ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ НЕЧЕТКОЙ ЛОГИКИ ПРИ ОЦЕНКЕ ЭФФЕКТИВНОСТИ ВЗАИМОДЕЙСТВИЯ С КЛИЕНТАМИ

USE OF FUZZY LOGIC ALGORITHMS IN ASSESSING THE EFFECTIVENESS OF INTERACTION WITH CUSTOMERS

Daniil Abrashin

PhD student, ITMO University, Russia, Saint Petersburg

Аннотация. Целью работы является изучение возможности применения нечетких множеств к анализу эффективности взаимодействия с потребителями в студенческих стартапах. В исследовании использован метод построения функций принадлежности трапецеидального вида для формирования нечетких чисел. В результате получена система оценки, которая позволяет оценить результаты взаимодействия с потребителем на основе анализа лингвистических переменных. Сделан вывод о возможности дальнейшего применения нечеткой логики для повышения эффективности управления студенческих стартапов.

Abstract. The purpose of the work is to study the possibility of applying fuzzy sets to analyze the effectiveness of interaction with consumers in student startups. The study utilizes the method of constructing trapezoidal type membership functions to form fuzzy numbers. As a result, an evaluation system is obtained which allows to evaluate the results of consumer interaction based on the analysis of linguistic variables. It is concluded that it is possible to further apply fuzzy logic to improve the management efficiency of student startups.

Ключевые слова: нечеткая логика; нечеткие множества; студенческий стартап; система поддержки принятия решений; управление проектом.

Keywords: fuzzy logic; fuzzy sets; student startup; decision support system; project management.

Генерация и внедрение инноваций является одной из важнейших задач для развития экономики и общества в целом. Инновации обеспечивают увеличение производительности, появление новых рынков и совершенствование текущих процессов производства и управления, рост конкурентоспособности, создание новых рабочих мест и улучшение качества жизни.

В современном мире растет роль университетов в генерации инноваций[3]. Молодые ученые стремятся коммерциализировать результаты своей работы, что приводит к активному росту студенческих стартапов и вовлечению все большего числа студентов в инновационную деятельность[5]. К сожалению, нехватка опыта у руководителей и ориентация большинства бизнес-инструментов на работу с типовыми моделями ведения хозяйственной деятельности приводит к проблемам в студенческих проектах: от неверного расчета ресурсов и срыва срока работ – до полного закрытия проектов[4].

Создание системы поддержки принятия решений(СППР), которая была бы направлена непосредственно на студенческие инновационные проекты и обладала бы достаточной простотой для использования не имеющими опыта студентами, способно уменьшить влияние описанных выше проблем и увеличить количество успешных стартапов.

Очевидно, что любой проект может быть оценен по нескольким группам показателей. В случае со студенческими инновационными проектами к таким показателям можно отнести: инвестиционную привлекательность, рыночный потенциал, оценку ресурсов и команды проекта, маркетинг и взаимодействие с потребителями. Последний критерий заслуживает особого внимания, поскольку позволяет оценить результативность проекта в разрезе взаимодействия с потребителем и корректировать план действий руководства в зависимости от проблемных зон, где возникают наибольшие издержки или потери потенциальных покупателей.

Поскольку не всегда возможно однозначно оценить и спрогнозировать поведение потребителя, для работы с данными можно использовать алгоритмы нечеткой логики. Нечеткая логика (fuzzy logic) подразумевает, что у исследуемых показателей могут быть не только строго заданные значения 0 или 1, но и промежуточные между ними. На основании этих значений формируются нечеткие числа - нечеткие подмножества, описывающие приблизительные состояния изучаемой переменной. Такие значения хорошо подходят для анализа лингвистических переменных. Если представить, что эти числа расположены на отрезке [0,1] (01-носитель) и имеется 3 варианта значений оценки показателя, то нечеткие числа в данном случае могут быть описаны системой уравнений по формулам 1-3[2]:

                                                                                       (1)

                                                                                     (2)

                                                                                    (3)

Если представить данные уравнения на графике, то можно выделить узловые точки a_j = (0,1; 0,5; 0,9) которые являются абсциссами максимумов соответствующих функций принадлежности на 01-носителе и симметричны относительно узла 0,5.

Если существует набор из i=1..N отдельных факторов со своими текущими значениями x_i, и каждому фактору сопоставлен свой трехуровневый классификатор, то можно перейти от набора отдельных факторов к единому агрегированному фактору A_N, значение которого можно распознать впоследствии с помощью стандартного классификатора. Количественное же значение агрегированного фактора определяется по формуле двойной свёртки[1]:

,                                                                                          (4)

где a_j – узловые точки стандартного классификатора;

p_i – вес i-го факторов в свёртке;

_ij (x_i) – значение функции принадлежности j-го качественного уровня относительно текущего значения i-го фактора.

В дальнейшем на основе представленного выше алгоритма возможна оценка проблемных зон работы с клиентами для их последующего улучшения.