Full Text

Введение Использование методов оптимизации при решении проблемы определения перечня площадок распространения информации в средствах массовой коммуникации[2] (далее СМК) играет ключевую роль в современном обществе. Сегодняшний бизнес становится все более зависим от современных коммуникационных технологий в задаче распространения информации. Быстрые изменения в цифровой среде и повсеместное использование интернета привели к тому, что компании и организации вынуждены адаптироваться к новым требованиям и использовать передовые технологии для эффективной коммуникации и продвижения информации. Компании, которые умело используют новейшие инструменты для коммуникации, получают конкурентное преимущество, улучшают свою репутацию и укрепляют связи с клиентами. В работе предложена оптимизационная модель, формирующая набор площадок распространения информации, исходя из заданных входных параметров и предпочтений рекламодателя. Применение оптимизационного подхода позволяет эффективно управлять процессом передачи информации от отправителя к получателю, минимизировать временные и ресурсные затраты, а также максимизировать охват аудитории и другие ключевые показатели обратной связи в условиях ограничений по бюджету. При использовании методов оптимизации в задаче распространения информации необходимо учитывать различные факторы, такие как характер информации, целевая аудитория, каналы коммуникации, время и бюджет. Анализ этих факторов позволяет оптимально выбирать стратегии распространения информации, временные промежутки и формы представления информации для каждой выбранной площадки, а также оценивать эффективность проводимых мероприятий. Применение методов оптимизации в задаче распространения информации помогает компаниям и организациям добиться максимального воздействия на целевую аудиторию, увеличить уровень вовлеченности и реакции на информацию, а также повысить общую эффективность коммуникационных стратегий. Таким образом, оптимизация играет важную роль в успешной коммуникации и распространении информации в современном мире. Анализ существующей литературы по применению математических, эвристических и статистических методов для решения задачи показывает, что большинство подобных работ рассматривают подходы, которые не учитывают в полной мере статистические данные, условие бюджетных ограничений, а также не формируют матрицу объектов-признаков [1-8]. За исключением применения алгоритмов машинного обучения и искусственного интеллекта, однако следует отметить, что интеграция таких программных решений, как Albert - маркетинговая платформа искусственного интеллекта [9] и «МТС Маркетолог» - рекламная платформа на базе «Big Data МТС» [10], влечет за собой существенные траты, которые могут себе позволить только крупные компании. Представленное решение позволяет моделировать набор площадок, в которых будет публиковаться информация, без больших вложений, учитывая важность критериев, сформулированных заказчиком. Кроме того, представленный рекомендательный блок, реализованный в виде отдельных функций, даст возможность учитывать особенности поведенческой активности аудиторий площадок. Актуальность использования оптимизационного подхода при моделировании процессов, протекающих в сложных организационных системах, определяется потребностью формирования перечня площадок распространения информации при различных предпочтениях и проведения анализа реакции системы при меняющихся условиях. 1. Описание и постановка задачи Поскольку рассматриваемые понятия, приведенные во введении, охватывают весьма широкий спектр средств, инструментов и способов предоставления информации неопределенному кругу лиц, а также исходя из специфики экспериментальной части данного исследования, предлагается под распространением информации понимать ее продвижение путем публикации рекламной записи[3], а под СМК - социальные сети[4]. Для проведения численного моделирования и удобства интерпретации результатов была взята социальная сеть «ВКонтакте» [11]. В данной работе продвижение информации будет осуществляться в части коммуникативного воздействия [12] на потребителя с целью увеличения продаж, позиционирования бренда [13; 14] или создания корпоративного имиджа [15]. Вследствие того, что продвижение информации