Цифровой маркетинг. monografia_-Цифровой-маркетинг. Цифровий маркетинг модель маркетингу
 Скачать 5.72 Mb.
|
|
241 У цьому прикладі видні два кластери, один у районі 2000 грн/20– 30 років і іншої в районі 7000 грн/50–65 років. У цьому випадку ви- сунуто гіпотезу й перевірено її на простому графіку, який можна по- будувати за допомогою будь-якого підходящого ПЗ для побудови графіків. Для складніших комбінацій потрібен повний аналітичний пакет, особливо якщо потрібно автоматично засновувати розв’язки на інформації про найближчого сусіда. Така побудова кластерів являє собою спрощений приклад так званого образа найближчого сусіда. Окремих покупців можна розрізняти по їх буквальній близькості друг до друга на графіку. Досить імовірно, що покупці з того самого кластеру розділяють і інші загальні атрибути, і це припущення можна використовува- ти для пошуку, класифікації та інших видів аналізу членів набору даних. Метод кластеризації можна застосувати й у зворотну сторону: вра- ховуючи певні вхідні атрибути, виявляти різні артефакти. Наприклад, недавнє дослідження чотиризначних pin-кодів виявили кластери чи- сел у діапазонах 1–12 і 1–31 для першої й другої пар. Зобразивши ці пари на графіку, можна побачити кластери, пов’язані з датами (дні народження, ювілеї). Прогнозування — це широка тема, яка простягнеться від передба- чення відмов компонентів устаткування до виявлення шахрайства й навіть прогнозування прибутків компанії. У комбінації з іншими мето- дами інтелектуального аналізу даних прогнозування припускає аналіз тенденцій, класифікацію, зіставлення з моделлю й відносини. Аналізу- ючи минулі події або екземпляри, можна передбачати майбутнє. Наприклад, використовуючи дані по авторизації кредитних карт, можна об’єднати аналіз дерева рішень минулих транзакцій людини із класифікацією й зіставленням з історичними моделями з метою ви- явлення шахрайських транзакцій. Якщо покупка авіаквитків у держа- ві збігається із транзакціями в цій державі, то цілком імовірно, що ці транзакції справжні. Послідовні моделі, які часто використовуються для аналізу довго- строкових даних, — корисний метод виявлення тенденцій, або регу- лярних повторень подібних подій. Наприклад, за даними про покуп- ців можна визначити, що в різну пору року вони купують певні набори продуктів. По цій інформації додаток прогнозування купівельного ко- шика, ґрунтуючись на частоті та історії покупок, може автоматично припустити, що в кошик будуть додані ті або інші продукти. 242 Дерева рішень пов’язані з більшістю інших методів (головним чи- ном, класифікації й прогнозування), можна використовувати або в рамках критеріїв відбору, або для підтримки вибору певних даних у рамках загальної структури. Дерево рішень починають із простого питання, яке має дві відповіді (іноді більше). Кожна відповідь при- водить до наступного питання, допомагаючи класифікувати й іден- тифікувати дані або робити прогнози. Дерева рішень часто використовуються із системами класифіка- ції інформації про властивості та з системами прогнозування, де різ- ні прогнози можуть ґрунтуватися на минулому історичному досвіді, який допомагає побудувати структуру дерева рішень і одержати ре- зультат. На практиці дуже рідко використовується тільки один із цих ме- тодів. Класифікація й кластеризація — подібні методи. Використо- вуючи кластеризацію для визначення найближчих сусідів, можна додатково уточнити класифікацію. Дерева рішень часто викорис- товуються для побудови й виявлення класифікацій, які можна про- слідковувати на історичних періодах для визначення послідовностей і моделей. При всіх основних методах часто має сенс записувати й згодом ви- вчати отриману інформацію. Для деяких методів це зовсім очевидно. Наприклад, при побудові послідовних моделей і навчанні з метою прогнозування аналізуються історичні дані з різних джерел і екземп- лярів інформації. В інших випадках цей процес може бути більш яскраво вираже- ним. Дерева рішень рідко будуються один раз і ніколи не забувають- ся. При виявленні нової інформації, подій і даних може знадобитися побудова додаткових галузей або навіть зовсім нових дерев. Деякі із цих процесів можна