Фактор адаптивности рекламных сообщений

Проблемы, возникающие при построении модели показа адаптивной рекламы и возможные варианты их решения. Построение математической модели определения эффективного набора наружных цифровых рекламных сообщений и алгоритм поиска решения этой задачи.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 04.08.2018
Размер файла 558,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Оглавление

  • Введение
  • Глава 1. Анализ текущего состояния проблемы построения системы, повышающей адаптивность наружной рекламы
    • 1.1 Анализ способов проведения рекламной кампании
    • 1.2 Сложности, возникающие при создании системы
    • 1.3 Постановка задачи повышения адаптивности рекламы
    • 1.4 Выводы
  • Глава 2. Построение математической модели размещения эффективного набора адаптивной рекламы
    • 2.1 Формализация задачи и описание математической модели
    • 2.2 Алгоритм решения задачи
    • 2.3 Верификация модели
    • 2.4 Выводы
  • Глава 3. Проектирование информационной системы управления адаптивной рекламой (ИСУ АР)
    • 3.1 Проектирование технической инфраструктуры ИСУ АР
    • 3.2 Формулирование рекомендаций по внедрению
      • 3.2.1 Централизованное управление
      • 3.2.2 Децентрализованное управление
    • 3.3 Выводы
  • Заключение
  • Список литературы
  • Приложения

Введение

Для того, чтобы приуспеть на современных рынках в условиях жесткой конкурентной среды компании должны не только предоставлять привлекательные товары и услуги, но и грамотно предоставлять информацию о своих продуктах своему потребителю. Продуманная рекламная кампания, которая выгодно осветит продукт общественности, может сделать товар, несколько уступающий аналогам на рынке, востребованным, а бизнес - прибыльным. Именно поэтому рекламу называют «двигателем торговли». Однако правильная рекламная кампания должна быть направлена на тех клиентов, в привлечении которых заинтересован рекламодатель. При этом «идеальными» клиентами будут люди, которые заинтересованы в просмотре рекламы и польностью удовлетворены её содержанием. Таких клиентов называют «промоутерами». С развитием цифровых технологий, показ рекламы в интернете, которая с большой вероятностью заинтересует клиента очевидна, поскольку для этого используются данные об истории посещения сайтов, поисковых запросов и прочее. В связи с этим, интересная ситуация происходит на рынке наружной рекламы. С одной стороны, метрики наружной рекламы сильно отличаются от онлайн - рекламы, а с другой, с равитием технологий гиперлокального таргетинга, кажется возможным показ персонализированной наружной рекламы. По крайней мере на первый взгляд. Интерес к данной теме подогревает тот факт, что адаптивной наружной рекламой интересуются крупные компании по всему миру. Хоть за границей такие идеи не новы, однако исследований, посвященных данной тематике оказалось очень мало, а в России «умной» рекламой занимаются всего 3 компании, одной из которых гигант - Яндекс находится на стадии разработки пилотного проекта. В рамках данной выпускной квалификационной работы я обосновываю, почему адаптивность является важным фактором, влияющим на эффективности рекламы. Показываю проблемы, которые возникают при решении задачи повышения адаптивности рекламы и привожу возможные варианты решения этих проблем. Была построена математическая модель построения адаптивной рекламы и предложен алгоритм нахождения эффективного расписания показа рекламных роликов. В качестве подтверждения валидности модели приводится сравнение эффективности показа набора роликов размещенных «стандартно» и «эффективно». Кроме того, описывается возможные технические решения для реализации данной модели и даются рекомендации для выбора способа управления полученной системой.

Глава 1. Анализ текущего состояния проблемы построения системы, повышающей адаптивность наружной рекламы

1.1 Анализ способов проведения рекламной кампании

Рекламные креативы и способы сообщения информации конечному потребителю бывают разные, и каждый вид рекламы обладает своими уникальными особенностями. Так, размещая рекламную кампанию разными способами можно рассчитывать на разные показатели эффективности, стоимости размещения, измеримости конечного результата и условий размещения. Самым популярным местом размещения рекламы является интернет. Он представляет большую вариативность в выборе приемов для воплощения идеи рекламы. Имея многолетюю историю хорошую репутацию заработали себе и классические методы размещения: реклама в газетах, радио, телевидение, почтовые рассылки, реклама в прессе и т.д. Однако популярность и эффективность большинства видов традиционной рекламы в последнее время снижается. Но есть один вид классической рекламы, который вопреки устоявшейся негативной динамике популярности классических методов рекламы показывает стабильный рост внимания со стороны инвесторов.

Это OOH (out - of - home) реклама или реклама наружная. Под этим понятием подразумевают все возможные сообщения, которые мы можем встретить на улице. Рекламные баннеры, растяжки, билборды - это все представители OOH рекламы. Согласно статистике Magna Global, OOH занимает сейчас 6% от общемировых затрат на рекламу, а доля на мировых рынках за последние 5 лет стабильно растет. В некоторых странах, например Франции и России, достигает внушительных 12% в год (Magna Global`s Media Economy Report., 2017). Эксперты компании JCDecaux, уверены, что этому виду рекламы способствует 3 важных благоприятных фактора :

1. В последне время повышается внимание аудитории к этому виду рекламы, отмечают аналитики. Вместе с тем, что люди начинают проводить больше времени вне дома, OOH подразумевает массовый охват. Процент аудитории подверженной этому виду рекламы варьируется от 50% до 90% на некоторых рынках.

2. Реклама на улице является частью городского ландшафта, который человек видит каждый день и не может быть скрыта, как это происходит в интернете через специальные утилиты.

3. Развитие цифровых технологий позволило по - новому взглянуть на этот формат рекламы. DOOH (Digital OOH) или цифровая наружная реклама, позволяет персонализировать рекламу. Сейчас, стали возможными отслеживание перемещений цифровых аккаунтов людей в реальных координатах с помощью технологий на основе GPS, Wi-Fi, сканеров сетчатки глаза. Это помогает с высокой точностью определить положение и, соответственно, вероятность контакта с рекламным сообщением.

Именно цифровая реклама вносит существенный вклад в оптимистичные оценки перспектив данной отрасли. Доля рынка цифровой рекламы с каждым годом все увеличивается, а рост инвестиций на этот вид рекламы занимает 2 место среди всех видов рекламы вообще (см. Диаграмма 1).

