22 Mar 10:02 avatar

Искусственный интеллект в маркетинге


Автор: Василий Кутьин (к.э.н., старший экономист отдела маркетинга ОАО «Урало-Сибирский Банк») | Источник: E-xecutive
Применение нейросетевых моделей в маркетинге на примере самоорганизующихся карт Кохонена


С конца ХХ века в теории и практике все активнее применяются экономические методы, основанные на использовании различных элементов искусственного интеллекта в информационном обеспечении. Понятие поиска информации впервые в экономическую науку ввел нобелевский лауреат 2001 г по экономике Джозеф Стиглиц. До него традиционно считалось, что все участники рынка изначально имеют полную информацию о ценах. Это допущение исключило проблему поиска информации, поскольку оно применимо к модели совершенной конкуренции.

Фридрих Хайек в своей работе «Индивидуализм и экономический порядок» достаточно хорошо описал информационный аспект конкуренции на рынках. Один из главных выводов, сформулированных Хайеком в своей работе, заключался в том, что конкуренция есть своеобразный процесс формирования мнения. Дело в том, что путем распространения информации она создает единство и согласованность экономической системы, то есть подразумевается, что конкуренция представляется как единый рынок. Она формулирует мнения людей о том, что есть самое лучшее и самое дешевое, и все, что люди реально знают о шансах и благоприятных возможностях, им известно благодаря информации. Таким образом, это процесс, который включает непрерывное изменение данных и смысл которого, следовательно, должен оставаться недоступным для теорий, принимающих эти данные как неизменные.[1] Фактически Хайек уже в 1948 г (время написания работы) гениально предсказал особую роль информации в экономике.

Современный менеджмент сталкивается с постоянно растущими объемами информации (экономической, политической, социальной). Поэтому в наши дни возрастает необходимость создания и применения систем, которые способны не только выполнять однажды запрограммированный алгоритм действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование.

В 1950-х годах появилась система нейронных сетей. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Применение нейронных сетей дало науке новый метод работы с информацией – «добычу данных» («data mining») – то есть искусство работы с информацией, построенное на поиске и отборе полезной информации и выявление существующих закономерностей.

В каждой предметной области при ближайшем рассмотрении можно найти постановки нейросетевых задач, которые имеют практическое значение уже сейчас. В экономике и бизнесе этот метод применяется для предсказания рынков, автоматического дилинга, оценки рисков невозврата кредитов, предсказания банкротств, оценки стоимости недвижимости, выявления пере- и недооцененных компаний, автоматического рейтингования, оптимизации портфелей, товарных и денежных потоков. В данном исследовании обосновывается необходимость применения метода нейронных сетей (НС) для маркетинговых исследований. Нейросетевые технологии позволяют сгруппировать информацию и объединить ее на принципах, сходных с деятельностью человеческого мозга стратегов, высших менеджеров, аналитиков и других людей, принимающих участие в рыночной деятельности.

Маркетинговый анализ постоянно сталкивается с проблемами классификации большого объема данных, полученных в ходе полевых исследований, экспертных опросов и пр. Новая техника самоорганизующихся карт позволяет обеспечить лучшую визуализацию наблюдаемых многомерных данных, создает топологическое представление сложных отношений и связей в этих данных; улучшает кластеризацию, проецирование и понижение размерности в комплексных структурах; с помощью обнаружения новых структур и примеров в данных облегчает поиск скрытых зависимостей. Сейчас новинкой является применение в финансах, экономике и маркетинге методов, основанных на неуправляемых нейросетях и, в частности, – на самоорганизующихся картах (СОК), которые существенно облегчают процесс обнаружения скрытых зависимостей и добычи данных. [2]

1. Самоорганизующаяся карта признаков Кохонена.
Самоорганизующиеся карты являются разновидностью неуправляемых нейросетей. Они были предложены Тьюво Кохоненом в начале 80-х г и нашли широкое применение в инженерной области (для распознавания речи, в робототехнике и др.).

Технология СКП представляет собой набор аналитических процедур и алгоритмов, позволяющих преобразовать традиционное описание множества объектов, заданных в многомерном (n>3) пространстве признаков плоской базы данных, в двумерную карту. Полученная карта устроена таким образом, что близким объектам в многомерном пространстве отвечают рядом стоящие точки (их образы) на карте.