автоматизувати. Наприклад, побу- дова прогностичної моделі для виявлення шахрайства із кредитними картами зводиться до визначення ймовірностей, які можна викорис- товувати для поточної транзакції, з наступним відновленням цієї мо- делі при додаванні нових (підтверджених) транзакцій. Потім ця ін- формація реєструється, так що наступного разу розв’язок можна буде прийняти швидше. Прикладом застосування алгоритмів штучного інтелекту при об- робці інтернет-статистики є звіт «Огляд аудиторії» в сервісі Google Analytics. Зовнішній вигляд цього звіту представлено на рис. 5.8. Звіт будується з використанням алгоритмів автоматичної кластеризації. 243 Рис. 5.8. Звіт «Огляд аудиторії» в сервісі Google Analytics Як результат застосування інтелектуальних алгоритмів щодо ана- лізу інтернет-статистики з’явився ефективний метод аналізу ринку, що одержав назву когортний аналіз. Когортний аналіз (cohort analysis) — серія досліджень, проведених через певні часові проміжки. Когорта — група осіб, об’єднаних загальною ознакою й датою здійснення дії. Наприклад, користувачі, які зареєструвалися на сайті 31 грудня, становлять когорту: усі вони зайшли перший раз і в той самий день. Суть когортного аналізу — визначення конструктивної ознаки для формування когорти й відстеження змін у поведінці цієї групи користувачів із часом. Стосовно цифрового маркетингу це може бути виділення деякої групи відвідувачів інтернет-магазину й вимір ключових показників для даної групи протягом періоду: може бути когорта потенційних клієнтів, що відвідали сайт після презентації, далі можна аналізувати дії даної групи. Когортний аналіз дозволяє більш точно оцінити окупність ре- кламних каналів, особливо для галузей з відкладеною конверсією. Як приклад, навчальний заклад дає рекламу в соціальній мере- жі. Через два тижні виявляється, що ROI (повернення інвестицій) становить 50 %. На перший погляд канал неефективний. Але на- справді ще не всі притягнуті користувачі встигли подати докумен- ти в приймальну комісію навчального закладу. І якщо через місяць зрівняти дані за цією когортою (користувачі із соціальної мережі), 244 то ROI може виявитися вище 100 %. Крім повернення інвестицій, за допомогою когортного аналізу вимірюють число користувачів, що повернулися на сайт, клієнтів, що зробили повторні замовлення, конверсії і т. д. Приклад звіту «Когортний аналіз» в сервісі Google Analytics, по- будований по даті першого візиту, представлено на рис. 5.9. Рис. 5.9. Звіт «Когортний аналіз» в сервісі Google Analytics Когорти можна набудовувати не тільки за часовою ознакою, але й по-іншому, наприклад, по даті першого візиту, сумі першого замов- лення, географії проживання, джерелах трафіка. Моделювання економічних процесів і систем. З огляду на багато- значність поняття «модель» у науці й техніці не існує єдиної класи- фікації видів моделювання: класифікацію можна проводити за ха- рактером моделей, за характером модельованих об’єктів, за сферами додатка моделювання (у техніці, фізичних науках, кібернетиці). 245 У цей час за технологією моделювання в економічних завданнях виділяють такі основні види моделювання: ??інформаційне моделювання; ??математичне моделювання; ??імітаційне моделювання; ??еволюційне моделювання. Процес моделювання включає три елементи: ??суб’єкт (дослідник); ??об’єкт дослідження; ? модель, що визначає (що відображає) відносини суб’єкта, що пізнає, і пізнаваного об’єкта. Зараз важко вказати область людської діяльності, де не застосо- вувалося б моделювання. Розроблені, наприклад, моделі керування автомобілями, вирощування пшениці, функціонування окремих ор- ганів людини, життєдіяльності Азовського моря, наслідків атомної війни. У перспективі для кожної системи можуть бути створені свої моделі, перед реалізацією кожного технічного або організаційного проекту повинне проводитися моделювання. Більшість методів побудови моделей припускає наявність знань про об’єкт-оригінал. У цьому випадку використовуються параме- тричні моделі заздалегідь відомого виду. Однак часто, особливо в задачах економіки, апріорна інформа- ція про об’єкт дослідження може бути повністю відсутня, що обу- мовлює застосування методів непараметричної