Заключение

Проведенное исследование позволяет сделать следующие выводы.

Индустрия гостеприимства — важнейшая отрасль экономики многих стран. В Рос­сийской Федерации ее развитие носит своеобразный характер.

В последнее время наблюдается довольно сильный рост рынка информационных тех­нологий в индустрии гостеприимства. Информационные технологии позволяют в некоторой степени сгладить недостатки предприятий в области управления Сами информационные технологии становятся частью услуг индустрии гостеприимства. Именно слияние индустрии гостеприимства и информационных технологий будет иметь наибольший успех.

Объем информации, имеющейся на предприятиях индустрии гостеприимства, а также рост вычислительных мощностей современной техники приводят соответственно к необхо­димости использования интеллектуальных хранилищ данных и разработке методов интел­лектуальной добычи знаний из имеющейся информации. Эти подходы становятся все более важными элементами конкурентной борьбы предприятий индустрии гостеприимства. На первый план выходит скорость реагирования на изменения в окружающей среде, что приво­дит к появлению агентных технологий. Кроме того, повышается полнота знаний о ситуации.

Нестабильность рынка выдвигает требования к адаптивности систем управления. Это влияет на степень использования прогнозирования в оперативной деятельности предприятий

индустрии гостеприимства. Основные пакеты статистического анализа имеют три направле­ния, два из которых адаптивные. Однако современные характеристики экономических дан­ных зачастую не соответствуют требованиям, предъявляемым для построения традиционных

статистических моделей,

Проведенный анализ систем управления гостиничными предприятиями свидетельст­вует об отсутствии в них мощных модулей прогнозирования.

Нейронные сети являются тем инструментом, который способен помочь в решении указанных проблем. Нейросети в чистом виде пригодны для решения довольно узкого класса задач, поэтому необходима разработка концепций комплексных нейросетевых моделей и систем на предприятиях индустрии гостеприимства. Современные пакеты нейросетевого мо­делирования позволяют реализовать такие требования. Рынок нейросетевого программного

/

обеспечения для управления предприятием растет. Специализированные нейрбсетевые паке­ты для управления предприятием довольно дорого, следовательно, нужна разработка моде­лей, реализующих современные подходы в нейропакетах общего назначения.

Агентная технология, реализованная на нейросетевых алгоритмах в нейропакете об­щего назначения, показала широкие возможности глубокого исследования закономерностей

поведения рынка гостиничных услуг.

Использование нейросетевых моделей прогнозирования и нейроагентов при анализе деятельности предприятий индустрии гостеприимства позволило:

1. Вскрыть механизм рыночного формирования цен на услуги гостиничных предпри­ятий г.

С помощью нейросетей удалось построить кривые зависимости цены от загрузки по дням недели. Приведенные диаграммы подтверждают сложный и разнообразный характер взаимозависимости средней цены и средней загрузки на различных сегментах рынка. Полу­ченная модель позволяет службе приема и размещения на основе дня недели и текущей за­грузки принимать решение об установлении желаемой цены на номер.

На основе полученных моделей ценообразования были сделаны выводы об исполь­зуемых гостиницами стратегиях поведения и даны некоторые рекомендации. У сравнительно

недавно открывшихся гостиниц выявлена стратегия следования рынку, у давно работающих — агрессивная стратегия. Автором были установлены различия в моделях их ценообразова­ния по дням недели. Анализ показателя дохода на один номер позволил выявить неопти- мапьность назначения цен для отдельных гостиниц в области предоставления скидок.

Для гостиниц сегмента четыре звезды можно констатировать: ценообразование не на-

j

столько гибкое, как у гостиниц более высокого класса. Гостиницы в области наибольшей функциональности в основном ведут себя более или менее стабильно, повышая цену при за­грузке 40-50% и понижая при остальной. Выявлены также и гостиницы, у которых зависи­мость цены на номер от загрузки очень слабая, например Аэростар.

