Язык и репрезентативные системы. Предикаты - упражнения. Другие сигналы доступа. Все дальнейшие примеры «для большинства», «скорее всего» и «вероятно»

Участники упражнения разбиваются на пары. Затем один из участников в течение 10 минут проводит интервью с партнером на заданную тему, стремясь задавать такие вопросы, которые позволили бы составить представление о типе личности партнера. После окончания первого интервью партнеры меняются ролями и проводится второе интервью.

По завершении этапа интервью участники сообщают о том, каков, по их мнению, тип личности партнера, и сравнивают его с типом, определенным по анкете. При этом необходимо обосно­вать свое суждение и прояснить причины возможных расхождений.

Если вы умеете определить тип личности вашего собесед­ника, то сможете соответствующим образом адаптировать ваш стиль общения, чтобы сообщаемая вами информация воспринималась им наилучшим образом. Эта техника не является абсолютной гарантией успеха, но она дает вам еще одну возможность его добиться.

Рис. 3.9. Описание шкал предпочтений

3.5. Психофизиологические основы общения

Обладание человеком несколькими органами чувств, по­средством которых он может получать информацию, при­водит к тому, что разные люди в разной степени опирают­ся на эти каналы восприятия. В последние десятилетия это почти очевидное утверждение легло в основу весьма эффективной психологической теории - нейролингвистического программирования.

Технология нейролингвистического программирования (НЛП) разработана в США в период с 1975 по 1979 г. Нейролингвистическое программирование представляет собой новую технологию эффективных коммуникаций.

Создатели новой коммуникационной технологии Джон Гриндер и Ричард Бендлер, используя экспертную систему и экологический подход к мышлению Грегори Бейтсона, изучили систему работы выдающихся «сверхкоммуникато­ров» Вирджинии Сатир в психотерапии и Милтона Эриксона в гипнозе, а затем синтезировали их коммуникатив­ные приемы в социокультурную технологию НЛП.

Упрощенно НЛП можно определить как систему средств для познания и изменения человеческого поведения и мыш­ления.

Основные положения НЛП :

Люди воспринимают, думают и вспоминают по-разному.

Эти внутренние процессы происходят в трех модальнос­тях, различия соответствуют трем основным сферам сен­сорного чувственного опыта.

Модальности :

визуальная (внешняя и внутренняя информация пред­ставляет собой комплекс зрительных образов);

аудиальная (при этом информация представляет собой комплекс звуков);

кинестетическая (информация представляет собой ком­плекс ощущений: вкус, осязание, обоняние и другие ощущения тела).

Каждый человек способен передавать информацию, исполь­зуя визуальную, аудиальную и кинестетическую модально­сти. Необходимое условие эффективной коммуникации - передача информации в той модальности, в которой готов ее воспринимать партнер по коммуникации.

Отсюда ясно, что полезно научиться определять доминант­ную модальность собеседника. Одним из индикаторов модаль­ности являются так называемые словесные предикаты, т.е. слова и выражения, характерные для данного человека:

Предикаты визуальной модальности - представьте, ви­дишь, какая прекрасная, ярко, красиво, прозрачно, пре­красно, посмотрите, мне кажется, вижу и т.п.;

Предикаты аудиальной модальности - послушайте, со­звучно, громко, тихо, хрустящий, логично и т.п.;

Предикаты кинестетической модальности - легко, чув­ствовать, тяжело, тепло, уютный, мягкий, притраги­ваться и т.п.

Еще одним индикатором модальности являются глазные сигналы доступа. По движению глаз партнера по коммуни­кации можно определить, в какой модальности происхо­дит у него процесс обработки информации.

Условно поле зрения партнера по коммуникации, смотря­щего на вас, можно разделить на 9 зон, показанных на рис. 3.11. Если вы задаете партнеру вопрос, связанный с воспо­минанием, в первые мгновения при активизации памяти его глаза делают непроизвольное движение - это и есть глазной сигнал доступа. Доминантная модальность и опре­деляет, в какую из 9 зон происходит это движение.