В результате, трудноанализируемые в совокупности многомерные объекты получают простой и наглядный вид на двумерной карте, которая сохраняет их основные свойства (топологию и распределение в многомерном пространстве).

Применение технологии СКП дает ряд преимуществ:
  • обнаружение групп объектов с одинаковыми характеристиками (далее – кластеров) по их локализованному расположению на специально создаваемой карте кластеров
  • проверка содержательного описания обнаруженных групп по специфическим особенностям, обнаруженным на карте признаков, а также на проекциях карты кластеров на каждый признак в отдельности
  • выявление неявных связей и закономерностей между признаками
  • проведение оценки объектов в динамике, оценка изменений как в целом по структуре кластеров, так и по отдельности
  • позиционирование на карту новых объектов для придания им статуса (рейтинга)
  • прогнозирование значений одних признаков объектов через другие
  • фильтрация объектов за счет поисковых уникальных критериев, формируемых в терминах СКП. [3]
Разберем действие нейросетевой модели самоорганизующихся карт Кохонена для маркетингового анализа.

Как уже было указано, в применении традиционных способов маркетингового анализа, в принципе, характеристики организаций на рынке можно получить, анализируя различные показатели их работы и связи между ними. Для этого следует использовать данные финансовых отчетов. Из них эксперты извлекают значения различных параметров (активы, капитализацию, прибыль и т.д.). Но для получения достаточно достоверной информации приходится анализировать много взаимосвязей большого количества параметров. Эта задача достаточно сложна. Часто для описания субъекта рынка используется несколько десятков различных показателей, а человек обычно не может оперировать более чем 3 параметрами одновременно. Поскольку информации для анализа нужно много и чаще всего она разнородна, то невозможно окинуть одним взглядом весь этот набор.

В современном маркетинге достаточно часто возникает задача анализа данных, которые с трудом можно представить в математической числовой форме. Это случай, когда нужно извлечь данные, принципы отбора которых заданы нечетко: выделить надежных партнеров, определить перспективный товар, выявить основных конкурентов.

Предположим, что имеется информация о деятельности нескольких десятков фирм на рынке (их открытая финансовая отчетность) за некоторый период времени. По окончании этого периода исследователю известно, какие из этих фирм обанкротились, а какие продолжают стабильно работать (на момент окончания периода). И теперь следует решить вопрос о том, какие из них являются приоритетными, с точки зрения сотрудничества. Значит, следует каким-то образом решить задачу анализа рисков сотрудничества с различными коммерческими структурами.

На первый взгляд, решить эту проблему несложно – есть данные о работе фирм и результат их деятельности. Но, при этом возникает сложность, связанная с тем, что имеющиеся данные описывают прошедший период, а исследователю интересно то, что будет в дальнейшем. Таким образом, необходимо на основании имеющихся априорных данных получить прогноз на дальнейший период. Для решения этой задачи можно использовать различные методы.

Так, например, наиболее очевидным является применение методов математической статистики. Однако недостатком подобных методов является потребность большого объема априорных данных, а в выбранном примере может быть ограниченное их количество. При этом статистические методы зачастую не могут гарантировать успешный результат.

Автор разделяет мнение эксперта фирмы BaseGroup Алексея Старикова, что при использовании описанных выше статистических методов эксперт фактически навязывает результат, не пытаясь найти закономерности в исходных данных. В принципе все убыточные фирмы похожи друг на друга хотя бы тем, что они терпят убытки. Значит, в их деятельности должно быть что-то более общее, что привело их к этому итогу. Следовательно, можно попытаться найти эти закономерности, с тем чтобы использовать их в дальнейшем. И тут возникает вопрос о том, как найти эти закономерности. Для этого, если будут использоваться методы статистики, исследователь должен определить, какие критерии «похожести» использовать, это может потребовать от него каких-либо дополнительных знаний о характере задачи. [4]

Другим путем решения этой задачи может быть применение нейронных сетей. Метод анализа с использованием самоорганизующихся карт Кохонена – это метод, позволяющий автоматизировать все действия по поиску закономерностей. Рассмотрим, как решаются такие задачи и как карты Кохонена находят закономерности в исходных данных. Для общности рассмотрения здесь и далее будем использовать термин объект (например, объектом может быть фирма-клиент, как в рассмотренном выше примере, но описываемый метод без изменений подходит для решения и других задач, например, анализа конкуренции, поиска оптимальной стратегии поведения на рынке). В данной работе описывается способ применения указанного метода для анализа клиентов на рынке (реальных и потенциальных).

