Model pomiaru i przewidywania preferencji klientów w ujęciu dynamicznym

Pełen tekst

(1)MODEL POMIARU I PRZEWIDYWANIA PREFERENCJI KLIENTÓW W UJCIU DYNAMICZNYM OLGA PILIPCZUK. Streszczenie Według współczesnych pogldów w naukach społecznych, ludzie posiadaj pewne preferencje i kady dokonany przez nich w procesie podejmowania decyzji wybór jest wynikiem oddziaływania tych preferencji. Naukowcy udowodnili, e preferencje ludzkie s zmienne, co zainicjowało powstanie nowego nurtu badawczego majcego na celu zwalczanie problemów w procesie przewidywania zmian preferencji i konsekwentnego zarzdzania tymi zmianami. Celem artykułu jest zaproponowanie modelu pomiaru i przewidywania preferencji klientów z uwzgldnieniem koncepcji ich zmiennoci. Przewidywanie preferencji w modelu odbywa si na podstawie reguł uzyskanych w wyniku analizy ocen klientów, analizy wpływu otoczenia zewntrznego i wewntrznego na ocen oraz analizy profili klientów. Słowa kluczowe: preferencje, zmiana preferencji, zarzdzanie zmian preferencji, model pomiaru, przewidywanie preferencji 1. Wprowadzenie Termin "preferencja" w literaturze naukowej tłumaczy si na róne sposoby. Przez długie lata preferencji postrzegano przewanie w aspekcie psychologicznym. W aspekcie psychologicznym preferencje definiowano jako stosunek człowieka do obiektu lub zestawu obiektów, odzwierciedlony zazwyczaj w procesie jawnego podejmowania decyzji [12]. Webster i Phalan [23] okrelaj preferencje jako stany umysłu, które nie da si bezporednio obserwowa . Oprócz tego mona zinterpretowa ten termin jako ocen szacunkow z punktu widzenia podobania si lub niepodobania si obiektu [19]. Przez wiele lat prace nad pomiarem preferencji w ekonomii były do rzadkie i raczej heterogeniczne [3, 5]. Sytuacja zmieniła si dopiero w momencie rozpowszechnienia w ostatnich dziesicioleciach metod behawioralnych i ewolucyjnych w zarzdzaniu. Według opinii ekonomistów preferencje klientów mona potraktowa jako stopie uytecznoci przypisywany przez konsumentów rónym poziomom atrybutów produktu lub usługi [8]. Na skutek rozpowszechnienia si wród ekonomistów opinii, e preferencje ludzkie s nietrwałe i naley podj prace nad badaniem przesłanek i natury zachodzcych w nich zmian, powstało kilka modeli, w których analizowano preferencje zarówno jako zjawisko stałe jak równie dynamiczne. Rozpoczł si nowy cykl bada [6, 10, 11]. Pojawiła si potrzeba przewidywania preferencji klientów. Modele predykcyjne najczciej bazowały na danych historycznych dotyczcych podobnych grup klientów (profili). Sporód nich mona wyróni zespołowe metody filtrowania, metody informacyjno-teoretyczne, modele utajonych kom-.

