Оценка спроса на товары и услуги на основании гибридных сетей

Композиционный подход: общая оценка создается на основе частных полезностей. 
Этот подход прямо противоположен декомпозиционному. При использовании его оценка марки рассчитывается на основе представлений потребителя о детерминирующих атрибутах и их значимости.

Процедура исследования такова:

1. В ходе опроса по определенной шкале измеряется значимость определенных атрибутов товара для участников исследования;
2. Затем респонденты, используя шкалу, выражают свое мнение о степени выраженности этих атрибутов у каждой из тестируемых марок, то есть для каждой марки оценивается ее соответствие той или иной характеристике;
3. путем умножения значимости атрибута на его выраженность рассчитывается оценка каждого атрибута – ее называют частной полезностью атрибута;
4. вычисляется оценка привлекательности марки в целом (общая полезность). Способ вычисления итоговой оценки на основе частных полезностей может быть разным; он зависит от того, какая модель формирования потребительского отношения используется при расчете (см. подверстку о моделях формирования потребительского отношения).

Наиболее известной и широко используемой компенсационной моделью является модель ожидаемой полезности (модель Фишбейна) (см. подверстку «Пример использования модели Фишбейна»): потребитель оценивает марку в соответствии с суммой оценок различных атрибутов товара.

Эта модель не имеет  минимальных оценок для конкретных характеристик, и высокая оценка одного параметра может компенсировать низкую оценку другого. Например, если для потребителя очень важна  низкая цена стиральной машины, а дизайн и низкий уровень шума не играют особой роли, то дешевая машина может оказаться наиболее предпочтительным вариантом, несмотря на плохие позиции по характеристикам «дизайн» и «бесшумность».

Выбор оцениваемых  атрибутов. Самый очевидный способ выяснить, какие показатели продукта являются наиболее значимыми для целевого рынка – спросить самих потребителей. Лучше всего для сбора информации в данном случае использовать качественные методы исследований: фокус-группы или глубинные интервью с потенциальными и реальными потребителями.

Из чернового, предварительного списка исследователь должен отобрать несколько атрибутов в соответствии с определенными требованиями:

ЗНАЧИМОСТЬ. Прежде всего атрибуты должны оказывать  влияние на принятие решения о  покупке для достаточно большого числа потребителей.

РАЗЛИЧИМОСТЬ. Необходимо использовать атрибуты, позволяющие отличать марки друг от друга Атрибут, присутствующий во всех сравниваемых марках, не является детерминирующим. 
 НЕЗАВИСИМОСТЬ. Атрибуты должны быть независимыми друг от друга. Например, не следует одновременно использовать такие характеристики, как мощность пылесоса и уровень потребления электроэнергии – эти атрибуты взаимосвязаны. 
 ОДНОЗНАЧНОСТЬ. Атрибуты должны быть четко определенными, восприниматься однозначно и без осложнений. Например, потребители часто используют такой критерий выбора, как «качество». Однако качество – это макроатрибут, включающий в себя целый ряд различных атрибутов.[7]

 

 ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ОЦЕНКИ ПРИВЛЕКАТЕЛЬНОСТИ ТОВАРОВ НА ОСНОВЕ ГИБРИДНЫХ СЕТЕЙ

2.1 Этапы методики оценки привлекательности товаров на основе гибридных сетей

 

В основе этой методики лежит построение систем нечеткой логики. Методика оценки привлекательности  товаров на основе гибридных сетей  состоит из нескольких этапов.

Первый этап связан с анализом данных с помощью программы MatLab, используя функцию Fuzzy Logic Toolbox. На этом этапе необходимо составить набор факторов и оценить их эффективность (пример табл.2.1).

 

Табл.2.1

Фактор 1	Фактор 2	Фактор 3	Фактор 4	Эффективность
4	0,1	1,5	1	6
5	0,2	2	3	7,89
6	0,3	2,5	5	9,2

 

Далее в программе  MatLab в рабочей зоне (workspace) создать выборку (табл.2.1), а затем в командной строке вызвать функцию anfisedit и создать структуру гибридной сети и настроить ее параметры по данным, которые предварительно были внесены в программу (та же табл.2.1). Первые колонки соответствуют входным переменным (факторы), а крайняя единственной выходной переменной (эффективность). После создать правила обучения этой выборки и сохранить их в рабочей зоне. Заканчивается этот этап прогнозированием эффективности. Снова в командной строке вызываем функцию fuzzy и загружаем в редактор Fuzzy Logic заранее созданные правила. После выбираем позицию в меню View и ее подпункт Rule. Открывается окно редактора Rule Viewer и, вводя данные в строку input, мы получаем выходное значение output спрогнозированное программой.