Каждый объект характеризуется набором различных параметров, которые описывают его состояние. Для примера по анализу фирм-клиентов параметрами можно взять данные из финансовых отчетов. Эти параметры часто имеют числовую форму или могут быть приведены к ней.

Как уже было указано выше, решение задачи предполагает на основании анализа параметров объектов выделение схожих объектов и представление результата в форме, удобной для восприятия. Все эти подзадачи успешно и эффективно решаются самоорганизующимися картами Кохонена. В целях упрощения рассмотрения будем считать, что объекты имеют 3 признака (на самом деле их может быть любое количество).

Предположим, что все эти три параметра объектов представляют собой их координаты в трехмерном пространстве. Например, для промышленного предприятия это могут быть следующие показатели: капитализация, объем реализованной продукции, прибыль. Тогда каждый объект можно представить в виде точки в этом пространстве, что и сделаем (чтобы не было проблем с различным масштабом по осям, пронормируем все эти признаки в интервал [0,1] любым подходящим способом). В результате проведенной нормировки, все точки попадут в куб единичного размера. Отобразим эти точки (см. рис. 1).


рис.1 Расположение объектов в трехмерном пространстве


рис.2 Карта Кохонена


Анализ полученного рисунка позволяет увидеть, как расположены объекты в пространстве, причем легко заметить участки, где объекты группируются (сгущения). Распределение объектов таким образом означает, что у них схожи параметры, значит, и сами эти объекты принадлежат одной группе. Очевидно, что так легко можно поступить только в случае, когда признаков немного, поскольку человеческий разум не может представить изображение четырехмерного пространства. Следовательно, необходимо найти способ, которым можно преобразовать данную систему в простую для восприятия, желательно двумерную систему (потому что уже трехмерную картинку невозможно корректно отобразить на плоскости) так, чтобы соседние в изучаемом пространстве объекты оказались рядом и на полученной картинке. Для этого используем самоорганизующуюся карту Кохонена. В первом приближении ее можно представить в виде гибкой сети (см. рис. 2). [5]

Эластичную сеть карты исследователь помещает в пространство признаков, где уже имеются объекты, которые необходимо проанализировать. Далее система работает следующим образом: берется один объект (точка в исследуемом пространстве) и выявляется ближайший к нему узел сети. После этого данный узел подтягивается к объекту (сетка эластична, поэтому вместе с этим узлом так же, но с меньшей силой подтягиваются и соседние узлы). Затем выбирается другой объект (точка), и процедура повторяется. В результате строится карта, расположение узлов которой совпадает с расположением основных скоплений объектов в исходном пространстве. Кроме того, полученная карта обладает следующим замечательным свойством – узлы ее расположились таким образом, что объектам, похожим между собой, соответствуют соседние узлы карты (см. рис. 3). Теперь следует определить, в какие узлы карты попали те или иные объекты. Это также определяется ближайшим узлом – объект попадает в тот узел, который находится ближе к нему. В результате всех этих операций объекты со схожими параметрами попадут в один узел или в соседние узлы. Таким образом, можно считать, что благодаря системе самоорганизующихся карт Кохонена исследователь решает задачу поиска похожих объектов и их группировки. [6]

Самоорганизующиеся карты Кохонена обладают и другими возможностями. Они позволяют также представить полученную информацию в простой и наглядной форме путем нанесения раскраски. Для этого исследователь раскрашивает полученную карту цветами, соответствующими интересующим признакам объектов. Возвращаясь к примеру с анализом фирм-клиентов на рынке, можно раскрасить одним цветом те узлы, куда попала хотя бы одна фирма, у которой наблюдаются убытки. Тогда после нанесения цвета мы получим зону, которую можно назвать зоной риска, и попадание интересующей нас фирмы в эту зону говорит о ее ненадежности.

