Применение технологий искусственного интеллекта для углубленных маркетинговых исследований аудитории рекламодателей глянцевых журналов Краснодарского края

10

Размещено на http://www.allbest.ru/

Кубанский государственный аграрный Университет

Применение технологий искусственного интеллекта для углубленных маркетинговых исследований аудитории рекламодателей глянцевых журналов Краснодарского края

Луценко Евгений Вениаминович, д.э.н., к.т.н., профессор

Коржаков Валерий Евгеньевич, к.т.н., доцент

Мачулин А.Д., дипломник

Краснодар

Аннотация

В статье описывается применение системно-когнитивного анализа и его программного инструментария системы "Эйдос" для синтеза и маркетингового исследования семантической информационной модели рынка рекламных услуг (аудитории рекламодателей глянцевых журналов) города Краснодара и Краснодарского края.

Ключевые слова: системно-когнитивный анализ, система "эйдос", рекламодатель, синтез, маркетинговое исследование, семантическая информационная модель, рынок рекламных услуг, глянцевый журнал.

В ноябре-декабре 2007 года известной Краснодарской фирмой ООО "Южная оценочная компания "Эксперт" было проведено подробное маркетинговое исследование особенностей размещения рекламы в корпоративном секторе ведущих компаний Краснодара [8].

Целью этого исследования было определение характеристик реальных и потенциальных рекламодателей глянцевого журнала "Небо Кубани".

В ходе исследования были поставлены и решены следующие задачи:

- определение характеристик лояльности респондентов (вспоминание, узнавание, опыт размещения рекламы, существующее положение, перспективы размещения рекламы);

- определение уровня значимости отдельных факторов при выборе издания для размещения рекламы (стоимость, тираж, зона распространения, формат, известность, имидж, обслуживание и т.д.);

- позиционирование издания на фоне изданий-конкурентов (наличие позиции, характеристики позиции, определение соотношения цена/качество, опыт работы с конкурентами и характеристика лояльности к конкурентам);

- изучение потребительских предпочтений при выборе издания;

- рекомендации рекламодателей по улучшению взаимодействия с ним.

В качестве метода исследования использовалось личное интервью экспертов в области маркетинговых и рекламных исследований, занимающих различное служебное положение и работающих в различных отраслях (сферах) бизнеса. Полученные в результате интервьюирования данные обрабатывались в статистической системе SPSS. При конструировании исследуемой выборки был применен квотный подход, т.е. выборка обладает структурной репрезентативностью по отношению к генеральной совокупности [1] (таблица 1).

Таблица 1 - характеристика исследуемой выборки

Задача 4. Определить смысл каждого варианта ответа на вопросы анкеты, а именно определить группы респондентов (по должности и отрасли-сфере бизнеса) о принадлежности к которым несет наибольшую и наименьшую информацию выбор данного варианта ответа, т.е. определить аудиторию глянцевых журналов.

Задача 5. Сравнить варианты ответов на вопросы анкеты по их смыслу, т.е. по их характерности и нехарактерности для различных групп респондентов.

Задача 6. Сформировать группы вариантов ответов на вопросы анкеты по сходству их смысла (кластеры признаков групп респондентов).

Задача 7. Сравнить кластеры признаков (т.е. вариантов ответов на вопросы анкеты) друг с другом и определить наиболее непохожие кластеры и спектр промежуточных по сходству с ними кластеров, т.е. конструкты признаков.

Задача 8. Сравнить условные процентные распределения ответов респондентов на вопросы анкеты в различных группах респондентов друг с другом и с распределением по всей выборке.

Задача 9. Сформировать обобщенные образы и информационные портреты исследуемых групп респондентов, т.е. определить, какие мнения наиболее характерны и какие наиболее нехарактерны для каждой группы в сравнении со всеми остальными.

Задача 10. Сравнить исследуемые группы респондентов друг с другом по наиболее характерным и наиболее нехарактерным их признакам и объединить в кластеры наиболее сходные друг с другом группы респондентов.

Задача 11. Сравнить кластеры групп респондентов друг с другом и определить наиболее непохожие кластеры и спектр промежуточных по сходству с ними кластеров, т.е. конструкты.

Задача 12. Содержательно сравнить обобщенные образы исследуемых групп респондентов друг с другом, т.е. определить, какие их признаки какой вклад вносят в сходство и различие этих групп респондентов.

Задача 13. Исследовать систему детерминации принадлежности респондентов к различным группам, т.е. сформировать когнитивные модели предметной области (классические и интегральные когнитивные карты)..