Рис. 3.11. Схема глазных сигналов доступа

Предикативная или прогностическая аналитика (Predictive analytics) - это прежде всего множество методов статистики, анализа данных и теории игр, которые используются для анализа текущих и исторических данных/событий для прогноза данных/событий в будущем.

Наиболее известный способ использования прогностической аналитики – это применение скоринговых моделей для оценки платежеспособности клиента при выдаче кредитов в банке. Любая скоринговая модель строится на исторических данных, и если в прошлом, какая-либо группа клиентов была уличена в несвоевременном гашении кредитов, а вы по каким-либо характеристикам схожи с этой группой, то скорее всего в выдаче кредитов вам откажут.

Однако это не все области, где применяется предикативная аналитика, ее можно применять для разработки продуктов, для выбора потенциальной аудитории, для выбора следующего продукта, который вы можете предложить клиенту (Next Best Offer) и множестве других.

Родственным по отношению к предикативной аналитике является понятие data mining, так как предикативная аналитика использует частично подобные методы. Центральной же сущностью предиктивной аналитики является задача определение предиктора или нескольких предикторов (параметров или сущностей, которые влияют на прогнозируемое событие). Например, страховые компании выделяю такие предикторы, как возраст, стаж вождения при определении страховой премии. Множество этих предикторов образует модель предиктивной аналитики, которая предсказывает определенное событие в будущем с какой-то степенью вероятности.

• Прогнозирование ежедневного потребительского спроса на уровне магазин/товар на 28 дней
• Прогнозирование акционного спроса
• Учет товарного замещения (каннибализации) во время акций
• Учет изменений в цене, сезонного изменеия спроса
• Учет температуры и погодных условий по городам расположения магазинов, размерам магазинов и пр.
• Прогнозирование для новых товарных позиций, новых магазинов
• Учет открытий конкурентов

Выведение значимых товарных позиций для покупателей (Key Value Item Analysis)

• Выделение товаров имеющих непропорционально большое влияние на восприятие покупателей
• Выявив эти товарные позиции ритейлер может влиять на потребительское восприятие адаптировав свою ценовую стратегию
• Используя агрессивную ценовую стратегию, ритейлеры могут влиять на трафик, общее представление о ценах, прибыльность, долю рынка и пр.

Оптимизация регулярной и акционной цены

• Рекомендации по оптимальной цене
• Учет ограничений по выкладке, марже, обороту, поставкам и пр.
• Расчет эластичности цены
• Рекомендации по временным ценам для ускорения продаж
• Прямые предложения для клиентов
• Многоканальные продажи

Сегментирование покупателей

• Поведенческая и маркетинговая сегментация,
• Целенаправленные маркетинговые кампании
• Анализ потребительской корзины,
• Рекомендации по товарам
• Перекрестные продажи и повышение уровня продаж,
• Стратегия наилучшей альтернативы,
• Предотвращение оттока клиентов путем расчета потребительского риска

Выделение групп покупателей со схожими поведенческими характеристиками путем многомерного анализа данных
Customer Segmentation, Behavioral Targeting, Churn Prevention

• Повышение конверсии по акциям путем формирования целевых групп (сегментов) покупателей для направленных акций
• Повышения прибыльности путем рекомендаций по уровню скидок для различных целевых групп покупателей
• Повышение лояльности путем раннего выявления покупателей с наибольшей вероятностью ухода и последующих действий (акций)

Предиктивная аналитика на производстве

• Анализ и прогнозирование влияния воздействий факторов на параметры продукции
• Прогнозирование отказов оборудования - переход от обслуживания по регламенту к обслуживанию по состоянию
• Прогнозирование производства продукции и потребления энергии и ресурсов
• Онлайн упреждающие оповещения о будущих внештатных ситуациях

Для промышленных предприятий, где требуется обработка и понимание огромного количества данных и есть высокие риски при принятии решений, предсказательная аналитика имеет особое значение .