Диаграмма 1. Усредненная динамика роста затрат на рекламу по отраслям, %

Так по какой причине все хотят использовать в своей рекламе цифровые технологии? Потому, что они могут позволить персонифицировать рекламу, сделать просамтривающую её публику более лояльной.

С развитием интернета, стала развиваться и реклама в нем. Причем очень быстро реклама в интернете стала приносить сверхприбыль компаниям, которые рекламируют свой товар подобным образом. Это является следствием работы рекомендательных систем в рекламе, которые позволяют показывать необходимый человеку товар, скажем по истории поискового запроса. То, что человек ищет, чем интересуется имеет больше шансов быть купленным, чем товар, который был увиден случайно.

Именно поэтому возникает интерес к возможности адаптировать другие виды рекламы к потребителям, для того, чтобы выигрывали все: потребители, уменьшая лишний информационный шум от ненужной рекламы и рекламодатели, повышая уровень осведомленности аудитории и её лояльности к бренду, тем самым увеличивая количество продаж.

1.2 Сложности, возникающие при создании системы

Несмотря на высокий интерес в последнее время к этой теме, исследований в области построения систем автоматической системы адаптивной рекламы сделано мало. Дело в том, что на деле возникают некоторые проблемы. Идея о возможности количественного рассчета эффективности наружной рекламы означают использование методов оценок параметров рекламы и терминологии, которой активно пользуются для размещения рекламы в интернете. Однако рекламные агенты, по крайней мере в России, пока прохладно относятся к изменению устоявшихся методов размещения рекламы, оценки её эффективности и ценообразования, поэтому фактически, граница между принципами рекламы в интернете и наружной рекламы пока довольно явная.

Во - первых, ценообразование, способы размещения и оценка эффективности рекламных сообщений в интернете и на улице происходит по различным правилам.

Для online - рекламы свойственно большое разнообразие видов рекламных креативов, площадок для их размещения и способов размещения реклам. Поэтому, выстраивая аналогию с адаптивной наружной рекламой, имеет смысл говорить только о контекстной рекламе и рекламе на видеохостингах и в социальных сетях. Основным критерием эффективности рекламы такого типа в интернете служит коэффициент click-through rate (CTR). CTR определяется как отношение числа кликов пользователей к количеству общего числа показов.

Этот коэффициент позволяет показать со 100% вероятностью количество людей заметивших рекламное сообщение и продолживжих проявлять интерес к рекламируемому товару, перейдя по ссылке

Для определения стоимости размещения рекламной кампании используются в первую очередь два параметра CPM (Cost-Per-Mille) и CPC / CPA (Cost-Per-Click/Action). Соответственно, формируя бюджет по CPM рекламодатель платит за количество показов рекламы. В другом случае, размещение может происходит по схеме CPC / CPA и плата происходит за активное действие, которое совершает пользователь, например, клик.

Размещение рекламы на улице происходит по - другому. Размещение рекламных роликов на цифровых экранах представляет собой барабан из 6 рекламных роликов, которые сменяют друг друга в спустя 6 секунд проигрывания и 1 секунды технической задержки. Таким образом, ценообразование складывается только исходя из продолжительности рекламной кампании и географического положения рекламного экрана. При этом эффективность рекламы измеряется своим набором параметров.

Основной показатель здесь - число потенциальных рекламных контактов. Количество потенциальных рекламных контактов показывает количество людей, которые имеют возможность наблюдать рекламый креатив в единицу времени. Оценку этого параметра производят исходя из статистического анализа набора данных об основных потоках, расположенных в непосредственной близости от исследуемого объекта (автотранспорта, общественного транспорта, пешеходов). В основном данные берутся из отчетов городского департамента транспорта.

Среди потенциальных контактов, есть множество людей, которые имеют практическую возможность увидеть экран. Количество таких людей определяется количеством эффективной аудитории OTS (opportunity-to-see). Для оценки этого параметра могут применяться абсолютно разные параметры и универсальной формулы нет. Так, для вычисления OTS могут использоваться: направления поворота экрана, напряженность транспортного трафика, близость к станции метро, зрительные препятствия и т.д.

Подавляющее большинство наружных рекламных креативов априорно оцениваются именно этими двумя характеристиками.

Сложности возникают также, когда дело касается отслеживания потоков людей, для увеличения адаптивности рекламы. Такую возможность могут позволить себе лишь немногие компании.Например Яндекс и Google довольно давно обладают возможностью гиперлокального таргетинга, но доступ к данным они дали лишь недавно, а данные которыми сейчас можно пользоваться сильно ограничены. В частности при анализе структуры потока с помощью Яндекс.Аудиторий можно лишь узнать некоторые преобладающие характеристики аудитории, проходящей мимо произвольного географического положения такие как охват, расредедение людей по возрастам и полу. Кроме этого данные доступны только при выборе достаточно большого радиуса наблюдения, поскольку разработчики сделали ограничение на доступ к информации о локации в связи с её посещаемостью: если интенсивность движения ниже 1000 контактов в день, данные блокируются. Кроме этого, Яндекс, и пара компаний - конкурентов пытаются разработать свою адаптивную систему показа рекламы, но к сегодняшнему дню работет лишь пилотный проект, который является довольно узким решением задачи повышения адаптивности наружной рекламы вцелом.

1.3 Постановка задачи повышения адаптивности рекламы

Таким образом, существующие модели размещения цифровой умной рекламы узки и несовершенны. В России в основном такие автоматизтированные системы работают в привязке к транспортным билбордам, используя камеры наблюдения за потоком машин. Более общих решений данной задачи не существует. Поэтому возникает необходимость построить такую систему, которая могла рекомендовать к показу рекламу вне зависимости от типа и местоположения цифрового рекламного креатива. Модель должна представлять из себя систему поддержки принятия решений о показе рекламных сообщений из общего множества рекламных кампаний на любой из локаций, доступных для использования. Эффективность адаптивной рекламы следует измерять размером потенциальной аудитории, находящейся в зоне видимости цифрового экрана. Эта оценка эффективности является единственной объективной величой на данный момент.

Таким образом, необходимо:

1. Построить математическую модель статической системы, предлагающей эффективное расписание показа рекламных сообщений на локациях в общем виде.

2. Указать алгоритм нахождения оптимального набора рекламных рольков с помощью данной модели.