Таким образом, налицо существование проблемы, состоящей в том, что решение сформулированных задач является весьма желательным, т.к. обладает как научной новизной, так и практической значимостью, но фактически этого не было сделано.

Практическая значимость решения перечисленных задач состоит в том, что их решение позволяет повысить адекватность и эффективность принимаемых управленческих решений, что в рассматриваемой предметной области самым непосредственным образом сказывается на эффективности рекламного бизнеса.

Научная новизна данного исследования состоит в том, что рынок рекламных услуг Краснодара и Краснодарского края лишь дважды исследовался с применением интеллектуальных технологий (оба раза исследование проводилось одним из авторов: Луценко Е.В. [1]), однако эти исследования проводились несколько в других сферах:

1. Исследовалась влияние различных средств массовой информации на целевую аудиторию, которую составляли лица, желающие получить лицензию на риэлтерскую деятельность.

2. Исследовались потребительские предпочтения различных социальных групп населения в разрезе определенных групп элитных товаров и точек их реализации.

Результаты этих исследований конфиденциальны и по этой причине ранее о них ранее не упоминалось.

Маркетинговое же исследование аудитории рекламодателей глянцевых журналов города Краснодара и Краснодарского края с применением технологий искусственного интеллекта проводится впервые.

Метод решения сформулированной проблемы должен удовлетворять следующим требованиям:

- обеспечивать многопараметрическую типизацию объектов, описанных числовыми и лингвистическими переменными;

- быть непараметрическим, т.е. не требовать доказательства гипотез о нормальности выборки;

- корректно работать как с альтернативными, так и с неальтернативными закрытыми опросниками (вопросы с вариантами ответов) с различным количеством вариантов ответов по вопросам;

- эффективно работать на фрагментированных (неполных) и зашумленных данных, т.е. эффективно подавлять шум в исходных данных;

- обладать развитыми средствами исследования модели предметной области, большим набором текстовых и графических выходных форм, когнитивной и научной графикой.

По мнению авторов для решения сформулированной проблемы и поставленных задач могут быть применены различные методы искусственного интеллекта, в частности:

- методы и системы распознавания образов, причем как обучающиеся с учителем, так и самообучающиеся (кластерный анализ);

- методы поддержки принятия решения, особенно реализующие многокритериальные подходы со сверткой частных критериев в интегральный;

- нейронные сети;

- методы когнитивного анализа;

- методы интеллектуального анализа данных (data mining) и выявления знаний их опыта.

Всем сформулированным требованиям удовлетворяет метод системно-когнитивного анализа (СК-анализ), разработанный одним из авторов данной статьи [1], который поэтому и выбран авторами для проведения данного исследования. Описание данного метода и его применения в различных предметных областях дано в работах [1-3] и других.

Методика применения СК-анализа для синтеза и исследования модели предметной области включает ряд этапов [1]:

1. Когнитивная структуризация и формализация предметной области, т.е. разработка справочников классификационных шкал и градаций (исследуемых групп респондентов) и описательных шкал и градаций (анкета) и подготовка обучающей выборки.

2. Синтез семантической информационной модели (СИМ) предметной области и проверка ее адекватности.

3. Исследование СИМ, включая решение сформулированных выше тринадцати задач.

Рассмотрим применение СК-анализа для решения поставленных задач подробнее.

Когнитивная структуризация и формализация предметной области. В таблице 2 приведен справочник групп респондентов, мнение которых по поводу глянцевых журналов будет исследоваться.

Таблица 2 - справочник групп респондентов (классификационных шкал и градаций, классов)

В таблице 3 полностью приведена анкета, на которую отвечали респонденты (т.е. стимульный материал), относящиеся к обобщенным категориям (группам), приведенным в таблице 2. Содержательно данная анкета разработана специалистами фирмы ООО "Южная оценочная компания "Эксперт" [8]. Единственное изменение, которое в ней сделано авторами - система кодирования вариантов ответов приведена к виду, обеспечивающему обработку результатов интервьюирования в универсальной автоматизированной системе "Эйдос" (система "Эйдос"), представляющей собой программный инструментарий СК-анализа.

Таблица 3 - анкета для опроса экспертов, (стимульный материал)

В системе "Эйдос" анкета (описательные шкалы и градации) выглядит иначе, чем в таблице 3, хотя по сути она эквивалентна (таблица 4). Но в этой форме анкета используется лишь в самой системе "Эйдос" и не применяется как стимульный материал при интервьюировании. Из-за ограничений на объем статьи приведен лишь фрагмент данной анкеты, т.к. полностью она занимает 20 листов и содержит 926 вариантов ответов.

