Розглянуто алгоритми формування рекомендацій для вибору ефективної партнерської програми на Інтернет ресурсах партнерських мереж. Розроблено модель формування рекомендацій Для вибору партнерської програми на підставі графа інтересів.

Анотація наукової статті з математики, автор наукової роботи - Мироненко Д.С.


ALGORITHMS FOR FORMATION RECOMMENDATIONS OF SELECTING SUCCESSFUL PARTNER PROGRAMS

The algorithms of the formation of recommendations for choosing an effective affiliate program on Internet resources of partner networks are considered. The model of the formation of recommendations for the choice of the affiliate program, based on the graph of interests, is developed.


Область наук:
  • Математика
  • Рік видавництва діє до: 2017
    Журнал: Вісник Херсонського національного технічного університету

    Наукова стаття на тему 'АЛГОРИТМИ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ ВИБОРУ УСПІШНИХ ПАРТНЕРСЬКИХ програм'

    Текст наукової роботи на тему «АЛГОРИТМИ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ ВИБОРУ УСПІШНИХ ПАРТНЕРСЬКИХ програм»

    ?УДК 004.58

    Д.С. М1РОНЕНКО

    ДВНЗ «Приазовський державний техшчній ушверсітет»

    Алгоритм ФОРМУВАННЯ РЕКОМЕНДАЦ1Й Вибори УСП1ШНІХ

    Партнерська ПРОГРАМ

    Розглянутi алгоритми формирование рекомендацш для Вибори ефектівно'1 партнерсько'1 програми на 1нтернет ресурсах партнерських мереж. Розроблено модель формирование рекомендацш для Вибори партнерсько'1 програми на пiдставi графа iнтересiв.

    Ключовi слова: автоматизована рекомендацшна система, рекомендації, алгоритм, Партнерська програма, рекламна кампашя, маркетолог, граф iнтересiв

    Д.С. МИРОНЕНКО

    ДВНЗ «Приазовський державний технічний університет»

    АЛГОРИТМИ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ ВИБОРУ УСПІШНИХ ПАРТНЕРСЬКИХ

    пРОГРАМ

    Розглянуто алгоритми формування рекомендацій для вибору ефективної партнерської програми на Інтернет ресурсах партнерських мереж. Розроблено модель формування рекомендацій для вибору партнерської програми на підставі графа інтересів.

    Ключові слова: автоматизована рекомендаційна система, рекомендації, алгоритм, партнерська програма, рекламна кампанія, маркетолог, граф інтересів

    D.S.MIRONENKO

    Pryazovskyi State Technical University

    ALGORITHMS FOR FORMATION RECOMMENDATIONS OF SELECTING SUCCESSFUL

    PARTNER PROGRAMS

    The algorithms of the formation of recommendations for choosing an effective affiliate program on Internet resources ofpartner networks are considered. The model of the formation of recommendations for the choice of the affiliate program, based on the graph of interests, is developed.

    Keywords: automated recommendation system, recommendations, algorithm, affiliate program, advertising campaign, marketer, interest graph

    постановка проблеми

    Основною складових електронно! Комерція е штернет-маркетинг, Який включае таю частині, як: медшна реклама; контекстна реклама; пошуковий маркетинг в цшому i SEO зокрема; продвижения в сощальніх Мережа: SMO i SMM; прямий маркетинг з використаних email, RSS i т.п .; вiрусній маркетинг; Партизанський маркетинг; штернет-брендинг; email-маркетинг, партнерських маркетинг [1].

    Партнерська маркетинг перетінаеться з шшімі методами штернет-маркетингу, i включае до учаснішв (рекламодавщв, маркетолопв, веб-майст ^ в, яш віступають повноправнімі партнерами у цьом відi бiзнесу), яш наведенi нижчих [2-4].

    Рекламодавець розмiщуе Партнерська програма на iнтернет ресурс партнерських! мереж1, в наведенні формах яко! вiн заповнюе Відомості про Партнерська програма: описание, мету програми, тариф (комгая рекламодавця за устшно досягнуть дiю мети), трівалiсть ОБРОБКИ результатiв Виконання дiй, типи траф ^ (дозволенi види Залучення корістувачiв), рекламш матерiали (лендiнгі, заготовленi банери, фото, Медiа , тощо), таргетинг (відiлення щльово! аудиторією). Пiсля розмiщення Партнерська програма проходити перевiрку коректностi менеджером (модератором штернет ресурсу).