(2) Studies & Proceedings of Polish Association for Knowledge Management Nr 64, 2013. 95. ponentów. W ostatnich latach mona zaobserwowa wzrost popularnoci modeli bazujcych na podejciu ewolucyjnym. Modele te prezentuj ewolucj preferencji w populacji agentów, którzy racjonalnie wybieraj strategi działania dopasowan do swoich preferencji [4]. Podstaw analizy zmiany preferencji jest zmiana oceny klienta pod wpływem nowych informacji pochodzcych z otoczenia. Preferencje mog i czsto zmieniaj si w interakcji ze rodowiskiem – w odpowiedzi na obserwacje, eksperymenty i opinie innych ludzi, jak równie z powodu wewntrznych procesów poznawczych i biologicznych człowieka. Zrozumienie, jak zmieniaj si preferencje lub jak powinny si zmieni w wyniku wpływu tych procesów, jest wanym wyzwaniem dla specjalistów zarzdzania. Według specjalistów z tej dziedziny analizy zmian preferencji mona dokona według ogólnych zasad dynamiki zmian [1], [2], [19], [21], [9]. Naukowcy proponuj zastosowanie ontologii do rozwizania tych problemów metodologiczne, poprzez rozwój rónych modeli zmiany preferencji. Wykorzystywane obecnie w systemach informatycznych modele pomiaru i przewidywania preferencji posiadaj szereg niedoskonałoci. Przede wszystkim bazuj one zazwyczaj na danych numerycznych, rzadziej – na danych lingwistycznych. Dane numeryczne nie odzwierciedlaj całej rzeczywistoci, dane lingwistyczne natomiast s mało precyzyjne. Ponadto modele te analizuj tylko dane historyczne, nie przewidujc zmian zachodzcych w otoczeniu. Pomimo ewidentnych rónic w specyfice działania organizacji usługowych i organizacji produkcyjnych, brakuje rozrónienia metod pomiaru i przewidywania preferencji klientów dla tych organizacji. Podsumowujc, moemy wywnioskowa , e najwaniejszymi elementami w przewidywaniu preferencji s reguły zachowa, wpływ otocznia zewntrznego i wewntrznego, charakterystyki osobowociowe konsumenta oraz wybór odpowiedniej skali w ten sposób, aby nie sugerowa odpowiedzi i nie nakłania konsumenta do wyboru jednego z wariantów. Natomiast modele pomiaru i przewidywania preferencji powinny odpowiada nastpujcym wymaganiom: • by dostosowane do zmieniajcych si warunków wiata rzeczywistego; • integrowa róne typy danych; • uwzgldnia dane historyczne; • bazowa na ocenach podanych przez klienta; • uwzgldnia wagi tych ocen; • zawiera ontologi opisujc otoczenie klienta i organizacji; • grupowa klientów w profili; • łczy wszystkie opisane powyej wymagania w ramach jednego modelu. 2. Model pomiaru i przewidywania preferencji klientów Problem pomiaru preferencji klientów w zalenoci od przyjtej definicji mona zinterpretowa. na róne sposoby, jednak wikszo z nich sprowadza si do nastpujcych pyta: jak klient ocenia obiekt lub jego cech? Jaki jest poziom jego zadowolenia? Ocena moe by podana zarówno za pomoc liczb rzeczywistych z okrelonego przedziału, w postaci lingwistycznej jak i za pomoc skoczonego zbioru innych typów danych: obrazów, rysunków, symboli. Pod pojciem obiektu moe kry si konkretny produkt, usługa albo cecha. Na rysunku 1 przedstawiono ogólny model pomiaru preferencji klientów bez wzgldu czy badane s preferencje klientów organizacji usługo-.

(3) 96. Olga Pilipczuk Model pomiaru i przewidywania preferencji klientów w ujciu dynamicznym. wych czy produkcyjnych. Szczegółowy opis modelu pomiaru preferencji klientów organizacji usługowych przedstawiono w poprzednich pracach [15], gdzie najwaniejsz rol odgrywaj emocj, uczucia, dowiadczenie oraz zadowolenie klienta. Ocena obiektu odbywa si na podstawie analizy jego czynników kluczowych. Zrónicowanie charakterystyk osobistych klientów pozwala na przeprowadzenie segmentacji i stworzenie ich profili, działajcych jako filtry. Profile, otocznie i oceny klientów słu jako podstawa do tworzenia reguł. Zgodnie z opini wielu autorów, makro i mikro-otoczenie okrela zmiany na wiecie, wpływajc na zrónicowanie dowiadcze klientów oraz na kształtowanie ich charakterystyk osobistych [12], [20]. Emocje wywieraj bardzo duy wpływ na postrzeganie otoczenia przez klienta [17]. Emocje, które odczuwa klient wywołuj reakcje w postaci zmiany oceny czynników kluczowych obiektu. Przebieg zmian w modelu przedstawiono w pracy [16]. Ponadto model moe zosta uzupełniony o dodatkowe elementy, takie jak analiza potrzeb i dowiadcze klientów [15]. ROLA OBIEKTÓW. NARZDZIA I METODY. OBIEKTY. OTOCZENIE Makro. ONTOLOGIA. Mikro. CZYNNIKI. CZYNNIKI KLUCZOWE. PROFILE. FILTRY. K. REGUŁY. L. ZBIORY PRZYBLIONE. OCENY. I. E. N. Preferencje. T SYMULACJE. Zmiany. PROCESY. KORZY

(4) CI. Dochód, Profity, Przetrwanie. RANKING. ORGANIZACJA. Rysunek 1. Model pomiaru i przewidywania preferencji klientów ródło:opracowanie własne..

