ПОБУДОВА РЕЙТИНГУ РЕКЛАМНИХ АКЦІЙ
DOI:
https://doi.org/10.31319/2519-8106.2(45)2021.246864Ключові слова:
рейтинг, інтернет-реклама, кластеризаціяАнотація
Метою даного дослідження є вивчення завдання побудови рейтинга товарів та послуг на основі відгуків від клієнтів з подальшою кластеризацією та виявлення прихованих зв'язків між різними групами клієнтів. Методи дослідження ефективності реклами, що ґрунтуються на поведінковій функції клієнтів, проводилися досить давно. Традиційно, вони поділяються на методи колабораційної фільтрації та методи контентного аналізу. Наші дослідження лежать осторонь існуючих методів і засновані насамперед на зворотному зв'язку між споживачами товарів та послуг та виробниками.Пандемія коронавірусу призвела до суттєвої зміни відносин між клієнтами (споживачами послуг та товарів) та, відповідно, їх виробниками. У цих умовах велику роль набувають
інтернет-реклама. Обмеження переміщення людей призводить до того, що зростає роль
інтернету, як з погляду інформаційно-комутативних зв'язків, і з погляду продажу товарів та послуг. Розвиток інтернет-реклами набуває необхідності побудови рейтингу товарів та послуг на основі відгуків від клієнтів. Думка клієнтів стала, як ніколи, визначальною. Необхідність доставки клієнта в той сектор товарів та послуг, який йому цікавий, призводить до завдання виявлення прихованих зв'язків між товарами та послугами, який обирається тією чи іншою групою клієнтів.
Були встановлені наступні факти:
1. Пряме використання β-розподілу для аналізу ефективності реклами не завжди є виправданим. У крайніх випадках вона призводить до викривлення результатів ефективності реклами.2. Завдання кластеризації результатів дослідження, заснованих на апроксимації β-розподілу нормальним розподілом, ефективне у разі хороших відгуків клієнтів і неефективне за наявності великої кількості негативних відгуків, що робить цей підхід некоректним. Виробники товарів та послуг отримують неправильну інформацію.
- Використання кластеризації на основі функції β-розподілу, заданих на тому самому проміжку, дозволяє обійти цю проблему. Застосування методу метричного шкалювання дозволяє провести ефективну кластеризацію інтернет-реклами на основі відгуків клієнтів.
Посилання
Petrov, A. Introduction to Data Mining/ A. Petrov, O. Shumeiko, B. Basiura .− Krarow: AGH, 2019. − 364 p.
Davison, M. Multidimensional scaling. Methods of pictorial presentation of data / M. Davison.− M.: Finance and statistics, 1988. − 254 p.
Ayvazyan, S.A. Practical statistics. Classification and dimensionality reduction/ S.A. Ayvazyan, V.M. Buhshtaber, I.S. Yenyukov, L.D. Meshalkin.− М.: Finance and statistics, 1989. − 607 p.
Esbensen, K. Multivariate data analysis/K. Esbensen.− Chernogolovka: IPCP RAS, 2005.−160 p.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
a. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
b. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
c. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