    Маркетолог передбачало вибiр з каталогом партнерських програм одше! поточно! програми для запуску рекламно! кампанп. Дана програма винна вщповщаті зажадає Сайти Вся на поточний момент часу, показатели прогнозовано! прібутковостi повінш буті скроню. Пiсля цього ВШ запускає рекламну кампанш, основних мета яко! привести якомога яшсшшій щльовій трафiк потенцiйніх клiентiв та шшіх ПАРТНЕРIВ на сайт рекламодавця продукту або послуги. Всi зусилля маркетолога уклад у формуваннi постiйного потоку щльового трафiку через рекламнi майданчики вебмайстрiв ПАРТНЕРIВ на сайт партнерських продукту або послуги. Чим б№ше щльового трафшу i чим бшьше вiн якiсний, тім бiльше продаж1в i тім бiльше заробiток в партнерських програмi.

    Альо як вібрато Прибутковий програму, яка програма е найб№ш Потрiбна для цiе! ' пори року, для цього регюну, для ще! цiльово! аудіторi !. Маркетолог проводити вибiр програм на основi свого власного

    багатого досвщу, а чи не можливо вікорістаті цею попереднш досввд i прійматі рiшенням с помощью автоматізовано1 'рекомевдацшно! системи. Саме тому розробка веб-орieнтованіх автоматизованого рекомендацiйніх систем е актуальним завданням на тепершнш годину.

    Анaлiз останшх досл1джень i публiкацiя

    Найбшьш пошіренi пiдході побудова рекомендацiйніх систем - загальна фiльтрацiя (Collaborative Filtering), часткова фiльтрацiя (Content-based recommending) та пбрідт пiдході (Hybrid Approaches) [5].

    Загальна фшьтращя полягае у формуванш списку рекомендованих об'ектiв на пiдставi думок (оцiнок) корістувачiв, якi ма ють такi ж вподобання як i вихiдних. 1снують два основнi шдході до загально! фiльтрацii: заснованi на схожосп корістувачiв (user-based) i схожосп об'ектiв (item-based). Cхожiсть розраховуеться як коефщент кореляцп мiж багатовімiрнімі векторами, векторами-рейтингами об'екпв для user-based i векторами рейтінгiв об'єктах у рiзних корістувачiв для item-based методiв. Для цього может використовуват коефщент кореляцп Пiрсона [6].

    Методи, засноваш на частковiй обробцi, дають рекомендацп пiсля порiвняння iнформацii про предмет рекомендацп з уявленнямі про ті, что цiкаво корістувачевi. Тобто користувач рекомендуються тi об'єкті, якi схожi на попереднi, якi вiн Вже оббирати [7].

    Методи, засноваш на об'еднанш попередшх алгорітмiв получил Назву пбрідш методи. Відшення схожих об'екпв в групи на основi матриць оцiнки [8].

    Аналiз публiкацiя показуем, что залішаеться ряд принципова проблем побудова рекомендацшніх систем, якi вімагають розробки Нових алгорітмiв, спеціфiчніх для цього класу систем Обробка даних. До основних проблем можна ввднесті: розрiдженiсть Даних, холодний старт, масштабовашсть, сінонiмiя і шахрайство.

    Мета дослщження

    В ходi дослiдження необхiдно Розробити алгоритм формирование рекомендацiй Вибори партнерських програм на основi графа штереав, Який враховуе попереднiй Досвiд запуску рекламних кампанiй i формуючи рекомендацш «запускаті» чи «Не запускаті» потокової Партнерська програма.

    Викладення основного мaтерiaлу дослiдження

    Перебраті усi програми представлений на майданчик партнерських! мережi просто Неможливо, самє того маркетолог оббирати категорiю партнерських програм i опцш Сортувати програми, якi рекомендованi, в результап на екранi представлено перелж програм Позначення як «запускаті». Це суттево звужуе можлівостi Вибори рекламних кампанш (партнерських програм).

    Автоматизована рекомендацшна система для шкірно! програми знаходится подiбну! й, яка булу запущена рашше, i оцiнюе ii ефектівшсть, пiсля чого формуючи своє ршення.

    Для оцiнки ефектівностi рекламно1 'кампанп проводитися обчислення таких крітерiiв: конверсія, дохiд вiд рекламно1' кампанii, окупшсть iнвестіцiй.

    Конверсiя Cr - це вщношення числа вiдвiдувачiв сайту, что виконан на ньом якi-небудь цiльовi ді (пріхованi або прямi вказiвкі рекламодавцiв, продавцiв, творцiв контенту - покупку, реестрацш, пiдпіску, вiдвiдування певно1 'сторiнки сайту, перехiд по рекламному ПОСИЛАННЯ), до загально числа вiдвiдувачiв сайту, вираженість у вiдсотках.

