Управление рекламной интернет-кампанией на основе прогнозирования экономического эффекта методом нечеткой логики

Введение

В условиях современных тенденций внедрения информационных, программных технологий для принятия управленческих решений возникает необходимость в создании инновационного инструментария для выбора оптимальной стратегии развития бизнес-проекта – такого, чтобы его методология была приемлемой и для человека, и для искусственного интеллекта. Так, существуют методы корреляционно-регрессионного анализа, вариативный метод, SWOT-анализ для выбора стратегии, прогнозирования и определения эффективности развития бизнес-проекта [1, 2] (Kultin, 2020; Lugert, 2021). Порядок реализации этих методов следующий:

1. Определение бизнес-факторов, влияющих на увеличение количества клиентов, и, соответственно, повышение прибыли.

2. Ранжирование показателей по степени значимости, а также устранение нерелевантных параметров.

3. Составление алгоритма действий, выведение функции закономерности по релевантным бизнес-факторам.

Недостатком вышеперечисленных методов выбора стратегии является то, что необходимо четкое формулирование бизнес-факторов и их свойств, а неопределенности в значениях не допускаются и не принимаются во внимание. Также отсеиваются параметры, которые на момент исследования могут иметь незначительное влияние на оценку эффективности развития интернет-проекта, при этом в другое время они могут оказывать существенное воздействие. Таким образом, могут быть утрачены недооцененные бизнес-факторы.

Авторская гипотеза: прогнозирование экономического эффекта методом нечеткой логики позволяет эффективно управлять рекламной интернет-кампанией.

Ряд исследований в области управления и формирования финансовой отчетности с помощью теории неточной логики доказывают преимущества выбранного направления [3–5] (Kunin, Lugert, 2022; Bodnar, 2018; Diyazitdinova, Saprykina, 2018).

Целью научной работы является создание нового метода прогнозирования эффективности рекламной кампании для интернет-продвижения на основе принципов нечеткой логики с применением понятия лингвистической переменной. А также формирование алгоритма прогнозирования дохода интернет-продвижения.

Научная новизна данной работы состоит в том, что впервые предложена компьютеризация управления процессом интернет-продвижения и разработан для этого метод на основе нечеткой логики

Методология

Лингвистическая переменная допускает в логике некую размытость (неопределенность) в правилах по сравнению с числовыми значениями, но способствует более детальной проработке выводов на пограничных зонах. Применяют лингвистическую переменную как средство описания приближенного представления событий, которые слишком сложно или слишком плохо определены, чтобы поддаваться описанию в обычных количественных терминах. Лингвистическая переменная задается совокупностью множеств {X, T, U, G,M} [6] (Chertina, Aminul, Eremenko, 2018), где:

X – наименование самой переменной;

T – набор терминологий (далее – терм). Лингвистические значения в виде слов, фраз, характеризующих переменную Х;

U – ряд определений значений;

G – синтаксическое правило, которое используется для формирования последующих значений;

M – семантическое множество, определяющее смысл значения переменной.

Этапы решения задач в терминах нечетких правил выглядят так [7] (Nedosekin, 2000):

1. Формирование нечетких переменных.

2. Фаззификация – преобразование четко заданных значений к показателям степени уверенности.

3. Формулирование правил взаимосвязей.

4. Деззафикация – преобразование выводов в конкретную величину.

Применение принципов нечеткой логики для исследования рекламной интернет-кампании

Рассмотрим применение принципа нечеткой логики для ряда показателей интернет-продвижения. В данной работе исследуются ключевые показатели:

- посещаемость потенциальными клиентами интернет-портала за сутки (далее – посещаемость);

- расходы на контекстную рекламу в интернете за 1 сутки, затраченные на площадке direct.yandex.ru (далее – расход);

- данные о продажах за 1 сутки (далее – доход).

Существует прочная взаимосвязь между «посещаемостью», «доходом» и «расходами» на интернет-рекламу [3] (Kunin, Lugert, 2022). Применим усредненные данные интернет-продвижения сайта за одни сутки, собранные автором статьи с помощью metrika.yandex.ru, и данные о продажах ООО «Траектория Роста». Интернет-площадка metrika.yandex.ru является общепризнанным ресурсом для ведения статистик продвигаемого сайта и является одной из часто используемых для исследований в интернет-маркетинге [8] (Yakubov, 2021). Надо заметить, что рассматриваемые величины можно задать числовыми значениями, а также и с помощью слов, фраз. Ставится задача: по известным характеристикам (расходы на рекламную кампанию, посещаемость) спрогнозировать эффективность рекламной интернет-кампании (продажи). Эффективность интернет-рекламы неразрывно связана с извлечением прибыли [9] (Nikolaev, Belyh, 2019), доходностью бизнес-проекта, поэтому именно доход компании будет исследоваться с помощью нечетких множеств. Для этого обратимся к принципам формирования нечеткой логики, определения лингвистической переменной [5] (Diyazitdinova, Saprykina, 2018). Ниже изложены этапы решения поставленной задачи по описанной выше методологии.