Данные о протекании технологического процесса не всегда используются эффективно, в то время как их можно использовать для оптимизации операционных процессов и повышения технико-экономических показателей производства. Оптимизацию можно выполнить на любом типе производства с серьезным уровнем автоматизации, организованным сбором и длительным хранением информации. Для этого успешно применяются интеллектуальные системы, которые могут проанализировать состояние технологического процесса в реальном времени, спрогнозировать дальнейшее протекание процесса, определить уровень оптимальности и, при необходимости, изменить управляющие параметры или дать рекомендации диспетчеру. Для решения данных задач с помощью средств машинного обучения создается предиктивная математическая модель технологического процесса. Она анализирует входные параметры, в реальном времени выдает прогноз протекания процесса и предложения по его оптимизации. Эта модель объединяется с АСУТП , MES и ERP-системами предприятия.

Еще одна задача для предиктивных алгоритмов – это техническое обслуживание и ремонт оборудования. В основном, предприятия используют базовые механизмы контроля, предоставленные производителями оборудования. Но потенциал этих средств ограничен, поскольку они не позволяют проанализировать дополнительные факторы, влияющие на состояние оборудования, и заранее спрогнозировать критическую ситуацию. Таким образом, сотрудники отдела технического обслуживания получают множество данных, но не знают, как эти данные связаны между собой. В итоге реакция от ремонтных служб следует только после отказа оборудования, что ведет за собой простои, и, следовательно, дополнительные расходы. Прогнозная аналитика средствами машинного обучения и искусственного интеллекта проводит непрерывный анализ больших данных, выполняет визуализацию данных о состоянии оборудования на текущий момент и прогнозирует сценарии возникновения отказов оборудования. В результате сокращаются внеплановые простои, оптимизируются работы по ТОРО , уменьшается время техобслуживания, а управляющий персонал получает углубленный анализ причин отказов оборудования.

Мировой рынок

Прогноз Transparency Market Research 2017 года в 2019й

Рынок предикативной аналитики достигнет $6,5 млрд к 2019 году, согласно прогнозу Transparency Market Research от ноября 2013 года. По мнению аналитиков этой компании, рост рынка управляется такими драйверами как увеличение спроса на пользовательскую аналитики и интеллектуальный софт для информационной безопасности и защиты от фрода. Отдельное отмечается бурное развитие сегменте облачных решений для предикативного анализа .

Для сравнения, по итогам 2012 года, по данным той же фирмы, мировой рынок систем для предикативного анализа составил в объеме $2,08 млрд, а среднегодовой его прирост в период с 2013 по 2019 год составит 17,8%.

Наиболее востребована предикативная аналитика в отраслях, работающих с конечными потребителями, таких как банковские и финансовые сервисы, страхование, госсектор, фармацевтика, телеком и ИТ, ритейл. На эти сегменты пришлось 71,8% объема внедрений в 2012 году. На протяжении прогнозного периода максимальная доза проектов придется на банковский сектор, финансовые сервисы, страхование. Впрочем, наиболее быстро число проектов будет расти в рознице и на производстве.

Аналитики отмечают, что рост случаев мошенничества, неплатежей, угрозы несоответствия многочисленным правилам и регламентам вынуждают бизнес все чаще обращаться к предикативному анализу с целью построения футуристических моделей, позволяющих принимать превентивные меры по отношению к неблагоприятным событиям.

Такие разные типы программного обеспечения как системы пользовательской аналитики, аналитики информационной безопасности и управлениям кампаниями составили около 50% рынка предикативной аналитики в 2012 году. Эти решения используются для оптимизации организационных процессов в продажах и маркетинге, управления клиентами и каналами продаж, финансового и риск менеджмента и так далее.

