Цифровой маркетинг. monografia_-Цифровой-маркетинг. Цифровий маркетинг модель маркетингу
 Скачать 5.72 Mb.
|
|
250 Виміряються відповідні відгуки y(t,1 1 ,0) і y(t,0,1 2 ). Потім одночас- но подають на два входи ПДВ східчасті сигнали (2.13) з такими же зрушеннями ? 1 і ? 2 . З отриманого відгуку y(t,1 1 ,1 2 ) віднімаються від- гуки на східчасті сигнали y(t,1 1 ,0) і y(t,0,1 2 ) ? 12 1 2 1 2 1 2 ( ,1 ,1 ) ( ,1 ,0) ( ,0,1 ) 2 ( , ) y t y t y t abh t t ? ? ? ? ? ? ? , (5.14) звідки після нормування випливає ? 1 2 1 2 12 1 2 ( ,1 ,1 ) ( ,1 ,0) ( ,0,1 ) ( , ) 2 y t y t y t h t t ab ? ? ? ? ? ? ? (5.15) Який метод аналізу даних вибирати, багато в чому залежить від конкретної ситуації. Однак можна зробити кілька рекомендацій. 1. Статистична обробка даних дуже проста й може бути виконана за будь-якою статистикою. Практично всі готові інструменти містять у своєму інструментарії засоби для статистичного аналізу даних. Кожна з систем збору й аналізу інтернет-статистики включає до- сить повний перелік звітів, що містять статистичні характеристики аналізованої вибірки даних. Через сказане, розрахунки статистичних показників доступні будь-яким, навіть найменшим, проектам, а добута інформація в ціло- му досить повно описує залежності, економічні показники для того, щоб оцінювати ефективність маркетингових стратегій і вироблення керуючих впливів. 2. Інтелектуальна обробка даних заснована на більш складних ал- горитмах. Характерною рисою інтелектуальних алгоритмів є більші обсяги інформації про об’єкт дослідження, а також показання вчите- ля (інформація експерта, що характеризує кожну ситуацію). Інтелектуальні алгоритми обробки даних мають такі системи як Google Analytics, Google Adwords, Google Trends. 3. Моделювання процесів і систем є найбільш складним з погля- ду науки процесом. Для здійснення моделювання необхідні як більші обсяги інформації, так і набори різних алгоритмів, які вибудовуються в єдиний технологічний процес обробки даних, наприклад: ??фільтрація даних; ??нормалізація даних; ??заповнення прогалин у даних; ??стиск інформації; ??виділення інформативних ознак; ??побудова вирішальних правил; 251 ??побудова класифікаторів; ??оцінка (адекватності) якості моделі. В існуючих системах інтернет-статистики алгоритми моделюван- ня практично не реалізовано внаслідок двох причин: ??ці складні алгоритми можуть бути затребувані лише невеликою кількістю проектів; ??високий поріг входження в дану область: для робіт з побудови моделей, підготовки вихідних даних і інтерпретації результатів необ- хідні спеціально підготовлені фахівці; ??ці алгоритми вимагають складної обробки даних і більших об- числювальних ресурсів. Процес моделювання маркетингової діяльності сьогодні мало розвинений, але його потенційні можливості досить високі. Для розв’язку завдань моделювання економічних процесів існує спеціа- лізоване програмне забезпечення. Альтернативним шляхом побудо- ви моделей є самостійна обробка даних. Розповсюдженими в цьому випадку є пакети математичних обчислень (Matlab, Matcad, Maple і т. п.). Нескладні завдання можна вирішувати також за допомогою електронних таблиць. 5.3. ВИКОРИСТАННЯ ІНТЕРНЕТ-АНАЛІТИКИ В МАРКЕТИНГУ ВИЩОГО НАВЧАЛЬНОГО ЗАКЛАДУ Постановка задачі маркетингового дослідження в освітній установі. Маркетингові дослідження містять виділення, збір, аналіз і по- ширення інформації, необхідної для виявлення й вирішення про- блем у маркетингу, і проводяться з однією метою: допомогти в при- йнятті і подальшій корекції ефективної маркетингової стратегії. Маркетингові дослідження допомагають керівництву бути в курсі того, наскільки ефективно функціонують усі ланки бізнесу. Поста- новка завдання маркетингового дослідження — один з найважливі- ших і самих складних етапів, який і визначає подальший курс для всього проекту. Розрізняють два типи маркетингових досліджень: дослідження для ідентифікації проблеми й дослідження для розв’язку проблеми. Дослідження для ідентифікації проблеми спрямовані на вияв- лення проблем, які реально існують або можуть виникнути в май- бутньому. Це найпоширеніший тип маркетингових досліджень. Він 252 використовується для оцінки навколишнього оточення й виявлення проблеми. Інформація про зміни на ринку вказує на потенційні мож- ливості й проблеми. Розгляд економічних, соціальних, культурних тенденцій і тенденцій реакції споживачів на товар може сприяти ви- явленню таких можливостей або проблем. Дослідження для розв’язку проблеми вживають щораз, коли ви- явлена проблема або ймовірна можливість її виникнення. Процес маркетингового дослідження складається з шости етапів, які визначають перелік завдань, розв’язуваних за допомогою марке- тингового дослідження: ??