1. Формирование нечетких переменных. Создадим и исследуем лингвистические переменные: «посещаемость», «расход», «доход».

Эти лингвистические переменные определим следующими термами:

«посещаемость» может быть плохой, удовлетворительной и хорошей. То есть переменная имеет вид:

«посещаемость» (плохая, удовлетворительная, хорошая).

Аналогично определим следующие лингвистические переменные:

«расход» (малый, умеренный, большой), «доход» (низкий, средний, высокий).

2. Фаззификация. На этом этапе требуется определить количественное множество для каждого терма.

Для «посещаемости» множеством возможных значений будут значения от 0 до 600 человек в день [0, 600]. Для переменной «доходы» зададим значения от 0 до 100 тыс. рублей в день [0, 100000]. «Расход» – множество возможных значений от 0 до 32000 рублей – [0, 32000].

Теперь можно произвести фаззификацию. Определим следующие варианты четкости в числовых характеристиках:

«посещаемость» определяем как «хорошую», если количество посещений 0,8 пунктов и выше из расчета максимального 600 человек в день; «посещаемость» определяем как «удовлетворительную», когда значение 0,5 (то есть 300 человек в день посетило интернет-портал); «посещаемость» определяем как «плохую», когда значение 0,3.

Аналогично идет присвоение количественных характеристик к лингвистическим переменным. Количественные оценки присваиваются по решению эксперта, который может быть руководителем бизнес-процесса или всего предприятия.

«Расход» – малый, тогда значение 0.

«Расход» – умеренный, тогда значение 0,25.

«Расход» – большой, тогда значение 0,65.

Варианты четкости задаются на основе практических знаний и могут варьироваться. Далее необходимо задать отрезки значений по амплитуде четкости (важности) [10] (Shatalova, 2019):

«Посещаемость» – плохая И (∩) «расход» – малый. По принципам нечеткой логики операнд «И» – это логическое умножение (конъюнкция), в соответствии с этим ищется минимум (min) среди исследуемых величин, таким образом:

min («посещаемость» – плохая, «расход» – малый) = min (0,3; 0,25)=0,25; «посещаемость» – удовлетворительная»: 0,5.

«Посещаемость» – хорошая» ИЛИ (Ս) «Расход» – малый. По принципам нечеткой логики операнд «ИЛИ» – это логическое сложение (дизъюнкция), в соответствии с этим ищется максимум (max) среди исследуемых величин, таким образом:

max («Посещаемость» хорошая, «Расход» малый) = max(0,8; 0) = 0,8.

Надо заметить, что задание числовых значений – это экспертная оценка [11] (Kokhanova, 2021). В данной работе использована оценка одного специалиста. Можно рассматривать оценки сразу нескольких экспертов [12] (Krichevskiy, Martynova, 2018), тогда область значений будет расширена, но может и не иметь конкретного цифрового значения, которое стремимся получить в рамках данного исследования [13] (Lebedeva, 2019).

3. Установка правил. Правила записываются общепринятыми операндами ЕСЛИ, ТО, ИЛИ (Ս), И (∩) [14] (Fedorova, 2021):

(I) Если «Посещаемость» – плохая И (∩) «Расход» – большой, ТО «Доход» – низкий;

(II) Если «Посещаемость» – удовлетворительная, ТО «Доход» – средний;

(III) Если «Посещаемость» – хорошая ИЛИ (Ս) «Расход» – низкий, ТО «Доход» – высокий.

Допускается использовать как на русском языке, так и на английском языках. При большом массиве данных для обработки информации используются программные средства, например Matlab [15, 16] (Kha, Nguen, 2019; Solovev, Kuzora, 2019). В данной работе рассматривается упрощенный вариант для наглядной демонстрации метода, поэтому не используются программные средства.

Теперь графически представим значения каждой переменной для формирования правил по нечеткому выводу по вышезаданным значениям фаззификации.

Переменная «ПОСЕЩАЕМОСТЬ»

Множество термов лингвистической переменной «посещаемость» – {плохая, удовлетворительная, хорошая}.

Графическое представление функции принадлежности термов µ€ [0;1] лингвистической переменной «посещаемость» в соответствии с ее численными значениями изображено на рисунке 1. Функция принадлежности отвечает за качество (точность) лингвистической переменной, где µ=1 означает наивысшую степень истинности.

Хорошая Удовлетворительная Плохая

µ µ µ

Рисунок 1. Функции принадлежности термов «посещаемости» по заданным отрезкам

Источник: составлено автором.

Переменная «РАСХОД»

Множество термов лингвистической переменной «расход» {большой, умеренный, малый}. Графическое представление функции принадлежности термов δ € [0;1] переменной «расход» смотрите на рисунке 2.

