На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


реферат Дерево решений

Информация:

Тип работы: реферат. Добавлен: 08.07.2012. Сдан: 2010. Страниц: 3. Уникальность по antiplagiat.ru: < 30%

Описание (план):


     Введение
     Своевременная разработка и принятие правильного  решения — главные задачи работы управленческого персонала любой  организации. Непродуманное решение  может обойтись компании в значительную сумму материальных средств. На практике результат одного решения влечет за собой принятие следующего решения ,таким образом все решения  так или иначе связаны между  собой.. Когда нужно принять несколько  решений в условиях неопределенности, когда каждое решение зависит  от исхода предыдущего решения или  исходов испытаний, то применяют  схему, называемую деревом решений.
     Задачей моей работы является  раскрытие  понятия «Дерево решений». Передо мной стоят цели изучения способов построения дерева решений при помощи компьютерных программ,а также оценка эффективности данного способа принятий решений.
 

     
     Дерево  решений. Необходимость  оптимизации затрат
     Дерево  решений — это графическое  изображение процесса принятия решений, в котором отражены альтернативные решения, альтернативные состояния  среды, соответствующие вероятности  и выигрыши для любых комбинаций альтернатив и состояний среды.
     Любая организация рано или поздно сталкивается с необходимостью оптимизации затрат на продажи и маркетинг. Ключевым элементом этой оптимизации являются знания о каждом клиенте и его  потребностях, позволяющие получать максимальную отдачу от клиентов. Понятно, что в идеале лучше всего работать с каждым клиентом (или потенциальным  клиентом) индивидуально –узнать  о его потребностях, рассмотреть  вместе с ним возможные варианты их удовлетворения и предложить наиболее выгодное решение. Только в этом случае мы могли бы быть уверены, что каждый клиент получает от нас то, что ему  необходимо, что он доволен нашими товарами или услугами и будет  впредь их покупать. Однако, для подавляющего большинства товаров и услуг, продаваемых в современном мире, использование лишь индивидуального  общения с клиентом заведомо неэффективно или невозможно. Затраты на индивидуальное общение с каждым клиентом оказываются  запредельно высокими. Например, затраты  на создание для каждого клиента  уникального торгового предложения, чаще всего, окажутся выше, чем отдача от клиентов, которые захотят этими  предложениями воспользоваться. Таким  образом, индивидуальная работа, несмотря на всю ее кажущуюся привлекательность, представляет собой недостижимый идеал. [2]
     Однако  бросаться в другую крайность  и обращаться с предложениями  ко всем клиентам одновременно тоже нерационально. Например, если предлагать всем клиентам без исключения услугу, которая по своей природе предназначена  для людей старшего возраста, то существенная часть затраченных  усилий пропадет даром. Клиент не будет  покупать товар или услугу, если она ему не нужна. Более того, у  него может создаться негативная установка по поводу того, что ему предлагают совершенно ненужные товары или услуги. Поэтому не нацеленные предложения – верный способ потерять клиентов. Истина, как это часто бывает, находится где-то между двумя этими крайними подходами. Золотая середина заключается в целенаправленной работе с несколькими наиболее выгодными или перспективными группами клиентов. Это означает, что товары или услуги предлагаются не всем потенциальным клиентам, а только тем группам клиентов, которые действительно могут быть в них заинтересованы. Самая рациональная стратегия, избираемая абсолютным большинством компаний, – сегментация клиентов и потенциальных клиентов, которая позволяет идентифицировать наиболее выгодные и перспективные группы клиентов и нацеливать маркетинговые программы, предложения, разработку новых товаров и услуг на эти группы. Итак, сегментация – это выделение наиболее выгодных или перспективных групп клиентов для целенаправленной работы с ними. Основная польза от грамотно проведенной сегментации заключается в том, что компания может позволить себе не тратить огромные средства на "стрельбу по площадям", обращаясь ко всем возможным клиентам, а "наносить точечные удары" по заранее определенным и ясным целевым группам, затрачивая гораздо меньше ресурсов.
       Само собой разумеется, что для  идентификации сегментов необходимо  использовать знания о бизнесе  и интуицию. Именно они позволяют  проводить сегментацию осмысленно. Однако, чтобы сегментация не  ограничивалась выделением только  лишь крупных и очевидных сегментов,  помимо знаний о бизнесе и  интуиции для сегментации необходимо  использовать данные о клиентах, рынке и конкурентах. Такими  данными могут быть, например, данные  опросов или база данных клиентов. А чтобы в имеющихся данных  можно было бы быстро и без  лишних усилий разглядеть наиболее  прибыльные и перспективные сегменты  клиентов, неразличимые на интуитивном,  умозрительном уровне, необходимы  специальные аналитические инструменты.  Таким инструментом  является AnswerTree, программное обеспечение компании SPSS, позволяющее использовать специальную технологию сегментации, называемую деревья решений, в сочетании со знаниями о бизнесе и интуицией для обнаружения наиболее прибыльных и перспективных сегментов клиентов. Так же эффективен способ построения дерева решений в MS Excel[3]
 

