Нейросетевое прогнозирование KPI в интернет маркетинге (СПИК - 2014)
•
1 like•1,354 views
В докладе Остюченко Игоря (Эдукор) представлен нейросетевой метод прогнозирования KPI в интернет-маркетинге. Практическая реализация выполнена с использованием Excel.
Нейросетевое прогнозирование KPI в интернет маркетинге (СПИК - 2014)
- 1. Нейросетевой анализ и прогнозирование KPI в Интернет-маркетинге Остюченко Игорь igor@educore.ru www.educore.ru Учебный центр
- 2. KPI -5% • Существенны для вашего бизнеса • KPI не должно быть много Определяем KPI
- 3. Постановка задачи прогнозирования Значение KPI в конкретное время t Значение KPI при достижении группы параметров
- 4. Прогнозирование KPI во времени Экстраполяция Прибыль Прогноз Время в это время 0 Наблюдаемое время
- 5. Что такое нейронная сеть
- 6. Что такое нейронная сеть
- 7. Принцип работы нейронных сетей 1 этап - Обучение сети на исторических данных • Учим на исторических данных: Данные - Правильный ответ, • Чем больше исторических данных, тем точнее результат. 2 этап - Получение ответа при подаче на вход данных • В результате прогнозное значение и вероятность прогноза
- 8. Где взять данные? • Системы веб-аналитики • CRM • Системы финансового учета Все что найдете!
- 9. Прогнозирование прибыли интернет-магазина (пример) Управляемые параметры Прогнозируемый KPI Товаров «в наличии» Объем целевого трафика Акция 10% Прибыль, руб. 50 400 Была 350 000 55 430 Нет 390 000 55 430 Была 385 000 55 550 Нет 395 000 60 550 Была 430 000 60 550 Будет ? Нанихобучаем
- 10. Инструментарий Excel + NeuralTools http://www.palisade.com/neuraltools/ Excel + собственные макросы (в сети есть готовые) SPSS от IBM http://spss.com
- 11. На что обратить внимание? 1. Выбор типа сети: • многослойный персептрон (MLP) • радиальная базисная функция (RBF) • сети Кохонена • байесовские сети. 2. Выбор алгоритма обучения: • обратное распространение • спуск по сопряженным градиентам • метод Левенберга-Марквардта • быстрое распространение.
- 12. Пример построения нейронной сети для решения задачи UI Входные параметры (то, чем можем управлять!): • Объем целевого трафика • Число товаров, представленных в слайдере • Размер фотографий в каталоге • Число полей в анкете покупателя • Число шагов в корзине до транзакции • Размер текста • Вид шрифта
- 13. Пример построения нейронной сети для решения задачи UI Трафик целевой Товаров в слайде Фото, размер Полей в анкете Шагов в корзине Размер шрифта Тип шрифта Прибыль 2500 9 200x300 3 3 16 Arial 25 000 2515 9 200x300 4 2 18 Tahoma 28 140 2510 6 200x300 3 3 16 Arial 27 500 2480 6 200x300 4 2 18 Tahoma 23 650 1 2 3 4 5 6 7 1 Входной слой Выходной слой Прибыль магазина
- 14. Пример построения нейронной сети для решения задачи UI Трафик целевой Товаров в слайде Фото, размер Полей в анкете Шагов в корзине Размер шрифта Новых клиентов Прибыль 2500 9 200x300 3 3 16 15 25 000 2515 9 200x300 4 2 18 12 28 140 2510 6 200x300 3 3 16 13 27 500 2480 6 200x300 4 2 18 11 23 650 1 2 3 4 5 6 21 Входной слой Выходной слой Новых клиентов Прибыль магазина