Анализ цены на номер показал, что форма колебаний по отдельным сегментам незна­чительно отличается от поведения всего рынка. В целом средняя цена зависит от дня недели

и соответствует стратегии продавать дороже, когда есть спрос и продавать дешевле, когда

спроса нет.

В процессе анализа был также получен ряд интересных технических решений в об­ласти прогнозирования: доказана способность нейронных сетей идентифицировать ранее не­известные и априорно не задаваемые циклы колебаний показателей экономической активно­сти предприятия индустрии гостеприимства. Данная возможность нейросетевых моделей по­зволяет на основе одной и той же комплексной модели анализировать временные ряды с аб­солютно разной периодичностью. Кроме того, легко идентифицировать внутри одного и того

же ряда несколько циклов с разными периодами.

2. Исследовать общее положение гостиниц на рынке. Данный анализ, проведенный на основе показателей средней цены, загрузки и дохода на один номер, показал отсутствие кор­реляции между ценой и загрузкой на сегменте четыре звезды и обратную корреляцию на сегменте пять звезд. Взаимосвязь с доходом гостиницы не настолько проста, что для повы­шения дохода необходимо только повышать загрузку. Гостиницы сталкиваются с набором конкурирующих целей: манипулировать ценой или загрузкой, соотнося их с моделью спроса.

3. Построить нейроагент гостиничного предприятия с использованием стандартного

пакета нейросетевого моделирования. Данная задача была успешно решена в широкопользо­вательском пакете нейросетевого моделирования. Методология построения подробно рас­крыта на страницах диссертационного исследования.

4. Определить ситуации, в которые попадает гостиничное предприятие в процессе

своей деятельности с помощью нейросетевой кластеризации, и предложить методику интер­претации результатов нейросетевой кластеризации состояний предприятий индустрии госте­приимства через значения активационных функций и порогов.

В процессе анализа изучались четыре показателя деятельности ассоциации гостиниц: количество гостиничных номеров, общее количество посетителей, коэффициент загрузки и цена на гостиничный номер. Показатели носили как внутренний, так и внешний характер

На основе предложенной методологии построения нейроагентов в пакетах нейросете­вого моделирования общего назначения были построены прогнозы показателей с хорошими характеристиками, определены стандартные состояния гостиничных предприятий и спрогно­зированы возможные будущие состояния гостиниц.

Построенный нейроагент и проведенный с его помощью анализ описал как текущее состояние предприятия, так и динамику его изменения. Это позволило вскрыть ряд недостат­ков в управлении и дать практические рекомендации по исправлению сложившейся ситуа­ции с помощью стимуляции спроса. Их реализация потребует финансовых затрат, или сдер­живания объема предложения, что может быть сделано в виде договора между основными участниками рынка о неувеличении номерного фонда.

5. Осуществить нестандартный факторно-временной тип прогнозирования деятельно­сти предприятий индустрии гостеприимства, а также построить мультипеременный прогноз временных рядов, построение которого невозможно с использованием каких-либо других

средств.

6. Построить прогнозы хаотических рядов показателей деятельности ресторанного предприятия в составе гостиницы. На основе такого прогноза стало возможно более точно определить как количество гостей, блюд (расход продуктов, запасы), так и необходимое ко­личество персонала для обслуживания гостей. Особенностью данного прогноза стал случай­ный характер поведения одного из показателей. Из полученных результатов можно сделать вывод о том, что нейросетевые модели определяют зависимости, как минимум, не хуже тра­диционных моделей. Но самое важное — могут находить закономерности даже в рядах, ве­дущих себя как случайные колебания.

Список используемых терминов

Агент. Самостоятельная программная система, имеющая возможность принимать воздейст­вие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту ре­акцию.

