обслуживании клиентов, дизайне и производстве новых продуктов, выставлении счетов и т.п. Это стратегия, основанная на наличии единого хранилища информации и системы, в которые мгновенно помещаются и из которых немедленно доступны все сведения о всех случаях взаимодействия с клиентами. Синхронизация управления множественными каналами взаимодействия. Постоянный анализ собранной информации о клиентах и принятии соответствующих организационных решений.

Когнитивное моделирование рассматривается как компьютерное моделирование познавательных процессов и использует много идей из искусственного интеллекта. Когнитивные модели обычно конструируются когнитивными специалистами, имеющими дело с научными и эмпирическими данными.

Применение системы концептуального моделирования значительно расширяет горизонты аналитических возможностей экспертов, освобождая их интеллект от рутинной работы, стимулирует воображение и интуицию для генерации оригинальных решений и находок управления и рефлексивного поведения в запутанной ситуации.

Нейронные сети, или модели соединений, состоят из компьютерных, аппаратных и программных средств, с помощью которых предпринимаются попытки копировать модели обработки информации биологическим мозгом. С вычислительной точки зрения нейронные сети представляют собой большое число вычислительных элементов, объединенных с еще большим числом других элементов, а детальные вычисления в нейронных сетях в значительной степени выполняются общими усилиями. Теория построения нейронных сетей включает в себя структуру сети, обучающий алгоритм и представление знаний. В менеджменте нейронные сети используются при классификации, оценке регрессии, анализе временных рядов и при решении задач оптимизации.

Сall-центр и CRM - два взаимодополняющих и тесно связанных между собой элемента автоматизации бизнеса, направленных на реализацию стратегии предприятия ориентированного на клиента. Их интеграция позволяет объединить все каналы взаимодействия с клиентами, обеспечить согласованную работу по этим каналам в рамках единой методики и технологии общения. Результатом становится одинаково высокий уровень эффективности использования любых каналов связи с клиентами. Клиенты в свою очередь получают быстрый, профессиональный и персонализированный отклик на каждое обращение. В концепции CRM call-центрам отведено очень важное место. Зачастую именно по работе сall-центра клиенты судят о качестве предоставляемых услуг. В call-центре, как в фокусе, сходятся все элементы CRM. Ключевые слова: Call-центр, data mining, когнитивное моделирование, нейронные сети, сегментации рынка.

SUMMARY

Kriuchkovskiy D.A. "Methods and Models of Information Technologies Development in Economic Monitoring for CALL-centers." - Manuscript

The dissertation for scientific degree of Candidate of Science in Specialty 05.13.06 - Automatic Systems of Monitoring and Advanced Information Technologies. Kherson National Technical University, Kherson 2007.

The dissertation considers the issues of creating data base (DB) for CALL-centers operation. Databases is an integral part of any direct marketing company. It is the basis for customer needs analysis and commercial proposals design.

Direct marketing starts with obtaining DB about potential clients. Typical sources of information providing data for DB on consistency in interactions of certain customers are: E-commerce websites, digital devices on cash registers in stores, customer service plans.

To integrate clients into the company, to customize service, to consider customer service as of first importance - is the goal that world business community has been striving to solve. To achieve that goal there was a strategy developed that focuses in improving business operation at customer service - strategy CRM. Out-source CRM can function as perfect training center for companies that don't have their own Call centers to answer customer calls but are interested in direct relations with their clients.

Call center and CRM - are two essential and interrelated elements for automation of business aimed at customer service strategy of a company. It results in high efficiency of operating all the means of communication with clients. Clients, in their turn, receive a quick, professional and customized response to every inquiry. Call centers are considered essential in the CRM concept.

Frequently, it is the operation of the call center that is judged by clients for the quality of services provided. It is in the CALL center, like in the focus, where all the elements of CRM are concentrated.

Key words: the Call-center, data mining, когнитивное modelling, neural networks, segmentations of the market.

Размещено на Allbest.ru

...