CC BY
9
УДК 004.58
Д.С. М1РОНЕНКО
ДВНЗ «Приазовський державний техшчний ушверситет»
АЛГОРИТМИ ФОРМУВАННЯ РЕКОМЕНДАЦ1Й ВИБОРУ УСП1ШНИХ
ПАРТНЕРСЬКИХ ПРОГРАМ
Розглянутi алгоритми формування рекомендацш для вибору ефективно'1 партнерсько'1 програми на 1нтернет ресурсах партнерських мереж. Розроблена модель формування рекомендацш для вибору партнерсько'1 програми на пiдставi графа iнтересiв.
Ключовi слова: автоматизована рекомендацшна система, рекомендацИ, алгоритм, партнерська программа, рекламна кампашя, маркетолог, граф iнтересiв
Д.С. МИРОНЕНКО
ГВУЗ «Приазовский государственный технический университет»
АЛГОРИТМЫ ФОРМИРОВАНИЯ РЕКОМЕНДАЦИЙ ВЫБОРА УСПЕШНЫХ ПАРТНЕРСКИХ
ПРОГРАММ
Рассмотрены алгоритмы формирования рекомендаций для выбора эффективной партнерской программы на Интернет ресурсах партнерских сетей. Разработана модель формирования рекомендаций для выбора партнерской программы на основании графа интересов.
Ключевые слова: автоматизированная рекомендательная система, рекомендации, алгоритм, партнерская программа, рекламная кампания, маркетолог, граф интересов
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 складовою електронно! комерци е штернет-маркетинг, який включае таю частини, як: медшна реклама; контекстна реклама; пошуковий маркетинг в цшому i SEO зокрема; просування в сощальних мережах: SMO i SMM; прямий маркетинг з використанням email, RSS i т.п.; вiрусний маркетинг; партизанський маркетинг; штернет-брендинг; email-маркетинг, партнерський маркетинг [1].
Партнерський маркетинг перетинаеться з шшими методами штернет-маркетингу, i включае до учаснишв (рекламодавщв, маркетолопв, веб-майст^в, яш виступають повноправними партнерами у цьому видi бiзнесу), яш наведенi нижче [2-4].
Рекламодавець розмiщуе партнерську програму на iнтернет ресурс партнерсько! мереж1, в наведених формах яко! вiн заповнюе вiдомостi про партнерську програму: опис, мету програми, тариф (комгая рекламодавця за устшно досягнуту дiю мети), тривалiсть обробки результатiв виконаних дiй, типи траф^ (дозволенi види залучення користувачiв), рекламш матерiали (лендiнги, заготовленi банери, фото, медiа, тощо), таргетинг (видiлення щльово! аудитори). Пiсля розмiщення партнерська програма проходить перевiрку коректностi менеджером (модератором штернет ресурсу).
Маркетолог передбачае вибiр з каталогу партнерських програм одше! поточно! програми для запуску рекламно! кампанп. Дана програма повинна вщповщати потребам ринку на поточний момент часу, показники прогнозовано! прибутковостi повинш бути високими. Пiсля цього вш запускае рекламну кампанш, основна мета яко! привести якомога яшсшший щльовий трафiк потенцiйних клiентiв та шших партнерiв на сайт рекламодавця продукту або послуги. Всi зусилля маркетолога укладено у формуваннi постiйного потоку щльового трафiку через рекламнi майданчики вебмайстрiв партнерiв на сайт партнерського продукту або послуги. Чим б№ше щльового трафшу i чим бшьше вiн якiсний, тим бiльше продаж1в i тим бiльше заробiток в партнерський програмi.
Але як вибрати прибуткову програму, яка програма е найб№ш потрiбною для цiе!' пори року, для цього регюну, для ще! цiльово! аудиторi!. Маркетолог проводить вибiр програм на основi свого власного
багатого досвщу, а чи не можливо використати цей попереднш досввд i приймати рiшення за допомогою автоматизовано1' рекомевдацшно! системи. Саме тому розробка веб-орieнтованих автоматизованих рекомендацiйних систем е актуальною задачею на тепершнш час.
Анaлiз останшх досл1джень i публiкацiй
Найбшьш поширенi пiдходи побудови рекомендацiйних систем - загальна фiльтрацiя (Collaborative Filtering), часткова фiльтрацiя (Content-based recommending) та пбридт пiдходи (Hybrid Approaches) [5].
Загальна фшьтращя полягае у формуванш списку рекомендованих об'ектiв на пiдставi думок (оцiнок) користувачiв, якi мають такi ж вподобання як i вихiдний. 1снують два основнi шдходи до загально! фiльтрацii: заснованi на схожосп користувачiв (user-based) i схожосп об'ектiв (item-based). Cхожiсть розраховуеться як коефщент кореляцп мiж багатовимiрними векторами, векторами-рейтингами об'екпв для user-based i векторами рейтингiв об'екту у рiзних користувачiв для item-based методiв. Для цього може використовуватись коефщент кореляцп Пiрсона [6].
Методи, засноваш на частковiй обробцi, дають рекомендацп пiсля порiвняння iнформацii про предмет рекомендацп з уявленнями про те, що цiкаво користувачевi. Тобто користувачу рекомендуються тi об'екти, якi схожi на попереднi, якi вiн вже обирав [7].
Методи, засноваш на об'еднанш попередшх алгоритмiв отримали назву пбридш методи. Видшення схожих об'екпв в групи на основi матриц оцiнки [8].
Аналiз публiкацiй показуе, що залишаеться ряд принципових проблем побудови рекомендацшних систем, якi вимагають розробки нових алгоритмiв, специфiчних для цього класу систем обробки даних. До основних проблем можна ввднести: розрiдженiсть даних, холодний старт, масштабовашсть, синонiмiя и шахрайство.
Мета дослщження
В ходi дослiдження необхiдно розробити алгоритм формування рекомендацiй вибору партнерських програм на основi графа штереав, який враховуе попереднiй досвiд запуску рекламних кампанiй i формуе рекомендацш «запускати» чи «не запускати» поточну партнерську програму.
Викладення основного мaтерiaлу дослiдження
Перебрати усi програми представлен на майданчику партнерсько! мережi просто неможливо, саме тому маркетолог обирае категорiю партнерських програм i опцш сортувати програми, якi рекомендованi, в результап на екранi представлено перелж програм позначених як «запускати». Це суттево звужуе можливостi вибору рекламних кампанш (партнерських програм).
Автоматизована рекомендацшна система для кожно! програми знаходить подiбну !й, яка була запущена рашше, i оцiнюе ii ефектившсть, пiсля чого формуе свое ршення.
Для оцiнки ефективностi рекламно1' кампанп проводиться обчислення таких критерiiв: конверсия, дохiд вiд рекламно1' кампанii, окупшсть iнвестицiй.
Конверсiя Cr - це вщношення числа вiдвiдувачiв сайту, що виконали на ньому якi-небудь цiльовi ди (прихованi або прямi вказiвки рекламодавцiв, продавцiв, творцiв контенту - покупку, реестрацш, пiдписку, вiдвiдування певно1' сторiнки сайту, перехiд по рекламному посиланню), до загального числа вiдвiдувачiв сайту, виражене у вiдсотках.
Cr = ^ • 100%, (1)
S2
де 5Х - кiлькiсть результативних вiдвiдувачiв (вiдвiдувач стае результативним тсля виконання поставлено1' мети, певно1' дп); S2 - кiлькiсть вiдвiдувачiв щльового iнтернет ресурсу.
Дохiд вiд рекламно1' кампанii розраховуеться з урахуванням конверси:
S4 = (Z D) * Cr, (2)
де Z D - сумарна комiсiя за виконаш дii; Cr - конверсiя.
Окупшсть ^естицш ROI (вiд англ. Return on investment) - фшансовий коефщент, який iлюструе рiвень прибутковостi або збитковосп бiзнесу, враховуючи суму зроблених в цей бiзнес iнвестицiй. ROI виражаеться у вiдсотках.
ROI = ^^^ 100%, (3)
S3
де 54 - дохiд вщ рекламно1' кампанii; S5 - витрати на виготовлення реклами; S3 - загальна сума вкладених коштiв у рекламну кампанiю.
Якщо ROI > 100% - значить, рекламна кампашя приносить прибуток.
Якщо ROI = 100% - рекламна кампашя працюе в собiвартiсть.
Якщо ROI < 100% - вкладення в рекламу не окупаються.
Протягом рекламно1' кампанп грае роль час доби, вихвдш це чи ш. Припустимо, якщо взяти перюд часу за тиждень, то може бути кампанiя усшшна i ефективна, але якщо взяти за перюд кожен окремий день, то можна виявити, що рекламна кампашя не ефективна цшодобово. Конверсия може бути б№ше ввечерi або
б№ше у вихвдний. Вщповщно не випдно платити за рекламу бшьше, коли вона не ефективна i навпаки, випдно бiльше вкладати, коли конверсiя за рекламу мае високе значения.
Для пошуку подiбно! рекламно! кампанп використовуеться алгоритм обходу графа iнтересiв. Вершини графа розподiленi по шарам (рис.1). на шарi Ь1 представленi рекламш кампани. На шарi Ь2 представлен параметри рекламних кампанiй. Ребра графа бувають трьох видiв:
- Ер - «параметр - параметр» - показують вщношення зв'язку мiж параметрами. Наприклад, параметр «кра!на виробник» пов'язана з параметром «репон розповсюдження»;
- Еас - «рекламна кампанiя - рекламна кампашя» - показуе, що даш двi рекламнi кампани е схожими мгж собою. Наприклад, рекламна кампашя продажу мобiльного телефону i рекламна кампашя продажу його ново! модель
- Еаср - «рекламна кампашя - параметр» - показуе, що даний параметр використовувався при проведенш рекламно! кампани продукту або послуги вiдповiдно.
Г^О-О
L2 - Параметри
vj \ ! \ in j
\ЧУ/
ж\[п1 Л / / "V / I /
Li - Рекламш кампани
Рис. 1. Граф штереов
Граф штересш може бути представлений у виглядi зваженого графа, в цьому випадку вага ребра означае силу взаемозв'язку мiж вершинами. Граф iнтересiв заданий у виглядi iнформацiйно! структури (4):
G = Кс, , , Е[2, Еаср\
(4)
де Уь^ - множина вершин (рекламних кампанiй) на рiвнi Ь1; - множина ребер на рiвнi ¿1; У[2 - множина вершин (параметрiв рекламних кампаиiй) на рiвнi Ъ2; Е[2 - множина ребер на рiвнi Ъ2; ЕАСР -множина ребер мiж рекламними кампанiями й параметрами.
Пошук подiбно! (аиалогiчно!) рекламно! кампанi! здiйснюеться на шдстаи нижченаведеного алгоритму, представленого на псевдокода
Algorithm 1 FindAnalogAC(newAC, G)
Вх±д: newAC - нова рекламна кампанiя; G - граф iHTepeciB Вих±д: bool - результат пошуку (true або false);
oldAC - завершена рекламна кампанiя, яка е аналогом ново!.
Початок
1. Вибираемо з множини вершин графа G, п^множину вершинGL1, якi в^носяться до рiвня L1
2. Перебираемо в^ вершини графу Gl1 ,
3. Поточну вершину графа, позначимо як u.
4. Запускаемо процедуру dfs(u)
o помiчаемо вершину u як пройдену
o перевiрити, чи мае дана вершина такий же набiр параметрiв як i поточна рекламна кампанiя newAC;
■ якщо так, то процес пошуку припиняемо i повертаемо true
■ дану вершину повертаемо в зм^н^ oldAC;
o для кожно! сумiжноi вершини, я^ не пройшли (назвемо ii v) запускаемо dfs(v);
5. Переходимо до кроку 2, поки в^ вершини не виявляться пройденими;
6. Повертаемо false.
К1нець
На графi штереав рекламш кампани, яш е аналогами, пов'язаш мiж собою ребрами, тому встановивши одну з вершин можна пройти по всьому ланцюгу i обчислити прогноз успiшностi ново! рекламно! кампанii. Для цього необхвдно знайти максимальне значення ROI серед уах рекламних кампанiй ланцюга (Algorithm 2 GetMaxROI (oldAC, G)) i зробити пiдрахунок кiлькостi рекламних кампанш, як1 мають значення показника ROI близьке до максимального ROI (Algorithm 3 GetCountACNearMaxROI (oldAC, G, delta)).
Algorithm 2 GetMaxROI (oldAC, G)
Вход: oldAC - завершена рекламна кампан1я, що е аналогом ново!;
G - граф ^TepeciB;
Вих±д: maxROI - максимальне значення ROI для Bcix рекламних кампанiй
ланцюга.
Початок
1. Перебираемо в^ вершини ланцюга, починаючи з о1с1ЛС, позначити поточну вершину як и;
2. Запускаемо процедуру С£э(и);
о помiчаемо вершину и як пройдену;
о порiвнюемо значення показника рентабельное^ вкладень з шахЯСИ;
■ якщо так, то максимальне значення тахЯСУ встановлюемо рiвним поточному значенню показника;
3. для кожно! сумiжноI вершини, я^ не пройшли (назвемо II V) запускаемо dfs(v);
4. Переходимо до кроку 1, поки в^ вершини ланцюга не опиняться пройденими;
5. Повертаемо максимальне значення тахЯСТ.