будет происходить в рамках социальных сетей, под площадкой понимается сообщество социальной сети [16]. В сообществе администраторами опубликовываются записи как в рамках темы группы, так и в коммерческих целях. Такие записи называются рекламными. Стоимость размещения подобной записи зависит от многих факторов: активности аудитории, тематики, времени года и так далее. Соответственно, лицо, которое обращается к администраторам сообщества с целью публикации рекламной записи, является клиентом. Для того чтобы оценивать возможные результаты проведения рекламных кампаний, требуются данные, отражающие активность в сообществе. В данной работе оценивание активности аудитории в сообществе происходит по среднестатистическим показателям записи за выбранный временной период в силу ограниченной возможности получения данных, содержащих иную дополняющую информацию. Итак, рассмотрим возможные постановки задачи формирования набора сообществ для размещения в них рекламных записей. 1.1. Задача целочисленного линейного программирования Формулировка: клиенту требуется увеличить объем реализуемой им продукции, для чего он готов выделить некоторую сумму денежных средств. Клиент хочет провести рекламную кампанию таким образом, чтобы как можно больше пользователей сети узнали о его продукте. Следовательно, требуется при заданной тематике, временном периоде, целевом параметре, бюджете и, возможно, наличии портрета аудитории определить такой набор сообществ, который будет максимизировать суммарное количество просмотров опубликованных рекламных записей. Отметим, что как одна и та же рекламная запись может быть опубликована в нескольких сообществах, так и для каждого выбранного сообщества рекламная запись может быть отредактирована отдельно с учетом особенностей ее аудитории. Постановка задачи: пусть задана тематика, бюджет, месяц года, целевой параметр и, возможно, сформулирован портрет аудитории, тогда из множества X будет выбрано путем отбора некоторое подмножество сообществ - стоимость размещения рекламной записи в i-ом сообществе - количественное значение выбранного целевого показателя в i-м сообществе для среднестатистической записи в заданном месяце года - бюджет клиента - P. Тогда формулируется задача целочисленного линейного программирования для определения набора сообществ, максимизирующего просмотры рекламной записи, с заданными линейными ограничениями по бюджету и, чтобы решить поставленную задачу, необходимо найти решение системы (1): (1) 1.2. Задача многокритериальной оптимизации Формулировка: клиенту требуется провести позиционирование бренда, для чего он готов выделить некоторую сумму денежных средств. Клиент хочет провести рекламную кампанию таким образом, чтобы как можно больше пользователей сети узнали о его продукте. Однако клиент отдает предпочтение сообществам, в которых люди оставляют обратную связь в комментариях под записями, а также активно делятся ими у себя на личной странице. Таким образом, для клиента равновесны два показателя, значения которых мы и будем максимизировать. Следовательно, требуется при заданной тематике, временном периоде, бюджете и, возможно, наличии портрета целевой аудитории определить такой набор сообществ, который будет максимизировать суммарное количество комментариев и отметок «Поделиться» под опубликованными рекламными записями. Отметим, что как одна и та же рекламная запись может быть опубликована в нескольких сообществах, так и для каждого выбранного сообщества рекламная запись может быть отредактирована отдельно с учетом особенностей ее аудитории. Под критериями в данном исследовании понимаются отметки «Мне нравится», «Поделиться», «Комментарии», «Просмотры». В общем случае, имея большее разнообразие данных, критериями могут быть, например, охват[5], количество переходов по ссылкам и так далее. Постановка задачи: если задана тематика, бюджет, месяц года, предпочтения клиента по целевым параметрам и, возможно, сформулирован портрет аудитории, то из множества X будет выбрано путем отбора некоторое подмножество сообществ - целевые функции - количественное значение соответствующих целевых функций в i-м сообществе для среднестатистической записи в заданном месяце года - стоимость размещения рекламной записи в i-м сообществе - бюджет клиента - P. Тогда формулируется задача многокритериальной оптимизации для определения набора сообществ, максимизирующего значения критериев, которым отдал предпочтения клиент, с заданными бюджетными ограничениями. Чтобы решить поставленную задачу, необходимо найти решение системы (2): (2) Данная система будет сведена с помощью линейных преобразований к системе (3) и будет решаться известными методами целочисленного линейного программирования. (3) где - это, в прикладном смысле, показатель суммарной активности в i-ом сообществе для среднестатистической записи в заданном месяце года, - весовые коэффициенты критериев или предпочтения клиента. 2. Алгоритм обработки статистических данных В работе [17] был проведен анализ специализированных сервисов, пользующихся спросом у специалистов отрасли интернет-маркетинга[6], а также предложен алгоритм предобработки статиcтических данных. В результате чего были выбраны сервисы: Popsters и AllSocial [18]. Первый сервис удовлетворяет большинству критериев и имеет достаточно удобную структуру файлов выгрузки статистических данных для дальнейшего их преобразования и использования. Второй сервис содержит дополнительные метрики, статистические данные, а также одну из ключевых характеристик для данного исследования - стоимость размещения рекламной записи в сообществе социальной сети, которая была получена вторым сервисом из источника под названием Sociate, являющимся биржей рекламы[7]. Однако с течением времени и развитием данного исследования были внесены такие существенные изменения в разработанный алгоритм, что потребовало его качественной доработки. Одним из авторов была программно реализована новая версия алгоритма для формирования матрицы объектов-признаков и зарегистрирована соответствующая программа для электронно-вычислительных машин (ЭВМ) в «Роспатенте», являющимся федеральной службой по интеллектуальной собственности (ФИПС) [19]. Следует отметить, что все собранные данные являются общедоступными, не считаются конфиденциальными и не имеют персональных данных, они могут быть получены любым пользователем сети Интернет и принадлежат его открытому сегменту. После этапа определения наиболее подходящих сервисов, предоставляющих аналитическую информацию, произведена выгрузка данных из сервисов Popsters и AllSocial за период 01.06.2021 - 31.06.2022. В первом сервисе количество сообществ составило более чем 3600, а во втором сформирована выгрузка из 10 000 сообществ. Каждая из выгрузок имеет свою структуру и свое признаковое описание сообщества. Разберем подробнее особенности каждой из них. Сервис AllSocial предоставляет статистические данные в виде матрицы объектов-признаков, следовательно, не требует разработки алгоритма для построения матрицы подобного вида. Структура сформированного файла представлена на рис. 1. Рис. 1. Структура файла со статистикой из сервиса AllSocial. Набор данных 1 Сервис Popsters позволяет, выбрав сообщества, сформировать выгрузку со статистикой по сообществам за выбранный период. Файл со сводной статистикой по всем выбранным сообществам (ограничение сервиса - количество сообществ должно быть не более 10) имеет следующую структуру (рис. 2). Рис. 2. Структура файла со сводной статистикой по всем выбранным сообществам за установленный период из сервиса Popsters. Набор данных 2 Для применения оптимизационного подхода необходимо, чтобы данные были представлены в виде матрицы объектов-признаков. Кроме того, статистические данные должны отражать активность пользователей социальной сети как обратную реакцию на размещаемый в сообществе контент. Данные из первого набора преобразовывать не надо, а для данных из второго набора требуется разработать алгоритм для формирования матрицы объектов-признаков. Признаки, представленные в выгрузке из сервиса AllSocial, являются дополнительными, а основными - из сервиса Popsters. Для более подробного ознакомления с признаками из сервиса Popsters необходимо перейти по ссылке [20]. Используя данные в наборе 2, были введены новые признаки, которые будут использоваться для дополнительного анализа и предоставления рекомендаций, такие как: 1. Коэффициент вовлеченности (Engagement Rate) аудитории в день в течение месяца на количество подписчиков сообщества: где - сумма «Мне нравится»/«Поделиться»/«Комментариев» со всех вышедших публикаций в i-й день в j-м месяце; - количество дней в j-м месяце, - количество подписчиков сообщества в j-м месяце. 