Дата публикации: 07 февраля 2020 г.

Ученые создали новый алгоритм прогнозирования потребительских покупок

Исследователи создали алгоритм, который успешно предсказывает потребительские покупки, используя данные о ежедневной активности потребителей в социальных сетях. Бренды могут использовать это для анализа потенциальных клиентов. Метод исследователей объединяет мощные методы статистического моделирования с распознаванием изображений на основе машинного обучения.

Доцент Тошихико Ямасаки (Toshihiko Yamasaki) и его команда из Высшей школы информационных наук и технологий Токийского университета (Graduate School of Information Science and Technology at the University of Tokyo) исследуют новые и интересные способы использования данных, таких как данные социальных сетей. Некоторые приложения, которые они разрабатывают, полезны для коммерческих компаний, для повышения их эффективности различными способами, но, в частности, в том, как они привлекают и влияют на потенциальных клиентов. «Я поставил перед своей командой два вопроса: «Можно ли рассчитать сходство между разными брендами на основе того, как клиенты взаимодействуют с ними в социальных сетях? Если да, могут ли бренды использовать эту информацию для улучшения своего маркетинга сами?» - сказал Ямасаки. Ученые на вопросы ответили положительно – Да!

Но способ, которым их команда вывела это, был совсем не прост. Вычислительный анализ данных социальных сетей часто называют майнингом, поскольку термин предполагает, что это монументальная и трудоемкая задача. По этой причине исследователи в этой области используют различные вычислительные инструменты для анализа социальных сетей так, как люди не могут. 

«В прошлом многие компании совершенствовали свои маркетинговые стратегии с помощью опросов клиентов и прогнозов, основанных на данных о продажах», - пояснил ведущий исследователь Ивэй Чжан. «Однако они трудоемки и неточны. Теперь у нас есть доступ и опыт владения такими инструментами, как машинное обучение и комплексный статистический анализ».

Команда начала свою работу со сбора общедоступных данных социальных сетей от подписчиков выбранных брендов. Они использовали проверенные методы распознавания изображений и машинного обучения для анализа и классификации фотографий и хэштегов, связанных с подписчиками брендов. Это выявило закономерности поведения потребителей по отношению к разным брендам. Эти модели означали, что исследователи могли рассчитать сходство между различными или даже не связанными брендами.

«Визуализировать то, что раньше не было видно, всегда очень интересно», - заключил Ямасаки. «Люди могут сказать, что профессионалы уже «видят» подобные шаблоны, но возможность показать сходство между брендами в числовом и объективном выражении - это новая инновация. Наш алгоритм наглядно более эффективен, чем оценка этих вещей только на основе интуиции».

Источник: u-tokyo.ac.jp

Гасанбекова Л. А. Оценка эффективности финансово-хозяйственной деятельности государственных унитарных предприятий Практическое пособие / Л. А. Гасанбекова, В. И. Никитина, Б. В. Сошников; под общ. науч. ред. канд. экон. наук О. А. Коробко. – М.: ФГБНУ «Аналитический центр» Минобрнауки России, 2019. – 49 с. (ISBN 978-5-904670-54-2). Доступна электронная версия печатного издания.

Вопросы контроля хозяйственной деятельности и финансового аудита, национальной безопасности, системного анализа и управления Сборник материалов III Всеросс. науч.-практ. конф., г. Москва, 29 декабря 2017. – М.: ФГБНУ «Аналитический центр» Минобрнауки России, 2018. – 200 с. (ISBN 978-5-904670-53-5). Доступна электронная версия печатного издания.

открыть полный список изданий Центра →