ідентифікації для побудови математичної моделі об’єкта контролю (ОК) на основі да- них експерименту «вхід — вихід». Наприклад, при застосуванні де- якого методу цифрового маркетингу для просування нового товару на більший регіон ніякої інформації про поведінку ринку в аналіти- ка немає. Крім того, методи моделювання, що існують, засновані на вико- ристанні динамічних характеристик, обмежуються тільки лінійними моделями, а методики, засновані на обліку ефектів нелінійності, ви- користовують інформацію тільки про властивості статичних характе- ристик. Реальні економічні об’єкти, як правило, одночасно мають і нелінійні й динамічні властивості. Тому у якості опису ОК невідомої структури доцільно викорис- товувати нелінійні непараметричні динамічні моделі. Для цього до- цільно використовувати математичний апарат на основі інтегро-сту- пеневих рядів Вольтерра (РВ), які описують властивості ОК у вигляді 246 послідовності інваріантних до виду вхідного сигналу багатомірних вагових функцій (МВФ). Цей новий, перспективний напрямок у моделюванні процесів і систем дозволяє будувати нелінійні динамічні моделі ринку тільки на основі відомих впливів, що збурюють ринок, і реєстрації реакції ринку на цей вплив. Широке застосування моделей на основі МВФ пояснюється його принципово важливими перевагами: інваріантністю щодо виду вхід- ного впливу, явними співвідношеннями між вхідними й вихідними змінними; універсальністю — можливістю дослідження нелінійних безперервних у часі і імпульсних систем, стаціонарних і нестаціонар- них, одночасним і компактним обліком нелінійних і інерційних (ди- намічних) властивостей об’єктів. Обмеженням застосування РВ у вигляді МВФ є тільки обмеже- ність рівня вхідних сигналів. Останнє необхідно для забезпечення збіжності РВ. У випадку ж значного рівня вхідних сигналів неліній- на система може бути описана не функціональним рядом, а функці- ональним поліномом. Фактично так і відбувається на практиці при описі систем, тобто ряди апроксимують поліномами. Нелінійні динамічні моделі Основою для створення математичної (інформаційної) моделі до- сліджуваного об’єкта служать результати вимірів його вхідних і ви- хідних змінних, і розв’язок завдання ідентифікації пов’язан з одер- жанням експериментальних даних і їх обробкою з урахуванням шумів вимірів. Для опису об’єктів невідомої структури доцільно використовува- ти найбільш універсальні нелінійні непараметричні динамічні моде- лі — моделі Вольтерра. При цьому нелінійні й динамічні властивості досліджуваного об’єкта однозначно описуються послідовністю ін- варіантних щодо виду вхідного сигналу багатомірних вагових функ- цій — ядер Вольтерра (ЯВ). Для безперервної нелінійної динамічної системи (ПДВ) зв’язок між вхідним x(t) і вихідним y(t) сигналами при нульових початкових умовах може бути представлено рядом Вольтерра: ? ? ? ? 1 1 0 2 1 2 1 2 1 2 0 0 ( ) ( ) ( , ) ( ) ( ) t n n t t y t y t w x t d w x t x t d d ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? 247 3 1 2 3 1 2 3 1 2 3 0 0 0 ( , , ) ( ) ( ) ( ) ..., t t t w x t x t x t d d d ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??? (5.6) де wn( ? 1 ,..., ? n ) — ЯВ n–го порядку, функція симетрична щодо речо- винних змінних ? 1 ,…, ? n ; y n (t) — n-а парціальна складова відгуку ПДВ (n-мірний інтеграл згортки); t — поточний час. Для опису ПДВ із багатьма входами й багатьма виходами викорис- товується багатомірний ряд Вольтерра, який має вигляд: 1 1 1 1 2 1 2 1 2 1 2 3 1 1 2 3 2 3 1 0 1 2 1 2 1 2 1 1 0 0 1 2 3 1 1 1 1 0 0 0 2 3 1 2 3 ( ) ( ) ( ) ( , ) ( ) ( ) ( , , ) ( ) ( ) ( ) , t j j i i i t t j i i i i i i t t t j i i i i i i i i i y t w x t d w x t x t d d w x t x t x t d d d ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ?? ??? ??? ? (5.7) де y j (t) — відгук ОК на j-ому виході в теперішній момент часу t при нульових початкових умовах; x 1 (t),...,x ? (t) — вхідні сигнали; 1 2 1 ( ,..., ) n j i i i n w ? ? – ЯВ n-го порядку по i 1 ,...,i n входам і j-му виходу, функ- ції симетричні щодо речовинних змінних ? 