Моделирование процессов выявления и формирования предпочтений потребителей телекоммуникационного предприятия тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Вейнберг, Роман Рафаилович

• Вейнберг, Роман Рафаилович
• кандидат экономических наук
• 2013

Оглавление диссертации кандидат экономических наук Вейнберг, Роман Рафаилович

СОДЕРЖАНИЕ

Введение

Глава 1. Анализ современных инструментальных средств поддержки принятия решений в телекоммуникационной сфере

1.1. Состояние и анализ телекоммуникационной сферы Российской Федерации: перспективы и трудности развития

1.2. Процесс внутрифирменного принятия решений как часть концепции управления взаимоотношениями с клиентами предприятия связи

1.3. Интеллектуальный анализ данных как часть концепции управления взаимоотношениями с клиентами предприятия связи

1.4. Назначение и функции систем управления бизнес-правилами, как элемента инструментальной реализации процесса внутрифирменного принятия решений и интеллектуального анализа данных

Выводы по первой главе

Глава 2. Методика выявления и формирования предпочтений потребителей телекоммуникационного рынка на основе применения методов интеллектуального анализа данных

2.1. Обоснование применения интеллектуального анализа данных как части методологии анализа предпочтений потребителей рынка телекоммуникационных услуг

2.2. Сбор, подготовка и анализ пользовательской информации о клиентах и их активности на телекоммуникационном рынке

2.3. Анализ и обоснование выбора методов кластеризации потребителей рынка телекоммуникационных услуг

2.4. Анализ и обоснование выбора методов проверки, визуализации и распознавания данных кластеризации

Выводы по второй главе

Глава 3. Программно-алгоритмический инструментарий моделирования процесса выявления и формирования предпочтений потребителей телекоммуникационного рынка

3.1. Проведение экспериментов и анализ результатов кластеризации клиентской информации

3.2. Создание профилей потребления услуг в рамках клиентских кластеров

3.3. Проведение экспериментов и анализ результатов классификации клиентских кластеров с помощью SVM на основе обучения

3.4. Проектирование и разработка системы управления бизнес-правилами, как части интеллектуальной информационной системы поддержки принятия решений

3.5. Формирование и тестирование результатов работы программно-инструментального модуля BRMS

3.6. Ожидаемый экономический эффект от внедрения интеллектуальной информационной системы поддержки принятия решений с модулями Data Mining

и BRMS

Выводы по третьей главе

Заключение

Литература

Приложения

Введение диссертации (часть автореферата) на тему «Моделирование процессов выявления и формирования предпочтений потребителей телекоммуникационного предприятия»

Введение

Современные экономические условия в мире и в России, глобализация экономики, ускорение процессов развития рынков, технологий, социально-политические факторы требуют от телекоммуникационного предприятия новых подходов к формированию спроса и предложения, выработке методических и инструментальных решений в области управления клиентской базой и предпочтениями клиентов, в рамках сферы предоставления потребительских услуг связи.

Следовательно, одним из важных условий обеспечения конкурентоспособности телекоммуникационных предприятий является построение эффективной концепции взаимоотношения с клиентами, реализующей учет их потребительских предпочтений и осуществляющей повышение общего уровня привлекательности предоставляемых услуг на рынке. Проблематика создания такой концепции и методики учета предпочтений на телекоммуникационных предприятиях Российской Федерации еще недостаточно проработана, в связи с низким уровнем организации процесса коммуникации между субъектами рынка услуг связи, отсутствием адекватного и своевременного ответа на возникающие потребности клиентов, недостаточной изученностью клиентских предпочтений, низким уровнем внедрения автоматизированных систем управления взаимоотношениями с клиентами (CRM-систем) [64] и как следствие, пониженным уровнем потребительской лояльности, выраженном в повышении показателя оттока абонентов (churn rate) ряда ведущих телекоммуникационных компаний на протяжении нескольких лет [129].

На практике для определения клиентских предпочтений используются методы интеллектуального анализа данных (ИАД - Data Mining), с помощью которых определяются скрытые закономерности, содержащиеся в данных мониторинга клиентской активности, состоящих из набора потребительских и личностных характеристик. Методы ИАД повсеместно применяются в

процессе анализа рынка потребителей услуг связи, но их применение носит фрагментарный, неполный характер [102]: кластеризация без классификации или с уже известным количеством кластеров, не используется поиск оптимальных алгоритмов разбиения, не применяется метод понижения размерности данных при визуализации, отсутствует обучение в процессе классификации и т.д. При этом применение полученных результатов ИАД недостаточно формализовано и автоматизировано, что отрицательно сказывается на своевременности и оперативности принятия решений по предоставлению телекоммуникационных услуг на рынок и повышению лояльности и эффективности в работе с клиентами, что подтверждается рядом проведенных исследований в области управления взаимоотношениями с потребителями [105]. По нашему мнению подобную формализацию и автоматизацию может обеспечить имплементация системы управления бизнес-правилами (BRMS - Business Rules Management System) в рамках концепции внутрифирменного принятия решений (EDM - Enterprise Décision Management) за счет ее использования как части методологии CRM, внедренной на типовом телекоммуникационном предприятии РФ.

Все это обуславливает необходимость совершенствования существующих механизмов CRM с учетом клиентских предпочтений на основе разработки комплексной методики и модели, представляющих собой инструменты эффективного управления и анализа потребительской базы, ядром которой должно стать наличие гибкой интеллектуальной информационной системы предприятия связи (ИИСП, отраслевой системы поддержки принятия решений - СППР) на базе современных программно-инструментальных средств и методов ИАД. В связи с этим тематика диссертационного исследования представляется актуальной.

Степень разработанности проблемы. Проблемы выявления и формирования клиентских предпочтений с использованием методов и программно-инструментальных средств систем поддержки принятия

решений на телекоммуникационном предприятии рассматривались многими отечественными и зарубежными учеными.

В частности, разработке систем поддержки принятия решений посвящены работы Абдикеева Н.М., Аверкина А.Н., Андрианова Д.Л., Дика В.В., Канемана Д., Картвелишвили В.М., Ларичева О.И., Поспелова Г.С., Поспелова Д.А. Петровского А.В., Тельнова Ю.Ф., Трахтенгерца Э.А., Тверского А., Щавелева Л.В. и других.

Применение методов интеллектуального анализа данных для изучения клиентских предпочтений фрагментарно рассмотрено в работах Вапника В.Н., Кистриной Э.И., Пятецкого-Шапиро И.П., Пятецкого-Шапиро Г.И., Романова В.П., Шафаревича И.Р. и др. Понятие распознавания образов в контексте использования ИАД изучалось Айвазяном С.А., Бездеком Д., Вэй Лю, Гафом И., Гевой А., Гюстафсоном Д., Данном Дж., Заде Л., Кесселем В., Инмоном У. и т.д.; ИАД в сфере телекоммуникаций рассматривался Ахолой Дж, Аматом Дж. Л., Вей Чу, Вейсом Г., Маттисоном Р., Чуй Йаном и другими.