Большой Умеренный Малый

δ δ δ

Рисунок 2. Функции принадлежности термов переменной «расход» по заданным отрезкам

Источник: составлено автором.

Переменная «ДОХОД»

Множество термов лингвистической переменной «доход» {высокий, средний, низкий}. Графики функции принадлежности термов ʎ€ [0;1] лингвистической переменной «Доход» в соответствии с количественными значениями представлены на рисунке 3.

ʎ ʎ ʎ

Рисунок 3. Функции принадлежности термов «дохода» по заданным отрезкам

Источник: составлено автором.

Функции принадлежности термов рассчитаны по заданным выше правилам через переменные «посещаемость» и «расход».

4. Процесс деззафикации. С помощью нечеткой логики сделаем прогнозирование «дохода» при «посещаемости» 320 человек за 1 сутки и с «расходом» на рекламу 14 000 рублей.

Была вычислена степень достоверности гипотезы, а степень достоверности вывода определяется функцией принадлежности соответствующего члена. Таким образом, используя один из методов создания эффекта размытия, мы получим новую переменную деззификации [17] (Dimitrichenko, 2016), соответствующую степени достоверности значения выходного значения при применении соответствующего правила к выбранному входу. Определяя утверждения вида «Если..., То...» как наименьшее левой и правой частей графиков, то получим три графика функций правил (см. на рис. 4).

Графически представленные правила наглядно показывают варианты значений доходности по установленному регламенту.

Правило 1 Правило 2 Правило 3

Рисунок 4. Функции полученных правил

Источник: составлено автором.

Для получения окончательного вывода необходимо объединить правила на одном графике воедино [18] (Sirotkina, Timofeeva, Vasileva, 2019), то есть произвести аккумуляцию правил. Результат объединения правил на графике представлен на рисунке 5.

Рисунок 5. Аккумуляция правил­­

Источник: составлено автором.

Результаты

Функция принадлежности определяет степень четкости входного значения в соответствии со значениями определенных выше параметров и правилами. Для получения конкретного числового значения выполняется фазовое преобразование, то есть для получения определенного значения из набора правил с помощью некоторой функции принадлежности [19] (Ganzen, 2021). В данном случае используется метод максимума (max) [20] (Vasilenko, 2018), потому что в примере значение «посещаемость» = 320 и относится к терму – «хороший», «расход» =14000 и принадлежит категории – «низкий». По заданному выше правилу (III) применяется дизъюнкция. Обратившись к полученной области принадлежности, получается, что при заданных выше условиях: 320 человек за 1 сутки посетило сайт и с расходом на рекламу 14 тыс. рублей доход будет на уровне от 80 000 рублей (значение 8 х 10⁵ на рисунке 5 обозначено пунктирной линией). Таким образом, с помощью аккумуляции правил, получили числовое значение доходности для заданных параметров.

Обсуждение

Надо заметить, что в описанном выше алгоритме используется одно экспертное мнение для задания количественных значений лингвистическим переменным.

нет да

нет

Рисунок 6. Алгоритм прогнозирования дохода интернет-продвижения на основе принципов нечеткой логики

Источник: составлено автором.

Цифровизация этого процесса даст возможность применить несколько экспертных мнений, и прогнозирование эффективности интернет-рекламы станет более точным, что повысит уровень принятия решений при онлайн-продвижении продукта/услуг.

Заключение

Преимуществом вышеизложенного метода прогнозирования эффективности интернет-продвижения на основах нечеткой логики является тот факт, что есть возможность одновременно вести анализ и по числовым показателям, и по лингвистическим переменным.

Вывод результатов исследования в виде лингвистических переменных существенно облегчает интерпретацию данных, что дает приоритет перед числовыми показателями. Это удобно для наглядной интерпретации данных, которая облегчает расшифровку результатов для руководителей предприятия без наличия специальных знаний. Важно отметить, что вышеизложенный метод на основе теории нечеткой логики способствует решению тех задач, в которых присутствуют сомнения или большой разброс данных, и может быть в основе автоматизации управления интернет-продвижения.

Автоматизацию управления интернет-продвижением автор статьи предлагает реализовать за счет создания цифровой модели, в основе которой применяется метод прогнозирования эффективности интернет-продвижения на основе принципов нечеткой логики.

На рисунке 6 отображена блок-схема алгоритма управления рекламной интернет-кампанией на основе прогнозирования ее экономического эффекта методом нечеткой логики. Цель алгоритма – автоматизировать управление рекламной интернет-кампанией за счет проверки целесообразности и эффективности ее проведения и обратить внимание на возможный пересмотр входящих параметров, например «посещаемости» и «рекламного бюджета». Тем самым сократятся необоснованные расходы на онлайн-рекламу при неблагоприятном прогнозе дохода.