Параметри
Розробка моделей та інформаційної технології прогнозування показників теледивлення за допомогою методів науки про дані
Тип публікації :
Магістерська робота
Дата випуску :
2025
Автор(и) :
Ільчук Олександр
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
Ільчук О. Розробка моделей та інформаційної технології прогнозування показників теледивлення за допомогою методів науки про дані : кваліфікаційна робота магістра : 122 Комп’ютерні науки / Наук. кер. І. В. Мірошниченко. Київ, 2025. 112 с.
Мета дипломної роботи магістра – підвищення точності планів рекламних кампаній за допомогою впровадження інтелектуальної технології прогнозування показників теледивлення.
Об’єкт дослідження – процес визначення показника теледивлення Affinity.
Предметом дослідження є методи, моделі та програмні засоби прогнозування показників теледивлення з використанням інструментів науки про дані.
Наукова новизна роботи – вперше запропоновано та реалізовано комплексний гібридний підхід прогнозування теледивлення, який поєднує статистичні методи (ARIMA), глибоке навчання (LSTM) та інструмент Prophet. Розроблено інформаційну платформу, адаптовану до специфіки українського ринку та інтегровану в робочі процеси рекламного агентства «АІТІ», що дозволило суттєво покращити точність прогнозів та ефективність аналітичної роботи.
У роботі досліджуються існуючі підходи до прогнозування даних часових рядів показника Affinity. Розробляється інформаційна технологія автоматизованого отримання даних та створення прогнозу. Це допоможе планерам рекламних кампаній не тільки робити більш точні прогнози зміни показників, а й оптимальніше використовувати рекламний бюджет.
Практичне значення одержаних результатів:
Дана система може бути використана в медійних агентствах та на телевізійних каналах, що зробить процес прогнозування різних показників більш доступним та точним.
У результаті дослідження були отримані такі результати:
● Аналіз та опис процесу отримання даних телевізійного вимірювання, визначення основних показників;
● Опис існуючих математичних моделей, що будуть використані в системі, а також розробка власних;
● Опис процесу прогнозування та результатів його роботи на тестових цільових аудиторіях;
● Оцінка розроблених моделей за допомогою метрик.
Об’єкт дослідження – процес визначення показника теледивлення Affinity.
Предметом дослідження є методи, моделі та програмні засоби прогнозування показників теледивлення з використанням інструментів науки про дані.
Наукова новизна роботи – вперше запропоновано та реалізовано комплексний гібридний підхід прогнозування теледивлення, який поєднує статистичні методи (ARIMA), глибоке навчання (LSTM) та інструмент Prophet. Розроблено інформаційну платформу, адаптовану до специфіки українського ринку та інтегровану в робочі процеси рекламного агентства «АІТІ», що дозволило суттєво покращити точність прогнозів та ефективність аналітичної роботи.
У роботі досліджуються існуючі підходи до прогнозування даних часових рядів показника Affinity. Розробляється інформаційна технологія автоматизованого отримання даних та створення прогнозу. Це допоможе планерам рекламних кампаній не тільки робити більш точні прогнози зміни показників, а й оптимальніше використовувати рекламний бюджет.
Практичне значення одержаних результатів:
Дана система може бути використана в медійних агентствах та на телевізійних каналах, що зробить процес прогнозування різних показників більш доступним та точним.
У результаті дослідження були отримані такі результати:
● Аналіз та опис процесу отримання даних телевізійного вимірювання, визначення основних показників;
● Опис існуючих математичних моделей, що будуть використані в системі, а також розробка власних;
● Опис процесу прогнозування та результатів його роботи на тестових цільових аудиторіях;
● Оцінка розроблених моделей за допомогою метрик.
Ключові слова :
Галузі знань та спеціальності :
122 Комп’ютерні науки
Галузі науки і техніки (FOS) :
Інженерія та технології
Тип зібрання :
Publication
Файл(и) :
Вантажиться...
Формат
Adobe PDF
Розмір :
7.88 MB
Контрольна сума:
(MD5):eee78a7568d2dd7bfa55daa0aea21e4f
Ця робота розповсюджується на умовах ліцензії Creative Commons CC BY-NC