3. Обосновать эффективость работы математической модели c помощью метода моделирования.

4. Предложить способы проектирования данной модели.

1.4 Выводы

В этом разделе был произведен анализ способов размещения рекламы, в результате которого было определено, что адаптивная наружная реклама - единственное перспективное направление развития классических методов рекламы. А так же:

· Были выявлены сложности, связанные с построением автоматической системы помощи в составлении эффективного расписания показа рекламных сообщений с точки зрения их адаптивности аудитории.

· Были указаны существующие решения в построении такой системы и указаны их недостатки.

· Была обоснована необходимость исследований в области цифровой адаптивной рекламы и поставлена задача построения общей математической модели показа эффективного (адаптивного) набора рекламных сообщений.

Глава 2. Построение математической модели размещения эффективного набора адаптивной рекламы

2.1 Формализация задачи и описание математической модели

В этом разделе будет формально описываться поставленная задача формирования эффективного набора рекламных роликов и описана предлагаемая мной математическая модель. Сначала необходимо сформулировать ряд определений, которые будут использоваться в этой главе как для постановки задачи, так и для описания математической модели.

Определение 1.

Рекламный ролик (сообщение, креатив) в рамках данной задачи - видеофрагмент, длительностью 1 минута, транслируемый на цифровом экране и несущий рекламную информацию. Каждый рекламный ролик характеризуется персональным набором параметров.

Определение 2.

Релевантность рекламной кампании - соответствие рекламной кампании интересам потребителя. Релевантность является мерой качества рекламы. От релевантности рекламного сообщения напрямую зависит её эффективность.

Определение 3.

Портфель рекламных роликов - совокупность рекламных креативов, которыми мы управлем в условиях данной задачи. Портфель представляет собой вектор , где n - общее количество рекламных роликов, доступных для управления.

Определение 4.

Локации - множество окружностей радиуса 50м, с центром в точке , которые являются географическими координатами билбордов, на которых транслируются рекламные сообщения и ведутся наблюдения за потоками людей.

Определение 5

Множество характеристик рекламных сообщений Г - набор векторов , , имеющих конечную размерность (размерность каждого вектора не зависит от других) определяют параметры рекламного сообщения по соответствующему, срезу цифрового профиля. Векторы предствляют собой набор чисел, сумма которых = 1,являющихся коэффициентами релевантности. Например, характеристиками рекламного сообщения «Ad1» может быть набор векторов {= (0.6, 0.4), = (0.3, 0.1, 0.2, 0.4 ), = (0.25, 0.75), = (0.3, 0.4, 0.4} . Вектор имеет размерность 2 и отвечает за срез цифрового профиля «пол». Этот набор означает, что реклама Ad1, с вероятностью 60% может заинтересовать мужчин, а с вероятностью 40% женщин. Оставшиеся вектора определяют вероятности аналогично.

Определение 6

Коэффициент релевантности - число от 0 до 1, параметр рекламного сообщения, являющейся мерой релевантности сообщения определенной аудитории. Коэффициенты носят вероятностный смысл. Они определяют вероятность того, определенная аудитория заинтересована в просмотре данного рекламного сообщения. Набор коэффициентов релевантности определяет целевую аудиторию для рекламы. Данные коэффициенты могут определяться на основе статистических данных.

Определение 7

Аудитория - множество людей, на которых потенциально направлена реклама, обладающих общими свойствами (пол, интересы, возраст). Количество аудиторий определяется в зависимости от желаемой точности таргетирования рекламы.

Определение 8

Целевая аудитория - это множество людей, на которых направлена реклама, в охвате которой заинтересованы рекламодатели и которая заинтересована в получении какой - либо информации.

Определение 9

Цифровой профиль - совокупность данных, которые возможно собрать о человеке, проходящем рядом с локацией с помощью специальных датчиков. Информация собирается на основе цифрового следа человека, оставляемого в интернете.

Определение 10

Срез цифрового профиля - часть данных цифрового профиля, описывающих какой - либо параметр. Пример срезов: пол, возрастная группа, хобби и т.д.

Определение 11

Микросегмент - аудитория образованная пересечением определенной комбинации срезов. Мощность этого множества - число сочетаний из множества срезов. Пример: Пусть есть 2 среза пол (мужской, женский) и возрастная группа (младшая, средняя, старшая). Тогда множеством микросегментов будет { (мужской + младшая), (мужской + средняя), (мужской + старшая), (женский + младшая), (женский + средняя), (женский + старшая)}

Определение 12

Коэффициенты отторжения - пара чисел, показывающих, что для того, чтобы реклама одного и того же вида не вызывала отторжения, её можно показывать максимум раз в произвольном порядке за время ш. Эти коэффициенты является характеристикой каждого рекламного ролика и может быть задан как для каждого в отдельности, так и всех сразу.

Теперь можно перейти к формальной постановке задачи. Итак, нам необходимо построить математическую модель, которая будет предлагать эффективный набор рекламных роликов для показа. Рекламные сообщения будут транслироваться на экране уличного монитора, расположенного в произвольной географической локации. Просматриваемые рекламные сообщения должны быть максимально адаптивны (релевантны) людям, просматривающим рекламу. При этом эффективность рекламы будет рассматриваться только с точки зрения наибольшей релевантности потребителю. Разрабатываемая система, основанная на использовании предлагаемой математической модели, будет рекомендовать к показу рекламу, основываясь на анализе статистических данных, которые собираются посредством открытых источников для гиперлокального таргетинга аудитории и специальных датчиков для измерения количестенных характеристик потока людей, проходящих в зоне видимости рекламного сообщения (100м). Для достиженя большей эффективности предлагается размещать рекламные кампании без строгой привязки к географической локации. То есть рекламное сообщение , являющееся частью общего портфеля рекламных роликов , может показываться в каждый момент времени на любой локации исходя из соображений эффективности портфеля рекламных роликов , может показываться в каждый момент времени на любой локации исходя из соображений эффективности.

Сначала рассмотрим модель размещения рекламных сообщений на одной локации. Каждое сообщение обладает своим набором характеристик релевантности. Это значит, что множеству рекламных сообщений приводится биективное отображение в множество характеристик рекламных сообщений , .

Получаем, что каждые рекламный ролик характеризуется своим уникальным набором векторов характеристик Г. Тогда портфель реклам выглядит следующим образом:

Где - вектора различной размерности.