Таблица 4 - описательные шкалы и градации (для системы "Эйдос"

В таблицах 5 и 6 приведена обучающая выборка, содержащая информацию о принадлежности респондентов к категориям из таблицы 2 и их ответы на вопросы анкеты из таблицы 3.

Таблица 5 - обучающая выборка: принадлежность респондентов к классам (обобщенным категориям, Табл. 1, 2)

Код респондента	Коды классов	Код респондента	Коды классов	Код респондента	Коды классов	Код респондента	Коды классов	Код респондента	Коды классов
	Должность	Отрасль		Должность	Отрасль		Должность	Отрасль		Должность	Отрасль		Должность	Отрасль
1	1	7	23	3	12	45	1	10	67	2	10	89	2	13
2	4	7	24	3	13	46	2	10	68	1	10	90	2	14
3	4	7	25	4	13	47	1	10	69	2	15	91	3	14
4	4	7	26	3	18	48	4	10	70	2	15	92	2	14
5	1	14	27	1	11	49	1	10	71	3	15	93	3	14
6	3	6	28	4	11	50	1	10	72	4	15	94	2	14
7	4	6	29	1	11	51	2	10	73	1	15	95	3	5
8	4	6	30	1	11	52	1	10	74	3	15	96	3	5
9	1	6	31	3	17	53	2	10	75	2	15	97	2	12
10	2	18	32	3	11	54	2	10	76	4	15	98	3	12
11	3	6	33	3	17	55	3	10	77	2	15	99	3	12
12	4	6	34	4	17	56	4	10	78	4	15	100	3	12
13	2	6	35	1	17	57	4	10	79	4	16	101	3	8
14	2	18	36	3	17	58	4	5	80	1	16	102	3	8
15	4	7	37	2	17	59	1	5	81	1	16	103	2	8
16	4	5	38	4	18	60	3	5	82	2	16	104	3	14
17	3	14	39	2	17	61	2	9	83	3	16	105	1	14
18	3	5	40	2	18	62	3	9	84	3	16	106	4	14
19	3	14	41	3	11	63	4	9	85	4	16	107	4	8
20	2	5	42	4	7	64	4	9	86	4	13	108	3	8
21	3	5	43	4	7	65	2	9	87	4	13	109	2	5
22	4	5	44	1	7	66	1	9	88	3	13	110	3	8
												111	3	8

Таблица 6 - обучающая выборка: ответы респондентов на вопросы

Код респондента	Коды ответов
1	6	9	14	21	23	43	80	85	87	95	101
1	106	109	115	120	126	130	134	140	143	149	155
1	305	310	316	319	325	329	335	341	345	350	356
1	358	364
2	12	29	79	67	80	85	87	96	99	106	111
2	116	121	125	130	135	140	146	150	154	866	869
2	876	881	886	891	896	901	906	911	916	921	926
3	2	6	9	17	43	67	80	84	85	87	96
3	101	105	108	114	120	126	129	133	139	146	150
3	154	305	310	315	319	324	330	334	340	344	350
3	354	359	364	865	870	875	879	886	891	895	900
3	904	911	914	919	924
4	5	9	12	27	26	40	80	85	88	95	100
4	106	110	116	120	124	130	135	141	145	150	156
4	235	240	246	251	255	260	265	271	275	279	285
4	290	296
5	1	6	9	11	21	24	27	30	29	67	80
5	85	88	96	101	106	110	116	119	126	131	132
5	137	146	151	156	865	871	876	881	885	891	895
5	900	905	907	915	921	925
6	1	5	9	23	26	29	6	52	64	67	80
6	84	85	90	93	97	103	107	112	118	124	127
6	133	138	143	148	154	512	517	522	527	532	537
6	542	547	552	557	562	567	572	792	797	802	807
6	812	817	824	827	832	837	843	848	852	857	862
6	867	872	877	882	887	894	897	902	907	913	917
6	924
7	2	5	8	12	18	21	24	23	30	29	37
7	40	43	61	64	67	111	84	85	89	94	100
7	106	116	121	125	131	135	140	144	150	156	164
7	170	175	181	186	190	196	201	205	211	215	220
7	225	235	240	245	251	256	261	266	271	274	280
7	283	290	295	305	310	316	321	326	330	336	341
7	345	351	355	361	365	726	730	736	741	746	750
7	755	761	766	770	776	781	785	795	801	806	811
7	816	821	826	831	836	841	845	851	855	865	870
7	875	881	885	890	895	899	905	910	913	920	925

Синтез семантической информационной модели (СИМ) предметной области и проверка ее адекватности.

