ВИКОРИСТАННЯ НАВЧАЛЬНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ РОЗВИТКУ ПРОДУКТУ IT-ПРОЕКТУ
DOI:
https://doi.org/10.17721/ISTS.2020.4.3-10Ключові слова:
запуск, інформаційна взаємодія, карта подорожей клієнта, прогнозуванняАнотація
Cтан розвитку інновацій в Україні характеризується збільшенням розробок на основі стартап-проєктів із використанням як продукту проєкту інформаційних систем різної складності. Проведено аналіз слабкої живу чості результатів виконання стартап-проєктів. Зроблено висновок щодо необхідності прогнозування етапів розвитку продуктів ІТ-проєктів на основі аналізу процесів взаємодії користувачів (клієнтів) з інформаційною системою (продуктом). Розглянуто складові моделі прогнозування розвитку ІТ-продуктів інноваційних ста ртап-проєктів, з урахуванням аналізу формуються набори даних взаємодії потенційних клієнтів із такими продуктами. Запропоновано алгоритм формування початкових наборів даних на основі карт подорожей кліє нтів (CJM), які є інструментом фіксації подій взаємодії клієнтів із системою. Наведено приклади моделей аналогів карт подорожей клієнтів, які є базою для фіксації та аналізу взаємодій. Цей факт є основою для формування відповідних наборів даних великої розмірності. Як механізм оброблення великих масивів даних і побудови стратегій розвитку ІТ-продуктів запропоновано використання нейронних мереж глибокого навчання. Побудовано математичні моделі для подальшого моделювання й аналізу отриманих результатів. Використано простий лінійний регресійний аналіз для моделювання зв'язку між єдиною пояснювальної змінної і безперервної змінної відгуку (залежною змінною). Для наявних даних застосовано метод розвідувального аналізу даних для пошуку повторюваних образів і аномалій. У ході дослідження побудовано модель реалізації лінійної регресії з використанням підходу на основі градієнтної оптимізації. Також застосовано лінійні моделі бібліотеки scikit learn для завдання регресії і реалізовано стабілізаційний регресійний метод. Проведено моделювання й аналіз отриманих результатів, який показав більшу ефективність щодо збільшеного періоду життєвого циклу про дуктів ІТ-проєктів.Завантажити
Посилання
Trends in the development of the global market for information technology. [Online]. Available: http://eir.pstu.edu/handle/123456789/4299.
Euripidis Loukis, Marijn Janssen, Ianislav Mintchev, Determinants of software-as-a-service benefits and impact on firm performance, Decision Support Systems, Volume 117, 2019, pp. 38–47.
B. Brown, K. Swani, Introduction to the special issue: B2B advertising, Industrial Marketing Management, February 2020, DOI: 10.1016/j.indmarman.2020.02.006.
Customer Journey Map: how to understand what the consumer needs. (2019) Available at: https://www.uplab.ru/blog/customer-journey-map/.
S.Gordon, M. Linoff, Data mining techniques: for marketing, sales, and customer relationship management. Published by Wiley Publishind Inc., 10475 Crosspoint Boulevard, Indianapolis, 830 p., 2011.
IBM Institute for Business Value. Analytics: The real world use of big data in consumer products, 2013.
Seductive Interaction Design: Creating Playful, Fun, and Effective User Experiences (Voices That Matter) 1st Edition (2019) Available at: https://www.amazon.com/Seductive-Interaction-Design-Effective-Experiences/dp/0321725522/.
A. Zudov, Modeling of potential rule interactions in active databases. In journal "Modern problems of science and education" (2015). № 1–1.; URL: http://www.science-education.ru/ru/article/view?id=17745.
V. Gogunskii, O. Kolesnikov, G. Oborska, S. Harelik, D. Lukianov, Representation of project systems using the Markov chain, Eastern-European Journal of Enterprise Technologies, № 1/3 ( 85 ), 2017б pp. 25–32.
International Project Management Association. Individual Competence Baseline Version 4.0. International Project Management Association, 432 p., 2015.
A Guide to the project management body of knowledge (PMBoK guide). Sixth Edition – USA: PMI Inc., 537 p., 2017.
R. Turner, Guide to project-based management, tran. from English, Moskow, Grebennikov Publishing House, 552 p., 2007.
V. Morozov, O. Kalnichenko, S. Bronin, Development Of The Model Of The Proactive Approach in Creation Of Distributed Information Systems. Eastern-European Journal of Enterprise Technologies, № 43/2 (94), pp. 6–15 (2018).
A. Timinsky, O. Voitenko, I. Achkasov, Competence based knowledge management in project oriented organisations in bi-adaptive context. Proceedings of the IEEE 14th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT–2019). – Lviv, 2019, рр. 17–20.
O. Maimon, L. Rokach, Data Mining and Knowledge Discovery Handbook, 2005, [Online]. Available: http://www.bookmetrix.com/detail/book/ae1ad394-f821-4df2-9cc4-cbf8b93edf40.
V. Morozov, O. Kalnichenko, M. Proskurin, O. Mezentseva, Investigation of Forecasting Methods the State of Complex IT-Projects With Using Deep Learning Neural Networks, Published in the book "Lecture notes in computational intelligence and decision making" (series "Advances in intelligent systems and computing"), vol. 1020, 2020, pp. 261–280.
E. Loukis, M. Janssen, I. Mintchev, Determinants of software-as-a-service benefits and impact on firm performance, Decision Support Systems, Volume 117, 2019, pp. 38–47.
K. Swani, B. Brown, Su. Mudambi, The untapped potential of B2B advertising: A literature review and future agenda, Industrial Marketing Management, 2019.
D. Herhausen, K. Kleinlercher, P. Verhoef, T. Rudolph, Loyalty Formation for Different Customer Journey Segments, Journal of Retailing, 2019.
V. Morozov, O. Kalnichenko, M. Proskurin, Methods of Proactive Management of Complex Projects Based on Neural Networks, Proceedings of the 2019 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 2019, pp. 964–969.
D. Garaedagi, System thinking. How to manage chaos and complex processes. Platform for modeling business architecture, Grevtsov Buks (Grevtsov Publicher). 480 p., 2011.
A. Novikov, Ezhov A.A., Rosenblatt's multilayer neural network and its application for solving the problem of signature recognition, Bulletin of TSU. Technical science. No. 2. pp. 188–197, 2016.
D. Komashinsky, D. Smirnov, Neural networks and their use in control and communication systems, Hotline Telecom. p. 94, 2003.
Li, L., Fan, K., Zhang, Z., Xia, Z. Community detection algorithm based on local expansion K-means, Neural Network World, 26(6), 2016, pp.589–605.
I. Prigogine, G.Nikolis, Knowledge of the complex. Introduction, Per. from English, M .: Lenar, 360 p., 2017.
G. Carmantini, S. Rodrigues, P. Graben, M. Desroches, A modular architecture for transparent computation in recurrent neural networks, Neural Networks, #85, 2017, pp.85–105.
A. Hosseini, A non-penalty recurrent neural network for solving a class of constrained optimization problems, Neural Networks, 2016, #73, pp.10–25.
A. Polaine, L. Løvlie, Service Design: From Insight to Implementation, Rosenfeld Media, 2013, 216 p.
S. Anderson, Seductive Interaction Design: Creating Playful, Fun, and Effective User Experiences, New Riders; 240 p., 2011. https://www.amazon.com/Seductive-Interaction-Design-Effective-Experiences/dp/0321725522/.
Installing and getting started, [Online]. Available: https://seaborn.pydata.org/installing.html.
