- •Часть 3
- •Содержание
- •1. Планирование маркетинговой политики. Методы оптимизации маркетинговых затрат (реклама, товародвижение и сбыт)
- •1.1. Основные элементы маркетинга.
- •1.2. Игровая модель управления конкурентоспособностью продукции.
- •1.2.1. Прямая задача.
- •1.2.2. Обратная задача.
- •1.3. Марковская модель управления затратами на рекламу.
- •1.3.1. Типовой пример.
- •1.3.2. Марковские цепи с доходами (платежами).
- •1.3.3. Рекуррентный алгоритм поиска решения мцп.
- •1.3.4. Итерационный алгоритм поиска решения мцп
- •1.3.5. Модели частоты рекламных воздействий
- •2. Модели планирования уровня жизни
- •2.1. Система моделей уровня жизни
- •2.1.1. Группы моделей уровня жизни
- •2.1.2. Индикаторы дифференциации доходов населения
- •3. Модели размещения производства
- •3.1. Задача размещения без ограничений
- •3.2. Задача размещения с ограничениями по мощности предприятий
- •3.3. Многостадийная задача размещения
- •4. Моделирование инвестиций
- •4.1. Элементы диверсификации
- •4.1. Модель одношагового распределения средств
- •2.1. Вычисление весов по мпс
- •2.2. Вычисление весов непосредственно по ранжировкам.
- •Литература
1.3. Марковская модель управления затратами на рекламу.
1.3.1. Типовой пример.
Предприятие регулярно рекламирует свою продукцию в одном из трех печатных изданий:
1) в местной бесплатной газете рекламных объявлений;
2) в областной бесплатной газете рекламных объявлений;
3) в местной платной газете.
Недельный бюджет на рекламу в следующие 3 недели оценивается соответственно в 200, 900 и 300 денежных единиц. Предприятие оценивает недельный объем сбыта по следующей шкале:
удовлетворительный (1);
хороший (2);
отличный (3).
Переходные вероятности между различными состояниями сбыта при различных вариантах рекламы и соответствующие доходы от сбыта приведены в табл. 1.
Таблица 1.
Выбор (вариант рекламы) k |
Состояние (сбыт) i |
Вероятности перехода |
Доход от сбыта |
||||
j=1 |
j=2 |
j=3 |
j=1 |
j=2 |
j=3 |
||
1 |
1 |
0.4 |
0.5 |
0.1 |
400 |
520 |
600 |
2 |
0.1 |
0.7 |
0.2 |
300 |
400 |
700 |
|
3 |
0.1 |
0.3 |
0.6 |
200 |
250 |
500 |
|
2 |
1 |
0.7 |
0.2 |
0.1 |
1000 |
1300 |
1600 |
2 |
0.3 |
0.6 |
0.1 |
800 |
1000 |
1000 |
|
3 |
0.1 |
0.2 |
0.7 |
600 |
700 |
1100 |
|
3 |
1 |
0.2 |
0.5 |
0.3 |
400 |
530 |
710 |
2 |
0 |
0.7 |
0.3 |
350 |
450 |
800 |
|
3 |
0 |
0.2 |
0.8 |
250 |
400 |
650 |
Например, если сбыт отличный (состояние 3) и выбран вариант рекламы 2 (областная бесплатная газета), то вероятности перехода на следующем шаге процесса в состояние 1 равна 0.1, в 2 – 0.2 и остаться в том же состоянии – 0.7. При этом соответствующие доходы от сбыта будут 600, 700 и 1100.
Поскольку процесс перехода на каждом шаге из одного состояния в другое является случайным и достоверно неизвестно, в каком состоянии будет сбыт на конкретном шаге, то оптимальный алгоритм управления должен носить характер стратегии с условными переходами, в виде конструкции «если-то». Для данного примера оптимальная стационарная стратегия может быть, например, такой:
,
где означает, что если процесс находится в 1-ом состоянии ( ), то следует выбрать 2-й вариант рекламы (принять решение ). Аналогично если , то выбрать 3-й (решение ), а если , то надо выбрать 1-й (решение ).
Стратегия может быть и нестационарной – когда для каждого из 3-х шагов процесса строится свой вектор .
Количество шагов процесса может быть ограниченным и неограниченным.
Подобные задачи можно представить в виде марковских цепей с доходами (платежами).
1.3.2. Марковские цепи с доходами (платежами).
Случайным процессом называют функцию времени, принимающую случайные значения в каждый фиксированный момент времени.
Случайной последовательностью (цепью) называют случайный процесс с дискретными состояниями ( ) и временем ( ).
Если вероятность перехода ( ) из предыдущего в последующее состояние зависит только от предыдущего состояния, то такой процесс называется процессом без последействия. Случайную последовательность, обладающую таким свойством, обычно называют марковской цепью (МЦ) или цепью Маркова, а само это свойство - марковостью.
МЦ называется однородной (стационарной), если переходные вероятности не изменяются во времени.
МЦ считается заданной, если заданы: матрица вероятностей перехода (переходная матрица) процесса за один шаг и вектор вероятностей начальных состояний:
. (1)
Кроме матричной формы марковская цепь может быть представлена и в виде ориентированного взвешенного графа (см. рисунок для случая трех состояний),
|
где вершины соответствуют состояниям, а значения, указанные на дугах - вероятностям перехода из одного состояния в другое за один шаг процесса.
Важной характеристикой МЦ, является вектор предельных (финальных) вероятностей , отражающий то, с какой вероятностью процесс окажется в том или ином состоянии через шагов.
Все свойства процесса, в том числе и , полностью определяются элементами (1), однако если возможность принимать некоторые решения, управляющие переходными вероятностями, то можно и воздействовать на . Такие МЦ называют управляемыми МЦ (УМЦ).
Управлением может быть, например, решение о внесении удобрений перед посевом сельхоз культур, что может повлиять на распределение вероятностей получения того или иного объема урожая.
К классу УМЦ относятся марковские цепи с платежами (МЦП). Их отличие от обычных МЦ в следующем:
На каждом ( - ом) шаге процесса перед переходом на следующей (( ) - й) шаг можно принять одно из множества решений: .
Для каждого варианта решения ( ) задана своя матрица условных вероятностей перехода за один шаг (МВП): . Здесь под условным имеется в виду следующее: « - это вероятность перехода в состояние на ( ) – ом шаге при условии, что на - ом шаге процесс находился в состоянии , если было принято решение ».
Для каждого варианта решения ( ) кроме МВП задана и матрица условных платежей за один шаг (МП): , где - платеж (или доход) за один шаг при переходе в состояние на ( ) – ом шаге при условии, что на - ом шаге процесс находился в состояния и было принято решение .
Остальные элементы аналогичны обычным МЦ:
Множество состояний процесса .
Вектор вероятностей начальных состояний .
Пример. Приведенный выше типовой пример распределения рекламного бюджета на трех шагах можно представить следующими элементами:
▲
Таким образом, МЦП является моделью принятия решений, в которой:
есть что выбирать - решения на каждом шаге;
есть чем измерить качество выбираемого решения - платежами, накопленными за множество шагов или средние по всем шагам.
Существует два основных алгоритма поиска решений для МЦП:
рекуррентный алгоритм, основанный на уравнении Р. Беллмана, где максимизируется накопленный выигрыш;
итерационный алгоритм, где максимизируется средний выигрыш за один шаг.