(5) 97. Studies & Proceedings of Polish Association for Knowledge Management Nr 64, 2013. Wszystkie oceny klienta w modelu uzyskuje si za pomoc skali stworzonej na podstawie spektrum barw. Spektrum barw składa si z nastpujcych barw prostych: fioletu, indygo, niebieskiego, cyjanu, zielonego, ółtego, pomaraczowego i czerwonego. Kady kolor ma okrelone znaczenie dla człowieka i postrzega si intuicyjnie, co pozwala na odwzorowanie wartoci poszczególnych parametrów w modelu za pomoc odpowiednich kolorów. Tak, na przykład, fiolet wskazuje na minimalne znaczenie wybranego parametru, czerwony wskazuje na maksymalne znaczenie parametru. Zastosowanie wielu odcieni barw daje moliwo podziału skali na wiele przedziałów, co pozwala na znaczne sprecyzowanie oceny konsumenta oraz jednoczenie na integracj rónych typów danych. Barier w ustaleniu przedziału jest tylko zdolno oka ludzkiego do dostrzeenia rónicy pomidzy odcieniami barwy. Szczegółowe badania dotyczce efektywnoci wykorzystania kolorów do ekstrakcji opinii ludzkich przedstawiono we wczeniejszych pracach [14].. Rysunek 2. Skala kolorowa do ekstrakcji ocen klientów ródło:opracowanie własne. Obecnie spektrum barw wykorzystuje si w wielu dziedzinach nauki w celu prezentacji rónych danych. Na przykład w badaniach geograficznych stosuje si go w celu zaprezentowania poziomu temperatury, zasolenia, gstoci i czstotliwoci biosfery oceanu [25]; w medycynie w elektrokardiogramach [24], w fizyce, na przykład w celu zaprezentowania korelacji pomidzy komponentami spektralnymi podczas badania przemieszczenia elektronu przez nanostruktury półprzewodnikowe [22] i w wielu innych sytuacjach. 2.1. Tworzenie ontologii dynamicznej Najwikszym utrudnieniem w przewidywaniu preferencji jest uwzgldnienie dynamiki zmian otoczenia, jakie determinuj zachowania konsumentów. Działania organizacji w konkurencyjnym otoczeniu s uwarunkowane pojawiajcymi si wokół rónorakimi ograniczeniami i wymuszeniami. Aby przewidzie wpływ otoczenia na ocen klienta, najpierw naley pozna elementy (obiekty), z których one si składa, zbada relacje pomidzy nimi, dokładnie opisa otoczenie oraz procesy i relacj w nim zachodzce, gdy czsto umiejtno opisu otoczenia i prognozowania jego wpływu na zachowanie klienta decyduje o przetrwaniu bd upadku przedsibiorstwa. W celu dokonania opisu makro i mikro-otoczenia klienta w modelu wykorzystano ontologie dynamiczn (Rys.3). Właciwoci wszystkich klas mikro- i makro-otoczenia s róne i definiowane s za pomoc rónych typów danych, dlatego w celu ułatwienia, (a nawet czasem umoliwienia) ich integracji w modelu zastosowano zbiory spektrum barw. Proces tworzenia ontologii w modelu składa si z nastpujcych etapów [13,15]: 1) definiowanie klas w ontologiach; wyrónia si 2 typy klas (obiektów): fizyczne i abstrakcyjne; 2) ułoenie klas w hierarchiczne struktury (nadklasy – podklasy). Hierarchie klas stworzono na bazie koncepcji analizy PESTLE: • otoczenie ogólnowiatowe: geograficzne, informacyjne, ekologiczne itd.;.

