Тип работы:
Предмет:
Язык работы:


ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ С ЦЕЛЬЮ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ ОРГАНИЗАЦИИ (НА ПРИМЕРЕ ООО «СПЕКТР»)

Работа №89646

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы71
Год сдачи2020
Стоимость4600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
215
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
1 ОСНОВЫ МАШИННОГО ОБУЧЕНИЯ И ЕГО ПРИМЕНЕНИЕ В МАРКЕТИНГЕ 6
1.1 Принципы и теоретические понятия машинного обучения 6
1.2 Приложения методов машинного обучения в маркетинговой деятельности 14
1.3 Решение задач классификации с помощью методов машинного обучения 21
2 АНАЛИЗ ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ООО «СПЕКТР» 29
2.1 Общая характеристика ООО «Спектр» 29
2.2 Финансово-экономический анализ деятельности организации 36
2.3 Моделирование и анализ бизнес-процессов организации 42
3 РАЗРАБОТКА ПРОГРАММНОГО ПРОДУКТА ДЛЯ ООО «СПЕКТР» 49
3.1 Сбор и подготовка данных, построение и оценка модели машинного обучения . 49
3.2 Взаимодействие пользователя с программным продуктом 54
3.3 Оценка эффективности от внедрения программного продукта 56
ЗАКЛЮЧЕНИЕ 61
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 63
ПРИЛОЖЕНИЕ 69


Современные предприятия уже невозможно представить без использования информационных технологий. Более того, с каждым годом происходит увеличение количества и уровня сложности задач, решаемых с помощью 1Т. Использование предприятиями технологий машинного обучения стало важнейшей вехой для их развития в целом, так как это позволило выйти на совершенно иной уровень эффективности.
Особой популярностью машинное обучение пользуется при решении маркетинговых задач, так как эти задачи требуют сбора и анализа больших объёмов данных, скорость обработки которых у компьютера гораздо выше, чем у человека.
Начальной точкой широкомасштабного применения технологий машинного обучения в маркетинге можно считать 2015 год, именно в это время компания Google представила миру свой алгоритм поиска «КапкВгаш». Данный факт свидетельствует об актуальности практического использования рассматриваемой технологии. Ключевой особенностью при этом является постепенное расширение её доступности среди представителей среднего и малого бизнеса.
В проведённом исследовании рассматриваются масштабы уже оказанного влияния технологий машинного обучения на маркетинговую индустрию. А также приводятся рассуждения о возможных траекториях развития данной технологии.
Объектом исследования выступает общество с ограниченной ответственностью «Спектр» (далее ООО «Спектр»).
Предмет исследования - маркетинговая деятельность организации.
Целью выпускной квалификационной работы является повышение эффективности маркетинговой деятельности организации на основе разработки и внедрения программного продукта, позволяющего выявлять потенциальных клиентов.
Для достижения поставленной цели необходимо решить следующие задачи:
1) исследовать возможности применения технологий машинного обучения при решении маркетинговых задач;
2) провести финансово-экономический анализ деятельности организации;
3) построить и описать модель бизнес-процессов ООО «Спектр», в том числе, смоделировать деятельность маркетингового отдела, ввести метрику процесса и выявить его узкие места;
4) обозначить проблемные места организации и сформулировать рекомендации по их устранению;
5) спроектировать и реализовать программный продукт, включающий в себя модель машинного обучения;
6) рассчитать экономический эффект от внедрения в организацию разработанного решения.
Практическая значимость выпускной квалификационной работы заключается в возможности использования разработанного программного продукта специалистами отдела маркетинга ООО «Спектр» для выявления потенциальных клиентов.
Методологическую и информационную базу исследования составили научные работы и книги отечественных и зарубежных авторов, электронные ресурсы, статистические данные, словари, справочники, специализированные издания, внутренние документы организации.
Работа состоит из введения, трёх глав, заключения, списка использованных источников и литературы, состоящего из 60 наименований, приложения.
Во введении приводится обоснование выбора темы, практическая значимость разработанного решения, формулируются цели и задачи исследования.
