Анастасия Владимировна Чибисова (МГТУ им.Н.Э.Баумана) :
Статьи:
519.866 Математическое моделирование рекламной кампании
Чибисова А. В. (МГТУ им.Н.Э.Баумана), Шинаков Д. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-3-8497
В данной статье предлагается метод оптимизации динамической политики распределения бюджета для рекламной кампании, размещаемой через встроенный в поисковик рекламный инструмент. Данный метод учитывает уникальные особенности маркетинга в социальных сетях, обеспечивает оптимальную политику распределения бюджета с течением времени для одной рекламной кампании и минимизирует продолжительность кампании, учитывая конкретный бюджет и желаемый уровень охвата каждого маркетингового сегмента. Модель включает в себя общую "функцию эффективности", которая определяет взаимосвязь между стоимостью рекламной ставки в данный момент времени и количеством новых пользователей, показанных в это время. Поставленная цель достигается за счет реализации алгоритма оптимального решения задачи динамического распределения рекламного бюджета при некоторых граничных условиях, а также за счёт анализа данных о рекламной кампании предприятия за июнь 2018 года. В ходе исследования был реализован алгоритм оптимального решения задачи динамического распределения рекламного бюджета при соответствующих граничных условиях, были приведены примеры конкретных случаев функции эффективности и разобраны некоторые модели реальных рекламных кампаний предприятия. Затем, были проанализированы данные, зарегистрированные рекламным агентством конкретного предприятия в отношении рекламной кампании, зарегистрированной с помощью встроенного в поисковик инструмента подсчёта ставок и охвата аудитории в течение 30 дней.
Чибисова А.В., Шинаков Д.С. Математическое моделирование рекламной кампании. Математическое моделирование и численные методы, 2022, № 3, с. 84–97.
519.866 Математическое моделирование стратегической рекламной кампании
Чибисова А. В. (МГТУ им.Н.Э.Баумана), Шинаков Д. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2023-4-109121
В данной статье предлагается создать модель прибыли для обычного рекламодателя, который будет размещать рекламу на видеоплатформе. Видеоплатформы предоставляют услуги видеоконтента для удовлетворения потребностей пользователей в развлечениях, а также рекламные площади для удовлетворения потребностей рекламодателей в получении прибыли. При просмотре видео потребители могут получить воспринимаемую полезность, удовлетворив свою потребность в развлечениях и любопытстве. Например, люди смотрят телевизионные торговые каналы, чтобы купить или узнать о товарах; чистая полезность рекламы для таких пользователей положительна. Тем не менее включение рекламы может негативно влиять на некоторых потребителей, тем самым снижая их полезность. Например, пользователям может надоесть видео-реклама вследствие незаинтересованности. Следовательно, взаимосвязь между продолжительностью видео и рекламы является ключевым фактором, влияющим на воспринимаемую потребителями полезность. В данной работе мы исследуем связь между продолжительностью рекламного ролика и прибылью рекламодателя на рынке короткой видео-рекламы.
Чибисова А.В., Шинаков Д.С. Математическое моделирование стратегической рекламной кампании. Математическое моделирование и численные методы, 2023, № 4, с. 109-121.
004.855.5 Нейросетевые методы решения задачи кредитного скоринга
Кадиев А. Д. (МГТУ им.Н.Э.Баумана), Чибисова А. В. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-4-8192
Продемонстрирован математический вывод представленной модели нейронной сети. Сведение задачи классификации к задаче оптимизации. Произведен разведывательный анализ данных, а также их предобработка для дальнейшего использования в обучении алгоритмов классификации. Были спроектированы архитектуры нейронных сетей, зависящих от функции активации, количества скрытых слоев нейронной сети и количества нейронов в скрытых слоях. Обучено более десяти нейронных сетей, решающих поставленную задачу кредитного скоринга. Произведен расчет времени обучения нейронных сетей. Представлено решение задачи при помощи классических алгоритмов машинного обучения. Можно было заметить, что стандартное отклонение accuracy и ROC AUC для нейронных сетей больше, чем у случайного леса. Это происходит из-за того, что мы выбираем начальные веса случайным образом и градиенты считаем не на всей выборке, а на малых частях, что добавляет некоторую погрешность при обучении. Но эти отклонения были не только в худшую сторону. В лучших ситуациях, по обеим метрикам, нейронные сети показывали результат хуже всего на пару процентов. Произведен анализ резульатов. Сравнительный анализ показывает, что нейронные сети имеют лучшее качество классификации, чем классические алгоритмы машинного обучения, а также, что нейронные сети имеют меньшее время обучения, чем классические алгоритмы машинного обучения. Представлены графики и таблицы, отображающие имеемые результаты.
Кадиев А.Д., Чибисова А.В. Нейросетевые методы решения задачи кредитного скоринга. Математическое моделирование и численные методы, 2022, № 4, с. 81–92.