    Cr = ^ • 100%, (1)

    S2

    де 5Х - кiлькiсть результативних вiдвiдувачiв (вiдвiдувач зграї результативним тсля Виконання поставлено1 'мети, певно1' дп); S2 - кiлькiсть вiдвiдувачiв щльового iнтернет ресурсу.

    Дохiд вiд рекламно1 'кампанii розраховуеться з урахуванням Конверсія:

    S4 = (Z D) * Cr, (2)

    де Z D - сумарна комiсiя за віконаш дii; Cr - конверсiя.

    Окупшсть ^ естіцш ROI (вiд англ. Return on investment) - фшансовій коефщент, Який iлюструе рiвень прібутковостi або збітковосп бiзнесу, ВРАХОВУЮЧИ суму Зроблений в цею бiзнес iнвестіцiй. ROI віражаеться у вiдсотках.

    ROI = ^^^ 100%, (3)

    S3

    де 54 - дохiд вщ рекламно1 'кампанii; S5 - витрати на виготовлення реклами; S3 - загальна сума вкладень коштiв у рекламних кампанiю.

    Если ROI > 100% - значить, рекламна кампашя приносити прибуток.

    Если ROI = 100% - рекламна кампашя працюе в собiвартiсть.

    Если ROI < 100% - вкладення в рекламу не окупаються.

    Течение рекламно1 'кампанп граї роль годину доби, віхвдш це чи ш. Пріпустімо, если взяти перюд часу за тиждень, то может буті кампанiя усшшна i ефективна, но если взяти за перюд КОЖЕН окремий день, то можна віявіті, что рекламна кампашя НЕ ефективна цшодобово. Конверсія может буті б№ше ввечерi або

    б№ше у віхвдній. Вщповщно НЕ віпдно платіті за рекламу бшьше, коли вона НЕ ефективна i навпаки, віпдно бiльше вкладаті, коли конверсiя за рекламу травні високе значення.

    Для поиска подiбно! рекламно! кампанп вікорістовуеться алгоритм обходу графа iнтересiв. Вершини графа розподiленi по кулях (рис.1). на шарi ь1 представленi рекламш кампані. На шарi Ь2 представлений параметрах рекламної кампанiй. Ребра графа бувають трьох видiв:

    - Ер - «параметр - параметр» - показують вщношення зв'язку мiж параметрами. Например, параметр «кра! На виробник» пов'язана з параметром «репон розповсюдження»;

    - ЕАС - «рекламна кампанiя - рекламна кампашя» - показуючи, что даш двi рекламнi кампані е схожими мгж собою. Например, рекламна кампашя продаж Мобiльна телефону i рекламна кампашя продаж его ново! Модель

    - Еаср - «рекламна кампашя - параметр» - показуючи, что Сейчас параметр вікорістовувався при проведенш рекламно! кампані продукту або послуги вiдповiдно.

    Г ^ О-О

    L2 - Параметри

    vj \! \ In j

    \ ЧУ /

    ж \ [п1 Л / / "V / I /

    Li - Рекламш кампані

    Мал. 1. Граф штереов

    Граф штересш может буті уявлень у виглядi зваження графа, в цьом випадка вага ребра означае силу взаємозв'язку мiж вершинами. Граф iнтересiв завдань у виглядi iнформацiйно! структури (4):

    G = Кс,,, Е [2, Еаср \

    (4)

    де Уь ^ - множини вершин (рекламних кампанiй) на рiвнi ь1; - множини ребер на рiвнi? 1; У [2 - множини вершин (параметрiв рекламних кампаіiй) на рiвнi '2; Е [2 - множини ребер на рiвнi '2; ЕАСР -множіна ребер мiж рекламними кампанiямі й параметрами.

    Пошук подiбно! (Аіалогiчно!) Рекламно! кампанi! здiйснюеться на шдстаі ніжченаведеного алгоритму, представленого на псевдокоду

    Algorithm 1 FindAnalogAC (newAC, G)

    Вх ± д: newAC - нова рекламна кампанiя; G - граф iHTepeciB Вих ± д: bool - результат поиска (true або false);

    oldAC - завершена рекламна кампанiя, яка е аналогом ново!.

    початок

    1. Вібіраемо з множини вершин графа G, п ^ множини вершінGL1, якi в ^ носяться до рiвня L1

    2. Перебіраемо в ^ вершини графу Gl1 ,

    3. потокової вершину графа, позначімо як u.