2. Коэффициент вовлеченности аудитории на публикацию в течение месяца на количество подписчиков сообщества: где - сумма «Мне нравится»/«Поделиться»/«Комментариев» со всех вышедших публикаций в i-й день в j-м месяце; - количество дней в j-м месяце, - количество подписчиков сообщества в j-м месяце, - количество публикаций в i-й день. 3. Коэффициент видимости (Visibility Rate) аудитории в день в течение месяца на количество подписчиков сообщества: где - сумма «Просмотры» со всех вышедших публикаций в i-й день в j-м месяце; - количество дней в j-м месяце, - количество подписчиков сообщества в j-м месяце. 4. Коэффициент видимости аудитории публикации в течение месяца на количество подписчиков сообщества: где - сумма «Просмотры» со всех вышедших публикаций в i-й день в j-м месяце; - количество дней в j-м месяце, - количество подписчиков сообщества в j-м месяце, - количество публикаций в i-й день. 5. Средний возраст целевой аудитории сообщества (далее «Средний возраст ЦА»): где - средний возраст в i-м интервале, например, для «% 27-30 лет» средний возраст будет составлять 28,5 года (крайние значения «\% до 18 лет» и «\% от 45 лет» были взяты следующие: 16,5 и 50 лет соответственно); - какой процент от общего количества аудитории принадлежит заданному возрастному интервалу. 6. Соотношение мужчин и женщин в сообществе (далее «Пол (М/Ж)»): где - доля аудитории мужчин и женщин соответственно. По аналогии с п. 3, 4 были вычислены коэффициенты: привлекательности (Love Rate), общительности (Talk Rate), распространения (Amplification Rate). Кроме того, определены следующие показатели: всего публикаций в течение месяца; интенсивность публикационной активности в день в течение месяца (далее «ИПА в день (за год)»); среднее значение отметок («Мне нравится», «Поделиться», «Комментариев», «Просмотров») публикации в течение месяца, года. Отметим, что был введен признак - «Тематика», который заполнялся вручную, так как в выбранных сервисах такая характеристика отсутствует. Для реализации необходимых преобразований и вычисления соответствующих характеристик сообществ был разработан алгоритм (рис. 3) в среде разработки PyCharm на языке программирования Python, состоящий из следующих частей: Рис. 3. Схема алгоритма предобработки данных 1. Реализован цикл, в котором считываются по очереди файлы и начинается их предобработка по принципу - один файл разбивается на таблицы, количество которых равно количеству признаков. Следует отметить, что признаки объединены по типам, для которых функции обработки будут одинаковыми. 1.1. Вложенный цикл, удаляющий пустые строки и ставящий в соответствие названиям признаков таблицы. 1.2. Далее реализованы функции обработки всех типов признаков и функции проверки одинаковых названий сообществ в одном файле, а также в тех случаях, когда одно и тоже сообщество есть в разных файлах: · если такие существуют, то в название сообществ добавляется их порядковый номер строки, например: «Моя дача», «Моя дача_6», «Моя дача_7». Это необходимо для корректной работы метода merge и concat библиотеки pandas; · если одно и то же сообщество есть в разных файлах, то для такого случая реализована функция проверки и удаления таких повторов, причем удаляются все, кроме первого. 1.3. Таким образом, сформированы матрицы по количеству признаков, в каждой из которых хранятся данные по всем сообществам. 2. Реализована функция, определяющая новые признаки по формулам, описанным ранее, из уже имеющихся данных. 3. Реализованы функции, для обработки двух типов признаков и формирования матрицы объектов-признаков. 4. Объединение преобразованных данных с набором данных 1 в единую матрицу объектов-признаков. Как итог работы алгоритма, получена матрица объектов-признаков, в которой 3604 сообщества, более 20 целевых признаков и более 30 характеристик для формирования рекомендаций по размещению записей в каждом сообществе (рис. 4). Рис. 4. Матрица объектов-признаков Следует отметить, что, исходя из методологии интеллектуального анализа данных, представленный алгоритм относится к их предварительной обработке, но в рассматриваемой оптимизационной модели также реализованы следущие шаги по преобразованию матрицы объектов-признаков: 1. Удаление объектов, у которых пусто в столбце «Цена Sociate». Это объясняется необходимостью использования для моделирования объектов, имеющих известную стоимость размещения рекламной записи. 