Gradnja napovednih modelov za klike na oglase v družabnih omrežjihNovak, Vesna (Avtor) Guid, Matej (Mentor) podatkovna znanostnapovedovanje časovnih vrstspletno oglaševanjedružabna omrežjaupravljanje oglaševalskih kampanjnapovedovanje klikovFacebookTwitterOglaševanje na družabnih omrežjih postaja vse bolj pomemben način promocije izdelkov in storitev. Tipična oglaševalska kampanja na družabnem omrežju vsebuje več skupin oglasov, vsaka skupina oglasov pa običajno vsebuje več oglasov. Pri upravljanju oglaševalskih kampanj so še posebej pomembne odločitve o razporejanju oglaševalskega denarja (ang. budget allocation) med izbrane oglase in oglasne skupine. Zelo koristno bi bilo vnaprej vedeti, kako uspešni bodo posamezni oglasi oz. oglasne skupine v neposredni bližnji prihodnosti. V magistrskem delu opisujemo postopek za gradnjo napovednih modelov za klike na oglase v družabnih omrežjih. Približati se želimo perspektivi upravljalca oglaševalskih akcij, ki ima tipično na voljo statistike oglasov v preteklih dneh, sprejeti pa mora odločitev, katerim oglasom bo v prihodnje namenil več oz. manj oglaševalskega denarja. Z optimizacijo razporejanja oglaševalskega denarja lahko korenito izboljšamo uspešnost upravljanja oglaševalske kampanje in gradnja napovednih modelov ima pri tem ključno vlogo. Uspeh v tem kontekstu merimo v številu klikov, ki so jih oglasi deležni v okviru omejenega budžeta. Glavni rezultat magistrske naloge je razvoj in opis postopka za gradnjo napovednih modelov za napovedovanje klikov na oglase v družabnih omrežjih. Primerjali smo različne algoritme za napovedovanje časovnih vrst (ang. time series forecasting) na družabnih omrežjih Facebook in Twitter. Predmet primerjave je bila zmožnost njihovega napovedovanja eno ali več časovnih točk vnaprej. Osredotočili smo se predvsem na napovedovanje števila klikov na oglase. Rezultati eksperimentov so pokazali, da uporabljene metode, še zlasti nevronske mreže z dolgim kratkoročnim spominom (ang. Long Short-Term Memory) in regresijski modeli, pridobljeni z algoritmom XGBoost, omogočajo smiselne napovedi do 24 ur vnaprej.20192019-11-14 10:35:02Magistrsko delo/naloga112817VisID: 22662COBISS_ID: 1538452419sl