Для более удобного оперирования этой матрицей введем понятие «микросегментов».

Разобьем срезы на микросегменты и пересчитаем коэффициенты релевантности. Получаем, что количество микросегментов - конечное число , где - размерность вектора . Массив новых коэффициентов назовем В = , где коэффициент релевантности макросегменту.

Таким образом, характеристики портфеля рекламных кампаний теперь сводятся к следующей матрице:

- коэффициент релевантности микросегменту рекламного сообщения.

Поскольку рекламные ролики проигрываются определенное время, зададим время проигрывания 10секунд, выберем этот промежуток как единицу измерения времени (квант времени) и будем оперировать временем как дискретной величиной.

Каждая локация отличается от других не только местоположением, но и людьми, которые проходят через них. Введем вектор характеристики локации.

Который показывает среднее количество людей из микросегментов, прошедших через локацию в момент времени.

Тогда, критерием выбора рекламы в заданный момент предлагается функционал:

Для составления эффективного, с точки зрения технико-экономических показателей, расписания показа рекламы нужно минимизировать функционал для всех квантов времени с учетом ограничений на количество показов реклам каждого вида:

Где T - конечный момент времени.

Решением этой задачи будут последовательности пар чисел обозначающих оптимальный рекламный ролик в j момент времени. Эту последовательность можно представить в виде сильно разреженной матрицы. Например, для некотрой локации i матрица будет выглядеть:

В этой матрице на пересечении соответствующих позиций строки и столбца стоят единицы. Матрицу будем называть эффективным набором рекламных роликов на i-ой локации.

Наложим естественные ограничения на условия задачи.

1. Мниммальное количество показов. Поскольку рекламодатели могут установить требования по минимальному размеру рекламной кампании, естественным будет ограничение на минимальный размер количества показов рекламной кампании. Оно будет выглядеть следующим образом:

2. Коэффициенты отторжения. При просмотре рекламы свыше некоторого количества раз у человека возникает эффект неприятия рекламируемого товара, что негативно сказывается на восприятии рекламируемого бренда.

2.2 Алгоритм решения задачи

Начинать решение задачи необходимо с обеспечения необходимыми данными для формирования портфеля рекламных кампаний и определения характеристик локаций, на которых происходит размещение рекламы.

Портфель рекламных компаний A, как отмечалось ранее, обладает характеристиками релевантности аудиториям B и коэффициентами неприятия рекламы . Эти значения могут быть получены с помощью социологических исследований, направленных выявление соотношения между морально - этическими, социально - демографическими и прочими характеристиками рекламных креативов, доступных для управления и различных типов людей, соответствующих рассматриваемым в задаче срезам.

Характеристиками локаций являются предстваленные в произвольном виде параметризованные потоки людей, по различным срезам во времени. Для описания потоков могут быть использованы 2 способа:

1. Описание потока клиентов производится непрерывными измерениями на локациях по всем микросегментам. При использовании датчиков, позволяющих производить измерения в режиме реального времени, возможно непосредственно получить характеристики локаций по микросегментам на любой выбранный диапазон времени. К тому же, есть возможность заранее произвести оценку точности измерений и более точно изменять параметры системы относительно погрешности. Еще одним преимуществом, использования таких датчиков, является возможность сделать систему динамической и увеличить точность и эффективность работы системы. Несмотря на это, к настоящему времени не существует технических решений, доступных к свободной покупке, позволяющих определять достаточное количество характеристик цифрового профиля людей динамически, а существующие решения обладают низкой точностью измерения потока (большое число людей не учитывается при измерениях).

2. Использование математического моделирования потоков людей на основе статистического анализа общих данных, взятых из открытых источников или предоставляемых многими аналитическими кампаниями. Для получения характеристик локаций , используя этот способ нужно построить фунцию распределения времени прихода людей используя статистические данные, а далее произвести математическое моделирование на выборке достаточного размера. . Именно этот подход использовался в данной работе.

После определения исходных данных можно перейти к непосредственному решению задачи. Исследуемый интервал времени на эффективный набор рекламных роликов разбивается на кванты времени, соответствующие совокупной длине рекламных роликов и длине технической задержки между их показами. Для каждого такого кванта времени происходит определение характеристик локаций, на основе данных о потоке людей. После этого выссчитываются невязки

.

Дальше происходит поиск минимальной невязки с учетом, наложенных на задачу ограничений по минимальному количеству показов рекламы и коэффицифентов отторжения.

Таким образом на ходятся решения задачи, которые можно представить в виде набора последовательностей номеров эффективных рекламных роликов для каждой локации или подобной матрицы :

2.3 Верификация модели

Рассмотрим в качестве примера размещение данной модели на остановках городского транспорта. В этом разделе рассказывается о реализации предложеннной математической модели с использованием реальных данных. Реализация осуществлялась на базе Microsoft EXCEL c использованием языков VBA и Python. Использование именно этих програм обусловлено тем, что они имеют широкое применение среди специалистов, работающих в сфере рекламы. У разработанной программы есть значительные ограничения по размерности задач, которые может использовать данная модель, однако в рамках задачи, которая будет рассмотрена ресурсов Excel и Python достаточно. Разработка универсального програмного решания для реализации данной модели происходить на базе языков C++ / С# для создания дружелюбного интерфейса и оптимизации алгоритмов анализа данных, однако это не являлось целью данной работы.

Был произведен анализ групп остановок общественного транспорта и найдены локации с ярко выраженными шаблонами поведения групп людей. Для примера будут использоваться 3 локации (№1, №2 и №3), расположенные рядом с железнодорожным вокзалом, станцией метро и торговым центром соответственно. С помощью сервиса Яндекс.Аудитории были произведены структурно - охватные характеристики выбранных локаций (см. Таблица 1).