Априорные вероятности. Задают пропорции классов в популяции (при классификации), особенно тогда, когда известно, что эти пропорции отличаются от пропорций в обучающем множестве. Используются для модификации обучения вероятностных нейронных сетей. Байесовы сети. Сети, чей принцип действия основан на теореме Байеса, позволяющей сде­лать выводы о распределении вероятностей на основании имеющихся данных.

Вероятностные нейронные сети (PNN). Вид нейронных сетей для задач классификации, где плотность вероятности принадлежности классам оценивается посредством ядерной ап­проксимации. Один из видов так называемых байесовых сетей.

Внешняя среда. Совокупность внешних по отношению к предприятию условий и институ­тов. Различают среду экономическую, политическую, социальную, технологическую и т.п.

Временные ряды. Последовательность измерений в последовательные моменты времени. Анализ временных рядов включает широкий спектр разведочных процедур и исследователь­ских методов, которые ставят две основные цели: (а) определение природы временного ряда и (6) прогнозирование. Обе эти цели требуют, чтобы модель ряда была идентифицирована и формально описана. Как только модель определена, можно с ее помощью интерпретировать рассматриваемые данные и, не обращая внимания на глубину понимания, можно экстрапо­лировать затем ряд на основе найденной модели, т е. предсказать его будущие значения. Генетический алгоритм отбора входных данных. Применение генетического алгоритма к нахождению оптимального набора входных переменных путем построения битовых масок, обозначающих, какие из переменных следует оставить на входе, а какие удалить. Случайным образом выбирается начальная популяция, азатем она подвергается процессу искусственных мутаций, скрещивания и отбора по аналогии с естественным отбором.

Горизонт. У нейронных сетей для анализа временных рядов — число шагов по времени, считая от последнего входного значения, на которое нужно спрогнозировать значения вы­ходной переменной

Данные. Отдельные факты, характеризующие объекты, процессы и явления предметной об­ласти, а также их свойства.

Диаграмма кластеров (для нейронных сетей). Точечная диаграмма, на которой наблюде­ния из разных классов представлены на плоскости. Координаты на плоскости соответствуют

выходным уровням некоторых элементов сети.

Добыча знаний (Data Mining). Совокупность методов аналитической обработки больших массивов данных (часто связанных с деловой активностью или рыночными показателями) с целью выявить в них значимые закономерности и/или систематические связи между пере­менными, которые затем можно применить к новым совокупностям данных. В методах до­бычи данных используются многие принципы и приемы, которые принято относить к

разведочному анализу данных.

Доверительные пределы. То же самое, что и доверительные интервалы. Применительно к нейронным сетям задают пороги принятия и отвержения, которые используются в задачах классификации при решении вопроса о том, относится ли данный выходной набор к кон­кретному классу. Используются в соответствии с типом функции преобразования выходной переменной (Один-из-N, Два значения, Кохонена и т.д.).

Знания. Хорошо структурированные данные или данные о данных, метаданные.

Интеллектуальный агент. Агент, который обладает рядом знаний о себе и окружающем

мире и поведение которого определяется этими знаниями.

Интерполяция. Восстановление значения функции в промежуточной точке по известным ее

значениям в соседних точках.

Классификация. Отнесение наблюдения к одному из нескольких, заранее известных клас­сов (представленных значениями номинальной выходной переменной).

Кластерный анализ. Метод, с помощью которого переменные группируются в соответствии с теснотой корреляции некоторых важных характеристик внутри группы.

Конъюнктура рынка. I. Конкретная экономическая ситуация, сложившаяся на рынке на данный момент или ограниченный отрезок времени. 2. Совокупность условий, определяю­щих рыночную ситуацию.