(6) 98. Olga Pilipczuk Model pomiaru i przewidywania preferencji klientów w ujciu dynamicznym. • otoczenie unijne: geograficzne, informacyjne, ekologiczne itd.; • otoczenie krajowe: geograficzne, informacyjne, ekologiczne itd.; • otoczenie mikro: dostawcy, urzdy, konkurenci itd.; • organizacja: czynniki kluczowe; 3) definiowanie właciwoci klas i opisanie granic dopuszczalnych dla nich wartoci; 4) wprowadzanie poszczególnych właciwoci; 5) definiowanie rodzaju i tworzenie relacji pomidzy poszczególnymi klasami (obiektami).. Otoczenie kraKlasa WłaciWłaciWłaciWłaci-. Klasa WłaciWłaciWłaci-. Klasa WłaciWłaci-. Klasa WłaciWłaciWłaci-. Otoczenie mikro Klasa WłaciWłaciWłaci-. Klasa Właci-. Klasa WłaciWłaciWłaciWłaci-. Klasa WłaciWłaciWłaci-. Otoczenie organizacyjne Rys, 3. Fragment ontologii dynamicznej z przykładowym rozkładem klas i stanów ich właciwoci ródło: opracowanie własne. Wszystkie obiekty w ontologii połczono ze sob za pomoc okrelonych relacji poprzez właciwoci. Wystpuje kilku rodzajów relacji. Jeeli powizane relacj obiekty lub ich właciwoci to zjawiska powszechnie znane, zazwyczaj istnieje okrelony wzór, który odzwierciedla ich relacje (np. inflacja i bezrobocie). Jeeli natomiast wiemy tylko o istnieniu okrelonych zjawisk złoonych, ale nie mamy konkretnych informacji o relacjach zachodzcych pomidzy nimi i jedynie potrafimy okreli , czy zwikszenie lub zmniejszenie jednego zjawiska powoduje zwikszenie lub zmniejszenie drugiego, to w takim przypadku zachodzi jedna z relacji: 1) 2) 3) 4). min-max: im mniejsza właciwo klasy X – tym wiksza właciwo klasy Y; max-min: im wiksza właciwo klasyX – tym mniejsza właciwo klasy Y; min-min: im mniejsza właciwo klasyX – tym mniejsza właciwo klasy Y; max-max:: im wiksza właciwo klasyX – tym wiksza właciwo klasy Y.. Kady obiekt w ontologii rozpatrywany jest jako obiekt dynamiczny, przechodzcy z jednego stanu w drugi w wyniku zmian jego właciwoci. Obiekt zmienia swój stan w okrelonym momencie czasu. Poniewa kada zmiana jest procesem, wane jest nie tylko mierzenie i prognozowanie czasu.

(7) 99. Studies & Proceedings of Polish Association for Knowledge Management Nr 64, 2013. rozpoczcia zmiany, czasu jej trwania oraz czasu zakoczenia, ale take czasu przeniesienia (oczekiwania) zmiany (Rys. 4). Innymi słowy naley zastosowa podejcie procesowe do zarzdzania zmianami. Jeli obiekt w tym samym czasie przechodzi kilka zmian, łczny czas jego przejcia z jednego stanu do drugiego bdzie składa si z sumy czasów czstkowych. Na oszacowanie czasów przebiegu procesów zmian stanów obiektów ontologii pozwala symulacja komputerowa. Czas. Zmiana 1. Zmiana 2. t0+. 0. Czas oczekiwania. 1. t. t1+. Zmiana 3. Zmiana n. …. t2+t t t = czas trwania + czas oczekiwania 2. n. Rysunek 4. Dynamika zmian obiektu w ontologii ródło: opracowanie własne. 2.2. Analiza ocen klientów z wykorzystaniem zbiorów przyblionych Głównym powodem zastosowania zbiorów przyblionych do tworzenia modelu pomiaru preferencji jest moliwo tworzenia za ich pomoc reguł zachowania, a take okrelenia istotnoci kadego czynnika wpływajcego na decyzj klienta. Poniej przetoczono podstawowe etapy procedury analizy ocen klientów za pomoc teorii zbiorów przyblionych: 1. Wybór czynników kluczowych wpływajcych na ocen klienta. 2. Tworzenie ankiety. Ankieta zawiera pytania pozwalajce oceni poszczególne czynniki kluczowe wpływajce na preferencje klienta według skali spektrum barw. 4. Zbieranie danych. 5. Analiza danych za pomoc teorii zbiorów przyblionych. 6. Tworzenie reguł decyzyjnych Bardziej dokładny opis procedury analizy ocen klientów za pomoc zbiorów przyblionych przedstawiono w poprzednich pracach [15, 16]. 2.3. Tworzenie profili klientów Jak ju zostało wczeniej powiedziane, preferencje klientów zazwyczaj przewidywane s za pomoc tak zwanych zespołowych metod filtrowania, w których prognozy opieraj si na opiniach grup podobnych uytkowników – profilach klientów [7, 17]. Spowodowano to faktem, e kada organizacja moe posiada setki, a nawet tysicy i wicej klientów, wic efektywnym sposobem na.