постановка завдання (визначення мети та постановка задач, що супроводжують дослідження); ??визначення підходу до вирішення встановлених на першому ета- пі задач (формулювання аналітичної бази та моделей, питань для до- слідження й гіпотез); ??розробка проекту дослідження (докладний опис процедур, необ- хідних для одержання корисної інформації); ??збір даних (накопичення статистики); ?? підготовка й аналіз даних (редагування, кодування й перетво- рення даних, перевірка на точність, аналіз даних за допомогою ста- тистичних та інших методів); ??підготовка й презентація звіту (висвітлення всього процесу до- слідження; презентація отриманих результатів). Як приклад у даному розділі розглядається завдання маркетингу діяльності освітньої установи, а саме, приймальної комісії освітньої установи –вищого навчального закладу (внз). В якості «товару» будуть виступати освітні послуги, в якості цільо- вої аудиторії (споживачів) — випускники шкіл. Таким чином, дане за- вдання має необхідні ознаки маркетингового завдання. Ціль вступної кампанії навчального закладу — «продати» якнай- більше освітніх послуг. У якості «продажу» мається на увазі залучення абітурієнтів внз. Для залучення цільової аудиторії внз використовує певні ре- кламні кроки. Зважаючи на те, що переважна більшість освітніх установ у нашій країні є бюджетними організаціями, обмежений рекламний бюджет накладає жорсткі рамки на методи реклами освітніх послуг. З іншого боку, вступна кампанія має аудиторію, розподілену по всій країні, що вимагає рекламної кампанії в масш- табі держави. 253 У наведених умовах проведення масштабної рекламної кампанії можливо винятково засобами Інтернету. При цьому реклама в Інтер- неті не означає «дешева» реклама, хоча, як правило, вартість такої ре- клами нижче традиційної. А ефективність різних стратегій інтернет- кампаній може бути як дуже високою, так і нульовою. У якості стратегій інтернет-реклами розглядаються наступні види діяльності: ??банерна реклама; ??контекстна реклама; ??соціальні мережі. В умовах, що склалися, актуальним є питання оцінки ефективнос- ті різних стратегій інтернет-реклами. Таким чином, метою є підви- щення ефективності рекламної кампанії навчального закладу шляхом аналізу інтернет-статистики й формування ефективних, своєчасних управлінських рішень. Статистичні показники В якості одного з етапів аудита маркетингової діяльності є оцінка інтересу до надаваних послуг, зокрема, аналіз відвідуваності в стаціо- нарному режимі ( без рекламного впливу на ринок). У цьому випадку вдалим рішенням є аналіз статистичних показників інтернет-аналі- тики. Володіючи цією інформацією, можна оцінювати ефективність впливів на ринок. За ознакою обліку залежності об’єкта моделювання від часу роз- різняють статичні й динамічні характеристики систем, які відобража- ються у відповідних моделях. Статичні моделі (моделі статики) відображають функцію систе- ми — стан реальної або проектованої системи (свого роду його «мит- тєву світлину»). Як приклад, можна розглядати щоденну статистику відвідувань сайта користувачами. Динамічні моделі (моделі динаміки) відображають функціонуван- ня системи — процес зміни станів реальної або проектованої систе- ми. Вони показують відмінності між станами, послідовність зміни станів і розвиток подій із часом. Прикладом такої моделі є опис процесу зміни попиту на який- небудь товар під впливом реклами, опис процесу зміни показників ефективності за деякий період часу. Відмінність статичних і динамічних моделей полягає в обліку часу: у статиці його як би не існує, а