С помощью карт можно также получить информацию о зависимостях между параметрами. Отмечая на карте различные статьи финансовых и экономических отчетов отдельными цветами, менеджер-исследователь получит атлас, хранящий в себе информацию о состоянии рынка. Сравнивая расположение цветов на раскрашенных картах, подготовленных таким образом, руководитель получает полную информацию о финансовом и экономическом портрете фирм-клиентов – банкротов, неудачников, процветающих фирм, «середняков». Например, таким показателем может быть чистая прибыль фирмы. Тогда (см. рис. 4), в красной зоне будут находиться самые прибыльные фирмы, а в синей – самые убыточные. [7]


рис. 3 Вид пространства после наложения карты


рис. 4 Раскраска карты, порожденная i-м показателем


При всем этом, описанная технология является универсальным методом анализа. С ее помощью можно анализировать различные стратегии деятельности, производить анализ результатов маркетинговых исследований, проверять кредитоспособность клиентов и т.д. В данной работе технология самоорганизующихся карт Кохонена применяется для анализа клиентской базы. Этот универсальный многофункциональный инструмент анализа способен предоставить достаточно четкую картину реальных и потенциальных клиентов-фирм, работающих на рынке. Эта технология также полезна и потому, что в России большая часть деловой информации является засекреченной, и, в результате, информация, на основании которой приходится работать, крайне искажена и часто наполнена слухами.

Таким образом, имея перед собой карту, исследователь может достаточно достоверно судить об объектах, даже если имеет неполную информацию об этих объектах. В результате, можно извлекать информацию из базы данных, основываясь на нечетких характеристиках. Например, в ходе обучения модели на банковском рынке выявлено близкое соседство рассматриваемого банка на карте с СБС-АГРО. Полученные результаты говорят о плохом финансовом положении банка и крайней рискованности совместного бизнеса, и это заставляет менеджера-исследователя более внимательно относится к работе с подобными банками.

В отличие от классических методов, самоорганизующиеся карты обеспечивают простую визуализацию данных, навязывают несколько меньшее количество предположений и ограничений и обнаруживают изолированные структуры в данных, оперируя с большим количеством комплексных данных. [8]

Учитывая показанные возможности самоорганизующихся карт, можно определить следующие основные области применения этих карт в маркетинге.
  • Анализ товарных рынков на основании потребительских предпочтений.
  • Сегментирование покупателей и клиентов.
  • Информационное обеспечение выработки маркетинговых решений и анализа рынка.
  • Конкурентный анализ. [9]
По мнению автора, наиболее эффективным программным средством реализации СКП для маркетингового анализа является пакет VISCOVERY SOMine. В общем виде, технология позволяет осуществлять классификацию обширных баз данных.

2. Анализ клиентской базы с помощью метода самоорганизующихся карт (на примере крупнейших промышленных предприятий России, указанных в Рейтинге «Эксперт-200»)
Мы разберем анализ клиентской базы, на примере 200 крупнейших промышленных предприятий, отображенных в рейтинге «Эксперт-200».

По мнению автора, современные рынки являются многомерными явлениями, которые зависят от целого ряда факторов. Следовательно, рынок может быть представлен как многомерная математическая модель.

Метод самоорганизаующихся карт – универсальный многофункциональный инструмент анализа, он способен предоставить достаточно четкую картину, отражающую состояние реального сектора экономики страны. Применение карты СКП позволяет редуцировать количество сопоставляемых объектов (предприятий). Иными словами, мы анализируем не отдельные хозяйствующие субъекты, сопоставляя их друг с другом по отдельности, а их группы (кластеры), объединенные на основании схожести признаков.

В качестве базы для исследования был использован Рейтинг журнала «Эксперт» «Эксперт-200»: ежегодный рейтинг крупнейших компаний России, опубликованный в журнале «Эксперт», №37 (344) от 7 октября 2002 года.

Мы должны построить классификацию крупнейших предприятий России. Эта задача представляется достаточно сложной. На первый взгляд, достаточно просто проранжировать все предприятия России, выделить крупнейшие по нескольким показателям. Однако в данном случае анализ будет линейным. Линейные методы основаны на сопоставлении 1-2 показателей, что не позволяет рассмотреть всю проблему в комплексе. Таким путем идет журнал «Эксперт», публикуя рейтинги промышленных предприятий. Например, используемая в нашем исследовании таблица «Рейтинг крупнейших компаний России по объему реализации продукции» рейтинга «Эксперт-200» за октябрь 2002 года. В этом рейтинге отображены 200 крупнейших предприятий по объему реализации продукции в 2001 году (в денежном исчислении).