(8) 100. Olga Pilipczuk Model pomiaru i przewidywania preferencji klientów w ujciu dynamicznym. ułatwienie analizy danych jest wprowadzenie profili klientów. Filtrowanie mona wykona według rónych kryteriów psychograficznych, demograficznych, charakterologicznych i innych, takich jak: poziom ycia, dobrobyt, skłonno do konsumpcji, cechy kulturowe, systemy wartoci, wzorce konsumpcji, edukacja konsumenta, sposób zaspokajania potrzeby, czas podejmowania decyzji, sposób ycia, zainteresowania, itd. 3. Przewidywanie preferencji klientów W celu uzyskania prognozy preferencji naley najpierw przeanalizowa histori ocen klientów, pozna przyczyny zmian preferencji, dokona prognozy ocen klientów i zmian w otoczeniu, a pó niej na postawie tych ocen dokona symulacji zmian w otoczeniu dla klientów o okrelonych profilach i stworzy ich ranking. Na rysunku 5 przedstawiono przebieg procesu przewidywania preferencji konsumentów. Na etapie wstpnym zbiera si informacje o klientach w celu stworzenia profili, bada si wpływ czynników otoczenia na ocen klienta, przeprowadza si analiz preferencji i na podstawie uzyskanych danych generuje si reguły za pomoc teorii zbiorów przyblionych. Symulacji dokonuje si na podstawie opracowanych reguł oraz danych prognozy dotyczcych zmiany profilu klienta i zmiany jego otoczenia. Podczas symulacji kada zmiana rozpatrywana jest jako oddzielny proces, dla którego mona ustali czas rozpoczcia, czas trwania oraz czas zakoczenia. Czas inicjacji nowego procesu (zmiany) te naley wzi pod uwag. Celem wykonania symulacji w modelu jest prognozowanie zmian preferencji klientów, okrelenie wielkoci tych zmian oraz przedstawienie rankingu preferencji według profili w stanie docelowym. Dane prognozy. Dane historyczne Czynniki otoczenia. Przeszłe preferencje. Czynniki otoczenia. Profile. Reguły. Profile. Symulacja. Przyszłe preferencje. Rysunek 5. Mechanizm przewidywania preferencji klientów w modelu ródło: opracowanie własne..

(9) 101. Studies & Proceedings of Polish Association for Knowledge Management Nr 64, 2013. 4. Zako czenie Niniejszy artykuł jest kontynuacj serii bada nad modelem pomiaru i przewidywania preferencji [15, 16]. Opracowany model pomiaru i przewidywania preferencji odpowiada wymaganiom stawianym przed rozpoczciem projektowania. Zastosowanie ontologii dynamicznej i koncepcji zmiennoci preferencji wspomaga proces prognozowania, które odbywa si nie tylko na podstawie danych historycznych o poprzednich zachowaniach klienta, ale równie na podstawie przewidywanych zmian otoczenia i profili klientów. Wykorzystanie zbiorów przyblionych w systemie pozwala na tworzenie powiza pomidzy otoczeniem, profilami a ocenami klientów. Zastosowanie skali spektrum barw do ekstrakcji opinii klientów i opisu elementów składowych ontologii ułatwia integracj danych w ramach całego modelu. Przyjcie koncepcji zmiennoci preferencji znacznie komplikuje przewidywanie, szczególnie trudne jest opisywanie obiektów abstrakcyjnych ontologii oraz okrelenie czasu rozpoczcia, trwania i zakoczenia zmiany. Wprowadzenie podejcia procesowego do koncepcji zmiennoci wnosi znaczne ułatwienie tych czynnoci, a take pozwala na uzyskanie cigłej kontroli nad procesem zmian. 5. Literatura [1] [2]. [3] [4] [5] [6] [7] [8] [9] [10] [11]. [12] [13]. Alchourron C., Gardenfors P., and Makinson D) On the logic of theory change: Partial meet contraction and revision functions, Journal of Symbolic Logic, 50, 1985, 510–530. Baltag A., Moss L. S., and Solecki S. The logic of common knowledge, public announcements, and private suspicions, in I. Gilboa(ed.), Proceedings of the 7th Conference on Theoretical Aspects of Rationality and Knowledge, 1998, 43–56. Becker G. S., Michael R. T. On the New Theory of Consumer Behavior. Swedish Journal of Economics 75, 1973, 378–395. Grune-Yanoff, T. Hansson S., Preference Change: An Introduction, Springer Dordrecht Heidelberg London New York, 2009, 1–27. Grune-Yanoff, T. The Problems of Testing Preference Axioms with Revealed PreferenceTheory. Analyse & Kritik 26(2), 2004, 382–397. Kahneman, D., Tversky, A. (Eds.) Choices, values, and frames. Cambridge, UK: Cambridge University Press, 2000. Konstan J., Miller B., Maltz D., Herlocker J., Grouplens: Applying collaborative filtering to usenet news, Communications of the ACM, 40(3), 1997, 77–87. Kotler Ph., Armstrong G. Principles of marketing, Pearson, 1998. Lang J., van der Torre L. From belief change to preference change, Materiały konferencyjne ECAI-2008, 2008. Lichtenstein S, Slovic P. The construction of preference Cambridge University Press Cambridge, New York, 2006. Loewenstein, G. and Angner, E. Predicting and Indulging Changing Preferences. Time and Decision: Economic and Psychological Perspectives on Intertemporal Choice, New York, Russell Sage 2003, 351–391. Mihelis G., et al. Customer Satisfaction Measurement in the Private Bank Sector. European Journal of operational Research, 130, 2001, 347–360. Noy F. N. McGuinness D.L. Ontology Development 101: A Guide to Creating Your First Ontology Knowledge Systems Laboratory, Stanford University, 2004..

(10) 102. [14]. [15] [16] [17] [18] [19] [20]. [21] [22] [23] [24]. [25]. Olga Pilipczuk Model pomiaru i przewidywania preferencji klientów w ujciu dynamicznym. Pilipczuk O., Integration of the visible color spectrum and the rough sets theory in the process of expert knowledge extraction, International Journal of Computing Applications, 68 (19) New York, USA 2013, 24–30. Pilipczuk O., Prognozowanie preferencji klientów organizacji usługowych, Informatyka Ekonomiczna, vol. 20, Wrocław 2011, 59–71. Pilipczuk O., Zarzdzanie zmian preferencji klientów, Ekonomika i Organizacja Przedsibiorstw, n. 5, SGH, Warszawa 2012, 81–89. Scherer K. What are emotions? And how can they be measured? Social Science Information, 44(4), 2005, 695–729. Shardanand U., Maes P., Social information filtering: Algorithms for automating “word of mouth”, Computer Human Interaction Proceedings, Denver, 1995, 210–217. van Benthem J. Exploring Logical Dynamics, CSLI Publication, Stanford, 1996. Van den Poel D., Larivi’ere B. Customer attrition analysis for financial services using proportional hazard models, European Journal of Operational Research, 157(1), 2004, 196– 217. van Ditmarsch H., van der Hoek W., Kooi B. Dynamic Epistemic Logic, Springer, Berlin, 2007. Ubbelohde N., Fricke Ch, Flindt Ch, Hohls F., Haug R., Measurement of finite-frequency current statistics in a single-electron transistor, Nature Communications, 3, 2012, 612. Webster J., Phalen P., The mass audience: Rediscovering the dominant model. Mahwah, NJ: Lawrence Erlbaum, 1997. Yoshifuku S.; Chen Sh., McMahon E., Korinek J. i in. Parametric detection and measurement of perfusion defects in attenuated contrast echocardiographic images, Journal of ultrasound in medicine, 26 (6): 7, 2007, 39–48. Zappa, C., Ho D., McGillis W., Banner M. i in. Rain-induced turbulence and air-sea gas transfer, Journal of geophysical research, 2009, 114..

(11) Studies & Proceedings of Polish Association for Knowledge Management Nr 64, 2013. 103. THE MEASUREMENT AND PREDICTION MODEL OF CLIENT PREFERENCES IN SERVICE ORGANIZATIONS Summary According to modern views in social sciences, people have preferences and their choice is the result of the impact of these preferences. Scientists have proved that human preferences are variable, which resulted in the creation of a new trend in management science in order to overcome the problem of predicting changes in the preferences and consequent management of these changes. The purpose of this article is to propose a model for measuring and predicting customer preferences with regard to the concept of preference changes. Predicting preferences in the model is based on rules derived from the analysis of customer ratings, analysis of the impact of the external and internal environment on the customer’s ratings and customer profiles analysis. Keywords:Preference, preference change, preference change management, preference measurement model, preference prediction. Olga Pilipczuk Katedra Zarzdzania i Inynierii Wiedzy Wydział Nauk Ekonomicznych i Zarzdzania Uniwersytet Szczeciski Mickiewicza 64, 71-101 Szczecin e-mail: olga.pilipczuk@wneiz.pl.

(12)