Решение задачи 1. Получить условные процентные распределения ответов в различных группах респондентов, представленным в таблице 1.

С использованием классификационных и описательных шкал и градаций и обучающей выборки системой "Эйдос" осуществляется синтез семантической информационной модели (СИМ), в результате чего автоматически формируются матрицы условных процентных распределений ответов по категориям респондентов (таблица 7) и матрица информативностей (таблица 8).

В системе "Эйдос" для формирования СИМ используется два алгоритма, отличающихся способом расчета условных процентных распределений и матрицы информативностей: СИМ-1 и СИМ-2.

В первом случае (СИМ-1) условная вероятность встречи признака в группе респондентов рассчитывается путем деления количества встреч этого признака в группе на количество встреч всех признаков в этой группе. Безусловная вероятность рассчитывается путем деления количества встреч признака по всей выборке на количество встреч всех признаков по всей выборке [1, 2]. Во втором случае (СИМ-2) условная вероятность встречи признака в группе респондентов рассчитывается путем деления количества встреч этого признака в группе на количество респондентов в этой группе. Безусловная вероятность рассчитывается путем деления количества встреч признака по всей выборке на количество респондентов по всей выборке.

Сопоставительное исследование СИМ-1 и СИМ-2 показало, что они дают близкие (принципиально не отличающиеся) результаты. В данной работе, для обеспечения сопоставимости с результатами, полученными в статистической системе SPSS, использована СИМ-2.

Таблица 7 - условные процентные распределения (СИМ-2) ответов по категориям респондентов (фрагмент)

Код варианта ответа	Коды категорий респондентов согласно табл.1, 2	Средн. по всем категориям
	Должность	Отрасль (сфера бизнеса)
	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18
1	15,0		5,7			28,6				6,7	16,7			9,1					4,5
2	15,0	15,4		10,0		14,3	12,5	14,3		13,3	16,7			9,1		14,3	28,6		9,0
3	55,0	30,8	54,3	53,3	45,5	57,1	37,5	57,1	83,3	80,0	66,7	40,0		9,1	50,0	57,1	57,1	20,0	48,7
4			2,9	10,0	9,1	14,3						20,0				14,3			3,6
5	10,0	19,2	25,7	16,7	18,2	42,9	12,5	14,3		26,7	16,7	20,0		9,1	10,0	28,6	42,9	20,0	18,9
6	70,0	46,2	48,6	56,7	63,6	71,4	62,5	71,4	83,3	73,3	66,7	40,0	33,3	27,3	40,0	28,6	57,1	20,0	54,1
7
8	10,0	15,4	20,0	20,0	9,1	42,9		71,4		26,7		20,0	33,3			14,3	28,6		17,1
9	75,0	53,9	45,7	53,3	63,6	57,1	75,0	42,9	100,0	73,3	50,0		16,7	27,3	40,0	71,4	71,4	60,0	55,0
10		7,7		3,3						20,0									2,7
11	5,0	3,9	8,6	3,3			12,5	14,3	16,7		16,7			18,2					5,4
12	40,0	26,9

Страница:

•  1 
•  2 

статья "Применение технологий искусственного интеллекта для углубленных маркетинговых исследований аудитории рекламодателей глянцевых журналов Краснодарского края" скачать

Подобные документы

• Создание и развитие искусственного интеллекта

  Начало современного этапа развития систем искусственного интеллекта. Особенности взаимодействия с компьютером. Цель когнитивного моделирования. Перспективы основных направлений современного развития нейрокомпьютерных технологий, моделирование интеллекта.
  
  реферат [24,7 K], добавлен 05.01.2010
  

• Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

  Применение методов искусственного интеллекта и современных компьютерных технологий для обработки табличных данных. Алгоритм муравья, его начальное размещение и перемещение. Правила соединения UFO-компонентов при моделировании шахтной транспортной системы.
  
  дипломная работа [860,8 K], добавлен 23.04.2011
  

• Система искусственного интеллекта

  Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.
  
  презентация [3,0 M], добавлен 28.05.2015
  

• Проблемы искусственного интеллекта

  Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.
  
  контрольная работа [27,9 K], добавлен 07.12.2009
  

• Современные подходы к созданию искусственного интеллекта

  Может ли искусственный интеллект на данном уровне развития техники и технологий превзойти интеллект человека. Может ли человек при контакте распознать искусственный интеллект. Основные возможности практического применения искусственного интеллекта.
  
