12 Динамика сообщений средств массовой информации о крупной российской компании: системное управление

В данном исследовании ситуация была иная. Была создана крупная российская компания, в которой был сразу создан департамент PR (Public Relations). В частности, была разработана специальная компьютерная система для контент-анализа, которая в режиме реального времени автоматически анализировала в Интернете сообщения средств массовой информации (СМИ) о компании по специально разработанному кодификатору. Каждый день проводился анализ электронной базы данных по дням, неделям, месяцам с помощью статистических пакетов SPSS, STA- TISTICA, математического пакета MatLab, систем Data Mining (добычи знаний), «нейронных» сетей и т. д. Руководству компании ежедневно докладывалось о содержании сообщений СМИ, результатах проведенного анализа, сравнении с предыдущими днями, неделями, прогнозе тенденций сообщений СМИ о компании, и реализовывались соответствующие управленческие мероприятия, в частности, публикация в СМИ нужной для компании информации, публикация опровержений, работа с лояльными и нелояльными компании журналистами и СМИ и т. д. Таким образом, деятельность департамента PR осуществлялась в соответствии с общесистемным принципом обратной связи, что является одним их ключевых признаков системного управления, в частности, активного адаптивного управления, Поскольку данный процесс был в значительной мерс управляемым и реализованные управленческие мероприятия были известны исследователю, то представлял интерес следующий вопрос.

Динамика общего количества упоминаний СМИ о.компании

Рис. 12.1

Для выявления меры зависимости между общим количеством упоминаний о компании и временем был проведен автокорреляционный анализ, результаты которого представлены на рис. 12.2.

Из рис. 12.2 следует, что общее количество упоминаний СМИ о компании наиболее сильно (коэффициент автокорреляции равен 0,6), зависит от предыдущего месяца и значительно слабее зависит от других предшествующих месяцев. Данное свойство динамики называется марковским свойством и характерно для случайных процессов. Полученный статистический результат не соответствует проведенным управленческим мероприятиям.

На рис. 12.3 представлена динамика общею количества упоминаний СМИ в зависимости от количества субъектов РФ, т. е. каждый месяц изменялось количество субъектов РФ, в которых упоминалось о компании. 1'Я1зпйв! ] уиг!? аге и'‘Ые-г ?^е ез111Ттп)г<) + , 137 ,2*1*0

6, СВ ,0*575

5,13 ,1554

, 1394

-0,5 0,0 С-,5

Рис. 12.2. Результаты автокорреляционного анализа

-1.0

Динамика количества субъектов РФ была апроксимировапа (приближена) логарифмической функцией, поскольку по сравнению с другими элементарными функциями (степенной и экспоненциальной), мера

приближения (значение /?2 ) для логарифмической функции было выше. В этой связи напомним, что логарифмическая функция описывает один из общесистемных законов развития системы на стадии роста жизненного цикла [1]. Поскольку в управленческие цели не входила цель приблизиться к логарифмическому тренду, то полученный результат свидетельствует

о проявлении общесистемного закона развития.

у = 26,102 1л(х) - 7,8093 Я- 0,8391

Количество субъектов РФ

Логарифмический

тренд Динамика по'штпвньгх и негативных упоминаний о компании

Рис.

На рис. 12.4 представлена динамика позитивных и негативных упоминаний СМИ о компании.

В габл. 12.1 представлена динамика долей позитивных и негативных упоминаний СМИ о компании.

Таблица 12.1

Динамика долей позитивных и негативных упоминаний о компании Месяц Доля позитивных упоминаний, % Доля негативных упоминаний, % Март 57,6 42,4 Апрель 50,5 49,5 Май 55,6 44,4 Июнь 64,0 36,0 Июль 69,0 31,0 Август 69,6 30,4 Сентябрь 62,8 37,2 Октябрь 68,7 31,3 Ноябрь 57,6 42,4 Декабрь 55,4 44,6 8 среднем 61,1 38,9

Распределение обще;о количества упоминаний о компании по субъектам РФ

Рис. 12.5

Из табл. 12.1 следует, что, в среднем, доли позитивных и негативных упоминаний близки (абсолютная погрешность равна 0,7 %) к широко известной в пауке и искусстве «золотой» пропорции, численное значение которой равно 61,8 : 38,2 и которая является одной из общесистемных констант [1—4]. Поскольку в управленческие цели не входила цель приблизиться к «золотой» пропорции, то полученный результат свидетельствует о проявлении общесистемного закона. В этой связи отметим, что «золотая» пропорция встречалась и в других результатах, например, в распределении общего количества упоминаний СМИ о компании по Москве и другим субъектам РФ в целом за год, представленного па рис. 12.5.

