1 / 19

DIPLOMSKI RAD br. 313 ODREĐIVANJE CIJENE OGLASA NA TRŽIŠTU SPONZORIRANOG OGLAŠAVANJA

DIPLOMSKI RAD br. 313 ODREĐIVANJE CIJENE OGLASA NA TRŽIŠTU SPONZORIRANOG OGLAŠAVANJA. Ivana Bagić. Sadržaj. Sponzorirano oglašavanje Trading Agent Competition/Ad auction CrocodileAgent 2012 Zaključak. Sponzorirano oglašavanje. Popularan način oglašavanja

marlo
Download Presentation

DIPLOMSKI RAD br. 313 ODREĐIVANJE CIJENE OGLASA NA TRŽIŠTU SPONZORIRANOG OGLAŠAVANJA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DIPLOMSKI RAD br. 313ODREĐIVANJE CIJENE OGLASA NA TRŽIŠTU SPONZORIRANOG OGLAŠAVANJA Ivana Bagić

  2. Sadržaj • Sponzorirano oglašavanje • Trading Agent Competition/Ad auction • CrocodileAgent 2012 • Zaključak

  3. Sponzorirano oglašavanje • Popularan način oglašavanja • web-sjedišta, društvene mreže, tražilice • Objavljivačima omogućuje znatan izvor prihoda • Google je u 2011. god. imao prihode od 37,9 milijardi $ • Oglašivačke aukcije • Pozicija oglasa i cijena po kliku, CPC • Neizvjesno ponašanje korisnika na tržištu

  4. Sponzorirano oglašavanje1) Unos ključne riječi

  5. Sponzorirano oglašavanje2) Impresije

  6. Sponzorirano oglašavanje3) Klik

  7. Sponzorirano oglašavanje4) Transakcija

  8. Trading Agent Competition/Ad Auction • TAC igra u domeni sponzoriranog oglašavanja • Cilj igre: proučavanje i poboljšavanje različitih strategija oglašavanja u oglašivačkim aukcijama • Sudionici na tržištu sponzoriranog oglašavanja: • 90 000 korisnika • 8 oglašivača • 1 objavljivač

  9. Trading Agent Competition/Ad Auction • 60 virtualnih dana • 9 proizvoda uređenih parom (proizvođač, komponenta) • 16 upita podijeljenih u tri razine • F2 • npr. upit (PG,Audio) • F1 • npr. upit (PG,null) ili (null,Audio) • F0 • npr. upit (null,null)

  10. Korisnici • Ponašanje korisnika modelira se Markovljevim lancem • vjerojatnosti prijelaza su stacionarne, no mogući su i tzv. stohastički šiljci koji simuliraju naglo povećanje korisnika koji pretražuju

  11. Inteligentni programski agent CrocodileAgent 2012 • Nova strategija davanja ponuđene cijene • Otkrivanje znanja u velikim skupovim podataka • kreiranje datoteka za učenje • Strojno učenje • predviđanje sastava populacije korisnika, • predviđanje ponuđene cijene za ostvarivanje željene pozicije oglasa

  12. CrocodileAgent 2012

  13. CrocodileAgent 2012Generator broja korisnika

  14. CrocodileAgent 2012 Primjer naučenih pravila za određivanje grupe korisnika

  15. CrocodileAgent 2012Generator ponuda • Ponuda za svaki upit predstavlja najveću cijenu CPC koju je oglašivač spreman platiti objavljivaču • Dvije faze za određivanje ponuđene cijene CPC: • Faza pripreme podataka i učenja • za svaki odnos broja korisnika koji pretražuju (stanje IS) i potencijalnih kupaca (stanje F0, F1 i F2) odrediti željenu poziciju (npr. extreme_low u IS i F2 -> pozicija 6) • iz povijesnih podataka naučiti iznos ponuđene cijene CPC • Faza implementacije • pravila dobivena uz pomoć alata Weka implementirana unutar CrocodileAgenta 2012

  16. CrocodileAgent 2012 Primjer naučenih pravila za određivanje ponuđene cijene

  17. Analiza performansi CrocodileAgenta 2012 u natjecanju TAC/AA • Validacija entiteta Generator broja korisnika

  18. Analiza performansi CrocodileAgenta 2012 u natjecanju TAC/AA • Validacija entiteta Generator ponuda

  19. Zaključak • Oglašivači na temelju vlastitog razumijevanja stanja na tržištu donose odluke • Inteligentni programski agent CrocodileAgent već 4. godinu uspješno sudjeluje na natjecanju TAC/AA • Predviđanje sastava populacije korisnika na tržištu ima točnost do 50%, dok predviđanje ponuđene cijene CPC, za ostvarivanje željene pozicije oglasa, ima točnost 72% • Prijedlog za poboljšanje agenta – proširiti arhitekturu CrocodileAgenta 2012 • dodati novi entitet za usporedbu stvarnih i predviđenih podataka tijekom igre te uvesti korekciju u entitetima Generator korisnika i Generator ponuda

More Related