Методы сегментации рынка

В одном из регионов России проводились исследования для теплосети города. Всего по городу около 150 тыс. потребителей отопления и горячего водоснабжения. Среди них встречаются хронические неплательщики, люди которые постоянно платят в срок, а также те, кто платит время от времени.

Поскольку в имеющейся базе данных хранится очень много записей, и у каждого клиента используется около 10 параметров об их платеже, то решить такую задачу напрямую сложно. Здесь на помощь и приходит нейронная сеть.

Для обучения системы было выбрано около 300 записей, в которые вошли различные потребители теплосети. В результате работы системы получилась карта, на которую затем нанесли информацию о различных группах клиентов. Были выделены 5 основных групп: «хронические» неплательщики (С3), временные неплательщики (С1), те, кто постоянно платят меньше чем начисляют (С2), и те, кто переплачивает (С5) и добросовестные плательщики (С4). После нанесения соответствующей раскраски можно заметить, что все потребители группируются по разным участкам карты (рис. 24).

Рис. 24. Расположение на карте неплательщиков

По зоне карты, в которую попадает клиент, можно определить, как себя вести с конкретным субъектом и что позволит путем применения соответствующих мер сократить убытки. Это и есть сегментация. Благодаря тому, что схожие объекты располагаются на карте рядом, мы, зная сведения только об одном их них, можем сделать вывод, о том, как поведут себя те, кто находится в положении рядом.

Нейронные сети способны помочь людям в генерации знаний, которые основывались бы на всех первоначальных данных. Исследования в области нейронных сетей в основном достаточно наглядны. По сравнению с другими вычислительными методами в статистике и науке менеджмента они имеют значительные преимущества. Так, у моделей на основе нейронных сетей очень гибкие теоретические требования; кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи.

Как мощный механизм обучения нейронные сети могут широко применяться в различных областях. Однако, они никогда не смогут полностью заменить людей в процессе решения задачи. Нейронные сети должны использоваться для обобщения данных, а не для определения. Нейронные сети адаптивны по своей природе, они могут подражать решению проблемы человеком, но они не сообщат, какой из критериев решения задачи должен быть принят во внимание перед сбором данных. Кроме того, обучающиеся машины часто используются при формализации знаний из данных реального мира, но сами обучающиеся машины не могут генерировать принципы формализации.