1 ,…, ? n ; ?, ? — кількість вхо- дів і виходів ОК, відповідно. Сукупність багатомірних ЯВ повністю характеризує нелінійні й динамічні властивості, а отже, суцільний стан ОК. Застосування мо- делей на основі рядів Вольтерра дозволяє більш повно й точно враху- вати нелінійні й інерційні властивості ОК, робить процедуру модель- ної діагностики більш універсальною, підвищує надійність діагнозу. Діагностична процедура в цьому випадку зводиться до визначення ЯВ за даними експерименту «вхід — вихід» у часовій або в частотній області та побудові на основі отриманих ядер діагностичної системи ознак, у просторі яких будується вирішальне (діагностичне) правило оптимальної класифікації. Пропонована інформаційна технологія побудови моделі ринку за- снована на непараметричній ідентифікації об’єкта з використанням апарата рядів Вольтерра і укладається в послідовному розв’язку на- ступних завдань: 1. Генерація тестових сигналів. У певні проміжки часу на вхід системи подається тестовий сигнал у вигляді імпульсу максимальної амплітуди. 248 2. Фіксація реакції системи. За допомогою засобів реєстрації ін- формації здійснюється запис реакції системи на тестовий вплив, який збурює систему. 3. Побудова залежності відхилення системи в часі. За допомогою інтелектуального алгоритму будується залежність реакції ринку на вхідний вплив. Такий підхід дає можливість побудови адекватних моделей, що більш глибоко відображають індивідуальні властивості об’єкта, що дозволяють будувати сучасні додатки з розширеним набором персо- налізованих можливостей, наприклад, тестування економічних сис- тем та ін. в онлайн-режимі. Обчислювальний метод ідентифікації багатомірних перехідних характеристик. З урахуванням специфіки досліджуваного об’єкта для ідентифікації використовуються тестові багатоступінчасті сиг- нали. Якщо тестовий сигнал x(t) являє собою одиничну функцію (функцію Хевісайда) — ?(t), то результатом ідентифікації є перехід- на функція першого порядку 1 ( ) h t ? й діагональні перетини n-го по- рядку ( ,..., ) n h t t ? (n ?2). Для визначення піддіагональних перетинів перехідних функ- цій n–го порядку (n ?2) ПДВ випробовується за допомогою n тесто- вих східчастих сигналів із заданими амплітудою та різними інтер- валами між сигналами (рис. 5.10). При відповідній обробці відгуків одержимо піддіагональні перетини n-мірних перехідних функцій 1 1 ( ,..., ) n j i i n h t t ? ? ? ? , які являють собою n-мірні інтеграли від ЯВ n-го порядку w n ( ? 1 ,…, ? n ): 1 1 1 1 1 1 0 0 ( ,..., ) ( ,..., ) n n j i i n j i i n n n h t t w t t d d ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (5.8) Наприклад, для визначення перехідної функції другого порядку ПДВ із одним входом і одним виходом спочатку система випробову- ється східчастими сигналами зі зрушеннями за часом на ? 1 і ? 2 (рис. 5.10) 1 1 ( ) ( ) x t a t ? ? ? ? і 2 2 ( ) ( ) x t a t ? ? ? ? , (5.9) виміряються відповідні відгуки y(t,1,0) і y(t,0,1). Потім подається на вхід ПДВ двоступінчастий сигнал 1 2 ( ) ( ) ( ) x t a t a t ? ? ? ? ? ? ? ? , (5.10) 249 і з отриманого відгуку y(t,1,1) віднімаються відгуки на одиночні схід- часті сигнали ? 2 2 1 2 ( ,1,1) ( ,1,0) ( ,0,1) 2 ( , ). y t y t y t a h t t ? ? ? ? ? ? ? , (5.11) Рис. 5.10. Структурна схема процедури ідентифікації перехідної функції 2-го порядку за різними входами З (5.11), після нормування, випливає ? 2 1 2 2 ( ,1,1) ( ,1,0) ( ,0,1) ( , ) 2 y t y t y t h t t a ? ? ? ? ? ? ? (5.12) При фіксованих значеннях ? 1 і ? 2 оцінка перехідної характеристи- ки другого порядку 2 1 2 ( , ) h t t ? ? ? ? ? являє собою функцію від змінної t — перетин поверхні 2 1 2 ( , ) h t t ? площиною, що проходить під кутом в 45 градусів до осей t 1 і t 2 і зрушеної по осі t 1 на величину 0 1 2 ? ? ? ? ? . Змінюючи величину ? 0 , одержуємо різні перетини 2 0 ( , ) h t t ? ? ? , по яких можна відновити всю поверхню 2 1 2 ( , ) h t t ? . При ? 1 = ? 2 =0, одержуємо діа- гональний перетин 2 ( , ) h t t ? Для визначення перехідної характеристики другого порядку для ПДВ із двома входами 12 1 2 ( , ) h t t ? ? ? ? ? спершу система послідовно ви- пробовується східчастими сигналами зі зрушеннями за часом на ? 1 і ? 2 по різних входах відповідно з амплітудами a і b 1 1 ( ) ( ) x t a t ? ? ? ? і 2 2 ( ) ( ) x t b t ? ? ? ? . (5.13) |