Кохонена сети. Нейронные сети, основанные на воспроизведении топологических свойств человеческого мозга. Известны также как самоорганизующиеся карты характеров (SOFM). Кросс-проверка. Применительно к нейросетям заключается в использовании во время ите­рационного обучения дополнительного множества данных (контрольного множества). Оно служит для независимой проверки способности нейросети обобщать информацию. Линейные элементы. Элементы, имеющие линейную пост-синаптическую (PSP) функцию. Уровень активации такого элемента представляет собой взвешенную сумму его входов, из которой вычитается пороговое значение — это называется также скалярным произведением или линейной комбинацией. Этот тип обычно используется в многослойных персептронах Несмотря на название, линейные элементы могут иметь нелинейные функции активации. Менеджмент. Совокупность принципов, методов и средств управления производством с це­лью повышения эффективности производства и увеличения прибыли.

Метод прогнозирования. Способ исследования объекта прогнозирования, направленный на разработку прогнозов.

Методика прогнозирования. Совокупность оригинальных правил использования приемов прогнозирования при разработке конкретного прогноза.

Многослойные персептроны. Нейронные сети с прямой передачей сигнала, линейными PSP-функциями и (как правило) нелинейными функциями активации

Модель. Упрощенное представление товара, операции или их отдельных сторон, используе­мое с целью снижения затрат и риска при изучении, диагностике, оптимизации объекта мо­

делирования.

ι

Нейроагент. Агент, реализованный на нейросетевых алгоритмах.

Нейрон, Элемент нейронной сети.

Нейронная сеть. Класс аналитических методов, построенных на гипотетических принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений после

прохождения этапа так называемого обучения на имеющихся данных.

Неуправляемое обучение (для нейронных сетей). Алгоритмы обучения, в которых на вход нейронной сети подаются данные, содержащие только значения входных переменных. Такие

алгоритмы предназначены для нахождения кластеров во входных данных.

Обобщение. Способность нейронной сети делать точный прогноз на данных, не принадле­жащих исходному обучающему множеству (но взятых из того же источника). Обычно это качество сети достигается разбиением имеющихся данных на три подмножества; первое из них используется для обучения сети, второе — для кросс-проверки алгоритма обучения во время его работы, и третье — для окончательного независимого тестирования.

Обобщенно-регрессионная нейронная сеть (GRNN). Вид нейронной сети, где для регрес­сии используются ядерная аппроксимация. Один из видов байесовых сетей.

Окрестность. В обучении по Кохонену -— квадрат, составленный из элементов сети, окру­жающих «выигравший» элемент, которые одновременно корректируются при обучении. Оперативная аналитическая обработка данных (OLAP). Технология, позволяющую

! пользователю, работающему с многомерными базами данных, в реальном времени получать

описательные или сравнительные срезы данных и ответы на другие аналитические запросы. Переобучение. При итерационном обучении — чрезмерно точная подгонка, которая начина­ет иметь место, если алгоритм обучения работает слишком долго (а сеть слишком сложна для такой задачи или для имеющегося объема данных).

I Планирование. Ориентированный в будущее систематический процесс принятия решений.

Порог. Это критическое значение (которое иногда выбирается произвольно), используемое для проверки выполнения особых условий или условий разделения точек. В нейросетях — значение, вычитаемое из взвешенной суммы в линейной PSP-функции для вычисления уров­ня активации. Для радиальных элементов порог интерпретируется как отклонение. Пост-сннаптнческая потенциальная функция (PSP) функция. Функция, которая приме-

* няется к входным сигналам элемента, его весам и порогам и выдает уровень активации этого

элемента.

Потенциал рынка. Прогнозная совокупность производственных и потребительских сил, обуславливающих спрос и предложение.

Предсказание. Достоверное, основан нео на логической последовательности суждений за­ключение о состоянии какого-либо объекта или процесса в будущем.

Предвидение. Опережающее отображение действительности, основанное на познании зако- I нов развития объекта или процесса.

I Прогноз. Вероятностное суждение о состоянии объекта в определенный момент времени в

будущем или об альтернативных путях достижения этого состояния.

»

Прогнозирование. Процесс формирования прогнозов развития на основе анализа тенденций

этого развития.

