Моделювання інтернет-маркетингового профілю життєздатності економічних систем
У роботі запропоновано концептуальний підхід щодо дослідження життєздатності економічних систем, які функціонують у сфері інтернет-просування, з подальшою розбудовою бази моделей глибокого навчання. Інтернет-маркетинговий профіль життєздатності розглядається як сукупність характеристик, які відображають стан та ефективність діяльності в інтернет-середовищі.
В умовах глобальних трансформацій, зміни рівноваги в сфері безпеки, зростання макроекономічних ризиків, воєнного стану в Україні, для економічної діяльності є актуальними дослідження щодо розробки стратегій протидії руйнівним процесам, адаптації до системних збурень, пошуку проактивних механізмів розвитку економічних систем.
Структуру інтернет-маркетингового профілю життєздатності представлено як мережеву з блоками характеристик, які інтегруються у системах веб-аналітики сайтів та мобільних додатків, що містять, зокрема, значення кількості відвідувань та унікальних відвідувачів, переглядів сторінок або розділів сайту, час перебування на сайті, ефективність рекламних кампаній тощо. Зазначимо, що навіть за активного використання технологій автоматизованого збору даних про функціонування веб-ресурсів, зокрема, на базі Google Analytics (GA4), виокремлення та дослідження динамічної складової розвитку та життєздатності систем інтернет-маркетингу є обмеженими. Інформація про транзакції хоча й фіксується в динаміці, але у звітах присутня опосередковано. Окрім того, доступ до динамічних даних є ускладненим, необхідне попереднє вивантажування «сирих» даних у сховища, наприклад, Google Big Query або використання API. У результаті за фактично динамічної природи даних, що фіксуються у системах відстеження, маємо зміщення фокусу уваги та функціоналу аналізу даних у бік статичної складової.
Отже, доцільним є збільшення пріоритетності саме динамічного напряму аналізу систем інтернет-маркетингу на базі моделювання багатомірних часових рядів. Такий модельний підхід із урахуванням обсягів даних, які швидко збільшуються, зростаючої різноманітності та змінюваності форматів взаємодії користувачів із веб-ресурсами та зростанням технічних можливостей фіксації їхньої активності, збільшенням частки потокових та значною мірою неструктурованих даних, швидким оновленням та комбінуванням контенту, розширенням форматів генерування креативів та каналів просування реклами, є актуальним.
Інтернет-маркетинговий профіль життєздатності фіксуватиме багаторівневу систему індикаторів для відстеження патернів складного та нелінійного поводження системи у часі, тому інструментарій моделювання систем часових рядів на базі динамічного факторного аналізу, що розглянуто у попередніх роботах [1], доцільно розширити щодо побудови моделей глибокого машинного навчання (Deep Learning). На відміну від традиційних інструментів статистичного моделювання часових рядів, Deep Learning моделі не потребують попереднього формування низки припущень, перевірки стаціонарності, вибору параметрів сезонності та порядку моделей ARIMA, перевірки гіпотези про базову динаміку системи для моделей простору станів, спрощується препроцесинг даних часових рядів [2, 3].
У процесі дослідження для реальної маркетингової агенції побудовано систему Deep Learning моделей, яка містить повнозв’язні нейромережі (з низкою шарів Dense та BathNormalization, передостаннім Flatten та кінцевим Dense шарами); LSTM – мережі (з низкою LSTM шарів та завершальними Dense шарами. Розглядались двоспрямовані LSTM); GRU – мережі; згорткові мережі CNN (з низкою шарів одномірної лінійної згортки Conv1D та MaxPooling1D), подальшим Flatten та кінцевим Dense шарами); комбіновані (складні) моделі.
У навчанні глибоких моделей аналізу часових рядів базовими налаштуваннями здійснено вибір часових кроків, а саме змінної вікна (глибини “погляду в минуле” в аналізі даних), та змінної горизонту (аналогічно, у “майбутнє”). Для налаштування гіперпараметрів проведено серію експериментів зі зміною швидкості навчання, різними архітектурами, типами оптимізаторів, обсягами пакетів даних (батчів), протестовано декілька активаційних функцій. Також змінювалась складність моделей, зокрема, задавали різну кількість згорткових (рекурентних) шарів та фільтрів. Контролювалась точність прогнозних моделей, перевірялась наявність ефекту автокореляції за різних значень кроку зміщення.
Одержані результати засвідчили гнучкість та ефективність використання Deep Learning моделей для дослідження інтернет-маркетингового профілю життєздатності економічних систем.
Література
- Вітлінський В.В., Катуніна О.С. Моделювання динамічних факторних систем макроекономічних показників деяких країн / Науковий журнал “Наукові записки Національного університету”Острозька академія” серія “Економіка”“, 2019, №13(41), с. 88-97.
- Nielsen А.Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O’Reilly Media. 2019. 504 pages.
- Sifan W, Xi Xiao, Qianggang Ding, Peilin Zhao, Ying Wei, Junzhou Huang. Adversarial Sparse Transformer for Time Series Forecasting. NIPS’20: Proceedings of the 34th International Conference on Neural Information Processing Systems. December 2020. Article No.: 1435. Pages 17105–17115.