Для построения карты используется совокупность объектов одного класса, следовательно, описанные в одном и том же признаковом пространстве (под признаками понимаются показатели изучаемых предприятий). Таким образом, проблему изучения каждого предприятия-фактора в отдельности с помощью кластеризации мы свели к более простой задаче – анализа только типовых представителей кластеров, число которых значительно меньше, чем исходных факторов.

В исследовании использовались следующие показатели
  • Объем реализации продукции в 2001 г. (млн. руб.)
  • Темп прироста реализации продукции (%) – темп прироста объема реализации продукции в 2001 году по сравнению с 2000 годом.
  • Рентабельность реализации продукции (%) – соотношение прибыли после налогообложения в 2001 г к объему реализации продукции в 2001 году.
  • Производительность труда (тыс. руб./чел.) – соотношение среднесписочного количества работающих (тыс. чел.) к объему реализации продукции в 2001 году.
Итак, в основе исследования лежат 4 показателя, из них только один абсолютный – объем реализации в 2001 г (млн руб.). Остальные три – темп прироста объема реализации продукции в 2001 г по сравнению с 2000 г (%), рентабельность реализации продукции (%) и производительность труда на одного работника (тыс. руб./чел.) – относительные показатели. Они дают качественную оценку ситуации, в том числе учитывают динамику развития промышленных предприятий и эффективность их хозяйственной деятельности. Абсолютный показатель призван распределить 200 предприятий выборки в зависимости от масштабов. Одновременное применение абсолютных и относительных показателей позволяет объединить статические и динамические оценки, что помогает установить причину сложившейся ситуации в экономической подсистеме.

В результате применения технологии самоорганизующихся карт, вся база по 200 крупнейшим промышленным предприятиям России по объему реализованной продукции за 2001 г. была преобразована в 4-х мерное пространство, которое карта распределила на 5 экономических кластеров (см. рис. 5)


Рис. 5. Карта 200 крупнейших предприятий России по объему реализации продукции в 2001 г.


Рис. 6. Карты атласа 200 крупнейших промышленных предприятий России по объему реализации продукции в 2001 г.


На рис. 6 отображены карты, построенные по 4 показателям, использовавшимся при построении карты кластеров 200 крупнейших промышленных предприятий России. Эти карты являются измерениями, из которых строится вся совокупность карт, названная атласом крупнейших промышленных предприятий России. Темные области в каждом полученном кластере свидетельствует об особом характере некоторых предприятий, они имеют минимальные или максимальные значения одного или нескольких показателей, что хорошо видно на картах атласа, представленных на рис. 6. Это особые области кластеров, они будут более подробно рассмотрены далее.

Для более четкой иллюстрации значений, отображенных на четырех картах атласа, приведена таблица статистики средних значений полученных экономических кластеров (см. Таблицу 1.)

Таблица 1. Статистика средних значений полученных промышленных кластеров.

Кластер 1Кластер 2Кластер 3Кластер 4Кластер 5
Объем реализации продукции в 2001 г (млн руб.)741426840116139780458140
Темп прироста реализации продукции (%)29,214,8157,432,815,3
Рентабельность (%)3,5518,69,9314,3714,88
Производительность труда (тыс. руб./чел.)6591744116074952056


Для более четкого анализа, опишем состав и экономические характеристики полученных кластеров с помощью таблицы статистики средних значений и карт атласа.

Описание полученных кластеров


Кластер 1. В этом кластере 108 компаний из 200 крупнейших по объему реализованной продукции в 2001 г. Среди них преобладают предприятия машиностроения (31 компания), химической и нефтехимической промышленности (20 компаний), а также предприятия черной металлургии (18 компаний). Несмотря на то, что это самый крупный кластер, в нем наблюдаются в среднем по кластеру самые низкие объемы реализации продукции, рентабельности и производительности труда на 1 работника. Но при этом интересно отметить, что данный кластер находится на 3 месте по темпам прироста объема реализованной продукции. Этот факт свидетельствует о том, что в отечественной экономике наблюдается постепенный переход от сырьевой модели развития к развитию обрабатывающей промышленности. Так, в этом кластере всего примерно 10% компаний, ориентированных на добычу и реализацию полезных ископаемых (нефти, угля, драгоценных металлов и алмазов).