Срезы \ Номер локации

Локация 1

Локация 2

Локация 3

Мужской пол

65,40%

47,40%

36,50%

Женский пол

34,60%

52,60%

63,50%

Младшая в. Группа

1,24%

4,47%

3,15%

Средняя в. Группа

78,00%

72,38%

82,15%

Старшая в. Группа

20,76%

23,15%

14,70%

Охват (чел)

5595

10943

1241

Таблица 1. Характеристика локаций по срезам

В качестве срезов были выбраны характеристики цифрового профиля: пол (муж, жен) и возрастная группа (младшая(до 18лет), средняя(18 - 45) и старшая(свыше 45)). Далее срезы были сгруппированы в микросегменты (1, 2, ... 6) и построена характеристика локаций по этим срезам (см. Таблица 2)

Локация \ Микросегменты

1

2

3

4

5

6

Локация 1

0,81%

51,01%

13,58%

0,43%

26,99%

7,18%

Локация 2

2,92%

47,34%

15,14%

1,55%

25,04%

8,01%

Локация 3

2,06%

53,73%

9,61%

1,09%

28,42%

5,09%

Таблица 2. Характеристика локаций по микросегментам

Используя данные из таблицы 1 была составлена матрица характеристик локаций по микросегментам.

В рамках данной работы не удалось определить функции распределения, описывающие поведение потоков людей с течением времени. Будем считать, что в любой момент времени совокупная структура потока не меняется. А количество людей из каждого микросегмента будет определяться как округленное в меньшую сторону произведение доли микросегмента от общего потока локации на количество людей, прошедших за выбранный квант времени.

Количественные характеристики потока людей были собраны совместно с компанией SynapsLabs, в рамках исследования рынка наружной рекламы. Данные на всех локациях собирались во временном диапазоне от 7.00 до 10.00. На основе этих данных были построены гистограммы, демонстрирующие интенсивность потока людей по часам. (см. Диаграмма 2).

Диаграмма 2. Количество людей по локациям в зависимости от времени.

Теперь зададим портфель рекламных компаний. Пусть в нашем управлении будут находиться 5 рекламных роликов: “Ad1”, “Ad2”, ... “Ad5”. Построим для каждого ролика вектор характеристик по соответствующим срезам.

Срез \ Рекламный ролик

Ad1

Ad2

Ad3

Ad4

Ad5

Мужской пол

0,5

0,47

0,2

0,3

0,2

Женский

0,5

0,53

0,8

0,7

0,8

Младшая возрастная группа

0,1

0,8

0,05

0,5

0,4

Средняя возрастная группа

0,2

0,15

0,6

0,1

0,2

Старшая возрастная группа

0,7

0,05

0,35

0,6

0,4

Таблица 3. Характеристики рекламных кампаний по срезам

Тогда, портфель рекламных кампаний по микросегментам будет выглядеть так:

Теперь остается задать ограничения на минимальное количество показов и задать коэффициенты отторжения. Пусть минимальное количество показов рекламы будет K = (50, 30, 60, 40 ,70) для реклам Ad1, Ad2, ... Ad5 соответственно. Коэффициенты отторжения в решении данной задачи зададим общими для всех рекламных роликов равными: ц = 2, а ш = 5. Это означает, что реклама не может показыватсья более 2 раз за 5 роликов, иначе она вызовет чувство неприятия к рекламируему товару.

Таким образом, ограничения в этом примере будут выглядеть следующим образом:

Итак, мы закончили описывать входные параметры системы и можем приступить к моделированию потоков. Для этого воспользуемся статистическими данными, которые нам удалось собрать для локаций. Подбирая коэффициенты, определяем, что потоки людей, проходящих мимо остановок с 7.00 по 10.00 статистически можно описать выборочной функцией распределения, которая является стандартным нормальным законом с параментрами: для Локации 1 = , для Локации 2 = и для Локации 3 = . Теперь будем реализовывать 3 выборки с этими параметрами. Для каждой из выборок смоделируем 2000 реализаций случайной величины времени прихода человека в каждую из локаций (см. Приложение 1). Группируем случайные величины в группы интервалом в 1 минуту. Нас будут интересовать только люди, которые пришли с 7.00 до 10.00. Поэтому отбрасываем значения, которые меньше 7.00 и больше 10.00. Получаем привычный «колокол» для стандартного нормального распределения, определенный на интервале от 7.00 до 10.00. (Диаграмма 3).

Диаграмма 3. Сгенерированные данные для локаций.

Далее, делим поток на микросегменты. Для этого количество людей, прошедших через локацию в квант времени делим пропорционально общей структуре потока и округляем до целых чисел. Теперь, мы получили моделированный поток людей через локации, разбитый на микросегменты. Для каждого из получившихся квантов времени считаем невязку между характеристиками рекламы и характеристиками потока для каждой из локаций (Приложения 2 - 4). Из получившейся матрицы невязок, выбираем минимальную, с учетом ограничений. Рекламный ролик, которому соответствует выбранная невязка получается эффективным. Таким образом для каждой локации мы получили эффективное расписание в каждый момент времени.

Проверим эффективность получившейся модели. Для этого предположим, что все ролики располагаются стандартно, то есть они показываются по принципу «барабана» на каждой локации и показываются по очереди начиная с 1. Тогда, вычисляя невязки для этого случая сравниваем получившийся набор рекламных роликов при «стандартном» размещении и «эффективный» набор, полученный с помощью предложенной математической модели:

Диаграмма 4 Структура показов рекламы при «эффективном» размещении

Диаграмма 5. Структура показов рекламы при «стандартном» размещении

Таким образом, при выбранных начальных условиях и предположениях адаптивность рекламы улучшилась на 8.57%. Эта цифра означает, что средний уровень вовлеченности людей, просмотревших ролики на выбранных локациях увеличился на 8,6% исключительно благодаря специально подобранному расписанию. Это является достаточно большой цифрой в определении числа промоутеров релкамы в маркетинге, поэтому результат можно назвать очень хорошим. Я уверен, что если обладать достаточными техническими средствами, чтобы точнее определять поведения потоков людей по микросегментов эту циру можно увелисить до 10 - 15%.

2.4 Выводы

В данной главе была разработана и проверена работоспособность математическая модель построения эффективного расписания показа рекламных роликов. Предлагаемая модель может быть использована в качестве базовой модели при построении системы информационной поддержки проведения рекламных кампаний.

1. Введена аксиоматика, на основе которой была разработана математическая модель размещения эффективной рекламы.

2. Был определен состав и средства получения входных данных для функционирования разрабтываемой системы.

3. Предложен алгоритм, по которому находится эффективное «расписание» показов рекламных сообщений, с точки зрения, адаптивности (релевантности) к проходящим мимо людям.