 

     Построение  дерева решений с  AnswerTree
     1)Первый этап построения – открытие данных. При запуске программа предлагает выбрать тип источника данных.Очень удобно то, что при решении бизнес-задачи нет необходимости переводить данные в специфический формат. Если, например, данные находятся в корпоративной базе данных, можно использовать эту базу в качестве источника данных для AnswerTree.
     2) После того, как данные выбраны,  открывается Конструктор построения  дерева решений. На первом его  шаге выбирается один из четырех  методов построения дерева –СHAID, Exhaustive CHAID, C&RT или QUEST. Необходимость в различных методах обуславливается типом используемых данных и другими факторами. (рис.1)
     CHAID. Это наиболее известный  метод построения  деревьев решений,  в котором для  получения оптимального  разбиения используется  критерий связи  между категориальными  переменными хи-квадрат  (вс лучае, если  целевая переменная  является количественной, используется F-критерий). Исходно-целевая  переменная и переменные-предикторы  могут быть как  количественными,  так и категориальными,  однако количественные  переменные-предикторы  при построении  дерева преобразуются  в категориальные (количеством  категорий можно  управлять).
     Exhaustive CHAID. Данный метод  представляет собой  модификацию метода CHAID. Его преимуществом  является то, что  в процессе построения  дерева анализируется  большее количество  возможных разбиений,  а недостатком  – более медленная  скорость работы. Этот метод накладывает  на типы целевой  переменной и переменных-предикторов  те же ограничения,  что и метод  CHAID.
     C&RT. Метод, известный  также как «метод  построения деревьев  регрессии и классификации». В отличие от  двух описанных  выше методов,  основан не на  статистических критериях,  а на уменьшении  неоднородности сегментов (узлов). Хорошо работает в том случае, если все переменные в анализе являются количественными. В методе могут быть использованы как количественные, так и категориальные целевая переменная и переменные-предикторы
     QUEST. В данном методе  для выбора предикторов  применяются различные  критерии, в зависимости  от типа потенциального  предиктора. Он позволяет  избегать смещений, связанных с выбором  предикторов с  большим количеством  категорий, но  целевая переменная  в данном случае  должна быть категориальной. Переменные-предикторы  могут быть как  количественными,  так и категориальными. [1]
     

Рисунок 1. Выбор метода построения дерева в SPSS AnswerTree 

     3)Выбрав метод построения дерева решений, - переходим в окно задания переменных. Прежде всего, в этом окне необходимо указать целевую переменную – переменную, значения которой мы будем предсказывать. Все остальные переменные будут использоваться в качестве предикторов.(рис.2)
     4) В следующем окне Конструктора построения дерева решений необходимо задать параметры построения дерева. Основным параметром является минимальный размер сегмента. Совершенно очевидно, что нас не заинтересуют сегменты, в которые попадет по одному клиенту. В этом случае работа с группами клиентов превращается в индивидуальную работу с клиентами, и сегментация теряет свой смысл. Следовательно, возникает необходимость задать минимальный размер сегмента, который может быть полезен для наших практических целей.  


