Материал: Проектное управление в строительстве. Баркалов С.А., Бурков В.Н

ALGORITHM FOR IMPLEMENTING THE MENTORING SYSTEM IN THE

ORGANIZATION

E.V. Bautina, O.S. Perevalova, D.N. Batrakova

Bautina Elena Vladimirovna, Voronezh State Technical University, Candidate of Technical Sciences, Associate Professor of the Department of Management

Russia, Voronezh, e-mail: bautina_elena@mail.ru, tel.: +7-910-249-22-93

Perevalova Olga Sergeevna, Voronezh State Technical University, Candidate of Technical Sciences, Associate Professor of the Department of Management

Russia, Voronezh, e-mail: nilga.os_vrn@mail.ru, tel.: +7-950-759-18-79

Batrakova Daria Nikolaevna, Voronezh State Technical University, Master of the Department of Management

Russia, Voronezh, e-mail: daria.speckadr@gmail.com, tel.: +7-908-140-20-23

Abstract. The work is devoted to the study of the process of implementing a mentoring system in an organization. In order for this process to pass painlessly, and its results were effective, a clear algorithm is proposed, the stages of which, of course, may have some specificity, which is determined by the field of activity of the organization. It is worth noting that the proposed algorithm assumes the organization of a mentoring system from scratch, therefore, for the correct development of a mentoring procedure that meets the requirements of an organization, its management interested in introducing a mentoring system needs to conduct a comprehensive analysis of its activities, for this it is recommended to apply an express analysis. And, only after receiving its results, proceed to the implementation of the stages proposed in the algorithm.

Keywords: mentoring, algorithm, personnel assessment, express analysis

References

1.O.S. Perevalova, L.V. Shevchenko, D.N. Batrakova. Nastavnichestvo – instrument professional'noy i sotsial'no-psikhologicheskoy adaptatsii kadrov v organizatsii [Mentoring is a tool for professional and socio-psychological adaptation of personnel in an organization] / O.S. Perevalova, L.V. Shevchenko, D.N. Batrakova // PROJECT MANAGEMENT IN CONSTRUCTION / Science Magazine, № 1 (18), 2020. – Pp. 114-123.

2.Etapy razrabotki sistemy nastavnichestva [Steps for developing a mentoring system] / Consulting group Donskikh - URL: https://donskih.ru/2016/12/etapy-razrabotki-sistemy- nastavnichestva/ (date of the application: 21.09.2020)

3.Pakhtusova A.V., Perevalova O.S. Primeneniye metoda «360 gradusov» v kreditnofinansovykh organizatsiyakh s tsel'yu sozdaniya effektivnoy sistemy stimulirovaniya personala [Application of the "360 degrees" method in credit and financial institutions in order to create an effective personnel incentive system] / "Management of large systems" Proceedings of the XV AllRussian School-Conference of Young Scientists (Voronezh, September 10-13, Volume 1). 2018. – Pp. 187-198.

91

УДК 004.852

ПРЕДИКТИВНАЯ АНАЛИТИКА В ЗАДАЧАХ ИНТЕРНЕТ-МАРКЕТИНГА

О.В. Курипта, О.Ю. Лавлинская, Н.Ю. Калинина

Курипта Оксана Валерьевна*, 108 Воронежский государственный технический университет, кандидат технических наук, доцент, доцент кафедры систем управления и информационных технологий в строительстве

Россия, г. Воронеж, e-mail: kuripta-okcana@mail.ru, тел.: +7-908-132-31-14

Лавлинская Оксана Юрьевна, Воронежский институт высоких технологий, кандидат технических наук, доцент

Россия, г. Воронеж, e-mail: lavlin2010@yandex.ru, тел.: +7-903-85-08-691

Калинина Наталия Юрьевна, Воронежский государственный технический университет, кандидат технических наук, доцент, доцент кафедры управления

Россия, г. Воронеж, e-mail: u00257@vgasu.vrn.ru, тел.: +7-960-13-45-553

Аннотация. В статье представлена информационная система предиктивной аналитики в сфере интернет-маркетинга. Система позволяет получить набор входных параметров для предиктивного анализа и ответить на вопрос: будет ли пользователь интернет-ресурса заказчиком услуги? Рассматриваются технологии сбора и препроцессинга данных, метод прогнозирования и результаты валидации модели.

