Anzeige
Anzeige

Más contenido relacionado

Presentaciones para ti(20)

Similar a Statistické modely jako další nástroj PPC marketingu(20)

Anzeige
Anzeige

Statistické modely jako další nástroj PPC marketingu

  1. Statistické modely jako nástroj PPC marketingu Data Restart 2020 Kateřina Lahodová
  2. Úvod Zadání od IMKT: Analyzovat vliv PPC nákladů na atribuované tržby
  3. Očekávaný výstup Predikce tržeb na následující období na základě PPC nákladů1 Simulační studie dle limitu na náklady2 Predikce vlivu na tržby při zvýšení nákladů3
  4. Sběr a analýza vstupních dat
  5. Analýza vysvětlované proměnné
  6. Analýza PPC nákladů
  7. Výběr dalších relevantních proměnných Časové proměnné – kvartál, měsíc, týden Speciální akce – Vánoce, Black Friday Aktuální situace na trhu – trendy v tržbách
  8. Tvorba statistického modelu
  9. Zdroj: https://google.github.io/CausalImpact/CausalImpact.html Výběr statistického modelu Lineární regrese s mnoha parametry Bayesovské strukturální časové řady pro modelování větších změn v alokaci PPC nákladů Rozhodovací stromy 1 2 3
  10. Black box nebo jednodušší model? Přesnost modelu Interpretace výsledků Výpočetní náročnost Debugging Využití potenciálu v datech Časová náročnost vývoje
  11. Model s náklady
  12. Model s časovou dimenzí
  13. Porovnání předchozích modelů
  14. Zdroj: Mondal, Sayantan & Mukherjee, Saumyak & Bagchi, Biman. (2017). Protein Hydration Dynamics: Much Ado about Nothing?. The Journal of Physical Chemistry Letters. 8. 4878-4882 Ensemble model The Blind Men and the Elephant John Godfrey Saxe
  15. Data Model A Model B Model C Trénovací množina A Trénovací množina B Trénovací množina C Agregační model Predikce Ensemble model - schéma
  16. Ensemble model - výsledek
  17. Jak zpřístupnit výsledky uživatelům?
  18. Aktualizace 1. týdně Infrastruktura řešení Lokální databáze Průběžné trénování a vyhodnocování modelu a reporting Aktualizovaná uživatelská aplikace (Power BI, Flask, Shiny) Reporting
  19. 200 300 100 W30 W31 W29 Přepočítej Predikce tržeb Odhadovaný vývoj CZK CZK CZK W30 W31 W29 Vyhodnoť Odhadované náklady Aktuální vývoj CZK CZK CZK 200 300 100 Uživatelská aplikace
  20. Co jsme se naučili? • Využít flexibilitu cloudu • Zajišťovat bezpečnost řešení • Tvořit zadání ve spolupráci se zadavatelem • Vytvářet uživatelské prostředí Další kroky? • Monitoring používání aplikace • Správa modelu • Zlepšení simulace Vyhodnocení a další postup
  21. Děkuji za pozornost!
Anzeige