2. Удаление объектов, у которых в столбце «Всего публикаций» значение равно 0. Это объясняется необходимостью использования для моделирования множества объектов с ненулевой активностью в течение временного периода: 01.06.2021 - 31.05.2022. 3. Преобразование категориальных признаков со строковыми значениями, например, «Тематика», «Название сообщества», «URL», в числовой тип данных. На выходе получено два набора данных, один предназначен для применения методов оптимизации и машинного обучения, другой для формирования рекомендаций по размещению рекламной записи для каждого объекта. В первом случае набор включает следующие признаки: «Подписчиков», «ER Post_year», «ER View_year», «LR Post_year», «TR Post_year», «VR Post_year», «AR Post_year», «Лайки поста среднее (за год)», «Репосты поста среднее (за год)», «Комментарии поста среднее (за год)», «Просмотры поста среднее (за год)», «Посетители (среднее за 7 дней)», «ИПА в день (за год)», «% Offline более месяца», «Цена Sociate», «CPM Sociate», «Пол (М/Ж)», «Тематика_id», «ER (100 последних постов)», «Средний возраст ЦА», «Прирост за 30 дней». 3. Рекомендации Для реализации блока формирования рекомендаций написано более 10 функций (рис. 5). Рис. 5. Схема рекомендательного блока Благодаря рекомендациям предоставляется возможность определять наилучший временной период для публикации записи, объем текста в ней, целесообразность прикрепления к ней фото/аудио/видеоматериалов, а также ссылок таким образом, чтобы отклик аудитории на размещаемую запись был максимальным в данном сообществе, то есть сделать так, чтобы опубликованная запись набрала больше отметок «Мне нравится», «Поделиться», «Комментариев», «Просмотров» (рис. 6). Рис. 6. Пример одной из рекомендательных функций - «Функция определяет лучший день недели для размещения записи в сообществе» Кроме основных рекомендаций, клиенту предоставляются все имеющиеся метрики, отражающие активность в сообществе, например, выводится не «Средний возраст ЦА», а процентное соотношение количества подписчиков по возрастным интервалам. 4. Оптимизационная модель Архитектура модели представлена в виде блок-схемы на рис. 7. Блок «преобразование данных» реализован с помощью четырех основных функции: 1) предобработка данных; 2) обработка данных; 3) формирование рекомендаций для публикации рекламных записей; 4) оптимизация. Рис. 7. Схема «Архитектура оптимизационной модели» Итак, сформирована матрица объектов-признаков, блок с рекомендациями для каждого объекта-сообщества по размещению рекламной записи и поставлены задачи оптимизации. Решаться задачи будут с помощью известных методов целочисленного линейного программирования, методов многокритериальной оптимизации и пакета Python с соответствующими библиотеками, например SciPy. В силу оптимизации времени работы алгоритмов, решающих поставленные задачи, было принято решение реализовать одну функцию, в которой решается как задача многокритериальной оптимизации, так и задача целочисленного линейного программирования, как частный случай задачи многокритериальной оптимизации, решаемый методом свертки критериев. Также рассмотрен метод равномерной оптимизации. Отметим, что данная модель реализована и зарегистрирована соответствующая программа для ЭВМ [21]. Перейдем к описанию архитектуры решающей функции. 1. Задаются: списки тематик, месяц года, бюджет клиента - список критериев: «Мне нравится», «Поделиться», «Комментариев», «Просмотров» - матрица весовых коэффициентов в виде списка с вложенными списками - таблица для фиксации результатов моделирования. Следует отметить, что бюджет клиента не превосходит максимальный бюджет для заданных тематик. 2. Задаются 3 вложенных цикла: первый по списку тематик, второй по бюджету клиента, третий по срокам матрицы весовых коэффициентов. 3. Вызывается функция обработки данных, которая отбирает объекты из заданного списка тематик, с ненулевыми значениями критериев в заданный месяц года. Таким образом, формируется подмножество объектов, на котором будет производиться моделирование. 