     Рисунок 2. Выбор переменных в SPSS Answer Tree 

     5)На этом настройка дерева закончена. Нажав кнопку Готово, мы переходим к рассмотрению полученных результатов.
     

     Рисунок 3. Дерево Решений
     Основными элементами получившегося дерева являются узлы – рамки с заголовками Node № (на рисунке 3).Узлы представляют сегменты. В самом верху дерева находится  корневой узел, он представляет все  данные, то есть  всех клиентов, попавших в пробную рассылку. В корневом узле (как и в других узлах) содержится таблица с процентами и количеством  наблюдений в каждой категории целевой  переменной. В корневом узле дерева 97,04% или 4200 наблюдений попали в категорию  Отказ (отказ подписаться) и 2,96% или 128 наблюдений попали в категорию  Согласие (согласие подписаться).
     При помощи AnswerTree, можно легко и быстро выделять наиболее перспективные группы клиентов, прогнозировать отклики и  находить скрытые закономерности в  данных. Поскольку деревья решений  наглядно выводятся в графическом  виде, интерпретировать результаты легко  и удобно даже непрофессионалу. Следует  также понимать, что результаты, полученные в ходе сегментации, не являются чем-то определенным рази навсегда. Постоянные изменения реальности, в которой  мы существуем, изменения в экономической, социальной, политической и других сферах жизни, как следствие, приводят к тому, что меняются и интересующие нас сегменты. Для того чтобы своевременно реагировать на эти изменения, необходим  эффективный и простой в использовании  инструмент сегментации данных. Как мы видим, AnswerTree позволит даже неспециалисту в области анализа данных затрачивать минимум усилий и времени для того, чтобы легко и быстро вносить изменения в существующую сегментацию и корректировать ее сточки зрения своего бизнеса.
 


     Построение  дерева решений  с помощью надстройки MS Excel «Дерево решений»
     Надстройка MS Excel «Дерево решений» (Decision Tree 4.xla) предоставляет набор инструментов для построения дерева решений в  ситуации статистической неопределенности.
     В ходе построения дерева решений автоматически  создаются формулы для расчета  вероятностей событий и ожидаемых  монетарных ценностей различных  решений. Файл с построенным деревом  решений является обычным файлом Excel.
     Для принятия решений в ситуации неопределенности широко используется метод «таблиц  выигрышей и потерь». Однако в  сложных случаях приходится выбирать между альтернативами, каждая из которых  представляет собой «многошаговый» процесс принятия решений. Такие  шаги могут быть разнесены во времени, на каждом шаге может возникать новый  набор альтернатив и сценариев  будущего, усложняется расчет вероятностей различных событий. В этом случае визуализировать процесс выбора из рассматриваемых альтернатив  удобно с помощью дерева альтернатив (иначе говорят – дерева решений). Дерево альтернатив – это необходимый  инструмент при стратегическом планировании и инвестиционном анализе. [5]
     

     Рис4. Дерево решений в MS Excel
     Заключение
     В заключении хотелось бы отметить , что  своевременная разработка и принятие правильного решения — главные задачи работы управленческого персонала любой организации. Непродуманное решение может дорого стоить компании. Когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего решения или исходов испытаний, то применяют схему, называемую деревом решений. Это графическое изображение процесса принятия решений, в котором отражены альтернативные решения, альтернативные состояния среды, соответствующие вероятности и выигрыши для любых комбинаций.
     Построение  дерева решений могут существенно  облегчить MS Excel и AnswerTree-программное обеспечение компании SPSS.
     Таким образом цели и задачи моей работы были достигнуты.
 


Список  литературы 
 

1. Информационно-аналитическое агентство «Сотовик»//Интернет- ресурс: soft.sotovik.ru
2.Дик,В.В ,Методология  формирования решений в экономических  системах и инструментальные среды их поддержки - М.: Финансы и статистика,2000г-с.152-160.
3.Технологии  анализа данных//интернет-ресурс: basegroup.ru
4. Экспонента. Образовательный  математический портал //Интернет- ресурс: exponenta.ru
5.Технический  справочник Майкрасофт.//Интернет- ресурс: microsoft.com 
 


и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.