Среди региональных рынков крупнейшим рынком систем предикативного анализа будет Северная Америка, причем здесь спрос на прогнозные решения придет со стороны компаний, активно решающих вопросы работы с большими данными (big data). Именно поэтому в скором времени на аренду предикативной аналитики выйдет все ключевые вендоры решений для big data, включая , SAP , Oracle , IBM , Microsoft , Teradata и Tableau Software .

Рынок при этом остается во многом поделен между крупнейшими игроками: на первую пятерку поставщиков пришлось 80% объема рынка в 2012 году. Среди других заметных игроков отмечаются Fair Isaac, Tibco , Information Builders , Alteryx , Qlik (QlikTech) и MicroStrategy .

Системы прогнозной аналитики

системы предикативного анализа :

• KNIME
• Orange
• Python
• RapidMiner

Коммерческие системы предикативного анализа .

Елена Машкович
Глаза-зеркало души (работа с предикативными сигналами доступа)

Каждая репрезентативная система, а точнее, говоря простым языком, система восприятия окружающего мира, имеет свою модальность. Мы воспринимаем все, что имеет к нам отношение через различные органы чувств. И у каждого из нас визуальное, аудиальное иди кинестетическое восприятие мира преобладает в той или иной степени. В помощь нам, при общении с партнером, выступают на первый план предикаты . Это слова, которые относятся к конкретной модальности. Разберем подробнее работу с предикативной системой и визуальными (глазными ) сигналами доступа партнера .

Для того, чтобы начать работу с сигналами , необходимо задать уточняющие вопросы. Очень интересно наблюдать за моими «крокодильчиками» в этот момент. Мы с ними, много и часто говорим про зиму и все, что с ней связано. И на вопрос «Какое, сейчас, время года?» Большинство, на секунду, поднимают глазки вверх и , только, потом, отвечают….зима.

Это и не случайно. Наши реакции (а перемещение взгляда вверх и влево при вспоминании зрительных образов - это тоже реакция) не являются чем-то случайным; это всего лишь следствие работы нашего мозга .

Какая же информация скрывается за движением наших глаз !

Для уяснения движений глаз партнера (а вдруг они не соответствуют стандартной схеме) задают легкие тестирующие вопросы, затрагивающие поочередно то визуальную ("как выглядит…", то аудиальную ("как звучит…", то кинестетическую ("как ощущается…") системы представлений .

Визуальное конструирование Визуальная память Визуальная память

Аудиальное конструирование Кинестетика Внутренний диалог

Глазные сигналы доступа :

Глаза перемещаются вверх и влево (по отношению к человеку) – визуализация из прошлого опыта.

Вверх и вправо – конструирование зрительного образа.

По горизонтали влево – припоминание звуков.

По горизонтали вправо – конструирование звуков.

Вниз вправо – доступ к ощущениям .

Вниз влево – внутренний диалог.

Расфокусированный взгляд прямо перед собой - визуализация.

Все вышеперечисленное, верно для большинства правшей. У левшей обычно проявляется все наоборот, т. е. смена левой позиции на правую.

Для того, чтобы научиться считывать сигналы с человека , можно потренироваться с кем-то из знакомых, задавая ему вопросы отслеживая реакцию. Ниже представлен целый спектр таких вопросов. Я упражнялась на маме и дочке. Выяснилось при этом, что мама переученная левша.

Вопрос, включающие визуальное воспоминание :

Какого цвета ваша входная дверь? (мамины глаза ушли вверх и вправо )

Вопрос, требующие визуального конструирования :

Как бы выглядела Ваша комната с розовыми в крапинку обоями? (глаза вверх и вправо , сразу влево)

Вопрос, требующие аудиального припоминания :

Какая дверь в Вашем доме скрипит громче всех? (дочь-глаза уходят вверх влево )

Вопросы для аудиального конструирования :

Какой звук издаст пианино, если оно упадёт с 10 этажа? (у мамы глаза прошлись и по визуальному воспоминанию и конструированию, и по горизонтали, вспоминая звуки)

