Predicting the CTR of an Advertising Company on the Internet for Organizations in the IT Sector

Активное развитие интернет-технологий за последние 10 лет оказали существенное влияние на развитие рынка рекламы и способствовали появлению новых возможностей для рекламодателей и крупных игроков этого рынка. Можно с уверенностью констатировать, что рынок интернет-рекламы сегодня растёт быстрее чем смежные секторы: реклама на ТВ, в печатных СМИ, наружная реклама и другие. При этом рост этого сегмента продолжился даже в условиях рыночной неопределённости 2020 года. Так, по данным аналитиков, в 2020 году российский рынок интернет-рекламы вырос на 6,4% по сравнению с 2019 годом . По данным аналитиков тенденция роста сохраниться и в следующие годы: уже по итогу 2021 года расходы на интернет-рекламу могут составить 52% от совокупных расходов на рекламу в мире . Аналитики отмечают, что эта тенденция продлиться и дальше, и можно будет увидеть практически полное исчезновение некоторых сегментов, например, печатной рекламы. На этом относительно недавно появившемся рынке формируется новый для всего рынка рекламы принцип управления на основе данных, который заключается в том, что стоимость рекламы, позиция в поисковой выдаче, и даже эффективность рекламной кампании может быть оценена и предсказана с определённой точностью. При этом на первый план выходит то, насколько пользователи будут заинтересованы в рекламном объявлении, и, соответственно будут готовы перейти по указанной ссылке. Показатель относительного количества кликов рекламного объявления (CTR) напрямую влияет как на финансовый результат компании, оказывающей услуги по размещению рекламы, так и на компанию, рекламирующую свои товары, поскольку напрямую отражает один из критериев эффективности всей кампании, поэтому особенно важным для всех игроков этого рынка становится возможность заранее знать насколько рекламное объявление будет эффективно – это и обуславливает актуальность данной работы. Поскольку и рынок онлайн рекламы в целом, и задача предсказания количества кликов по ней в частности появились менее 10-ти лет назад, настоящая тема не изучена в достаточной степени: в западной литературе и статьях есть описание некоторых предложенных моделей, в российской литературе глубокое изучение прогнозирования эффективности рекламы практически отсутствует, поскольку его развитие требует серьёзных исследований и под силу только крупным компаниям, для которых этот род деятельности является основным. Научная новизна работы состоит в проведении в рамках исследования сравнительного анализа различных моделей машинного обучения на деперсонализированных данных для определения, содержащих разнообразную информацию о моменте демонстрации рекламного объявления пользователю. Практическая значимость состоит в определении наиболее эффективных инструментов и подходов к построению модели машинного обучения для прогнозирования эффективности рекламной компании в сети интернет. Объектом данного исследования является рекламные кампании в сети интернет. Предметом исследования является возможность прогнозирования эффективности рекламной компании. Цель исследования состоит в определении наиболее эффективно работающих инструментов анализа данных для решения задачи предсказания эффективности рекламы в интернете. Для достижения этой цели были поставлены следующие задачи: 1. Проанализировать факторы, влияющие на эффективность интернет-рекламы 2. Рассмотреть подходы, применяемые к прогнозированию CTR рекламной кампании как в отечественной, так и в зарубежной литературе 3. Проанализировать данные на предмет наличия взаимосвязи между различными факторами и целевой переменной 4. Обработать полученные данные для построения различных моделей машинного обучения и выявить существенные признаки 5. Построить различные модели машинного обучения , сравнить полученные результаты и выявить наиболее эффективно справившуюся с задачей модель 6. Составить список рекомендаций для дальнейшего улучшения качества модели В первой главе настоящей работы проводится структуры рынка интернет рекламы и факторов, влияющих на эффективность, а также описание подходов, используемых в наше время для прогнозирования показателя CTR. Вторая глава описывает инструменты и методологию, которые были использованы при проведении исследования, набор данных а также модели машинного обучения, которые использовались для построения прогноза целевого показателя. В третьей главе представлены и проанализированы полученные в рамках построения моделей результаты, а также представлены рекомендации по улучшению их прогностической способности.