В Кластере 1, в правом верхнем углу атласа, отображенного на рис. 5, отображена затемненная область. Здесь расположена «Северная верфь» (№146). Среди используемой выборки это предприятие продемонстрировало самый низкий уровень рентабельности реализации продукции в 2001 г, составивший – 45,1% и самые низкие темпы прироста объема реализации продукции, составившие – 77,4%.

Кластер 2. В данном кластере 65 компаний, среди которых 14 компаний заняты в нефтяной и нефтегазовой промышленности, 11 – в химической и нефтехимической промышленности, а 10 – в пищевой промышленности. В среднем по кластеру, данную стратегическую группу отличают самая высокая рентабельность – свыше 18%, 2-е место по объему реализованной продукции в 2001 г и 3-е место среди 5 полученных кластеров по производительности труда на одного работника. Этот кластер можно отнести к «нефтезависимым». При этом Кластер 2 продемонстрировал самые низкие темпы прироста промышленной продукции в денежном исчислении – всего 14,8% в среднем по кластеру.

В Кластере 2 есть предприятия, выделяющиеся из группировки. Во-первых, это Иркутское авиационное ПО (№75) – уровень рентабельности в 2001 г составил 48% – самый высокий показатель во всей выборке, использованной в исследовании. Во-вторых, Ижевский электромеханический завод «Купол» (№173), продемонстрировавший рентабельность в 2001 г 46,2% (второе место по рентабельности среди предприятий рассматриваемой выборки) при очень низких темпах прироста –73,5% (это предпоследнее место среди 200 предприятий выборки). Особым предприятием также является Нефтяная компания ЮКОС (№4), у которой, наряду с большим объемом реализованной продукции в 2001 г, рентабельность продукции составила 39,5%.

Кластер 3 объединяет 16 промышленных предприятий использованной выборки, из них 7 принадлежит машиностроению, по 3 предприятия – химической и нефтехимической промышленности и пищевой промышленности. Это кластер «перерабатывающей промышленности», в этом он сходен с кластером 1. Но он отличается самыми высокими в среднем по кластеру темпами прироста промышленной продукции в 2001 г – свыше 157%. В этом кластере сосредоточены все 3 промышленные предприятия, входящие в Группу МДМ: СУЭК «Байкал-Уголь», МХК «Еврохим», Трубная металлургическая компания. Очевидно, что Группа МДМ представляет собой новое зарождающееся воспроизводственное ядро.

В Кластере 3 самыми необычными предприятиями являются Машиностроительный завод «ЗИО-Подольск» (№179) и Нефтяная компания «Таркосалнефтегаз» (№104), продемонстрировавшие самые высокие среди 200 рассматриваемых предприятий темпы прироста реализации продукции 288,9% и 271,9% соответственно.

Кластер 4 содержит 8 промышленных предприятий выборки, среди них 3 принадлежат табачной промышленности, по 2 предприятия – промышленности драгоценных металлов и машиностроению, 1 предприятие относится к пищевой промышленности. Эта группа отличается самой высокой производительностью труда на 1 человека – в среднем по кластеру она составляет почти 7,5 млн. на одного сотрудника. Этот кластер также является интересным и тем, что в нем находятся предприятия, принадлежащие транснациональным корпорациям (см. рис. 5 и Приложение 1). Это компания «Марс» (№63), а также 2 табачные компании – «Бритиш Американ тобакко – Ява» (№99) и «Филип Моррис Ижора» (№45). В непосредственной близости к Кластеру 4, в Кластере 2 расположены табачные компании «Лиггетт-Дукат» (№62) и «Филип Моррис Кубань» (№105). Расположение этих предприятии на атласе крупнейших промышленных предприятий России отражают проникновение в нашу экономику трансациональных корпораций.

Здесь из группы наиболее выделяется «Филип Моррис Ижора» (№45). В этой компании в 2001 г была самая высокая производительность труда среди крупнейших предприятий России – 14450,9 тыс. рублей на 1 сотрудника.