Системы автоматизации и программно-инструментальные средства, используемые для организации процессов выявления и формирования клиентских предпочтений в рамках управления взаимоотношениями с клиентами, рассматривались в работах Дунбара И., Данько Т.П., Китовой О.В., Макдональда М. и т.д.; специфические особенности управления телекоммуникационными услугами детально представлены в работах Битнера В.И., Воронцова Ю.А., Исаева Г.Н., Попова Г.Н., Тихвинского В.О. и др.

Применение систем управления бизнес-правилами и разработка концепции ЕЭМ в области взаимоотношения с клиентами рассматривались в трудах Барбары фон Халле, Грэхема Я., Моргана Т., Росса Р., Тейлора Дж., Чишома М., Эпплтона Дж. Д. и других.

В месте с тем, постоянная изменчивость рынка телекоммуникационных услуг и предпочтений клиентов, расширение многообразия предоставляемых

сервисов, необходимость обновления данных пользователей, недостаточная эффективность существующих систем автоматизации процессов выявления и формирования рациональных предпочтений клиентов вызывает необходимость поиска максимально эффективных путей решения проблем более точного определения клиентских потребностей, разработки более гибких методов и моделей формирования услуг связи и управления клиентской базой предприятий сферы услуг связи, что предопределяет цель и задачи диссертационной работы.

Целью диссертационной работы является разработка модели, комплексной методики и совокупности программно-инструментальных средств выявления предпочтений и формирования структуры клиентской базы телекоммуникационной компании с использованием интеллектуального анализа данных и системы управления бизнес-правилами в рамках бизнес-процесса взаимодействия субъектов телекоммуникационного рынка для подбора рационального набора услуг связи в зависимости от имеющихся клиентских характеристик.

Для достижения данной цели в работе были поставлены и решены следующие задачи:

1.Сформировать систему качественных и количественных характеристик, определяющих активность потребителей рынка телекоммуникационных услуг и отражающих их личные данные;

2.Формализовать информационно-логическую схему выявления и формирования клиентских предпочтений с учетом обратной связи и набора потребительских (профиля потребления) и личностных клиентских характеристик (личного профиля);

3.Разработать методику выявления клиентских предпочтений с учетом профиля потребления и набора личностных клиентских характеристик на основе применения методов интеллектуального анализа данных.

4.Провести компьютерные эксперименты для подтверждения практической эффективности разработанной методики выявления

клиентских предпочтений на основе кластеризации данных потребления услуг связи, с последующей классификацией полученных кластеров с учетом набора личностных клиентских характеристик.

5.Построить модель подбора необходимых наборов услуг связи и формализации применения результатов ИАД на основе системы управления бизнес-правилами.

6.Разработать структуру интеллектуальной информационной системы поддержки принятия решений (ИИСППР) с модулем ИАД, необходимым для анализа и выявления предпочтений клиентов, и модулем BRMS, обеспечивающим формализацию применения результатов кластеризации и классификации клиентских предпочтений.

Объектом диссертационного исследования являются предпочтения потребителей телекоммуникационных услуг, характеризующиеся разнородными количественными и качественными характеристиками.

Предметом диссертационного исследования являются инструментальные методы и средства выявления и формирования предпочтений потребителей услуг связи, базирующиеся на анализе активности клиентов телекоммуникационной компании и телекоммуникационного рынка Российской Федерации.

Методами исследования, применяемыми в диссертационной работе являются: системный анализ, визуализация данных (метод главных компонент, четкий и нечеткий метод «Сэммона»), четкая и нечеткая кластеризация «без учителя» на основе Эвклидова расстояния, классификация данных «с учителем» на основе машины опорных векторов и обучающих функций ядра, EDM-метод, метод поиска оптимального количества кластеров с помощью вычисления «седловой точки», методы математической логики. В процессе написания диссертации было использовано следующее компьютерное обеспечение: программно-инструментальный комплекс IBM SPSS, JPM SAS, R-project, XL-Stat, Matlab, программный пакет визуального программирования Visual Rules Suite

(модуль BRMS Visual Rules Modeler, компании Bosh), комплекс автоматизированного проектирования и моделирования бизнес-процессов Microsoft Visio, база данных MySQL Server и СУБД dbForge Studio.

Теоретической и методологической основой диссертационной работы являются работы отечественных и зарубежных специалистов в области систем поддержки принятия решений, интеллектуального анализа данных, экономических аспектов систем управления взаимоотношениями с клиентами (CRM) и теории статистики.

Информационной базой исследования послужили следующие официальные открытые источники: хранилище данных компании ОАО Мобильные ТелеСистемы, официальный сайт компании ОАО МТС, материалы периодических печатных и электронных изданий в области CRM и сотовой связи, материалы научных и научно-практических конференций, публикуемые данные информационных агентств, отчеты аналитических и консалтинговых компаний.

Научная новизна диссертации состоит в разработке целостной методики выявления и формирования клиентских предпочтений, а также построении структуры интеллектуальной информационной системы поддержки принятия решений на основе применения комплекса методов интеллектуального анализа данных и их интеграции с системой управления бизнес-правилами, позволяющей осуществлять в результате компьютерного эксперимента подбор рационального набора услуг мобильной связи.

Наиболее существенные результаты, имеющие научную новизну и полученные лично автором:

1. Создана информационно-логическая схема (ИЛС) реализации процесса выявления и формирования клиентских предпочтений с учетом обратной связи между субъектами рынка и формализацией применения полученных результатов И АД с помощью системы управления бизнес-правилами в рамках бизнес-процесса подбора рационального набора услуг в зависимости от клиентских характеристик. Использование ИЛС дает

возможность потребителю максимально влиять на предложения рынка, поставщику в автоматическом режиме предоставлять на рынок наиболее рациональные и клиенто-ориентированные сервисы, отражающие профиль потребления клиента и набор его социально-демографических характеристик.

2. Предложен рациональный набор характеристик клиентов и их активности на телекоммуникационном рынке, включающий в себя данные по потреблению услуг связи и набор личностных данных, реализованные в виде древовидной структуры системы показателей. Отличительной особенностью данной системы показателей является то, что она выражает комплексную оценку типичного потребителя телекоммуникационных услуг с целью подбора для него персонифицированного набора услуг связи.

3. Разработана методика выявления клиентских предпочтений, реализованная с помощью компьютерного эксперимента и включающая в себя этапы сбора, сепарации статистической пользовательской информации; выбора и обоснования методов кластеризации (без учителя и предварительной классификации); визуализации результатов; построения профилей потребления услуг связи на основе данных кластеризации и классификация полученных кластеров с учетом личного профиля клиента. Отличительной особенностью данной методики является наличие в ней комплексного подхода к выявлению предпочтений клиентов, необходимого в условиях динамического развития и изменения рынка телекоммуникационных услуг связи. На основе компьютерных экспериментов в рамках изучаемой совокупности данных сформулированы рекомендации по выбору оптимальных методов кластеризации при различном числе кластеров, позволившие построить целостную модель потребителя телекоммуникационных услуг.

4. Разработана модель на основе системы управления бизнес-правилами, отличительной особенностью которой является автоматизация процесса подбора телекоммуникационных услуг через последовательное и

параллельное выполнение потоков правил, реализованных в виде структурно-функциональных блоков ВЯМЭ, с учетом изменения потребительских и личностных характеристик клиента.