4. Вызывается функция оптимизации, где формируются рекомендации для объектов заданного подмножества, отбираются объекты, стоимость размещения рекламной записи в которых меньше либо равна 5. Задаются: массив цен на размещение рекламной записи - где - количество объектов; массивы значений критериев 6. Методом свертки критериев задается один критерий: 7. Далее с помощью метода linprog библиотеки scipy.optimize решается уже задача линейного целочисленного программирования методом highs. 8. Получен результирующий вектор и затем вычисляются значения соответствующих критериев для оптимальных наборов сообществ при заданных коэффициентах значимости. 9. Фиксируются результаты моделирования в файл (пример см. на рис. 8). Пример названий столбцов: alpha_0, alpha_1, alpha_2, alpha_3, Всего Лайки поста Январь, Всего Репосты поста Январь, Всего Комментарии поста Январь, Всего Просмотры поста Январь, F_value, Obj_fun, Бюджет клиента, Общая стоимость, Количество сообществ, Выбранные тематики, Время работы, Месяц. Рис. 8. Пример выходного файла «.csv» с результатами моделирования 5. Численное моделирование и анализ результатов Для демонстрации работы предлагаемого подхода и возможности проведения сравнительного анализа полученных результатов зададим следующие входные параметры: 1. Тематики - «Автомобили, Автовладельцы», «Кулинария, рецепты», «Образование». Количество объектов в каждой тематике: 124, 126, 103. 2. Временные интервалы - помесячно, с января по декабрь. 3. Бюджет - от 1000 рублей до максимально возможного бюджета в рамках заданных тематик и месяцев года с шагом в 5000 рублей; 4. Предпочтения клиента заданы в векторной форме и представлены в табл. 1. Такое количество вариантов векторов весовых коэффициентов обусловлено тем, что будет проведен анализ чувствительности заданной системы с целью формирования рекомендаций для лиц, принимающих управленческие решения в зависимости от бюджета, сезонности и номенклатуры товаров или услуг. Заметим, что для оценки влияния изменения значений весов критериев на конечный результат используется принцип выделения главного критерия и дальнейшего равномерного распределения остатка между другими. Таблица 1 Таблица весовых коэффициентов для проведения анализа на чувствительность при изменении предпочтений клиента Часть 1 Часть 2 Часть 3 1,0 0,0 0,0 0,0 0,85 0,05 0,05 0,05 0,1 0,1 0,7 0,1 0,0 1,0 0,0 0,0 0,05 0,85 0,05 0,05 0,1 0,1 0,1 0,7 0,0 0,0 1,0 0,0 0,05 0,05 0,85 0,05 0,67 0,11 0,11 0,11 0,0 0,0 0,0 1,0 0,05 0,05 0,05 0,85 0,11 0,67 0,11 0,11 1,0 1,0 1,0 1,0 0,82 0,06 0,06 0,06 0,11 0,11 0,67 0,11 0,25 0,25 0,25 0,25 0,06 0,82 0,06 0,06 0,11 0,11 0,11 0,67 0,97 0,01 0,01 0,01 0,06 0,06 0,82 0,06 0,64 0,12 0,12 0,12 0,01 0,97 0,01 0,01 0,06 0,06 0,06 0,82 0,12 0,64 0,12 0,12 0,01 0,01 0,97 0,01 0,79 0,07 0,07 0,07 0,12 0,12 0,64 0,12 0,01 0,01 0,01 0,97 0,07 0,79 0,07 0,07 0,12 0,12 0,12 0,64 0,94 0,02 0,02 0,02 0,07 0,07 0,79 0,07 0,61 0,13 0,13 0,13 0,02 0,94 0,02 0,02 0,07 0,07 0,07 0,79 0,13 0,61 0,13 0,13 0,02 0,02 0,94 0,02 0,76 0,08 0,08 0,08 0,13 0,13 0,61 0,13 0,02 0,02 0,02 0,94 0,08 0,76 0,08 0,08 0,13 0,13 0,13 0,61 0,91 0,03 0,03 0,03 0,08 0,08 0,76 0,08 0,58 0,14 0,14 0,14 0,03 0,91 0,03 0,03 0,08 0,08 0,08 0,76 0,14 0,58 0,14 0,14 0,03 0,03 0,91 0,03 0,73 0,09 0,09 0,09 0,14 0,14 0,58 0,14 0,03 0,03 0,03 0,91 0,09 0,73 0,09 0,09 0,14 0,14 0,14 0,58 0,88 0,04 0,04 0,04 0,09 0,09 0,73 0,09 0,55 0,15 0,15 0,15 0,04 0,88 0,04 0,04 0,09 0,09 0,09 0,73 0,15 0,55 0,15 0,15 0,04 0,04 0,88 0,04 0,7 0,1 0,1 0,1 0,15 0,15 0,55 0,15 0,04 0,04 0,04 0,88 0,1 0,7 0,1 0,1 0,15 0,15 0,15 0,55 Перейдем к анализу результатов моделирования: Вывод. Количество уникальных решений не превышает 30 % вне зависимости от изменений значений весовых коэффициентов и бюджета по указанным тематикам и месяцам года (рис. 9-12). В табл. 2 представлены максимальные значения процента уникальных решений среди всех возможных бюджетов. Таблица 2 Максимальный процент уникальных решений среди всех бюджетов Тематика Номер месяца года 1 2 3 4 5 6 7 8 9 10 11 12 Автомобили, Автовладельцы 25 26,7 28,3 26,7 21,7 25 26,7 28,3 30 26,7 26,7 28,3 Кулинария, рецепты 16,7 