В первой главе рассматриваются теоретические основы машинного обучения, приводится классификация основных задач, акцентируется внимание на актуальности использования машинного обучения в маркетинговой деятельности. Также, особое внимание уделяется задаче классификации и способам оценки качества обученных моделей.
Во второй главе описывается специфика деятельности ООО «Спектр», организационная структура, 1Т-инфраструктура и цели организации. Также приводится её финансовый анализ и модель основных бизнес-процессов.
В третьей главе приводится описание этапов создания программного продукта, в том числе, этапа сбора и обработки данных, этапа построения и оценки модели и этапа внедрения модели в программный продукт. Рассматривается алгоритм работы с приложением для конечного пользователя. Также в данной главе представлена оценка эффективности внедрения предложенного решения.
В заключении подводятся и анализируются итоги проведённого исследования. Выделяются особенности работы и перспективы практического применения.
В приложении содержатся более подробные материалы исследования.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Целью выполнения настоящей работы является повышение эффективности маркетинговой деятельности ООО «Спектр» на основании разработки и внедрения программного продукта, позволяющего выявлять потенциальных клиентов.
Для достижения цели были выполнены следующие задачи:
1. Исследовать возможности применения технологий машинного обучения при решении маркетинговых задач
В ходе работы были рассмотрены теоретические основы машинного обучения, в том числе, изучены те виды задач, которые возможно решить с его помощью. Также были проанализированы реальные примеры практического использования методов машинного обучения в маркетинговой деятельности, выявлены тенденции к расширению доступности МЕ-технологий для предприятий среднего и малого бизнеса.
2. Провести финансово-экономический анализ деятельности организации
При решении данной задачи были изучены документы финансовой отчётности организации, проанализирована динамика таких показателей как: чистая прибыль (убыток), выручка, себестоимость продаж, доходы от работ по монтажу систем пожарной сигнализации, количество монтажных проектов, доходы от технического обслуживания систем пожарной сигнализации и количество обслуживаемых клиентов.
3. Построить модель бизнес-процессов ООО «Спектр»
Рассмотрены ключевые бизнес-процессы организации, подробно исследована деятельность маркетингового отдела, введена метрика для оценки эффективности решаемых задач в рамках деятельности отдела.
4. Выявить проблемы, существующие в организации
В ходе решения данной задачи была определена ключевая проблема организации - снижение прибыли, которая связанно с сокращением числа привлекаемых клиентов. Таким образом, было предложено разработать и внедрить программный продукт, позволяющий повысить эффективность маркетинговой деятельности организации.
5. Спроектировать и реализовать программный продукт
Для решения данной задачи были определены функциональные требования к разрабатываемому программному продукту, выбраны средства для реализации модели машинного обучения, а также собраны и подготовлены данные для обучения. Реализация программного продукта осуществлена на языке программирования C Sharp, с помощью подключения специализированной библиотеке ML. NET и WPF-технологии .
6. Рассчитать экономический эффект от внедрения разработанного решения.
Определены результаты внедрения программного продукта, приведены рекомендации по его развитию и совершенствованию, спрогнозированы ожидаемые эффекты.
Результатом выпускной квалификационной работы является программный продукт, используемый специалистами отдела маркетинга ООО «Спектр» с целью выявления потенциальных клиентов.


1. Brink, H. Real-World Machine Learning / H. Brink, J. Richards, M. Fetherolf. - New York : Manning Publications, 2016. - 264 p.
2. Dubina, I. N. Managing creativity: theoretical approaches to employees creativity development and regulation / I. N. Dubina // Int. Journal of Management Concepts and Philosophy. - 2005. - Vol. 1. - № 4. - pp. 334-349.
3. Dubina, I. N. Measurement in creativity management: why and how to measure intangibles / I. N. Dubina // International Journal of Knowledge, Culture and Change Management. - 2006. - Vol. 6. - № 6. - pp. 149-155.
4. Dubina, I. N. Optimising creativity management: problems and principles / I. N. Dubina // Int. Journal of Management and Decision Making. - 2006. - Vol. 7. - № 6. - pp. 677-691.
5. Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. - London : MIT Press, 2017. - 800 p.
6. Goyal, S. Machine learning models for predicting shelf life of processed cheese / S. Goyal, G. Goyal // International Journal of Open Information Technologies. - 2013. - №7.
7. Svistova, S. F. Analysing cooking recipes with machine learning / S. F. Svistova // МНИЖ. - 2018. - №8 (74).
8. Анализ качества бинарной классификации веб-страниц методом опорных векторов / С. В. Волошин, А. Л. Царегородцев, Е. А. Карташев, В. В. Славский // Известия АлтГУ. - 2017. - №4 (96).
9. Бонцанини, М. Анализ социальных медиа на Python. Извлекайте и анализируйте данные из всех уголков социальной паутины на Python / М. Бонцанини; перевод с английского А. В. Логунова. - Москва : ДМК Пресс,
2018. - 288 с.
10. Виссер, Д. Разработка обслуживаемых программ на языке C# : руководство / Д. Виссер; перевод с английского Р. Н. Рагимова. - Москва : ДМК Пресс,
2017. - 192 с.
11. Выявление личностных черт у пользователей социальной сети вконтакте / М. А. Станкевич, Н. А. Игнатьев, И. В. Смирнов, Н. В. Кисельникова // Вопросы кибербезопасности. - 2019. - №4 (32).
12. Гайдышев, И. П. Оценка качества бинарных классификаторов // Вестник ОмГУ. 2016. №1 (79). URL: https://cyberleninka.ru/article/n/otsenka-kachestva- binarnyh-klassifikatorov (дата обращения: 18.05.2020).
13. Ганегедара, Т. Обработка естественного языка с TensorFlow : руководство / Т. Ганегедара ; перевод с английского В. С. Яценкова. - Москва : ДМК Пресс, 2020. - 382 с.
14. Годин, А.М. Маркетинг: учебник / А. М. Годин. - 12-е изд. - Москва : Дашков и К, 2017. - 656 с.
15. Гольдберг, Й. Нейросетевые методы в обработке естественного языка : руководство / Й. Гольдберг ; перевод с английского А. А. Слинкина. - Москва : ДМК Пресс, 2019. - 282 с.
16. Груздев А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес : руководство / А. В. Груздев. - Москва : ДМК Пресс, 2018. - 642 с.
17. Гусев, М. А. Метод бинарной классификации многомерных объектов / М. А. Гусев // Cloud of science. - 2019. - №4.
18. Дауни, А. Б. Байесовские модели / А. Б. Дауни; перевод с английского В. А. Яроцкого. - Москва : ДМК Пресс, 2018. - 182 с.
19. Долганова, О. И. Моделирование бизнес-процессов : учебник и практикум для академического бакалавриата / О. И. Долганова, Е. В. Виноградова, А. М. Лобанова; под редакцией О. И. Долгановой. - Москва : Издательство Юрайт,
2019. - 289 с.
20. Дубина, И. Н. Управление творчеством персонала в условиях инновационной экономики. - Москва : Academia, 2009. - 376 с.
21. Душкин, Р. В. Искусственный интеллект / Р. В. Душкин. - Москва : ДМК Пресс, 2019. - 280 с.
22. Забашта, А. С. Построения наборов данных для задачи бинарной классификации по их характеристическому описанию / А. С. Забашта, А. А. Фильченко // Научно-технический вестник информационных технологий, механики и оптики. - 2017. - №3.
23. Зараменских, Е. П. Архитектура предприятия : учебник для вузов / Е. П. Зараменских, Д. В. Кудрявцев, М. Ю. Арзуманян. - Москва : Издательство Юрайт, 2020. - 410 с.
24. Идеи машинного обучения : учебное пособие / (Ш. Шалев-Шварц, Ш. Бен-Давид; перевод с английского А. А. Слинкина) // Д. А. Мовчан. - Москва : ДМК Пресс, 2019. - 436 с.