5. Разработана структура интеллектуальной информационной системы поддержки принятия решений на основе средств интеллектуального анализа данных и формализации применения его результатов в системе управления бизнес-правилами. Отличительной особенностью ИИСППР является объединение инструментальных средств ИАД и системы управления бизнес-правилами в единый программно-инструментальный комплекс, целью которого является анализ клиентских предпочтений и автоматизация процесса подбора услуг связи в зависимости от динамического движения элементов кластеров и их центров и изменения личностных потребительских характеристик.

Теоретическое значение исследования состоит в развитии теории и методологии создания систем поддержки принятия решений на основе интеграции методов интеллектуального анализа данных и системы управления бизнес-правилами для выявления и формирования предпочтений потребителей телекоммуникационного предприятия в условиях имеющегося динамического характера и интенсификации развития рынка связи, роста объемов клиентской базы, многообразия мобильных услуг и расширения их спектра.

Практическое значение диссертационной работы заключается в том, что полученные теоретические результаты и инструментальные решения могут быть использованы в процессе выявления и формирования клиентских предпочтений в рамках телекоммуникационного сектора Российской Федерации в части создания системы поддержки принятия решений по выявлению и формированию предпочтений .потребителей телекоммуникационного предприятия.

Область научного исследования: диссертационная работа проведена в рамках пунктов 2.1 и 2.3 паспорта специальности ВАК 08.00.13 -

Математические и инструментальные методы экономики: п. 2.1. Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления; п. 2.3. Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях.

В первой главе диссертации проведен теоретический анализ телекоммуникационной сферы Российской Федерации, выявлены ее тренды роста, перспективы и трудности. Обоснована необходимость автоматизации оперативных решений, внедрения EDM-концепции на предприятиях сервиса (сектора телекоммуникаций), с использованием программно-алгоритмических средств поддержки принятия решений; описан инструментарий BRMS как частного случая автоматизации оперативных и тактических решений и элемента развития и реализации CRM стратегии на предприятиях связи. Определена сфера применения BRMS в рамках народнохозяйственной деятельности фирмы, проведен анализ имеющихся на рынке программных продуктов визуализации и программирования бизнес-правил. В результате сравнительного анализа на основании 11-ти критериев для реализации практической стороны исследования, в рамках одного из модулей авторской интеллектуальной информационной системы предприятия связи (ИИСП), выбрано программное средство Visual Rules Modeler из пакета Visual Rules Suite.

Во второй главе диссертации предложены методы изучения потребителей телекоммуникационных услуг, разработана информационно-логическая схема, отражающая взаимоотношения поставщиков и потребителей рынка мобильной связи, формирование и выявление их потребительских предпочтений, реализованные с помощью методов интеллектуального анализа данных и системы управления бизнес-правилами (для автоматизации и формализации применения результатов ИАД, как элементов модулей ИИСППР) в рамках бизнес-процесса подбора рационального набора услуг связи в зависимости от клиентских

характеристик и выработанного автором понятийного аппарата: профиль потребления и личный профиль клиента, как совокупность интегральных описательных составляющих элемента внутри клиентского кластера. Охарактеризован процесс сбора, подготовки и анализа пользовательской информации о клиентах и их активности на телекоммуникационном рынке для применения разработанной автором методики выявления клиентских предпочтений. Определены составляющие тарифной политики и структура клиентов компании Мобильные Теле Системы. Выявлены источники информации, проиллюстрирована связь между выбранными характеристиками (описано 23 характеристики потребителей рынка услуг связи, на примере компании МТС). Автором предлагается применить аппарат ИАД и ВЯМБ для принятия оперативных решений по подбору набора услуг связи, для обеспечения эффективности в управлении и анализе клиентской базы и повышении степени удовлетворенности клиентов, с учетом динамического изменения профиля потребления и социально-демографических характеристик потребителей. Математически интерпретированы методы проверки, визуализации и распознавания данных кластеризации и классификации с машинным обучением.

В третьей главе диссертации проведены эксперименты по автоматической кластеризации клиентской информации, применены методы визуализации данных для отображения кластеров, для каждого кластера построен профиль потребления услуг связи как конечный результат ИАД выбранной совокупности клиентов. Также проведены эксперименты по классификации полученных клиентских кластеров на основе обучения с помощью кернфункций, определена их классифицирующая эффективность, была проведена проверка важности каждой из характеристик личного профиля клиента и их влияние на процесс классификации. Была спроектирована и разработана интеллектуальная информационная система поддержки принятия решений (ИИСППР). Данная ИИСППР является частным случаем отраслевой системы поддержки принятия решений и

включает в себя модуль ИАД, реализующий этапы выбора методов кластеризации, выбора оптимального количества кластеров, проверки методов кластеризации, визуализации данных, анализа результатов и классификации полученных данных кластеризации; модуль «система управления бизнес-правилами» (ВЯМБ) для формализации применения результатов ИАД и автоматического подбора необходимых сервисов, в зависимости от траектории движения элементов внутри кластера, с учетом профиля потребления и социально-демографических характеристик клиентов (личный профиль клиента). Было проведено отдельное тестирование программно-инструментального модуля ВЯМБ и оценена его работоспособность с тестовой базой и тестовой информацией. Также была проведена оценка предполагаемой экономической эффективности имплементации предложенной ИИСППР.

В заключении обозначены общие выводы (наряду с выводами по каждой главе диссертации) и даны рекомендации по проведенному исследованию, выделены перспективы для дальнейшей работы.

Апробация результатов исследования: основные положения работы представлялись и докладывались на 12-ти международных научно-практических конференциях: в рамках международных научно-практических конференций «Современная экономика: концепции и модели инновационного развития», (г. Москва, май 2010, май 2011 гг.); в рамках международных научно-практических конференций «Инновационные и информационные технологии в экономике, менеджменте и образовании им. А. И. Китова», (октябрь 2010, ноября 2011 гг.); в рамках международной научно-практической конференции «Совершенствование подготовки ГГ-специалистов по направлению «Прикладная информатика» для инновационной экономики» (МЭСИ 2010 г.); в рамках международных научно-практических конференций «Инновационное развитие российской экономики» (МЭСИ 2009, 2010 гг.); на 23-х и 24-х международных Плехановских чтениях (на русском и иностранных языках, 2010, 2011 гг.) и

на межвузовской научно-практической конференции «Шаг в науку-2011, конференция аспирантов и молодых ученых». Результаты работы были заслушаны европейским и североамериканским научным сообществом: конференция в США, SpringSim'l 1: Spring Simulation Multiconference, 3-7 April 2011, Boston, MA, USA и конференция в Дании: CONFENIS 2011, Re-conceptualizing Enterprise Information Systems: 5th IFIP WG 8.9 Working Conference, Aalborg, Denmark, October 16-18, 2011.

Отдельные результаты научных исследований используются в образовательном процессе по дисциплинам «Системы управления бизнес-правилами» и «КИС» на факультете Информатики; в рамках текущих и выполненных грантов РЭУ им. Г.В. Плеханова, РФФИ, ФЦП.

Публикации: По материалам диссертации опубликовано 16 работ общим объемом 5,8 п.л., в том числе авторских 3,7 п.л., из них 1,06 п.л. - 4 статьи в журналах ВАК РФ.

