Оптимізація маркетингових кампаній з використанням модифікованого алгоритму дерева рішень ID3

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.327158

Ключові слова:

маркетингова кампанія, ID3, дерево рішень, дисбаланс класів, точність, модифікація ентропії, переобладнання, розбиття даних, клас більшості, клас меншості

Анотація

Об’єктом цього дослідження є стратегія онлайн-маркетингових кампаній роздрібної торгівлі, зокрема в контексті використання модифікованого алгоритму дерева рішень ID3 для підвищення ефективності прогнозування щодо відповідей споживачів. Він вирішує проблеми сегментації аудиторії, оцінки кампанії та адаптації до ринку, а також вирішує технічні проблеми, такі як переобладнання, помилки прогнозів і дисбаланс даних. Ці проблеми часто заважають компаніям точно ідентифікувати потенційних клієнтів і орієнтуватися на них, що призводить до неефективних маркетингових стратегій і розподілу ресурсів. Набір даних було розділено на співвідношення 80:20 і 70:30, і модель протестована на глибині дерева рішень від max_depth 1 до max_depth 20. Найвища точність досягається при max_depth 6, що забезпечує оптимальну ефективність обчислень. Однак збільшення глибини дерева призвело до зниження точності та зростання обчислювальних витрат, підкреслюючи ризик переобладнання. Ключовими факторами, що впливають на реакцію споживачів, є дохід, рівень освіти та останні взаємодії з компанією. Ці змінні допомагають визначити купівельну поведінку та рівень залучення, що робить їх вирішальними для вдосконалення маркетингових стратегій. Класовий дисбаланс вносить упередженість, впливаючи на ефективність моделі, віддаючи перевагу класу більшості та неповно представляючи групи меншин. Модифікована модель ID3 перевершує ID3 Shannon, пропонуючи кращу точність для більшості, але нижчий відгук для меншості. Обмеження пропозицій кампанії одним або двома покращує реакцію споживачів і запобігає перевантаженню інформацією. Маркетингова стратегія на основі даних гарантує, що рекламні акції відповідають уподобанням споживачів і тенденціям ринку. Розроблена модель дозволяє компаніям краще націлювати кампанії, підвищувати коефіцієнт конверсії та оптимізувати розподіл ресурсів, забезпечуючи ефективний баланс між глибиною дерева та точністю моделі