Ключевые слова: предиктивная аналитика, алгоритм XGBoost, интернет-маркетинг

Технологии обработки данных методами машинного обучения открывают новые возможности перед исследователями и аналитиками. Широко востребованы системы предиктивной аналитики, решающие задачи прогнозирования, предсказания на больших выборках данных. Сложность методов предиктивной аналитики требует создания прикладных программных продуктов для различных предметных областей.

Вкачестве области практического применения исследуемых моделей и технологий предиктивного анализа рассмотрим область интернет-маркетинга и выделим сегмент предметной области в виде контент-маркетинга.

«Контент-маркетинг — это стратегический маркетинговый подход, направленный на создание и распространение ценного, релевантного и полезного контента для привлечения и удержания четко определенной аудитории — и в конечном счете стимулирование клиентов на покупку услуги или товара» [1].

Взадачи менеджмента контент-маркетинга входит задача привлечения клиентов для расширения бизнеса и получения прибыли. Среди огромного числа пользователей сети необходимо выбрать тех, кто реально может стать клиентом бизнеса. В этом случае необходим прогноз, основанный на данных о клиентах, результирующей составляющей которого является ответ на вопрос о том, насколько прогнозируема ситуация, что пользователь сети станет клиентом бизнеса?

Вкачестве примера рассмотрим сервис Semantica [2], который предлагает сообществу услуги информационного маркетинга.

Задача маркетинговой службы сервиса Semantica – привлечение пользователей сети на сайт, предоставление пользователям информации об услугах, организация обратной связи

спотенциальными клиентами сервиса, выявление заинтересованных в услугах ресурса пользователей глобальной сети, организация мероприятий по информированию потенциальных клиентов о существовании ресурса, увеличение числа посетителей сайта.

© Курипта О.В., Лавлинская О.Ю., Калинина Н.Ю., 2020

92

Маркетологу необходима информация о том, кто из интернет-аудитории может стать потребителем услуг компании, такая информация позволит осуществлять маркетинговые мероприятия точечно, детально, персонифицировано. Для получения нужной информации контент-менеджер проводит скрупулѐзный анализ потребностей клиентов в услугах, анализ сферы интересов, потребностей в профессиональных знаниях. Информация такого характера является слабоструктурированной, субъективной, но, грамотное использование добытых знаний позволяет компании стать конкурентоспособной и опередить соперников в вопросах привлечения клиентов. Для получения конкурентного преимущества необходимо применять машинные методы добычи знаний, использовать технологии предиктивной аналитики [3].

На рис. 1 представлена концептуальная модель предиктивной аналитики, функциональное наполнение которой отвечает потребностям прогнозирования в сфере интернет-маркетинга.

Рис. 1. Концептуальная модель системы предиктивной аналитики

Система предиктивной аналитики решает задачи прогнозирования, анализа, визуализации и состоит из базы данных и модуля предиктивной аналитики.

Данные, поступающие от внешних, по отношению к системе предиктивной аналитики, источников, помещаются в хранилище данных. Для информационной системы рассматриваемой предметной области такими данными являются данные о количестве посещений веб-ресурса, персональные данные посетителей, информация о предпочтениях клиентов и другие сведения, на основе которых формируются входные данные для предиктивной модели.

Сбор исходных данных осуществляется из таких источников, как metrika.yandex.ru. Яндекс.Метрика - бесплатный интернет-сервис компании Яндекс, предназначенный

для оценки посещаемости веб-сайтов, и анализа поведения пользователей». Счѐтчик «Яндекс.Метрика» работает по принципу обычного счетчика посещений: JS (JavaScript)-код

— устанавливается веб-мастером на страницах сайта и собирает данные о каждом посещении. Для использования Яндекс.Метрика необходимо подключить счетчик сервиса к интернет-ресурсу.

