Введение 4
Постановка задачи 6
1. Данные 7
1.1. Параметры окружающей среды 7
1.2. Параметры транспортной компании 8
1.3. Параметры транспортного средства 9
2. Обзор 11
3. Оптимизация функции 13
3.1. Выбор алгоритма 13
3.2. CMA-ES 15
4. Кастомизация посредством моделирования 19
5. Эксперименты 20
6. Заключение 23
Список литературы 24
Продуктовая кастомизация - это процесс, позволяющий предоставить клиенту наилучшее индивидуальное предложение в пределах имеющихся возможностей. На основе одного и того же продукта можно сформировать большой диапазон совершенно различных предложений с разными свойствами, что делает этот процесс значимым для конечного потребителя.
Экспертная оценка становится невозможной даже на небольших при-мерах: продукт с 10 параметрами, каждый из которых изменяется в 3 возможных значениях, имеет более 59 тысяч конечных версий.
Кроме того, определение свойств может проводиться как с заранее сформированными опциями и их комбинациями, так и на этапе проектирования, когда для отобранных групп пользователей необходимо сформировать наиболее подходящие значения параметров продукта. В данном случае количество вариантов несоизмеримо возрастает, так как характеристики из дискретных величин превращаются в непрерывные.
В продуктах для частного (Business-to-Consumer, b2c) использования имеют значение неизмеримые факторы, такие как статус приобретаемого бренда или эмоции, получаемые при использовании. В коммерческом секторе (Business-to-Business, b2b) эти аспекты исключаются, и решение о покупке принимается, исходя из эффективности продукта. Такой подход диктуется рынком: неэффективные компании не выживают.
Сегодняшние рекомендательные системы используют один и тот же подход к b2c и к b2b сегментам рынка, в то время как в одном секторе ключевым факторам принятия решения являются эмоции, а в другом - экономическая целесообразность. Кроме того, они не принимают во внимание индивидуальные особенности: рекомендация формируется в результате сопоставления клиента с группой других клиентов или продукта с группой других продуктов. Никакого персонального предложения здесь быть не может.
Я предлагаю формировать индивидуальное предложение, непосредственно исходя из деятельности компании-клиента. Рассмотрим процесс эксплуатации продукта как сложную функцию, значением которой является себестоимость.
Для этого выделим настраиваемые параметры продукта, независящие от нас параметры среды эксплуатации и поток задач, для решения которых создаётся продукт. Также выберем ключевой показатель эффективности (чаще всего им будет себестоимость или прибыль). Всё это позволит нам создать модель бизнес-процессов, которую можно рас-сматривать как сложную функцию (black box function). Её значением станет выбранный ранее показатель эффективности. Тогда наиболее подходящий для клиента продукт будет находиться в точке экстремума построенной функции.
Для подобных функций, не заданных аналитически, существует целый ряд алгоритмов оптимизации. Поскольку в реальности время, от-ведённое на решение, строго ограничено, критерием выбора станет максимальная точность результата, достижимого за ограниченное количество итераций.
Данный подход к продуктовой кастомизации может быть применён к любому коммерческому продукту, но в данном исследовании я рас-смотрю малотоннажный грузовой транспорт (Light Commercial Vehicles) и одну из крупнейших транспортных компаний в России. На реальных данных о её деятельности будут сформированы рекомендации по под-бору оптимальных транспортных средств.
Постановка задачи
Цель данной работы — сформировать подход к кастомизации и применить его для решения задачи подбора оптимального малотоннажного транспортного средства.
Для достижения этой цели в рамках данной работы были сформулированы следующие задачи:
• сформировать подход к кастомизации,
• выбрать алгоритм для решения подзадачи оптимизации,
• применить результаты исследования при подборе оптимального транспортного средства.
Итак, в настоящей работе была сформирована методика решения актуальной на сегодняшний день задачи кастомизации. Описанный мной подход имеет следующие преимущества перед рекомендательными системами:
• Индивидуальный результат. Рекомендательные системы предлагают то, что подошло клиентам со схожей деятельностью. Моё решение предлагает то, что оптимально подходит для данного конкретного клиента и его уникальной деятельности.
• Быстрый старт. Может быть большой диапазон различных активностей, отличающиеся по множеству параметров, в том числе не описанных явно. Нынешним рекомендательным системам необходимо накопить базу знаний для начала работы. Моему решению - только получить параметры деятельности компании-клиента.
• Возможность работать с непрерывными параметрами. Большинство рекомендательных систем работают с дискретными наборами значений.
Кроме того, в данной работе описан способ выбора наиболее подходящего алгоритма решения подзадачи оптимизации функции - «чёрного ящика».
Важным результатом стало применение подхода на реальных данных крупнейшей в России логистической компании EMS Russian Post, для неё я сконфигурировал и отранжировал оптимальные версии малотоннажных грузовых автомобилей. Это стало возможным благодаря появлению критерия выбора наиболее экономически выгодных конфигураций автомобилей для транспортных компаний, исходя из данных об их бизнес-процессах.