в динаміці це основний еле- мент. 254 Статистичні характеристики наочно відображаються в будь-якій системі. В Google Analytics ці характеристики відображаються в на- ступному виді (рис. 5.11). Рис. 5.11. Статистичні характеристики Google Analytics На головній сторінці сервісу Google Analytics завжди присутній часо- вий ряд відвідування сайта за годину, добу, тиждень або місяць та обчис- лені найбільш важливі статистичні показники відвідування сайта, а саме: – сеанси; – користувачі; – перегляди сторінок; – середня кількість переглянутих сторінок за сеанс; – середня тривалість сеансу; – показник відмовлень; – відсоток нових сеансів. В Yandex Metrix на головній сторінці представлені наступні ста- тистичні характеристики: – користувачі; – нові користувачі; – відмови; – глибина перегляду; – час на сайті. Часовий ряд відвідування сайта за період в десять хвилин, годину, добу, тиждень або місяць у вигляді стовпчатої діаграми відображаєть- ся в звіті (рис. 5.12). Сервіс інтернет-статистики Liveinternet на головній сторінці на- водить статистичні показники за теперішню, минулу добу та середні значення за минулий тиждень: 255 Рис. 5.12. Статистичні характеристики Yandex Metrix ??перегляди; ??сесії; ??відвідувачі; ??хости; ??перезавантаження; ??середня тривалість; ??переглядів на відвідувача. Часовий ряд відвідування сайта за кожну добу протягом останньо- го місяця представлено на рис. 5.13. Недоліком статистики є невиразне представлення динамічних про- цесів та відсутність адаптивності до нових умов або нових об’ємів даних. Інтелектуальні показники Для аналізу стаціонарних процесів також можна застосовува- ти показники, що обчислюються за допомогою безлічі підходів, об’єднаних ідеєю комп’ютерної математики й використання теорії штучного інтелекту: ??штучні нейронні мережі; ??еволюційне програмування; ??генетичні алгоритми; ??асоціативна пам’ять; ??нечітка логіка; ??дерева розв’язків. Дані методи обробки статистичних даних слабко підтримуються в існуючих системах збору й аналізу інтернет-статистики. Прикладом звіту, створеного на основі інтелектуальної обробки даних, може слу- жити когортний аналіз. На рис. 5.14 наведено звіт «Когортний ана- 256 ліз», сформований за шість тижнів (в даному випадку когорту скла- дають користувачі, які вперше відвідували сайт навчальної установи протягом кожного тижня). Рис. 5.13. Статистичні характеристики Liveinternet Рис. 5.14. Звіт «Когортний аналіз» в Google Analytics 257 Для одержання звітів, не представлених у системах збору та аналі- зу інтернет-статистики, часто доводиться обробляти вихідну статис- тичну інформацію самостійно. Корисними інструментами в цьому випадку будуть пакети математичних і інженерних обчислень: ??Matlab, ??Matematica, ??Statistika, ??Maple. Так, для пошуку математичного вираження, що визначає відмін- ності між двома групами відвідувачів сайта, наприклад, потенційни- ми клієнтами й випадковими відвідувачами, по декількох параме- трах, необхідно побудувати розпізнавальну систему. Розпізнавальна система (класифікатор) — це система, здатна ухва- лювати рішення щодо приналежності безлічі зображень до одного з класів D i (i=1,2) відповідно до певної апріорної класифікації. У просторі ознак знаки вирішального правила d(x) визначають об- ласті D 1 і D 2 , відповідні до класів ? 1 і ? 2 : D 1 ={x: d(x)<0}, (5.16) D 2 ={x: d(x)>0}. Для випадку двох класів введено наступну термінологію помилок класифікації: під помилкою 1-го роду (фіктивною тривогою) ? 1 розумі- ють помилку класифікації, коли об’єкт, що класифікується, насправ- ді належить класу 1, а класифікатор помилково відносить цей об’єкт до класу 2. Під помилкою 2-го роду (пропуском мети) ? 2 розуміють по- милку, коли об’єкт, що класифікується, насправді належить класу 2, а класифікатор помилково відносить його до класу 1. Оцінку зазначених характеристик проводять за результатами кла- сифікації контрольної (екзаменаційної) статистичної вибірки: ? ? 1 =L 1 /N 1 , ? ? 