25. Казанский, А. А. Программирование на Visual C# : учебное пособие для вузов / А. А. Казанский. - 2-е изд., перераб. и доп. - Москва : Издательство Юрайт, 2020. - 298 с.
26. Каменнова, М. С. Моделирование бизнес-процессов. В 2 ч. Часть 1 : учебник и практикум для вузов / М. С. Каменнова, В. В. Крохин, И. В. Машков. - Москва : Издательство Юрайт, 2020. - 282 с.
27. Каменнова, М. С. Моделирование бизнес-процессов. В 2 ч. Часть 2 : учебник и практикум для вузов / М. С. Каменнова, В. В. Крохин, И. В. Машков. - Москва : Издательство Юрайт, 2020. - 228 с.
28. Карасев, А. П. Маркетинговые исследования и ситуационный анализ : учебник и практикум для вузов / А. П. Карасев. - 2-е изд., перераб. и доп. - Москва : Издательство Юрайт, 2020. - 315 с.
29. Касьяненко, Т. Г. Анализ и оценка рисков в бизнесе: учебник и практикум для среднего профессионального образования / Т. Г. Касьяненко, Г. А. Маховикова. - 2-е изд., перераб. И доп. - Москва : Издательство Юрайт,
2020. - 381 с.
30. Клячкин, В. Н. Выбор метода бинарной классификации при технической диагностике с применением машинного обучения / В. Н. Клячкин, Ю. Е. Кувайскова, Д. А. Жуков // Известия Самарского научного центра РАН. -
2018. - №4-3.
31. Колесников, В. Д. Построение модели прогнозирования оттока сотрудников / В. Д. Колесников // Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. - 2019. - №1.
32. Конкурентные преимущества современной фирмы : учебное пособие / И. А. Меркулина. - Москва : Дашков и К, 2017. - 123 с.
33. Коэльо, Л. П. Построение систем машинного обучения на языке Python / Л. П. Коэльо, В. Ричарт ; перевод с английского А. А. Слинкин. - 2-е изд. - Москва : ДМК Пресс, 2016. - 302 с.
34. Кремер, Н. Ш. Теория вероятностей и математическая статистика : учебник и практикум для вузов / Н. Ш. Кремер. - 5-е изд., перераб. и доп. - Москва : Издательство Юрайт, 2020. - 538 с.
35. Лебедев, Б. К. Муравьиный алгоритм построения бинарного дерева решений / Б. К. Лебедев, О. Б. Лебедев, Е. М. Лебедева // Известия ЮФУ. Технические науки. - 2016. - №7 (180).
36. Маркетинг в отраслях и сферах деятельности : учебник / А. Л. Абаев [и др.]. - Москва : Дашков и К, 2019. - 433 с.
37. Маркетинговый анализ: инструментарий и кейсы : учебное пособие / под редакцией Л. С. Латышковой. - Москва : Дашков и К, 2018. - 142 с.
38. Мартин, О. Байесовский анализ на Python : руководство / О. Мартин ; перевод с английского А. В. Снастина. - Москва : ДМК Пресс, 2020. - 340 с.
39. Моделирование процессов и систем : учебник и практикум для вузов / Е. В. Стельмашонок [ и др.]. - Москва : Издательство Юрайт, 2020. - 289 с.
40. Нишит, П. Искусственный интеллект для . NET: речь, язык и поиск. Конструирование умных приложений с использованием Microsoft Cognitive Services APIs / П. Нишит; перевод с английского А. В. Логунова. - Москва : ДМК Пресс, 2018. - 298 с.
41. Овсянников, А. А. Современный маркетинг. В 2 ч. Часть 1 : учебник и
практикум для вузов / А. А. Овсянников. - Москва : Издательство Юрайт, 2020. - 376 с.
42. Овсянников, А. А. Современный маркетинг. В 2 ч. Часть 2 : учебник и практикум для вузов / А. А. Овсянников. - Москва : Издательство Юрайт, 2020. - 219 с.
43. Подбельский, В.В. Язык декларативного программирования XAML / В. В. Подбельский. - Москва : ДМК Пресс, 2018. - 336 с.