    4. Запускаемо процедуру dfs (u)

    o помiчаемо вершину u як пройдений

    o перевiріті, чи травні дана вершина такий же набiр параметрiв як i Поточна рекламна кампанiя newAC;

    | Если так, то процес поиска пріпіняемо i повертаемо true

    | Дану вершину повертаемо в зм ^ н ^ oldAC;

    o для шкірно! сумiжноi вершини, я ^ НЕ пройшли (назвемо ii v) запускаемо dfs (v);

    5. Зміни в порядку до Кроку 2, поки в ^ вершини не виявляв пройдений;

    6. Повертаемо false.

    К1нець

    На графi штереав рекламш кампані, яш е аналогами, пов'язаш мiж собою ребрами, тому ВСТАНОВИВ одну з вершин можна пройти по всьому ланцюгу i обчісліті прогноз успiшностi ново! рекламно! кампанii. Для цього необхвдно найти максимальне значення ROI среди УАХ рекламних кампанiй ланцюга (Algorithm 2 GetMaxROI (oldAC, G)) i сделать пiдрахунок кiлькостi рекламних кампанш, ЯК-1 ма ють значення сертифіката № ROI Близько до максимального ROI (Algorithm 3 GetCountACNearMaxROI (oldAC, G, delta)).

    Algorithm 2 GetMaxROI (oldAC, G)

    Вхід: oldAC - завершена рекламна кампан1я, что е аналогом ново !;

    G - граф ^ TepeciB;

    Вих ± д: maxROI - максимальне значення ROI для Bcix рекламних кампанiй

    ланцюга.

    початок

    1. Перебіраемо в ^ вершини ланцюга, починаючі з о1с1ЛС, позначіті потокової вершину як і;

    2. Запускаемо процедуру С? Е (і);

    про помiчаемо вершину і як пройдений;

    про порiвнюемо значення сертифіката № рентабельне ^ вкладень з шахЯСІ;

    | Если так, то максимальне значення тахЯСУ встановлюемо рiвнім поточному значенні сертифіката №;

    3. для шкірно! сумiжноI вершини, я ^ НЕ пройшли (назвемо II V) запускаемо dfs (v);

    4. Зміни в порядку до Кроку 1, поки в ^ вершини ланцюга НЕ опіняться пройдений;

    5. Повертаемо максимальне значення тахЯСТ.

    ^ нець

    Algorithm 3 GetCountACNearMaxROI (oldAC, G, maxROI, delta) Вхід: oldAC - завершена рекламна KaMnaHIH, что е аналогом ново !; G - граф ^ TepeciB;

    maxROI - максимальне значення ROI для bcix

    рекламних

    кампан1й

    ланцюга;

    Вих ^:

    початок

    delta - допуск

    CountAC - K ^ bKicTb рекламних кампанп ланцюга, я ^ ма ють значення сертифіката № ROI Близько до maxROI.

    1. Перебіраемо Bci вершини ланцюга, починаючі з oldAC, позначіті потокової вершину як u.

    2. Запускаемо процедуру dfs (u)

    o помiчаемо вершину u як пройдений;

    o перевiрка умови; maxROI-delta < currentROI < maxROI + delta -чи знаходітіся значення сертифіката № рентабельне ^ вкладень около maxROI;

    | Если так, то зб ^ ьшуемо лiчільнік CountAC на 1; o для шкірно! сумiжноi вершини, я ^ НЕ пройшли (назвемо ii v) запускаемо dfs (v);

    3. Зміни в порядку до Кроку 1, поки в ^ вершини ланцюга НЕ опіняться пройдений;

    4. Повертаемо значення лiчільніка CountAC.

    ^ нець

    Прогноз усшшносп рекламно! кампані UAC ощнюеться на пiдставi следующего сертифіката № (5):

    r. CountAC "" "",

    Uас = -7-- 100%,

    (5)

    де CountAC - кшьшсть рекламнт кaмпaнiй ланцюга, як ма ють значення сертифіката № ROI Близько до maxROI; C - загальна кшьшсть aнaлогiчніx рекламна кaмпaнiй в ланцюзг

    Если UAC < 50%, то Поточна рекламна кампашя НЕ может буті рекомендована як усшшна i рекомендацшна система рекомендуємо Цю рекламну кампанш вщхіліті.

    Если UAC > 50%, то можна пріпустіті, что Поточна рекламна кампашя е усшшною i рекомендацшна система рекомендуємо Цю рекламну кампанш до запуску.

    Если маркетолог щдтверджуе запуск рекламно! Кампанія, то вона автоматично додаеться на граф штереав в ланцюжок аналопв, при цьом вщбуваеться попередня оцшка Г! ефектівносп, яка в ход1 рекламно! Кампанія 'постшно уточнюеться.