Объем и структура диссертации обусловлена целями, задачами, логикой и методологией исследования и состоит из введения, трех глав (с выводами по главам), общего заключения по работе, списка литературы и приложений.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Вейнберг, Роман Рафаилович

Выводы по третьей главе

1. Проведение экспериментов по кластеризации клиентской информации выявило целый ряд зависимостей связанных с полученными клиентскими профилями и используемым в процессе кластеризации количеством кластеров. Оптимальное количество кластеров целесообразно определять методом изгиба («седловой точки»), с параллельным определением коэффициентов проверки кластеризации (РС, СЕ, Р1, Б1, ХВ, 01 и ЛИГ). Для проведения экспериментов, из 5000 клиентов МТС случайным образом выбраны 1000 клиентов. Выявлено, что для алгоритмов К-средних, К-медоид и Гаф-Гева оптимальное число кластеров равняется четырем (с = 4). Для алгоритмов нечетких С-средних и Густафсона-Кесселя, исходя из графического представления метода изгиба, оптимальное количество кластеров равняется шести (с = 6). Также на основе значений трех наиболее часто используемых индексов (распределения, Се-Бени и Данна) можно сделан вывод о том, что наилучшие результаты кластеризации в рамках анализа телекоммуникационной отрасли демонстрирует алгоритм Гаф-Гева при с = 4 и алгоритм Густафсона-Кесселя при с = 6.

2. Для визуализации результатов кластеризации целесообразно применять следующие методы отображения: РСА, БМ и РБМ. С помощью этих методов визуализации множество данных уменьшено до двумерного пространства. Во избежание проблем, связанных с построением диаграммы (использование слишком большого количества значений приведет к отображению большого облака точек), из двумерного множества данных выбрано 500 значений, соответствующих 500 клиентам. Определено, что для алгоритмов К-средних и К-медоид наилучшие результаты визуализации достигаются при использовании отображения Сэммона (БМ). Для других алгоритмов кластеризации наилучшие результаты визуализации достигаются при использовании нечеткого отображения Сэммона (РБМ) и метода главных компонент (РСА) в отношении разбиения множества данных. С помощью результатов использования методов проверки и визуализации кластеризации сделан вывод о том, что существуют два возможных наилучших решения кластеризации изучаемой совокупности клиентов рынка телекоммуникационной связи: алгоритм Гаф-Гева при с = 4 и алгоритм Густафсона-Кесселя при с = 6.

3. Для каждого кластера построен профиль потребления услуг связи, путем соединения линией всех нормированные значения характеристик клиентов в пределах изучаемого кластера. Вычислено среднее значение по всем линиям (эквивалент центра кластера) и построен график, используя все (нормированные) значения характеристик клиентов. На основе данных кластеризации получены и детально описаны профили потребления услуг связи, характеризующие предпочтения клиентов в рамках каждого кластера. Увеличение числа кластеров дает более точную оценку изучаемых предпочтений, что повышает степень удовлетворенности клиентов.

4. Проведены эксперименты по классификации полученных клиентских кластеров с помощью БУМ на основе обучения (К-кратная перекрестная проверка) с помощью функции ядра (кернфункции), для обучения использовались следующие данные, характеризующие личный профиль клиента: возраст, пол и образ жизни, туда также входят тип телефона, тип подписки, размер компании и место жительства абонента.

Каждая функция ядра проверена на свою эффективность. Правильное число классификаций для линейной функции ядра (для кластеризации по 4-м и 6-ю кластерами), составляет 43,2% и 32,0%. Для ситуации с 4-мя кластерами оптимальное значение классификации при применении полиномиальной функции ядра, составляет 78,1%, а для 6 кластеров - 76,2%. Наилучший результат для 4-х кластеров при применении радиальной базисной функции ядра, составляет 80,3%. Соответственно, наилучший результат для 6 кластеров составляет также 80,3%. Результаты показывают, что для сигмоидальной функции правильно классифицируется 66,1% и 44,6% данных, соответственно с использованием 4 и 6 кластеров. Таким образом, это означает, что радиальная базисная функция демонстрирует наилучший результат в обеих ситуациях с 80,3% и 80,3%. Проведена проверка важности каждой из характеристик профиля клиента. Полученные результаты демонстрируют, что возраст является важной характеристикой для классификации кластеров. Такая характеристика, как тип телефона, улучшает результат всего лишь на десятые доли процента. Однако, каждая характеристика приводит к улучшению результата, поэтому все они полезны для классификации.

5. Спроектирована и разработана интеллектуальная информационная система поддержки принятия решений (ИИСППР). Данная ИИСППР является частным случаем отраслевой системы поддержки принятия решений и включает в себя модуль Data Mining, реализующий этапы выбора методов кластеризации, выбора оптимального количеств кластеров, проверки методов кластеризации, визуализации данных, анализа результатов и классификации полученных данных кластеризации; модуль «система управления бизнес-правилами» (BRMS) для формализации применения результатов ИАД и автоматизации подбора необходимых сервисов, в зависимости от траектории движения элементов внутри кластера, с учетом профиля потребления и социально-демографических характеристик клиентов.

В рамках модуля ИИСППР спроектирована база данных в которой хранятся сведения о потребителях телекоммуникационных услуг (19-ть характеристик клиента), и настроено подключение к СУБД. Развертывание модуля BRMS потребовало выбора СУБД, разработки схемы базы данных и введения разработанных правил в модель с использованием соответствующих элементов моделирования. Рассмотрена технология разработки модели бизнес-правил, изучен интерфейс и среда моделирования, рассмотрены основные графические элементы, используемые для представления бизнес-правил и порядок их моделирования, рассмотрена технология подключения базы данных и процесс работы с ней, т.е. рассмотрены основные этапы развертывания и загрузки правил в выбранную программно-инструментальную среду.

6. Проведено тестирование программно-инструментального модуля BRMS, отслеживающего динамическое движение кластера и изменение профиля потребления услуг связи, с учетом социально-демографических характеристик клиентов, реализующего подбор набора индивидуальных услуг связи. Разработаны правила для каждого из полученных клиентских кластеров. Тестирование модели показало, что она не содержит ошибок, и результаты исполнения правил корректно заносятся в БД. Результатами работы модели является выдача менеджеру по тарифам рекомендаций по предложениям набора сервисов клиенту, либо прямая отправка оповещения о сервисах и предложениях клиенту на электронную почту/мобильный телефон. Экспериментальная проверка модели показала работоспособность разработанных правил и соответствие модели технологии подбора для клиента наиболее рациональных наборов сервисов, исходя из набора заданных характеристик. Модель обеспечивает гибкость и прозрачность бизнес логики, позволяет повысить наглядность процессов работы с потребителями телекоммуникационных услуг, сокращает время принятия оперативного решения по подбору набора услуг, является инструментом эффективного управления и анализа клиентской базы, позволяющего ускорить процесс принятия решений по управлению экономическими взаимоотношениями с покупателями, повышению удовлетворенности клиентов, открытости и прозрачность бизнес-процессов взаимодействия с клиентом.