Біографії авторів

Asrianda Asrianda, Universitas Sumatera Utara

Doctoral Student Program in Computer Science

Department of Computer Science

Herman Mawengkang, Universitas Sumatera Utara

Professor

Department of Computer Science

Poltak Sihombing, Universitas Sumatera Utara

Professor

Department of Computer Science

Mahyuddin K. M. Nasution, Universitas Sumatera Utara

Professor

Department of Computer Science

Посилання

  1. Byrne, S., Hart, P. S. (2009). The Boomerang Effect A Synthesis of Findings and a Preliminary Theoretical Framework. Annals of the International Communication Association, 33 (1), 3–37. https://doi.org/10.1080/23808985.2009.11679083
  2. Brun, A., Castelli, C. (2008). Supply chain strategy in the fashion industry: Developing a portfolio model depending on product, retail channel and brand. International Journal of Production Economics, 116 (2), 169–181. https://doi.org/10.1016/j.ijpe.2008.09.011
  3. Kaiser, C., Ahuvia, A., Rauschnabel, P. A., Wimble, M. (2020). Social media monitoring: What can marketers learn from Facebook brand photos? Journal of Business Research, 117, 707–717. https://doi.org/10.1016/j.jbusres.2019.09.017
  4. Wettstein, D., Suggs, L. S. (2016). Is it social marketing? The benchmarks meet the social marketing indicator. Journal of Social Marketing, 6 (1), 2–17. https://doi.org/10.1108/jsocm-05-2014-0034
  5. Erkan, I., Evans, C. (2016). The influence of eWOM in social media on consumers’ purchase intentions: An extended approach to information adoption. Computers in Human Behavior, 61, 47–55. https://doi.org/10.1016/j.chb.2016.03.003
  6. Wang, X., Yu, C., Wei, Y. (2012). Social Media Peer Communication and Impacts on Purchase Intentions: A Consumer Socialization Framework. Journal of Interactive Marketing, 26 (4), 198–208. https://doi.org/10.1016/j.intmar.2011.11.004
  7. Gunawan, D. D., Huarng, K.-H. (2015). Viral effects of social network and media on consumers’ purchase intention. Journal of Business Research, 68 (11), 2237–2241. https://doi.org/10.1016/j.jbusres.2015.06.004
  8. Wandosell, G., Parra-Meroño, M. C., Alcayde, A., Baños, R. (2021). Green Packaging from Consumer and Business Perspectives. Sustainability, 13 (3), 1356. https://doi.org/10.3390/su13031356
  9. Pace, K., Silk, K., Nazione, S., Fournier, L., Collins-Eaglin, J. (2016). Promoting Mental Health Help-Seeking Behavior Among First-Year College Students. Health Communication, 33 (2), 102–110. https://doi.org/10.1080/10410236.2016.1250065
  10. Melović, B., Dabić, M., Vukčević, M., Ćirović, D., Backović, T. (2021). Strategic business decision making: the use and relevance of marketing metrics and knowledge management. Journal of Knowledge Management, 25 (11), 175–202. https://doi.org/10.1108/jkm-10-2020-0764
  11. López, V., Fernández, A., García, S., Palade, V., Herrera, F. (2013). An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics. Information Sciences, 250, 113–141. https://doi.org/10.1016/j.ins.2013.07.007
  12. Horton, S., Towell, M., Haegeli, P. (2020). Examining the operational use of avalanche problems with decision trees and model-generated weather and snowpack variables. Natural Hazards and Earth System Sciences, 20 (12), 3551–3576. https://doi.org/10.5194/nhess-20-3551-2020
  13. Wang, Y., Li, Y., Song, Y., Rong, X., Zhang, S. (2017). Improvement of ID3 Algorithm Based on Simplified Information Entropy and Coordination Degree. Algorithms, 10 (4), 124. https://doi.org/10.3390/a10040124
  14. Chen, Z., Ji, J. (2023). Analysis and Identification of the Composition of Ancient Glass Objects Based on Logistic Regression Analysis. Highlights in Science, Engineering and Technology, 41, 265–270. https://doi.org/10.54097/hset.v41i.6830
  15. Middleton, L., Dowdle, D., Villa, L., Gray, J., Cumming, J. (2019). Saving 20 000 Days and Beyond: a realist evaluation of two quality improvement campaigns to manage hospital demand in a New Zealand District Health Board. BMJ Open Quality, 8 (4), e000374. https://doi.org/10.1136/bmjoq-2018-000374
  16. Giovanis, A. N., Athanasopoulou, P. (2018). Consumer-brand relationships and brand loyalty in technology-mediated services. Journal of Retailing and Consumer Services, 40, 287–294. https://doi.org/10.1016/j.jretconser.2017.03.003
  17. Kranzler, E. C., Gibson, L. A., Hornik, R. C. (2017). Recall of “The Real Cost” Anti-Smoking Campaign Is Specifically Associated With Endorsement of Campaign-Targeted Beliefs. Journal of Health Communication, 22 (10), 818–828. https://doi.org/10.1080/10810730.2017.1364311
  18. Huang, K., Wang, T. (2024). Optimized Application of the Decision Tree ID3 Algorithm Based on Big Data in Sports Performance Management. International Journal of E-Collaboration, 20 (1), 1–20. https://doi.org/10.4018/ijec.350022
  19. Deniz, N. (2020). Cognitive biases in MCDM methods: an embedded filter proposal through sustainable supplier selection problem. Journal of Enterprise Information Management, 33 (5), 947–963. https://doi.org/10.1108/jeim-09-2019-0285
  20. Sun, H., Hu, X. (2017). Attribute selection for decision tree learning with class constraint. Chemometrics and Intelligent Laboratory Systems, 163, 16–23. https://doi.org/10.1016/j.chemolab.2017.02.004
  21. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1 (1), 81–106. https://doi.org/10.1007/bf00116251
  22. Narayanan, S., Das, J. R. (2021). Can the marketing innovation of purpose branding make brands meaningful and relevant? International Journal of Innovation Science, 14 (3/4), 519–536. https://doi.org/10.1108/ijis-11-2020-0272
  23. Kaplan, A. M., Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business Horizons, 53 (1), 59–68. https://doi.org/10.1016/j.bushor.2009.09.003
  24. Souiden, N. (2002). Segmenting the Arab markets on the basis of marketing stimuli. International Marketing Review, 19 (6), 611–636. https://doi.org/10.1108/02651330210451944
  25. Chu, W., Qu, X. (2024). Severitys prediction of car accidents in PA and model comparison. Applied and Computational Engineering, 52 (1), 215–226. https://doi.org/10.54254/2755-2721/52/20241582
  26. Lee, S., Lee, S., Park, Y. (2007). A prediction model for success of services in e-commerce using decision tree: E-customer’s attitude towards online service. Expert Systems with Applications, 33 (3), 572–581. https://doi.org/10.1016/j.eswa.2006.06.005
  27. Hancock, J. T., Khoshgoftaar, T. M. (2020). CatBoost for big data: an interdisciplinary review. Journal of Big Data, 7 (1). https://doi.org/10.1186/s40537-020-00369-8
  28. Papadopoulou, N., Raïes, K., Mir Bernal, P., Woodside, A. G. (2019). Gifts as conduits in choice overload environments. Psychology & Marketing, 36 (7), 716–729. https://doi.org/10.1002/mar.21207
  29. Vins, A. D. S., Sam Emmanuel, W. R. (2021). Optimized Random Forest Algorithm with Parameter Tuning for Predicting Heart Disease. Advances in Computing and Data Sciences, 443–451. https://doi.org/10.1007/978-3-030-81462-5_40
Оптимізація маркетингових кампаній з використанням модифікованого алгоритму дерева рішень ID3

##submission.downloads##

Опубліковано

2025-04-22

Як цитувати

Asrianda, A., Mawengkang, H., Sihombing, P., & Nasution, M. K. M. (2025). Оптимізація маркетингових кампаній з використанням модифікованого алгоритму дерева рішень ID3. Eastern-European Journal of Enterprise Technologies, 2(13 (134), 58–70. https://doi.org/10.15587/1729-4061.2025.327158

Номер

Том 2 № 13 (134) (2025): Трансфер технологій: промисловість, енергетика, нанотехнології

Розділ

Трансфер технологій: промисловість, енергетика, нанотехнології

Ліцензія

Авторське право (c) 2025 Asrianda Asrianda, Herman Mawengkang, Poltak Sihombing, Mahyuddin K. M. Nasution

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.