Короткострокове багатовимірне прогнозування у цифровому маркетингу

Анотація

У статті наведено результати побудови методу і моделі короткострокового багатовимірного прогнозування на базі нейронної мережі, в якій за рахунок розробки процедури навчання, де в процесі навчання нейронної мережі формуються навчальна і цільова матриця даних, що забезпечує отримання результату прогнозу в режимі реального часу.

В результатах проведеного аналізу досліджень і публікацій визначено розвиток сучасної економіки як у світі, так і в Україні. Визначені ключові напрями розвитку сучасної економіки, які включають висвітлення питань ефективного функціонування підприємств в умовах цифрової економіки. Визначено, що вирішення проблем застосування інтелектуальних інформаційних систем, конкурентоспроможності підприємств, створення систем аналізу організації моніторингу хмарних платформ пов’язано з застосуванням технологій цифрового маркетингу.

Підґрунтям для підвищення ефективності суб’єктів економічної діяльності стали наведені результати дослідження методів і моделей короткострокового прогнозування.

Систематизовані та наведені результати застосування технологій і моделей у маркетинговій аналітичній системі для роботи в режимі реального часу, що дозволило побудувати структурну модель маркетингової аналітичної системи. У запропонованій моделі використовуються бази даних, де обробка транзакцій здійснюється в режимі реального часу. Системи джерел даних надають інформацію для подальшої її обробки. Тому у запропонованій моделі забезпечується зберігання та обробку інформації в режимі реального часу із подальшою побудовою багатовимірних кубів даних OLAP.

На підставі отриманих даних побудовано метод і модель багатовимірного прогнозування, який включає три етапи. На першому етапі аналітичному аналізу показників і формування навчальної матриці з вибраних значень з історичних зрізів OLAP. На другому проводиться формування матриці цільових даних, що базуються на значеннях рівних поетапному збільшенню часового інтервалу, що визначає горизонт прогнозування. На наступному етапі проходить процес навчання нейронної мережі. В статті наведено результати короткострокового багатовимірного прогнозування, які показали точність отриманих результатів.

В роботі розглянуто вирішення проблеми короткострокового багатовимірного прогнозування нейронної мережі як інструменту підвищення швидкості і обробки даних при забезпеченні доступу до багатовимірних даних (OLAP). Запропоновано модель нейронної мережі для розв’язання задачі короткострокового багатовимірного прогнозування, яка використовує навчальні і цільову матриці. Матричні дані можуть бути побудовані різної розмірності з даних, які надають інформацію з OLAP.