7. Проведена оценка предполагаемой экономической эффективности имплементации ИИСППР с модулями Data Mining и BRMS, с точки зрения трехзвенного влияния на выбранное предприятие ОАО «Основа Телеком»: экономического, организационного и сервисного.

Заключение

В итоге проведенных исследований, в основу которых положены теоретический анализ и развитие математических и инструментальных методов экономики, в диссертации получены следующие основные обобщённые результаты научного, прикладного, практического и рекомендательного характера (помимо более подробных выводов по каждой главе диссертации):

1. На основании исследований и экспериментов, проведенных в диссертационной работе, можно сформулировать некоторые рекомендациями для создания более подходящих профилей клиентов и лучшего выполнения кластеризации клиентов. Первая рекомендация заключается в использовании различных значений характеристик для кластеризации клиентов. Это может привести к образованию различных кластеров и, следовательно, различных профилей. Для определения влияния значений характеристик на результат кластеризации требуется проведение тщательного анализа данных. Кроме того, рекомендуется выполнить детальный анализ данных кластера. В настоящем исследовании вместе с результатами приводится краткое описание каждого кластера. Экстраполируя такой подход, можно получить более подробное представление кластеров и более точно определить их границы. Существуют различные способы выбора надлежащих значений характеристик для алгоритмов кластеризации. Этот выбор имеет очень важное значение для итогового качества кластеризации. При выборе разных значений характеристик будут создаваться различные кластеры. По этой причине результат кластеризации не может рассматриваться в качестве общеобязательного, а является лишь одним из возможных результатов. Еще один способ проверки кластеров заключается в привлечении экспертов для выполнения анализа кластеров и применении сделанных экспертами выводов для улучшения критериев кластеризации.

Для более эффективного определения фактического количества кластеров, присутствующих во множестве данных, могут использоваться более специализированные методы, в отличие от критерия изогнутости. Интересным альтернативным вариантом является, например, применение эволюционных алгоритмов, предложенных Вэй Лю [117]. Другой способ улучшения результатов исследования заключается в применении таких алгоритмов кластеризации, как кластеризация при сдвиге среднего, иерархическая кластеризация или кластеризация с использованием гауссовой смеси. Также можно сделать вывод о том, что для анализа экономической информации, носящей динамический характер изменения во времени оптимальным решением будет применение алгоритмов нечеткой кластеризации.

Для оценки кластеров клиентов могут также применяться другие методы классификации, например, нейронные сети, генетические алгоритмы и алгоритмы Байеса. В рамках метода опорных векторов особый интерес представляет кластерный анализ, связанный с применением различных (нелинейных) функций ядра.

Оказалось, что полученный в результате процент правильно классифицированных кластеров был не таким высоким, как ожидалось. Возможным объяснением такой ситуации является то, что выбранные характеристики клиентов не подходят для создания профилей клиентов. Это связано с отсутствием в хранилище данных МТС информации о стиле жизни, привычках и доходах клиентов (или невозможность получить необходимые данные автором). Второй причиной низкого числа правильных классификаций является тот факт, что использование информация о поведении в базе данных соответствует номеру телефона, а этот номер телефона соответствует конкретному человеку. Однако в реальной жизни этот телефон может не использоваться исключительно его владельцем (с соответствующим профилем клиента), информация о котором хранится в базе данных. Клиенты могут передавать свои телефоны родственникам, а компании могут менять телефоны своих сотрудников. В таких случаях поведение не соответствует профилю одного клиента, и это затрудняет процесс классификации.

Кроме того, следует отметить, что наиболее очевидный и лучший способ улучшения классификация заключается в более точном создании профилей клиентов. Профили клиентов, используемые в настоящем исследовании, не являются достаточно подробными для описания широкого спектра клиентов. Следовательно, более глубокий и точный анализ данных, содержащихся в хранилище данных, приведет к улучшению характеристик и, таким образом, улучшению классификации.

Также отметим, что заметное улучшение результатов исследования возможно за счет применения различных критериев оценки поведения пользователя, а не просто использования телефона, как рассматривалось в настоящей работе. Достаточно сложно классифицировать профили клиентов только на основе соответствующего кластера. Это - сложная и комплексная задача, требующая наличия высококачественных характеристик.

2. На основе результатов использования комплексных методов интеллектуального анализа данных предложена, спроектирована и разработана интеллектуальная информационная система поддержки принятия решений (ИИСП). Данная ИИСППР является частным случаем отраслевой системы поддержки принятия решений и включает в себя модуль интеллектуального анализа данных и модуль система управления бизнес правилами (реализованный в графической среде Visual Rules Modeler, являющийся частью пакета Visual Rules Suite компании Bosh).

3. С использованием средств графического программирования в Visual Rules Modeler реализован сценарий, который предусматривает как последовательное выполнение бизнес-правил, так и обращение к базе данных и в целом реализует готовое решение по автоматизации подбора телекоммуникационных услуг, с учетом динамики потребления (отслеживание движения элементов и центра кластера, определяющего профиль потребления услуг связи) и социально-демографического профиля клиента (т.н. личного профиля клиента). Комплекс вычислений, производимых в соответствии с разработанной моделью бизнес-правил, обеспечивает выполнение одного глобального потока правил, включающего в себя 7 вложенных потоков (порядка 100 вариаций правил) с корректным занесением результатов в БД.

4. Экспериментальная проверка модели во взаимодействия с БД на разработанных тестовых примерах, загруженных в СУБД MySQL, показала как корректность выполнения отдельных операций по обработке, так и эффективность разработанного сценария в целом, обеспечивающего гибкость, оперативность и прозрачность процесса принятия решения.

5. Определена предполагаемая экономическая эффективность выработанных методов и моделей на примере телекоммуникационного предприятия ОАО «Основа Телеком», методика, принципы и полученные результаты работы могут быть использованы и в рамках других хозяйствующих субъектов страны.

Таким образом, можно утверждать, что задачи, поставленные в настоящей работе, были решены.

Достоверность приведенных в диссертации основных результатов обоснована экономико-математическим анализом, базирующимся на имеющихся данных, и подтверждена актами о внедрении в бизнес-среду и в учебный процесс Российского экономического университета имени Г.В. Плеханова. Научная ценность работы подтверждена многочисленными выступлениями на отечественных (РЭУ им. Г.В. Плеханова, МЭСИ и т.д.) и зарубежных конференциях (Бостон, США, Альборг, Дания), с публикацией основных результатов исследования в ведущих рецензируемых журналах и издательствах США, Европы и России.

Практическая значимость работы подтверждается имеющимися актами о внедрении основных положений исследования, предложенных методов и моделей в бизнес-среду и в рамках предприятий телекоммуникационного рынка.

Список литературы диссертационного исследования кандидат экономических наук Вейнберг, Роман Рафаилович, 2013 год

Литература

1. Абдикеев Н.М. Реинжиниринг бизнес-процессов: учебник // Н.М. Абдикеев, Т.П. Данько, C.B. Ильдеменов, А.Д. Киселев. Испр. - М.: Эксмо, 2007.

2. Абилов А. В. Закономерности развития регионального инфокоммуникационного комплекса. - М.: Издательство: Горячая Линия - Телеком, 2008.