4. Была обоснована корректная работа алгоритма путем моделирования ситуации размещения эффективной рекламы на остановках городского транспорта. В результате моделирования было построено эффективное размещение рекламных роликов, эффективность которого оказалась превосходящей существующий метод.

Глава 3. Проектирование информационной системы управления адаптивной рекламой (ИСУ АР)

3.1 Проектирование технической инфраструктуры ИСУ АР

В Главе 2 была построена статическая модель рекомендации эффективного набора рекламных сообщений и приведен численный пример, подтверждающий работоспособность модели. Однако, остались не раскрыты проблемы, связанные с проектированием такой системы.

Построение статической модели, было связано, главным образом, с ограниченностью потоковых данных, которые не позволили сделать систему динамической. Однако, все - таки существует решение, которое позволит отслеживать потоки людей по микросегментам. Это решение представляет компания NPOAnalitika. Они разработали датчик, который устанавливается в выбранной локции и связывается с телефоном проходящих мимо людей по wi-fi. Датчик предстваляет собой устройство размером с мобильный телефон, которое устанавливается в исследуемом месте и требует для работы подключения к сети интернет и электропитанию. Устройство работает по принципу сканирования окружающего пространства и собирает данные MAC -адресов устройств, которые не являются персональными данными. Далее пользователь может получать агрегированные данные и изучать поведение потока людей в динамике. Среди положительных черт этого устройства - точность определения контакта. С другой стороны, согласно данным НПО Аналитики, с включенными модулями wi - fi на своих мобильных устройствах пребывает от 20% до 60% людей. Поэтому это устройство можно рекомендовать к использованию, если учитывать при вычислениях, что большую часть людей (от 40% до 80%) устройство не будет фиксировать, так как у них не включен модуль wi-fi. К тому же это может решить проблемы соотношения ценообразования в рекламы в интернете и на улице. Ведь устройство будет фиксировать точно, что человек прошел в непосредственной близости от рекламного объявления, точно так же как и в интренете происходит считывание контакта, когда человек заходит на сайт, содержащий баннерную рекламу.

Воспользоваться возможностями гиперлокального таргетинга с помощью только Яндекс.Аудиторий не получается, однако Яндекс в 2016 году позволил интеграровать клиент саоих Аудиторий с аналитическими центрами, продающих данные offline - таргетинга, собранных с помощью операторов сотовой связи. Примером таких центров может служить платные платформы Aidata.me и Facetz.DCA.

При формировании динамической системы, будет необходимым решить вопросы о дата - центре, на базе которого будет храниться и обрабатываться поток данных очень большого объема и о поиске подходящей системы управления базами данных. С этой задачей отлично справляется система управления базами данных ClickHouse, разработанная компанией Яндекс. Эта система работает от 100 до 1000 раз быстрее, чем традиционные системы управления базами данных. Например, скорость тройного обхода данных размером 100 млн. записей c использованием ClickHouce в 830.63 раз быстрее, чем с MySQL. В качестве хранилища данных на практике хорошо себя зарекомендовали арендуемые сервера Amazon.

3.2 Формулирование рекомендаций по внедрению

При внедрении системы важным вопросом будет являться выбор типа системы управления эффективной рекламой . Каждый из них имеет свои преимущества и недостатки и выбор того или иного типа зависит от целей, которые стратегических преследуются использованием системы.

3.2.1 Централизованное управление

Основным типом управления является централизованное. Это означает, что должен существовать общий центр для хранения информации, общий центр анализа данных, а управление параметрами и их калибровка будет производиться одним аналитическим отделом для всех локаций. Преимущество данного метода заключается в большей вариативности выбора локаций для показа рекламы, что потенциально увеличивает максимальный уровень адаптивности рекламы. Кроме того с помощью централизованной организации есть возможность просто и быстро управлять параметрами системы. Это лучший вариант для реализации статической системы. Однако этот вид организации увеличивает задержку в получении сигнала системой принятия решения, что может быть серьезным ограничением при построении динамической системы.

3.2.2 Децентрализованное управление

Если стратегическая цель - продать готовый продукт «под ключ» для пользования сторонними компаниями, то вариант с децентрализованным управлением является более полезным. При децентрализованной архитектуре системы операции хранения, обработки данных и необходимых вычислений должны осуществляться на каждой локации внутри билборда. Это позволяет минимизировать задержку в принятии решений (т.к. решение принимается на месте), что положительно сказывается на работе динамической системы. Обычно, децентрализованные системы сравнительно просто расширяются, поскольку каждый новый модуль имеет ту же структуру. Недостаток заключается в небольшом ресурсном потенциале вычислительных мощностей, размещенных в цифровом экране. Это влечет использование быстрых алгоритмов и данных небольшого размера, что приводит к уменьшению точности прогнозирования потока аудиторий и формирует большую погрешность в анализе данных.

3.3 Выводы

В данной главе рассматривались проблемы, сформулированные в разделе 1.2 и предлагалось их техническое решение. Кроме этого описывались технические средства, входящие в состав системы управления. Были рассмотрены возможные варианты построения архитектуры системы и выработаны рекомендации для внедрения системы в зависимости от стратегических целей пользователя системой.

Заключение

показ адаптивный реклама цифровой

В данной выпускной квалификационной работе был произведен анализ способов размещения рекламных сообщений и выделен фактор адаптивности рекламных сообщений как важнейший при влиянии на эффективность рекламы в целом. Были указаны проблемы, возникающие при построении модели показа адаптивной рекламы и указаны возможные варианты их решения. Исходя из этого была сформулирована задача построения математической модели определения эффективного набора наружных цифровых рекламных сообщений и продемонстрирован алгоритм поиска решения задачи этой задачи. Валидность модели была доказана на основании сравнения получившегося эффективного расписания со стандартным размещением рекламы. Результат был достигнут с использованием математического моделирования процесса показа рекламных сообщений с использованием реальных данных. Были описаны методы технической реализации системы а так же разработаны рекомендации для выбора методов управления системой. Подводя итоги работы, можно заключить, что в разработанной модели закличены основные принципы работы системы поддержки принятия решения в показе рекламных роликов адаптивных аудитории. Получившаяся модель может является основой для дальнейших исследований данной тематики. Используя технологии, описанные в работе, описываемую статическую систему можно преобразовать в динамическую, что позволит увеличить эффективность модели и точность прогнозирования параметров потоков. Это означает, что наружная реклама будет становиться менее токсичной к людям, снижать общий уровень информационного шума, а для рекламодателей увеличивать уровни осведомленности и лояльности к рекламируемым товарам и брендам.

