НЕЙРОМЕРЕЖНІ МОДЕЛІ В АНАЛІЗІ РЕКЛАМНИХ КАМПАНІЙ
УДК 004.738.5:659.1
Чуйков І.О., студент 2 року ОС магістр
ХНЕУ ім. С. Кузнеця
Анотація: У роботі було детально розглянуто методи та інструменти, які використовуються для прогнозування реакції користувачів на рекламні оголошення на просторах Інтернету. У рамках даної роботи було розглянуто особливості використання інструментів інтренет-маркетингу та проведено порівняння моделей логістичної регресії, дерев прийняття рішень та нейромережевих моделей для вирішення цього класу задач.
Ключові слова: нейронні мережі, рекламні оголошення, кліки, системи реклами, логістична регресія, дерева прийняття рішень.
Abstract: The paper discusses in detail the methods and tools to predict the reaction of users to advertisements on the Internet. The features of the use of intranet marketing tools were considered in the framework of the paper. The comparison of logistic regression models, decision tree and neural network models for solving this problem class was performed.
Keywords: neural networks, advertisements, clicks, advertising systems, logistic regression, decision tree.
Реклама – маркетингове повідомлення, призначене для заохочення потенційних покупців придбати товар або підписатись на послугу. Реклама також є способом встановлення іміджу бренда через повторну присутність реклами, пов’язаної з брендом у засобах масової інформації. Телебачення, радіо, газети, журнали та рекламні щити є одними з основних каналів, які традиційно розміщують рекламу, проте просування Інтернету дозволяє користувачам шукати інформацію в Інтернеті. Використовуючи Інтернет, користувачі можуть висловлювати свої інформаційні запити, переходити на певні веб-сайти та виконувати транзакції електронної комерції. Найважливіші пошукові системи продовжують вдосконалювати свої пошукові послуги та збирати інформацію про досвід перегляду користувачів, надаючи відповідні результати. Оскільки багато інших підприємств та послуг переходять у інтернет-простір, Інтернет є природним вибором для рекламодавців для розширення власної аудиторії, що дозволяє охопити потенційних клієнтів серед веб-користувачів.
У рекламній сфері загалом та у мобільній рекламі зокрема найважливішим результатом технічного розвитку останніх років є зростання кількості автоматизованих рекламних систем, що полегшує проведення аукціону з продажу реклами в режимі реального часу. Цей аукціон дуже вимогливий до часу відповіді, адже увесь процес, як правило, відбувається менш ніж за 100 мілісекунд до розміщення оголошення. Також у таких системах заохочується націлювання на поведінку користувачів, значна переорієнтація на купівлю, зосереджену на користувацьких даних, а не на контекстних даних з запиту та інформації про сайт, на якому розміщується реклама [1].
Подальший попит на автоматизацію, інтеграцію та оптимізацію в системах Інтернет-реклами відкриває нові можливості для досліджень в таких галузях, як інформаційний пошук машинне навчання та економіка. Цей факт обумовлює актуальність данної роботи.
У рекламній сфері загалом та у мобільній рекламі зокрема найважливішим результатом технічного розвитку останніх років є зростання кількості автоматизованих рекламних систем, що полегшує проведення аукціону з продажу інтернет-реклами в режимі реального часу. У таких системах заохочується націлювання на поведінку користувачів, значна переорієнтація на купівлю, зосереджену на користувацьких даних, а не на контекстних даних з запиту та інформації про сайт, на якому розміщується реклама.
У даній роботі пропонується використання нейронної мережі у якості модуля, який дозволить спрогнозувати реакцію користувача на рекламу, що максимізує дохід як клієнта, який купує рекламу, так і компанії, що володіє рекламною системою.
Останнім часом, окрім чотирьох основних типів гравців: рекламодавців, видавців, рекламних мереж та користувачів, було створено нові інструменти та платформи, які є унікальними та цінними для використання інтернет-маркетологами. Рис. 1 ілюструє всі елементи цієї системи.
Рис. 1. Рекламна система в дії
Платформи сторонніх постачальників (SSP) обслуговують видавців, реєструючи свої рекламні ресурси (покази) з кількох рекламних мереж та приймаючи ставки та розміщуючи оголошення автоматично.
Обмін оголошеннями (ADX) об’єднує декілька рекламних мереж разом. Коли видавці запитують рекламу з певним контекстом, щоб обслуговувати користувачів, ADX контактує з рекламними мережами (ADN) в реальному часі для більш широкого вибору релевантних об’яв.
Платформи сторонніх запитів (DSP) надаються рекламодавцям або рекламним агентствам, автоматично встановлюючи ставки для своїх кампаній у кількох рекламних мережах.
Обмін даними (DX), що також називається Платформами керування даними (DMP), обслуговує DSP, SSP та ADX, надаючи історичні дані користувача (зазвичай в реальному часі) для кращої відповідності [2].
Для того, щоб виміряти продуктивність оцінки CTR кожною моделлю, використаємо площу під ROC кривою (AUC). AUC [3] метрика є широко використовуваним показником для оцінки ефективності CTR.
У результаті було обрано мережу з найкращою якістю за показником AUC, нею стала модель з 200 нейронами у першому, другому та третьому прихованому шарі, та гіперболічним тангенсом у якості функції активації. На тестових даних ця модель має показник AUC 0,86.
У роботі було проаналізовано наявні програмні інструменти та обрано мову програмування Python у якості інструмента для реалізації, оскільки вона повністю відповідає вимогам, які стоять перед даним дослідженням.
Цю модель було порівняно з класичними моделями логістичної регресії та дерев прийняття рішень на різному об’ємі даних (до 4 мільйонів прикладів), які не були невідомі моделі. Загалом якість моделі є достатньою і головне, що модель показувала стабільні результати на різних наборах даних, що підтверджує можливість використання нейронної мережі у системах реального часу, які повинні постійно адаптуватися до зміни вподобань користувачів та зовнішніх для системи факторів.
Також цінність даної роботи полягає у використанні такого сучасного інструменту як хмарний сервіс, що дозволяє використати додаткові обчислювальні можливості та розмістити побудовану модель у мережі Інтернет.
ЛІТЕРАТУРА
Smith P.R. and Chaffey D. E-marketing Excellence: at the Heart of Ebusiness. Second edition, Butterworth-Heinemann, 2015.
Науковий керівник
д.е.н., проф. Клебанова Т.С.