3. Адизес И. Как преодолеть кризисы менеджмента. Диагностика и решение управленческих проблем. - СПб.: Стокгольмская школа экономики в Санкт-Петербурге, 2006.

4. Айвазян С.А., Мхитарян B.C. Теория вероятностей и прикладная статистика, том 1. - М.:Юнити, 2001.

5. Айвазян С.А. Классификация многомерных наблюдений. - М.: Наука, 1974.

6. Айвазян С.А. и др. Прикладная статистика: основы моделирования и первичная обработка данных. - М.: Финансы и статистика, 1983.

7. Андрианов Д.Л., и др. Имитационное моделирование и сценарный подход в системах принятия решений // Проблемы теории и практики управления. - 2002. - №5.

8. Аникин О.Б. Перспективы развития мирового рынка телекоммуникационных услуг: Дис: канд. экон. наук 08.00.14. - М.: РГБ, 2002.

9. Ансофф И. Стратегическое управление. - М.: Экономика, 2009.

Ю.Апраушева Н.Н. Новый подход к обнаружению кластеров. - М.: ВЦ

РАН, 1993.

11.Архипенков С.Я., Голубев Д.В., Максименко О.Б. Хранилища данных, от концепции до внедрения. - М.: Диалог-Мифи, 2002.

12.Арчибальд Р. Управление высокотехнологичными программами и проектами: Пер. с англ. - М.: ДМК Пресс, 2002.

13.Аткинсон Э.Б., Стиглиц Дж. Э. Экономика общественного сектора. -М., 1999.

14.Базилева И.И. Особенности управления взаимоотношениями с клиентами в компании, оказывающей профессиональные услуги // Маркетинг услуг. - 2006. - №3(07).

15.Бауэр Р., Коллар Э., Тан В. Управление инвестиционным проектом: Опыт IBM. - М.: Инфра-М, 1995.

16.Бешелев С.Д. Математико-статистические методы экспертных оценок / С.Д.Бешелев, Ф.Г.Гурвич. 2-е изд., перераб. и доп. - М.: Статистика, 1980.

П.Бершев С.М., Алиев Н.М. Пакетирование телекоммуникационных услуг.-М.: ИРИАС, 2009.

18.Битнер В.И., Попов Г.Н. Нормирование качества телекоммуникационных услуг. - М.: Горячая линия - Телеком, 2009.

41*0

19.Буданова М., Фрейнкман В. Аспекты применения CRM-систем и их элементов в са11-центрах операторов мобильной связи // Мобильные телекоммуникации. - 2004. №7.

20.Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. - М.: Наука, 1974.

21.Вапник В.Н. Машины, обучающиеся распознаванию образов. В кн.: Алгоритмы обучения распознаванию образов. - М.: Советское радио, 1973.

22.Вапник В.Н. О выборе наиболее вероятного представителя класса. В кн.: I Всесоюзное совещание по статистическому дискретному анализу нечисловой информации // Тезисы докладов. Москва - Алма-Ата. -1981.

23.Вагин В.Н. Дедукция и обобщение в системах принятия решений. - М.: Наука. Гл. ред. Физ.-мат. Лит. 1988.

24.Варакин JI. Е. Информационно-экономический закон. Взаимосвязь инфокоммуникационной инфраструктуры и экономики. Том 2. - М.: Издательство: Международная академия связи MAC, 2006.

25.Варакин J1.E. 25 лет инфокоммуникационной революции. Серия: Инфокоммуникации XXI века // Антология. - М.: Международная академия связи MAC, 2006.

26.Вендров A.M. CASE-технологии. Современные методы и средства проектирования информационных систем. - М.: Финансы и статистика, 1998.

27.Вейнберг P.P. Использование сценарного анализа для реализации стратегических концепций развития предприятия // Научные труды Вольного экономического общества России, Том 143, 2010. - 0,3 п.л.

28.Вейнберг P.P., Московой И.Н. Применение систем управления бизнес-правилами для поддержки принятия решений стратегического корпоративного менеджмента // Управленец, № 09-10, 2010. - 0,75/0,4 п.л.

29.Вейнберг P.P., Титова Е.В. Моделирование бизнес-процессов с помощью инструментальных методов // Логистика, № 05, 2011 -0,3/0,15 п.л.

30.Вейнберг P.P., Бачинин Ю.Г., Романов В.П. Сегментация клиентов телекоммуникационной компании на основе кластерного анализа вейвлет-преобразования профиля пользователя // Научные труды Вольного экономического общества России, Том 164, 2011 -0,63/0,21п.л.

31.Вейнберг P.P. Необходимость и возможность использования аутсорсинга в инновационной экономике // Инновационное развитие российской экономики : II Междунар. науч.-практ. конференция,- М., 2009-0,1 п.л.

32.Вейнберг P.P. , Московой И.Н., Романов В.П. Технология использования бизнес-правил в стратегическом менеджменте // Современная экономика: концепции и модели инновационного

4И

развития : Матер, междунар. науч.-практ. конф., 13 мая 2010 года : В 2 кн. Кн.2,- М.: Изд-во РЭА им. Г. В. Плеханова, 2010 - 0,5/0,15 п.л.

33.Вейнберг P.P. Развитие коммуникационных технологий в Российской Федерации: перспективы и трудности // Инновационное развитие российской экономики : III Междунар. науч.-практ. конференция Ч. 1.-М.: МЭСИ, 2010-0,1 п.л.

34.Вейнберг P.P. Применение систем поддержки принятия решений в условиях новой экономики // Совершенствование подготовки Неспециалистов по направлению "Прикладная информатика" для инновационной экономики : сб. науч. тр. VI Междунар. науч.-практ. конференции,? декабря 2010 г.,- М.: МЭСИ, 2010 - 0,3 п.л.

35.Вейнберг P.P., Романов В.П. Менеджмент услуг на основе бизнес-правил в транснациональных корпорациях // Современная экономика: концепции и модели инновационного развития : Материалы III международной научно-практической конференции (18-19 февраля 2011 г.); в 2 кн. Кн.1,- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011 -0,25/0,125 п.л.

36.Вейнберг P.P. Основные принципы EDM концепции в рамках внутрифирменного развития предприятия // Современная экономика: концепции и модели инновационного развития : Материалы III международной научно-практической конференции (18-19 февраля 2011 г.); в 2 кн. Кн. 2,- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011 - 0,3

37.Вейнберг P.P. Сценарное планирование в стратегическом управлении // Двадцать четвертые Международные Плехановские чтения (10-17 февр. 2011 г.) : Тез. докл. аспирантов и магистрантов,- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011 - 0.06 п.л.

38.Вейнберг P.P. Адаптация наборов услуг компании (формирование профайла услуг с помощью технологии бизнес-правил) на основе функции полезности однородных групп пользователей // Шаг в науку-2011 : материалы III межвуз. науч.-практ. конференции аспирантов и молодых ученых.- М.: Изд-во РЭУ им. Г. В. Плеханова, 2011 - 0,63 п.л.

39.Вейнберг P.P., Бачинин Ю.Г. Использование вейвлет-разложения и кластерного анализа при формировании профиля потребителя услуг связи // Известия Российского экономического университета им. Г.В. Плеханова : электронный научный журнал, № 5, 2011 - 1/0.5 п.л.