    У рекомендацшнш систем! е опц! я стеження за змшою конверс !! на рекламу, у раз! змші конверсії 'віконуеться Наступний алгоритм коригування ц! ні:

    Algotithm CorrectPrice (currentTime, currentCR, startCR, CostAC)

    Вх ± д: currentTime - поточний час; currentCR - конверс1я

    startCR - Початкове значення конверсії, CostAC - цiнa на рекламу

    Вих ± д: CostAC - нова ц ^ а на рекламу.

    початок

    1. Розрахунок відсотково! змiни конверсii: PercentChanges = (currentCR-startCR) • 100%

    u startCR

    2. Перевiркa умови: PercentChanges < -30%

    /-> л /-> /-> j. л /-> i PercentChanges .

    o Если так, то зніжуемо ц ^ у: CostAC = CostAC • | --- 1;

    3. Перевiркa умови: PercentChanges > 30%

    o Если так, то п ^ віщуемо ц ^ у: CostAC = CostAC • 1,05;

    4. Повертаемо значення CostAC.

    К1нець.

    Висновки

    Розроблено модель формирование рекомендаці !! з Вибори партнерських! програми, на п! дстав! графа штереав, наведений! основш алгоритми: пошук під! бно! (Аналог! Чно!) Рекламно! кампан !!, поиск максимального значення ROI в ланцюз! під! бніх рекламних кампан! ї, п! драхунок до! лькост! рекламних кампанш, як! ма ють значення сертифіката № ROI Близько до максимального. Дане алгоритми дають можли! сть оц! нитки прогноз успшносп рекламно! кампан !! i Сформувати в! дпов! дну рекомендаці! ю. Розроблено! алгоритми дозволяти зб! льшіті прибуток за рахунок зниженя витрат на рекламну кампан! ю, грамотно стімулюючі Попит. У тій годину як маркетологи, в ряд! віпадшв, намагають стімулюваті Попит тих рекламних кампанш, де его i так достаточно, тім самим конкуруючі з БЕЗЛІМ! ччю шшіх рекламних кампан! ї, что виробляти до високих витрат на рекламу i зниженя прибутку.

    Список вікорістаноТ лiтератури

    1. Голик В.С. Ефективність інтернет-маркетингу в бізнесі / В.С. Голик. - М .: «Діалектика». -2008. - с. 196.

    2. Heitzman A. Best Affiliate Marketing Promotional Methods. HigherVisibility. [Електронний ресурс]: [Веб-сайт]. - Режим доступу: http://www.highervisibility.com/7-best-affiliate-marketing-promotional-methods/

    3. Milanov D. Affiliate Internet marketing: Concept and Application Analysis. / D. Milanov, M. Ivkovic // Education and Management Technology (ICEMT), International Conference (2-4 Nov. 2010). - Cairo, Egypt, 2010. - P. 319 - 323.

    4. Edelman B. Risk, Information, and Incentives in Online Affiliate Marketing / B. Edelman, W. Brandi // Journal of Marketing Research. - 2015. - No 1.- P.1-12.

    5. Melville P. Recommender systems. / P. Melville, V. Sindhwani // Encyclopedia of Machine Learning. -Springer publishing, 2010. Chapter No: 00338. - P.1-9.

    6. Королева Д.Є. Аналіз алгоритмів навчання коллаборатівного рекомендаційних систем / Д.Є. Королева, М.В. Філіппов // Інженерний журнал: наука та інновації, 2013. Вип. 6. - С. 1-8.

    7. Bell, R. Matrix factorization techniques for recommender systems / Bell, R., Koren, Y., Volinsky, C. // IEEE Computer, 2009. Vol. 42 (8) .- P.30 - 37.

    8. Claypool, M. Combining content-based and collaborative filters in an online newspaper / Claypool, M., Gokhale, A., Miranda, T. // In Proceedings of the SIGIR-99 workshop on recommender systems: algorithms and evaluation, 1999.


    Ключові слова: АВТОМАТИЗОВАНА рекомендаційна система / AUTOMATED RECOMMENDATION SYSTEM / РЕКОМЕНДАЦІЇ / RECOMMENDATIONS / АЛГОРИТМ / ALGORITHM / ПАРТНЕРСЬКА ПРОГРАМА / AFFILIATE PROGRAM / РЕКЛАМНА КАМПАНІЯ / ADVERTISING CAMPAIGN / МАРКЕТОЛОГ / MARKETER / ГРАФ ІНТЕРЕСІВ / INTEREST GRAPH

    Завантажити оригінал статті:

    Завантажити