  презентация [511,2 K], добавлен 04.03.2013
  

• Разработка программного модуля искусственного интеллекта для игры в шахматы

  Анализ правил выбора хода на шахматной доске К. Шеннона. Характеристика программного модуля искусственного интеллекта для игры в шахматы. Контроль времени, поиск лучшего хода в шахматных алгоритмах. Разработка программы для игры с компьютерным оппонентом.
  
  дипломная работа [3,7 M], добавлен 07.07.2012
  

• Применение нейросетей при выборе модели сотового телефона

  Эффективность применения нейронных сетей при выборе модели телефона. История искусственного интеллекта. Сущность нейросетевых технологий, обучение нейросимулятора. Пример выбора по определенным параметрам модели сотового телефона с помощью персептрона.
  
  презентация [93,8 K], добавлен 14.08.2013
  

• История и тенденции развития искусственного интеллекта

  История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.
  
  реферат [45,1 K], добавлен 20.11.2009
  

• Концептуальные основы искусственного интеллекта

  Общая характеристика дисциплины "Основы искусственного интеллекта". Ее предмет, цели и задачи. Особенности и расшифровка ряда понятийных терминов, характеризующих сущность кибернетики. Методы и алгоритмы анализа данных для получения знаний и обучения.
  
  презентация [10,9 K], добавлен 03.01.2014
  

• Введение в теорию искусственного интеллекта

  Современные разработки в области искусственного интеллекта: составление расписаний, принципы автономного планирования и управления, диагностика, понимание естественного языка, ведение игр, автономное управление, робототехника. Направления исследований.
  
  реферат [24,0 K], добавлен 11.03.2014
  

• Общее понятие о системах искусственного интеллекта

  Исторический обзор развития работ в области искусственного интеллекта. Создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека. От логических игр до медицинской диагностики.
  
  реферат [29,1 K], добавлен 26.10.2009
  

• Сущность искусственного интеллекта

  Искусственный интеллект – научное направление, связанное с машинным моделированием человеческих интеллектуальных функций. Черты искусственного интеллекта Развитие искусственного интеллекта, перспективные направления в его исследовании и моделировании.
  
  реферат [70,7 K], добавлен 18.11.2010
  

• История развития искусственного интеллекта

  Сущность искусственного интеллекта, сферы человеческой деятельности, в которых он распространен. История и этапы развития данного явления. Первые идеи и их воплощение. Законы робототехники. Использование искусственного интеллекта в коммерческих целях.
  
  реферат [40,8 K], добавлен 17.08.2015
  

• Системы искусственного интеллекта

  Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.
  
  курсовая работа [2,3 M], добавлен 23.06.2012
  

• Системы искусственного интеллекта

  История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.
  
  реферат [85,7 K], добавлен 20.12.2011
  

• Исследование дидактических возможностей сетевых моделей при разработке программных приложений систем искусственного интеллекта

  Обзор образовательных стандартов педагогического образования в области искусственного интеллекта. Построение модели предметной области в виде семантических сетей. Характеристика проблемного обучения. Основные средства языка программирования Пролог.
  
  дипломная работа [387,8 K], добавлен 01.10.2013
  

• Разработка программного средства анализа событий систем семейства Windows на основе разработанной методики анализа событий

  Методика исследования и анализа средств аудита системы Windows с целью обнаружения несанкционированного доступа программного обеспечения к ресурсам вычислительных машин. Анализ угрозы информационной безопасности. Алгоритм работы программного средства.
  
  дипломная работа [2,9 M], добавлен 28.06.2011
  

• Информационные системы маркетинга

  Свойства и классификация информации. Угрозы, безопасность информационных систем и модели системы безопасности. Основные задачи и программное обеспечение маркетингового анализа. Состав библиотеки типовых журналов и справочников. Основные понятия Grid.
  
  шпаргалка [690,0 K], добавлен 22.04.2010
  

• Проблемы создания искусственного интеллекта

  Характеристика сущности искусственного интеллекта. Проблема создания искусственного интеллекта. Базовые положения, методики и подходы построения систем ИИ (логический, структурный, эволюционный, имитационный). Проблемы создания и реализация систем ИИ.
  
  реферат [43,1 K], добавлен 19.07.2010
  

• Функция принадлежности

  Эволюция систем искусственного интеллекта. Направления развития систем искусственного интеллекта. Представление знаний - основная проблема систем искусственного интеллекта. Что такое функция принадлежности и где она используется?
  
  реферат [49,0 K], добавлен 19.05.2006
  

Другие документы, подобные "Применение технологий искусственного интеллекта для углубленных маркетинговых исследований аудитории рекламодателей глянцевых журналов Краснодарского края"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам