Разработка системы прогнозирования объёмов показов сайтов для оптимизации рекламных кампаний в сети Интернет

Размещено на http://www.allbest.ru/

Разработка системы прогнозирования объёмов показов сайтов для оптимизации рекламных кампаний в сети Интернет

С.И. Вольман, И.А. Минаков, А.Р. Хайрутдинов А.В. Якушин

НПК «МаджентаДевелопмент»

Самара, ул. Ново-Садовая, 349

Институт проблем управления сложными системами РАН

Самара, ул. Садовая, 61, Россия

Рассматривается подход к прогнозу объёма показов сайтов для Интернет-рекламы. Подход позволяет учитывать все определяющие факторы поведения пользователей, влияющие на объём показов. В статье описаны принцип подхода и основные результаты.

Ключевые слова: прогнозирование, Интернет-реклама, оптимизация, временной ряд.

Введение

В современном мире основным источником информации становится Интернет. Ни для кого не секрет, что крупные СМИ публикуюттам все больше новостей. Такой интерес в первую очередь связан с возможностью размещения рекламы.

Существующие системы управления рекламой, такие как Google Double Click, 24/7 Realmedia OAS, Ad Tech Helios, Google Ad Sense, Microsoft Atlas, включают в себя набор инструментов, позволяющих оператору получать всю необходимую информацию о ходе рекламных кампаний для оптимального управления и для снижения потерь в случае резкого изменения ситуации [1].

Управление рекламой в подавляющем большинстве случаев включает в себя оценку и прогнозирование объёмов посетителей и показов рекламы на Интернет-страницах. Однако в силу огромного влияния внешних факторов (от событий в мире до личных предпочтений каждого пользователя) задача прогнозирования становится трудноразрешимой.

В данной статье предлагается система, ориентированная на анализ и прогнозирование объёмов посетителей и показов в сети Интернет с целью повышения эффективности управления рекламными кампаниями.

Анализ предметной области

управление реклама интернет показатель

AdServer - это сервис, предоставляющий возможность проводить рекламные кампании на страницах и управлять их ходом. Владельцы сайтов размещают на своих страницах рекламные площадки, связанные с определённымAdServer`ом и объединённые в рекламную сеть. В базе данных Adserver`а хранится информация об объёмах показов рекламы и количестве посетителей [2].

Оператор через веб-интерфейс (WebUI), используя систему отчётов, может получить исторические данные за определённый период по каждой странице с разбивкой по дням. На основе этих данных оператор может вручную спрогнозировать значение количества показов либо воспользоваться встроенной упрощенной системой прогнозирования.

На количество посетителей и показов влияют как внешние, так и внутренние факторы. Внутренние факторы определяют соотношение количества показов и количества посетителей рекламы: для главной страницы это соотношение минимально, так как пользователи не задерживаются на ней, для новостной ленты - максимально. Эти параметры определяют также основной уровень прогнозируемых параметров. К внутренним факторам относятся:

· тип страницы и её тематика - главная страница, статья, новостная лента;

· наличие перекрёстных ссылок.

Внешние факторы определяют характер отклонений от основного уровня. Так, например, некоторые события могут привести к тому, что в определённый день количество посетителей на странице возрастёт в десятки раз. К внешним факторам относятся:

· дни недели,

· сезоны ипраздники,

· нерегулярные события - новости, выпуск новых фильмов, игр, технические работы на сайте.

Постановка проблемы

Для того чтобы определить риски недостижения целей рекламных кампаний, а также для более чёткого и эффективного управления ими, большинство AdServer`ов имеют модуль предсказания показов для страниц на заданный период. В OAS`еонназывается Inventory Manager,в Helios`е- Inventory Management System.

OAS InventoryManager в первую очередь представляет собой онлайн-опись всех показов на страницах. Под показами здесь понимается потенциальное появление пользователей, которые, по мнению модуля, с большой долей вероятности придут на эти страницы в ближайшее время. С помощью анализа исторической статистики InventoryManager может предсказать количество показов на страницах [3].

HeliosInventory Management System представляет собой систему распределения гарантированных показов на страницах между рекламными кампаниями высокого приоритета. Одной из особенностей этого модуля является то, что предсказанные по исторической статистике показы для страниц всегда снижаются на 20%. Такая специфичная реализация позволяет получить только грубую оценку возможных показов, что приводит к неэффективному использованию рекламных площадок [4].

Прогнозирующие модули обоих Ad Server'ов учитывают большинство внешних и внутренних факторов, влияющих на количество пользователей и показов. Тем не менее существующие модули не включают в себя учёт нерегулярных событий, что приводит к ошибочной оценке объёмов показов и количества посетителей. В отношении событий, произошедших в прошлом, следует отметить, что модули не выделяют их влияния на исторические данные, а это приводит к ошибочной оценке основного уровня. Для будущих событий - к ошибке прогноза при формировании отклонений от основного уровня.

Эти недостатки не дают в полной мере воспользоваться модулями предсказания обоих AdServer`ов для достаточно эффективного управления кампаниями. Для анализа сложившейся ситуации и возможного будущего оператору потребуется просмотреть ряд отчётов, а также использовать личные знания особенностей страниц. Но даже если пользователь сможет проанализировать эти отчёты, то это отнимет достаточно много времени, но и в этом случае такой анализ вряд ли поможет узнать, как изменится ситуация в будущем, если они изменятся. Очевидные недостатки снижают конкурентоспособность клиентов AdServer`ов на рынке рекламы [2].

Также можно отметить, что использование методов статистического анализа ограничено.Это объясняется тем, что количество показов на странице является нестационарным случайным временным рядом[5].

Предлагаемый подход

Предлагаемая система прогнозирования числа показов, имеющая в основе алгоритмы моделирования поведения пользователей в сети Интернет, позволяет проводить полный и наиболее детальный анализ возможностей рекламной сети по объёмам показов с целью повышения эффективности управления рекламными кампаниями. Основной идеей предлагаемого подхода является создание адекватной модели поведения пользователя, позволяющей получить оценки объёмов показов достаточной точности. При этом считается, что количество посетителей и объёмы показов прогнозируются одинаково. Модель поведения пользователя включает все внутренние и внешние факторы. При этом объёмы показов и посетителей предлагается рассматривать как случайный временной ряд вида

где V(t) - случайный временной ряд основного уровня объёма;

показов/посетителей;

w(t) - коэффициент дня недели;

s(t) - коэффициент сезона;

e(t) - коэффициент нерегулярного события;

? - случайное воздействие.

Адекватность модели достигается путем адаптации конфигурации модели для всех видов случаев.Имеется ряд гипотез о характере временного ряда, описываемых рядом правил и методов получения начальных значений параметров модели. Далее производится проверка гипотез путем сравнения с историческими данными, из них выбирается одна по заданному критерию (например, критерий хи-квадрат),после чего происходит адаптация начальных значений градиентными методами.

При анализе исторических данных за определённый период были выявлены следующие характерные случаи динамики показов на сайтах:

· статическое состояние - среднее значение и оценка дисперсии не меняются;

· смена уровня - скачкообразное изменение среднего уровня показов;

· регулярная структура - ярко выраженная периодичность с небольшими отклонениями;

· единичный выброс - ярко выраженный пик с отклонением более 40% продолжительностью не более 7 дней;

· комбинация вышеперечисленных случаев.

С целью прогнозирования случайных событий, вызывающих единичные выбросы и смену уровня, в системе также используется метод проверки гипотезы. Для получения дополнительной информации используется корреляция характера изменения объёмов показов между страницами одного сайта.

Анализ результатов

В качестве проверки для анализа качества работы системы был проведен ряд тестовых экспериментов, использующих различные конфигурации. Тестирование проводилось на основе данных AdServer`овOAS`а и Helios`а. Осуществлялось прогнозирование на неделю вперёд на основе данных за 28 дней. Результаты прогнозирования показов сравнивались с действительными значениями. Для тестирования были выбраны случаи, содержащие нерегулярные события (смена уровня, единичный выброс и комбинация), составляющие около 30% всех случаев. Остальные случаи не рассматривались в силу своей простоты, ошибка на которых, как правило, не превышает 10%.

В таблице представлены результаты тестирования результатов работы AdServer и двух конфигураций предлагаемой системы на примере данных двух клиентов. Использовались следующие системы прогнозирования:

1) упрощенный метод, аналогия - прогноз на следующую неделю предполагается равным значениям прошлой недели;

2) AdServer - существующий модуль прогнозирования;

3) предлагаемая система.

Средняя ошибка при прогнозировании показов:

На основании полученных результатов можно сделать вывод, что предлагаемый подход позволяет решать поставленные задачи. Из результатов тестирования также видно, что модули прогнозирования Adserver`ов не учитывают нерегулярные события.

Заключение

Предложенная система прогнозирования объёмов показов предоставляет оператору удобный и эффективный инструмент для оценки возможностей рекламной сети с целью дальнейшего использования в оптимизации рекламных кампаний.

Методы прогнозирования, реализованные в системе, учитывают зашумлённость исторических данных и нерегулярные события, что снижает уровень ошибки результатов их работы.

Прогнозирование объёма показов и количества посетителей позволяет операторам управлять рекламными кампаниями оптимально и без рисков, эффективно используя имеющиеся ресурсы рекламной сети.

Библиографический список

1. Якушин A., Вольман С., Минаков И. Разработка системы поддержки принятия решений при оптимизации хода рекламных кампаний в сети Интернет //Проблемы управления и моделирования в сложных системах: Тр. XМеждунар. конф., г. Самара, 2008.- Самара: СНЦ РАН, 2008. - С. 522-528.

2. Минаков И.А., Якушин А.В., Кочуров А.В., Хайрутдинов А.Р., Вольман С.И. Разработка системы моделирования динамики поведения пользователей для оптимизации рекламных кампаний в сети Интернет // Проблемы управления и моделирования в сложных системах: Тр. ХIМеждунар. конф., г. Самара, 22 июня - 24 июня 2009. - Самара: СНЦ РАН, 2009. - С.644-651.

3. Анализ временных рядов. Прогноз и управление / Бокс Дж., ДженкинсГ. - М.: Мир, 1974. - 608 с.

Размещено на Allbest.ur