Прогнозирующая система. Совокупность методов прогнозирования и средств их реализа­ции, функционирующая в соответствии с основными принципами прогнозирования и обес­печивающая получение конкретного прогноза.

Промежуточные (скрытые) слои (для нейронных сетей). Все слои нейронной сети, кроме входного и выходного, придают сети способность моделировать нелинейные явления. Радиальные базисные функции. Вид нейронной сети, имеющий промежуточный слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно

і компактны и быстро обучаются.

Разведочный анализ данных. В отличие от традиционной проверки гипотез, предназначен­ной для проверки априорных предположений, касающихся связей между переменными, раз­ведочных анализ данных применяется для нахождения систематических связей между пере­менными в ситуациях, когда отсутствуют или имеются недостаточные априорные представ­ления о природе этих связей. Как правило, в нем учитывается и сравнивается большое число переменных, при этом для поиска закономерностей используются самые разные методы. Решение. Выбор одной из ряда альтернатив в процессе достижения поставленных целей.

Ситуация. Рыночная ситуация — конкретное состояние основных параметров рынка на ка­кой-то момент или их изменение за какой-то промежуток времени.

Стратегия. Набор правил для принятия решений. Поскольку ориентиры и стратегии выраба­тываются внутри предприятия, возникает иерархия: то, что на верхних уровнях управления

— элемент стратегии, на нижних превращается в ориентир.

Стратегическое управление. Такое управлени организацией, которое опирается на челове­ческий потенциал как основу организации, ориентирует производственную деятельность на запросы потребителей, осуществляет гибкое регулирование и своевременные изменения в организации, отвечающие вызову со стороны окружения и позволяющие добиваться конку­рентных преимуществ, что в совокупности в результате позволяет организации выживать и

достигать своей цели в долгосрочной перспективе.

Топологическая карта. Радиальный слой сети Кохонена, элементы которого располагаются на плоскости и обучаются таким образом, чтобы близкие кластеры данных соответствовали

соседним элементам слоя. Используется в кластерном анализе.

Управление. Целенаправленное информационное воздействие одной системы на другую с

целью изменения ее поведения в определеном направлении

Управление доходами. Набор техник прогнозирования спроса, используемый для определе­ния направления изменения цены и принятия/непринятия бронирования с целью максимиза­ции прибыли. Ценообразование — ключ к максимизации прибыльности. Увеличение брони­

рований в дни малого спроса и продажа номеров по более высокой цене в дни большого спроса приводит к увеличению прибыльности. YM — регулирование цен в ответ на измене­ние спроса

Управляемое обучение. Алгоритмы обучения, в которых на вход нейронной сети подаются

данные, содержащие известные значения выходных переменных, а корректировка весов сети

производится по результатам сравнения фактических выходных значений с целевыми. Функция активации нейронной сети. Функция, используемая для преобразования уровня активации нейрона в выходной сигнал. Обычно имеет «сжимающее» действие. Вместе с PSP- функцией, которая применяется сначала, определяет тип элемента сети.

Хранилища данных. Хранилище данных (data warehousing) — это организация хранения больших многомерных массивов данных в таком виде, который позволял бы легко извлекать информацию и использовать ее для анализа.

Частоты выигрышей. Для радиальных элементов сети Кохонена -—- число раз, когда эле­мент выигрывал при прогоне файла данных. Часто выигрывавшие элементы представляют центры кластеров на топологической карте.

Шаги (число), Временное окно. Число повторений некоторой аналитической или вычисли­тельной операции или процедуры. Например, в анализе временных рядов с помощью нейронных сетей — число шагов по времени, для которого следует взять значения входной переменной для подачи на вход нейронной сети.

Экстраполяция. Прогнозирование неизвестных значений путем продолжения функций за границы области известных значений.

Эпоха (для нейронных сетей). В итерационном обучении нейронной сети — один проход по всему обучающему множеству с последующей проверкой на контрольном множестве.