Список литературы

1. Analysis of the OOH adertisement market. (2017, 10 25). Retrieved 01 11, 2018, from официальныq веб-сайт компании "JCDecaux": http://www.jcdecaux.com/blog/10-reasons-why-ooh-advertising-continues-outperform

2. Broderick, F. (9 Август 2017 г.). THE BIGGEST DATA TRENDS FOR OUTDOOR ADVERTISING IN 2017. Получено 6 Февраль 2018 г., из Carto: https://carto.com/blog/biggest-data-trends-outdoor-advertising-2017/

3. Sherman, E. (7 Август 2017 г.). Magna Global`s Media Economy Report. Получено 02 02 2018 г., из magnaglobal.com: https://magnaglobal.com/ten-reasons-why-out-of-home-advertising-outperforms/

4. Карпова С. В., Ф. И. (2011). Рекламное дело: учебное пособие для бакалавров. Москва: Юрайт.

5. Стенин, С. (12 07 2017 г.). Programmatic близко. Сегменты Яндекс.Аудиторий на основе данных от внешних провайдеров. Получено 01 09 2018 г., из 360-media: http://360-media.ru/

6. Стенин, С. (14 07 2017 г.). Гиперлокальный таргетинг для бизнеса с оффлайн точками на основе Яндекс Директ и Google AdWords. Получено 03 09 2018 г., из http://360-media.ru/: http://360-media.ru/

7. Ширяев, А. Н. (2011). Вероятность - 1. Москва: МЦНМО.

Приложение 1

Реализация выборок для локаций. Часть данных

Реализация выборок для локаций

Локация 1

Локация 2

Локация 3

5,541331

13,02763

10,33937

11,67596

10,32099

8,926532

9,984028

14,70866

10,47864

7,723757

8,675278

11,5421

11,84277

7,734561

12,8183

6,643116

13,37684

10,15158

7,576547

12,18532

14,04055

11,27756

4,151852

13,50511

8,299467

2,490037

10,55092

8,626706

8,069016

12,61362

9,228675

6,332049

10,09512

12,42835

15,48209

10,34528

10,30157

11,59242

11,28848

7,612199

10,67817

14,39523

10,75782

6,389324

13,95977

8,575906

11,0618

8,050607

7,437145

10,45986

10,94154

6,350726

13,93301

11,8496

6,712181

9,512816

12,76435

9,870267

8,997465

8,689094

7,246903

14,46341

8,21548

9,216071

12,22656

12,06404

11,7946

8,793544

11,81631

9,202544

7,741595

11,33584

12,51252

10,82712

9,091055

9,533445

11,68025

9,347798

9,132599

9,134808

10,12669

10,77169

15,76267

10,37188

10,61251

8,686518

12,97217

8,193986

7,265562

11,90666

9,536912

10,9173

10,59684

7,855975

11,66249

12,93981

6,099432

10,77625

13,94548

10,07494

14,71031

7,145259

...

...

...

Приложение 2

Невязки по квантам времени для локации 1. Часть данных

Локация1

Время \ Ролик

Ad1

Ad2

Ad3

Ad4

Ad5

7

0,511947622

0,687534786

0,454819991

0,669821786

0,574335463

7,017

0,549234368

0,74675828

0,488665615

0,723863729

0,629976988

7,034

0,47492496

0,678176837

0,423472651

0,649431032

0,557827205

7,051

0,49250847

0,724632729

0,430959309

0,674926608

0,580855053

7,068

0,534022415

0,706561872

0,469050039

0,696125383

0,602357059

7,085

0,534510691

0,706561872

0,466260918

0,683519747

0,584777275

7,102

0,534238671

0,713088012

0,479832218

0,703984739

0,611659911

7,119

0,534180206

0,739879684

0,46922968

0,70858853

0,61399892

7,136

0,534180206

0,739879684

0,46922968

0,70858853

0,61399892

7,153

0,551306577

0,745967119

0,478770809

0,719168482

0,623511782

7,17

0,534180206

0,739879684

0,46922968

0,70858853

0,61399892

7,187

0,555208025

0,747072476

0,480018004

0,723951775

0,627495512

7,204

0,562414873

0,752027796

0,498942248

0,733659023

0,639391442

7,221

0,555208025

0,747072476

0,480018004

0,723951775

0,627495512

7,238

0,53465447

0,713088012

0,477510979

0,693382793

0,596950642

7,255

0,534510691

0,706561872

0,466260918

0,683519747

0,584777275

7,272

0,509427501

0,676278102

0,478014879

0,653857013

0,559221775

7,289

0,51913368

0,669161997

0,458342424

0,662604289

0,565754167

7,306

0,521078708

0,680898266

0,470023881

0,675072181

0,580204046

7,323

0,547868892

0,71624652

0,47970866

0,705447551

0,608917709

7,34

0,544192171

0,722381673

0,471570275

0,701554363

0,603212244

7,357

0,522781713

0,713239842

0,460638191

0,684440013

0,587726839

7,374

0,542787523

0,708918119

0,485228086

0,701254535

0,606346104

7,391

0,534510691

0,706561872

0,466260918

0,683519747

0,584777275

7,408

0,535438346

0,744796766

0,497013302

0,715417516

0,62611678

7,425

0,53465447

0,713088012

0,477510979

0,693382793

0,596950642

7,442

0,542330012

0,742502132

0,472986045

0,71541154

0,619877176

7,459

0,55467712

0,739520358

0,485165963

0,720334411

0,623938342

7,476

0,551306577

0,745967119

0,478770809

0,719168482

0,623511782

7,493

0,53465447

0,713088012

0,477510979

0,693382793

0,596950642

...

...

...

...

...

...

