ВВЕДЕНИЕ 3
ГЛАВА 1. ОПРЕДЕЛЕНИЕ ЦЕЛЕЙ И МЕТОДОЛОГИИ ИССЛЕДОВАНИЯ 5
§ 1.1. Принципы работы аукциона в поисковой системе 5
§ 1.2. Обзор существующих инструментов анализа стратегий 6
§ 1.3. Применение методологии CRISP-DM в работе 7
ГЛАВА 2. ПРОЕКТИРОВАНИЕ СИСТЕМЫ «COMPETITOR». .10
§ 2.1. Постановка задачи 10
§ 2.2. Алгоритмы и подходы, используемые в системе
«Competitor» 13
2.2.1. Средства регулирования нагрузки на сервер 13
2.2.2. Автоматизированный сбор данных 16
2.2.3. Алгоритм поддержки средств регулирования
нагрузки на сервер 18
ГЛАВА 3. ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ АУКЦИОНА. .22
§ 3.1. Подготовка данных 22
§ 3.2. Выбор алгоритмов и оценка качества моделей обучения 26
ГЛАВА 4. ОПИСАНИЕ ПРОГРАММНОГО ПРОДУКТА 30
§ 4.1. Используемые технологии и архитектура системы....30
§ 4.2. Реализация автоматизированного сбора данных 33
§ 4.3. Реализация информационного обеспечения 35
§ 4.4. Программная реализация web-приложения «Competitor» 38
§ 4.5. Программная реализация модуля анализа данных и обучения 40
§ 4.6. Апробация работы системы 43
ЗАКЛЮЧЕНИЕ 52
СПИСОК ЛИТЕРАТУРЫ 54
ПРИЛОЖЕНИЕ 1 58
ПРИЛОЖЕНИЕ 2 59
ПРИЛОЖЕНИЕ 3 64
ПРИЛОЖЕНИЕ 4 66
В настоящее время все более неотъемлемой частью количества активных пользователей интернета и конкурентов, продвигающих свои продукты и услуги в интернете. Одним из методов web-аналитики является анализ рекламных кампаний конкурентов.
При разработке стратегии продвижения, в частности контекстной рекламы, используется множество инструментов. Одним из инструментов является аналитика стратегий продвижения конкурентов, то есть рекламных кампаний с однотипными параметрами.
Аналитика стратегий включает в себя выявление зависимостей и периодичности показателей рекламных кампаний с пересекающимися параметрами. Такая аналитика позволяет разработать стратегию продвижения, которая будет наиболее эффективна при вводе внешних ограничений, таких как бюджет рекламной кампании и количество посетителей сайта, и будет учитывать стратегии продвижения конкурентов.
Данная тема является актуальной, так как ежегодно наблюдается рост оборота глобального рынка интернет-рекламы. Например, «в 2017 году по оценке исследовательской компании Magna, объем рынка интернет-рекламы составил 41% мирового рекламного рынка, при оценке объема телевизионной рекламы в 35%. Ожидается, что к 2020 году интернет-реклама составит 50% мирового рынка рекламы» [1].
Целью исследования является проектирование и разработка системы поддержки принятия решений для анализа зависимостей и периодичности показателей объектов с пересекающимися параметрами.
Для достижения поставленной цели необходимо выполнить следующие задачи:
• изучить методы анализа данных, методы анализа зависимостей параметров объектов;
• проанализировать источники данных и подготовить dataset для системы;
• применить алгоритмы обучения и выполнить оценку качества моделей обучения;
• разработать систему поддержки принятия решений, предлагающую смоделированные варианты состояний аукциона;
• выполнить апробацию предлагаемых решений системы на реальных данных.
Научно-практическая новизна исследовательской работы заключается в применении результатов анализа зависимостей и периодичности показателей рекламных кампаний в процессе моделирования возможных решений для разработки наиболее эффективной стратегии размещения рекламных объявлений в поисковой выдаче.
По итогам исследования планируется внедрение разработанной системы в работу организации, специализирующейся на разработке стратегий интернет- рекламы.
В результате работы над магистерской диссертацией была разработана система «Competitor» поддержки принятия решений на основе анализа зависимостей показателей однотипных объектов. Система позволяет проводить мониторинг рекламных блоков поисковой выдачи и получать прогноз позиций размещения объявлений конкурентов.
Все поставленные задачи были достигнуты:
• изучены методы анализа данных, методы анализа зависимостей параметров объектов;
• определены требования к разрабатываемой системе;
• автоматизирован сбор данных;
• разработан алгоритм поддержки средств регулирования нагрузки на сервер;
• выполнен анализ и подготовка данных для обучения;
• применены алгоритмы машинного обучения и выполнена оценка качества моделей обучения;
• работа системы апробирована на реальных данных, получены достоверные результаты.
Знания позиций размещения объявлений конкурентов позволят специалисту по поисковой рекламе устанавливать дополнительные настройки показа объявлений с целью увеличения времени отображения объявлений на первых позициях поисковой выдачи.
В результате проведения исследования сделан вывод о том, что подготовительный этап, включающий анализ, сбор и подготовку данных, занимает около 60% времени всего исследования, а сам процесс моделирования около 10-15% за счет применения открытых библиотек анализа данных.
Получено согласие со стороны ООО «Инкомтехнологии Групп» на внедрение разработанной системы «Competitor» в работу организации. Это позволит специалистам ООО «Инкомтехнологии Групп» не только более точно настраивать стратегии размещения объявлений своих клиентов, но и использовать наличие такой системы как конкурентное преимущество своей компании при проведении деловых переговоров.
Программный код модуля автоматизированного сбора данных был зарегистрирован (свидетельство о государственной регистрации программы для ЭВМ №2017664023).
Помощь студентам и аспирантам в выполнении работ от наших партнеров