Кластер 5 требует подробного анализа. Он состоит из всего 3 предприятий топливно-энергетического комплекса. Как уже было указано выше, все эти компании являются корпорациями федерального значения. Из них РАО «Газпром» и РАО «ЕЭС России» принадлежат к так называемым естественным монополиям. НК «ЛУКойл» одна из крупнейших нефтяных компаний России. Объем реализации продукции за 2001 г в среднем по группе составляет 458 млрд. рублей, что на порядок превосходит значения аналогичного показатели в других кластерах. Суммарный объем реализации продукции в 2001 г этих трех компаний составляет 33,6% общего объема реализации всех компаний используемой выборки. Они принесли в 2001 году треть совокупной прибыли всех 200 компаний выборки, на них трудятся свыше четверти работников, занятых на предприятиях нашей выборки. В целом, эти три компании представляют собой самостоятельные воспроизводственные промышленные ядра национальной экономики, у которых ярко проявляется их международная экономическая природа.

Эту природу можно проследить по вхождению в Рейтинг Financial Times 500 крупнейших компаний мира по капитализации (FT 500), который составлен по итогам 2001 г и I квартала 2002 г Из российских компаний в рейтинг FT 500 включены 4 компании: «ЮКОС» с капитализацией в $18743,2 млн (227-е место); «Газпром» – $17359,5 млн (250-е место); «Сургутнефтегаз» – $13158,3 млн (344-е место); «ЛУКойл» – $12526,8 млн (362-е место).[10] На рис. 5 хорошо видно, что все они либо находятся в Кластере 5, либо тяготеют к нему. Следовательно, всего 5 компании России (в том числе и РАО «ЕЭС», не вошедший в Рейтинг Financial Times) могут претендовать на звание мировых интернационализированных воспроизводственных ядер.

Рассмотрим недавно объявленное слияние нефтяных компаний «ЮКОС» и «Сибнефть». 22 апреля 2003 г НК ЮКОС и основные акционеры компании «Сибнефть» достигли принципиального соглашения об объединении двух компаний. В результате крупнейшей сделки в России появится компания, которая станет абсолютным лидером российской нефтяной промышленности и четвертой по добыче нефти частной компанией в мире. Запасы объединенной компании (с учетом запасов компании «Славнефть») составят 19,4 млрд. баррелей нефтегазового эквивалента по данным оценки запасов в конце 2001 г, проведенной в соответствии с методикой SPE. Добыча компании (включая долю компании «Сибнефть» в добыче «Славнефти») составит около 2,3 млн. баррелей в день. [11]

Следует отметить, что сливающиеся компании «ЮКОС» и «Сибнефть» находятся рядом на атласе крупнейших предприятий российской промышленности под номерами 4 и 10. Очевидно, что подобное объединение позволит им перейти в Кластер 5, который, как показали наши исследования, объединяет предприятия с четкой интернациональной экономической ориентацией.

Итак, как показали исследования, новый метод нелинейного кластерного анализа – применение нейронных сетей – позволяет существенно облегчить работу маркетолога, существенно уменьшая число данных для анализа, выявляя скрытые закономерности в обширных базах данных. Поэтому самоорганизующиеся карты представляют больший интерес для исследователей в плане добычи и анализа данных в маркетинге.

Источники
  1. Хайек Ф.А. Индивидуализм и экономический порядок. — М.: Изограф, 2000. с.114.
  2. Александр Горбунов. Применение самоорганизующихся карт в бизнесе и финансах // «Банковские Технологии», №4 1999
  3. Пастухов Е.С., Кутьин В.М. Методика оценки изменений в банковской среде на основе технологии самоорганизующихся карт признаков. Доклад семинара «Проблемы организации финансово-аналитической службы в коммерческом банке». Москва, 16 ноября 2000 г
  4. Стариков А. Нейронные сети как средство добычи данных. Материалы семинара лаборатории BaseGroup, 2000 г
  5. Там же.
  6. Там же.
  7. Там же.
  8. Александр Горбунов. Применение самоорганизующихся карт в бизнесе и финансах // «Банковские Технологии», №4 1999
  9. Дебок Г., Кохонен Т., Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ. – М.: «Альпина», 2001. с. 19.
  10. ИА «Финмаркет», новости от 13.05.02
  11. Пресс-релиз компании «ЮКОС» от 2204.2003.

0 комментариев

Только зарегистрированные и авторизованные пользователи могут оставлять комментарии.