Для получения предварительных, (сырых) данных достаточно выгрузить данные из сервиса Яндекса через Logs API в формате tsv. В качестве хранилища данных используется

93

ClickHouse, бесплатное открытое решение, на котором работает и сама Метрика. Добавление данных в хранилище осуществляется с помощью скрипта, который предоставляет сервис [4].

ClickHouse – колоночная база данных, в которой столбцы – поля, которые автоматически получают данные Яндекс-метрики или иные данные, которые заносит в эту базу данных аналитик вручную или с помощью скриптов. Для визуализации и пользовательской событийности существует TABIX – реализация графического пользовательского интерфейса для ClickHouse. TABIX – проект Open Source со свободно распространяемым кодом [5].

Структура хранения данных имеет такие параметры, как:

время просмотра сайта,

глубина погружения,

оформление подписки на рассылку,

параметр, который характеризует, какая услуга была клиентом востребована при просмотре,

параметр, который отвечает за информацию о том, сделал ли пользователь заказ на услугу или нет,

откуда пользователь вошел на ресурс: из социальных сетей, таких как «В контакте», Facеbook, воспользовался мессенджером Telegram или вошел, воспользовавшись поисковыми системами или по прямой ссылки. Выделим четыре значения данного параметра: VK – в контакте, FB - Facеbook, Telegram – мессенджер Телеграмм, income – все остальные случаи. В качестве результирующей переменной введем переменную у – целевую переменную, имеющую бинарное значение. Для каждой из переменных задаем тип данных и диапазон возможных значений.

В табл. 1 описаны входные параметры модуля предиктивной аналитики.

94

Модель предиктивной аналитики строится на основе метода машинного обучения XGBoost, который обладает отличной производительностью и предсказательнностью по сравнению с аналогичными методами [6]. Реализация модели на языке Python с использованием библиотек SciPy, Numpy, ее обучение на выборке данных дала приемлемые результаты. Для валидации модели были использованы образцы входных данных, частично представленные в табл. 2. Всего было подвержено анализу 19 вариантов обращений на сайт.

В столбце 1 представлено предсказание того, что услуга будет заказана. Сравнение предсказанных и фактических значений заказа услуги показывает отклонение, находящееся в диапазоне статистической погрешности, что говорит о хорошем качестве модели и корректной подготовке исходных данных.

Подводя итоги, можно сказать, что задачи прогнозирования в сфере интернетмаркетинга могут быть решены на основе моделей предиктивной аналитики в рамках реализации информационной системы, которая позволяет собрать данные, обработать и представить в виде отчета о предсказании того, что пользователь ресурса закажет услугу. Такой прогноз позволяет собрать базу потенциальных клиентов сервиса Semantica, моделировать варианты развития бизнеса при разных подходах работы с контентом, учитывать предпочтения клиентов [7]. Рассматриваемая система предиктивной аналитики позволяет решать задачи SEO-оптимизации и управления контентом [7,8].

Библиографический список

1.Предиктивная аналитика. Прогнозирование, статистический анализ, машинное обучение, нейронные сети, нейросети, ML, AI, DL. rospartner.ru›decides/predictiv-analize

2.Semantica [сайт]. — URL: http://www.semantica.ru — Режим доступа: свободный.

3.Воронова Л. И. Machine Learning: регрессионные методы интеллектуального анализа данных: учебное пособие / Л. И. Воронова, В. И. Воронов. — Москва: Московский технический университет связи и информатики, 2018. — 82 c. — ISBN 2227-8397. — Текст: электронный // Электронно-библиотечная система IPR BOOKS: [сайт]. — URL: http://www.iprbookshop.ru/81325.html (дата обращения: 28.05.2020). — Режим доступа: для авторизир. пользователей

4.Яндекс Метрика [сайт]. — URL: https://metrika.yandex.ru/ — Режим доступа: для авторизир. пользователей

5.Implements a graphical web interface for click house TABIX [сайт]. — URL: https://tabix.io

6.Learning and an Application to Boosting. J. of Computer and System Sciences, Vol. 55, 1997, pp. 119–139.

95