На что будет похож вопль мандрагоры? (дочь так же прошлась по визуальному воспоминанию и конструированию, а потом переместились в аудиальную зону. При этом добавились эмоции)

Вопросы для кинестетического канала восприятия :

Что бы Вы ощущали, надевая мокрые носки? (дочь вспомнила, потом ушла вниз, в кинестетическую зону)

Что Вы чувствуете, после того, как хлебнули целую ложку пересоленного супа? (мама, так же вспомнила, а потом перевела глаза в зону кинестетики )

Довольно часто, прежде чем ответить на вопрос, человек будет обращаться сначала к своей ведущей системе. Если у вашего партнера ведущая система визуальная, то он будет "рисовать" различные картинки (для того, чтобы получить доступ к звукам или ощущениям) при ответе на кинестетические или аудиальные вопросы. Глазодвигательные реакции отражают последовательность репрезентативных систем, которые использует человек для ответа на поставленный вопрос. Например, отвечая на вопрос : "Что Вы говорите себе, когда дела идут плохо?", ваш партнер может сначала визуализировать ситуацию, в которой у него все "валится из рук", затем почувствовать ощущения, которые он испытывает в подобной ситуации, и только после этого услышать то, что он себе говорит.

В процессе мышления мы сознательно двигаем глазами в любом направлении . Однако, чтобы получить доступ к определенной репрезентативной системе, необходимо обратить внимание на естественные движения глаз . Глядя вниз, очень трудно вспомнить, как выглядит ваш друг. Для того, чтобы вспомнить то, что Вы видели в отпуске или вчера, легче всего будет, если Вы посмотрите вверх и влево или зафиксируете взгляд перед собой.

Осторожно задавая эти вопросы в процессе общения, Вы узнаете, какими стратегиями пользуется ваш собеседник для организации и извлечения информации. Например, Вы можете спросить : "Какой день запомнился больше всего в прошедшем году? Заметив движение глаз , Вы узнаете, какая репрезентативная система является ведущей у вашего собеседника. Задав следующий вопрос : "Как Вы это узнали?", - Вы поймете, какую репрезентативную систему использует партнер в качестве оценочной, а предикаты укажут Вам на первичную или предпочитаемую систему . Например, ваш собеседник использовал визуальные предикаты (В) . Отвечая на вопрос "Какой день запомнился больше всего в прошедшем году?", глаза указали на ведущую аудиальную (Л) систему, а оценочной системой является кинестетика (К) . Таким образом, стратегия вашего партнера выглядит так : ВАК. Используя в своей речи, последовательно визуальные, аудиальные и кинестетические предикаты , Вы установите хороший диалог с вашим партнером. Для получения доступа к различным переживаниям люди используют различные стратегии. К сожалению, многие человеческие проблемы связаны с небольшим количеством стратегий : одна и та же стратегия может быть использована как для обучения, так и для любви. Не бывает неэффективных стратегий, бывает неэффективное их использование!

Список использованной литературы :

1. Аркин, Е. А. Ребёнок в дошкольные годы / Е. А. Аркин; под ред. А. В. Запорожца, В. В. Давыдова. – М.: Просвещение, 1968. – 446 с.

2. Житникова, Л. М. Учите детей запоминать : пособие для воспитателя дет. сада / Л. М. Житникова. – 3-е изд., доп. – М.: Просвещение, 1985. – 95 с.: ил.

3. Занков, Л. В. Память / Л. В. Занков. – М.: Учпедгиз, 1949. – 176 с. – (Академия пед. наук РСФСР) .

4. Зеньковский, В. В. Психология детства / В. В. Зеньковский; отв. ред. И сост. П. В. Алексеев. – М.: Школа-Пресс, 1996. – 336 с.: табл.

5. Ляудис, В. Я. Память в процессе развития / В. Я. Ляудис. – М.: Изд-во Московского ун-та, 1976. – 256 с.