44. Порядин, И. А. Метод бинарной классификации пользователей социальных сетей / И.А. Порядин, Е. В. Смирнова // Машиностроение и компьютерные технологии. - 2017. - №2.
45. Рашка, С. Python и машинное обучение: руководство / С. Рашка; перевод с английского А. В. Логунова. - Москва : ДМК Пресс, 2017. - 418 с.
46. Реброва, Н. П. Стратегический маркетинг : учебник и практикум для вузов / Н. П. Реброва. - Москва : Издательство Юрайт, 2020. - 186 с.
47. Розанова, Н. М. Конкурентные стратегии современной фирмы : учебник и практикум для вузов / Н. М. Розанова. - Москва : Издательство Юрайт, 2020. - 343 с.
48. Спиридонова, Е. А. Оценка стоимости бизнеса : учебник и практикум для вузов / Е. А. Спиридонова. - 2-е изд., перераб. и доп. - Москва : Издательство Юрайт, 2020. - 317 с.
49. Теория организации. Организация производства : учебное пособие / (А. П. Агарков, Р. С. Голов, А. М. Голиков) // под редакцией А. П. Агаркова. - Москва : Дашков и К, 2017. - 272 с.
50. Титова, А. Ю. Разработка модели анализа сложных данных на основе классификации machine learning / А. Ю. Титова, Д. Е. Иванов // Вестник НТУ ХПИ. - 2018. - №42 (1318).
51. Федоров, Д. Ю. Программирование на языке высокого уровня Python : учебное пособие для вузов / Д. Ю. Федоров. - 2-е изд., перераб. и доп. - Москва : Издательство Юрайт, 2020. - 161 с.
52. Ходашевский, И. А. Отбор признаков для нечеткого классификатора с использованием алгоритма паукообразных обезъян / И. А. Ходашевский, М.
М. Немирович-Данченко, С. С. Самсонов // Бизнес-информатика. - 2019. - №2.
53. Хултен, Д. Разработка интеллектуальных систем : руководство / Д. Хултен; перевод с английского В. С. Яценкова. - Москва : ДМК Пресс, 2019. - 284 с.
54. Чекмарев, А. В. Управление ИТ-проектами и процессами : учебник для вузов / А. В. Чекмарев. - Москва : Издательство Юрайт, 2020. - 228 с.
55. Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти ; перевод с английского А. В. Логунова. - Москва : ДМК Пресс, 2018. - 358 с.
56. Юре, Л. Анализ больших наборов данных / Л. Юре, Р. Ананд, Д. У. Джеффри; перевод с английского А. А. Слинкин. - Москва : ДМК Пресс, 2016. - 498 с.
57. Документация Microsoft. Начало работы с WPF [Электронный ресурс]. - URL: https://docs.microsoft.com/ru-ru/visualstudio/designers/getting-started-with- wpf?view=vs-2019 (дата обращения: 15.05.2020).
58. Документация Microsoft. Руководство по ML.NET [Электронный ресурс]. -
URL : https://docs.microsoft.com/ru-ru/dotnet/machine-learning/automate-
training-with-model-builder (дата обращения : 12.05.2020).
59. Документация Microsoft. Руководство по языку C# [Электронный ресурс]. -
URL: https://docs.microsoft.com/ru-ru/dotnet/csharp/tour-of-csharp/ (дата
обращения: 13.05.2020).
60. Университет ИТМО. Оценка качества в задачах классификации
[Электронный ресурс]. - URL :
http://neerc.ifmo.ru/wiki/index.php?title=%D0%9E%D1%86%D0%B5%D0%BD %D0%BA%D0%B0_%D0%BA%D0%B0%D1%87%D0%B5%D1 %81 %D1 %82 %D0%B2%D0%B0_%D0%B2_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87 %D0%B0%D1 %85_%D0%BA%D0%BB%D0%B0%D1 %81 %D1 %81 %D0%B8 %D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D0%B8 (дата
обращения:13.05.2020).


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