Для выявления зависимости между динамикой позитивных и негативных упоминаний СМИ о компании, был проведен кросс-корреляцион- иый анализ, результаты которого представлены на рис. 12.6.

Из рис. 12.6 следует, что количество позитивных и негативных упоминаний о компании изменялось одновременно в каждом месяце без лагов (запаздываний). Полученный результат соответствует известным проведенным управленческим мероприятиям.

Представленные в данном разделе эмпирические результаты показывают, что даже в условиях значительной меры целенаправленного управления и сознательной деятельности людей, в социальной системе неизбежно проявляется действие общесистемных законов.

Напротив, если управленческая деятельность изначально строится в соответствии с известными законами социальных систем, то многих проблем можно избежать заранее. Например, для прогнозирования количества позитивных и негативных упоминаний о компании использовался нейронакет №сиго8о1и1юп5, в частности «нейронная» сеть архитектуры Жордана—Элмаиа с контекстуальными нейронами с двумя скрытыми слоями. Первый скрытый слой содержал 15 нейронов, второй скрытый слой содержал 10 нейронов. В качестве входных нейронов выступали порядковые номера месяцев (1 — январь, 2 — февраль, 3 — март и т. д.). В качестве выходных нейронов выступали количество позитивных и негативных упоминаний о компании за каждый месяц. «Нейронная» сеть регулярно переобучалась по мере иоступлепия новых эмпирических данных. На рис. 12.7 представлена блочная архитектура используемой нейронной сети.

Рис. 12.7. Блочная архитектура «нейронной» сети Жордана—Элмана

Обучение «нейронной» сети осуществлялось с помощью генетического алгоритма со следующими характеристиками. Количество эпох — I

ООО, размер популяции — 100, количество поколений — 50, оператор селекции — Roulette («рулетка»), вероятность кроссовера — 0,9, вероятность мутации — 0,01. Результаты обучения «нейронной» сети, по данным, представленным па рис.

Отметим, что в соответствии с методическими рекомендациями обучения «нейронных» сетей, данная сеть специально была «педообучепа», чтобы избежать проблем с прогнозированием. Хотя в ряде компьютерных экспериментов по обучению построенная «нейронная сеть» достигала значепия коэффициента корреляции г = 1, т. е. абсолютно точно аппроксимировала (приближала) исходные эмпирические данные. На рис. 12.9 представлен один из прогнозов на основе построенной «нейронной сети». Показатели обучения Точность обучения для количества позитивных упоминаний о компании Точность обучения для количества негативных упоминаний о компании Минимальная абсолютная ошибка 0,658727646 0,179016113 Максимальная абсолютная ошибка 15,53120422 10,94033813 Коэффициент корреляции 0,998455962 0,996903148 Таблица 12.2

Прогноз на основе «нейронной» сети | 600І

Надежность прогноза основывалась на рапсе выявленных общесистемных закономерностях, что позволило заранее и не торопясь, правильно разработать соответствующие упреждающие управленческие мероприятии.

Список литературы

]. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004. 2.

Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСЛИ, 1996. 3.

Давыдов А. А., Чураков А.Н. Модульный анализ и моделирование социума. М.: ИСАН, 2000. 4.

Давыдов А. А. Системный подход в социологии: новые направления, теории и методы анализа социальных систем. М.: КомКнига/URSS. 2005 5.

Klir G Architecture of Systems Problem Solving. N. Y.: Plenum Publishing Corporation, 1985. 6.

FloodR., Jackson M. Creative Problem Solving: Total Systems Intervention. N. Y.: John Wiley & Sons, 1991. Заключение

Представленные в данной монографии результаты показывают, что системная социология, основанная на современном системном подходе, естественнонаучной, компьютациошюй, математической и социально- инженерной парадигмах, обладает новыми широкими возможностями в анализе, объяснении и прогнозировании различных социальных систем, позволяет выдвигать принципиально новые плодотворные гипотезы, выявлять новые законы строения и динамики социальных систем, разрабатывать частные теории и научно обоснованные управленческие рекомендации.

Об авторе

Давыдов Андрей Александрович, доктор философских паук, главный научный сотрудник Института социолог ии РАН, руководитель группы «Анализ социальных систем». Действительный член Академии наук Нью- Йорка, член-корреспоццент Международной Академии информационных процессов и технологий. Руководитель научно-исслсдоватсльскот комитета «Теория социальных систем» Российского общества социологов.