Сегментація та кластеризація користувачів у платній рекламі: застосування методів data science
Тип публікації :
Магістерська робота
Дата випуску :
2025
Автор(и) :
Петренко, Кароліна Володимирівна
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Петренко, К. В. (2025). Сегментація та кластеризація користувачів у платній рекламі: застосування методів data science. [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/7411
[ДСТУ] Петренко К. В. Сегментація та кластеризація користувачів у платній рекламі: застосування методів data science : кваліфікаційна робота магістра : 051 Економіка / наук. кер. Т. В. Кравець. Київ, 2025. 56 с. URL: https://ir.library.knu.ua/handle/15071834/7411 (дата звернення: 17.07.2026).
Об’єкт дослідження: Патерни взаємодії та споживчої активності користувачів у середовищі цифрової реклами.
Мета дослідження: кластеризація користувачів за допомогою різних методів, виявлення закономірностей у кластерах та використання результатів для персоналізованих рекламних підходів
Методи дослідження: кластерний аналіз, K-means, DBSCAN, ієрархічна кластеризація, індекс Девіса-Болдіна, Метод головних компонент (PCA).
Наукова новизна, теоретична значимість: комплексне застосування та порівняння трьох різних методів кластеризації для сегментації користувачів цифрової платформи з урахуванням поведінкових і демографічних ознак, що дозволило поглибити уявлення про ефективність алгоритмів у прикладних умовах.
Практична цінність: розробка інструментів автоматизованої сегментації користувачів, результати якої можуть бути безпосередньо використані для персоналізації контенту, підвищення залученості та ефективності маркетингових стратегій цифрової платформи.
Мета дослідження: кластеризація користувачів за допомогою різних методів, виявлення закономірностей у кластерах та використання результатів для персоналізованих рекламних підходів
Методи дослідження: кластерний аналіз, K-means, DBSCAN, ієрархічна кластеризація, індекс Девіса-Болдіна, Метод головних компонент (PCA).
Наукова новизна, теоретична значимість: комплексне застосування та порівняння трьох різних методів кластеризації для сегментації користувачів цифрової платформи з урахуванням поведінкових і демографічних ознак, що дозволило поглибити уявлення про ефективність алгоритмів у прикладних умовах.
Практична цінність: розробка інструментів автоматизованої сегментації користувачів, результати якої можуть бути безпосередньо використані для персоналізації контенту, підвищення залученості та ефективності маркетингових стратегій цифрової платформи.
Галузі знань та спеціальності :
05 Соціальні та поведінкові науки::051 Економіка
Галузі науки і техніки (FOS) :
Соціальні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.85 MB
Контрольна сума :
(MD5):302896c960962c1231945d6117cc160f
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International