Тип работы:
Предмет:
Язык работы:


РАЗРАБОТКА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ АНАЛИЗА ЗАВИСИМОСТЕЙ ПОКАЗАТЕЛЕЙ ОДНОТИПНЫХ ОБЪЕКТОВ

Работа №71936

Тип работы

Магистерская диссертация

Предмет

информационные системы

Объем работы83
Год сдачи2018
Стоимость4910 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
213
Не подходит работа?

Узнай цену на написание


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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


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).



1. 2017 was the year digital ad spending finally beat TV
[Электронный ресурс]. URL:
https://www.recode.net/2017/12/4/16733460/2017-digital-ad-spend-advertising-beat-tv(дата обращения: 22.06.2018).
2. Аукцион [Электронный ресурс]. URL: https://support.google.com/adwords/answer/142918?hl=ru&ref_topic=24937 (дата обращения: 20.02.2018).
3. Бабаев, А., Евдокимов, Н., Иванов, А. Контекстная реклама — СПб.: Питер, 2011. — 304 с.: ил. ISBN 978-5¬459-00335-2.
4. Боганюк, Ю.В., Воробьева, М.С. Алгоритм взаимодействия с сервером контекстной рекламы для уменьшения нагрузки на сервер / МАТЕМАТИЧЕСКОЕ И ИНФОРМАЦИОННОЕ МОДЕЛИРОВАНИЕ: сборник научных трудов. Вып.15. Тюмень: Издательство Тюменского государственного университета, 2017. 534 с.
5. Боганюк, Ю.В., Воробьева, М.С. Разработка web- приложения для автоматизации управления контекстом интернет-страниц при выдаче поисковой системы / Издательство Тюменского государственного университета, 2016. 55 с.
6. Боганюк, Ю.В., Воробьев, А.М. Разработка алгоритма автоматического пересчета параметров контекста интернет-страниц при поисковой выдаче / ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ НАУЧНОГО РАЗВИТИЯ: сборник статей Международной научно¬практической конференции (25 октября 2015 г. 2015 г., г.Пермь). / в 2 ч. Ч.2 - Уфа: АЭТЕРНА, 2015. - 286 с.
7. Боганюк, Ю.В. Разработка высокоуровневой
архитектуры веб-приложения для автоматизации управления контекстными кампаниями с учетом ограничений / Материалы 54-й Международной научной студенческой конференции МНСК-2016:
Информационные технологии / Новосиб. гос. ун-т. Новосибирск, 2016. 249 стр.
8. Виды поисковых запросов [Электронный ресурс]. URL: http://www.vsetyrabota.ru/semanticheskoe-yadro/184-vidy-poiskovykh-zaprosov(дата обращения: 15.02.2018).
9. Давыдов, Д.В., Измалков, С.Б., Смирнов, А.С. Рынки
контекстной рекламы: эмпирические и
экспериментальные работы / Журнал Новой экономической ассоциации, №4 (28), с. 56-73
10. Клиентский сценарий на веб-страницах ASP.NET
[Электронный ресурс]. URL:
https://msdn.microsoft.com/ru-ru/library/3hc29e2a(v=vs.100).aspx(дата обращения: 22.02.2018).
11. Высшая школа экономики. Многоклассовая классификация [Электронный ресурс]. URL: https://www.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mnoghoklassovaia-klassifikatsiia-P9Zun
(дата обращения: 25.05.2018).
12. Нейский, И.М. Классификация и сравнение методов кластеризации [Электронный ресурс]. URL: it-claim.ru/Persons/Neyskiy/Article2_Neiskiy.pdf
(дата обращения: 18.04.2018).
13. Открытый курс машинного обучения. Тема 10.
Градиентный бустинг [Электронный ресурс]. URL: https://habr.com/company/ods/blog/327250/ (дата обращения: 20.03.2018).
14. Первоначальные сведения [Электронный ресурс]. URL: https://tech.yandex.ru/direct/doc/dg-v4/concepts/WhereToBegin-docpage/(дата обращения: 20.02.2018).
15. Подробно о контекстной рекламе [Электронный ресурс]/icontext. - режим доступа: http://www.icontext.ru/ context/context-in-depth/
(дата обращения: 15.04.2018).
16. Позиции на поиске [Электронный ресурс]. URL: https://yandex.ru/support/direct/general/positions.xml(дата обращения: 12.02.2018).
17. Смирнов, А.С. Рынки контекстной рекламы: подходы и теоретические модели / ЭКОНОМИКА И МАТЕМАТИЧЕСКИЕ МЕТОДЫ, 2015, том 51, № 4, с. 14¬24
18. Соколов Е. Выбор моделей и критерии качества
[Электронный ресурс]. URL:
http://www.machinelearning.rU/wiki/images/1/1c/Sem06_me trics.pdf
19. Требования к приложению [Электронный ресурс]. URL: https://tech.yandex.ru/direct/doc/dg-v4/concepts/requirements-docpage/(дата обращения: 08.02.2018).
20. Троелсен Э. Язык программирования C# и платформа .NET 4.5 [Текст] / Троелсэн Э.; перевод с английского Артеменко Ю. М. - 6-е изд. - М.: ООО «И. Д. Вильямс», 2013. - 1312 с.
21. Трейдинг и машинное обучение с подкреплением
[Электронный ресурс]. URL: http://ai-
news.ru/2018/02/trej ding_i_mashinnoe_obuchenie_s_podkrepleniem.html (дата обращения: 24.04.2018).
22. Формат взаимодействия [Электронный ресурс]. URL: https://tech.yandex.ru/direct/doc/dg/concepts/format-docpage/
(дата обращения: 15.03.2018).
23. Формат JSON [Электронный ресурс]. URL: https://tech.yandex.ru/direct/doc/dg-v4/concepts/JSON- docpage/
(дата обращения: 08.01.2018).
24. Х.Бринк, Дж. Ричардс, М. Феверолф. Машинное обучение. - СПб.: Питер, 2017.
25. Choosing the right estimator [Электронный ресурс].
URL: http://scikit-
learn.org/stable/tutorial/machine_learning_map/index.html(дата обращения: 05.04.2018).
26. CRISP-DM: проверенная методология для Data
Scientist-ов [Электронный ресурс]. URL:
http://www.pvsm.ru/algoritmy/255490 (дата обращения: 15.03.2018).
27. JavaScript [Электронный ресурс]. URL:
https://developer.mozilla.org/ru/docs/Web/JavaScript(дата обращения: 28.01.2018).
28. Microsoft. Руководство Microsoft по проектированию архитектуры приложений, 2е издание.
29. Боганюк, Ю.В., Воробьева, М.С. Свидетельство о государственной регистрации программы для ЭВМ № 2017664023 «Разработка модуля «SearchAdImport v2.2» для загрузки иерархических объектов поисковой выдачи» от 14.12.2017.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