16,7 20 25 18,3 21,7 21,7 15 15 16,7 16,7 16,7 Образование 23,3 23,3 23,3 23,3 26,7 18,3 25 23,3 30 25 23,3 23,3 Данный вывод может быть объяснен спецификой поведенческой активности пользователей социальной сети. Она заключается в том, что чувствительность к изменениям предпочтений на треть влияет на процесс формирования (получения) уникального решения. Замечание 1. Динамика изменения процента уникальных решений от изменений значений весовых коэффициентов по тематикам и месяцам года показывает, насколько активно и отлично друг от друга ведет себя аудитория в различных группах одной и той же тематики, вне зависимости от выбранных критериев. Рис. 9. Динамика изменения процента уникальных решений в зависимости от бюджета для тематики «Автомобили, Автовладельцы» Рис. 10. Динамика изменения процента уникальных решений в зависимости от бюджета для тематики «Кулинария, рецепты» Рис. 11. Динамика изменения процента уникальных решений в зависимости от бюджета для тематики «Образование» Рис. 12. Динамика изменения количества уникальных решений от месяца года по тематикам Действительно, на представленном графике (см. рис. 12) можно видеть, что в различные временные интервалы в результате повышения интереса пользователей сети к тем или иным сферам их жизнедеятельности, в силу сезонности спроса на товары (или услуги) и проявлении других внешних факторов увеличивается вероятность получения уникального набора площадок. Замечание 2. На основе анализа результатов моделирования по 12 месяцам, 3 тематикам и соответствующему количеству бюджетов заметим, что прослеживается дифференциация чувствительности критериев (рис. 13-18). Данное замечание позволяет сформулировать следующий вывод: текущие тенденции на рынке таковы, что различные критерии имеют отличную друг от друга чувствительность к изменениям предпочтений (значений весовых коэффициентов) вне зависимости от тематик, бюджета и месяца года. Отметим, что, исходя из анализа полученных результатов наиболее чувствительным оказался критерий «Лайки». Рис. 13. Динамика изменения процента уникальных решений по месяцам года в зависимости от критерия для тематики «Автомобили, Автовладельцы» Рис. 14. Динамика изменения процента уникальных решений по месяцам года в зависимости от критерия для тематики «Кулинария, рецепты» Рис. 15. Динамика изменения процента уникальных решений по месяцам года в зависимости от критерия для тематики «Образование» Рис. 16. Динамика изменения процента уникальных решений по критериям в зависимости от бюджета. Тематика «Автомобили, Автовладельцы» Рис. 17. Динамика изменения процента уникальных решений по критериям в зависимости от бюджета. Тематика «Кулинария, рецепты» Рис. 18. Динамика изменения процента уникальных решений по критериям в зависимости от бюджета. Тематика «Образование» Заключение В рамках данной статьи был имплементирован алгоритм обработки статистических данных сообществ социальной сети, формирующий матрицу объектов-признаков. Сформулированы новые постановки оптимизационных задач в рассматриваемой предметной области. Реализованы и апробированы методы решения сформулированных задач оптимизации по определению перечня площадок распространения информации в средствах массовой коммуникации. Проведено численное моделирование и анализ чувствительности в задаче многокритериальной оптимизации, а также сделаны соответствующие выводы и замечания. Разработанный прикладной инструмент для моделирования сценариев распространения информации и осуществления консультаций по коррекции изначальных предпочтений заказчика с учетом текущей динамики изменений ключевых характеристик выбранной номенклатуры товара на рынке обладает свойством масштабируемости и может быть применен для различных средств массовой коммуникации. Предлагаемый в данной статье подход к решению проблемы определения перечня площадок распространения информации позволяет сократить временные, финансовые и человеческие ресурсы при проведении соответствующих мероприятий в сети Интернет.

About the authors

D. V. Fursov

Saint Petersburg University

A. Yu. Krylatov

Saint Petersburg University

M. V. Svirkin

Saint Petersburg University

References

Statistics

Views

Abstract - 81

PDF (Russian) - 47

Refbacks

• There are currently no refbacks.