розподілу часток ринку. Нейромережеві технології дозволяють відшукувати в маркетингових базах даних приховані закономірності. p align="justify"> Моделювання поведінки клієнтів дозволяє визначити характеристики людей, які будуть потрібним чином реагувати на рекламу і здійснювати покупки певного товару або послуги.
Сегментування та моделювання ринків на основі нейромережевих технологій дає можливість побудови гнучких класифікаційних систем, здатних здійснювати сегментування ринків з урахуванням різноманіття чинників і особливостей кожного клієнта.
Технології штучних нейронних мереж мають хороші перспективи при вирішенні завдань імітації і пророкування поведінкових характеристик менеджерів і завдань прогнозування ризиків при видачі кредитів. Не менш актуальне застосування штучних нейронних мереж при виборі клієнтів для іпотечного кредитування, передбачення банкрутства клієнтів банку, визначення шахрайських угод при використанні кредитних карток, складання рейтингів клієнтів при позиках з фіксованими платежами і т.д.
Слід пам'ятати про те, що застосування нейромережевих технологій не завжди можливо і пов'язане з певними проблемами і недоліками.
. Необхідно як мінімум 50, а краще 100 спостережень для створення прийнятної моделі. Це досить велика кількість даних, і вони не завжди доступні. Наприклад, при виробництві сезонного товару історії попередніх сезонів недостатньо для прогнозу на поточний сезон через зміни стилю продукту, політики продажів і т.д. Навіть при прогнозуванні попиту на достатньо стабільний продукт на основі інформації про щомісячні продажі важко накопичити історичних даних за період від 50 до 100 місяців. Для сезонних товарів проблема ще складніша, оскільки кожен сезон фактично являє собою одне спостереження. При дефіциті інформації моделі штучних нейронних мереж будують в умовах неповних даних, а потім проводять їх послідовне уточнення. p align="justify">. Побудова нейронних мереж вимагає значних витрат праці і часу для отримання задовільною моделі. Необхідно враховувати, що зайво висока точність, отримана на навчальній вибірці, може обернутися нестійкістю результатів на тестовій вибірці - в цьому випадку відбувається В«перенавчанняВ» мережі. Чим краще система адаптована до конкретних умов, тим менше вона здатна до узагальнення та екстраполяції і тим скоріше може виявитися непрацездатною при зміні цих умов. Розширення обсягу навчальній вибірці дозволяє домогтися більшої стійкості, але за рахунок збільшення часу навчання.
. При навчанні нейронних мереж можуть виникати В«пасткиВ», пов'язані з попаданням в локальні мінімуми. Детермінований алгоритм навчання не в силах виявити глобальний екстремум або покинути локальний мінімум. Одним із прийомів, який дозволяє обходити В«пасткиВ», є розширення розмірно...