На втором этапе необходимо произвести расчет ошибки (Е) изменения эффективности. Ошибка считается по модулю как разница между эффективностью заданной в таблице и эффективностью спрогнозированной программой. Затем рассчитывается суммарная ошибка как среднее арифметическое. После нужно сделать вывод, при каких параметрах суммарная ошибка будет минимальной.

На третьем этапе оценивается привлекательность того или иного товара. Нужно выделить ряд факторов (примерно 5-6) и для каждого фактора задать шкалу (например, для оценки ПК критерием будет качество видеокарты и оценивается как 0 – плохое, 1 – хорошее, 2 - отличное). Затем создать различные модели товара в зависимости от выбранных критериев (количество моделей создается из расчета «чем больше, тем лучше») и оценить их привлекательность от 1 до 10. Для этого необходимо провести опрос и дать оценку привлекательности как среднее геометрическое от полученных результатов. Из всех данных сформировать таблицу.

На четвертом этапе мы снова возвращаемся к программе MatLab, ANFIS-редактору и Fuzzy Logic. И повторяем всю процедуру первого этапа с полученными на третьем этапе данными. Но после получения данных суммарной ошибки и сделав вывод, при каких параметрах она минимальная, мы вводим в строку input критерии воображаемой модели товара и получаем в строке output оценку привлекательности товара. С учетом ранее выведенной ошибки мы сможем сказать, насколько для потребителей привлекательна эта модель товара.

Далее мы рассмотрим эту методику подробнее на примере оценки привлекательности  моделей мобильного телефона.

 

 2.2 Определение оптимальной характеристики выборки

 

2.2.1  Гибридные сети.

 

Каждая  разновидность систем искусственного интеллекта имеет свои особенности, например, по возможностям обучения, обобщения и выработки выводов, что делает ее наиболее пригодной для решения одного класса задач и менее пригодной - для другого.

Например, нейронные сети хороши для задач  распознавания образов, но весьма неудобны для выяснения вопроса, как они такое распознавание осуществляют. Они могут автоматически приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а анализ обученной сети весьма сложен (обученная сеть обычно - черный ящик для пользователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно

Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для использования их в механизмах выводов. Необходимость разбиения универсальных множеств на отдельные области, как правило,  ограничивает количество входных переменных в таких системах небольшим значением.

Вообще  говоря, теоретически, системы с  нечеткой логикой и искусственные  нейронные сети эквивалентны друг другу, однако, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу аппарата гибридных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания и для пользователя являются логически прозрачными.

В настоящее время  существует огромное количество программных  продуктов, позволяющих реализовывать  нейросетевые структуры (так называемых программ-нейроимитаторов). Значительно меньше программ, работающих с моделями нечеткой логики (и они пока практически недоступны отечественным специалистам). Отметим, в этой связи, что для целей проектирования и использования как нейросетевых моделей, так и нечетких и гибридных крайне удобной является достаточно распространенная в нашей стране математическая система MATLAB, точнее два инструментальных средства этой системы: пакеты Neural Networks Toolbox (нейронные сети) и Fuzzy Logic Toolbox (пакет нечеткой логики), которые и будут ниже подробно рассмотрены. [3]

 

2.2.2 ПАКЕТ Fuzzy Logic Toolbox

 

Пакет Fuzzy Logic Toolbox (пакет нечеткой логики) - это совокупность прикладных программ, относящихся к теории размытых или нечетких множеств и позволяющих конструировать так называемые нечеткие экспертные и/или управляющие системы.  Основные возможности пакета:

• Построение систем нечеткого вывода (экспертных систем, регуляторов, аппроксиматоров зависимостей)
• Построение адаптивных нечетких систем (гибридных нейронных сетей)
• Интерактивное динамическое моделирование в Simulink

Пакет позволяет работу:

• в режиме графического интерфейса,
• в режиме командной строки,
• с использованием блоков и примеров пакета Simulink.

Командой (функцией) Fuzzy  из режима командной строки запускается основная интерфейсная программа пакета Fuzzy Logic - редактор нечеткой системы вывода (Fuzzy Inference System Editor, FIS Editor, FIS-редактор). Вид открывающегося при этом окна приведен на рис. 2.1.

 

Рис. 2.1. Вид окна FIS Editor

 

Попробуем сконструировать  нечеткую систему, отображающую зависимость  между переменными x и y, заданную с помощью табл. 2.2 (легко видеть, что представленные в таблице данные отражают зависимость y = x²).