1 =L 2 /N 2 , (5.17) де Li — число об’єктів i-го класу, помилково віднесених до іншого класу, i=1, 2; Ni — кількість елементів i-го класу в експериментальній вибірці, i=1, 2. Якщо число об’єктів у кожному класі менше 10 або число зобра- жень у статистичних даних менш ніж 5n, у якості екзаменаційної ви- бірки можна використовувати навчальну. 258 У якості характеристик імовірності класифікації також прийнято застосовувати наступні величини: максимум імовірності правильно- го розпізнавання або мінімум середнього ризику. Імовірність пра- вильного розпізнавання P, усереднена по всіх класах, однозначно ви- значається вираженням помилками ? 1 і ? 2 : 1 1 2 1 1 1 1 m m i i i i P L N ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? (5.18) Середній ризик R або середня вартість ухвалення рішення визна- чається по формулі: R = ? 1 s 1 p( ?i) + ? 2 s 2 p( ? i ), (5.19) де s 1 і s 2 вартості (штрафи) помилок ? 1 і ? 2 , відповідно, 1 ( ) / m i i j j p N N ? ? ? ? — апріорна ймовірність появи i-го класу. Правило d(x), відповідно до якого здійснюється розбивка вихідної безлічі зображень, називається вирішальним (поділяючою функцією). Геометрична інтерпретація задачі класифікації для двох класів представлена на рис. 5.15. Вирішальне правило будують на даних навчальної вибірки відпо- відно до одного з прийнятих алгоритмів. Найпростішим алгоритмом побудови лінійного вирішального правила, заснованого на критерії мінімальної відстані, є випадок одиничності еталона. У цьому випадку об’єкти кожного з розглянутих класів виявляють тенденцію до тісного угруповання навколо об’єкта, що є типовим для відповідного класу. Рис. 5.15. Геометрична інтерпретація задачі класифікації для двох класів 259 d(x) D 1 D 2 ? 1 ? 2 Рис. 5.16. Класифікація об’єктів по критерію мінімуму відстані у разі одиничності еталона Класифікатор, побудований за принципом мінімуму відстані, обчислює відстань, що відокремлює некласифікований об’єкт x від еталона кожного класу, і зараховує цей образ у клас, що опи- нився найближчим до нього. Інакше кажучи, об’єкт x = (x 1 , x 2 , …, x n ) приписується до класу ?i, якщо умова di(x) < dj(x) виконується для всіх j ?i. Випадки рівності відстаней розв’язуються довільним способом. Вирішальні функції в цьому випадку можна визначити як: di(x) = x Т ? i – Ѕ ? i Т ? i , i =1,2,…, m, (5.20) де ? i — еталонний об’єкт i-го класу. Геометрична інтерпретація задачі класифікації об’єктів по кри- терію мінімуму відстані у разі одиничності еталона наведена на рис. 5.16. Для поділу двох класів вирішальне правило можна записати у ви- гляді: d(x) = d 2 (x) – d 1 (x). (5.21) При цьому класифікація об’єктів здійснюється згідно з виразом (5.16). Так, у завданні аналізу відвідувачів сайта вищого навчального за- кладу для побудови класифікатора відвідувачів за віком аудиторії та роздільною здатністю екрана пристрою для виходу в Інтернет отри- мана картина, представлена на рис. 5.17. У якості критерію, що ви- значає цінність відвідувача, узятий час t перебування на сайті: якщо t більше однієї хвилини, то відвідувач вважається корисним (цільо- вим), інакше — нецільовим. 260 Рис. 5.17. Аналіз цільових відвідувачів сайта вищого навчального закладу за параметрами: вік, ширина екрана Видно, що цільова аудиторія навчального закладу — абітурієнти у віці від 15 до 18 років, що переважно використовують планшети, ноутбуки й стаціонарні комп’ютери, а також аудиторія у віці 35–45 років (очевидно батьки абітурієнтів), що переважно використовують стаціонарні комп’ютери. Побудована залежність — вирішальна функція дозволить оцінити з обчисленою ймовірністю P=0.93 приналежність відвідувача сайта до групи цільових або нецільових відвідувачів. Ця інформація допо- може переорієнтувати рекламу на цільових користувачів. Недоліком інтелектуальних алгоритмів обробки інформації є вимога до великої кількості статистичних даних у нестаціонарних режимах. Тобто для того, щоб побудувати звіт на основі таких ал- горитмів, необхідно мати статистику по відвідуваності сайта при різних маркетингових впливах на ринок. Також істотними завада- ми застосування інтелектуальних алгоритмів здобуття інформації є складність самих алгоритмів і те, що підтримка таких алгоритмів слабко реалізована в сучасних системах збору й аналізу даних, тому |