6. Мухина, В. С. Психология дошкольника : учеб. пособие для студентов пед. ин-тов и уч-ся пед. училищ / В. С. Мухина; под ред. Л. А. Венгера. – М.: Просвещение, 1975. – 240 с.

Это третья публикация в рамках помощи участникам конкурса «SAP Кодер-2017» .

Каждое предприятие в процессе своей жизнедеятельности генерирует значительное количество данных, как «больших», так и не очень. Эти данные часто можно использовать для получения нового знания, которое, в свою очередь может оказать существенное влияние на стратегию развития бизнеса или тактику поведения в некоторые локальные моменты работы. Сейчас, в связи с развитием вычислительной техники и ростом объема накопленных данных, большое развитие получили численные методы, позволяющие извлекать полезную информацию из массива «сырых» данных и использовать ее в различных бизнес-сценариях.

SAP Cloud Platform имеет, наряду с другими встроенными сервисами, инструментарий предиктивной аналитики, позволяющий строить и использовать построенные модели в созданных на платформе (и вне ее) бизнес-задачи. Набор прогнозных инструментов, входящий в сервис на дату публикации поста, состоит из следующих элементов:

• Clustering – классический кластерный анализ и сегментация базы объектов с большим количеством атрибутов-классификаторов;
• Forecasts – построение прогнозов на базе временных рядов;
• Key Influencers – поиск наиболее влияющих на целевую функцию параметров;
• Outliers – поиск нестандартных паттернов в наборе данных (выявление мошенничеств, ошибок ввода и пр.);
• Recommendation – построение моделей продуктовых рекомендаций на базе истории покупок (чеков);
• Scoring Equation – построение и экстракция уравнения, позволяющего вычислять целевую функцию аналитически и встраивать ее в собственное приложение;
• What If – анализ «что-если», позволяющий предполагать последствия совершения тех или иных действий, базируясь на истории поведения объекта

Актуальный список методов и их описание можно посмотреть по ссылке .

• UserColumn – поле с номером участника программы лояльности
• itemColumn – SKU
• dateColumn – дата транзакции
• startDate – дата начала данных для расчета
• endDate – дата окончания данных для расчета

Дополнительно можно менять параметры, описывающие математику модели. Для нашей модели мы возьмем следующие параметры:

Запускаем построение модели и получаем отклик. Ключевой момент – записать ID модели

Видим, что количество SKU, встречающихся в одной корзине с другими составляет 2777 штук, на базе чего удалось найти 9633 правил рекомендаций. С помощью ссылки /api/analytics/recommendations можно протестировать полученную модель. Здесь необходимо ввести следующие параметры:

• itemList – SKU, уже лежащие в корзине
• maxItems – максимальное количество возвращаемых рекомендаций
• recommenderID – ID модели, построенной на предыдущем шаге
• userID – номер участника программы лояльности

Указывать можно либо оба параметра itemList и userID, либо только один из них. При указании только одного параметра система выдаст предупреждение, но позволит продолжить работу.

Проверим модель с SKU 5000267097428

В ответ получаем

Посмотрим, что это такое

Таким образом, получаем, что при покупке виски неплохо бы порекомендовать покупателю еще и сухого вина.

Рекомендательная модель может также быть запущена в пакетном режиме, сгенерировав таблицу рекомендаций для всех пользователей программы лояльности. Для этого нажимаем закладку POST на ссылке /api/analytics/recommendations/batch

Затем указываем таблицу, в которую надо поместить наши рекомендации

И запускаем расчет. Сервис создает таблицу и для каждого пользователя рассчитывает рекомендованный товар, который может быть приобретен с большей вероятностью.

Таки образом, Predictive service позволяет очень быстро настроить и использовать некоторые наиболее часто употребляемые математические методы для построения предиктивных моделей, годных к применению в реальном бизнесе.