                                  

 

                                    Таблица 2.2

                              

                                    Значения x и y

 

xx	-1	-0.6	00	00.4	11
yy	--1	00.36	00	00.16	11

 

Требуемые действия отобразим следующими пунктами.

1. В позиции меню File выбираем опцию New Sugeno FIS (новая система типа Sugeno), при этом в блоке, отображаемом белым квадратом в верхней части окна редактора появится надпись Untitled2 (sugeno).
2. Щелкнем левой кнопкой мыши по блоку, озаглавленному input1 (вход1). Затем в правой части редактора в поле, озаглавленном Name (Имя) вместо input1 введем обозначение нашего аргумента, т.е. x. Обратим внимание, что если теперь сделать где-нибудь (вне блоков редактора) однократный щелчок мыши, то имя отмеченного блока изменится на x; то же достигается нажатием после ввода клавиши Enter.
3. Дважды щелкнем по этому блоку. Перед нами откроется окно редактора функций принадлежности - Membership Function Editor (см. рис. 2.2). Войдем в позицию меню Edit данного редактора и выберем в нем опцию Add MFs (Add Membership Funcions - Добавить функций принадлежности). При этом появится диалоговое окно (рис. 2.3), позволяющее задать тип (MF type) и количество (Number of MFs) функций принадлежности (в данном случае все относится к входному сигналу, т.е. к переменной x). Выберем гауссовы функции принадлежности (gaussmf), а их количество зададим, равным пяти - по числу значений аргумента в табл. 2.1. Подтвердим ввод информации нажатием кнопки OK, после чего произойдет возврат к окну редактора функций принадлежности.

 

 

Рис. 2.2. Окно редактора функций принадлежности

 

Рис. 2.3. Диалоговое окно задания типа и количества функций принадлежности

 

4. В поле Range (Диапазон) установим диапазон изменения x от -1 до 1, т.е. диапазон, соответствующий табл. 2.1. Щелкнем затем левой кнопкой мыши где-нибудь в поле редактора (или нажмем клавишу ввода Enter). Обратим внимание, что после этого произойдет соответствующее изменение диапазона в поле Display Range (Диапазон дисплея).
5. Обратимся к графикам заданных нами функций принадлежности, изображенным в верхней части окна редактора функций принадлежности. Заметим, что для успешного решения поставленной задачи необходимо, чтобы ординаты максимумов этих функций совпадали с заданными значениями аргумента x. Для левой, центральной и правой функций такое условие выполнено, но две других необходимо "подвинуть" вдоль оси абсцисс. "Передвижка" делается весьма просто: подводим курсор к нужной кривой и щелкаем левой кнопкой мыши. Кривая выбирается, окрашиваясь в красный цвет, после чего с помощью курсора ее и можно подвинуть в нужную сторону (более точную установку можно провести, изменяя числовые значения в поле Params (Параметры) - в данном случае каждой функции принадлежности соответствуют два параметра, при этом первый определяет размах кривой, а второй - положение ее центра). Для выбранной кривой, кроме этого в поле Name можно изменять имя (завершая ввод каждого имени нажатием клавиши Enter). Проделаем требуемые перемещения кривых и зададим всем пяти кривым новые имена. Нажмем кнопку Close и выйдем из редактора функций принадлежности, возвратившись при этом в окно редактора нечеткой системы (FIS Editor).
6. Сделаем однократный щелчок левой кнопкой мыши по голубому квадрату (блоку), озаглавленному output1 (выход1). В окошке Name заменим имя output1 на y (как в пункте 2).
7. Дважды щелкнем по отмеченному блоку и перейдем к программе - редактору функций принадлежности. В позиции меню Edit выберем опцию Add MFs. Появляющееся затем диалоговое окно вида рис. 2.3 позволяет задать теперь в качестве функций принадлежности только линейные (linear) или постоянные (constant) - в зависимости от того какой алгоритм Sugeno (1-го или 0-го порядка) мы выбираем. В рассматриваемой задаче необходимо выбрать постоянные функции принадлежности с общим числом 4 (по числу различных значений y в табл. 2.1). Подтвердим введенные данные нажатием кнопки OK, после чего произойдет возврат в окно редактора функций принадлежности.
8. Обратим внимание, что здесь диапазон (Range) изменения, устанавливаемый по умолчанию - [0,1], менять не нужно. Изменим лишь имена функций принадлежности (их графики при использовании алгоритма Sugeno для выходных переменных не приводятся), например, задав их как соответствующие числовые значения y, т.е. 0, 0.16, 0.36, 1; одновременно эти же числовые значение введем в поле Params (рис. 2.4). Затем закроем окно нажатием кнопки Close и вернемся в окно FIS-редактора.