Приложение 3

Невязки по квантам времени для локации 2. Часть данных

Локация 2

Время \ Ролик

Ad1

Ad2

Ad3

Ad4

Ad5

7

0,498

0,673448

0,458386

0,656044

0,565158

7,017

0,498

0,673448

0,458386

0,656044

0,565158

7,034

0,472346

0,653941

0,43582

0,634223

0,540776

7,051

0,498

0,673448

0,458386

0,656044

0,565158

7,068

0,472346

0,653941

0,43582

0,634223

0,540776

7,085

0,48622

0,675231

0,443128

0,64897

0,555754

7,102

0,456616

0,590068

0,431567

0,59152

0,497397

7,119

0,5147

0,69602

0,468235

0,679739

0,587575

7,136

0,498

0,673448

0,458386

0,656044

0,565158

7,153

0,48622

0,675231

0,443128

0,64897

0,555754

7,17

0,472346

0,653941

0,43582

0,634223

0,540776

7,187

0,472346

0...


Подобные документы

  • Построение дерева принятия решений, реализация данной системы в табличном процессоре. Построение математической модели: в режиме вычислений и показа формул до и после оптимизации. Окно поиска решения. Информационно-логическая модель, ее содержание.

    курсовая работа [955,8 K], добавлен 10.10.2012

  • Метод решения математической модели на примере решения задач аналитической геометрии. Описание согласно заданному варианту методов решения задачи. Разработка математической модели на основе описанных методов. Параметры окружности минимального радиуса.

    лабораторная работа [310,6 K], добавлен 13.02.2009

  • Критерий эффективности и функции в системе ограничений. Общая постановка задачи линейного программирования. Составление математической модели задачи. Алгоритмы решения задачи симплексным методом. Построение начального опорного решения методом Гаусса.

    курсовая работа [232,4 K], добавлен 01.06.2009

  • Алгоритм симплекс-метода. Задача на определение числа и состава базисных и свободных переменных, построение математической модели. Каноническая задача линейного программирования. Графический метод решения задачи. Разработки математической модели в Excel.

    курсовая работа [1,1 M], добавлен 18.05.2013

  • Краткий обзор решения транспортных задач. Экономическая интерпретация поставленной задачи. Разработка и описание алгоритма решения задачи. Построение математической модели. Решение задачи вручную и с помощью ЭВМ. Анализ модели на чувствительность.

    курсовая работа [844,3 K], добавлен 16.06.2011

  • Краткие сведения о системах принятия решения в режиме показа формул и в режиме пользователя. Принципы решения задач оптимизации. Построение математической модели. Диаграмма "Оптимизация плана перевозок". Создание таблицы БД в Access: база данных, запросы.

    курсовая работа [482,3 K], добавлен 12.08.2012

  • Технология формирования исходной матрицы числовой экономико-математической модели на основе заданной информации. Алгоритм решения задачи программным комплексом на примере использования Excel. Процедура возврата результатов решения в электронную таблицу.

    методичка [38,4 K], добавлен 05.07.2010

  • Построение концептуальной модели и метод имитационного моделирования. Определение переменных уравнений математической модели и построение моделирующего алгоритма. Описание возможных улучшений системы и окончательный вариант модели с результатами.

    курсовая работа [79,2 K], добавлен 25.06.2011

  • Методы решения задач линейного программирования: планирования производства, составления рациона, задачи о раскрое материалов и транспортной. Разработка экономико-математической модели и решение задачи с использованием компьютерного моделирования.

    курсовая работа [607,2 K], добавлен 13.03.2015

  • Процесс моделирования работы САПР: описание моделирующей системы, разработка структурной схемы и Q-схемы, построение временной диаграммы, построение укрупненного моделирующего алгоритма. Описание математической модели, машинной программы решения задачи.

    курсовая работа [291,6 K], добавлен 03.07.2011

  • Особенности решения транспортной задачи распределительным методом и анализ результатов. Построение математической модели, алгоритма. Создание программы для решения транспортной задачи распределительным методом в программной среде Borland Delphi 7.

    курсовая работа [1000,7 K], добавлен 23.06.2012

  • Построение базовой аналитической модели оптимизации распределения затрат на рекламу и ее времени между радио и телевидением. Разработка приложения для решения оптимизационной задачи с помощью симплекс-метода. Испытание модели на чувствительность.

    курсовая работа [3,2 M], добавлен 11.02.2014

  • Алгоритм - последовательность арифметических и логических действий над числовыми значениями переменных, приводящих к вычислению результата решения задачи. Транспонированная, диагональная и единичная матрица. Вектор-строка и столбец. Блок-схемы алгоритмов.

    курсовая работа [447,9 K], добавлен 15.06.2013

  • Решение задачи линейного программирования симплекс-методом: постановка задачи, построение экономико-математической модели. Решение транспортной задачи методом потенциалов: построение исходного опорного плана, определение его оптимального значения.

    контрольная работа [118,5 K], добавлен 11.04.2012

  • Алгоритм решения задач линейного программирования симплекс-методом. Построение математической модели задачи линейного программирования. Решение задачи линейного программирования в Excel. Нахождение прибыли и оптимального плана выпуска продукции.

    курсовая работа [1,1 M], добавлен 21.03.2012

  • Полные и стохастические неполные алгоритмы локального поиска для решения задачи булевой выполнимости. Модели преобразования операторов. Реализация решателя, применяющего модифицированный алгоритм gNovelty, расширенный на использование непрерывных форм.

    курсовая работа [531,9 K], добавлен 27.09.2016

  • Понятие математической модели, свойства и классификация. Характеристика элементов системы Mathcad. Алгоритмический анализ задачи: описание математической модели, графическая схема алгоритма. Реализация базовой модели и описание исследований MathCAD.

    реферат [1,0 M], добавлен 20.03.2014

  • Понятие контекстной рекламы, ее классификация и свойства. Принцип показа рекламных объявлений. Разработка интерфейсов кросс-минусовки. Алгоритм составления заголовков. Обзор конкурентов, сервисы Contextgen и Ppc-help. Выбор клиентского фреймворка.

    курсовая работа [712,4 K], добавлен 01.01.2018

  • Задачи, решаемые методом динамического программирования. Основные этапы нахождения деревянного алгоритма решения задачи. Выполнение алгоритма Прима. Построение Эйлерового цикла. Решение задач средствами Excel. Алгоритм основной программы - Derevo.

    курсовая работа [586,3 K], добавлен 04.04.2015

  • Аналитический обзор программных средств для управления оздоровительным центром. Предметная область автоматизации и постановка задачи. Требования к разрабатываемой информационной системе. Алгоритм решения задачи, построение логической модели данных.

    дипломная работа [3,0 M], добавлен 19.01.2017

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.