^нець
Algorithm 3 GetCountACNearMaxROI (oldAC, G, maxROI, delta) Вход: oldAC - завершена рекламна KaMnaHÍH, що е аналогом ново!; G - граф ^TepeciB;
maxROI - максимальне значення ROI для bcíx
рекламних
кампан1й
ланцюга;
Вих^ :
Початок
delta - допуск
CountAC - K^bKicTb рекламних кампанп ланцюга, я^ мають значення показника ROI близьке до maxROI.
1. Перебираемо Bci вершини ланцюга, починаючи з oldAC, позначити поточну вершину як u.
2. Запускаемо процедуру dfs(u)
o помiчаемо вершину u як пройдену;
o перевiрка умови; maxROI-delta < currentROI < maxROI+delta -чи знаходитися значення показника рентабельное^ вкладень поблизу maxROI;
■ якщо так, то зб^ьшуемо лiчильник CountAC на 1; o для кожно! сумiжноï вершини, я^ не пройшли (назвемо ïï v) запускаемо dfs(v) ;
3. Переходимо до кроку 1, поки в^ вершини ланцюга не опиняться пройденими;
4. Повертаемо значення лiчильника CountAC.
^нець
Прогноз усшшносп рекламно! кампани UAC ощнюеться на пiдставi наступного показника (5):
r. CountAC „„„„,
Uас =-7—- 100%,
(5)
де CountAC - кшьшсть рекламнт кaмпaнiй ланцюга, як мають значення показника ROI близьке до maxROI; C - загальна кшьшсть aнaлогiчниx рекламна кaмпaнiй в ланцюзг
Якщо UAC < 50%, то поточна рекламна кампашя не може бути рекомендована як усшшна i рекомендацшна система рекомендуе цю рекламну кампанш вщхилити.
Якщо UAC > 50%, то можна припустити, що поточна рекламна кампашя е усшшною i рекомендацшна система рекомендуе цю рекламну кампанш до запуску.
Якщо маркетолог щдтверджуе запуск рекламно! кампанй, то вона автоматично додаеться на граф штереав в ланцюжок аналопв, при цьому вщбуваеться попередня оцшка Г! ефективносп, яка в ход1 рекламно! кампанй' постшно уточнюеться.
У рекомендацшнш систем! е опц!я стеження за змшою конверс!! на рекламу, у раз! змши конверсй' виконуеться наступний алгоритм коригування ц!ни:
Algotithm CorrectPrice (currentTime, currentCR, startCR, CostAC)
Вх±д: currentTime - поточний час; currentCR - конверс1я
startCR - початкове значення конверсИ, CostAC - цiнa на рекламу
Вих±д: CostAC - нова ц^а на рекламу.
Початок
1. Розрахунок процентно! змiни конверсii: PercentChanges = (currentCR-startCR) • 100%
u startCR
2. Перевiркa умови: PercentChanges < -30%
/-> л /-> /-> j. л /-> i PercentChanges .
o Якщо так, то знижуемо ц^у: CostAC = CostAC • |-—-1;
3. Перевiркa умови: PercentChanges > 30%
o Якщо так, то п^вищуемо ц^у: CostAC = CostAC • 1,05;
4. Повертаемо значення CostAC.
К1нець.
Висновки
Розроблена модель формування рекомендац!! з вибору партнерсько! програми, на п!дстав! графа штереав, наведен! основш алгоритми: пошук под!бно! (аналог!чно!) рекламно! кампан!!, пошук максимального значення ROI в ланцюз! под!бних рекламних кампан!й, п!драхунок к!лькост! рекламних кампанш, як! мають значення показника ROI близьке до максимального. Дан! алгоритми дають можлив!сть оц!нити прогноз успшносп рекламно! кампан!! i сформувати в!дпов!дну рекомендац!ю. Розроблен! алгоритми дозволять зб!льшити прибуток за рахунок зниження витрат на рекламну кампан!ю, грамотно стимулюючи попит. У той час як маркетологи, в ряд! випадшв, намагаються стимулювати попит тих рекламних кампанш, де його i так достатньо, тим самим конкуруючи з безл!ччю шших рекламних кампан!й, що призводить до високих витрат на рекламу i зниження прибутку.
Список використаноТ лiтератури
1. Голик В.С. Эффективность интернет-маркетинга в бизнесе / В.С. Голик. - М.: «Диалектика». -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.Е. Анализ алгоритмов обучения коллаборативных рекомендательных систем / Д.Е. Королева, М.В. Филиппов // Инженерный журнал: наука и инновации, 2013. Вып. 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.