40.Вейнберг P.P. Использование сценарного анализа для реализации стратегических концепций развития предприятия // Инновационные и информационные технологии в экономике, менеджменте и образовании : междунар. науч.-практ. конференция им. А. И. Китова, 16-18 ноября 2011-0,1 п.л.

41.Вейнберг P.P., Романов В.П., Полуэктова А.В. Customer-Telecommunications Company's Relationship Simulation Model (RSM), Based on Rules Approach and Formal Concept Analysis Method //

п.л.

SpringSim'l 1 : Spring Simulation Multiconference, 3-7 April 2011, Boston, MA, USA.- Boston, 2011 - 0,125/0,05 п.л.

42.Вейнберг P.P., Романов В.П. Different Instrumental Methods Which Can Be Used in New EIS: Theory and Practical Approach // Re-conceptualizing Enterprise Information Systems : 5th IFIP WG 8.9 Working Conference, CONFENIS 2011 Aalborg, Denmark, October 16-18, 2011 Revised Selected Papers.- Aalborg: Springer, 2011 - 0,4/0,2 п.л.

43.Воронцов Ю.А., Галиахметов A.P., Груничев Ю.А. Аутсорсинг продаж услуг оператора мобильной связи // ИнформКурьер - Связь. - 2007. -№9.

44.Воронцов Ю.А. Инфокоммуникационные системы и технологии в менеджменте: Методическое пособие для MBA. - М: ИПК МТУСИ,

45.Данько Т.П. Управление маркетингом: Учебник. 2-е изд. - М.: Инфра-М, 2001.

46. Дик В.В. Автоматизация экономического анализа на основе ситуационных описаний // Использование систем и методов обработки данных в экономических исследованиях. - М.: МЭСИ, 1987.

47.Дик В.В. Классификация, состав и функции экономических советующих систем // Советующие информационные системы в экономике. - М.: ЮНИТИ, 2000.

48.Дик В. В. Методология формирования решений в экономических системах и инструментальные среды их поддержки. - М.: Финансы и статистика, 2000.

49.Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений// Математика сегодня. - М.: Знание, 1974.

50.Заде Л. Размытые множества и их применение в распознавании образов и кластер-анализе. В сб.: Классификация и кластер. - М: Мир, 1980.

51.Исаев Г.Н. Методологические основания управления качеством функционирования информационных систем. - М.: ВИНИТИ. НТИ Сер. 1.-2005. -№ 2.

52.Исаев Г.Н. Управление качеством информационных систем. - М.: МИРЭА, 2003.

53.Калянов Г.Н. Консалтинг при автоматизации предприятий. Подходы, методы, средства.- М.: СИНТЕГ, 1997.

54.Канеман, Д. Принятие решений в неопределенности: Правила и предубеждения. - Харьков.: Гуманитарный центр, 2005.

55.Канеман, Д. Карты ограниченной рациональности: психология для поведенческой экономики // Психологический журнал. 2006. - №4.

56.Канеман, Д., Тверски, А. Рациональный выбор, ценности, фреймы // Психологический журнал. 2003. - № 4.

57.Количественные методы анализа в маркетинге // Под ред. Т.П. Данько, И.И. Скоробогатых. - СПб.: Питер, 2005.

58.Котлер Ф., Армстронг Г., Сондерс Д., Вонг В. Основы маркетинга: пер с англ. 2 европ. изд. - М.; СПб.; К.: Вильяме, 2003.

2007.

59.Котлер Ф. Маркетинг менеджмент. 11-е изд. - СПб.: Питер, 2005.

60.Ларичев, О. И. Проблемы взаимодействия человек ЭВМ в системах поддержки принятия решений. - М.: ВНИИСИ, 1984.

61.Ларичев, О. И., Петровски A.B. Системы поддержки принятия решений. Современное состояние и перспективы развития. - М.: ВИНИТИ, 1987.

62.Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах. - М.: Логос, 2002.

63.Ларичев, О. И. Человеко-машинные процедуры принятия решений // Автоматика и телемеханика. - 1971. - №12.

64.Макдональд М. Планы маркетинга. - М.: Технология, 2004.

65.Макдоналд М., Дунбар И. Сегментирование рынка: практическое руководство. М.: Дело и Сервис, 2002.

66.Махмутова Г.С., Махмутов И.И. Анализ и классификация методов сегментации рынка // Маркетинг в России и за рубежом. 2005.

67.Орлов А.И. Теория принятия решений. - М.: МарТ, 2004.

68.Орлов А.И. Прикладная статистика. - М.: Экзамен, 2004.

69.Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. - М: Наука, 1988.

70.Поспелов Г.С., Ириков В.А. Программно-целевое планирование и управление (введение). - М.: Советское радио, 1976.

71.Поспелов Д.А. Ситуационное управление: теория и практика. - М.: Наука, 1986.

72.Поспелов Д.А. Будущее искусственного интеллекта. - М.: Наука, 1991.

73.Попов Э.В. Корпоративные системы управления знаниями// Новости искусственного интеллекта/ - 2001. №1.

74.Писарева О.М. Базовые эконометрические методы и модели: Учебное пособие. -М.: ГУУ, 2002.

75.Романов В.П. Интеллектуальные информационные системы в экономике. - М.: Экзамен. 2003.

76.Тарабухина Н.К. Методы извлечения бизнес-логики на основе семантических свойств программ, Автореф. дисс. на соискание уч. степ, к.ф-м.н. Новосибирск, 2010.

77.Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике: Учеб. пособие. -М.: СИНТЕГ, 1998.

78.Тельнов Ю.Ф., Диго С.М., Полякова Т.М. Интеллектуальные системы обработки данных. - М.: МЭСИ, 1994.

79.Тельнов Ю.Ф. Реинжиниринг бизнес-процессов. Компонентная методология. - М.: Финансы и статистика, 2004.

80.Трахтенгерц Э.А. Компьютерный анализ в динамике принятия решений // Приборы и системы управления. - 1997. №1.

81.Трахтенгерц Э.А. Многоагентные системы поддержки принятия решений // Известия РАН. Теория и системы управления. - 1998. №5.

82.Тейлор Д., Рэйден Н. Почти интеллектуальные системы. Как получить конкурентные преимущества путем автоматизации принятия скрытых решений. - М.: Символ-Плюс, 2009.

83.Шеер Август-Вильгельм. Бизнес-процессы. Основные понятия. Теория. Методы. - М.: МетаТехнология, 1999.

84.Щавелев JI.B. Способы аналитической обработки данных для поддержки принятия решений // Системы управления базами данных -Открытые системы. 2008,- №4-5.

85.Энгельс В. Проектный подход на основе бизнес-правил при создании информационных систем // Oracle Magazine Russian Edition. - 2008.

86.A Brief History of the Business Rule Approach, 2nd ed. // Editors of BRCommunity.com. Business Rules Journal, Vol. 7, No. 11. Business Rule Community, 2006.

87.Ahola J. and Rinta-Runsala E. Data mining case studies in customer profiling. Research report TTE1-2001-29, VTT Information Technology, 2001.

88.Amat J.L. Using reporting and data mining techniques to improve knowledge of subscribers; applications to customer profiling and fraud management. J. Telecomm. Inform. Technol., no. 3, 2002.

89.Balasko В., Abonyi J. and Balazs F. Fuzzy Clustering and Data Analysis Toolbox For Use with Matlab, 2006.

90.Barbara von Halle Business Rules Applied: Building Better Systems Using the Business Rules Approach, Wiley & Sons, Inc., New York, 2002.

91.Bounsaythip C. and Rinta-Runsala E. Overview of Data Mining for Customer Behavior Modeling. Research report TTE 1-2001-18, VTT Information Technology, 2001.

92.Bezdek J.C. and Dunn J.C. Optimal fuzzy partition: A heuristic for estimating the parameters in a mixture of normal distributions. IEEE Trans. Comput., vol. C-24, 1975.

93.Date C.J. What Not How: The Business Rules Approach to Application Development. Boston, MA: Addison-Wesley, 2000.

94.Dibike Y.B., Velickov S., Solomatine D. and Abbott M.B. Model Induction with Support Vector Machines: Introduction and Applications. J. Сотр. in Civ. Engrg., vol. 15 iss. 3, 2001

95.Feldman R. and Dagan I. Knowledge discovery in textual databases (KDT). In Proc. 1st Int. Conf. Knowledge Discovery and Data Mining, 2005.

96.Frawley W.J., Piatetsky-Shapiro G. and Matheus C.J. Knowledge discovery in databases, AAAI/MIT Press, 1991.

97.Gath I. and Geva A.B. Unsupervised optimal fuzzy clustering. IEEE Trans Pattern and Machine Intell, vol. 11 no. 7, 1989.

98.Giha F.E., Singh Y.P. and Ewe H.T. Customer Profiling and Segmentation based on Association Rule Mining Technique. Proc. Softw. Engin, and Appl., no. 397, 2003.

99.Graham I. Service Oriented Business Rules Management Systems // TriReme International Ltd. - 2005.

100. Gustafson D.E. and Kessel W.E. Fuzzy clustering with a fuzzy covariance matrix. In Proc. IEEE CDC, 1979.

101. Harmon P. Business Rules // Business Process Trends. - 2007. - №1.

102. Janusz G. Data mining and complex telecommunications problems modeling. J. Telecommun. Inform. Technol., no. 3, 2003.

103. Mali K. Clustering and its validation in a symbolic framework. Patt. Recogn. Lett., vol. 24, 2003.

104. Mattison R. Data Warehousing and Data Mining for Telecommunications. Boston, London: Artech House, 1997.

105. McDonald M. and Dunbar I. Market segmentation. How to do it, how to profit from it. Palgrave Publ., 1998.

106. Morgan T. Business Rules and Information Systems: Aligning IT with Business Goals. - Addison Wesley, 2002.

107. Noble W.S. What is a support vector machine? Nature Biotechnology, vol. 24 no. 12,2006.

108. Ross R.G. Exploring Business Rules // Business Rule Community. - 1999.

109. Ross R.G. Principles of the Business Rule Approach. Boston, MA: Addison-Wesley, 2003.

110. Rymer J.R. and Gualtieri M. The Forrester Wave™: Business Rules Platforms, Q2 // Forrester. - 2008.

111. Simon Holloway Business Rules Management Managing business rules of an organization // Bloor Research. - 2009.

112. Shaw M.J., Subramaniam C., Tan G.W. and Welge M.E. Knowledge management and data mining for marketing. Decision Support Systems, vol. 31,2001.

113.Wadhwa V., Erlikh L., Oara I.M., Terekhov A.N. and Bulyonkov M.A. Method and system of business rule extraction from existing applications for integration into new applications. US Patent 6389588, Submitted 02/04/1999. Published 05/14/2002.

114. Verhoef P., Spring P., Hoekstra J. and Lee P. The commercial use of segmentation and predictive modeling techniques for database marketing in the Netherlands. Decis. Supp. Syst., vol. 34, 2002.

115.Virvou M., Savvopoulos A., Tsihrintzis G.A. and Sotiropoulos D.N. Constructing Stereotypes for an Adaptive e-Shop Using AIN-Based Clustering. ICANNGA, 2007.

116. Wei C.P. and Chiu I.T. Turning telecommunications call detail to churn prediction: a data mining approach. Expert Syst. Appl., vol. 23, 2002.

117. Wei Lu I.T. A New Evolutionary Algorithm for Determining the Optimal Number of Clusters. CIMCA/IAWTIC, 2005.

118. Weiss G.M. Data Mining in Telecommunications. The Data Mining and Knowledge Discovery Handbook, 2005.

119. Официальный сайт компании ОАО «МТС» Электронный ресурс. / Режим доступа: http://www.mts.ru, свободный. - загл. с экрана.

120. Официальный сайт компании ОАО «Вымпелком» Электронный ресурс. / Режим доступа: http://www.beeline.ru, свободный. - загл. с экрана.

121. Официальный сайт компании ОАО «Мегафон» Электронный ресурс. / Режим доступа: http://www.megafon.ru, свободный. - загл. с экрана.

122. Официальный сайт компании ОАО АФК «Система» Электронный ресурс. / Режим доступа: http://www.sistema.ru, свободный. - загл. с экрана.

123. Официальный сайт компании ОАО «Ростелеком» Электронный ресурс. / Режим доступа: www.rt.ru, свободный. - загл. с экрана.

124. Официальный сайт компании IBM Электронный ресурс. / Режим доступа: http://www.ibm.com, свободный. - загл. с экрана.

125. Официальный сайт компании Software Innovations - BOSCH Электронный ресурс. / Режим доступа: http://www.bosch-si.com/, свободный. - загл. с экрана.

126. Официальный сайт компании FICO (Fair Isaac Corporation) Электронный ресурс. / Режим доступа: http://exchange.fico.com/dmc, свободный. - загл. с экрана.

127. Официальный сайт компании Corticon Technologies Электронный ресурс. / Режим доступа: http://www.progress.com/en/corticon/index.html, свободный. - загл. с экрана.

128. Официальный сайт BRMS Community Электронный ресурс. / Режим доступа: http://www.brcommunity.com, свободный. - загл. с экрана.

129. Официальный сайт ЗАО Современные Телекоммуникации Электронный ресурс. / Режим доступа: http://www.modetel.ru, свободный. - загл. с экрана.

130. Официальный сайт проекта 1Шметрика Электронный ресурс. / Режим доступа: http://rumetrika.rambler.ru, свободный. - загл. с экрана.

131. Официальный сайт интернет издания Content-Review.com Электронный ресурс. / Режим доступа: http://www.content-review.com, свободный. -загл. с экрана.

132. Официальный сайт интернет журнала об информационных технологиях и коммуникациях Mobile News Review Электронный ресурс. / Режим доступа: http://www.mobilenews.ru, свободный. - загл. с экрана.

133. Официальный сайт консалтинговой компании PMR Publications Электронный ресурс. / Режим доступа: http://www.pmrpublications.com, свободный. - загл. с экрана.

134. Официальный сайт консалтинговой компании Opinion Research Corporation Электронный ресурс. / Режим доступа: http://www.orcinternational.com, свободный. - загл. с экрана.